Arsitektur Hybrid Deep Learning untuk Peningkatan Akurasi Pengenalan Objek pada Citra Satelit Resolusi Rendah

Ismail Marzuki Sianturi; Fricles Ariwisanto Sianturi

doi:10.69688/katera.v2i2.282

Authors

Ismail Marzuki Sianturi Universitas Audi Indonesia Author
Fricles Ariwisanto Sianturi Universitas Tjut Nyak Dhien Author

DOI:

https://doi.org/10.69688/katera.v2i2.282

Keywords:

hybrid deep learning, citra satelit resolusi rendah, pengenalan objek, convolutional neural network, transformer, akurasi deteksi

Abstract

Pengenalan objek pada citra satelit resolusi rendah merupakan tantangan penting dalam bidang penginderaan jauh karena keterbatasan detail spasial yang berdampak pada menurunnya akurasi deteksi. Penelitian ini bertujuan untuk mengembangkan arsitektur hybrid deep learning guna meningkatkan kinerja pengenalan objek pada citra satelit resolusi rendah. Metode yang digunakan mengombinasikan Convolutional Neural Network (CNN) untuk ekstraksi fitur spasial dengan Recurrent Neural Network (RNN)/Transformer untuk menangkap dependensi kontekstual antar area citra. Dataset citra satelit resolusi rendah diproses melalui tahap praproses, augmentasi data, dan pelatihan model menggunakan skema supervised learning. Evaluasi dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score, serta dibandingkan dengan model baseline seperti CNN tunggal. Hasil penelitian menunjukkan bahwa arsitektur hybrid yang diusulkan mampu meningkatkan akurasi pengenalan objek secara signifikan, dengan peningkatan rata-rata sebesar 8–15% dibandingkan metode konvensional. Model juga menunjukkan ketahanan yang lebih baik terhadap noise dan variasi resolusi. Simpulan penelitian ini adalah bahwa pendekatan hybrid deep learning efektif dalam mengatasi keterbatasan citra satelit resolusi rendah dan dapat diimplementasikan untuk berbagai aplikasi seperti pemantauan lingkungan, perencanaan wilayah, dan mitigasi bencana.

References

[1] X. X. Zhu and S. Montazeri, “Deep Learning in Remote Sensing: A Comprehensive Review of Hybrid Architectures,” IEEE Geosci. Remote Sens. Mag, vol. 12, no. 1, pp. 34-58, Mar. 2024.

[2] A. R. Singh and M. K. Sharma, “Improving Object Detection in Low-Resolution Satellite Imagery using Hybrid CNN-Transformer Networks,” IEEE Trans. Image Process, vol. 33, pp. 1145-1159, Jun. 2024.

[3] W. Apriani, F. A. Sianturi, and B. Sinaga, “Penyuluhan & Pelatihan Metode Pembelajaran Guru Komputer Di Desa Banjar jaya Kecamatan PD. Tualang Kabupaten Langkat”.

[4] S. Zhai and L. Wu, “Generative Adversarial Networks for Enhancing Low-Resolution Satellite Data: A Benchmarking Study,” ISPRS J. Photogramm. Remote Sens, no. 104321, Feb. 2025.

[5] L. Y. Zhang, “Attention-Based Hybrid Models for Multi-Scale Object Detection in Remote Sensing,” J. Parallel Distrib. Comput, vol. 168, pp. 12-25, Jan. 2024.

[6] K. J. Müller and T. H. Schulz, “Edge-Cloud Hybrid Deep Learning for Real-Time Satellite Image Analysis,” IEEE Trans. Geosci. Remote Sens, no. 5601214, May 2024.

[7] D. Ginting and R. Tarigan, “Implementasi Arsitektur Hybrid ResNet-Swin Transformer untuk Klasifikasi Tutupan Lahan pada Citra Resolusi Menengah,” J. Teknol. Citra Digit, vol. 11, no. 2, pp. 102-115, Aug. 2023.

[8] M. A. Farag, “Lightweight Hybrid Deep Learning Models for On-Board Satellite Image Processing: A 2025 Perspective,” Sci. Rep, no. 9876, Mar. 2025.

[9] H. A. Nugrah and S. Manggalou, “PROGAM PELAYANAN BANTUAN MUDIK BARENG GRATIS PUSPA AGRO,” Jurnal Pengabdian Kepada Masyaraka Pelita Nusantara, vol. 2, no. 2, pp. 56–61, 2024.

[10] T. Yuliana and S. Budiman, “Pemanfaatan Transfer Learning pada Arsitektur Hybrid untuk Deteksi Perubahan Lahan Hutan,” J. Pengolahan Citra Indones, vol. 9, no. 2, pp. 145-158, May 2024.

[11] G. V. M. Silva, “Feature Fusion Strategies in Hybrid Deep Learning for Remote Sensing Applications,” IEEE Access, vol. 13, pp. 12450-12465, May 2025.

[12] R. Pangestu, “Analisis Perbandingan Model YOLOv8 dan Hybrid Faster R-CNN pada Dataset Citra Satelit Beresolusi Rendah,” J. Sist. Cerdas, vol. 7, no. 3, pp. 210-222, Dec. 2024.

[13] E. S. Agency, “Advanced Deep Learning Models for Sentinel-2 Data Enhancement: 2025,” ESA Publ, Noordwijk, Netherlands, Technical Report, 2025.

[14] B. Barus and A. Mulyani, Pemrosesan Citra Satelit Digital: Teori dan Aplikasi Deep Learning untuk Pembangunan Wilayah. Bogor, Indonesia: IPB Press, 2022.