OPTIMASI MODEL U-NET BACKBONE RESNET50 PADA SEGMENTASI CITRA BANJIR MENGGUNAKAN SEQUENTIAL HYPERPARAMETER TUNING

Banjir merupakan bencana alam yang semakin sering terjadi dan menimbulkan dampak signifikan terhadap lingkungan perkotaan, sehingga diperlukan metode pemetaan wilayah terdampak yang cepat dan akurat. Segmentasi citra berbasis deep learning, khususnya model U-Net, banyak digunakan untuk tujuan ini. Namun, kinerja model tidak hanya ditentukan oleh arsitektur, tetapi juga sangat dipengaruhi oleh konfigurasi hyperparameter pelatihan yang digunakan. Penelitian ini bertujuan mengoptimalkan kinerja model U-Net dengan backbone ResNet50 pada tugas segmentasi citra banjir melalui pendekatan Sequential Hyperparameter Tuning dengan skema one-factor-at-a-time. Dataset yang digunakan terdiri dari sekitar 3.400 citra banjir RGB beserta ground truth mask biner dengan resolusi awal 512 × 512 piksel, yang dipraproses menjadi 256 × 256 piksel menggunakan CLAHE, gamma correction, dan unsharp masking untuk meningkatkan kontras serta kejelasan batas genangan. Proses optimasi difokuskan pada optimizer, batch size, learning rate, dan jumlah epoch, karena parameter-parameter tersebut berpengaruh langsung terhadap stabilitas konvergensi dan akurasi segmentasi. Optimasi dilakukan secara bertahap dengan mengevaluasi kinerja model pada data validasi menggunakan Intersection over Union (IoU) dan Dice Similarity Coefficient. Berdasarkan proses tersebut, diperoleh konfigurasi optimal yang menggunakan optimizer AdamW, batch size 8, learning rate 0.00015, dan 100 epoch. Evaluasi akhir dilakukan pada data uji melalui pelatihan ulang menggunakan tiga random seed berbeda, dan kinerja dilaporkan dalam bentuk nilai rata-rata. Hasil evaluasi menunjukkan bahwa konfigurasi optimal mencapai mean IoU sebesar 0.7664 dan mean Dice sebesar 0.8499, dengan simpangan baku yang rendah, yang mengindikasikan kestabilan dan kemampuan generalisasi model yang baik. Temuan ini menunjukkan bahwa optimasi hyperparameter berperan penting dalam meningkatkan kinerja segmentasi citra banjir berbasis U-Net ResNet50.