PENERAPAN MODEL GEOAI UNTUK SEGMENTASI CITRA SATELIT DALAM IDENTIFIKASI AREA SAWAH SEBAGAI DASAR PEMETAAN ASURANSI PERTANIAN PADA PERUSAHAAN ASURANSI NASIONAL

ROHIM, AVRILLIANA (2026) PENERAPAN MODEL GEOAI UNTUK SEGMENTASI CITRA SATELIT DALAM IDENTIFIKASI AREA SAWAH SEBAGAI DASAR PEMETAAN ASURANSI PERTANIAN PADA PERUSAHAAN ASURANSI NASIONAL. S1 thesis, Universitas Mercu Buana Jakarta.

Preview	Text (Halaman Cover) COVER.pdf Download (613kB) | Preview
	Text (Bab 1) BAB 1.pdf Restricted to Registered users only Download (94kB)
	Text (Bab 2) BAB 2.pdf Restricted to Registered users only Download (151kB)
	Text (Bab 3) BAB 3.pdf Restricted to Registered users only Download (404kB)
	Text (Bab 4) BAB 4.pdf Restricted to Registered users only Download (772kB)
	Text (Bab 5) BAB 5.pdf Restricted to Registered users only Download (31kB)
	Text (Daftar Pustaka) DAFTAR PUSTAKA.pdf Restricted to Registered users only Download (88kB)
	Text (Lampiran) LAMPIRAN.pdf Restricted to Registered users only Download (777kB)

Abstract

Digitalisasi data geospasial melalui fitur tagging lahan sawah merupakan pilar utama dalam efektivitas sistem Asuransi Usaha Tani Padi (AUTP) di PT Asuransi Jasindo. Sayangnya, ketergantungan pada proses digitasi manual di aplikasi SIAP saat ini menciptakan hambatan operasional, terutama terkait efisiensi waktu dan konsistensi data. Penelitian ini hadir untuk menjawab tantangan tersebut dengan menerapkan model GeoAI berbasis segmentasi citra satelit sebagai solusi akselerasi dalam pendataan lahan sawah secara otomatis. Studi ini memanfaatkan pendekatan deep learning melalui arsitektur UNet++ dengan encoder ResNet-34 yang telah dioptimalkan melalui proses fine-tuning. Untuk menghasilkan presisi yang lebih tinggi, pendekatan boundary-aware diintegrasikan guna mempertajam deteksi batas petakan sawah, khususnya pada lahan dengan pola geometris teratur. Model dilatih menggunakan sinergi antara citra satelit resolusi tinggi dan data historis digitasi manual sebagai referensi utama. Hasil penelitian membuktikan bahwa penerapan GeoAI ini mampu mengidentifikasi area sawah berpola kotak dengan tingkat akurasi yang signifikan. Bagi praktisi dan pembaca, penelitian ini menawarkan manfaat nyata dalam mentransformasi metode kerja konvensional menjadi digital yang lebih objektif, sehingga petugas lapangan dapat memvalidasi lahan dengan waktu yang jauh lebih singkat. Meski memiliki keterbatasan pada area terasering, model ini menjadi instrumen pendukung vital untuk memangkas beban kerja manual secara drastis. Pada akhirnya, inovasi ini diharapkan mampu mempercepat proses layanan klaim bagi petani melalui penyediaan data geospasial yang lebih cepat, transparan, dan akurat di dalam ekosistem aplikasi SIAP. Geospatial data digitalization through rice field tagging is a vital pillar in the effectiveness of the Rice Crop Insurance (AUTP) system at PT Asuransi Jasindo. However, the current reliance on manual digitization within the SIAP application poses significant operational hurdles, particularly regarding time efficiency and data consistency. This research addresses these challenges by implementing a GeoAI model based on satellite imagery segmentation as an acceleration solution for automated rice field data collection. This study utilizes a deep learning approach using the UNet++ architecture with a ResNet-34 encoder, optimized through a fine-tuning process. To achieve higher precision, a boundary-aware approach was integrated to sharpen the detection of field boundaries, specifically for lands with regular geometric patterns. The model was trained using a synergy of high-resolution satellite imagery and historical manual digitization data as the primary reference. The results demonstrate that the application of GeoAI effectively identifies rectangular-patterned rice fields with significant accuracy. For practitioners and readers, this research offers tangible benefits by transforming conventional workflows into a more objective digital method, allowing field officers to validate land data in a much shorter timeframe. Despite limitations in detecting complex terraced areas, this model serves as a vital supporting instrument to drastically reduce manual workloads. Ultimately, this innovation is expected to expedite the insurance claim process for farmers by providing faster, more transparent, and accurate geospatial data within the SIAP application ecosystem.

Item Type:	Thesis (S1)
NIM/NIDN Creators:	41522010041
Uncontrolled Keywords:	GeoAI, UNet++, Fine-tuning, Segmentasi Citra Satelit, Tagging Lahan Sawah, PT Asuransi Jasindo, Efisiensi AUTP.
Subjects:	000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 000. Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 006 Special Computer Methods/Metode Komputer Tertentu > 006.3 Artificial Intelligence/Kecerdasan Buatan > 006.37 Computer Vision/Visi Komputer 900 Geography and History/Sejarah, Geografi dan Disiplin Ilmu yang Berkaitan > 910 Geography and Travel/Geografi dan Perjalanan > 910.1-910.9 Standard Subdivisions of Geography and Travel/Subdivisi Standar dari Geografi dan Perjalanan > 910.2 Miscellany of Travel/Aneka Ragam tentang Perjalanan > 910.22 Illustrations, Models, Miniatures/Ilustrasi, Model, Miniatur
Divisions:	Fakultas Ilmu Komputer > Informatika
Depositing User:	Haqi ar rachma nur
Date Deposited:	02 Apr 2026 04:04
Last Modified:	02 Apr 2026 04:04
URI:	http://repository.mercubuana.ac.id/id/eprint/101429

Actions (login required)

View Item