Citra satelit gratis kini bisa diubah menjadi data pemetaan yang jauh lebih detail, berkat teknik super resolution berbasis kecerdasan buatan.
Bayangkan bahwa Anda perlu memetakan sebuah kota, seperti mendata jalan kecil, membedakan permukiman padat dari kebun, atau memantau perubahan lahan dari bulan ke bulan. Kebutuhan tersebut dirasa semakin mendesak dalam berbagai aspek, mulai dari perencanaan tata ruang hingga mitigasi bencana. Tantangannya adalah data yang cukup detail seringkali mahal atau sulit diakses.
Di sinilah satelit Sentinel-2 menjadi andalan. Citra dari satelit milik Badan Antariksa Eropa ini tersedia secara gratis dan memiliki pembaruan liputan wilayah secara berkala. Namun, terdapat satu kendala utama, yaitu resolusi spasialnya hanya 10 meter, yang berarti setiap piksel mewakili area seluas lapangan tenis. Akibatnya, objek kecil seperti gang, trotoar, atau bangunan kecil hampir tidak terlihat dengan jelas.
Latar belakang tersebut mendorong Rafisatya Nugraha mahasiswa Magister Teknik Geomatika angkatan 2024 untuk menguji pendekatan super resolution. Pendekatan ini merupakan teknik AI yang mampu meningkatkan detail citra tanpa harus mengganti satelitnya. Cara kerjanya cukup intuitif yaitu model AI dilatih untuk memperkirakan detail yang hilang dari citra beresolusi rendah berdasarkan pola yang dipelajari dari ribuan gambar serupa. Hasilnya adalah citra yang terlihat jauh lebih tajam meskipun data tetap berasal dari satelit yang sama.
Penelitian ini menguji tiga metode super resolution dengan tingkat peningkatan resolusi yang berbeda, yaitu Real ESRGAN 2x, DiffBIR 4x, dan CraftDiff 10x. Real ESRGAN merupakan metode yang cepat dan stabil, serta menunjukkan performa terbaik berdasarkan metrik statistik, sehingga cocok digunakan ketika kecepatan pemrosesan menjadi prioritas. DiffBIR, yang berbasis model difusi, mampu menghasilkan tekstur yang lebih halus dibandingkan Real ESRGAN dan menawarkan keseimbangan antara peningkatan resolusi dengan kualitas visual yang lebih kaya. Sementara itu, CraftDiff memberikan peningkatan paling ekstrem hingga 10x dan menghasilkan detail visual yang paling tajam serta realistis. Selain itu, CraftDiff juga mencatat akurasi klasifikasi tutupan lahan tertinggi dalam penelitian ini, sehingga menjadi pilihan terbaik ketika kualitas hasil akhir lebih diutamakan dibandingkan kecepatan pemrosesan.
Setelah resolusinya ditingkatkan, citra kemudian diklasifikasikan ke dalam tujuh kelas tutupan lahan yaitu hutan, kebun, badan air, sawah, jalan, permukiman, dan lahan terbuka.
Temuan paling menarik dari penelitian ini adalah CraftDiff dengan peningkatan paling ekstrem justru menghasilkan akurasi klasifikasi tertinggi yaitu mencapai 82%, hampir dua kali lipat dibanding citra asli. Hal ini menunjukkan bahwa peningkatan kualitas visual dapat meningkatkan kemampuan AI dalam mengklasifikasikan tutupan lahan secara lebih tepat. Meski demikian, setiap metode memiliki keunggulannya masing masing, Real-ESRGAN unggul dalam efisiensi dan performa statistik, sedangkan CraftDiff unggul dalam kualitas visual dan akurasi akhir sehingga pemilihannya perlu disesuaikan dengan kebutuhan.
Penelitian ini tidak hanya berfokus pada eksperimen teknis, tetapi juga memiliki manfaat praktis yang penting. Jika citra satelit gratis seperti Sentinel-2 dapat ditingkatkan resolusinya hingga mendekati kualitas citra komersial berbayar, maka akses terhadap data spasial berkualitas tinggi akan menjadi lebih terbuka, terutama bagi pemerintah daerah, lembaga riset, dan organisasi dengan keterbatasan sumber daya. Pendekatan super resolution ini berpotensi diterapkan dalam berbagai bidang strategis, seperti perencanaan wilayah dan kota yang membutuhkan data detail serta terkini, pemantauan perubahan penggunaan lahan secara berkala, mitigasi dan respons bencana berbasis data spasial yang akurat, pertanian presisi, pengelolaan sumber daya alam, serta pengembangan sistem analisis spasial berbasis AI yang lebih adaptif dan efisien.
Menariknya, pendekatan ini tidak memerlukan sensor baru atau peluncuran satelit tambahan karena dengan model AI yang tepat, data yang sudah ada dapat dimaksimalkan melebihi batasannya. Hal ini menjadi pengingat bahwa inovasi tidak selalu berarti membangun dari nol, melainkan juga mengoptimalkan yang sudah tersedia. Penelitian Rafisatya Nugraha menunjukkan bahwa super resolution bukan sekadar alat untuk memperindah citra, tetapi mampu meningkatkan akurasi analisis tutupan lahan secara nyata. Dengan perkembangan teknologi AI, citra satelit gratis seperti Sentinel-2 memiliki potensi yang jauh lebih besar dari yang selama ini dimanfaatkan. (Penulis: Anggita Noviana Rizki, Editor: Franky Argus Adiwena)
Sumber: Bikin Citra Satelit Lebih Tajam! Super-Resolution untuk Klasifikasi Lahan | 3MT Raffi Satya Nugraha