Nama : Rachmawan Atmaji Perdana Program Studi : Magister Ilmu Komputer Judul : Peningkatan Kinerja Ekstraksi Jalan Berbasis Konteks dan Fitur Tahap Penuh dengan ConvNeXt pada Citra Penginderaan Jauh Pembimbing : Prof. Dr. Ir. Aniati Murni Arymurthy, M. Sc., Risnandar, Ph. D. Seiring kemajuan teknologi penginderaan jauh, akuisisi citra untuk ekstraksi jalan dapat dilakukan dengan mudah. Hasil ekstraksi jalan dapat digunakan dalam bidang perencanaan wilayah, manajemen lalu lintas, manajemen bencana, navigasi, hingga perencanaan perjalanan kendaraan tanpa awak. Model deep learning berbasis arsitektur encoder-decoder adalah model popular yang banyak digunakan untuk menyelesaikan permasalahan ini. Salah satunya adalah model berbasis konteks jalan dan fitur tahap penuh (RCFSNet) yang menggunakan ResNet34. Kemampuan encoder dalam mengekstraksi fitur jalan merupakan hal yang krusial karena berpengaruh pada keakuratan hasil ekstraksi. Penelitian ini mengusulkan modifikasi pada encoder, yakni mengganti ResNet34 dengan model yang memiliki kemampuan ekstaksi fitur yang lebih baik yakni ConvNeXt-Tiny/Small. Fungsi loss saat pelatihan juga diusulkan untuk dimodifikasi dengan Teknik Inverse Frequency Weighting (IFW) untuk mengatasi masalah imbalance pada data latih dimana piksel-piksel untuk kelas latar belakang jumlahnya jauh lebih banyak daripada latar depan. Kemudian, scale sensitive decoder ditambahkan pada model agar lebih menyorot fitur-fitur penting dan mengurangi derau, yang mana akhirnya akan meningkatkan keakuratan ekstraksi jalan dari citra inderaja. Terakhir, tahap pasca-pemrosesan dengan operasi morfologi dilakukan untuk mengurangi False Positive. Eksperimen yang dilakukan pada model usulan menunjukkan kenaikan performa dibandingkan model baseline. Model usulan memperoleh IoU terbaik sebesar 0,6791 dan F1-Score 0,8069 pada Massachusetts Road Dataset, dan IoU terbaik sebesar 0,6986 dan F1-Score 0,8147 pada dataset DeepGlobe.