Nama : Yohanes Fridolin Hestrio Program Studi : Magister Ilmu Komputer Judul : Agricultural Area Segmentation in Multi-temporal Satellite Imagery Using Wavelet SegMamba Pembimbing : Prof. Dr. Eng. Wisnu Jatmiko, M.Kom. Aprinaldi, S.Kom., M.Kom., Ph.D.Eng. Pertanian memainkan peran penting dalam ekonomi dan ketahanan pangan Indonesia. Dengan sektor lahan yang luas serta beragam komoditas, bidang ini menghadirkan berbagai peluang dan tantangan dalam penelitian. Kompleksitas sektor ini ditandai oleh jenis tanaman yang beragam, topografi yang bervariasi, dan dinamika musiman, sehingga diperlukan sistem pemantauan dan pemetaan yang efisien. Citra satelit, khususnya data multi-temporal resolusi menengah, menawarkan solusi praktis untuk pemantauan skala besar, meskipun memiliki keterbatasan pada resolusi dan variabilitas temporal. Penelitian ini mengembangkan arsitektur GWSC-SegMamba yang mengintegrasikan State Space Model dengan Gate Wavelet Convolution (GWC) dan Gate Spatial Convolution (GSC) untuk segmentasi lahan pertanian dari data remote sensing multi-temporal. Evaluasi dilakukan pada tiga dataset: Munich, Lombardia, dan PASTIS menggunakan berbagai metrik evaluasi dan uji signifikansi statistik. Hasil penelitian menunjukkan GWSC-SegMamba mencapai peningkatan mIoU sebesar 4,43% pada dataset Munich (p < 0,0001) dan peningkatan OA sebesar 7,66% pada dataset PASTIS (p = 0,0019) dibandingkan Swin-UNETR. Studi ablasi mengonfirmasi kontribusi komponen wavelet dengan peningkatan mIoU 7,65% dibandingkan SegMamba konvensional. Model ini menunjukkan kemampuan superior dalam mengidentifikasi kelas tanaman minoritas, dengan peningkatan IoU hingga 53,13% untuk winter triticale. Analisis kompleksitas komputasi menunjukkan GWSC-SegMamba memiliki efisiensi 9,1% lebih baik dibandingkan Swin-UNETR pada input berukuran besar. Meskipun menunjukkan performa yang konsisten pada dataset Munich dan PASTIS, model mengalami keterbatasan generalisasi pada dataset Lombardia, mengindikasikan sensitivitas terhadap karakteristik temporal dan distribusi kelas. Penelitian ini memberikan kontribusi signifikan dalam pengembangan metode segmentasi multi-temporal untuk pemantauan pertanian, dengan implikasi praktis untuk aplikasi pertanian presisi dan pemantauan lahan skala regional.