<?xml version="1.0" encoding="UTF-8" ?>
<modsCollection xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns="http://www.loc.gov/mods/v3" xmlns:slims="http://slims.web.id" xsi:schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-3.xsd">
<mods version="3.3" id="156985">
 <titleInfo>
  <title>IMPLEMENTASI DEEP LEARNING BERBASIS SEGMENT ANYTHING MODEL 2.1 UNTUK ANALISIS DISTRIBUSI BATUANS PASCA PELEDAKAN</title>
 </titleInfo>
 <name type="Personal Name" authority="">
  <namePart>MUHAMMAD SURYA PERDANA</namePart>
  <role>
   <roleTerm type="text">Primary Author</roleTerm>
  </role>
 </name>
 <typeOfResource manuscript="no" collection="yes">mixed material</typeOfResource>
 <genre authority="marcgt">bibliography</genre>
 <originInfo>
  <place>
   <placeTerm type="text">Banda Aceh</placeTerm>
   <publisher>Fakultas Teknik Pertambangan</publisher>
   <dateIssued>2025</dateIssued>
  </place>
 </originInfo>
 <language>
  <languageTerm type="code"></languageTerm>
  <languageTerm type="text"></languageTerm>
 </language>
 <physicalDescription>
  <form authority="gmd">Skripsi</form>
  <extent></extent>
 </physicalDescription>
 <note>Optimalisasi fragmentasi batuan pasca peledakan sangat penting untuk meningkatkan efisiensi operasi tambang. Metode evaluasi fragmentasi saat ini sering menghadapi kendala terkait akurasi dan efisiensi analisis citra lapangan yang kompleks. Penelitian ini memperkenalkan pendekatan baru menggunakan Segment Anything Model (SAM) 2.1 berbasis deep learning untuk mensegmentasi dan menganalisis distribusi ukuran fragmen (PSD) batuan secara otomatis dari citra drone. Penelitian dilakukan di Martabe Gold Mine dengan menganalisis 24 citra udara resolusi tinggi. Citra dibagi dalam beberapa patch untuk mengevaluasi kinerja SAM 2.1 dalam mensegmentasi dan mengukur PSD fragmen batuan, yang hasilnya dibandingkan terhadap ground truth dan software komersial WipFrag. Hasil penelitian menunjukkan bahwa SAM 2.1 mencapai akurasi segmentasi yang baik pada patch berkualitas tinggi dengan rata-rata Intersection over Union (IoU) 0,7452, Dice Coefficient 0,8535, Precision 0,7937, Recall 0,9247, dan F1-Score 0,8535, serta menghasilkan pengukuran PSD dengan error rendah, yaitu rata-rata Mean Absolute Error (MAE) 1,78, Mean Squared Error (MSE) 7,60, dan Root Mean Squared Error (RMSE) 2,71. Pada patch berkualitas rendah, akurasi menurun signifikan dengan rata-rata IoU 0,4827, Dice Coefficient 0,5649, Precision 0,3845, Recall 0,5521, dan F1-Score 0,4304 akibat over-segmentation. Namun, meskipun demikian, SAM 2.1 tetap lebih unggul dibandingkan WipFrag dengan nilai MAE 4,65 vs. 18,49, MSE 39,58 vs. 546,44, dan RMSE 6,15 vs. 23,37. Analisis fragmentasi di Martabe Gold Mine menunjukkan bahwa 99,62% fragmen memiliki ukuran ≤75 cm, yang menandakan boulder kurang dari 1%, mengindikasikan efektivitas desain peledakan. Implementasi SAM 2.1 berhasil meningkatkan kecepatan dan akurasi evaluasi fragmentasi tanpa mengganggu operasi tambang. Meskipun masih ada tantangan dalam segmentasi pada citra kompleks.&#13;
&#13;
Kata Kunci: fragmentasi batuan, segmentasi citra, SAM 2.1. WipFrag, Martabe Gold Mine.&#13;
</note>
 <note type="statement of responsibility"></note>
 <classification>0</classification>
 <identifier type="isbn"></identifier>
 <location>
  <physicalLocation>ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala</physicalLocation>
  <shelfLocator></shelfLocator>
 </location>
 <slims:digitals/>
</mods>
<recordInfo>
 <recordIdentifier>156985</recordIdentifier>
 <recordCreationDate encoding="w3cdtf">2025-06-13 09:58:34</recordCreationDate>
 <recordChangeDate encoding="w3cdtf">2025-06-13 10:10:33</recordChangeDate>
 <recordOrigin>machine generated</recordOrigin>
</recordInfo>
</modsCollection>