JUKOMIKA (Jurnal Ilmu Komputer dan Informatik.
Volume 9.
Nomor 1.
July 2026 || Hal 33-46 p-ISSN : 2655-7541 .
e-ISSN : 2745-5823 DOI : 10.
Systematic Literature Review of Modern Instance segmentation : Dari CNN hingga Transformer dan Open-Vocabulary Models Putri Maulidia1.
Salma Nurrisa2 Universitas Majalengka.
Majalengka.
Indonesia1,2 Maulidiap91@gmail.
com1, salmanurrisa94@gmail.
AbstrakAi Penelitian ini membahas perkembangan metode instance segmentation dalam domain Computer vision melalui pendekatan Tinjauan Literatur Sistematis.
Masalah utama dalam penelitian ini adalah pesatnya pertumbuhan metode instance segmentation yang menyebabkan banyak variasi model, teknik, dan domain aplikasi, sehingga dibutuhkan analisis yang sistematis untuk memahami tren dan arah perkembangannya.
Penelitian dilaksanakan dengan metode Preferred Reporting Items for Systematic Reviews and Meta-Analyses melalui proses identifikasi, pemilihan, dan analisis terhadap 30 artikel yang sepenuhnya terdaftar di SCOPUS dan diambil dari berbagai basis data akademis seperti ScienceDirect.
SpringerLink.
Ie Xplore, arXiv.
MDPI.
Wiley Online Library.
ACM Digital Library, dan Nature Scientific Reports.
Penelitian mengungkapkan bahwa teknik berbasis deep learning seperti Convolutional Neural Network.
YOLO.
Transformer, model difusi, dan model bahasa-visual telah berkembang pesat dalam meningkatkan akurasi segmentasi, efisiensi komputasi, dan kemampuan generalisasi model.
Selain itu, penggunaan data sintetik, pembelajaran multimodal, dan teknik open-vocabulary menjadi tren utama dalam perkembangan instance segmentation modern.
Penelitian ini menyajikan penjelasan mendalam tentang evolusi teknologi, masalah penelitian, serta kesempatan untuk pengembangan metode instance segmentation di masa depan.
AbstractAi This study examines the development of instance segmentation methods in the field of Computer vision through a Systematic Literature Review approach.
The main issue in this study is the rapid growth of instance segmentation methods, which has led to a wide variety of models, techniques, and application domains, necessitating a systematic analysis to understand trends and the direction of their development.
The research was conducted using the Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) guidelines through a process of identifying, selecting, and analyzing 30 articles fully indexed in SCOPUS and sourced from various academic databases such as ScienceDirect.
SpringerLink.
Ie Xplore, arXiv.
MDPI.
Wiley Online Library.
ACM Digital Library, and Nature Scientific Reports.
The study reveals that deep learning-based techniques such as Convolutional Neural Networks.
YOLO.
Transformers, diffusion models, and vision-language models have advanced significantly in improving segmentation accuracy, computational efficiency, and model generalization capabilities.
Additionally, the use of synthetic data, multimodal learning, and open-vocabulary techniques has emerged as a major trend in modern instance segmentation development.
This research provides an in-depth explanation of technological evolution, research challenges, and opportunities for the future development of instance segmentation methods.
KeywordsAi Computer vision.
Deep Learning.
Instance segmentation .
Open-Vocabulary Models.
Transformer This is an open access article under the CC BY-SAlicense.
Pendahuluan Deep learning berkembang pesat dalam bidang computer vision karena mampu mempelajari representasi fitur secara otomatis dan menyelesaikan permasalahan pengolahan citra yang kompleks dengan akurasi tinggi .
Salah satu metode yang menarik perhatian adalah instance segmentation , yaitu teknik yang dapat mendeteksi, mengklasifikasikan, serta memisahkan setiap objek secara individual pada level piksel.
Tidak seperti semantic segmentation yang hanya memberikan label kelas untuk setiap piksel, instance segmentation dapat membedakan objek dengan kelas yang sama namun berada di lokasi berbeda dalam sebuah gambar.
Teknologi ini sangat krusial karena telah digunakan di berbagai sektor seperti mengemudi otonom, pertanian presisi, citra medis, robotika, pengawasan video, serta penginderaan jauh.
Evolusi metode instance segmentation dimulai dengan pendekatan berbasis CNN dan usulan wilayah seperti Mask R-CNN, kemudian meluas ke metode real-time seperti YOLACT .
, metode berbasis embedding .
, hingga Transformer dan model bahasa-visual modern .
, .
Selain itu, sejumlah penelitian terbaru juga menggunakan synthetic data, diffusion model, weakly supervised learning, dan open-vocabulary https://jurnal.
id/index.
php/jukomika JUKOMIKA (Jurnal Ilmu Komputer dan Informatik.
Volume 9.
Nomor 1.
July 2026 || Hal 33-46 p-ISSN : 2655-7541 .
e-ISSN : 2745-5823 DOI : 10.
segmentation untuk memperbaiki kemampuan generalisasi model dalam situasi data yang terbatas .
, .
, .
, .
Studi lain mengungkapkan bahwa penerapan ekstraksi fitur multi-skala dan mekanisme perhatian dapat meningkatkan akurasi segmentasi untuk objek yang kecil dan kompleks .
, .
, .
, .
Perkembangan ini menunjukkan bahwa instance segmentation tidak hanya berkaitan dengan peningkatan akurasi, tetapi juga efisiensi komputasi, kemampuan generalisasi, dan adaptabilitas terhadap objek baru .
, .
, .
, .
Beragam studi sebelumnya telah menciptakan metode instance segmentation di berbagai bidang aplikasi.
Dalam sektor pertanian, segmentasi instan digunakan untuk mengidentifikasi daun tanaman, buah, gulma, dan perkembangan tanaman hidroponik secara otomatis .
, .
, .
, .
, .
, .
Dalam sektor medis, teknik ini digunakan untuk segmentasi tulang belakang vertebra, gigi, serta citra mikroskopis sel .
, .
, .
, .
, .
Di sisi lain, dalam bidang penginderaan jauh dan pengemudian otonom, instance segmentation digunakan untuk memisahkan marka jalan, bangunan, kanopi pohon, serta estimasi jarak kendaraan .
, .
, .
, .
, .
, .
Studi lain juga mengulas kemajuan teknik modern seperti segmentasi berbasis Transformer.
Mask Transformer, segmentasi interaktif, segmentasi instance video, dan segmentasi kosakata terbuka yang memungkinkan model mengenali objek baru tanpa pelatihan khusus .
, .
, .
, .
Selain itu, banyak penelitian menggunakan model difusi dan generasi data sintetik untuk memperbaiki mutu data pelatihan agar kinerja model menjadi lebih konsisten .
, .
, .
Beragam pendekatan tersebut menunjukkan bahwa penelitian instance segmentation terus maju dari metode konvensional yang berbasis CNN ke arah pendekatan modern yang lebih adaptif, efisien, dan kontekstual.
Meskipun perkembangan penelitian instance segmentation sangat pesat, masih terdapat beberapa kesenjangan penelitian yang ditemukan.
Sebagian besar penelitian sebelumnya hanya berfokus pada pengembangan satu metode tertentu atau penerapan pada domain spesifik tanpa memberikan analisis menyeluruh mengenai evolusi metode instance segmentation dari generasi awal hingga pendekatan modern berbasis Transformer dan vision-language model .
, .
, .
, .
, .
Selain itu, penelitian review yang tersedia umumnya hanya membahas domain tertentu seperti pertanian atau interactive segmentation sehingga belum memberikan gambaran komprehensif mengenai tren perkembangan metode modern secara umum .
, .
Tantangan lain yang masih sering ditemukan adalah segmentasi objek kecil, overlapping object, kebutuhan komputasi tinggi, keterbatasan data berlabel, serta rendahnya performa model pada kondisi real-time .
, .
, .
, .
, .
Di sisi lain, perkembangan teknologi terbaru seperti diffusion model, open-vocabulary segmentation, synthetic data generation, dan weakly supervised learning mulai banyak digunakan namun belum banyak dirangkum secara sistematis dalam satu kajian literatur .
, .
, .
, .
, .
Berdasarkan permasalahan tersebut, penelitian ini menawarkan kebaruan berupa kajian Systematic Literature Review yang secara khusus membahas perkembangan modern instance segmentation mulai dari metode berbasis CNN.
YOLO, embedding-based segmentation.
Transformer, hingga open-vocabulary dan vision-language models.
Berbeda dengan penelitian review sebelumnya yang hanya berfokus pada domain tertentu, penelitian ini mengintegrasikan berbagai pendekatan instance segmentation dari banyak bidang aplikasi seperti pertanian, medis, autonomous driving, robotika, surveillance, dan remote sensing .
, .
, .
, .
, .
Penelitian ini juga menganalisis tren penggunaan synthetic data, diffusion model, weakly supervised learning, multi-scale attention, serta Transformer modern yang menjadi arah perkembangan terbaru instance segmentation .
, .
, .
, .
, .
, .
Dengan demikian, penelitian ini diharapkan mampu memberikan gambaran komprehensif mengenai perkembangan metode, tantangan penelitian, peluang pengembangan, serta arah masa depan instance segmentation dalam bidang computer Metodologi Penelitian Studi ini menerapkan metode Systematic Literature Review (SLR) untuk menemukan, menilai, dan menganalisis kemajuan teknik instance segmentation yang didasarkan pada deep learning.
Metode SLR dipilih karena dapat memberikan ulasan penelitian yang sistematis, terorganisir, dan objektif mengenai beragam penelitian sebelumnya.
Proses penelitian dilakukan dengan mengikuti langkah-langkah Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) yang meliputi tahap identifikasi, penyaringan, kelayakan, dan inklusi.
Metode ini diterapkan untuk memastikan bahwa artikel yang dipilih benar-benar berkaitan dengan topik penelitian dan memiliki mutu ilmiah yang memadai.
https://jurnal.
id/index.
php/jukomika JUKOMIKA (Jurnal Ilmu Komputer dan Informatik.
Volume 9.
Nomor 1.
July 2026 || Hal 33-46 p-ISSN : 2655-7541 .
e-ISSN : 2745-5823 DOI : 10.
Untuk memastikan Kumpulan data yang komprehensif dan representatif, strategi pencarian disusun secara sistematis dengan menggunakan kombinasi kata kunci bidang segmentasi instance.
Kata kunci utama adalah AuInstance segmentation Ay, dilengkapi dengan istilah tambahan seperti AuDeep Learning for Instance segmentation Ay.
AuYOLO Instance segmentation Ay.
AuTransformer-based SegmentationAy.
AuOpen-Vocabulary Instance segmentation Ay.
AuMedical Instance segmentation Ay.
AuReal-Time Instance segmentation Ay, serta AuSynthetic Data for SegmentationAy.
Kata kunci dipilih berdasarkan perkembangan tren penelitian saat ini dalam bidang computer vision, terutama pada teknik segmentasi yang didasarkan pada deep learning.
Transformer, dan model visi-bahasa yang sering diadopsi dalam publikasi ilmiah terbaru.
Gambar 1 mempresentasikan distribusi frekuensi dari kata kunci yang digunakan dalam proses pencarian literatur.
Gambar 1.
Frekuensi Kata Kunci yang Digunakan dalam Pencarian Literatur di Berbagai Basis Data Utama .
Sumber literatur dalam studi ini dihimpun dari berbagai basis data ilmiah internasional terindeks Scopus, meliputi ScienceDirect.
SpringerLink.
Ie Xplore.
MDPI.
Wiley Online Library.
ACM Digital Library, dan Nature Scientific Reports.
Di samping itu, penelitian ini juga mengintegrasikan artikel pracetak .
dari repositori arXiv.
Langkah ini diambil secara selektif guna mengakomodasi dan menangkap tren algoritma serta model deep learning paling mutakhir .
tate-of-the-ar.
di bidang instance segmentation yang perkembangannya berjalan sangat akseleratif.
Gambar 2.
Distribusi Artikel yang dipilih Berdasarkan Sumber Basis Data Untuk mendukung proses analisis literatur, penelitian disusun berdasarkan 10 Pertanyaan Penelitian (RQ) yang terkait dengan kemajuan metode, penerapan, serta kendala instance segmentation .
RQ berfungsi sebagai pedoman dalam mengenali tren penelitian, membandingkan metode yang diterapkan, dan menilai arah kemajuan teknologi dalam bidang ini.
https://jurnal.
id/index.
php/jukomika JUKOMIKA (Jurnal Ilmu Komputer dan Informatik.
Volume 9.
Nomor 1.
July 2026 || Hal 33-46 p-ISSN : 2655-7541 .
e-ISSN : 2745-5823 DOI : 10.
Gambar 3.
Peta pikiran penelitian - RQ1: Apa saja pendekatan utama dalam instance segmentation yang berkembang saat ini? - RQ2: Bagaimana peran data dalam meningkatkan performa instance segmentation ? - RQ3: Teknik apa yang digunakan untuk meningkatkan akurasi instance segmentation ? - RQ4: Bagaimana peran Transformer dalam perkembangan instance segmentation ? - RQ5: Bagaimana perkembangan instance segmentation menuju open-vocabulary? - RQ6: Bagaimana instance segmentation dapat dilakukan tanpa data berlabel? - RQ7: Apa saja domain aplikasi instance segmentation ? - RQ8: Apa tantangan utama dalam instance segmentation ? - RQ9: Bagaimana keseimbangan antara akurasi dan kecepatan dalam instance segmentation ? - RQ10: Apa arah perkembangan masa depan instance segmentation ? Pertanyaan penelitian ditujukan untuk mengarahkan analisis literatur secara teratur di bidang Computer vision, terutama instance segmentation yang mencakup berbagai aspek penting, termasuk evolusi metode dari pendekatan berbasis CNN ke Transformer dan model-vocabulary terbuka, peran data dan teknik untuk meningkatkan akurasi, serta penerapan di berbagai sektor seperti kesehatan, pertanian, dan transportasi.
Selain itu.
RQ juga berorientasi pada pengenalan tantangan utama, seperti keterbatasan data, kompleksitas objek, serta kompromi antara akurasi dan efisiensi komputasi.
Dengan merumuskan RQ secara sistematis, penelitian ini bertujuan tidak hanya untuk merangkum hasil-hasil penelitian sebelumnya, tetapi juga memberikan analisis mendalam mengenai tren, keunggulan, serta arah perkembangan instance segmentation di masa yang akan datang.
Tabel 1.
Kriteria Inklusi dan Eksklusi Seleksi Artikel No.
Parameter Seleksi Rentang Waktu Publikasi Sumber Data & Indeksasi Fokus & Topik Utama Kriteria Inklusi (Inclusion Criteri.
Artikel ilmiah yang dipublikasikan dalam rentang waktu tahun 2020 merepresentasikan tren instance segmentation modern.
Artikel ilmiah yang bersumber dari (ScienceDirect.
SpringerLink.
Ie Xplore, arXiv.
MDPI.
Wiley.
ACM, dan Nature Scientific Report.
serta telah terindeks oleh SCOPUS.
Artikel yang secara spesifik modifikasi, atau analisis komparatif metode instance segmentation Kriteria Eksklusi (Exclusion Criteri.
Artikel ilmiah yang dipublikasikan sebelum tahun 2020.
Artikel yang tidak terindeks oleh SCOPUS, literatur abu-abu .
rey literatur.
, artikel blog, situs komersial, maupun tesis/disertasi yang tidak dipublikasikan secara Artikel yang membahas bidang computer vision secara umum tanpa segmentation , seperti klasifikasi citra https://jurnal.
id/index.
php/jukomika JUKOMIKA (Jurnal Ilmu Komputer dan Informatik.
Volume 9.
Nomor 1.
July 2026 || Hal 33-46 p-ISSN : 2655-7541 .
e-ISSN : 2745-5823 DOI : 10.
Domain Implementasi Tipe Dokumen Aksesibilitas Teks Kriteria Seleksi Sekunder .
erbasis CNN.
YOLO.
Transformer, model difusi, model bahasa-visual.
Artikel segmentasi pada domain pertanian mengemudi otonom .
utonomous drivin.
, robotika, pengawasan .
, penginderaan jauh .
emote sensin.
Dokumen berupa artikel penelitian utama .
esearch articl.
atau makalah konferensi .
onference pape.
yang menyajikan metodologi terstruktur dan hasil eksperimen Artikel yang menyediakan akses dokumen teks lengkap secara utuh .
ull-text availabl.
untuk kebutuhan analisis mendalam.
Artikel dari kelompok inklusi umum yang memiliki tingkat kebaruan .
arsitektur model mutakhir secara signifikan terhadap penyelesaian masalah kritis, serta mencantumkan metrik performa .
AP) secara komprehensif untuk dipilih sebagai 30 artikel inti.
umum, deteksi objek murni, atau semantic segmentation biasa.
Artikel yang menerapkan metode di luar domain teknis tersebut atau hanya berfokus pada pembahasan teori implementasi visi komputer yang Dokumen yang berupa artikel ulasan pustaka .
eview pape.
, editorial, opini, abstrak pendek pra-konferensi, atau bab buku .
ook chapte.
Artikel yang tidak dapat diakses naskah lengkapnya .
ull-text not retrievabl.
karena kendala hak akses/berbayar menyediakan ringkasan abstrak saja.
Artikel dari kelompok inklusi umum yang karakteristik pembahasannya kurang jelas, atau tidak memberikan kontribusi kebaruan yang signifikan terhadap perkembangan arsitektur instance segmentation modern.
Berdasarkan parameter seleksi pada Tabel 1, prosedur penyeleksian artikel dilakukan bertahap melalui tiga fase inti yaitu identifikasi .
, penyaringan .
, dan inklusi .
Seluruh tahapan tersebut digambarkan secara sistematis pada diagram alur PRISMA di bawah ini.
Gambar 4.
Pemilihan Studi Menggunakan Metode Diagram Alur PRISMA, yang Terdiri dari Tahap identifikasi, penyaringan, dan inklusi Sumber : PRISMA 2020-compliant flow diagrams Gambar 4 menampilkan diagram alur PRISMA .
, yang menunjukkan prosedur komprehensif dalam penyeleksian artikel, mencakup fase pencarian, inklusi, dan eksklusi.
Diagram tersebut terdiri dari tiga fase inti, yaitu identifikasi .
, penyaringan .
, dan inklusi .
Pada fase https://jurnal.
id/index.
php/jukomika JUKOMIKA (Jurnal Ilmu Komputer dan Informatik.
Volume 9.
Nomor 1.
July 2026 || Hal 33-46 p-ISSN : 2655-7541 .
e-ISSN : 2745-5823 DOI : 10.
identifikasi, tinjauan literatur dilakukan melalui berbagai basis data akademik terkemuka seperti ScienceDirect, arXiv.
SpringerLink.
Ie Xplore.
MDPI.
Wiley Online Library.
ACM Digital Library, dan Nature Scientific Reports dalam rentang publikasi tahun 2020Ae2026.
Seluruh artikel yang diintegrasikan dalam tahapan awal penelitian ini merupakan publikasi ilmiah yang telah terindeks SCOPUS, sehingga kualitas dan kredibilitas sumber literatur dapat dipertanggungjawabkan secara Proses pengumpulan literatur dalam penelitian ini menerapkan metode PRISMA 2020 (Preferred Reporting Items for Systematic Reviews and Meta-Analyse.
untuk menjamin proses seleksi yang sistematis, terstruktur, dan transparan.
Melalui pendekatan ini, hasil kajian literatur yang diperoleh menjadi lebih kredibel dan memiliki validitas akademik yang tinggi.
Pada tahap awal identifikasi, pencarian berbasis kata kunci pada basis data bereputasi terindeks SCOPUS berhasil menghimpun 311 artikel yang relevan dengan topik penelitian.
Selanjutnya, tahap penyaringan .
awal dilakukan terhadap seluruh artikel yang telah Pada proses ini, sebanyak 577 artikel dieliminasi karena tidak memenuhi kriteria kesesuaian awal, sehingga menyisakan 734 artikel untuk dilanjutkan ke tahap pengambilan data dan evaluasi kelayakan .
etrieval and eligibility assessmen.
Pada fase tersebut, dilakukan analisis yang lebih mendalam terhadap isi artikel, termasuk metode penelitian, dataset, pendekatan model, hasil eksperimen, serta kontribusi penelitian terhadap perkembangan instance segmentation .
Dalam prosesnya, ditemukan sebanyak 18 artikel yang tidak dapat diakses secara penuh .
ull-text not retrievabl.
sehingga harus Evaluasi kelayakan kemudian dilanjutkan terhadap artikel yang tersisa dengan mempertimbangkan kriteria inklusi yang ketat, seperti kejelasan metode, kelengkapan informasi, serta relevansi hasil terhadap perkembangan metode instance segmentation modern.
Dari evaluasi mendalam ini, sebanyak 241 artikel dieliminasi karena tidak memenuhi standar inklusi yang ditetapkan.
Pada tahapan included pertama, diperoleh sebanyak 475 artikel yang memenuhi kriteria kelayakan umum dan lolos dari penyaringan awal berbasis konten.
Namun, guna menghasilkan analisis komparatif yang lebih mendalam, fokus, dan tajam, dilakukan tahapan seleksi akhir .
enyaringan sekunde.
Dari total 475 artikel yang memenuhi kriteria inklusi tersebut, dilakukan telaah kritis .
ritical appraisa.
untuk memilih artikel yang memiliki kontribusi paling signifikan, kebaruan .
tertinggi, serta metodologi yang paling relevan dengan fokus utama penelitian ini.
Berdasarkan proses penyaringan sekunder tersebut, dipilih 30 artikel inti .
ore article.
sebagai representasi utama yang dianalisis secara komprehensif dalam studi ini.
Reduksi dari 475 artikel menjadi 30 artikel inti ini dilakukan secara objektif untuk memastikan bahwa sintesis literatur tidak hanya luas secara cakupan, tetapi juga memiliki kedalaman analisis yang optimal.
Ke-30 artikel utama inilah yang kemudian dibedah secara sistematis untuk mengidentifikasi perkembangan metode instance segmentation , tren arsitektur model, domain implementasi, performa metode, tantangan penelitian, serta arah pengembangan teknologi di masa mendatang.
Dengan penerapan metode PRISMA yang berlapis ini, proses pemilihan literatur menjadi sangat transparan, sistematis, dan terstruktur, sehingga hasil analisis yang diperoleh menjadi lebih komprehensif, objektif, dan memiliki validitas akademik yang Hasil dan Pembahasan Analisis Sintesis Kuantitatif dan Tren Perkembangan Literatur Untuk memetakan arah perkembangan teknologi instance segmentation , dilakukan agregasi dan sintesis data secara menyeluruh terhadap 30 artikel ilmiah terpilih dalam rentang waktu publikasi tahun 2019 Sintesis ini difokuskan pada tiga parameter utama, yaitu kronologi tren publikasi tahunan, komparasi performa arsitektur, dan peta kecenderungan domain implementasi.
Tren Jumlah Publikasi Per Tahun Analisis kronologis terhadap literatur yang ditinjau menunjukkan peningkatan volume riset yang signifikan, menggambarkan tingginya urgensi topik ini dalam domain computer vision.
Perkembangan publikasi tahunan dipetakan dalam beberapa fase penting:
Fase Fondasi Real-Time .
9Ae2.
: Publikasi pada periode awal ini didominasi oleh perancangan model pionir satu tahap .
serta implementasi dasar pada pengawasan video .
dan pertanian presisi .
, .
Klaster ini tercatat sebesar 10% dari total literatur yang dikaji, di mana fokus utama riset tertuju pada penyelesaian masalah trade-off antara akurasi spasial dan efisiensi waktu komputasi.
https://jurnal.
id/index.
php/jukomika JUKOMIKA (Jurnal Ilmu Komputer dan Informatik.
Volume 9.
Nomor 1.
July 2026 || Hal 33-46 p-ISSN : 2655-7541 .
e-ISSN : 2745-5823 DOI : 10.
Fase Transisi Arsitektur .
2Ae2.
: Seiring dengan diperkenalkannya mekanisme self-attention global melalui model transformator 3D .
, tinjauan literatur sistematis .
, .
, serta pemanfaatan Generative AI untuk augmentasi data melalui model difusi .
, frekuensi publikasi melonjak drastis hingga mencapai porsi 43%.
Riset pada periode ini mulai bergeser secara masif dari komputasi berbasis konvolusi (CNN-base.
menuju arsitektur transformatif yang lebih adaptif.
Fase Maturitas Multimodal dan Open-World .
5Ae2.
: Puncak densitas publikasi ditemukan pada klaster tahun terbaru yang berkontribusi sebesar 47% dari keseluruhan data sampel.
Tren riset pada fase ini didominasi oleh konvergensi antara representasi visual dan bahasa melalui Vision-Language Models .
, pemanfaatan model state space .
, integrasi kerangka kerja open-source berbasis YOLO .
, .
, serta eskalasi pengolahan citra medis mutakhir .
, .
, .
, .
, .
dan penginderaan jauh .
, .
, .
Perbandingan Performa Lintas Metode Berdasarkan sintesis hasil eksperimen dari artikel yang dianalisis, performa komparatif antar-kategori metode dipengaruhi secara langsung oleh karakteristik arsitektur intinya:
Pendekatan Berbasis CNN (Two-Stag.
: Arsitektur berbasis konvolusi dua tahap dan modifikasinya .
mempertahankan keunggulan dalam stabilitas nilai Average Precision (AP), khususnya pada kondisi objek statis.
Namun, ketergantungan pada region proposal networks menyerap latensi komputasi yang tinggi, menjadikannya kurang ideal untuk skenario waktu nyata .
eal-time Pendekatan Berbasis YOLO (One-Stag.
: Model segmentasi satu tahap seperti pada .
, .
unggul dalam efisiensi kecepatan proses (Frame per Second / FPS) yang tinggi.
Keunggulan ini dicapai melalui pemrosesan mask secara paralel, meskipun memiliki kelemahan bawaan berupa penurunan akurasi .
rade-of.
saat dihadapkan pada segmentasi objek yang berukuran mikro atau saling bertumpang tindih .
Pendekatan Berbasis Transformer dan Mamba: Representasi fitur menggunakan mekanisme perhatian global .
, .
atau pendekatan ruang keadaan .
tate spac.
memberikan lompatan nilai AP tertinggi pada kondisi dataset yang kompleks.
Melalui pemahaman konteks global, metode ini efektif mengatasi tantangan oklusi .
Kendati demikian, tuntutan terhadap kapasitas memori GPU dan kebutuhan data pelatihan berskala besar menjadi batasan operasional utamanya.
Model Open-Vocabulary / Vision-Language: Pendekatan teranyar ini .
, .
mendefinisikan ulang kemampuan generalisasi model dalam mengenali objek di luar data pelatihan.
Walaupun performa AP pada kelas objek yang belum pernah dilatih .
nseen classe.
masih berada di bawah model fullysupervised, metode ini secara radikal memangkas alokasi waktu untuk proses pelabelan data manual .
nnotation cos.
Kecenderungan Domain Aplikasi Sintesis distribusi klaster artikel menunjukkan bahwa implementasi instance segmentation modern mengelompok kuat pada beberapa domain strategis berikut:
Domain Pertanian Presisi (Smart Agricultur.
: Menjadi klaster aplikasi terbesar yang memuat sekitar 30% artikel riset.
Fokus penerapan mencakup lokalisasi buah .
, fenotipe tanaman .
, deteksi tanaman pengganggu .
, estimasi volume .
, serta identifikasi patologi daun .
Domain ini didominasi oleh penggunaan varian YOLO dan arsitektur hibrida guna mengakomodasi mobilitas perangkat keras di lapangan yang terbatas.
Domain Citra Medis (Medical Imagin.
: Berkontribusi sebesar 27% dari literatur yang ditinjau.
Aplikasi terfokus pada segmentasi struktur anatomi kompleks seperti vertebra dari CT-Scans .
, dentisi gigi pada radiografi CBCT .
, .
, penghitungan sel mikroskopis .
, pembedahan robotik .
, serta pemanfaatan model perhatian .
Domain ini menjadi pendorong utama adopsi arsitektur 3D untuk menjamin presisi diagnostik piksel tingkat tinggi.
Domain Penginderaan Jauh (Remote Sensin.
& Transportasi Otonom: Memiliki porsi penyebaran sebesar 23%.
Riset terkonsentrasi pada analisis citra satelit .
, ekstraksi marka jalan .
, pemetaan kondisi infrastruktur berbasis pesawat tanpa awak .
, pemetaan kanopi hutan .
, deteksi batas bangunan .
, estimasi jarak kamera fisheye .
, serta segmentasi multi-modal gabungan Kamera dan LiDAR .
Tantangan variasi skala objek yang ekstrem memicu tingginya adopsi fitur multi-skala di domain ini.
Domain Robotika & Pengawasan (Surveillanc.
: Mengisi sisa 20% sebaran publikasi, dengan fokus riset pada pelacakan manusia pada kamera pengawas .
, peningkatan segmentasi resolusi tinggi .
, serta optimasi alur kerja diagram alir metodologis seperti PRISMA .
https://jurnal.
id/index.
php/jukomika JUKOMIKA (Jurnal Ilmu Komputer dan Informatik.
Volume 9.
Nomor 1.
July 2026 || Hal 33-46 p-ISSN : 2655-7541 .
e-ISSN : 2745-5823 DOI : 10.
Tabel 1 menyajikan ringkasan analisis perbandingan kategori metode segmentasi instansi dengan memperhatikan karakteristik arsitektur, domain penerapan, keunggulan, dan kekurangan berdasarkan tinjauan terhadap 30 publikasi penelitian yang digunakan dalam kajian ini.
Tabel 2 : Ringkasan Perbandingan Kategori Metode Instance segmentation Kategori Metode Contoh Sorotan Domain Kelebihan Model/Paper Arsitektur Implementasi CNN-based (Awa.
Mask R-CNN.
Convolution Autonomous Akurasi Embedding-based dan region Driving Segmentation YOLO-based YOLACT.
Real-time Pertanian.
Cepat dan GenYOLO-leaf.
Surveillance Improved YOLOv8 Transformer-based Mask3D, swin Self-attention Medis, 3D Pemahaman Transformer dan global Segmentation konteks lebih Vision-Language Open-Vocabulary Integrasi visual Open-world Dapat Models Segmentation dan bahasa Segmentation objek baru Synthetic Data-based MosaicFusion.
Synthetic data Medis.
Mengurangi Robotic Suturing Robotics Weakly/Unsupervised Object-Centric Label minim Microscopy.
Mengurangi Embeddings, dan clustering General SAPNet Segmentation Multi-scale Feature MambaRSIS.
STMulti-scale Remote Deteksi objek Learning multi-ISWNet Sensing Medical ToothSeg, 3D USegmentasi citra CT-Scan.
Detail Segmentation Net medis 3D Dental Imaging Interactive Deep Interactive User-guided General Fleksibel dan Segmentation Real-time Segmentation YOLACT.
AGROYOLO-V Lightweight dan fast inference Robotics.
Agriculture Mendukung aplikasi realtime Keterbatasan Komputasi besar dan inferensi Kurang optimal pada objek kecil Membutuhkan sumber daya komputasi tinggi Proses training Perbedaan distribusi data Akurasi belum Kompleksitas model meningkat Sensitif terhadap noise citra Membutuhkan Trade-off dengan Berdasarkan tabel tersebut, perkembangns instance segmentation menunjukkan adanya pergeseran perhatian penelitian dari peningkatan akurasi segmentasi ke pengembangan model yang lebih efisien, fleksibel, dan dapat beroperasi pada berbagai domain aplikasi.
Penelitian terkini berfokus pada kemampuan generalisasi model, efisiensi komputasi, penggunaan data sintetik, serta penggabungan antara visual dan bahasa untuk mendukung sistem penglihatan komputer generasi mendatang.
Diskusi Berdasarkan Pertanyan Penelitian Pada subbagian ini merujuk pada pertanyaan penelitian (RQ) yang telah ditetapkan untuk menyelidiki secara mendetail kemajuan metode instance segmentation dalam area Computer vision.
Setiap RQ dianalisis berdasarkan sintesis dari 30 artikel yang telah dipilih, meliputi aspek perkembangan metode dari CNN hingga Transformer dan model berbasis bahasa, fungsi data dalam meningkatkan kinerja model, serta teknik-teknik yang diterapkan untuk meningkatkan akurasi dan efisiensi.
Selain itu, analisis juga mengidentifikasi tantangan utama seperti kurangnya data, kompleksitas objek, dan kebutuhan komputasi yang tinggi.
Melalui pendekatan ini, penelitian tidak hanya menyajikan ringkasan pustaka, tetapi juga menawarkan analisis menyeluruh terkait tren, keunggulan, serta arah perkembangan instance segmentation di masa mendatang - RQ1: Apa saja pendekatan utama dalam instance segmentation yang berkembang saat ini? Gambar 5.
Evolusi Pendekatan Segmentasi Instance https://jurnal.
id/index.
php/jukomika JUKOMIKA (Jurnal Ilmu Komputer dan Informatik.
Volume 9.
Nomor 1.
July 2026 || Hal 33-46 p-ISSN : 2655-7541 .
e-ISSN : 2745-5823 DOI : 10.
Pendekatan instance segmentation saat ini dapat dibedakan menjadi beberapa kategori utama berdasarkan struktur dan cara kerja model.
Pendekatan yang mengandalkan deteksi seperti Mask R-CNN masih sering dipakai karena dapat menghasilkan segmentasi yang tepat melalui proses dua tahap, yaitu deteksi objek dan pembuatan Mask .
, .
Akan tetapi, cara ini cenderung rumit dan memiliki durasi komputasi yang Untuk mengatasi masalah tersebut, diciptakan metode realtime seperti YOLACT yang memisahkan proses pembuatan Mask menjadi dua bagian agar bisa di proses secara bersamaan dan lebih efisien .
samping itu, ada pendekatan yang menggunakan embedding dengan Teknik clustering dalam ruang fitur untuk memisahkan objek tanpa bergantung pada bounding box, seperti yang dilakukan dalam metode discriminative loss .
Kemajuan terbaru juga mengarah pada penerapan transformer, seperti Mask3D, yang dapat menangkap keterkaitan global dalam data dan meningkatkan kinerja dalam situasi kompleks sperti citra 3D dan medis .
Oleh karena itu, tren menunjukkan peralihan dari pendekatan yang rumit menuju model yang lebih efektif, adaptable, dan menyeluruh.
- RQ2: Bagaimana peran data dalam meningkatkan performa instance segmentation ? Gambar 6.
Peran data dalam Instance segmentation Data memainkan peran krusial dalam menentukan kinerja model instance segmentation , terutama karena model deep learning sangat tergantung pada jumlah serta variasi data pelatihan.
Salah satu metode yang sedang berkembang adalah pemanfaatan Model Difusi untuk menciptakan data sintetis, seperti yang dilakukan dalam penelitian MosaicFusion .
Cara ini memungkinkan model untuk dilatih dengan variasi objek yang lebih beragam, sehingga meningkatkan kemampuan generalisasi, terutama dalam situasi dengan keterbatasan data nyata.
Selain itu, metode data-centric seperti yang digunakan pada GenYOLOleaf .
membuktikan bahwa peningkatan kualitas dan variasi dataset mampu memberikan dampak besar terhadap akurasi model dibandingkan hanya merubah arsitektur.
Penggunaan data sintetik juga diterapkan di berbagai bidang seperti perikanan .
dan robot operasi .
, yang mendukung model belajar dari kondisi yang sulit didapat secara langsung.
Dengan demikian, tren terkini menekankan bahwa pengelolaan data memiliki peranan yang sama pentingnya dengan perancangan model dalam meningkatkan kinerja instance - RQ3: Teknik apa yang digunakan untuk meningkatkan akurasi instance segmentation ? Gambar 7.
Teknik Peningkatan Akurasi Segmentasi Instance Peningkatan akurasi segmentasi instance dicapai dengan berbagai teknik yang menekankan perbaikan kualitas ekstraksi dan representasi fitur.
Salah satu metode utama adalah ekstraksi fitur multi-skala, yang memungkinkan model mendeteksi objek dalam berbagai ukuran, seperti yang diterapkan pada MambaRSIS dan Swin Transformer .
, .
Metode ini sangat esensial karena objek dalam gambar sering memiliki skala yang bervariasi dan dapat saling bertumpuk.
Di samping itu, penerapan mekanisme perhatian dan penggabungan fitur mendukung model untuk memahami konteks global dan rincian lokal secara bersamaan.
Dalam bidang medis, metode seperti self-correction pada ToothSeg .
memungkinkan model untuk secara otomatis memperbaiki kesalahan prediksi sehingga meningkatkan akurasi hasil https://jurnal.
id/index.
php/jukomika JUKOMIKA (Jurnal Ilmu Komputer dan Informatik.
Volume 9.
Nomor 1.
July 2026 || Hal 33-46 p-ISSN : 2655-7541 .
e-ISSN : 2745-5823 DOI : 10.
Penggabungan teknik-teknik ini terbukti ampuh dalam menghadapi tantangan seperti occlusion, objek kecil, dan latar belakang yang rumit.
- RQ4: Bagaimana peran Transformer dalam perkembangan instance segmentation ? Gambar 8.
Peran Transformer dalam Segmentasi Instance Transformer berperan penting dalam kemajuan instance segmentation karena kemampuannya memahami keterkaitan global antara elemen gambar.
Berbeda dengan CNN yang terfokus pada area tertentu.
Transformer dapat memahami konteks secara keseluruhan sehingga lebih efisien dalam mengelola objek yang kompleks dan bervariasi.
Model seperti Mask3D menunjukkan bahwa pendekatan ini dapat diterapkan secara menyeluruh tanpa memerlukan proses tambahan seperti pengusulan atau pengelompokan .
Selain itu, penggunaan Transformer dalam model seperti Swin Transformer .
menunjukkan peningkatan kinerja pada citra medis melalui mekanisme perhatian berbasis multi-skala.
Ini memungkinkan model untuk menjaga rincian minor sambil memahami struktur keseluruhan objek.
Oleh karena itu.
Transformer menjadi salah satu fokus utama dalam pengembangan segmentasi instance modern berkat fleksibilitas dan kemampuannya untuk mengolah berbagai jenis data.
- RQ5: Bagaimana perkembangan instance segmentation menuju open-vocabulary? Gambar 9.
Dimensi Open-Vocabulary Instance segmentation Perkembangan instance segmentation kini berfokus pada konsep open-vocabulary, di mana model tidak lagi terikat pada kategori objek tertentu yang telah dilatih sebelumnya.
Metode ini mengintegrasikan pemahaman visual dan verbal, sehingga model mampu mengenali objek baru hanya berdasarkan penjelasan teks tanpa perlu pelatihan ulang .
, .
Hal ini menjadi krusial dalam aplikasi dunia nyata yang memiliki beragam objek yang sangat luas.
Dengan pendekatan ini, model menjadi lebih adaptif dan fleksibel terhadap lingkungan yang baru.
Kemampuan ini juga mengurangi kebutuhan akan dataset berlabel besar, karena model dapat menggunakan pengetahuan yang telah dipelajari sebelumnya.
Oleh karena itu, open-vocabulary menjadi salah satu fokus utama dalam kemajuan instance segmentation di masa mendatang.
- RQ6: Bagaimana instance segmentation dapat dilakukan tanpa data berlabel? Gambar 10.
Skala Instance segmentation https://jurnal.
id/index.
php/jukomika JUKOMIKA (Jurnal Ilmu Komputer dan Informatik.
Volume 9.
Nomor 1.
July 2026 || Hal 33-46 p-ISSN : 2655-7541 .
e-ISSN : 2745-5823 DOI : 10.
Segmentasi instansi tanpa data berlabel dilakukan dengan pendekatan pembelajaran unsupervised dan weakly supervised.
Dalam pendekatan tanpa pengawasan, model mengidentifikasi pola dan relasi antar piksel tanpa adanya anotasi secara manual, seperti pada teknik object-centric embeddings .
Model ini mengelompokkan piksel berdasarkan kemiripan fitur sehingga objek dapat terpisah secara otomatis.
Sementara itu, pendekatan weakly supervised memanfaatkan informasi tamssbahan atau batasan tertentu untuk menggantikan label lengkap, seperti yang dilakukan dalam penelitian berbasis segmentation constraint .
Metode ini lebih efektif karena mengurangi kebutuhan akan anotasi data yang mahal dan memakan waktu.
Oleh karena itu, metode tanpa label menjadi solusi krusial untuk meningkatkan kapasitas skalabilitas dalam instance segmentation .
- RQ7: Apa saja domain aplikasi instance segmentation ? Gambar 11.
Aplikasi Instance segmentation Segmentasi instansi telah digunakan di berbagai bidang karena kemampuannya dalam memisahkan objek secara rinci pada tingkat piksel.
Dalam sektor pertanian, teknik ini diterapkan untuk secara otomatis mengidentifikasi tanaman dan gulma .
Dalam bidang kesehatan, diterapkan untuk segmentasi organ atau struktur seperti gigi dan tulang .
, .
Sementara itu, dalam transportasi digunakan untuk mengenali marka jalan dan mendukung sistem mengemudi otomatis .
Di samping itu, instance segmentation juga dimanfaatkan dalam penginderaan jauh untuk analisis gambar satelit .
, dan dalam sektor perikanan serta robotika untuk automasi proses .
, .
Ini menunjukkan bahwa teknologi ini sangat fleksibel dan bisa digunakan di berbagai sektor dengan kebutuhan yang beragam.
- RQ8: Apa tantangan utama dalam instance segmentation ? Gambar 12.
Tantangan Instance segmentation Tantangan utama dalam segmentasi instance mencakup kesulitan dalam mendeteksi objek kecil, objek yang saling tumpang tindih .
, serta perbedaan bentuk dan tekstur objek.
Citra dengan resolusi tinggi juga menimbulkan tantangan karena memerlukan komputasi besar dan dapat menurunkan kinerja model jika tidak dikelola dengan tepat.
Dalam rangka mengatasi isu ini, sejumlah penelitian merekomendasikan metode seperti inferensi berbasis irisan yang membagi gambar menjadi segmen kecil untuk diproses secara terpisah .
Strategi ini membuat model dapat mempertahankan akurasi tanpa secara signifikan menambah beban komputasi.
Karena itu, tantangan utama dalam segmentasi instance sangat berkaitan dengan kompleksitas data dan efisiensi pemrosesan.
- RQ9: Bagaimana keseimbangan antara akurasi dan kecepatan dalam instance segmentation ? https://jurnal.
id/index.
php/jukomika JUKOMIKA (Jurnal Ilmu Komputer dan Informatik.
Volume 9.
Nomor 1.
July 2026 || Hal 33-46 p-ISSN : 2655-7541 .
e-ISSN : 2745-5823 DOI : 10.
Gambar 13.
Akurasi dan Kecepatan dalam Instance segmentation Ada kompromi antara ketepatan dan kecepatan dalam segmentasi instance.
Model dengan tingkat akurasi tinggi seperti Mask R-CNN umumnya memerlukan waktu komputasi lebih lama karena mengandalkan pipeline yang rumit.
Sebaliknya, model real-time seperti YOLACT dapat membuat prediksi dengan cepat tetapi dengan sedikit pengurangan akurasi .
Studi terbaru menekankan pada pengoptimalan arsitektur guna menyeimbangkan kedua elemen tersebut, sehingga model dapat diterapkan dalam aplikasi waktu nyata tanpa mengurangi akurasi secara berarti.
Hal ini krusial untuk aplikasi seperti mengemudi otonom dan pengawasan video yang memerlukan reaksi segera.
- RQ10: Apa arah perkembangan masa depan instance segmentation ? Gambar 14.
Siklus Peningkatan Instance segmentation Arah kemajuan segmentasi instance memperlihatkan pergeseran ke arah model yang lebih efisien, fleksibel, dan tidak bergantung pada data berlabel dalam jumlah besar.
Pemanfaatan data sintetis, kosakata terbuka, dan integrasi dengan model vision-language telah menjadi tren utama dalam penelitian terkini .
, .
Di samping itu, penerapan Transformer juga akan terus maju berkat kemampuan mereka dalam menangani data yang rumit.
Di masa mendatang, model segmentasi instance diharapkan dapat berfungsi secara umum di berbagai domain tanpa memerlukan pelatihan ulang yang besar.
Di samping itu, efisiensi pemrosesan dan kemampuan secara langsung juga akan menjadi perhatian utama agar teknologi ini bisa digunakan secara luas dalam berbagai aplikasi praktis.
Kesimpulan Berdasarkan hasil Systematic Literature Review (SLR), dapat disimpulkan bahwa metode instance segmentation berbasis deep learning telah berkembang pesat dan menjadi salah satu teknologi penting dalam computer vision, dengan pendekatan berbasis CNN dan Mask R-CNN masih mendominasi karena performanya yang stabil, sementara arsitektur berbasis Transformer menunjukkan potensi yang semakin besar dalam memahami konteks global citra.
Tren penelitian saat ini bergeser dari sekadar meningkatkan akurasi menuju pengembangan model yang lebih efisien, ringan, mampu bekerja secara real-time, serta memiliki kemampuan generalisasi yang baik untuk implementasi pada perangkat dengan keterbatasan komputasi dan berbagai lingkungan nyata.
Penerapan instance segmentation juga telah memberikan kontribusi signifikan pada berbagai bidang, seperti medis, pertanian presisi, remote sensing, autonomous driving, dan pemantauan industri.
Oleh karena itu, penelitian mendatang disarankan untuk berfokus pada pengembangan arsitektur hibrida CNNAeTransformer yang lebih efisien, penerapan pendekatan weaklysupervised, semi-supervised, atau self-supervised learning guna mengurangi ketergantungan pada anotasi manual, serta integrasi vision-language learning dan data sintetik untuk meningkatkan ketahanan model dalam mengenali objek baru yang belum pernah dilatih sebelumnya.
https://jurnal.
id/index.
php/jukomika JUKOMIKA (Jurnal Ilmu Komputer dan Informatik.
Volume 9.
Nomor 1.
July 2026 || Hal 33-46 p-ISSN : 2655-7541 .
e-ISSN : 2745-5823 DOI : 10.
Daftar Pustaka