TIM PENELITI

Danang Budi Susetyo

Aninda Wisaksanti Rudiastuti

Ellen Suryanegara

Fahrul Hidayat

Intan Pujawati

M. Irwan Hariyono

Maslahatun Nashiha

Rizka Windiastuti

Lalitya Narieswari

Bambang Riadi

Fahmi Amhar

i

KATA PENGANTAR

Puji syukur ke hadirat Allah Yang Maha Kuasa, sehingga laporan penelitian

“Penelitian Percepatan Pemetaan Skala Besar” ini dapat diselesaikan. Penelitian

ini merupakan bentuk kontribusi Pusat Penelitian, Promosi dan Kerja Sama untuk

Pusat Pemetaan Dasar Rupabumi dan Toponim Badan Informasi Geospasial dalam

penyediaan data rupabumi skala besar. Dengan mengambil fokus otomasi ekstraksi

fitur bangunan menggunakan data LiDAR, diharapkan percepatan pemetaan

rupabumi dapat menjadi terwujud sebagai bagian dalam penyelesaian peta dasar di

seluruh wilayah Indonesia.

Penelitian ini juga melibatkan masukan-masukan dari berbagai profesi di bidang

geospasial, mulai dari akademisi, praktisi, hingga peneliti-peneliti di luar BIG.

Akademisi dan praktisi dilibatkan dalam Focus Group Discussion (FGD) baik di awal

maupun di akhir penelitian, sedangkan masukan-masukan dari peneliti di luar negeri

didapatkan saat presentasi di Asian Conference on Remote Sensing (ACRS) 2018

di Kuala Lumpur, Malaysia. Masukan-masukan tersebut diharapkan dapat menjadi

perbaikan bagi penelitian ini ke depan.

Terakhir, besar harapan kami, penelitian ini tetap bisa dilanjutkan dalam tahun-

tahun mendatang agar bisa diimplementasikan sebagai bagian dari solusi atas

keterbatasan teknologi dan sumber daya manusia dalam bidang pemetaan

rupabumi. Dengan demikian, Bidang Penelitian akan semakin memiliki kontribusi

yang nyata dalam mendukung tugas dan fungsi Badan Informasi Geospasial.

Pusat Penelitian, Promosi dan Kerja Sama Kepala,

Dr. Wiwin Ambarwulan, M.Sc

ii

DAFTAR ISI

KATA PENGANTAR .................................................................................................. i

DAFTAR ISI ............................................................................................................... ii

DAFTAR GAMBAR .................................................................................................. iii

BAB I. PENDAHULUAN ........................................................................................... 1

1.1. Latar Belakang ........................................................................................ 1

1.2. Persiapan Data ........................................................................................ 2

1.3. Tahapan Pelaksanaan Penelitian ......................................................... 4

1.4. Waktu Pelaksanaan Penelitian ............................................................. 5

1.5. Personil ..................................................................................................... 5

1.6. Luaran (Output) ....................................................................................... 5

1.7. Dampak (Outcome) ................................................................................ 6

BAB II. METODE PENELITIAN ............................................................................. 7

2.1. Filtering ..................................................................................................... 7

2.2. Vektorisasi Bangunan ............................................................................ 9

BAB III. HASIL DAN PEMBAHASAN ................................................................... 11

3.1. Model Bangunan Terekstrak ............................................................... 11

3.2. Evaluasi .................................................................................................. 12

3.2.1. Analisis Visual ........................................................................................ 13

3.2.2. Analisis Statistik .................................................................................... 14

BAB IV. KESIMPULAN DAN SARAN .................................................................. 17

DAFTAR PUSTAKA ................................................................................................ 18

LAMPIRAN 1. KEGIATAN BULANAN ................................................................. 20

LAMPIRAN 2. NOTULENSI RAPAT .................................................................... 28

LAMPIRAN 3. NOTULENSI FGD 1 (MARET 2018) .......................................... 46

LAMPIRAN 4. LAPORAN OVERVIEW TERRASOLID ..................................... 59

LAMPIRAN 5. LAPORAN WORKSHOP PENGOLAHAN LIDAR .................... 61

LAMPIRAN 6. LAPORAN KUNJUNGAN KE PERUSAHAAN PEMETAAN .. 66

LAMPIRAN 7. NOTULENSI FGD 2 (OKTOBER 2018) .................................... 71

LAMPIRAN 8. LETTER OF ACCEPTANCE ACRS 2018 ................................. 73

LAMPIRAN 9. INVITATION LETTER ACRS 2018 ............................................ 75

iii

DAFTAR GAMBAR

Gambar 1. Point cloud tampak atas (kiri) dan miring (kanan) ...................... 3

Gambar 2. Data referensi ............................................................................ 3

Gambar 3. Parameter klasifikasi ground ...................................................... 8

Gambar 4. Parameter klasifikasi vegetasi rendah (kiri), medium (tengah),

dan tinggi (kanan) ...................................................................... 8

Gambar 5. Parameter klasifikasi bangunan ................................................. 9

Gambar 6. Parameter vektorisasi bangunan ............................................... 9

Gambar 7. Model bangunan terekstrak ...................................................... 11

Gambar 8. Overlay antara model bangunan dan point cloud terklasifikasi 12

Gambar 9. Model bangunan terekstrak dari sisi miring .............................. 12

Gambar 10. Overlay antara batas bangunan terkestrak dan orthofoto ........ 14

Gambar 11. Perbandingan antara data terekstrak (merah) dengan data

referensi (hitam) ....................................................................... 16

1

BAB I. PENDAHULUAN

1.1. Latar Belakang

Salah satu layer dalam peta rupabumi Indonesia (RBI) adalah bangunan.

Dalam pemetaan 3 dimensi (3D), fitur-fitur rupabumi dibuat dari stereo plotting,

termasuk bangunan (Susetyo, Syafiudin, & Perdana, 2016). Meskipun terbukti

paling akurat, stereo plotting sangat membutuhkan banyak waktu, sehingga tidak

efektif untuk digunakan dalam pemetaan RBI skala besar di seluruh wilayah

Indonesia. Dengan semakin meningkatnya permintaan dan kebutuhan terhadap

peta RBI skala besar, khususnya untuk keperluan tata ruang, percepatan pemetaan

RBI skala besar menjadi mutlak diperlukan.

Percepatan pemetaan RBI dapat dilakukan dengan dua cara: menambah

jumlah operator atau menggunakan teknologi yang lebih baik. Penelitian ini

mencoba menyelesaikan permasalahan tersebut dengan metode yang kedua, yaitu

menggunakan teknologi alternatif yang lebih baik. Teknologi yang sudah cukup

berkembang yang dapat digunakan untuk percepatan pemetaan RBI skala besar

adalah otomasi ekstraksi fitur rupabumi, misalnya pemutakhiran peta topografi

menggunakan klasifikasi berbasis piksel dan objek (Duncan & Smit, 2012) atau

deteksi perubahan bangunan dari data LiDAR (M. Awrangjeb, Fraser, & Lu, 2015).

Secara lebih spesifik yang terkait dengan otomasi ekstraksi bangunan secara

otomatis, banyak penelitian sudah dikembangkan, seperti menggunakan citra satelit

resolusi sangat tinggi (Belgiu & Drǎguţ, 2014), point cloud LiDAR (Tomljenovic,

Tiede, & Blaschke, 2016), (M Awrangjeb & Fraser, 2013), atau kombinasi LiDAR

dan citra satelit (Sohn & Dowman, 2007), (Mohammad Awrangjeb, Ravanbakhsh, &

Fraser, 2010), (Li et al., 2013), (Mohammad Awrangjeb, Zhang, & Fraser, 2013),

dan (Cheng et al., 2013).

Teknologi LiDAR cukup cepat dan efektif untuk merepresentasikan

permukaan bumi secara 3 dimensi dengan realistis. LiDAR merekam posisi dan

elevasi dari titik target dalam bentuk koordinat x, y, z. Meski demikian, di Indonesia

teknologi LiDAR adalah salah satu teknologi yang potensinya belum cukup

dimanfaatkan sepenuhnya. Penggunaan data LiDAR untuk pemetaan RBI skala

besar masih terbatas pada pembentukan DTM (Digital Terrain Model). Padahal,

data LiDAR dapat digunakan untuk mengekstrak fitur lainnya, salah satunya

bangunan. Otomasi ekstraksi fitur bangunan menggunakan data LiDAR diharapkan

2

dapat mempercepat produksi peta RBI skala besar. Selain itu, ekstraksi fitur

bangunan secara otomatis juga merupakan prasyarat untuk digunakan dalam

pemodelan bangunan, perencanaan tata ruang, pemetaan kebencanaan, serta

pemutakhiran peta digital dan GIS (Khoshelham, Nardinocchi, Frontoni, Mancini, &

Zingaretti, 2010).

Dalam penelitian ini, eksperimen untuk mengekstrak fitur bangunan secara

otomatis dilakukan menggunakan data LiDAR. Tantangan dari penelitian ini adalah

variasi dan kompleksitas dari bangunan-bangunan yang ada di Indonesia. Selain itu,

akurasi horizontal dari bangunan yang dihasilkan dari LiDAR tidak terlalu baik (Li et

al., 2013). Berbagai macam metode telah dikembangkan untuk mengekstrak batas

bangunan dari data LiDAR serta mengatasi kekurangan dari sisi akurasi horizontal.

Penelitian ini menggunakan software Terrasolid untuk mengekstrak bangunan

secara otomatis. Ekstraksi fitur bangunan dari point cloud menggunakan dua

tahapan, yaitu filtering dan segmentasi (Ramiya, Nidamanuri, & Krishnan, 2017).

Filtering bertujuan untuk memisahkan titik ground dan non-ground, sedangkan

segmentasi diaplikasikan pada titik-titik non-ground untuk mendeteksi berbagai

objek yang tercakup dalam data tersebut. Beberapa algoritma segementasi 3D telah

dikembangkan untuk mendeteksi fitur landscape dari point cloud. Segmentasi

berbasis Euclidean clustering adalah salah satu contoh segmentasi yang berbasis

densitas (Rusu, 2009). Untuk deteksi bangunan, dari segmen yang dibuat, perlu

dilakukan pemisahan segmen bangunan dari segmen non-building. Software

komersial pemrosesan data LiDAR seperti Terrasolid menggunakan routine untuk

mendeteksi bangunan secara otomatis dari point cloud. Tujuan dari penelitian ini

adalah untuk mengeksplorasi kemampuan data LiDAR sebagai data masukan

dalam ekstraksi fitur bangunan yang direpresentasikan dalam model 3D

menggunakan software Terrasolid. Data yang digunakan adalah data LiDAR kota

Surabaya dengan kerapatan 12 ppm (points per square meters).

1.2. Persiapan Data

Penelitian ini dilakukan dengan data kota Surabaya, yang merepresentasikan

penggunaan lahan yang bervariasi terutama pemukiman dan industri, khususnya

pada Nomor Lembar Peta (NLP) 1608-4147DT. Point cloud adalah data utama yang

diakuisisi pada tahun 2016 pada program akuisisi foto udara dan LiDAR kota

Surabaya. Point cloud tersebut mempunyai rata-rata kerapatan 12 ppm dengan

jumlah titik adalah 450.537 titik. Gambar 1 menunjukkan dataset point cloud yang

3

dikelaskan menjadi 11 kelas ketinggian menggunakan metode klasifikasi kuantil.

Data referensi diperlukan untuk uji akurasi bangunan yang diekstrak. Data vektor

bangunan dari data RBI skala 1:1.000 yang dihasilkan dari proses stereo plotting

digunakan sebagai data referensi (Gambar 2).

Gambar 1. Point cloud tampak atas (kiri) dan miring (kanan)

Gambar 2. Data referensi

4

1.3. Tahapan Pelaksanaan Penelitian

Penelitian ini dilakukan diawali dengan studi pustaka. Studi pustaka

difokuskan pada jurnal-jurnal internasional agar substansinya lebih mendalam.

Melalui studi pustaka tersebut diharapkan diperoleh referensi yang dapat dijadikan

acuan dalam pelaksanaan penelitian. Untuk memperkaya sumber, diskusi antar

peneliti maupun dengan pihak di luar peneliti dalam bentuk rapat juga dilakukan

setiap bulan, dengan hasil notulensi rapat dapat dilihat pada Lampiran 2.

Setelah dilakukan studi pustaka, hasil dari studi pustaka tersebut dipaparkan

dalam Focus Group Discussion (FGD) yang melibatkan akademisi dari universitas-

universitas di Indonesia, serta para tim teknis yang ada di BIG. Hasil FGD tersebut

menjadi langkah awal dalam menentukan metode penelitian yang benar-benar akan

digunakan, yang hasilnya dapat dilihat pada Lampiran 3.

Untuk meningkatkan kapasitas peneliti dalam melakukan penelitian ini,

dilakukan workshop yang membahas konsep serta teori mengenai pemrosesan data

LiDAR. Para akademisi serta praktisi yang berpengalaman di bidang fotogrametri

dan LiDAR menjadi narasumber dalam workshop tersebut. Workshop tersebut

sangat bermanfaat dalam menambah kapasitas peneliti dan memiliki kontribusi

yang besar dalam hasil penelitian ini. Hasil dari workshop yang sudah dilakukan

dapat dilihat pada Lampiran 4 dan 5.

Selain berupa workshop, dilakukan pula kunjungan ke perusahaan-

perusahaan pemetaan yang berpengalaman di bidang LiDAR untuk menambah

referensi para peneliti terhadap praktek penggunaan data LiDAR yang sudah ada

dan dikaitkan dengan tujuan penelitian yang sedang dilakukan. Hasil dari kunjungan

tersebut disajikan pada Lampiran 6.

Hasil penelitian dipaparkan dalam FGD ke-2 yang dilaksanakan di Institut

Teknologi Sepuluh Nopember (ITS) di Surabaya. Akademisi dari ITS diundang

sebagai narasumber dalam FGD tersebut. ITS dipilih karena data yang digunakan

adalah data LiDAR Surabaya, dan para narasumber yang diundang adalah orang-

orang yang terlibat dalam akuisisi dan pemetaan Surabaya skala 1:1.000. Hasil dari

FGD ke-2 tersebut disajikan dalam Lampiran 7.

Selain dari FGD, hasil penelitian juga dipublikasikan dan dipresentasikan di

Asian Conference on Remote Sensing (ACRS) 2018 yang diselenggarakan di Kuala

Lumpur, Malaysia. Bukti-bukti keterlibatan dalam ACRS 2018 disajikan dalam

Lampiran 8 dan 9.

5

1.4. Waktu Pelaksanaan Penelitian

Penelitian dilakukan dari bulan Januari hingga Desember 2018. Detail dari

kegiatan yang dilakukan setiap bulan disajikan pada Lampiran 1.

1.5. Personil

Penelitian ini melibatkan 11 (sebelas) personil Bidang Penelitian, yaitu:

No. Nama Jabatan Keterangan

1. Danang Budi Susetyo Ketua Tim Penelitian Peneliti Pertama

2. Aninda Wisaksanti Rudiastuti Anggota Tim Penelitian Peneliti Pertama

3. Ellen Suryanegara Anggota Tim Penelitian Peneliti Pertama

4. Fahrul Hidayat Anggota Tim Penelitian Peneliti Pertama

5. Intan Pujawati Anggota Tim Penelitian Peneliti Pertama

6. M. Irwan Hariyono Anggota Tim Penelitian Peneliti Pertama

7. Maslahatun Nashiha Anggota Tim Penelitian Peneliti Pertama

8. Rizka Windiastuti Anggota Tim Penelitian Peneliti Muda

9. Lalitya Narieswari Anggota Tim Penelitian Peneliti Madya

10. Bambang Riadi Anggota Tim Penelitian Peneliti Madya

11. Fahmi Amhar Anggota Tim Penelitian Peneliti Utama

1.6. Luaran (Output)

Luaran yang dihasilkan dalam penelitian ini adalah karya tulis ilmiah (KTI)

yang dipublikasikan dan dipresentasikan di ACRS 2018 di Kuala Lumpur, Malaysia.

Prosiding ini diharapkan dapat menjadi dokumentasi terkait penelitian ini, sehingga

semakin banyak penelitian yang dikembangkan terkait tema serupa. Hal ini karena

belum banyak penelitian di Indonesia yang mengembangkan automatic building

extraction, khususnya menggunakan data LiDAR. Software Terrasolid juga masih

terbatas penggunaannya pada klasifikasi dan pembentukan Digital Terrain Model

(DTM), padahal pembangunan model bangunan juga dapat dilakukan dengan

software tersebut. Oleh karena itu, dokumentasi dalam bentuk prosiding ini akan

sangat membantu dalam pengembangan penelitian ini ke depannya.

6

1.7. Dampak (Outcome)

Dampak yang dihasilkan dari penelitian ini adalah adanya dasar bahwa

otomasi ekstraksi fitur rupabumi, khususnya bangunan, dapat dilakukan dengan

data yang sudah ada. Selain itu, dari penelitian ini juga dapat diketahui bahwa

software Terrasolid dapat digunakan untuk keperluan tersebut. Jika penelitian ini

dikembangkan lebih lanjut pada tahun-tahun mendatang dan hasilnya dapat

diimplementasikan, otomasi ekstraksi akan mempercepat produksi peta RBI,

khususnya pada skala besar. Hal tersebut merupakan tujuan dari penelitian ini,

sehingga pada akhirnya memiliki kontribusi yang nyata dalam menyelesaikan

pemetaan RBI skala besar di seluruh wilayah Indonesia.

7

BAB II. METODE PENELITIAN

2.1. Filtering

Filtering adalah proses yang diperlukan untuk mengklasifikasikan point cloud

berdasarkan parameter dan algoritma tertentu. Point cloud harus diklasifikasikan

menjadi ground dan non-ground sebelum didapatkan kelas bangunan. Klasifikasi

ground dan non-ground dapat mengurangi jumlah titik dan membantu

mengidentifikasi bangunan (Ramiya et al., 2017). Penelitian ini menggunakan

algoritma default dari TerraScan (salah satu modul pada software Terrasolid) untuk

mengklasifikasikan ground dan non-ground dan juga untuk melakukan vektorisasi

bangunan secara otomatis (Salolahti, 2010). Parameter default seperti nilai

threshold dari ukuran maksimal bangunan, sudut terrain, sudut iterasi, jarak iterasi,

dan panjang tepi digunakan dalam klasifikasi ground seperti ditunjukkan pada

Gambar 3.

Pada klasifikasi ground/ non-ground, alogritma filtering yang digunakan pada

Terrasolid adalah Adaptive-TIN Surfaces. Secara singkat, proses algoritma tersebut

dapat dideskripsikan dalam empat tahapan: menghitung parameter awal,

menentukan seed point, densifikasi TIN secara iterasi (menghitung parameter untuk

masing-masing iterasi dari titik yang masuk dalam TIN untuk kemudian

menambahkan titik pada TIN tersebut jika nilainya berada di bawah threshold), dan

melanjutkan sampai semua titik terklasifikasi menjadi ground atau objek (Axelsson,

2000). Pada implementasinya di software Terrasolid, nilai-nilai parameter harus

dimasukkan, seperti ukuran bangunan maksimal, sudut terrain, sudut iterasi, dan

jarak iterasi. Ukuran bangunan maksimal mengasumsikan pada area tersebut

minimal terdapat satu titik sebagai titik ground awal, sudut terrain

merepresentasikan sudut tercuram yang mampu dibentuk oleh TIN, sudut iterasi

tergantung pada kondisi terrain (sudut iterasi yang kecil lebih baik untuk terrain yang

datar sedangkan sudut iterasi yang besar lebih cocok untuk area bergunung), dan

jarak iterasi adalah jarak maksimum dari titik ke segitiga TIN (Rizaldy & Mayasari,

2016). Nilai yang digunakan dalam penelitian ini adalah ukuran bangunan maksimal

= 100,0 m, sudut terrain = 88,00 derajat, sudut iterasi = 5,00 derajat ke bidang, dan

jarak iterasi adalah 1,40 m ke bidang.

8

Gambar 3. Parameter klasifikasi ground

Kemudian titik-titik non-ground dikasifikasikan menjadi vegetasi rendah,

vegetasi medium, dan vegetasi tinggi berdasarkan perbedaan nilai ketinggian antara

keseluruhan titik dan titik-titik ground. Untuk mendeteksi titik-titik bangunan dari titik-

titik non-ground, algoritma mengidentifikasi lubang pada titik-titik ground, kemudian

titik-titik non-ground pada lokasi di lubang tersebut melakukan pengecekan terhadap

kondisi planarity, dan jika memenuhi maka titik-titik tersebut diklasifikasikan menjadi

bangunan (Ramiya et al., 2017). Parameter yang digunakan adalah ukuran

bangunan minimum dan toleransi Z.

Untuk klasifikasi vegetasi, tinggi vegetasi rendah = 0-0,3 m, vegetasi medium

= 0,3-2,5 m, dan vegetasi tinggi = 2,5-999,0 m. Kemudian untuk klasifikasi

bangunan, ukuran minimum = 40 m2 dan toleransi Z = 0,12 m. Gambar 4 dan 5

menunjukkan parameter klasifikasi vegetasi dan bangunan.

Gambar 4. Parameter klasifikasi vegetasi rendah (kiri), medium (tengah), dan tinggi (kanan)

9

Gambar 5. Parameter klasifikasi bangunan

2.2. Vektorisasi Bangunan

Algoritma untuk mendeteksi bangunan di software Terrasolid adalah dengan

menyesuaikan dan menempatkan bidang ke sekumpulan titik yang awalnya

diidentifikasi berdasarkan lubang pada titik-titik ground (Ramiya et al., 2017). Tools

yang digunakan untuk membuat model bangunan di Terrasolid adalah Vectorize

Building. Untuk memvektorisasi bangunan berdasarkan point cloud LiDAR,

beberapa parameter harus didefinisikan, seperti ditunjukkan pada Gambar 6.

Gambar 6. Parameter vektorisasi bangunan

Pada Panduan TerraScan untuk Pengguna/ TerraScan User’s Guide

(Soininen, 2015), masing-masing parameter dapat dijelaskan sebagai berikut:

Gap maksimum : Jarak maksimal antara bagian bangunan yang

dimiliki oleh model yang sama. Semakin besar

10

jaraknya, model bangunan yang terpisah akan

semakin mudah untuk terbentuk

Toleransi planarity : Mendefinisikan seberapa dekat titik harus sesuai

(match) dengan bidang dari sebuah atap yang

terbentuk

Peningkatan toleransi : Toleransi tambahan untuk menggabungkan bidang

horizontal yang berdekatan

Area minimum : Ukuran minimum dari footprint bangunan

Detail minimum : Ukuran minimum dari footprint bagian dari

bangunan

Kemiringan atap maksimal : Gradien maksimal dari bidang atap

11

BAB III. HASIL DAN PEMBAHASAN

3.1. Model Bangunan Terekstrak

Model bangunan terekstrak dalam penelitian ini menunjukkan hasil yang cukup

baik, dimana geometri dari bangunan mendekati bentuk aslinya, khususnya

bangunan-bangunan yang besar. Hal ini disebabkan kerapatan yang tinggi dari data

point cloud yang digunakan. Meski demikian, hasil yang kurang memuaskan

ditunjukkan pada bangunan-bangunan padat dan rapat serta relatif tidak beraturan.

Hasil lainnya yang kurang memuaskan adalah software belum dapat memisahkan

model bangunan yang sangat rapat dan berdekatan, sehingga banyak model

bangunan yang masih tergabung dalam satu model bangunan meskipun merupakan

bangunan yang berbeda. Hasil pemrosesan data terdapat pada Gambar 7, 8, dan

9.

Gambar 7. Model bangunan terekstrak

12

Gambar 8. Overlay antara model bangunan dan point cloud terklasifikasi

Gambar 9. Model bangunan terekstrak dari sisi miring

3.2. Evaluasi

Evaluasi model bangunan dilakukan dengan membandingkan data terekstrak

dengan data referensi. Cheng, Gong, Li, & Liu (2011) menggunakan true orthofoto

eksisting dan model bangunan 3D yang dibangun secara manual yang digunakan

sebagai data referensi untuk mengevaluasi kualitas dari model bangunan 3D yang

direkonstruksi dari algoritma yang diusulkan, dan dalam penelitian tersebut

Terrasolid digunakan untuk membangun model bangunan 3D referensi. Selain

Cheng, Gong, Li, & Liu (2011), banyak peneliti menggunakan Terrasolid sebagai

13

referensi untuk dibandingkan dengan algoritma yang mereka buat. Salah satunya

adalah Sulaiman, Majid, & Setan (2010), yang menggunakan TerraScan untuk

mengevaluasi DTM yang di-generate dari software open source LiDAR, yaitu

Airborne LiDAR Data Processing and Analysis Tools (ALDPAT) dan Ramiya et al.,

(2017) yang menggunakan Terrasolid untuk mengevaluasi software open source

point cloud library (PCL) untuk segmentasi 3D dari point cloud LiDAR.

Karena dalam penelitian ini tidak ada model bangunan lain yang dapat

digunakan sebagai referensi, pada akhirnya dipilih orthofoto dan peta RBI skala

1:1.000 sebagai data referensi. Orthofoto digunakan dalam analisis visual,

sedangkan peta RBI digunakan dalam analisis statistik. Evaluasi ini dapat

merepresentasikan akurasi dari model bangunan yang diekstrak dari data LiDAR

menggunakan software Terrasolid.

3.2.1. Analisis Visual

Pada analisis visual, model bangunan terekstrak dibandingkan dengan

orthofoto. Cheng et al. (2011) meng-overlay batas bangunan dan true orthofoto

untuk menguji akurasi geometri. Karena dalam penelitian ini hanya ada ground

orthofoto, pengecekan akurasi geometri model bangunan terekstrak tidak dapat

dilakukan karena atap bangunan dalam orthofoto tersebut miring. Meski demikian,

ground orthofoto paling tidak dapat digunakan untuk mengecek model bangunan

terhadap visualisasi kenyataan dari objek yang dimodelkan.

Untuk mengekstrak batas bangunan, digunakan tools Draw Roof Lines untuk

mengekstrak batas terluar dari masing-masing bangunan. Meski demikian, karena

ada banyak model bangunan yang tergabung menjadi satu model bangunan, harus

dilakukan pemisahan setiap bangunan secara manual menggunakan tools Split

Building. Setelah proses tersebut, didapatkan batas terluar dari masing-masing

bangunan.

Seperti ditunjukkan pada Gambar 10, bangunan-bangunan besar (grup 1)

menunjukkan hasil yang lebih baik dibandingkan bangunan-bangunan yang kecil

dan rapat (grup 3). Geometri dan struktur yang lebih sederhana kemungkinan

merupakan faktor penting yang membuat model bangunan pada grup 1 lebih baik

dibandingkan dengan yang lain. Sementara, bangunan berukuran sedang (grup 2)

menunjukkan hasil yang lebih baik dari grup 3, namun masih ada beberapa bagian

yang tidak cocok jika dibandingkan dengan orthofoto. Berdasarkan visualisasi ini,

14

dapat disimpulkan metode ini dapat mengekstrak bangunan dengan baik pada

bangunan yang besar dan sederhana, namun menunjukkan hasil yang kurang baik

pada bangunan yang kompleks.

Gambar 10. Overlay antara batas bangunan terkestrak dan orthofoto

3.2.2. Analisis Statistik

Penelitian ini mengadopsi metode uji akurasi yang digunakan oleh Cai, Shi,

Miao, & Hao (2018) untuk menguji ekstraksi objek dari citra satelit. Metode yang

digunakan dalam penelitian tersebut ada beberapa jenis: 1) matching objek; 2) uji

akurasi berdasarkan luasan; 3) uji akurasi berdasarkan jumlah; 4) uji akurasi

berdasarkan kemiripan fitur; 5) uji akurasi berdasarkan jarak. Namun dalam

penelitian ini dibatasi pada matching objek dan uji akurasi berdasarkan luasan untuk

menguji akurasi model bangunan.

Proses matching objek adalah membandingkan objek yang diuji dengan data

referensi. Persamaan untuk mengidentifikasi matching objek dideskripsikan pada

Persamaan 1.

𝑂𝑖𝑗 =1

2(

𝐴𝐶,𝑖∩𝐴𝑅,𝑗

𝐴𝐶,𝑖+

𝐴𝐶,𝑖∩𝐴𝑅,𝑗

𝐴𝑅,𝑗) (1)

15

dimana 𝐴𝑅,𝑗 adalah luas area dari data referensi, 𝐴𝐶,𝑖 adalah luas area dari data yang

diuji, dan 𝐴𝐶,𝑖 ∩ 𝐴𝑅,𝑗 area intersect dari kedua data tersebut.

Metode uji akurasi kedua adalah berdasarkan luasan area. Cai et al. (2018)

menyebutkan keuntungan dari uji akurasi berdasarkan luasan dibandingkan

menggunakan confusion matrix. Hasil uji akurasi pada dua studi kasus yaitu area

besar dan kecil adalah sama jika menggunakan uji akurasi berdasarkan luasan.

Parameter uji akurasi berdasarkan luasan adalah kebenaran (correctness),

kelengkapan (completeness), dan kualitas (quality) (Cai et al., 2018). Parameter

tersebut cukup umum digunakan seperti oleh He, Zhang, & Xin (2018) yang

melakukan uji akurasi dari identifikasi pola grup bangunan menggunakan parameter

kebenaran dan kelengkapan.

Persamaan untuk menghitung nilai parameter kebenaran, kelengkapan, dan

kualitas dapat dilihat pada Persamaan 2 dan 3.

𝑃𝐴𝐶 =𝐴𝐶

𝐴𝐷𝐶 (2)

𝑃𝐴𝑅 =𝐴𝐶

𝐴𝑅𝐶 (3)

dimana kebenaran 𝑃𝐴𝐶 adalah rasio kebenaran dari objek terekstrak dengan benar

terhadap keseluruhan objek yang terekstrak, 𝐴𝐷𝐶 adalah keseluruhan area yang

terekstrak, dan 𝐴𝐶 bagian yang benar dari 𝐴𝐷𝐶. Rentang nilai kebenaran adalah dari

0 sampai 1. Jika semua objek terekstrak dengan benar matching seluruhnya dengan

keseluruhan area yang terekstrak maka 𝑃𝐴𝐶 = 1. Kemudian kelengkapan 𝑃𝐴𝑅 adalah

rasio dari area yang terekstrak dengan benar 𝐴𝐶 terhadap area referensi 𝐴𝑅𝐶.

Rentang kelengkapan adalah dari 0 sampai 1. Jika seluruh objek yang diuji matching

seluruhnya dengan data referensi, maka 𝑃𝐴𝑅 = 1.

Data referensi yang digunakan dalam analisis statistik adalah peta RBI skala

1:1.000. Gambar 11 menunjukkan perbandingan antara data terekstrak dengan

data referensi.

16

Gambar 11. Perbandingan antara data terekstrak (merah) dengan data referensi (hitam)

Dalam analisis matching objek, hasilnya cukup baik dan memuaskan, karena

mencapai 90,99%. Secara detail, perhitungan matching objek pada penelitian ini

adalah sebagai berikut:

𝐴𝐶,𝑖 = 0.013941 km2

𝐴𝑅,𝑗 = 0.013021 km2

𝐴𝐶,𝑖 ∩ 𝐴𝑅,𝑗 = 0.012253 km2

Sehingga nilai matching objek adalah:

𝑂𝑖𝑗 =1

2(

𝐴𝐶,𝑖∩𝐴𝑅,𝑗

𝐴𝐶,𝑖+

𝐴𝐶,𝑖∩𝐴𝑅,𝑗

𝐴𝑅,𝑗) =

1

2(

0.012253

0.013941+

0.012253

0.013021) = 0.909968327

Kemudian, kebeneran dan kelengkapan juga dihitung untuk melakukan uji

akurasi berdasarkan luasan. Dari perhitungan yang dilakukan, nilai kebenaran

adalah 87,89% dan nilai kelengkapan adalah 94,10%. Detail perhitungannya adalah

sebagai berikut:

𝐴𝐷𝐶 = 0.013941 km2

𝐴𝐶 = 0.012253 km2

𝐴𝑅𝐶. = 0.013021 km2

Kebenaran (correctness):

𝑃𝐴𝐶 =𝐴𝐶

𝐴𝐷𝐶 =

0.012253

0.013941= 0.878918299

Kelengkapan (completeness):

𝑃𝐴𝑅 =𝐴𝐶

𝐴𝑅𝐶 =

0.012253

0.013021= 0.941018355

17

BAB IV. KESIMPULAN DAN SARAN

Teknologi LiDAR adalah salah satu teknologi yang belum dimanfaatkan

sepenuhnya dalam pemetaan RBI. Penggunaan data LiDAR dalam pemetaan RBI

baru terbatas pada pembentukan DTM (Digital Terrain Model). Padahal, data LiDAR

juga dapat digunakan untuk mengekstrak fitur-fitur lainnya, salah satunya

bangunan. Otomasi ekstraksi fitur bangunan menggunakan data LiDAR diharapkan

dapat mempercepat produksi peta RBI skala besar. Oleh karena itu, penelitian ini

dilakukan dengan fokus otomasi ekstraksi fitur bangunan menggunakan data

LiDAR.

Penelitian ini menggunakan algoritma default dari TerraScan (salah satu

modul dalam software Terrasolid) untuk mengklasifikasi ground dan non-ground

untuk kemudian dilakukan vektorisasi bangunan secara otomatis. Kemudian titik-titik

non-ground diklasifikasikan menjadi vegetasi rendah, medium, dan tinggi

berdasarkan perbedaan ketinggian antara keseluruhan titik dengan titik-titik ground.

Terakhir, model bangunan dibuat menggunakan tools Vectorize Building.

Pada analisis visual, bangunan besar menunjukkan hasil yang lebih baik

dibandingkan bangunan yang kecil dan rapat. Berdasarkan visualisasi ini, dapat

disimpulkan metode ini dapat menghasilkan ekstraksi yang baik pada bangunan

yang besar dan sederhana, namun menunjukkan hasil yang kurang memuaskan

pada bangunan yang kompleks dan rapat. Pada analisis statistik, analisis dibagi

menjadi analisis matching objek dan uji akurasi berdasarkan luasan. Pada analisis

matching objek, hasilnya cukup baik karena mencapai 90,99%, sedangkan dari uji

akurasi berdasarkan luasan, hasilnya adalah kebenaran (correctness) 87,89% dan

kelengkapan (completeness) 94,10%.

18

DAFTAR PUSTAKA

Awrangjeb, M., & Fraser, C. (2013). Rule-based Segmentation of LiDAR Point Cloud for Automatic Extraction of Building Roof Planes. ISPRS Annals of Photogrammetry, Remote Sensing and Spatial Information Sciences, II-3(November), 1–6. https://doi.org/10.5194/isprsannals-II-3-W3-1-2013

Awrangjeb, M., Fraser, C. S., & Lu, G. (2015). Building Change Detection From Lidar Point Cloud Data Based on Connected Component Analysis. ISPRS Annals of Photogrammetry, Remote Sensing and Spatial Information Sciences, II-3/W5, 393–400. https://doi.org/10.5194/isprsannals-II-3-W5-393-2015

Awrangjeb, M., Ravanbakhsh, M., & Fraser, C. S. (2010). Automatic Detection of Residential Buildings using LIDAR Data and Multispectral Imagery. ISPRS Journal of Photogrammetry and Remote Sensing, 65(5), 457–467. https://doi.org/10.1016/j.isprsjprs.2010.06.001

Awrangjeb, M., Zhang, C., & Fraser, C. S. (2013). Automatic Extraction of Building Roofs using LIDAR Data and Multispectral Imagery. ISPRS Journal of Photogrammetry and Remote Sensing, 83, 1–18. https://doi.org/10.1016/j.isprsjprs.2013.05.006

Axelsson, P. (2000). DEM Generation from Laser Scanner Data Using Adaptive TIN Models. International Archives of Photogrammetry and Remote Sensing, 23(B4), 110–117. https://doi.org/10.1016/j.isprsjprs.2005.10.005

Belgiu, M., & Drǎguţ, L. (2014). Comparing Supervised and Unsupervised Multiresolution Segmentation Approaches for Extracting Buildings from Very High Resolution Imagery. ISPRS Journal of Photogrammetry and Remote Sensing, 96, 67–75. https://doi.org/10.1016/j.isprsjprs.2014.07.002

Cai, L., Shi, W., Miao, Z., & Hao, M. (2018). Accuracy Assessment Measures for Object Extraction from Remote Sensing Images. Remote Sensing, 10(303). https://doi.org/10.3390/rs10020303

Cheng, L., Gong, J., Li, M., & Liu, Y. (2011). 3D Building Model Reconstruction from Multi-view Aerial Imagery and Lidar Data. Photogrammetric Engineering & Remote Sensing, 77(2), 125–139. https://doi.org/10.14358/PERS.77.2.125

Cheng, L., Tong, L., Chen, Y., Zhang, W., Shan, J., Liu, Y., & Li, M. (2013). Integration of LiDAR Data and Optical Multi-view Images for 3D Reconstruction of Building Roofs. Optics and Lasers in Engineering, 51(4), 493–502. https://doi.org/10.1016/j.optlaseng.2012.10.010

Duncan, P., & Smit, J. (2012). An Investigation of Automatic Change Detection for Topographic Map Updating. ISPRS - International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XXXIX-B7(September), 311–316. https://doi.org/10.5194/isprsarchives-XXXIX-B7-311-2012

He, X., Zhang, X., & Xin, Q. (2018). Recognition of Building Group Patterns in Topographic Maps Based on Graph Partitioning and Random Forest. ISPRS

19

Journal of Photogrammetry and Remote Sensing, 136, 26–40. https://doi.org/10.1016/j.isprsjprs.2017.12.001

Khoshelham, K., Nardinocchi, C., Frontoni, E., Mancini, A., & Zingaretti, P. (2010). Performance Evaluation of Automated Approaches to Building Detection in Multi-source Aerial Data. ISPRS Journal of Photogrammetry and Remote Sensing, 65(1), 123–133. https://doi.org/10.1016/j.isprsjprs.2009.09.005

Li, Y., Wu, H., An, R., Xu, H., He, Q., & Xu, J. (2013). An Improved Building Boundary Extraction Algorithm Based on Fusion of Optical Imagery and LIDAR Data. Optik, 124(22), 5357–5362. https://doi.org/10.1016/j.ijleo.2013.03.045

Ramiya, A. M., Nidamanuri, R. R., & Krishnan, R. (2017). Segmentation Based Building Detection Approach from LiDAR Point Cloud. Egyptian Journal of Remote Sensing and Space Science, 20(1), 71–77. https://doi.org/10.1016/j.ejrs.2016.04.001

Rizaldy, A., & Mayasari, R. (2016). Acceleration of Topographic Map Production Using Semi-Automatic Dtm From Dsm Radar Data. ISPRS - International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLI-B7(July), 47–54. https://doi.org/10.5194/isprsarchives-XLI-B7-47-2016

Rusu, R. B. (2009). Semantic 3D Object Maps for Everyday Manipulation in Human Living Environments. Technische Universität München. Technische Universität München. https://doi.org/10.1007/s13218-010-0059-6

Salolahti, M. (2010). Advanced Use of Lidar Data - Automatic Building Vectorization and Contour Production. The XXIV FIG International Congress 2010 “Facing the Challenges - Building the Capacity,” (April 2010), 11–16.

Sohn, G., & Dowman, I. (2007). Data Fusion of High-resolution Satellite Imagery and LiDAR Data for Automatic Building Extraction. ISPRS Journal of Photogrammetry and Remote Sensing, 62(1), 43–63. https://doi.org/10.1016/j.isprsjprs.2007.01.001

Soininen, A. (2015). TerraScan User’s Guide. Retrieved from http://www.terrasolid.com/download/tscan.pdf

Sulaiman, N. S., Majid, Z., & Setan, H. (2010). DTM Generation from LiDAR Data by Using Different Filters in Open-Source Software. Geoinformation Science, 10(2), 89–109. https://doi.org/10.1111/j.1467-9671.2008.01088.x

Susetyo, D. B., Syafiudin, M. F., & Perdana, A. P. (2016). Stereokompilasi Unsur Rupabumi Skala 1:25.000 Menggunakan Data TerraSAR-X dan Citra SPOT-6. In Seminar Nasional Penginderaan Jauh (pp. 1–8). Depok: Lembaga Penerbangan dan Antariksa Nasional.

Tomljenovic, I., Tiede, D., & Blaschke, T. (2016). A Building Extraction Approach for Airborne Laser Scanner Data Utilizing the Object Based Image Analysis Paradigm. International Journal of Applied Earth Observation and Geoinformation, 52, 137–148. https://doi.org/10.1016/j.jag.2016.06.007

20

LAMPIRAN 1. KEGIATAN BULANAN

LOKASI, WAKTU

KETERANGAN FOTO

Januari

Ruang Rapat Bidang Penelitian, Gd. S Lt.1/ 29 Januari 2018

Kick-off meeting kegiatan penelitian Percepatan Pemetaan Skala Besar

Februari

Ruang Rapat Bidang Penelitian, Gd. S Lt.1/ 9 Februari 2018

Membahas metode yang akan digunakan, dan dibagi per kelompok untuk mempelajari detail setiap metode tersebut

Ruang Rapat Bidang Penelitian, Gd. S Lt.1/ 20 Februari 2018

Setiap kelompok memaparkan progresnya

Maret

The Sahira Hotel/ 9 Maret 2018

FGD untuk membahas metode penelitian yang akan digunakan

21

LOKASI, WAKTU

KETERANGAN FOTO

Ruang Rapat Bidang Penelitian, Gd. S Lt.1/ 15 Maret 2018

Membahas follow up hasil FGD serta rencana pelatihan Terrasolid

Waindo dan PT Geonet Infomedia/ 23 & 29 Maret 2018

Membahas rencana pelatihan Terrasolid dengan pihak trainer

April

PT Waindo SpecTerra/ 17-18 April 2018

Overview penggunaan Terrasolid secara umum, dengan target utama adalah hingga klasifikasi bangunan

The Sahira Hotel/ 30 April-4 Mei 2018

Workshop pengolahan data LiDAR secara umum dari teori hingga praktek. Teori disampaikan oleh akademisi (Dr. Harintaka dari UGM dan Dr. Budhy Suksmantono dari ITB) dan praktek disampaikan oleh profesional di bidang pengolahan LiDAR

22

LOKASI, WAKTU

KETERANGAN FOTO

Mei

RR Gd. S Lantai 1/ 18 Mei 2018

- Membahas rencana diskusi teknis dengan PPRT dan perusahaan pemetaan

- Menentukan jadwal rapat dengan PPRT sekaligus kunjungan ke perusahaan

RR Gd. S Lantai 1/ 24 Mei 2018

- Diskusi dengan tim teknis akuisisi PPRT

- Mendiskusikan penelitian serupa yang sudah pernah dilakukan dan kemungkinan penelitian ini dikembangkan ke depannya

- Mendapatkan rekomendasi perusahaan-perusahaan yang bergerak di bidang LiDAR

- Mendapatkan izin untuk menggunakan software Terrasolid milik PPRT

- PT Map Tiga Internasional

- PT ASI Pudjiastuti Geosurvey

- PT Surtech Prima Internasional

- Waktu: 30-31 Mei 2018

- Diskusi mengenai project atau riset yang sudah pernah dilakukan oleh perusahaan berkaitan dengan ekstraksi bangunan dari data LiDAR

23

LOKASI, WAKTU

KETERANGAN FOTO

- Sebagian besar belum pernah melakukan project tersebut, hanya melakukan percobaan namun belum pernah diimplementasikan dalam pekerjaan sesungguhnya

Juni

Diolah pada minggu pertama bulan Juni di Gd. R Lantai 1 (PPRT)

- Hasil building model extraction dari data LiDAR wilayah Surabaya (sampel area)

- Dilakukan dengan software Terrasolid

24

LOKASI, WAKTU

KETERANGAN FOTO

Juli

Email dari panitia ACRS pada tanggal 26 Juli 2018

Paper diterima untuk dipublish dan dipresentasikan secara oral di ACRS 2018

Agustus

Ruang Rapat Gd. S Lt. 1/ 7 Agustus 2018

Membahas progres penelitian

25

LOKASI, WAKTU

KETERANGAN FOTO

Pengolahan data dilakukan di software Terrasolid milik PPRT di Gd. R Lt. 1

Data Surabaya (1:1.000) Data Lombok (1:5.000)

September

Analisis data sepanjang bulan September

Visual analysis : perbandingan hasil ekstraksi dengan orthofoto. Lebih ke perbandingan kemiripan objek karena orthofoto yang digunakan adalah ground ortho, bukan true ortho. Hasilnya, untuk bangunan-bangunan besar masih sesuai, namun untuk bangunan-bangunan kecil dan rapat masih perlu banyak perbaikan

26

LOKASI, WAKTU

KETERANGAN FOTO

Statistical analysis: - Object

matching analysis : 90.99%

- Area-based accuracy measures : correctness = 87.89%; completeness = 94.10%

Oktober

Teknik Geomatika ITS/ 9 Oktober 2018

- Mendiskusikan hasil penelitian yang sudah dilakukan

- Mendapatkan masukan untuk mencoba sampel area lain yang lebih variatif

Renaissance Kuala Lumpur Hotel/ 17 Oktober 2018

Memaparkan hasil penelitian dalam ACRS 2018 di Kuala Lumpur, Malaysia

27

LOKASI, WAKTU

KETERANGAN FOTO

November

Sepanjang bulan November

Penyusunan draft laporan akhir

Desember Sepanjang bulan Desember

Finalisasi laporan akhir

28

LAMPIRAN 2. NOTULENSI RAPAT

Minutes of Meeting

Agenda Kick-off Meeting Penelitian Percepatan Pemetaan Skala Besar

Hari, tanggal Senin, 29 Januari 2018

Waktu 13.30 s/d selesai

Tempat Ruang Rapat Bidang Penelitian, Gd. S Lt.1 - BIG

Pimpinan

Rapat

Danang Budi Susetyo

Peserta Sesuai lampiran daftar hadir

Agenda Rapat:

• Penelitian Percepatan Pemetaan Skala Besar bertujuan untuk menghasilkan

penelitian yang dapat membantu mempercepat proses pemetaan RBI skala besar

• Ada dua tema penelitian yang diusulkan untuk kegiatan Penelitian Percepatan

Pemetaan Skala Besar, yaitu Kategorisasi Unsur dan Klasifikasi Digital

• Untuk kegiatan kategorisasi unsur bertujuan untuk mendapatkan skema basisdata

yang ideal

• Awal kegiatan ini sudah pernah dilakukan pada tahun 2017, namun belum

didapatkan hasil yang absolut

• Berdasarkan hasil penelitian sebelumnya maka perlu mengubah metode dari yang

sudah dilakukan agar didapatkan hasil yang lebih baik

• Untuk tema kegiatan kategorisasi unsur:

o Perlu dilakukan evaluasi metode dengan mempelajari laporan tahun 2017

o Perlu penentuan metode kuesioner yang lebih optimal dengan mempelajari

dan mengevaluasi kuesioner tahun 2017

o Mengoptimalkan statistik pengguna data dikaitkan dengan peraturan yang

mengikat masing-masing pengguna

• Target hasil yang diharapkan dari kuesioner tahun ini: Sampai sejauh mana

penggunaan RBI di kalangan konsumen/pengguna RBI

• Selain itu perlu membandingkan data eksisting multi skala pada wilayah yang

sama, serta menggunakan pendekatan generalisasi dan kartografi

• Untuk tema kegiatan klasifikasi digital:

o Tujuan untuk mengidentifikasi objek secara otomatis dari data foto udara

dan LiDAR

o Hasil klasifikasi belum digunakan untuk menggantikan digitasi, namun

lebih kepada membantu QC digitasi, menghitung luas pemukiman untuk

perencanaan anggaran

• Untuk kegiatan ini metode yang diusulkan adalah membandingkan hasil klasifikasi

objek bangunan menggunakan Object Based Image Analysis (OBIA) pada foto

udara dengan segmentasi hasil LiDAR

29

• Dalam pemrosesan citra berbasis objek, software yang digunakan adalah

eCognition

• Akan tetapi dalam implementasinya tahun 2017 yakni pada pesisir dan laut,

terdapat kendala akibat kondisi citra yang kurang baik. Meskipun sudah dilakukan

koreksi, masih ditemukan missclassified objek pada saat tahap klasifikasi

diimplementasikan

• Rencana lokasi survey adalah Tanjung Lesung (Jawa Barat) dan Lombok (NTB)

yang diagendakan dilaksanakan pada minggu-minggu awal bulan Mei

• Perlu dilakukan pengecekan apakah untuk kedua daerah tersebut data-data yang

diperlukan sudah lengkap

• Terkait SKP masing-masing personil diharapkan untuk membuat perjanjian kinerja,

harus ada pembagian tugas, masing-masing orang mengerjakan tahapan pekerjaan

yang berbeda

• Masing-masing individu dibagikan tugas sesuai arahan kepala bidang, untuk

memudahkan pada saat pengisian logbook

• Indikator kinerja masing-masing individu harus berupa output dokumen/laporan

bukan proses kegiatan

• Yang harus dilakukan selanjutnya yaitu studi literatur (prioritaskan jurnal

internasional), fokus pada metode yang akan diadopsi

• Target pertemuan selanjutnya sudah ada metode yang fix yang akan digunakan

• Rapat selanjutnya diagendakan pada minggu ke 2 atau 3 bulan Februari

Dokumentasi

Notulis

Ellen Suryanegara

30

Minutes of Meeting

Agenda Rapat Penentuan Metode Building Extraction

Hari, tanggal Jumat, 09 Februari 2018

Waktu 09.00 – 12.00 WIB

Tempat Ruang Rapat Bidang Penelitian, Gd. S Lt.1 - BIG

Pimpinan Rapat Danang Budi Susetyo (Dilan)

Peserta Sesuai lampiran daftar hadir

Agenda:

1. Terdapat tiga (3) metode yang akan diujicobakan dalam penelitian ini, yaitu:

➔ Li et al. (2013) → menggunakan data LIDAR dan Aerial Image. Ekstraksi data

LIDAR → point clouds, titik 3D, membedakan bentukan alam dan man-made

dari segi keteraturan point cloud. Aerial image digunakan untuk membentuk

initial edges. Point cloud disekitar initial images dibedakan menjadi peripheral

point dan edges point, yang kemudian di buffer. Tumpang tindih buffer antara

peripheral point dan edges point → true edges of an object.

➔ Audebert et al. (2016) → menggunakan SegNet architecthure (Badrinarayanan

et al, 2015) untuk menyediakan semantic labelling network. Dalam websitenya

(http://github.com/nshaud/DeepNetsForEO) menyediakan tools berbasis

phyton. Metode ini juga diimplementasikan oleh Marmanis (2016).

➔ Awrangjeb and Fraser (2013) → menggunakan OBIA dengan kombinasi data

LIDAR dan foto udara. Yang digunakan adalah rulebased segmentation.

2. Tujuan dari penelitian ini adalah Automasi pengenalan objek atau minimalisasi

campur tangan manusia dalam interpretasi objek. Citra hanya untuk membantu

pengenalan objek dari point cloud dari LIDAR.

3. Terdapat opsi metode ekstrasi (Awrangjeb, 2010) dengan transformasi citra NDVI

untuk membedakan building dan vegetasi. Dimana Data Lidar diekstraksi ke dalam

kelas ground dan non-ground → kemudian nilai NDVI digunakan untuk memilah

bangunan dan vegetasi.

4. Fahrul → Masukkan tentang metode → lihat

5. Masukkan:

a) Perlu dicoba untuk daerah yang kompleksitasnya tinggi, tidak seperti negara-

negara maju yang sudah tertata rapi.

b) Untuk segmentasi foto udara menggunakan e-Cognition berdasarkan pengalaman

sebelumnya tidak ada masalah, hanya saja pada perangkat lunak terdahulu jumlah

image object-nya terbatas 2 – 5 juta image object (pada saat seri Definiens 7)

c) Untuk metode OBIA, dapat menggunakan referensi yang lebih terkini dari

Blaschke et al (2016) dan Dragut et al. (2014) yang konsisten mengembangkan

tentang OBIA khususnya segmentasi.

31

- Rencana Tindak Lanjut:

a) Rencana FGD di minggu ke-2 bulan Maret 2018

b) Pengolahan data selama 3 minggu dengan 3 metode berbeda (Kelompok

terlampir). Kewajiban bagi setiap kelompok untuk update kemajuan penelitian

per minggu.

c) Untuk sub kegiatan “Kategorisasi Unsur”:

- kuesioner perlu disederhanakan, jenis kuesioner tertutup (jawaban tersedia),

Penyajian Peta RBI (digital: *.shp; cetak: kertas, pdf, jpeg).

- mengundang Kabalai Layanan (bu Retno) untuk sharing penelitian ini.

- Jika hasil kategorisasi unsur telah diperoleh, selanjutnya adalah uji coba

terhadap Operator di internal BIG, khususnya PPRT.

Lampiran:

Pembagian Kelompok Uji Coba Metode Ekstraksi:

No Li et al. (2013) Audeberg et al. (2016) Awrangjeb et al.

(2013)

1 Danang Budi Fahrul Hidayat M. Irwan Hariyono

2 Rizka Windiastuti Bambang Riadi Fahmi Amhar

3 Ellen Suryanegara Intan Pujawati Maslahatun Nashiha

4 Aninda W. Rudiastuti

5 Lalitya Narieswari

Notulis

Aninda W. Rudiastuti

Dokumentasi:

32

Minutes of Meeting

Agenda Rapat Pembahasan dan Pendalaman Metode Penelitian

Percepatan Pemetaan Skala Besar

Hari, tanggal Selasa, 20 Februari 2018

Waktu 09.00 - 11.00 WIB

Tempat Ruang Rapat Bidang Penelitian, Gedung S Lantai 1 BIG

Pimpinan

Rapat

Danang B. Susetyo

Peserta Sesuai lampiran daftar hadir

Rapat Pembahasan dan Pendalaman Metode Penelitian Percepatan Pemetaan Skala Besar

1. Penyusunan Kuesioner Kategorisasi Unsur

Fahrul Hidayat:

Tahun lalu telah dilakukan wawancara & pengumpulan data melalui kuesioner terkait RBI, namun datanya belum dapat mewakili tujuan penelitian yang diharapkan. Sehingga tahun ini dilakukan

penelitian untuk menentukan batasan unsur rupa bumi yang sering digunakan berdasarkan skala, mengingat RBI merupakan peta yang bermanfaat untuk banyak tujuan.

Faktor yang menentukan dalam pemilihan unsur peta yaitu:

- legibility (keterbacaan) - cost of production (ongkos produksi)

- obsolence (keusangan) - concept of landmark

Kesimpulan FGD tahun lalu: - KUGI kurang aplikatif

- masih terdapat kebingungan pemuatan unsur dalam peta RBI - kode unsur perlu disederhanakan

- kode unsur yang dimiliki muncul dengan latar belakang produksi - dari kode unsur itu diharapkan untuk dibuat hierarkinya

- RBI skala 1:5.000 menjadi lebih rumit

Penelitian terkait kategorisasi unsur memiliki beberapa kendala, antara lain model tidak bisa sama

dengan dunia nyata (terdapat error tertentu); konsep peta topografi yang masih relevan dgn RBI: karakteristik alami dan buatan; dan terdapat parameter yang dijadikan pertimbangan kategorisasi

unsur. Sedangkan tindak lanjut yang dapat dilakukan:

1. menambah data kebutuhan pengguna RBI 2. menyebarkan kuesioner kepada pihak yang pernah dan akan meminta data di BIG secara online

melalui link google form. 3. menyusun purwarupa kategorisasi unsur

4. uji coba terhadap operator

Th. Retno Wulan:

Berdasarkan pengalaman, penyebaran kuesioner (melalui berbagai media) memiliki tantangan tersendiri, di antaranya hanya sekitar 50% kuesioner yang kembali untuk diolah. Untuk kuesioner

IKM menggunakan jasa konsultan, dengan menumpang pada berbagai kegiatan BIG. Hal lain yang menjadi kendala yaitu terlalu banyaknya pertanyaan dalam kuesioner, pengisian kuesioner harus

didampingi, serta kuesioner melalui inageoportal pun banyak yang tidak diacuhkan.

Usulan dari peserta rapat:

1. pertanyaan yang cenderung serupa dapat diselipkan dengan kuesioner IKM 2. tanggal 1 Maret 2018 akan ada kuliah umum & penandatanganan MoU di UNIPA (Papua), bisa

diselipkan pada kegiatan ini.

33

3. kuesioner non-teknis bisa diletakkan di meja layanan. Sambil menunggu penyerahan data, user dapat mengisi kuesioner. Sebagai gambaran, dalam sehari terdapat sekitar 10 orang yang

datang ke Balai Layanan. 4. kuesioner teknis disebarkan melalui PTRA, karena pemda/KL yang datang ke BIG (dalam rangka

asistensi RTRW) sudah pasti mengerti terkait teknis pemetaan. 5. perhatikan dalam memilah responden, apakah mereka paham mengenai teknis pemetaan, atau

hanya pengguna pasif. 6. terdapat pertanyaan dalam kuesioner yang perlu analisis detail mengenai penggunaan unsur

RBI sesuai skala. Jika hanya 7 unsur utama yang ditanyakan, hal tersebut tidak dapat mewakili

pertanyaan pokok kuesioner. 7. pertanyaan no 4 & 13 (tujuan penggunaan RBI & kelengkapan RBI) bisa ditanyakan ketika FGD.

8. FGD mengundang pejabat (maksimal eselon 3) & staf teknis. Tim kita dipersiapkan untuk input data secara langsung selama FGD berlangsung.

2. Pendalaman Metode Penelitian Klasifikasi Digital Metode Li et al. (2013)

Ekstraksi Fitur Rupabumi secara Otomatis menggunakan Kombinasi Filtering LiDAR dan Canny Edge Detection

▪ LiDAR berbentuk point cloud, bisa jatuh maupun menembus kanopi pohon. ▪ filtering Lidar: menurunkan ketinggian dari DSM (surface) maupun DEM (elevation). metode

yang digunakan dapat mengacu pada TIN, Elevation Threshold with Expand Window (ETEW) filter, Progressive Morphology (Morph) Filter, Iterative Polynomial Fitting, Maximum Local Slope.

▪ Proses Canny Edge Detection. inti dari metode ini yaitu mendeteksi batas suatu objek

berdasarkan intensitas gradiennya. ▪ dari LiDAR diperoleh edge point & peripheral point, kemudian hasil buffering kedua point ini

menghasilkan initial base yang membentuk poligon objek.

▪ hasil uji coba filtering LiDAR dan pengolahan menggunakan matlab belum menghasilkan image yang optimum.

Metode Audebert et al. (2016)

▪ building extraction

▪ hasil challenge ISPRS, dishortlist 10 besar berdasarkan nilai akurasinya, kemudian metode & pustaka/linknya dibandingkan yang terbaik.

▪ inti dari metode Marmanis et al. (2018) yaitu membandingkan hasil dari berbagai analisis edge detection (10 uji). menggunakan software Caffe (OS).

▪ masih terdapat keraguan terkait GPU (Graphic Processing Unit) sebagai hardwarenya. ▪ hasil Audebert memperlihatkan akurasi sekitar 80an%. Audebert menggunakan software

PyTorch berbasis phyton. pengolahan/analisis image ini pun terkendala GPU.

Metode Awrangjeb et al. (2013)

Detection & Extraction ▪ Data mentah LiDAR, foto udara, & point plot ditampilkan sebagai point berketinggian (titik

tertinggi objek). Kemudian dilakukan clustering/klasifikasi berdasarkan coplanarity of points.

Setelah itu dilakukan identifikasi masing2 objek bangunan, dengan menghilangkan objek tumbuhan kecil. Hingga dihasilkan point-point yang membentuk objek bangunan.

▪ Aurangjeb menyediakan software yang bisa kita gunakan. ▪ Pada proses Extraction, akan dilakukan pendekatan refinement of planar segments pada hasil

detection, hingga hanya objek dengan poligon bersegi yang dihasilkan (poligon pohon yang acak akan hilang).

▪ hasil uji coba menggunakan Global Mapper baru sampai memunculkan atap bangunan.

Kesamaan dari 3 Metode: detection objeknya menggunakan Canny. ketiga metode tersebut akan

diterapkan hingga akhir penelitian, untuk dilakukan perbandingan metode & hasil.

Lalitya Narieswari:

34

menguji coba pada ecognition, dengan prosedur yang hampir sama dan pendekatan algoritma

tertentu.

Tindak Lanjut

1. Rapat lanjutan hari Senin, 26 Februari 2018 untuk persiapan FGD 14 Maret 2018 (diharapkan ketiga metode tersebut sudah semakin matang untuk diaplikasikan)

2. FGD khusus untuk klasifikasi digital pada 14 Maret 2018, tempat tentatif.

Notulis,

Intan Pujawati Lampiran Dokumentasi

35

Minutes of Meeting

Agenda Rapat Tindak Lanjut FGD Percepatan Pemetaan Skala Besar

Hari, tanggal Kamis, 15 Maret 2018

Waktu 13.30 s/d selesai

Tempat Ruang Rapat Bidang Penelitian, Gd. S Lt.1 - BIG

Pimpinan Rapat Danang Budi Susetyo

Peserta Sesuai lampiran daftar hadir

Agenda Rapat:

Kesimpulan Saran Narasumber

• Apabila menggunakan foto udara dan LiDAR, harus true ortho, dan kedua data

tersebut harus match

• Akurasi LiDAR tergantung dari jumlah ppm (point per square meter).

• Standar data LiDAR di PPRT adalah 4 ppm, sementara berdasarkan hasil diskusi

narasumber agar secara geometrik akurat minimal membutuhkan 7 ppm. Data

Surabaya sebanyak 8-12 ppm, pada bagian overlap sebanyak 16-18 ppm

• Validasi bisa dilakukan dengan:

o Membandingkan dengan foto udara (ortho photo)

o Pengukuran di lapangan

o Membandingkan dengan luas bangunan yang akurat (jika 2D) + tinggi

(height) jika 3D

o Stereoplotting interaktif

• Wire frame dapat digunakan untuk meminimalisir hasil yang bergerigi

• Semakin banyak jumlah ppm, intensitas akan semakin baik dalam

mengklasifikasikan setiap objek

• Coba Point Cloud Library (PCL): open source

• Buat road map jangka pendek, menengah, dan panjang

• Manfaatkan data center yang ada di BIG

• Gunakan terrasolid sebagai pembanding hasil klasifikasi dan filtering LiDAR

Diskusi Rapat

• Perlu Pelatihan LiDAR (tentukan waktu, tempat, dan trainer). Fokus mempelajari

filtering menggunakan Terrasolid

o Agar personil memiliki pengetahuan yang sama

o Jadwal 23-27 April 2018,

o Trainer: vendor terrasolid

o Sebelum training disarankan untuk berkunjung ke perusahaan terlebih

dahulu. PIC training: Danang, PIC ke perusahaan: Irwan)

36

• Minta data Surabaya (PIC: Bu Rizka, surat sudah dibuat)

o Tahun 2016 pernah diminta supervisi kegiatan kota surabaya, pemotretan

udara dan lidar

o Namun datanya kita tidak pegang, karena menggunakan dana Surabaya

o Saat ini sedang dibuat surat sedang menunggu ttd sestama terkait

permintaan data

• Cek data Veihingen (soon, semua personil disarankan googling)

• Semua lakukan uji coba dengan MATLAB, sementara masih menggunakan data

Lombok (next progress report: 30 Maret 2018)

• Survei lapangan? Apakah masih diperlukan:

o Cukup survey ke perusahaan-perusahaan yang menggunakan data LiDAR

• Yang diharapkan pusat teknis adalah bagaimana hasil penelitian ini bisa mengolah

data LiDAR secara praktikal tidak hanya scientific

• Sebaiknya output penelitian ini juga berupa panduan

• Cek ke PPRT kegiatan yang menggunakan terrasolid, perhatikan bagaimana cara

kerjanya

• Cek perusahaan yang menggunakan data LiDAR contohnya Waindo, bisa sebagai

survey lapangan

• Diusahakan dilakukan sebelum pelatihan, agar bisa tahu dengan spesifik apa yang

ingin diperjelas atau dibutuhkan dalam training

Dokumentasi

Notulis

Ellen Suryanegara

37

Minutes of Meeting

Agenda Rapat Pembahasan Penelitian Percepatan Pemetaan Skala

Besar dan Rencana Workshop Pengolahan LiDAR

Hari, tanggal Senin, 23 April 2018

Waktu 13.30 s.d. selesai

Tempat Ruang Rapat Bidang Penelitian, Gedung S Lantai 1 BIG

Pimpinan

Rapat

Kepala Bidang Penelitian

Peserta Sesuai lampiran daftar hadir

Rapat Pembahasan Penelitian Percepatan Pemetaan Skala Besar dan Rencana

Workshop Pengolahan LiDAR

1. Pembahasan Metode Penelitian Klasifikasi Digital Metode Li et al. (2013)

Ekstraksi Fitur Rupabumi secara Otomatis menggunakan Kombinasi Filtering LiDAR dan Canny Edge Detection

▪ LiDAR berbentuk point cloud, bisa jatuh maupun menembus kanopi pohon.

▪ filtering Lidar: menurunkan ketinggian dari DSM (surface) maupun DEM (elevation). metode yang digunakan dapat mengacu pada TIN, Elevation Threshold with Expand Window (ETEW) filter, Progressive Morphology (Morph) Filter, Iterative Polynomial Fitting, Maximum Local Slope.

▪ Proses Canny Edge Detection. inti dari metode ini yaitu mendeteksi batas suatu objek

berdasarkan intensitas gradiennya.

▪ dari LiDAR diperoleh edge point & peripheral point, kemudian hasil buffering kedua point ini menghasilkan initial base yang membentuk poligon objek.

▪ hasil uji coba filtering LiDAR dan pengolahan menggunakan matlab belum menghasilkan image yang optimum.

Metode Audebert et al. (2016) ▪ building extraction

▪ hasil challenge ISPRS, dishortlist 10 besar berdasarkan nilai akurasinya, kemudian metode & pustaka/linknya dibandingkan yang terbaik.

▪ inti dari metode Marmanis et al. (2018) yaitu membandingkan hasil dari berbagai analisis edge detection (10 uji). menggunakan software Caffe (OS).

▪ masih terdapat keraguan terkait GPU (Graphic Processing Unit) sebagai hardwarenya.

▪ hasil Audebert memperlihatkan akurasi sekitar 80an%. Audebert menggunakan software PyTorch berbasis phyton. pengolahan/analisis image ini pun terkendala GPU.

Metode Awrangjeb et al. (2013)

Detection & Extraction

▪ Data mentah LiDAR, foto udara, & point plot ditampilkan sebagai point berketinggian (titik tertinggi objek). Kemudian dilakukan clustering/klasifikasi berdasarkan coplanarity of points.

Setelah itu dilakukan identifikasi masing2 objek bangunan, dengan menghilangkan objek tumbuhan kecil. Hingga dihasilkan point-point yang membentuk objek bangunan.

▪ Aurangjeb menyediakan software yang bisa kita gunakan. ▪ Pada proses Extraction, akan dilakukan pendekatan refinement of planar segments pada hasil

detection, hingga hanya objek dengan poligon bersegi yang dihasilkan (poligon pohon yang

acak akan hilang). ▪ hasil uji coba menggunakan Global Mapper baru sampai memunculkan atap bangunan.

Kesamaan dari 3 Metode: detection objeknya menggunakan Canny. ketiga metode tersebut akan

diterapkan hingga akhir penelitian, untuk dilakukan perbandingan metode & hasil.

Nursugi:

38

▪ LiDAR itu sekali memancarkan gelombang, terdapat beberapa echo yang memantul dari

beberapa objek. Yang dicari yaitu “last echo”

▪ Perlu dipelajari lebih lanjut mengenai klasifikasi nilai intensitas berdasarkan nilai digital signaturenya, serta ID digital dan ketelitian GPS.

▪ Cari di internet: LiDAR last data structure & last reader untuk Matlab (M-file, untuk informasi per titik)

▪ Perlu dingat bahwa LiDAR tidak selalu bagus. Ada kalanya terdapat kekurangan pada LiDAR dan image-nya. Material objek yang berbeda dapat memberikan hasil pengolahan yang

berbeda pula.

▪ Hasil klasifikasi LiDAR sudah dapat memperlihatkan 8 kelas (berbeda dengan yang dipahami oleh PPRT yang baru menghasilkan kelas ground & non-ground).

2. Rencana Workshop Pengolahan LiDAR

▪ Workshop ini direncanakan dilaksanakan pada tanggal 30 April, 2, 3, dan 4 Mei 2018

bertempat di hotel di Bogor. ▪ Materi workshop akan disampaikan oleh Harintaka (UGM), Boedi Soeksmantono (ITB), dan PT

Waindo SpecTerra.

Tindak Lanjut 3. Perlu mem-fix-kan nominatif jasa profesi untuk narasumber workshop.

4. Anggaran honor output kegiatan dialihkan ke superkomputer yang mumpuni untuk digunakan

dalam pengolahan LiDAR, maupun data “berat” lainnya. 5. Perlu software LiDAR for Linux dan penggunaan ENVI LiDAR.

Notulis,

Intan Pujawati

Lampiran Dokumentasi

39

Minutes of Meeting

Agenda Rapat Tindak Lanjut Penelitian Pemetaan Skala Besar

Hari, tanggal Jumat, 18 Mei 2018

Waktu 13.30 WIB s/d selesai

Tempat Ruang Rapat Bidang Penelitian, Gd. S Lt.1 - BIG

Pimpinan Rapat Nursugi

Peserta Sesuai lampiran daftar hadir

HASIL DISKUSI:

• Rapat kali ini lebih untuk membicarakan perencanaan penyerapan anggaran karena

anggaran perjalana dinas masih cukup banyak, disarankan oleh perencana untuk

segera diserap

• Opsi yang dapat dilakukan yaitu:

o ikut supervisi dengan PPRT:

▪ Mulai dari tahap perencanaan (jalur terbang, GCP/ICP) hingga

pemotretan udara

▪ Hanya ikut pada tahapan inti yang paling dibutuhkan oleh peneliti

▪ Tujuan: agar peneliti semakin memahami proses perencanaan pemotretan

udara

o Ikut dalam kegiatan pemotretan udara PPRT:

▪ Ikut ke lapangan selama 5-7 hari

▪ Tujuan: agar peneliti semakin memahami proses akuisisi foto udara dan

LiDAR

o Survei GCP:

▪ Tujuan: uji akurasi DTM hasil filtering

▪ Hampir sama dengan kegiatan pada tahun 2017

• Sebaiknya diarahkan ke penguatan di hasil ekstraksi sejauh mana, bukan ikut

akuisisi data, karena kita menggunakan data yang sudah diakuisisi

• Kegiatan ini dilakukan berdasarkan hasil proses kita, atau ikut prosesing ekstraksi,

kurang pas apabila ikut supervisi pemotretan

• Anggaran perjalanan bisa diarahkan untuk ikut untuk proses ekstraksi di

perusahaan yang menghasilkan data LiDAR

• Berdasarkan ilmu yang sudah didapat direformulasikan kembali karena terkait

processing LiDAR permasalahan kebanyakan di noise

40

• Bisa juga ke pemerintah daerah Surabaya untuk mengambil data yang belum

terambil

• LiDAR ini kan untuk percepatan, namun apabila ditemukan tidak ada yang

menggunakan maka menjadi penemuan apakah ada kendala atau hal lainnya

• Arahannya agar pas ke processing bukan ke akuisisi data, disarankan ke perusahaan

yang pernah melakukan proses tersebut, ditelaah lebih lanjut bagaimana cara

processingnya

• Menggali informasi mengapa permasalahan penggunaan software LiDAR tersebut

kurang digunakan padahal bisa mempercepat proses pemetaan skala besar

• Alternatif perusahaannya selain Waindo, yaitu ada Aerovisi, Indah Unggul

Bersama (IUB), Asi Pudjiastuti Geosurvey (APG), Karvak, Geopranata Cipta,

Atlas Delta Satya

• Segera dijadwalkan diskusi internal dengan PPRT hasil pengolahan di kita hasilnya

kemudian bisa dibawa untuk bahan diskusi ke perusahaan, contohnya bisa

menggunakan data Surabaya

• Selain itu diadakan kunjungan diskusi ke akademisi di UGM dan ITB paralel

tanggal 31 Mei-1 Juni

• Mulai dilakukan pembagian tugas untuk penyusunan Laporan akhir penelitian

Notulis

Ellen Suryanegara

Dokumentasi:

41

Minutes of Meeting

Agenda Diskusi Teknis Penelitian Ekstraksi Fitur Bangunan secara

Otomatis Menggunakan Data LiDAR

Hari, tanggal Kamis, 24 Mei 2018

Waktu 09.00 s/d selesai

Tempat Ruang Rapat Bidang Penelitian, Gd. S Lt.1 - BIG

Pimpinan Rapat Nursugi, ST (Kepala Bidang Penelitian)

Peserta Sesuai lampiran daftar hadir

Diskusi:

Rapat dilaksanakan oleh bidang Penelitian dengan mengundang pihak PPRT (Pusat

Pemetaan Rupabumi dan Toponim) dalam rangka diskusi terkait teknis otomasi ekstraksi

fitur bangunan menggunakan data LiDAR. Paparan progress penelitian disampaikan oleh

Danang Budi Susetyo. Hasil diskusi dirangkum dalam beberapa point sebagai berikut:

❖ Dalam pelaksanaan penelitian Pemetaan Skala Besar (SKB), bidang penelitian

terkendala oleh ketersediaan license software Terrasolid. Dalam hal ini PPRT akan

memberikan support yakni peminjaman software, sehingga kegiatan ekstraksi fitur

bangunan menggunakan software Terrasolid tetap dapat dilaksanakan dan untuk

keamanan publikasi hasil penelitian yang diolah menggunakan Terrasolid.

❖ Terkait dengan pengalaman ekstraksi fitur dari data LiDAR menggunakan Terrasolid

di PPRT, selama ini dilakukan oleh mahasiswa yang melaksanakan KP (Kuliah

Praktek) di PPRT.

❖ Untuk penelitian SKB, data yang akan digunakan adalah LiDAR wilayah Mandalika.

Referensi terkait ekstraksi fitur bangunan dengan menggunakan LiDAR yang pernah

dilakukan oleh perusahaan akan diberikan oleh pihak PPRT. Daftar perusahaan yang

berpengalaman dalam ekstraksi dari data LiDAR tercantum diakhir laporan.

❖ Probabilitas metode otomasi ekstraksi data LiDAR untuk menggantikan

stereokompilasi manual sangat besar → hanya saja jika hanya fokus pada pemanfaatan

software Terrasolid maka proses otomatisasi hanya diterapkan pada data LiDAR,

sedangkan harapannya ada otomatisasi untuk hasil orthophoto

❖ Terkait rencana kegiatan lapangan, Kabid Penelitian menginformasikan akan adanya

kegiatan mapping 3D city model di Jogjakarta yang akan dilaksanakan setelah lebaran.

Hal ini dapat menjadi salah satu alternatif rencana kegiatan lapangan bagi kegiatan

penelitian SKB, dimana survei yang akan dilaksanakan adalah akuisisi pengambilan

foto udara dengan banyak GCP dan ICP.

❖ Pelaksanaan kontrol kualitas dari hasil filtering data LiDAR salah satunya dengan

membandingkan surface hasil ekstraksi data LiDAR dengan titik di lapangan.

Sementara itu, kontrol kualitas untuk hasil visualisasi data LiDAR adalah dengan

membandingkannya dengan orthophoto dan RBI (contoh: Kota Surabaya).

❖ Tantangan penelitian ekstraksi fitur dari data LiDAR antara lain:

a) Peningkatan ketelitian ekstraksi fitur, dimana tanpa bantuan foto stereo pihak teknis

(PPRT) sudah mendapat ketelitian sekitar 80%.

42

b) Tantangan pengembangan ekstraksi data LiDAR. Filtering data LIDAR di Indonesia

lebih menantang karena variasi bentukan di Indonesia (perbedaan rumah, perbedaan

objek dalam wilayah yang kecil).

c) Pengembangan otomasi ekstraksi dengan memanfaatkan berbagai software

pemrograman.

❖ List perusahaan yang berpengalaman dalam ekstraksi data LiDAR:

Nama Perusahaan Alamat Kontak

PT. MAP TIGA

INTERNASIONAL

Jl. Pejaten Barat II No. 20 Unit A

RT.003/ 008. Kel. Pejaten Barat, kec.

Pasar Minggu, Jak-Sel

Email: Info@ptm3i.com

(021) 71793137

1. PT. ASI

2. PUDJI GEOSURVEY

Operation:

Gedung Graha Sartika 2nd Floor No.

206 Jl. Dewi Sartika No. 357,

Cawang, Jakarta 13630;

Head office:

Jl. Ki Mangunsarkoro 21 Jakarta

10310

Website: www.geosurvey.co.id

Email: office@geosurvey.co.id

Telp: 021-3145182 / Fax: 021-

31935361

CP : Listiyo 081268601615

3. PT. Karvak Nusa

Geomatika

4.

Kompleks Ruko Cempaka Mas Blok

M1 No. 20-21 J1.

Letjend Suprapto Jakarta Pusat

Indonesia 10640

CP : Indra +6282121979716

PT. Waindo Specterra

Kompleks Perkantoran Pejaten Raya

#7-8

Jl. Pejaten Raya No.2 Jakarta Selatan

12510

CP :

Bu Lisa +62 813-1004-0469

+62 21 7986405

+62 21 5703246

PT. Surtech Prima

International

Satmarindo Building Jl.Ampera Raya

No.5 Jakarta 12079

Phone +62-21-78834813

Fax +62-21-78834913

Email :

mail@surtech-group.com

CP :

Pak Sidik Permana 081-290-

009032

DOKUMENTASI KEGIATAN

Notulis,

Aninda W. Rudiastuti

43

Minutes of Meeting

Agenda Pembahasan tahap akhir penelitian dan rencana publikasi

ilmiah

Hari, tanggal Selasa, 7 Agustus 2018

Waktu 09.00 s/d selesai

Tempat Ruang Rapat Bidang Penelitian, Gd. S Lt.1 - BIG

Pimpinan Rapat Nursugi, ST (Kepala Bidang Penelitian)

Peserta Sesuai lampiran daftar hadir

Diskusi:

1. Progres penelitian:

• Pengolahan data LiDAR Surabaya:

✓ Sampai pada pembentukan building model menggunakan Vectorize Building

✓ Sedang dikerjakan: mempelajari tools-tools editing manual seperti building

patches tool box dan building edges tool box

✓ Selama ini dilakukan menggunakan software Terrasolid milik PPRT

✓ Perlu masukan terkait metode dalam melakukan analisis

✓ Target akhir penelitian:

- Mendapatkan roof edges dari data LiDAR, kemudian dibandingkan dengan

data bangunan RBI

- Melakukan editing klasifikasi manual pada data LiDAR, kemudian

dibandingkan hasilnya dengan data hasil fully automatic

✓ Penelitian LiDAR ini juga menghasilkan output lain selain building extraction,

yaitu menghitung karbon

• Kategorisasi unsur: rekap hasil kuesioner khusus (dari PTRA) dan umum (dari

google form)

44

2. Untuk keperluan analisis building extraction bisa menggunakan intensity image

3. Masukan untuk penelitian kategorisasi:

✓ Kuesioner harus user friendly

✓ Pemilihan sampel responden harus representatif (responden yang tahu dan pernah

menggunakan peta RBI)

✓ Membandingkan komponen-komponen berikut:

- Akurasi (unsur di peta sama dengan kenyataan)

- Kemutakhiran (update)

- Kedetailan (skala)

- Kelengkapan (banyaknya unsur)

4. Rencana ke depan:

✓ Pengolahan data hingga akhir Agustus → target: mendapatkan building model

terbaik dari data LiDAR terklasifikasi secara otomatis

✓ Publikasi di ACRS 2018

✓ Diskusi teknis:

o PT Map Tiga Internasional

Kapasitas: salah satu personilnya sudah terbiasa menggunakan tools

building extraction meskipun hanya sekedar uji coba

o PT Karvak Nusa Geomatika

Kapasitas: Pelaksana project LiDAR Surabaya

o ITS dan ITB

Kapasitas: akademisi yang terlibat dalam project Surabaya

5. Rencana publikasi:

Automatic Building Model Extraction (Danang, Fahrul, Irwan)

• Progres: accepted di ACRS 2018

DTM Generation (Irwan, Rizka)

• Progres: accepted di ACRS 2018

Building Classification (Fahrul, Danang, Naries)

• Progres: Jurnal Geomatika 2019

Vegetation Classification (Irwan, Aninda, Intan, Ellen)

• Progres: Jurnal Globe 2019

Feature Categorization (Ellen, Fahrul, Intan)

• Progres: Indonesian Journal of Geography

45

DOKUMENTASI KEGIATAN

Notulis,

Danang Budi Susetyo

46

LAMPIRAN 3. NOTULENSI FGD 1 (MARET 2018)

Minutes of Meeting

Agenda FGD Penelitian Percepatan Pemetaan Skala Besar

Hari, tanggal Jumat, 9 Maret 2018

Waktu 08.00 s/d selesai

Tempat Ruang Meeting Emerald, The Sahira Bogor

Pimpinan Rapat Wiwin Ambarwulan

Peserta Sesuai lampiran daftar hadir

CATATAN HASIL FGD:

Pengarahan Kepala Pusat Penelitian, Promosi, dan Kerjasama

• BIG saat ini fokus pada penelitian untuk mendukung kegiatan/penyelenggaran IG di BIG

• FGD ini fokus untuk mendukung kegiatan penyelenggaran Informasi Geospasial Dasar

• Masukan dari para narasumber sangat diharapkan dalam mendukung pengembangan riset ini

• Perlu dibuat daftar penelitian yang telah dibuat oleh BIG selama ini agar dapat bermanfaat bagi pusat teknis BIG dan publik

• Sebagai informasi tambahan, saat ini BIG sedang mengushakan agar jurnal geomatika dapat terakreditasi tahun ini

Diskusi Sesi I

Danang Budi Susetyo

• Penelitian tahun ini terkait ekstrasi fitur otomatis, sudah dilakukan studi pustaka dan dipilih beberapa metode yang akan digunanakan

• FGD kali ini mengharapkan narasumber untuk memberikan masukan terkait metode yang akan digunakan

• Metode pertama dari Yong Li, Huayi Wu, Ru An , Hanwei Xu, Qisheng He, Jia Xu: An Improved Building Boundary Extraction Algorithm Based on Fusion of Optical Imagery and LiDAR Data

• Dalam metode ini, prosesnya filtering untuk menghasilkan building, dari pointcloud dihasilkkan building, pointcloud tepi bangunan

• Metode ini juga menggunakan Canny edge detector (metode lama dari tahun 1986)

• Selain itu dilakukan smoothing untuk menghilangkan noise • Digunakan perbedaan nilai gradien untuk mengindentifikasi edge dari

building

47

• Ditetapkan treshold atas dan bawah untuk menghilangkan nilai gradien yang lemah

• Dilakukan klasifikasi untuk mendapatkan poin bangunan, kemudian didapat bagian tepi bangunan, edge point dan periferal point

• Kombinasi objek yang dibentuk canny dan overlap antara edge dan per point didapat initial edge

• Dikoreksi lagi misal segmen satu-4, koreksi menggunakan LiDAR, apabila ada yang jauh, paling jauh sebesar spacing grid antar point diremove

• Pengujian sementara sudah dilakukan, untuk filtering, fokusnya memisahkan bangunan

• Direncanakan untuk menggunakan nilai intensitas LiDAR • Klasifikais dan filtering untuk memisahkan ground dan non ground dilihat

windownya apabila objek kurang dari window dia tdk akan diklasidikasi, apabila lebih dari sekian diklasifikasikan berbeda

• Untuk canny edge detection: hasilnya masih kasar perlu diujicobakan lagi terutama untuk nilai treshold, dimohon masukannya

• Pertanyaan: o Apakah metode validasi/uji akurasi geometri yang paling tepat? o Filtering menggunakan nilai intensitas LiDAR o Parameter yang tepat untuk processing Canny Edge Detection untuk

klasifikasi objek di foto udara

Dr. Ade Komara Mulyana (Kepala Bidang Pemetaan Rupabumi Skala Besar) :

• Building extraction sumber datanya berasal dari aerial photo and LiDAR Data • Sebagai informasi data LiDAR digunakan untuk pemetaan rupabumi indonesia,

banyak data LiDAR yang dapat untuk digunakan penelitian • Yang perlu diperhatikan terutama adalah data source-nya, apakah

menggunakan data LiDAR saja atau data foto atau keduanya • Menggunakan foto saja memungkinkan, apalagi menggunakan multiple image • Menggunakan Ortho foto memiliki kelebihian kontinuitas namun memiliki

kelemahan di segi posisi, karena foto yang dihasilkan foto pada level ground/tanah dan pada saat mengortorektifikasi menggunakan DTM, sehingga yang diyakini kebenarannya adalah yg ditanah, padahal LIDAR → point cloud

• Mengapa yang dihasilkan ground ortho karena DSM yang dimiliki tidak cukup rapat untuk menegakan building secara sempurna

• LiDAR → (+) presisi secara ketinggian , (-) jika data tidak rapat maka akan ada bangunan yang meliuk

• LiDAR memiliki ketelitian 3 dimensi yang tepat, LiDAR juga bisa mndeteksi building untuk memisahkan ground dengan non ground

• Photo+LIDAR → (+) presisi secara geometeri.

• Best Option?? BIG DATA → Groundorthopoto; 4 ppm Lidar data (relative kerapatannya rendah untuk pemodelan 3D)

• Apabila menggunakan foto dan LiDAR keduanya harus match, akan ada masalah di objek yang tinggi sehingga harus menggunakan true ortho photo

• Data yang dimiliki oleh BIG adalah data:

48

o Ground ortho photo o 4 ppm LiDAR data (4 titik per meter persegi) namun relatif kurang

untuk 3D modelling • Lebih baik menggunakan LiDAR data karena apabila menggunakan ground

ortho akan ada kesulitan • Tantangan selanjutnya adalah menghasilkan true ortho yang baik • Pernah dilakukan extratcted building planes from LiDAR data, compared with

ground ortho hoto (BIG Mandalika Project, 2016) • Perlu diperhatikan Level of detail mau mengekstrak bangunan sampai sedetil

apa, karena algoritmanya berbeda, untuk di BIG sepertinya cukup di LOD0 di skala 1:5.000

• Mengekstrasi ada 2 model yaitu Model driven vs data driven, apabila model driven model buildingnya sudah ada dimatchkan dengan data, untuk data driven: bentuk building mengikuti data yang ada

• Gedung di indonesia tidak beraturan sehingga lebih baik cocok menggunakan data driven, apabila sudah disepakatai tinggal mencari algortimanya

• Poin selanjutnya adalah vectorisasi walaupun 100% automatic extraction belum ada

• Beberapa algoritma mengekstrak area, beberapa garis • Tetap diperlukan intervensi operator untuk meluruskan garis a. Jangan mendeteksi edge tetapi medeteksi corner, karena Vektorisasi batas

(Edge detection) --> extraksi batas area umumnya belum lurus (masih

bergerigi)

• Poin terakhir dari sisi praktikalitasnya, ketika algoritma tidak terimplemetnasikan dalam software. Masih dalam coding atau mathlab itu belum practical

• Terkait kemampuan terrasolid, beberapa tahun terakhir pernah dilakukan dan cukup berhasil mengektrak building

• Jangan mengandalkan software yang sudah jadi, harus mampu menggunakan coding sendiri

• Sebagian menggunakan istilah feature or object extraction, apakah ada terminologi lain

• Data LiDAR point per meter square (ppm), kemampuan mendeteksi ketinggian • Terkait data LiDAR dapat didapatkan di BIG dengan bersurat • 3 paper tidak mengeksploitasi keunngulan geomatri

Wildan Firdaus, S.T., M.Eng.Sc (Pusat Pemetaan Rupabumi dan Toponim) :

• Vectorize Building → parameternya jarak dan sudut

• Untuk menentukan parameter yang tepat dalam ekstraksi building perlu iterasi dan pengulangan ujicoba

• Langkah-langkan membuat bangunan 3D: klasifikasi rutin → secara umum algoritma klasifikasi low point → by heigt from ground → ground → building

• Pernah dilakukan percobaan menggunakan data LiDAR pontianak untuk menghasilkan peta skala 1:2000

49

• Hasil menemukan parameter yang tepat seoptimal mungkin 80% terekstract sudah cukup

• Kesimpulan: o Perlu dilakukan pengecekan model bangunan, tidak bisa mengandalkan

software, perlu pengecekan lebih lanjut untuk validasinya o Data LIDAR sangat menentukan kualitas model bangunan. Semakin

besar ppm maka akan seakin baik dalam mendeskripsikan objek • Mencoba parameter yang pas untuk menghasilkan edge detection yang pas

Dr. Ing. Ir. Teguh Hariyanto, M.Sc. (Institut Teknologi Sepuluh Nopember) :

• Computer vision bisa mengekstrak dengan berbagai macam metode ekstraksi: edge, texture, disparity, color, region, motion, dll

• Jawaban pertanyaan pertama yaitu perlu uji akurasi yang paling tepat dengan meningkatkan ppm LIDAR

o Gunakan contoh data lalu dicarikan kesamaan datanya, dalam remote

sensing → menentukan class sample o Jika semakin lengkap class sample yang digunakan semakin lengkap,

maka diharapkan minimal 80% objek terklasifikasikan o Tidak perlu pemikiran bahwa harus 100% terdeteksi

• Dalam hal ini bagaimana metode ini bisa diterapkan pada bidang yang lebih khusus yaitu data pemetaan

• Uji akurasi geometri yang paling tepat, tergantung pada berapa ppm yang digunakan, mungkin 4 atau 8 ppm , bisa juga dilakukan pembanding ketika menggunakan 4 atau 8 ppm

• Semakin lengkap klas yang dipakai sebagai contoh maka akan didapat hasil yang mendekati kenyataan yang ada

• Untuk pertanyaan kedua: yang mau difilter itu kelas berapa? Filtering menggunakan intensitas LiDAR, bahwa yang mau dikelaskan pada intensitas berapa, tidak harus semuanya

• Awal harus filtering dahulu, misalnya media filter, high pass filter, low pass filter

Budhy Soeksmantono, S.T., M.T. (Institut Teknologi Bandung) :

• Pernah mencoba menggunakan data tahun 2013 • Mengkelaskan 3 jenis kelompok bangunan, ada data driven dan model drivel,

yaitu bangunan besar bentuknya sederhana, medium size lebih rapat, dan ketiga antar atap berhimpit

• Menggunakan terrasolid tidak ada masalah bentuknya dapat terbentuk dengan baik

• Yang bermasalah adalah yang rapat sekali mayoritas tidak sesuai dengan bentuknya

50

• Untuk pertanyaan pertama: dengan melakukan uji menggunakan 2 – 3 ppm, dengan beberapa sample, RMSnya masih > 0,5 m. Jika ingin sangat precise memang masih membutuhkan uji lapangan

• Untuk pertanyaan kedua: 3D building model dibagi filtering & klasifikasi → mengacu pada algortima tt → slopebased, morphological. → Data LIDAR only

• Yang kedua roof plannar segmen detection, bagaimana atapnya, ada metodenya LANSAC yang populer digunakan

• Line edge detection, lebih realistis karena data garis cukup banyak, datanya cukup rapat sehingga bentuknya akan semakin bagus

• Perlu diingat karakteristik bangunan di luar negri dengan indonesia cukup berbeda, di luar negeri sudah ada beberapa tipe model bangunan

• Untuk Indonesia agak susah memodelkan bangunan dikarenakan kondisi lapangannya.

• Perlu diperhatikan juga tujuannya mau mengidentifikasi di 2 dimensi atau 3 dimensi

• Bisa menggunakan data raster • Namun untuk menghilangkan garis meliuk → poin jadi line → jadi wireframe

untuk membantu objek detection di orthophoto sehingga batas jadi lurus.. Rege2 terjadi karena pixel stretching karena perbedaan ketinggian dijarak yang pendek.

• LOD atau akurasi mau dilihat yang mana • Filtering untuk intensity memungkinkan namun panjang spectral reflectan

akan membedakan satu objek dengan objek lain terutama untuk daerah tropis banyak pohon akan tidak tegas

• Ppm sangat menentukan semakin rapat maka semakin baik, dalam metoda apapun, minimal 7 ppm (luar negeri), jadi sebaik nya lebih besar ppm yang digunakan (apalagi Indonesia).

• Ada beberapa review terkait 3D model rendering bisa dijadikan studi literatur, dibahas kelebihan dan kekurangan masing-masing

• Resolusi ketinggian dari 3D building berapa? o Tergantung dari ppm yang digunakan, namun hasil saat ini sekitar 2m. o Terasolid → ada data free untuk trial namun lokasi diluar negeri

o Akurasi LIDAR → ppm (poin per square meter)

Dr. M. Ivan Fanany (Universitas Indonesia) :

• UI pernah bekerjasama dengan Bank Indonesia melakukan kajian potensi pemanfaatan data geospasial menggunakan teknologi remote sensing

• Hal ini merupakan permintaan dewan gubernur untuk bisa melihat tingkat pertumbuhan infrastruktur di indonesia

• Salah satunya menggunakan LiDAR, dari USGS, namun resolusi ketinggian 60 meter, ada yang berbayar dari Kanada dan data airboune

• Karena sulitnya memperoleh data, sehingga waktu itu menggunakan gabungan data google earth, google maps, osm, peta bpn, dan provider lainnya, dimerged dalam satu sistem Big data platform, dibangun machine learning berdasarkan data-data tersebut

51

• Berdasarkan itu bisa juga melihat beberapa indikator ekonomi • Masukan dari segi image resolusi spasial, spektral, frekuensi update • Contoh kajian di katamaran indah, tahun 2003 pembangunan property belum

ada sedangkan 2017 sudah banyak, dari sini dapat dilihat perkembangan berapa persen yang terbangun

• Jenis tutupan lahan yang digunakan 9 kelas: Air, Beton, gedung, RUmput, Tanah, Perumahan, Industri,Jalan,Pohon

• Permodelan 2 dimensi, menggunakan geospasial analytic → remote sensing → image classification →

• Untuk anotasi akurat menggunakan data BPN, anotasi dapat dilakukan secara otomatis dari data tersebut

• Kemudian menggunakan deep learning → DeepSAT model (menggunakan national agriculture imagery program US goverment)→ data preparation (google earth) → evaluation → analytics

• Hasilnya bisa memprediksi tutupan lahan per pixel menggunakan deep learning, bisa dilihat perubahan progress bangunan per tahun dan dilihat perubahan persentase tutupan lahannya

• Apabila bekerja dengan citra banyak perbedaan, sehingga hasilnya juga beda, sehingga dikembangkan metode sendiri menggunakan histogram matching

• Sejauh ini melihat pertumbuhan properti secara horizontal, belum bisa 3 dimensi menggunakan LiDAR

• Kita sudah punya cara normalisasi menghilangkan awan secara otomatis • Remote sensing saat ini banyak menggunakan machine learning, contohnya

dalam menghilangkan awan

Dr. Ade Komara Mulyana (Kepala Bidang Pemetaan Rupabumi Skala Besar) :

• Metode dievaluasi, perlu ada data pembanding, mau 2 dimensi atau 3 dimensi • Kalau 2 dimensi diperlukan jumlah luas bangunan di sebuah lokasi • Kalau 3d perlu ditambah tinggi, total heights di zona itu

Dr. Harintaka, ST., MT. (Universitas Gadjah Mada) :

• Metodenya Li dapat digunakan dalam konteks kondisi ideal, point cloud sudah akurat, LIDAR match dengan orthophoto

• Selain itu, foto udaranya harus sudah true ortho, area juga homogen dan tidak begitu luas

• Perlu dibandingkan kondisi indonesia dengan data yang biasanya • Terdapat proses terpisah antara LIDAR dan Photo nya

• Dua pendekatan yang dilakukan memproses di LiDARnya sendiri kemudian di fotonya

• Di LiDAR memisahkan ground dengan building kemudian pointcloud di dinding dieliminasi, kemudian yang atap

• Dari foto udara, didetect kemudian dimatchingkan agar fitur bangunannya terekstrak

52

• Metode ini belum full automatic • Kondisi data BIG di Indonesia, masih banyak ditemukan problem akurasi point

cloud dengan photo belum match, selain iu Orthonya adalah ground yang ada • Apabila standar RBI geodatabase diturunkan banyak sekali, apakah akan

dibatasi untuk tema building saja • Untuk membawa kondisi data yang ada, masih banyak langkah yang harus

dilakukan • Pertannyaan nomor satu bisa dilakukan interactive validasi dengan hasil

deliniasi (on screen digitation) atau stereoploting interactive

Sofan Prihadi, S.T. (APSPIG) :

• Untuk menjawab pertanyaan nomor 2, contohnya intensitas LiDAR di surabaya

• Gunakan untuk mengecek stereoploting, untuk yang intensitasnya bergerser akan dicek kembali oleh operator

• Di surabaya ppm nya sudah cukup baik yaitu 8-12 ppm, beberapa overlap mencapai 16 ppm

• Ada alat disurabaya yang bisa menghasilkan hingga 30 PPM.

• Di kota terpadat, ada sampai 12 juta bangunan • Data 2 dimensi diambil dari intesive image • Titik ketinggian mencoba algoritma, dari sejumlah titik yang ada di poligon,

diambil yang terendah, asumsinya atap, cukup tepat kecuali ada gangguan pohon dsb

Drs. Projo Danoedoro, M.Sc., Ph.D. (Universitas Gadjah Mada) :

• Berdasarkan apa yang didiskusikan, perlu pemaknaan isi • Untuk klasifikasi objek sampai ke edge detection belum memadai, masih ada

gap yang perlu diisi • Banyak persoalan terkait kualitas data spasial, kualitas geometrik, data

dimodelkan adal persoalan tidak mutually exclusif • masalah geometri sangat penting agar bisa melangkah lebih jauh

Diskusi Sesi II :

Fahrul Hidayat :

• Metode Deep Convolution Neural Network Marmanis et al ini merupakan bagian dari ISPRS tahun 2018

• ISPRS khususnya Commission III – Photogrammetric Computer Vision and Image Analysis pada 2013 menyelenggarakan “ISPRS Test Project on Urban

Classification and 3D Building Reconstruction” (Rottensteiner, 2013)

53

• sampel data yang digunakan ada 2, disortir berdasarkan nilai akurasi tertinggi, tertingginya ada di 96,5% akurasi

• Metode yang dilakukan: o Data (2D Semantic Labeling - Vaihingen data o Inti Model

▪ Building Blocks of Model

• HED·H boundary-detection network developoing from

HED by Xie and Tu (2015); Kokkinos (2016) source: Marmanis et al., 2018

• SEG·ּH encoder-decoder network developing from SegNet

by Badrianarayanan et al. (2017) source: Marmanis et al., 2018

• FCN·H semantic segmentation network developing from

FCN by Long et al. (2015) source: Marmanis et al., 2018 ▪ Integrated class boundary detection and segmentation ▪ Ensemble learning ▪ Result

• Dari tahun 2010 -2015 yang dikembangkan adalah machine learning dan deep learning

• marmanis menggunakan metode deep learning di mana data digunakan agar mesin dapat mempelajari dan menguji data

• metode ini dikembangkan dari beberapa model yang sudah ada, pemngembangan dari edge detection

• kekurangan metode ini adalah membutuhkan komputer yang mumpuni dengan GPU hardware untuk mengakselerasikan proses serta memerlukan banyak training and test data

Dr. Ing. Ir. Teguh Hariyanto, M.Sc. (Institut Teknologi Sepuluh Nopember) :

• Model marmanis ini sudah banyak dilakukan di tahun 1990 • Ada beberapa ketentuan, misalnya membagi area menjadi 3 bagian yaitu

urban, semi urban dan rural • Training area yang dibutuhkan berbeda2 tergantung kompleksitas dan detil

yang akan dipetakan

• Pada saat itu, belum dapat didefinisikan berapa PPM data yang digunakan

• Kedua mengenai keseragaman radiometriknya, apabila untuk level eropa dengan cuaca yang sama tingkat penyinarannya cukup baik hasilny akan lebih baik

• Berbeda dengan data dari Indonesia yang pada saat dibawa dengan perbedaan 15 menit sangat menunjukkan perbedaan sehingga membutuhkan filtering.

• Perlu dicari filter yang dapat menyamakan • Harus dicari training sampel yang seteliti mungkin • Pemetaan itu minimal kesalahan adalah 10%, Jika 90% terinterpretasi dengan

baik maka sudah baik.

54

• Komputer yang dibutuhkan untuk metode Marmanis harus komputer canggih, namun karena Indonesia banyak semi urban dan rural, mungkin dengan

computer biasa bisa dilakukan.

Dr. M. Ivan Fanany (Universitas Indonesia) :

• Perlu ditentukan tujuan, perlu 2D atau 3D • Terkait fasilitas untuk di fasilkom ui telah dibangun 7 server yang dibuat

cluster dan bisa dibuat kerja bersama • Untuk bisa mengolah data ini, bisa menggunakan laptop 980, bisa juga

menggunakan desktop • Tekniknya dengan dikecilkan mini bytes • Contoh data sekarang computer vision, sekali load ke gpu memakan hampir 4

gb • Menggunakan matlab untuk deeplearning sudah cukup banyak, namun belum

bisa untuk cluster dan cukup berat • Caffe dan Pytorch sudah bisa untuk deep learning

Drs. Projo Danoedoro, M.Sc., Ph.D. (Universitas Gadjah Mada) :

• Paper- paper yang dirujuk kebanyakan paper luar dimana memunculkan karakteristik yang beda dengan Indonesia. Contoh pohon diluar tidak ada atau jarang yang menaungi rumah, namun di Indonesia hal tersebut tidak terhindarkan.

• Konsistensi radiometrik antar scene berbeda juga menjadi masalah yakni kekacauan identifikasi boundary.

• Akan lebih baik, penelitian ini bersifat ujicoba terhadap scene berbeda.

• Efek bayangan sangat mengganggu.

• Coba dilihat contoh-contoh citra yang ada di sini, • Di negara maju jarak antar bangunan cukup jauh sehingga indiveidual building

dapat diidentifikasi • Selain itu pohon tidak menaungi bangunan • Metode Marmanis ini teruji di negara maju, namun untuk negara berkembang

perlu diuji lebih lanjut • Kelemahan kendala multi scene, konsistensi radiometriknya sulit sehingga

harus dikalibrasi • akan lebih baik diuji coba dan fokus pada area yang bertampalan dan

perekaman yang berbeda-beda • untuk penyinaran terdapat gangguan dari bayangan

Dr. Ade Komara Mulyana (Kepala Bidang Pemetaan Rupabumi Skala Besar) :

• Dengan metode yang Convolution neural network (CNN), kebanyakan menggunakan deep learning

55

Diskusi Sesi III :

M. Irwan Hariyono

• Metode selanjutnya dari Mohammad Awrangjeb, et al terkait Automatic extraction of building roof plane from lidar point cloud data using data driven approach

• Data mentah LiDAR, foto udara, & point plot ditampilkan sebagai point berketinggian (titik tertinggi objek). Kemudian dilakukan clustering/klasifikasi berdasarkan coplanarity of points. Setelah itu dilakukan identifikasi masing2 objek bangunan, dengan menghilangkan objek tumbuhan kecil. Hingga dihasilkan point-point yang membentuk objek bangunan.

• Metode ini dipisahkan antara ground dan non ground • Awrangjeb menyediakan software yang bisa kita gunakan • Pada proses Extraction, akan dilakukan pendekatan refinement of planar

segments pada hasil detection, hingga hanya objek dengan poligon bersegi yang dihasilkan (poligon pohon yang acak akan hilang).

Dr. M. Ivan Fanany (Universitas Indonesia) :

• Dilihat clusternya apa, top down atau bottom up, yang akan menentukan clusternya

• Kelemahannya bagaimana membedakan atap dengan pohon • Proses pembedaan objek memang harusnya semi automatis karena tidak bisa

mengandalkan hasil software, tetap ada peran manusia untuk menghasilkan data yang baik

• Dulu pernah Toyota diminta membuat recognition, punya kecepatan akuisisi 100ribu titik/second, bisa melakukan recognition mana itu jalan, pedestrian atau sepeda, dsb

• Ada open source Point cloud library, dari sini bisa dimanfaatkan dan sepetinya aplicable untuk data LiDAR

• Dari segmentation bisa gunakan machine learning, vectorize, 3D point kemudian classification

• Pada tahun 2019 toyota akan membuat teknologi driverless car yang dapat mendeteksi dalam 200milisecond

Sofan Prihadi, S.T. (APSPIG) :

• Untuk membedakan atap dengan pohon bisa dilihat dari pendekatannya morfologicalnya, dilihat dari x dan y nya

• Di Surabaya dilihat dengan stereoplotting masih membingungkan karena sangat menumpuk, padahal ppmnya sudah cukup tinggi

• Minimal gunakan 12 ppm LIDAR

• Saat ini sudah ada perusahaan yang punya alat yg mampu menghasilkan 25-30 ppm

56

Budhy Soeksmantono, S.T., M.T. (Institut Teknologi Bandung) :

• Klasifikasi berdasarkan ketinggian, dan bentuknya • Untuk membedakan atap dengan pohon dari software membuat Asumsi mana

yang plain berdasarkan surface, kalau pohon bentuknya tidak beraturan dan dia berlapis

• Untuk metode ini, cocok untuk kasus yang lebih spesifik • Hasil literatur review perlu dicoba dan dipilih yang hasilnya paling bagus • Usulan: setelah direview coba diimplemetasi, benchmarkingnya coba

menggunakan terrasolid datanya sudah cukup baik • Gunakan contoh paper dengan kasus lebih spesifik, dengan data yang lebih

heterogen

• Dari cara otomatis, semi otomatis, dan manual mana lebih baik ?

Prof. Fahmi Amhar :

• Salah stau cara mengecek algoritma dari suatu metode adalah dengan mengcreate data terlebih dahulu, untuk melihat apakah cocok atau tidak, karena apabila data nyata terlalu banyak

• Automatic image, sensitif pada inakurasi, di indonesia agak lebar • Tindak lanjut dari FGD ini data akan coba dirunning

Dr. Ing. Ir. Teguh Hariyanto, M.Sc. (Institut Teknologi Sepuluh Nopember) :

• Metode ini masih semi automatis, masih harus mengandalkan peran operator untuk merapihkan

• Contoh yang bagus adalah, dengan data yang penuh (diseluruh sisi orthophoto) terseleksi seluruh objek

• Untuk skala besar akan terjadi satu objek ditutupi objek lainnya, apalagi foto udara sangat dipengaruhi posisi matahari

• Bisa membuktikan bahwa sampai kepadatan apapun ini masih bisa baru kemudian dicari contoh yang heterogen, seperti vegetasi dsb

• Data real yang ada di BIG seperti apa, kecepatannya seperti apa, • Semi analitis sudah cukup baik, bisa mempercepat proses orientasi relatif dan

absolut • Apabila BIG sudah punya sofware, apakah tidak dilengkapi extension untuk

memasukan perintah untuk model yang ada • Untuk penelitian ini perlu roadmap, kualifikasi jangka pendek, menengah dan

panjang, • Jangka pendek apa saja yang harus dilakukan

Dr. Harintaka, ST., MT. (Universitas Gadjah Mada) :

• Berdasarkan 3 metode yang dapat disimpulkan antara lain:

57

o Metode Li akan optimum untuk data LiDAR dan ortho photo o Metode Marmanis akan cocok untuk data foto udara o Metode Awrangjeb paling fit menggunakan data LiDAR o Utk no.3 → tidak bisa memproses data besar o Utk no.1 → complicated karena mengandalkan kualitas data LIDAR,

terutama pada membentuk geometriknya. Lee oke untuk yang teratur namun perlu dicoba untuk data BIG (Indonesia)

• Dari segmentasi bisa gunakan machine learning, vectorize, 3D point classification

• Sekarang tinggal diarahkan dengan case yang paling banyak ditemui • Yang lebih dapat diandalkan sepetinya yang pertama • Yang nomor dua problemnya area harusnya objeknya terpisah, dan tidak

memproses data yg banyak, case studinya kecil • Arah penelitian ini apakah langsung practical (bisa diimplementasikan di pprt)

atau hanya untuk ekstrasi fitur tertentu saja • Karena apabila melihat data yang ada di BIG akan sangat kompleks

Drs. Projo Danoedoro, M.Sc., Ph.D. (Universitas Gadjah Mada) :

• Kekurangan metode ini sepertinya tidak bisa mendeteksi bayangan dari bangunan. Terdapat bangunan kecil yang sebagian tertutup oleh bayangan hanya terdeteksi sebagian, tidak utuh

Budhy Soeksmantono, S.T., M.T. (Institut Teknologi Bandung) :

• Usul : benchmarking pakai software TeraSolid; Ikuti trainingnya dan nanti bisa dapat lisensi dan data.

Dr. Ade Komara Mulyana (Kepala Bidang Pemetaan Rupabumi Skala Besar) :

• Untuk tahap awal yang paling mudah → building • Jika bisa menghasilkan polygon yang baik dan benar secara geometris dan

tidak bergerigi → sudah sangat baik • Coba benchmarking dengan terasolid → mana yang lebih baik (sesuai arahan

Pak Harintaka)

58

Notulis,

Ellen Suryanegara Aninda Rudiastuti

Dokumentasi Kegiatan

59

LAMPIRAN 4. LAPORAN OVERVIEW TERRASOLID

LAPORAN PERJALANAN DINAS No. Surat Tugas : 11.4/PPKS/LT.02/4/2018

Tanggal Surat : 11 April 2018

Pelaksanaan : 17-18 April 2018

Tempat : PT Waindo SpecTerra (Jakarta)

Tujuan : Melaksanakan Koordinasi dan Diskusi Teknis Terkait Pengolahan

Data LiDAR untuk Kegiatan Penelitian Percepatan Pemetaan Skala

Besar

HASIL

1. Kegiatan ini bertujuan untuk meningkatkan kapasitas peneliti terkait

kemampuan mengolah data LiDAR, khususnya untuk deteksi bangunan

(building detection). Sesuai dengan arahan dari para narasumber dalam FGD

tanggal 9 Maret 2018, software Terrasolid disarankan untuk digunakan sebagai

acuan karena sudah terbukti paling baik dalam pengolahan data LiDAR.

2. Materi pertama yang didiskusikan adalah modul TerraMatch. TerraMatch

digunakan untuk mengukur perbedaan antar laser surfaces pada wilayah

overlap atau perbedaan antara laser surfaces dengan titik yang diketahui. Titik-

titik tersebut kemudian dilakukan adjustment ke nilai yang terkoreksi pada

suatu sistem orientasi.

3. Materi selanjutnya adalah klasifikasi secara otomatis menggunakan modul

TerraScan. Prinsip dari proses ini adalah menentukan parameter-paramater

yang ditentukan dalam macro.

60

4. Selanjutnya didiskusikan pula klasifikasi secara manual. Prinsip dari metode ini

adalah dengan melakukan editing secara otomatis dengan acuan foto udara

dan model elevasi yang dibentuk, sehingga klasifikasi sesuai dengan referensi

yang digunakan.

5. Terakhir, didiskusikan materi yang paling dibutuhkan dari peneliti, yaitu

klasifikasi bangunan dan vegetasi secara otomatis. Prinsip dari proses ini

adalah dengan menggunakan acuan ketinggian (height).

Dokumentasi kegiatan:

Demikian laporan kami sampaikan, terima kasih atas kesempatan yang telah

diberikan.

Pembuat Laporan,

Danang Budi Susetyo

NIP. 199004232014021001

…………………..

61

LAMPIRAN 5. LAPORAN WORKSHOP PENGOLAHAN LIDAR

LAPORAN PELAKSANAAN KEGIATAN WORKSHOP PENGOLAHAN DATA LIDAR

No. Surat Tugas : 27.2/PPKS/LT.03/04/2018

Tanggal Surat : 27 April 2018

Pelaksanaan : 30 April-4 Mei 2018

Tempat : The Sahira Hotel, Bogor

Latar Belakang

Bidang Penelitian Badan Informasi Geospasial pada tahun 2018 mempunyai

program kegiatan penelitian percepatan pemetaan skala besar. Fokus dari

penelitian ini adalah ekstraksi fitur bangunan secara otomatis menggunakan

kombinasi data LiDAR dan foto udara. Untuk mencapai tujuan penelitian tersebut,

pemanfaatan data LiDAR yang perlu ditekankan adalah klasifikasi point cloud

untuk mendeteksi bangunan (building detection). Oleh karena itu, kegiatan

workshop yang di dalamnya mendiskusikan klasifikasi data LiDAR dirasa perlu

dilakukan untuk menunjang penelitian ini.

Cakupan workshop meliputi konsep/teori dan praktek. Narasumber yang

diundang untuk memberikan materi terkait konsep/teori adalah akademisi, dengan

materi yang diusulkan adalah fotogrametri dan LiDAR secara umum. Sedangkan

terkait praktek, narasumber yang diundang adalah praktisi dan profesional yang

sudah mempunyai pengalaman di bidang akuisisi dan pengolahan data LiDAR.

Tujuan Workshop

Tujuan dari pelaksanaan workshop adalah untuk peningkatan kapasitas peneliti

terkait pengolahan data LiDAR. Output dari kegiatan ini diharapkan peneliti dapat

melakukan klasifikasi bangunan dari data LiDAR serta pembentukan DTM (Digital

Terrain Model), sesuai dengan target yang ditentukan dari penelitian percepatan

pemetaan skala besar.

Narasumber

Narasumber yang akan diundang dalam workshop adalah:

1. Dr. Harintaka, S.T., M.T. (Universitas Gadjah Mada)

2. Dr. Budhy Soeksmantono, S.T., M.T. (Institut Teknologi Bandung)

3. Praktisi dan profesional di bidang pengolahan data LiDAR

Waktu dan Tempat

Workshop diselenggarakan selama empat hari pada tanggal 30 April-4 Juni 2018

(kecuali 1 Mei karena hari libur) di The Sahira Hotel, Bogor, Jawa Barat.

62

Materi

1. TEORI DAN KONSEP FOTOGRAMETRI

Narasumber: Dr. Harintaka, S.T., M.T.

Waktu: 30 April 2018, pukul 08.00-16.00

Sesi ini bertujuan untuk meningkatkan pemahaman para peneliti yang

terlibat di penelitian percepatan pemetaan skala besar terkait konsep

fotogrametri secara umum. Meski data utama yang digunakan dalam penelitian

ini adalah data LiDAR, materi tentang fotogrametri dirasa perlu karena

merupakan dasar dari segala metode akuisisi data spasial yang menggunakan

teknik penginderaan jauh, seperti airborne laser scanning, terrestrial laser

scanning, hingga UAV.

Materi yang disampaikan oleh narasumber secara garis besar adalah

sebagai berikut:

• Konsep, sensor, dan model matematik pada teknologi fotogrametri

• Prosedur umum pemrosesan foto udara

• Perencanaan dan pemotretan foto udara

• Triangulasi udara dan direct georeferencing

• Ekstraksi data dari foto udara

• Pembentukan DSM/DEM dari foto udara

• Konsep dan pembuatan ortofoto

• Fotogrametri menggunakan wahana UAV

63

2. TEORI DAN KONSEP LIDAR

Narasumber: Dr. Budhy Soeksmantono, S.T., M.T.

Waktu: 2 Mei 2018, pukul 08.00-16.00

Sesi ini fokus pada konsep data LiDAR, sekaligus overview praktek

menggunakan software pengolahan data LiDAR. Melalui sesi ini, diharapkan

peneliti semakin memahami konsep akuisisi data LiDAR sekaligus

pengolahaannya untuk kemudian menjadi data yang siap digunakan untuk

pemetaan.

Materi yang disampaikan oleh narasumber secara garis besar adalah

sebagai berikut:

• Sejarah LiDAR

• Komponen dasar LiDAR

• Mekanisme scanning

• Interaksi dengan target

• Sumber error

• Alur pengolahan data LiDAR

• Georeferencing

• Filtering

• Quality check

• Klasifikasi vegetasi

• Ekstraksi bangunan

• LiDAR vs Fotogrametri

Seperti disebutkan pada paragraf sebelumnya, pada sesi ini juga diberikan

sesi overview praktek menggunakan software pengolahan data LiDAR. Sesi

praktek ini fokus pada ekstraksi model bangunan (building model extraction)

secara otomatis. Materi ini sangat bermanfaat bagi peneliti, karena

64

memberikan gambaran mengenai otomasi yang dapat dilakukan menggunakan

software pengolahan LiDAR yang sudah ada.

3. PRAKTEK PENGOLAHAN DATA LIDAR

Narasumber: Praktisi dan profesional di bidang pengolahan data LiDAR

Waktu: 3-4 Mei 2018, pukul 08.00-16.00

Setelah dua sesi sebelumnya lebih fokus kepada materi, sesi ini fokus pada

aspek praktis. Untuk itu, narasumber yang dipilih adalah praktisi dan

profesional yang sudah terbiasa dalam pengolahan data LiDAR. Tujuan dari

sesi ini adalah peneliti lebih memahami teknik pengolahan data LiDAR secara

langsung, sehingga peneliti dapat melakukan pengolahan data LiDAR untuk

mendukung kegiatan penelitian percepatan pemetaan skala besar.

Sesi ini fokus pada dua hal, yaitu klasifikasi dan filtering point cloud LiDAR

untuk pembentukan DTM serta ekstraksi model bangunan secara otomatis.

Khusus untuk ekstraksi model bangunan secara otomatis, untuk sesi ini

dijelaskan dengan lebih mendetail dibandingkan pada sesi pada hari

sebelumnya. Sesi praktek ini dilaksanakan selama dua hari, dimana pada hari

pertama fokus pada dasar-dasar pengolahan data LiDAR secara umum seperti

klasifikasi otomatis dan manual, sedangkan hari kedua fokus pada

pembentukan DTM dan ekstraksi model bangunan secara otomatis.

65

Demikian laporan kami sampaikan, terima kasih atas kesempatan yang telah

diberikan.

Pembuat Laporan,

Danang Budi Susetyo

NIP. 199004232014021001

…………………..

66

LAMPIRAN 6. LAPORAN KUNJUNGAN KE PERUSAHAAN PEMETAAN

Nomor Surat Tugas : 28.1/PPKS/LT.03/5/2018

Personil yang ditugaskan : 1. M. Irwan Hariyono

2. Lalitya Narieswari

3. Aninda W. Rudiastuti,

4. Ellen Suryanegara

5. Rizka Windiastuti

6. Danang Budi Susetyo

7. Fahrul Hidayat

8. lntan Pujawati

Tujuan : Jakarta

Maksud Perjalanan Dinas : Melaksanakan studi banding dalam rangka penelitian

percepatan pemetaan skala besar dengan

menggunakan data LiDAR

Tanggal Dinas : 30-31 Mei 2018

Transportasi : Angkutan Darat

RINGKASAN KEGIATAN

Studi banding dalam mendukung penelitian percepatan pemetaan skala

besar dilakukan di perusahaan-perusahaan pengguna dan pengolah data LiDAR,

diantaranya adalah PT. Asi Pudjiastuti Geosurvey, Map Tiga Internasional, dan PT

Surtech Internasional.

Hasil pertemuan dengan beberapa staf dari PT. Asi Pudjiastuti Geosurvey:

- Pemaparan oleh M. irwan Hariyono terkait latar belakang penelitian dan

metode dan langkah- langkah yang telah dilaksanakan.

- Pemaparan parameter yang digunakan dalam prosesing LiDAR dengan

terrasolid mengacu pada Rizaldy dan Mayasari (2016). Bagaimanakah

dengan parameter yang diterapkan di PT. APG?

- Parameter Macro → Ground Classification. Hasil dari training dengan PT.

Waindo, untuk nilai yang diinput dalam parameter macro belum bisa

dipastikan ketentuannya, karena masih hasil uji coba.

- PT. APG dulu pernah melakukan klasifikasi bangunan, namun semua

disesuaikan dengan kebutuhan, dikarenakan selama ini hanya sebatas

pemisahan ground dan non-ground.

- Tujuan dari pertemuan ini sharing tentang:

67

a) Apakah PT. APG pernah melakukan vectorisasi data lidar untuk

pemetaan skala besar?

b) Pengalaman PT. APG pernah melakukan ekstraksi data LiDAR untuk

menghasilkan informasi spasial terkait bangunan

c) Bagaimana control kualitas untuk hasil filtering LiDAR yang biasa

digunakan oleh PT. APG?

- Di KAK BIG masih menyebutkan spesifikasi hasil stereokompilasi 3D, jadi

hasil vektorisasi 2D akan ditolak, beda dengan swasta dimana hasil yang

dibutuhkan dalam format 2D. Lebih lanjut, kebutuhan klien (termasuk BIG)

dalam penyediaan data LiDAR masih dalam tahap pemisahan ground dan

non ground.

- Untuk vectorize 3D, PT. APG menggunakan cara manual, dikarenakan

waktu yang dibutuhkan untuk editing lebih banyak jika melakukan ekstraksi

secara otomatis daripada secara manual.

- Jika yang dikejar kecepatan maka metode ekstraksi otomatis (dengan

terrasolid/eCognition/LiDAR Analyst/ HX Map ~ LEICA) dapat digunakan,

namun untuk ketelitian tidak disarankan

- PT. APG pada awalnya pernah mencoba menggunakan metode otomasi

ekstraksi, namun dikarenakan hasilnya belum memenuhi kriteria maka tidak

dilanjutkan/ tidak diulik penggunaannya. Terlebih hasil otomasi masih

dalam format 2D belum 3D

- Disarankan mencoba LiDAR Analyst dan HX MAP

- Pemanfaatan eCognition juga belum optimal dikarenakan banyaknya

model/rules yang disusun.

- eCognition → data yang digunakan LiDAR dan foto RGBN. PT. APG

pernah menggunakan eCognition untuk pemetaan sawit dan pemetaan

penggunaan lahan.

- Probabilitas metode otomasi ekstraksi LiDAR → jika permintaan pemberi

kerja masih 3D maka akan susah dilaksanakan, kecuali jika diminta

menghasilkan 2D. Pun menghasilkan dengan 2D, masih secara manual.

Untuk hasil otomasi ekstraksi LiDAR pun sangat bergantung pada variasi

area (homogen atau heterogen) → mempengaruhi waktu editing

68

- LiDAR untuk hipsografi (kontur, DEM, dll), hidrografi, dan CHM (Canopy

Height Model) untuk pemetaan jenis vegetasi/ jenis hutan

- Klasifikasi sudah dilakukan otomatis (70%) namun tetap difinalisasi oleh

operator (manual).

- Kesulitan yang dihadapi PT. APG, pemisahan rumput dan alang- alang di

area rawa, sehingga membutuhkan cek lapangan.

- Ranah pekerjaan PT. APG selama ini masih di wilayah darat saja.

- eCognition tidak lagi diexplore penggunaannya oleh PT. APG karena dalam

penerapannya memerlukan banyak template, variasi rules dan lainnya.

- Saran:

a) Penelitian Budi Suksmantyo → 3D Smart city dapat meningkatkan

pendapatan PBB

b) Alternative ujicoba software untuk ekstraksi building: dengan ArcGIS

menggunakan tools Regularize Building Footprint

Dokumentasi di PT. Asi Pudjiastuti Geosurvey

Hasil pertemuan dengan beberapa staf di Map Tiga Internasional:

- Software auto feature extraction

- Harus menggunakan data LiDAR yang memiliki kerapatan titiknya

- Sekarang sistem LiDAR berkembang (eliptical/circular swap) bisa menyapu

data di depan, belakang dan di sudut bangunan

- Direkomendasikan oleh PPRT untuk Studi Banding ke Perusahaan

berpengalaman di bidang LiDAR

- Tujuan studi banding dimaksudkan untuk mendapatkan pengalaman

pengolahan data LiDAR

69

- Telah dilakukan beberapa kegiatan terkait dengan penelitian yaitu FGD,

Pelatihan dan Workshop

- Harus ada manual editing dalam proses building extraction (50% manual,

50% otomatis)

- Spesifikasi data LiDAR akan mempengaruhi hasil

- Menurut pengalaman: proses pekerjaan seperti tender, cek kelengkapan,

administrasi dll memakan waktu hingga 50% dari keseluruhan pekerjaan

- Saat ini PT Map Tiga Internasional masih menggunakan Terrasolid

- Dalam SKKNI, belum ada sertifikasi khusus tenaga LiDAR karena masih

dicampur dalam Fotogrametri

- Harusnya ada workshop (minimal sekali dalam satu tahun) seluruh

perusahaan dengan BIG untuk membahas perkembangan teknologi

pemetaan terkini

- Saat ini PT Map Tiga Internasional telah mencoba LiDAR batimetri

kerjasama dengan PU (irigasi dan laut di Kebumen).

- Ada 15 operator LiDAR

Dokumentasi di Map Tiga Internasional

Hasil pertemuan dengan beberapa staf di PT Surtech Internasional:

- PT Surtech mengalami kesulitan Integrasi LiDAR dengan Fotogrametri

karena ada perbedaan trajectory antara AT (Fotogrametri) dengan LiDAR

- FME (Feature Manipulation Engine) salah satu software yang digunakan

oleh salah satu operator senior di PT Surtech

- Tersedia 20 point/meter2 di wilayah Samarinda dengan horizontal swap

70

- DSM, DTM dan Orthophoto menjadi output yang sering diminta oleh Client,

jarang yang minta data vektor

- Untuk klasifikasi ground dan non ground masih menggunakan Terrasolid

Dokumentasi di PT Surtech Internasional

71

LAMPIRAN 7. NOTULENSI FGD 2 (OKTOBER 2018)

Minutes of Meeting

Agenda Koordinasi dan FGD Penelitian Percepatan Pemetaan Skala Besar

Hari, tanggal Selasa, 9 Oktober 2018

Waktu 09.00 s/d selesai

Tempat Institut Teknologi Sepuluh Nopember (ITS), Surabaya

Tujuan FGD: 1. Menyampaikan progres kegiatan ekstraksi fitur bangunan berdasarkan data LiDAR kota

Surabaya, sebagai kegiatan penelitian percepatan pemetaan skala besar. 2. Berharap mendapat masukan dari para narasumber, khususnya terkait parameter yang ideal

untuk pengolahan data LiDAR menggunakan sorfware Terrasolid.

Masukan dari narasumber:

Pak Khomsin: • Sangat disayangkan bahwa proyek pemetaan skala besar di Kota Surabaya, yang termasuk di

dalamnya melakukan akuisisi foto udara dan LiDAR, pada praktiknya data LiDAR hanya

digunakan untuk membuat kontur/DTM saja. Apa yang telah dilakukan pada riset ini sudah berhasil melakukan ekstraksi unsur bangunan dengan cukup baik meski hanya menggunakan

parameter default. Keberhasilan riset ini dapat menjadi pilot project pemanfaatan data yang sudah ada.

• Perlu diperjelas lokasi riset persisnya di mana. • Perlu dilakukan klusterisasi wilayah, misalnya perumahan yang teratur (di Surabaya bagian

timur), gedung-gedung tinggi (di tengah kota), perkampungan padat tidak teratur (di sekitar

Sungai Mas), dsb. Parameter dapat dicoba-coba berdasarkan klusterisasi tersebut. • Pada evaluasi object matching di riset ini, sepertinya hanya berdasarkan luas bangunan. Perlu

dievaluasi juga berdasarkan posisi obyek, dicek pergeseran obyek dari data referensi yang digunakan (asumsi: proses digitasi ketika membangun referensi tsb benar).

• Ke depan BIG harus mulai memanfaatkan data LiDAR untuk pembangunan 3D city model. Meski

demikian, otomasi data LiDAR untuk menggantikan proses stereo plotting (digitasi) masih perlu dikaji lebih lanjut terkait akurasinya.

• Hasil ekstraksi building perlu dicoba untuk dibandingkan koordinatnya dengan koordinat riil lapangan atau data mapping yang sudah ada, apakah ada pergeseran meskipun secara

geometri bentuknya sama (uji akurasi point to point). • Perlu dicek juga pergeserannya, luasan mungkin sama tapi posisinya bisa bergeser. Untuk data

referensi yang lebih akurat bisa melakukan digitasi sendiri.

Pak Nur Cahyadi:

• Untuk perbaikan parameter perlu dicoba menambahkan ketinggian bangunan • Apabila ada mahasiswa Geomatika ITS yang akan tugas akhir terkait data LiDAR, bisa

bekerjasama dengan peneliti BIG.

• Hasil kajian yang dilakukan oleh Li at all. Itu menggunakan data dengan tipe bangunan yang teratur.

• Perlu dilakukan uji coba pada area urban.

Pak Teguh:

• Menyampaikan paparan tentang laporan hasil proyek pemetaan Kota Surabaya. • Bobot terbesar dari proyek pemetaan tersebut adalah akuisisi data foto udara & LiDAR (sekitar

46%), disusul dengan proses stereo plotting (sekitar 16%) dan SKL (sekitar 14%). • Akuisisi FU dan LiDAR dilakukan secara bersamaan.

72

• Kamera yang digunakan format kecil (4x5 cm). Tahun 2002 pernah ada pemotretan udara

dengan skala yang sama, kamera yang digunakan ukuran 23x23 cm.

• Jumlah NLP keseluruhan 1642 NLP • Tinggi terbang + 700 meter, konstan karena datarannya relatif datar (dataran paling tinggi

hanya 50 meter). • Surabaya sebagian besar persilnya tidak beraturan.

• Masukan penelitian: 1. Koordinatnya diabsolutkan

2. Objeknya disederhanakan

3. Di LiDAR, bangunan ketelitiannya nomor dua setelah area terbuka. Bisa menjadi terobosan untuk menggantikan stereoplotting, terutama untuk area yang teratur

Dokumentasi Kegiatan

Notulen: Rizka Windiastuti

NIP. 197303211992012001

…………………..

Danang Budi Susetyo

NIP. 199004232014021001

…………………..

M. Irwan Hariyono NIP. 198106182014021001

…………………..

73

LAMPIRAN 8. LETTER OF ACCEPTANCE ACRS 2018

74

75

LAMPIRAN 9. INVITATION LETTER ACRS 2018

76