Text

2D Semantic Labeling Penutup Lahan Di Area Urban Dengan Analisis Berbasis Objek Dari Data Foto Udara Dan Lidar

---

Kebijakan satu peta menuntut ketersediaan informasi geospasial sesuai skala kebutuhan, termasuk informasi geospasial pada skala detail. Teknologi fotogrametri dan LiDAR (Light Detection And Ranging) dapat menyediakan data dasar untuk informasi geospasial pada skala detail. Untuk mendapatkan informasi turunan berupa penutup lahan dari data foto udara maupun LiDAR diperlukan pengolahan lanjutan, misalnya dengan metode dijitasi on screen atau dengan pengamatan stereoplotting. Metode untuk mendapatkan informasi penutup lahan secara otomatis masih menjadi salah satu pembahasan dalam keilmuan fotogrametri. Penelitian ini membahas 2D semantic labeling dengan kombinasi metode analisis berbasis objek dan machine learning untuk mendapatkan informasi penutup lahan di area urban dengan memanfaatkan data foto udara dan LiDAR. Area urban dipilih sebagai studi kasus pada penelitian ini, karena pada area urban terdapat informasi penutup lahan yang bervariasi baik dari jenis informasi penutup lahannya maupun ketinggiannya. 2D Semantic Labeling untuk informasi penutup lahan di area urban dengan analisis berbasis objek yang diterapkan pada penelitian ini dimulai dari tahapan persiapan data dengan menyamakan sistem referensi terutama referensi tinggi, dilanjutkan pengolahan true orthophoto, klasifikasi data LiDAR, penyiapan dan penggabungan layer dataset untuk segmentasi dan ekstraksi fitur, kemudian proses segmentasi, ekstraksi fitur, training data dan populate RAT (Raster Attribute Table) serta klasifikasi menggunakan machine learning. Tahapan utama analisis berbasis objek adalah proses segmentasi dan klasifikasi. Proses segmentasi menerapkan prinsip OIF (Optimum Index Factory untuk menentukan layer dataset yang menghasilkan segmen yang paling optimal serta menggunakan metode segmentasi clustering yaitu K-Means clustering. Proses klasifikasi machine learning yang digunakan mengimplementasikan ekstraksi fitur dan training data dengan RAT serta dilanjutkan klasifikasi dengan metode Extreemely Randomized Trees. Pada ekstraksi fitur digunakan sebelas ragam fitur yang diperoleh dengan memanfaatkan data foto udara dan LiDAR. Ragam fitur tersebut antara lain mean dari band R (Red), mean dari band G (Green), mean dari band B (Blue), mean dari band NIR (Near Infra Red), mean dari nilai NDWI (Normalized Difference Water Index), mean dari nilai TDVI (Transformed Difference Vegetation Index), mean dari milan NSVDI (Normalized Saturation Value Difference Index), mean dari nilai ketinggian (DSM)/Digital Surface Model), nilai mean dari nDSM (normalized Digital Surface Model), nilai mean dari ketinggian terrain dan nilai mean dari slope. Dari penelitian ini diperoleh hasil 2D semantic labeling untuk informasi penutup lahan sebanyak sepuluh kelas yaitu. bangunan atap gelap, bangunan atap terang, jalan aspalt, jalan beton, badan air, bayangan, vegetasi tinggi, vegetasi rendah, tanah kosong dan sampah. Hasil semantic labelng yang dilakukan mencapai nilai OA (Overall Accuracy) sebesar 7149 hingga 84”. dan dengan akurasi F-score terbaik diraih oleh kelas objek bangunan sebesar » 85», sedangkan untuk kelas objek yang lain belum mencapai hasil yang memuaskan. Penggunaan metode ini dapat mempersingkat proses delinrasi penutup lahan secara manual, namun hasil deliniasi metode ini memggambarkan objek sebagai mana kenampakan piksel pada foto udara

---

Ketersediaan

Informasi Detail

Judul Seri

-

No. Panggil

526.022 1 ELI s

Penerbit

Yogyakarta : UGM., 2018

Deskripsi Fisik

xxi, 117 hlm.; ilus berwarna; 29 cm

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

526.022 1

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subjek

Peta

Info Detail Spesifik

-

Pernyataan Tanggungjawab

-

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus masuk sebelum memberikan komentar