S2 2018 Thesis

See discussions, stats, and author profiles for this publication at: https://www.researchgate.
net/publication/329267118
2D SEMANTIC LABELING PENUTUP LAHAN DI AREA URBAN DENGAN

ANALISIS BERBASIS OBJEK DARI DATA FOTO UDARA DAN LIDAR (S2-2018-
Thesis) english title: 2D SEMANTIC LABELING FOR LAND COVER I...
Thesis · July 2018

DOI: 10.13140/RG.2.2.24118.32320
CITATION READS
1 619
1 author:
Eli Juniati
Badan Kepegawaian Daerah (BKD) Provinsi Jawa Barat
12 PUBLICATIONS 20 CITATIONS
SEE PROFILE
All content following this page was uploaded by Eli Juniati on 08 October 2020.
The user has requested enhancement of the downloaded file.

2D SEMANTIC LABELING PENUTUP LAHAN
DI AREA URBAN DENGAN ANALISIS BERBASIS OBJEK
DARI DATA FOTO UDARA DAN LIDAR
TESIS
Diajukan Oleh:
ELI JUNIATI
NIM. 16 / 404651 / PTK / 11068
Kepada
PROGRAM STUDI MAGISTER TEKNIK GEOMATIKA
DEPARTEMEN TEKNIK GEODESI
FAKULTAS TEKNIK
UNIVERSITAS GADJAH MADA
YOGYAKARTA
2018
HALAMAN JUDUL BAHASA INDONESIA
TESIS
Diajukan Oleh:
ELI JUNIATI
NIM. 16 / 404651 / PTK / 11068
Kepada
DEPARTEMEN TEKNIK GEODESI
FAKULTAS TEKNIK
YOGYAKARTA
2018
i
2D SEMANTIC LABELING FOR LAND COVER
IN URBAN AREA WITH OBJECT BASED ANALYSIS
FROM AERIAL PHOTOS AND LIDAR
HALAMAN JUDUL BAHASA INGGRIS

THESIS
By:
ELI JUNIATI
NIM. 16 / 404651 / PTK / 11068
To
MASTER STUDY PROGRAM OF GEOMATIC ENGINEERING
DEPARTMENT OF GEODETIC ENGINEERING
FACULTY OF ENGINEERING
YOGYAKARTA
2018
ii
TESIS
Disampaikan sebagai pemenuhan sebagian dari persyaratan
untuk memperoleh gelar Master of Engineering dalam Teknik
Geomatika
Diajukan Oleh:
ELI JUNIATI
NIM. 16 / 404651 / PTK / 11068
Kepada:
DEPARTMEN TEKNIK GEODESI
FAKULTAS TEKNIK
YOGYAKARTA
2018
iii
2D SEMANTIC LABELING FOR LAND COVER
IN URBAN AREA WITH OBJECT BASED ANALYSIS
FROM AERIAL PHOTOS AND LIDAR
THESIS
Submitted as a partial fulfillment of the requirements for obtaining the degree of
Master of Engineering in Geomatics Engineering
By:
ELI JUNIATI
NIM. 16 / 404651 / PTK / 11068
To:
MASTER STUDY PROGRAM OF GEOMATICS ENGINEERING
DEPARTMENT OF GEODETIC ENGINEERING
FACULTY OF ENGINEERING
YOGYAKARTA
2018
iv
TESIS
HALAMAN PENGESAHAN
yang dipersiapkan dan disusun oleh:
ELI JUNIATI
NIM. 16 / 404651 / PTK / 11068
telah dipertahankan di depan Dewan Penguji

pada tanggal 6 Juli 2018
Susunan Dewan Penguji:
Pembimbing Anggota Tim Penguji
Dr. Harintaka, S.T., M.T. Trias Aditya K.M., S.T., Ph.D.
Dr. Ir. Istarno, M.T.
Tesis ini telah diterima sebagai salah satu persyaratan

untuk memperoleh gelar Master of Engineering
Tanggal……………………
Ketua Program Studi Magister Teknik Geomatika
Ir. Nurrohmat Widjajanti, M.T., Ph.D.

NIP. 19691021 199403 2 003
Mengetahui:
Ketua Departemen Teknik Geodesi
Ir. Prijono Nugroho Djojomartono, M.SP., Ph.D.

NIP. 19580205 198403 1 002
v
HALAMAN
PERNYATAAN
Dengan ini saya menyatakan bahwa dalam tesis ini tidak terdapat karya yang pernah
diajukan untuk memperoleh gelar magister di suatu perguruan tinggi, dan sepanjang
pengetahuan saya juga tidak terdapat karya atau pendapat yang pernah ditulis atau
diterbitkan oleh orang lain, kecuali yang secara tertulis diacu dalam naskah ini dan
disebutkan dalam daftar pustaka.
Yogyakarta, Juli 2018
Eli Juniati
NIM. 16 / 404651 / PTK / 11068
vi
HALAMAN
PERSEMBAHAN
untuk Mamma, Mba, Kakak, Adek

atas doa, kasih sayang, dukungan dan perhatiannya
juga
untuk almarhum Bapak

yang kenangannya melekat di hati,
yang senyumnya menenangkan diri,
dan semangat yang menginspirasi
vii
KATA PENGANTAR
Allahamdulillah hirabbil ‘alamin, syukur kepada Allah Subhanahu wa Ta’ala,

atas segala hal yag telah diberikan. Tesis ini disusun untuk memenuhi persyaratan
dalam mencapai derajat Magister Teknik di Magister Teknik Geomatika, Program
Pasca Sarjana Fakultas Teknik, Universitas Gadjah Mada, Yogyakarta. Tesis ini
dapat diselesaikan dengan adanya dukungan, bimbingan serta sesi-sesi diskusi yang
mencerahkan. Oleh karena itu, ucapan terimakasih saya ucapkan kepada: Dr.
Harintaka, S.T., M.T., sebagai dosen pembimbing tesis yang telah bersabar dan
meluangkan waktunya untuk membimbing, memberikan banyak saran selama
pengerjaan tesis ini.
Ucapan terimakasih juga ditujukan kepada Badan Informasi Geospasial
(BIG) yang telah memberikan amanah untuk belajar dan memfasilitasi studi S2 ini.
Terimakasih juga atas akses data dan perangkat untuk keperluan menyelesaikan
tesis ini. PT. ASI Pudjiastuti Geosurvey khususnya Listyo Fitri dan Bayu Febrianto
yang telah membantu memberikan data untuk keperluan penelitian ini.
Terimakasih juga untuk teman-teman yang dengan ringan hati meluangkan
waktu untuk berdiskusi dan dimintai pendapat diantaranya: Danny Puguh, Elyta,
Aldino, Amir Faisal, Erlyna dan Ari. Dr. Heri Sutanta, selaku dosen pembimbing
akademik yang telah membantu, terimakasih atas arahan selama menempuh masa
perkuliahan di Magister Teknik Geomatika. Terimakasih kepada Ibu Ir. Nurrohmat
Widjajanti, M.T., Ph.D., selaku Ketua Prodi S2 Teknik Geomatika, Fakultas
Teknik, Universitas Gadjah Mada yang sangat perhatian dan keibuan.
Terimakasih untuk teman – teman S2 Teknik Geomatika khususnya angkatan
2016, yang kocak dan ceria. Pak Afiat Edy Darmawan selaku pegawai sekretariat
S2 Teknik Geomatika yang mantab jiwa. Terimakasih untuk Bapak/Ibu penguji
tesis ini, serta seluruh pengajar Teknik Geodesi UGM atas ilmu dan bimbingan
selama masa perkuliahan.
Demikian semoga Allah SWT membalas segala kebaikan dari semua pihak
berperan dalam selesainya studi ini. Saya ucapkan mohon maaf atas kesalahan dan
viii
kekhilafan dalam pengerjaan tesis ini. Semoga tesis ini dapat membawa manfaat
bagi pengembangan dan kemanfaatan ilmu.
Yogyakarta, Juli 2018
Eli Juniati
ix
DAFTAR ISI
HALAMAN JUDUL BAHASA INDONESIA ....................................................... i

HALAMAN JUDUL BAHASA INGGRIS ............................................................ ii
HALAMAN PENGESAHAN ................................................................................. v
HALAMAN PERNYATAAN ............................................................................... vi
HALAMAN PERSEMBAHAN ........................................................................... vii
KATA PENGANTAR ......................................................................................... viii
DAFTAR ISI ........................................................................................................... x
DAFTAR GAMBAR ........................................................................................... xiii
DAFTAR TABEL ................................................................................................. xv
DAFTAR LAMPIRAN ........................................................................................ xvi
DAFTAR ISTILAH ............................................................................................ xvii
INTISARI............................................................................................................. xix
ABSTRACT ........................................................................................................... xxi
BAB I PENDAHULUAN .................................................................................... 1
I.1. Latar Belakang .................................................................................. 1
I.2. Rumusan Masalah............................................................................. 4
I.3. Tujuan Penelitian .............................................................................. 5
I.4. Pertanyaan Penelitian ....................................................................... 5
I.5. Ruang Lingkup Penelitian ................................................................ 5
I.6. Manfaat Penelitian ............................................................................ 6
I.7. Tinjauan Pustaka............................................................................... 6
BAB II LANDASAN TEORI ............................................................................. 10
II.1. Area Urban ..................................................................................... 10
II.2. Teknologi Fotogrametri .................................................................. 10
II.2.1. Interior Orientation Parameters (IOP) ........................................... 11
II.2.2. Exterior Orientation Parameters (EOP) ......................................... 12
II.2.3. Triangulasi Udara ............................................................................ 13
II.2.4. True Orthophoto ............................................................................. 13
II.2.5. Analisis untuk Indeks Vegetasi dan Indeks Air .............................. 15
II.3. Teknologi LiDAR (ALS)................................................................ 16
II.3.1. Karakteristik Data LiDAR .............................................................. 17
x
II.3.2. Klasifikasi dan Filtering Data LiDAR ............................................ 18
II.4. 2D Semantic Labeling .................................................................... 20
II.4.1. Analisis Citra Berbasis Objek (Geographic Object-based Image
Analysis / GEOBIA) ....................................................................... 20
II.4.2. Teknik OIF (Optimum Index Factor) .............................................. 21
II.4.3. Segmentasi ...................................................................................... 22
II.4.4. Ekstraksi Fitur ................................................................................. 24
II.4.5. Klasifikasi pada Machine Learning ................................................ 25
II.4.6. Library Pendukung ......................................................................... 26
II.5. Evaluasi Kualitas ............................................................................ 29
II.5.1. Aspek Pengujian ............................................................................. 29
II.5.2. Standar Pengujian............................................................................ 30
BAB III PELAKSANAAN PENELITIAN .......................................................... 32
III.1. Deskripsi Penelitian ........................................................................ 32
III.2. Persiapan ......................................................................................... 33
III.2.1. Data Penelitian ................................................................................ 33
III.2.2. Perangkat Penelitian ........................................................................ 33
III.3. Tahap Pelaksanaan Penelitian ........................................................ 35
III.3.1. Persiapan Penelitian ........................................................................ 38
III.3.2. Pengolahan True Orthophoto .......................................................... 45
III.3.3. Klasifikasi Data LiDAR .................................................................. 47
III.3.4. Penyiapan Data Raster sebagai Fitur Terpilih ................................. 50
III.3.5. Penggabungan Layer Data .............................................................. 52
III.3.6. Segmentasi ...................................................................................... 53
III.3.7. Ekstraksi Fitur menggunakan RAT (Raster Attribute Table) ......... 56
III.3.8. Training Data dan Populate RAT ................................................... 57
III.3.9. Klasifikasi ....................................................................................... 58
III.3.10. Evaluasi Kualitas ............................................................................. 59
III.3.11. Analisis dan Pelaporan .................................................................... 60
BAB IV HASIL DAN PEMBAHASAN .............................................................. 61
IV.1. Pemrosesan Awal Terhadap Data Dasar untuk 2D Semantic Labeling
……………………………………………………………….........61
IV.2. Hasil True Orthophoto dan Klasifikasi LiDAR ............................. 62
IV.3. Layer Data Raster sebagai Fitur Terpilih ....................................... 66
IV.4. Hasil Segmentasi ............................................................................ 70
xi
IV.4.1. Pengaruh OIF Terhadap Hasil Segmentasi ..................................... 70
IV.4.2. Segmentasi pada Setiap AOI........................................................... 71
IV.5. Implementasi RAT pada Ekstraksi Fitur dan Training Data ......... 73
IV.6. Hasil Klasifikasi ............................................................................. 74
IV.6.1. Objek yang Terklasifikasi dengan Baik .......................................... 75
IV.6.2. Objek yang Belum Terklasifikasi dengan Baik .............................. 77
IV.7. Evaluasi Kualitas ............................................................................ 80
IV.7.1. Evaluasi dengan hasil interpretasi manual ...................................... 80
IV.7.2. Kehandalan dengan Skema yang Ada ............................................. 83
IV.7.3. Aspek Kepraktisan .......................................................................... 85
BAB V PENUTUP .............................................................................................. 87
V.1. Kesimpulan ..................................................................................... 87
V.2. Saran ............................................................................................... 88
DAFTAR PUSTAKA ........................................................................................... 89
LAMPIRAN ........................................................... Error! Bookmark not defined.
Lampiran A. Daftar File Program Komputer untuk 2D Semantic Labeling
Penutup Lahan Di Area Urban Dengan Analisis Berbasis Objek dari Data Foto
Udara dan LiDAR .............................................. Error! Bookmark not defined.
Lampiran B. Script Program Komputer ............. Error! Bookmark not defined.
xii
DAFTAR GAMBAR
Gambar II.1. Perspektif dan geometri proyektif yang menyebabkan pergeseran

relief (Nielsen, 2004) ...................................................................... 14
Gambar II.2. Sistem koordinat dan parameter yang terlibat dalam direct
georeferencing sistem LiDAR (Habib, 2009)................................. 16
Gambar II.3. Multiple reflection dari laser scanning (Gajski dkk., 2003) ........... 18
Gambar II.4. DTM, DSM dan beberapa faktor yang mempengaruhi DSM sebagai
interpolasi permukaan dari semua titik (Pfeifer dan Mandlburger,
2009) ............................................................................................... 19
Gambar II.5. Alur proses analisis citra berbasis objek......................................... 21
Gambar II.6. Dasar computer vision (Joshi dkk., 2016) ...................................... 25
Gambar II.7. Alur data dalam expert subsystem pada machine learning............. 26
Gambar II.8. Ilustrasi matriks konfusi untuk menghitung overall accuracy (Foody,
2002) ............................................................................................... 30
Gambar II.9. Ilustrasi TP, FP dan FN (Widyaningrum dan Gorte, 2017) ........... 31
Gambar III.1. Ilustrasi AOI untuk penelitian ....................................................... 32
Gambar III.2. Diagram alir pelaksanaan penelitian ............................................. 35
Gambar III.3. Diagram penggunaan file program ................................................ 37
Gambar III.4. Contoh training sample kelas objek “Bangunan atap gelap” ........ 42
Gambar III.5. Contoh training sample kelas objek “Tanah kosong” ................... 43
Gambar III.6. Contoh training sample kelas objek “Bangunan atap terang” ....... 43
Gambar III.7. Contoh training sample kelas objek “Bayangan” .......................... 43
Gambar III.8. Contoh training sample kelas objek “Jalan aspalt” ....................... 44
Gambar III.9. Contoh training sample kelas objek “Jalan beton”........................ 44
Gambar III.10. Contoh training sample kelas objek “Vegetasi tinggi” ............... 44
Gambar III.11. Contoh training sample kelas objek “Vegetasi rendah” .............. 44
Gambar III.12. Pergeseran orthophoto dengan Peta RBI skala 1:5.000 .............. 45
Gambar III.13. Detail pemrosesan true-orthophotos............................................ 46
Gambar III.14. Perbandingan sebelum true orthorektifikasi (a) dan setelah true
orthorektifikasi (b) .......................................................................... 47
Gambar III.15. Metadata dari data LiDAR.las ..................................................... 48
Gambar III.16. Pengaturan parameter untuk klasifikasi ground dan non-ground dari
.las data LiDAR .............................................................................. 48
Gambar III.17. Hasil klasifikasi gorund dan non-ground pada data LiDAR ....... 49
Gambar III.18. Grafik koefisien korelasi setiap layer dataset .............................. 54
Gambar III.19. Hasil segmentasi dari kombinasi R – G – B, dengan OIF 53,61. 56
Gambar III.20. Hasil segmentasi dari kombinasi DSM – Slope – R, dengan nilai
OIF 333,83 ...................................................................................... 56
Gambar III.21. Ilustrasi ekstraksi fitur ke dalam RAT ........................................ 57
Gambar III.22. Fungsi yang dijalankan saat melakukan klasifikasi .................... 58
Gambar IV.1. Hasil true orthorektifikasi (gambar yang diberi anak panah
merupakan tampilan perbesaran dan di pojok kanan bawah
merupakan hasil orthophoto saja) ................................................... 62
Gambar IV.2. Ketidaksempurnaan pada true orthophoto yang dihasilkan .......... 63
Gambar IV.3. Hasil klasifikasi data LiDAR ........................................................ 64
xiii
Gambar IV.4. Hasil pengolahan turunan.............................................................. 65
Gambar IV.5. Hasil pengolahan NDWI ............................................................... 67
Gambar IV.6. Hasil analisis NSVDI .................................................................... 68
Gambar IV.7. Perbedaan visual hasil analisis NDVI dan TDVI.......................... 69
Gambar IV.8. Perbandingan hasil segmentasi beberapa kombinasi band berdasar
nilai OIF .......................................................................................... 71
Gambar IV.9. Tampilan kombinasi layer DSM – Slope – R untuk input proses
segmentasi ...................................................................................... 72
Gambar IV.10. Hasil implementasi RAT dan ekstraksi fitur ............................... 74
Gambar IV.11. Hasil klasifikasi di ketiga AOI .................................................... 75
Gambar IV.12. Hasil klasifikasi extremely random trees pada bangunan masjid
dengan warna atap yang beragam ................................................... 76
Gambar IV.13. Contoh hasil klasifikasi dengan metode extremely random trees 77
Gambar IV.14. Hasil klasifikasi yang belum tepat pada kelas objek Badan air,
Bayangan dan Jalan aspalt .............................................................. 77
Gambar IV.15. Kesalahan klasifikasi pada kelas objek jalan aspalt, jalan beton dan
tanah kosong ................................................................................... 78
Gambar IV.16. Ketidaktepatan klasifikasi pada kelas objek jalan beton dan jalan
aspalt ............................................................................................... 78
Gambar IV.17. Kenampakan sampah yang menutupi kelas objek badan air....... 79
Gambar IV.18. Perbedaan deliniasi manual dan hasil klasifikasi pada kelas vegetasi
........................................................................................................ 82
Gambar IV.19. Contoh sebagian layer dataset atau kelas unsur yang ada pada
skema Peta RBI .............................................................................. 83
xiv
DAFTAR TABEL
Tabel III.1. Kelas Objek atau Unsur Peta RBI yang ada pada AOI-1, 2 dan 3 .... 39
Tabel III.2. Penyusunan kelas untuk keperluan semantic labeling ...................... 40
Tabel III.3. Nilai standard deviasi dari masing-masing layer data ...................... 54
Tabel III.4. Hasil perhitungan OIF pada kombinasi layer dataset ....................... 54
Tabel IV.1. Daftar feature yang digunakan ......................................................... 73
Tabel IV.2. Matriks konfusi untuk hasil klasifikasi di AOI 1 .............................. 80
Tabel IV.5. Perhitungan completeness, correctness dan F-score pada AOI 1 .... 81
Tabel III.2. Penyusunan kelas untuk keperluan semantic labeling ...................... 84
Tabel IV.8. Waktu yang diperlukan untuk pemrosesan di satu NLP ................... 85
xv
DAFTAR LAMPIRAN
Lampiran A. Daftar File Program Komputer untuk 2D Semantic Labeling Penutup
Lahan Di Area Urban Dengan Analisis Berbasis Objek dari Data Foto
Udara dan LiDAR ............................. Error! Bookmark not defined.
Lampiran B. Script Program Komputer ................. Error! Bookmark not defined.
xvi
DAFTAR ISTILAH
2D Dua Dimensi
3D Tiga Dimensi
ALS Airborne Laser Scanning
AOI Area of Interest
B Blue
BIG Badan Informasi Geospasial
CCA Connected Component Analysis
CCD Charge Coupled Device
DBM Digital Building Model
DCM Digital Canopy Models
DEM Digital Elevation Model
DSM Digital Surface Model
DT Decision Tree
DTM Digital Terrain Model
DWT Discrete Wavelet Transform
EGM Earth Gravitational Model
EOP Exterior Orientation Parameters
EQB Entropy-based query-by-bagging
FN False Negative
FP False Positive
G Green
GDAL Geospatial Data Abstraction Library
GEOBIA Geographic Object-based Image Analysis
GLCM Grey-Level Co-occurrence Matrices
GNSS Global Navigation Satellite System
GVF Gradient Vector Flow
HSV Hue Saturation Value
INS Inertial Navigation System
IOP Interior Orientation Parameters
xvii
KBBI Kamus Besar Bahasa Indonesia
LiDAR Light Detection and Ranging
MS SVM Minimally-Spanned Support Vector Machine
MSAVI Modified Soil Adjusted Vegetation Index
nDSM normalized Digital Surface Model
NDVI Normalized Difference Vegetation Index
NDWI Normalized Difference Water Index
NIR Near Infra Red
NSVDI Normalized Saturation Value Difference Index
OA Overall Accuracy
OBIA Object-based Image Analysis
OIF Optimum Index Factor
R Red
RAT Raster Attribute Table
RBI Rupabumi Indonesia
RSGISLib Remote Sensing and GIS Software Library
SAVI Soil Adjusted Vegetation Index
SIG Sistem Informasi Geografis
SRS Spatial Random Sampling
SSI Spectral Shape Index
SVM Support Vector Machine
TDVI Transformed Difference Vegetation Index
TIN Triangulated Irregular Network
TP True Positive
xviii
INTISARI
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 Factor) 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 nilai
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 labeling yang dilakukan
mencapai nilai OA (Overall Accuracy) sebesar 71% 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 deliniasi penutup lahan secara manual,
xix
namun hasil deliniasi metode ini menggambarkan objek sebagai mana kenampakan
piksel pada foto udara.
Kata Kunci: 2D Semantic Labeling, GEOBIA, machine learning, segmentasi,
ekstraksi fitur, foto udara, LiDAR.
xx
ABSTRACT
The one-map policy requires the availability of geospatial information on
suitable scale, including geospatial information in the large scale. Photogrammetry
and LiDAR (Light Detection And Ranging) technologies can provide basic data for
geospatial information on large scale. To obtain land cover information from both
aerial photos and LiDAR data, further processing is required, for example by on-
screen digitation or by stereoplotting observation method. The method to obtain
land cover information automatically still be one of the topic discussion in the
science of photogrammetry. This research discusses 2D semantic labeling with
combination of object-based analysis method and machine learning to get land
cover information in urban area by using aerial photos and LiDAR. The urban area
was chosen as a case study in this study, because in urban areas there are various
type of land cover information and its altitude.
2D Semantic Labeling for land cover information in urban area with object-
based analysis applied in this research starting from data preparation process by
equating reference system especially high reference, followed by true orthophoto
processing, LiDAR data filtering and classification, preparation and merging layer
dataset for segmentation and feature extraction, then segmentation process, feature
extraction, data training and populate RAT (Raster Attribute Table) and
classification using machine learning. The main stages in object-based analysis are
segmentation and classification processes. In the segmentation process apply the
principle of OIF (Optimum Index Factor) to determine the dataset layer that
produces the most optimal segment and also use K-Means clustering segmentation
method. In the machine learning classification process implemented feature
extraction and data training using RAT then using Extreemely Randomized Trees
classification method. In the feature extraction used eleven features that are
obtained by utilizing aerial photos and LiDAR data. The various features consist
mean of R (Red) band, mean of G (Green) band, mean of B (Blue) band, mean of
NIR (Near Infra Red) band, mean of NDWI (Normalized Difference Water Index)
value, mean of TDVI (Transformed Difference Vegetation Index) value, mean of
NSVDI (Normalized Saturation Value Difference Index) value, mean of height
value (DSM/Digital Surface Model), mean value of the nDSM (normalized Digital
Surface Model), the mean value of the terrain heights and the mean value of the
slope.
This research obtained 2D semantic labeling results for ten classes of land
cover information: dark roof building, light roof building, asphalt road, concrete
road, water bodies, shadows, high vegetation, low vegetation, unclear land and
garbage. The result of semantic labeling reaches the OA (Overall Accuracy) value
of 70% to 84% and with the best F-score accuracy achieved by the building object
class of with F-score value more than 85%, while for the other object classes has
not achieved satisfactory results. The use of this method can shorten the process of
delineation of land cover manually, but the delineation results of this method
describes the object as where the pixels appear in the aerial photos.
Key Words: 2D Semantic Labeling, GEOBIA, machine learning, segmentation,
feature extraction, aerial photos, LiDAR.
xxi
BAB I
PENDAHULUAN
I.1. Latar Belakang
Kebijakan Satu Peta atau lebih populer dengan sebutan One Map Policy
telah meningkatkan kebutuhan informasi geospasial, tak terkecuali kebutuhan pada
skala besar atau detail. Teknologi fotogrametri dan LiDAR yang dihasilkan dari
akuisisi sensor airborne dapat menyediakan data dasar untuk keperluan tersebut.
Namun, untuk mendapatkan informasi turunan seperti objek apa saja yang terdapat
pada kenampakan foto udara dan LiDAR memerlukan pengolahan lanjutan.
Topik hangat yang menjadi pembahasan utama dalam fotogrametri saat ini
adalah ekstraksi otomatis objek di area urban yang diperoleh dari hasil akuisisi
sensor udara (Isprs, 2018). Ekstraksi objek spasial di area urban terutama objek
planimetris, pada umumnya dilakukan dengan interpretasi manual melalui proses
stereoplotting data foto udara atau dijitasi on screen pada data citra atau mosaik
true orthophoto. Untuk informasi ketinggian, dapat dihasilkan dari data LiDAR
misalnya surface dan terrain melalui filtering semi otomatis. Dalam pengalaman
empirik proses ekstraksi objek dengan interpretasi manual, dipengaruhi oleh
pengetahuan interpreter dalam mengenali objek pada foto udara maupun citra.
Namun hasil interpretasi visual yang dilakukan interpreter dapat memberikan hasil
deliniasi objek yang sesuai dengan kenampakan pada foto udara maupun citra
satelit secara jelas dan tegas.
Tampilan objek di area urban yang bersifat heterogen (misanya: vegetasi,
jalan, bangunan, tanah kosong dan badan air), menjadi tantangan dalam ekstraksi
otomatis pada data dalam resolusi tinggi. Perpaduan teknologi akuisisi data sensor
airborne dan computer vision terutama machine learning, telah memberikan
perkembangan signifikan terutama dalam ranah ekstraksi objek spasial secara
otomatis. Selain itu, ekstraksi otomatis menawarkan kemungkinan untuk
menghasilkan objek 3D dengan detail yang tinggi pada area perkotaan termasuk
objek tambahan seperti vegetasi (Mayer, 2008). Teknologi ekstraksi secara
1
2
otomatis yang telah dikembangkan antara lain ekstraksi berbasis piksel dan berbasis
objek (Blaschke, 2010).
Blaschke dkk. (2014) menjelaskan ekstraksi berbasis objek merupakan
pendekatan yaitu berupa teori, metode dan perangkat yang digunakan untuk
memisahkan citra penginderaan jauh menjadi objek atau kelas objek yang lebih
berarti dan menilai karakteristiknya menggunakan skala. Pendekatan tersebut
digunakan dalam menganalisis citra menggunakan segmentasi citra dan
penggunaan SIG (Sistem Informasi Geografis) seperti analisis spasial dalam proses
klasifikasi atau pelabelan. Dalam teknologi computer vision dikenal istilah
semantic labeling, secara saintifik, semantic labeling merupakan proses pemetaan
atribut pada sumber data untuk mengkelaskan objek kedalam ontologi tertentu dan
merupakan langkah penting untuk mengintegrasikan data yang heterogen (Pham
dkk., 2016). Volpi dan Tuia (2017) menambahkan semantic labeling merupakan
tugas yang menetapkan semantic label berupa kelas penutup lahan atau penggunaan
lahan pada setiap piksel yang ada pada image.
Penelitian ini membahas tentang 2D semantic labeling penutup lahan di area
urban. Definisi area urban sendiri menurut Unicef (2012) merupakan area dengan
kriteria administrasi atau batas politis berada pada yurisdiksi kotamadya atau kota,
minimum populasi berisi 2.000 orang dan tidak bergantung dengan agrikultur. Pada
area urban juga terdapat surplus pekerjaan, terdapat jalan beraspalt, penerangan
listrik serta pembuangan limbah.
Terkait sumber data dasar yang dapat digunakan untuk proses semantic
labeling, secara umum dapat dikelompokkan menjadi tiga macam: yang pertama
dari data citra optis baik citra satelit maupun foto udara, yang kedua dengan
menggunakan data LiDAR saja dan yang ketiga dengan memanfaatkan kedua data
dasar citra optis (foto udara dan citra satelit) dan data LiDAR (Awrangjeb dan
Fraser, 2014) . Penggunaan data citra optis baik citra satelit maupun foto udara,
diantaranya telah diujicobakan oleh Ouma dkk. (2010) yang memanfaatkan data
citra satelit resolusi tinggi dengan metode kombinasi Discrete Wavelet Transform
(DWT) dan Grey-Level Co-occurrence Matrices (GLCM). Metode tersebut
merupakan klasifikasi dengan analisis berbasis piksel yang mengintegrasikan
3
spektral, tekstur dan tepi fitur pada citra, dan mampu mengestimasi area urban dari
deteksi tepi objek. Studi lain dengan menerapkan analisis berbasis objek,
diantaranya: ekstraksi bangunan pada citra satelit dengan pendekatan fuzzy logic
(Vijjapu, 2013) dan algoritma deep feature learning (Bergado, 2016). Kedua studi
tersebut menunjukkan metode ekstraksi secara otomatis dapat digunakan dan
memberikan hasil yang relatif stabil.
Proses yang memanfaatkan data LiDAR saja, dilakukan dengan pendekatan
segmentasi tepi bangunan (Lahamy, 2008), segmentasi otomatis dari raw data
LiDAR (Awrangjeb dan Fraser, 2014) dan dengan pendekatan analisis berbasis
objek, lalu klasifikasi dengan parameter angle-based, height-based separation,
object-reclasification, pixel-based object resizing (Tomljenovic dkk., 2016).
Penggunaan data LiDAR saja mampu memberikan peningkatan karena adanya
tambahan informasi ketinggian dalam semantic labeling. Namun hasil yang
diperoleh belum maksimal.
Riset yang menggunakan kombinasi atau integrasi kedua data dasar citra
optis (foto udara dan citra satelit) dan data LiDAR antara lain telah dilakukan oleh
Schenk dan Csathó (2002), Vosselman (2002), Rottensteiner dan Briese (2003),
Zhou dkk. (2004), Chen dkk. (2005), Langue (2007), Sohn dan Dowman (2007),
Lee dkk. (2008), O'donohue dkk. (2008), Chen dkk. (2009), Salah dkk. (2009),
Gombos (2010), Kabolizade dkk. (2010), Uzar dan Yastikli (2013), Li dkk. (2013),
Zhou dan Zhou (2014) serta Gilani dkk. (2015). Penggunaan kedua data
memberikan hasil yang saling melengkapi dari masing-masing karateristik kedua
sumber data tersebut (Awrangjeb dkk., 2013). Dalam implementasi semantic
labeling dengan mengintegrasikan kedua data, terdapat beberapa kesulitan dalam
metode integrasinya. Awrangjeb dan Faser (2014) menjelaskan permasalahan
tersebut diantaranya register kedua data, perubahan yang mungkin terjadi karena
perbedaan waktu akuisisi dari kedua data, area vegetasi yang banyak dan dekat
bangunan serta menyebabkan adanya bayangan pada foto udara, tingginya resolusi
spasial dari foto udara dibandingkan kerapatan data LiDAR bisa jadi terlalu tinggi
untuk keperluan klasifikasi.
4
Penelitian ini mengkaji tentang 2D semantic labeling penutup lahan di area

urban dengan analisis berbasis objek dari data foto udara dan LiDAR. Objek yang
dihasilkan berupa informasi dua dimensi saja (2D semantic labeling). Kelas objek
di area urban yang diklasifikasikan mencoba mengacu tema informasi geospasial
dasar yang ada pada Undang-Undang No. 4 Tahun 2011 tentang Informasi
Geospasial antara lain berupa tema perairan, bangunan dan fasilitas umum,
transportasi dan utilitas serta penutup lahan (Republik Indonesia, 2011). Metode
yang diterapkan yaitu pendekatan berbasis objek yang memanfaatkan data foto
udara dan LiDAR. Kedua data dieksplorasi secara maksimal agar menghasilkan
analisis informasi yang lebih khas. Kemudian mencoba menerapkan segmentasi
dan klasifikasi dengan machine learning untuk mengkelaskan objek. Hasil kajian
diharapkan dapat memberikan fakta tentang kemungkinan 2D semantic labeling
penutup lahan di area urban secara otomatis dan menentukan kehandalan hasil
semantic labeling dengan membandingkan terhadap peta dasar pada skala terbaik
di area kajian dan membandingkannya dengan standar skema klasifikasi yang ada.
I.2. Rumusan Masalah

2D semantic labeling secara otomatis dengan analisis berbasis objek dengan
hanya memanfaatkan data citra satelit resolusi tinggi maupun foto udara, belum
dapat diandalkan untuk implementasi praktis. Pemanfaatan data LiDAR dalam
semantic labeling secara otomatis memberikan peningkatan yang lebih baik
dibandingkan dengan memanfaatkan data citra saja. Penggunaan kombinasi data
foto udara dan LiDAR dapat memberikan hasil yang saling melengkapi.
Metodologi 2D semanctic labeling penutup lahan di area urban dengan analisis
berbasis objek memanfaatkan data foto udara dan LiDAR, masih perlu
dikembangkan terutama untuk mengidentifikasi ragam kelas objek yang nampak
pada foto udara dan LiDAR, serta perlu dinilai juga kehandalan dari hasil 2D
semantic labeling dengan metode tersebut.
5
I.3. Tujuan Penelitian

Tujuan umum penelitian melakukan 2D semantic labeling penutup lahan di
area urban dengan pendekatan berbasis objek memanfaatkan data foto udara dan
LiDAR. Metode yang digunakan yaitu segmentasi objek dan penerapan klasifikasi
machine learning yang memanfaatkan kedua data.
Tujuan spesifik :
1. Pembentukan segmentasi objek yang optimal dengan memanfaatkan data foto
udara dan LiDAR;
2. Pemilihan dan ekstraksi feature optimal yang akan digunakan dalam klasifikasi
machine learning berbasis objek;
3. Analisa hasil 2D semantic labeling untuk area urban di sebagian wilayah Kota
Bandung dengan keberadaan objek yang heterogen, terutama variasi
ketinggian bangunan dan kenampakan atap bangunan;
4. Evaluasi ketelitian dan kehandalan hasil semantic labeling.
I.4. Pertanyaan Penelitian

1. Bagaimana pembentukan segmentasi yang optimal untuk keperluan semantic
labeling dengan pendekatan analisis berbasis objek dari data foto udara dan
LiDAR?
2. Bagaimana kombinasi ragam feature dan proses ekstraksi feature optimal yang
digunakan dalam klasifikasi machine learning berbasis objek?
3. Bagaimana analisa hasil 2D semantic labeling?
4. Bagaimana kualitas ketelitian dan kehandalan kelas hasil 2D semantic labeling
yang dihasilkan dibandingkan dengan hasil interpretasi visual (on screen
digitizing) dan skema klasifikasi yang ada?
I.5. Ruang Lingkup Penelitian

Ruang lingkup penelitian khusus membahas tentang 2D semantic labeling
penutup lahan di area urban. Metode yang digunakan yaitu analisis berbasis objek
dengan menerapkan segmentasi, ekstraksi feature dan klasifikasi dengan machine
6
learning. Data yang digunakan adalah data foto udara dan data LiDAR dengan
lokasi studi kasus adalah sebagian area urban di Kota Bandung, Jawa Barat.
I.6. Manfaat Penelitian

Manfaat penelitian dengan topik 2D semantic labeling penutup lahan di area
urban dengan analisis berbasis objek dari data foto udara dan LiDAR, dapat
digunakan sebagai salah satu pengujian dalam pengembangan pemanfaatan metode
ekstraksi objek spasial secara otomatis dari data foto udara dan LiDAR. Selain itu,
dapat juga dimanfaatkan dalam keperluan pemetaan cepat informasi penutup lahan.
I.7. Tinjauan Pustaka

Ekstraksi objek otomatis dengan analisis berbasis objek menunjukkan tren
yang cukup berpengaruh dalam ilmu Penginderaan Jauh dan SIG. Hal tersebut
ditunjukkan dengan adanya perangkat lunak yang menerapkan analisis berbasis
objek yang sukses di pasar dan memicu industri untuk berinvestasi serta penelitian
dan kajian akademis. Hal tersebut juga berkaitan dengan adanya peningkatan
resolusi spasial dari citra satelit atau foto udara, jumlah data geospasial yang besar
dan membutuhkan pengolahan dalam kurun waktu tertentu (Blaschke, 2010). Pada
bagian latar belakang disampaikan secara umum penggunaan tiga sumber data
dasar dalam proses semantic labeling.
Semantic labeling dengan memanfaatkan kedua data citra optis resolusi
tinggi dan LiDAR, disadari memberikan keuntungan yang saling melengkapi,
diperkaya dengan informasi spektral dan permukaan 3D sehingga menghasilkan
deskripsi scene yang lebih komplit (Awrangjeb dan Fraser, 2014; Gilani dkk.,
2015). Penggunaan analisis berbasis objek pada ekstraksi objek dengan
memanfaatkan data citra optis dan LiDAR telah dilakukan pada beberapa
penelitian. Menurut Lee dkk. (2008) penggunaan integrasi kedua data (citra optis
dan LiDAR) dapat dilakukan dengan menggunakan teknik directional histograms,
splitting segments dan merging segments serta matching antar segmen garis.
Penggunaan algoritma tersebut memberikan hasil yang akurat dan dapat
7
diandalkan, namun masih mengalami kendala dalam pemodelan objek bangunan

yang kompleks.
Chen dkk. (2009) menggunakan metode hierarchical object oriented
classification untuk ekstraksi fitur pada data citra Quickbird dan LiDAR di area
urban, menggunakan metode Spectral Shape Index (SSI) untuk membedakan air
dan banyangan, mengekstraksi vegetasi dengan Normalized Difference Vegetation
Index (NDVI) kemudian ditingkatkan dengan integrasi data LiDAR. Metode
klasifikasi berbasis objek yang dijelaskan diklaim dapat merepresentasikan dunia
nyata dengan lebih baik dan dapat membedakan sembilan (9) kelas objek di area
urban. Namun, dalam implementasi praktisnya masih digunakan beberapa sistem
perangkat lunak, sehingga perlu dilakukan pengolahan integrasi kedua data pada
sistem operasi yang sama. Penggunaan model improved snake pada ekstraksi
bangunan secara otomatis dilakukan oleh Kabolizade dkk. (2010), metode tersebut
menggunakan gradient vector flow (GVF), yang efisien dalam memodelkan kontur
objek. Hasil dari penelitian tersebut menunjukkan proses ekstraksi yang lebih cepat,
lebih stabil terutama pada lingkungan urban yang kompleks dengan nilai akurasi >
80%. Penggunaan metode ini belum diujicobakan untuk ekstraksi objek yang lain.
Penelitian tersebut juga baru diimplementasikan pada data citra satelit dan data
LiDAR, perlu dilakukan kajian dengan menggantikan data citra satelit dengan data
foto udara.
Dalam kajian yang dilakukan oleh Li dkk. (2013) deteksi bangunan pada
fase awal dilakukan memanfaatkan data point clouds LiDAR, kemudian dilakukan
inisiasi tepi bangunan pada citra optis (foto udara) menggunakan canny detector
dengan nilai konstrain diperoleh dari informasi point clouds LiDAR. Metode
tersebut fully data-driven dan cocok untuk beragam bentuk bangunan, namun hasil
ekstraksinya menunjukkan adanya redudansi data, dikarenakan batas bangunan
final merupakan kumpulan dari piksel-piksel yang bersebelahan. Sehingga
diperlukan simplifikasi pada proses penentuan batas bangunan final. Selain itu,
diperlukan representasi menggunakan metode yang sesuai agar dihasilkan model
3D yang lebih detil.
8
Uzar dan Yastikli (2013) juga menggunakan analisis dan klasifikasi berbasis
objek, yaitu menggunakan image NDVI, slope dan hough pada tahapan segmentasi
serta klasifikasi. Selain itu diterapkan juga metode contrast split dan metode multi-
resolution segmentation, serta hierarchical classification. Hasilnya menunjukkan
nilai overall accuracy mendekati 93% untuk area sub-urban. Objek yang dihasilkan
belum berupa objek 3D dan teknik tersebut baru diterapkan untuk fitur bangunan
saja pada area urban. Penelitian lebih maju lainnya disampaikan oleh Zhou dan
Zhou (2014), dalam kajiannya digunakan dasar aspect graphs, yang memanfaatkan
karakteristik fitur bangunan seperti geometri, struktur dan bentuk. Proses DBM
(Digital Building Model) atau pemodelan bangunan secara digital dibentuk dengan
deteksi bangunan dari citra lalu dilengkapi dengan aspect graph dari data LiDAR
dan basisdata aspect-area-nodes. Dalam penggunaannya teknik ini memerlukan
adanya ketersediaan basisdata tentang aspect tiap jenis bangunan.
Penggunaan algoritma graph-based juga dilakukan oleh Gilani dkk. (2015),
teknik tersebut mengkombinasikan data LiDAR dan multispectral imagery untuk
mendeliniasi batas bangunan dengan area vegetasi. Pada prosesnya, data LiDAR
dikelompokkan menjadi data ground dan non-ground, melakukan proses CCA
(Connected Component Analysis) yaitu sejumlah objek yang ada diidentifikasi
dengan menggunakan initial boundary detection dan labelling yang akan
menghasilkan graph pixel. Proses clustering untuk segmentasi garis dari data
imagery. Membedakan dan ekstraksi bangunan, vegetasi dan bangunan terisolir
dengan memanfaatkan NDVI, image entropy dan data LiDAR. Teknik ini
menghasilkan akurasi hingga 100% untuk bangunan dengan luas > 10 𝑚2 . Namun
untuk kasus yang kompleks beberapa bangunan tidak terdeteksi atau boundary
under extension, selain itu fitur hasil ekstraksi masih 2D.
Clewley dkk. (2014) memperkenalkan penggunaan RAT untuk menjalankan
analisis image berbasis objek yang dijalankan menggunakan perangkat lunak
berlisensi publik dengan memanfaatkan library yang dapat diakses melalui Python.
Penelitian lain dari (Chutia dkk., 2014) mengenalkan kerangka klasifikasi yang
baru dan ditandai dengan teknik pemilihan feature efektif untuk data hiperspektral.
Kerangka tersebut menerapkan klasifikasi berbasis objek yang didukung dengan
9
pemilihan feature untuk Support Vector Machine (SVM). Penggunaan machine

learning dalam analisis berbasis objek juga dilakukan oleh Zylshal dkk. (2016),
dengan sebelumnya menerapkan segmentasi dengan teknik multiresolution
segmentation dan perbedaan spektral, kemudian dilanjutkan dengan
mengimplementasikan SVM pada proses klasifikasinya serta penambahan nilai
indeks NDVI, NDWI, MSAVI (Modified Soil Adjusted Vegetation Index) untuk
membantu proses klasifikasi. Ketiga penelitian tersebut menunjukkan bahwa
analisis berbasis objek dapat dikombinasikan dengan penerapan machine learning
serta dapat diimplementasikan pada perangkat lunak berlisensi publik.
Penelitian ini mengkaji 2D semantic labeling penutup lahan di area urban
dengan analisis berbasis objek dari data foto udara dan LiDAR. Penggunaan metode
yang ditawarkan yaitu analisis berbasis objek yang dikombinasikan dengan
penggunaan machine learning dan dijalankan melalui perangkat lunak berlisensi
publik. Akan diterapkan teknik segmentasi objek agar menghasilkan segmen
optimum, pemilihan feature yang membantu klasifikasi dengan machine learning,
serta penerapan teknik-teknik analisis yang membantu identifikasi dalam proses
semantic labeling. Kombinasi data foto udara dan LiDAR diharapkan mampu
memberikan hasil labeling yang maksimal.
10
BAB II
LANDASAN TEORI
II.1. Area Urban

Pengertian area urban terdapat beberapa macam, menurut Weeks (2010)
“urban merupakan karakteristik berbasis tempat yang menggabungkan elemen-
elemen dari kepadatan populasi, sosial dan organisasi ekonomi serta transformasi
dari lingkungan natural menjadi lingkungan terbangun”. Urban atau perkotaan
menunjukkan tempat kumpulan pemukiman yang terkonsentrasi, relatif padat dan
memerlukan infrastruktur yang lebih intensif daripada pedesaan (Branch, 1985
dalam (Djunaedi, 2012)). Menurut KBBI urban didefinisikan sebagai sesuatu yang
berkenaan dengan kota, bersifat kekotaan (Badan Pengembangan Dan Pembinaan
Bahasa, 2016). Menurut Unicef (2012) area urban merupakan area yang dapat
memenuhi satu atau beberapa kriteria berikut:
1. Kriteria administrati atau batas politis, misalnya berada pada yurisdiksi
kotamadya atau kota);
2. Ambang ukuran populasi, minimum permukiman berisi 2.000 orang, walaupun
dengan variasi secara global diantara 200 dan 50.000;
3. Kepadatan penduduk dan fungsi ekonomi, mayoritas dari populasi tidak
bergantung dengan agrikultur, terdapat surplus pekerjaan;
4. Karakteristik area urban dengan adanya jalan beraspal, penerangan listrik dan
pembuangan limbah.
II.2. Teknologi Fotogrametri
Fotogrametri merupakan bagian dari penginderaan jauh. Penginderaan jauh

merupakan ilmu yang meliputi analisis dan interpretasi dari pengukuran radiasi
elektromagnetik yang dipantulkan dari atau emisi dari target dan diamati atau
direkam dari posisi tertentu dari pengamat atau instrumen yang tidak kontak
langsung dengan target (Mather, 2004). Jong dan Meer (2005) menjelaskan
penginderaan jauh merupakan menyediakan informasi tentang suatu objek atau area
11
menggunakan radiasi elektromagnetik (cahaya) tanpa kontak langsung dengan

objek atau area.
Linder (2013) menjelaskan bahwa fotogrametri dapat didefinisikan sebagai
ilmu pengukuran pada foto dan merupakan bagian dari penginderaan jauh.
Fotogrametri menyediakan metode yang memberikan informasi dari kedua jenis
data kuantitatif. Fotogrametri digital mendorong ketersediaan produk yang
operasional untuk fotogrametri, seperti softcopy workstation, program untuk
menghasilkan digital orthophotos dan DEM (Digital Elevation Model) serta sistem
yang mengakomodir tahapan proses fotogrametri (Schenk, 1994). Prinsip dasar
yang ada di fotogrametri adalah konsep kolinieritas, dimana titik objek O, pusat
proyeksi dan titik proyeksi O’ berada pada satu garis lurus. Untuk memberikan
informasi ketinggian setidaknya diperlukan dua foto yang saling bertampalan, serta
posisi suatu objek dihitung menggunakan prinsip triangulasi.
II.2.1. Interior Orientation Parameters (IOP)

Langkah pertama untuk mengorientasikan foto udara yaitu menentukan
interior orientation parameters (IOP) yang berarti membangun relasi diantara
sistem koordinat internal kamera dan sistem koordinat piksel dari foto udara
(Linder, 2013). Selain itu, IOP diperlukan untuk merekonstruksi berkas sinar dan
lokasi pusat proyeksi dalam relasi antara sistem koordinat piksel dari image foto
udara dan pengaruh geometrik dari sistem internal lensa (Jacobsen, 2001). Pada
kamera udara metrik tradisional (yang menggunakan film) yang dilakukan yaitu
pengukuran fiducial marks pada image untuk menentukan transformasi antara
kamera dan koordinat piksel. Hal tersebut dilakukan untuk setiap foto udara yang
digunakan untuk pengolahan lebih lanjut. Untuk mendefinisikan kamera, informasi
yang diperlukan yaitu nominal dari fiducial marks, panjang fokus kamera yang
kesemuanya dalam satuan millimeter (mm), informasi tersebut terdapat pada
sertifikat kalibrasi kamera. Setelah dilakukan pengukuran fiducial marks, perangkat
lunak dapat menghitung parameter transformasi untuk relasi diantara kedua sistem
(biasanya menggunakan transformasi affine 2D).
12
Untuk kamera udara digital yang menggunakan sensor CCD tidak lagi
memerlukan perhitungan fiducial marks karena setiap elemen CCD memberikan
ukuran piksel yang sama. Oleh karena itu, metode pendefinisian kamera telah
memuat informasi tentang IOP, diantaranya: informasi ukuran baris dan kolom,
principal point pada sumbu-x dan sumbu-y (dalam ukuran mm), panjang fokus,
ukuran piksel pada baris dan kolom (dalam ukuran µm), serta distorsi lensa simetris
radial. Informasi tersebut dapat diperoleh dari dokumen sertifikat kalibrasi kamera
atau manual kamera.
II.2.2. Exterior Orientation Parameters (EOP)

Relasi berikutnya yang perlu dihitung yaitu relasi antara koordinat image dan
koordinat objek yang dinamakan sebagai exterior orientation parameters. Sama
halnya dengan IOP, setiap image foto udara harus memuat informasi tentang EOP.
Jacobsen (2001) menuliskan bahwa EOP mendeskripsikan lokasi dan orientasi dari
berkas sinar dalam sistem koordinat objek dengan enam (6) parameter, yaitu:
koordinat pusat proyeksi (X0, Y0, Z0) dan rotasi pada ketiga sumbu (omega, phi
dan kappa).
Nilai EOP secara tradisional dapat diperoleh dari hasil metode triangulasi
udara atau secara modern dapat diperoleh dari proses direct georeferencing yang
dapat mengurangi penggunaan titik kontrol dan koordinat foto (Jacobsen, 2001),
(Cramer dkk., 2000) serta (Grussenmeyer dan Al Khalil, 2002). Direct
georeferencing diimplementasikan dengan mengintegrasikan penggunaan GNSS
(Global Navigation Satellite System) dan INS (Inertial Navigation System). INS
merupakan kombinasi dari gyros dan akselerometer, gyros dipakai untuk
mendeteksi rotasi dan gravitasi, akselerometer digunakan untuk mengukur
perubahan percepatan pada ketiga sumbu. Penggunaan gyros dan akselerometer
memberikan hasil perhitungan orientasi dengan baik. GNSS dipakai untuk
menentukan posisi kinematik dari sensor yang digunakan. Perhitungan Kalman
filtering secara iteratif digunakan untuk mengkombinasikan kedua sistem
penentuan posisi tersebut, sehingga nilai EOP dapat dihasilkan dengan lebih cepat.
13
II.2.3. Triangulasi Udara

Secara tradisional proses triangulasi udara digunakan untuk mengidentifikasi
relasi dari dataset yang terlibat (koordinat foto udara) ke sistem referensi yang
didefinisikan melalui informasi titik kontrol secara matematis, selain itu triangulasi
udara pada fotogrametri pada dasarnya berbasis titik (Habib, 2009). Hal yang
dipersiapkan untuk proses triangulasi udara antara lain: identifikasi dari titik kontrol
tanah; penomoran titik kontrol, image foto udara dan strips; data masukan berupa
detil akuisisi yaitu koordinat foto berikut parameter rotasi, kamera kalibrasi serta
foto udara digital.
Proses triangulasi udara akan menentukan tie points secara otomatis dengan
menggunakan image pyramid levels, pengukuran titik kontrol tanah, serta jika
diperlukan dapat dilakukan penentuan tie points secara manual (interaktif). Hitung
perataan yang populer diterapkan dalam triangulasi udara yaitu bundle block
adjustment. Hasil dari proses triangulasi udara yaitu data EOP berikut statistik hasil
perhitungannya. Penggunaan metode direct georeferencing dapat dijadikan sebagai
alternatif untuk menghasilkan EOP tanpa harus melalui proses triangulasi udara.
Teknik yang mengkombinasikan hasil direct georeferencing sebagai nilai
pendekatan untuk selanjutnya diproses dengan proses triangulasi udara secara
standard juga umum digunakan untuk pengolahan hasil akuisisi secara
fotogrametri.
II.2.4. True Orthophoto

Dalam pengolahan data foto udara terdapat terminologi orthophoto dan true
orthophoto. Pengertian orthophoto sendiri merupakan proses yang mengeliminir
efek perspektif image dan menerapkan koreksi relief displacement akibat pengaruh
terrain, sehingga menghasilkan foto menjadi tegak atau berada pada proyeksi
orthogonal (Mayr dan Heipke, 1988). Input data ketinggian yang digunakan untuk
menghasilkan orthophoto berupa Digital Terrain Model (DTM), sehingga proses
orthorektifikasi yang dilakukan hanya mengkoreksi pergeseran relief yang
dipengaruhi oleh kondisi terrain. Sedangkan terminologi true orthophoto, model
ketinggian yang dipakai mengikutsertakan elemen surface pada proses proyeksi
14
orthogonal. Gambar II.1 menunjukkan ilustrasi pengaruh perspektif dan geometri

proyektif terhadap pergeseran relief.
Gambar II.1. Perspektif dan geometri proyektif yang menyebabkan pergeseran

relief (Nielsen, 2004)
Nielsen (2004) menyatakan prinsip dasar dalam pembentukan true
orthophoto adalah menyertakan elemen surface sehingga proyeksi orthogonal tidak
hanya mengkoreksi pengaruh perspektif terrain namun juga pengaruh perspektif
dari surface. Perbedaan antara orthophoto dan true orthophoto yaitu pada hasil
orthophoto terutama di area urban yang memiliki variasi ketinggian bangunan dan
menghasilkan occluded areas, efek bangunan rebah dan dapat menutupi detil objek
lain seperti jalan maupun fasilitas umum. Pada true orthophoto hal-hal tersebut
dieliminir pengaruhnya, sehingga posisi geometri dari objek menjadi benar dan
berada pada skala yang seragam. Data masukkan untuk proses true orthorektifikasi
berupa: Image foto udara digital, IOP, EOP dan Digital Surface Model (DSM).
Tahapan dalam pengolahan true orthophoto terdiri dari:
a. Orthorektifikasi;
b. Color matching;
c. Mosaicking dan feathering
15
II.2.5. Analisis untuk Indeks Vegetasi dan Indeks Air

Analisis yang diterapkan pada penelitian ini berupa penerapan analisis
indeks vegetasi untuk membedakan objek vegetasi dan non vegetasi, serta
penerapan analisis indeks air dan indeks perbedaan nilai saturasi untuk
membedakan objek badan air dan bayangan. Teknik analisis yang digunakan yaitu
TDVI (Transformed Difference Vegetation Index), NDWI (Normalized Difference
Water Index) dan NSVDI (Normalized Saturation Value Difference Index). Hasil
dari teknik analisis ini digunakan untuk membantu proses 2D semantic labeling
penutup lahan di area urban.
TDVI diperkenalkan oleh Bannari dkk. (2002), indeks vegetasi tersebut
menunjukkan sensitifitas yang sama seperti SAVI (Soil Adjusted Vegetation Index)
dalam menunjukkan properti optikal tanah kosong yang berada di bawah vegetasi.
Selain itu, hasil TDVI tidak tersaturasi seperti NDVI (Normalized Difference
Vegetation Index) dan SAVI serta memperlihatkan fungsi liniearitas yang bagus
dari tutupan vegetasi. Teknik ini dapat digunakan untuk mengidentifikasi vegetasi
di area urban dengan baik. Persamaan 1 menunjukkan implementasi teknik TDVI,
sedangkan persamaan untuk teknik NDVI ditunjukkan pada persamaan 2.
(𝑁𝐼𝑅−𝑅𝑒𝑑)
𝑇𝐷𝑉𝐼 = √0.5 + …………………………..(1)
(𝑁𝐼𝑅+𝑅𝑒𝑑)
(𝑁𝐼𝑅−𝑅𝑒𝑑)
𝑁𝐷𝑉𝐼 = ……………………………………(2)
(𝑁𝐼𝑅+𝑅𝑒𝑑)
NDWI merupakan metode yang dikembangkan untuk mendeliniasi objek

badan air terbuka dan meningkatkan tampilan badan air terbuka di image
penginderaan jauh. NDWI meggunakan refleksi dari radiasi Near Infra Red (NIR)
dan band tampak Green untuk menajamkan objek badan air dan mengeliminir
tampilan tanah serta objek vegetasi (Mcfeeters, 1996). Persamaan yang digunakan
untuk metode ini ditunjukkan pada persamaan 3.
(𝐺𝑟𝑒𝑒𝑛−𝑁𝐼𝑅)
𝑁𝐷𝑊𝐼 = …………………………………(3)
(𝐺𝑟𝑒𝑒𝑛+𝑁𝐼𝑅)
Jiang dkk. (2014) dalam penelitiannya mengembangkan teknik NDWI untuk

metode otomasi ekstraksi sungai dan danau pada citra Landsat. Pada citra kadang
terdapat bayangan yang disebabkan oleh objek tinggi misalnya bangunan, jembatan
16
dan menara, khususnya di area urban. Untuk mengidentifikasi area bayangan pada
image dapat digunakan pendekatan metode NSVDI yang berada color space HSV
(Ma dkk., 2008). Formula untuk perhitungan analisis NSVDI ditunjukkan pada
persamaan 4. Li dkk. (2014) juga mengaplikasikan dan mengembangkan metode
NSVDI untuk ekstraksi badan air pada citra penginderaan jauh resolusi tinggi,
dengan menggunakan hierarki spektrum dan bentuk objek.
𝑆𝑎𝑡𝑢𝑟𝑎𝑡𝑖𝑜𝑛(𝑖,𝑗) − 𝑉𝑎𝑙𝑢𝑒(𝑖,𝑗)
𝑁𝑆𝑉𝐷𝐼(𝑖,𝑗) = ..............................(4)
𝑆𝑎𝑡𝑢𝑟𝑎𝑡𝑖𝑜𝑛(𝑖,𝑗) + 𝑉𝑎𝑙𝑢𝑒(𝑖,𝑗)
II.3. Teknologi LiDAR (ALS)
LiDAR merupakan penginderaan jauh sensor aktif, yang menggunakan

sistem laser, dengan prinsip mengukur jarak antara sensor terhadap objek di
permukaan tanah yang teriluminasi oleh laser (Wehr dan Lohr, 1999). Teknologi
LiDAR yang banyak digunakan untuk aplikasi pemetaan pada umumnya
merupakan airborne sensor, yang populer dengan sebutan ALS (Airborne Laser
Scanning). Sistem LiDAR disusun oleh dua unit utama, yaitu unit laser ranging dan
unit GNSS/INS.
Gambar II.2. Sistem koordinat dan parameter yang terlibat dalam direct
georeferencing sistem LiDAR (Habib, 2009)
17
Pada Gambar II.2 diilustrasikan informasi posisi yang dihasilkan dari

sistem LiDAR berbasis pada perhitungan range dari unit laser ranging ke objek.
Pengukuran range digabungkan dengan informasi posisi dan orientasi, yang
ditentukan oleh unit GNSS/INS onboard yang menentukan secara langsung posisi
dari laser footprint melalui proses penjumlahan vektor dengan menggunakan
persamaaan 5.
0
⃗ ⃗ ⃗⃗
𝑋𝐺 = 𝑋𝑜 + 𝑅𝑦𝑎𝑤,𝑝𝑖𝑡𝑐ℎ,𝑟𝑜𝑙𝑙 𝑅∆𝜔,∆𝜑,∆𝜅 𝑃𝐺 + 𝑅𝑦𝑎𝑤,𝑝𝑖𝑡𝑐ℎ,𝑟𝑜𝑙𝑙 𝑅∆𝜔,∆𝜑,∆𝜅 𝑅𝛼,𝛽 [ 0 ] . ..(5)
−𝜌
Data hasil akuisisi LiDAR menghasilkan data trajectory dan point clouds. Untuk
menghasilkan data turunan yang dapat memberikan informasi yang lebih
bermanfaat diperlukan pengolahan lanjutan. Pemrosesan hasil akuisisi LiDAR yang
dapat dapat dilakukan diantaranya: proses registrasi, pengolahan trajectory, strip
adjustment, filtering, klasifikasi dan pengolahan untuk menghasilkan surface
maupun terrain.
II.3.1. Karakteristik Data LiDAR

Akusisi dengan menggunakan ALS menghasilkan data utama berupa 3D
point cloud (x, y, z) serta sinyal intensitas atau return amplitude. Data 3D point
cloud memberikan informasi ketinggian atau data topografi secara akurat.
Divergensi dari sinar laser berada pada kisaran 0,3 hingga 2 mrad (miliradian)
dengan ketinggian terbang 1000 m relatif dari atas tanah, serta menghasilkan laser
footprint pada 0,3 – 2 meter (Baltsavias, 1999). Gajski dkk. (2003) menjelaskan
sinar laser yang dipancarkan oleh sensor hingga mencapai permukaan tanah dan
direfleksikan kembali ke sensor dapat berupa multiple returns (lihat Gambar II.3).
Sinyal first returned menunjukkan informasi titik terdekat dari sensor LiDAR. Jika
terdapat beberapa signal returns terutama pada area bervegetasi sinyal tersebut
menunjukkan kanopi dari pohon dan last return dapat menunjukkan titik terrain,
jika sinar laser mencapai permukaan tanah. Jika tidak titik off-terrain dapat salah
diklasifikasikan sebagai titik terrain.
Pada umumnya LiDAR berada pada spektrum NIR dengan panjang
gelombang 800 nm dan 1550 nm, serta merekam return amplitude dari setiap echo
18
yang diterima dan growing number dari sistem yang sudah memberikan gelombang
penuh (Persson dkk., 2005 dalam (Höfle dan Pfeifer, 2007)).
Gambar II.3. Multiple reflection dari laser scanning (Gajski dkk., 2003)
Höfle dan Pfeifer (2007) menjelaskan sinar laser yang dipancarkan dan berinteraksi
dengan permukaan, menghasilkan backscatter serta merekam sinyal pantulan yang
diterima sebagai fungsi waktu. Nilai intensitas terdapat pada atribut dari geometri
3D point cloud (x, y, z, I) sehingga image intensity yang dihasilkan telah
tergeoreferensi. Image intensity tersebut dapat dimanfaatkan deteksi objek, namun
resolusi spasialnya dapat berbeda antara area satu dan area yang lain. Resolusi
spasial dari image intensity dipengaruhi oleh tinggi terbang dan kondisi topografi
dari permukaan yang di scan, karena perbedaan ranges (jarak) dan scan angles
menyebabkan perbedaan footprint area yang dihasilkan.
II.3.2. Klasifikasi dan Filtering Data LiDAR

Setiap point clouds berada dalam ruang 3D dan terdapat beberapa atribut
tambahan berupa echo number (first, intermediate, last echo), pengukuran
intensitas (return amplitude), warna yang berasal dari image dijital, lebar echo yang
diekstrak dari analisis gelombang penuh, atau ketelitian tinggi. Titik – titik yang
19
jatuh pada permukaan terrain akan diidentifikasi dengan mempertimbangkan

ketepatan pengukuran (Pfeifer dan Mandlburger, 2009). Disampaikan juga tentang
klasifikasi data LiDAR berbasis pada point atau raster-based menggunakan aturan
x dan y serta nilai piksel pada zumbu z, informasi atribut seperti yang disebutkan
sebelumnya tidak dapat digunakan untuk mengklasifikasi point clouds menjadi
ground dan off-terrain. Terutama untuk multiple echos, echo yang terakhir tidak
selalu menunjukkan ground. Dapat saja itu merupakan vegetasi terendah atau
berada di bawah kanopi vegetasi. Namun, menggunakan last echos sebagai
pendekatan awal ekstraksi ground banyak digunakan.
Gambar II.4. DTM, DSM dan beberapa faktor yang mempengaruhi DSM sebagai
interpolasi permukaan dari semua titik (Pfeifer dan Mandlburger, 2009)
Pada Gambar II.4 diilustrasikan tentang DTM dan DSM serta refleksi dari
objek ke sensor LiDAR. DTM (Digital Terrain Model) merupakan fungsi kontinyu
yang memetakan posisi planimetris 2D pada ketinggian terrain z = f(x,y) (El-
Sheimy dkk., 2005). Sedangkan DSM atau bersinonim dengan DCM (Digital
Canopy Models) merupakan representasi permukaan yang terlihat dari atas.
DSM/DCM sering dihitung melalui interpolasi titik-titik yang berkorespondensi
dengan first echo dari setiap emitted yang dipancarkan. Perbedaan model dari DSM
dan DTM dinamakan normalized DSM (nDSM). Fungsi persamaannya ditunjukkan
pada persamaan 6.
𝑛𝐷𝑆𝑀(𝑥,𝑦) = 𝐷𝑆𝑀(𝑥,𝑦) − 𝐷𝑇𝑀(𝑥,𝑦) …………….(6)
20
II.4. 2D Semantic Labeling
Semantic labeling untuk citra resolusi tinggi di area urban merupakan hal
penting dan signifikan dalam aplikasi penginderaan jauh. Semantic labeling
merupakan proses pemetaan atribut pada sumber data untuk mengkelaskan objek
kedalam ontologi tertentu dan merupakan langkah penting untuk mengintegrasikan
data yang heterogen (Pham dkk., 2016). Ekstraksi informasi citra dari teknologi
penginderaan jauh termasuk fotogrametri dapat dibedakan menjadi dua (2), yaitu
manual dengan interpretasi visual (USDA, 1993 dalam (Jong dan Meer, 2005) dan
semantic labeling. Interpretasi visual dilakukan dengan pendekatan kunci
interpretasi yaitu rona dan warna rona, tekstur, bentuk, ukuran, pola, situs,
bayangan, asosiasi serta konvergensi bukti. Sedangkan ekstraksi informasi dengan
semantic labeling dapat dibedakan menjadi unsupervised classification, supervised
classification dan interpretasi berbasis objek. Pada penelitian ini fokus pada
interpretasi berbasis objek.
II.4.1. Analisis Citra Berbasis Objek (Geographic Object-based Image

Analysis / GEOBIA)
Analisis citra berbasis objek atau banyak dikenal dengan sebutan OBIA
memiliki sebutan lain untuk ranah geospasial yaitu (Geographic) Object-Based
Image Analysis atau GEOBIA. Pendekatan ini digunakan dalam menganalisis citra
menggunakan segmentasi citra dan penggunaan SIG (Sistem Informasi Geografis)
seperti analisis spasial dalam proses klasifikasi atau pelabelan. GEOBIA
merupakan pendekatan yaitu berupa teori, metode dan perangkat yang digunakan
untuk memisahkan citra penginderaan jauh menjadi objek atau kelas objek yang
lebih berarti dan menilai karakteristiknya menggunakan skala (Blaschke dkk.,
2014).
Blaschke dkk. (2014) juga menjelaskan bahwa analisis citra berbasis objek
dilakukan berdasarkan informasi objek citra atau sekumpulan piksel sejenis yang
sama satu dengan yang lainnya berdasarkan pengukuran properti spektral dari citra,
misalnya: warna, ukuran dan tekstur sebagai konteks dari lingkungan sekitar piksel
citra. Berbeda halnya dengan analisis citra berbasis piksel, analisis dilakukan
21
berdasarkan informasi pada setiap piksel. Alur proses analisis berbasis objek dapat
ditunjukkan pada Gambar II.5, yang terdiri dari empat (4) tahapan pokok, yaitu:
a. Segmentasi;
b. Penentuan kandidat objek;
c. Klasifikasi (kelas abstrak) dan;
d. Perbaikan objek.
Biasanya untuk memperoleh klasifikasi yang sesuai kebutuhan dilakukan
tahapan klasifikasi lagi setelah empat tahapan pokok di atas. Pada tahapan
klasifikasi dapat digunakan penerapan rules pada analisis berbasis objek yang
merujuk pada entitas objek yang besar dan berasal dari ribuan piksel yang ada di
citra. Selain itu, dapat diterapkan juga machine learning dan penggunaan ragam
classifier-nya.
Gambar II.5. Alur proses analisis citra berbasis objek

(Blaschke dkk., 2014)
II.4.2. Teknik OIF (Optimum Index Factor)

Proses pemilihan kombinasi band terbaik memanfaatkan teknik OIF
(Optimum Index Factor). OIF pertama kali dikembangkan oleh Chaves dkk. (1982)
22
dalam Jensen (2005), riset tersebut meranking 20 kombinasi 3-band yang dibuat
dari 6 band data Landsat TM. Teknik tersebut dapat diaplikasikan pada beragam
dataset penginderaan jauh multispektral. Teknik ini berbasis pada jumlah dari total
varian dan korelasi pada dan diantara ragam kombinasi band. Algoritma yang
dipakai untuk menghitung OIF untuk subset dari tiga band ditunjukkan pada
Persamaan 7.
∑3𝑘=1 𝑆𝑘
𝑂𝐼𝐹 = 3
∑𝑗=𝑡 𝐴𝑏𝑠(𝑟𝑗 )
…………………………………...(7)
dengan:
𝑆𝑘 = 𝑆𝑡𝑎𝑛𝑑𝑎𝑟𝑑 𝑑𝑒𝑣𝑖𝑎𝑠𝑖 𝑢𝑛𝑡𝑢𝑘 𝐵𝑎𝑛𝑑 − 𝑘
𝑟𝑗 = 𝑁𝑖𝑙𝑎𝑖 𝑎𝑏𝑠𝑜𝑙𝑢𝑡𝑒 𝑑𝑎𝑟𝑖 𝑘𝑜𝑟𝑒𝑙𝑎𝑠𝑖 𝑑𝑢𝑎 𝑏𝑎𝑛𝑑 𝑦𝑎𝑛𝑔 𝑑𝑖𝑘𝑜𝑚𝑏𝑖𝑛𝑎𝑠𝑖𝑘𝑎𝑛
Nilai OIF yang paling besar pada umumnya memiliki informasi yang paling banyak
(diukur melalui nilai varian) dan dengan sedikit jumlah duplikasinya (diukur
melalui nilai korelasinya) (Jensen, 2005).
Penggunaan OIF pada awalnya dikembangkan pada data Landsat, namun
konsep dan metodologinya dapat diimplementasikan ke beragam multilayer dataset
(Kienast dan Boettinger, 2010). Pada riset tersebut teknik OIF digunakan untuk
menentukan kombinasi layer data yang paling berguna untuk pemodelan distribusi
tanah. Kombinasi multi layer data yang digunakan berupa tipe data elevasi dan
penginderaan jauh dan dapat menghasilkan variasi biofisikal yang maksimal di
studi kasus yang dilakukan.
II.4.3. Segmentasi
Segmentasi image merupakan tahapan umum yang pertama kali dilakukan
dalam konteks analisis berbasis objek (Soille, 2000 dalam (Radoux dan Defourny,
2008)). Segmentasi juga merupakan proses memisahkan image menjadi region-
region berbeda yang tidak saling overlap dan memiliki atribut yang sama, misalnya
pada gray level image atribut dasar yang paling banyak digunakan adalah nilai
luminance amplitude dan untuk image multispektral menggunakan komponen
23
informasi berupa warna yang memberikan kedetilan pada image (Seerha dan Kaur,
2013). Radoux dan Defourny (2008) juga menyebutkan bahwa segmentasi
merupakan kelompok piksel bermakna yang dihasilkan di seluruh image dengan
tujuan mengklasifikasikan image di luar klasifikasi berbasis piksel.
Coleman dan Andrews (1979) telah mengenalkan prosedur metode
segmentasi dengan pendekatan unsupervised dan tidak memerlukan interaksi
dengan manusia atau perataan threshold. Pendekatan ini akan menunjukkan
karakteristik dari data yang kemungkinan tidak terobservasi oleh manusia yang
mengamati. Algoritma segmentasi dapat dipisahkan menjadi berbasis tepi dan
berbasis region (Zhang, 1997; Nicolin dan Gabler, 1987; Janssen dan Molenaar,
1995; Guindon, 1997 dalam (Carleer dkk., 2005)). Algoritma segmentasi berbasis
tepi mendeteksi kontur objek secara eksplisit menggunakan properti diskontinuitas,
sedangkan algoritma berbasis region menempatkan objek secara eksplisit menurut
kesamaan property atau informasinya.
Hingga saat ini, metode segmentasi yang ada secara garis besar dapat
dibedakan menjadi dua yaitu discontinuity based dan similarity based (Seerha dan
Kaur, 2013). Pada discontinuity based pemisahan dan pembentukan sub-divisi
dilakukan berdasarkan perubahan drastic atau signifikan pada level intensitas atau
grey level pada image, misalnya identifikasi pada titik-titik terisolasi, garis dan tepi.
Sedangkan pada similarity based mengelompokkan piksel-piksel dengan kesamaan
karakteristik, contoh metode yang menggunakan pendekatan ini misalnya
thresholding, region growing, regions splitting dan merging. Contoh-contoh
metode segmentasi yang banyak digunakan yaitu:
a. Metode thresholding
b. Metode Otsu’s
c. Segmentasi menggunakan watersheds
d. Metode Mean Shift
e. Clustering, misalnya: Fuzzy C Means, K-Means, dll
f. Segmentasi menggunakan motion
g. Segmentasi Color Image
24
Neubert dkk. (2008) menjelaskan bahwa belum terdapat standard yang

ditetapkan untuk mengevaluasi kualitas hasil segmentasi, namun terdapat beragam
pendekatan ad hoc yang disesuaikan dengan tujuan atau kebutuhan proses
segmentasi. Demikian halnya dengan Carleer dkk. (2005) yang menjelaskan bahwa
tidak terdapat metode segmentasi yang tepat atau terbaik untuk semua keperluan
segmentasi, pemilihan parameter merupakan hal yang penting dan sangat
mempengaruhi hasil segmentasi. Jumlah parameter yang digunakan harus
diminimalkan untuk mengupayakan hasil segmentasi yang optimal, biasanya
dilakukan dengan cara trial and error (Carleer dkk., 2005); (Neubert dkk., 2008).
Segmentasi dengan algoritma berbasis tepi relatif sensitif terhadap noise atau
tekstur pada image, dan pemrosesan awal (misalnya menerapkan filtering) terhadap
data penting untuk dilakukan pada sebagian besar kasus. Hal tersebut memudahkan
dalam mendeteksi kesamaan dan objek-objek yang contras pada image. Berbeda
halnya dengan algoritma berbasis region yang kurang sensitif terhadap tekstur,
padahal tekstur merupakan salah satu keunggulan yang ada pada image dengan
resolusi tinggi. Penggunaan multi-level segmentation dapat diimplementasikan
untuk melakukan segmentasi berbasis region (Carleer dkk., 2005).
II.4.4. Ekstraksi Fitur

Dalam ranah computer vision atau machine learning ekstraksi fitur atau
seleksi fitur merupakan tahapan preprocessing yang efektif untuk mereduksi
dimensionalitas, menghilangkan data yang tidak relevan dan meningkatkan hasil
yang komprehensif. Proses ini melakukan pemilihan subset dari fitur asli sehingga
fitur space tereduksi secara optimal sesuai dengan kriteria evaluasi yang diterapkan
(Yu dan Liu, 2003). Penelitian yang dilakukan oleh Benediktsson dkk. (2003) serta
Kang dkk. (2014) menunjukkan bahwa ekstraksi atau pemilihan fitur sebelum
proses klasifikasi dilakukan memberikan pengaruh signifikan pada tingkat akurasi
klasifikasi yang dihasilkan. Gambar II.6 menunjukkan posisi ekstraksi fitur pada
keseluruhan tahapan dasar di computer vision.
25
Gambar II.6. Dasar computer vision (Joshi dkk., 2016)
II.4.5. Klasifikasi pada Machine Learning

Terdapat beberapa aplikasi yang telah menerapkan teknik machine learning
untuk mengotomatisasi pemrosesan dan analisis data spasial misalnya dalam bentuk
spatial modeling. Machine learning merupakan ilmu pemodelan komputer dalam
hal proses pembelajaran, yang memungkinkan komputer untuk memperoleh
pengetahuan dari data atau teori yang ada dengan menggunakan strategi inferensi
tertentu seperti induksi atau deduksi (Carbonel dkk., 1983 dalam (Huang dan
Jensen, 1997). Proses pembelajaran induksi dapat dilihat sebagai pencarian
heuristik melalui serangkaian deskripsi simbolik untuk deskripsi umum yang masuk
akal, atau konsep yang menjelaskan data training yang menjadi input dan berguna
untuk memprediksi data baru.
Huang dan Jensen (1997) mengembangkan sub-sistem machine learning
untuk menjalankan klasifikasi citra. Data masukan dalam sistem pembelajaran
berupa file text dengan tiap baris merepresentasikan sebuah training object. Dalam
penginderaan jauh dan SIG, training object direpresentasikan sebagai piksel-piksel
dalam layer gabungan. Rules dari resultan ditulis dalam suatu file dan menjadi basis
pengetahuan dan merupakan bagian inti dari expert subsystem pada machine
learning. Gambar II.7 menunjukkan alur data dalam klasifikasi menggunakan
machine learning.
26
Gambar II.7. Alur data dalam expert subsystem pada machine learning
(Huang dan Jensen, 1997)
Contoh metode klasifikasi dalam geospasial yang menerapkan teknologi machine
learning antara lain: Decision Tree (DT), Support Vector Machine (SVM), Random
Forest, Minimally-Spanned Support Vector Machine (MS SVM), Entropy-based
query-by-bagging (EQB), Spatial Random Sampling (SRS) dan sebagainya.
II.4.6. Library Pendukung

Proses semantic lebeling dengan pendekatan berbasis objek dapat
diimplementasikan menggunakan perangkat lunak komersil seperti ecognition dari
Trimble dan ENVI dari Harris Geospatial. Selain itu, dapat juga diimplementasikan
menggunakan perangkat lunak berlisensi publik misalnya menggunakan bahasa
pemrograman Python dengan memanfaatkan ekstensi-ekstensi library yang dapat
diakses melalui Python. Khusus untuk proses semantic labeling, penelitian ini
memanfaatkan perangkat lunak berlisensi publik dalam hal ini Python dilengkapi
dengan library-library nya.
27
II.4.6.1 GDAL. Geospatial Data Abstraction Library (GDAL) adalah

library pengkonversi atau penerjemah untuk data geospasial dalam format raster
dan vektor. Library GDAL menampilkan sebuah model data raster abstrak dan
sebuah model data vektor abstrak dalam beragam format ke aplikasi pemanggil.
Format data raster yang didukung oleh GDAL antara lain: GeoTIFF, Erdas Imagine,
ECW, MrSID, KEA, JPEG2000, NITF, GeoPackage, dll. Format data vektor yang
didukung oleh GDAL antara lain: ESRI Shapefile, ESRI ArcSDE, ESRI FileGDB,
MapInfo, GML, KML, PostGIS, Oracle Spatial, GeoPackage, dll. Program utilitas
untuk raster yang disediakan GDAL diantaranya: gdalinfo, gdal_translate,
gdaladdo, gdalwarp, dll. Program utilitas untuk vektor yang disediakan GDAL
diantaranya: ogrinfo, ogr2ogr, ogrtindex (Gdal.Org, 2018). Penggunaan library
GDAL akan mempermudah proses analisis data geospasial pada Python.
II.4.6.2 RSGISLib. Remote Sensing and GIS Software Library (RSGISLib)
merupakan kumpulan perangkat untuk pemrosesan data SIG dan data penginderaan
jauh. Perangkat tersebut dapat diakses menggunakan Python binding atau melalui
antarmuka XML (Rsgislib.Org, 2018). RSGISLib dihasilkan oleh Pete Bunting
(Earth Observation and Ecosystem Dynamic Group, Aberystwyth University) dan
Dan Clewley (Plymouth Marine Laboratory). Pada library ini terdapat beberapa
modul diantaranya Classification Module yang berisi perangkat yang berkaitan
dengan klasifikasi digital. Image Segmentation Module yang berisi perangkat untuk
melakukan proses segmentasi objek, selain itu terdapat modul rastergis yang salah
satunya berisi perangkat untuk mengelola atribut tabel untuk keperluan ekstraksi
fitur atau pemilihan fitur.
II.4.6.3 Tuiview. Tuiview merupakan perangkat yang digunakan untuk
menampilkan data raster dan SIG dengan kemampuan untuk memanipulasi raster
attribute table (RAT) (Tuiview.Org, 2018). Pada Tuiview terdapat beragam
perangkat, misalnya “geo-linking” untuk menampilkan dua atau lebih windows
yang saling terhubung, perangkat query dan plot nilai raster, menampalkan dan
melakukan query terhadap data vektor, kemampuan untuk melakukan stretch data,
menyimpan dan me-load data ke dalam windows, perangkat membuat profile,
menampilkan RAT, memilih baris RAT serta memodifikasi RAT.
28
II.4.6.4 Rios. Rios merupakan sekumpulan modul pada Python yang

memudahkan proses pengkodean dalam menulis raster pada Python. Rios dibangun
dengan memanfaatkan GDAL sehingga mampu menangani proses membuka atau
menutup file geospasial dengan mudah, memeriksa keseragaman proyeksi dan grid
raster, dll. Perangkat – perangkat yang ada pada Rios memudahkan programmer
untuk lebih berkonsentrasi pada pemrosesan data (Rioshome.Org, 2018). Dalam
Rios terdapat fungsi yang mengakomodir pemrosesan data raster dan vektor juga
pemrosesan RAT sehingga memudahkan dalam proses ekstraksi atau pemilihan
fitur.
II.4.6.5 Scikit Learn. Scikit-learn merupakan machine learning library
untuk bahasa pemrograman Python. Fungsi yang terdapat pada library ini antara
lain algoritma klasifikasi, regresi dan clustering, selain itu juga terdapat fungsi
SVM, random forest, gradient boosting, K-Means dan DBSCAN. Scikit-learn
didesain agar interoperabelitas dengan library lain seperti Numpy dan Scipy.
Contoh algoritma klasifikasi yang diterapkan pada library ini diantaranya
merupakan supervised learning misalnya: Generalized Linear Models, Linear and
Quadratic Discriminant Analysis, Kernel Ridge Regression, Support Vector
Machines, Stochastic Gradient Descent, Nearest Neighbors, Gaussian Processes,
Forest Randomized Trees, dan lain-lain (Scikit-Learn.Org, 2018)
II.4.6.6 NumPy. NumPy merupakan library yang berisi paket fundamental
pada perhitungan menggunakan Python. NumPy dapat mengelola objek array n-
dimensional dengan maksimal, terdapat fungsi-fungsi perhitungan yang telah
establish, kode dapat diintegrasikan dengan kode bahasa pemrograman lain seperti
C, C++ atau Fortran, mampu mengelola perhitungan dengan aljabar linear, fourier
transform maupun angka random. Selain untuk keperluan saintifik, NumPy juga
dapat digunakan untuk mengelola secara efisien multi-dimensional data yang berisi
data generik (Numpy.Org, 2018).
29
II.4.6.7 Numba. Numba merupakan library yang digunakan untuk

meningkatkan peforma fungsi atau aplikasi yang ditulis secara langsung pada
Python. Pada perhitungan matematis yang berat dan berorientasi array, perhitungan
yang dilakukan menggunakan Python secara langsung memerlukan waktu yang
cukup lama. Dengan menambahkan beberapa anotasi dari library Numba akan
mempercepat proses perhitungan sehingga memliki peforma yang sama dengan jika
menggunakan bahasa C, C++ atau Fortran (Anaconda, 2017).
II.5. Evaluasi Kualitas
Evaluasi kualitas diterapkan untuk melihat kehandalan hasil semantic labeling

yang telah dilakukan. Evaluasi dilakukan dengan membandingkan hasil penelitian
terhadap standar yang ada. Sub-bab berikut menjelaskan aspek pengujian yang
dievaluasi dan standar pengujian yang digunakan untuk melakukan evaluasi.
II.5.1. Aspek Pengujian

Aspek pengujian yang dievaluasikan tehadap hasil semantic labeling
meliputi:
1. Pengujian terhadap skema klasifikasi yang ada;
2. Pengujian hasil dengan hasil interpretasi manual yaitu dengan menghitung
overall accuracy dari matriks konfusi. Selain itu juga menguji
completeness (recall), correctness (precision) dan F-score. Dalam pattern
recognition istilah precision juga disebut sebagai nilai prediksi positif atau
fraksi instant yang relevan dengan instant yang diambil, sedangkan recall
atau dikenal juga dengan sensitivitas merupakan fraksi instant yang
relevan yang telah diambil dari total instant yang relevan. Keduanya
(recall dan precision) digunakan untuk mengukur relevansi hasil
klasifikasi. F-score digunakan untuk mengukur uji akurasi dari hasil
klasifikasi (Isprs, 2018);
3. Pengujian kepraktisan dari segi waktu pemrosesan dan penggunaan
metode;
30
II.5.2. Standar Pengujian

Standar pengujian yang digunakan untuk mengevaluasi hasil semantic
labeling berdasarkan ketiga aspek di atas antara lain:
1. Skema klasifikasi yang digunakan sebagai pembanding adalah skema
klasifikasi dari Peta Rupabumi Indonesia (RBI) pada skala 1:5.000;
2. Pengujian dengan membandingkan hasil semantic labeling dan hasil
interpretasi manual yaitu membandingkannya dengan peta RBI skala
1:5.000 dalam bentuk vektor. Formula yang dipakai untuk menghitung
overall accuracy, menggunakan prinsip matriks konfusi. Matriks konfusi
digunakan untuk menyediakan pengujian secara spesifik dari
korespondensi antara hasil klasifikasi dengan kondisi di permukaan tanah
(Foody, 2002). Gambar II.8 mengilustrasikan penggunaan konfusi
matriks untuk menghitung overall accuracy. Formula untuk menghitung
overall accuracy ditunjukkan pada persamaan 8, 9 dan 10.
Gambar II.8. Ilustrasi matriks konfusi untuk menghitung overall

accuracy (Foody, 2002)
𝑞
∑𝑘=1 𝑛𝑘𝑘
𝑂𝑣𝑒𝑟𝑎𝑙𝑙 𝑎𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = × 100% …...….………(8)
𝑛
𝑛𝑖𝑖
𝑈𝑠𝑒𝑟′𝑠 𝑎𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = ………………...………………(9)
𝑛𝑖+
𝑛𝑖𝑖
𝑃𝑟𝑜𝑑𝑢𝑐𝑒𝑟′𝑠 𝑎𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = …………………………(10)
𝑛+𝑖
Selain itu, pada umumnya pengujian akurasi hasil klasifikasi dengan

menggunakan machine learning diuji dengan perhitungan precision,
recall dan F-score (Goutte dan Gaussier, 2005), dengan menggunakan
persamaan 11, 12 dan 13 berikut:
31
𝑡𝑝
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = × 100% ………………………(11)
𝑡𝑝+𝑓𝑝
𝑡𝑝
𝑅𝑒𝑐𝑎𝑙𝑙 = × 100% ……………..……………(12)
𝑡𝑝+𝑓𝑛
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 ×𝑅𝑒𝑐𝑎𝑙𝑙
𝐹1 = 2 × 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 + …………………………(13)
𝑅𝑒𝑐𝑎𝑙𝑙
dengan:
𝑡𝑝 = 𝑡𝑟𝑢𝑒 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑒, area overlap antara hasil dan data referensi
𝑓𝑝 = 𝑓𝑎𝑙𝑠𝑒 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑒, objek hanya ditemukan pada data referensi
𝑓𝑛 = 𝑓𝑎𝑙𝑠𝑒 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑒, objek hanya ditemukan pada data hasil
Ilustrasi dari true positive, false positive dan false negative ditunjukkan
pada Gambar II.9.
Gambar II.9. Ilustrasi TP, FP dan FN (Widyaningrum dan Gorte, 2017)

3. Untuk mengevaluasi aspek kepraktisan tidak digunakan standar atau
parameter khusus, namun dengan mendokumentasikan waktu yang
diperlukan di setiap tahapan proses yang dikerjaan dan
membandingkannya dengan pengalaman empiric yang dapat dilihat
melalui dokumen standar tentang Analisis Biaya Keluaran Kegiatan
Penyelenggaraan Informasi Geospasial yang ada pada Peraturan Kepala
BIG nomor 10 tahun 2017.
32
BAB III
PELAKSANAAN PENELITIAN
Pada Bab III dibahas mengenai pelaksanaan penelitian yang akan dibedakan
menjadi tiga bagian yaitu deskripsi penelitian, tahapan persiapan dan tahap
pelaksanaan penelitian. Pada tahap persiapan meliputi penjelasan tentang data dan
perangkat yang digunakan untuk penelitian. Sedangkan pada tahap pelaksanaan
penelitian dijabarkan secara rinci mengenai detail kegiatan yang dilakukan dalam
pelaksanaan penelitian.
III.1. Deskripsi Penelitian
Lokasi penelitian ini adalah sebagian area urban di Kota Bandung, pada
koordinat berikut 6,958333°LS dan 107,604167°BT hingga 6,937500°LS dan
107,666667°BT. Untuk keperluan efektifitas pengolahan dan simulasi sistem, pada
penelitian ini dibuat tiga Area of Interest (AOI), lihat Gambar III.1.
Gambar III.1. Ilustrasi AOI untuk penelitian

33
III.2. Persiapan
III.2.1. Data Penelitian

Data yang digunakan untuk kegiatan penelitian ini antara lain:
1. Data foto udara
Diakuisisi menggunakan kamera udara Leica RCD30, f = 53mm, tipe sensor
CCD frame. Project milik PT. Asi Pudjiastuti Geosurvey akuisisi tahun 2015.
Data terdiri atas:
a. Interior Orientation Parameters;
b. Exterior Orientation Parameters (hasil Triangulasi Udara), dengan akurasi
Hz ≤ 0,5 m, Vt 0,15 m≤V≤ 0,3m;
c. Foto Udara Digital format .Tiff, dengan overlap 60 – 65% , sidelap 25 –
35% dan GSD atau resolusi spasial 15 cm;
2. Data LiDAR
Diakuisisi menggunakan sensor LiDAR Leica ALS 70, data berupa point clouds
LiDAR format .LAS, dengan kerapatan 6 titik per meter persegi;
3. Peta RBI skala 1:5.000
Peta Rupabumi Indonesia Skala 1:5.000 merupakan hasil pengamatan
stereoplotting foto udara digital yang akuisisi tahun 2014. Data ini dijadikan
sebagai pembanding atau evaluasi hasil semantic labeling dan pemrosesan true
orthophotos;
4. Skema unsur peta Rupabumi Indonesia
III.2.2. Perangkat Penelitian

Perangkat yang digunakan untuk kegiatan penelitian ini dibedakan menjadi
perangkat keras dan perangkat lunak. Berikut adalah perangkat yang perlu
dipersiapkan sebelum melakukan kegiatan penelitian.
1. Perangkat Keras
Perangkat keras yang digunakan dalam penelitian ini berfungsi sebagai alat
penyimpanan, pengolahan dan penyajian data. Perangkat keras yang digunakan
yaitu Laptop atau Komputer PC yang mendukung pengolahan grafis, dilengkapi
34
dengan perangkat grafis minimal setara Nvidia GeForce, RAM 2 GB dan bekerja
dalam sistem 64bit.
2. Perangkat Lunak
Perangkat lunak yang ada di bawah ini berguna sebagai alat untuk mengolah
data, menyajikan data dan analisis data selama kegiatan penelitian. Perangkat
lunak tersebut yaitu:
a. Sistem Operasi Windows 7 64-bit sebagai sistem operasi laptop;
b. Ms. Office 2013 digunakan untuk dokumentasi dan penulisan tesis;
c. Trimble Photogrammetry 8.0 digunakan untuk proses true orthorektifikasi;
d. Quantum GIS 3.0, sebagai perangkat lunak untuk pembuatan 34ector training
data;
e. Global Mapper 18 (versi trial) yang dilengkapi dengan LiDAR tools
digunakan untuk melakukan klasifikasi data LiDAR;
f. Python 3 Anaconda dengan Python console Spyder dan dilengkapi dengan
library: GDAL, NumPy, Numba, RSGISLib, Rios, Tuiview, Scikit-Learn dan
OpenCV.
Python berikut seperangkat library tersebut digunakan sebagai sistem utama
dalam melakukan pengolahan semantic labeling, mulai dari analisis citra,
ekstraksi dan pemilihan fitur, training data serta klasifikasi. Library OpenCV
tidak digunakan sepenuhnya dalam proses machine learning. Untuk
keperluan implementasi machine learning lebih banyak digunakan library
Scikit-Learn;
35
III.3. Tahap Pelaksanaan Penelitian
Tahapan pelaksanaan penelitian ini dijelaskan pada Gambar III.2

MULAI
MULAI
Data
Data Foto
Foto Udara:
Udara:
-- IO
IO
Data
Data LiDAR
LiDAR -- EO
EO (hasil
(hasil AT)
AT) Training
Training
[.LAS]
[.LAS] -- Image
Image Foto
Foto area
area
Penyamaan
Penyamaan
Referensi
Referensi Tinggi
Tinggi
Data
Data LiDAR
LiDAR
LiDAR
LiDAR pada
pada
Referensi
Referensi Geoid
Geoid
True
True Orthorectification
Orthorectification
Mosaik
Mosaik True
True Orthophotos
Orthophotos
[R,
[R, G,
G, B,
B, NIR],
NIR], GSD
GSD 20
20 cm
cm
Klasifikasi
Klasifikasi LiDAR
LiDAR TDVI
TDVI NSVDI
NSVDI NDWI
NDWI Band
Band Slicing
Slicing
Ground
Ground
&
& TDVI
TDVI NSVDI
NSVDI NDWI
NDWI R
R
Non-Ground
Non-Ground G
G
B
B
B
Analisis
Analisis Lanjutan
Lanjutan
N
N
DSM
DSM C
DTM
DTM
SLope
SLope
Penggabungan
Penggabungan Layer
Layer Dataset
Dataset
nDSM
nDSM
Layer
Layer Dataset
Dataset untuk
untuk Layer
Layer Dataset
Dataset
A Extraksi
Extraksi Fitur
Fitur untuk
untuk Segmentasi
Segmentasi
(semua 11 layer dataset)
(semua 11 layer dataset) (R,G,B,N,DSM
(R,G,B,N,DSM & & Slope)
Slope)
Pemilihan
Pemilihan Kombinasi
Kombinasi Layer
Layer Data
Data
untuk
untuk Segmentasi
Segmentasi
Segmentasi
Segmentasi
Ekstraksi
Ekstraksi Fitur
Fitur
Klasifikasi
Klasifikasi
(Machine
(Machine Learning)
Learning)
Gambar III.2. Diagram alir pelaksanaan penelitian

36
Evaluasi
Evaluasi Hasil:
Hasil:
-- Uji
Uji dengan
dengan skema
skema yang
yang ada
ada
-- Uji
Uji dengan
dengan hasil
hasil interpretasi
interpretasi manual
manual
-- Uji
Uji kepraktisan
kepraktisan
Analisis
Analisis
Hasil
Hasil Akhir
Akhir 2D
2D Semantic
Semantic Labeling
Labeling
Dan
Dan Hasil
Hasil Analisis
Analisis
SELESAI
SELESAI
Gambar III.2. Lanjutan (Diagram alir pelaksanaan penelitian)

Penelitian ini menerapkan metode analisis berbasis objek yang
dikombinasikan dengan machine learning pada tahapan klasifikasinya.
Berdasarkan Gambar III.2 dapat dijelaskan spesifikasi metode yang diterapkan
pada penelitian ini dari awal hingga akhir antara lain:
A. Cluster pemrosesan awal:
1. Persiapan, berupa kegiatan penyamaan sistem referensi, penentuan kelas
objek dan penyiapan data training sample;
2. Proses koreksi pergeseran relief dengan metode true orthorektifikasi untuk
data foto udara;
3. Filtering dan klasifikasi data LiDAR dengan menggunakan aturan x, y dan
nilai piksel pada zumbu z serta menerapkan morphological filtering dalam
proses klasifikasi memisahkan titik-titik ground dan non-ground;
4. Penyiapan Data Raster untuk Feature Selection, metode yang diterapkan
antara lain bland slicing, analisis indeks vegetasi, analisis indeks air, analisis
saturasi warna, analisis ketinggian surface, terrain dan normal-surface serta
analisis kelerengan;
5. Penggabungan layer data yang diperlukan untuk tahapan segmentasi dan
ekstraksi fitur;
37
B. Cluster pemrosesan inti:

6. Proses segmentasi dengan menerapkan prinsip OIF dan menggunakan
metode clustering;
7. Ekstraksi fitur;
8. Training data dan populate RAT;
9. Klasifikasi dengan menggunakan metode extremely randomized trees;
C. Cluster evaluasi, analisis dan pelaporan:
10. Evaluasi Kualitas;
11. Analisis dan Pelaporan.
Gambar III.3. Diagram penggunaan file program

Pelaksanaan penelitian diimplementasikan sebagian besar dilakukan dengan
membangun script atau program komputer dengan menggunakan bahasa
pemrograman Python dan library-nya. Tahapan ke-empat hingga ke-sembilan
dibangun dengan menggunakan script tersebut. Untuk tahapan yang lain, digunakan
perangkat sebagaimana disebutkan pada Bab III.2.2. Program yang dibangun masih
berupa file-file program terpisah yang disesuaikan dengan kebutuhan pemrosesan,
38
belum dibangun Graphic User Interface untuk pengolahannya. Pada Error!

Reference source not found. dan Error! Reference source not found. dapat
dilihat daftar file program dan script program yang telah dibuat. Secara visual,
skema penggunaan file program Python yang digunakan pada penelitian ini dapat
dilihat pada Gambar III.3. Lebih detail penjelasan tahapan penelitian dijelaskan
pada sub-bab berikut.
III.3.1. Persiapan Penelitian

Data LiDAR dan foto udara yang digunakan dalam penelitian ini, diakuisisi
secara bersamaan (dua sensor dalam satu platform). Data foto udara telah
mengalami proses triangulasi udara sehingga memiliki EO hasil triangulasi udara.
Setelah proses tersebut data foto udara berada pada sistem referensi Datum WGS
84, sistem proyeksi UTM Zona 48S, datum tinggi dalam EGM 2008. Referensi
horisontal foto udara dan LiDAR telah berada pada sistem yang sama, sedangkan
untuk referensi tinggi, data LiDAR masih dalam sistem ellipsoid sedangkan foto
udara berada pada sistem tinggi EGM 2008.
Pada tahapan persiapan ini, dilakukan penyamaan sistem referensi, terutama
datum tinggi pada data LiDAR, disamakan ke dalam EGM 2008. Proses konversi
sistem tinggi dilakukan menggunakan Microstation, dengan input model geoid
EGM 2008. Dari hasil konversi sistem tinggi tersebut, diperoleh rerata nilai
undulasi di lokasi studi sebesar -22,1 meter, dengan demikian sistem tinggi ellipsoid
bernilai lebih tinggi dari sistem geoid.
Persiapan lainya yaitu melakukan penentuan kelas objek dan penyiapan
training sample setiap kelas untuk keperluan semantic labeling. Data yang akan
dijadikan sebagai benchmark adalah Peta RBI skala 1:5.000, sehingga perlu
dilakukan identifikasi kelas objek apa saja yang terdapat pada peta RBI skala
1:5.000 dan dapat dijadikan sebagai kelas objek untuk training sample.Tabel III.1
menunjukkan ragam kelas objek atau unsur Peta RBI yang ada pada AOI-1, 2 dan
3.
39
Tabel III.1. Kelas Objek atau Unsur Peta RBI yang ada pada AOI-1, 2 dan 3
AOI#1 AOI#2 AOI#3

Kode Unsur
Nama Unsur Nama Unsur Nama Unsur
FA004000 Tegalan/Ladang - Tegalan/Ladang
FA006000 - - Sawah
FB004000 Semak Belukar - Semak Belukar
Tanah
FF002000 Kosong/Gundul Tanah Kosong/Gundul Tanah Kosong/Gundul
Permukaan/Lapangan Permukaan/Lapangan
FF008000 - Diperkeras Diperkeras
FG 002000 - - Taman
DA010000 Empang - Empang

DA028000 Sungai Sungai Sungai
CA008008 - - Jalan Arteri

CA008009 - Pembatas Jalan Pembatas Jalan
CA008010 - Jalan Kolektor -
CA008012 Jalan Lokal Jalan Lokal Jalan Lokal
CA008024 - - Tempat Parkir
GA002000 Gedung/Bangunan Gedung/Bangunan Gedung/Bangunan

GB002000 - - Mal/Toserba
Pusat Perdagangan dan Pusat Perdagangan dan
Niaga Kota Niaga Kota
GB002002 - (Mal/Toserba) (Mal/Toserba)
Pusat Perdagangan
Tradisional (Pasar
GB002004 - Eceran/Grosir/Induk) -
Rumah
Toko/Rumah Rumah Toko/Rumah Rumah Toko/Rumah
GB002012 Kantor Kantor Kantor
GB002014 - - Pusat Pergudangan
GB004002 - Kantor Bank -
GD002000 - - Kantor Pemerintahan
GE002002 - - Pendidikan/Pelatihan
GE002008 Pendidikan Dasar - -
GF002002 - Masjid Masjid
GG004000 - - Hotel/Motel
40
Lanjutan Tabel III.1. Kelas Objek atau Unsur Peta RBI yang ada pada AOI-1, 2
dan 3
AOI#1 AOI#2 AOI#3
Kode Unsur
Nama Unsur Nama Unsur Nama Unsur
GG004004 - - Restoran/Tempat Makan
GH002004 - Pemakaman Umum Pemakaman Umum
GI002000 - Fasilitas Kesehatan Lainnya -
CA010000 Jembatan Jembatan -
HB002002 Gardu Listrik - -
Dari Tabel III.1 di atas dapat dilihat bahwa pengkelasan objek pada Peta RBI
skala 1:5.000 menunjukkan adanya pembedaan kelas berdasarkan fungsi objek.
Kenyataannya kenampakan objek spasial dari foto udara maupun LiDAR lebih
bersifat generik. Untuk dapat mengkelaskan suatu objek seperti pada skema Peta
RBI di atas diperlukan informasi tambahan, misalnya melakukan survey langsung
ke lapangan melihat fungsionalitas dari objek tersebut. Sehingga untuk keperluan
penelitian ini, dibuat pengkelasan objek yang lebih generik dan memungkinkan
untuk dilakukan semantic labeling terhadap kelas objek tersebut.
Tabel III.2. Penyusunan kelas untuk keperluan semantic labeling
Kelas pada Skema Peta RBI Kelas yang disusun
Tegalan/Ladang
Vegetasi Tinggi
Taman atau
Sawah Vegetasi Rendah
Semak Belukar
Tanah Kosong/Gundul Tanah Kosong
Permukaan/Lapangan Diperkeras
Empang Badan Air

Sungai
Jalan Arteri
Jalan Aspalt
Pembatas Jalan atau
Jalan Kolektor Jalan Beton
Jalan Lokal
41
Lanjutan Tabel III.2. Penyusunan kelas untuk keperluan semantic labeling
Tempat Parkir
Gedung/Bangunan Bangunan Atap Terang

atau
Mal/Toserba Bangunan Atap Gelap
Pusat Perdagangan dan Niaga Kota
(Mal/Toserba)
Pusat Perdagangan Tradisional (Pasar
Eceran/Grosir/Induk)
Rumah Toko/Rumah Kantor
Pusat Pergudangan
Kantor Bank
Kantor Pemerintahan
Pendidikan/Pelatihan
Pendidikan Dasar
Masjid
Hotel/Motel
Restoran/Tempat Makan
Fasilitas Kesehatan Lainnya
Pemakaman Umum -
Jembatan -
Gardu Listrik -
Tabel III.2 menunjukkan kelas objek yang lebih generik dan memungkinkan
untuk diimplementasikan dalam 2D semantic labeling. Selain sembilan kelas objek
di atas pada data foto udara terdapat kenampakan objek lain yang cukup menonjol,
yaitu bayangan dan sampah yang ada pada sungai. Sehingga kelas objek yang coba
di klasifikasikan berjumlah sepuluh (10) kelas objek, antara lain:
1. Bangunan atap gelap
2. Bangunan atap terang
3. Jalan aspalt
4. Jalan beton
5. Badan air
42
6. Bayangan
7. Vegetasi tinggi
8. Vegetasi rendah
9. Tanah Kosong
10. Sampah
Setelah disusun kelas objek yang lebih generik, dilakukan penyiapan training
sample untuk setiap kelas objek yang ada pada setiap AOI. Penyiapan training
sample dilakukan dengan melakukan dijitasi on screen terhadap mosaic orthophoto
dengan menggunakan perangkat lunak Quantum GIS. Training data tersebut
disimpan dalam format vektor yaitu shapefiles, data tersebut akan dimanfaatkan
pada proses ekstraksi fitur dan klasifikasi. Gambar – gambar berikut menunjukkan
contoh training sample pada kelas objek yang diklasifikasikan.
Gambar III.4. Contoh training sample kelas objek “Bangunan atap gelap”
43
Gambar III.5. Contoh training sample kelas objek “Tanah kosong”
Gambar III.6. Contoh training sample kelas objek “Bangunan atap terang”
Gambar III.7. Contoh training sample kelas objek “Bayangan”

44
Gambar III.8. Contoh training sample kelas objek “Jalan aspalt”
Gambar III.9. Contoh training sample kelas objek “Jalan beton”
Gambar III.10. Contoh training sample kelas objek “Vegetasi tinggi”
Gambar III.11. Contoh training sample kelas objek “Vegetasi rendah”

Hasil penyiapan training sample dari setiap kelas objek disimpan dalam format
vektor berupa shapefiles. File training sample ini dipakai untuk training set
sebelum proses klasifikasi dengan machine learning dilakukan.
45
III.3.2. Pengolahan True Orthophoto

Data dasar yang tersedia pada penelitian ini diantaranya berupa image digital
dalam bentuk frame image dan mosaic orthophoto. Image yang dipakai sebagai data
input dalam pengolahan 2D semantic labeling berupa image mosaik yang terdiri
dari band R, G, B dan NIR, namun image mosaic orthophoto yang tersedia terdapat
pergeseran jika dibandingkan dengan data vektor Peta RBI (hasil pengamatan
stereokompilasi). Dengan demikian, diperlukan pengolahan true orthophoto. Di
area urban khususnya area yang di dalamnya terdapat objek dengan ketinggian yang
beragam, seperti bangunan tinggi, hotel, apartmen, dsb, penggunaan metode
orthophoto saja dapat menyebabkan adanya efek bangunan rebah dan terdapat detil
lain yang tertutupi akibat efek tersebut (lihat Gambar III.12). Untuk melakukan
proses true orthorektifikasi data yang digunakan antara lain: 1). Image digital; 2).
Interior Orientation Parameters; 3). Exterior Orientation Parameters; 4). Digital
Surface Model dari data LiDAR yang dibuat dalam format TIN.
Gambar III.12. Pergeseran orthophoto dengan Peta RBI skala 1:5.000

Tahapan umum pengolahan true orthophoto yaitu: orthorectification, colors
matching, mosaicking dan feathering. Tahapan tersebut dilakukan dengan
46
menggunakan perangkat lunak Trimble Photogrammetry. Lebih detail, pengerjaan

true orthorektifikasi ditunjukkan pada diagram alir berikut:
Gambar III.13. Detail pemrosesan true-orthophotos

Hasil sebelum dan sesudah proses true orthorektifikasi ditunjukkan Gambar
III.14. Pada gambar tersebut dapat dilihat penambahan elemen surface pada proses
orthorektifikasi akan mengeliminir pengaruh perspektif dan relief displacement.
Jika dibandingkan dengan hasil orthophoto, efek bangunan rebah (building lean)
47
telah dapat dikoreksi. Penggunaan representasi ketinggian dalam bentuk TIN

menghasilkan true orthophoto yang terlihat rapi, tepi objek dapat diidentifikasi,
namun masih belum setegas hasil orthorektifikasi dengan penambahan DBM.
(a) (b)
Gambar III.14. Perbandingan sebelum true orthorektifikasi (a) dan setelah true
orthorektifikasi (b)
III.3.3. Klasifikasi Data LiDAR

Berdasarkan studi literatur yang telah dilakukan, beragam penelitian
menunjukkan penggunaan data LiDAR yang berisi informasi ketinggian sebagai
komponen tambahan dalam proses semantic labeling dapat memberikan
peningkatan hasil labeling atau meningkatkan hasil klasifikasi. Data LiDAR yang
digunakan pada penelitian ini masih berada pada format .LAS, sehingga untuk
keperluan penelitian perlu dilakukan proses klasifikasi terhadap data LiDAR
tersebut. Klasifikasi yang dimaksud di sini adalah memisahkan komponen ground
dan non-ground, kemudian dilanjutkan dengan pengolahan lanjutan mengkonversi
data ketinggian tersebut menjadi DSM, DTM dan Slope. Proses klasifikasi data
LiDAR dilakukan dengan menggunakan perangkat lunak Global Mapper yang
dilengkapi dengan LiDAR tools.
Gambar III.15 menunjukkan tampilan metadata dari data LiDAR pada
AOI_1, dimana pada AOI_1 terdapat > 4.000.000 point clouds dan belum
terklasifikasi. Sebelum proses klasifikasi ground dan non-ground dilakukan,
terlebih dahulu dilakukan koreksi noise yang mungkin saja ada pada data LiDAR
yang dipakai.
48
Gambar III.15. Metadata dari data LiDAR.las
Proses klasifikasi LAS points data LiDAR menjadi ground dan non-ground
dilakukan dengan menentukan parameter untuk memisahkan point ground dan non-
ground. Parameter yang perlu ditentukan antara lain:
a. Menentukan ukuran curvature deviations yang akan dipakai;
b. Menentukan ketinggian minimum di atas rerata ketinggian minimum lokal
yang mempertimbangkan suatu titik merupakan titik non-ground;
c. Menentukan parameter kontrol untuk secara otomatis memisahkan titik
non-ground misalnya bangunan, dengan menggunakan morphological
filter. Nilai parameter yang ditentukan yaitu beda tinggi maksimum dan
nilai terrain slope yang diharapkan;
Gambar III.16. Pengaturan parameter untuk klasifikasi ground dan non-ground

dari .las data LiDAR
Pada Gambar III.16 menunjukkan pengaturan parameter untuk klasifikasi
ground dan non-ground data LiDAR. Pengaturan yang sama juga diterapkan untuk
AOI_2 dan AOI_3. Pada tahapan klasifikasi ini hanya dilakukan pemisahan ground
49
dan non-ground saja, tidak dilakukan klasifikasi terhadap objek yang lain. Gambar
III.17 menunjukkan hasil pengolahan pada tahapan klasifikasi data LiDAR.
a. Tampilan tampak atas klasifikasi ground dan non-ground
b.Tampilan statistic hasil klasifikasi ground dan non-ground
c.Tampilan melintang hasil klasifikasi ground (warna cokelat) dan non-ground

(warna abu-abu)
Gambar III.17. Hasil klasifikasi gorund dan non-ground pada data LiDAR
50
III.3.4. Penyiapan Data Raster sebagai Fitur Terpilih

Tahapan pengolahan true orthorektifikasi menghasilkan mosaic true
orthophoto yang telah berada pada proyeksi orthogonal dan berada pada skala yang
seragam sehingga secara geometri sudah benar, serta terdiri dari band R, G, B dan
NIR. Pada tahapan klasifikasi data LiDAR telah dilakukan pemisahan titik ground
dan non-ground dengan berbasis pada point -based atau raster-based menggunakan
aturan x dan y dan nilai piksel pada zumbu z serta menerapkan morphological
filtering dalam proses klasifikasi. Dari kedua data dasar tersebut dilakukan analisis
sehingga menghasilkan layer-layer data raster baru yang memiliki informasi
spesifik dan dapat digunakan untuk proses ekstraksi atau pemilihan fitur serta
proses klasifikasi. Keseluruhan daftar script program yang digunakan untuk proses
semantic labeling terdapat pada Error! Reference source not found..
III.3.4.1 Band R – G – B – NIR. Sub tahapan ini merupakan pemisahan band
pada data mosaic true orthophoto menjadi band-band tunggal. Teknik ini biasa
disebut dengan band slicing. Proses band slicing dilakukan dengan menggunakan
script Python yang dibinding dengan library NumPy dan GDAL (lihat Error!
Reference source not found.). Image yang sebelumnya hanya satu dan terdiri dari
empat band, dipisahkan menjadi empat image berdasarkan band-band
penyusunnya. Band slicing ini dimaksudkan untuk mempermudah analisis lain
yang hanya memerlukan band tertentu, serta memudahkan dalam proses ekstraksi
fitur.
III.3.4.2 TDVI. Penerapan teknik TDVI dilakukan untuk mengidentifikasi
objek vegetasi secara jelas. Berdasarkan studi literatur yang sebelumnya telah
ditunjukkan bahwa teknik TDVI dapat mengidentifikasi objek vegetasi dengan baik
khususnya di area urban dan image yang dihasilkan tidak tersaturasi seperti halnya
pada teknik NDVI. Teknik TDVI menggunakan band NIR dan R dalam analisisnya
dan menggunakan formula pada Persamaan 2 di Bab II.3. Proses pengerjaannya
dilakukan menggunakan script pada Python yang dibinding dengan library NumPy,
GDAL dan Numba (lihat Error! Reference source not found.).
51
III.3.4.3 NDWI. Teknik analisis ini digunakan untuk membantu

mengidentifikasi badan air yang terdapat pada image. Teknik ini menggunakan
band Green dan NIR dan menggunakan formula pada Persamaan 4 di Bab II.3.
Pelaksanaan analisis dengan teknik ini juga dilakukan menggunakan script Python
yang dibinding dengan library NumPy dan GDAL (lihat Error! Reference source
not found.).
III.3.4.4 NSVDI. Teknik analisis ini dipakai untuk mengidentifikasi
banyangan yang ada pada image. Berdasarkan digital number dan kenampakan
visual pada komposisi true color, objek bayangan memiliki tampilan yang serupa
dengan badan air yaitu berwarna cenderung gelap mendekati hitam. Maka untuk
membedakan objek bayangan dengan badan air dilakukan transformasi warna
menjadi warna saturasi atau HSV (Hue Saturation Value). Setelah dilakukan
transformasi warna menjadi warna saturasi, dilakukan penerapan teknik NSVDI ini
dengan menggunakan formula Persamaan 5 yang ada pada Bab II.3. Implementasi
praktisnya dilakukan dengan menggunakan script Python yang dibinding dengan
library NumPy, GDAL, OpenCv dan Numba (lihat Error! Reference source not
found.).
III.3.4.5 DSM. Hasil klasifikasi data LiDAR yang memisahkan titik ground
dan non-ground dapat diolah lebih lanjut untuk menghasilkan informasi lain,
misalnya DSM dan DTM. Untuk informasi DSM data yang diolah adalah data yang
terklasifikasi sebagai non-ground. Lalu titik-titik non-ground tersebut diinterpolasi
menjadi model ketinggian dengan menggunakan menggunakan metode elevation
grid. Model ketinggian dari data non-ground tersebut menunjukkan ketinggian
surface atau dinamakan DSM. Selanjutnya dilakukan proses konversi menjadi
Geotiff, dengan membuat resolusi spasialnya seragam dengan resolusi spasial dari
image foto udara yaitu 20 cm x 20 cm.
52
III.3.4.6 DTM. Untuk pengolahan menjadi DTM, demikian halnya seperti

pengolahan DSM, namun data yang digunakan adalah titik-titik yang terklasifikasi
sebagai titik ground. Model ketinggian yang dihasilkan adalah ketinggian terrain.
DTM yang dihasilkan juga dikonversi menjadi Geotiff dan diseragamkan resolusi
spasialnya. Proses analisis menjadi DSM dan DTM dilakukan menggunakan Global
Mapper.
III.3.4.7 nDSM. nDSM merupakan hasil pengurangan data DSM terhadap
data DTM (lihat Persamaan 6 Bab II.3). Sehingga hanya akan menginformasikan
objek-objek yang ada di atas permukaan. Informasi ini data dimanfaatkan untuk
membedakan objek yang berada di ground atau tidak. Misalnya untuk vegetasi
rendah, objek tersebut tidak memiliki informasi tentang nDSM (no data value),
sedangkan untuk vegetasi tinggi, objek tersebut akan memiliki informasi tentang
nDSM. Dengan demikian, layer data nDSM diperlukan dalam ekstraksi fitur. Proses
perhitungan nDSM ini dilakukan menggunakan script Python yang dibinding
dengan library yang telah disebutkan sebelumnya (lihat Error! Reference source
not found.).
III.3.4.8 Slope. Analisis slope dilakukan untuk memberikan informasi
tentang kelerangan setiap objek yang ada pada AOI. Informasi kelerengan ini dapat
dimanfaatkan untuk mendeteksi objek dan dimanfaatkan pada proses klasifikasi.
Data yang digunakan untuk analisis slope adalah data DSM.
III.3.5. Penggabungan Layer Data

Penggabungan layer data merupakan tahapan untuk menggabungkan data
raster yang akan dilibatkan dalam proses segmentasi dan data yang akan dilibatkan
dalam ekstraksi fitur serta pengelompokkan Raster Attribut Table (RAT). Layer
data yang digunakan untuk dilibatkan dalam ekstraksi fitur antara lain:
1. Layer Band Red
2. Layer Band Green
3. Layer Band Blue
4. Layer Band Near Infra Red
5. Layer NDWI
53
6. Layer TDVI
7. Layer NSVDI
8. Layer DSM
9. Layer nDSM
10. Layer DTM
11. Layer Slope
Gabungan layer data raster yang digunakan untuk tahapan segmentasi dipilih enam
layer kandidat yaitu R, G, B, NIR, DSM dan Slope. Dipilihnya keenam kandidat
tersebut karena layer data yang lain relatif telah mengalami proses normalisasi dan
seleksi sehingga informasi spektral yang ada pada band tersebut telah tereduksi.
Layer data slope dipilih untuk melihat sejauh mana pengaruh informasi kelerengan
dalam mengidentifikasi objek.
Sebelum dilakukan proses penggabungan layer, dipastikan terlebih dahulu
kesemua data telah berada pada sistem yang sama, format yang sama dan resolusi
spasial yang sama. Hal ini dimaksudkan agar proses penggabungan layer data dapat
berjalan lancer. Proses penggabungan layer data untuk segmentasi dan layer data
untuk klasifikasi dilakukan menggunakan script Python dan library-nya (lihat
Error! Reference source not found.). Hasil penggabungan layer dataset ini
berbentuk file dengan berekstensi .KEA. File tersebut merupakan format data yang
digunakan dalam penelitian ini. Format data ini lebih ringan sehingga dapat
meningkatkan peforma sistem yang dibuat serta kompatibel dengan library GDAL.
III.3.6. Segmentasi
Seperti yang telah dijelaskan pada Bab Landasan Teori, segmentasi
merupakan proses memisahkan image menjadi region-region berbeda yang tidak
saling overlap dan memiliki atribut yang sama. Sebelum segmentasi, terlebih
dahulu dilakukan analisis untuk menentukan layer dataset dengan kombinasi
terbaik, agar diperoleh hasil segmentasi yang maksimum.
Pada penelitian diimplementasikan teknik OIF untuk menentukan kombinasi
layer dataset yang paling maksimum untuk digunakan pada proses segmentasi.
Kombinasi 3-layer dataset yang dihitung OIF-nya melibatkan 6 (enam) buah layer
dataset yaitu: R, G, B, NIR, DSM dan slope. Script program untuk menghitung nilai
54
standar deviasi, korelasi dan OIF dapat dilihat pada Error! Reference source not
found.. Nilai standard deviasi untuk masing-masing layer dataset dapat dilihat pada
Tabel III.3. Sedangkan nilai koefisien korelasi antar layer dataset dapat dilihat pada
Gambar III.18.
Tabel III.3. Nilai standard deviasi dari masing-masing layer data

Layer Data Standard Deviasi
R 41.45
G 51.86
B 58.95
NIR 9.58
DSM 20.77
Slope 77.99
Grafik Koefisien Korelasi Setiap Layer

Dataset
1.5
0.5
0
R G B N DSM SLOPE
-0.5
R G B N DSM SLOPE
Gambar III.18. Grafik koefisien korelasi setiap layer dataset
Dari nilai standard deviasi dan koefisien korelasi antar layer dataset,
dilakukan perhitungan OIF dengan menggunakan formula Persamaan 10. Proses
perhitungan standard deviasi, koefisien korelasi dan nilai OIF dilakukan
menggunakan script Python juga. Hasil OIF ditunjukkan pada Tabel III.4. Pada
table tersebut nilai OIF diurutkan dari yang paling besar ke yang paling rendah.
55
Tabel III.4. Hasil perhitungan OIF pada kombinasi layer dataset
Kombinasi
Nomor Nilai OIF
Layer Dataset
1 DSM - Slope - R 333,83
2 B - DSM - Slope 328,56
3 DSM - Slope - B 328,56
Lanjutan Tabel III.4. Hasil perhitungan OIF pada kombinasi layer dataset
Kombinasi
Nomor Nilai OIF
Layer Dataset
4 DSM - Slope - G 289,65
5 N - Slope - R 274,51
6 B - N - Slope 266,40
7 G - N - Slope 232,38
8 B - N - DSM 190,00
9 R - B - Slope 148,66
10 R - B - DSM 148,66
11 G - N - DSM 146,80
12 G - B - Slope 146,36
13 R - G - Slope 134,88
14 G - B - DSM 127,75
15 N - DSM - Slope 125,98
16 R - G - DSM 108,65
17 R-B-N 96,47
18 G-B-N 95,55
19 R-G-N 81,66
20 R-G-B 53,61
Dari Tabel III.4 dapat dilihat nilai OIF paling tinggi diperoleh dari kombinasi layer
dataset DSM – Slope – R sebesar 333,83 dan yang paling rendah diperoleh dari
kombinasi layer dataset R – G – B sebesar 53,61. Nilai OIF yang besar artinya
dengan kombinasi tersebut memiliki informasi yang paling banyak (diukur melalui
nilai varian) dan sedikit jumlah duplikasinya (diukur melalui nilai korelasinya).
Setelah diperoleh kombinasi layer dataset yang paling optimum, dilakukan
proses segmentasi pada script Python yang memanfaatkan library RSGISLib (lihat
Error! Reference source not found.). Metode segmentasi yang digunakan adalah
56
segmentasi dengan metode clustering yaitu K-Means clustering. Parameter yang

ditentukan pada segmentasi dengan metode ini adalah mengatur jumlah minimum
piksel yang akan diidentifikasi sebagai objek terpisah. Pada penelitian ini
pengaturan jumlah piksel minimum yang dimasukkan adalah 150 piksel. Hasil
segmentasi dapat dilihat pada Gambar III.19 dan Gambar III.20. Dari kedua
gambar tersebut dapat dilihat bahwa penerapan teknik OIF dalam menentukan
kombinasi layer dataset untuk proses segmentasi memberikan hasil yang optimal.
Segmen – segmen yang terbentuk lebih terstruktur dan mendekati bentuk
kenampakan objek sebagai mana kenyataannya.
Gambar III.19. Hasil segmentasi dari kombinasi R – G – B, dengan OIF 53,61

57
Gambar III.20. Hasil segmentasi dari kombinasi DSM – Slope – R, dengan nilai
OIF 333,83
III.3.7. Ekstraksi Fitur menggunakan RAT (Raster Attribute Table)

Tahapan berikutnya adalah ekstraksi fitur dengan menggunakan RAT. Proses
ini dilakukan dengan menggunakan script Python dan library RSGISLib serta Rios
(lihat Error! Reference source not found.). Ragam fitur yang akan diekstrak pada
penelitian ini antara lain: mean dari band R, mean dari band G, mean dari band B,
mean dari band NIR, mean dari nilai NDWI, mean dari nilai TDVI, mean dari nilai
NSVDI, mean dari nilai ketinggian (DSM), nilai mean dari nDSM, nilai mean dari
ketinggian terrain dan nilai mean dari slope. Nilai-nilai mean tersebut diekstrak dari
gabungan layer data yang telah dibuat pada tahapan III.3.5 berdasarkan setiap
segmen yang telah dihasilkan dari tahapan segmentasi. Dengan demikian setiap
segmen memiliki informasi attribut tentang ragam fitur yang dipakai. Informasi
atribut tersebut dinamakan Raster Attribut Table (RAT). Gambar III.21
menunjukkan ilustrasi ekstraksi fitur ke dalam RAT berdasarkan segmen-segmen
objek yang telah dihasilkan dari proses sebelumnya.
58
Gambar III.21. Ilustrasi ekstraksi fitur ke dalam RAT
III.3.8. Training Data dan Populate RAT

Pada penelitian ini diterapkan klasifikasi dengan machine learning secara
supervised. Sehingga diperlukan training sample pada proses klasifikasi dilakukan.
Pada tahapan persiapan telah dilakukan penyiapan training data untuk setiap kelas
objek di setiap AOI. Training data dalam format shapefile tersebut diisikan
(populated) pada segmen objek yang ada, sehingga diperoleh segmen-segmen
dengan karakteristik kelas objek yang akan diklasifikasin. Setelah itu dilakukan
proses pengisian nilai RAT atau populate RAT terhadap segmen training data.
Dengan demikian training data telah berbentuk segmen dan memiliki informasi
RAT. Hingga tahapan ini, data segmen dan data training telah siap digunakan untuk
proses klasifikasi. Script program untuk sub tahapan ini dapat dilihat pada
Lampiran B.
III.3.9. Klasifikasi
Tahapan klasifikasi secara machine learning pada penelitian ini,
menggunakan metode Extreemely Randomized Trees. Metode ini juga merupakan
varian dari Random Forest. Pada metode ini random subset menjadi selangkah lebih
cepat dengan cara membagi perhitungan. Random subset dari fitur kandidat
digunakan, namun alih-alih melihat nilai threshold yang paling diskriminatif,
threshold digambarkan secara acak (random) untuk setiap fitur kandidat dan
threshold yang terbentuk secara acak tersebut digunakan sebagai aturan pemisahan.
Teknik ini mereduksi varian dari model namun akan terdapat sedikit peningkatan
59
bias. Parameter utama yang digunakan yaitu n_estimators (jumlah trees), semakin
besar semakin baik namun semakin lama waktu yang dibutuhkan untuk proses
perhitungan. Parameter yang kedua yaitu max_features (ukuran random subsets
dari feature yang perlu diperhatikan ketika memisahkan sebuah node. Semakin
rendah semakin mengurangi varian, namun semakin besar juga dapat meningkatkan
bias. Untuk keperluan klasifikasi max_features = sqrt(n_features) akan
memberikan hasil yang bagus, dimana n_features adalah jumlah feature pada data.
Pada penelitian ini tahapan klasifikasi dengan metode Extreemely Random
Trees dieksekusi dengan script Python yang dibinding dengan library RSGISLib,
Rios dan Scikit Learn, serta memanfaatkan data hasil segmentasi, layer gabungan
beserta RAT dan training sample untuk memprediksi semantic labeling dari setiap
segmen yang ada pada AOI ke kelas objek yang dibangun (lihat Error! Reference
source not found.). Gambar III.22 menunjukkan fungsi dalam menjalankan
klasifikasi.
Gambar III.22. Fungsi yang dijalankan saat melakukan klasifikasi
III.3.10. Evaluasi Kualitas

Untuk melihat kehandalan hasil dari 2D semantic labeling ini perlu dilakukan
tahapan evaluasi kualitas. Evaluasi yang dilakukan sebanyak tiga macam, yaitu
pengujian dengan hasil interpretasi visual, pengujian kehandalan terhadap skema
klasifikasi yang ada serta pengujian aspek kepraktisan. Lebih detail evaluasi
kualitas yang dilakukan antara lain:
1. Pengujian dengan hasil interpretasi manual. Evaluasi dengan melakukan
pengujian hasil semantic labeling dan hasil interpretasi manual atau Peta
RBI skala 1:5.000, dilakukan dengan membuat matrik konfusi dan
menghitung overall accuracy. Selain itu, dihitung juga aspek
60
completeness, correctness dan F-score. Formula yang digunakan seperti

dijelaskan pada Bab II.5;
2. Pengujian kehandalan terhadap skema klasifikasi yang ada. Evaluasi
berikutnya yaitu pengujian kehandalan hasil penelitian dengan skema
klasifikasi yang ada, dalam hal ini skema klasifikasi pada Peta RBI
1:5.000. Membandingkan kelas objek yang dihasilkan dari semantic
labeling dan skema di Peta RBI skala 1:5.000. Pengujian ini merujuk pada
Tabel III.1 dan Tabel III.2 yang ada di bagian tahapan Persiapan
Penelitian;
3. Pengujian aspek kepraktisan. Pengujian aspek kepraktisan dilakukan
dengan mengevaluasi dari segi waktu pemrosesan dan implementasi
script yang dibuat. Akan didokumentasi waktu yang diperlukan dalam
mengeksekusi script program di setiap tahapannya, sehingga diperoleh
waktu total pelaksanaan dengan menggunakan metode ini. Selanjutnya
dibandingkan dengan standar kapasitas pekerjaan untuk kegiatan serupa
yang dilakukan dengan interpretasi manual. Standar yang dipakai yaitu
standar tentang Analisis Biaya Keluaran Kegiatan Penyelenggaraan
Informasi Geospasial yang ada pada Peraturan Kepala BIG nomor 10
tahun 2017 (Big, 2017).
III.3.11. Analisis dan Pelaporan

Tahapan terakhir yaitu analisis hasil 2D semantic labeling dan
memperhatikan hasil evaluasi kualitas untuk kemudian melakukan penyusunan
kesimpulan dan saran untuk penelitian berikutnya. Selain itu dilakukan penulisan
pelaporan dalam bentuk naskah tesis.
BAB IV
HASIL DAN PEMBAHASAN
IV.1. Pemrosesan Awal Terhadap Data Dasar untuk 2D Semantic Labeling

Data penelitian yang digunakan berupa foto udara, LiDAR, Peta RBI Skala
1:5.000 dan skema unsur Peta Rupabumi Indonesia, seperti yang telah disebutkan
pada Bab III.2.1. Untuk keperluan 2D semantic labeling di penelitian ini, telah
dilakukan pemrosesan awal terhadap data tersebut, sebagaimana dilaksanakan pada
Bab III.3. Pemrosesan awal yang dilakukan terhadap data dasar yaitu sinkronisasi
sistem referensi, koreksi pergeseran relief melalui proses true orthorektifikasi dan
filtering atau klasifikasi data LiDAR.
Sinkronisasi sistem referensi bertujuan untuk menyamakan sistem referensi
baik referensi horizontal maupun vertikal dari semua data spasial yang digunakan,
sehingga memudahkan proses integrasi data, analisis maupun evaluasi terhadap
hasil. Sistem referensi yang digunakan mengacu pada sistem referensi Datum WGS
84, sistem proyeksi UTM Zona 48S dan datum tinggi dalam EGM 2008. Data foto
udara yang dijadikan sebagai input untuk semantic labeling berupa data mosaik foto
udara bukan data foto udara dalam bentuk frame-frame terpisah. Mosaik foto udara
yang tersedia masih berupa mosaic orthophoto, koreksi pergeseran relief yang
dilakukan baru mengkoreksi pergeseran karena pengaruh kondisi terrain, sehingga
untuk objek dengan variasi ketinggian yang beragam masih terdapat efek
pergeseran relief dan efek perspektif (lihat kembali Gambar III.12). Hal tersebut
menjadi alasan pokok dilakukannya pemrosesan awal berupa proses true
orthorektifikasi.
Pemrosesan awal lain yang dilakukan adalah filtering atau klasifikasi data
LiDAR. Informasi dari data LiDAR yang dimanfaatkan secara maksimal pada
penelitian ini adalah informasi ketinggiannya. Informasi ketinggian dari data
LiDAR dikonversi ke dalam format raster agar dapat diintegrasikan dengan foto
udara. Data LiDAR yang tersedia masih dalam format .LAS, sehingga dilakukan
pemrosesan awal berupa filtering untuk memisahkan titik-titik ground dan non-
ground. Proses semantic labeling dengan data foto udara dan LiDAR
61
62
diimplementasikan pada data spasial dalam format raster, sehingga informasi

ketinggian dari data LiDAR perlu dikonversi ke dalam format raster dan disamakan
resolusi spasialnya dengan resolusi spasial mosaic true orthophoto.
IV.2. Hasil True Orthophoto dan Klasifikasi LiDAR

Pada pemrosesan awal untuk data foto udara dengan true orthorektifikasi akan
menghasilkan mosaic true orthophoto agar foto udara benar secara geometri dan
terproyeksi secara orthogonal, memiliki skala yang seragam serta terkoreksi
pergeseran relief-nya. Data LiDAR yang awalnya berformat .LAS juga
diklasifikasikan menjadi ground dan non-ground sehingga menghasilkan informasi
ketinggian yang lebih informatif. Pembentukan true orthophoto pada penelitian ini
menggunakan input model ketinggian berupa DSM dari LiDAR dalam format
model TIN. Penggunaan format model TIN lebih mencerminkan kondisi relief
sesuai di lapangan daripada format model grid. Resolusi spasial yang dihasilkan
yaitu 20 cm. Hasil true othorektifikasi ditunjukkan pada Gambar IV.1.
Gambar IV.1. Hasil true orthorektifikasi (gambar yang diberi anak panah
merupakan tampilan perbesaran dan di pojok kanan bawah merupakan hasil
orthophoto saja)
63
Dari Gambar IV.1 dapat dilihat bahwa proses true orthorektifikasi akan
memberikan image dengan geometri yang benar. Hasil true orthophoto tersebut
telah ditampalkan dengan data bangunan dari Peta RBI skala 1:5.000 dan
menunjukkan hasil yang tepat. Selain keunggulan secara geometri seperti
disebutkan sebelumnya, mosaik true orthophoto yang dihasilkan masih memiliki
kekurangan yaitu masih terdapat piksel-piksel berwarna hitam (lihat Gambar IV.2).
Piksel berwarna hitam tersebut menunjukkan tidak adanya piksel yang
berkorelasi saat proses true orthorektifikasi berlangsung. Hal itu terjadi disebabkan
adanya ketidaksempurnaan proses refilling yang dijumpai pada hasil true-
orthophoto dan mengindikasikan perlunya tambahan slave-orthophoto dari multi-
view foto udara. Alternatif lain yang dapat dilakukan untuk mengeliminir
ketidaksempurnaan tersebut yaitu dengan menambahkan setting overlap dan
sidelap saat akuisisi data foto udara di area urban, sehingga area yang bertampalan
semakin besar. Sebagai informasi akuisisi data foto udara dilakukan dengan
mengacu ke format standar pemotretan yaitu overlap 60 - 65% dan sidelap 25 -
35%. Ketidaksempurnaan ini tidak terlalu mengganggu jika akan dilakukan
interpretasi secara manual. Namun untuk keperluan semantic labeling pada
penelitian ini ketidaksempurnaan ini akan menjadi catatan tersendiri.
Gambar IV.2. Ketidaksempurnaan pada true orthophoto yang dihasilkan

64
Hasil klasifikasi data point clouds LiDAR di ketiga AOI pada Gambar IV.3
menunjukkan hasil yang baik, pengaturan parameter ketinggian minimum di atas
rerata ketinggian minimum lokal sebesar satu meter berhasil memisahkan titik-titik
ground dan non-ground dengan baik.
a.Hasil klasifikasi ground dan non-ground pada data LiDAR
b.Kenampakan melintang yang menunjukkan hasil klasifikasi ground dan non-

ground pada data LiDAR
Gambar IV.3. Hasil klasifikasi data LiDAR
Dari hasil klasifikasi LiDAR menjadi ground dan non-ground dapat dibuat
informasi turunan yang dapat dimanfaatkan dalam proses semantic labeling.
65
Informasi turunan yang dihasilkan dari proses ini berupa informasi DSM, DTM,
nDSM dan Slope (kelerengan).
Keempat informasi ketinggian tersebut digunakan untuk membantu proses
semantic labeling penutup lahan di area urban. Tampilan hasil olahan informasi
ketinggian yang telah disebutkan dapat dilihat pada Gambar IV.4. Data DSM berisi
informasi ketinggian permukaan semua objek yang ada pada lokasi AOI, sehingga
informasi ketinggian bangunan pohon atau vegetasi dan objek lain yang ada di
permukaan tanah terdapat pada model ketinggian ini. Untuk model ketinggian DTM
informasi yang ada di dalamnya adalah nilai ketinggian dari permukaan terrain
tanpa objek lainnya (tanpa bangunan, vegetasi maupun objek lain). Model nDSM
merupakan hasil pengurangan dari model ketinggian DSM dan DTM, informasi
yang dimuat di dalamnya hanya ketinggian objek dari atas terrain, sehingga dari
data ini dapat diketahui dimensi tinggi objek dari atas permukaan bumi atau terrain.
Model data slope merupakan data turunan yang berisi nilai kelerengan objek yang
akan menunjukkan perbedaan ketinggian setiap objek.
a.DSM b.DTM
c.nDSM d.Slope
Gambar IV.4. Hasil pengolahan turunan
66
Penelitian ini hanya memaksimalkan informasi ketinggian yang berasal dari

data LiDAR, sensitifitas sensor infra red maupun informasi intensitas dari data
LiDAR tidak dieksploitasi pada penelitian ini. Alasan yang melatarbelakangi hal
tersebut adalah proses integrasi data foto udara dan LiDAR berbasis pada format
raster, tahapan segmentasi dan ekstraksi fitur akan melibatkan informasi dari data
LiDAR, sehingga memaksimalkan informasi ketinggian diharapkan akan
membantu proses semantic labeling. Informasi intensitas dari data LiDAR memang
dapat digunakan untuk deteksi objek, namun pada penelitian ini tidak digunakan
karena nilai intensitas yang dipantulkan dapat berbeda-beda, resolusi spasialnya
dapat berbeda antara area satu dan area yang lain. Resolusi spasial dari image
intensity dipengaruhi oleh tinggi terbang dan kondisi topografi dari permukaan
yang di scan, karena perbedaan ranges (jarak) dan scan angles menyebabkan
perbedaan footprint area yang dihasilkan. Pada penelitian ini memaksimalkan nilai
spektral dari foto udara dan memaksimalkan informasi ketinggian dari LiDAR yang
keduanya berada pada resolusi spasial 20 cm.
IV.3. Layer Data Raster sebagai Fitur Terpilih
Dari hasil pengolahan pada tahapan III.3.4 dan tahapan III.3.5 di Bab
sebelumnya, layer data raster yang digunakan sebagai fitur terpilih adalah layer
data: R, G, B, NIR, NDWI, TDVI, NSVDI, DSM, DTM, nDSM dan Slope.
Dipilihnya kesebelas jenis layer data tersebut, karena setiap data memiliki
karakteristik yang dapat menonjolkan informasi tertentu dan diindikasikan dapat
membantu meningkatkan semantic labeling untuk penutup lahan di area urban.
Layer data R, G, B dan NIR diperoleh dari proses band slicing terhadap data
mosaic true orthophoto. Pemisahan keempat layer data ini dapat membantu dalam
proses analisis yang yang lain. Layer data NDWI dipakai untuk membantu dalam
mengidentifikasi badan air yang ada pada image. Berdasarkan penelitian-penelitian
sebelumnya seperti yang dilakukan oleh Chen dkk. (2009), yang memanfaatkan
teknik ini pada data citra satelit Quickbird untuk mengidentifikasi badan air.
Penelitian ini mencoba menerapkan teknik NDWI pada data foto udara. Teknik
67
NDWI berdasarkan formula pada Persamaan 4, memanfaatkan band NIR dan band
Green.
Gambar IV.5. Hasil pengolahan NDWI

Gambar IV.5 bagian atas menunjukkan hasil pengolahan NDWI dan bagian
bawah menunjukkan tampilannya pada natural color data foto udara. Berdasarkan
penelitian-penelitian sebelumnya yang menggunakan citra satelit badan air pada
hasil NDWI ditunjukkan dengan warna terang atau terlihat lebih cerah. Namun pada
penelitian ini kenampakan dan nilai indeks untuk objek sungai (badan air), jalan
aspalt dan bayangan hampir serupa, karena kenampakannya pada warna natural
sama-sama hitam. Sehingga pada penelitian ini ditambahkan informasi dari analisis
lain untuk membedakan objek tersebut, dalam hal ini digunakan analisis NSVDI.
Analisis NSVDI mengubah susunan warna menjadi bentuk saturasi dalam
format HSV, lalu menormalisasi image saturasi dan image RGB secara matematis
(lihat Persamaan 5). Hasil analisis NSVDI ditunjukkan pada Gambar IV.6
68
Gambar IV.6. Hasil analisis NSVDI

Gambar IV.6 menunjukkan bahwa analisis NSVDI dapat dipakai untuk
membantu mengidentifikasi bayangan. Dari hasil analisis NSVDI bayangan akan
bernilai pada rentang 0,55 hingga 1,00. Untuk keperluan penyiapan layer data
dalam ekstraksi fitur, dilakukan seleksi terhadap hasil analisis NSVDI sehingga
hanya piksel yang teridentifikasi sebagai bayangan yang akan diikut sertakan.
Proses seleksi tersebut dilakukan dengan menerapkan fungsi thresholding terhadap
data hasil analisis NSVDI. Fungsi yang dibuat adalah sebagai berikut:
#melakukan seleksi bayangan berdasarkan nilai nsvdi
@njit
def select_bayangan(T1, T2, nsvdi_band1):
# grab the image dimensions
h = nsvdi_band1.shape[0]
w = nsvdi_band1.shape[1]
output_bayangan = np.zeros((h,w), dtype=np.float32)

69
# loop over the image, pixel by pixel

for y in range(h):
for x in range(w):
# threshold the pixel
output_bayangan[y, x] = 1.0 if T1 <= nsvdi_band1[y, x]
<= T2 else 0.0
# return hasil seleksi

return output_bayangan
img = select_bayangan(0.55 , 1.0, nsvdi_band1)
Untuk mengidentifikasi objek vegetasi, teknik yang umum digunakan adalah

analisis NDVI, namun pada penelitian ini digunakan analisis TDVI. Digunakannya
analisis TDVI pada penelitian ini, karena setelah dibandingkan, teknik TDVI benar-
benar dapat memisahkan objek vegetasi dan non vegetasi dengan lebih jelas. Pada
hasil analisis NDVI, objek non-vegetasi masih terlihat dengan nilai intensitas yang
lebih rendah dibanding vegetasi. Sedangkan hasil analisis TDVI, objek non vegetasi
tidak terlihat bahkan bernilai Nan (no data value), sehingga objek vegetasi dapat
dikenali dengan lebih mudah. Perbedaan hasil kedua analisis tersebut dapat dilihat
pada Gambar IV.7.
Berdasarkan hal tersebut pada penelitian teknik TDVI digunakan untuk
menyiapkan layer data yang memiliki karakteristik untuk membedakan objek
vegetasi dan non vegetasi. Agar lebih tajam dilakukan proses seleksi terhadap
piksel-piksel di TDVI dan diterapkan juga koreksi untuk menghilangkan noise atau
piksel-piksel yang terlalu kecil. Layer data lain seperti DSM, DTM, nDSM dan
slope telah dijelaskan sebelumnya pada bagian IV.1.
a.Hasil NDVI b.Hasil TDVI

Gambar IV.7. Perbedaan visual hasil analisis NDVI dan TDVI
70
IV.4. Hasil Segmentasi

Segmentasi merupakan tahapan penting untuk mengelompokkan piksel-
piksel yang memiliki kesamaan menjadi suatu segmen. Segmen-segmen ini
digunakan untuk mengimplementasikan klasifikasi berbasis objek. Metode
segmentasi yang dilakukan pada penelitian ini berupa segmentasi berbasis
clustering. Layer data yang digunakan dalam proses segmentasi merupakan
kombinasi dari data DSM, Slope dan band Red. Kombinasi tersebut dapat
memberikan hasil segmentasi yang cukup baik.
IV.4.1. Pengaruh OIF Terhadap Hasil Segmentasi

Sebelum proses segmentasi, terlebih dahulu dilakukan analisis untuk
menghitung nilai OIF. Nilai OIF digunakan untuk menentukan kombinasi layer
dataset terbaik sebelum melakukan analisis terhadap data penginderaan jauh. Nilai
OIF yang paling besar pada umumnya memiliki informasi yang paling banyak
(diukur melalui nilai varian) dan dengan sedikit jumlah duplikasinya (diukur
melalui nilai korelasinya). Pada awalnya OIF dikembangkan pada data Landsat,
namun konsep dan metodologinya dapat diimplementasikan ke beragam multilayer
dataset. Penelitian ini mencoba menerapkan analisis OIF sebelum melakukan
proses segmentasi dengan menggunakan enam macam kombinasi layer dataset.
Dipilihnya enam macam layer data ini telah disebutkan pada bagian pelaksanaan.
Hasil segmentasi dengan kombinasi DSM – Slope – R memberikan nilai OIF paling
tinggi dan hasil segmentasi yang paling optimal (lihat Gambar IV.8).
a.Kombinasi R – G – B
nilai OIF: 53,61
71
b.Kombinasi R – G – NIR
nilai OIF: 81,66
c.Kombinasi R – G – Slope
nilai OIF: 134,88
d.Kombinasi DSM – Slope - R

nilai OIF: 333,83
Gambar IV.8. Perbandingan hasil segmentasi beberapa kombinasi band berdasar

nilai OIF
IV.4.2. Segmentasi pada Setiap AOI

Dengan dipilihnya kombinasi DSM – Slope – R sebagai kombinasi layer data
yang paling maksimum, maka dilakukan proses segmentasi terhadap kombinasi
layer data tersebut untuk setiap AOI. Gambar IV.9 menunjukkan tampilan
kombinasi layer terpilih untuk proses segmentasi. Secara visual, kombinasi ketiga
layer tersebut cukup simple dan mudah membedakan objek. Proses segmentasi
dilakukan berbasis region dan menggunakan prinsip similaritas. Teknik yang
digunakan adalah clustering dengan metode K-Means clustering. Implementasinya
pada program Python yaitu menggunakan fungsi runShepherdSegmentation
yang ada pada library Rsgislib.
72
Gambar IV.9. Tampilan kombinasi layer DSM – Slope – R untuk input proses
segmentasi
Parameter yang dimasukan pada proses segmentasi berbasis region dengan
teknik clustering yaitu numClusters (jumlah titik centroid secara acak) sebesar 20
titik centroid dan minPxls (jumlah minimum piksel di setiap cluster yang terbentuk)
sebesar 150 piksel. Alasan pengaturan parameter jumlah titik centroid sejumlah 20
titik, karena nilai tersebut merupakan pendekatan awal dalam pembentukan nilai
titik centroid dan dapat berubah hingga diperoleh cluster-cluster yang firm dan
jumlah titik centroid yang tidak berubah lagi. Parameter jumlah minimum piksel
dibuat 150 piksel dengan alasan objek dalam bentuk area (luasan) dapat dikenali
jika berukuran 3 x 3 dari ukuran terkecil yang dapat dikenali. Target dari semantic
labeling ini ada dibandingkan dengan Peta RBI 1:5.000 yang memiliki standar
objek terkecil yang dapat dikenali adalah 2,5 meter, maka dibuat asumsi objek area
yang dapat dikenali berukuran 7,5 m x 7,5 m. Data yang menjadi input penelitian
ini memiliki resolusi spasial 20 cm, sehingga jumlah piksel yang diperlukan adalah
150 piksel. Hasil segmentasi pada penelitian ini dianggap sudah cukup mampu
mengelompokkan piksel berdasarkan prinsip similaritas. Hasil segmentasi dari
ketiga AOI yang disusun pada penelitian ini memiliki rincian jumlah segmen
sebagai berikut: a). AOI 1 menghasilkan 32.032 segmen; b). AOI 2 menghasilkan
9.541 segmen; dan c). AOI 3 menghasilkan 21.560 segmen.
73
IV.5. Implementasi RAT pada Ekstraksi Fitur dan Training Data
Tahapan ekstraksi fitur dan training data memanfaatkan atribut tabel yang
dinamakan sebagai RAT untuk menyimpan hasil ekstraksi nilai-nilai statistik dari
layer dataset yang digunakan. Kesebelas layer data dengan karakteristiknya
masing-masing digunakan sebagai feature yang akan diekstrak informasinya ke
dalam RAT. Atribut inilah yang diisikan pada setiap segmen dan dijadikan sebagai
training pada training sample. Sehingga berdasarkan informasi dari RAT dan
training sample dapat ditentukan labeling dari setiap segmen yang ada.
Implementasi RAT pada ekstraksi fitur menggunakan prinsip statistik, atribut
tersebut berupa nilai rerata (mean) dari layer data yang ada pada setiap segmen.
Alasan dipilihnya kesebelas layer data tersebut dapat dilihat pada Tabel IV.1.
Tabel IV.1. Daftar feature yang digunakan
No Layer Data Nama Feature Keterangan

1 Red meanR Kombinasi ketiga band dapat menunjukkan
2 Green meanG karakteristik objek tertentu
3 Blue meanB
4 NIR meanN Sensitif terhadap air
5 NDWI ndwi Membantu identifikasi objek tubuh air
6 TDVI tdvi Membantu identifikasi vegetasi
7 NSVDI nsvdi Membantu identifikasi bayangan
Membantu identifikasi objek yang ada di non-
8 DSM elevation ground
9 nDSM ndsm Membantu mengenali objek berdasarkan
ketinggannya dari ground
10 DTM dtm Membantu identifikasi objek yang ada di ground
11 Slope slope Membantu mengenali objek berdasarkan perbedaan
kelerengan
Gambar IV.10 menunjukkan hasil implementsi RAT dan ekstraksi kesebelas

feature yang akan digunakan dalam proses klasifikasi dengan menggunakan
machine learning. Keseluruhan proses ini dilakukan pada Python dengan
menggunakan library RSGISLib, Rios, NumPy dan GDAL.
74
Gambar IV.10. Hasil implementasi RAT dan ekstraksi fitur
IV.6. Hasil Klasifikasi
Klasifikasi dilakukan menggunakan machine learning dengan metode

Extreemely Randomized Trees yang merupakan varian dari Random Forest. Proses
klasifikasi dilakukan dengan menggabungkan library RSGISLib, Rios dan scikit
learn. Proses klasifikasi menggunakan data hasil segmentasi yang telah di labelkan
dengan data training sample pada RAT. Hasil klasifikasi di setiap AOI ditunjukkan
pada Gambar IV.11.
a.Hasil AOI_1
75
b.Hasil AOI_2
c.Hasil AOI_3
Gambar IV.11. Hasil klasifikasi di ketiga AOI
Secara umum pada penelitian ini rangkaian proses 2D semantic labeling
penutup lahan di area urban yang menjadi studi kasus menunjukkan hasil yang
cukup bagus. Lebih detail tentang kelas objek yang dapat terklasifikasi dan belum
terklasifikasi dengan baik dijelaskan pada sub-bab berikut.
IV.6.1. Objek yang Terklasifikasi dengan Baik

Kelas objek yang coba diklasifikasikan pada penelitian ini sebanyak 9
(sembilan) kelas pada AOI 1 dan 10 (sepuluh) kelas ontuk AOI 2 dan AOI 3, kelas
objek tersebut antara lain:
1. Bangunan atap gelap
2. Bangunan atap terang
3. Jalan aspalt
4. Jalan beton
5. Badan air
6. Bayangan
7. Vegetasi tinggi
8. Vegetasi rendah
9. Tanah Kosong
76
10. Sampah
Kelas objek yang relatif terklasifikasi dengan baik yaitu objek Bangunan atap gelap,
Bangunan atap terang, Vegetasi tinggi, Vegetasi rendah dan Tanah kosong.
Penggunaan layer-layer data dan features pada RAT mampu membantu dalam
mengidentifikasi dan mengklasifikasi segmen yang ada. Gambar-gambar berikut
menunjukkan hasil kelas objek yang terklasifikasi dengan baik.
Gambar IV.12. Hasil klasifikasi extremely random trees pada bangunan masjid
dengan warna atap yang beragam
Pada Gambar IV.12 menunjukkan di lokasi studi terdapat satu bangunan
masjid yang memiliki 2 macam atap yaitu atap yang berwarna terang (putih) dan
bagian atap yang berwarna gelap. Kedua macam atap tersebut dapat
diklasifikasikan dengan baik. Pada gambar yang sama juga terdapat kenampakan
pohon dan rumput yang dalam penelitian ini dikaterorikan ke dalam vegetasi tinggi
untuk pohon dan vegetasi rendah untuk rerumputan atau dengan ketinggian < 1
meter di atas terrain. Kedua kelas objek tersebut juga dapat diklasifikasikan dalam
penelitian ini. Kenampakan tanah kosong juga dapat diklasifikasikan.
77
Gambar IV.13. Contoh hasil klasifikasi dengan metode extremely random trees
Gambar IV.13 juga menunjukkan tampilan hasil klasifikasi dengan objek
dominan vegetasi rendah, selain itu kelas objek vegetasi tinggi berupa pohon
individual dapat diklasifikasikan juga, saluran air dan tanah kosong juga dapat
diklasifikasikan dengan baik.
IV.6.2. Objek yang Belum Terklasifikasi dengan Baik

Kelas objek yang belum dapat terklasifikasi dengan baik pada penelitian ini
yaitu: kelas objek jalan aspalt, jalan beton, badan air dan bayangan. Secara visual
nilai spektral jalan aspalt, badan air dan bayangan pada natural color terlihat sama.
Penggunaan layer data NDWI dan NSVDI mampu mengeliminir kesalahan
klasifikasi pada kelas objek bayangan namun tidak maksimal, sehingga masih ada
yang salah klasifikasi. Gambar IV.14 menunjukkan adanya ketidaksempurnaan
klasifikasi pada kelas objek Bayangan dan Badan air. Kelas objek yang seharusnya
berupa bayangan dikelaskan menjadi Badan air dan sebaliknya. Namun tidak
semuanya salah terklasifikasi.
Gambar IV.14. Hasil klasifikasi yang belum tepat pada kelas objek Badan air,
Bayangan dan Jalan aspalt
Contoh lain, ditunjukkan pada Gambar IV.15, ketidaktepatan klasifikasi pada kelas
objek jalan. Model yang disusun pada penelitian ini masih terdapat kesalahan
klasifikasi jalan beton yang terlabeli menjadi tanah kosong serta adanya dalam satu
bentangan jalan terdapat dua kelas objek jalan (jalan aspalt dan jalan beton).
78
Gambar IV.15. Kesalahan klasifikasi pada kelas objek jalan aspalt, jalan beton
dan tanah kosong
Ketidaktepatan berikutnya pada kelas jalan yaitu area parkir yang ada di depan
pertokoan, yang riil nya berupa konblok atau beton atau bias juga aspalt ikut
terklasifikasi menjadi kelas objek jalan aspalt atau kelas objek jalan beton (lihat
Gambar IV.16).
Gambar IV.16. Ketidaktepatan klasifikasi pada kelas objek jalan beton dan jalan
aspalt
Pada kelas objek badan air yang riilnya berupa kenampakan sungai, tidak
semua area sungai dapat terklasifikasi, karena di dalam sungai terdapat genangan
sampah yang menutupi badan air. Sehingga kenampakan badan air secara utuh tidak
dapat diklasifikasikan. Alasan tersebut yang menyebabkan ditambahkannya kelas
objek sampah, sehingga kenampakan sampah juga dapat terklasifikasikan. Lebih
detil lihat pada Gambar IV.17. Pada penelitian ini, aspek yang dimaksimalkan
adalah aspek statistik dari informasi nilai spektral data foto udara dan informasi
79
ketinggian dari data LiDAR. Penelitian ini belum memasukkan aspek pola objek
serta sensitifitas data LiDAR terhadap objek perairan. Pada penelitian berikutnya
mungkin dapat mengakomodir aspek tersebut.
Gambar IV.17. Kenampakan sampah yang menutupi kelas objek badan air
80
IV.7. Evaluasi Kualitas
IV.7.1. Evaluasi dengan hasil interpretasi manual

Evaluasi kualitas dengan melakukan pengujian terhadap hasil interpretasi
manual dalam hal ini Peta RBI skala 1:5.000. Agar pengujian hasil klasifikasi match
dengan Peta RBI skala 1:5.000 dilakukan penyesuaian kelas objek yang dievaluasi.
Kelas objek pada Peta RBI disederhanakan menyesuaikan kelas objek yang ada di
hasil klasifikasi. Kelas Bangunan terdiri dari Bangunan atap terang dan Bangunan
atap gelap; Kelas Vegetasi terdiri dari vegetasi tinggi, vegetasi rendah dan tanah
kosong. Hal tersebut dikarenakan pada skema Peta RBI tidak ada kelas bangunan
berdasarkan kenampakan atap serta kelas tanah kosong masuk ke tema vegetasi.
Pengujian yang dilakukan yaitu menghitung overall accuracy, completeness,
correctness dan F-score di setiap AOI. Tabel IV.2, Tabel IV.3 dan Tabel IV.4
merupakan hitungan matriks konfusi untuk setiap AOI dalam penelitian.
Tabel IV.2. Matriks konfusi untuk hasil klasifikasi di AOI 1
REFERENSI UJI
ROW COMMIS USER
KELAS OBJEK Bang Badan Bayang
Jalan Vegetasi TOTAL SION ACC
unan Air an
Bangunan 546 4 1 22 0 573 0,047 0,953
Jalan 34 115 5 58 3 215 0,465 0,535
HASIL
Badan Air 5 5 8 27 4 49 0,837 0,163

Vegetasi 26 35 0 167 13 241 0,307 0,693
Bayangan 25 36 1 36 11 109 0,899 0,101
COLUMN
TOTAL 636 195 15 310 31 1187
OMMISION 0,142 0,410 0,467 0,461 0,645 Overall
71,4 %
PRODUCER ACC 0,858 0,590 0,533 0,539 0,355 Accuracy

REFERENSI UJI
ROW COMMIS USER
Jalan Vegetasi TOTAL SION ACC
unan Air an
Bangunan 717 1 1 10 0 729 0,016 0,984
Jalan 11 64 0 9 4 88 0,273 0,727
HASIL
Badan Air 1 4 3 1 3 12 0,750 0,250

Vegetasi 33 19 4 14 2 72 0,806 0,194
Bayangan 35 7 1 1 2 46 0,957 0,043
COLUMN
TOTAL 797 95 9 35 11 947
84,5 %
81

REFERENSI UJI
ROW COMMISS USER
Jalan Vegetasi TOTAL ION ACC
unan Air an
Bangunan 501 6 0 2 0 509 0,016 0,984
Jalan 28 70 0 14 1 113 0,381 0,619
HASIL
Badan Air 0 0 2 3 0 5 0,600 0,400

Vegetasi 38 53 3 63 0 157 0,599 0,401
Bayangan 26 5 0 8 11 50 0,780 0,220
COLUMN
TOTAL 593 134 5 90 12 834
77,6 %
Dari tabel di atas dapat dilihat Overall Accuracy (OA) di setiap AOI berturut-turut
0,714, 0,845 dan 0,776. Hasil klasifikasi terbaik pada kelas objek bangunan dengan
nilai akurasi > 0,8. Selain dilakukan perhitungan OA, dilakukan juga evaluasi
completeness, correctness dan F-score di setiap AOI.
Tabel IV.5. Perhitungan completeness, correctness dan F-score pada AOI 1
TP FP FN correctness completeness
Tema F score
(meter²) (meter²) (meter²) (precision) (recall)
Bangunan 119141,319 20900,488 19415,510 85,1 % 86,0 % 85,5 %
Jalan 39816,749 14640,452 28097,807 73,1 % 58,6 % 65,1 %
Badan Air 704,929 747,777 10383,137 48,5 % 6,4 % 11,2 %
Vegetasi 115403,123 61491,777 19911,499 65,2 % 85,3 % 73,9 %

Tema F score
Bangunan 47622,084 5984,588 10529,418 88,8 % 81,9 % 85,2 %
Jalan 8432,301 2194,834 8518,969 79,3 % 49,7 % 61,2 %
Badan Air 1074,662 4039,601 1279,461 21,0 % 45,7 % 28,8 %
Vegetasi 12880,186 21248,240 4579,568 37,7 % 73,8 % 49,9 %

Tema F score
Bangunan 82549,020 11296,047 17237,347 88,0 % 82,7 % 85,3 %
Jalan 29726,903 23305,111 23061,704 56,1 % 56,3 % 56,2 %
Badan Air 2713,017 3152,345 1503,483 46,3 % 64,3 % 53,8 %
Vegetasi 98341,222 43618,607 23208,857 69,3 % 80,9 % 74,6 %
Dari hasil perhitungan di atas dapat dilihat metode yang diterapkan jika
dibandingkan dengan hasil pengamatan manual Peta RBI skala 1:5.000, dapat
82
mengklasifikasikan kelas objek bangunan dengan akurasi >85%, kemudian diikuti

oleh kelas vegetasi (lihat nilai F-score). Nilai F-score menunjukkan nilai akurasi
dari hasil klasifikasi. Untuk kelas objek yang lain belum memberikan hasil yang
maksimal. Beberapa diantaranya disebabkan oleh deliniasi pada Peta RBI
khususnya pada kelas objek vegetasi, deliniasinya telah tergeneralisasi, sedangkan
hasil klasifikasi benar-benar sesuai kenampakan pada pikselnya. Sehingga
menyebabkan nilai presisinya relatif rendah. Gambar IV.18 menunjukkan
perbedaan deliniasi antara pengamatan manual dan hasil klasifikasi, yang ikut
menyebabkan hasil perhitungan klasifikasi untuk beberapa kelas objek relatif
rendah.
Keterangan:
Peta RBI skala 1:5.000, melalui deliniasi manual
, Hasil klasifikasi dari machine learning

Gambar IV.18. Perbedaan deliniasi manual dan hasil klasifikasi pada kelas
vegetasi
Untuk kelas objek badan air juga demikian. Selain karena cara deliniasi yang
relatif general sebagian diantaranya karena terdapat perubahan kenampakan objek.
83
Pada Peta RBI yang diakuisisi tahun 2014 masih berupa badan air misalnya kolam
atau empang, sedangkan pada data yang digunakan untuk keperluan semantic
labeling telah berubah kenampakannya menjadi vegetasi rendah atau berubah
menjadi tanah kosong. Hal lain yang terjadi pada badan sungai permukaan air telah
tertutupi sampah atau material lain, sehingga deliniasi hasil klasifikasi mengikuti
kenampakan pada image. Perbedaan waktu akuisisi pada data juga ikut
mempengaruhi hasil pengujian. Dengan demikian perlu adanya pemilihan data
pembanding yang dianggap lebih handal untuk menguji hasil semantic labeling
dengan metode ini.
IV.7.2. Kehandalan dengan Skema yang Ada

Skema Peta RBI skala 1:5.000 dijadikan sebagai pembanding pada evaluasi
kehandalan ini. Gambar IV.19 menampilkan sebagian layer data yang ada pada
skema Peta RBI. Selain itu dari Tabel III.1. Kelas Objek atau Unsur Peta RBI yang
ada pada AOI-1, 2 dan 3 dan Tabel III.2 memperlihatkan bahwa skema pada Peta
RBI kebanyakan dibedakan berdasarkan fungsionalitasnya. Hal ini cukup sulit
diterapkan dalam semantic labeling dengan machine learning.
Gambar IV.19. Contoh sebagian layer dataset atau kelas unsur yang ada pada
skema Peta RBI
84
Tabel IV.8. Penyusunan kelas untuk keperluan semantic labeling
Tegalan/Ladang
Vegetasi Tinggi
Taman atau
Sawah Vegetasi Rendah
Semak Belukar
Tanah Kosong/Gundul Tanah Kosong
Permukaan/Lapangan Diperkeras
Empang Badan Air

Sungai
Jalan Aspalt
atau
Jalan Arteri Jalan Beton
Pembatas Jalan
Jalan Kolektor
Jalan Lokal
Tempat Parkir
Bangunan Atap Terang

atau
Gedung/Bangunan Bangunan Atap Gelap
Mal/Toserba
Pusat Perdagangan dan Niaga Kota
(Mal/Toserba)
Pusat Perdagangan Tradisional
(Pasar Eceran/Grosir/Induk)
Rumah Toko/Rumah Kantor
Pusat Pergudangan
Kantor Bank
Kantor Pemerintahan
Pendidikan/Pelatihan
Pendidikan Dasar
Masjid
Hotel/Motel
Restoran/Tempat Makan
Fasilitas Kesehatan Lainnya
Pemakaman Umum -
Jembatan -
Gardu Listrik -
85
Skema yang diterapkan pada penelitian ini lebih bersifat generik dan
menggunakan parameter atau karakteristik yang ada pada image. Mesin berusaha
mengenali dan membedakan objek berdasarkan karakteristik tersebut. Dengan
demikian penggunaan skema Peta RBI skala 1:5.000 belum dapat diterapkan
sepenuhnya dikarenakan perbedaan pendekatan dalam membedakan objek.
IV.7.3. Aspek Kepraktisan

Evaluasi aspek kepraktisan yang dibahas adalah dari segi waktu pemrosesan
dan implementasi script yang dibuat. Waktu pemrosesan untuk keseluruhan
tahapan penelitian ini dapat dilihat pada Tabel IV.9. Kapasitas pengerjaan deliniasi
manual pada data foto udara untuk satu Nomor Lembar Peta (NLP) skala 1:5.000
yang memerlukan waktu 4 hingga 9 hari pengerjaan tergantung kepadatan objek di
lokasi tersebut (Big, 2017). Satu NLP Peta RBI skala 1:5.000 berukuran 75” x 75”
atau setara dengan 5,38 kilometer persegi. Jika dibandingkan dengan waktu proses
yang diperlukan dalam pengolahan seperti penelitian ini, maka langkah yang
digunakan di penelitian ini lebih singkat.
Tabel IV.9. Waktu yang diperlukan untuk pemrosesan di satu NLP
Durasi
No Tahapan Keterangan
menit detik
Software: Trimble
1 Penyamaan sistem referensi 10.00 Photogrametry
2 Penyiapan training sample 60.00 Software: Quantum GIS
Software: Trimble
3 Proses True Orthorektifikasi 180.00 Photogrametry
4 Klasifikasi LiDAR 60.00 Software: Global Mapper
Penyiapan data raster sebagai fitur
5 terpilih
a. TDVI 7.13 Python script
b. NDWI 3.95 Python script
c. NSVDI 1.00 23.85 Python script
d. DSM 10.00 Software: Global Mapper
e. DTM 10.00 Software: Global Mapper
f. nDSM 1.00 12.40 Python script
g. Slope 10.00 Software: Global Mapper
h. Band Slicing 10.83 Python script
Translate data ke format KEA
6 +Matching Data 20.55 Python script
7 Penggabungan layer data 20.55 Python script
86
Durasi
No Tahapan Keterangan
menit detik
8 Segmentasi 5.00 39.20 Python script
9 Ekstraksi fitur Python script
10 Training data & populate RAT 2.00 30.00 Python script
11 Klasifikasi machine learning Python script
349.00 168.46
TOTAL WAKTU 5 jam 51 menit 48,46 detik
Dari aspek implementasi script yang dibuat, diperlukan pengetahuan

sebelumnya tentang perangkat lunak Python dan bahasa kodenya, karena belum ada
graphic user interface untuk interaksi interaktif seperti halnya perangkat lunak
komersil. Pengolahan dengan teknik ini menggunakan beberapa file kode, sehingga
untuk tahapan tertentu perlu mengakses file kode yang diperlukan. Untuk tahapan
yang lain perlu meload file kode yang lain juga. Dengan demikian diperlukan
pengetahun tentang kesesuaian file kode dengan tahapan yang akan dikerjakan.
BAB V
PENUTUP
V.1. Kesimpulan
Penggunaan data foto udara dan LiDAR untuk keperluan 2D semantic

labeling penutup lahan di area urban dengan pendekatan analisis berbasis objek
dapat memberikan hasil labeling atau klasifikasi yang cukup baik terutama pada
kelas objek bangunan dan vegetasi. Hasil penelitian berhasil menjawab tujuan
umum maupun spesifik serta pertanyaan penelitian yang telah disampaikan pada
bab pendahuluan. Kesimpulan yang dapat disusun antara lain:
1. Segmentasi merupakan hal penting dalam semantic labeling berbasis objek.
Segmentasi yang optimal ditentukan oleh kombinasi layer dataset
penyusunnya. Dengan mengadopsi analisis OIF dapat diperoleh kombinasi
layer dataset yang dapat memberikan hasil segmentasi yang maksimal. Dalam
penelitian ini kombinasi layer data DSM – Slope dan band Red memberikan
hasil yang optimal. Selain itu, data foto udara dan LiDAR perlu diolah terlebih
dahulu agar dapat dikombinasikan dalam proses semantic labeling. Data foto
udara dikoreksi true orthorektifikasi untuk mengeliminir relief displacement
dan membuat foto terproyeksi orthogonal. Data LiDAR perlu diklasifikasikan
menjadi ground dan non-ground agar dapat diolah menjadi informasi turunan
yang lebih khas;
2. Penerapan 2D semantic labeling dengan machine learning memerlukan
ekstraksi dan pemilihan fitur. Pemilihan fitur memberikan karakteristik atau
parameter yang membantu dalam membedakan objek yang akan diklasifikasi
atau dilabeli. Pada penelitian ini dipilih layer-layer fitur yang merupakan
informasi turunan dari data foto udara dan LiDAR. Raster Attribute Table
(RAT) dapat digunakan dalam proses ekstraksi fitur, training data dan
klasifikasi. Informasi yang ada pada RAT akan diisikan pada segmen-segmen
objek;
87
88
3. Hasil 2D semantic labeling dengan pendekatan berbasis objek yang

dikombinasikan dengan machine learning dapat menghasilkan klasifikasi
objek dalam sepuluh kelas yaitu Bangunan atap gelap, Bangunan atap terang,
Jalan aspalt, Jalan beton, Badan air, Bayangan, Vegetasi tinggi, Vegetasi
rendah, Tanah kosong dan Sampah.
4. Hasil semantic labeling yang dilakukan mencapai nilai OA sebesar 71%
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 deliniasi penutup lahan secara manual, namun hasil
deliniasi dari proses semantic labeling ini akan menggambarkan objek sebagai
mana kenampakan piksel pada image;
5. Metode ini belum dapat mengklasifikasikan objek dengan skema yang
mengadopsi pendekatan fungsionalitas, kelas objek yang dapat
diklasifikasikan bersifat generik.
V.2. Saran
Penelitian ini dapat mengintegrasikan data foto udara dan LiDAR dengan
memaksimalkan informasi spektral yang ada pada foto udara dan informasi
ketinggian yang ada pada data LiDAR untuk melakukan 2D semantic labeling
penutup lahan di area urban. Pada kajian lanjutan perlu adanya penambahan aspek
lain yang kemungkinan dapat meningkatkan hasil semantic labeling, misalnya
penambahan aspek pola dan memaksimalkan sensitifitas data LiDAR terhadap
objek perairan, sehingga semantic labeling pada objek perairan dapat mengalami
peningkatan serta objek yang dapat dibedakan menjadi lebih beragam. Pada
evaluasi kualitas hasil semantic labeling perlu dilakukan pemilihan data
pembanding yang handal agar uji kualitas yang dilakukan lebih secara spesifikasi
saling mendekati dan berimbang.
89
DAFTAR PUSTAKA
Anaconda. (2017). Numba Retrieved May 10, 2018, 2018, from

https://numba.pydata.org/
Awrangjeb, M., & Fraser, C. S. (2014). Automatic segmentation of raw LiDAR
data for extraction of building roofs. Remote Sensing, 6(5), 3716-3751.
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.
Badan Pengembangan dan Pembinaan Bahasa, K. P. d. K. R. I. (Ed.) (2016) KBBI
Daring (Fifth (5) ed., Vols. -). Indonesia: Kementerian Pendidikan dan
Kebudayaan Republik Indonesia.
Baltsavias, E. P. (1999). Airborne laser scanning: existing systems and firms and
other resources. ISPRS Journal of photogrammetry and remote sensing,
54(2-3), 164-198.
Bannari, A., Asalhi, H., & Teillet, P. (2002). Transformed difference vegetation
index (TDVI) for vegetation cover mapping. Paper presented at the
Geoscience and Remote Sensing Symposium, 2002. IGARSS'02. 2002
IEEE International.
Benediktsson, J. A., Pesaresi, M., & Amason, K. (2003). Classification and feature
extraction for remote sensing images from urban areas based on
morphological transformations. IEEE Transactions on Geoscience and
Remote Sensing, 41(9), 1940-1949.
Bergado, J. (2016). A Deep Feature Learning Approach to Urban Scene
Classification. Unpublished MSc. Thesis, University of Twente,
Enschede, The Netherlands.
Peraturan Kepala BIG Nomor 10 tahun 2017 Tentang Analisis Biaya Keluaran
Kegiatan Penyelenggaraan Informasi Geospasial, 10 C.F.R. (2017).
Blaschke, T. (2010). Object based image analysis for remote sensing. ISPRS
Journal of photogrammetry and remote sensing, 65(1), 2-16.
Blaschke, T., Hay, G. J., Kelly, M., Lang, S., Hofmann, P., Addink, E., . . . van
Coillie, F. (2014). Geographic object-based image analysis–towards a
new paradigm. ISPRS Journal of photogrammetry and remote sensing, 87,
180-191.
Carleer, A., Debeir, O., & Wolff, E. (2005). Assessment of very high spatial
resolution satellite image segmentations. Photogrammetric Engineering &
Remote Sensing, 71(11), 1285-1294.
Chen, L., Teo, T. A., Rau, J. Y., Liu, J. K., & Hsu, W. C. (2005). Building
reconstruction from LIDAR data and aerial imagery. Paper presented at
the Geoscience and Remote Sensing Symposium, 2005. IGARSS'05.
Proceedings. 2005 IEEE International.
Chen, Y., Su, W., Li, J., & Sun, Z. (2009). Hierarchical object oriented
classification using very high resolution imagery and LIDAR data over
urban areas. Advances in Space Research, 43(7), 1101-1110.
90
Chutia, D., Bhattacharyya, D., Kalita, R., & Sudhakar, S. (2014). OBCsvmFS:
Object-Based Classification supported by support vector machine Feature
Selection approach for hyperspectral data. Journal of Geomatics, 8(1), 13.
Clewley, D., Bunting, P., Shepherd, J., Gillingham, S., Flood, N., Dymond, J., . . .
Moghaddam, M. (2014). A python-based open source system for
geographic object-based image analysis (GEOBIA) utilizing raster
attribute tables. Remote Sensing, 6(7), 6111-6135.
Coleman, G. B., & Andrews, H. C. (1979). Image segmentation by clustering.
Proceedings of the IEEE, 67(5), 773-785.
Cramer, M., Stallmann, D., & Haala, N. (2000). Direct georeferencing using
GPS/inertial exterior orientations for photogrammetric applications.
International Archives of Photogrammetry and Remote Sensing, 33(B3/1;
PART 3), 198-205.
Djunaedi, A. (2012). Proses perencanaan wilayah dan kota: Gadjah Mada Univesity
Press.
El-Sheimy, N., Valeo, C., & Habib, A. (2005). Digital Terrain Modeling:
Acquisition, Manipulation and Applications (Artech House Remote
Sensing Library): Norwood, MA: Artech House.
Foody, G. M. (2002). Status of land cover classification accuracy assessment.
Remote Sensing of Environment, 80(1), 185-201.
Gajski, D., Fiedler, T., & Krtalić, A. (2003). Classification and filtering of airborne
topographic lidar data. The international archives of the photogrammetry,
remote sensing and spatial information sciences (Print), 34(6/W11), 100.
Gdal.org. (2018). GDAL - Geospatial Data Abstraction Library Retrieved May 10,
2018, 2018, from http://www.gdal.org/
Gilani, S., Awrangjeb, M., & Lu, G. (2015). Fusion of LiDAR data and
multispectral imagery for effective building detection based on graph and
connected component analysis. The International Archives of
Photogrammetry, Remote Sensing and Spatial Information Sciences,
40(3), 65.
Gombos, A. D. (2010). Detection of Roof Boundaries Using LiDAR Data and
Aerial Photography.
Goutte, C., & Gaussier, E. (2005). A probabilistic interpretation of precision, recall
and F-score, with implication for evaluation. Paper presented at the
European Conference on Information Retrieval.
Grussenmeyer, P., & Al Khalil, O. (2002). Solutions for exterior orientation in
photogrammetry: a review. The photogrammetric record, 17(100), 615-
634.
Habib, A. (2009). Integration of LIDAR and Photogrammetric Data: Triangulation
and Orthorectification. Topographic Laser Ranging and Scanning.
Principles and Processing. Eds.: Shan & Toth, 371-402.
Höfle, B., & Pfeifer, N. (2007). Correction of laser scanning intensity data: Data
and model-driven approaches. ISPRS Journal of photogrammetry and
remote sensing, 62(6), 415-433.
Huang, X., & Jensen, J. R. (1997). A machine-learning approach to automated
knowledge-base building for remote sensing image analysis with GIS
91
data. Photogrammetric engineering and remote sensing, 63(10), 1185-

1193.
ISPRS. (2018). 2D Semantic Labeling Contest. Retrieved from International
Society for Photogrammetry and Remote Sensing website:
http://www2.isprs.org/commissions/comm3/wg4/semantic-labeling.html
Jacobsen, K. (2001). Exterior orientation parameters. Institute for Photogrammetry
and GeoInformation, University of Hannover, Germany.
Jensen, J. R. (2005). Introductory digital image processing 3rd edition Upper saddle
river: Prentice hall.
Jiang, H., Feng, M., Zhu, Y., Lu, N., Huang, J., & Xiao, T. (2014). An automated
method for extracting rivers and lakes from Landsat imagery. Remote
Sensing, 6(6), 5067-5089.
Jong, S. M. D., & Meer, F. D. V. d. (2005). Remote Sensing and image analysis
(Five ed. Vol. Five). United States of America: Springer.
Joshi, P., Escrivá, D. M., & Godoy, V. (2016). OpenCV By Example: Packt
Publishing Ltd.
Kabolizade, M., Ebadi, H., & Ahmadi, S. (2010). An improved snake model for
automatic extraction of buildings from urban aerial images and LiDAR
data. Computers, Environment and Urban Systems, 34(5), 435-441.
Kang, X., Li, S., & Benediktsson, J. A. (2014). Feature extraction of hyperspectral
images with image fusion and recursive filtering. IEEE Transactions on
Geoscience and Remote Sensing, 52(6), 3742-3752.
Kienast, B. S., & Boettinger, J. (2010). Applying the optimum index factor to
multiple data types in soil survey Digital Soil Mapping (pp. 385-398):
Springer.
Lahamy, H. (2008). Outlining buildings using airborne laser scanner data.
Langue, W. (2007). Object-Oriented Model based 3D Building Extraction using
Airborne Laser Scanning Points and Aerial Imagery. MSc. Dissertation,
Institute of Geo-Information Science and Earth Observation, ITC,
Netherlands.
Lee, D. H., Lee, K. M., & Lee, S. U. (2008). Fusion of lidar and imagery for reliable
building extraction. Photogrammetric Engineering & Remote Sensing,
74(2), 215-225.
Li, B., Zhang, H., & Xu, F. (2014). Water extraction in high resolution remote
sensing image based on hierarchical spectrum and shape features. Paper
presented at the IOP Conference Series: Earth and Environmental Science.
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-International Journal for Light and Electron Optics,
124(22), 5357-5362.
Linder, W. (2013). Digital photogrammetry: theory and applications: Springer
Science & Business Media.
Ma, H., Qin, Q., & Shen, X. (2008). Shadow segmentation and compensation in
high resolution satellite images. Paper presented at the Geoscience and
Remote Sensing Symposium, 2008. IGARSS 2008. IEEE International.
92
Mather, P. M. (2004). Computer Processing of Remotely Sensing (Third ed. Vol.

Third). England: John Wiley and Son.
Mayer, H. (2008). Object extraction in photogrammetric computer vision. ISPRS
Mayr, W., & Heipke, C. (1988). A contribution to digital orthophoto generation.
International Archives of Photogrammetry and Remote Sensing, 27(B11),
430-439.
McFeeters, S. K. (1996). The use of the Normalized Difference Water Index
(NDWI) in the delineation of open water features. International journal of
remote sensing, 17(7), 1425-1432.
Neubert, M., Herold, H., & Meinel, G. (2008). Assessing image segmentation
quality–concepts, methods and application Object-based image analysis
(pp. 769-784): Springer.
Nielsen, M. Ø. (2004). True orthophoto generation. Technical University of
Denmark, DTU, DK-2800 Kgs. Lyngby, Denmark.
numpy.org. (2018). NumPy Retrieved May 10, 2018, 2018, from
http://www.numpy.org/
O'Donohue, D., Mills, S., Kingham, S., Bartie, P., & Park, D. (2008). Combined
thermal-LIDAR imagery for urban mapping. Paper presented at the Image
and Vision Computing New Zealand, 2008. IVCNZ 2008. 23rd
International Conference.
Ouma, Y., Tateishi, R., & Sri-Sumantyo, J. (2010). Urban features recognition and
extraction from very-high resolution multi-spectral satellite imagery: a
micro–macro texture determination and integration framework. IET
image processing, 4(4), 235-254.
Pfeifer, N., & Mandlburger, G. (2009). LiDAR data filtering and DTM generation
(pp. 307-334): CRC Press, Taylor and Francis Group, Boca Raton,
Florida.
Pham, M., Alse, S., Knoblock, C. A., & Szekely, P. (2016). Semantic labeling: a
domain-independent approach. Paper presented at the International
Semantic Web Conference.
Radoux, J., & Defourny, P. (2008). Quality assessment of segmentation results
devoted to object-based classification Object-based image analysis (pp.
257-271): Springer.
Undang - Undang Republik Indonesia Nomor 4 Tahun 2011 Tentang Informasi
Geospasial, 71 C.F.R. § - (2011).
Rioshome.org. (2018). Raster I/O Simplification Retrieved May 20, 2018, 2018,
from http://rioshome.org/en/latest/
Rottensteiner, F., & Briese, C. (2003). Automatic generation of building models
from LIDAR data and the integration of aerial images: na.
Rsgislib.org. (2018). The Remote Sensing and GIS Software Library (RSGISLib)
Retrieved May 15, 2018, 2018, from https://www.rsgislib.org/
Salah, M., Trinder, J., Shaker, A., Hamed, M., & Elsagheer, A. (2009). Aerial
images and lidar data fusion for automatic feature extraction using the
self-organizing map (som) classifier. Paper presented at the proceedings
of the 38th ISPRS Congress-XXXVIII, Part 3/W8.
93
Schenk, T. (1994). Concepts and algorithms in digital photogrammetry. ISPRS

Schenk, T., & Csathó, B. (2002). Fusion of LIDAR data and aerial imagery for a
more complete surface description. International Archives of
Photogrammetry Remote Sensing and Spatial Information Sciences,
34(3/A), 310-317.
scikit-learn.org. (2018). NumPy Retrieved May 10, 2018, 2018, from http://scikit-
learn.org
Seerha, G. K., & Kaur, R. (2013). Review on recent image segmentation techniques.
International Journal on Computer Science and Engineering, 5(2), 109.
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.
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.
Tuiview.org. (2018). TuiView Overview Retrieved May 15, 2018, 2018, from
https://bitbucket.org/chchrsc/tuiview
UNICEF. (2012). The State of the World's Children 2012: Children in an Urban
World: United Nations Publications.
Uzar, M., & Yastikli, N. (2013). Automatic building extraction using LiDAR and
aerial photographs. Boletim de Ciências Geodésicas, 19(2), 153-171.
Vijjapu, P. (2013). Classification and Building Detection Using Fuzzy Sub-object
Class Densities and Shadow Influence: University of Twente Faculty of
Geo-Information and Earth Observation (ITC).
Volpi, M., & Tuia, D. (2017). Dense semantic labeling of subdecimeter resolution
images with convolutional neural networks. IEEE Transactions on
Geoscience and Remote Sensing, 55(2), 881-893.
Vosselman, G. (2002). Fusion of laser scanning data, maps, and aerial photographs
for building reconstruction. Paper presented at the Geoscience and
Remote Sensing Symposium, 2002. IGARSS'02. 2002 IEEE
International.
Weeks, J. R. (2010). Defining urban areas Remote sensing of Urban and Suburban
areas (pp. 33-45): Springer.
Wehr, A., & Lohr, U. (1999). Airborne laser scanning—an introduction and
overview. ISPRS Journal of photogrammetry and remote sensing, 54(2),
68-82.
Widyaningrum, E., & Gorte, B. (2017). Challenges and Opportunities: One Stop
Processing of Automatic Large-Scale Base Map Production Using
Airborne LIDAR Data Within GIS Environment. Case Study: Makassar
City, Indonesia. The International Archives of Photogrammetry, Remote
Sensing and Spatial Information Sciences, 42, 365.
Yu, L., & Liu, H. (2003). Feature selection for high-dimensional data: A fast
correlation-based filter solution. Paper presented at the Proceedings of the
20th international conference on machine learning (ICML-03).
94
Zhou, G., Song, C., Simmers, J., & Cheng, P. (2004). Urban 3D GIS from LiDAR
and digital aerial images. Computers & Geosciences, 30(4), 345-353.
Zhou, G., & Zhou, X. (2014). Seamless fusion of LiDAR and aerial imagery for
building extraction. IEEE Transactions on Geoscience and Remote
Sensing, 52(11), 7393-7407.
Zylshal, S. S., Yulianto, F., Nugroho, J., & Sofan, P. (2016). A Support Vector
Machine Object Based Image Analysis Approach on Urban Green Space
Extraction Using Pleiades-1A Imagery, Model. Earth Syst. Environ,
2(54), 1-12.
LAMPIRAN
View publication stats

S2 2018 Thesis

Uploaded by

Copyright:

Available Formats

S2 2018 Thesis

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

S2 2018 Thesis

Uploaded by

Copyright:

Available Formats

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

2D SEMANTIC LABELING PENUTUP LAHAN DI AREA URBAN DENGAN

Thesis · July 2018

The user has requested enhancement of the downloaded file.

HALAMAN JUDUL BAHASA INDONESIA

HALAMAN JUDUL BAHASA INGGRIS

yang dipersiapkan dan disusun oleh:

telah dipertahankan di depan Dewan Penguji

Susunan Dewan Penguji:

Pembimbing Anggota Tim Penguji

Dr. Harintaka, S.T., M.T. Trias Aditya K.M., S.T., Ph.D.

Dr. Ir. Istarno, M.T.

Tesis ini telah diterima sebagai salah satu persyaratan

Ir. Nurrohmat Widjajanti, M.T., Ph.D.

Ir. Prijono Nugroho Djojomartono, M.SP., Ph.D.

Yogyakarta, Juli 2018

untuk Mamma, Mba, Kakak, Adek

untuk almarhum Bapak

Allahamdulillah hirabbil ‘alamin, syukur kepada Allah Subhanahu wa Ta’ala,

Yogyakarta, Juli 2018

HALAMAN JUDUL BAHASA INDONESIA ....................................................... i

Gambar II.1. Perspektif dan geometri proyektif yang menyebabkan pergeseran

I.1. Latar Belakang

Penelitian ini mengkaji tentang 2D semantic labeling penutup lahan di area

I.2. Rumusan Masalah

I.3. Tujuan Penelitian

I.4. Pertanyaan Penelitian

I.5. Ruang Lingkup Penelitian

I.6. Manfaat Penelitian

I.7. Tinjauan Pustaka

diandalkan, namun masih mengalami kendala dalam pemodelan objek bangunan

pemilihan feature untuk Support Vector Machine (SVM). Penggunaan machine

II.1. Area Urban

II.2. Teknologi Fotogrametri

Fotogrametri merupakan bagian dari penginderaan jauh. Penginderaan jauh

menggunakan radiasi elektromagnetik (cahaya) tanpa kontak langsung dengan

II.2.1. Interior Orientation Parameters (IOP)

II.2.2. Exterior Orientation Parameters (EOP)

II.2.3. Triangulasi Udara

II.2.4. True Orthophoto

orthogonal. Gambar II.1 menunjukkan ilustrasi pengaruh perspektif dan geometri

Gambar II.1. Perspektif dan geometri proyektif yang menyebabkan pergeseran

II.2.5. Analisis untuk Indeks Vegetasi dan Indeks Air

NDWI merupakan metode yang dikembangkan untuk mendeliniasi objek

Jiang dkk. (2014) dalam penelitiannya mengembangkan teknik NDWI untuk

II.3. Teknologi LiDAR (ALS)

LiDAR merupakan penginderaan jauh sensor aktif, yang menggunakan

Pada Gambar II.2 diilustrasikan informasi posisi yang dihasilkan dari

II.3.1. Karakteristik Data LiDAR

II.3.2. Klasifikasi dan Filtering Data LiDAR

jatuh pada permukaan terrain akan diidentifikasi dengan mempertimbangkan

II.4. 2D Semantic Labeling

II.4.1. Analisis Citra Berbasis Objek (Geographic Object-based Image

Gambar II.5. Alur proses analisis citra berbasis objek

II.4.2. Teknik OIF (Optimum Index Factor)

Neubert dkk. (2008) menjelaskan bahwa belum terdapat standard yang

II.4.4. Ekstraksi Fitur

Gambar II.6. Dasar computer vision (Joshi dkk., 2016)

II.4.5. Klasifikasi pada Machine Learning