Pemilihan Metode Filtering Terbaik dalam Pembuatan Digital ...

Pemilihan Metode Filtering Terbaik dalam Pembuatan Digital Terrain Model

(DTM) di Kampus ITB Jatinangor

Egi Nugraha*a, Dr. Deni Suwardhi, S.T., M.T.

b, Agung Mahadi Putra p., S.Si, M.Sc.

a

Jurusan Teknik Geomatika Institut Teknologi Sumatera, Bandar Lampung

Jl. Terusan Ryacudu No.1 Bandar Lampung 35145

aTeknikGeomatika Institut Teknologi Sumatera

bTeknikGeodesi dan Geomatika Institut Teknologi Bandung

*Corresponding E-mail: [email protected]

Abstra: Digital Terrain Model (DTM) dibentuk dari UAV LiDAR melalui proses filtering data Digital Surface

Model (DSM). Tujuan dari penelitian ini adalah untuk mengetahui metode filtering terbaik pada kelas titik tanah

antara Slope based filtering (SBF) dan Elevation threshold with expanding window (ETEW) dilihat geomorfologi,

transect, dan akurasi hasil Root Mean Square Error vertical (RMSEz) dan Linear Error 90% (LE90) pada area

topografi. Metodologi pada penelitian ini melakukan klasifikasi dan filtering terhadap titik awan dengan algoritma

parameter SBF pada SAGA GIS dan ETEW pada ALDPAT. Selanjutnya menguji dan membandingkan terhadap 5

kali percobaan pada masing-masing metode filtering, pengujian dan membandingan tersebut melalui perbandingan

secara geomorfologi, transect, ketelitian geometri dari DTM dihasilkan. Hasil penelitian ini menunjukan penilaian

kesalahan ETEW lebih baik karena kesalahan tipe I dan total lebih rendah. Hasil geomorfologi DTM ETEW

menghasilkan bentuk yang halus. Sedangkan hasil transect menunjukan ketinggian DTM ETEW sudah mendekati

kenampakan sebenarnya. DTM ETEW dihasilkan lebih teliti setelah dibandingkan dengan metode SBF, nilai

dihasilkan RMSEz sebesar 1,44 meter dan LE90 sebesar 2,38 meter masuk dalam kelas 3 skala 1:5000.

Kata kunci — LiDAR, DTM, filtering, titik awan.

Abstract: The Digital Terrain Model (DTM) is formed from UAV LIDAR through the Digital Surface Model

(DSM) data filtering process. The purpose of this study was to determine the best filtering method in the ground

point class between Slope based filtering (SBF) and Elevation threshold with expanding window (ETEW) based on

geomorphology, transect, and accuracy of the results of vertical Root Mean Square Error (RMSEz) and Linear

Error 90. % (LE90) in topographic area. The methodology in this study is to classify and filter point clouds using

the SBF parameter algorithm on SAGA GIS and ETEW on ALDPAT. Furthermore, testing and comparing 5 times

the experiment on each of the filtering methods, testing and comparing them through comparisons of

geomorphology, transect, geometric accuracy of the DTM is generated. The results of this study indicate that the

ETEW error rating is better because of the type I error and the total is lower. ETEW DTM geomorphological

results produce a smooth shape. Meanwhile, the transect results show the height of the DTM ETEW is close to its

true appearance. The ETEW DTM was produced more thoroughly after being compared to the SBF method, the

resulting value of RMSEz was 1.44 meters and LE90 was 2.38 meters which belonged to class 3 on a scale of 1:

5000.

Keywords— LiDAR, DTM, filtering, point clouds.

I. Pendahuluan

I.1 Latar belakang

BIG bertanggung jawab dalam mengatur informasi

geospasial dasar, salah satunya yaitu peta topografi

yang menyatakan nilai vertikal. Peta topografi ini

sangat berguna untuk informasi detail permukaan,

salah satunya Digital Terrain Model (DTM) sebagai

salah satu unsur penting pembuatan kontur dalam

waktu singkat di lapangan melalui pendekatan

pemetaan survei udara menggunakan wahana terbang

yaitu Unmanned Aerial Vehicle Light Detection and

Ranging (UAV-LiDAR) memudahkan pengambilan

data untuk memenuhi terselenggaranya peta dasar

skala besar. Pemetaan ini melalui pendekatan survei

fotogrametri membutuhkan sistem penentu posisi

global (GPS) dan unit navigasi inersia (INS/IMU)

yang terintegrasi pada UAV-LiDAR memungkinkan

memberi nilai informasi detail pada objek berupa nilai

informasi koordinat (x,y,z), waktu (t), dan intensitas (i).

Melalui survei udara ini bertujuan untuk mendapatkan

titik awan (Point Clouds) yang terdistribusi secara

merata di atas permukaan bumi. Titik awan yang

terdistribusi terkumpulkan sehingga menunjukan

ketinggian bumi yang akurat, sehingga memungkinkan

pembuatan Digital Terrain Model (DTM).

DTM dihasilkan oleh hasil interpolasi titik awan

sebagai tanah melalui pengolahan klasifikasi dan

filtering titik awan pada objek bukan tanah seperti

bangunan, vegetasi, objek kendaraan dan lain

sebagainya yang memiliki ketinggian lebih dari

permukaan tanah. Proses klasifikasi dan filtering

seringkali memakan waktu dan tantang sangat besar,

oleh karena itu untuk menghadapi permasalah ini

diperlukan algoritma filtering untuk mengefesienkan

pada tantangan yang kompleks seperti outlier (titik

terletak jauh dari permukaan).

Pada penelitian ini mengusulkan proses pengolahan

langsung klasifikasi dan filtering raw data set LiDAR

menggunakan metode slope based filtering (SBF)

dengan bantuan perangkat lunak SAGA GIS dengan

konsep mengasumsikan pada perbedaan tinggi suatu

objek antara dua cell di sekiranya (search radius)

sedangkan metode elevation threshold with expanding

window (ETEW) filtering algoritma yang diajukan

berdasarkan penentuan titik awan yang dibagi dalam

cell array persegi kecuali ketinggian minimum pada

setiap iterasi ukuran cell akan meningkat. Hasil

penelitian ini berupa data DTM yang didapatkan dari

usulan metode penelitian ini. Selain itu akan dikaji

mengenai pola dan tingkat uji akurasi hasil DTM UAV

LiDAR.

I.2 Tujuan Penelitian

Adapun maksud dan tujuan tugas akhir ini adalah:

1. Mengetahui metode filtering terbaik pada kelas

titik awan tanah antara slope based filtering (SBF)

dan elevation threshold with expanding window

(ETEW) filtering dilihat dari geomorfologi dan

transect.

2. Menganalisis perbedaan digital terrain model

(DTM) yang dihasilkan tidak melalui proses pre-

processing dan post-processing (registrasi data

LiDAR ke titik kontrol) dari metode filtering SBF

dan ETEW filtering dilihat nilai hasil root mean

square error vertical (RMSEz) dan linear error

90% (LE90).

I.3 Ruang Lingkup

Adapun ruang lingkup tugas akhir ini adalah:

1. Wilayah penelitian adalah kampus Institut

Teknologi Bandung (ITB) jatinangor.

2. Pengolahan data hanya dilakukan proses filtering

raw data LiDAR tidak melalui proses pre-

processing dan post-processing (registrasi data

LiDAR ke titik kontrol).

3. Penyusunan algoritma pada saat klasifikasi dan

filtering menggunakan software ALDPAT dan

SAGA GIS.

4. Penelitian ini berpusat pada pengembangan dan

penerapan kecerdasan algoritma untuk ekstraksi

filtering otomatis dari dua jenis metode utama

yaitu SBF dan ETEW filtering.

5. Proses pengambilan poligon sampel area vegetasi,

bangunan, dan irigasi melalui sampel acak.

II. Metode dan Data

II.1 Lokasi Penelitian

Lokasi penelitian berada di dalam kawasan Institut

Teknologi Bandung kampus Jatinangor yang

beralamatkan jalan Letnan Jend. Purn. Dr. (HC)

Mashudi No.1, sayang, Kecamatan Jatinangor,

kabupaten Sumedang, Jawa Barat dengan luas wilayah

± 47 hektar. Lokasi ini dipilih karena memiliki

karakteristik yang dinamis dan tutupan lahan

bervariasi. Lokasi penelitian dapat diilustrasikan pada

Gambar II. 1.

Gambar II. 1 Lokasi Penelitian

II.2 Peralatan Penelitian

Adapun peralatan untuk mendukung pengolahan pada

pengerjaan tugas akhir ini terbagi dalam perangkat

keras dan perangkat lunak sebagai berikut:

a. Pada perangkat keras digunakan 1 set laptop Acer

Nitro Ryzen 5.

b. Perangkat lunak yang digunakan berupa:

1. ALPAD digunakan untuk proses filtering metode

elevation threshold with expanding window

(ETEW).

2. SAGA GIS digunakan untuk proses filtering

metode slope based filtering (SBF).

3. Global Mapper v.19 digunakan untuk proses

visualisasi hasil filtering.

4. Alat penyusun perhitungan dan pengetik data dan

laporan.

II.3 Bahan Penelitian

Data yang digunakan pada penelitian ini yaitu raw data

Las.LiDAR dan titik marking merupakan data

sekunder diperoleh dari akuisisi data LiDAR

menggunakan sensor LiDAR yang dipasang pada

wahana UAV LiDAR diakuisisi oleh KK.

Penginderaan Jauh dan Sains Informasi Geografis ITB.

II.4 Tahapan Peneltian

Tahap pelaksanaan proses penelitian ini diilustrasikan

pada gambar diagram alir berikut:

Gambar II. 2 Diagram alir penelitian

II.4.1 Normalisasi Data LiDAR

pemotongan ini untuk mempercepat proses pengolahan

titik awan, maka titik awan tersebut dipotong sesuai

untuk meningkatkan proses pengolahan.

II.4.2 Slope Based Filtering (SBF)

Tahapan proses klasifikasi dan filtering slope based

diilustrasikan pada gambar II.2.

Gambar II. 3 Diagram alir pengolahan SBF

Proses ini terdiri dari tiga tahap yaitu resampling,

filtering dengan alat modul slope based, dan gridding /

interpolation. Parameter yang diperlukan dalam proses

filtering menggunakan slope based antara lain search

radius, slope, Confidence interval, dan threshold.

Nilai threshold yang digunakan pada penelitian ini

adalah 1.

Proses filtering titik awan sebanyak 15 project UAV

LiDAR dilakukan pengelompokan melalui pengujian

untuk melihat cara kerja parameter dari metode SBF

dan ETEW. Pengujian Parameter dilakukan secara

berkelompok. Pada SBF melalui parameter pengujian

search radius, slope, dan confidence interval. Dapat

dilihat pada Tabel II. 1.

Tabel II. 1 Percobaan SBF

Percobaan

Ke-

Slope

(%)

Search

radius

(m)

Confidence

interval

1. 10 5 On

2. 20 35 On

3. 25 70 On

4. 30 90 On

5. 35 100 On

II.4.3 Elevation threshold with expanding window

(ETEW) Filtering

Proses filtering dilakukan menggunakan perangkat

lunak ALDPAT. Pada tahap ini, filtering adalah

diperlukan untuk mendapatkan hanya data dasar.

Kelas-kelas lain dihapus dalam proses penyaringan,

cukup dengan memilih fitur parameter slope untuk

menepis kemiringan bangunan dengan luas dan tinggi

dari posisi tanah ke ketinggian maksimum, data titik

awan yang melebihi batas ambang akan di filter,

proses ini berulang-ulang hingga waktu pengolahan

pada parameter berhenti (Loop times).

Sedangkan pada ETEW diuji melalui parameter slope,

loop times, widht, dan height. Nilai parameter dari

metode, dan nilai parameter metode ETEW dapat

dilihat pada Tabel II. 2.

Tabel II. 2 Percobaan ETEW

Percobaan

Ke-

Slope

(%)

Loop

Times

Width

(m)

Height

(m)

1 1 13 2 2

2 0.5 10 5 10

3 0.5 10 5 5

4 0.5 15 1 1

5 0.5 25 1 1

II.4.4 Pembuatan permukaan

1. Triangulated Irregular Network (TIN)

TIN dilakukan dalam perangkat lunak Global Mapper

menggunakan fitur Create Elevation Grid. Titik awan

mempunyai nilai x, y, z, dan c. Selanjutnya dilakukan

proses pembentukan permukaan dengan

menghubungkan antar titik berdekatan (neighbors)

sehingga membentuk segitiga sembarang saling

berhimpitan.

2. Spline Interpolation

Metode Spline merupakan metode yang mengestimasi

nilai grid ketinggian rendah dan tinggi pada bidang

kelengkungan permukaan pada data set pengolahan

pada fungsi matematika di SAGA GIS.

II.4.5 Penyusunan dan Perhitungan data

Raw data UAV-LiDAR dilakukan proses penyusunan

data ketinggian (z) dari kelas titik awan tanah (ground

point clouds) tersebut di ekspor ke file format .csv

Setelah dilakukan penyusunan dilakukan proses

perhitungan untuk mendapatkan nilai ketelitian

geometrik vertikal peta RBI dengan mencari

perbedaan selisih dari elevasi (z) titik uji dengan hasil

filtering.

RMSEz: N

N

i ji zz

1

2

(2.1)

LE90: 1,6499 * RMSEz (2.2)

Pada penelitian ini lebih menitik beratkan pada

ketelitian vertikal LE90 yang dimana LiDAR sudah

tidak diragukan lagi ketelitian vertikalnya. Untuk

mengetahui kelas ketelitian nilai vertikal LiDAR

dilakukan proses root mean square error (RMSE)

pada posisi vertikal.

III. Hasil dan Pembahasan

III.1 Hasil dan Analisis Geomorfologi Slope Based

Filtering (SBF) dan Elevation Threshold

Expanding Window (ETEW) Filtering

Penggunaan nilai sampel percobaan pada pengujian

parameter dari lima kali percobaan pada Tabel II. 1

dan Tabel II. 2 untuk mengetahui kinerja evaluasi dari

metode filtering LiDAR pada perangkat lunak SAGA

GIS dan ALDPAT dan menghasilkan DTM nilai

cukup akurat pada elevasi. Berikut jumlah titik awan

terklasifikasi pada Gambar III.1 dan III.2

Gambar III. 1 Hasil jumlah titik awan SBF

Gambar III. 2 Hasil jumlah titik awan ETEW

Ketika membandingkan secara visual ditampilkan

pada lampiran kinerja dari percobaan metode filtering

yang berbeda, percobaan SBF pada percobaan 2

dengan nilai parameter slope 30 %, search radius 90

meter, dan confidence interval on menghapus titik

awan vegetasi dan bangunan sedangkan pada metode

SBF pada percobaan 1 dengan nilai parameter slope

10 %, search radius 5 meter, confidence interval on

membiarkannya tidak terhapus, hal ini dikarenakan

metode SBF menganggap titik yang terfilter relatif

sedikit karena radius pencarian jarak 5 meter meng

identifikasi ketinggian titik awan diantara 2 cell

tetangganya dalam 1 kisi memiliki permukaan curam

yang rendah maka parameter ini tidak menganggap

antara 2 cell tidak memiliki slope yang curam.

Sedangkan pada hasil yang memiliki titik awan relatif

terfilter pada metode ETEW percobaan dengan nilai

parameter slope 0.5 %, loop times 10 detik, dan widht

5 meter dan height 5 meter, sedangkan pada metode

ETEW pada percobaan 1 dengan nilai parameter slope

1 %, loop times 13 detik, widht 2 meter, dan height 2

meter parameter algoritma belum maksimal

menghapus titik awan dianggap sebagai bukan tanah.

Hal ini menunjukan titik awan bukan tanah yang

terhapus signifikan semakin kecil nilai slope maka

semakin banyak titik yang terhapus dengan pencarian

paling panjang bangunan sesuai dari titik awan pada

area tersebut.

Selanjutnya dilakukan perbandingan hasil Percobaan

DTM terbaik metode TIN pada percobaan 4 SBF dan

percobaan 4 ETEW dan Spline Interpolation

percobaan 3 SBF dan percobaan 3 ETEW,

diilustrasikan pada Gambar III.3 dan Gambar III.4.

Gambar III. 3 Hasil DTM TIN percobaan 4 SBF dan

percobaan 4 ETEW

Gambar III. 4 Hasil DTM Spline percobaan 3 SBF dan

percobaan 3 ETEW

Area sampel yang memiliki kerapatan titik awan hasil

filtering bukan tanah pada data LiDAR dapat dilihat

pada Gambar III.5.

Gambar III. 5 Area Sampel

Hasil geomorfologi DTM TIN dan hillshade spline

dari pengambilan sampel area topografi dapat dilihat

pada Gambar Gambar, dan Gambar.

Gambar III. 6 DTM TIN percobaan 4 dan hillshade spline

vegetasi percobaan 3 pada metode SBF dan ETEW


bangunan percobaan 3 pada metode SBF dan ETEW


irigasi percobaan 3 pada metode SBF dan ETEW

Berdasarkan DTM dan hillshade pada Gambar 4.14,

Gambar 4.15, dan Gambar 4.16 menunjukan hasil

sampel area pada Gambar 4.13 yaitu area hijau

(vegetasi), area kuning (bangunan), dan biru (irigasi)

diperoleh dari filter percobaan. Pada percobaan sampel

area vegetasi dan bangunan metode SBF dan ETEW

terdapat perbedaan pada area yang ditandai poligon

merah. Hasil relatif kasar permukaannya pada metode

SBF, hal ini radius diantara 2 cell tidak terdapat grid

yang curam sehingga pada proses filtering titik awan

tersebut tidak terhapus. Sedangkan pada sampel area

irigasi, geomorfologi yang terbentuk menunjukan

bahwa DTM yang dihasilkan SBF lebih halus

ketimbang ETEW, hal ini area sampel tidak terlalu

curam dan terdapat vegetasi rendah algoritma

mengasumsikan titik awan vegetasi rendah terhapus

karena perbedaan elevasi tidak siginifikan dan

tergantikan pada estimasi ketinggian metode

interpolasi.

III.2 Analisis Transect

Tujuan pada analisis ini untuk mengetahui

kenampakan garis lengkung secara detail pada suatu

objek sampel dengan membandingkan dari masing-

masing percobaan dari metode SBF dan ETEW pada

area sampel vegetasi, bangunan, dan irigasi. Hasil dari

proses analisis yang diperoleh diilustrasikan pada

Gambar III. 9 Hasil transect SBF vegetasi

Gambar III. 10 Hasil transect ETEW vegetasi

Garis transect yang dihasilkan SBF pada Gambar III.

9 menunjukan nilai percobaan 2 lebih halus

kenampakan nya karena garis penampang yang

menunjukan konstan tidak mengalami perubahan

ketinggian yang signifikan, namun pada percobaan 1

SBF hasil terlihat lebih kasar, hal ini dikarenakan pada

area vegetasi metode SBF percobaan 1 masih terdapat

titik awan kelas bukan tanah (non ground) yaitu

kanopi pohon yang masih belum terfilter. Jadi nilai

parameter SBF pada percobaan 2 sudah bekerja

dengan baik untuk menjalankan filtering pada vegetasi.

Sedangkan pada metode ETEW menunjukan hasil

percobaan 4 perbedaan pola garis yang dibentuk

dideskripsikan sebagai ketinggian diilustrasikan pada

Gambar III. 10 menunjukan garis penampang lebih

halus, sedangkan percobaan yang menunjukan

kenampakan hasil lebih kasar pada percobaan 1 ETEW,

hal ini memungkinkan terdapat titik awan bukan tanah

yaitu pohon yang belum mampu terfiltering dengan

baik pada algoritma percobaan 1 ETEW.

Gambar III. 11 Hasil transect SBF bangunan

Gambar III. 12 Hasil transect ETEW bangunan

Garis transect yang dihasilkan SBF pada Gambar III.

11 menunjukan nilai percobaan 2 lebih halus

kenampakannya karena garis penampang yang


ketinggian yang signifikan, namun pada percobaan 4

SBF hasil terlihat lebih kasar, hal ini dikarenakan pada

area bangunan metode SBF percobaan 4 masih

terdapat titik awan kelas bukan tanah (non ground)

yaitu bangunan yang masih belum terfilter. Jadi nilai


dengan baik untuk menjalankan filtering pada

bangunan. Sedangkan pada metode ETEW

menunjukan hasil percobaan yang sama dengan

metode SBF yaitu pada percobaan 2 ETEW

diilustrasikan pada Gambar III.12 menunjukan garis

penampang lebih halus, sedangkan percobaan yang

menunjukan kenampakan hasil lebih kasar pada

percobaan 1 ETEW, hal ini memungkinkan terdapat

titik awan bukan tanah yaitu bangunan yang belum

mampu terfilter dengan baik pada algoritma percobaan

1 ETEW.

Gambar III. 13 Hasil transect SBF irigasi

Gambar III. 14 Hasil transect ETEW irigasi

Garis transect yang dihasilkan SBF pada Gambar

III.13 menunjukan nilai percobaan 1 lebih halus

kenampakan nya karena garis penampang yang


ketinggian yang signifikan, namun pada hasil

percobaan 3 SBF terlihat lebih kasar, hal ini

dikarenakan pada area irigasi metode SBF percobaan 3

radius pencarian mengidentifikasi diantara cell-cell

ketinggian curam belum terfilter dikarenakan

direpresentasikan sebagai tanah (ground). Jadi nilai


dengan baik untuk menjalankan filtering pada irigasi.

Sedangkan pada metode ETEW menunjukan hasil

percobaan yang sama dengan metode SBF yaitu pada

percobaan 1 ETEW diilustrasikan pada Gambar III.14

menunjukan garis penampang lebih halus, sedangkan

hasil yang menunjukan kenampakan lebih kasar

terdapat pada percobaan 2 ETEW, hal ini

memungkinkan titik awan tanah belum terfilter

dikarenakan algoritma pada metode ETEW

menghapus titik awan tanah pada kemiringan tinggi

dengan sekitarnya di area irigasi, sehingga belum

mampu mempertahankan posisi tanah dengan baik

pada ketinggian yang terkelaskan pada kelas tanah

(ground).

III.3 Uji Ketelitian Hasil Model Filtering

Nilai RMSEz dapat dilakukan proses analisis ketelitian

geometri vertikal yang diperoleh dari LE90 dari

masing-masing percobaan dengan melakukan 26 titik

uji dari GCP dan ICP. Hasil dari ketelitian geometri

vertikal dibandingkan nilai LE90 dari tiap-tiap metode

filtering, selanjutnya mencari nilai ketelitian terbaik

dari metode SBF dan ETEW. Hasil perhitungan nilai

RMSEz dan LE90 ditampilkan pada Tabel

Tabel III. 1 Hasil uji akurasi

SBF ETEW SBF ETEW

rata-rata 2,260273 2,257631 1,432854 1,403694

Rmse z 1,503421 1,502541 1,197019 1,184776

LE90 2,480494 2,479043 1,974962 1,954761

rata-rata 2,295885 2,639794 1,434288 2,038194

Rmse z 1,515218 1,624744 1,197617 1,427653

LE90 2,499958 2,680665 1,975949 2,355485

rata-rata 2,457803 2,639794 1,513682 2,031672

Rmse z 1,567738 1,624744 1,230318 1,425367

LE90 2,586611 2,680665 2,029902 2,351713

rata-rata 2,620136 2,082725 1,436803 1,365414

Rmse z 1,618684 1,443165 1,198667 1,168509

LE90 2,670666 2,381078 1,977681 1,927923

rata-rata 2,39272 2,473186 1,515673 1,432854

Rmse z 1,546842 1,572637 1,231127 1,197019

LE90 2,552135 2,594693 2,031236 1,974962

3

4

5

z (GCP)Percobaan

1

2

z (ICP)

Hasil RMSEz dan LE90 dapat dibandingkan dari dua

metode filtering terbaik dihasilkan. Hasil didapatkan

pada metode filtering ETEW lebih baik dari pada

metode filtering SBF untuk area studi kampus ITB

jatinangor. Hasil algoritma ETEW menunjukan pada

objek bukan tanah khususnya pada wilayah datar

sudah mampu menghasilkan nilai statistik yang baik.

Hal-hal yang mempengaruhi hasil kesalahan vertikal

masuk pada ukuran ± 1 meter sebagai berikut:

1. Dilihat dari segi dari persegesar blok antar

trajectory

Gambar III. 15 Titik awan antar blok mengalami pergeseran

Dari Gambar secara garis besar kesalahan

penyimpangan ini diakibatkan oleh tidak dilakukan

proses pre-processing yaitu pengolahan strip

adjusment mengklasifikasi titik awan pada setiap per

jalur sehingga tidak dapat menghitung koreksi

boresight misalignment IMU, dan tidak dilakukan pos-

processing berupa pengolahan georeferencing pada

titik GPS. Sehingga titik awan yang saling

bertampalan pertemuan di satu objek tidak matching

blok pengukuran pertama dan blok pengukuran kedua

lajur akuisisi. Nilai akurasi selisih pertampalan titik

awan perblok bisa berkisar ± 10 centimeter apabila

praktisi melakukan pengolahan yang harus semestinya

yaitu melakukan pengolahan pre-processing dan post-

processing. Nilai akurasi error didapatkan pada

penelitian ini sudah wajar kesalahan error sampai 1

meter.

2. Data pembanding GCP terhadap titik awan filtering

Gambar III. 16 Selisih ketinggian antar titik uji

Rata-rata hasil didapatkan mempunyai selisih pada

Gambar 4.27, nilai ini dipengaruhui yaitu proses

pengolahan langsung dari raw data set LiDAR, tidak

dilakukan georeferencing pada titik awan, dan proses

konversi pengolahan titik awan, hal ini mengalami

lose atau gap titik awan pada titik yang mengacu pada

permukaan bumi walaupun data uji di area terbuka.

Pengolahan pada software open source yang notabene

software ini tidak diuntukan pengolahan data yang

memiliki nilai ketelitian tinggi, hanya saja software ini

mampu digunakan pada data yang didukung format

konversi agar bisa dilakukan pengolahan, seperti

metode slope based data sebenarnya adalah format Las.

file untuk dilakukan filtering menggunakan software

SAGA GIS dibutuhkan format grid (raster) sehingga

dilakukan konversi data dari Las.file ke grid hal ini

mengakibatkan data sebenarnya mengalami penyatuan

pada setiap cell yang di bagi setiap kisi, grid yang

ketinggiannya rendah namun satu cell dengan grid

memiliki ukuran tinggi maka dipresentasikan nilai cell

yang sama dalam satu kisi. Sehingga banyak titik awan

bukan tanah yang terhapus.

IV. Kesimpulan

IV.1 Hasil klasifikasi dan filtering didapatkan

menggunakan metode SBF dan ETEW

menghasilkan kualitas geomorfologi yang

baik pada ETEW. Pada hasil analisis

transect menghasilkan pola kenampakan

melintang yang cukup baik pada metode

ETEW pada percobaan 4 vegetasi dan

percobaan 2 pada bangunan, sedangkan

hasil transect pada irigasi metode SBF

menghasilkan terbaik pada percobaan 1.

Perbedaan hasil analisis didapatkan, karena

proses kinerja parameter dari algoritma

setiap metode memiliki jangkauan filtering,

untuk mengantisipasi hasil filtering kurang

baik, melakukan penggunaan penapisan

kemiringan rendah dengan jangkauan

permukaan maksimum pada setiap area

penelitian.

IV.2 Pada nilai uji akurasi metode ETEW

mendapatkan hasil terbaik dengan nilai

RMSz sebesar 1,44 meter dan LE90 sebesar

2,38 meter. Hal ini data LiDAR didapatkan

akurasi ± 1 meter di karenakan proses

pengolahan melalui raw data set LiDAR

tidak melakukan strip adjusment dan

koreksi boresight misalignment IMU pada

proses post-prosecessing data.

V. Daftar Pustaka

[1] M. B. A. Amin, Pemanfaatan Teknologi LiDAR

Dalam Analisis Genangan Banjir Akibat Luapan

Sungai Berdasarkan Simulasi Model

Hidrodinamik," Info Teknik, vol. 16, no. 1, pp.

21-32, 2015.

[2] B. Yunfei, L. Guoping, C. Chunxiang, L.

Xiaowen, Z. Hao, H. Qisheng, B. Linyana and C.

Chaoyi, "Classification of LiDAR Point Cloud

and Generation of DTM From LiDAR Height and

Intensity Data in Forested Area," The

International Archives of The Photogrammetry,

Remote Sensing and Spatia; Information Sciences,

vol. XXXVII, pp. 313-318, 2008.

[3] A. F. Abdullah, Z. Vojinovic, R. Price and A. A.

Aziz, "A Methodology for Processing Raw

LiDAR Data to Support Urban Fload Modelling

Framework, Disertation, Accounting for Elevatde

Roads and Bridges," Journal of Hydroinformatics,

vol. 13, no. 2, pp. 253-269, 2012.

[4] G. Sithole and G. Vosselman, "Experimental

Comparison of Filter Algorithms for Bare-Earth

Extraction from Airborne Laser Scanning Point

Clouds," ISPRS Journal of Photogrammetry and

Remote Sensing, vol. 59, pp. 85-101, 2004.

[5] X. L. Meng, N. Currit and K. G. Zhao, "Ground

Filtering Algorithms for Airborne LiDAR Data:

A Review of Critical Issues," Remote Sensing,

vol. 2, no. 3, pp. 833-860, 2010.

[6] G. Vosselman, "Slope based filtering of laser

altimetry data," International Archives of

Photogrammetry and Remote Sensing, vol. 33, pp.

935-942, 2000.

[7] C. Chen, Y. Li, N. Zhao, J. Guo and G. Liu, "A

Fast and Robust Interpola-Filter tion untuk

Airborne LiDAR Point Clouds," PLoS ONE, vol.

15, no. 5, 2017.

[8] BIG, Peraturan Kepala Badan Informasi

Geospasial Nomor 6 Tahun 2018 Tentang

Pedoman Teknis Ketelitian Peta Dasar, adan

Informasi Geospasial (BIG), 2018.

[9] E. Prahasta, Pengolahan Data Sistem LiDAR,

Bandung: Informatika, 2015.

[10] A. Wehr and U. Lohr, "Airborne laser scanning -

An introduction and overview," ISPRS Journal of

Photogrammetry and Remote Sensing, vol. 54, pp.

68-82, 1999.

[11] N. C. Center, Lidar 101: An Introduction to Lidar

Technology, Data, and Applica-tions, Charleston:

NOAA Coastal Services Center, 2012.

[12] D. Gatziolis and H. Andersen, A guide to LIDAR

data acquisition and processing for the forests of

the Pacific Northwest, Portland: U.S. Department

of Agriculture, Forest Service, Pacific Northwest

Research Station, 2008.

[13] H. Afsharnia, "A TIN-Based Filtering Algorithm

to Create DTM from LiDAR DSM," in 22nd

Iranian National Conference of Maps and

Geospatial Data, Tehran, 2015.

[14] H. Guan, J. Li and M. A. Chapman, "Urban

Thematic Mapping by Integrating LiDAR Point

Cloud with Colour Imagery," GEOMATICA, vol.

64, no. 5, pp. 375-385, 2011.

[15] S. S. Nurul, M. Zulkepli and S. Halim, "DTM

Generation From LiSAR Data By Using Different

Filters In Open - Source Software,"

Geoinformation Science Journal, vol. 10, no. 2,

pp. 89-109, 2010.

[16] K. Zhang and D. Whitman, "Comparison of

Three Algorithms for Filtering Airborne LiDAR

Data," Photogrammetric Engineering and Remote

Sensing, vol. 71, pp. 313-324, 2005.

[17] BIG, "Peraturan Kepala Badan Informasi

Geospasial Nomor 15 Tahun 2014 Tentang

Pedoman Teknis Ketelitian Peta Dasar," Badan

Informasi Geospasial (BIG), Bogor, 2014.

[18] NSSDA, "Geospatial Positioning Accuracy

Standards – Part 3: National Standard for Spatial

Data Accuracy," National Center Reston, Virginia,

1998.

[19] D. T. Sari, "Analisis Geometrik True Orthofoto

Data LiDAR," Institut Teknologi Sepuluh

Nopember, Surabaya, 2016.

[20] N. Pfreifer, "Digital surface model and digital

terrain model filtering," Institute of

Photogrammetry and Remote Sensing Vienna

University of Technology, Vienna, 2008.

[21] L. C. Pambudi, "Analisis Akurasi Penapisan

DSM Ke DTM Menggunakan Metode Simple

Morphological Filter Dan Slope Based Filtering,"

Universitas Diponegoro, Semarang, 2015.

[22] M. Lemmens, "Airborne LiDAR Sensor: Product

Survey," GIM International, vol. 21, no. 2, 2007.

Pemilihan Metode Filtering Terbaik dalam Pembuatan Digital ...

Documents

Transcript of Pemilihan Metode Filtering Terbaik dalam Pembuatan Digital ...