Anda di halaman 1dari 3

DEVITA OKTAVIA GD3205 PENGINDERAAN JAUH

15115034 TUGAS RESUME PRAKTIKUM


KELAS 02 (Bp. Bambang Edhi L.)
Teknologi LiDAR

LiDAR merupakan sistem penginderaan jauh aktif menggunakan sinar laser yang
dapat menghasilkan informasi mengenai karakteristik topografi permukaan tanah dalam
posisi horizontal dan vertikal. Proses pengolahan data LiDAR dari data RAW sampai
penyajian data dapat dilakukan dengan menggunakan beberapa software. Output
pengukuran LiDAR menghasilkan data berupa point clouds (titik awan) berupa raw data
format digital dalam LAS file atau (.Las). Selain itu dilengkapi juga oleh single frame foto
udara dalam format digital. Penentuan posisi LiDAR terekam dalam raw data GPS dan
hasil pengolahan metode diferensial kinematik dalam format digital.

Point clouds merupakan sekelompok titik hasil pengukuran sensor laser yang telah
diolah hingga memiliki posisi tiga dimensi dalam sistem koordinat kartesius atau X, Y
dan Z. Titik tersebut merupakan semua titik yang dipantulkan oleh objek target di
permukaan bumi dan kembali ke sensor. Proses pengolahan data LiDAR dilakukan secara
post processing yakni dari ketiga data yang dihasilkan oleh GPS, IMU dan Sensor Laser
akan diolah sehingga menghasilkan point clouds dalam X, Y dan Z. Kerapatan point clouds
ditunjukkan oleh jarak antar titik dalam sekelompok titik. Apabila jarak antar point clouds
tersebut semakin dekat maka semakin tinggi pula kerapatannya. Kerapatan point clouds
yang tinggi akan menghasilkan model elevasi permukaan yang teliti pula. Namun, hal
tersebut kembali bergantung pada proses pengolahan data LiDAR, metode dan konfigurasi
akuisisi data LiDAR serta kembali kepada tujuan penggunaan data hasil survei LiDAR itu
sendiri. Pada dasarnya kerapatan data tersebut dipengaruhi oleh beberapa hal, yaitu
ketinggian terbang, kecepatan terbang, sudut pemindaian (scan angle), frekuensi
gelombang yang dipancarkan, pola scanning, kekuatan pulsa laser, geometri tanah dan
reflektifitas dari objek yang dipantulkan.

Data hasil pengukuran LiDAR berupa point clouds atau bertipe data titik tersebut
harus dikonversikan ke dalam bentuk raster agar dapat dilakukan ekstraksi informasi
berdasarkan area studinya. Dalam proses ini, informasi 3-Dimensi dari area studi
dikonversi menjadi 2-Dimensi dengan nilai kecerahan pada setiap piksel raster sebagai
informasi nilai ketinggian. Kemudian point clouds tersebut diolah melalui metode
DEVITA OKTAVIA GD3205 PENGINDERAAN JAUH
15115034 TUGAS RESUME PRAKTIKUM
KELAS 02 (Bp. Bambang Edhi L.)
rasterisasi yang digunakan untuk melakukan ekstraksi informasi sehingga dapat
menghasilkan:
1. DTM : Digital Terrain Model didefinisikan sebagai representasi statistik
permukaan tanah yang kontiyu dari titik-titik yang diketahui koordinat x, y, dan z-nya
pada suatu sistem koordinat tertentu.

2. DSM : Digital Surface Model merupakan ketinggian MSL dari permukaan


reflektif pohon, bangunan, dan fitur lainnya ditinggikan di atas “Bare Earth”.
Metode klasifikasi data LiDAR terdiri dari :
1. Klasifikasi Semi-otomatis

Klasifikasi semi-otomatis berarti proses klasifikasi yang dilakukan menggunakan


bantuan perangkat lunak Bentley Microstation v8 yang diintegrasikan dengan
TerraSolid namun dalam penentuan batas-batas parameter yang diperlukan harus
ditentukan sendiri oleh pengguna. Tahap klasifikasi yang pertama adalah ground
filtering. Pada tahap ini dilakukan pemisahan antara ground point dengan titik-titik
lainnya. Klasifikasi ini merupakan bagian yang penting karena DTM yang akurat
hanya dapat diperoleh apabila titik-titik lainnya telah dihilangkan dari ground
points. Untuk mengidentifikasi ground points ke dalam kelasnya, sangatlah
penting untuk memahami karakteristik fisik dari ground points yang dapat
membedakannya dengan titik-titik lainnya berdasarkan empat kategori yakni elevasi
terendah, kecuraman permukaan tanah, perbedaan elevasi permukaan tanah, dan
homogenitas permukaan tanah yang pada perangkat lunak Microstation Terrasolid
diwakili dalam parameter yaitu maximum building size, terrain angle, iteration
angle dan iteration distance.
- Klasifikasi Ground Points

Raw data LiDAR hasil proses awal pada komponen-komponennya akan berupa

point clouds yang belum terklasifikasi. Data hasil pantulan dari semua objek
akan tercampur menjadi satu sehingga sulit dibedakan. Maka dari itu perlu
dilakukan pemisahan data point clouds atau biasa disebut point classification

Proses klasifikasi atau penyaringan dilakukan untuk memisahkan antara point cloud
DEVITA OKTAVIA GD3205 PENGINDERAAN JAUH
15115034 TUGAS RESUME PRAKTIKUM
KELAS 02 (Bp. Bambang Edhi L.)
hasil pemantulan dari suatu jenis objek dengan jenis objek lainnya, maupun dengan
hasil pemantulan dari permukaan tanah.

- Klasifikasi Low, Medium, High Vegetation

Setelah klasifikasi titik-titik permukaan tanah selesai dengan metode klasifikasi


otomatis dan semi otomatis maka selanjutnya dapat dilakukan klasifikasi objek-
objek lainnya seperti vegetasi rendah (low vegetation), vegetasi sedang (medium
vegetation) dan vegetasi tinggi (high vegetation). Parameter ketinggian didapat dari
referensi dan literatur serta uji statistik trial and error. Setelah itu dilakukan
klasifikasi semi otomatis dengan melakukan pengecekan secara visual (cross
section) serta mem-brush point clouds kelas vegetasi tertentu yang belum
terklasifikasi dengan benar.

2. Klasifikasi Manual

Klasifikasi dengan cara semi-otomatis dilakukan untuk memeriksa data point cloud
hasil klasifikasi dari proses automatic classification. Karena walaupun dengan
batasan parameter yang telah ditentukan pada proses sebelumnya, hal tersebut tidak
menjamin bahwa semua data terklasifikasi dengan benar. Sering kali terjadi
kesalahan klasifikasi atau miss-classified. Oleh karena itu, diperlukan pengecekan
dan klasifikasi secara manual untuk memastikan semua data berada pada kelas yang
sesuai. Klasifikasi secara manual dilakukan dengan melakukan pengecekan point
cloud secara visual tampak samping (cross section atau side seeing). Apabila pada
pengecekan penampang melintang dari point cloud tersebut ditemukan hasil
klasifikasi yang tidak sesuai, maka point cloud tersebut dapat dipindahkan ke
dalam kelas yang seharusnya dengan mem-brush point clouds secara manual.
Pengecekan secara manual juga dapat dilakukan dengan bantuan data ortofoto.
Ortofoto akan membantu mengidentifikasi jenis objek, sebab sering kali terjadi
kesalahan klasifikasi antara vegetasi rendah dan permukaan tanah, maupun objek-
objek lain yang memiliki karakteristik hampir serupa.