Data Lidar

LAPORAN
PENELITIAN PEMANFAATAN LIDAR

UNTUK PEMETAAN TOPOGRAFI SKALA BESAR
Kelompok Penelitian Pemetaan Rupabumi dan Toponimi

Pusat Penelitian, Promosi dan Kerjasama
Badan Informasi Geospasial
Prof. Dr.-Ing. Fahmi Amhar

Agung Syetiawan, S.T.
Ayu Nur Safi’I, S.T.
Bambang Riadi, S.T., M.Tech.
Dadan Ramdani, S.T., M.T.
Danang Budi Susetyo, S.T.
Fahrul Hidayat, S.T.
M. Irwan Hariyono, S.T.
Nadya Oktaviani, S.T.
Prayudha Hartanto, S.T., M.T.
Tia Rizka Nuruia Rahma, S.T.
Yustisi Ardhitasari, , S.T.
1
KATA PENGANTAR
Puji syukur ke hadirat Allah subhanahu wata’ala, sehingga akhirnya laporan

penelitian ini dapat diselesaikan.
Penelitian Pemanfaatan Lidar untuk Pemetaan Topografi Skala Besar adalah
merupakan judul besar dari kegiatan “Kelompok Penelitian Pemetaan Rupabumi dan
Toponimi” untuk mendukung program dan kegiatan Pusat Pemetaan Rupabumi dan
Toponimi di Badan Informasi Geospasial, sekaligus untuk memperkaya dunia sains
geospasial (geodesi / geomatika) di tanah air.
Pada tahun 2017 ini, penelitian ini terbagi dalam dua kelompok dan lima sub
penelitian yang saling terkait.
Kelompok pertama adalah Penelitian Pemetaan Topografi Skala Besar. Di sini ada
dua sub penelitian, yaitu:
(1) Penelitian Klasifikasi / Kategorisasi Unsur untuk Peta RBI 1:5000; dan
(2) Penelitian Kapasitas Digitasi untuk Pemetaan 1:5000.
Kelompok kedua adalah Penelitian teknologi Lidarnya sendiri. Di sini ada tiga sub
penelitian, yaitu:
(3) Penelitian Sinkronisasi Hasil LIDAR dengan Foto Udara;
(4) Penelitian Filtering Data LIDAR untuk Peta RBI 1:5000; dan
(5) Penelitian Jumlah GCP Optimal untuk Foto Udara Skala Besar.
Sebagian penelitian ini telah dikerjakan bersama-sama dengan Pusat Pemetaan
Dasar Rupabumi dan Toponimi, sehingga diharapkan, hasilnya dapat langsung
diterapkan pada pusat teknis tersebut untuk kegiatan 2018.
Tak ada gading yang tak retak, maka demikian juga, kami mohon maklum bila
laporan penelitian ini masih banyak kekurangannya, dan substansi yang diteliti juga
terus menjadi bahan pemikiran para penelitinya, sekalipun kegiatan 2017 ini telah
berakhir.
Terima kasih kepada semua pihak yang telah terlibat baik langsung maupun tidak
langsung. Hanya Allah swt yang dapat membalasnya dengan sempurna.
Pusat Penelitian, Promosi dan Kerjasama

Kepala
Dr. Ir. Wiwin Ambarwulan, M.Sc.
2
DAFTAR ISI
I. LAPORAN PELAKSANAAN KEGIATAN ........................................................................ 5

I.1. Latar Belakang .................................................................................................... 5
I.2. Tujuan ................................................................................................................ 6
I.3. Tahapan Pelaksanaan Penelitian ........................................................................... 7
I.4. Waktu Pelaksanaan Kegiatan ................................................................................ 8
I.5. Personil............................................................................................................... 9
I.6. Luaran (Output) .................................................................................................. 9
I.7. Dampak (Outcome) ............................................................................................10
I. LAPORAN HASIL PENELITIAN .................................................................................11
1. Penelitian Klasifikasi / Kategorisasi Unsur Peta RBI 1:5000 ........................................11
1.1. Permasalahan .................................................................................................11
1.2. Metode Penelitian ...........................................................................................13
1.3. Hasil & Pembahasan .......................................................................................17
1.4. Kesimpulan ....................................................................................................23
1.5. Daftar Pustaka ................................................................................................23
2. Penelitian Kapasitas Digitasi untuk Pemetaan 1:5000 ................................................25
2.1. Pendahuluan ..................................................................................................25
2.4 Kesimpulan ....................................................................................................31
2.5 Daftar Pustaka ................................................................................................31
3. Penelitian Sinkronisasi Hasil LIDAR dengan Foto Udara .............................................33
3.1. Pendahuluan ..................................................................................................33
3.4. Kesimpulan ....................................................................................................38
3.5. Daftar Pustaka ................................................................................................38
4. Penelitian Filtering Data LIDAR untuk Peta RBI 1:5000 .............................................39
4.1. Pendahuluan ..................................................................................................39
3
4.4. Kesimpulan ....................................................................................................47
4.5. Daftar Pustaka ................................................................................................47
5. Penelitian Jumlah GCP Optimal untuk Foto Udara Skala Besar ...................................49
5.1. Pendahuluan ..................................................................................................49
5.3. Hasil dan Pembahasan ....................................................................................53
5.4. Kesimpulan ....................................................................................................56
5.5. Daftar Pustaka ................................................................................................56
4
I. LAPORAN PELAKSANAAN KEGIATAN
I.1. Latar Belakang
Sebagian besar kehidupan modern tidak bisa lepas dari informasi geospasial. Informasi
batas diperlukan untuk menjaga hak dan kewajiban di tingkat internasional (antar negara),
di tingkat nasional (antar pemerintah daerah) hingga tingkat lokal (antar desa). Informasi
geospasial mutlak diperlukan untuk perencanaan pembangunan (dasar penyusunan Rencana
Tata Ruang Wilayah hingga Rencana Detil Tata Ruang). Informasi geospasial juga
diperlukan untuk bernavigasi, penanggulangan bencana, pelayanan publik hingga optimasi
investasi.
Peta dasar rupabumi (RBI) adalah salah satu Informasi Geospasial Dasar (IGD) yang
penyelenggaraannya menjadi tugas utama Badan Informasi Geospasial. IGD terdiri dari
Jaring Kontrol Geodesi dan Peta Dasar. Dan Peta Dasar terdiri dari Peta Rupabumi
Indonesia (RBI), Peta Lingkungan Pantai Indonesia (LPI) dan Peta Lingkungan Laut Nasional
(LLN).
Saat ini, seiring dengan perencanaan dan pengendalian ruang yang semakin berkualitas,
juga pemerataan pembangunan sampai ke kawasan pinggiran yaitu desa-desa dengan
adanya “Dana Desa”, diperlukan peta-peta RBI skala besar. Peta RBI skala besar adalah
skala 1:5.000, 1:2.500 dan 1:1000. Peta RBI skala besar ini bisa dibuat dengan
menggunakan teknologi citra satelit resolusi sangat tinggi, foto-udara konvensional, pesawat
nir awak (Unmaned Aircraft System / UAS atau drone), Light Imaging Detecting and
Ranging (Lidar) dan survey terestris.
Dari beberapa jenis teknologi ini, Lidar termasuk teknologi yang masih menarik karena
pengalaman penggunaan teknolog Lidar di Indonesia masih relatif sedikit, sementara trend
kebutuhan ke depan semakin besar. Selain itu, pesatnya perkembangan teknologi dan
pertumbuhan ekonomi membuat teknologi Lidar semakin hari semakin terjangkau, karena
harga semakin turun dan kualitas semakin baik.
Pemanfaatan Lidar untuk Pemetaan Topografi Skala Besar adalah merupakan judul besar
dari kegiatan “Kelompok Penelitian Pemetaan Rupabumi dan Toponimi” untuk mendukung
program dan kegiatan Pusat Pemetaan Rupabumi dan Toponimi di Badan Informasi
Geospasial, sekaligus untuk memperkaya dunia sains geospasial (geodesi / geomatika) di
tanah air.
5
I.2. Tujuan
Penelitian bertujuan memberikan rekomendasi kepada Pusat Pemetaan Rupabumi dan Tata
Ruang dan seluruh rekanannya terkait hal-hal untuk peningkatan kinerja pemetaan
rupabumi skala besar, khususnya yang menggunakan teknologi Lidar dan Foto Udara
Pada tahun 2017 ini, penelitian ini terbagi dalam dua kelompok dan lima sub penelitian yang
saling terkait.
Kelompok pertama adalah penelitian pemetaan topografi skala besar. Di sini ada dua sub
penelitian, yaitu:
1. Penelitian Klasifikasi / Kategorisasi Unsur untuk Peta RBI 1:5000; dan

2. Penelitian Kapasitas Digitasi untuk Pemetaan 1:5000.
Klasifikasi / Kategorisasi Unsur untuk Peta RBI diperlukan untuk membatasi apa yang akan
dipetakan di peta RBI 1:5000, agar tidak terlalu sedikit dan juga tidak terlalu banyak. Pada
skala 1:5000, pada umumnya akan muncul atau dibutuhkan beberapa unsur yang di peta
skala yang lebih kecil belum muncul.
Namun demikian, unsur yang dimunculkanpun tidak boleh terlalu banyak, karena akan
membebani operator dalam mendigitasi (vektorisasi) data dan menaikkan biaya survei
kelengkapan lapangan. Oleh karena itu, kapasitas digitasi ini terkait erat dengan klasifikasi
unsur tersebut, sekalipun masih ada beberapa aspek lain yang berpengaruh.
Kelompok kedua adalah penelitian teknologinya, yang terdiri tiga sub penelitian, yaitu:
3. Penelitian Sinkronisasi Hasil Lidar dengan Foto Udara;

4. Penelitian Filtering Data Lidar untuk Peta RBI 1:5000; dan
5. Penelitian Triangulasi Udara (AT) metode Direct Georeferencing untuk Optimasi Jumlah
GCP Foto Udara.
Saat ini survei pemotretan dengan Lidar selalu menyertakan kamera foto udara. Namun
demikian, hasil sementara pembentukan Model Elevasi Digital (DEM) antara yang diturunkan
dari data Lidar dengan yang diturunkan dari Foto Udara ternyata berbeda, dan ini
memerlukan pendalaman.
Kemudian untuk menjadikan peta RBI, data Lidar yang berupa point cloud ini masih perlu
difilter. Di tempat-tempat seperti semak belukar, akan ada beberapa titik dengan ketinggian
berbeda di satu lokasi. Pada peta RBI, yang diperlukan adalah DEM untuk permukaan tanah
asli atau Digital Terrain Model (DTM). Sedang untuk pembuatan Orthophoto justru DEM
untuk permukaan tertinggi yang ada atau Digital Surface Model (DSM). Di dunia sudah
banyak dikembangkan algoritma filtering data Lidar, namun umumnya dengan kondisi
vegetasi atau built-up-area di negara maju, yang umumnya relatif homogen dan teratur.
Filter ini juga untuk menyingkirkan objek yang diduga adalah bangunan, kabel listrik, tiang
listrik atau sosok yang bergerak yang bukan bagian dari rupa bumi.
Sedang penelitian yang terakhir muncul dari keinginan untuk menghemat biaya survei GCP
yang saat ini masih cukup tinggi, baik pada Citra Satelit Resolusi Sangat Tinggi (CSRST)
6
maupun pada foto udara. Keduanya dilengkapi dengan data Global Positioning System dan
Inertial Management Unit (IMU), yang bisa digunakan langsung untuk mendapatkan data
orientasi absolut (External Orientation, EO) dalam triangulasi udara (Aerial Triangulation,
AT). Metode ini dikenal dengan istilah Direct Georeferencing (DG). Pada penelitian ini akan
dicoba DG pada foto udara.
I.3. Tahapan Pelaksanaan Penelitian

Secara umum, tahapan pelaksanaan penelitian ini dapat dibagi menjadi 4.
Yang pertama adalah inventarisasi masalah dan metode melalui serangkaian Focus Group
Discussion, baik yang di kalangan peneliti, di internal Badan Informasi Geospasial (Pusat
Pemetaan Rupabumi dan Toponimi, PPRT), maupun yang melibatkan pakar dan praktisi dari
luar. Pakar diundang dari perguruan-perguruan tinggi yang selama ini dikenal memiliki
pengalaman terkait topik itu, seperti UGM dan ITB. Sedang praktisi diambil dari perusahaan
survei pemetaan baik yang biasa menjadi rekanan BIG (diwakili oleh Asosiasi Perusahaan
Survei Pemetaan dan Informasi Geospasial, APSPIG) dan perusahaan survei pemetaan
Penanaman Modal Asing (PMA) yang biasa mendapatkan pekerjaan dari luar negeri, dan
nyaris tidak memiliki kepentingan dengan BIG, sehingga diharapkan menjadi pembanding
yang objektif. Dalam karya tulis ilmiah, hasil tahap pertama ini adalah Bab I (Pendahuluan,
Tinjauan Pustaka) dan sedikit gagasan untuk pengembangan Bab II (Metode Penelitian)
Yang kedua adalah pendalaman Metode Penelitian. Beberapa test awal untuk pematangan
metode penelitian dilakukan, misalnya try out kuesioner atau percobaan awal algoritma
dengan software yang didapatkan. Hasil tahap kedua ini adalah Bab II (Metode Penelitian).
Yang ketiga adalah pelaksanaan pengumpulan data melalui survei, eksperimen dan analisis.
Tahap ketiga ini kadang bersifat iteratif dengan tahap kedua. Hasil sementara survei atau
eksperimen yang belum memuaskan, akhirnya mendorong perbaikan metode dan survei
atau eksperimen ulang, hingga didapatkan data yang dianggap cukup untuk dianalisis.
Yang keempat adalah penarikan kesimpulan dan penulisan akhir. Pada tahap ini, penarikan
kesimpulan diperkaya lagi melalui komunikasi dengan pakar dan praktisi, baik melalui Focus
Group Discussion-II, ataupun dalam forum seminar-seminar ilmiah.
7
Salah satu kegiatan FGD Survei Validasi LIDAR di lapangan
I.4. Waktu Pelaksanaan Kegiatan

Secara umum, tiga bulan pertama (bulan 1-3) adalah tahap inventarisasi masalah. Bulan 4-
6 adalah tahap pengembangan metode. Kebetulan bulan 6 adalah bulan puasa / liburan
Lebaran. Maka survei dan eksperimen untuk mendapatkan data paling banyak dilakukan di
bulan 7-9, bahkan sebagian ada yang baru bisa dilaksanakan di bulan-10 dan awal bulan-11.
Dan akhirnya, pada bulan 10-12 dilakukan serangkaian FGD dan partisipasi dalam beberapa
seminar ilmiah untuk mengkomunikasikan hasil sementara penelitian ini dan mematangkan
kesimpulannya.
Waktu Kegiatan Keterangan

Jan-Feb 2017 Rapat / FGD Riset awal di BIG
Mar-Apr 2017 Penelusuran Literatur di BIG
Mei 2017 Mengambil data Lidar Data dari Pusat PRT - BIG
Jun 2017 Mengambil data AT Data dari Pusat PRT - BIG
Jul 2017 Try Out Kuesioner Survei BIG
10 Agt 2017 Survei Kebutuhan Pengguna Peta Disurpotrud TNI AU, Jakarta
23 Agt 2017 Survei Kebutuhan Pengguna Peta Bappeda, Kota Bogor
7 Sep 2017 Survei Kebutuhan Pengguna Peta Dinas PUPR, Kab Bogor
13 Sep 2017 Survei Kebutuhan Pengguna Peta Pusdatin Kemenhub, Jakarta
22 Sep 2017 Survei Kebutuhan Pengguna Peta Ditjen Hub Udara Kemenhub, Jakarta
3 Okt 2017 Survei Kebutuhan Pengguna Peta Bappeda, Kab Bogor
11 Okt 2017 Survei Kebutuhan Pengguna Peta Kemendes, BMKG, LAPAN, Dittop-AD,
ESDM, Pusdatin Kemhan pada acara
yang diadakan BIG di Bogor
Jul 2017 Survei Kapasitas PT Aerovisi, Jakarta

Jul 2017 Survei Kapasitas PT Aerovisi, Jakarta
Agt 2017 Survei Kapasitas PT Studiotama Bogor
Agt 2017 Survei Kapasitas PT Exsa, Jakarta
28 Sep 2017 Survei Kapasitas PT Geopranata, Bekasi
6-11 Nov 2017 Survei Lapangan Lidar Filtering Lombok

Nov 2017 Analisis Ketelitian Lidar Filtering
6 Nov 2017 FGD Sinkronisasi FGD diselenggarakan PPRT di Bandung

24 Nov 2017 FGD Klasifikasi FGD diselenggarakan PPRT di Bandung
8 Des 2017 FGD Filtering, AT, Kapasitas FGD di Bogor
8
I.5. Personil
Personil penelitian ini terdiri dari para peneliti utama, madya, muda dan pertama dari Pusat
Penelitian, Promosi dan Kerjasama (PPKS) Badan Informasi Geospasial. Hampir seluruhnya
memiliki latar belakang pendidikan Teknik Geodesi. Sebelum bergabung dengan Pusat
PPKS, sebagian besar juga pernah bergabung dalam pusat-pusat teknis, terutama Pusat
Pemetaan Rupabumi dan Topinimi (PPRT), Pusat Jaring Kontrol Geodesi dan Geodinamika
(PJKGG), Pusat Pemetaan Kelautan dan Lingkungan Pantai (PKLP) dan Pusat Pemetaan
Batas Wilayah.
Daftar personil penelitian ini adalah
Nama Jabatan dalam tim Keterangan

1. Prof. Dr.-Ing. Fahmi Amhar Koordinator Umum Peneliti Utama
2. Fahrul Hidayat, S.T. Koordinator Penelitian Klasifikasi Peneliti Pertama
3. Tia Rizka Nurula Rahma, S.T. Koordinator Penelitian Kapasitas Peneliti Pertama
4. M. Irwan Hariyono, S.T. Koordinator Penelitian Sinkronisasi Peneliti Pertama
5. Prayudha Hartanto, S.T., M.T. Koordinator Penelitian Filtering Peneliti Pertama
6. Danang Budi Susetyo, S.T. Koordinator Penelitian AT Peneliti Pertama
7. Agung Syetiawan, S.T. Peneliti Pertama
8. Ayu Nur Safi’I, S.T. Peneliti Pertama
9. Nadya Oktaviani, S.T. Peneliti Pertama
10. Yustisi Ardhitasari, , S.T. Peneliti Pertama
11. Dadan Ramdani, S.T., M.T. Peneliti Muda
12. Bambang Riadi, S.T., M.Tech. Peneliti Madya
Anggota tim saling membantu dalam sub penelitian lain. Beberapa juga ada yang terlibat
dalam Kelompok Penelitian lain di dalam lingkup PPKS.
I.6. Luaran (Output)

Luaran dari kegiatan ini muncul dalam dua bentuk:
Pertama adalah Karya Tulis Ilmiah (KTI) yang dipublikasikan melalui jurnal atau prosiding
konferensi. Bagi peneliti, KTI ini merupakan indikator kinerjanya yang akan dihitung dalam
SKP (Satuan Kinerja Perorangan) dan Angka Kredit untuk Jabatan Fungsional Peneliti.
Beberapa telah muncul adalah dalam ICOIRS Mapin di Semarang 29-30 Oktober 2017,
Forum Ilmiah Tahunan (FIT) ISI di Pekanbaru 1-2 November 2017, dan Semnas Geomatika
14 November 2017
Kedua adalah Executive Summary, yang biasanya disampaikan ke pejabat terkait. Dalam
hal ini, Executive Summary disampaikan kepada Kepala Pusat Pemetaan Dasar Rupabumi
dan Toponimi (PPRT) serta Deputi Informasi Geospasial Dasar, serta dipresentasikan dalam
suatu Rapat / FGD yang dihadiri mereka.
9
I.7. Dampak (Outcome)
Dampak yang diharapkan sebagai outcome dari kegiatan penelitian ini adalah meningkatnya
kualitas pemetaan rupabumi skala besar, khususnya yang menggunakan teknologi Lidar.
Secara spesifik rantai dampak yang diharapkan adalah:
1. Makin lengkapnya peta RBI skala 1:5000 dengan didapatkannya katalog unsur yang
perlu dimasukkan dalam peta.
2. Makin akuratnya estimasi biaya dan waktu pengerjaan dengan didapatkannya data
kapasitas digitasi personil pemetaan yang akurat.
3. Makin bermutunya peta RBI 1:5000 yang dihasilkan dari Lidar dan Foto udara, setelah
kedua data itu dapat disinkronisasi dan diintegrasikan.
4. Makin akuratnya peta RBI 1:5000 dengan diperolehnya filter Lidar yang tepat untuk
kondisi Indonesia.
5. Makin cepat dan murahnya survei untuk GCP bila didapatkan hasil metode Direct
Georeferencing telah memenuhi syarat ketelitian peta yang diinginkan.
10
I. LAPORAN HASIL PENELITIAN
1. Penelitian Klasifikasi / Kategorisasi Unsur Peta RBI 1:5000
Fahrul Hidayat, Tia Rizka N.R., Bambang Riadi, Nadya Oktaviani, Fahmi Amhar
1.1. Permasalahan
Peta dasar khususnya peta Rupabumi Indonesia (RBI) diselenggarakan pada skala tertentu
yaitu 1:1.000.000, 1:500.000, 1;250.000, 1:100.000, 1:50.000, 1:25.000, 1:10.000, 1:5.000,
1:2.500, dan 1:1.000. Skala tersebut dikelaskan menjadi 3 yaitu skala kecil, skala menengah
dan skala besar. Skala kecil dan menengah adalah skala yang lebih kecil dari 1:10.000.
Sedangkan skala besar adalah skala 1:10.000 dan lebih besar (Republik Indonesia, 2011).
Penyelenggaraan peta dasar pada setiap skala tersebut memerlukan suatu standar. Salah
satu tahap yang memerlukan suatu standar adalah tahap pengolahan khususnya terkait
proses pemetaan RBI. Dalam proses pemetaan RBI, map abstraction sesuai dengan kriteria
setiap skala menjadi penting karena pada tahap tersebut dilakukan pemilihan objek yang
akan dituangkan dalam peta. Dalam proses kartografi, Muehrcke dan Muehrcke (1992)
menyatakan bahwa map abstraction menjadi hal mendasar dalam merepresentasikan dunia
nyata yang mana memiliki 5 tahapan inti yaitu selection, classification, simplification,
exaggeration dan symbolization (Stevens, Smith, & Bianchetti, 2012).
Standar tentang pemetaan RBI skala besar saat ini belum tersedia dalam bentuk baku yang
berlaku nasional karena sedang dalam proses kajian oleh Badan Informasi Geospasial (BIG)
sebagai lembaga yang diberikan kewenangan menyelenggarakan Informasi Geospasial
melalui Undang-undang No. 4 tahun 2011 beserta peraturan turunannya. Meskipun
demikian, purwarupa peta RBI skala besar khususnya 1:5.000 sudah tersedia di beberapa
daerah seperti sebagian Kota Bandung, Kota Bogor, Kabupaten Tanggamus, Kabupaten
Karawang dan lainnya yang diselenggarakan pada tahun yang berbeda-beda. Acuan
pemetaan RBI skala besar yang tersedia masih berupa Kerangka Acuan Kerja (KAK) untuk
keperluan lelang beserta petunjuk pelaksanaan sebagai bagian dari KAK tersebut. Hanya
pemetaan RBI skala kecil dan menengah yang sudah memiliki standar yang berlaku secara
nasional berupa Standar Nasional Indonesia (SNI). Kondisi tersebut menjadi sebuah
permasalahan karena peta RBI skala besar dibutuhkan oleh pemerintah daerah misalnya
untuk menyusun Rencana Detail Tata Ruang (RDTR) (Republik Indonesia, 2011). Pada
umumnya, daerah memerlukan peta RBI skala besar pada wilayah perkotaan yang menjadi
unit perencanaan. Indonesia memiliki 98 kota (termasuk kota administratif), 416 kabupaten
yang tersebar di 34 provinsi (Republik Indonesia, 2015). Setiap daerah kabupaten/kota
tersebut umumnya memiliki wilayah perkotaan misalnya kecamatan yang menjadi ibukota
kabupaten/kota yang menjadi pusat pertumbuhan. Dengan demikian, standar pemetaan RBI
skala besar sangat mendesak untuk segera disediakan.
Penelitian ini dilaksanakan untuk mendukung percepatan penyelesaian standar pemetaan
RBI skala besar khususnya pada tahap pengkategorian unsur RBI sebagai dasar map
11
abstraction. BIG saat ini memerlukan suatu tinjauan ilmiah tentang pengkategorian unsur
RBI sebagai dasar dalam menentukan obyek yang perlu/tidak perlu dipetakan.
Kategorisasi berhubungan dengan pembatasan unsur apa saja yang harus ditampilkan
dalam sebuah peta. Dalam pembuatan peta, terdapat beberapa kendala untuk
menterjemahkan dunia nyata menjadi peta diantaranya pengetahuan dan permintaan
pengguna (MacEachren, 1995). Pemilihan informasi apa saja yang harus ditampilkan dalam
peta sehingga sesuai tujuan yang diharapkan dari peta tersebut menjadi tantangan dalam
proses pembuatan peta seperti pada gambar 1 (Stevens, Smith, & Bianchetti, 2012).
Jika menginginkan menampilkan seluruh obyek di dunia nyata dalam sebuah peta,
konsekuensinya adalah peta tersebut susah dimengerti oleh pengguna. Begitu sebaliknya,
jika hanya menyajikan sedikit obyek di dunia nyata maka peta tersebut kurang representatif.
Hal itu menjadi penting yang harus dipertimbangkan dalam proses produksi peta. Seperti
yang dituliskan ( Harries, 1999) dalam sebuah buku Mapping Crime: Principle and Practice,
bahwa map abstraction menjadi suatu pilihan dengan mengorbankan hal yang lain.
Gambar 1. Proses kartografi (Stevens, Smith, & Bianchetti, 2012)

Tujuan penelitian adalah untuk mengidentifikasi parameter kategorisasi unsur RBI skala
besar khususnya 1:5.000. Selanjutnya, rumusan prameter kategorisasi tersebut dapat
dijadikan sebagai referensi dalam penyusunan NSPK Pemetaan RBI skala besar. Dengan
demikian, percepatan penyusunan standar tentang pemetaan RBI skala besar dapat
tercapai.
Dengan demikian, dari kajian awal ini, didapatkan empat hal yang membatasi unsur yang
dimasukkan dalam peta adalah: (1) kebutuhan pengguna; (2) kemampuan / keterbatasan
operator dalam mengumpulkan data; (3) keterkaitan unsur di dalam peta skala tersebut
dengan skala yang lebiih kecil / besar; dan (4) visuabilitas (keterlihatan) unsur itu dalam
peta skala tersebut.
12
Tidak mudah mengidentifikasi kebutuhan pengguna dari sebuah peta RBI yang bersifat
dasar dan multi-purpose atau multi-guna. Apakah jumlah dari pengguna potensial perlu
dijadikan bobot yang menentukan suatu unsur dimasukkan ke dalam peta atau tidak?
Kemudian kemampuan atau keterbatasan operator perlu dipertimbangkan. Makin detil

pembagian unsur, maka makin sulit menyediakan menu di layar komputer, dan makin sulit
pula operator untuk menghafalkan semuanya, sehingga kemungkinan salah menaruh kode
unsur menjadi sangat tinggi.
Keterkaitan unsur di dalam skala yang berbeda perlu diperhatikan, juga rasionalitasnya.
Ada unsur yang di skala kecil muncul, tetapi di skala besar justru tidak perlu muncul,
misalnya patok kilometer di jalan tol. Ada yang di skala besar hanya perlu dimunculkan
secara geometri, tetapi tidak perlu dibagi lagi klasifikasinya, semisal bentuk bangunan.
Namun ada juga yang memang perlu dibagi kelasnya, seperti jalan utama (arteri) ke jalan
kolektor dan jalan lokal.
Terkahir perkara visuabilitas. Pembagian yang terlalu detil belum tentu akan menambah
tingkat keterbacaan peta. Dalam era peta digital dan SIG, ada data yang perlu dikumpulkan
dalam bentuk attribut yang bisa dikeluarkan dalam simbolisasi yang berbeda, namun ada
juga yang tidak perlu dikeluarkan dalam peta cetak, cukup untuk menjawab pertanyaan
secara digital dalam database geospasial.
1.2. Metode Penelitian

Untuk mendapatkan bentuk klasifikasi unsur peta RBI 1:5000 yang ideal, ada tiga jenis
material yang tersedia.
Yang pertama adalah pedoman klasifikasi yang tersedia (eksisting). Di sini ternyata ada
enam pedoman klasifikasi yang belum terharmonisasi, yaitu:
• Spesifikasi pemetaan RBI (SPR, Juklak, KAK)

• Katalog Unsur Rupabumi (KURI)
• Katalog Unsur Geospasial Indonesia (KUGI)
• Kode Unsur dalam PP no 8/2013 tentang Tingkat Keteliian Peta Penataan Ruang
• Permen PU no 20/2011 (Pedoman RDTR)
• SNI Liputan Lahan
Yang kedua adalah purwarupa peta RBI 1:5.000, 1:25.000, dan 1:250.000 yang mencakup
pemukiman, gunung, dan pantai (Bogor, Tanggamus) yang dapat dilihat sebagai bentuk
realisasi klasifikasi unsur dalam data dan visualisasi. Akan dicoba mencari contoh peta
sejenis dari negara lain untuk perbandingan.
Sedang yang ketiga adalah menjajagi kebutuhan pengguna dengan teknik quesioner dan
wawancara. Sebagai sample adalah Bappeda, Kemen PU dan ….
Idealnya, dari material di atas dilakukan hal-hal sebagai berikut: Komparasi antar data (RBI
dengan RDTR, RBI dengan CSRT); Komparasi data dengan peraturan (RBI dengan
13
peraturan); Komparasi dengan kondisi real lapangan (sample landmark); dan Komparasi
dengan peta dasar negara lain.
Kategorisasi unsur RBI harus dilihat secara komprehensif dalam konteks Proses kartografi
khususnya data collection (pattern detection) dan map design (encoding) (Stevens, Smith, &
Bianchetti, 2012). Dalam penelitian ini, penulis menggunakan 3 (tiga) referensi utama untuk
membatasi analisis. Referensi pertama adalah generalization as a sequence of modelling
operations (Cecconi, 2003). Generalisasi dapat dipahami sebagai suatu proses representasi
dunia nyata melalui beberapa model yang berbeda. Generalisasi tahap pertama adalah
object generalization yaitu dari dunia nyata menjadi primary model (Digital Landscape Model
/ DLM). Selanjutnya model generalization (based on map purpose) dari primary model
(DLM) menjadi secondary models (DLM). Generalisasi terakhir adalah cartographic
generalization yang dapat dilakukan terhadap primary model atau secondary models (based
on scale dan map purpose) menghasilkan cartographic produc (Digital Cartographic Model /
DCM). Alur generalisasi tersebut dapat dilihat pada gambar 2.
Gambar 2. Generalization as a sequence of modelling operations (Cecconi, 2003)
Referensi kedua adalah category theory and the structure of features in geographic
information system (Usery, 1993). Usery menjelaskan bahwa unsur geografis (geographical
feature) merupakan konsep intelektual dari entitas dan objek representasi dunia nyata.
Selain itu, dalam paper Usery tersebut disampaikan bahwa pendefinisian unsur geografis
setidaknya harus spesifik yaitu setidaknya mencakup atribut dan hubungan baik untuk lokasi
dan klasifikasi seperti yang terlihat pada gambar 3. Hal penting yang lain adalah bahwa
abstraction dalam prinsip kartografi menyedikan dasar dalam teori kategori karena teori
kategori berhubungan langsung dengan basic level objek geografis. Lebih jauh lagi bahwa
dalam proses abstraction informasi geografis untuk keperluan produksi peta, kartografer
harus mengetahui tujuan dari suatu peta (application) dan skala penyajian peta (resolution).
Dalam paper tersebut, Usery banyak mengutip Rosch (1976 dan 1978) dalam
menganalogikan kategori pada basic level misalnya seperti terlihat pada tabel 1.
14
Gambar 3. Atribut dan keterkaitan baik lokasi maupun klasifikasi menjadi komponen dasar
untuk representasi fenomena geografis (Usery, 1993)
Tabel 1. Ilustrasi kategori
Superordinat Level Dasar Subordinat

Furnitur Kursi Kursi daput
Kursi kerja
Meja Meja kopi
Meja makan
Lampu Lampu kerja
Lampu lantai
Transportasi Jalan Jalan Negara
Jalan Antarnegara
Jalur Kereta Api Jalur Kereta Api Standard-Gauge
Jalur Kereta Api Narrow-Gauge
Kanal Kanal Irigasi
Kanal Pelayaran
Hidorgrafi Danau Danau Glacial
Danau Karst
Aliran Sungai Sungai permanen
Sungai musiman
Kanal Kanal Irigasi
Kanal Pelayaran
Referensi ketiga adalah parameters influencing map design (Hatzapoulos, 2008). Ada 4
(empat) parameter yang menurut Hatzapoulos mempengaruhi desain suatu peta. Berikut
adalah parameter tersebut: 1) tujuan peta; 2) skala peta; 3) pengguna peta; dan 4) metode
pembuatan peta. Selain itu, peta dibedakan menjadi 2 (dua) jenis yaitu general use maps
misalnya peta topografi dan tematic maps misalnya peta curah hujan. Kedua jenis peta
tersebut memiliki karakteristik yang berbeda jika dikaitkan dengan parameter desain suatu
peta.
15
Berdasarkan 3 (tiga) referensi utama tersebut, penulis mengambil garis besar batasan
penelitian yang kemudian menjadi acuan pengumpulan data dan analisis yaitu:
1) Pendefinisian tujuan peta RBI merujuk pada konsep peta topografi
2) Map abstraction menjadi bagian tak terpisahkan dari proses kategorisasi unsur RBI
3) Pengguna peta RBI sebagai bagian dari proses pemetaan RBI
Dalam penelitian tentang Kategorisasi Unsur RBI skala 1:5.000, diperlukan data dari
berbagai sumber. Daftar kebutuhan data dapat dilihat pada tabel 2.
Tabel 2. Data yang digunakan
No Nama Data Sumber Data

 Website (profil
1 Pengguna peta RBI dengan
Kementerian/Lembaga/Instansi/Pemerintah
parameter:
Daerah/Perusahaan/Individu/lainnya)
 Karakteristik pengguna
 melalui telaah peraturan perundang –
 Tujuan penggunaan peta RBI
undangan yang memiliki tupoksi berkaitan
 Cara memperoleh peta RBI
dengan geospasial
 Frekuensi penggunaan peta RBI
 melalui hasil kajian tentang layanan IG yang
telah dilakukan Pusat Standardisasi dan
Kelembagaan Informasi Geospasial (PSKIG)
 melalui rekap permintaan data yang ada di
balai layanan PPKS
 Pengguna peta RBI (profil
2 Kebutuhan pengguna peta RBI
Kementerian/Lembaga/Instansi/Pemerintah
Daerah/Perusahaan/Individu/lainnya)
 Pusat Pemetaan Rupabumi dan Toponim,
3 Data RBI Skala 1:5.000,
BIG
Kota Bandung
 Pusat Pengelolaan dan Penyebarluasan
Informasi Geospasial, BIG
4 Spesifikasi pemetaan RBI (draf
BIG
NSPK, Petunjuk Pelaksanaan,
Pedoman stereoplotting, Kerangka
Acuan Kerja, SPR, dan lainnya)
5 Kode Unsur Rupabumi (KURI)
BIG
 Pusat Pengelolaan dan Penyebarluasan

6 Dokumen Katalog Unsur Geografi
Indonesia versi terbaru
 Pusat Standardisasi dan Kelembagaan
7 Standar pembuatan peta topografi
 Badan Standardisasi Nasional
 International Organization for
Standardization
 lainnya
 Literatur
8 Konsep Peta Topografi
 Pakar
9 Pendapat pakar
16
Pengumpulan data dilakukan dengan beberapa metode yaitu: 1) Pengumpulan data
memanfaatkan teknologi internet misalnya melalui search engine; 2) wawancara untuk
mengumpulkan data kebutuhan pengguna peta RBI; 3) survei instansi dilakukan untuk
meminta dokumen pendukung terkait data kebutuhan pengguna peta RBI yang akan
digunakan sebagai penguat metode wawancara; 4) Focus Group Discussion (FGD) untuk
memperoleh pendapat pakar tentang kategorisasi unsur RBI.
Metode analisis dibagi menjadi 3 (tiga) bagian yaitu: 1) Analisis deskriptif tentang konsep
dasar peta topografi dan map abstraction terhadap kategorisasi unsur RBI, dan peta
topografi; 2) Analisis deskriptif terhadap hasil wawancara kebutuhan pengguna peta RBI; 3)
Analisis deskriptif terhadap pendapat pakar. Dari ketiga analisis tersebut selanjutnya akan
disajikan dalam suatu hasil yang harapannya dapat menjawab pertanyaan penelitian dan
tujuan penelitian dapat tercapai.
1.3. Hasil & Pembahasan
Peta topografi dan map abstraction
Pemetaan topografi didefinisikan sebagai seni, sains dan teknologi dalam menempatkan
suatu titik pada permukaan bumi. Titik merupakan elemen dasar dari struktur geometri yang
rumit seperti garis, polygon, luasan, persil dan lainnya. Peta topografi menyajikan informasi
umum terkait karakteristik alami dan buatan dari dunia nyata. Informasi khusus yang
disajikan pada peta topografi adalah relief (Hatzapoulos, 2008). Hatzapoulus juga
menyatakan bahwa pemetaan topografi sudah ada sejak Babylonia kuno yang menyajikan
informasi “bundaries” dan memperkuat bahwa “point”sebagai dasar entitas geometri.
Informasi pembeda antara peta topografi dengan yang lain adalah penggambaran elevasi
atau relief menggunakan garis kontur. Meskipun demikian, peta topografi bukan hanya
representasi bumi yang sekedar menampilkan garis kontur. Baik unsur alami maupun buatan
digambarkan dalam peta topografi seperti gunung, lembah, danau, sungai, vegetasi, jalan,
batas, bangunan utama, dan lainnya (USGS, n.d.). Canada melalui lembaga Natural
Resource Canada mendefinisikan peta topografi sebgai ilustrasi detail dan akurat dari unsur
alami dan buatan seperti jalan, jalur kereta api, jaringan energi, kontur, elevasi, sungai,
danau, dan nama geografis. Sejumlah unsur yang terletak pada tanah tersebut dapat
dikategorikan menjadi relief, hidrografi, vegetasi, transpoprtasi, budaya, batas, dan toponimi
(Natural Resources Canada).
Peta topografi yang dihasilkan oleh USGS dirancang untuk berbagai macam tujuan
diantaranya untuk penelitian, engineering, militer, administratif, dan lainnya sehingga
disebut sebagai peta general-purpose (Rowland, 1955). Peta topografi di Indonesia pada
awalnya digunakan hanya untuk keperluan militer. Namun saat ini istilah peta topografi
sudah digantikan dengan Peta Rupabumi Indonesia (RBI) seiring dengan pemanfaatannya
sebagai peta dasar yang berlaku nasional. Peta RBI adalah peta dasar yang memberikan
informasi secara khusus untuk wilayah darat. Peta dasar tersebut terdiri atas garis pantai,
hipsografi, perairan, nama rupabumi, batas wilayah, transportasi dan utilitas, bangunan dan
fasilitas umum serta penutup lahan (Republik Indonesia, 2011). Undang-undang No. 4 tahun
17
2011 tentang Informasi Geospasial memperkuat posisi peta dasar yang dapat digunakan
untuk berbagai keperluan sehingga masih relevan jika peta RBI dibandingkan dengan istilah
umum yaitu peta topografi. Kata kunci bahwa peta topografi masih relevan dengan peta RBI
adalah: karakteristik alami dan buatan (natural & artificial), unsur yang terletak pada tanah
(ground feature), permukaan bumi, dan tujuan umum (Natural Resources Canada)
(Hatzapoulos, 2008) (USGS, n.d.).
Peta topografi yang akurat dibuat melalui beberapa tahap panjang dan rumit. USGS
memerlukan waktu 5 (lima) tahun untuk memproduksi peta topografi skala besar 7.5-minute
dengan skala 1:24.000 dari mulai tahapan kebutuhan pemetaan hingga pencetakan.
Tahapan tersebut diantaranya: 1) pemotretan udara; 2) survei lapangan untuk pengukuran
titik kontrol; 3) penamaan unsur; 4) verifikasi unsur peta (untuk memastikan hasil
interpretasi sudah sesuai/belum, verifikasi nama geografis dan batas wilayah); 5) kompilasi
peta berdasarkan hasil verifikasi; 6) pencetakan (USGS, n.d.).
Perkembangan teknologi saat ini memungkinkan proses akuisisi foto udara dilakukan
bersamaan dengan pengukuran titik kontrol tanah. Selain foto udara, banyak sumber data
lain yang dapat digunakan untuk pembuatan peta topografi misalnya LiDAR, radar, dan
lainnya yang berkaitan dengan penginderaan jauh. Pemilihan teknologi tersebut dipengaruhi
oleh skala peta yang akan dibuat (Usery, 1993). Mengacu pada hal tersebut, pemetaan RBI
skala 1:5.000 saat ini masih menggunakan pemotretan udara yang dikombinasikan dengan
berbagai jenis model elevasi. Foto udara masih direkomendasikan sebagai sumber utama
pemetaan RBI karena memiliki kualitas geometri lebih baik jika dibandingkan dengan Citra
Satelit Resolusi Sangat Tinggi (CTSRT) meskipun CTRST juga dapat menjadi alternatif
dengan merujuk pada standar yang dikeluarkan American Society for Photogrammetry and
Remote Sensing (ASPRS) (Susetyo, Syetiawan, & Octariady, 2017). Berdasarkan uraian di
atas, penulis merangkum garis besar penyusunan peta RBI menjadi 6 (enam) tahap utama
yaitu: 1) akuisisi data dasar; 2) pra-pemrosesan data dasar; 3) interpretasi, vektorisasi dan
pengisian atribut; 4) validasi lapangan; 5) perbaikan menggunakan hasil validasi lapangan;
6) penyajian (digial dan cetak).
Akusisi data dasar berkaitan dengan data apa yang akan digunakan untuk penyusunan
peta RBI mengacu pada parameter skala. Kemudian pra-pemrosesan berkaitan dengan
kualitas hasil akuisisi data dasar terhadap titik kontrol tanah. Seperti apa idealnya suatu data
dasar dikoreksi (ground ortho atau true ortho?). Hal itu harus mengacu pada referensi skala.
Selanjutnya tahap interpretasi, vektorisasi dan pengisian atribut baik dengan cara
plotting/registrasi/digitasi untuk menggambarkan unsur RBI. Pada tahap ini proses map
abstraction / object generalization dilakukan sehingga batasan-batasan diperlukan pada
tahapan ini. Parameter terukur yang mempengaruhi map abstraction adalah geometri yang
berhubungan langsung dengan skala peta. Selain itu, konsep pemetaan juga menjadi faktor
apakah menggunakan konsep bottom-up atau top-down. Bottom-up jika pemetaan
dilakukan untuk menghasilkan peta dengan tingkat kedetailan paling tinggi kemudian
digeneralisasi untuk menghasikan peta dengan tingkat kedetailan yang lebih rendah (misal
skala 1:1.000  skala 1:2.500  skala 1:5.000  skala 1:10.000 dst). Begitu sebaliknya,
top-down jika pemetaan dilakukan secara parsial dari skala kecil, selanjutnya skala
menengah dan kemudian skala besar.
Jika menggunakan konsep bottom-up, maka konsep generalisasi dapat dijadikan sebagai
parameter terukur dan saat ini sudah ada alat bantu yang memudahkan proses generalisasi
18
tersebut. Hal itu yang diterapkan dalam Multi-Scale Databases (Cecconi, 2003). Salah satu
parameter terukur dalam generalisasi adalah the principle of selection dengan
mempertimbangan jumlah objek yang dapat digambarkan. Dari prinsip tersebut, jumlah
objek pada skala kecil dapat dihitung dengan rumus menggunakan sumber jumlah objek
pada skala yang lebih besar (Töpfer & Pillewitzer, 1964). Pengisian atribut juga mengacu
pada batasan kategorisasi obyek. Atribut dan keterkaitan antar obyek menjadi suatu hal
yang penting (Usery, 1993). Selain itu, perkembangan pendekatan semantic dan ontology
dalam bidang geospasial saat ini sangat pesat. USGS menjadi salah satu yang intensif dalam
pengembangan tersebut untuk diterapkan pada U.S. National Topographic Map (Bulen,
Carter, & Varanka, 2010) (Varanka, 2009). Semantic ontologies diharapkan menjadi proses
efektif untuk memperoleh model data sebagai representasi dari unsur topografi yang rumit
(Varanka & Jerris, 2010). Selanjutnya tahap validasi dilakukan untuk memastikan bahwa
hasil interpretasi, vektorisasi dan pengisian atribut sudah sesuai dengan kondisi di lapangan.
Validasi juga dijadikan sebagai kontrol kualitas. Perbaikan hasil interpretasi, vektorisasi dan
pengisian atribut dilakukan jika terdapat kesalahan mengacu hasil validasi melalui survei
lapangan. Perbaikan jika kesalahan yang terjadi melebihi ambang batas toleransi. Tahap
terakhir adalah penyajian baik dalam bentuk digital maupun cetak. Dalam tahap penyajian
ini memungkinkan adanya generalisasi karena karakteristik penyajian dalam bentuk cetak
berbeda dengan digital (GIS ready dan quicklook). Generalisasi dalam hal ini adalah proses
cartographic generalization. Penyajian digial saat ini sudah dapat membantu indera
penglihatan dalam melihat lebih jelas suatu objek dengan adanya teknologi perbesaran.
USGS saat ini menyajikan peta topografi dalam format digital yang user-friendly dengan
format *.pdf sesuai yang tertuang dalam US Topo Product Standard (Cooley, Davis,
Fishburn, Lestinsky, & Moore, 2011).
Kebutuhan pengguna peta RBI
Dalam merancang detail peta topografi, USGS mendefinisikan spesifiakasi mulai dari
skala, interval kontur, akurasi, dan unsur apa saja yang perlu ditampilkan pada peta melalui
pengembangan yang panjang guna memenuhi kebutuhan pemerintahan, industri dan
pengguna umum (Rowland, 1955). Hal itu menunjukkan bahwa kebutuhan pengguna
menjadi salah satu parameter penting dalam perancangan peta topografi. Oleh karena itu,
dalam penelitian ini dilakukan survei wawancara kepada beberapa pengguna peta RBI untuk
memperoleh informasi dari sudut pandang pengguna peta. Berdasarkan informasi yang ada
di Badan Informasi Geospasial (BIG) terkait permintaan data, terdapat 41% permintaan peta
RBI yang terdiri dari pemerintah daerah, akademisi, Badan Usaha Milik Negara (BUMN) dan
Kementerian/Lembaga (lihat gambar 4). Jumlah permintaan terbanyak adalah dari
Pemerintah Daerah. Penggunaannya pun beragam misalnya untuk keperluan perencanaan
tata ruang, perencanaan kegiatan, dan lainnya.
19
Gambar 4. Jumlah permintaan data di BIG per 9 Juni 2017 (BIG, 2017)
Wawancara dilakukan terhadap 12 responden yang terdiri dari Kementerian/Lembaga

dan pemerintah daerah (lihat tabel 3).
Tabel 3. Daftar responden wawancara
Responden Keterangan
Kementerian Desa, Pembangunan Daerah Tertinggal & Transmigrasi 1 responden

- Pusat Data dan Informasi
Kementerian Perhubungan,
- Direktorat Jenderal Perhubungan Udara 2 responden
- Pusat Teknologi Informasi dan Komunikasi Perhubungan
Kementerian ESDM, Badan Geologi 1 responden
Kemeterian Pertahanan, Pusat Data dan Informasi 1 responden
TNI-AU, Dissurpotrud 1 responden
TNI-AD, Dittopad 1 responden
Dinas Pekerjaan Umum dan Penataan Ruang Kabupaten Bogor 1 responden
Bappedalitbang Kabupaten Bogor 1 responden
Bappeda Kota Bogor 1 responden
Lembaga Penerbangan dan Antariksa Nasional 1 responden
Badan Meteorilogi, Klimatologi dan Geofisika 1 responden
Dari total 12 responden tersebut kemudian diambil beberapa informasi dari beberapa
reponden yang memenuhi kriteria pernah menyelenggarakan dan membutuhkan peta skala
1:5.000. Responden tersebut adalah Bappeda Kota Bogor, Dinas Pekerjaan Umum &
Penataan Ruang Kabupaten Bogor, dan Dissurpotrud-AU. Sebagian rangkuman hasil
wawancara ketiga responden tersebut diatas disajikan pada tabel 4.
20
Tabel 4. Rangkuman wawancara
Responden Informasi Penting

- Sebaiknya ada data garis pantai skala besar, karena akan
Dissurpotrud, TNI-AU
digunakan untuk pembuatan peta tempur gabungan,
dalam hal ini kerjasama TNI AL dan AU. Peta garis pantai
digunakan untuk perencanaan pendaratan Amphibi.
- Perlu dicantumkan kontur dan titik tinggi yang akurat
karena pernah menemukan titik tinggi yang tidak sesuai
- Sungai, sebagai tanda alam yang mudah dikenali saat
terbang, sehingga perlu keakuratan nama sungai
- Objek aset TNI dicantumkan namanya; Objek bangunan
penduduk tidak perlu; nama warung tidak diperlukan
- sampai saat ini untuk batas wilayah dalam pembuatan
peta oleh TN AU masih menggunakan data dari peta RBI.
- Jalur sutet, tower telkom dll perlu digambarkan karena
sebagai penghalang dalam dunia penerbangan
- Kelas jalan diperlukan, beraspal atau tidak
- Perlu disesuaikan kedetilan objek khusus untuk yang
dicetak, kalau versi digital informasinya sebisa mungkin
selengkap mungkin karena untuk memperbesar objek
masih dimungkinkan.
- Informasi penutup lahan digunakan untuk pendaratan
darurat, sehingga informasi sawah/tegalan/lainnya perlu
didetilkan. Diutamakan lokasi yang tidak ramai penduduk
juga diberi keterangan
- Hipsografi digunakan untuk : a) Keperluan drainase, aliran
Bappeda Kota Bogor
air, infrastruktur; b) Perijinan bangunan. Jika ada kami
perlu peta dengan ketelitian 0.5 meter
- Perairan diperlukan dalam penggambaran sungai,
setu/danau, pipa air dan aliran drainase
- Penggambaran jalan hingga tingkat RW dan Rumah
disertakan nomor rumah beserta fungsinya
- Belum pernah dilakukan pengecekan dengan RBI karena
langsung survei lapangan. Berkomunikasi dengan
penanggung jawab daerah hingga tingkat RW
- Memerlukan nama jalan hingga tingkat RW.
- Data bangunan rumah dibutuhkan untuk data renovasi
rumah layak huni, untuk pajak, simtaru.kotabogor.go.id
- Memerlukan data penggunaan lahan skala 1:5.000. RBI
skala menengah hanya mengakomodir tutupan lahan.
- Membutuhkan data kontur untuk Rencana Detail Tata
Dinas PUPR Kab. Bogor
Ruang
- Nama rupabumi tidak perlu ditampilkan di muka peta, tapi
hanya fungsinya saja yang sekiranya memperngaruhi tata
letak di muka peta
- Kadang data batas sesuai permendagri berbeda dengan
data lapangan untuk RDTR hanya butuh informasi lebar
jala
21
Dari hasil wawancara tersebut diatas, dihasilkan beberapa hal yang menjadi catatan dalam
proses kategorisasi unsur RBI skala 1:5.000 yaitu:
1) Akurasi menjadi kebutuhan dasar dalam pemetaan RBI;
2) Metode penyajian harus dipisahkan menjadi 2 (dua) yaitu cetak dan digital (GIS ready
dan quicklook)
Konsep kategorisasi menurut pendapat pakar
Pengumpulan informasi yang bersumber dari pakar dilaksanakan melalui Focus Group
Discussion (FGD). Berikut adalah adalah beberapa penjelasan pakar yang berhubungan
dengan konsep kategorisasi:
1) Peta RBI bukan merupakan peta all-purpose melainkan peta multi-purpose sehingga
kedetailan informasinya tidak harus mengakomodir semua pengguna. Manfaat peta
antara lain untuk tata ruang, participatory planing, fast response government, dll
2) Semakin besar skala peta maka unsur yang digambarkan semakin banyak. Banyaknya
unsur tersebut tidak harus menjadi unsur baru. Mungkin ada unsur yang cukup
menjadi atribut.
3) Kedetailan objek mempengaruhi kapasitas produksi dan kedetailan objek dipengaruhi
oleh interpretasi data dasar (misal foto udara)
4) Indonesia memerlukan suatu sistem klasifikasi yang komprehensif. Contoh sistem
klasifikasi yang baik adalah yang disusun oleh Anderson (USGS) pada 1976 spesifik
tentang A Land Use and Land Cover Classification System for use with Remote Sensor
Data. Dalam penelitiannya, Anderson membandingkan klasifikasi objek yang
bersumber dari citra satelit dan foto udara. Metode akusisi data dasar (terestris,
fotogrametri, kombinasi terestris dan fotogrametri) mempengaruhi sistem klasifikasi.
5) Perlu diperjelas mengenai spesifikasi peta RBI skala 1:5.000, apakah peta RBI skala
1:5.000 yang bersumber dari metode tertentu misal fotogrametri atau yang
bersumber dari berbagai metode? Metode sangat berpengaruh terhadap tahapan
yang harus dilakukan dan ketelitian hasilnya.
6) Kode unsur yang merupakan wujud kategorisasi harus ada di awal dan menjadi
batasan yang kuat. Jika ada obyek yang tidak termasuk dalam kode unsur tertentu
maka tidak perlu digambarkan.
7) Parameter permanen/tidak permanen tidak cukup untuk menjadi satu-satunya
batasan suatu objek perlu/tidak perlu digambarkan.
Parameter untuk Kategorisasi
Parameter yang dapat dijadikan sebeagai pertimbangan dalam kategorisasi unsur RBI skala
1:5.000 adalah: 1) tujuan peta RBI; 2) sistem klasifikasi (multi skala); 3) akurasi peta RBI;
4) sumber data dasar; 5) metode pemetaan (termasuk map abstraction); 6) kebutuhan
pengguna peta RBI; dan 7) metode penyajian. Seluruh parameter tersebut diperoleh
berdasarkan inti dari bahasan peta topografi & map abstraction, kebutuhan pengguna dan
konsep kategorisasi menurut pendapat pakar. Ketiga bahasan tersebut didasari pada
batasan penelitian yaitu pendefinisian tujuan peta RBI sesuai konsep peta topografi, map
abstraction sebagai bagian dari proses kategorisasi unsur RBI dan pengguna peta RBI
sebagai bagian dalam proses pemetaan RBI.
22
Keterkaitan klasifikasi dengan beberapa dokumen.
KURI masih belum harmonis dengan KUGI, karena KUGI masih dirasa kurang aplikatif.
Selain masih ada kebingungan apa yang harus dimuat dalam peta RBI skala besar, kode
unsur yang dimiliki dalam KURI muncul dengan latar belakang produksi. Bagaimanapun
kode unsur perlu disederhanakan. Kode unsur itu diharapkan untuk dibuat hierarkinya.
Perlu dilakukan penyederhanaan. Jika ada yang belum dimuat dalam kode unsur tidak perlu
ditambahkan supaya konsisten terus. RBI yang lebih rumit pada skala 5k menyebabkan
salah satu faktor keterlambatan hal ini disebabkan karena data dasar yang lebih detil dari
yang seharusnya digunakan untuk digitasi; kemudian faktor lainnya adalah penyesuaian
terhadap KUGI. Rekomendasi yang ada adalah menstrukturisasi data, memperbaiki juknis
yang diberikan ke pelaksana beserta contoh-contoh di dalamnya, penyamaan persepsi KUGI
dan KURI.
1.4. Kesimpulan
Penyelenggaraan Peta RBI tidak dapat dilepaskan dari perkembangan ilmu pengetahuan dan
teknologi. Hal yang paling utama dalam pemetaan dalam hal ini untuk pembuatan peta
topografi adalah obyektivitas. Kenampakan permukaan bumi sangat kompleks dan
diperlukan cara yang lebih komprehensif dalam proses abstraksi informasi sehingga hasilnya
mendekati kondisi nyata (real world) karena suatu “model” tidak pernah menyamai wujud
aslinya. Peta topografi masih relevan dengan peta RBI adalah: karakteristik alami dan
buatan (natural & artificial), unsur yang terletak pada tanah (ground feature), permukaan
bumi, dan tujuan umum (general-purpose).
Parameter terukur yang mempengaruhi map abstraction adalah geometri yang berhubungan
langsung dengan skala peta. Parameter yang dapat dijadikan sebeagai pertimbangan dalam
kategorisasi unsur RBI skala 1:5.000 adalah: 1) tujuan peta RBI; 2) sistem klasifikasi (multi
skala); 3) akurasi peta RBI; 4) sumber data dasar; 5) metode pemetaan (termasuk map
abstraction); 6) kebutuhan pengguna peta RBI; dan 7) metode penyajian.
1.5. Daftar Pustaka
Harries, K. (1999). Mapping Crime: Principle and Practice. Retrieved from

https://www.ncjrs.gov/html/nij/mapping/ch1_5.html
Cavette, C. (n.d.). How Products are Made. Retrieved from madehow:

http://www.madehow.com/Volume-4/Topographic-Map.html
Cecconi, A. (2003). Integration of Cartographic Generalization and Multi-Scale Databases for

Enhanced Web Mapping. Zurich .
Cooley, M. J., Davis, L. R., Fishburn, K. A., Lestinsky, H., & Moore, L. R. (2011). US Topo
Product Standard. Techniques and Method 11-B2. Restonm Virginia: U.S. Geological
Survey.
23
Hatzapoulos, J. N. (2008). Topographic Mapping: Covering the Wider Field of Geospatial
Informasi Science & Technology (GIS&T). Boca Raton, Florida, USA: Universal
Publishers.
MacEachren, A. M. (1995). How Maps Work: Representation, Visualization, and Design. New
York: Guilford Publications.
Natural Resources Canada. (n.d.). Natural Resources Canada. Retrieved from

https://www.nrcan.gc.ca/sites/www.nrcan.gc.ca/files/earthsciences/pdf/
Republik Indonesia. (2011). Peraturan Menteri Pekerjaan Umum No. 20 Tahun 2011 tentang
Pedoman Penyusunan Rencana Detail Tata Ruang dan Peraturan Zonasi
Kabupaten/Kota. Jakarta, Indonesia.
Republik Indonesia. (2011). Undang-undang No. 4 Tahun 2011 tentang Informasi

Geospasial. Jakarta, Indonesia.
Republik Indonesia. (2015). Peraturan Menteri Dalam Negeri No. 56 Tahun 2015 tentang
Kode dan Data Wilayah Administrasi Pemerintahan. Jakarta, Indonesia.
Rowland, J. B. (1955). Features Shown on Topographic Maps. Washington D.C.: USGS.

Retrieved from https://pubs.usgs.gov/circ/1955/0368/report.pdf
Stevens, J., Smith, J. M., & Bianchetti, R. A. (2012). Geography 160: Mapping Out Changing
World. (A. M. MacEachren, D. J. Peuquet, Editors, & Department of Geography, The
Pennsylvania State University) Retrieved July 05, 2017, from The John A. Dutton e-
Education Institute: http://www.e-education.psu.edu/geog160/node/1882
Susetyo, D. B., Syetiawan, A., & Octariady, J. (2017). Perbandingan Ketelitian Geomterik
Citra Satelit Resolusi Tinggi dan Foto Udara untuk Keperluan Pemetaan Rupabumi
Indonesia.
Töpfer, F., & Pillewitzer, W. (1964). The Principles of Selection. In D. Maling (Ed.), The XX
International Geographical Congress, section IX, Cartography, (pp. 117-121).
London.
Usery, L. E. (1993). Category Theory and the Structure of Features in Geographic

Information System. Cartography and Geographic Information System, 20(1), 5-12.
doi:http://dx.doi.org/10.1559/152304093782616751
USGS. (n.d.). Topographic Mapping. Retrieved from pubs.usgs.gov:

https://pubs.usgs.gov/gip/topomapping/topo.html
24
2. Penelitian Kapasitas Digitasi untuk Pemetaan 1:5000
Tia Rizka N.R., Bambang Riadi, Ayu Nur Safi’I, Agung Syetiawan, Nadya Oktaviani,
Fahmi Amhar
2.1. Pendahuluan
Produksi peta dasar Indonesia berpusat di Badan Informasi Geospasial. Saat ini pemetaan
skala besar sedang menjadi kegiatan prioritas Nasional. Salah satunya pemetaan skala
1:5000 menggunakan basemap foto udara/citra satelit. Selama ini pemetaan di Badan
Informasi Geospasial dilaksanakan secara kontrak ke pihak ketiga. Namun, hingga saat ini
sebenarnya kapasasitas SDM untuk melaksanakan pemetaan RBI khususnya skala besar
belum banyak diteliti. Akibatnya para pelaksana pekerjaan masih menggunakan Kerangka
Acuan Kerja (KAK) lama.
Seiring pelaksanaan pekerjaan, muncullah beberapa masalah dan kendala. Terutama

banyaknya pekerjaan yang tidak selesai tepat waktu sesuai dengan KAK yang dihitung
berdasarkan cakupan luas area. Padahal dalam menyelesaikan digitasi skala besar
dibutuhkan kedetailan objek dan atribut yang menyertai objek yang didigitasi. Penelitian
penghitungan kapasitas bertujuan untuk mengetahui berapa lama waktu yang dibutuhkan
untuk menyelesaikan digitasi sebuah objek yang terlihat pada foto udara/citra satelit.
Kapasitas didefinisikan sebagai kemampuan individu, organisasi atau sistem untuk
menjalankan fungsi sebagaimana mestinya secara efektif, efisien dan terus-menerus (Milen,
2006 dalam STIA LAN, 2012). Sehingga yang menjadi objek penelitian adalah operator
peleksana pekerjaan. Metode yang digunakan adalah metode Cluster Sampling Random,
sedangkan metode pengolahan data menggunakan metode Analisis Deskriptif Kualitatif dan
Statistik Kuantitatif. Cluster Random Sampling (pengambilan sampel dengan cara klaster)
adalah melakukan randomisasi terhadap kelompok, bukan terhadap subjek secara indovidual
(Azwar 2016). Faktor yang mempengaruhi yang dihitung dalam penelitian ini adalah usia,
pengalaman kerja, dan latar belakang pendidikan. Harapannya hasil dari penelitian ini
nantinya dapat memberikan masukan dalam menghitung biaya yang dibutuhkan untuk
menyelesaikan per NLP peta.

Untuk mendapatkan angka kapasitas digitasi seara objektif, ada beberapa metode yang
mungkin dilakukan, yaitu: (1) Observasi langsung / dengan camera / CCTV; (2) Observasi
dengan software; (3) Oberservasi dengan logbook yang diisi mandiri operator; (4)
Wawancara dengan operator; (5) Wawancara dengan supervisor.
Observasi dilakukan pada pertengahan hari kerja dan menjelang hari libur untuk mencari
kemungkinan keterkaitan produktifitas dengan hari libur.
Observasi langsung dilakukan seiring mengikuti proses supervisi yang dilakukan PPRT di
Pelaksana Pekerjaan. Kenyataannya, observasi ini memiliki keterbatasan, karena umumnya
operator digitasi cenderung menunjukkan sikap yang berbeda ketika tahu diamati.
25
Penggunaan kamera/CCTV juga ternyata tidak mudah dilakukan karena memerlukan
instalasi khusus.
Observasi dengan software Camtasia ternyata hanya bertahan beberapa hari, dan kemudian
terpaksa dibatalkan, karena menyebabkan komputer yang dipakai operator menjadi lambat.
Software ini merekam layar berikut kursor dari operator dan bisa diatur berapa gambar per
detik yang disimpan. Namun secara umum tetap menyebabkan kinerja operator turun, dan
ini tidak diharapkan. Kinerja operator mungkin tidak terpengaruh bila menggunakan
komputer dengan spesifikasi yang lebih tinggi.
Observasi dengan logbook belum sempat dilakukan dengan disiplin dan sempurna. Untuk
itu, bila penelitian ini dilanjutkan tahun depan, akan dibuat sebuah model logbook yang
praktis, seragam dan bisa diakses di web.
Pada akhirnya, metode yang benar-benar digunakan adalah wawancara dengan operator
dan dengan supervisornya.
Gambar-1 Bentuk Kuesioner
Adapun sampel yang diamati ada 2 kelompok, yaitu di tim yang melaksanakan pekerjaan
PNBP dari Kabupaten Kediri di PPKS-BIG (18 orang), dan tim di perusahaan swasta yang
melaksanakan pekerjaan dari BIG (31 orang)..
Sedang sebagai material pelengkap dan pembanding adalah:
- Juknis/SOP supervisi dan QC di PPRT

- KAK pemetaan RBI skala 1:5.000
- Standar Biaya Masukan dan Analisis Biaya Keluaran  tahun 2015-2017
26
Dalam pelaksanaan observasi perlu diperhatikan bahwa:
1. Digitasi yang dimaksud adalah proses digitasi dan pengisian atribut (hingga data
pada NLP tersebut siap ditopologi).
2. Tidak samanya definisi kerapatan Jarang, Sedang, Padat masing-masing operator
3. NLP yang tidak digit 100%, data tidak digunakan (tutupan awan/batas administrasi)
4. Satu hari dianggap 5 jam kerja.
5. Total waktu = jumlah (rata-rata) masing-masing kelas Contoh : 1-2 jam = 1,5 jam
6. NLP dikelaskan (jarang-sedang-padat) secara langsung, bukan hitungan luas;
sedangkan PPRT menggunakan rumus : (luas bangunan + luas sawah)/luas NLP
(Perka BIG No 12 Tahun 2016)
Mulai
Persiapan dan Pengumpulan

Literature
Kuisioner
Metode Cluster Random Sampling :

1. Pengamatan Langsung
2. Pengisian Kuisioner oleh Operator
Pengolahan Data dengan SPSS

dengan Metode Analisis Deskriptif Uji Distribusi Normal
Analisis hasil data yang

mempengaruhi Kapasitas Digitasi
Pelaporan
Selesai
Gambar 2. Diagram alir penelitian
Berdasarkan diagram alir pada Gambar 2 tahapan penelitian terdiri dari persiapan,
pengumpulan data dan pengolahan data. Tahapan persiapan meliputi kegiatan untuk
menentukan metode yang digunakan serta pengumpulan literatur yang terkait dengan
penelitian. Pengumpulan literatur dimaksudkan untuk menentukan hipotesis awal yang
menjadi tolak ukur dibuatnya kuisioner.
27
Jenis Kelamin
Usia
Latar Kapasitas
Belakang Digitasi
Pendidikan Hari per NLP
Pengalaman
Gambar 3. Diagram penarikan Hipotesis awal penelitian penghitungan

kapasitas digitasi pemetaan RBI skala besar
Hipotesis awal dalam penelitian ini adalah adanya hubungan yang mempengaruhi
kemampuan operator dalam melakukan digitasi foto udara/citra satelit yaitu usia,
pendidikan, dan pengalaman kerja. Sehingga, isian kuisioner terdiri dari latar belakang
pendidikan, usia, pengalaman kerja serupa yang dijalani serta lama waktu yang dibutuhkan
operator untuk melakukan digitasi.
Data yang diperoleh dari kuesioner dianalisis menggunakan Analisis Regresi Linear. Analisis
Regresi Linear dapat dijelaskan dalam bentuk persamaan berikut:
Y = a + b1X1 + b2X2 + b3X3 + b4X4 + e...................................................(1)
Dimana
Y = Variabel terikat kapasitas digitasi

a = konstanta
b = koefisien
X1 = Variabel bebas Jenis Kelamin
X2 = Variabel bebas Usia
X3 = Variabel bebas Pendidikan
X4 = Variabel Bebas Pengalaman Kerja
e = residual error
Analisis regresi dipakai secara luas untuk melakukan prediksi dan ramalan. Analisis ini juga
digunakan untuk memahami variabel bebas mana saja yang berhubungan dengan variabel
terikat, dan untuk mengetahui bentuk-bentuk hubungan tersebut (Subekti, 2015).

Penelitian ini mengelompokan kecepatan digitasi operator terhadap beberapa kelompok
kerapatan objek digitasi, yaitu kerapatan jarang, sedang dan padat. Pengelompokan ini
didasarkan atas komponen kepadatan fitur yang tertuang pada Perka BIG No. 12 Tahun
2016. Pengelompokan ini berbeda dengan yang digunakan oleh PPRT yakni dengan
menggunakan rumus penghitungan luas bangunan ditambah luas sawah, kemudian dibagi
dengan luas per-NLP peta yang dibuat.
Hasil wawancara dan isian kuisioner yang digunakan untuk menghitung kapasitas operator
terdiri atas 17 sampel dari pekerjaan Kediri dan 31 sampel dari perusahaan swasta.
28
Tabel-1. Hasil isian kuesioner tim pekerjaan Kediri
Berdasarkan hasil isian kuisioner terlihat bahwa operator yang melaksanakan pekerjaan
Kediri memiliki latar belakang pendidikan yang homogen yakni s1/setara dengan latar
belakang disiplin ilmu kebumian (Tabel-1). Usia operator rata-rata termasuk golongan usia
remaja yang masih produktif. Operator umumnya masih fresh graduates yang memiliki
pengalaman maksimal 2 tahun. Rata-rata operator mampu menyelesaikan pekerjaan dengan
kerapatan jarang selama 1 hari kerja/5jam efektif. Klasifikasi kerapatan sedang mereka
mampu menyelesaikan pekerjaan rata-rata 2 hari kerja/ 9 jam efektif. Sedangkan untuk
kerapatan padat mereka mampu menyelesaikan dalam 4 hari/ 19 jam efektif.
Sedangkan operator pada perusahaan swasta memiliki latar belakang pendidikan dari
lulusan SMA/setara sebanyak 19 orang, dan S1/setara sebanyak 12 orang (Tabel-2). Sampel
yang diambil berasaal dari 4 perusahaan yang berbeda. Rata-rata operator mampu
menyelesaikan pekerjaan dengan kerapatan jarang selama 3 hari kerja/18jam efektif.
Klasifikasi kerapatan sedang mereka mampu menyelesaikan pekerjaan rata-rata 5 hari kerja/
24 jam efektif. Sedangkan untuk kerapatan padat mereka mampu menyelesaikan dalam 6
hari/ 32 jam efektif.
Terlihat bahwa operator yang melaksanakan pekerjaan swasta cendrung memiliki rentang
usia besar dan bervariasi serta pengalaman yang sangat bervariasi. Hasil wawancara
terhadap operator berpengalaman, mengatakan bahwa perbedaan pekerjaan yang dilakukan
beberapa tahun belakangan sangat berbeda dengan pekerjaan mereka pertama kali. Saat ini
teknologi cukup membantu mereka namun butuh penyesuaian yang lebih terhadap software
yang digunakan. Kebiasaan menggunakan komputer juga dilansir menjadi faktor yang
mempengaruhi kecepatan operator dalam bekerja.
29
Tabel-2. Hasil isian kuesioner perusahaan swasta
Jika dilihat dengan mengguakan analisis linier terhadap faktor yang memepengaruhi
kecepatan operator, tidak tampak ada hubungan yang signifikan antara usia, pengalaman
kerja dengan latar belakang pendidikan operator digitasi peta. Nilai negative
menggambarkan bahwa tidak ada hubungan dari hasil kecepatan seorang operator terhadap
parameter tersebut. Sedangkan nilai positif menggambarkan adanya hubungan positif
terhadap parameter yang mempengaruhi kapasitas digitasi. Faktor negative/positif terlihat
tidak memiliki dampak yang besar terhadap kecepatan seorang operator.
Beberapa catatan yang disimpulkan dari seluruh operator bahwa kendala yang sering
dihadapi operator dalam melaksanakan pekerjaan, diantaranya:
1. Masih banyaknya perbedaan GDB yang dijadikan acuan dan perbedaan cara digitasi oleh
massing-massing supervisor
2. Citra yang digunakan sebagai basemap terkadang memiliki kurang jelas, dan interpretasi
operator juga berbeda.
3. Operator yang lelah, bosan dan mengantuk saat melaksanakan pekerjaan.
4. Spesifikasi PC dan peralatan pendukung yang kurang memadai.
30
Tabel-3. Hubungan faktor yang mempengaruhi digitasi
Kerapatan Jarang
Kerapatan Sedang
2.4 Kesimpulan
Penelitian ini masih belum bisa dijadikan acuan untuk menentukan standar untuk analisis
biaya beban kerja operator digitasi peta. Dikarenakan masih luasnya parameter yang
dijadikan penghitungan kapasitas operator yang dimaksud. Definisi klasifikasi kerapatan
objek masing-masing operator juga berbeda. Selain itu, perbedaan definisi kerapatan
jarang, sedang dan rapat yang digunakan peneliti dengan yang selama ini digunakan oleh
PPRT. Kedepannya diharapkan ada penelitian lanjutan yang dapat dijadikan acuan untuk
analisis biaya yang dibutuhkan dalam menyelesaikan pekerjaan.
2.5 Daftar Pustaka

Azwar, S., (2016). Metode Penelitian. Cetakan ke-17. Yogyakarta : Pustaka Pelajar. ISBN :
979-9075-27-0.
31
Idrus, A., Muqeem, S., Zakaria, S.B., & Nawi, M.N.M. (2011). Development of Production
Rates Database for Substructure Activities by Work Sampling. Modern Applied Science
Journal. Vol 5 (4) Agustus 2011. doi:10.5539/mas.v5n4p123. ISSN 1913-1844, E-ISSN 1913-
1852.
Martono, N, (2010), Statistik Sosial Teori dan Aplikasi Program SPSS, Yogyakarta: Gava
Media.
Prasetyowati, D. A., (2016). Analisis Statistik (Teori dan Aplikasi Menggunakan SPSS),
Palembang
Rachman, T. (2013). Penggunaan Metode Work Sampling Untuk Menghitung Waktu Baku
Dan Kapasitas Produksi Karungan Soap Chip Di PT. SA. Jurnal Inovisi Vol. 9 (1) April 2013
Hal 48-60.
Sirait, M.S. (2001). Hubungan Faktor-Faktor Yang Mempengaruhi Kapasitas Kerja Terhadap
Kelelahan Tenaga Kerja Di Bagian Palet Pt Agung Saputra-Tex Yogyakarta. Skripsi
STIA LAN (2012). Capacity Building Birokrasi Pemerintah Daerah Kabupaten/Kota di

Indonesia. Laporan Penelitian Tim Peneliti STIA LAN. Makassar.
Safwan, Nadirsyah, & Abdullah, S., (2014). Pengaruh Kompetensi dan Motivasi Terhadap
Kinerja Pengelolaan Keuangan Daerah Pada Pemerintah Daerah Kabupaten Pidie Jaya.
Jurnal Akuntansi Pascasarjana Universitas Syiah Kuala. Vol. 3(1) 133-139 . Februari 2014.
ISSN 2302-0164..
Subekti, P., (2015). Perbandingan Perhitungan Matematis dan SPSS Analisis Regresi Linear
Studi Kasus Pengaruh IQ Mahasiswa Terhadap IPK. Prosiding Seminar Nasional Teknologi
Informasi, Komunikasi, dan Aplikasinya 2015. Malang. ISSN 2089-1083.
Suwati, Y., (2013). Pengaruh Kompensasi dan Motivasi Kerja Terhadap Kinerja Karyawan
pada PT Tunas Hijau Samarinda. Ejournal Ilmu Administrasi Bisnis. 1 (1) : 41-55
Republik Indonesia, 2011. Undang-Undang No. 4 Tahun 2011 tentang Informasi Geospasial.
Lembaran Negara RI Tahun 2011, No. 49. Jakarta: Menteri Hukum dan HAM Republik
Indonesia.
Y., S., (2016). Faktor-Faktor yang Mempengaruhi Kepuasan Kerja dan Kinerja Karyawan
Bank Muamalat Cabang Samarinda. Jurnal Ekonomi dan Manajemen. Vol. 13 (1). Hal 59-72.
ISSN: 1907-3011, ISSN online: 2528-1127.
32
3. Penelitian Sinkronisasi Hasil LIDAR dengan Foto Udara
M. Irwan Hariyono, Fahrul Hidayat, Fahmi Amhar, Ade Komara Mulyana
3.1. Pendahuluan
Penelitian ini bertujuan mengungkap fenomena desinkronisasi antara foto udara dan sensor
LIDAR yang diambil simultan dalam satu wahana baik secara teoritis dan fakta lapangan
beserta upaya mengatasinya (singkronisasi).
Pertanyaan ilmiah yang muncul adalah (1) Apakah ada fenomena desinkronisasi, apa saja
bentuk & besarannya dan (2) Bagaimana sebaran desinkronisasi ini.

Karena ini masih merupakan kajian awal, maka metode yang dilakukan adalah inventarisasi
dari para personil yang mengerjakan data DEM dari Lidar dan Foto Udara. Para personil ini
kemudian dipertemukan dalam suatu Focus Group Discussion.

Ada beberapa fenomena desinkronisasi hasil foto udara dan Lidar yang direkam dari satu
wahana pada saat bersamaan.
Terdapat perbedaan batas air antara data las, intensity dan hasil stereoplotting sungai.
Penarikan garis sungai akan digunakan dalam pembentukan DTM. Hal ini mempengaruhi
bentuk DTM sungai yang terbentuk.
Gambar 1. DEM dari Lidar tidak sama dengan Foto pada area sungai.
33
Umumnya hasil plotting (stereoploting) unsur perairan pada daerah tertutup vegetasi akan
menggantung (melayang) terhadap surface DTM dari data LAS. Akibatnya pada saat
tahapan pembentukan DTM, memerlukan editing kembali terhadap unsur perairan hasil
plotting tersebut.
Pertanyaannya: “Geometri (x,y,z) mana yang digunakan (dianggap benar). Geometri dari
hasil plotting (stereoploting) atau geometri dari DTM LAS?”
Gambar 2. DEM dari Lidar tidak sama dengan Foto pada area perairan.
Masspoint dari data LAS sangatlah besar. Mencapai 500 ribu-2 juta titik per Nomor
Lembar Peta. Hal ini menimbulkan kendala yaitu lamanya proses pada tahapan edditing
dan pembentukan DTM (TIN). Hasil DTM Lidar memiliki kerapatan masspoint dan tingkat
kehalusan yang berbeda jauh dengan hasil DTM Foto Udara
Pertanyaannya: “Apakah data LAS perlu diresampling agar memiliki tingkat kerapatan dan
kehalusan yang sama seperti DTM hasil Foto Udara?”
Gambar 3. DEM dari Lidar tidak sama dengan Foto akibat perbedaan kerapatan mass point
34
Tingkat kerapatan masspoit pada data Lidar yang sangat rapat membuat DTM yang
dihasilkan dapat mewakili kondisi sebenarnya dilapangan. Sehingga ketika ditambahkan data
breakline, DTM yang dihasilkan justru menjadi tidak logis.
Pertanyaannya: “Apakah pada tahap pemetaan RBI dan Pembentukan DTM masih
diperlukan breakline (punggung bukit, lembah, patahan dll)?”
Gambar 4. DEM dari Lidar tidak sama dengan Foto meski ada breakline/strukturline
Masspoint daerah perairan tidak merepresentasikan permukaan dengan tepat, misal: dtm
diantara tambak.
Pertanyaannya: “Sejauh apa melakukan editing pada DTM Hydroenforced menggunakan

data lidar?”
Gambar 5. DEM Lidar tidak sama dengan foto dalam efek hydroenforced
35
Sejauh mana dalam melakukan editing kontur? Terutama untuk kontur yang kecil-kecil?
Apakah perlu dilakukan smoothing kontur? Hasil smoothing kontur yang dihasilkan
menyebabkan semakin banyaknya vertex sehingga membuat data menjadi lebih besar dan
kontur banyak yang menempel ke perairan.
Gambar 6. DEM Lidar tidak sama dengan foto dalam efek smoothing
Dalam FGD didapatkan dua faktor yang terindikasi merupakan penyebab fenomena
desinkronisasi. Pertama adalah dalam akuisisi, dan kedua dalam prosesing DEM
hydroenforced.
A. Akuisisi Foto Udara dan Lidar
Perbedaan data foto udara dan Lidar kemungkinan besar disebabkan oleh tiga hal, yaitu:
Adanya syarat-syarat fotogrametri yang tidak terpenuhi seperti tilt tidak bisa dijaga tetap
dibawah 3 derajat; Ketidaksinkronan waktu antara sensor lidar dan kamera udara; dan
Perbedaan ketelitan data foto udara hasil AT dengan data Lidar
Dengan ketidak konsistensian data lidar dan data foto bisa jadi disebabkan karena nilai EO
hasil adjustement AT data foto lebih teliti karena melibatkan banyak GCP. Sedangkan proses
lidar langsung menggunakan trajectory yang hanya dikoreksi dari 1 atau 2 control point
(base station). Jadi terdapat level ketelitian EO/trajectory yang berbeda
36
Harus dilakukan kalibrasi IMU on the fly. Karena terdapat kesalahan sistematis yang
merupakan fungsi waktu. Jenis Base Station pada saat akuisisi ada 3 : a. PPP (kurang
akurat), b. Single base (lebih akurat), c. Multibase (paling akurat)
Perlu premark khusus dalam akuisisi FU-Lidar untuk mengecek ketelitian planimetrisnya.
Premark dapat dibuat dalam bentuk drum/ember atau trampoline. Perlu mencoba EO Hasil
AT untuk digunakan untuk mengkoreksi data Lidar. Perlu dilakukan uji geometri
independent dengan objek-objek dilapangan diluar ICP premarking. Sidelap dan overlap
yang berlebihan tidak meningkatkan akurasi justru bisa menimbulkan masalah baru
Karena pada data Lidar, Ifsar, dan Image Correlation/Matching adalah “unselective point”,
maka perlu kajian atau penelitian untuk proses klasifikasi/filtering. Karena belum ada nilai
baku untuk parameter pembentukan klasifikasi ground. Beda karakteristik wilayah akan
mengakibatkan penggunaan nilai parameter yang berbeda. Perlu dilakukan pengecekan
stereo model dan dibandingkan dengan hasil intensity lidar, untuk mengecek obyek
planimetris. Perlu mencoba untuk menerapkan algoritma untuk mencari breaklines dari data
Lidar. Bahwa untuk pengecekan (x,y) planimetris dapat menggunakan data intensity
dengan resolusi yang memadai. Perlu uji coba dari intensity yang dibentuk dari data lidar
serapat 4 ppm untuk membentuk mosaic intensity dengan resolusi 15 cm.
Pengolahan AT perlu dicoba per jalur dan ditambahkan jalur setelahnya. Jika semua jalur
telah sesuai maka gabungkan menjadi satu blok agar dapat mendeteksi kesalahan lebih dini.
Paralaks-y tidak bisa hilang pada obyek yang bergerak.
Apabila Akuisisi Lidar dan Foto Udara dilakukan secara terpisah akan memperkecil
kemungkinan terjadinya perbedaan data.
Masing-masing model yang dibentuk kembali itu perlu dicek lagi hasil statistik AT dan
visualnya. Perbedaan antara data foto udara dan Lidar diperbolehkan selama memenuhi
batas toleransi ketelitian. Data intensity Lidar dapat dimanfaatkan untuk menambah titik
control.
B. Pembentukan DTM Hydroenforced pada Pembuatan RBI Skala 1:5.000

Menggunakan data foto udara dan lidar
Dalam pembuatan peta, maka prinsip dasarnya harus sederhana dan mudah dimengerti,
jangan dibuat rumit dan kompleks. Model yang dihasilkan pada tahap akuisisi foto udara
dan lidar harus sama dengan yang digunakan pada pekerjaan pembuatan unsur rupabumi
dan toponim. Jika pada suatu objek ditemukan perbedaan yang signifikan antara model
foto udara dan data lidar maka perlu dilakukan AT ulang pada area yang bermasalah
tersebut. Ketelitian horizontal mengacu kepada data Foto Udara sedangkan ketelitian
vertikal mengacu pada data Lidar.
Data masspoint (LAS) perlu untuk dilakukan resampling menjadi MKP (Model Key Point)
dengan parameter yang sesuai dengan produk skala peta yang diinginkan. Selain MKP,
penyederhanaan titik yang digunakan untuk skala 1:5.000 dibulatkan sampai satuan meter.
37
Breakline tetap diperlukan dengan memperhatikan objek-objek rupabumi. Contoh :
Punggung bukit tidak perlu sebagai breakline, sedangkan tepi jalan atau irigasi yang
memiliki kenampakan tegas, perlu ditambahkan breakline, begitu pula jika terdapat
perubahan topografis yang ekstrim. Tingkat kehalusan editing pembentukan DTM hanya
sebatas menghilangkan spike dan anomali saja. Kebutuhan perairan hasil stereokompilasi
digunakan untuk mengkoreksi logika terrain, bukan ke nilai dari ketinggian itu sendiri.
Resolusi raster (.bil) untuk DTM 1:5.000 adalah 0.5m. Catatan: lakukan ujicoba terlebih
dahulu dalam 0,5m dan 1m. Kontur dibentuk dari raster (.bil). Kontur tetap dilakukan
smoothing pada garis konturnya bukan pada datanya.
3.4. Kesimpulan
Hal mengenai penyebab perbedaan data foto udara dan Lidar masih memerlukan kajian
lebih lanjut.
Secara umum perlu dilakukan kajian lebih lanjut terkait pemetaan menggunakan data lidar
dan workshop staf PPRT dengan para akademisi terkait akuisisi dan pemetaan lidar.
3.5. Daftar Pustaka

Kraus, K., Pfeifer, N. (2001): Advanced DEM Generation from LIDAR Data.
International Archives of Photogrammetry and Remote Sensing Vol 34-3/W4
Annapolis, 2001.
38
4. Penelitian Filtering Data LIDAR untuk Peta RBI 1:5000
Prayudha Hartanto, Ayu Nur Safi’I, Dadan Ramdani, Danang Budi Susetyo, Yustisi
Ardhitasari, Wildan Firdaus, Fahmi Amhar, Ibnu Sofian
4.1. Pendahuluan
Semua alat pengumpulan data secara unselective seperti fotogrammetry dengan teknik
image-matching, interferometri-SAR dan Lidar memiliki kelebihan kecepatan operasional
yang tinggi (sehingga relatif murah), namun juga kelemahan bahwa titik-titik yang
dikumpulkan tidak bisa langsung dipakai. Titik-titik tinggi (point cloud) yang ada tidak
selalu menggambarkan permukaan tanah (DTM). Titik-titik ini sering berada di pepohonan
dan atap rumah.
Airbone Laser Scanning atau LIDAR adalah teknologi pemetaan terbaru yang memanfaatkan
sinar laser yang dipasang pada wahana pesawat kecil atau helipkoter. Teknologi ini
merupakan system penginderaan jauh system aktif yang mana sumber energi berasal dari
sensor yang terpasang pada platform. Dari data LIDAR, didapatkan pula data Digital Surface
Model (DSM) yang nantinya akan dapat diturunkan menjadi data DTM (Digital Terrain
Model). DSM adalah model permukaan digital dan juga merupakan model elevasi yang
menampilkan ketinggian permukaan. Jika DTM hanya menampilkan ground, maka DSM
menampilkan bentuk permukaan apapun yang ada seperti ketinggian pohon, bangunan,
sungai, dan objek apapun yang ada di atas tanah. Data hasil DSM mencakup vegetasi, jalan,
bangunan dan fitur-fitur terrain alami, sehinga dapat dibuat model tiga dimensi dari
berbagai sudut pandang dengan menambahkan land covernya (Sari, 2016).
DTM adalah bentuk digital dari terrain/ permukaan tanah tidak termasuk objek di atasnya.
Menurut (Kobler et al., 2007) DTM sangat penting untuk simulasi banjir, monitoring longsor,
perancangan jalan, klasifikasi tutupan lahan dan pengelolaan hutan.
Selama ini, pengklasifikasian data LIDAR masih terbatas pada kategori ground dan non-
ground, padahal untuk kategori non-ground sendiri terdapat beberapa objek dengan fitur
yang berbeda-beda (seperti vegetasi dan bangunan). Untuk menghilangkan vegetasi dan
bangunan (non-ground) yang ada di atas tanah tentu dibutuhkan cara/metode sehingga
didapatkan DTM dari DSM. Metode yang sering digunakan seperti Elevation With Expanding
Windows (ETEW) Filter, Maximum Local Slope (MLS) Filter dan Progressive Morphological
Filter.
Beberapa penelitian juga pernah menggunakan beberapa parameter untuk menghasilkan

data DTM dari DSM seperti metode berbasis kemiringan, metode berbasis morfologi dan
metode berbasis permukaan. Menurut (Vosselman, 2000), algoritma penyaringan berbasis
kemiringan lereng dapat dikembangkan dengan membandingkan kemiringan lereng dengan
kemiringan titik tetanggannya (neighbours).
39
Menurut (Pingel, Clarke, & Mcbride, 2013) teknik filtering yang terbaik dan sederhana yang
dapat digunakan untuk menghasilkan DTM adalah Teknik SMRF (Simple Morphological
Filter). Teknik ini dipakai dengan memasukkan nilai dari parameter-parameter yang tersedia,
seperti cell size, slope, windows, elevation threshold dan scalling factor. Jika dimasukkan
nilai yang berbeda pada parameter-parameter tersebut, maka akan terdapat perbedaan
visual yang ditimbulkan. Efek perbedaan visual ini merupakan bentuk DTM hasil pengolahan
dengan proses SMRF. Hasil parameter yang dimasukkan akan dianalisis secara visual dan
dilakukan validasi untuk melihat parameter manakah yang menghasilkan DTM terbaik.
Cellain itu, penelitian ini ingin mengetahui apakah teknik SMRF telah cukup akurat untuk
digunakan di daerah urban dan forest, atau harus diterapkan teknik filtering yang berbeda
bergantung pada tutupan lahan di suatu daerah tersebut.

Metode penelitian yang digunakan dalam penelitian ini adalah metode SMRF (Simple
Morphological Filter). Data yang digunakan adalah data point cloud LIDAR yang berlokasi di
Lombok Utara (8.38923 - 8.38517 LS dan 116.18983 - 116.19424 BT). Berdasarkan
spesifikasi teknis, ketelitian sensor LIDAR yang digunakan adalah 4 ppm. Diagram alir
kegiatan penelitian tercantum dalam Gambar 1.
Pemrosesan filtering SMRF dibagi menjadi 3 tahap, yaitu :
Filter SMRF
Filtering SMRF dikembangkan oleh (Pingel et al., 2013). Metode filtering ini menggunakan
window yang berubah ukuran secara linear dan penerapan ambang slope sederhana disertai
aplikasi teknik inpainting (teknik image processing). Secara sederhana, tahapan filtering
SMRF adalah sebagai berikut:
 Menentukan tinggi permukaan minimum (ZImin) dengan cara tinggi permukaan

terendah di setiap cell ditentukan, untuk cell kosong, nilai tersebut diinterpolasi.
 Mengidentifikasi nilai ZImin sebagai bare-earth
 Cell dimana nilai ZImin berada ditentukan kemudian cell kosong diinterpolasi
 Penentuan titik-titik ground
Interpolasi dan Smoothing Grid
Interpolasi grid dilakukan untuk mengubah data hasil filtering yang masih berupa point
cloud (vector) menjadi data raster (grid) dengan ukuran cell 1 x 1 meter. Interpolasi grid
dilakukan menggunakan perangkat lunak Generic Mapping Tools (GMT) dengan perintah
xyz2grd.
Dalam pelaksanaan interpolasi grid, terkadang data null values tidak terinterpolasi, sehingga
meninggalkan cell kosong tanpa nilai elevasi. Untuk mengatasi hal tersebut, dilakukan
smoothing menggunakan software GMT. Smoothing dilakukan dengan perintah grdfilter,
dengan jenis filter yang dipilih adalah median, Gaussian dan maximum likelihood.
40
Validasi (Ground Truth)
Setelah diperoleh DTM hasil filtering, selanjutnya dilakukan proses validasi, untuk
menentukan model DTM dengan ketelitian terbaik. Sebanyak 15 titik sampel diukur dengan
pengamatan GPS dengan metode statik maupun RTK. Hasil pengukuran GPS diolah
menggunakan software Waypoint Gravnet. Hasil elevasi yang diperoleh merupakan tinggi
ellipsoid, dan kemudian dikoreksi menggunakan geoid SRGI 2013 untuk memperoleh tinggi
orthometrik.
Mulai
Studi Literatur
Data DSM daerah

urban&forest (point cloud)
Filter SMRF
Nilai Kappa > 50% No Filter ulang
Yes
Data DTM daerah

urban&forest (point cloud)
Interpolasi Grid (software

GMT)
Smoothing (software GMT)

Survey GPS
(Ground Truth)
Validasi DTM hasil

penurunan DSM wilayah
urban&forest
DTM terbaik untuk wilayah

urban dan forest
Selesai
Gambar 1. Diagram Alir Penelitian
41
Pemrosesan data yang sudah dilakukan menggunakan software MATLAB. Software Matlab
memiliki keterbatasan pada kapasitas data yang digunakan sehingga pada penelitian ini
dilakukan pemotongan data menjadi 10 sampel dengan ukuran sekitar 800x600 m2. Selain
aspek tersebut, nilai parameter yang dimasukkan tidak bisa maksimal digunakan, karena
mempengaruhi hasil visual dari DSM maupun DTM yang terbentuk. Hasilnya untuk fitur-fitur
yang seharusnya dipertahankan atau dihilangkan tidak sesuai dengan semestinya. Hasilnya
dapat dilihat pada Tabel 1.
Tabel 1. Input Parameter SMRF
Part C S W ET ES T1 T2 Te Ka Ka (% ) Keterangan
1 1 0.010 4 0.200 0.000 0.308 0.020 0.047 0.624 62.38% Forest
2 1 0.025 4 0.100 0.100 0.321 0.024 0.048 0.567 56.67% Forest
3 1 0.005 4 0.010 0.400 0.283 0.029 0.072 0.645 64.45% Forest
4 1 0.005 4 0.650 0.300 0.320 0.025 0.047 0.548 54.84% Forest
5 1 0.075 8 0.070 0.000 0.402 0.020 0.037 0.565 56.52% Mixed
6 1 0.080 8 0.070 0.000 0.273 0.026 0.037 0.611 61.10% Mixed
7 1 0.010 4 0.010 0.400 0.349 0.024 0.054 0.590 58.97% Mixed
8 1 0.100 4 0.060 0.200 0.349 0.024 0.054 0.590 58.97% Forest
9 1 0.090 5 0.080 0.000 0.418 0.033 0.055 0.524 52.43% Mixed
10 1 0.080 4 0.065 0.000 0.419 0.025 0.042 0.521 52.12% Mixed
Penentuan parameter yang terbaik adalah dengan cara melihat nilai Total Error (Te) dan
Kappa (Ka) yang menurut (Pingel et al., 2013) menjadi indikator keberhasilan untuk DTM
yang diturunkan dari DSM. Rumusnya :
𝒏.Ĝ
𝑻𝟏 = 𝒏.ĝ
𝑛.Ō
𝑇2 = 𝑛.ŏ
𝑛.Ĝ+𝑛.Ō
𝑇𝑒 = 𝑛
Keterangan :
T1 = Total non-ground yang dinyatakan sebagai ground

T2= Total ground yang dinyatakan sebagai non-ground
Te=Total keseluruhan yang salah masuk kelas
n.Ĝ = jumlah non-ground yang salah kelas
n.ĝ = jumlah non-ground yang sesungguhnya
n.Ō = jumlah ground yang salah kelas
n.ŏ = jumlah ground yang sesungguhnya
42
untuk rumus Kappa menurut (Gwet, 2002)
𝑎+𝑑
𝑃𝑜 = 𝑎+𝑏+𝑐+𝑑
𝑎+𝑏 𝑎+𝑐
𝑃1 = 𝑎+𝑏+𝑐+𝑑 𝑥 𝑎+𝑏+𝑐+𝑑
𝑐+𝑑 𝑏+𝑑
𝑃2 = 𝑎+𝑏+𝑐+𝑑 𝑥 𝑎+𝑏+𝑐+𝑑
𝑃𝑒 = 𝑃1 + 𝑃2
𝑃𝑜−𝑃𝑒
𝐾𝑎 = 1−𝑃𝑒
Keterangan :
Po = proporsi frekuensi kelas yang sesuai

Pe = kemungkinan kelas yang sesuai
Ka = koefisien kohensi kappa
Menurut (Fleiss, 1975) kategori nilai Kappa dibagi menjadi tiga dapat ditampilkan pada
Tabel 2 di bawah ini. Dan melihat hasil kappa dari proses pengolahan yang ada, dapat
dikatakan jika hasil kappa dengan metode SMRF filtering termasuk dalam kondisi yang baik,
yang artinya DTM yang dihasilkan mendekati hasil yang sebenarnya yang berada di
lapangan.
Tabel 2. Kategori Kohensi Kappa
K < 0.40 Kondisi buruk

0.40 < k < 0.75 Kondisi baik
K > 0.75 Kondisi sangat baik
Setelah memasukkan nilai parameter-parameter yang dibutuhkan saat melakukan SMRF
filtering didapatkan hasil DSM dan DTM seperti Gambar 2 dan Gambar 3 di bawah ini.
Gambar 2. DSM Hasil Filtering SMRF
43
Null Value
ull value
Gambar 3. Hasil Plotting DTM Sampel Menggunakan Software GMT
Dari hasil gambar di atas, didapatkan ada beberapa garis-garis hitam yang menandakkan
daerah null values akibat pemotongan data .las LIDAR menjadi 10 part yang tidak saling
bertampalan. Sehingga harus dilakukan proses smoothing agar tidak terjadi kekosongan
data. Software GMT menyediakan tools untuk proses smoothing data raster LIDAR sehingga
null values dapat dihilangkan. smoothing dilakukan dengan menginterpolasi median,
Gaussian dan maximum likelihood pada data DTM yang sudah terbentuk. Berikut Gambar 4
hasil dari proses smoothing menggunakan software GMT.
Gambar 4. DTM Hasil Smoothing
44
Kegiatan validasi data DTM dilakukan dengan melakukan survey lapangan menggunakan
GPS Geodetik Leica GR1200 dan GS14. Pengukuran GPS menggunakan metode static dan
metode RTK. Lokasi pengambilan sampel dapat dilihat pada Gambar 5, sedangkan hasil olah
data dari filter SMRF yang sudah dilakukan dapat dilihat pada Tabel 3 di bawah ini.
Gambar 5. Persebaran Titik Sampel
Tabel 3. Hasil Validasi DTM Sebelum Dilakukan Proses Smoothing
No Lon Lat Ellipsoid Undulasi Geoid DTM Difference Difference

Height SRGI Height Height Hgeo-Hell kuadrat
(m) (m) (m) (m) (m) (m2)
1 116.1923 -8.3853 109.873 37.617 72.256 71.914 -0.342 0.117
2 116.1925 -8.3856 112.049 37.623 74.426 73.916 -0.510 0.260
3 116.1931 -8.3862 122.162 37.638 84.525 84.047 -0.477 0.228
4 116.1939 -8.3871 137.583 37.658 99.925 99.229 -0.696 0.484
5 116.1926 -8.3872 138.548 37.643 100.906 100.576 -0.330 0.109
6 116.1927 -8.3891 152.385 37.666 114.719 114.844 0.125 0.016
7 116.1926 -8.3882 161.163 37.654 123.509 123.357 -0.152 0.023
8 116.1912 -8.3855 97.364 37.606 59.758 58.588 -1.170 1.369
9 116.1906 -8.3860 95.173 37.606 57.567 57.220 -0.347 0.120
10 116.1913 -8.3867 105.084 37.621 67.463 66.957 -0.506 0.256
11 116.1908 -8.3875 111.186 37.625 73.561 73.721 0.160 0.026
12 116.1907 -8.3867 102.684 37.615 65.069 64.723 -0.346 0.120
13 116.1907 -8.3891 108.445 37.642 70.803 71.327 0.524 0.275
14 116.1905 -8.3880 102.180 37.626 64.554 63.136 -1.418 2.011
15 116.1904 -8.3860 94.455 37.603 56.852 56.236 -0.616 0.380
Mean difference Hgeo-Hell (m) -0.407 0.386
Max difference Hgeo-Hell (m) 0.524
Min difference Hgeo-Hell (m) -1.418
RMSE difference Hgeo-Hell (m) 0.621
STD difference Hgeo-Hell (m) 0.486
45
Menurut (Susetyo & Perdana, 2015) uji akurasi terhadap data DTM yang dihasilkan oleh
data LIDAR dengan menentukan nilai Root Mean Square Error (RMSE).
Persamaan untuk menghitung RMSE adalah :
𝑅𝑀𝑆𝐸 = √Σ(Δℎ)2 /𝑛
Dimana :
Δh = selisih ketinggian pada DTM dengan tinggi validasi sampel

n = jumlah titik sampel
Setelah mendapatkan nilai RMSE, ditentukan pula nilai LE90 yang menandakan ukuran
ketelitian geometrik vertikal yaitu nilai jarak yang menunjukkan bahwa 90% kesalahan atau
perbedaan nilai ketinggian objek di peta dengan nilai ketinggian sebenarnya tidak lebih
daripada nilai jarak tersebut. Nilai LE90 dijadikan sebagai acuan penentuan skala yang
dapat dipenuhi untuk penggunaan penentu ketelitian vertikal dalam perka BIG No.15 Tahun
2014 yang terbagi menjadi tiga kelas, yaitu :
a. Kelas 1 = 0,5 x interval kontur

b. Kelas 2 = 1,5 x interval kontur
c. Kelas 3 = 2,5 x interval kontur
Persamaannya untuk menentukan LE90 :
𝐿𝐸90 = 1,6499 𝑋 𝑅𝑀𝑆𝐸

𝐿𝐸90 = 1,6499 𝑋 0,621
𝐿𝐸90 = 1,025331
Sesuai Perka BIG No.15 Tahun 2014, nilai LE90 dapat ditampilkan pada Tabel 4 seperti di
bawah ini.
Tabel 4. Ketelitian Vertikal Peta RBI
Interval Ketelitian Peta RBI

No Skala
Kontur (m) LE90 kelas 1 (m) LE90 kelas 2 (m) LE90 kelas 3 (m)
1 1: 1.000 0.4 0.2 0.30 0.50
2 1: 2.500 1 0.5 0.75 1.25
3 1: 5.000 2 1.00 1.50 2.50
4 1: 10.000 4 2.00 3.00 5.00
Dengan mendapatkan nilai LE90, maka data LIDAR hasil filtering menggunakan metode
SMRF sudah memenuhi ketelitian kelas 2, untuk peta skala 1:5.000, yaitu 1.025331,Selain
itu setelah dilakukan proses smoothing, ternyata nilai RMSE dan LE90 tidak mengalami
perbedaan yang signifikan yang dapat dilihat pada Tabel 4. Sehingga metode SMRF dapat
direkomendasikan untuk filtering data LIDAR untuk mendapatkan data DTM dari data DSM.
46
Tabel 5. Hasil Validasi DTM Setelah Dilakukan Proses Smoothing
Lon Lat Ellipsoid Undulasi Geoid DTM Difference Difference

No
Height dari SRGI Height Height Hgeo-Hell kuadrat
(m) (m) (m) (m) (m) (m2)
1 116.1923 -8.3853 109.8730 37.6173 72.2557 71.9338 -0.3219 0.1036
2 116.1925 -8.3856 112.0490 37.6232 74.4258 74.3891 -0.0367 0.0013
3 116.1931 -8.3862 122.1620 37.6375 84.5245 83.4388 -1.0857 1.1788
4 116.1939 -8.3871 137.5830 37.6576 99.9254 99.4765 -0.4489 0.2015
5 116.1926 -8.3872 138.5480 37.6425 100.9055 100.8276 -0.0779 0.0061
6 116.1927 -8.3891 152.3850 37.6657 114.7193 114.8567 0.1374 0.0189
7 116.1926 -8.3882 161.1630 37.6538 123.5092 124.1421 0.6329 0.4005
8 116.1912 -8.3855 97.3640 37.6059 59.7581 58.9789 -0.7792 0.6072
9 116.1906 -8.3860 95.1730 37.6060 57.5670 57.1460 -0.4210 0.1773
10 116.1913 -8.3867 105.0840 37.6213 67.4627 66.9247 -0.5380 0.2895
11 116.1908 -8.3875 111.1860 37.6249 73.5611 73.4666 -0.0945 0.0089
12 116.1907 -8.3867 102.6840 37.6149 65.0691 64.7095 -0.3596 0.1293
13 116.1907 -8.3891 108.4450 37.6423 70.8027 71.3069 0.5042 0.2542
14 116.1905 -8.3880 102.1800 37.6262 64.5538 63.0707 -1.4831 2.1996
15 116.1904 -8.3860 94.4550 37.6028 56.8522 56.1959 -0.6563 0.4308
Mean difference Hgeo-Hell (m) -0.3352
Max difference Hgeo-Hell (m) 0.6329
Min difference Hgeo-Hell (m) -1.4831
RMSE difference Hgeo-Hell (m) 0.6328
LE90 1.0441
STD difference Hgeo-Hell (m) 0.5556
4.4. Kesimpulan
Metode SMRF dapat digunakan untuk filtering data LIDAR untuk mendapatkan data DTM
dari data LIDAR. Statistik membuktikan, dengan metode SMRF nilai RMSE sebesar 0.621 dan
nilai LE90 menunjukkan bahwa DTM yang dihasilkan memenuhi ketelitian vertical peta skala
1: 5.000 dan masuk dalam kelas 2.
4.5. Daftar Pustaka

Fleiss, J. L. (1975). Measuring Agreement between Two Judges on the Presence or Absence
of a Trait. Biometrics, 31(3), 651 ‐ 659.
Gwet, K. (2002). Inter-Rater Reliability : Dependency on Trait Prevalence and Marginal

Homogeneity. Statistical Methods for Inter-Reliability Assessment, (2), 1–9.
47
Kobler, A., Pfeifer, N., Ogrinc, P., Todorovski, L., Oštir, K., & Džeroski, S. (2007). Repetitive
interpolation: A robust algorithm for DTM generation from Aerial Laser Scanner Data in
forested terrain. Remote Sens. Environ, 108, 9–23.
Pingel, T. J., Clarke, K., & Mcbride, W. A. (2013). An Improved Simple Morphological Filter
for the Terrain Classification of Airborne LIDAR Data. ISPRS Journal of Photogrammetry and
Remote Sensing, 77(April 2017), 21–30. https://doi.org/10.1016/j.isprsjprs.2012.12.002
Sari, D. R. (2016). Analisa Geometrik True Orthophoto Data LIDAR. Institut Teknologi
Sepuluh Nopember.
Susetyo, D. B., & Perdana, P. (2015). Uji Ketelitian Digital Surface Model ( DSM ) sebagai
Data Dasar dalam Pembentukan Kontur Peta Rupabumi Indonesia ( RBI ), 1.
Vosselman, G. (2000). Slope based filtering of laser altimetry data. Int. Arch. Photogramm.
Remote Sens, 33, 935–942.
48
5. Penelitian Jumlah GCP Optimal untuk Foto Udara Skala Besar
Danang Budi Susetyo, Dadan Ramdani, Agung Syetiawan, Yustisi Ardhitasari, M.

Irwan Hariyono, Fahmi Amhar
5.1. Pendahuluan
Saat ini, penggunaan Ground Control Point (GCP) sebagai titik acuan dalam pemrosesan
data dasar untuk pemetaan skala besar (baik foto udara maupun citra satelit resolusi tinggi)
merupakan sebuah keharusan. Ketelitian geometrik foto udara hasil triangulasi udara
maupun orthorektifikasi citra satelit resolusi tinggi bergantung pada jumlah, ketelitian, dan
distribusi GCP yang diukur. Oleh karena itu, survei GCP merupakan tahap yang harus
dilaksanakan dengan baik dalam akuisisi foto udara maupun orthorektifikasi citra satelit
resolusi tinggi.
Meski memiliki peran yang sangat penting, ada beberapa tantangan yang harus dihadapi
ketika melaksanakan survei GCP, khususnya di Indonesia. Pertama, medan yang berat.
Tidak jarang titik yang harus diukur terletak di lokasi yang memiliki akses yang sangat sulit,
dan tidak bisa direposisi karena merupakan daerah pertampalan (overlap) antar image.
Kedua, personil yang diperlukan menjadi lebih banyak, dan sangat memerlukan surveyor
yang memahami konsep survei GCP sekaligus dapat mengoperasikan alat GNSS dengan
baik. Kedua tantangan tersebut berdampak pada tantangan yang ketiga, yaitu biaya yang
mahal. Survei yang dilakukan berhari-hari di luar kota/pulau dengan jumlah personil yang
banyak tentu memerlukan anggaran yang tidak sedikit. Tantangan berikutnya adalah tidak
semua wilayah di Indonesia terjangkau stasiun CORS (Continuously Operating Reference
Stations), yang menyebabkan diperlukannya titik referensi lokal dan pada akhirnya
diperlukan penambahan waktu dan sumber daya selama pengukuran.
Upaya meminimalisir jumlah titik kontrol terus dilakukan untuk menekan biaya survei. Salah
satu opsi yang dapat dilakukan adalah melakukan proses triangulasi udara (aerial
triangulation/ AT) dengan hanya menggunakan GPS/IMU di pesawat tanpa menggunakan
GCP, yang dalam istilah fotogrametri disebut direct georeferencing.
Direct georeferencing adalah teknik untuk menentukan parameter exterior orientation (EO)
di kamera secara real-time menggunakan integrasi sensor GPS/IMU (Tanathong & Lee,
2014). Berkembangnya aplikasi dan teknologi AT dari analitik di tahun 1970-an hingga
berkembang menjadi AT digital di akhir 1990-an (Schenk, 1997) turut berpengaruh dalam
membuat proses AT menjadi semakin lebih mudah dan akurat, termasuk metode direct
georeferencing.
Akurasi dari direct georeferencing dipengaruhi oleh beberapa faktor. Direct georeferencing
berdasarkan space intersection dipengaruhi oleh skala foto dan akurasi EO, sedangkan
akurasi direct georeferencing berdasarkan persamaan kesegarisan (collinearity equations)
hanya dipengaruhi oleh skala proyeksi, dan keduanya sama-sama tidak dipengaruhi oleh
terrain (Yuan & Zhang, 2008). Penelitian yang dibuat oleh Cramer, Stallmann, & Haala
(2001) menyimpulkan direct georeferencing dapat menghasilkan akurasi yang tinggi dan
konsisten meskipun diperlukan kalibrasi yang baik antara GPS/IMU dan kamera.
49
Di Indonesia, penggunaan metode direct georeferencing masih relatif belum populer karena
masih memerlukan pengujian lebih lanjut. Meski demikian, penelitian mengenai direct
georeferencing untuk pemotretan udara terkait pemetaan Rupabumi Indonesia (RBI) skala
besar pernah dilakukan oleh Rizaldy & Firdaus (2012), dimana pada penelitian tersebut
dihasilkan akurasi horizontal = 0,356 m dan akurasi vertikal = 0,483 m dan dapat digunakan
untuk pemetaan skala 1:2.500. Hal ini tentunya menjadi sinyal positif untuk menggunakan
metode direct georeferencing di masa depan, terutama karena teknologi kameran dan GNSS
semakin berkembang, sehingga dapat semakin meminimalisir biaya untuk keperluan survei
lapangan.
Penelitian ini merupakan salah satu tambahan dalam memperkaya referensi mengenai direct
georeferencing untuk pemetaan RBI skala besar di Indonesia, sehingga dapat menjadi salah
satu sumber acuan ketika nantinya metode ini akan resmi digunakan. Data yang digunakan
adalah foto udara wilayah Palu yang diakuisisi pada tahun 2013, yang difokuskan pada
wilayah perkotaan. Foto udara tersebut kemudian dilakukan AT tanpa menggunakan GCP
sampai statistik perataan masuk dalam toleransi yang ditetapkan. Setelah itu, dilakukan uji
akurasi menggunakan 8 ICP (Independent Check Point), dan jika terdapat ICP yang
tercakup dalam dua model stereo yang berbeda, maka dilakukan pengukuran nilai X, Y, Z di
kedua model tersebut. Selain itu, dilakukan pula pengukuran nilai X, Y, Z pada beberapa
lokasi lain yang tercakup dalam dua model, dimana objek-objek yang dipilih adalah objek-
objek yang tegas dan mudah diinterpretasi di foto seperti siku lapangan, marka jalan, atau
bangunan. Titik sampel yang diukur sejumlah 15 titik, dan digunakan untuk menguji
konsistensi hasil pemrosesan AT menggunakan metode direct georeferencing.

Data-data yang digunakan dalam penelitian ini adalah:
1. Foto udara wilayah Palu
Foto udara wilayah Palu diakuisi pada tahun 2013 menggunakan kamera Leica RCD30
(Gambar 1 dan 2). Kamera RCD30 merupakan kamera medium format kamera 60MP
pertama yang dapat menghasilkan foto RGB multispektral dan NIR dari satu camera
head (Wagner, 2011). Spesifikasi kamera tersebut dapat dilihat pada Tabel 1.
Spesifikasi yang digunakan pemotretan data tersebut diantaranya GSD (Ground
Sampling Distance) adalah 20 cm, overlap antar foto sebesar 60%, dan sidelap sebesar
30%, dengan toleransi masing-masing adalah 5%. Jumlah foto yang digunakan
sebanyak 126 foto.
2. Parameter Exterior Orientation (EO)
Paramater EO menggambarkan lokasi dan orientasi berkas sinar pada sistem koordinat
objek dengan 6 parameter: koordinat pusat proyeksi (X0, Y0, Z0) dan rotasi di sekitar 3
sumbu (omega, phi dan kappa) (Jacobsen, 2001). Parameter EO didapatkan dari sensor
GPS/INS di pesawat secara real-time (Tanathong & Lee, 2014).
50
Gambar 1. Lokasi penelitian (GCP 2013) Gambar 6. Data foto udara Palu
3. Koordinat ICP
Data GPS yang digunakan dalam penelitian ini hanya digunakan sebagai ICP, dan tidak
digunakan sama sekali sebagai GCP. Secara spesifikasi pengukuran, GCP dan ICP tidak
memiliki perbedaan. Akurasi horizontal yang disyaratkan adalah ≤ 20 cm, sedangkan
akurasi vertikal adalah ≤ 15 cm. Jumlah ICP yang digunakan sebanyak 8 titik. Titik ICP
dapat berupa premark (Gambar 3) maupun TTG (Titik Tinggi Geodesi) (Gambar 4).
Gambar 3. ICP Premark Gambar 4. Titik Tinggi Geodesi

Proses AT dilakukan pada data foto udara Palu tanpa GCP menggunakan software
Inpho, hingga statistik perataan masuk dalam toleransi. Analisis dilakukan dari dua
aspek. Pertama dari sisi ketelitian hasil AT dengan metode direct georeferencing, yaitu
dengan membandingkan koordinat GPS dengan koordinat di model stereo pada setiap
ICP, dan kemudian dikaitkan dengan standar ketelitian peta dasar di Indonesia. Kedua
dari sisi perbandingan nilai X, Y, Z antar model. Analisis dilakukan dengan pengukuran
koordinat X, Y, Z pada 15 objek yang tercakup dalam dua model stereo. Objek yang
dipilih adalah objek-objek yang tegas dan mudah diinterpretasi di foto, seperti disajikan
pada Tabel 2. Beberapa contoh objek tersebut ada pada Gambar 5. Kedua analisis
tersebut digunakan untuk mempertimbangkan kelayakan metode direct georeferencing
untuk digunakan dalam pemotretan udara untuk kepentingan pemetaan skala besar.
51
Tabel 6. Objek pengukuran di model stereo
DESKRIPSI TITIK MODEL
Pojok lapangan tenis, sisi luar garis 190032_190033 190033_190034
Siku marka jalan, sisi dalam 200029_200030 200030_200031
Pojok objek, sisi dalam (tinggi objek + 2 m) 200038_200039 200039_200040
Pojok atap (tinggi bangunan + 2 m) 180054_180055 180055_180056
Pojok pagar, sisi luar 190039_190040 190040_190041
Pojok pagar, sisi dalam 200026_200027 200027_200028
Siku atap tertinggi masjid (tinggi + 8 m) 200026_200027 200027_200028
Pojok bangunan, sisi dalam (tinggi 1-2 m) 200032_200033 200033_200034
Pojok atap (tinggi bangunan + 5 m) 200039_200040 200040_200041
Siku lapangan basket (dibatasi garis sisi dalam) 200032_200033 200033_200034
Pojok Kerangka Bangunan, sisi luar (di ground) 200039_200040 200040_200041
Pojok Kerangka Bangunan, sisi luar atas (+ 4 m) 200039_200040 200040_200041
Siku pagar, sisi luar 200028_200029 200029_200030
Pojok bangunan (tinggi bangunan + 8 m) 200028_200029 200029_200030
Siku ujung selokan 200029_200030 200030_200031
a b
c d
Gambar 7. Contoh objek pengukuran di model stereo: (a) pojok lapangan tenis, (b) siku
marka jalan, (c) pojok pagar, (d) siku ujung selokan
52
Tabel 7. Spesifikasi kamera Leica RCD30 (Lumbantobing, Wikantika, & Harto, 2017)
Sensor Tipe Panjang Band Ukuran Ukuran Sudut Sudut GSD
Sensor Fokus CCD Piksel Across Long
8956
Kamera Exposure 53 mm RGB, 6 μm 56 44 16 cm
x
RCD30 Frame NIR
6708
piksel
5.3. Hasil dan Pembahasan

Hasil yang dianalisis dalam penelitian ini terdiri dari dua aspek: orientasi relatif dan orientasi
absolut. Orientasi relatif menghasilkan model foto udara yang bebas dari paralaks sehingga
posisi relatif antara dua foto pembentuk model sama seperti pada saat pemotretan,
sedangkan orientas absolut mentransformasi model hasil orientasi relatif yang belum terikat
ke dalam sistem koordinat lokal menggunakan transformasi tiga dimensi (Badan
Standardisasi Nasional, 2014). Orientasi relatif didapatkan dari hasil statistik perataan AT
berupa sigma naught dan residu antar tie point, sedangkan orientasi absolut didapatkan
dengan dengan membandingkan nilai Independent Check Point (ICP) yang diukur
menggunakan GPS Geodetik dengan nilai titik yang sama pada model stereo di foto yang
sudah dilakukan AT (Susetyo & Gularso, 2017).
Hasil statistik AT menunjukkan nilai sigma naught = 2,7 mikron. Menurut SNI tentang
Spesifikasi Teknis Triangulasi Udara, sigma naught adalah besar kesalahan yang
menunjukkan tingkat ketelitian dari pengukuran titik minor pada satu blok fotogrametri,
dengan nilai toleransi untuk fotogrametri digital berdasarkan SNI tersebut adalah ≤ 1 piksel.
Sesuai Tabel 1, ukuran piksel untuk kamera RCD30 adalah 6 mikron, sehingga sigma
naught masih berada di bawah toleransi yang disyaratkan. Artinya, direct georeferencing
masih memungkinkan untuk mendapatkan hasil statistik perataan yang bagus. Parameter
kontrol kualitas lainnya diatur dalam Kerangka Acuan Kerja Pemotretan Udara 2013, yang
disajikan pada Tabel 3.
Tabel 8. Parameter kontrol kualitas statistik hasil AT (Badan Informasi Geospasial, 2013)
Sigma naught < ukuran piksel (mikron)
RMSE titik minor < 0,5 x ukuran piksel (mikron)
Nilai residual maksimal titik minor < 1,5 x ukuran piksel (mikron)
RMSE titik kontrol < 0,5 meter
Nilai residual maksimal titik kontrol < 1 meter
Hasil statistik perataan AT lainnya disajikan pada Tabel 4. Residu titik kontrol maksimal
nilainya adalah 0,000 m karena tidak digunakan titik kontrol (GCP). RMSE titik minor untuk x
dan y masing-masing adalah 1,634 mikron dan 1,642 mikron, yang berarti berada di bawah
0,5 x ukuran piksel (3 mikron). Berdasarkan hasil tersebut dapat disimpulkan direct
georeferencing dapat memenuhi spesifikasi terkait orientasi relatifnya.
53
Tabel 9. Hasil statistik perataan AT
x y z
rms image points 1.634 [micron] 1.642 [micron]
rms control in image 2.944 [micron] 2.677 [micron]
max res. control 0.000 [m] 0.000 [m] 0.000 [m]
rms check points 1.032 [m] 0.724 [m] 2.868 [m]
max res. check -1.455 [m] -1.067 [m] -3.851 [m]
Aspek berikutnya yang perlu dianalisis adalah orientasi absolutnya. Orientasi absolut
didapatkan dengan membandingkan nilai koordinat ICP hasil pengukuran GPS Geodetik dan
pengamatan di model stereo. Hasil uji akurasi tersebut adalah 1,9 m untuk ketelitian
horizontal (CE90) dan 3,6 m untuk ketelitian vertikal (LE90), dimana ICP yang tercakup
dalam dua model stereo dilakukan pengamatan pada kedua model stereo tersebut.
Berdasarkan SNI Ketelitian Peta Dasar, maka ketelitian horizontal tersebut masuk pada skala
1:5.000 kelas 3 atau skala 1:10.000 kelas 1, dan ketelitian vertikal masuk pada skala
1:10.000 kelas 3 atau skala 1:25.000 kelas 1. Hasil uji akurasi secara detail disajikan pada
Tabel 5.
Tabel 10. Hasil uji akurasi AT

Model Titik ΔX ΔY ΔZ ΔX2 ΔY2 ΔX2+ΔY2 ΔZ2
190026_190027 CP17 -1.5467 -0.5107 -0.8039 2.392281 0.26081449 2.65309538 0.646255
180050_180051 CP18 -0.7783 -0.4262 -1.4666 0.605751 0.18164644 0.78739733 2.150916
180051_180052 CP18 -0.9135 -0.7 -2.1386 0.834482 0.49 1.32448225 4.57361
200030_200031 CP19 -1.2973 -0.7294 -3.1265 1.682987 0.53202436 2.21501165 9.775002
200040_200041 CP26 -0.0295 -0.4159 -3.6792 0.00087 0.17297281 0.17384306 13.53651
200041_200042 CP26 -0.16 -0.5463 -3.4734 0.0256 0.29844369 0.32404369 12.06451
201054_201055 PL20 -0.6573 -1.0384 -2.5893 0.432043 1.07827456 1.51031785 6.704474
201055_201056 PL20 -0.2799 -1.0142 -0.693 0.078344 1.02860164 1.10694565 0.480249
190033_190034 PL28 -1.4879 -0.3998 -2.4893 2.213846 0.15984004 2.37368645 6.196614
190034_190035 PL28 -1.3037 -0.5527 -2.7997 1.699634 0.30547729 2.00511098 7.83832
190032_190033 TTG700 -2.0262 0.0114 -1.0374 4.105486 0.00012996 4.1056164 1.076199
190033_190034 TTG700 -1.2386 -0.1921 -2.8371 1.53413 0.03690241 1.57103237 8.049136
200038_200039 TTG701 -0.4912 -0.0085 -1.638 0.241277 0.00007225 0.24134969 2.683044
∑ 20.39193275 75.77484
MEAN 1.568610212 5.828834
RMSE 1.2524417 2.414298
CE90/LE90 1.90058028 3.663697
Hasil ini berbeda dengan Rizaldy & Firdaus (2012), dimana direct georeferencing yang
dilakukan menghasilkan akurasi horizontal = 0,356 m dan akurasi vertikal = 0,483 m dan
dapat digunakan untuk pemetaan skala 1:2.500. Kamera yang digunakan dalam penelitian
54
itu adalah kamera digital format besar Ultracam X dari Vexcel. Oleh karena itu, masih ada
kemungkinan metode direct georeferencing menghasilkan ketelitian yang lebih baik.
Terakhir, aspek yang dianalisis dalam penelitian ini adalah konsistensi antar model stereo.
Analisis ini bertujuan untuk mengetahui apakah direct georeferencing mempengaruhi nilai
koordinat X, Y, Z di setiap model stereo yang saling bertampalan. Untuk itu, dipilih 15 objek
yang tercakup dalam dua model stereo, seperti disajikan pada Tabel 2. Titik-titik tersebut
kemudian diukur pada setiap model stereo untuk kemudian dibandingkan selisihnya. Hasil
pengukuran pada setiap model disajikan pada Tabel 6.
Tabel 11. Hasil perbandingan antar model stereo di seluruh titik uji
KOORDINAT
DESKRIPSI TITIK MODEL
X Y Z ∆X ∆Y ∆Z
190032_190033 811635.282 9912575.339 18.899
Pojok lapangan tenis, sisi luar garis 0.385 -0.195 -0.693
190033_190034 811634.897 9912575.534 19.592
200029_200030 812447.178 9910875.749 15.124

Siku marka jalan, sisi dalam 0.003 -0.077 0.37
200030_200031 812447.175 9910875.826 14.754
Pojok objek, sisi dalam (tinggi objek + 2 200038_200039 813676.72 9906694.109 4.307
0.14 -0.102 -0.265
m) 200039_200040 813676.58 9906694.211 4.572
180054_180055 811313.37 9907993.057 379.452

Pojok atap (tinggi bangunan + 2 m) 0.023 0.02 -0.571
180055_180056 811313.347 9907993.037 380.023
190039_190040 812019.749 9909703.69 100.632
Pojok pagar, sisi luar 0.085 -0.28 0.333
190040_190041 812019.664 9909703.97 100.299
200026_200027 811643.395 9912115.503 37.881

Pojok pagar, sisi dalam 0.108 -0.136 0.097
200027_200028 811643.287 9912115.639 37.784
200026_200027 811629.607 9912114.993 45.566

Siku atap tertinggi masjid (tinggi + 8 m) -0.192 -0.11 -0.638
200027_200028 811629.799 9912115.103 46.204
Pojok bangunan, sisi dalam (tinggi 1-2 200032_200033 812808.645 9909368.007 15.235
-0.092 -0.067 -0.077
m) 200033_200034 812808.737 9909368.074 15.312
200039_200040 813657.325 9906160.522 34.859

Pojok atap (tinggi bangunan + 5 m) 0.067 -0.149 0.054
200040_200041 813657.258 9906160.671 34.805
Siku lapangan basket (dibatasi oleh 200032_200033 812847.501 9909358.754 12.715

-0.059 -0.182 0.06
garis sisi dalam) 200033_200034 812847.56 9909358.936 12.655
Pojok Kerangka Bangunan, sisi luar 200039_200040 814062.906 9906100.746 17.293

0.032 -1.02 0.228
(posisi di ground) 200040_200041 814062.874 9906101.766 17.065
Pojok Kerangka Bangunan, sisi luar 200039_200040 814062.287 9906100.722 20.435

0.05 -0.084 -0.225
(posisi di atas, tinggi bangunan + 4 m) 200040_200041 814062.237 9906100.806 20.66
200028_200029 812095.39 9911322.573 11.867

Siku pagar, sisi luar 0.427 -0.73 0.178
200029_200030 812094.963 9911323.303 11.689
Pojok bangunan (tinggi bangunan + 8 200028_200029 812048.924 9911246.762 20.576

0.044 -0.057 0.272
m) 200029_200030 812048.88 9911246.819 20.304
200029_200030 812494.856 9910808.264 14.069

Siku ujung selokan 0.052 -0.042 -0.128
200030_200031 812494.804 9910808.306 14.197
55
Tabel 6 menunjukkan tidak ada perbedaan signifikan di setiap model stereo, dan hampir
semuanya berada di bawah 1 m. Bahkan secara rata-rata, perbedaan koordinat dan elevasi
pada setiap model stereo berada di bawah 0,5 m, dimana rata-rata ΔX = 0,1173 m, ΔY =
0,2167 m, dan ΔZ = 0,2793 m. Artinya, meski penggunan metode direct georeferencing
dapat mengurangi akurasi absolut, namun hal tersebut tidak berpengaruh terhadap
konsistensi antar model stereonya.
5.4. Kesimpulan
Penelitian ini merupakan salah satu tambahan dalam memperkaya referensi mengenai direct
georeferencing untuk pemetaan RBI skala besar di Indonesia, sehingga dapat menjadi salah
satu sumber acuan ketika nantinya metode ini akan resmi digunakan. Data yang digunakan
adalah foto udara wilayah Palu yang diakuisisi pada tahun 2013, yang difokuskan pada
wilayah perkotaan.
Hasil yang dianalisis dalam penelitian ini terdiri dari dua aspek: orientasi relatif dan orientasi
absolut. Orientasi relatif didapatkan dari hasil statistik perataan AT berupa sigma naught
dan residu antar tie point, sedangkan orientasi absolut didapatkan dengan dengan
membandingkan nilai Independent Check Point (ICP) yang diukur menggunakan GPS
Geodetik dengan nilai titik yang sama pada model stereo di foto yang sudah dilakukan AT.
Hasil statistik perataan AT menunjukkan nilai sigma naught = 2,7 mikron. Artinya, direct
georeferencing masih memungkinkan untuk mendapatkan hasil statistik perataan yang
bagus.
Hasil uji akurasi tersebut adalah 1,9 m untuk ketelitian horizontal (CE90) dan 3,6 m untuk
ketelitian vertikal (LE90), dimana ICP yang tercakup dalam dua model stereo dilakukan
pengamatan pada kedua model stereo tersebut. Berdasarkan SNI Ketelitian Peta Dasar,
maka ketelitian horizontal tersebut masuk pada skala 1:5.000 kelas 3 atau skala 1:10.000
kelas 1, dan ketelitian vertikal masuk di skala 1:10.000 kelas 3 atau skala 1:25.000 kelas 1.
Terakhir, tidak ada perbedaan signifikan di setiap model stereo, dan hampir semuanya
berada di bawah 1 m. Bahkan secara rata-rata, perbedaan koordinat dan elevasi pada setiap
model stereo berada di bawah 0,5 m, dimana rata-rata ΔX = 0,1173 m, ΔY = 0,2167 m, dan
ΔZ = 0,2793 m. Artinya, meski penggunan metode direct georeferencing dapat mengurangi
akurasi absolut, namun hal tersebut tidak berpengaruh terhadap konsistensi antar model
stereonya.
5.5. Daftar Pustaka

1. Badan Informasi Geospasial. (2013). Kerangka Acuan Kerja Pekerjaan Pemotretan Udara
dan Pemetaan Rupabumi Indonesia Skala 1:10.000 Palu dan Kendari. Cibinong.
2. Badan Standardisasi Nasional. (2014). Spesifikasi Teknis Triangulasi Udara. Jakarta.
3. Badan Standardisasi Nasional. (2015). SNI Ketelitian Peta Dasar. Jakarta.
4. Cramer, M., Stallmann, D., & Haala, N. (2001). Direct georeferencing Using GPS /
Inertial Exterior Orientations for Photogrammetric Applications. In IAPRS, Vol. XXXIII.
Amsterdam.
5. Jacobsen, K. (2001). Exterior Orientation Parameters. Photogrammetric Engineering and
Remote Sensing, 1321–1332. Retrieved from http://www.ipi.uni-
hannover.de/uploads/tx_tkpublikationen/jac_ExterOr.pdf
56
6. Lumbantobing, M., Wikantika, K., & Harto, A. B. (2017). Peningkatan Akurasi
Interpretasi Foto Udara Menggunakan Metode Pembobotan Berbasis Objek untuk
Pembuatan Peta Skala 1 : 5000. Reka Geomatika, 2017(1), 1–11.
7. Rizaldy, A., & Firdaus, W. (2012). Direct georeferencing: a New Standard in
Photogrammetry for High Accuracy Mapping. ISPRS - International Archives of the
Photogrammetry, Remote Sensing and Spatial Information Sciences, 39(September), 5–
9. https://doi.org/10.5194/isprsarchives-XXXIX-B1-5-2012
8. Schenk, T. (1997). Towards Automatic Aerial Triangulation. ISPRS Journal of
Photogrammetry and Remote Sensing, 52(3), 110–121. https://doi.org/10.1016/S0924-
2716(97)00007-5
9. Susetyo, D. B., & Gularso, H. (2017). Perbandingan Nilai Koordinat dan Elevasi Antar
Model Stereo pada Foto Udara Hasil Triangulasi Udara. In Seminar Nasional Geomatika
(pp. 1–10). Cibinong.
10. Tanathong, S., & Lee, I. (2014). Using GPS/INS Data to Enhance Image Matching for
Real-time Aerial Triangulation. Computers and Geosciences, 72, 244–254.
https://doi.org/10.1016/j.cageo.2014.08.003
11. Wagner, R. (2011). The Leica RCD30 Medium Format Camera: Imaging Revolution.
Photogrammetric Week 2011, 89–95. Retrieved from http://www.ifp.uni-
stuttgart.de/publications/phowo11/095Wagner.pdf
12. Yuan, X., & Zhang, X. (2008). Theoretical accuracy of direct georeferencing with position
and orientation system in aerial photogrammetry. The International Archives of the
Photogrammetry, Remote Sensing and Spatial Information Sciences, 37, 617–622.
57

Data Lidar

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Data Lidar

Diunggah oleh

Hak Cipta:

Format Tersedia

LAPORAN

PENELITIAN PEMANFAATAN LIDAR

Kelompok Penelitian Pemetaan Rupabumi dan Toponimi

Prof. Dr.-Ing. Fahmi Amhar

Puji syukur ke hadirat Allah subhanahu wata’ala, sehingga akhirnya laporan

Pusat Penelitian, Promosi dan Kerjasama

Dr. Ir. Wiwin Ambarwulan, M.Sc.

I. LAPORAN PELAKSANAAN KEGIATAN ........................................................................ 5

I.1. Latar Belakang

1. Penelitian Klasifikasi / Kategorisasi Unsur untuk Peta RBI 1:5000; dan

3. Penelitian Sinkronisasi Hasil Lidar dengan Foto Udara;

I.3. Tahapan Pelaksanaan Penelitian

I.4. Waktu Pelaksanaan Kegiatan

Waktu Kegiatan Keterangan

Jul 2017 Survei Kapasitas PT Aerovisi, Jakarta

6-11 Nov 2017 Survei Lapangan Lidar Filtering Lombok

6 Nov 2017 FGD Sinkronisasi FGD diselenggarakan PPRT di Bandung

Daftar personil penelitian ini adalah

Nama Jabatan dalam tim Keterangan

I.6. Luaran (Output)

Secara spesifik rantai dampak yang diharapkan adalah:

1. Penelitian Klasifikasi / Kategorisasi Unsur Peta RBI 1:5000

Gambar 1. Proses kartografi (Stevens, Smith, & Bianchetti, 2012)

Kemudian kemampuan atau keterbatasan operator perlu dipertimbangkan. Makin detil

1.2. Metode Penelitian

• Spesifikasi pemetaan RBI (SPR, Juklak, KAK)

Gambar 2. Generalization as a sequence of modelling operations (Cecconi, 2003)

Tabel 1. Ilustrasi kategori

Superordinat Level Dasar Subordinat

Tabel 2. Data yang digunakan

No Nama Data Sumber Data

 Pusat Pengelolaan dan Penyebarluasan

1.3. Hasil & Pembahasan

Peta topografi dan map abstraction

Kebutuhan pengguna peta RBI

Wawancara dilakukan terhadap 12 responden yang terdiri dari Kementerian/Lembaga

Tabel 3. Daftar responden wawancara

Kementerian Desa, Pembangunan Daerah Tertinggal & Transmigrasi 1 responden

Kemeterian Pertahanan, Pusat Data dan Informasi 1 responden

TNI-AU, Dissurpotrud 1 responden

TNI-AD, Dittopad 1 responden

Dinas Pekerjaan Umum dan Penataan Ruang Kabupaten Bogor 1 responden

Bappedalitbang Kabupaten Bogor 1 responden

Bappeda Kota Bogor 1 responden

Lembaga Penerbangan dan Antariksa Nasional 1 responden

Badan Meteorilogi, Klimatologi dan Geofisika 1 responden

Responden Informasi Penting

Konsep kategorisasi menurut pendapat pakar

Parameter untuk Kategorisasi

1.5. Daftar Pustaka

Harries, K. (1999). Mapping Crime: Principle and Practice. Retrieved from

Cavette, C. (n.d.). How Products are Made. Retrieved from madehow:

Cecconi, A. (2003). Integration of Cartographic Generalization and Multi-Scale Databases for

Natural Resources Canada. (n.d.). Natural Resources Canada. Retrieved from

Republik Indonesia. (2011). Undang-undang No. 4 Tahun 2011 tentang Informasi

Rowland, J. B. (1955). Features Shown on Topographic Maps. Washington D.C.: USGS.

Usery, L. E. (1993). Category Theory and the Structure of Features in Geographic

USGS. (n.d.). Topographic Mapping. Retrieved from pubs.usgs.gov:

Seiring pelaksanaan pekerjaan, muncullah beberapa masalah dan kendala. Terutama

2.2. Metode Penelitian

Gambar-1 Bentuk Kuesioner

Sedang sebagai material pelengkap dan pembanding adalah:

- Juknis/SOP supervisi dan QC di PPRT

Gwet, K. (2002). Inter-Rater Reliability : Dependency on Trait Prevalence and Marginal