TUGAS RESUMER

PENGINDERAAN JAUH RADAR DAN LIDAR

OLEH :

BUNGA SAHRUNI
R1B118026

PROGRAM STUDI GEOGRAFI

FAKULTAS ILMU DAN TEKNOLOGI KEBUMIAN

UNIVERSITAS HALU OLEO

KENDARI

2021
 5 LIDAR FOR URBAN APPLCATION
5.2 Ekstrak Jalan
Untuk memperbarui database GIS dan aplikasi lainnya, ekstraksi jalan dari citra digital
telah mendapat perhatian yang cukup besar dalam beberapa dekade terakhir. Ekstraksi jalan yang
sepenuhnya otomatis di daerah perkotaan dapat menjadi sulit karena kompleksitas fitur
perkotaan, sementara digitalisasi jalan secara manual dari gambar dapat memakan waktu. Fitur
tanah seperti badan air dan perkerasan aspal biasanya memiliki nilai intensitas Lidar yang sangat
rendah, sementara beberapa atap bangunan mungkin juga memiliki nilai intensitas yang sangat
rendah.
Setelah menggabungkan gambar intensitas dan Dsm non-tanah, gambar yang
digabungkan dapat disegmentasi menggunakan ambang batas. Citra biner yang dihasilkan dapat
diproses lebih lanjut menggunakan operator morfologi matematika. Setelah vektorisasi, jalan
yang diekstraksi dapat diperbaiki melalui pengeditan interaktif.

5.3 Ekstrak Bangunan Dan Rekonstruksi

Dengan meningkatnya ketersediaan citra satelit resolusi tinggi dan data lidar dalam dua
dekade terakhir, penggalian bangunan dari data penginderaan jauh telah menjadi bidang
penelitian yang signifikan. Sebuah tinjauan dari sebagian besar metode dapat ditemukan dalam
karya ioannidis et al. Dengan meningkatnya permintaan untuk model kota tiga dimensi dan
ketersediaan data lidar, rekonstruksi bangunan 3d telah mendapat perhatian yang luas, dan
banyak metode untuk rekonstruksi bangunan telah diusulkan. Jika x menunjukkan koordinat 3d
dari titik lidar, maka model gaussian 3d, dapat digunakan untuk menggambarkan distribusi titik
lidar dalam patch planar.
Karena keakuratan data lidar yang terbatas, titik awan lidar dari atap planar tidak persis
terletak pada bidang matematika tetapi tersebar di dalam pelat tipis di dekat atap, dan
penyimpangan titik dari bidang tersebut sesuai dengan distribusi Gaussian yang berpusat pada
nol.

5.4 Estimasi Populasi

Metode sensus tradisional untuk memperoleh informasi kependudukan seringkali
memakan waktu, padat karya, dan mahal. Sejumlah penelitian telah dilakukan untuk estimasi
populasi menggunakan karakteristik demografis. Sejak tahun 1970-an, data penginderaan jauh
dari berbagai platform telah digunakan untuk estimasi populasi, termasuk gambar resolusi rendah
, gambar resolusi menengah , dan foto udara beresolusi tinggi. Menyajikan metode untuk
estimasi populasi area kecil menggunakan lidar, landsat tm, dan data persil.
Ide dasarnya adalah untuk membangun model kuadrat terkecil biasa dan model regresi
berbobot geografis berdasarkan pengambilan sampel blok sensus menggunakan jumlah populasi
vs. Bangunan, populasi vs. Luas bangunan, dan jumlah penduduk vs. Volume bangunan.
Menggunakan jumlah populasi sensus dari 91 blok sensus acak sebagai variabel dependen, dan
jumlah bangunan, luas bangunan, dan volume bangunan yang diturunkan dari lidar sebagai
variabel independen, model regresi linier dan gwr dibuat untuk estimasi populasi dalam studi
oleh dong et al. Hasil penelitian menunjukkan bahwa jumlah penduduk berkorelasi kuat dengan
jumlah bangunan tempat tinggal, luas, dan volume yang diturunkan.
Dari Dhm terakhir. Meskipun penelitian lain menunjukkan bahwa metode unit
perumahan tradisional menawarkan sejumlah keunggulan dibandingkan metode estimasi
populasi lainnya , tidak ada pola yang jelas untuk menunjukkan bahwa jumlah bangunan
mengungguli dua variabel independen lainnya. Dalam penelitian ini. Selain itu, karena sampel
acak dapat lebih mewakili distribusi data di wilayah studi daripada sampel yang dikelompokkan,
model yang berasal dari sampel acak tampaknya menghasilkan hasil yang lebih akurat
dibandingkan dengan yang berasal dari sampel kontinu. Keterbatasan dalam penelitian oleh dong
et al. adalah bahwa data lidar asli yang digunakan disampel ulang ke jarak titik 3-5 m, yang
memengaruhi representasi bangunan yang akurat. Hasil yang lebih akurat dapat diperoleh jika
data lidar dengan kepadatan titik yang lebih tinggi tersedia.

5.5 Deteksi Perubahan

Deteksi perubahan menggunakan analisis berbasis piksel dari data penginderaan jauh
telah didokumentasikan dengan baik. Metode deteksi perubahan berbasis piksel kurang berhasil
ketika diterapkan pada gambar resolusi tinggi atau resolusi sangat tinggi karena masalah dengan
akurasi georeferensi, variabilitas reflektansi, dan geometri akuisisi data, di antara faktor lainnya.
Tinjauan deteksi perubahan dari citra penginderaan jauh dari pendekatan berbasis piksel
ke berbasis objek dapat ditemukan dalam karya hussain et al. Berbagai penelitian telah
menunjukkan bahwa deteksi perubahan adalah proses yang kompleks, dan tidak ada pendekatan
tunggal yang dapat diterapkan untuk semua skenario aplikasi.
 Integrasi gis dan penginderaan jauh dapat menjadi pendekatan yang efektif untuk
meningkatkan deteksi perubahan karena informasi spasial dan atribut objek digabungkan dengan
informasi spektral . Menggunakan spektrum energi transformasi fourier berjendela dari setiap
persil penggunaan lahan untuk deteksi perubahan berbasis persil. Dengan meningkatnya
penggunaan data lidar dalam studi perkotaan, deteksi perubahan 3d dari urban sprawl horizontal
dan vertikal telah menjadi topik penting. Mengusulkan metode deteksi perubahan bangunan
berbasis parsel untuk mendukung aplikasi seperti perencanaan kota dan pengelolaan lahan.
Karena titik lidar untuk kelas vegetasi dan bangunan sudah tersedia pada data 2013, tetapi
tidak pada data 2009, perubahan vegetasi dan bangunan dari 2009 ke 2013 tidak dapat diperoleh
dengan perbandingan langsung, dan metode deteksi perubahan perlu dikembangkan. Diagram
alir untuk deteksi perubahan bangunan berbasis persil yang diusulkan oleh dong et al.
Membangun data raster kemiringan.
Gambar 5.12, b adalah histogram kemiringan permukaan rata-rata fokus yang diperoleh
dari 21 21 jendela di lidar dhm 2009 di 734 lokasi acak di atas area vegetasi sedang/tinggi. Ini
adalah bagaimana perubahan bangunan tipe i diidentifikasi pada gambar 5.11. Dengan kata lain,
53.11° dapat digunakan sebagai ambang untuk kemiringan rata-rata zona untuk memisahkan atap
dan vegetasi sedang/tinggi.
Dari gambar 5.12 dapat disimpulkan bahwa poligon tapak bangunan tahun 2013
kemungkinan besar terdapat vegetasi sedang/tinggi pada tahun 2009 jika rerata kemiringan dhm
2009 pada poligon yang sama lebih besar dari rerata kemiringan rerata zonal maksimum atap
rumah tahun 2013. Ini adalah bagaimana perubahan bangunan tipe i diidentifikasi pada gambar
5.11. Hitung kemiringan rata-rata zonal ssayadari raster kemiringan yang dibuat pada langkah2,
menggunakan poligon tapak bangunan tahun 2013 sebagai zona. Menunjukkan vakujsebagai
perubahan volumetrik objek tanah dari 2009 hingga 2013 dan kemudian hitung vakujdari ddsm
menggunakan jumlah zona sel ddsm di setiap jejak bangunan tahun 2013 poligon.
Periksa Ssayadan vakuj untuk setiap poligon tapak bangunan tahun 2013. Ambang batas
volume vt digunakan dalam proses ini,dan vt = 2.2*,dimana adalah tinggi minimum dari
bangunan tempat tinggal berdasarkan konstruksi rumah dan standar keamanan yang digunakan di
texas, karena tegakan serupa tidak ditemukan di Inggris Kolumbia. Proses pengambilan
keputusan untuk mengidentifikasi keempat jenis perubahan bangunan diilustrasikan pada gambar
5.13.
 Demikian pula, tidak ada ambang batas yang jelas antara dihancurkan dan rusak, dan
kedua istilah tersebut dapat digunakan untuk perubahan bangunan dalam skenario aplikasi yang
berbeda, seperti deteksi perubahan penggunaan lahan atau penilaian kerusakan akibatbencana.
Perbandingan visual dhm turunan lidar 2009 dan 2013 menunjukkan bahwa hasil untuk tipe
perubahan bangunan pada gambar 5.14 sudah benar dalam banyak kasus.

5.6 Penilian Bangunan Setelah Bencana

Penilaian cepat terhadap kerusakan bangunan dan infrastruktur yang disebabkan oleh
bencana alam seperti gempa bumi sangat penting untuk operasi tanggap bencana dan pemulihan.
Meskipun dukungan real-time untuk pencarian dan penyelamatan darat masih merupakan tugas
yang menantang untuk sistem penginderaan jauh saat ini, data yang dikumpulkan oleh platform
penginderaan jauh telah banyak digunakan dalam penilaian kerusakan bencana. Gambar optik
resolusi menengah dan tinggi seperti système probatoire d'observation de la terre resolusi tinggi
terlihat, quickbird, dan gambar ikonos telah digunakan untuk penilaian kerusakan bangunan
pascagempa dengan keberhasilan yang terbatas.
Keterbatasan utama gambar optik dalam penilaian kerusakan termasuk kesulitan dalam
pengumpulan data dalam cuaca buruk dan proses yang memakan waktu dalam analisis data.
Kemampuan semua cuaca dari sistem radar memberikan pilihan penting untuk penilaian
kerusakan dalam cuaca buruk. Kemampuan semua cuaca dari sistem radar memberikan pilihan
penting untuk penilaian kerusakan dalam cuaca buruk.
Namun, radar layover dan efek bayangan dapat menghambat interpretasi gambar,
terutama di lingkungan pegunungan. Interferometric synthetic aperture radar juga dapat menjadi
sumber data alternatif untuk penilaian kerusakan karena kemampuannya dalam menyediakan
data elevasi, namun kualitas data dan akurasi elevasi yang berasal dari insar lebih rendah
daripada data lidar.
Untuk mengevaluasi aplikasi potensial awan titik lidar untuk penilaian kerusakan
bangunan pasca gempa, dong dan guo mensimulasikan keruntuhan lantai lunak dan jenis
kerusakan besar lainnya pada bangunan dengan atap datar, pent, gable, dan pinggul. Dengan
menghasilkan titik acak pada dinding dan permukaan bangunan, tanda tangan bentuk 3d dari
model bangunan dapat dibandingkan untuk mendeteksi bangunan yang rusak. Metode ini juga
diterapkan pada data lidar nyata untuk beberapa bangunan di harris county, tx, usa.
 a b
Pada gambar 5.18
 a,bagian atas menunjukkan model tin yang dibangun dari data lidar untuk enam gedung
dengan kerapatan titik sekitar 0,8 titik/m2, dan bagian bawah adalah foto udara dari enam
bangunan. Tanda tangan bentuk 3d yang berasal dari data lidar untuk bangunan 1, 2, 4
dan 5.
 b, dan koefisien korelasi antara tanda tangan bentuk 3d tercantum dalam tabel 5.2. Hasil
dari analisis tanda tangan bentuk 3d sesuai dengan interpretasi visual foto udara:
bangunan 1 dan 5 adalah model yang sama, sedangkan bangunan 2 dan 4 memiliki model
yang berbeda.

5.7 Penilaian Lokasi Jalan Pasca Bencana

Titik penyumbatan jalan untuk segmen jalan tertentu dapat dideteksi. Misalnya, titik
merah di sudut kiri atas gambar, sebenarnya adalah dinding yang memisahkan jalan raya dan
pemukiman, dan terdeteksi sebagai titik penyumbatan. Namun, titik penyumbatan lain yang
terdeteksi tidak divalidasi karena sulitnya pengumpulan data di lapangan.
Namun, garis tengah jalan yang dikumpulkan oleh pengguna internet di seluruh dunia
mungkin mengandung kesalahan posisi dan kesalahan koneksi di jaringan jalan. Untuk
mendeteksi kesalahan sambungan jalan dan titik penyumbatan jalan pascabencana, liu et al.
Mengembangkan aplikasi berbasis web yang memungkinkan pengguna membuat garis tengah
jalan berdasarkan gambar beresolusi tinggi, dan mendeteksi penyumbatan jalan menggunakan
data lidar. Titik penyumbatan jalan untuk segmen jalan tertentu dapat dideteksi.
Selain itu, kesalahan pada garis tengah jalan openstreetmap dapat dideteksi. Misalnya,
titik merah di sudut kiri atas sebenarnya adalah dinding yang memisahkan jalan raya dan
pemukiman, dan terdeteksi sebagai titik penyumbatan.
 Gambar 5.21. Web-based application for post-disaster road blockage detection using highresolution
Images and LiDAR data.

Gambar 5.22. Road blockage and connection errors (red points) detected in Port-au-Prince, Haiti using web-based
application. The background is a LiDAR-derived digital surface model.

 5.1 Proyeksi Hitungan : Mencari Titik Lidar 3D Dekat Listrik Di Kota Denton, TX,
AS.
1. Perkenalan : 3DGISTeam Esri membuat Alat Sampel 3D untuk ArcGIS Desktop
10.2–10.5 pada Februari 2015. Alat Sampel 3D memiliki lebih dari 50 alat
geoproses dan utilitas yang berdiri sendiri untuk konversi data, analisis fitur, TIN,
analisis vegetasi, analisis LiDAR, klasifikasi LiDAR, dan LiDAR manajemen
(Gambar 5.23).
2. Data : Fileberikut tersedia di http://geography.unt.edu/~pdong/
LiDAR/Chapter5/Project5.1/: (1): File LAS “Denton2011.las” untuk awan titik
LiDAR seluas 2,97 km × 3,15 km di Denton, TX, AS; dan (2) Shapefile 3D
 “PowerLine3D.shp” (dan tujuh file lain dengan ekstensi berbeda) yang
mensimulasikan powerline dalam 3D. Lokasi saluran listrik yang disimulasikan
berada di sepanjang West Hickory Street dan antara Avenue C dan Avenue F di
Denton, TX, AS. File-file ini harus diunduh ke folder lokal Anda (klik kanan
setiap file untuk mengunduh file).
3. LangkahProyek
1) Buka dokumen Word kosong sehingga Anda dapat menyalin hasil apa pun
dari langkah-langkah berikut ke dokumen. Untuk menyalin seluruh layar
ke dokumen Word Anda, tekan tombol PrtSc (layar cetak) pada keyboard
Anda, lalu buka dokumen Word Anda dan klik tombol "Tempel" atau
tekan. Ctrl+V untuk menempelkan konten ke dalam dokumen Anda.
Untuk menyalin jendela aktif ke dokumen Word Anda, tekan Alt+PrtSc,
lalu tempel konten ke dalam dokumen Anda.
2) Buka ArcMap dan periksa apakah Alat Sampel 3D terdaftar di
ArcToolbox. Jika Alat Sampel 3D sudah terpasang di ArcToolbox Anda,
lanjutkan ke Langkah Jika tidak, Anda dapat mengunduh alat dari
http://www.arcgis.com/home/item.html?
id=fe221371b77940749ff96e90f2de3d10 (jika tautan ini tidak ada lagi,
Anda dapat mengunduh “Install_3D_Samples.zip” dari http://
geografi.unt.edu/~pdong/ LiDAR/Chapter5/Project5.1/), unzip file zip
yang diunduh, dan jalankan “Install 3D Sample” untuk menginstal 3D
Sample Tools dalam folder. Klik kanan ArcToolbox dan pilih “Add
Toolbox…”, lalu pilih “3D Sample Tools.tbx” dari folder instalasi, dan
klik “Open” (Gambar 5.24). Alat Sampel 3D akan muncul di ArcToolbox.
3) Buka ArcMap,pilih Sesuaikan→Toolbar dan pilih“LAS Data set,” lalu
pilihCustomize→Ekstensi dan aktifkan Ekstensi Analis3D.
4) Buka Arc Toolbox→Alat Manajemen Data→Kumpulan DataLAS→Buat
Kumpulan Data LAS. Gunakan Denton 2011.las sebagai input dan
Denton. lasd sebagai output untuk membuat kumpulan data LiDAR.
Dataset LAS ditambahkan ke ArcMap secara otomatis.
5) Tambahkan PowerLine3D ke ArcMap, klik kanan “PowerLine3D” dan
pilih “Zoom To Layer,” lalu simpan proyek ArcMap Anda sebagai
Project5.1.mxd (Gambar 5.25).
6) Buka ArcToolbox → Alat Sampel 3D → Analisis Lidar → Cari Poin LAS
Dengan Kedekatan. Gunakan Denton.lasd sebagai input dataset LAS,
PowerLine3D sebagai input fitur 3D, 5 sebagai 3D distance,
Proximity5.shp sebagai output feature class, POINT sebagai tipe geometri
output, lalu klik OK untuk membuat output (Gambar5.26).
7) Buka ArcScene lalu tambahkan Denton.lasd, PowerLine3D, dan
Proximity5 ke ArcScene. Ubah properti adegan dan simbologi layer jika
diperlukan; kemudian navigasikan adegan 3D (Gambar 5.27).
8) Simpan proyek ArcMap dan ArcScene Anda, dan dokumenWord.

Gambar 5.23 Alat Contoh 3D di ArcToolbox.

 Gambar 5.24 Menambahkan Alat Sampel 3D ke ArcToolbox.

Gambar 5.25 Kumpulan Data Lidar Dan Saluran Listrik Simulasi Di Denton, TX, AS.

Gambar 5.26 Temukan titik LAS dengan alat proximity.

Gambar 5.27 Set data LiDAR, powerline 3D, dan titik kedekatan di ArcScene.

 5.2 PROYEK : ESTIMASI POPULASI WILAYAH KECIL MENGGUNAKAN

COUNT, AREA, DAN VOLUME GEDUNG PERUMAHAN YANG
DIEKSTRAKSI DARI DATA LiDAR DI DENTON, TX, USA.
1. Perkenalan : Sebuah wilayah kecil dapat didefinisikan sebagai satu atau gabungan
wilayah sub- county seperti traktat sensus, kelompok blok, dan blok (Dong et al. 2010).
Di dalam project, kumpulan data LiDAR 2009 yang diperoleh di kota Denton, TX, AS
dan shapefile blok sensus 2010 (censusblocks.shp) dengan data sensus digunakan untuk
estimasi populasi area kecil. Tiga variabel (jumlah, luas, dan volume bangunan) diambil
dari data LiDAR dan digunakan secara terpisah untuk estimasi populasi. Ide dasarnya
adalah membuat persamaan regresi OLS menggunakan tiga variabel individu (x) dan data
sensus 2010 (kamu) untuk blok sensus terpilih (contoh pelatihan). Setelah persamaan
OLS dibuat dari sampel pelatihan, jumlah total, luas total, dan total volume bangunan di
semua blok sensus digunakan untuk menghitung perkiraan total populasi. Terakhir, nilai
perkiraan jumlah penduduk dibandingkan dengan data sensus tahun 2010 untuk
menghitung akurasi perkiraan jumlah penduduk.
2. Data : Data LiDAR diperoleh oleh Texas Natural Resources Information System
(TNRIS) melalui kontrak High Priority Imagery and Data Sets (HPIDS) pada tahun 2009,
dengan kerapatan titik sekitar 1 titik/m2. Sebuah ubin
(TNRIS_2009_1.0M_339756_3_d.las) sekitar 2,9 km× 3,5 km dipilih dan diganti
namanya menjadi "Denton2009.las". Sistem koordinat horizontal untuk awan titik
LiDAR adalah NAD83_UTM_zone_14N. Sensus 2010 memblokir shapefile
“censusblocks.shp” (dan tujuh file lain dengan ekstensi berbeda) juga tersedia. Data
untuk proyek ini dapat diunduh dari http://
geography.unt.edu/~pdong/LiDAR/Chapter5/Project5.2/ (klik kanan setiap file untuk
mengunduh file).
3. Langkah Proyek
1) Buka dokumen Word kosong sehingga Anda dapat menyalin hasil apa pun dari
langkah-langkah berikut ke dokumen. Untuk menyalin seluruh layar ke dokumen
Word Anda, tekan tombol PrtSc (layar cetak) pada keyboard Anda, lalu buka
dokumen Word Anda dan klik tombol "Tempel" atau tekan Ctrl+V untuk
menempelkan konten ke dalam dokumen Anda. Untuk menyalin jendela aktif ke
dokumen Word Anda, tekan Alt+PrtSc, lalu tempel konten ke dalam dokumen
Anda.
2) Buka ArcMap, dan muat Spatial Analyst Extension.
3) Buat kumpulan data LAS. Buka ArcToolbox→ Alat Manajemen Data →
Kumpulan Data LAS → Buat LAS Dataset, tentukan file input “Denton2009.las”
dan output LAS dataset “Denton2009.lasd,” lalu klik OK untuk membuat LAS
dataset. Secara default, dataset LAS secara otomatis ditambahkan ke ArcMap.
Pengguna dapat memperbesar untuk melihat elevasi titik dalam berbagai warna.
4) Buat DTM. Baik DTM maupun DSM tidak dibuat dari semua titik LiDAR; oleh
karena itu, filter titik harus ditentukan sebelum membuat DTM atau DSM. Klik
kanan dataset LAS yang dibuat pada Langkah 3 dan buka propertinya. Di tab
Filter properti, centang "Tanah" dan "Air" di bawah "Kode Klasifikasi", lalu klik
OK. (Catatan: Filter juga dapat ditentukan menggunakan opsi "Ground" dalam
pengaturan yang telah ditentukan sebelumnya di formulir properti, dan hasilnya
bisa sedikitberbeda). Setelah filter ditentukan, dataset LAS dapat dikonversi ke
raster DTM menggunakan ArcToolbox → Alat Konversi → Untuk Raster →
LAS Dataset menjadi Raster, dengan mengatur parameter sebagai berikut: Value
Field: ELEVATION; Jenis Interpolasi: Binning; Jenis Penugasan Sel: RATA-
RATA; Metode Pengisian Void: NATURAL_NEIGHBOR; Tipe Data Keluaran:
FLOAT; Jenis Pengambilan Sampel: CELLSIZE; Nilai Sampel: 1; dan Z Factor:
1. DTM ditunjukkan pada Gambar 5.28. Catatan: Anda harus memilih dataset
LAS input dari daftar drop-down karena filter ditentukan melalui formulir
properti lapisan. Jika Anda menggunakan tombol telusuri untuk memilih
kumpulan data LAS sebagai input, semua titik data dalam file LAS yang
dirujuknya akan diproses, dan filter yang ditentukan tidak akan digunakan.
5) Buat DSM. Mirip dengan Langkah 4, filter untuk DSM harus ditentukan. Di tab
Filter dari properti dataset LAS, centang “Ground”, “Building”, dan “Water” di
bawah “Classification Codes”, lalu klik OK. Kelas lain tidak dipilih saat
menentukan filter untuk DSM karena tujuan proyek ini adalah mengekstrak
bangunan untuk estimasi populasi. Menggunakan parameter yang sama seperti
pada Langkah 4, DSM dapat dibuat (Gambar5.29).
6) Buat DHM dengan mengurangi DTM dari DSM. Secara teoritis, DHM dibuat
seolah-olah benda-benda seperti pohon dan bangunan di permukaan bumi
diletakkan di atas permukaan yang rata, sehingga nilai DHM berubah dari 0
 menjadi tinggi maksimum benda. Pada kenyataannya, nilai minimum DHM bisa
kurang dari 0 karena kesalahan yang disebabkan dalam pengumpulan dan
pemrosesan data LiDAR. Untuk membuat DHM, buka ArcToolbox, lalu pilih
Spatial Analyst Tools→ Aljabar Peta → Kalkulator Raster. Output raster DHM
"dhm" dapat dibuat dengan mengurangkan DTM dari DSM. DHM ditunjukkan
pada Gambar 5.30.
7) Pisahkan bangunan tempat tinggal dari DHM. Berdasarkan Standar Konstruksi
dan Keamanan Rumah Manufaktur yang diterbitkan oleh Texas Department of
Housing & Community Affairs (TDHCA 2009), ambang 2,2 m digunakan untuk
memisahkan bangunan tempat tinggal.

Gambar 5.28 DTM dibuat menggunakan dataset LAS ke konversi raster.

Gambar 5. 29 DSM dibuat menggunakan dataset LAS ke konversi raster.

 Gambar 5.30 Model tinggi digital (DHM).

Gambar 5.31 Poligon bangunan yang dikonversi (bldg_poly) dalam blok sensus.

8 jumlah bangunan di setiap blok sensus, (2) raster biner untuk bangunan (bldg_mask2)
yang dapat digunakan untuk mendapatkan luas bangunan di setiap blok sensus, dan (3)
raster tinggi bangunan “dhm_bldg” yang dapat digunakan untuk mendapatkan volume
bangunan di setiap blok sensus. Menggunakan variabel-variabel ini dari blok sensus
terpilih sebagaix, dan populasi 2010 yang sesuai (tersedia di shapefile blok sensus)
sebagai kamu, persamaan regresi OLS dapat diperoleh untuk mengestimasi jumlah
penduduk di daerah penelitian.
9 Pilih blok sensus sebagai sampel pelatihan. Sebanyak 30 blok sensus dipilih secara acak
sebagai sampel pelatihan dan disimpan sebagai shapefile baru “blocksamples.shp”
(Gambar 5.33). Pada langkah berikut, populasi, jumlah bangunan, luas bangunan, dan
volume bangunan dari blok sampel digunakan untuk membangun model regresi.
10 Mendapatkan jumlah bangunan di setiap blok sensus dengan menggunakan
spasialjoin.BukaArcToolbox→AlatAnalisis→Hamparan→SpatialJoin(Gambar5.34),
gunakan sensusblock sebagai fitur target, bldg_poly sebagai fitur join, sp- join. shp
 sebagai kelas fitur keluaran, dan CONTAINS sebagai opsi pencocokan untuk membuat
gabungan spasial antara blok sensus dan poligon bangunan. Pada tabel atribut kelas fitur
keluaran, field “Join_Count” mewakili jumlah bangunan di setiap blok sensus. Perhatikan
bahwa opsi kecocokan default adalah INTERSECT, yang akan menghasilkan hitungan
tambahan di bidang "Join_Count". Menggunakan CONTAINS sebagai opsi pencocokan
akan menghasilkan jumlah bangunan yang tepat di setiap blok sensus.
11 Didapatkan luas bangunan pada setiap blok sensus dengan menggunakan Statistik Zona
seperti Tabel. Buka ArcToolbox→ Alat Analis Spasial → Zonal → Statistik Zona
sebagai Tabel, gunakan blocksamples.shp sebagai data zona fitur, FID sebagai bidang
zona, dan raster biner “bldg_mask2” sebagai nilai input raster, pilih “SUM” sebagai jenis
statistik, dan klik OK untuk menghasilkan statistik zona di tabel output. Karena raster
biner “bldg_mask2” memiliki nilai sel 0 untuk non-bangunan dan 1 untuk bangunan, tipe
statistik SUM akan melaporkan jumlah total sel bangunan di setiap blok sensus di
blocksamples.shp. Kolom SUM pada tabel output tidak hanya merepresentasikan jumlah
sel bangunan tetapi juga luas sel bangunan di setiap blok sensus karena ukuran sel 1m×
1m. Untuk informasi lebih lanjut tentang alat Statistik Zona sebagai Tabel, lihat Proyek
2.1.
12 Dapatkan volume bangunan di setiap blok sensus dengan menggunakan Statistik Zona
sebagai Tabel. Mirip dengan Langkah 13, volume bangunan di setiap blok sensus sampel
dapat diperoleh dari ArcToolbox→ Alat Analis Spasial → Zonal → Statistik Zona
sebagai Tabel. Pilih blocksamples.shp sebagai data zona fitur, FID sebagai bidang zona,
dan raster biner “dhm_bldg” sebagai raster nilai input, pilih “SUM” sebagai jenis
statistik, dan klik OK untuk menghasilkan statistik zona di tabel output.
13 Membuat model regresi. Hasil dari Langkah 9–12 dirangkum dalam Tabel 5.3. Tabel
dapat diekspor sebagai file teks, dan diimpor ke Excel untuk membuat model regresi
(Gambar 5.35 hingga5.37). Tabel 5.3. Populasi, jumlah bangunan, luas bangunan, dan
volume bangunan pada 30 blok sensus sampel.
14 Memperoleh jumlah bangunan, total luas bangunan, dan total volume bangunan di semua
blok sensus, dan menghitung perkiraan jumlahpenduduk. Catatan: Jumlah total bangunan,
luas bangunan, dan volume bangunan harus diperoleh dari 141 blok sensus, bukan dari
seluruh raster karena beberapa wilayah dalam raster tidak tercakup dalam blok sensus
dalam proyek ini. Sebanyak 2650 bangunan dipilih di 141 blok sensus, dan perkiraan
populasi adalah 7792 berdasarkan model regresi pada Gambar 5.35. Total luas bangunan
(668.775 m2) dan total volume bangunan (3.208.273,81 m3) dapat diperoleh dengan
menggunakan metode yang sama seperti pada Langkah 13 dan 14, tetapi dengan
“censusblocks.shp” sebagai data zona fitur. Berdasarkan model regresi pada Gambar 5.36
dan 5.37, perkiraan populasi adalah 8629 dan 8347. Dibandingkan dengan total populasi
(8235) dari 141 blok sensus di wilayah studi (data Sensus 2010), kesalahan relatif
estimasi populasi menggunakan hitungan bangunan , luas bangunan, dan volume
bangunan masing-masing adalah 5,38%, 4,78%, dan 1,36%. Seperti yang dapat dilihat
dari hasil, akurasi estimasi populasi area kecil dapat mencapai lebih dari 95%
menggunakan data LiDAR. Tampaknya volume bangunan memberikan perkiraan
populasi terbaik dalam proyek ini. Namun, kesimpulannya bisa berbeda jika satu set blok
pelatihan yang berbeda dipilih untuk membangun persamaan regresi.