Kecerdasan buatan (Artificial Inteligence)

untuk mendeteksi tingkat kepercayaan

unggahan buku tanah pada kegiatan PTSL
(Computer Vision).

Mulyadi, ST. M.App.Sc PhD

Bogor, 29 Desember 2022

Pusdatin dan LP2B Kementerian ATR/BPN

 PENGANTAR

• Bisakah mesin berpikir?

• Jika bisa, bagaimana caranya?

• Dan jika tidak bisa, kenapa tidak?

• Dan apa yang dikatakan sebagai pikiran (mind)?

 APA ITU AI? KATEGORI DEFINISI AI?

• Merupakan kawasan penelitian, aplikasi dan Kategori AI dikelompokan menjadi 4 macam :

instruksi yang terkait dengan pemrograman
komputer untuk melakukan sesuatu hal
yang dalam pandangan manusia adalah Systems that Systems that
cerdas (H. A. Simon [1987]) think like humans think rationally

• Sebuah studi tentang bagaimana membuat

komputer melakukan hal-hal yang pada saat Systems that Systems that
act like humans act rationally
ini dapat dilakukan lebih baik oleh manusia
(Rich and Kinight [1991])
 BAGIAN UTAMA AI?

• Basis Pengetahuan (knowledge base)

Berisi akta-fakta, teori, pemikiran dan hubungan komponen satu dengan yang
lainnya

• Motor Inferensi (inference engine)

Kemampuan menarik kesimpulan berdasar pengalaman. Berkaitan dengan
representasi dan duplikasi proses tersebut melalui mesin (misalnya, komputer
dan robot).
 PENGENALAN KOMPUTER VISION

Computer Vision adalah ilmu dan teknologi mesin yang melihat, di mana “lihat”
dalam hal ini berarti bahwa mesin mampu mengekstrak informasi dari gambar:
untuk menyelesaikan tugas tertentu

Computer Vision merupakan kombinasi antara Pengolahan Citra dan Pengenalan

Pola. Pengolahan Citra merupakan bidang yang berhubungan dengan proses
transformasi citra/gambar

5
 Konsep dan Tantangan

Tantangannya adalah mendapatkan sensor, lensa dan cara

terbaik agar mesin/komputer memiliki penglihatan sama
dengan manusia. Selain itu, kecepatan dan pemrosesan
grafis (Processor dan GPU) sangat menentukan hasil dari
computer vision.

Computer Vision adalah Teknik Komputerisasi yang

memungkinkan bisa mendeteksi dan menganalisis benda
atau objek yang berada di sekitarnya sehingga informasi
tersebut dapat menghasilkan tindakan tertentu.

6
 ProsesComputer
4 Tahapan DalamVision:
Computer Vision

1. Image acquisition :proses penangkapan informasi visual dan proses pengubahan

sinyal analog menjadi data digital, yang siap untuk diporoses oleh komputer
2. Image Processing: Proses pengolahan image yang telah digitalisasi
3. Image Analysis: Proses Analisis terhadap image visual yang telah di proses
sebelumnya
4. Image Understanding: Menerapkan Konsep-konsep Kecerdasan buatan untuk
memahami data yang diterapkan
Hierarki Computer Vision
Hasil Proses Pada Computer Vision

Shape recovery Cell segmentation

9
 LATAR BELAKANG

Latar Belakang Permasalahan

• Pendaftaran tanah sistematis lengkap (PTSL) • Adanya kesulitan membedakan

dimulai sejak tahun 2017, dan diharapkan akan dokumen BT yg di upload,
mampu mendaftarkan seluruh bidang tanah di apakah merupakan dokumen
Indonesia pada tahun 2024. BT asli atau hasil edit-an.
• Masih banyak file yang di upload dengan kualitas • Masih banyak file upload-an BT
yang tidak baik, seperti file dokumen dengan memiliki kualitas scan yang
kontras warna hitam putih seperti file fotocopy tidak baik: discan dengan
• Output PTSL wajib terjaga kualitas data dan output kontras warna hitam putih
informasinya seperti file photocopy
• Tuntutan layanan elektronik
• Perkembangan teknologi informasi
Digital Twin Dalam Pendaftaran Tanah
• Peta Pendaftaran dan Buku Tanah Elektronik
merupakan digital twin dari batas-batas kepemilikan
di lapangan berikut subyek haknya.
• PTSL harus memastikan data yang masuk ke dalam
sistem elektronik sesuai dengan realita

11
Implikasi Data yang Tidak Sesuai Kenyataan
Posisi bidang tanah berubah-ubah
• Informasi yang tidak akurat, menimbulkan kebingungan
masyarakat karena bidang berpindah padahal posisi
sebelumnya sudah dipublikasi melalui sentuh tanahku,
bhumi
• Kesalahan Perhitungan nilai PNBP dalam peralihan hak
Unggah Blanko Kosong dan Buku Tanah bukan berasal dari
pemindaian buku tanah yang sesungguhnya
• Ketidaksesuaian laporan persediaan dengan stok
opname fisik sehingga menimbulkan risiko penggunaan
ilegal blanko sertipikat diluar berkas permohonan.
• Apabila laporan BMN bermasalah dapat menurunkan
predikat WTP
Jumlah kepemilikan bidang tanah yang tidak wajar
• Inefisiensi dalam penggunaan anggaran PTSL
• Beberapa masyarakat tidak mau menerima sertipikat
yang tidak sesuai dengan bentuk bidang tanahnya
karena di pacah-pecah
Gambar SUtidak sesuai dengan peta digital
Layanan informasi elektronik akan memberikan data yang
tidak akurat sehingga dapat menimbulkan kerugian yang cukup
signifikan bagi masyarakat terutama apabila sampai dilakukan
perbuatan hukum terhadap bidang tanah tersebut.
Bentuk bidang tanah yang tidak sesuai dengan topografinya
Menurunkan tingkat kepercayaan masyarakat terhadap
institusi karena bidang tanah yang dipublikasi melalui aplikasi
sentuh tanahku dan bhumi tidak sesuai dengan kenyataan
sebenarnya
Bentuk Bidang tanah yang berupa NIS tidak wajar
• Mempersulit masyarakat yang akan mensertipikatkan
tanahnya di kemudian hari karena penlok PTSLditutup
setelah diperolehnya NDL padahal isinya NIS
• Inefesiensi dalam pelayanan pertanahan selanjutnya
12
 Deskripsi Singkat Inovasi

• Model klasifikasi untuk deteksi unggahan buku tanah dibuat menggunakan konsep model klasifikasi
citra Supervised learning.
• Supervised learning sendiri merupakan metode mengenali data raster dengan cara sistim belajar
terawasi.
• Pada program computer vision, sengaja diberikan beberapa contoh data raster hasil scan yang telah
diketahui jenis/ klasifikasinya sebagai bahan pembelajaran atau pelatihan oleh sistim.

13
 Membuat Training Sample
Sample Buku Tanah Yang Salah

Sample Buku Tanah Yang Benar

Sample Bukan Buku Tanah

14
 Library dan dependensi yang digunakan

● PYTHON

● Dependencies library yang digunakan

○ flask
○ Os
○ Fitz
○ Garbage collector (gc)
○ Numpy
○ import random
Opencv
pdf2image import convert_from_path
pdfinfo_from_path
Cvzone:
Opencv
Mediapipe
psycopg2

15
 Fungsi algoritma pada service (1)

● Fungsi dan prosedur dalam program service deteksi buku tanah

q def bulkInsert(records): berfungsi untuk melakukan insert
data hasil klasifikasi pada database yang sudah ditargetkan

def bulkInsert(records):
connection = psycopg2.connect(user=“*********",
password=“*******",
host=“*****",
port=“******",
database=“*****
try:

cursor = connection.cursor()
sql_insert_query = """ INSERT INTO poc.img_clasification_train (nama_file, confident_class1, confident_class2,dokumenid,versi)
VALUES (%s,%s,%s,%s,%s) """

# executemany() to insert multiple rows

result = cursor.executemany(sql_insert_query, records)
connection.commit()
print(cursor.rowcount, "Record inserted successfully into mobile table")

except (Exception, psycopg2.Error) as error:

print("Failed inserting record into mobile table {}".format(error))

finally:
# closing database connection.
if connection:
cursor.close()
connection.close()
print("PostgreSQL connection is closed")

16
Fungsi algoritma pada service (2)
● Fungsi dan prosedur dalam program service deteksi buku tanah
q def pdf_get_img(file_name: str): berfungsi untuk mengubah file pdf menjadi pecahan-
pecahan images yang nantinya akan di jadikan input pada fungsi clasifikasi citra

def pdf_get_img(file_name: str):

pdf_file = fitz.open(file_name)

image_list = []
info = pdfinfo_from_path(file_name)

maxPages = info["Pages"]
for page in range(1, maxPages + 1, 5):
image_list.extend(convert_from_path(file_name, first_page=page, last_page=min(page + 5 - 1, maxPages)))
return image_list

Code penerapan model clasifikasi citra pada service deteksi buku tanah :
for i in range(len(img)):
images = np.array(img[i])
pred, indx = myclasifier.getPrediction(images)
labl[i] = indx
class1=class1+pred[0]
class2= class2 + pred[1]
Code diatas adalah code untuk melakukan clasifikasi seluruh citra dari file pdf yang di upload yang mana return dari
klasifikasi merupakan nilai confident level apakah citra tersebut termasuk buku tanah atau bukan.

17
 Code front end service

<head>
<meta charset="UTF-8">
<div class="container">
<div class="row">
<div class="col">

<h1>Upload a file</h1>
<hr>

<form action="/detection-bukutanah" method="POST" enctype="multipart/form-data">

<div class="form-group">

<div class="custom-file">
<input type="text" class="custom-file-input" name="dokumenidbox" id="dokumenidbox">
<label class="custom-file-label" for="dokumenidbox">masukkan dokumenid</label>
</div>

<div class="custom-file">
<input type="text" class="custom-file-input" name="versi" id="versi">
<label class="custom-file-label" for="versi">masukkan versi</label>
</div>
<label>Select file</label>
<div class="custom-file">
<input type="file" class="custom-file-input" name="dokumen" id="dokumen">
<label class="custom-file-label" for="dokumen">Select file...</label>
</div>
</div>

<button type="submit" class="btn btn-primary">Upload</button>

</form>

18
 Menu manajemen dokumen

Dalam tool manajemen dokumen di KKP, satgas ajudikasi dapat memilih dokumen hak (pilih buku tanah
HM/HMRSS)

1
9
 Menyematkan Service AI Pada Aplikasi KKP

Service deteksi hasil unggahan Buku Tanah ini kemudian disematkan pada aplikasi KKP sehingga
setiap dilakukan unggahan Buku Tanah, maka dapat dideteksi tingkat kepercayaa-nya oleh sistem

2
0
 Menyematkan Service AI Pada Aplikasi KKP

Ketika tim ajudikasi melakukan upload buku tanah maka akan terbaca secara random oleh service
tersebut dan hasilnya akan tersimpan di database.

2
1
 Menyematkan Service AI Pada Aplikasi KKP

Dashboard PTSL utk melihat upload peta/SU/BUKU TANAH/berkas/warkah. Sangat bermanfaat untuk
memastikan bahwa apa yang dilaporkan oleh tim ajudikasi dalam sistim KKP betul telah dicetak secara
fisik dan dapat ditampilkan secara interaktif.

2
2
Hasil Akhir Inovasi (1)

Tingkat Kepercayaan 0%
Tingkat Kepercayaan 99%

Tingkat Kepercayaan 50%

23
 Hasil Akhir Inovasi (1)

Sample data dengan tingkat kepercayaan < 10%

aliaskanwil aliaskantah dokumenid berkasid tanggal periksa confident_class1 nomorhak tipedokumenid

Jateng Kab. Klaten CBEBA70BE3175258E0530B1D140A2148 E7742D55928851C8E0530C1D140A38FC 2022-10-10 18:32:27 0.0006298753432929516 11191604101772 BT1

Sumut Kab. Tapanuli Selatan EE483EEB93D646A2E0530B1D140A58A7 E465BE34C490FD52E0530B1D140A75FC 2022-11-25 17:58:30 0.0006298753432929516 02101562100715 BT1

Kepri Kota Batam EE94F701C981F923E0530B1D140AC550 EBDB424D0D5ADE8DE0530B1D140AE243 2022-11-30 21:52:56 0.00016861815129232127 32021104309330 BT3

Jabar Kab. Bogor EE1E88866488F048E0530B1D140A3327 EAFA290DB8348D8DE0530B1D140ADD77 2022-11-23 13:45:03 0.008526204561349005 10100305101314 BT1

Jabar Kab. Bogor EED44211B8C26C95E0530C1D140A4C67 ED2996306DE66FC8E0530C1D140A5073 2022-12-02 14:30:36 0.059654125419911 10100305101972 BT1

Jabar Kab. Bogor EEE7A2D7A32AC4FAE0530B1D140A35A4 EDB714DA3B6B9BE7E0530B1D140A9AD8 2022-12-03 13:34:24 0.059654125419911 10100305102076 BT1

Sumut Kota Medan E5B6B9DE58D0EDAAE0530C1D140A5A66 E423EF1DD514489CE0530B1D140A340F 2022-08-20 14:09:15 0.0000022542259330293746 02010306101688 BT1

Sumut Kota Medan E5B372D8E80EFFCCE0530B1D140ABC3B E423FA1D8FF78B47E0530B1D140AD1E2 2022-08-20 13:41:19 0.00003878326299400214 02010401102508 BT1

Sulsel Kab. Maros E2753E12812495CEE0530B1D140A6370 DAC48A16C1BBEE56E0530C1D140A60A5 2022-07-17 17:57:48 0.025355165475048125 20051206100973 BT1

Sulsel Kab. Maros E2753DE5FEDB95D6E0530B1D140A24B2 DAC48A16C1D3EE56E0530C1D140A60A5 2022-07-17 17:15:59 0.010273845167830586 20051206100977 BT1

Sumsel Kota Palembang E554054B39C37972E0530B1D140A1E75 DFEBA4618A7D49DAE0530C1D140ACFF5 2022-08-11 19:52:40 0.0043624740016336245 04010302116281 BT1

Kaltim Kota Balikpapan E8C7C0822C28C5A5E0530B1D140AD818 E60857B79AD68360E0530B1D140A6633 2022-09-19 18:26:24 0.0028991197918912803 16020406400041 BT4

Sumut Kab. Dairi E88BB2205C455405E0530B1D140A523F E2B798096D733B93E0530B1D140ABDC8 2022-09-29 18:31:42 0.0458723199844826 02050506100156 BT1

Sulsel Kab. Jeneponto E2166695EDA1E076E0530B1D140A9638 DB048E096154B779E0530C1D140A8A7D 2022-08-01 19:55:57 0.037958651199005544 20040808101189 BT1

Sumut Kab. Simalungun EBC573989F8F1FE0E0530B1D140AF524 EA8504CDD44CA500E0530B1D140AB1B9 2022-10-25 00:16:19 0.026924782199785113 02091310100026 BT1

Sumut Kota Binjai EC9D7C06461B367BE0530C1D140A30B1 E9B91858335B72E6E0530B1D140A5E77 2022-11-04 10:37:17 0.08955787727609277 02170427105501 BT1

Sumut Kota Binjai EC9D7C06461B367BE0530C1D140A30B1 E9B91858335B72E6E0530B1D140A5E77 2022-11-04 10:37:14 0.08955787727609277 02170427105501 BT1

Kalbar Kab. Kubu Raya DC5C6606497293AFE0530C1D140A841B DA541B7C3207AD5EE0530B1D140A1C91 2022-10-10 22:04:28 0.04481012187898159 14140112800004 BT8

Kalbar Kab. Kubu Raya EC02E3C02061B789E0530C1D140A3576 E96553B2A7C6A4FDE0530B1D140A903C 2022-11-10 18:53:05 0.08415454067289829 14140304103615 BT1

Total data yang memiliki tingkat kepercayaan < 10% : Tercatat sebesar 1,7% dari total 2.221.109 data hasil PTSL tahun 2022

24
 Data BT hasil unggahan: konfiden level <10%

12.000

9.853
10.000

8.000

6.000

Total

3.875
4.000
3.262 3.141

2.082 2.179
1.875 1.961
2.000 1.622
1.464
1.183
758
446 551 551 389 433 429 408 385
200 193 190 246 242 159 277
26 9 30 32 59 39
-

pu pua

ut
Be te n

ar
ng

l
ng
Ba li

t
M g
l

Ja i

ng
au

Su r
lo

t
lu

tim

m ri

ut
r

Ka el

ltim
ar

a
on I
eh

l
lse
b

se
be

DK

ba
ra

lu
ba
Ba

NT
p

uk

NT
DI

ltr
ku

ls
m
ta

lb

al

m
lb

Su
Ke

m
pu
te

lte
Ac

Ri

lte
Ba
Ka

Su
Ja
Ba

Su
n

Ja

m
Ka

al
Ja

M
Ka

Su

Su
ng

Pa

Su

Su
a
or

La
G

Pa
25
 Hasil Akhir Inovasi

Rata-Rata tingkat kepercayaan upload Buku Tanah adalah

73%

select PERCENTILE_DISC(0.5) WITHIN GROUP(ORDER BY c.confident_class1)

from sie.img_clasification_train c
join konten.kontenaktif k on k.kontenaktifid = c.dokumenid
join dashboard.kantah kk on k.kantorid=kk.kantahid

26
 M
al
ut
98%
Ba
li 90%
Su
lb
ar
89%
Ba
be
l 88%
Su
lt e
ng
86%
Ka
ls
el
84%
D
G KI
82%
or
on
ta
lo
80%
N
TT
79%
Ke
pr
i 78%
Ja
ba
Hasil Akhir Inovasi (2)

r 76%
Ja
te
ng
76%
Su
lt r
a 75%
Ac
eh
75%
Ja
tim
73%
Ka
lt i
m
71%
Su
lu
t 70%
Ka
lt e
ng
69%
D
IY
68%
R
ia
u 66%
Ka
lb
ar
65%
Ba
Pa nt
en
pu 65%
a
Ba
ra
t 60%
Pa
pu
a 56%
Su
ls
el
Be 55%
Rata-Rata Tingkat Kepercayaan

ng
ku
lu
La 54%
m
pu
ng
Su 54%
m
ba
r 54%
Ja
m
bi
52%
M
al
uk
u 50%
N
TB
49%
Su
m
ut
Su 45%
m
se
l 35%
27
 Tools Monitoring Output PTSL
Dokumen warkah PTSL yang
telah diupload dapat dilihan
pada menu Warkah antara lain
Fotocopy KTP, Gambar Ukur,
Peta Bidang Tanah dan
dokumen lainnya.

https://ptsl-statistik.atrbpn.go.id/infodokumen

28
 Upaya Peningkatan Kualitas Data (Keberlanjutan)

Kualitas Data Tekstual Kualitas Data Spasial

Penggunaan Tools Untuk • Pengetatan prosedur perubahan

Memastikan : letak dan bentuk Bidang Tanah
• Integritas Data
• Kelengkapan Data
• Kesesuaian Data

29
Tools Monitoring Output PTSL

30
 Dampak Inovasi dan Keberlanjutan

Dampak Keunikan dan Keberlanjutan

• Dapat membedakan mana file upload buku • Teknologi AI ini Merupakan inovasi baru dan belum pernah diterapkan di unit
tanah yang memiliki kualitas baik dan mana kerja lain
kualitasnya tidak baik. • Menggunakan teknologi computer vision dan berbasis open source
sehingga lebih hemat biaya dan memberdayakan kemampuan anak bangsa
(bisa jadi file yang di upload merupakan file • Keberlanjutan dari inovasi ini adalah telah dibuatkan dashboard untuk
fotocopy atau dalam format hitam putih atau memantau hasil unggahan buku tanah, sehingga dari data tingkat
merupakan buku tanah yang dirasa kepercayaan unggahan Buku Tanah dan langsung dipantau dan dievaluasi.
merupakan file buku tanah palsu)
• Memudahkan proses validasi data file upload
untuk meningkatkan kualitas data PTSL
• Memastikan bahwa hasil pekerjaan PTSL
betul-betul telah dilaksanakan di aplikasi dan
ada hasilnya secara fisik.

3
1
 Contoh Data PTSL 2022 Yang Sesuai Ketentuan (dampak +)

Gambar Bidang Tanah di Peta Data Dokumen Unggahan Sesuai Ketentuan Scan-an Buku Tanah Jelas dan Mudah di Identifikasi
Pendaftaran dan di SU sesuai

Nomor Seri Blanko pada Surat Ukur, Buku Tanah dan Berkas sudah sesuai

Warkah atau data pendukung di unggah sesuai dengan kriteria

32
 TERIMA KASIH
KEMENTERIAN AGRARIA DAN TATA RUANG/
BADAN PERTANAHAN NASIONAL

Melayani, Profesional, Terpercaya

ANOMALI BIDANG
PBT LUAS SAMA > 20 BIDANG (PTSL)

KAB. SUBULUSSALAM, ACEH KAB. MESUJI, LAMPUNG KAB. HALMAHERA BARAT, MALUT

KAB. ACEH BESAR, ACEH KAB. BEKASI, JABAR KAB. BOYOLALI, JATENG

3
ANOMALI BIDANG
JUMLAH BIDANG TANAH PTSL YANG TERINDIKASI OVERLAP

PP No. 10/1961

KAB. SUMEDANG, JABAR KAB. KENDAL, JATENG KULON PROGO, DIY

3
ANOMALI BIDANG
KESALAHAN PADA DOKUMEN
DELI SERDANG, SUMUT SUBANG, JABAR
Hasil scan tidak jelas, blanko tidak terbaca Bidang tanah diluar batas administrasi

PP No. 10/1961

BANYU ASIN, SUMSEL

Hasil scan tidak jelas, blanko tidak terbaca

3
ANOMALI BIDANG
K4 SELISIH LUAS TEKTUAL DAN SPASIAL >10%
KAB.KENDAL, JATENG
LUAS PETA 2.170 m2, LUAS TEKSTUAL 800 m2

KAB.SUMBA BARAT, NTT

LUAS PETA 520 m2, LUAS TEKSTUAL 9.999 m2

KAB. BULELENG, BALI

PP No. 10/1961 LUAS PETA 89 m2, LUAS TEKSTUAL 670 m2

3
ANOMALI BIDANG
HASIL UNGGAHAN DENGAN KONFIDEN LEVEL <10%

3
ANOMALI BIDANG

208 BELUM 301A 2022

450.000

406.101
400.000

350.000
314.840

300.000

250.000

PP No. 10/1961 201.077

200.000
Total

150.000

100.000 81.712
74.913 79.955
67.876
59.994
44.520 44.499 48.132 46.736
50.000 37.363 36.043 38.410
28.742
20.970 16.394 19.946 16.859
11.785 14.183 12.457 10.741 12.583 12.494
5.122 4.277 6.125 1.172 2.295 4.314
564
-
r

ng

ar
a
l
Be en

ut

l
ar

ut
ng
KI

lo
IY

t
Ja i

ng

ua
u

ar
Ba i

ng
lu
h

l
l

t im

ut
TT
TB

au
ls e
b

se
pr
l

se
be

ra
a
Ba

uk
ce

ltr
D
ku

N
ta

m
l
lti

lb
N
al
lb

b
b

Ke

Su
te

m
nt

te
pu
lte

Ba
p

Ri
Ka
Ja

Su
Ba

Su

m
Ja

Ka

al

M
ng

Ja

Ka
A

on

Su

Su
Pa

Su
l
Ka

Su
M
m

Su
ua
or

La
G

p
Pa
3