Kementerian ATR/BPN-RI
LOCALLY ROOTED
ugm.ac.id GLOBALLY RESPECTED
www.ugm.ac.id Locally Rooted, Globally Respected 1
Apa itu Machine Learning?
Deep Learning
is a branch of
ML which deals
with deeply
layered
network
6
Apa fungsi AI (machine learning/deep learning) untuk upgrading
data kadaster?
Filtering/klasifikasi point
clouds
Upgrading #1
“Grund extraction dari data Foto udara UAV”
Free/Open-Source Licensed/Commercial
Learning-based pipelines
Randomly creation of
subset classifier
Randomly selection
features
final decision
Pure leaf node : when all of its data belongs to a single class
Entropy: the measure of unpredictability in the datasets
16
www.ugm.ac.id Locally Rooted, Globally Respected
Random Forest ML – Agisoft Metashape
Training Sample
bisa diambil dari sebagian area di
Input Data: orthophoto atau point clouds.
• Orthophoto
• Point clouds Bentuknya apa?
- utk deteksi tapak → digitasi manual
- utk ground extraction → filtering manual
Tugas BPN
pusat
Trained Model
perlu diuji apakah sudah fit Testing dataset
atau belum, dengan Diaplikasikan di dataset
menggunakan validation lain untuk deteksi object.
datasets
Training Area
±9Ha Validation Dataset
Digunakan untuk
memvalidasi model
machine learning/ deep
learning hasil training
(Trained Model)
Area_3
Area_1 Rural area. Terrain
±5Ha mayoritas berupa tanah
kosong yang datar (plain
& flat) dengan minim
perumahan
Ground Truth
CSF LASTools RF
Agisoft QTM
Area_1 (Mix)
Ground Truth
www.ugm.ac.id Locally Rooted, Globally Respected 30
Area_3 (Rural)
Ground Truth
CSF LASTools RF
Agisoft QTM
Catatan Parameter:
1. M-DGCNN dengan parameter default sudah cukup mengatasi variasi terrain
2. CSF dengan parameter cloth resolution default cocok untuk area hybrid, sedang untuk area city dan flat maka nilai
cloth resolution dapat diperbesar
3. Agisoft dengan parameter max distance dan cell size yang kecil dapat digunakan untuk mengatasi variasi terrain
4. Global Mapper dengan parameter default sudah cukup untuk filtering area Hybrid dan Flat, namun untuk area padat
perkotaan maka parameter Bin Size harus diperbesar
Untuk M-DGCNN area Kalibawang belum berhasil ter-filter dengan baik karena data training data dari wilayah Jawa
Barat belum merepresentasikan area flat terrain seperti Kalibawang. Solusinya adalah dengan menambah data training
untuk area flat.
Hasil DTM yang dibentuk dengan M-DGCNN untuk area terbuka (open-rural area) tidak sesuai atau tidak representatif
dengan keadaan DTM aslinya di lapangan. Sedangkan metode lain memiliki kemiripan satu sama lain.
Tidak Ada
Hasil
Tidak Ada
Hasil
Tidak Ada
Hasil
Tidak Ada
Hasil
Semakin banyak data yang dipelajari model, maka model semakin akurat dalam memprediksi ground dan
menghasilkan DTM yang representative. Hasil prediksi M-DGCNN juga perlu dilakukan refinement agar lebih
akurat dan representative.
UAV kamera (foto udara) tidak mampu melakukan penetrasi dalam area ber
vegetasi. Solusi → UAV Lidar
Model
SAM
Contoh
Hasil SAM
51
ugm.ac.id
Arsitektur model SAM dibentuk dengan menggunakan PyTorch,
dimana didalamnya dibuat sebuah neural network yang memiliki
encoder dan decoder.
SAM
52
ugm.ac.id
Output Model SAM ugm.ac.id
Keterangan Input
• Data foto udara salah satu
wilayah di Jawa Barat (WJB)
• GSD 4,6 cm/px
• Luas area 52 Ha
• Dimensi 20969 x 11674 pixel
53
Potensi model SAM ini mencapai batasnya. Pada
pengembangan model ini terdapat keterbatasan, dimana
tidak dapat melakukan fine-tuning dengan kustomisasi
dataset sesuai dengan lingkungan Indonesia.
Building Oleh sebab itu, dilakukan uji pada model open source
lain, yakni :
Extraction 1. Modified CNN (M-CNN)
54
ugm.ac.id
Data Training yang Digunakan
Keterangan Input
• Data foto udara WJB
• GSD 4,6 cm/px
• Luas area 52 Ha
• Dimensi 20969 x 11674
pixel
● Pada hasil training ke-1 hingga ke-5 terjadi peningkatan, dimana hasil noise semakin
berkurang
● Pada hasil training ke-3 hingga ke-5 kesalahan interpretasi jalan mulai berkurang
(pada bagian gambar kanan atas)
● Perubahan pada training ke-5 dan ke-6 tidak terlalu signifikan. Hal ini dimungkinkan
karena tidak terjadi perubahan pada weight dalam model.
Pre-trained model dari Norwegia menghasilkan prediksi yang tidak fit jika diterapkan di Indonesia. Sehingga lebih baik
melakukan training model dari scratch dengan data training dari Indonesia. Hasil prediksi terlihat masih tidak sesuai
dengan keadaan bangunan sebenarnya, tersebar dan belum merepresentasikan bangunan. Hal ini karena perbedaan
model data bangunan yang dikenali oleh model dari Norwegia dan Indonesia.
Commercial/Licensed Application
Segmentasi bangunan perumahan masih belum bisa Segmentasi bangunan perumahan tidak sesuai dengan
terpisah per satu bangunan. geometri bangunan.
Rp. 5.500/ha/proses
Vektor setelah
reguralisasi
Model License/ Commercial dari SAM E-Cognition cocok untuk mendeteksi bangunan yang berhimpit,
yang memiliki warna beragam dan bangunan yang memiliki ornament simple, beratap genteng, dan berjarak,
namun kurang akurat untuk bangunan yang berhimpit dan satu warna seperti perumahan. Model Mapflow
2 QGIS akurat untuk pada bangunan yang memiliki ornament simple, beratap genteng, dan berjarak. Namun
kurang akurat untuk bangunan yang berhimpit dan satu warna seperti perumahan.
Setiap model baik free atau license masih memiliki kekurangan dalam melakukan segmentasi pola bangunan
3 yang berhimpit dan dengan ornamen yang rumit.
Berdasarkan percobaan, eksperimen, dan evaluasi menyeluruh dari beberapa metode yang
digunakan, baik pengujian dengan variasi data training berbeda, pengujian model arsitektur
yang berbeda, jenis aplikasi, maka opsi yang direkomendasikan untuk building extraction yakni: