Pengantar Machine Learning /

Deep Learning dan Penerapannya

untuk Ekstraksi Ground/Tapak
Bangunan
Ir. Ruli Andaru, Ph.D

Disampaikan pada Pelatihan Penggunaan Geo AI untuk Deteksi

Batas Bangunan dan Ekstraksi Data Spasial Permukaan Tanah

Kementerian ATR/BPN-RI

LOCALLY ROOTED
ugm.ac.id GLOBALLY RESPECTED
www.ugm.ac.id Locally Rooted, Globally Respected 1
 Apa itu Machine Learning?

Machine learning is a method of data analysis that

automates analytical model building.

Machine learning merupakan cabang dari artificial

intelligence berdasarkan suatu ide dimana sistem akan
“belajar” mempelajari sebuah kumpulan data,
mengidentifikasi pattern dan membuat suatu kesimpulan
dengan “minimal human intervention”.

www.ugm.ac.id Locally Rooted, Globally Respected 2

 AI, ML dan Deep Learning

Deep Learning
is a branch of
ML which deals
with deeply
layered
network

www.ugm.ac.id Locally Rooted, Globally Respected

www.ugm.ac.id Locally Rooted, Globally Respected
 Deep Learning: Our Focus Next Week

www.ugm.ac.id Locally Rooted, Globally Respected

Produk data geospasial dari UAV foto

Sumber data yg low cost & efisien

Produk UAV fotogrametris :
a. Orthophoto 2D
b. Point clouds Foto udara
c. DSM sumber foto udara beserta
data aspect dan slope
d. DTM sumber foto udara

6
 Apa fungsi AI (machine learning/deep learning) untuk upgrading
data kadaster?

Diperlukan data DTM

Bagaimana
supaya batas
persil memiliki
nilai Z tanpa
melakukan
pengukuran
lapangan?

www.ugm.ac.id Locally Rooted, Globally Respected 7

 DSM vs DTM

www.ugm.ac.id Locally Rooted, Globally Respected 8

 Bagaimana membentuk DTM dari sumber foto UAV?

Filtering/klasifikasi point
clouds

DSM foto udara (dari point

clouds) DTM

www.ugm.ac.id Locally Rooted, Globally Respected 9

 Maka upgrading #1 →

Bagaimana membentuk DTM dari sumber point

clouds UAV dengan bantuan AI

www.ugm.ac.id Locally Rooted, Globally Respected 10

 Upgrading #2 → membuat batas tapak bangunan
sebagai sub persil bidang tanah

www.ugm.ac.id Locally Rooted, Globally Respected 11

 Upgrading #2 → membuat batas tapak bangunan sebagai sub
persil bidang tanah
Future…..
Tapak bangunan digunakan untuk pembentukan model 3d LOD

www.ugm.ac.id Locally Rooted, Globally Respected 12

 Mari kita mulai ……..

Upgrading #1
“Grund extraction dari data Foto udara UAV”

Bagaimana membentuk DTM dari sumber point clouds UAV

dengan bantuan AI

www.ugm.ac.id Locally Rooted, Globally Respected 13

 Pembuatan DTM dengan melakukan Ground Filtering

Free/Open-Source Licensed/Commercial

CloudCompare – CSF (cloth simulation 1. TerraScan – PTD

filter) 2. Global Mapper
3. QTM

1. Machine Learning – RF 4. Agisoft (random Forest)

2. Deep Learning - Modified PointNet++
MSG
3. Deep Learning – Modified DGCNN

Classic ground filters

Learning-based pipelines

www.ugm.ac.id Locally Rooted, Globally Respected 14

Ground filtering dengan CSF cloud compare
Cloth Simulation Filtering (CSF)
 Random Forest ML – Agisoft Metashape
A supervised machine learning technique based on decision trees to solve
classification and regression problems (Breiman, 2001).

Randomly creation of
subset classifier

Randomly selection
features

Design multiple trees

structures → creation the
decision node that minimize
the entropy

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

www.ugm.ac.id Locally Rooted, Globally Respected

 Random Forest ML – Agisoft Metashape

www.ugm.ac.id Locally Rooted, Globally Respected

 DeepLearning M-DGCNN

Source: Great learning

www.ugm.ac.id Locally Rooted, Globally Respected

 General procedure Geo-AI Tugas bapak ibu
dikantah/daerah

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

www.ugm.ac.id Locally Rooted, Globally Respected

 Bagaimana machine learning bekerja

www.ugm.ac.id Locally Rooted, Globally Respected

 Split Dataset Training-Validation
Train Dataset
Digunakan untuk training
Validation Area model machine learning/
±4Ha deep learning agar dapat
membedakan ground-
nonground

Training Area
±9Ha Validation Dataset
Digunakan untuk
memvalidasi model
machine learning/ deep
learning hasil training
(Trained Model)

www.ugm.ac.id Locally Rooted, Globally Respected 22

 Test Area Ground Filtering
Area_1
Area_3 Mix terrain. Terrain
±2Ha kombinasi dari
permukiman jarang
(village), dan area datar/
kosong
Area_2
City area. Terrain
mayoritas oleh
Area_2
permukiman padat
±5Ha
penduduk, perumahan
rapat (city)

Area_3
Area_1 Rural area. Terrain
±5Ha mayoritas berupa tanah
kosong yang datar (plain
& flat) dengan minim
perumahan

www.ugm.ac.id Locally Rooted, Globally Respected 23

 Area_1 (Mix)

PMF MCC CSF

LASTools RF M-PointNet++ MSG M-DGCNN

Ground Truth

Global Mapper Agisoft QTM

www.ugm.ac.id Locally Rooted, Globally Respected 24
Area_2 (City)

PTD PMF MCC CSF LASTools RF

Ground Truth M-PointNet++ M-DGCNN Global

Agisoft QTM
MSG Mapper

www.ugm.ac.id Locally Rooted, Globally Respected 25

 Area_3
Ground Truth (Rural)

PTD PMF MCC

CSF LASTools RF

M-PointNet++ MSG M-DGCNN Global Mapper

Agisoft QTM

www.ugm.ac.id Locally Rooted, Globally Respected 26

 Waktu Pengolahan Ground Filtering
Berdasarkan komparasi waktu
pengolahan, metode CSF
CloudCompare memiliki waktu
pengolahan paling singkat untuk
ketiga area, dengan rata-rata waktu
0.50 s

Urutan waktu pengolahan tercepat

untuk free/open-source apps:
1. CSF - CloudCompare (0.50 s)
2. PMF (4.06 s)

Urutan waktu pengolahan tercepat

untuk licensed/ commercial apps:
1. Global Mapper (2.85 s)
2. Agisoft (4.37 s)

www.ugm.ac.id Locally Rooted, Globally Respected 27

 Performa Ground Filtering
Evaluasi Area_1 menunjukkan model deep
learning M-DGCNN mengungguli metode lain.
Selisih antara M-DGCNN, M-PointNet++ tidak
terlalu signifikan, namun menunjukkan
keungguan learning-based method terutama
deep learning terhadap classic ground filter
seperti CSF dan PMF

Urutan performa metode untuk free/open-source

apps:
1. M-DGCNN (Python) – 0.916
2. M-PointNet++ MSG (Python) – 0.845
3. CSF (CloudCompare) – 0.819

Urutan performa metode untuk licensed/

Parameter evaluasI:
commercial apps:
𝑇𝑃 𝑇𝑃 + 𝑇𝑁 1. QTM – 0.722
𝐼𝑂𝑈 = 𝑂𝐴 = 2. Agisoft - 0.721
(𝑇𝑃 + 𝐹𝑃 + 𝐹𝑁) (𝑇𝑃 + 𝐹𝑃 + 𝑇𝑁 + 𝐹𝑁)
3. Global Mapper – 0.559

www.ugm.ac.id Locally Rooted, Globally Respected 28

 PTD PMF MCC CSF

Area_1 (Mix)

LASTools RF M-PointNet++ MSG M-DGCNN

Ground Truth Global Mapper Agisoft QTM

www.ugm.ac.id Locally Rooted, Globally Respected 29
 PTD PMF MCC CSF LASTools RF
Area_2 (City)

M-PointNet++ M-DGCNN Global Agisoft QTM

MSG Mapper

Ground Truth
www.ugm.ac.id Locally Rooted, Globally Respected 30
 Area_3 (Rural)
Ground Truth

PTD PMF MCC

CSF LASTools RF

M-PointNet++ MSG M-DGCNN Global Mapper

Agisoft QTM

www.ugm.ac.id Locally Rooted, Globally Respected 31

 Hasil DTM diuji akurasi elevasinya
Untuk menguji DTM yang dihasilkan, dilakukan
komparasi dengan DTM LiDAR. DTM LiDAR diacu
karena memiliki ketelitian vertikal yang lebih tinggi
dibandingkan data foto udara.

Proses pengujian dilakukan dengan menghitung

RMSE dari beberapa titik sampel ketinggian antara
GT (DTM LiDAR) dengan hasil DTM dari ground
filtering.

Jumlah titik sampel:

1. Area_1 = 42 titik sampel
Area_1 Area_2 (City)
(Mix) 2. Area_2 = 40 titik sampel
3. Area_3 = 16 titik sampel

σ𝑁 ഥ 2 𝑍ഥ𝑖 = Nilai elevasi GT (LiDAR)

𝑖=1 𝑍𝑖 − 𝑍𝑖
𝑅𝑀𝑆𝐸 = 𝑍𝑖 = Nilai elevasi Pred (Metode)
𝑁
𝑁 = Jumlah titik sampel
Area_3
(Rural)
www.ugm.ac.id Locally Rooted, Globally Respected 32
 Evaluasi DTM
Dari evaluasi DTM, DTM yang dihasilkan dari
filtering grund metode M-DGCNN memiliki
RMSE paling minimum, diikuti CSF, Agisoft, PMF,
Global Mapper, dan QTM.

Urutan performa metode untuk free/open-source

apps:
1. M-DGCNN (0.30 m)
2. CSF (0.55 m)
3. PMF (0.65 m)

Urutan performa metode untuk licensed/

commercial apps:
Parameter evaluasi: 1. Agisoft (0.57 m)
2. Global Mapper (0.97 m)
σ𝑁 ഥ 2 𝑍ഥ𝑖 = Nilai elevasi GT (LiDAR) 3. QTM (1.01 m)
𝑖=1 𝑍𝑖 − 𝑍𝑖
𝑅𝑀𝑆𝐸 = 𝑍𝑖 = Nilai elevasi Pred (Metode)
𝑁
𝑁 = Jumlah titik sampel

www.ugm.ac.id Locally Rooted, Globally Respected 33

 Kesimpulan
Berdasarkan percobaan, eksperimen, dan evaluasi menyeluruh dari beberapa metode yang digunakan, baik
pengujian dengan variasi terrain area yang berbeda, pengujian parameter yang berbeda, evaluasi
berdasarkan kecepatan pengolahan, evaluasi hasil klasifikasi, dan evaluasi DTM, maka opsi yang
direkomendasikan untuk ground filtering yakni:

Free/Open-Source Application License/Commercial Application

CSF CloudCompare Agisoft
M-DGCNN Deep Learning Global Mapper

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

www.ugm.ac.id Locally Rooted, Globally Respected 35

Mix
City
Rural Ground Truth CSF M-DGCNN Agisoft GloMap

www.ugm.ac.id Locally Rooted, Globally Respected 36

 Eksperimen Area Kalibawang
CSF M-DGCNN (Trained Wilayah Jawa Agisoft GloMap
Barat)

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.

www.ugm.ac.id Locally Rooted, Globally Respected 37

 Eksperimen Area Kalibawang
M-DGCNN (Trained Wilayah Jawa
CSF Agisoft GloMap
Barat)

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.

www.ugm.ac.id Locally Rooted, Globally Respected 38

 Eksperimen Area UGM
Data Original CSF M-DGCNN Agisoft GloMap

Tidak Ada
Hasil

www.ugm.ac.id Locally Rooted, Globally Respected 39

 Eksperimen Area UGM
Ground Truth CSF M-DGCNN Agisoft GloMap

Tidak Ada
Hasil

www.ugm.ac.id Locally Rooted, Globally Respected 40

 Eksperimen Area UGM
Data Original CSF M-DGCNN Agisoft GloMap

www.ugm.ac.id Locally Rooted, Globally Respected 41

 Eksperimen Area UGM
Ground Truth CSF M-DGCNN Agisoft GloMap

www.ugm.ac.id Locally Rooted, Globally Respected 42

 Eksperimen Area UGM
Data Original CSF M-DGCNN Agisoft GloMap

Tidak Ada
Hasil

www.ugm.ac.id Locally Rooted, Globally Respected 43

 Eksperimen Area UGM
Ground Truth CSF M-DGCNN Agisoft GloMap

Tidak Ada
Hasil

www.ugm.ac.id Locally Rooted, Globally Respected 44

 Pengaruh Data Training ke Hasil M-DGCNN
Trained Model Trained Model Trained Model Trained Model
Ground Truth WJB WJB + UGM Ground Truth WJB WJB + UGM

www.ugm.ac.id Locally Rooted, Globally Respected 45

 Pengaruh Data Training ke Hasil M-DGCNN Trained Model WJB +
Trained Model Trained Model Trained Model
Ground Truth WJB WJB + UGM Ground Truth kalibawang
WJB

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.

www.ugm.ac.id Locally Rooted, Globally Respected 46

 Kesimpulan
Dari hasil percobaan di beberapa area yang berbeda, dapat diambil kesimpulan opsi yang
direkomendasikan untuk:
Tipe Variasi Area Free/ Open Source Commercial/ Licensed
Area Mix
Permukiman tidak teratur,
CSF (CloudCompare) Agisoft
masih terdapat vegetasi

Area Rural (Village) CSF (CloudCompare)/

Permukiman minim, dominan M-DGCNN DL (training harus
Agisoft
area vegetasi cukup)

Area Urban (City)

M-DGCNN DL (training harus
Permukiman teratur, padat, Global Mapper
cukup)
sedikit sekali vegetasi
Kelebihan M-DGCNN DL → customize

www.ugm.ac.id Locally Rooted, Globally Respected 47

 Notes
Kelemahan point clouds foto udara UAV

UAV kamera (foto udara) tidak mampu melakukan penetrasi dalam area ber
vegetasi. Solusi → UAV Lidar

www.ugm.ac.id Locally Rooted, Globally Respected 48

 Deteksi Tapak Bangunan

www.ugm.ac.id Locally Rooted, Globally Respected 49

 Deteksi Outline Bangunan
1. Beberapa model Deep Learning Package (DLPK) yakni
USA, AFRICA, AUSTRALIA, CHINA di ArcGIS Pro
2. Model SAM & SAM-HQ ArcGIS Pro
3. Model SAM & SAM-HQ eCognition
4. Classify Rooftop QTM
5. Map-FLOW

6. Model SAM & SAM-HQ dijalankan di Jupyter Notebook

& Google Colab
7. CNN
8. Modified-Vision Transformer (MVT)

= aplikasi komersial/ berlisensi = aplikasi open-source/ programming

www.ugm.ac.id Locally Rooted, Globally Respected 50

 SAM (Segment Anything Model) adalah model yang dikembangkan
oleh META AI, yang dapat melakukan segmentasi objek dalam
suatu gambar.
Model SAM dibedakan menjadi 3 jenis yakni:
- Model vit-h
- Model vit-l
- Model vit-b

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.

Model SAM yang dapat melakukan ekstraksi bangunan adalah modul

SAM-GEO, dimana model ini sudah di-training untuk melakukan
Model segmentasi bangunan.

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)

Model 2. Modified Vision Transformer (M-VT)

54
ugm.ac.id
 Data Training yang Digunakan

Jumlah data training :

1. Data WJB (1 Kavling x 40 Ha)
2. Data 1 + Data WJB (2 Kavling x 25 Ha) Karakteristik data:
3. Data 2 + Data WJB (2 Kavling x 12 Ha) 1. Lingkungan campuran (hybrid)/ tidak teratur
4. Data 3 + Data Bantul (2 Kavling x 12 Ha) 2. Lingkungan padat pemukiman
5. Data 4 + Data Bantul (2 Kavling x 12 Ha)
3. Lingkungan minim bangunan/pedesaan
6. Data 5 + Data UGM (1 Kavling x 100 Ha)

Total data pada training terakhir adalah 262 Ha

www.ugm.ac.id Locally Rooted, Globally Respected 55

 Pengaruh Data Training

Ground truth Training (1) Training (2)

40 Ha 90 Ha

www.ugm.ac.id Locally Rooted, Globally Respected 56

 Pengaruh Data Training

Ground truth Training (3) Training (4)

114 Ha 138 Ha

www.ugm.ac.id Locally Rooted, Globally Respected 57

 Pengaruh Data Training

Ground truth Training (5) Training (6)

162 Ha 262 Ha

www.ugm.ac.id Locally Rooted, Globally Respected 58

 Evaluasi Training (RGB)

Loss​ Accuracy​ Loss (%) Accuracy (%)​

Best 0.00277 0.99886 0.28 99.89

Worst 0.48626 0.78499 48.62 78.50
Mean 0.06383 0.97399 6.38 97.40
Median 0.01710 0.99330 1.71 99.33

www.ugm.ac.id Locally Rooted, Globally Respected 59

 Evaluasi Training (RGB+Slope)

Loss Accuracy Loss (%) Accuracy (%)

Best 0.02909 0.98877 2.90 98.88

Worst 0.56798 0.76805 56.80 76.80
Mean 0.11683 0.95265 11.68 95.26
Median 0.08946 0.96587 8.94 96.59

www.ugm.ac.id Locally Rooted, Globally Respected 60

 Proses Uji Model terhadap Lokasi dan GSD
● Model di-training dengan data WJB dengan luasan 40 Ha (total 2062 fitur bangunan)
● Data training memiliki GSD 4,6 cm
● Model di uji pada 2 data yang berbeda lokasi (Yogyakarta dan WJB)

1) Data pertama merupakan area FT

dengan GSD 5 cm

2) Data kedua merupakan area

Sardonoharjo dengan GSD 10 cm

www.ugm.ac.id Locally Rooted, Globally Respected 61

 Output yang Dihasilkan

www.ugm.ac.id Locally Rooted, Globally Respected 62

 Output yang Dihasilkan

www.ugm.ac.id Locally Rooted, Globally Respected 63

 Output yang dihasilkan

www.ugm.ac.id Locally Rooted, Globally Respected 64

 Output yang dihasilkan

www.ugm.ac.id Locally Rooted, Globally Respected 65

 Output yang dihasilkan M-CNN

www.ugm.ac.id Locally Rooted, Globally Respected 66

 Output yang dihasilkan M-CNN

Keterangan Input
• Data foto udara WJB
• GSD 4,6 cm/px
• Luas area 52 Ha
• Dimensi 20969 x 11674
pixel

www.ugm.ac.id Locally Rooted, Globally Respected 67

 Perbandingan Output SAM dengan M-CNN

Model SAM Model M-CNN

www.ugm.ac.id Locally Rooted, Globally Respected 68

 Perbandingan Output SAM dengan M-CNN

Model SAM Model M-CNN

www.ugm.ac.id Locally Rooted, Globally Respected 69

 Pengaruh Data Training

● 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.

www.ugm.ac.id Locally Rooted, Globally Respected 70

 Train M-VT model dengan pre-trained model dari Norwegia

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.

www.ugm.ac.id Locally Rooted, Globally Respected 71

 Hasil Prediksi Menggunakan Model M-VT

www.ugm.ac.id Locally Rooted, Globally Respected 72

 Hasil Regularisasi Prediksi menggunakan model M-VT

www.ugm.ac.id Locally Rooted, Globally Respected 73

 Hasil Vektorisasi Prediksi Menggunakan Model M-VT

www.ugm.ac.id Locally Rooted, Globally Respected 74

 Hasil Prediksi Menggunakan Model M-VT + Regularisasi

www.ugm.ac.id Locally Rooted, Globally Respected 75

 Hasil Vektorisasi Prediksi Menggunakan Model M-VT

www.ugm.ac.id Locally Rooted, Globally Respected 76

 Hasil Vektorisasi Prediksi Menggunakan Model M-VT

www.ugm.ac.id Locally Rooted, Globally Respected 77

 Catatan Penting
● Disarankan menggunakan Linux atau Windows Subsystem Linux.
Dikarenakan pada OS Windows, tensorflow (package utama dalam
pembangunan model) hanya mampu pada versi 2.10 (M-CNN only)
● Model ini sangat bergantung pada data training. Kualitas data perlu
dipertahankan untuk memperoleh hasil yang akurat
● Model telah dapat mengidentifikasi bangunan dengan cukup baik,
namun masih perlu disempurnakan dengan reguralisasi
● Model diuji masih memiliki potensi besar untuk dikembangkan.
Bentuk arsitektur model ini terdapat banyak turunan dan variasi lain
yang layak dicoba, seperti Mask R-CNN, YOLO, OneFormer, FCN, dll

www.ugm.ac.id Locally Rooted, Globally Respected 78

 Hasil Pengolahan : Building Outline Detection

Commercial/Licensed Application

www.ugm.ac.id Locally Rooted, Globally Respected 79

 Hasil Ekstraksi Building Outline MapFlow.AI

www.ugm.ac.id Locally Rooted, Globally Respected 80

 Hasil Simplify Building Outline MapFlow.AI

www.ugm.ac.id Locally Rooted, Globally Respected 81

 Tampalan Objek dengan Jarak Dekat

www.ugm.ac.id Locally Rooted, Globally Respected 82

 Tampalan Objek dengan Jarak Dekat

www.ugm.ac.id Locally Rooted, Globally Respected 83

 Keunggulan Simplify MapFlow

www.ugm.ac.id Locally Rooted, Globally Respected 84

 Hasil Bulding Outline FullArea MapFlow.AI QGIS

www.ugm.ac.id Locally Rooted, Globally Respected 85

 Hasil Regularize MapFlow.AI QGIS

www.ugm.ac.id Locally Rooted, Globally Respected 86

 Perbandingan Output SAM-Ecognation dengan Mapflow-QGIS

MapFlow QGIS Ortho 2 SAM-Ecognation Ortho 2

www.ugm.ac.id Locally Rooted, Globally Respected 87

 Perbandingan Output SAM-Ecognation dengan Mapflow-QGIS

MapFlow QGIS Ortho 1 SAM-Ecognation Ortho 1

www.ugm.ac.id Locally Rooted, Globally Respected 88

 Perbandingan Output SAM-Ecognation dengan Mapflow-QGIS

MapFlow QGIS Ortho 3 SAM-Ecognation Ortho 3

www.ugm.ac.id Locally Rooted, Globally Respected 89

 Kelemahan Mapflow.AI

Geometri bangunan yang terdeteksi tidak sesuai

www.ugm.ac.id Locally Rooted, Globally Respected 90

 Kelemahan Mapflow.AI

Geometri bangunan yang terdeteksi tidak terbentuk rectangular dan

segmentasi bangunan masih tergabung

www.ugm.ac.id Locally Rooted, Globally Respected 91

 Kelemahan Mapflow.AI

Segmentasi bangunan perumahan masih belum bisa Segmentasi bangunan perumahan tidak sesuai dengan
terpisah per satu bangunan. geometri bangunan.

www.ugm.ac.id Locally Rooted, Globally Respected 92

 Harga Mapflow.AI QGIS

Harga setiap pengolahan menggunakan Mapflow QGIS

Dengan limitasi ukuran penyimpanan/upload data 15 GB

Rp. 5.500/ha/proses

www.ugm.ac.id Locally Rooted, Globally Respected 93

 Uji Awal Reguralisasi
Hasil dari reguralisasi, bentuk
geometri dari vektor bangunan
Vektor sebelum
lebih rapi, dimana:
reguralisasi
1. Tidak terdapat gerigi
2. Sudut/pojok bangunan
tidak tumpul

Namun, fungsi reguralisasi ini

masih memiliki kekurangan,
dimana:
Vektor setelah 1. Orientasi rotasi objek ada
reguralisasi yang berubah
2. Ada bagian kecil dari sisi
luar bangunan terpotong

www.ugm.ac.id Locally Rooted, Globally Respected 94

 Uji Awal Reguralisasi

Fungsi reguralisasi ini dicoba pada

laptop dengan spesifikasi :
Vektor sebelum
- CPU AMD Ryzen 7 4800H
reguralisasi
- GPU NVIDIA GTX 1660Ti
- RAM 24 GB
Fungsi ini mampu berjalan dengan
durasi max 1,67 detik per
fitur/bangunan (tergantung ukuran dan
kompleksitas fitur).

Vektor setelah
reguralisasi

www.ugm.ac.id Locally Rooted, Globally Respected 95

 Uji Reguralisasi Pada Output M-CNN

www.ugm.ac.id Locally Rooted, Globally Respected 96

 Uji Reguralisasi Pada Output M-VT

www.ugm.ac.id Locally Rooted, Globally Respected 97

 Komparasi Reguralisasi

M-CNN M-VT MapFlow

www.ugm.ac.id Locally Rooted, Globally Respected 98

 Komparasi Reguralisasi

M-CNN M-VT MapFlow

www.ugm.ac.id Locally Rooted, Globally Respected 99

 Kesimpulan
Model Free/ Open-Souce baik M-VT maupun M-CNN tidak cocok untuk mendeteksi bangunan yang
berhimpitan, namun akurat pada bangunan yang memiliki ornamen simple, beratap genteng, dan berjarak.
Model ini memiliki kesalahan interpretasi yang sangat minim Model Free/ Open-Source butuh dilakukan
1 regularisasi dimana dalam tahap ini juga dapat dilakukan filtering salah klasifikasi oleh objek yang bersifat
minor.

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.

www.ugm.ac.id Locally Rooted, Globally Respected 100

 Kesimpulan

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:

Free/Open-Source Application License/Commercial Application

M-VT SAM E-Cognition

M-CNN Map Flow QGIS

www.ugm.ac.id Locally Rooted, Globally Respected 101

Rural (Desa)
City (Perkotaan)
Mix Area Ground Truth M-VT M-CNN SAM eCognition Map Flow QGIS

www.ugm.ac.id Open Source

Locally Rooted, Globally Respected Commercial 102
 Next improvement
1. Trained Model perlu diupdate dan “dipintarkan”
terus menerus, utamanya yg algoritma deteksi
tapak bangunan.
2. Meningkatkan peforma simplifikasi dan
regularisasi.
3. Membuat GUI (graphical user interface).

www.ugm.ac.id Locally Rooted, Globally Respected 103

 Terima Kasih

www.ugm.ac.id Locally Rooted, Globally Respected 104