Pengolahan Light Detecting Ranging (LiDAR) dan Faktor – Faktor

yang Mempengaruhi Kualitas Data

Diyanah, Abdullah Nur Rahmat

Management Trainee – Bidang Geodesi#
#

Proyek Pembangunan Jalan Tol Ruas Pekanbaru Rengat Seksi Lingkar Pekanbaru (Junction Pekanbaru – Bypass
Pekanbaru)
Diyanah@hutamakarya.com
Abdullah.rahmat@hutamakarya.com

Kemajuan teknologi menjadi salah satu factor yang dapat Data DTM dan DSM merupakan salah input data
mempengaruhi efektifitas serta efesiensi waktu pelaksanaan pekerjaan pelaksanaan pada Pembangunan jalan tol
Pembangunan konstruksi, pdanPembangunan jalan tol trans khususnya untuk menjadi data hasil ukur lapangan, dan
sumatera Proyek Pembangunan jalan tol Ruas Pekanbaru Rengat perhitungan progress dilapangan khususnya untuk yang
Seksi Lingkar Pekanbaru (Junction Pekanbaru – Bypass
Pekanbaru, apabila teknologi tersebut dapat diterapkan dengan
terkait dengan elevasi tanah.
maksimal maka dapat mempercepat pengolahan data lapangan
sehingga pengambilan keputusan dari pemangku kebijakan akan
lebih cepat dan kooperatif. Pembangunan jalan tol trans sumatera
memiliki target waktu yang lebih singkat mengingat kebutuhan
infrastruktur jalan sangat diperlukan untuk menunjang kemajuan
ekonomi oleh karena itu dibutuhkan pemanfaatan dari kemajuan
teknologi agar kualitas pekerjaan tetap terjaga dan biaya tetap
tertekan.
Saat ini pemanfaatan Tools Building Information Modelling
(BIM) menjadi perhatian khususnya di bidang Konstruksi dari
aspek digitalisasi data, efektifitas koordinasi, hingga menjadi salah
satu aspek yang digunakan sebagai pengambilan keputusan oleh
stakeholder. Maka dari itu kualitas data yang diinput menjadi salah
satu bagian penting dari proses penggunaan BIM, salah satunya
adalah kualitas data ukur dan digitalisasinya dalam penerapan Gambar.I.1 Contoh Data Hasil Topografi LiDAR
digital surveying sebagai salah satu data input untuk keberjalanan (https://enterprise.dji.com/zenmuse-l1)
pelaksanaan BIM.
Dalam bahasan kali ini sesuai dengan Individual Development II. PENGOLAHAN DATA
Plan melingkupi tujuan pembelejaran memahami : Spesifikasi
Khusus Bidang Engineering dengan kompetensi Pengetahuan II.1 Persiapan Pengukuran dan Pengambilan Data
Teknologi Konstruksi Khususnya dengan Bidang Geodesi dan Pada tahapan ini pada dasarnya masing – masing UAV
Kompetensi Managerial bidang kompetensi Memiliki Memiliki pengaturan berbeda secara teknis tergantung pada
Kecenderungan individu untuk menunjukan ketertarikan dan system yang menjadi pabric setting dari UAV tersebut.
keterbukaan terhadap hal baru, ide dan pengalaman
Namun untuk case pembahasan kali ini kami menspesifikan
memperlajari sesuatu yang baru.
pada UAV Zenmuse DJI L1.
I. PENDAHULUAN
Survey Pendahuluan
Digital surveying dengan metode UAV LiDAR
merupakan salah satu upaya dalam pemenuhan data
topografi eksisting dengan metode penginderaan jauh
menggunakan Unmanned Aerial Vehicle (UAV) yaitu Persiapan Terbang
drone tanpa awak dengan sensor Light Detecting Ranging
(LiDAR).
Pengumpulan data LiDAR menggunakan sensor yang Flight Plan Setting GPS Geodetic
dipasangpada wahana pesawat, sensor tersebut mampu
menembakkan gelombang aktif ke permukaan
bumi,dimana gelombang tersebut akankembali setelah
mengenai objek-objek di permukaan bumi. Setiap - Data Point Cloud - Data Rinex
objek-objek yang memantulkan gelombang tersebut - Trajectory - Tambahan GCP
akan menghasilkan titik-titik dengan nilai koordinat x, - RGB Format
ydan z yang direkam secara kontinu menggunakan
komputer (Johnson, 2009). Data LiDAR dapat
dimanfaatkan untuk menghasilkan Digital Terrain
Model (DTM) dan Digital Surface Model (DSM).

Pengolahan Data
Article Sharing Knowledge – November 2023 1
OJT FLP XX
 Proses Klasifikasi terdiri dari:
II.2 Persiapan Pengolahan Data
a. Split Trajectory
Sebelum pengolahan hasil dari pengambilan data Pada proses split trajectory memotong trajectory
lapangan yaitu data point cloud, terkait dengan GCP atau jalur terbang menjadi jalur terbang yang
yang digunakan sebaiknya diolah dari data hasil terpisah satu sama lain. Sebagai hasilnya data dari
pengamatan menjadi data Koordinat. masing – masing jalur terbang yang sudah dipisah
akan lebih mudah dibandingkan overlap atau pont
Tahapan pengolahan data dengan software dan data cloud yang terulang pada tumpeng tindihnya
yang diperlukan sebagai berikut: dua/tiga flight yang berbeda dapat dieliminasi. Pada
Data: tikungan saat terbangnya pesawat tidak memiliki
1. .Las (Data Point Cloud) data yang bagus/tidak ada overlap maka data di
2. .sbeg.out (Data Trajectory) tikungan tersebut akan secara otomatis dihapus.
3. .ptc (template kelas klasifikasi spatix)
4. .txt pnezd (Data Koordinat GCP)

Software yang digunakan:

1. DJI Terra (Opsional)
2. Spatix
3. TerraScan
4. TerraMatch
5. TerraModeler
6. Global Mapper (GIS Software Lainnya)
Tahapan Pengolahan data point cloud hingga menjadi Gambar II.2.1 Split Trajectory
data kontur secara garis besar adalah sebagai berikut: Pada tahapan ini dapat dideteksi kesinambungan
1. Install Software Spatix dan TerraSolis antara satu trajectory dengan trajectory lainnya
(TerraScan,Match dan Modeller) berdasarkan gambar siatas bahwa masing masing
2. Input data dan penyesuaian data system koordinat trajectory yang sudah di split tidak terputus atau
3. Input Template Kelas Klasifikasi ada data yang kosong/space jarak yang jauh. Maka
4. Proses Klasifikasi Point Cloud data telah overlap dengan baik.
5. Signal Marker
6. DEM Extraction b. Match Passes
Merupakan proses yang mengeleminasi adanya
A. Proses Pengolahan Data ketidakkonsisten dari masing – masing trajectory,
1. Install Software sehingga data trajectory dapat “match” dari hasil
Proses penginstalan dapat dilakukan dengan koreksi tie lines, elevasi yang terfluktuasi, dan
petunjuk sesuai dengan yang tertera pada web spatix mengkoreksi x,y,z per line.
2. Input Data
Data yang diinput adalah data point cloud (.las) dan
data trajectory (.sbet.out) data trajectory merupakan
garis garis lurus dari jalur terbang saaat UAV
melakukan pengambilan data.
3. Template Klasifikasi
Template dapat dibuat dengan melalui tools wizard
atau menggunakan dari klasifikasi sebelumnya.
4. Proses Klasifikasi Point Cloud Gambar II.2.2 Per Session Correction
Pada dasarnya hasil dari pengukuran menggunakan
LiDAR dalah Kumpulan point point yang memiliki
data informasi x,y,z dari masing – masing point
yang jumlahnya bisa mencapai jutaan sehingga
disaat point – point tersebut berkumpul menjadi
satu informasi model 3D dari suatu benda atau
informasi permukaan tanah.
Pada awal pengumpulan data point tersebut masih
belum diklasifikasi sesuai dengan keadaan lapangan
(Unclassified) sehingga dibutuhkan proses lebih Gambar II.2.2 Per Line Correction
lanjut untuk mengkelaskan point – point tersebut
sehingga data dipilah sesuai dengan kebutuhan data,
pada case ini kita membutuhkan data topografi
DEM (Digital Elevation Model).

2 Article Sharing Knowledge – November 2023

OJT FLP XX

Gambar II.2.3 Fluctuating Correction
c. Cut Overlap
Pada proses mengeliminasi dari semula point yang
tumpang tindih dengan pilihan memindahkan
point tersebut ke kelas lain atau menghapus point.
Untuk keterangan dari masing – masing pilihan
terlampir. Apabila opsi menghapus point yang
diambil maka point – point yang paling mendekati
dengan titik central sensor laser yang akan tetap
ada dan yang lebih jauh akan di hapus. Proses ini
bisa menjadi potensial ketidakakuratan data
namun dapat mengurangi jumlah point yang diolah
untuk step selanjutnya.
d. Smoothen and Remove Noise
Setelah proses cut overlap maka point dari point
cloud sudah tereleminasi sesuai dengan setting yang
telah kita atur. Namun masih terdapat data noise/
data yang tidak diperlukan dalam pengambilan data
point cloud yang dapat dieliminasi pada drone data
proses.
Pada proses ini point noise dari data point cloud
diatas maupun dilapisan bawah ground terelimiasi
dan meningkatkan kerapihan dari permukaan.
Proses eliminasi tersebut tidak semata – mata akan
menghapus keseluruhan data point cloud yang
berada diatas permukaan, karena secara system
proses eliminasi untk vegetasi juga menggunakan
proses analisis dari data RGB untuk mengenali
vegetasi serta menggunakan perhitungan Visual
band difference vegetation index. Apabila RGB
tidak ada dan point cloud yang seharusnya menjadi
data vegetasi namun masuk ke kelas noise yang
dapat dilakukan di kemudian waktu bisa melalui
copying the class attribute.
e. Thin Point to inactive
Merupakan proses perampingan ketebalan point
cloud yang bertumpuk pada satu area
f. Classify Ground
Pada tahapan ini point yang masih dideteksi
sebagai error dibawah permukaan. Pada point
terbawah dari keseluruhan dideteksi sebagai
ground.
g. Classify Height From Ground
Pada tahapan ini point – point diatas tanah
dideteksi sebagai kelas kelas tanaman yang tinggi
tanaman dibagi menjadi tiga kelas: low vegetation,
medium dan high.
h. Classify Above ground Feature
Article Sharing Knowledge – November 2023
OJT FLP XX
Setelah tumbuhan/tanaman dideteksi berdasarkan
parameter maka objek lain akan dikelaskan
menjadi bagian – bagian sesuai dengan template
klasifikasi (contoh: rumah, atap, bangunan,
dinding, kolam, air
i. Copy Result to Inactive point
Copy result to inactive points dari aktif point yang
sebelumnya dilakukan eliminnasi melalui tools
thinned dan menjadi inactive. Hanya bisa
dilaksanakan apabila telah melakukan proses “thin
Points to inactive” yang berfungsi dalam
mempercepat proses pengklasifikasian. Pada objek
diatas tanah point inactive tersebut tetap perlu untuk
dilakukan pengklasifikasian.
j. Copy Result to noise point
Konsep pada proses ini hamper mirip dengan proses
yang dilakukan sebelumnya, namun pada point
noise yang dekat dengan permukaan harus
diklasfikasikan sebagai bagian dari klasifikasi atas
lapangan, yang terdekat dengan klasifikasi tersebut
adalah vegetasi. Namun pada pengolahan point
noise akan tetap tersisa. Apabila diperlukan bisa
juga secara manual menghilangkan noise pada data
point cloud.
5. Signal Marker
Signal marker bisa mendefinisikan GCP /ICP yang
terdapat dalam data hasil pengolahan, fungsinya
adalah sebagai adjustmen otomatis untuk XYZ data
point cloud. Signal marker harus berada pada
bidang datar missal di jalan/permukaan rata dan
harus terlihat dari rapatnya point density yang ada
di point cloud. Maka dari itu untuk mendeteksi
keadaan signal marker atau GCP maka setting yang
dibuat pada displaymode adalah setting Intensity
Auto model.
Signal Marker harus Digambar terlebih dahulu di
CAD file sebelum dapat dideteksi di TerraScan.
Gambar harus merepresentasikan bagian gelap dan
terang dari signal markers.
Untuk mendapatkan ketelitian projection yang telah
kita klasifikasi dibutuhkan data GCP yang akan
diinput sebagai salah satu parameter indikasi
ketelitian data Point Cloud yang telah diakuisisi.
Gambar II.2.3 Typical Ground Control Point yang akan
dideteksi
3
 III. KESIMPULAN

Digital Surveying menggunakan UAV LiDAR dapat

memiliki kualitas data yang mendekati dengan hasil
pengukuran konvensional dengan melalui proses untuk
peningkatan standar deviasi dengan cara:
1. Perencanaan yang baik sebelum persiapan terbang
2. Pengolahan data Base (GPS Geodetic) dengan RMS
yang sesuai dengan standar
3. Penyebaran dan akurasi point GCP
Gambar II.2.4. Posisi Elevasi Aktual GPS Dibawah Data 4. Mengoptimalkan pada proses pendektsian kualitas
Point Cloud LiDAR data dari sisi pengolahan pada:
a. Saat input point dilihat dari kesinambungan
antar trajectory apakah ada space yang terlalu
besar atau ada data yang anomaly
b. Saat input point cloud harap diperhatikan pada
statistic point cloud pastikan point masih dalam
kelas : unclassified
c. Proses match pass, merupakan proses penting
karena diproses tersebut dikoreksi jalur
terbarang melalui titik ikat, sesi penerbangan
dan juga fluktuasi elevasi
d. Pengoptimalan dengan menggunakan GCP
Gambar II.2.5 Posisi Elevasi Point Cloud Setelah dengan menggunakan tools signal marker dapat
Pengkoreksian Signal Markers meningkatkan ketelotian dari data point cloud,
pengkoreksian ini mengikat data point cloud
Berdasarkan dari proses signal markers terdapat dengan titik ikat berupa marker GCP.
peningkatan standar deviasi antara hasil pengukuran GPS
dan LiDAR:
Sebelum: UCAPAN TERIMA KASIH
Artikel ini dibuat atas kerjasama dengan bapak mentor
dan hasil dari pembelajaran selama berada di proyek ruas
rengat – pekanbaru seksi lingkar pekanbaru dengan rentang
5 November sampai dengan 25 November 2023. Terima
kasih kepada bapak Abdullah Nur Rahmat atas dukungan
untuk pemenuhan IDP terkait dengan penggunaan teknologi
Digital Surveying dengan LiDAR Processing.

Sesudah:
DAFTAR PUSTAKA
Johnson, L. E. 2009.Geographic Information
Systems in Water Resources Engineering.Florida:
CRC Press.

4 Article Sharing Knowledge – November 2023

OJT FLP XX