Departemen Silvikultur

Fakultas Kehutanan dan Lingkungan

Institut Pertanian Bogor

PAPER TEKNOLOGI GEOSLAM

DATA SAINS EKOSISTEM HUTAN

Nama : Ahmad Fahrur Rizqi NIM : E4401211082

Hari, tanggal : Senin, 26 Februari 2024 Paraf dosen/asisten :
Praktikum ke- : 6 Nilai :

PENDAHULUAN
Latar Belakang
Teknologi Lidar (Light Detection and Ranging) telah muncul sebagai alat yang ampuh
untuk aplikasi penginderaan jauh dan pencitraan 3D. Teknologi ini menggunakan pulsa laser
untuk mengukur jarak dan menciptakan representasi dunia fisik yang tepat. Teknologi Lidar
berkembang mulai awal tahun 1960-an ketika teknologi laser menjadi lebih mudah diakses.
Semenjak itu, Lidar telah berkembang pesat dan menemukan aplikasi di berbagai sektor
industri termasuk di bidang kehutanan (El-Sheimy dan Noureldin 2014).
Kuantifikasi struktur vegetasi hutan pada berbagai skala sangat penting guna memahami
dan memodelkan proses fisiologis tiap individu pohon serta jasa ekosistem pada tingkat
tapak/lanskap (Shugart et al. 2010). Pengukuran tersebut perlu untuk memberikan kondisi
hutan yang aktual serta memberikan gambaran terkait dinamika pertumbuhan dan
perkembangan struktur hutan, sehingga memberikan pertimbangan pengelolaan yang tepat
bagi para pemangku kepentingan. Struktur hutan didefinisikan sebagai sebaran seluruh bagian
tumbuhan dalam ruang baik sebaran vertikal (dedaunan atau struktur percabangan, sebaran
ketinggian pohon) maupun sebaran horizontal (sebaran spesies). Metode konvensional
(manual) dalam pengukuran struktur hutan, memakai banyak waktu dengan beberapa variabel
struktural, seperti tinggi, bentuk tajuk, sebaran pohon, percabangan dan kanopi, sulit diukur di
lapangan terutama di ekosistem yang terpencil, curam, tinggi dan kompleks (sulit diakses)
(Liang et al. 2018). Teknologi Lidar telah terbukti berguna dalam memperoleh informasi
tentang struktur hutan karena kecepatan, cakupan, dan kemampuannya dalam mendeskripsikan
atribut 3D dibandingkan dengan metode manual yang ada.
Mobile Laser Scanning (MLS) telah digunakan dalam survei kehutanan, karena
kemampuannya untuk mengukur kawasan hutan yang kompleks waktu yang singkat (Ryding
et al. 2015). Dibandingkan dengan jenis Lidar lainnya seperti Terestrial Laser Scanning (TLS),
MLS lebih unggul karena mampu memecahkan masalah oklusi pohon dan mampu digunakan
sambil bergerak. Hal ini mengurangi waktu, tenaga serta biaya yang dibutuhkan. Namun MLS
seringkali menghasilkan data point cloud yang kurang tepat dibandingkan dengan TLS, karena
kesalahan penyebaran pemosisian dan data point cloud yang jauh lebih ribut (Liang et al.
2014). Penerapan Teknologi Simultaneous Localization And Mapping (SLAM), registrasi point
cloud dan ekstraksi peta secara simultan dapat memberikan peningkatan signifikan terhadap
MLS terutama pada kualitas datanya yang bahkan bisa menawarkan akurasi hingga tingkat
sentimeter (Chen et al. 2019). Apalagi untuk SLAM MLS tidak diperlukan kondisi medan
tertentu serta tidak dibatasi oleh sinyal GNSS (Thrun et al. 2006). Terdapat perbedaan istilah
untuk sistem MLS berbasis SLAM, beberapa penelitian menggunakan istilah Handheld Laser
Scanner (HLS) (Oveland et al. 2018) dan sebagian besar menggunakan istilah Personal Laser
Scanner (PLS) (Chen et al. 2019). Sejauh ini hanya tiga perangkat PLS berbasis SLAM yang
telah digunakan dalam inventarisasi hutan studi: ZEB1, ZEB-REVO, dan ZEB-REVO-RT,
yang semuanya berasal dari perusahaan GeoSLAM Ltd., Nottingham, United Kingdom.
Produk terbaru dari GeoSLAM, ZEB HORIZON secara drastis mengungguli sensor yang ada
(ZEB1, ZEB-REVO, dan ZEB-REVO-RT) dalam hal tingkat perolehan data (300.000 poin s−1
vs. 43.200 poin s−1) dan maksimal jangkauan pemindaian (100 m vs. 30 m).

Tujuan
Makalah ini bertujuan untuk memberikan pengetahuan dasar terkait Teknologi LiDAR dan
SLAM serta pengaplikasian keduanya di bidang kehutanan.
 ISI
Pengetahuan LiDAR (Light Detection and Ranging) Secara Umum
1. Pengertian dan Cara Kerja LiDAR
LiDAR (Light Detection and Ranging) adalah perangkat persepsi virtual yang
digunakan untuk memeriksa permukaan objek atau topografi bumi baik dalam bentuk
2D maupun 3D dengan mengukur jarak pantulan pulsa laser. LiDAR yang diperuntukan
untuk pemetaan menggunakan jenis sensor Time of Flight (ToF) (Kolakowski et al.
2020). Sensor ToF mengirimkan pulsa cahaya pendek dan mengukur waktu yang
diperlukan untuk pulsa tersebut kembali. Jarak dihitung berdasarkan kecepatan cahaya,
rumus sebagai berikut:
𝑆𝐿 𝑥 𝐹𝑇
𝐷=
2
Keterangan: 𝐷 = jarak, 𝑆𝐿 = kecepatan cahaya, 𝐹𝑇 = waktu penerbangan.

Untuk menghitung jarak yang titik yang tepat ke daratan, ketinggian, serta landasan
bangunan, jalan, dan pohon. Persamaan LiDAR digunakan untuk mengukur perkiraan
individu tentang atmosfer serta penilaiannya geometri dan efisiensi struktur adalah
sebagai berikut:
𝑃𝑅 = 𝑆𝑝 𝐶𝑓 𝑥 𝐺𝑅 𝑥 𝑃𝑇 2 𝑥 𝑇𝐵

Keterangan: 𝑃𝑅 = daya yang diterima tergantung pada jangkauan, 𝑆𝑝 𝐶𝑓 = pertimbangan

berkelanjutan yang bergantung pada sistem seperti transmisi energi dan
kinerja optik, 𝐺𝑅 = geometri pengukuran sebagai fungsi jarak, 𝑃𝑇 2 =
transmisi elemen saluran propagasi, 𝑇𝐵 = hamburan balik atribut dari
tanda tersebut.
Elemen-elemen diatas dapat diperluas dan dimodifikasi untuk mengakomodasi
karakteristik unik setiap perangkat dan operasi. LiDAR beroperasi panjang gelombang
300-2000 nm. Panjang gelombang ini mempunyai implikasi serius terhadap
pengaplikasiannya. Jarak sinar laser yang lebih dekat, membuat LiDAR memiliki trek
yang lebih kecil dan resolusi sudut serta temporal yang lebih baik daripada radar. Radar
yang memiliki panjang gelombang rendah rentan terhadap tetesan air dan salju yang
turun, sedangkan LiDAR mampu mendeteksi dan mengukur jumlah molekul atmosfer
seperti oksigen dan kandungan air cair (Zaffar et al. 2018). Berikut Gambaran sensor
LiDAR dan komponen utamanya ditunjukkan pada Gambar 1.

Gambar 1 Bagian - bagian Sensor LIDAR (Lach dan Kerekes 2008)

2. Komponen LiDAR
1) Laser
Sumber laser yang umum digunakan dalam sistem Lidar mencakup laser dioda,
laser serat, dan laser solid-state. Karakteristik utama dari sumber laser meliputi:
• Panjang gelombang (Wavelength): sumber laser yang dipancarkan dalam
spektrum inframerah, seperti 905 nm atau 1550 nm.
• Energi Pulsa (Pulse Energy) harus mencapai jangkauan dan rasio signal-to-
noise yang diinginkan.
• Tingkat Pengulangan Pulsa (Pulse Repetition Rate) harus memenuhi
persyaratan sistem untuk kecepatan akuisisi data.
• Kualitas Sinar (Beam Quality) harus memiliki koherensi spasial dan temporal
yang baik untuk memastikan akurat dan fokus.
2) Optics and Beam Steering Devices
Optics and Beam Steering Devices digunakan untuk mengontrol dan mengarahkan
sinar laser yang dipancarkan oleh sumbernya. Elemen kunci dari komponen ini
meliputi: Collimating Optics (Mengubah sinar laser divergen menjadi sinar
parallel), Beam Expander (Memperluas diameter sinar laser untuk mencapai lebar
sinar yang diinginkan), Scanning and Steering Mechanisms (Memindai sinar laser
ke area target).
3) Detectors and Receivers
Detectors and Receivers merupakan alat yang mendeteksi dan menerima pantulan
atau dihamburkan pulsa laser yang kembali dari target (Pantulan cahaya diterima
dalam bentuk implus listrik). Komponen-komponen meliputi: Photodetectors
(Umumnya menggunakan detektor Avalanche Photodiodes (APDs) dan
Photomultiplier Tubes (PMTs) yang memiliki sensitivitas tinggi dan waktu respons
yang cepat), Penguatan dan Penyaringan (Memperkuat sinyal listrik lemah dari
detektor sambil menekan kebisingan dan sinyal latar belakang yang tidak
diinginkan), Optik Penerima (Menentukan bidang pandang (FOV) dan resolusi
sudut Lidar).
4) Data Processing and Analysis
Pemrosesan dan analisis data adalah komponen penting dari sistem Lidar untuk
mengekstrak informasi bermakna darinya sinyal yang ditangkap. Tahapan
pemrosesan data meliputi:
1) Perhitungan Waktu Penerbangan untuk menentukan jangkauan atau jarak suatu
benda.
2) Pembuatan Point Cloud yang mewakili Koordinat 3D objek di area yang
dipindai.
3) Penyaringan dan Segmentasi Data digunakan untuk menyaring kebisingan,
menghilangkannya outlier, dan membagi titik cloud menjadi objek atau
permukaan yang bermakna.
4) Penggabungan Data: Data Lidar diintegrasikan dengan data dari sensor lain,
seperti kamera atau pengukuran inersia unit (IMU), untuk meningkatkan
pemahaman tentang lingkungan dan meningkatkan pengenalan dan pelacakan
objek.
5) Interpretasi Data: Data yang diproses dianalisis untuk mengekstrak informasi
yang relevan untuk aplikasi tertentu, misalnya pemetaan medan.
 Pemrosesan dan analisis data dalam sistem Lidar sering kali melibatkan algoritme
canggih, Machine Learning, dan metode komputasi untuk menangani kumpulan
data besar dan memperoleh wawasan yang dapat ditindaklanjuti (Sumber
keseluruhan infromasi ini dari studi literatur: Waykar dan Yashwant 2022).
3. Tipe-tipe Lidar
1) Tipe berdasarkan visualisasi (2D dan 3D)
Sensor LiDAR 2D merekam parameter X dan Y menggunakan sumbu tunggal
balok (Hess et al. 2016). Sensor LiDAR 3D hampir sama, namun hanya
memberikan pengukuran tambahan berupa sumbu Z. Data dari sumbu ketiga (Z)
biasanya dikumpulkan menggunakan beberapa laser diberbagai sudut atau proyeksi
memanjang. LiDAR 3D sensor memiliki presisi dan resolusi lebih tinggi daripada
2D, tetapi harganya jauh lebih mahal (Tabel 1). 3D LiDAR sangat ideal untuk
visualisasi dan analisis menyeluruh struktur objek seperti bangunan atau pohon.

Tabel 1 Perbandingan 2D dan 3D teknologi sensor LiDAR

Parameter
Jenis Panjang
Jangkauan Presisi
LiDAR Gelombang Berat (kg)
Scanning (°) (mm)
(nm)
0° − 180° dan
2D 905 4,5 ±15
40° − 140°
3D 750 360° 0,5 ±0,95
Sumber: Khan et al. 2021
2) Tipe berdasarkan cara kerja dan komponen (Mechanical dan Solid-state LiDAR)
Mechanical LiDAR merupakan LiDAR yang memiliki komponen bergerak
(mekanis) untuk mengukur dan memindai area. Jenis LiDAR ini umumnya
memiliki ukuran/volume besar dan dipasang pada kendaraan khusus. LiDAR ini
tidak cocok dipasang di Drone atau pada Perangkat Genggam karena dapat
mengurangi masa hidup (cepat rusak) (Yagfarov et al. 2018). Solid-state LiDAR
merupakan LiDAR yang struktur yang seluruhnya didasarkan pada mikroprosesor
dan tidak memiliki komponen mekanis (Van Nam dan Gon-Woo 2021). Ketiadaan
komponen mekanis menyebabkan LiDAR ini tahan getaran. Dari segi keandalan,
Solid-state LiDAR dikatakan memiliki presisi 1-2 cm dan terlihat jangkauan ratusan
meter sehingga cocok untuk pemetaan. Mechanical LiDAR memiliki harga yang
lebih murah (10% dari harga Solid-state LiDAR), kompak dan cocok untuk
perusahaan Augmented Reality (Hess et al. 2016).

3) Tipe berdasarkan platform (ALS, ULS dll.)

Penerapan LiDAR dapat dikelompokkan berdasarkan jenis platform yang
digunakan anatar lain: Airborne Laser Scanning (ALS) dengan Pesawat Berawak,
Unmanned Aerial Vehicle Laser Scanning (ULS), Terrestrial Laser Scanning (TLS)
dari platform darat statis, Mobile Laser Scanning (MLS) platform darat bergerak,
Spaceflight Lidar (SLS). Kelima jenis sistem LiDAR ini memiliki tiga karakteristik
utama yang kontras (resolusi spasial, oklusi dan cakupan) yang dapat menjadi
pertimbangan pengaplikasian dan pengetahuan keterbatasan masing-masing sistem
(Tabel 2). Karakteristik Resolusi Spasial mengacu pada tingkat detail struktur
kanopi yang dapat diselesaikan dari pengukuran lidar dan secara langsung
bergantung pada ukuran jejak laser (Footprint Size) dan jarak yang memisahkan
jejak laser (Spot Spacing). Oklusi mengacu pada pemblokiran atau bayangan
gelombang laser oleh dedaunan dan cabang yang mencegah intersepsi pulsa laser
oleh material di luarnya (Harding et al. 2001). Hal ini berpengaruh pada sedikit atau
tidaknya informasi yang diambil di area kanopi tersebut (Gambar 2)

Tabel 2 Karakteristik utama pada setiap jenis sistem LiDAR

Resolusi Spasial Cakupan
Lokasi
Jenis Spot Area yang
Footprint utama Metode Deteksi
LiDAR Spacing Khas
Size (m) oklusi
(m) (𝑘𝑚2 )
ALS (small Kanopi Discrete/Full-
0,1 – 3 0,2 – 3 10-1000
footprint) Bawah waveform
ALS (large Kanopi
10 – 30 10 – 30 10-1000 Full-waveform
footprint) Bawah
Kanopi Discrete/Full-
ULS 0,05 – 0,1 0,05 – 0,25 0,02 - 10
Bawah waveform
Kanopi 0,0001 – Discrete/Full-
TLS 0,01 – 0,05 0,005-0,05
Atas 0,01 waveform
MLS Kanopi 0,0025 –
0,01 – 0,05 0,005-0,05 Discrete
SLAM Atas 0,05
Full-
SLS 12-25 60 - 500 N/A Global waveform/photon
counting
Sumber: Beland et al. 2019

Gambar 2 Perbedaan tingkat detail

kanopi bagian atas dan
dalam kanopi disediakan
 oleh sistem lidar TLS (A)
dan ALS (B) (Sumber:
Hopkinson et al. 2013).

4. Pengaplikasiannya di Bidang Kehutanan dan Tantangan Teknis

1) Parameter Ekologi yang bisa diukur dengan LiDAR
Para ahli ekologi menghubungkan informasi mengenai struktur hutan dengan
proses-proses seperti interkonektivitas bentuk dan fungsi tumbuhan, dinamika
pepohonan di dalam hutan dan responsnya terhadap gangguan. Secara umum, studi
tentang hutan berasal dari informasi hasil pengaplikasi alat spektral permukaan
seperti LiDAR multispektral atau fusinya dengan citra pasif hiperspektral.
Perbedaan karakteristik pada setiap jenis sistem LiDAR dalam hal resolusi,
penunjuk, dan geometri pulsa, serta kemampuan algoritmik menyebabkan tingkat
kesesuaian yang berbeda-beda dalam menghasilkan produk/infromasi yang
bermanfaat (Tabel 3).

Tabel 3 Produk/informasi yang dihasilkan teknologi LiDAR saat ini dan produk
potensial di masa mendatang.

Warna mengacu pada kemajuan penelitian dalam menghasilkan setiap produk,

meliputi: merah (tidak tersedia), kuning (eksperimental, memerlukan lebih
banyak penelitian), hijau (operasional tetapi keakuratannya tidak ditentukan
atau dikendalikan dengan baik), biru (operasional dan akurasi ditandai dan
memuaskan untuk sebagian besar aplikasi). Tanda + mengacu pada potensi
untuk menyediakan produk pada skala dan tingkat akurasi yang relevan. Tanda
- menunjukkan lemahnya kesesuaian sistem untuk memperoleh produk tertentu
(Sumber: Beland et al. 2019)
 2) Pertimbangan Biaya
Keefektifan dan kefisienan penggunaan LiDAR untuk survei hutan berkaitan
dengan penggunaan sumber daya keuangan yang wajar. Analisis hubungan
cakupan-biaya untuk setiap sistem disajikan pada Gambar 3

Gambar 3 Ilustrasi hubungan biaya dan cakupan wilaya setiap

sistem lidar. Area berwarna abu-abu dibatasi dengan
menetapkan anggaran akuisisi sebesar 50.000 USD.
(Sumber: Beland et al. 2019)
.

3) Empat Tantangan Pengadopsian LiDAR

Diperlukan serangkaian keputusan dan pertimbangan untuk menentukan
kelayakan pengadopsian LiDAR, pertimbangan dapat dilihat dari 4P: Platform,
Penyedia, Protokol dan Pengolahan. Konsep 4P mengacu pada jawaban dari
serangkaian pertanyaan: (1) Apa platform LiDAR yang tepat untuk mendapatkan
informasi yang diperlukan?, (2) Siapa penyedia yang akan melakukan survei? (3)
Bagaimana protokol yang tepat untuk survei?, dan Bagaimana pelaksanaannya?,
(4) Apa metode pengolahan yang tepat utnuk mengubah data lidar mentah menjadi
informasi yang berguna?.

Penerapan Teknologi SLAM Pada LiDAR

Simultaneous Localization and Mapping (SLAM) merupakan metode yang

memungkinkan pemetaan dan pelokalisasian secara bersamaan. Selama beberapa dekade
terakhir, teknik SLAM telah berkembang pesat. Sistem SLAM berdasarkan berbagai sensor
telah dikembangkan, seperti LIDAR, kamera, radar gelombang milimeter, sensor ultrasonik,
dll. Integrasi antara Sistem SLAM dengan sensor mulai dilakukan pada awal tahun 1990
dengan kerangka kerja, seperti yang ditunjukkan pada Gambar 4.

Gambar 4 Kerangka kerja Fusi SLAM berbasis fitur (sensor) (Xu et al. 2022)

Kebanyakan sistem SLAM modern dibagi menjadi dua bagian: Front End dan Back End
(Gambar 5). Front End bertanggung jawab untuk memperkirakan pose bingkai saat ini pada
waktu nyata dan menyimpan informasi peta yang sesuai. Back End bertanggung jawab untuk
itu optimasi pose dan pemandangan berskala besar. Kegagalan deteksi penutupan loop (Closed
Loop Detection) adalah salah satu masalah utama SLAM

Gambar 5 Komponen utama sistem SLAM (Xu et al. 2022)

Visual SLAM berbantuan GPS pada GO-SLAM membentuk navigasi UAV adaptif. Hal
ini memecahkan masalah utama SLAM. Navigasi Adaptif menggunakan sensor penerima
GNSS yang terintegrasi dengan visual SLAM sebagai input untuk navigasi UAV. Secara
khusus, posisi sasaran global dalam koordinat geodetik diambil dari pengukuran GPS,
dimasukkan ke dalam SLAM visual dalam koordinat geosentris, dan ditetapkan sebagai posisi
sasaran. Sistem transisi yang mulus dirancang menggunakan navigasi saklar adaptif, di mana
GPS mendeteksi jumlah satelit yang diambil oleh UAV dan mengganti mode navigasi
berdasarkan ambang batas. Penentuan ambang batas didasarkan pada pertimbangan faktor-
faktor seperti kondisi lingkungan, kualitas sinyal GPS, atau persyaratan misi tertentu untuk
menyesuaikan ambang batas peralihan mode secara dinamis. Simulasi dan eksperimen yang
mengevaluasi kinerja GO-SLAM mengungkapkan bahwa GO-SLAM mengungguli metode
canggih lainnya, mencapai waktu tempuh yang lebih rendah dan memori komputasi yang lebih
rendah (Wicaksono dan Shin 2023).
Studi Kasus Penerapan LiDAR SLAM Pada Bidang Kehutanan
Pengelolaan sumber daya alam dan ekosistem yang kompleks seperti hutan memerlukan
pengelolaan yang handal akan informasi dan data, untuk mengambil keputusan yang beralasan
dan transparan. Oleh karena itu, kegiatan inventarisasi hutan dilakukan guna memberikan
informasi yang relevan mengenai status dan dinamika ekosistem hutan. Metode tradisional
dalam inventarisasi membutuhkan jumlah pekerja yang padat, memakan waktu dan rentan
terhadap banyak kesalahan pengukuran. Selain itu, pada beberapa medan topografi yang sulit,
pekerja sulit mengakses sehingga data yang terambil terbatas dan sarat akan bias. Oleh sebab
itu, perlu peningkatan kemampuan instrument inventarisasi, peningkatan teknik dan
penyusunan protocol yang tepat guna meningkatkan efisiensi dan keefektifan informasi hasil
inventarisasi.
Teknologi LiDAR dari berbagai platform berkembang dalam beberapa tahun terakhir.
Point Cloud yang diperoleh dengan TLS (Terestrial Laser Scanning), ULS (UAV Laser
Scanning), dan ALS (Airborne Laser Scanning) dan MLS/PLS (Mobile Laser Scanning)
menjadi sumber informasi penting terkait geometri pepohonan. Informasi ini dapat
memberikan model tiga dimensi (3D) dari struktur dan dinamika hutan secara akurat dan
otomatis.
ALS memiliki kemampuan untuk mencakup wilayah yang luas (sampai tingkat regional)
dan menembus celah antar vegetasi dedaunan. Namun, sistem ALS umumnya tidak cocok
untuk menghasilkan akurasi dan informasi rinci masing-masing pohon, seperti pemisahan tajuk
tiap pohon dan diameter, dan vegetasi bawah. Hal ini bisa dilihat pada hasil penelitian
Iwaszczuk et al. (2023), deteksi pohon tunggal berdasarkan pemisahan tajuk menggunakan
data MLS bekerja lebih baik daripada ALS. MLS memungkinkan analisis yang lebih rinci
mengenai vegetasi tumbuhan bawah (Gambar 6), sedangkan data ALS hanya memungkinkan
analisis kasar pada bagian vegetasi bawah hutan. Kepadatan MLS lebih dari 100 kali lebih
tinggi dibandingkan point cloud ALS (Gambar 7), sehingga memungkinkan tingkat detail yang
tinggi juga pada tajuk pohon sehingga mampu memisahkan tajuk pohon satu sama lainnya.
Tingkat kepadatan point cloud juga dapat membantu untuk menghindarinya oklusi.

Gambar 6 Hasil ekstraksi vegetasi yang bawah pada point cloud MLS
(Sumber: Iwaszczuk et al. 2023).
 Gambar 7 Rasterisasi Point Cloud (MLS subset C) diwarnai
berdasarkan kebulatan (nilai dari 0,13-0,40). Ukuran
piksel 0,5 m MLS dan 1 m ALS (Sumber: Iwaszczuk et
al. 2023).
MLS atau disebut juga PLS merupakan teknologi LiDAR yang terdiri dari satu atau
beberapa pemindai laser dan penentuan posisi multi-sensor yang dapat dibawa dengan
kendaraan, ransel dan sistem genggam lainnya. Sistem PLS umumnya menggunakan penerima
Sistem Satelit Navigasi Global (GNSS) dan unit pengukuran inersia (IMU) untuk penentuan
posisi dan orientasi. Pada sistem PLS terbaru yang telah digabungkan dengan teknologi
Simultaneous Localization and Mapping (SLAM), khususnya untuk perangkat genggam,
mampu digitalisasi skenario 3D yang kompleks saat bepergian tanpa GNSS. PLS berbasis
SLAM berpotensi meningkatkan efisiensi pemetaan dibandingkan dengan pengukuran LiDAR
lainnya. Menurut hasil penelitian Gollob et al. 2020, penggunaan ZEB HORIZON (LiDAR
berbasis PLS SLAM) menunjukkan keunggulan dibanding TLS dalam hal pendeteksian pohon
plot, estimasi diameter batang dan kecepatan akuisis data. Pada plot contoh berbentuk
lingkaran dengan radius maksimum 20 m, pemetaan pohon menunjukkan deteksi 96% untuk
PLS dan 78,5% untuk TLS. Kemudian nilai Root Mean Square Error (RMSE) pengukuran dbh
terbaik terdapat pada PLS sebesar 2.32 cm (12,01%). Waktu akuisisi data untuk PLS memakan
waktu sekitar 10.96 menit per plot sampel, 4.7 kali lebih cepat dibandingkan TLS.
 PENUTUP
Simpulan
LiDAR merupakan teknologi pemetaan 2D/3D suatu permukaan objek atau topografi bumi
dengan prinsip point cloud hasil pengukuran jarak pantulan pulsa laser. LiDAR terdiri atas
beberapa komponen: Laser, Optics and Beam Steering Devices, Detectors and Receivers dan
Data Processing and Analysis. LiDAR dibagi menjadi berbagai tipe berdasarkan: visualisasi
(2D dan 3D), cara kerja dan komponen (Mechanical dan Solid-state LiDAR), platform (ALS,
ULS, TLS, MLS, SLS). Masing-masing tipe LiDAR memiliki perbedaan karakteristik yang
menentukan batasan dan kegunaan LiDAR tersebut. Pertimbangan Biaya, Parameter Ekologi
yang bisa diukur serta rangkaian keputusan 4P (Platform, Penyedia, Protokol dan Pengolahan)
menentukan pengaplikasian dan pengadopsian LiDAR di sektor industri.
Simultaneous Localization and Mapping (SLAM) merupakan metode yang
memungkinkan pemetaan dan pelokalisasian secara bersamaan. Penerapan LiDAR dan Visual
SLAM membentuk navigasi UAV adaptif, sehingga mengatasi permasalahan kegagalan
deteksi penutupan loop (Closed Loop Detection).
Pada LiDAR jenis ALS tidak cocok untuk mengukur informasi terkait perincian hutan,
seperti pemisahan tajuk tiap pohon dan diameter, dan vegetasi bawah. Sedangkan pada LiDAR
berbasis PLS SLAM justru menunjukkan keunggulan dibanding TLS dalam hal pendeteksian
pohon plot, estimasi diameter batang dan kecepatan akuisis data.
 Daftar Pustaka
Beland M, Parker G, Sparrow B, Harding D, Chasmer L, Phinn S, Antonarakis A, Strahler A.
2019. On promoting the use of lidar systems in forest ecosystem research. Forest
Ecology and Management. 450, p.117484.
Chen S, Liu H, Feng Z, Shen C, Chen P. 2019. Applicability of personal laser scanning in
forestry inventory. PLoS ONE . 14, e0211392.
El-Sheimy N, Noureldin A. 2014. Lidar: Mapping the world in 3D. The Canadian Geographer.
58(1): 1-11.
Gollob C, Ritter T, Nothdurft A. 2020. Forest inventory with long range and high-speed
personal laser scanning (PLS) and simultaneous localization and mapping (SLAM)
technology. Remote Sensing. 12(9):1509-1520.
Harding DJ, Lefsky MA, Parker GG, Blair JB. 2001. Laser altimeter canopy height profiles -
Methods and validation for closed-canopy, broadleaf forests. Remote Sensing
Environment. 76: 283–297.
Hess W, Kohler D, Rapp H, Andor D. 2016, May. Real-time loop closure in 2D LIDAR SLAM.
In 2016 IEEE international conference on robotics and automation. 1: 1271-1278.
Hess W, Kohler D, Rapp H, Andor D. 2016. Real-time loop closure in 2D LIDAR SLAM. In
Proceedings - IEEE International Conference on Robotics and Automation. 1: 1271–
1278. doi:10.1109/ICRA.2016.7487258
Hopkinson C, Lovell J, Chasmer L, Jupp D, Kljun N, van Gorsel E. 2013. Integrating terrestrial
and airborne lidar to calibrate a 3D canopy model of effective leaf area index. Remote
Sensing Environment. 136: 301–314.
Iwaszczuk D, Goebel M, Du Y, Schmidt J, Weinmann M. 2023. Potential of mobile mapping
to create digital twins of forests. The International Archives of the Photogrammetry,
Remote Sensing and Spatial Information Sciences. 48: 199-206.
Khan MU, Zaidi SAA, Ishtiaq A, Bukhari SUR, Samer S, Farman A. 2021. A comparative
survey of lidar-slam and lidar based sensor technologies. In 2021 Mohammad Ali
Jinnah University International Conference on Computing (MAJICC). 1: 1-8.
Kolakowski M, Djaja-Josko V, Kolakowski J. 2020. Static LiDAR assisted UWB anchor nodes
localization. IEEE Sensors Journal. 22(6): 5344-5351.
Lach SR, Kerekes JP. 2008. Robust extraction of exterior building boundaries from
topographic LiDAR data. In IGARSS 2008-2008 IEEE International Geoscience and
Remote Sensing Symposium. 2: 11-85.
Liang X, Kukko A, Hyyppa J, Lehtomaki M, Pyorala J, Yu X, Kaartinen H, Jaakkola A, Wang
Y. 2018. In-situ measurements from mobile platforms: An emerging approach to
address the old challenges associated with forest inventories. ISPRS J. Photogramm.
Remote Sens. 143: 97–107.
Liang X, Kukko A, Kaartinen H, Hyyppa J, Yu X, Jaakkola A, Wang Y. 2014. Possibilities of
a personal laser scanning system for forest mapping and ecosystem services. Sensors.
14: 1228–1248.
Oveland I, Hauglin M, Giannetti F, Kjorsvik NS, Gobakken T. 2018. Comparing three different
ground based laser scanning methods for tree stem detection. Remote Sensing. 10:
538-558.
Ryding J, Williams E, Smith M, Eichhorn M. 2015. Assessing handheld mobile laser scanners
for forest surveys. Remote Sensing. 7: 1095–1111.
Shugart HH, Saatchi S, Hall FG. 2010. Importance of structure and its measurement in
quantifying function of forest ecosystems. J. Geophys. Res.-Biogeosci. 115: 1-10.
Thrun S, Montemerlo M. 2006. The graph SLAM algorithm with applications to large-scale
mapping of urban structures. Int. J. Robot. Res.
Van Nam D, Gon-Woo K. 2021. Solid-state LiDAR based-SLAM: A concise review and
application. International Conference on Big Data and Smart Computing. 1: 302–305.
doi:10.1109/BigComp51126.2021.00064.
Waykar, Yashwant. 2022. Lidar Technology: A Comprehensive Review and Future Prospects.
JETIR. 9 (7): 164-172.
Wicaksono M, Shin SY. 2023. GO-SLAM: GPS-aided visual slam for adaptive uav navigation
in outdoor-indoor environments. TechRxiv. 1: 1-8. DOI:
10.36227/techrxiv.23898246.v1
Xu X, Zhang L, Yang J, Cao C, Wang W, Ran Y, Tan Z, Luo M. 2022. A review of multi-
sensor fusion slam systems based on 3D LIDAR. Remote Sensing. 14(12): 2835-2845.
Yagfarov R, Ivanou M, Afanasyev I. 2018. Map comparison of LiDAR-based 2D SLAM
algorithms using precise ground truth. In 2018 15th International Conference on
Control, Automation, Robotics and Vision. 1: 1979–1983. doi:
10.1109/ICARCV.2018.8581131.
Zaffar M, Ehsan S, Stolkin R, Maier KM. 2018. Sensors, slam and long-term autonomy: A
review. In 2018 NASA/ESA Conference on Adaptive Hardware and Systems. 1: 285-
290.