FAKULTAS TEKNIK
PROSEDUR PENGOLAHAN
EKSTRAKSI DATA
PERMUKAAN TANAH
KATA PENGANTAR
Dengan rasa syukur dan penuh kerendahan hati, kami mengawali modul pelatihan ini
dengan mengucapkan puji syukur kepada Tuhan Yang Maha Esa atas karunia-Nya yang telah
melimpahkan berkah dan petunjuk dalam penyusunan materi ini. Kami menyadari bahwa
perjalanan pembuatan modul ekstraksi data permukaan tanah ini bukanlah suatu usaha yang
bisa dilakukan dengan sendirinya, melainkan hasil kolaborasi dan dukungan berbagai pihak
yang patut kami hargai.
Kami ingin mengucapkan terima kasih kepada Badan Pertanahan Nasional (BPN) yang
telah memberikan izin dan dukungan dalam pengembangan modul ini. Kolaborasi dengan BPN
telah memungkinkan kami untuk mengakses data dan sumber daya yang sangat berharga dalam
penyusunan modul pelatihan ini. Selain itu, kami juga mengucapkan terima kasih kepada
Departemen Teknik Geodesi, Universitas Gadjah Mada (UGM) atas dukungan dan fasilitas
yang telah disediakan dalam rangka penyelenggaraan pelatihan ini. Dukungan ini menjadi
landasan utama dalam penyusunan modul yang komprehensif dan bermanfaat bagi peserta
pelatihan.
Dalam menyusun modul ini, kami sadar sepenuhnya bahwa tidak ada pekerjaan yang
sempurna. Oleh karena itu, dalam modul ini, kami tetap membuka diri untuk menerima
masukan, saran, dan kritik yang membangun dari para pengguna. Kami menyadari bahwa
kekurangan dan keterbatasan mungkin ada, namun kami berkomitmen untuk terus
memperbaiki dan memperbarui modul ini agar dapat memberikan manfaat yang semakin
optimal. Semoga modul pelatihan ekstraksi data permukaan tanah ini dapat menjadi sumber
pengetahuan yang berguna bagi Anda semua.
Selamat belajar dan semoga sukses dalam menjalani pelatihan ini.
Tim Penyusun
DAFTAR ISI
KATA PENGANTAR........................................................................................................... 1
DAFTAR ISI ........................................................................................................................ 2
DAFTAR GAMBAR ............................................................................................................ 4
DAFTAR TABEL ................................................................................................................. 6
Panduan Ground Point Cloud Filtering dengan CSF ............................................................. 7
A. Pendahuluan............................................................................................................ 7
B. Tujuan .................................................................................................................... 7
C. Peralatan ................................................................................................................. 8
D. Langkah Pengolahan ............................................................................................... 8
❖ Import Data Point Cloud...................................................................................... 8
❖ Proses Filtering CSF ......................................................................................... 11
❖ Pembuatan DTM ............................................................................................... 13
❖ Uji DTM ........................................................................................................... 13
Panduan Klasifikasi Ground Point Cloud dengan Agisoft ................................................... 14
A. Pendahuluan.......................................................................................................... 14
B. Tujuan .................................................................................................................. 14
C. Peralatan ............................................................................................................... 14
D. Langkah Pengolahan ............................................................................................. 15
❖ Import Data Point Cloud.................................................................................... 15
❖ Proses Klasifikasi Agisoft .................................................................................. 17
❖ Pembuatan DTM ............................................................................................... 20
❖ Uji DTM ........................................................................................................... 20
Panduan Klasifikasi Ground Point Cloud dengan Deep Learning ........................................ 21
A. Pendahuluan.......................................................................................................... 21
B. Tujuan .................................................................................................................. 21
C. Peralatan ............................................................................................................... 21
D. Langkah Pengolahan ............................................................................................. 22
❖ Instalasi Software .............................................................................................. 24
❖ Pembuatan Virtual Environment ........................................................................ 24
❖ Instalasi Modul & Library ................................................................................. 26
❖ Susunan Folder Pengolahan Data ....................................................................... 27
❖ Split Dataset ...................................................................................................... 30
❖ Preparing Dataset ............................................................................................. 35
❖ Training Deep Learning .................................................................................... 37
DAFTAR GAMBAR
Gambar 1 Ilustrasi metode CSF (Zhang et al., 2016) ............................................................. 7
Gambar 2 Pengunduhan aplikasi CloudCompare ................................................................... 8
Gambar 3 Flowchart pembuatan DTM dengan CSF Filtering ............................................... 8
Gambar 4 Tampilan awal CloudCompare .............................................................................. 9
Gambar 5 Memilih data point cloud untuk di-import ............................................................. 9
Gambar 6 Konfigurasi informasi yang akan dimasukkan bersama data point cloud ............. 10
Gambar 7 Parameter translasi koordinat ke sistem koordinat lokal untuk visualisasi data .... 10
Gambar 8 Hasil import data point cloud ke dalam CloudCompare ....................................... 10
Gambar 9 Menu CSF Filter ................................................................................................. 11
Gambar 10 Konfigurasi parameter CSF Filter ..................................................................... 12
Gambar 11 Ground dan Off-Ground points hasil filtering CSF ............................................ 12
Gambar 12 Proses export ground points hasil filtering CSF................................................. 13
Gambar 13 Flowchart pembuatan DTM dengan Agisoft Metashape .................................... 15
Gambar 14 Tampilan awal Agisoft Metashape .................................................................... 15
Gambar 15 Import data point cloud ke dalam Agisoft.......................................................... 16
Gambar 16 Parameter import point cloud ke Agisoft ........................................................... 16
Gambar 17 Tampilan data point cloud dalam Agisoft .......................................................... 17
Gambar 18 Menu Classify Ground Points di Agisoft ........................................................... 17
Gambar 19 Parameter Classify Ground Points..................................................................... 18
Gambar 20 Hasil Classify Ground Points Agisoft................................................................ 18
Gambar 21 Export point cloud hasil klasifikasi ................................................................... 19
Gambar 22 Memilih kelas ground untuk di-export .............................................................. 19
Gambar 23 Alur ekstraksi ground point cloud dengan deep learning ................................... 23
Gambar 24 Membuka Anaconda Prompt ...................................................................... 24
Gambar 25 Tampilan awal Anaconda Prompt ............................................................... 25
Gambar 26 Pembuatan virtual environment ......................................................................... 25
Gambar 27 Proses pembuatan virtual environment .............................................................. 25
Gambar 28 Proses aktivasi virtual environment ................................................................... 26
Gambar 29 Instalasi modul dan library................................................................................ 26
Gambar 30 Pengecekan Pytorch GPU ................................................................................. 27
Gambar 31 Susunan data di folder utama ............................................................................ 28
Gambar 32 Isi folder data (a), data_utils (b), dan models (c) ................................................ 28
Gambar 33 Data point cloud diletakkan di folder data/data .................................................. 29
Gambar 34 Ilustrasi data training, validation, dan test ......................................................... 31
Gambar 35 Alur proses deep learning untuk klasifikasi ground ........................................... 31
Gambar 36 Tampilan awal CloudCompare .......................................................................... 31
Gambar 37 Import data point cloud ke CloudCompare ........................................................ 32
Gambar 38 Hasil CSF Filtering ........................................................................................... 32
Gambar 39 Proses refinement data ...................................................................................... 32
Gambar 40 Pemberian label ground truth pada data ............................................................ 33
Gambar 41 Hasil proses labeling ground truth .................................................................... 33
Gambar 42 Proses split data ................................................................................................ 34
Gambar 43 Proses export data hasil split ............................................................................. 34
Gambar 44 Ilustrasi label data training dan validation ........................................................ 35
Gambar 45 Isi file list.txt dan npy_data_list.txt .................................................................... 36
Gambar 46 Code menjalankan data_preparation.py ................................................ 36
Gambar 47 Proses data_preparation.py ................................................................................ 37
Gambar 48 Hasil data_preparation ........................................................................... 37
Gambar 49 Code menjalankan train_semseg.py ......................................................... 38
Gambar 50 Proses training deep learning ............................................................................ 38
Gambar 51 Model deep learning hasil training ................................................................... 39
Gambar 52 Code menjalankan test_semseg.py ........................................................... 39
Gambar 53 Hasil evaluasi model ......................................................................................... 40
Gambar 54 Data test area ground truth (a) dan prediksi model (b) ...................................... 40
Gambar 55 Code menjalankan predict_semseg.py .................................................... 41
Gambar 56 Data point cloud RGB dan hasil klasifikasi ground ........................................... 41
Gambar 57 Proses pemisahan ground dan non-ground dari data hasil klasifikasi ................. 42
Gambar 58 Ilustrasi titik sampel untuk uji DTM .................................................................. 43
DAFTAR TABEL
Tabel 1 Software pengolahan klasifikasi ground point cloud dengan deep learning ............. 24
Tabel 2 Daftar library untuk klasifikasi ground point cloud dengan deep learning .............. 26
Pada ground filtering dengan CSF, data point cloud pada awalnya dibalik, kemudian
sebuah “kain” dengan resolusi tertentu dijatuhkan pada permukaan yang terbalik tersebut
dari atas. Dengan menganalisa interaksi antara nodes di kain dan data point cloud maka
bentuk akhir dari “kain” tersebut dapat digunakan untuk mengklasifikasikan data point
cloud menjadi ground dan off-ground.
B. Tujuan
Tujuan yang ingin dicapai dari proses filtering ground point cloud dengan metode CSF
yakni:
1) Melakukan filtering ground point cloud dengan metode CSF
2) Melakukan pembuatan DTM dari ground point cloud hasil filtering metode CSF
3) Menguji dan mengevaluasi DTM yang dihasilkan
C. Peralatan
Peralatan yang digunakan untuk filtering ground point cloud dengan metode CSF
adalah aplikasi CloudCompare. Aplikasi CloudCompare merupakan aplikasi free yang
dapat digunakan untuk pengolahan dasar data point cloud. CloudCompare dapat diunduh
melalui laman https://www.danielgm.net/cc/release/. Versi CloudCompare yang
disarankan digunakan adalah versi terbaru dan disesuaikan dengan sistem operasi yang
dijalankan di perangkat (Windows/ Linux/ MacOS).
D. Langkah Pengolahan
Secara garis besar, pembentukan DTM dengan aplikasi CloudCompare cukup mudah
dan sederhana. Langkahnya yakni: (1) Import data point cloud ke dalam CloudCompare,
(2) melakukan CSF Filtering menghasilkan ground point cloud, (3) Export data ground
point cloud dan (4) melakukan pembentukan DTM. Alur pengolahan data untuk
membentuk DTM dari ground point cloud hasil CSF filtering ditunjukkan Gambar 3
berikut.
Gambar 6 Konfigurasi informasi yang akan dimasukkan bersama data point cloud
Gambar 7 Parameter translasi koordinat ke sistem koordinat lokal untuk visualisasi data
Hasil import data point cloud akan memunculkan data di dalam aplikasi
CloudCompare.
10 | P r o s e d u r K l a s i f i k a s i G r o u n d P o i n t C l o u d
Pilot Project Geo-AI
5. Lakukan pengaturan parameter untuk proses ground filtering. Terdapat beberapa menu
setting pada jendela CSF Filter yaitu General Parameter Setting dan Advanced
Parameter Setting. Setelah pengaturan dan konfigurasi parameter, klik OK
untuk memulai proses filtering.
• Pada General parameter setting dapat diatur tipe terrain yang akan
diolah, apakah termasuk ke dalam tipe yang curam (steep), tipe relief, atau tipe datar
(flat). Selain itu opsi slope processing juga dapat diaktifkan untuk
mempertimbangkan slope pada data.
• Pada Advanced Parameter Setting dapat diatur 3 parameter:
- Cloth Resolution mengatur ukuran grid atau resolusi cloth yang akan
menutupi terrain. Semakin besar nilai cloth maka DTM yang dihasilkan
semakin kasar.
11 | P r o s e d u r K l a s i f i k a s i G r o u n d P o i n t C l o u d
Pilot Project Geo-AI
Hasil dari proses CSF Filter adalah data point cloud Ground points dan Off-Ground
points. Data ground points menyatakan data point cloud dari kenampakan ground,
sedang off-ground menyatakan objek yang bukan ground.
6. Data ground points kemudian di-export dengan cara pilih file ground points → klik
File → Save → Pilih format penyimpanan data dan klik Save.
12 | P r o s e d u r K l a s i f i k a s i G r o u n d P o i n t C l o u d
Pilot Project Geo-AI
❖ Pembuatan DTM
7. Setelah data ground points hasil CSF Filtering di-export, dapat dilakukan pembuatan
DTM dengan aplikasi spasial yang dapat melakukan pembuatan DTM seperti Global
Mapper, QGIS, dan ArcGIS.
❖ Uji DTM
8. Setelah DTM terbentuk, dapat dilakukan proses uji DTM dengan cara membandingkan
nilai Z (elevasi) dari DTM yang dibentuk dengan data yang dianggap lebih akurat
seperti data elevasi dari LiDAR maupun hasil pengukuran GNSS. Konsepnya adalah
membandingkan elevasi DTM terbentuk dengan elevasi yang dianggap lebih benar dari
beberapa titik sampel di seluruh area. Kemudian pada titik sampel diketahui nilai Z
(elevasi) dari DTM terbentuk dan nilai Z (elevasi) dari data yang lebih akurat seperti
LiDAR dan GNSS, kemudian uji DTM ditentukan oleh parameter Root Mean Square
Error dengan rumus:
∑𝑁 (𝑍̅𝑖 − 𝑍𝑖 )2
𝑅𝑀𝑆𝐸 = √ 𝑖=1
𝑁
Dengan:
𝑍̅𝑖 = Nilai elevasi yang dianggap benar (LiDAR/ GNSS)
𝑍𝑖 = Nilai elevasi dari DTM yang dibentuk
𝑁 = Jumlah titik sampel
Semakin kecil nilai RMSE, maka DTM yang dihasilkan semakin akurat.
13 | P r o s e d u r K l a s i f i k a s i G r o u n d P o i n t C l o u d
Pilot Project Geo-AI
B. Tujuan
Tujuan yang ingin dicapai dari proses klasifikasi ground point cloud dengan Agisoft yakni:
1) Melakukan klasifikasi ground point cloud dengan Agisoft
2) Melakukan pembuatan DTM dari ground point cloud hasil klasifikasi Agisoft
3) Menguji dan mengevaluasi DTM yang dihasilkan
C. Peralatan
Aplikasi yang digunakan untuk klasifikasi ground points adalah Agisoft Metashape
yang dapat diunduh di laman: https://www.agisoft.com/downloads/installer/. Agisoft
Metashape merupakan aplikasi license/ komersial sehingga terdapat biaya pembelian
aplikasi. Disarankan pula digunakan Agisoft Metashape dengan versi terbaru untuk
mendapatkan fitur yang lebih lengkap.
14 | P r o s e d u r K l a s i f i k a s i G r o u n d P o i n t C l o u d
Pilot Project Geo-AI
D. Langkah Pengolahan
Secara garis besar, pembentukan DTM dengan aplikasi Agisoft Metashape cukup
mudah dan sederhana. Langkahnya yakni: (1) Import data point cloud ke dalam Agisoft
Metashape, (2) melakukan Classify Ground Points untuk menghasilkan ground point
cloud, (3) Export data ground point cloud dan (4) melakukan pembentukan DTM. Alur
pengolahan data untuk membentuk DTM dari ground point cloud hasil klasifikasi Agisoft
Metashape ditunjukkan Gambar 13 berikut.
2. Import data point cloud ke dalam Agisoft Metashape. Agisoft dapat membuka beragam
file format point cloud seperti ASCII (*.pts), LAS, LAZ, e57, ply, pcd, obj, dan lain-
lain. Masukkan data point cloud dengan cara klik File → Import → Import
Point Cloud → Pilih data yang akan dimasukkan.
15 | P r o s e d u r K l a s i f i k a s i G r o u n d P o i n t C l o u d
Pilot Project Geo-AI
3. Pada jendela Import Point Cloud, tentukan sistem koordinat yang digunakan data point
cloud.
16 | P r o s e d u r K l a s i f i k a s i G r o u n d P o i n t C l o u d
Pilot Project Geo-AI
Apabila data point cloud belum muncul setelah di-import, klik Point Cloud ( ) untuk
menampilkan data point cloud.
17 | P r o s e d u r K l a s i f i k a s i G r o u n d P o i n t C l o u d
Pilot Project Geo-AI
a) Max angle, menentukan salah satu persyaratan suatu point dianggap sebagai
ground atau bukan. Parameter ini menentukan batas atau limitasi sudut yang
diperbolehkan antara model terrain dengan garis penghubung antara titik point
cloud dengan titik dari kelas ground (titik terendah). Untuk area datar, sudut 15°
sudah cukup, namun dapat diperbesar jika area memiliki relief yang tajam atau
curam.
b) Max distance, menentukan salah satu persyaratan suatu point dianggap sebagai
ground atau bukan. Parameter ini menentukan batas atau limitasi jarak antara point
dengan model terrain.
c) Cell size, menentukan ukuran cell yang akan membagi data point cloud.
Pengolahan klasifikasi ground akan dilakukan untuk masing-masing cell.
18 | P r o s e d u r K l a s i f i k a s i G r o u n d P o i n t C l o u d
Pilot Project Geo-AI
Apabila hasil klasifikasi belum muncul, klik opsi Point Cloud – Classes pada tampilan
Point Cloud ( ).
6. Hasil klasifikasi ground kemudian di-export untuk dibentuk DTM dengan cara klik
File → Export → Export Point Cloud.
Dalam porses export, dapat diatur kelas yang di-export adalah kelas ground saja
sehingga langsung dapat dilakukan pembentukan DTM di aplikasi spasial.
19 | P r o s e d u r K l a s i f i k a s i G r o u n d P o i n t C l o u d
Pilot Project Geo-AI
❖ Pembuatan DTM
7. Setelah data ground points hasil klasifikasi RF di Agisoft di-export, dapat dilakukan
pembuatan DTM dengan aplikasi spasial yang dapat melakukan pembuatan DTM
seperti Global Mapper, QGIS, dan ArcGIS.
❖ Uji DTM
8. Setelah DTM terbentuk, dapat dilakukan proses uji DTM dengan cara membandingkan
nilai Z (elevasi) dari DTM yang dibentuk dengan data yang dianggap lebih akurat
seperti data elevasi dari LiDAR maupun hasil pengukuran GNSS. Konsepnya adalah
membandingkan elevasi DTM terbentuk dengan elevasi yang dianggap lebih benar dari
beberapa titik sampel di seluruh area. Kemudian pada titik sampel diketahui nilai Z
(elevasi) dari DTM terbentuk dan nilai Z (elevasi) dari data yang lebih akurat seperti
LiDAR dan GNSS, kemudian uji DTM ditentukan oleh parameter Root Mean Square
Error dengan rumus:
∑𝑁 (𝑍̅𝑖 − 𝑍𝑖 )2
𝑅𝑀𝑆𝐸 = √ 𝑖=1
𝑁
Dengan:
𝑍̅𝑖 = Nilai elevasi yang dianggap benar (LiDAR/ GNSS)
𝑍𝑖 = Nilai elevasi dari DTM yang dibentuk
𝑁 = Jumlah titik sampel
Semakin kecil nilai RMSE, maka DTM yang dihasilkan semakin akurat.
20 | P r o s e d u r K l a s i f i k a s i G r o u n d P o i n t C l o u d
Pilot Project Geo-AI
A. Pendahuluan
Perkembangan deep learning membawa banyak perubahan dan otomatisasi di berbagai
bidang, termasuk analisis data geospasial. Point cloud yang merupakan data representasi
ruang 3D dan dapat diperoleh dari berbagai sensor seperti LiDAR dan foto udara, semakin
dibutuhkan karena aplikatif untuk berbagai hal seperti autonomous driving, rencana tata
ruang kota, monitoring lingkungan, dan lain-lain. Salah satu tahapan paling penting dalam
analisis data point cloud adalah melakukan klasifikasi ground. Hal ini dikarenakan ground
seringkali memuat informasi penting dan esensial untuk pemodelan terrain atau relief
permukaan. Metode deep learning seperti Dynamic Graph Convolutional Neural Network
(DGCNN) dapat digunakan sebagai instrumen powerful untuk klasifikasi ground secara
otomatis dari data point cloud yang kompleks.
B. Tujuan
Tujuan dari klasifikasi ground point cloud dengan deep learning yakni:
1) Melakukan instalasi perangkat, environment, modul, dan library yang dibutuhkan
untuk klasifikasi ground point cloud dengan deep learning
2) Melakukan preparing data point cloud untuk training ground point cloud dengan deep
learning
3) Melakukan klasifikasi (predict) ground point cloud dengan deep learning
4) Melakukan pembuatan DTM dari ground point cloud hasil klasifikasi dengan deep
learning
5) Menguji dan mengevaluasi DTM yang dihasilkan
C. Peralatan
Peralatan yang digunakan untuk melakukan klasifikasi ground point cloud dengan deep
learning meliputi:
a. Perangkat keras yang digunakan adalah 1-unit komputer (PC)/ Laptop dengan
spesifikasi yang mumpuni untuk dilakukan pengolahan deep learning. Komponen yang
wajib dimiliki yakni Graphical Processing Unit (GPU) NVIDIA. Semakin tinggi seri
GPU NVIDIA yang digunakan seperti NVIDIA RTX maka waktu pengolahan akan
21 | P r o s e d u r K l a s i f i k a s i G r o u n d P o i n t C l o u d
Pilot Project Geo-AI
semakin cepat. Selain GPU, dibutuhkan komponen lain seperti VRAM, RAM, dan
Storage yang cukup
b. Anaconda/ Miniconda Navigator, berfungsi sebagai prompt untuk membuat virtual
environment, instalasi modul & library, dan menjalankan script code/ program Python
yang dibuat
c. Visual Studio Code, berfungsi untuk membuat dan mengedit script code/ program
Python untuk klasifikasi ground point cloud dengan deep learning
d. CloudCompare, berfungsi untuk visualisasi data point cloud dan splitting area point
cloud menjadi training data, validation data, dan testing data. Selain itu, proses
labeling ground truth untuk training dan validation data juga dapat dilakukan dengan
CloudCompare.
e. Aplikasi Spasial seperti ArcMap, QGIS, Global Mapper, untuk membuat DTM dari
data point cloud ground hasil klasifikasi dengan deep learning dan Uji DTM
f. Notepad++, untuk cek konten atau isi dari data point cloud
D. Langkah Pengolahan
Secara garis besar, Langkah pengolahan klasifikasi point cloud ground dengan deep
learning terbagi menjadi beberapa tahapan meliputi: (1) persiapan perangkat; (2) persiapan
data; (3) proses deep learning dan (4) pembuatan DTM, ditunjukkan pada Gambar 23
berikut. Pada tahap awal di persiapan perangkat akan dilakukan instalasi software yang
digunakan untuk pengolahan, juga mencakup pembuatan virtual environment. Di dalam
virtual environment yang dibuat, kemudian dilakukan instalasi modul & library yang
dibutuhkan untuk proses deep learning.
Pada tahap persiapan data, data point cloud di-split atau dipecah menjadi beberapa
dataset meliputi training dataset, validation dataset, dan test dataset. Training dataset
merupakan bagian dari data point cloud yang digunakan deep learning untuk belajar,
menemukan informasi dan mengekstraksi pola dari data point cloud. Validation dataset
merupakan bagian dari data point cloud yang digunakan untuk memvalidasi akurasi atau
performa model deep learning hasil training. Test dataset merupakan bagian dari data point
cloud yang belum pernah dilihat model sebelumnya bertujuan untuk mengevaluasi
performa keseluruhan model deep learning. Setelah proses split dataset, data training dan
validation kemudian ditransformasi menjadi bentuk blok-blok data point cloud dengan
tujuan efisiensi waktu untuk training dan menghemat memori pemrosesan data.
22 | P r o s e d u r K l a s i f i k a s i G r o u n d P o i n t C l o u d
Pilot Project Geo-AI
Tahapan berikutnya setelah persiapan data adalah melakukan training deep learning
menggunakan model DGCNN dengan training dan validation dataset. Hasil proses
23 | P r o s e d u r K l a s i f i k a s i G r o u n d P o i n t C l o u d
Pilot Project Geo-AI
training adalah model deep learning yang kemudian dilanjutkan proses testing untuk
menguji performa model yang dihasilkan. Model deep learning yang memiliki performa
cukup baik kemudian dapat digunakan untuk predict data yang belum pernah model lihat
sebelumnya. Hasilnya adalah data point cloud yang sudah terklasifikasi menjadi ground
dan non-ground. Data point cloud ground kemudian dapat dibentuk DTM yang selanjutnya
diuji dan dievaluasi. Secara mendetail, Langkah yang dilakukan meliputi:
❖ Instalasi Software
1. Melakukan pengunduhan dan instalasi software/ perangkat lunak yang akan digunakan
untuk pengolahan. Aplikasi yang digunakan merupakan aplikasi Free/ Open-Source
yang dapat diunduh secara gratis. Tautan yang digunakan untuk mengunduh aplikasi-
aplikasi yang digunakan ditunjukkan pada Tabel 1 berikut:
Tabel 1 Software pengolahan klasifikasi ground point cloud dengan deep learning
24 | P r o s e d u r K l a s i f i k a s i G r o u n d P o i n t C l o u d
Pilot Project Geo-AI
Script code diatas bertujuan untuk membuat virtual environment (venv) baru dengan
nama bpn dan versi python 3.9. Nama venv dapat diatur sesuai kebutuhan. Ketik Y
jika terdapat opsi untuk meng-install modul yang dibutuhkan virtual environment.
Kemudian tunggu hingga proses pembuatan virtual environment selesai.
25 | P r o s e d u r K l a s i f i k a s i G r o u n d P o i n t C l o u d
Pilot Project Geo-AI
26 | P r o s e d u r K l a s i f i k a s i G r o u n d P o i n t C l o u d
Pilot Project Geo-AI
menggunakan GPU yakni dengan menjalankan script dibawah 1 per 1. Jika hasilnya
adalah True maka Pytorch sudah menggunakan GPU.
Python
import torch
torch.cuda.is_available()
torch.cuda.device_count()
torch.cuda.current_device()
torch.cuda.get_device_name(0)
Apabila seluruh modul dan library yang akan digunakan untuk proses ground filtering
dengan deep learning telah berhasil di-install, maka selanjutnya adalah dilakukan
proses persiapan data untuk diklasifikasikan.
27 | P r o s e d u r K l a s i f i k a s i G r o u n d P o i n t C l o u d
Pilot Project Geo-AI
(a)
(b)
(c)
Gambar 32 Isi folder data (a), data_utils (b), dan models (c)
Untuk data point cloud (format LAS 1.2), akan disimpan dalam folder data/data.
28 | P r o s e d u r K l a s i f i k a s i G r o u n d P o i n t C l o u d
Pilot Project Geo-AI
Struktur folder dan script serta kegunaan masing-masing ditunjukkan sebagai berikut.
Folder data
Folder data Memuat file data point cloud (format
LAS) yang akan diklasifikasikan
29 | P r o s e d u r K l a s i f i k a s i G r o u n d P o i n t C l o u d
Pilot Project Geo-AI
Pastikan susunan folder telah sesuai, karena kesalahan dalam penyusunan ini akan
menyebabkan error saat menjalankan program.
❖ Split Dataset
Catatan: Apabila tidak ingin dilakukan proses training dan hanya ingin melakukan
proses prediction atau mengklasifikasikan ground point cloud langsung dengan
global model yang disediakan, maka langkah ini dapat dilewati. Langkah ini
bertujuan untuk membagi data point cloud yang ada menjadi training, validation dan
test dataset.
30 | P r o s e d u r K l a s i f i k a s i G r o u n d P o i n t C l o u d
Pilot Project Geo-AI
Susunan kolom untuk dataset point cloud training dan validation, yakni:
X Y Z R G B Intensity Classification
Secara garis besar, penggunaan training, validation, dan test dataset ditunjukkan pada
alur berikut.
Proses split dataset dapat dilakukan menggunakan beberapa aplikasi point cloud,
namun salah satu opsi yang paling mudah adalah dengan menggunakan Cloud
Compare. Langkahnya yakni sebagai berikut:
- Buka aplikasi Cloud Compare
31 | P r o s e d u r K l a s i f i k a s i G r o u n d P o i n t C l o u d
Pilot Project Geo-AI
- Masukkan data point cloud dengan cara klik Open dan pilih data point cloud atau
drag and drop data point cloud ke CloudCompare.
- Data point cloud yang digunakan untuk training maupun validation dataset
membutuhkan label Ground Truth. Pembuatan label Ground Truth dilakukan
dengan melakukan segmentasi manual dengan tools Segment ( ) atau melakukan
refinement dengan CSF Filter. Langkah filtering dengan CSF telah dijabarkan di
awal panduan ini.
32 | P r o s e d u r K l a s i f i k a s i G r o u n d P o i n t C l o u d
Pilot Project Geo-AI
- Setelah data point cloud terbagi menjadi 2, masing-masing dapat diberikan label
Ground Truth dengan klik Add Constant SF ( ), ketik Classification, dan
masukkan nilai berikut:
Value = 0 untuk area Off-Ground
Value = 1 untuk area Ground
- Setelah data off-ground dan ground diberikan label Ground Truth, gabungkan
kembali kedua data off-ground dan ground menjadi 1 dengan klik secara
berurutan data off-ground lalu data ground dan klik Merge Multiple Clouds ( ),
dan pilih No untuk tidak membuat Original Scalar Index.
- Setelah data point cloud telah memiliki label Ground Truth, berikutnya dilakukan
split data training dan validation dataset. Gunakan tools Segment ( ) untuk
membagi atau split dataset. Pilih sekitar 60-70% dari keseluruhan data point cloud
sebagai data training dan sisanya yakni 30-40% dari keseluruhan data point cloud
diluar training dataset menjadi validation dataset.
33 | P r o s e d u r K l a s i f i k a s i G r o u n d P o i n t C l o u d
Pilot Project Geo-AI
- Data point cloud yang telah ter-split atau terbagi menjadi 2 kemudian masing-
masing disimpan dengan klik Save ( ) dan pilih format LAS 1.2 dan Point Format
2. Untuk Scalar Fields Mapping pastikan Intensity dan Classification sudah berada
pada Scalar Field yang sesuai.
6. Setelah data point cloud terbagi menjadi training, validation dan test dataset, data
training dan validation akan digunakan untuk proses training dan membentuk model
deep learning sedangkan test dataset merupakan data baru yang ingin diklasifikasikan
dan belum pernah dilihat model sebelumnya.
34 | P r o s e d u r K l a s i f i k a s i G r o u n d P o i n t C l o u d
Pilot Project Geo-AI
Untuk test dataset, data point cloud tidak perlu diberikan label yang benar karena data
ini yang ingin diklasifikasikan ground point cloud-nya. Dengan demikian untuk data
test dataset susunan data point cloud adalah:
X Y Z R G B Intensity
❖ Preparing Dataset
7. Setelah data point cloud dipersiapkan, kemudian data akan dilakukan pre-processing
terlebih dahulu sebelum dilakukan pengolahan deep learning. Untuk keseluruhan data
kemudian dikonversi ke format Numpy (*.npy) yang menjadi input untuk proses testing
dan prediction. Sedang untuk proses training, data akan dibagi menjadi beberapa blok
tersimpan dalam format H5. Tahapan preparing dataset meliputi:
- Pastikan seluruh data point cloud yang akan diolah berada dalam folder yang benar
yakni di folder data/data.
- Pada file list.txt, isikan nama file yang akan diolah secara berurutan.
Direkomendasikan untuk memberikan nama file diawali dengan Area_ diikuti
nomor area. Hal ini berkaitan dengan penamaan file di dalam program. Adapun
setelah proses deep learning setelah data kemudian dapat di-rename Kembali.
35 | P r o s e d u r K l a s i f i k a s i G r o u n d P o i n t C l o u d
Pilot Project Geo-AI
- Pada file npy_data_list.txt, isikan nama file yang akan diolah secara
berurutan. Isi file ini adalah sama dengan file list.txt, yang membedakan adalah pada
format akhir data yang ditulis di file ini diakhiri dengan *.npy.
- Setelah data telah berada di folder yang benar, file list.txt dan
npy_data_list.txt sudah terisi dengan benar, buka Anaconda Prompt
dan aktifkan virtual environment yang sudah dibuat sebelumnya.
- Arahkan Prompt ke folder data_preparation.py
- Jalakan script data_preparation.py dengan ketikkan pada Prompt sebagai
berikut:
python data_preparation.py
- Secara otomatis program akan mengolah data point cloud yakni mengkonversi data
point cloud LAS menjadi NPY dan disimpan dalam folder sem_seg_data dan
melakukan split data menjadi block untuk training deep learning dalam format H5
dan disimpan di folder sem_seg_hdf5_data.
36 | P r o s e d u r K l a s i f i k a s i G r o u n d P o i n t C l o u d
Pilot Project Geo-AI
37 | P r o s e d u r K l a s i f i k a s i G r o u n d P o i n t C l o u d
Pilot Project Geo-AI
8. Setelah data ter-split menjadi beberapa block dan disimpan dalam format H5 di folder
data/sem_seg_hdf5_data, maka data tersebut dapat dijadikan training data
untuk proses training. Langkahnya yakni:
- Pada Anaconda Prompt, pastikan virtual environment yang sudah dibuat masih
aktif. Arahkan Prompt ke folder pengolahan yakni folder yang sama dengan file
train_semseg.py
- Lakukan proses training dengan mengetikkan code:
python train_semseg.py --exp_name bpn --batch_size 16
--test_batch_size 8 --epoch 100 --model_root
log/sem_seg/bpn/checkpoint/
Catatan:
• Apabila terdapat error karena Memory Error, maka nilai batch size dapat
diturunkan menjadi 8 dan test batch size menjadi 4, jika masih terjadi
Memory Error maka lakukan pengurangan dengan menjadikan nilainya
setengah dari nilai awal.
• Apabila dirasa epoch pengolahan terlalu banyak, maka dapat dikurangi sesuai
yang diinginkan. Pertimbangannya adalah jika jumlah epoch terlalu sedikit
maka model belum bisa mempelajari data sehingga hasilnya kurang akurat,
namun jika terlalu lama maka tidak efisien waktu.
38 | P r o s e d u r K l a s i f i k a s i G r o u n d P o i n t C l o u d
Pilot Project Geo-AI
- Hasil dari proses training yakni akan muncul folder baru di folder utama yakni
folder log yang berisi model deep learning hasil training. Model dapat dicek di
folder log/sem_seg/bpn/checkpoint. File best_model.t7 merupakan
model deep learning hasil training.
Catatan:
• Apabila terdapat error karena Memory Error, maka nilai batch size dapat
diturunkan menjadi 8, jika masih terjadi Memory Error maka lakukan
pengurangan dengan menjadikan nilainya setengah dari nilai awal.
• Apabila ingin menguji model di test area yang berbeda, maka ganti parameter
--test_area dengan nomor akhir test area yang diinginkan
- Hasil dari proses testing yakni nilai Intesection Over Union (IoU) untuk kelas
ground dan non-ground dan juga Accuracy dari model. Semakin tinggi nilai IoU
dan nilai akurasi, maka semakin bagus kualitas dari model yang di-train. Apabila
39 | P r o s e d u r K l a s i f i k a s i G r o u n d P o i n t C l o u d
Pilot Project Geo-AI
performa model masih kurang, maka data train dapat ditambah dan dilakukan
proses training kembali.
Selain nilai IoU dan akurasi, proses testing juga menghasilkan prediksi dari
validation dataset yang tersimpan di log/sem_seg/bpn/visual dengan
format data LAS. Data tersebut dapat dibuka di CloudCompare dan dibandingkan
dengan data Ground Truth sebenarnya.
(a) (b)
Gambar 54 Data test area ground truth (a) dan prediksi model (b)
40 | P r o s e d u r K l a s i f i k a s i G r o u n d P o i n t C l o u d
Pilot Project Geo-AI
Catatan:
• Apabila terdapat error karena Memory Error, maka nilai batch size dapat
diturunkan menjadi 8, jika masih terjadi Memory Error maka lakukan
pengurangan dengan menjadikan nilainya setengah dari nilai awal.
• Apabila ingin melakukan predict di area yang berbeda, maka ganti parameter -
-test_area dengan nomor akhir area yang diinginkan
- Hasil dari proses testing yakni data point cloud prediksi dari test dataset yang
tersimpan di log/sem_seg/bpn/visual dengan format data LAS. Data
tersebut dapat dibuka di CloudCompare. Dengan demikian, proses klasifikasi
ground dengan point cloud telah berhasil dilakukan.
41 | P r o s e d u r K l a s i f i k a s i G r o u n d P o i n t C l o u d
Pilot Project Geo-AI
❖ Pembuatan DTM
11. Setelah proses klasifikasi ground dengan deep learning selesai, maka data ground
selanjutnya dapat dibuat menjadi DTM. Data point cloud hasil klasifikasi tersimpan di
log/sem_seg/bpn/visual dengan nomor area sesuai area yang dilakukan
klasifikasi. Untuk mengekstraksi ground dari data tersebut, dapat digunakan
CloudCompare dengan langkah:
- Buka aplikasi CloudCompare, masukkan data point cloud hasil klasifikasi.
- Lakukan pemisahan data ground dan non-ground dengan tools Filter Points
by Value ( ), dan masukkan nilai 1 hingga 1 seperti Gambar 57. Kemudian klik
Export.
Gambar 57 Proses pemisahan ground dan non-ground dari data hasil klasifikasi
- Hasilnya adalah data point cloud ground terpisah menjadi file yang berbeda.
Simpan data ground ke dalam format LAS 1.2.
- Buka aplikasi spasial yang dapat melakukan pembuatan DTM seperti Global
Mapper, QGIS, dan ArcGIS, dan lakukan pembuatan DTM sesuai aplikasi yang
digunakan.
❖ Uji DTM
12. Setelah DTM terbentuk, dapat dilakukan proses uji DTM dengan cara membandingkan
nilai Z (elevasi) dari DTM yang dibentuk dengan data yang dianggap lebih akurat
seperti data elevasi dari LiDAR maupun hasil pengukuran GNSS. Konsepnya adalah
membandingkan elevasi DTM terbentuk dengan elevasi yang dianggap lebih benar dari
beberapa titik sampel di seluruh area. Sebagai contoh titik sampel uji sebagai berikut:
42 | P r o s e d u r K l a s i f i k a s i G r o u n d P o i n t C l o u d
Pilot Project Geo-AI
Kemudian pada titik sampel diketahui nilai Z (elevasi) dari DTM terbentuk dan nilai Z
(elevasi) dari data yang lebih akurat seperti LiDAR dan GNSS, kemudian uji DTM
ditentukan oleh parameter Root Mean Square Error dengan rumus:
∑𝑁 (𝑍̅𝑖 − 𝑍𝑖 )2
𝑅𝑀𝑆𝐸 = √ 𝑖=1
𝑁
Dengan:
𝑍̅𝑖 = Nilai elevasi yang dianggap benar (LiDAR/ GNSS)
𝑍𝑖 = Nilai elevasi dari DTM yang dibentuk
𝑁 = Jumlah titik sampel
Semakin kecil nilai RMSE, maka DTM yang dihasilkan semakin akurat.
43 | P r o s e d u r K l a s i f i k a s i G r o u n d P o i n t C l o u d