Evaluasi Kesesuaian Koefisien Dasar Bangunan (KDB) dan Koefisien Dasar Hijau (KDH) dengan Deep Learning, serta Tinggi Bangunan Menggunakan Model Kota 3D Berdasarkan RDTR Kota Surabaya

Novatiana, Riskyanirmala (2025) Evaluasi Kesesuaian Koefisien Dasar Bangunan (KDB) dan Koefisien Dasar Hijau (KDH) dengan Deep Learning, serta Tinggi Bangunan Menggunakan Model Kota 3D Berdasarkan RDTR Kota Surabaya. Other thesis, Insitut Teknologi Sepuluh Nopember.

Text 5016211088-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (13MB) | Request a copy

Abstract

Perkembangan pesat kawasan terbangun di Kota Surabaya pusat menimbulkan tantangan dalam pengendalian pemanfaatan ruang, khususnya terhadap parameter Koefisien Dasar Bangunan (KDB), Koefisien Dasar Hijau (KDH), dan tinggi bangunan. Penelitian ini bertujuan untuk mengevaluasi kesesuaian tata ruang berdasarkan Rencana Detail Tata Ruang (RDTR) menggunakan pendekatan pemodelan kota 3D dan segmentasi objek secara otomatis berbasis deep learning. Data LiDAR berupa DSM dan DTM, serta ortofoto digunakan untuk membangun model 3D dengan tingkat ketelitian Level of Detail (LOD) 1.3. Algoritma Mask R-CNN diterapkan untuk klasifikasi otomatis objek bangunan dan vegetasi, dengan akurasi mencapai 92,88% untuk bangunan dan vegetasi sebesar 93,13%. Hasil dari klasifikasi otomatis ini digunakan untuk mendapatkan luas bangunan dan vegetasi pada setiap bidang persil tanah. Kemudian hasil tersebut dianalisis secara spasial untuk mengevaluasi kesesuaian parameter KDB, KDH, dan tinggi bangunan terhadap ketentuan RDTR. Tingkat kesesuaian masing-masing parameter adalah 71,43% untuk peraturan KDB, 61,04% untuk peraturan KDH, dan 94,81% untuk aturan tinggi bangunan maksimum di area penelitian. Hal ini menunjukkan bahwa masih banyak bangunan tidak menyediakan ruang terbuka hijau sesuai ketentuan minimum terutama pada area pemukiman padat. Visualisasi model kota 3D yang dihasilkan dapat digunakan sebagai alat bantu dalam evaluasi spasial serta mendukung perumusan kebijakan tata ruang berbasis data.
===================================================================================================================================
The rapid development of built-up areas in central Surabaya has posed challenges in controlling land use, particularly concerning the parameters of Building Coverage Ratio (KDB), Green Coverage Ratio (KDH), and building height. This study aims to evaluate spatial compliance based on the Detailed Spatial Plan (RDTR) using a 3D city modeling approach and automated object segmentation based on deep learning. LiDAR data in the form of DSM and DTM, as well as orthophotos, are used to construct a 3D model with a Level of Detail (LOD) accuracy of 1.3. The Mask R-CNN algorithm is applied for automatic classification of building and vegetation objects, achieving an accuracy of 92.88% for buildings and 93.13% for vegetation. The results of the automatic classification were used to obtain the building and vegetation area within each land parcel. These results were then analyzed spatially to evaluate the conformity of KDB, KDH, and building height parameters with the provisions of the RDTR. The compliance rates for each parameter are 71.43% for KDB regulations, 61.04% for KDH regulations, and 94.81% for the maximum building height regulation in the study area. This indicates that many buildings still fail to provide green open space in accordance with the minimum requirements, especially in densely populated residential areas. The resulting 3D city model visualization can be used as a tool to support spatial evaluation and aid in formulating data-driven spatial planning policies.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Deep Learning, KDB, KDH, Model 3D, RDTR Surabaya, Deep Learning, KDB, KDH, 3D Model, RDTR Surabaya.
Subjects:	G Geography. Anthropology. Recreation > G Geography (General) > G70.212 ArcGIS. Geographic information systems.
Divisions:	Faculty of Civil, Planning, and Geo Engineering (CIVPLAN) > Geomatics Engineering > 29202-(S1) Undergraduate Thesis
Depositing User:	Riskyanirmala Novatiana
Date Deposited:	18 Jul 2025 07:41
Last Modified:	18 Jul 2025 07:41
URI:	http://repository.its.ac.id/id/eprint/120085

Actions (login required)

View Item