Ekstraksi Tapak Bangunan dan Jaringan Jalan pada Orthophoto Menggunakan Model Mask Region-based Convolutional Neural Network (Mask R-CNN) (Studi Kasus: Kelurahan Darmo, Kota Surabaya)

Bimanjaya, Alfian (2021) Ekstraksi Tapak Bangunan dan Jaringan Jalan pada Orthophoto Menggunakan Model Mask Region-based Convolutional Neural Network (Mask R-CNN) (Studi Kasus: Kelurahan Darmo, Kota Surabaya). Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

[img] Text
03311740000045-Undergraduate_Thesis.pdf - Accepted Version
Restricted to Repository staff only until 1 October 2023.

Download (17MB) | Request a copy

Abstract

Peta dasar skala besar sangat dibutuhkan oleh kota besar/metropolitan seperti Kota Surabaya untuk perencanaan kota dan menunjang pembangunan kota cerdas. Beberapa informasi utama yang paling dibutuhkan dari peta skala besar adalah fitur bangunan dan jaringan jalan. Ekstraksi tapak bangunan dan jaringan jalan merupakan pekerjaan yang menantang karena banyak alasan, termasuk sifat heterogen dari geometri dan spektral, kompleksitas objek yang sulit dimodelkan, dan data sensor yang kurang baik (yaitu bayangan, kontras buruk, dan perspektif citra buruk). Intepretasi yang dilakukan oleh operator secara visual masih merupakan pendekatan yang umum digunakan untuk ekstraksi informasi dari orthophoto. Akurasi intepretasi yang dihasilkan tergantung pada keterampilan dan pengalaman dari operator. Sehingga, dapat terjadi inkonsistensi pada data yang dihasilkan oleh operator yang berbeda. Beberapa tahun terakhir ini, ekstraksi otomatis bangunan dan jalan dari orthophoto menjadi isu penelitian penting dan menantang yang mendapat perhatian lebih besar. Banyak penelitian terbaru telah mengeksplorasi metode deteksi objek berbasis deep learning untuk meningkatkan kualitas ekstraksi bangunan dan jalan. Dalam penelitian ini, peneliti menerapkan metode deteksi objek berbasis Mask Region-based Convolutional Neural Network (Mask R-CNN) untuk ekstraksi tapak bangunan dan jaringan jalan memanfaatkan orthophoto di daerah urban, yaitu Kelurahan Darmo, Kecamatan Wonokromo, Kota Surabaya. Model Mask R-CNN secara kuantitatif sudah cukup baik dalam mendeteksi objek namun kualitas geometrinya masih perlu diperbaiki. Beberapa strategi dirancang untuk mendapatkan hasil ekstraksi yang optimal, termasuk segmentasi orthophoto, post-processing yang terdiri dari regularisasi poligon, remove overlap, fill gap, dan penghalusan poligon. Metode yang peneliti terapkan menghasilkan kinerja yang cukup baik untuk ekstraksi tapak bangunan dengan presisi 91,43%; kelengkapan (recall) 82,97%; dan skor-F1 86,99%. Sedangkan, untuk ekstraksi jalan menghasilkan nilai overall accuracy 91,4 % dan nilai kappa 82,8%. Dilakukan uji t berdasarkan data validasi hasil survey lapangan yang berjumlah kurang dari 30 data. Berdasarkan uji t disimpulkan bahwa luas serta keliling bangunan dan jalan diterima pada tingkat kepercayaan 95%.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Convolutional Neural Network, Deep Learning, Ekstraksi Objek, Orthophoto, Peta Skala Besar, Object Extraction, Large-Scale Base Map
Subjects: G Geography. Anthropology. Recreation > GA Mathematical geography. Cartography > GA102.4.R44 Cartography--Remote sensing
G Geography. Anthropology. Recreation > GA Mathematical geography. Cartography > GA105.3 Cartography.
Q Science > Q Science (General) > Q325.5 Machine learning.
R Medicine > R Medicine (General) > R858 Deep Learning
Divisions: Faculty of Civil, Planning, and Geo Engineering (CIVPLAN) > Geomatics Engineering
Depositing User: Alfian Bimanjaya
Date Deposited: 14 Aug 2021 08:53
Last Modified: 14 Aug 2021 08:53
URI: https://repository.its.ac.id/id/eprint/86420

Actions (login required)

View Item View Item