Ekstraksi Data Bangunan Dari Data Citra Unmanned Aerial Vehicle Menggunakan Metode Convolutional Neural Networks (CNN) (Studi Kasus: Desa Campurejo, Kabupaten Gresik)
Keywords:
Bangunan, Convolutional Neural Networks, Mask-RCNN, Foto UdaraAbstract
Seiring meningkatnya pembangunan akibat pertumbuhan penduduk, diperlukan suatu pengawasan dalam pemanfaatan lahan secara tepat salah satunya melalui pemetaan sebaran bangunan. Pemetaan sebaran bangunan dapat dilakukan dengan cara menganalisis citra penginderaan jauh yang diambil menggunakan berbagai wahana salah satunya menggunakan wahana Unmanned Aerial Vehicle (UAV) yang mampu menyediakan citra resolusi sangat tinggi. Namun, selama ini proses klasifikasi seringkali dilakukan dengan cara digitasi secara manual yang dianggap kurang efektif dan efisien sehingga dibutuhkan cara ekstraksi otomatis. Dalam penelitian ini metode Convolutional Neural Networks (CNN) digunakan untuk mengatasi tantangan ekstraksi bangunan menggunakan data citra foto udara resolusi tinggi pada Desa Campurejo, Kabupaten Gresik dengan menggunakan algoritma Mask R-CNN, di mana algoritma ini diharapkan mampu membantu proses klasifikasi secara otomatis dengan menggunakan data masukan (training data). Hasil klasifikasi kemudian dilakukan validasi dan uji akurasi sehingga mampu menghasilkan peta sebaran bangunan skala besar yaitu 1:5000. Akurasi hasil klasifikasi bangunan dengan metode Mask R-CNN diuji dengan menggunakan confusion matrix yang menghasilkan nilai precision 94,78%, recall 82,63%, F1 Score 88,29% dan accuracy 79,03% untuk wilayah 1 dan untuk wilayah 2 menghasilkan nilai precision 98,10%, recall 78,37%, F1 Score 87,13% dan accuracy 77,20%. Sementara jumlah bangunan yang dapat dideteksi pada wilayah 1 sebanyak 2102 bangunan dan wilayah 2 sebanyak 247 bangunan. Prosedur ini menunjukan potensi yang besar untuk memanfaatkan metode Convolutional Neural Networks (CNN) dalam melakukan ekstraksi bangunan.
References
Gavali, P., & Banu, J. S. (2019). Deep convolutional neural network for image classification on CUDA platform. In Deep Learning and Parallel Computing Environment for Bioengineering Systems (pp. 99-122). Academic Press.
Hidayat, H., & Sukojo, B. M. (2017). Analysis of Horizontal Accuracy for Large Scale Rural Mapping Using Rotary Wing UAV Image. In IOP Conference Series: Earth and Environmental Science (Vol. 98, No. 1, p. 012052). IOP Publishing.
Hu, F., Xia, G. S., Hu, J., & Zhang, L. (2015). Transferring deep convolutional neural networks for the scene classification of high-resolution remote sensing imagery. Remote Sensing, 7(11), 14680-14707.
Khoshelham, K., Nardinocchi, C., Frontoni, E., Mancini, A., & Zingaretti, P. (2010). Performance evaluation of automated approaches to building detection in multi-source aerial data. ISPRS Journal of Photogrammetry and Remote Sensing, 65(1), 123-133.
Kussul, N., Lavreniuk, M., Skakun, S., & Shelestov, A. (2017). Deep learning classification of land cover and crop types using remote sensing data. IEEE Geoscience and Remote Sensing Letters, 14(5), 778-782.
Pemerintah Indonesia. 2002. Undang-Undang Republik Indonesia Nomor 28 Tahun 2002 Tentang Bangunan Gedung.
Xie, J., & Zhou, J. (2017). Classification of urban building type from high spatial resolution remote sensing imagery using extended MRS and soft BP network. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 10(8), 3515-3528.
