Analisis Kemampuan Algoritma Random Sample Consensus (RANSAC) untuk Klasifikasi Ground Pada Data Light Detection and Ranging (LiDAR)
Keywords:
Klasifikasi ground, Algoritma RanSaC, DTM, LiDARAbstract
Teknologi LiDAR memiliki kemampuan yang mampu digunakan untuk membuat Digital Terrain Model (DTM). Tahapan yang penting dalam membuat DTM adalah klasifikasi ground, yang bertujuan untuk memisahkan informasi ground dengan non ground dari data point cloud. Berbagai perangkat lunak dan aplikasi untuk klasifikasi ground telah berkembang, namun hampir seluruh perangkat lunak maupun aplikasi tersebut menggunakan algoritma Random Sample Consensus (RanSaC). Algoritma ini merupakan algoritma yang digunakan untuk mengkelaskan objek ground dalam metode segmentasi yang berbasiskan model planar. Meskipun algoritma ini sudah umum untuk digunakan untuk mengkelaskan objek ground, namun masih banyak perangkat lunak maupun aplikasi dari algoritma RanSaC yang mengkombinasikan algoritma tersebut dengan algoritma lainnya untuk memperoleh hasil yang akurat. Oleh karena itu, dalam penelitian akan dikaji mengenai algoritma RanSaC dalam melakukan klasifikasi ground pada data LiDAR. Penelitian ini dilakukan dengan membuat program yang menggunakan algoritma RanSaC untuk mengolah data LiDAR. Point cloud ground yang dihasilkan dari program tersebut akan diuji akurasinya menggunakan data pembanding yang telah diuji kebenarannya. Hasil yang diuji dan analisis berupa point cloud ground hasil klasifikasi dan DTM yang dibentuk. Dari hasil penelitian yang telah dilakukan, diperoleh hasil bahwa algoritma RanSaC mampu digunakan untuk melakukan klasifikasi ground pada data point cloud. Namun, algoritma RanSac hanya memberikan hasil yang memadai pada area dengan medan yang relatif datar, yang ditunjukkan dengan nilai akurasi LE90 sebesar 0,123 meter. Kelemahan ini disebabkan karena prinsip pengoperasian algoritma yang lebih cocok untuk medan datar. Saat akurasi LE90 diuji dalam kondisi medan yang beragam, akurasinya menurun menjadi 3,296 meter. Temuan ini menegaskan bahwa kesimpulan bahwa algoritma RanSac secara optimal digunakan untuk mengklasifikasikan ground dan membentuk DTM di daerah dengan medan yang relatif rendah.
References
Chum, O., & Matas, J. (2005). Matching with PROSAC-progressive sample consensus. 2005 IEEE computer society conference on computer vision and pattern recognition (CVPR’05), 1, 220–226.
Fischler, M. A., & Bolles, R. C. (1981). Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography. Communications of the ACM, 24(6), 381–395.
Flannery, M., Fenn, S., & Budden, D. (2013). RANSAC: identification of higher-order geometric features and applications in humanoid robot soccer. arXiv preprint arXiv:1310.5781.
Guo, J., Wu, X., Zhong, Z., Yu, S., Xu, Y., & Zhang, J. (2009). An intelligent surveillance system based on RANSAC algorithm. 2009 International Conference on Mechatronics and Automation, 2888–2893.
Hartley, R., & Zisserman, A. (2004). Multiple View Geometry in Computer Vision (2 ed.). Cambridge University Press. https://doi.org/DOI: 10.1017/CBO9780511811685
Huang, S. Y., Liu, L. M., & Dong, J. (2020). Review of ground filtering algorithms for vehicle LiDAR scans point cloud data. Opto-Electronic Engineering, 47(12), 190688.
Istarno. (2011). Pembentukan model elevasi digital dari data LiDAR dan interpretasibilitasnya untuk objek tutupan lahan di daerah koridor Nganjul-Kertosono [Universitas Gadjah Mada]. http://etd.repository.ugm.ac.id/penelitian/detail/50176
Mantong, H. I. (2021). Pemanfaatan Digital Terrain Model Hasil Fotogrametri Unmanned Aerial Vehicle untuk Estimasi Ketinggian Genangan Air Banjir Hasil Deteksi Citra Synthetic Apperture Radar. JURNAL SUMBER DAYA AIR, 17(1), 39–48.
Matas, J., & Chum, O. (2002). Randomized RANSAC with T(d,d) test. Procedings of the British Machine Vision Conference 2002, 43.1-43.10. https://doi.org/10.5244/C.16.43
Maune, D. (2007). Digital elevation model technologies and applications: The DEM users manual.
open3d.org. (2020). Plane Segmentation. www.open3d.org.
Pfeifer, N., & Briese, C. (2007). Laser scanning–principles and applications. Geosiberia 2007-international exhibition and scientific congress, cp-59.
Sari, D. R., & Cahyono, A. B. (2016). Analisa Geometrik 3D True orthophoto Data LiDAR.
Solichah, U. (2016). Pendeteksian Gawang Menggunakan Algoritma Ransac pada Platform Darwin-op Berbasis Peraturan KRSBI 2016. Institut Teknologi Sepuluh Nopember.
Susetyo, D. B., & Syetiawan, A. (2016). Perbandingan Metode Interpolasi Terhadap Hasil Pembentukan Digital Terrain Model (DTM). Seminar Nasional 3rd CGISE Dan FIT ISI 2016.
Tarsha-Kurdi, F., Landes, T., & Grussenmeyer, P. (2007). Hough-transform and extended ransac algorithms for automatic detection of 3d building roof planes from lidar data. ISPRS Workshop on Laser Scanning 2007 and SilviLaser 2007, 36, 407–412.
Torr, P. H. S., & Zisserman, A. (2000). MLESAC: A new robust estimator with application to estimating image geometry. Computer vision and image understanding, 78(1), 138–156.
Wijanarko, B., & Djurdjani, D. (2022). Klasifikasi Digital Tutupan Lahan Berbasis Objek menggunakan Integrasi Data Lidar dan Citra Satelit di Kawasan Tamalanrea Indah, Kota Makassar. JGISE: Journal of Geospatial Information Science and Engineering, 5(1), 51. https://doi.org/10.22146/jgise.68994
You, H., Li, S., Xu, Y., He, Z., & Wang, D. (2021). Tree extraction from airborne laser scanning data in urban areas. Remote Sensing, 13(17), 3428.
Zeineldin, R. A., & El-Fishawy, N. A. (2017). A survey of RANSAC enhancements for plane detection in 3D point clouds. Menoufia J. Electron. Eng. Res, 26(2), 519–537.
Zhao, H., Xi, X., Wang, C., & Pan, F. (2019). Ground surface recognition at voxel scale from mobile laser scanning data in urban environment. IEEE Geoscience and Remote Sensing Letters, 17(2), 317–321.
