View/Open

Author
FRANKLIN, JOSAFAT DIAZ

Date Published
24 Jun 2026

Advisor
Muhammad Ulin Nuha, S.T., M.Eng.,
Rizqi Aulia, S.T., M.T.,

Subject
Teknik Geomatika

Publisher

Light Detection and Ranging (LiDAR) merupakan salah satu teknologi di bidang spasial dengan konsep pengukuran seperti teknologi penginderaan jauh yang berbasis cahaya laser untuk menghasilkan representasi tiga dimensi pada permukaan bumi dengan tingkat presisi yang tinggi. LiDAR yang banyak digunakan dalam pembuatan Digital Terrain Model (DTM) dan Digital Surface Model (DSM) beresolusi tinggi, memerlukan klasifikasi ground dan non-ground yang efektif untuk menghasilkan akurasi yang optimal. Dalam penelitian ini, terdapat strategi klasifikasi otomatis berbasis machine learning menggunakan algoritma Random Forest (RF) pada data LiDAR udara yang dikumpulkan di kawasan Institut Teknologi Sumatera (ITERA), Indonesia. Yang memiliki kondisi terrain dan tutupan lahan yang beragam meliputi area terbuka, vegetasi lebat, dan kawasan permukiman. Hasil penelitian menunjukkan bahwa metode Random Forest mampu mengklasifikasikan data ground dan non-ground dengan nilai Overall Accuracy sebesar 0,86. Kelas vegetasi menunjukkan performa terbaik dengan nilai F1-score sebesar 0,97, sementara kelas ground menunjukkan ketidakseimbangan antara nilai Precision (0,57) dan Recall (0,87) yang disebabkan oleh misklasifikasi vegetasi rendah sebagai ground, dan kelas bangunan menunjukkan ketidakseimbangan sebaliknya dengan nilai Precision (0,97) yang tinggi namun Recall (0,56) yang rendah. Hasil penelitian ini mengonfirmasi bahwa kondisi terrain yang beragam dan ketidakseimbangan distribusi data antar kelas merupakan faktor utama yang mempengaruhi kinerja klasifikasi secara otomatis. Peningkatan lebih lanjut dalam metode klasifikasi, termasuk penerapan teknik yang lebih canggih seperti deep learning berbasis point cloud, direkomendasikan untuk meningkatkan konsistensi dan performa klasifikasi pada berbagai kondisi terrain.

URI
https://repo.itera.ac.id/depan/submission/SB2606220135

Keyword
Light Detection and Ranging (LiDAR) Klasifikasi Ground dan Non-Ground Random Forest Machine Learning Metrik Evaluasi Klasifikasi