LAPORAN - big.go.idbig.go.id/e-ppid/asset/Laporan-pelaksanaan-penelitian/Laporan... · Toponimi di...

1

LAPORAN

PENELITIAN PEMANFAATAN LIDAR UNTUK PEMETAAN TOPOGRAFI SKALA BESAR

Kelompok Penelitian Pemetaan Rupabumi dan Toponimi Pusat Penelitian, Promosi dan Kerjasama

Badan Informasi Geospasial

Prof. Dr.-Ing. Fahmi Amhar

Agung Syetiawan, S.T.

Ayu Nur Safi’I, S.T.

Bambang Riadi, S.T., M.Tech.

Dadan Ramdani, S.T., M.T.

Danang Budi Susetyo, S.T.

Fahrul Hidayat, S.T.

M. Irwan Hariyono, S.T.

Nadya Oktaviani, S.T.

Prayudha Hartanto, S.T., M.T.

Tia Rizka Nuruia Rahma, S.T.

Yustisi Ardhitasari, , S.T.

2

KATA PENGANTAR

Puji syukur ke hadirat Allah subhanahu wata’ala, sehingga akhirnya laporan penelitian ini dapat diselesaikan.

Penelitian Pemanfaatan Lidar untuk Pemetaan Topografi Skala Besar adalah merupakan judul besar dari kegiatan “Kelompok Penelitian Pemetaan Rupabumi dan Toponimi” untuk mendukung program dan kegiatan Pusat Pemetaan Rupabumi dan Toponimi di Badan Informasi Geospasial, sekaligus untuk memperkaya dunia sains geospasial (geodesi / geomatika) di tanah air.

Pada tahun 2017 ini, penelitian ini terbagi dalam dua kelompok dan lima sub penelitian yang saling terkait.

Kelompok pertama adalah Penelitian Pemetaan Topografi Skala Besar. Di sini ada dua sub penelitian, yaitu:

(1) Penelitian Klasifikasi / Kategorisasi Unsur untuk Peta RBI 1:5000; dan (2) Penelitian Kapasitas Digitasi untuk Pemetaan 1:5000.

Kelompok kedua adalah Penelitian teknologi Lidarnya sendiri. Di sini ada tiga sub penelitian, yaitu:

(3) Penelitian Sinkronisasi Hasil LIDAR dengan Foto Udara; (4) Penelitian Filtering Data LIDAR untuk Peta RBI 1:5000; dan (5) Penelitian Jumlah GCP Optimal untuk Foto Udara Skala Besar.

Sebagian penelitian ini telah dikerjakan bersama-sama dengan Pusat Pemetaan Dasar Rupabumi dan Toponimi, sehingga diharapkan, hasilnya dapat langsung diterapkan pada pusat teknis tersebut untuk kegiatan 2018.

Tak ada gading yang tak retak, maka demikian juga, kami mohon maklum bila laporan penelitian ini masih banyak kekurangannya, dan substansi yang diteliti juga terus menjadi bahan pemikiran para penelitinya, sekalipun kegiatan 2017 ini telah berakhir.

Terima kasih kepada semua pihak yang telah terlibat baik langsung maupun tidak langsung. Hanya Allah swt yang dapat membalasnya dengan sempurna.

Pusat Penelitian, Promosi dan Kerjasama

Kepala

Dr. Ir. Wiwin Ambarwulan, M.Sc.

3

DAFTAR ISI

I. LAPORAN PELAKSANAAN KEGIATAN ........................................................................ 5

I.1. Latar Belakang .................................................................................................... 5

I.2. Tujuan ................................................................................................................ 6

I.3. Tahapan Pelaksanaan Penelitian ........................................................................... 7

I.4. Waktu Pelaksanaan Kegiatan ................................................................................ 8

I.5. Personil............................................................................................................... 9

I.6. Luaran (Output) .................................................................................................. 9

I.7. Dampak (Outcome) ............................................................................................ 10

I. LAPORAN HASIL PENELITIAN ................................................................................. 11

1. Penelitian Klasifikasi / Kategorisasi Unsur Peta RBI 1:5000 ........................................ 11

1.1. Permasalahan ................................................................................................. 11

1.2. Metode Penelitian ........................................................................................... 13

1.3. Hasil & Pembahasan ....................................................................................... 17

1.4. Kesimpulan .................................................................................................... 23

1.5. Daftar Pustaka ................................................................................................ 23

2. Penelitian Kapasitas Digitasi untuk Pemetaan 1:5000 ................................................ 25

2.1. Pendahuluan .................................................................................................. 25



2.4 Kesimpulan .................................................................................................... 31

2.5 Daftar Pustaka ................................................................................................ 31

3. Penelitian Sinkronisasi Hasil LIDAR dengan Foto Udara ............................................. 33

3.1. Pendahuluan .................................................................................................. 33



3.4. Kesimpulan .................................................................................................... 38

3.5. Daftar Pustaka ................................................................................................ 38

4. Penelitian Filtering Data LIDAR untuk Peta RBI 1:5000 ............................................. 39

4.1. Pendahuluan .................................................................................................. 39


4


4.4. Kesimpulan .................................................................................................... 47

4.5. Daftar Pustaka ................................................................................................ 47

5. Penelitian Jumlah GCP Optimal untuk Foto Udara Skala Besar ................................... 49

5.1. Pendahuluan .................................................................................................. 49


5.3. Hasil dan Pembahasan .................................................................................... 53

5.4. Kesimpulan .................................................................................................... 56

5.5. Daftar Pustaka ................................................................................................ 56

5

I. LAPORAN PELAKSANAAN KEGIATAN

I.1. Latar Belakang

Sebagian besar kehidupan modern tidak bisa lepas dari informasi geospasial. Informasi

batas diperlukan untuk menjaga hak dan kewajiban di tingkat internasional (antar negara),

di tingkat nasional (antar pemerintah daerah) hingga tingkat lokal (antar desa). Informasi

geospasial mutlak diperlukan untuk perencanaan pembangunan (dasar penyusunan Rencana

Tata Ruang Wilayah hingga Rencana Detil Tata Ruang). Informasi geospasial juga

diperlukan untuk bernavigasi, penanggulangan bencana, pelayanan publik hingga optimasi

investasi.

Peta dasar rupabumi (RBI) adalah salah satu Informasi Geospasial Dasar (IGD) yang

penyelenggaraannya menjadi tugas utama Badan Informasi Geospasial. IGD terdiri dari

Jaring Kontrol Geodesi dan Peta Dasar. Dan Peta Dasar terdiri dari Peta Rupabumi

Indonesia (RBI), Peta Lingkungan Pantai Indonesia (LPI) dan Peta Lingkungan Laut Nasional

(LLN).

Saat ini, seiring dengan perencanaan dan pengendalian ruang yang semakin berkualitas,

juga pemerataan pembangunan sampai ke kawasan pinggiran yaitu desa-desa dengan

adanya “Dana Desa”, diperlukan peta-peta RBI skala besar. Peta RBI skala besar adalah

skala 1:5.000, 1:2.500 dan 1:1000. Peta RBI skala besar ini bisa dibuat dengan

menggunakan teknologi citra satelit resolusi sangat tinggi, foto-udara konvensional, pesawat

nir awak (Unmaned Aircraft System / UAS atau drone), Light Imaging Detecting and

Ranging (Lidar) dan survey terestris.

Dari beberapa jenis teknologi ini, Lidar termasuk teknologi yang masih menarik karena

pengalaman penggunaan teknolog Lidar di Indonesia masih relatif sedikit, sementara trend

kebutuhan ke depan semakin besar. Selain itu, pesatnya perkembangan teknologi dan

pertumbuhan ekonomi membuat teknologi Lidar semakin hari semakin terjangkau, karena

harga semakin turun dan kualitas semakin baik.

Pemanfaatan Lidar untuk Pemetaan Topografi Skala Besar adalah merupakan judul besar

dari kegiatan “Kelompok Penelitian Pemetaan Rupabumi dan Toponimi” untuk mendukung

program dan kegiatan Pusat Pemetaan Rupabumi dan Toponimi di Badan Informasi

Geospasial, sekaligus untuk memperkaya dunia sains geospasial (geodesi / geomatika) di

tanah air.

6

I.2. Tujuan

Penelitian bertujuan memberikan rekomendasi kepada Pusat Pemetaan Rupabumi dan Tata

Ruang dan seluruh rekanannya terkait hal-hal untuk peningkatan kinerja pemetaan

rupabumi skala besar, khususnya yang menggunakan teknologi Lidar dan Foto Udara

Pada tahun 2017 ini, penelitian ini terbagi dalam dua kelompok dan lima sub penelitian yang

saling terkait.

Kelompok pertama adalah penelitian pemetaan topografi skala besar. Di sini ada dua sub

penelitian, yaitu:

1. Penelitian Klasifikasi / Kategorisasi Unsur untuk Peta RBI 1:5000; dan

2. Penelitian Kapasitas Digitasi untuk Pemetaan 1:5000.

Klasifikasi / Kategorisasi Unsur untuk Peta RBI diperlukan untuk membatasi apa yang akan

dipetakan di peta RBI 1:5000, agar tidak terlalu sedikit dan juga tidak terlalu banyak. Pada

skala 1:5000, pada umumnya akan muncul atau dibutuhkan beberapa unsur yang di peta

skala yang lebih kecil belum muncul.

Namun demikian, unsur yang dimunculkanpun tidak boleh terlalu banyak, karena akan

membebani operator dalam mendigitasi (vektorisasi) data dan menaikkan biaya survei

kelengkapan lapangan. Oleh karena itu, kapasitas digitasi ini terkait erat dengan klasifikasi

unsur tersebut, sekalipun masih ada beberapa aspek lain yang berpengaruh.

Kelompok kedua adalah penelitian teknologinya, yang terdiri tiga sub penelitian, yaitu:

3. Penelitian Sinkronisasi Hasil Lidar dengan Foto Udara;

4. Penelitian Filtering Data Lidar untuk Peta RBI 1:5000; dan

5. Penelitian Triangulasi Udara (AT) metode Direct Georeferencing untuk Optimasi Jumlah

GCP Foto Udara.

Saat ini survei pemotretan dengan Lidar selalu menyertakan kamera foto udara. Namun

demikian, hasil sementara pembentukan Model Elevasi Digital (DEM) antara yang diturunkan

dari data Lidar dengan yang diturunkan dari Foto Udara ternyata berbeda, dan ini

memerlukan pendalaman.

Kemudian untuk menjadikan peta RBI, data Lidar yang berupa point cloud ini masih perlu

difilter. Di tempat-tempat seperti semak belukar, akan ada beberapa titik dengan ketinggian

berbeda di satu lokasi. Pada peta RBI, yang diperlukan adalah DEM untuk permukaan tanah

asli atau Digital Terrain Model (DTM). Sedang untuk pembuatan Orthophoto justru DEM

untuk permukaan tertinggi yang ada atau Digital Surface Model (DSM). Di dunia sudah

banyak dikembangkan algoritma filtering data Lidar, namun umumnya dengan kondisi

vegetasi atau built-up-area di negara maju, yang umumnya relatif homogen dan teratur.

Filter ini juga untuk menyingkirkan objek yang diduga adalah bangunan, kabel listrik, tiang

listrik atau sosok yang bergerak yang bukan bagian dari rupa bumi.

Sedang penelitian yang terakhir muncul dari keinginan untuk menghemat biaya survei GCP

yang saat ini masih cukup tinggi, baik pada Citra Satelit Resolusi Sangat Tinggi (CSRST)

7

maupun pada foto udara. Keduanya dilengkapi dengan data Global Positioning System dan

Inertial Management Unit (IMU), yang bisa digunakan langsung untuk mendapatkan data

orientasi absolut (External Orientation, EO) dalam triangulasi udara (Aerial Triangulation,

AT). Metode ini dikenal dengan istilah Direct Georeferencing (DG). Pada penelitian ini akan

dicoba DG pada foto udara.

I.3. Tahapan Pelaksanaan Penelitian

Secara umum, tahapan pelaksanaan penelitian ini dapat dibagi menjadi 4.

Yang pertama adalah inventarisasi masalah dan metode melalui serangkaian Focus Group

Discussion, baik yang di kalangan peneliti, di internal Badan Informasi Geospasial (Pusat

Pemetaan Rupabumi dan Toponimi, PPRT), maupun yang melibatkan pakar dan praktisi dari

luar. Pakar diundang dari perguruan-perguruan tinggi yang selama ini dikenal memiliki

pengalaman terkait topik itu, seperti UGM dan ITB. Sedang praktisi diambil dari perusahaan

survei pemetaan baik yang biasa menjadi rekanan BIG (diwakili oleh Asosiasi Perusahaan

Survei Pemetaan dan Informasi Geospasial, APSPIG) dan perusahaan survei pemetaan

Penanaman Modal Asing (PMA) yang biasa mendapatkan pekerjaan dari luar negeri, dan

nyaris tidak memiliki kepentingan dengan BIG, sehingga diharapkan menjadi pembanding

yang objektif. Dalam karya tulis ilmiah, hasil tahap pertama ini adalah Bab I (Pendahuluan,

Tinjauan Pustaka) dan sedikit gagasan untuk pengembangan Bab II (Metode Penelitian)

Yang kedua adalah pendalaman Metode Penelitian. Beberapa test awal untuk pematangan

metode penelitian dilakukan, misalnya try out kuesioner atau percobaan awal algoritma

dengan software yang didapatkan. Hasil tahap kedua ini adalah Bab II (Metode Penelitian).

Yang ketiga adalah pelaksanaan pengumpulan data melalui survei, eksperimen dan analisis.

Tahap ketiga ini kadang bersifat iteratif dengan tahap kedua. Hasil sementara survei atau

eksperimen yang belum memuaskan, akhirnya mendorong perbaikan metode dan survei

atau eksperimen ulang, hingga didapatkan data yang dianggap cukup untuk dianalisis.

Yang keempat adalah penarikan kesimpulan dan penulisan akhir. Pada tahap ini, penarikan

kesimpulan diperkaya lagi melalui komunikasi dengan pakar dan praktisi, baik melalui Focus

Group Discussion-II, ataupun dalam forum seminar-seminar ilmiah.

8

Salah satu kegiatan FGD Survei Validasi LIDAR di lapangan

I.4. Waktu Pelaksanaan Kegiatan

Secara umum, tiga bulan pertama (bulan 1-3) adalah tahap inventarisasi masalah. Bulan 4-

6 adalah tahap pengembangan metode. Kebetulan bulan 6 adalah bulan puasa / liburan

Lebaran. Maka survei dan eksperimen untuk mendapatkan data paling banyak dilakukan di

bulan 7-9, bahkan sebagian ada yang baru bisa dilaksanakan di bulan-10 dan awal bulan-11.

Dan akhirnya, pada bulan 10-12 dilakukan serangkaian FGD dan partisipasi dalam beberapa

seminar ilmiah untuk mengkomunikasikan hasil sementara penelitian ini dan mematangkan

kesimpulannya.

Waktu Kegiatan Keterangan

Jan-Feb 2017 Rapat / FGD Riset awal di BIG

Mar-Apr 2017 Penelusuran Literatur di BIG

Mei 2017 Mengambil data Lidar Data dari Pusat PRT - BIG

Jun 2017 Mengambil data AT Data dari Pusat PRT - BIG

Jul 2017 Try Out Kuesioner Survei BIG

10 Agt 2017 Survei Kebutuhan Pengguna Peta Disurpotrud TNI AU, Jakarta

23 Agt 2017 Survei Kebutuhan Pengguna Peta Bappeda, Kota Bogor

7 Sep 2017 Survei Kebutuhan Pengguna Peta Dinas PUPR, Kab Bogor

13 Sep 2017 Survei Kebutuhan Pengguna Peta Pusdatin Kemenhub, Jakarta

22 Sep 2017 Survei Kebutuhan Pengguna Peta Ditjen Hub Udara Kemenhub, Jakarta

3 Okt 2017 Survei Kebutuhan Pengguna Peta Bappeda, Kab Bogor

11 Okt 2017 Survei Kebutuhan Pengguna Peta Kemendes, BMKG, LAPAN, Dittop-AD, ESDM, Pusdatin Kemhan pada acara yang diadakan BIG di Bogor

Jul 2017 Survei Kapasitas PT Aerovisi, Jakarta

Jul 2017 Survei Kapasitas PT Aerovisi, Jakarta

Agt 2017 Survei Kapasitas PT Studiotama Bogor

Agt 2017 Survei Kapasitas PT Exsa, Jakarta

28 Sep 2017 Survei Kapasitas PT Geopranata, Bekasi

6-11 Nov 2017 Survei Lapangan Lidar Filtering Lombok

Nov 2017 Analisis Ketelitian Lidar Filtering

6 Nov 2017 FGD Sinkronisasi FGD diselenggarakan PPRT di Bandung

24 Nov 2017 FGD Klasifikasi FGD diselenggarakan PPRT di Bandung

8 Des 2017 FGD Filtering, AT, Kapasitas FGD di Bogor

9

I.5. Personil

Personil penelitian ini terdiri dari para peneliti utama, madya, muda dan pertama dari Pusat

Penelitian, Promosi dan Kerjasama (PPKS) Badan Informasi Geospasial. Hampir seluruhnya

memiliki latar belakang pendidikan Teknik Geodesi. Sebelum bergabung dengan Pusat

PPKS, sebagian besar juga pernah bergabung dalam pusat-pusat teknis, terutama Pusat

Pemetaan Rupabumi dan Topinimi (PPRT), Pusat Jaring Kontrol Geodesi dan Geodinamika

(PJKGG), Pusat Pemetaan Kelautan dan Lingkungan Pantai (PKLP) dan Pusat Pemetaan

Batas Wilayah.

Daftar personil penelitian ini adalah

Nama Jabatan dalam tim Keterangan

1. Prof. Dr.-Ing. Fahmi Amhar Koordinator Umum Peneliti Utama

2. Fahrul Hidayat, S.T. Koordinator Penelitian Klasifikasi Peneliti Pertama

3. Tia Rizka Nurula Rahma, S.T. Koordinator Penelitian Kapasitas Peneliti Pertama

4. M. Irwan Hariyono, S.T. Koordinator Penelitian Sinkronisasi Peneliti Pertama

5. Prayudha Hartanto, S.T., M.T. Koordinator Penelitian Filtering Peneliti Pertama

6. Danang Budi Susetyo, S.T. Koordinator Penelitian AT Peneliti Pertama

7. Agung Syetiawan, S.T. Peneliti Pertama

8. Ayu Nur Safi’I, S.T. Peneliti Pertama

9. Nadya Oktaviani, S.T. Peneliti Pertama

10. Yustisi Ardhitasari, , S.T. Peneliti Pertama

11. Dadan Ramdani, S.T., M.T. Peneliti Muda

12. Bambang Riadi, S.T., M.Tech. Peneliti Madya

Anggota tim saling membantu dalam sub penelitian lain. Beberapa juga ada yang terlibat

dalam Kelompok Penelitian lain di dalam lingkup PPKS.

I.6. Luaran (Output)

Luaran dari kegiatan ini muncul dalam dua bentuk:

Pertama adalah Karya Tulis Ilmiah (KTI) yang dipublikasikan melalui jurnal atau prosiding

konferensi. Bagi peneliti, KTI ini merupakan indikator kinerjanya yang akan dihitung dalam

SKP (Satuan Kinerja Perorangan) dan Angka Kredit untuk Jabatan Fungsional Peneliti.

Beberapa telah muncul adalah dalam ICOIRS Mapin di Semarang 29-30 Oktober 2017,

Forum Ilmiah Tahunan (FIT) ISI di Pekanbaru 1-2 November 2017, dan Semnas Geomatika

14 November 2017

Kedua adalah Executive Summary, yang biasanya disampaikan ke pejabat terkait. Dalam

hal ini, Executive Summary disampaikan kepada Kepala Pusat Pemetaan Dasar Rupabumi

dan Toponimi (PPRT) serta Deputi Informasi Geospasial Dasar, serta dipresentasikan dalam

suatu Rapat / FGD yang dihadiri mereka.

10

I.7. Dampak (Outcome)

Dampak yang diharapkan sebagai outcome dari kegiatan penelitian ini adalah meningkatnya

kualitas pemetaan rupabumi skala besar, khususnya yang menggunakan teknologi Lidar.

Secara spesifik rantai dampak yang diharapkan adalah:

1. Makin lengkapnya peta RBI skala 1:5000 dengan didapatkannya katalog unsur yang

perlu dimasukkan dalam peta.

2. Makin akuratnya estimasi biaya dan waktu pengerjaan dengan didapatkannya data

kapasitas digitasi personil pemetaan yang akurat.

3. Makin bermutunya peta RBI 1:5000 yang dihasilkan dari Lidar dan Foto udara, setelah

kedua data itu dapat disinkronisasi dan diintegrasikan.

4. Makin akuratnya peta RBI 1:5000 dengan diperolehnya filter Lidar yang tepat untuk

kondisi Indonesia.

5. Makin cepat dan murahnya survei untuk GCP bila didapatkan hasil metode Direct

Georeferencing telah memenuhi syarat ketelitian peta yang diinginkan.

11

I. LAPORAN HASIL PENELITIAN

1. Penelitian Klasifikasi / Kategorisasi Unsur Peta RBI 1:5000

Fahrul Hidayat, Tia Rizka N.R., Bambang Riadi, Nadya Oktaviani, Fahmi Amhar

1.1. Permasalahan

Peta dasar khususnya peta Rupabumi Indonesia (RBI) diselenggarakan pada skala tertentu

yaitu 1:1.000.000, 1:500.000, 1;250.000, 1:100.000, 1:50.000, 1:25.000, 1:10.000, 1:5.000,

1:2.500, dan 1:1.000. Skala tersebut dikelaskan menjadi 3 yaitu skala kecil, skala menengah

dan skala besar. Skala kecil dan menengah adalah skala yang lebih kecil dari 1:10.000.

Sedangkan skala besar adalah skala 1:10.000 dan lebih besar (Republik Indonesia, 2011).

Penyelenggaraan peta dasar pada setiap skala tersebut memerlukan suatu standar. Salah

satu tahap yang memerlukan suatu standar adalah tahap pengolahan khususnya terkait

proses pemetaan RBI. Dalam proses pemetaan RBI, map abstraction sesuai dengan kriteria

setiap skala menjadi penting karena pada tahap tersebut dilakukan pemilihan objek yang

akan dituangkan dalam peta. Dalam proses kartografi, Muehrcke dan Muehrcke (1992)

menyatakan bahwa map abstraction menjadi hal mendasar dalam merepresentasikan dunia

nyata yang mana memiliki 5 tahapan inti yaitu selection, classification, simplification,

exaggeration dan symbolization (Stevens, Smith, & Bianchetti, 2012).

Standar tentang pemetaan RBI skala besar saat ini belum tersedia dalam bentuk baku yang

berlaku nasional karena sedang dalam proses kajian oleh Badan Informasi Geospasial (BIG)

sebagai lembaga yang diberikan kewenangan menyelenggarakan Informasi Geospasial

melalui Undang-undang No. 4 tahun 2011 beserta peraturan turunannya. Meskipun

demikian, purwarupa peta RBI skala besar khususnya 1:5.000 sudah tersedia di beberapa

daerah seperti sebagian Kota Bandung, Kota Bogor, Kabupaten Tanggamus, Kabupaten

Karawang dan lainnya yang diselenggarakan pada tahun yang berbeda-beda. Acuan

pemetaan RBI skala besar yang tersedia masih berupa Kerangka Acuan Kerja (KAK) untuk

keperluan lelang beserta petunjuk pelaksanaan sebagai bagian dari KAK tersebut. Hanya

pemetaan RBI skala kecil dan menengah yang sudah memiliki standar yang berlaku secara

nasional berupa Standar Nasional Indonesia (SNI). Kondisi tersebut menjadi sebuah

permasalahan karena peta RBI skala besar dibutuhkan oleh pemerintah daerah misalnya

untuk menyusun Rencana Detail Tata Ruang (RDTR) (Republik Indonesia, 2011). Pada

umumnya, daerah memerlukan peta RBI skala besar pada wilayah perkotaan yang menjadi

unit perencanaan. Indonesia memiliki 98 kota (termasuk kota administratif), 416 kabupaten

yang tersebar di 34 provinsi (Republik Indonesia, 2015). Setiap daerah kabupaten/kota

tersebut umumnya memiliki wilayah perkotaan misalnya kecamatan yang menjadi ibukota

kabupaten/kota yang menjadi pusat pertumbuhan. Dengan demikian, standar pemetaan RBI

skala besar sangat mendesak untuk segera disediakan.

Penelitian ini dilaksanakan untuk mendukung percepatan penyelesaian standar pemetaan

RBI skala besar khususnya pada tahap pengkategorian unsur RBI sebagai dasar map

12

abstraction. BIG saat ini memerlukan suatu tinjauan ilmiah tentang pengkategorian unsur

RBI sebagai dasar dalam menentukan obyek yang perlu/tidak perlu dipetakan.

Kategorisasi berhubungan dengan pembatasan unsur apa saja yang harus ditampilkan

dalam sebuah peta. Dalam pembuatan peta, terdapat beberapa kendala untuk

menterjemahkan dunia nyata menjadi peta diantaranya pengetahuan dan permintaan

pengguna (MacEachren, 1995). Pemilihan informasi apa saja yang harus ditampilkan dalam

peta sehingga sesuai tujuan yang diharapkan dari peta tersebut menjadi tantangan dalam

proses pembuatan peta seperti pada gambar 1 (Stevens, Smith, & Bianchetti, 2012).

Jika menginginkan menampilkan seluruh obyek di dunia nyata dalam sebuah peta,

konsekuensinya adalah peta tersebut susah dimengerti oleh pengguna. Begitu sebaliknya,

jika hanya menyajikan sedikit obyek di dunia nyata maka peta tersebut kurang representatif.

Hal itu menjadi penting yang harus dipertimbangkan dalam proses produksi peta. Seperti

yang dituliskan ( Harries, 1999) dalam sebuah buku Mapping Crime: Principle and Practice,

bahwa map abstraction menjadi suatu pilihan dengan mengorbankan hal yang lain.

Gambar 1. Proses kartografi (Stevens, Smith, & Bianchetti, 2012)

Tujuan penelitian adalah untuk mengidentifikasi parameter kategorisasi unsur RBI skala

besar khususnya 1:5.000. Selanjutnya, rumusan prameter kategorisasi tersebut dapat

dijadikan sebagai referensi dalam penyusunan NSPK Pemetaan RBI skala besar. Dengan

demikian, percepatan penyusunan standar tentang pemetaan RBI skala besar dapat

tercapai.

Dengan demikian, dari kajian awal ini, didapatkan empat hal yang membatasi unsur yang

dimasukkan dalam peta adalah: (1) kebutuhan pengguna; (2) kemampuan / keterbatasan

operator dalam mengumpulkan data; (3) keterkaitan unsur di dalam peta skala tersebut

dengan skala yang lebiih kecil / besar; dan (4) visuabilitas (keterlihatan) unsur itu dalam

peta skala tersebut.

13

Tidak mudah mengidentifikasi kebutuhan pengguna dari sebuah peta RBI yang bersifat

dasar dan multi-purpose atau multi-guna. Apakah jumlah dari pengguna potensial perlu

dijadikan bobot yang menentukan suatu unsur dimasukkan ke dalam peta atau tidak?

Kemudian kemampuan atau keterbatasan operator perlu dipertimbangkan. Makin detil

pembagian unsur, maka makin sulit menyediakan menu di layar komputer, dan makin sulit

pula operator untuk menghafalkan semuanya, sehingga kemungkinan salah menaruh kode

unsur menjadi sangat tinggi.

Keterkaitan unsur di dalam skala yang berbeda perlu diperhatikan, juga rasionalitasnya.

Ada unsur yang di skala kecil muncul, tetapi di skala besar justru tidak perlu muncul,

misalnya patok kilometer di jalan tol. Ada yang di skala besar hanya perlu dimunculkan

secara geometri, tetapi tidak perlu dibagi lagi klasifikasinya, semisal bentuk bangunan.

Namun ada juga yang memang perlu dibagi kelasnya, seperti jalan utama (arteri) ke jalan

kolektor dan jalan lokal.

Terkahir perkara visuabilitas. Pembagian yang terlalu detil belum tentu akan menambah

tingkat keterbacaan peta. Dalam era peta digital dan SIG, ada data yang perlu dikumpulkan

dalam bentuk attribut yang bisa dikeluarkan dalam simbolisasi yang berbeda, namun ada

juga yang tidak perlu dikeluarkan dalam peta cetak, cukup untuk menjawab pertanyaan

secara digital dalam database geospasial.

1.2. Metode Penelitian

Untuk mendapatkan bentuk klasifikasi unsur peta RBI 1:5000 yang ideal, ada tiga jenis

material yang tersedia.

Yang pertama adalah pedoman klasifikasi yang tersedia (eksisting). Di sini ternyata ada

enam pedoman klasifikasi yang belum terharmonisasi, yaitu:

• Spesifikasi pemetaan RBI (SPR, Juklak, KAK)

• Katalog Unsur Rupabumi (KURI)

• Katalog Unsur Geospasial Indonesia (KUGI)

• Kode Unsur dalam PP no 8/2013 tentang Tingkat Keteliian Peta Penataan Ruang

• Permen PU no 20/2011 (Pedoman RDTR)

• SNI Liputan Lahan

Yang kedua adalah purwarupa peta RBI 1:5.000, 1:25.000, dan 1:250.000 yang mencakup

pemukiman, gunung, dan pantai (Bogor, Tanggamus) yang dapat dilihat sebagai bentuk

realisasi klasifikasi unsur dalam data dan visualisasi. Akan dicoba mencari contoh peta

sejenis dari negara lain untuk perbandingan.

Sedang yang ketiga adalah menjajagi kebutuhan pengguna dengan teknik quesioner dan

wawancara. Sebagai sample adalah Bappeda, Kemen PU dan ….

Idealnya, dari material di atas dilakukan hal-hal sebagai berikut: Komparasi antar data (RBI

dengan RDTR, RBI dengan CSRT); Komparasi data dengan peraturan (RBI dengan

14

peraturan); Komparasi dengan kondisi real lapangan (sample landmark); dan Komparasi

dengan peta dasar negara lain.

Kategorisasi unsur RBI harus dilihat secara komprehensif dalam konteks Proses kartografi

khususnya data collection (pattern detection) dan map design (encoding) (Stevens, Smith, &

Bianchetti, 2012). Dalam penelitian ini, penulis menggunakan 3 (tiga) referensi utama untuk

membatasi analisis. Referensi pertama adalah generalization as a sequence of modelling

operations (Cecconi, 2003). Generalisasi dapat dipahami sebagai suatu proses representasi

dunia nyata melalui beberapa model yang berbeda. Generalisasi tahap pertama adalah

object generalization yaitu dari dunia nyata menjadi primary model (Digital Landscape Model

/ DLM). Selanjutnya model generalization (based on map purpose) dari primary model

(DLM) menjadi secondary models (DLM). Generalisasi terakhir adalah cartographic

generalization yang dapat dilakukan terhadap primary model atau secondary models (based

on scale dan map purpose) menghasilkan cartographic produc (Digital Cartographic Model /

DCM). Alur generalisasi tersebut dapat dilihat pada gambar 2.

Gambar 2. Generalization as a sequence of modelling operations (Cecconi, 2003)

Referensi kedua adalah category theory and the structure of features in geographic

information system (Usery, 1993). Usery menjelaskan bahwa unsur geografis (geographical

feature) merupakan konsep intelektual dari entitas dan objek representasi dunia nyata.

Selain itu, dalam paper Usery tersebut disampaikan bahwa pendefinisian unsur geografis

setidaknya harus spesifik yaitu setidaknya mencakup atribut dan hubungan baik untuk lokasi

dan klasifikasi seperti yang terlihat pada gambar 3. Hal penting yang lain adalah bahwa

abstraction dalam prinsip kartografi menyedikan dasar dalam teori kategori karena teori

kategori berhubungan langsung dengan basic level objek geografis. Lebih jauh lagi bahwa

dalam proses abstraction informasi geografis untuk keperluan produksi peta, kartografer

harus mengetahui tujuan dari suatu peta (application) dan skala penyajian peta (resolution).

Dalam paper tersebut, Usery banyak mengutip Rosch (1976 dan 1978) dalam

menganalogikan kategori pada basic level misalnya seperti terlihat pada tabel 1.

15

Gambar 3. Atribut dan keterkaitan baik lokasi maupun klasifikasi menjadi komponen dasar

untuk representasi fenomena geografis (Usery, 1993)

Tabel 1. Ilustrasi kategori

Superordinat Level Dasar Subordinat

Furnitur Kursi Meja Lampu

Kursi daput Kursi kerja Meja kopi Meja makan Lampu kerja Lampu lantai

Transportasi Jalan Jalur Kereta Api Kanal

Jalan Negara Jalan Antarnegara Jalur Kereta Api Standard-Gauge Jalur Kereta Api Narrow-Gauge Kanal Irigasi Kanal Pelayaran

Hidorgrafi Danau Aliran Sungai Kanal

Danau Glacial Danau Karst Sungai permanen Sungai musiman Kanal Irigasi Kanal Pelayaran

Referensi ketiga adalah parameters influencing map design (Hatzapoulos, 2008). Ada 4

(empat) parameter yang menurut Hatzapoulos mempengaruhi desain suatu peta. Berikut

adalah parameter tersebut: 1) tujuan peta; 2) skala peta; 3) pengguna peta; dan 4) metode

pembuatan peta. Selain itu, peta dibedakan menjadi 2 (dua) jenis yaitu general use maps

misalnya peta topografi dan tematic maps misalnya peta curah hujan. Kedua jenis peta

tersebut memiliki karakteristik yang berbeda jika dikaitkan dengan parameter desain suatu

peta.

16

Berdasarkan 3 (tiga) referensi utama tersebut, penulis mengambil garis besar batasan

penelitian yang kemudian menjadi acuan pengumpulan data dan analisis yaitu:

1) Pendefinisian tujuan peta RBI merujuk pada konsep peta topografi

2) Map abstraction menjadi bagian tak terpisahkan dari proses kategorisasi unsur RBI

3) Pengguna peta RBI sebagai bagian dari proses pemetaan RBI

Dalam penelitian tentang Kategorisasi Unsur RBI skala 1:5.000, diperlukan data dari

berbagai sumber. Daftar kebutuhan data dapat dilihat pada tabel 2.

Tabel 2. Data yang digunakan

No Nama Data Sumber Data

1 Pengguna peta RBI dengan parameter: Karakteristik pengguna Tujuan penggunaan peta RBI

Cara memperoleh peta RBI Frekuensi penggunaan peta RBI

Website (profil Kementerian/Lembaga/Instansi/Pemerintah Daerah/Perusahaan/Individu/lainnya)

melalui telaah peraturan perundang – undangan yang memiliki tupoksi berkaitan dengan geospasial

melalui hasil kajian tentang layanan IG yang telah dilakukan Pusat Standardisasi dan Kelembagaan Informasi Geospasial (PSKIG)

melalui rekap permintaan data yang ada di balai layanan PPKS

2 Kebutuhan pengguna peta RBI Pengguna peta RBI (profil

Kementerian/Lembaga/Instansi/Pemerintah Daerah/Perusahaan/Individu/lainnya)

3 Data RBI Skala 1:5.000, Kota Bandung

Pusat Pemetaan Rupabumi dan Toponim, BIG

Pusat Pengelolaan dan Penyebarluasan Informasi Geospasial, BIG

4 Spesifikasi pemetaan RBI (draf NSPK, Petunjuk Pelaksanaan, Pedoman stereoplotting, Kerangka Acuan Kerja, SPR, dan lainnya)

Pusat Pemetaan Rupabumi dan Toponim, BIG

5 Kode Unsur Rupabumi (KURI) Pusat Pemetaan Rupabumi dan Toponim,

BIG

6 Dokumen Katalog Unsur Geografi Indonesia versi terbaru

Pusat Pengelolaan dan Penyebarluasan Informasi Geospasial, BIG

7 Standar pembuatan peta topografi Pusat Standardisasi dan Kelembagaan

Informasi Geospasial, BIG

Badan Standardisasi Nasional International Organization for

Standardization

lainnya

8 Konsep Peta Topografi Literatur

9 Pendapat pakar Pakar

https://www.iso.org/about-us.html

https://www.iso.org/about-us.html

17

Pengumpulan data dilakukan dengan beberapa metode yaitu: 1) Pengumpulan data

memanfaatkan teknologi internet misalnya melalui search engine; 2) wawancara untuk

mengumpulkan data kebutuhan pengguna peta RBI; 3) survei instansi dilakukan untuk

meminta dokumen pendukung terkait data kebutuhan pengguna peta RBI yang akan

digunakan sebagai penguat metode wawancara; 4) Focus Group Discussion (FGD) untuk

memperoleh pendapat pakar tentang kategorisasi unsur RBI.

Metode analisis dibagi menjadi 3 (tiga) bagian yaitu: 1) Analisis deskriptif tentang konsep

dasar peta topografi dan map abstraction terhadap kategorisasi unsur RBI, dan peta

topografi; 2) Analisis deskriptif terhadap hasil wawancara kebutuhan pengguna peta RBI; 3)

Analisis deskriptif terhadap pendapat pakar. Dari ketiga analisis tersebut selanjutnya akan

disajikan dalam suatu hasil yang harapannya dapat menjawab pertanyaan penelitian dan

tujuan penelitian dapat tercapai.

1.3. Hasil & Pembahasan

Peta topografi dan map abstraction

Pemetaan topografi didefinisikan sebagai seni, sains dan teknologi dalam menempatkan

suatu titik pada permukaan bumi. Titik merupakan elemen dasar dari struktur geometri yang

rumit seperti garis, polygon, luasan, persil dan lainnya. Peta topografi menyajikan informasi

umum terkait karakteristik alami dan buatan dari dunia nyata. Informasi khusus yang

disajikan pada peta topografi adalah relief (Hatzapoulos, 2008). Hatzapoulus juga

menyatakan bahwa pemetaan topografi sudah ada sejak Babylonia kuno yang menyajikan

informasi “bundaries” dan memperkuat bahwa “point”sebagai dasar entitas geometri.

Informasi pembeda antara peta topografi dengan yang lain adalah penggambaran elevasi

atau relief menggunakan garis kontur. Meskipun demikian, peta topografi bukan hanya

representasi bumi yang sekedar menampilkan garis kontur. Baik unsur alami maupun buatan

digambarkan dalam peta topografi seperti gunung, lembah, danau, sungai, vegetasi, jalan,

batas, bangunan utama, dan lainnya (USGS, n.d.). Canada melalui lembaga Natural

Resource Canada mendefinisikan peta topografi sebgai ilustrasi detail dan akurat dari unsur

alami dan buatan seperti jalan, jalur kereta api, jaringan energi, kontur, elevasi, sungai,

danau, dan nama geografis. Sejumlah unsur yang terletak pada tanah tersebut dapat

dikategorikan menjadi relief, hidrografi, vegetasi, transpoprtasi, budaya, batas, dan toponimi

(Natural Resources Canada).

Peta topografi yang dihasilkan oleh USGS dirancang untuk berbagai macam tujuan

diantaranya untuk penelitian, engineering, militer, administratif, dan lainnya sehingga

disebut sebagai peta general-purpose (Rowland, 1955). Peta topografi di Indonesia pada

awalnya digunakan hanya untuk keperluan militer. Namun saat ini istilah peta topografi

sudah digantikan dengan Peta Rupabumi Indonesia (RBI) seiring dengan pemanfaatannya

sebagai peta dasar yang berlaku nasional. Peta RBI adalah peta dasar yang memberikan

informasi secara khusus untuk wilayah darat. Peta dasar tersebut terdiri atas garis pantai,

hipsografi, perairan, nama rupabumi, batas wilayah, transportasi dan utilitas, bangunan dan

fasilitas umum serta penutup lahan (Republik Indonesia, 2011). Undang-undang No. 4 tahun

18

2011 tentang Informasi Geospasial memperkuat posisi peta dasar yang dapat digunakan

untuk berbagai keperluan sehingga masih relevan jika peta RBI dibandingkan dengan istilah

umum yaitu peta topografi. Kata kunci bahwa peta topografi masih relevan dengan peta RBI

adalah: karakteristik alami dan buatan (natural & artificial), unsur yang terletak pada tanah

(ground feature), permukaan bumi, dan tujuan umum (Natural Resources Canada)

(Hatzapoulos, 2008) (USGS, n.d.).

Peta topografi yang akurat dibuat melalui beberapa tahap panjang dan rumit. USGS

memerlukan waktu 5 (lima) tahun untuk memproduksi peta topografi skala besar 7.5-minute

dengan skala 1:24.000 dari mulai tahapan kebutuhan pemetaan hingga pencetakan.

Tahapan tersebut diantaranya: 1) pemotretan udara; 2) survei lapangan untuk pengukuran

titik kontrol; 3) penamaan unsur; 4) verifikasi unsur peta (untuk memastikan hasil

interpretasi sudah sesuai/belum, verifikasi nama geografis dan batas wilayah); 5) kompilasi

peta berdasarkan hasil verifikasi; 6) pencetakan (USGS, n.d.).

Perkembangan teknologi saat ini memungkinkan proses akuisisi foto udara dilakukan

bersamaan dengan pengukuran titik kontrol tanah. Selain foto udara, banyak sumber data

lain yang dapat digunakan untuk pembuatan peta topografi misalnya LiDAR, radar, dan

lainnya yang berkaitan dengan penginderaan jauh. Pemilihan teknologi tersebut dipengaruhi

oleh skala peta yang akan dibuat (Usery, 1993). Mengacu pada hal tersebut, pemetaan RBI

skala 1:5.000 saat ini masih menggunakan pemotretan udara yang dikombinasikan dengan

berbagai jenis model elevasi. Foto udara masih direkomendasikan sebagai sumber utama

pemetaan RBI karena memiliki kualitas geometri lebih baik jika dibandingkan dengan Citra

Satelit Resolusi Sangat Tinggi (CTSRT) meskipun CTRST juga dapat menjadi alternatif

dengan merujuk pada standar yang dikeluarkan American Society for Photogrammetry and

Remote Sensing (ASPRS) (Susetyo, Syetiawan, & Octariady, 2017). Berdasarkan uraian di

atas, penulis merangkum garis besar penyusunan peta RBI menjadi 6 (enam) tahap utama

yaitu: 1) akuisisi data dasar; 2) pra-pemrosesan data dasar; 3) interpretasi, vektorisasi dan

pengisian atribut; 4) validasi lapangan; 5) perbaikan menggunakan hasil validasi lapangan;

6) penyajian (digial dan cetak).

Akusisi data dasar berkaitan dengan data apa yang akan digunakan untuk penyusunan

peta RBI mengacu pada parameter skala. Kemudian pra-pemrosesan berkaitan dengan

kualitas hasil akuisisi data dasar terhadap titik kontrol tanah. Seperti apa idealnya suatu data

dasar dikoreksi (ground ortho atau true ortho?). Hal itu harus mengacu pada referensi skala.

Selanjutnya tahap interpretasi, vektorisasi dan pengisian atribut baik dengan cara

plotting/registrasi/digitasi untuk menggambarkan unsur RBI. Pada tahap ini proses map

abstraction / object generalization dilakukan sehingga batasan-batasan diperlukan pada

tahapan ini. Parameter terukur yang mempengaruhi map abstraction adalah geometri yang

berhubungan langsung dengan skala peta. Selain itu, konsep pemetaan juga menjadi faktor

apakah menggunakan konsep bottom-up atau top-down. Bottom-up jika pemetaan

dilakukan untuk menghasilkan peta dengan tingkat kedetailan paling tinggi kemudian

digeneralisasi untuk menghasikan peta dengan tingkat kedetailan yang lebih rendah (misal

skala 1:1.000 skala 1:2.500 skala 1:5.000 skala 1:10.000 dst). Begitu sebaliknya,

top-down jika pemetaan dilakukan secara parsial dari skala kecil, selanjutnya skala

menengah dan kemudian skala besar.

Jika menggunakan konsep bottom-up, maka konsep generalisasi dapat dijadikan sebagai

parameter terukur dan saat ini sudah ada alat bantu yang memudahkan proses generalisasi

19

tersebut. Hal itu yang diterapkan dalam Multi-Scale Databases (Cecconi, 2003). Salah satu

parameter terukur dalam generalisasi adalah the principle of selection dengan

mempertimbangan jumlah objek yang dapat digambarkan. Dari prinsip tersebut, jumlah

objek pada skala kecil dapat dihitung dengan rumus menggunakan sumber jumlah objek

pada skala yang lebih besar (Töpfer & Pillewitzer, 1964). Pengisian atribut juga mengacu

pada batasan kategorisasi obyek. Atribut dan keterkaitan antar obyek menjadi suatu hal

yang penting (Usery, 1993). Selain itu, perkembangan pendekatan semantic dan ontology

dalam bidang geospasial saat ini sangat pesat. USGS menjadi salah satu yang intensif dalam

pengembangan tersebut untuk diterapkan pada U.S. National Topographic Map (Bulen,

Carter, & Varanka, 2010) (Varanka, 2009). Semantic ontologies diharapkan menjadi proses

efektif untuk memperoleh model data sebagai representasi dari unsur topografi yang rumit

(Varanka & Jerris, 2010). Selanjutnya tahap validasi dilakukan untuk memastikan bahwa

hasil interpretasi, vektorisasi dan pengisian atribut sudah sesuai dengan kondisi di lapangan.

Validasi juga dijadikan sebagai kontrol kualitas. Perbaikan hasil interpretasi, vektorisasi dan

pengisian atribut dilakukan jika terdapat kesalahan mengacu hasil validasi melalui survei

lapangan. Perbaikan jika kesalahan yang terjadi melebihi ambang batas toleransi. Tahap

terakhir adalah penyajian baik dalam bentuk digital maupun cetak. Dalam tahap penyajian

ini memungkinkan adanya generalisasi karena karakteristik penyajian dalam bentuk cetak

berbeda dengan digital (GIS ready dan quicklook). Generalisasi dalam hal ini adalah proses

cartographic generalization. Penyajian digial saat ini sudah dapat membantu indera

penglihatan dalam melihat lebih jelas suatu objek dengan adanya teknologi perbesaran.

USGS saat ini menyajikan peta topografi dalam format digital yang user-friendly dengan

format *.pdf sesuai yang tertuang dalam US Topo Product Standard (Cooley, Davis,

Fishburn, Lestinsky, & Moore, 2011).

Kebutuhan pengguna peta RBI

Dalam merancang detail peta topografi, USGS mendefinisikan spesifiakasi mulai dari

skala, interval kontur, akurasi, dan unsur apa saja yang perlu ditampilkan pada peta melalui

pengembangan yang panjang guna memenuhi kebutuhan pemerintahan, industri dan

pengguna umum (Rowland, 1955). Hal itu menunjukkan bahwa kebutuhan pengguna

menjadi salah satu parameter penting dalam perancangan peta topografi. Oleh karena itu,

dalam penelitian ini dilakukan survei wawancara kepada beberapa pengguna peta RBI untuk

memperoleh informasi dari sudut pandang pengguna peta. Berdasarkan informasi yang ada

di Badan Informasi Geospasial (BIG) terkait permintaan data, terdapat 41% permintaan peta

RBI yang terdiri dari pemerintah daerah, akademisi, Badan Usaha Milik Negara (BUMN) dan

Kementerian/Lembaga (lihat gambar 4). Jumlah permintaan terbanyak adalah dari

Pemerintah Daerah. Penggunaannya pun beragam misalnya untuk keperluan perencanaan

tata ruang, perencanaan kegiatan, dan lainnya.

20

Gambar 4. Jumlah permintaan data di BIG per 9 Juni 2017 (BIG, 2017)

Wawancara dilakukan terhadap 12 responden yang terdiri dari Kementerian/Lembaga

dan pemerintah daerah (lihat tabel 3).

Tabel 3. Daftar responden wawancara

Responden Keterangan

Kementerian Desa, Pembangunan Daerah Tertinggal & Transmigrasi - Pusat Data dan Informasi

1 responden

Kementerian Perhubungan, - Direktorat Jenderal Perhubungan Udara - Pusat Teknologi Informasi dan Komunikasi Perhubungan

2 responden

Kementerian ESDM, Badan Geologi 1 responden

Kemeterian Pertahanan, Pusat Data dan Informasi 1 responden

TNI-AU, Dissurpotrud 1 responden

TNI-AD, Dittopad 1 responden

Dinas Pekerjaan Umum dan Penataan Ruang Kabupaten Bogor 1 responden

Bappedalitbang Kabupaten Bogor 1 responden

Bappeda Kota Bogor 1 responden

Lembaga Penerbangan dan Antariksa Nasional 1 responden

Badan Meteorilogi, Klimatologi dan Geofisika 1 responden

Dari total 12 responden tersebut kemudian diambil beberapa informasi dari beberapa

reponden yang memenuhi kriteria pernah menyelenggarakan dan membutuhkan peta skala

1:5.000. Responden tersebut adalah Bappeda Kota Bogor, Dinas Pekerjaan Umum &

Penataan Ruang Kabupaten Bogor, dan Dissurpotrud-AU. Sebagian rangkuman hasil

wawancara ketiga responden tersebut diatas disajikan pada tabel 4.

21

Tabel 4. Rangkuman wawancara

Responden Informasi Penting

Dissurpotrud, TNI-AU

- Sebaiknya ada data garis pantai skala besar, karena akan digunakan untuk pembuatan peta tempur gabungan, dalam hal ini kerjasama TNI AL dan AU. Peta garis pantai digunakan untuk perencanaan pendaratan Amphibi.

- Perlu dicantumkan kontur dan titik tinggi yang akurat karena pernah menemukan titik tinggi yang tidak sesuai

- Sungai, sebagai tanda alam yang mudah dikenali saat terbang, sehingga perlu keakuratan nama sungai

- Objek aset TNI dicantumkan namanya; Objek bangunan penduduk tidak perlu; nama warung tidak diperlukan

- sampai saat ini untuk batas wilayah dalam pembuatan peta oleh TN AU masih menggunakan data dari peta RBI.

- Jalur sutet, tower telkom dll perlu digambarkan karena sebagai penghalang dalam dunia penerbangan

- Kelas jalan diperlukan, beraspal atau tidak - Perlu disesuaikan kedetilan objek khusus untuk yang

dicetak, kalau versi digital informasinya sebisa mungkin selengkap mungkin karena untuk memperbesar objek masih dimungkinkan.

- Informasi penutup lahan digunakan untuk pendaratan darurat, sehingga informasi sawah/tegalan/lainnya perlu didetilkan. Diutamakan lokasi yang tidak ramai penduduk juga diberi keterangan

Bappeda Kota Bogor

- Hipsografi digunakan untuk : a) Keperluan drainase, aliran air, infrastruktur; b) Perijinan bangunan. Jika ada kami perlu peta dengan ketelitian 0.5 meter

- Perairan diperlukan dalam penggambaran sungai, setu/danau, pipa air dan aliran drainase

- Penggambaran jalan hingga tingkat RW dan Rumah disertakan nomor rumah beserta fungsinya

- Belum pernah dilakukan pengecekan dengan RBI karena langsung survei lapangan. Berkomunikasi dengan penanggung jawab daerah hingga tingkat RW

- Memerlukan nama jalan hingga tingkat RW. - Data bangunan rumah dibutuhkan untuk data renovasi

rumah layak huni, untuk pajak, simtaru.kotabogor.go.id - Memerlukan data penggunaan lahan skala 1:5.000. RBI

skala menengah hanya mengakomodir tutupan lahan.

Dinas PUPR Kab. Bogor

- Membutuhkan data kontur untuk Rencana Detail Tata Ruang

- Nama rupabumi tidak perlu ditampilkan di muka peta, tapi hanya fungsinya saja yang sekiranya memperngaruhi tata letak di muka peta

- Kadang data batas sesuai permendagri berbeda dengan data lapangan untuk RDTR hanya butuh informasi lebar jala

22

Dari hasil wawancara tersebut diatas, dihasilkan beberapa hal yang menjadi catatan dalam

proses kategorisasi unsur RBI skala 1:5.000 yaitu:

1) Akurasi menjadi kebutuhan dasar dalam pemetaan RBI;

2) Metode penyajian harus dipisahkan menjadi 2 (dua) yaitu cetak dan digital (GIS ready

dan quicklook)

Konsep kategorisasi menurut pendapat pakar

Pengumpulan informasi yang bersumber dari pakar dilaksanakan melalui Focus Group

Discussion (FGD). Berikut adalah adalah beberapa penjelasan pakar yang berhubungan

dengan konsep kategorisasi:

1) Peta RBI bukan merupakan peta all-purpose melainkan peta multi-purpose sehingga

kedetailan informasinya tidak harus mengakomodir semua pengguna. Manfaat peta

antara lain untuk tata ruang, participatory planing, fast response government, dll

2) Semakin besar skala peta maka unsur yang digambarkan semakin banyak. Banyaknya

unsur tersebut tidak harus menjadi unsur baru. Mungkin ada unsur yang cukup

menjadi atribut.

3) Kedetailan objek mempengaruhi kapasitas produksi dan kedetailan objek dipengaruhi

oleh interpretasi data dasar (misal foto udara)

4) Indonesia memerlukan suatu sistem klasifikasi yang komprehensif. Contoh sistem

klasifikasi yang baik adalah yang disusun oleh Anderson (USGS) pada 1976 spesifik

tentang A Land Use and Land Cover Classification System for use with Remote Sensor

Data. Dalam penelitiannya, Anderson membandingkan klasifikasi objek yang

bersumber dari citra satelit dan foto udara. Metode akusisi data dasar (terestris,

fotogrametri, kombinasi terestris dan fotogrametri) mempengaruhi sistem klasifikasi.

5) Perlu diperjelas mengenai spesifikasi peta RBI skala 1:5.000, apakah peta RBI skala

1:5.000 yang bersumber dari metode tertentu misal fotogrametri atau yang

bersumber dari berbagai metode? Metode sangat berpengaruh terhadap tahapan

yang harus dilakukan dan ketelitian hasilnya.

6) Kode unsur yang merupakan wujud kategorisasi harus ada di awal dan menjadi

batasan yang kuat. Jika ada obyek yang tidak termasuk dalam kode unsur tertentu

maka tidak perlu digambarkan.

7) Parameter permanen/tidak permanen tidak cukup untuk menjadi satu-satunya

batasan suatu objek perlu/tidak perlu digambarkan.

Parameter untuk Kategorisasi

Parameter yang dapat dijadikan sebeagai pertimbangan dalam kategorisasi unsur RBI skala

1:5.000 adalah: 1) tujuan peta RBI; 2) sistem klasifikasi (multi skala); 3) akurasi peta RBI;

4) sumber data dasar; 5) metode pemetaan (termasuk map abstraction); 6) kebutuhan

pengguna peta RBI; dan 7) metode penyajian. Seluruh parameter tersebut diperoleh

berdasarkan inti dari bahasan peta topografi & map abstraction, kebutuhan pengguna dan

konsep kategorisasi menurut pendapat pakar. Ketiga bahasan tersebut didasari pada

batasan penelitian yaitu pendefinisian tujuan peta RBI sesuai konsep peta topografi, map

abstraction sebagai bagian dari proses kategorisasi unsur RBI dan pengguna peta RBI

sebagai bagian dalam proses pemetaan RBI.

23

Keterkaitan klasifikasi dengan beberapa dokumen.

KURI masih belum harmonis dengan KUGI, karena KUGI masih dirasa kurang aplikatif.

Selain masih ada kebingungan apa yang harus dimuat dalam peta RBI skala besar, kode

unsur yang dimiliki dalam KURI muncul dengan latar belakang produksi. Bagaimanapun

kode unsur perlu disederhanakan. Kode unsur itu diharapkan untuk dibuat hierarkinya.

Perlu dilakukan penyederhanaan. Jika ada yang belum dimuat dalam kode unsur tidak perlu

ditambahkan supaya konsisten terus. RBI yang lebih rumit pada skala 5k menyebabkan

salah satu faktor keterlambatan hal ini disebabkan karena data dasar yang lebih detil dari

yang seharusnya digunakan untuk digitasi; kemudian faktor lainnya adalah penyesuaian

terhadap KUGI. Rekomendasi yang ada adalah menstrukturisasi data, memperbaiki juknis

yang diberikan ke pelaksana beserta contoh-contoh di dalamnya, penyamaan persepsi KUGI

dan KURI.

1.4. Kesimpulan

Penyelenggaraan Peta RBI tidak dapat dilepaskan dari perkembangan ilmu pengetahuan dan

teknologi. Hal yang paling utama dalam pemetaan dalam hal ini untuk pembuatan peta

topografi adalah obyektivitas. Kenampakan permukaan bumi sangat kompleks dan

diperlukan cara yang lebih komprehensif dalam proses abstraksi informasi sehingga hasilnya

mendekati kondisi nyata (real world) karena suatu “model” tidak pernah menyamai wujud

aslinya. Peta topografi masih relevan dengan peta RBI adalah: karakteristik alami dan

buatan (natural & artificial), unsur yang terletak pada tanah (ground feature), permukaan

bumi, dan tujuan umum (general-purpose).

Parameter terukur yang mempengaruhi map abstraction adalah geometri yang berhubungan

langsung dengan skala peta. Parameter yang dapat dijadikan sebeagai pertimbangan dalam

kategorisasi unsur RBI skala 1:5.000 adalah: 1) tujuan peta RBI; 2) sistem klasifikasi (multi

skala); 3) akurasi peta RBI; 4) sumber data dasar; 5) metode pemetaan (termasuk map

abstraction); 6) kebutuhan pengguna peta RBI; dan 7) metode penyajian.

1.5. Daftar Pustaka

Harries, K. (1999). Mapping Crime: Principle and Practice. Retrieved from

https://www.ncjrs.gov/html/nij/mapping/ch1_5.html

Cavette, C. (n.d.). How Products are Made. Retrieved from madehow:

http://www.madehow.com/Volume-4/Topographic-Map.html

Cecconi, A. (2003). Integration of Cartographic Generalization and Multi-Scale Databases for

Enhanced Web Mapping. Zurich .

Cooley, M. J., Davis, L. R., Fishburn, K. A., Lestinsky, H., & Moore, L. R. (2011). US Topo

Product Standard. Techniques and Method 11-B2. Restonm Virginia: U.S. Geological

Survey.

24

Hatzapoulos, J. N. (2008). Topographic Mapping: Covering the Wider Field of Geospatial

Informasi Science & Technology (GIS&T). Boca Raton, Florida, USA: Universal

Publishers.

MacEachren, A. M. (1995). How Maps Work: Representation, Visualization, and Design. New

York: Guilford Publications.

Natural Resources Canada. (n.d.). Natural Resources Canada. Retrieved from

https://www.nrcan.gc.ca/sites/www.nrcan.gc.ca/files/earthsciences/pdf/

Republik Indonesia. (2011). Peraturan Menteri Pekerjaan Umum No. 20 Tahun 2011 tentang

Pedoman Penyusunan Rencana Detail Tata Ruang dan Peraturan Zonasi

Kabupaten/Kota. Jakarta, Indonesia.

Republik Indonesia. (2011). Undang-undang No. 4 Tahun 2011 tentang Informasi

Geospasial. Jakarta, Indonesia.

Republik Indonesia. (2015). Peraturan Menteri Dalam Negeri No. 56 Tahun 2015 tentang

Kode dan Data Wilayah Administrasi Pemerintahan. Jakarta, Indonesia.

Rowland, J. B. (1955). Features Shown on Topographic Maps. Washington D.C.: USGS.

Retrieved from https://pubs.usgs.gov/circ/1955/0368/report.pdf

Stevens, J., Smith, J. M., & Bianchetti, R. A. (2012). Geography 160: Mapping Out Changing

World. (A. M. MacEachren, D. J. Peuquet, Editors, & Department of Geography, The

Pennsylvania State University) Retrieved July 05, 2017, from The John A. Dutton e-

Education Institute: http://www.e-education.psu.edu/geog160/node/1882

Susetyo, D. B., Syetiawan, A., & Octariady, J. (2017). Perbandingan Ketelitian Geomterik

Citra Satelit Resolusi Tinggi dan Foto Udara untuk Keperluan Pemetaan Rupabumi

Indonesia.

Töpfer, F., & Pillewitzer, W. (1964). The Principles of Selection. In D. Maling (Ed.), The XX

International Geographical Congress, section IX, Cartography, (pp. 117-121).

London.

Usery, L. E. (1993). Category Theory and the Structure of Features in Geographic

Information System. Cartography and Geographic Information System, 20(1), 5-12.

doi:http://dx.doi.org/10.1559/152304093782616751

USGS. (n.d.). Topographic Mapping. Retrieved from pubs.usgs.gov:

https://pubs.usgs.gov/gip/topomapping/topo.html

25

2. Penelitian Kapasitas Digitasi untuk Pemetaan 1:5000

Tia Rizka N.R., Bambang Riadi, Ayu Nur Safi’I, Agung Syetiawan, Nadya Oktaviani,

Fahmi Amhar

2.1. Pendahuluan

Produksi peta dasar Indonesia berpusat di Badan Informasi Geospasial. Saat ini pemetaan

skala besar sedang menjadi kegiatan prioritas Nasional. Salah satunya pemetaan skala

1:5000 menggunakan basemap foto udara/citra satelit. Selama ini pemetaan di Badan

Informasi Geospasial dilaksanakan secara kontrak ke pihak ketiga. Namun, hingga saat ini

sebenarnya kapasasitas SDM untuk melaksanakan pemetaan RBI khususnya skala besar

belum banyak diteliti. Akibatnya para pelaksana pekerjaan masih menggunakan Kerangka

Acuan Kerja (KAK) lama.

Seiring pelaksanaan pekerjaan, muncullah beberapa masalah dan kendala. Terutama

banyaknya pekerjaan yang tidak selesai tepat waktu sesuai dengan KAK yang dihitung

berdasarkan cakupan luas area. Padahal dalam menyelesaikan digitasi skala besar

dibutuhkan kedetailan objek dan atribut yang menyertai objek yang didigitasi. Penelitian

penghitungan kapasitas bertujuan untuk mengetahui berapa lama waktu yang dibutuhkan

untuk menyelesaikan digitasi sebuah objek yang terlihat pada foto udara/citra satelit.

Kapasitas didefinisikan sebagai kemampuan individu, organisasi atau sistem untuk

menjalankan fungsi sebagaimana mestinya secara efektif, efisien dan terus-menerus (Milen,

2006 dalam STIA LAN, 2012). Sehingga yang menjadi objek penelitian adalah operator

peleksana pekerjaan. Metode yang digunakan adalah metode Cluster Sampling Random,

sedangkan metode pengolahan data menggunakan metode Analisis Deskriptif Kualitatif dan

Statistik Kuantitatif. Cluster Random Sampling (pengambilan sampel dengan cara klaster)

adalah melakukan randomisasi terhadap kelompok, bukan terhadap subjek secara indovidual

(Azwar 2016). Faktor yang mempengaruhi yang dihitung dalam penelitian ini adalah usia,

pengalaman kerja, dan latar belakang pendidikan. Harapannya hasil dari penelitian ini

nantinya dapat memberikan masukan dalam menghitung biaya yang dibutuhkan untuk

menyelesaikan per NLP peta.


Untuk mendapatkan angka kapasitas digitasi seara objektif, ada beberapa metode yang

mungkin dilakukan, yaitu: (1) Observasi langsung / dengan camera / CCTV; (2) Observasi

dengan software; (3) Oberservasi dengan logbook yang diisi mandiri operator; (4)

Wawancara dengan operator; (5) Wawancara dengan supervisor.

Observasi dilakukan pada pertengahan hari kerja dan menjelang hari libur untuk mencari

kemungkinan keterkaitan produktifitas dengan hari libur.

Observasi langsung dilakukan seiring mengikuti proses supervisi yang dilakukan PPRT di

Pelaksana Pekerjaan. Kenyataannya, observasi ini memiliki keterbatasan, karena umumnya

operator digitasi cenderung menunjukkan sikap yang berbeda ketika tahu diamati.

26

Penggunaan kamera/CCTV juga ternyata tidak mudah dilakukan karena memerlukan

instalasi khusus.

Observasi dengan software Camtasia ternyata hanya bertahan beberapa hari, dan kemudian

terpaksa dibatalkan, karena menyebabkan komputer yang dipakai operator menjadi lambat.

Software ini merekam layar berikut kursor dari operator dan bisa diatur berapa gambar per

detik yang disimpan. Namun secara umum tetap menyebabkan kinerja operator turun, dan

ini tidak diharapkan. Kinerja operator mungkin tidak terpengaruh bila menggunakan

komputer dengan spesifikasi yang lebih tinggi.

Observasi dengan logbook belum sempat dilakukan dengan disiplin dan sempurna. Untuk

itu, bila penelitian ini dilanjutkan tahun depan, akan dibuat sebuah model logbook yang

praktis, seragam dan bisa diakses di web.

Pada akhirnya, metode yang benar-benar digunakan adalah wawancara dengan operator

dan dengan supervisornya.

Gambar-1 Bentuk Kuesioner

Adapun sampel yang diamati ada 2 kelompok, yaitu di tim yang melaksanakan pekerjaan

PNBP dari Kabupaten Kediri di PPKS-BIG (18 orang), dan tim di perusahaan swasta yang

melaksanakan pekerjaan dari BIG (31 orang)..

Sedang sebagai material pelengkap dan pembanding adalah:

- Juknis/SOP supervisi dan QC di PPRT

- KAK pemetaan RBI skala 1:5.000

- Standar Biaya Masukan dan Analisis Biaya Keluaran tahun 2015-2017

27

Dalam pelaksanaan observasi perlu diperhatikan bahwa:

1. Digitasi yang dimaksud adalah proses digitasi dan pengisian atribut (hingga data

pada NLP tersebut siap ditopologi).

2. Tidak samanya definisi kerapatan Jarang, Sedang, Padat masing-masing operator

3. NLP yang tidak digit 100%, data tidak digunakan (tutupan awan/batas administrasi)

4. Satu hari dianggap 5 jam kerja.

5. Total waktu = jumlah (rata-rata) masing-masing kelas Contoh : 1-2 jam = 1,5 jam

6. NLP dikelaskan (jarang-sedang-padat) secara langsung, bukan hitungan luas;

sedangkan PPRT menggunakan rumus : (luas bangunan + luas sawah)/luas NLP

(Perka BIG No 12 Tahun 2016)

Mulai

Persiapan dan Pengumpulan Literature

Metode Cluster Random Sampling :1. Pengamatan Langsung2. Pengisian Kuisioner oleh Operator

Pengolahan Data dengan SPSS dengan Metode Analisis Deskriptif

Analisis hasil data yang mempengaruhi Kapasitas Digitasi

Pelaporan

Selesai

Kuisioner

Uji Distribusi Normal

Gambar 2. Diagram alir penelitian

Berdasarkan diagram alir pada Gambar 2 tahapan penelitian terdiri dari persiapan,

pengumpulan data dan pengolahan data. Tahapan persiapan meliputi kegiatan untuk

menentukan metode yang digunakan serta pengumpulan literatur yang terkait dengan

penelitian. Pengumpulan literatur dimaksudkan untuk menentukan hipotesis awal yang

menjadi tolak ukur dibuatnya kuisioner.

28

Gambar 3. Diagram penarikan Hipotesis awal penelitian penghitungan

kapasitas digitasi pemetaan RBI skala besar

Hipotesis awal dalam penelitian ini adalah adanya hubungan yang mempengaruhi

kemampuan operator dalam melakukan digitasi foto udara/citra satelit yaitu usia,

pendidikan, dan pengalaman kerja. Sehingga, isian kuisioner terdiri dari latar belakang

pendidikan, usia, pengalaman kerja serupa yang dijalani serta lama waktu yang dibutuhkan

operator untuk melakukan digitasi.

Data yang diperoleh dari kuesioner dianalisis menggunakan Analisis Regresi Linear. Analisis

Regresi Linear dapat dijelaskan dalam bentuk persamaan berikut:

Y = a + b1X1 + b2X2 + b3X3 + b4X4 + e...................................................(1)

Dimana

Y = Variabel terikat kapasitas digitasi

a = konstanta

b = koefisien

X1 = Variabel bebas Jenis Kelamin

X2 = Variabel bebas Usia

X3 = Variabel bebas Pendidikan

X4 = Variabel Bebas Pengalaman Kerja

e = residual error

Analisis regresi dipakai secara luas untuk melakukan prediksi dan ramalan. Analisis ini juga

digunakan untuk memahami variabel bebas mana saja yang berhubungan dengan variabel

terikat, dan untuk mengetahui bentuk-bentuk hubungan tersebut (Subekti, 2015).


Penelitian ini mengelompokan kecepatan digitasi operator terhadap beberapa kelompok

kerapatan objek digitasi, yaitu kerapatan jarang, sedang dan padat. Pengelompokan ini

didasarkan atas komponen kepadatan fitur yang tertuang pada Perka BIG No. 12 Tahun

2016. Pengelompokan ini berbeda dengan yang digunakan oleh PPRT yakni dengan

menggunakan rumus penghitungan luas bangunan ditambah luas sawah, kemudian dibagi

dengan luas per-NLP peta yang dibuat.

Hasil wawancara dan isian kuisioner yang digunakan untuk menghitung kapasitas operator

terdiri atas 17 sampel dari pekerjaan Kediri dan 31 sampel dari perusahaan swasta.

Latar Belakang

Jenis Kelamin

Usia

Pendidikan

Pengalaman

Kapasitas Digitasi

Hari per NLP

29

Tabel-1. Hasil isian kuesioner tim pekerjaan Kediri

Berdasarkan hasil isian kuisioner terlihat bahwa operator yang melaksanakan pekerjaan

Kediri memiliki latar belakang pendidikan yang homogen yakni s1/setara dengan latar

belakang disiplin ilmu kebumian (Tabel-1). Usia operator rata-rata termasuk golongan usia

remaja yang masih produktif. Operator umumnya masih fresh graduates yang memiliki

pengalaman maksimal 2 tahun. Rata-rata operator mampu menyelesaikan pekerjaan dengan

kerapatan jarang selama 1 hari kerja/5jam efektif. Klasifikasi kerapatan sedang mereka

mampu menyelesaikan pekerjaan rata-rata 2 hari kerja/ 9 jam efektif. Sedangkan untuk

kerapatan padat mereka mampu menyelesaikan dalam 4 hari/ 19 jam efektif.

Sedangkan operator pada perusahaan swasta memiliki latar belakang pendidikan dari

lulusan SMA/setara sebanyak 19 orang, dan S1/setara sebanyak 12 orang (Tabel-2). Sampel

yang diambil berasaal dari 4 perusahaan yang berbeda. Rata-rata operator mampu

menyelesaikan pekerjaan dengan kerapatan jarang selama 3 hari kerja/18jam efektif.

Klasifikasi kerapatan sedang mereka mampu menyelesaikan pekerjaan rata-rata 5 hari kerja/

24 jam efektif. Sedangkan untuk kerapatan padat mereka mampu menyelesaikan dalam 6

hari/ 32 jam efektif.

Terlihat bahwa operator yang melaksanakan pekerjaan swasta cendrung memiliki rentang

usia besar dan bervariasi serta pengalaman yang sangat bervariasi. Hasil wawancara

terhadap operator berpengalaman, mengatakan bahwa perbedaan pekerjaan yang dilakukan

beberapa tahun belakangan sangat berbeda dengan pekerjaan mereka pertama kali. Saat ini

teknologi cukup membantu mereka namun butuh penyesuaian yang lebih terhadap software

yang digunakan. Kebiasaan menggunakan komputer juga dilansir menjadi faktor yang

mempengaruhi kecepatan operator dalam bekerja.

30

Tabel-2. Hasil isian kuesioner perusahaan swasta

Jika dilihat dengan mengguakan analisis linier terhadap faktor yang memepengaruhi

kecepatan operator, tidak tampak ada hubungan yang signifikan antara usia, pengalaman

kerja dengan latar belakang pendidikan operator digitasi peta. Nilai negative

menggambarkan bahwa tidak ada hubungan dari hasil kecepatan seorang operator terhadap

parameter tersebut. Sedangkan nilai positif menggambarkan adanya hubungan positif

terhadap parameter yang mempengaruhi kapasitas digitasi. Faktor negative/positif terlihat

tidak memiliki dampak yang besar terhadap kecepatan seorang operator.

Beberapa catatan yang disimpulkan dari seluruh operator bahwa kendala yang sering

dihadapi operator dalam melaksanakan pekerjaan, diantaranya:

1. Masih banyaknya perbedaan GDB yang dijadikan acuan dan perbedaan cara digitasi oleh

massing-massing supervisor

2. Citra yang digunakan sebagai basemap terkadang memiliki kurang jelas, dan interpretasi

operator juga berbeda.

3. Operator yang lelah, bosan dan mengantuk saat melaksanakan pekerjaan.

4. Spesifikasi PC dan peralatan pendukung yang kurang memadai.

31

Tabel-3. Hubungan faktor yang mempengaruhi digitasi

2.4 Kesimpulan

Penelitian ini masih belum bisa dijadikan acuan untuk menentukan standar untuk analisis

biaya beban kerja operator digitasi peta. Dikarenakan masih luasnya parameter yang

dijadikan penghitungan kapasitas operator yang dimaksud. Definisi klasifikasi kerapatan

objek masing-masing operator juga berbeda. Selain itu, perbedaan definisi kerapatan

jarang, sedang dan rapat yang digunakan peneliti dengan yang selama ini digunakan oleh

PPRT. Kedepannya diharapkan ada penelitian lanjutan yang dapat dijadikan acuan untuk

analisis biaya yang dibutuhkan dalam menyelesaikan pekerjaan.

2.5 Daftar Pustaka

Azwar, S., (2016). Metode Penelitian. Cetakan ke-17. Yogyakarta : Pustaka Pelajar. ISBN :

979-9075-27-0.

Kera

pat

an J

aran

g

Kera

pat

an S

ed

ang

32

Idrus, A., Muqeem, S., Zakaria, S.B., & Nawi, M.N.M. (2011). Development of Production

Rates Database for Substructure Activities by Work Sampling. Modern Applied Science

Journal. Vol 5 (4) Agustus 2011. doi:10.5539/mas.v5n4p123. ISSN 1913-1844, E-ISSN 1913-

1852.

Martono, N, (2010), Statistik Sosial Teori dan Aplikasi Program SPSS, Yogyakarta: Gava

Media.

Prasetyowati, D. A., (2016). Analisis Statistik (Teori dan Aplikasi Menggunakan SPSS),

Palembang

Rachman, T. (2013). Penggunaan Metode Work Sampling Untuk Menghitung Waktu Baku

Dan Kapasitas Produksi Karungan Soap Chip Di PT. SA. Jurnal Inovisi Vol. 9 (1) April 2013

Hal 48-60.

Sirait, M.S. (2001). Hubungan Faktor-Faktor Yang Mempengaruhi Kapasitas Kerja Terhadap

Kelelahan Tenaga Kerja Di Bagian Palet Pt Agung Saputra-Tex Yogyakarta. Skripsi

STIA LAN (2012). Capacity Building Birokrasi Pemerintah Daerah Kabupaten/Kota di

Indonesia. Laporan Penelitian Tim Peneliti STIA LAN. Makassar.

Safwan, Nadirsyah, & Abdullah, S., (2014). Pengaruh Kompetensi dan Motivasi Terhadap

Kinerja Pengelolaan Keuangan Daerah Pada Pemerintah Daerah Kabupaten Pidie Jaya.

Jurnal Akuntansi Pascasarjana Universitas Syiah Kuala. Vol. 3(1) 133-139 . Februari 2014.

ISSN 2302-0164..

Subekti, P., (2015). Perbandingan Perhitungan Matematis dan SPSS Analisis Regresi Linear

Studi Kasus Pengaruh IQ Mahasiswa Terhadap IPK. Prosiding Seminar Nasional Teknologi

Informasi, Komunikasi, dan Aplikasinya 2015. Malang. ISSN 2089-1083.

Suwati, Y., (2013). Pengaruh Kompensasi dan Motivasi Kerja Terhadap Kinerja Karyawan

pada PT Tunas Hijau Samarinda. Ejournal Ilmu Administrasi Bisnis. 1 (1) : 41-55

Republik Indonesia, 2011. Undang-Undang No. 4 Tahun 2011 tentang Informasi Geospasial.

Lembaran Negara RI Tahun 2011, No. 49. Jakarta: Menteri Hukum dan HAM Republik

Indonesia.

Y., S., (2016). Faktor-Faktor yang Mempengaruhi Kepuasan Kerja dan Kinerja Karyawan

Bank Muamalat Cabang Samarinda. Jurnal Ekonomi dan Manajemen. Vol. 13 (1). Hal 59-72.

ISSN: 1907-3011, ISSN online: 2528-1127.

33

3. Penelitian Sinkronisasi Hasil LIDAR dengan Foto Udara

M. Irwan Hariyono, Fahrul Hidayat, Fahmi Amhar, Ade Komara Mulyana

3.1. Pendahuluan

Penelitian ini bertujuan mengungkap fenomena desinkronisasi antara foto udara dan sensor

LIDAR yang diambil simultan dalam satu wahana baik secara teoritis dan fakta lapangan

beserta upaya mengatasinya (singkronisasi).

Pertanyaan ilmiah yang muncul adalah (1) Apakah ada fenomena desinkronisasi, apa saja

bentuk & besarannya dan (2) Bagaimana sebaran desinkronisasi ini.


Karena ini masih merupakan kajian awal, maka metode yang dilakukan adalah inventarisasi

dari para personil yang mengerjakan data DEM dari Lidar dan Foto Udara. Para personil ini

kemudian dipertemukan dalam suatu Focus Group Discussion.


Ada beberapa fenomena desinkronisasi hasil foto udara dan Lidar yang direkam dari satu

wahana pada saat bersamaan.

Terdapat perbedaan batas air antara data las, intensity dan hasil stereoplotting sungai.

Penarikan garis sungai akan digunakan dalam pembentukan DTM. Hal ini mempengaruhi

bentuk DTM sungai yang terbentuk.

’

Gambar 1. DEM dari Lidar tidak sama dengan Foto pada area sungai.

34

Umumnya hasil plotting (stereoploting) unsur perairan pada daerah tertutup vegetasi akan

menggantung (melayang) terhadap surface DTM dari data LAS. Akibatnya pada saat

tahapan pembentukan DTM, memerlukan editing kembali terhadap unsur perairan hasil

plotting tersebut.

Pertanyaannya: “Geometri (x,y,z) mana yang digunakan (dianggap benar). Geometri dari

hasil plotting (stereoploting) atau geometri dari DTM LAS?”

Gambar 2. DEM dari Lidar tidak sama dengan Foto pada area perairan.

Masspoint dari data LAS sangatlah besar. Mencapai 500 ribu-2 juta titik per Nomor

Lembar Peta. Hal ini menimbulkan kendala yaitu lamanya proses pada tahapan edditing

dan pembentukan DTM (TIN). Hasil DTM Lidar memiliki kerapatan masspoint dan tingkat

kehalusan yang berbeda jauh dengan hasil DTM Foto Udara

Pertanyaannya: “Apakah data LAS perlu diresampling agar memiliki tingkat kerapatan dan

kehalusan yang sama seperti DTM hasil Foto Udara?”

Gambar 3. DEM dari Lidar tidak sama dengan Foto akibat perbedaan kerapatan mass point

35

Tingkat kerapatan masspoit pada data Lidar yang sangat rapat membuat DTM yang

dihasilkan dapat mewakili kondisi sebenarnya dilapangan. Sehingga ketika ditambahkan data

breakline, DTM yang dihasilkan justru menjadi tidak logis.

Pertanyaannya: “Apakah pada tahap pemetaan RBI dan Pembentukan DTM masih

diperlukan breakline (punggung bukit, lembah, patahan dll)?”

Gambar 4. DEM dari Lidar tidak sama dengan Foto meski ada breakline/strukturline

Masspoint daerah perairan tidak merepresentasikan permukaan dengan tepat, misal: dtm

diantara tambak.

Pertanyaannya: “Sejauh apa melakukan editing pada DTM Hydroenforced menggunakan

data lidar?”

Gambar 5. DEM Lidar tidak sama dengan foto dalam efek hydroenforced

36

Sejauh mana dalam melakukan editing kontur? Terutama untuk kontur yang kecil-kecil?

Apakah perlu dilakukan smoothing kontur? Hasil smoothing kontur yang dihasilkan

menyebabkan semakin banyaknya vertex sehingga membuat data menjadi lebih besar dan

kontur banyak yang menempel ke perairan.

Gambar 6. DEM Lidar tidak sama dengan foto dalam efek smoothing

Dalam FGD didapatkan dua faktor yang terindikasi merupakan penyebab fenomena

desinkronisasi. Pertama adalah dalam akuisisi, dan kedua dalam prosesing DEM

hydroenforced.

A. Akuisisi Foto Udara dan Lidar

Perbedaan data foto udara dan Lidar kemungkinan besar disebabkan oleh tiga hal, yaitu:

Adanya syarat-syarat fotogrametri yang tidak terpenuhi seperti tilt tidak bisa dijaga tetap

dibawah 3 derajat; Ketidaksinkronan waktu antara sensor lidar dan kamera udara; dan

Perbedaan ketelitan data foto udara hasil AT dengan data Lidar

Dengan ketidak konsistensian data lidar dan data foto bisa jadi disebabkan karena nilai EO

hasil adjustement AT data foto lebih teliti karena melibatkan banyak GCP. Sedangkan proses

lidar langsung menggunakan trajectory yang hanya dikoreksi dari 1 atau 2 control point

(base station). Jadi terdapat level ketelitian EO/trajectory yang berbeda

37

Harus dilakukan kalibrasi IMU on the fly. Karena terdapat kesalahan sistematis yang

merupakan fungsi waktu. Jenis Base Station pada saat akuisisi ada 3 : a. PPP (kurang

akurat), b. Single base (lebih akurat), c. Multibase (paling akurat)

Perlu premark khusus dalam akuisisi FU-Lidar untuk mengecek ketelitian planimetrisnya.

Premark dapat dibuat dalam bentuk drum/ember atau trampoline. Perlu mencoba EO Hasil

AT untuk digunakan untuk mengkoreksi data Lidar. Perlu dilakukan uji geometri

independent dengan objek-objek dilapangan diluar ICP premarking. Sidelap dan overlap

yang berlebihan tidak meningkatkan akurasi justru bisa menimbulkan masalah baru

Karena pada data Lidar, Ifsar, dan Image Correlation/Matching adalah “unselective point”,

maka perlu kajian atau penelitian untuk proses klasifikasi/filtering. Karena belum ada nilai

baku untuk parameter pembentukan klasifikasi ground. Beda karakteristik wilayah akan

mengakibatkan penggunaan nilai parameter yang berbeda. Perlu dilakukan pengecekan

stereo model dan dibandingkan dengan hasil intensity lidar, untuk mengecek obyek

planimetris. Perlu mencoba untuk menerapkan algoritma untuk mencari breaklines dari data

Lidar. Bahwa untuk pengecekan (x,y) planimetris dapat menggunakan data intensity

dengan resolusi yang memadai. Perlu uji coba dari intensity yang dibentuk dari data lidar

serapat 4 ppm untuk membentuk mosaic intensity dengan resolusi 15 cm.

Pengolahan AT perlu dicoba per jalur dan ditambahkan jalur setelahnya. Jika semua jalur

telah sesuai maka gabungkan menjadi satu blok agar dapat mendeteksi kesalahan lebih dini.

Paralaks-y tidak bisa hilang pada obyek yang bergerak.

Apabila Akuisisi Lidar dan Foto Udara dilakukan secara terpisah akan memperkecil

kemungkinan terjadinya perbedaan data.

Masing-masing model yang dibentuk kembali itu perlu dicek lagi hasil statistik AT dan

visualnya. Perbedaan antara data foto udara dan Lidar diperbolehkan selama memenuhi

batas toleransi ketelitian. Data intensity Lidar dapat dimanfaatkan untuk menambah titik

control.

B. Pembentukan DTM Hydroenforced pada Pembuatan RBI Skala 1:5.000

Menggunakan data foto udara dan lidar

Dalam pembuatan peta, maka prinsip dasarnya harus sederhana dan mudah dimengerti,

jangan dibuat rumit dan kompleks. Model yang dihasilkan pada tahap akuisisi foto udara

dan lidar harus sama dengan yang digunakan pada pekerjaan pembuatan unsur rupabumi

dan toponim. Jika pada suatu objek ditemukan perbedaan yang signifikan antara model

foto udara dan data lidar maka perlu dilakukan AT ulang pada area yang bermasalah

tersebut. Ketelitian horizontal mengacu kepada data Foto Udara sedangkan ketelitian

vertikal mengacu pada data Lidar.

Data masspoint (LAS) perlu untuk dilakukan resampling menjadi MKP (Model Key Point)

dengan parameter yang sesuai dengan produk skala peta yang diinginkan. Selain MKP,

penyederhanaan titik yang digunakan untuk skala 1:5.000 dibulatkan sampai satuan meter.

38

Breakline tetap diperlukan dengan memperhatikan objek-objek rupabumi. Contoh :

Punggung bukit tidak perlu sebagai breakline, sedangkan tepi jalan atau irigasi yang

memiliki kenampakan tegas, perlu ditambahkan breakline, begitu pula jika terdapat

perubahan topografis yang ekstrim. Tingkat kehalusan editing pembentukan DTM hanya

sebatas menghilangkan spike dan anomali saja. Kebutuhan perairan hasil stereokompilasi

digunakan untuk mengkoreksi logika terrain, bukan ke nilai dari ketinggian itu sendiri.

Resolusi raster (.bil) untuk DTM 1:5.000 adalah 0.5m. Catatan: lakukan ujicoba terlebih

dahulu dalam 0,5m dan 1m. Kontur dibentuk dari raster (.bil). Kontur tetap dilakukan

smoothing pada garis konturnya bukan pada datanya.

3.4. Kesimpulan

Hal mengenai penyebab perbedaan data foto udara dan Lidar masih memerlukan kajian

lebih lanjut.

Secara umum perlu dilakukan kajian lebih lanjut terkait pemetaan menggunakan data lidar

dan workshop staf PPRT dengan para akademisi terkait akuisisi dan pemetaan lidar.

3.5. Daftar Pustaka

Kraus, K., Pfeifer, N. (2001): Advanced DEM Generation from LIDAR Data. International Archives of Photogrammetry and Remote Sensing Vol 34-3/W4 Annapolis, 2001.

39

4. Penelitian Filtering Data LIDAR untuk Peta RBI 1:5000

Prayudha Hartanto, Ayu Nur Safi’I, Dadan Ramdani, Danang Budi Susetyo, Yustisi

Ardhitasari, Wildan Firdaus, Fahmi Amhar, Ibnu Sofian

4.1. Pendahuluan

Semua alat pengumpulan data secara unselective seperti fotogrammetry dengan teknik

image-matching, interferometri-SAR dan Lidar memiliki kelebihan kecepatan operasional

yang tinggi (sehingga relatif murah), namun juga kelemahan bahwa titik-titik yang

dikumpulkan tidak bisa langsung dipakai. Titik-titik tinggi (point cloud) yang ada tidak

selalu menggambarkan permukaan tanah (DTM). Titik-titik ini sering berada di pepohonan

dan atap rumah.

Airbone Laser Scanning atau LIDAR adalah teknologi pemetaan terbaru yang memanfaatkan

sinar laser yang dipasang pada wahana pesawat kecil atau helipkoter. Teknologi ini

merupakan system penginderaan jauh system aktif yang mana sumber energi berasal dari

sensor yang terpasang pada platform. Dari data LIDAR, didapatkan pula data Digital Surface

Model (DSM) yang nantinya akan dapat diturunkan menjadi data DTM (Digital Terrain

Model). DSM adalah model permukaan digital dan juga merupakan model elevasi yang

menampilkan ketinggian permukaan. Jika DTM hanya menampilkan ground, maka DSM

menampilkan bentuk permukaan apapun yang ada seperti ketinggian pohon, bangunan,

sungai, dan objek apapun yang ada di atas tanah. Data hasil DSM mencakup vegetasi, jalan,

bangunan dan fitur-fitur terrain alami, sehinga dapat dibuat model tiga dimensi dari

berbagai sudut pandang dengan menambahkan land covernya (Sari, 2016).

DTM adalah bentuk digital dari terrain/ permukaan tanah tidak termasuk objek di atasnya.

Menurut (Kobler et al., 2007) DTM sangat penting untuk simulasi banjir, monitoring longsor,

perancangan jalan, klasifikasi tutupan lahan dan pengelolaan hutan.

Selama ini, pengklasifikasian data LIDAR masih terbatas pada kategori ground dan non-

ground, padahal untuk kategori non-ground sendiri terdapat beberapa objek dengan fitur

yang berbeda-beda (seperti vegetasi dan bangunan). Untuk menghilangkan vegetasi dan

bangunan (non-ground) yang ada di atas tanah tentu dibutuhkan cara/metode sehingga

didapatkan DTM dari DSM. Metode yang sering digunakan seperti Elevation With Expanding

Windows (ETEW) Filter, Maximum Local Slope (MLS) Filter dan Progressive Morphological

Filter.

Beberapa penelitian juga pernah menggunakan beberapa parameter untuk menghasilkan

data DTM dari DSM seperti metode berbasis kemiringan, metode berbasis morfologi dan

metode berbasis permukaan. Menurut (Vosselman, 2000), algoritma penyaringan berbasis

kemiringan lereng dapat dikembangkan dengan membandingkan kemiringan lereng dengan

kemiringan titik tetanggannya (neighbours).

40

Menurut (Pingel, Clarke, & Mcbride, 2013) teknik filtering yang terbaik dan sederhana yang

dapat digunakan untuk menghasilkan DTM adalah Teknik SMRF (Simple Morphological

Filter). Teknik ini dipakai dengan memasukkan nilai dari parameter-parameter yang tersedia,

seperti cell size, slope, windows, elevation threshold dan scalling factor. Jika dimasukkan

nilai yang berbeda pada parameter-parameter tersebut, maka akan terdapat perbedaan

visual yang ditimbulkan. Efek perbedaan visual ini merupakan bentuk DTM hasil pengolahan

dengan proses SMRF. Hasil parameter yang dimasukkan akan dianalisis secara visual dan

dilakukan validasi untuk melihat parameter manakah yang menghasilkan DTM terbaik.

Cellain itu, penelitian ini ingin mengetahui apakah teknik SMRF telah cukup akurat untuk

digunakan di daerah urban dan forest, atau harus diterapkan teknik filtering yang berbeda

bergantung pada tutupan lahan di suatu daerah tersebut.


Metode penelitian yang digunakan dalam penelitian ini adalah metode SMRF (Simple

Morphological Filter). Data yang digunakan adalah data point cloud LIDAR yang berlokasi di

Lombok Utara (8.38923 - 8.38517 LS dan 116.18983 - 116.19424 BT). Berdasarkan

spesifikasi teknis, ketelitian sensor LIDAR yang digunakan adalah 4 ppm. Diagram alir

kegiatan penelitian tercantum dalam Gambar 1.

Pemrosesan filtering SMRF dibagi menjadi 3 tahap, yaitu :

Filter SMRF

Filtering SMRF dikembangkan oleh (Pingel et al., 2013). Metode filtering ini menggunakan

window yang berubah ukuran secara linear dan penerapan ambang slope sederhana disertai

aplikasi teknik inpainting (teknik image processing). Secara sederhana, tahapan filtering

SMRF adalah sebagai berikut:

Menentukan tinggi permukaan minimum (ZImin) dengan cara tinggi permukaan

terendah di setiap cell ditentukan, untuk cell kosong, nilai tersebut diinterpolasi.

Mengidentifikasi nilai ZImin sebagai bare-earth

Cell dimana nilai ZImin berada ditentukan kemudian cell kosong diinterpolasi

Penentuan titik-titik ground

Interpolasi dan Smoothing Grid

Interpolasi grid dilakukan untuk mengubah data hasil filtering yang masih berupa point

cloud (vector) menjadi data raster (grid) dengan ukuran cell 1 x 1 meter. Interpolasi grid

dilakukan menggunakan perangkat lunak Generic Mapping Tools (GMT) dengan perintah

xyz2grd.

Dalam pelaksanaan interpolasi grid, terkadang data null values tidak terinterpolasi, sehingga

meninggalkan cell kosong tanpa nilai elevasi. Untuk mengatasi hal tersebut, dilakukan

smoothing menggunakan software GMT. Smoothing dilakukan dengan perintah grdfilter,

dengan jenis filter yang dipilih adalah median, Gaussian dan maximum likelihood.

41

Validasi (Ground Truth)

Setelah diperoleh DTM hasil filtering, selanjutnya dilakukan proses validasi, untuk

menentukan model DTM dengan ketelitian terbaik. Sebanyak 15 titik sampel diukur dengan

pengamatan GPS dengan metode statik maupun RTK. Hasil pengukuran GPS diolah

menggunakan software Waypoint Gravnet. Hasil elevasi yang diperoleh merupakan tinggi

ellipsoid, dan kemudian dikoreksi menggunakan geoid SRGI 2013 untuk memperoleh tinggi

orthometrik.

Mulai

Studi Literatur

Data DSM daerah urban&forest (point cloud)

Filter SMRF

Validasi DTM hasil penurunan DSM wilayah

urban&forest

DTM terbaik untuk wilayah urban dan forest

Selesai

Nilai Kappa > 50% Filter ulang

Data DTM daerah urban&forest (point cloud)

Interpolasi Grid (software GMT)

Smoothing (software GMT)Survey GPS

(Ground Truth)

Yes

No

Gambar 1. Diagram Alir Penelitian

42


Pemrosesan data yang sudah dilakukan menggunakan software MATLAB. Software Matlab

memiliki keterbatasan pada kapasitas data yang digunakan sehingga pada penelitian ini

dilakukan pemotongan data menjadi 10 sampel dengan ukuran sekitar 800x600 m2. Selain

aspek tersebut, nilai parameter yang dimasukkan tidak bisa maksimal digunakan, karena

mempengaruhi hasil visual dari DSM maupun DTM yang terbentuk. Hasilnya untuk fitur-fitur

yang seharusnya dipertahankan atau dihilangkan tidak sesuai dengan semestinya. Hasilnya

dapat dilihat pada Tabel 1.

Tabel 1. Input Parameter SMRF

Part C S W ET ES T1 T2 Te Ka Ka (% ) Keterangan

1 1 0.010 4 0.200 0.000 0.308 0.020 0.047 0.624 62.38% Forest

2 1 0.025 4 0.100 0.100 0.321 0.024 0.048 0.567 56.67% Forest

3 1 0.005 4 0.010 0.400 0.283 0.029 0.072 0.645 64.45% Forest

4 1 0.005 4 0.650 0.300 0.320 0.025 0.047 0.548 54.84% Forest

5 1 0.075 8 0.070 0.000 0.402 0.020 0.037 0.565 56.52% Mixed

6 1 0.080 8 0.070 0.000 0.273 0.026 0.037 0.611 61.10% Mixed

7 1 0.010 4 0.010 0.400 0.349 0.024 0.054 0.590 58.97% Mixed

8 1 0.100 4 0.060 0.200 0.349 0.024 0.054 0.590 58.97% Forest

9 1 0.090 5 0.080 0.000 0.418 0.033 0.055 0.524 52.43% Mixed

10 1 0.080 4 0.065 0.000 0.419 0.025 0.042 0.521 52.12% Mixed

Penentuan parameter yang terbaik adalah dengan cara melihat nilai Total Error (Te) dan

Kappa (Ka) yang menurut (Pingel et al., 2013) menjadi indikator keberhasilan untuk DTM

yang diturunkan dari DSM. Rumusnya :

𝑻𝟏 =𝒏.Ĝ

𝒏.ĝ

𝑇2 =𝑛.Ō

𝑛.ŏ

𝑇𝑒 =𝑛.Ĝ+𝑛.Ō

𝑛

Keterangan :

T1 = Total non-ground yang dinyatakan sebagai ground

T2= Total ground yang dinyatakan sebagai non-ground

Te=Total keseluruhan yang salah masuk kelas

n.Ĝ = jumlah non-ground yang salah kelas

n.ĝ = jumlah non-ground yang sesungguhnya

n.Ō = jumlah ground yang salah kelas

n.ŏ = jumlah ground yang sesungguhnya

43

untuk rumus Kappa menurut (Gwet, 2002)

𝑃𝑜 =𝑎+𝑑

𝑎+𝑏+𝑐+𝑑

𝑃1 =𝑎+𝑏

𝑎+𝑏+𝑐+𝑑 𝑥

𝑎+𝑐

𝑎+𝑏+𝑐+𝑑

𝑃2 =𝑐+𝑑

𝑎+𝑏+𝑐+𝑑 𝑥

𝑏+𝑑

𝑎+𝑏+𝑐+𝑑

𝑃𝑒 = 𝑃1 + 𝑃2

𝐾𝑎 =𝑃𝑜−𝑃𝑒

1−𝑃𝑒

Keterangan :

Po = proporsi frekuensi kelas yang sesuai

Pe = kemungkinan kelas yang sesuai

Ka = koefisien kohensi kappa

Menurut (Fleiss, 1975) kategori nilai Kappa dibagi menjadi tiga dapat ditampilkan pada

Tabel 2 di bawah ini. Dan melihat hasil kappa dari proses pengolahan yang ada, dapat

dikatakan jika hasil kappa dengan metode SMRF filtering termasuk dalam kondisi yang baik,

yang artinya DTM yang dihasilkan mendekati hasil yang sebenarnya yang berada di

lapangan.

Tabel 2. Kategori Kohensi Kappa

K < 0.40 Kondisi buruk

0.40 < k < 0.75 Kondisi baik

K > 0.75 Kondisi sangat baik

Setelah memasukkan nilai parameter-parameter yang dibutuhkan saat melakukan SMRF

filtering didapatkan hasil DSM dan DTM seperti Gambar 2 dan Gambar 3 di bawah ini.

Gambar 2. DSM Hasil Filtering SMRF

44

Gambar 3. Hasil Plotting DTM Sampel Menggunakan Software GMT

Dari hasil gambar di atas, didapatkan ada beberapa garis-garis hitam yang menandakkan

daerah null values akibat pemotongan data .las LIDAR menjadi 10 part yang tidak saling

bertampalan. Sehingga harus dilakukan proses smoothing agar tidak terjadi kekosongan

data. Software GMT menyediakan tools untuk proses smoothing data raster LIDAR sehingga

null values dapat dihilangkan. smoothing dilakukan dengan menginterpolasi median,

Gaussian dan maximum likelihood pada data DTM yang sudah terbentuk. Berikut Gambar 4

hasil dari proses smoothing menggunakan software GMT.

Gambar 4. DTM Hasil Smoothing

Null Value

ull value

45

Kegiatan validasi data DTM dilakukan dengan melakukan survey lapangan menggunakan

GPS Geodetik Leica GR1200 dan GS14. Pengukuran GPS menggunakan metode static dan

metode RTK. Lokasi pengambilan sampel dapat dilihat pada Gambar 5, sedangkan hasil olah

data dari filter SMRF yang sudah dilakukan dapat dilihat pada Tabel 3 di bawah ini.

Gambar 5. Persebaran Titik Sampel

Tabel 3. Hasil Validasi DTM Sebelum Dilakukan Proses Smoothing

No Lon Lat Ellipsoid

Height (m)

Undulasi

SRGI (m)

Geoid

Height (m)

DTM

Height (m)

Difference

Hgeo-Hell

(m)

Difference

kuadrat (m2)

1 116.1923 -8.3853 109.873 37.617 72.256 71.914 -0.342 0.117

2 116.1925 -8.3856 112.049 37.623 74.426 73.916 -0.510 0.260

3 116.1931 -8.3862 122.162 37.638 84.525 84.047 -0.477 0.228

4 116.1939 -8.3871 137.583 37.658 99.925 99.229 -0.696 0.484

5 116.1926 -8.3872 138.548 37.643 100.906 100.576 -0.330 0.109

6 116.1927 -8.3891 152.385 37.666 114.719 114.844 0.125 0.016

7 116.1926 -8.3882 161.163 37.654 123.509 123.357 -0.152 0.023

8 116.1912 -8.3855 97.364 37.606 59.758 58.588 -1.170 1.369

9 116.1906 -8.3860 95.173 37.606 57.567 57.220 -0.347 0.120

10 116.1913 -8.3867 105.084 37.621 67.463 66.957 -0.506 0.256

11 116.1908 -8.3875 111.186 37.625 73.561 73.721 0.160 0.026

12 116.1907 -8.3867 102.684 37.615 65.069 64.723 -0.346 0.120

13 116.1907 -8.3891 108.445 37.642 70.803 71.327 0.524 0.275

14 116.1905 -8.3880 102.180 37.626 64.554 63.136 -1.418 2.011

15 116.1904 -8.3860 94.455 37.603 56.852 56.236 -0.616 0.380

Mean difference Hgeo-Hell (m) -0.407 0.386

Max difference Hgeo-Hell (m) 0.524

Min difference Hgeo-Hell (m) -1.418

RMSE difference Hgeo-Hell (m) 0.621

STD difference Hgeo-Hell (m) 0.486

46

Menurut (Susetyo & Perdana, 2015) uji akurasi terhadap data DTM yang dihasilkan oleh

data LIDAR dengan menentukan nilai Root Mean Square Error (RMSE).

Persamaan untuk menghitung RMSE adalah :

𝑅𝑀𝑆𝐸 = √Σ(Δℎ)2/𝑛

Dimana :

Δh = selisih ketinggian pada DTM dengan tinggi validasi sampel

n = jumlah titik sampel

Setelah mendapatkan nilai RMSE, ditentukan pula nilai LE90 yang menandakan ukuran

ketelitian geometrik vertikal yaitu nilai jarak yang menunjukkan bahwa 90% kesalahan atau

perbedaan nilai ketinggian objek di peta dengan nilai ketinggian sebenarnya tidak lebih

daripada nilai jarak tersebut. Nilai LE90 dijadikan sebagai acuan penentuan skala yang

dapat dipenuhi untuk penggunaan penentu ketelitian vertikal dalam perka BIG No.15 Tahun

2014 yang terbagi menjadi tiga kelas, yaitu :

a. Kelas 1 = 0,5 x interval kontur

b. Kelas 2 = 1,5 x interval kontur

c. Kelas 3 = 2,5 x interval kontur

Persamaannya untuk menentukan LE90 :

𝐿𝐸90 = 1,6499 𝑋 𝑅𝑀𝑆𝐸

𝐿𝐸90 = 1,6499 𝑋 0,621

𝐿𝐸90 = 1,025331

Sesuai Perka BIG No.15 Tahun 2014, nilai LE90 dapat ditampilkan pada Tabel 4 seperti di

bawah ini.

Tabel 4. Ketelitian Vertikal Peta RBI

No Skala Interval

Kontur (m)

Ketelitian Peta RBI

LE90 kelas 1 (m) LE90 kelas 2 (m) LE90 kelas 3 (m)

1 1: 1.000 0.4 0.2 0.30 0.50

2 1: 2.500 1 0.5 0.75 1.25

3 1: 5.000 2 1.00 1.50 2.50

4 1: 10.000 4 2.00 3.00 5.00

Dengan mendapatkan nilai LE90, maka data LIDAR hasil filtering menggunakan metode

SMRF sudah memenuhi ketelitian kelas 2, untuk peta skala 1:5.000, yaitu 1.025331,Selain

itu setelah dilakukan proses smoothing, ternyata nilai RMSE dan LE90 tidak mengalami

perbedaan yang signifikan yang dapat dilihat pada Tabel 4. Sehingga metode SMRF dapat

direkomendasikan untuk filtering data LIDAR untuk mendapatkan data DTM dari data DSM.

47

Tabel 5. Hasil Validasi DTM Setelah Dilakukan Proses Smoothing

No Lon Lat Ellipsoid

Height (m)

Undulasi

dari SRGI (m)

Geoid

Height (m)

DTM

Height (m)

Difference

Hgeo-Hell

(m)

Difference

kuadrat (m2)

1 116.1923 -8.3853 109.8730 37.6173 72.2557 71.9338 -0.3219 0.1036

2 116.1925 -8.3856 112.0490 37.6232 74.4258 74.3891 -0.0367 0.0013

3 116.1931 -8.3862 122.1620 37.6375 84.5245 83.4388 -1.0857 1.1788

4 116.1939 -8.3871 137.5830 37.6576 99.9254 99.4765 -0.4489 0.2015

5 116.1926 -8.3872 138.5480 37.6425 100.9055 100.8276 -0.0779 0.0061

6 116.1927 -8.3891 152.3850 37.6657 114.7193 114.8567 0.1374 0.0189

7 116.1926 -8.3882 161.1630 37.6538 123.5092 124.1421 0.6329 0.4005

8 116.1912 -8.3855 97.3640 37.6059 59.7581 58.9789 -0.7792 0.6072

9 116.1906 -8.3860 95.1730 37.6060 57.5670 57.1460 -0.4210 0.1773

10 116.1913 -8.3867 105.0840 37.6213 67.4627 66.9247 -0.5380 0.2895

11 116.1908 -8.3875 111.1860 37.6249 73.5611 73.4666 -0.0945 0.0089

12 116.1907 -8.3867 102.6840 37.6149 65.0691 64.7095 -0.3596 0.1293

13 116.1907 -8.3891 108.4450 37.6423 70.8027 71.3069 0.5042 0.2542

14 116.1905 -8.3880 102.1800 37.6262 64.5538 63.0707 -1.4831 2.1996

15 116.1904 -8.3860 94.4550 37.6028 56.8522 56.1959 -0.6563 0.4308

Mean difference Hgeo-Hell (m) -0.3352

Max difference Hgeo-Hell (m) 0.6329

Min difference Hgeo-Hell (m) -1.4831

RMSE difference Hgeo-Hell (m) 0.6328

LE90 1.0441

STD difference Hgeo-Hell (m) 0.5556

4.4. Kesimpulan

Metode SMRF dapat digunakan untuk filtering data LIDAR untuk mendapatkan data DTM

dari data LIDAR. Statistik membuktikan, dengan metode SMRF nilai RMSE sebesar 0.621 dan

nilai LE90 menunjukkan bahwa DTM yang dihasilkan memenuhi ketelitian vertical peta skala

1: 5.000 dan masuk dalam kelas 2.

4.5. Daftar Pustaka

Fleiss, J. L. (1975). Measuring Agreement between Two Judges on the Presence or Absence

of a Trait. Biometrics, 31(3), 651 ‐ 659.

Gwet, K. (2002). Inter-Rater Reliability : Dependency on Trait Prevalence and Marginal

Homogeneity. Statistical Methods for Inter-Reliability Assessment, (2), 1–9.

48

Kobler, A., Pfeifer, N., Ogrinc, P., Todorovski, L., Oštir, K., & Džeroski, S. (2007). Repetitive

interpolation: A robust algorithm for DTM generation from Aerial Laser Scanner Data in

forested terrain. Remote Sens. Environ, 108, 9–23.

Pingel, T. J., Clarke, K., & Mcbride, W. A. (2013). An Improved Simple Morphological Filter

for the Terrain Classification of Airborne LIDAR Data. ISPRS Journal of Photogrammetry and

Remote Sensing, 77(April 2017), 21–30. https://doi.org/10.1016/j.isprsjprs.2012.12.002

Sari, D. R. (2016). Analisa Geometrik True Orthophoto Data LIDAR. Institut Teknologi

Sepuluh Nopember.

Susetyo, D. B., & Perdana, P. (2015). Uji Ketelitian Digital Surface Model ( DSM ) sebagai

Data Dasar dalam Pembentukan Kontur Peta Rupabumi Indonesia ( RBI ), 1.

Vosselman, G. (2000). Slope based filtering of laser altimetry data. Int. Arch. Photogramm.

Remote Sens, 33, 935–942.

49

5. Penelitian Jumlah GCP Optimal untuk Foto Udara Skala Besar

Danang Budi Susetyo, Dadan Ramdani, Agung Syetiawan, Yustisi Ardhitasari, M.

Irwan Hariyono, Fahmi Amhar

5.1. Pendahuluan

Saat ini, penggunaan Ground Control Point (GCP) sebagai titik acuan dalam pemrosesan

data dasar untuk pemetaan skala besar (baik foto udara maupun citra satelit resolusi tinggi)

merupakan sebuah keharusan. Ketelitian geometrik foto udara hasil triangulasi udara

maupun orthorektifikasi citra satelit resolusi tinggi bergantung pada jumlah, ketelitian, dan

distribusi GCP yang diukur. Oleh karena itu, survei GCP merupakan tahap yang harus

dilaksanakan dengan baik dalam akuisisi foto udara maupun orthorektifikasi citra satelit

resolusi tinggi.

Meski memiliki peran yang sangat penting, ada beberapa tantangan yang harus dihadapi

ketika melaksanakan survei GCP, khususnya di Indonesia. Pertama, medan yang berat.

Tidak jarang titik yang harus diukur terletak di lokasi yang memiliki akses yang sangat sulit,

dan tidak bisa direposisi karena merupakan daerah pertampalan (overlap) antar image.

Kedua, personil yang diperlukan menjadi lebih banyak, dan sangat memerlukan surveyor

yang memahami konsep survei GCP sekaligus dapat mengoperasikan alat GNSS dengan

baik. Kedua tantangan tersebut berdampak pada tantangan yang ketiga, yaitu biaya yang

mahal. Survei yang dilakukan berhari-hari di luar kota/pulau dengan jumlah personil yang

banyak tentu memerlukan anggaran yang tidak sedikit. Tantangan berikutnya adalah tidak

semua wilayah di Indonesia terjangkau stasiun CORS (Continuously Operating Reference

Stations), yang menyebabkan diperlukannya titik referensi lokal dan pada akhirnya

diperlukan penambahan waktu dan sumber daya selama pengukuran.

Upaya meminimalisir jumlah titik kontrol terus dilakukan untuk menekan biaya survei. Salah

satu opsi yang dapat dilakukan adalah melakukan proses triangulasi udara (aerial

triangulation/ AT) dengan hanya menggunakan GPS/IMU di pesawat tanpa menggunakan

GCP, yang dalam istilah fotogrametri disebut direct georeferencing.

Direct georeferencing adalah teknik untuk menentukan parameter exterior orientation (EO)

di kamera secara real-time menggunakan integrasi sensor GPS/IMU (Tanathong & Lee,

2014). Berkembangnya aplikasi dan teknologi AT dari analitik di tahun 1970-an hingga

berkembang menjadi AT digital di akhir 1990-an (Schenk, 1997) turut berpengaruh dalam

membuat proses AT menjadi semakin lebih mudah dan akurat, termasuk metode direct

georeferencing.

Akurasi dari direct georeferencing dipengaruhi oleh beberapa faktor. Direct georeferencing

berdasarkan space intersection dipengaruhi oleh skala foto dan akurasi EO, sedangkan

akurasi direct georeferencing berdasarkan persamaan kesegarisan (collinearity equations)

hanya dipengaruhi oleh skala proyeksi, dan keduanya sama-sama tidak dipengaruhi oleh

terrain (Yuan & Zhang, 2008). Penelitian yang dibuat oleh Cramer, Stallmann, & Haala

(2001) menyimpulkan direct georeferencing dapat menghasilkan akurasi yang tinggi dan

konsisten meskipun diperlukan kalibrasi yang baik antara GPS/IMU dan kamera.

50

Di Indonesia, penggunaan metode direct georeferencing masih relatif belum populer karena

masih memerlukan pengujian lebih lanjut. Meski demikian, penelitian mengenai direct

georeferencing untuk pemotretan udara terkait pemetaan Rupabumi Indonesia (RBI) skala

besar pernah dilakukan oleh Rizaldy & Firdaus (2012), dimana pada penelitian tersebut

dihasilkan akurasi horizontal = 0,356 m dan akurasi vertikal = 0,483 m dan dapat digunakan

untuk pemetaan skala 1:2.500. Hal ini tentunya menjadi sinyal positif untuk menggunakan

metode direct georeferencing di masa depan, terutama karena teknologi kameran dan GNSS

semakin berkembang, sehingga dapat semakin meminimalisir biaya untuk keperluan survei

lapangan.

Penelitian ini merupakan salah satu tambahan dalam memperkaya referensi mengenai direct

georeferencing untuk pemetaan RBI skala besar di Indonesia, sehingga dapat menjadi salah

satu sumber acuan ketika nantinya metode ini akan resmi digunakan. Data yang digunakan

adalah foto udara wilayah Palu yang diakuisisi pada tahun 2013, yang difokuskan pada

wilayah perkotaan. Foto udara tersebut kemudian dilakukan AT tanpa menggunakan GCP

sampai statistik perataan masuk dalam toleransi yang ditetapkan. Setelah itu, dilakukan uji

akurasi menggunakan 8 ICP (Independent Check Point), dan jika terdapat ICP yang

tercakup dalam dua model stereo yang berbeda, maka dilakukan pengukuran nilai X, Y, Z di

kedua model tersebut. Selain itu, dilakukan pula pengukuran nilai X, Y, Z pada beberapa

lokasi lain yang tercakup dalam dua model, dimana objek-objek yang dipilih adalah objek-

objek yang tegas dan mudah diinterpretasi di foto seperti siku lapangan, marka jalan, atau

bangunan. Titik sampel yang diukur sejumlah 15 titik, dan digunakan untuk menguji

konsistensi hasil pemrosesan AT menggunakan metode direct georeferencing.


Data-data yang digunakan dalam penelitian ini adalah:

1. Foto udara wilayah Palu

Foto udara wilayah Palu diakuisi pada tahun 2013 menggunakan kamera Leica RCD30

(Gambar 1 dan 2). Kamera RCD30 merupakan kamera medium format kamera 60MP

pertama yang dapat menghasilkan foto RGB multispektral dan NIR dari satu camera

head (Wagner, 2011). Spesifikasi kamera tersebut dapat dilihat pada Tabel 1.

Spesifikasi yang digunakan pemotretan data tersebut diantaranya GSD (Ground

Sampling Distance) adalah 20 cm, overlap antar foto sebesar 60%, dan sidelap sebesar

30%, dengan toleransi masing-masing adalah 5%. Jumlah foto yang digunakan

sebanyak 126 foto.

2. Parameter Exterior Orientation (EO)

Paramater EO menggambarkan lokasi dan orientasi berkas sinar pada sistem koordinat

objek dengan 6 parameter: koordinat pusat proyeksi (X0, Y0, Z0) dan rotasi di sekitar 3

sumbu (omega, phi dan kappa) (Jacobsen, 2001). Parameter EO didapatkan dari sensor

GPS/INS di pesawat secara real-time (Tanathong & Lee, 2014).

51

Gambar 1. Lokasi penelitian (GCP 2013) Gambar 6. Data foto udara Palu

3. Koordinat ICP

Data GPS yang digunakan dalam penelitian ini hanya digunakan sebagai ICP, dan tidak

digunakan sama sekali sebagai GCP. Secara spesifikasi pengukuran, GCP dan ICP tidak

memiliki perbedaan. Akurasi horizontal yang disyaratkan adalah ≤ 20 cm, sedangkan

akurasi vertikal adalah ≤ 15 cm. Jumlah ICP yang digunakan sebanyak 8 titik. Titik ICP

dapat berupa premark (Gambar 3) maupun TTG (Titik Tinggi Geodesi) (Gambar 4).

Gambar 3. ICP Premark Gambar 4. Titik Tinggi Geodesi

Proses AT dilakukan pada data foto udara Palu tanpa GCP menggunakan software

Inpho, hingga statistik perataan masuk dalam toleransi. Analisis dilakukan dari dua

aspek. Pertama dari sisi ketelitian hasil AT dengan metode direct georeferencing, yaitu

dengan membandingkan koordinat GPS dengan koordinat di model stereo pada setiap

ICP, dan kemudian dikaitkan dengan standar ketelitian peta dasar di Indonesia. Kedua

dari sisi perbandingan nilai X, Y, Z antar model. Analisis dilakukan dengan pengukuran

koordinat X, Y, Z pada 15 objek yang tercakup dalam dua model stereo. Objek yang

dipilih adalah objek-objek yang tegas dan mudah diinterpretasi di foto, seperti disajikan

pada Tabel 2. Beberapa contoh objek tersebut ada pada Gambar 5. Kedua analisis

tersebut digunakan untuk mempertimbangkan kelayakan metode direct georeferencing

untuk digunakan dalam pemotretan udara untuk kepentingan pemetaan skala besar.

52

Tabel 6. Objek pengukuran di model stereo

DESKRIPSI TITIK MODEL

Pojok lapangan tenis, sisi luar garis 190032_190033 190033_190034

Siku marka jalan, sisi dalam 200029_200030 200030_200031

Pojok objek, sisi dalam (tinggi objek + 2 m) 200038_200039 200039_200040

Pojok atap (tinggi bangunan + 2 m) 180054_180055 180055_180056

Pojok pagar, sisi luar 190039_190040 190040_190041

Pojok pagar, sisi dalam 200026_200027 200027_200028

Siku atap tertinggi masjid (tinggi + 8 m) 200026_200027 200027_200028

Pojok bangunan, sisi dalam (tinggi 1-2 m) 200032_200033 200033_200034

Pojok atap (tinggi bangunan + 5 m) 200039_200040 200040_200041

Siku lapangan basket (dibatasi garis sisi dalam) 200032_200033 200033_200034

Pojok Kerangka Bangunan, sisi luar (di ground) 200039_200040 200040_200041

Pojok Kerangka Bangunan, sisi luar atas (+ 4 m) 200039_200040 200040_200041

Siku pagar, sisi luar 200028_200029 200029_200030

Pojok bangunan (tinggi bangunan + 8 m) 200028_200029 200029_200030

Siku ujung selokan 200029_200030 200030_200031

a

b

c

d

Gambar 7. Contoh objek pengukuran di model stereo: (a) pojok lapangan tenis, (b) siku marka jalan, (c) pojok pagar, (d) siku ujung selokan

53

Tabel 7. Spesifikasi kamera Leica RCD30 (Lumbantobing, Wikantika, & Harto, 2017)

Sensor Tipe

Sensor

Panjang

Fokus

Band Ukuran

CCD

Ukuran

Piksel

Sudut

Across Sudut

Long GSD

Kamera RCD30

Exposure Frame

53 mm RGB, NIR

8956 x

6708 piksel

6 μm 56 44 16 cm

5.3. Hasil dan Pembahasan

Hasil yang dianalisis dalam penelitian ini terdiri dari dua aspek: orientasi relatif dan orientasi

absolut. Orientasi relatif menghasilkan model foto udara yang bebas dari paralaks sehingga

posisi relatif antara dua foto pembentuk model sama seperti pada saat pemotretan,

sedangkan orientas absolut mentransformasi model hasil orientasi relatif yang belum terikat

ke dalam sistem koordinat lokal menggunakan transformasi tiga dimensi (Badan

Standardisasi Nasional, 2014). Orientasi relatif didapatkan dari hasil statistik perataan AT

berupa sigma naught dan residu antar tie point, sedangkan orientasi absolut didapatkan

dengan dengan membandingkan nilai Independent Check Point (ICP) yang diukur

menggunakan GPS Geodetik dengan nilai titik yang sama pada model stereo di foto yang

sudah dilakukan AT (Susetyo & Gularso, 2017).

Hasil statistik AT menunjukkan nilai sigma naught = 2,7 mikron. Menurut SNI tentang

Spesifikasi Teknis Triangulasi Udara, sigma naught adalah besar kesalahan yang

menunjukkan tingkat ketelitian dari pengukuran titik minor pada satu blok fotogrametri,

dengan nilai toleransi untuk fotogrametri digital berdasarkan SNI tersebut adalah ≤ 1 piksel.

Sesuai Tabel 1, ukuran piksel untuk kamera RCD30 adalah 6 mikron, sehingga sigma

naught masih berada di bawah toleransi yang disyaratkan. Artinya, direct georeferencing

masih memungkinkan untuk mendapatkan hasil statistik perataan yang bagus. Parameter

kontrol kualitas lainnya diatur dalam Kerangka Acuan Kerja Pemotretan Udara 2013, yang

disajikan pada Tabel 3.

Tabel 8. Parameter kontrol kualitas statistik hasil AT (Badan Informasi Geospasial, 2013)

Sigma naught < ukuran piksel (mikron)

RMSE titik minor < 0,5 x ukuran piksel (mikron)

Nilai residual maksimal titik minor < 1,5 x ukuran piksel (mikron)

RMSE titik kontrol < 0,5 meter

Nilai residual maksimal titik kontrol < 1 meter

Hasil statistik perataan AT lainnya disajikan pada Tabel 4. Residu titik kontrol maksimal

nilainya adalah 0,000 m karena tidak digunakan titik kontrol (GCP). RMSE titik minor untuk x

dan y masing-masing adalah 1,634 mikron dan 1,642 mikron, yang berarti berada di bawah

0,5 x ukuran piksel (3 mikron). Berdasarkan hasil tersebut dapat disimpulkan direct

georeferencing dapat memenuhi spesifikasi terkait orientasi relatifnya.

54

Tabel 9. Hasil statistik perataan AT

x y z

rms image points 1.634 [micron] 1.642 [micron]

rms control in image 2.944 [micron] 2.677 [micron]

max res. control 0.000 [m] 0.000 [m] 0.000 [m]

rms check points 1.032 [m] 0.724 [m] 2.868 [m]

max res. check -1.455 [m] -1.067 [m] -3.851 [m]

Aspek berikutnya yang perlu dianalisis adalah orientasi absolutnya. Orientasi absolut

didapatkan dengan membandingkan nilai koordinat ICP hasil pengukuran GPS Geodetik dan

pengamatan di model stereo. Hasil uji akurasi tersebut adalah 1,9 m untuk ketelitian

horizontal (CE90) dan 3,6 m untuk ketelitian vertikal (LE90), dimana ICP yang tercakup

dalam dua model stereo dilakukan pengamatan pada kedua model stereo tersebut.

Berdasarkan SNI Ketelitian Peta Dasar, maka ketelitian horizontal tersebut masuk pada skala

1:5.000 kelas 3 atau skala 1:10.000 kelas 1, dan ketelitian vertikal masuk pada skala

1:10.000 kelas 3 atau skala 1:25.000 kelas 1. Hasil uji akurasi secara detail disajikan pada

Tabel 5.

Tabel 10. Hasil uji akurasi AT

Model Titik ΔX ΔY ΔZ ΔX2 ΔY2 ΔX2+ΔY2 ΔZ2

190026_190027 CP17 -1.5467 -0.5107 -0.8039 2.392281 0.26081449 2.65309538 0.646255

180050_180051 CP18 -0.7783 -0.4262 -1.4666 0.605751 0.18164644 0.78739733 2.150916

180051_180052 CP18 -0.9135 -0.7 -2.1386 0.834482 0.49 1.32448225 4.57361

200030_200031 CP19 -1.2973 -0.7294 -3.1265 1.682987 0.53202436 2.21501165 9.775002

200040_200041 CP26 -0.0295 -0.4159 -3.6792 0.00087 0.17297281 0.17384306 13.53651

200041_200042 CP26 -0.16 -0.5463 -3.4734 0.0256 0.29844369 0.32404369 12.06451

201054_201055 PL20 -0.6573 -1.0384 -2.5893 0.432043 1.07827456 1.51031785 6.704474

201055_201056 PL20 -0.2799 -1.0142 -0.693 0.078344 1.02860164 1.10694565 0.480249

190033_190034 PL28 -1.4879 -0.3998 -2.4893 2.213846 0.15984004 2.37368645 6.196614

190034_190035 PL28 -1.3037 -0.5527 -2.7997 1.699634 0.30547729 2.00511098 7.83832

190032_190033 TTG700 -2.0262 0.0114 -1.0374 4.105486 0.00012996 4.1056164 1.076199

190033_190034 TTG700 -1.2386 -0.1921 -2.8371 1.53413 0.03690241 1.57103237 8.049136

200038_200039 TTG701 -0.4912 -0.0085 -1.638 0.241277 0.00007225 0.24134969 2.683044

∑ 20.39193275 75.77484

MEAN 1.568610212 5.828834

RMSE 1.2524417 2.414298

CE90/LE90 1.90058028 3.663697

Hasil ini berbeda dengan Rizaldy & Firdaus (2012), dimana direct georeferencing yang

dilakukan menghasilkan akurasi horizontal = 0,356 m dan akurasi vertikal = 0,483 m dan

dapat digunakan untuk pemetaan skala 1:2.500. Kamera yang digunakan dalam penelitian

55

itu adalah kamera digital format besar Ultracam X dari Vexcel. Oleh karena itu, masih ada

kemungkinan metode direct georeferencing menghasilkan ketelitian yang lebih baik.

Terakhir, aspek yang dianalisis dalam penelitian ini adalah konsistensi antar model stereo.

Analisis ini bertujuan untuk mengetahui apakah direct georeferencing mempengaruhi nilai

koordinat X, Y, Z di setiap model stereo yang saling bertampalan. Untuk itu, dipilih 15 objek

yang tercakup dalam dua model stereo, seperti disajikan pada Tabel 2. Titik-titik tersebut

kemudian diukur pada setiap model stereo untuk kemudian dibandingkan selisihnya. Hasil

pengukuran pada setiap model disajikan pada Tabel 6.

Tabel 11. Hasil perbandingan antar model stereo di seluruh titik uji

DESKRIPSI TITIK MODEL KOORDINAT

X Y Z ∆X ∆Y ∆Z

Pojok lapangan tenis, sisi luar garis 190032_190033 811635.282 9912575.339 18.899

0.385 -0.195 -0.693 190033_190034 811634.897 9912575.534 19.592

Siku marka jalan, sisi dalam 200029_200030 812447.178 9910875.749 15.124

0.003 -0.077 0.37 200030_200031 812447.175 9910875.826 14.754

Pojok objek, sisi dalam (tinggi objek + 2 m)

200038_200039 813676.72 9906694.109 4.307 0.14 -0.102 -0.265

200039_200040 813676.58 9906694.211 4.572

Pojok atap (tinggi bangunan + 2 m) 180054_180055 811313.37 9907993.057 379.452

0.023 0.02 -0.571 180055_180056 811313.347 9907993.037 380.023

Pojok pagar, sisi luar 190039_190040 812019.749 9909703.69 100.632

0.085 -0.28 0.333 190040_190041 812019.664 9909703.97 100.299

Pojok pagar, sisi dalam 200026_200027 811643.395 9912115.503 37.881

0.108 -0.136 0.097 200027_200028 811643.287 9912115.639 37.784

Siku atap tertinggi masjid (tinggi + 8 m) 200026_200027 811629.607 9912114.993 45.566

-0.192 -0.11 -0.638 200027_200028 811629.799 9912115.103 46.204

Pojok bangunan, sisi dalam (tinggi 1-2 m)

200032_200033 812808.645 9909368.007 15.235 -0.092 -0.067 -0.077

200033_200034 812808.737 9909368.074 15.312

Pojok atap (tinggi bangunan + 5 m) 200039_200040 813657.325 9906160.522 34.859

0.067 -0.149 0.054 200040_200041 813657.258 9906160.671 34.805

Siku lapangan basket (dibatasi oleh garis sisi dalam)

200032_200033 812847.501 9909358.754 12.715 -0.059 -0.182 0.06

200033_200034 812847.56 9909358.936 12.655

Pojok Kerangka Bangunan, sisi luar (posisi di ground)

200039_200040 814062.906 9906100.746 17.293 0.032 -1.02 0.228

200040_200041 814062.874 9906101.766 17.065

Pojok Kerangka Bangunan, sisi luar (posisi di atas, tinggi bangunan + 4 m)

200039_200040 814062.287 9906100.722 20.435 0.05 -0.084 -0.225

200040_200041 814062.237 9906100.806 20.66

Siku pagar, sisi luar 200028_200029 812095.39 9911322.573 11.867

0.427 -0.73 0.178 200029_200030 812094.963 9911323.303 11.689

Pojok bangunan (tinggi bangunan + 8 m)

200028_200029 812048.924 9911246.762 20.576 0.044 -0.057 0.272

200029_200030 812048.88 9911246.819 20.304

Siku ujung selokan 200029_200030 812494.856 9910808.264 14.069

0.052 -0.042 -0.128 200030_200031 812494.804 9910808.306 14.197

56

Tabel 6 menunjukkan tidak ada perbedaan signifikan di setiap model stereo, dan hampir

semuanya berada di bawah 1 m. Bahkan secara rata-rata, perbedaan koordinat dan elevasi

pada setiap model stereo berada di bawah 0,5 m, dimana rata-rata ΔX = 0,1173 m, ΔY =

0,2167 m, dan ΔZ = 0,2793 m. Artinya, meski penggunan metode direct georeferencing

dapat mengurangi akurasi absolut, namun hal tersebut tidak berpengaruh terhadap

konsistensi antar model stereonya.

5.4. Kesimpulan

Penelitian ini merupakan salah satu tambahan dalam memperkaya referensi mengenai direct

georeferencing untuk pemetaan RBI skala besar di Indonesia, sehingga dapat menjadi salah

satu sumber acuan ketika nantinya metode ini akan resmi digunakan. Data yang digunakan

adalah foto udara wilayah Palu yang diakuisisi pada tahun 2013, yang difokuskan pada

wilayah perkotaan.

Hasil yang dianalisis dalam penelitian ini terdiri dari dua aspek: orientasi relatif dan orientasi

absolut. Orientasi relatif didapatkan dari hasil statistik perataan AT berupa sigma naught

dan residu antar tie point, sedangkan orientasi absolut didapatkan dengan dengan

membandingkan nilai Independent Check Point (ICP) yang diukur menggunakan GPS

Geodetik dengan nilai titik yang sama pada model stereo di foto yang sudah dilakukan AT.

Hasil statistik perataan AT menunjukkan nilai sigma naught = 2,7 mikron. Artinya, direct

georeferencing masih memungkinkan untuk mendapatkan hasil statistik perataan yang

bagus.

Hasil uji akurasi tersebut adalah 1,9 m untuk ketelitian horizontal (CE90) dan 3,6 m untuk

ketelitian vertikal (LE90), dimana ICP yang tercakup dalam dua model stereo dilakukan

pengamatan pada kedua model stereo tersebut. Berdasarkan SNI Ketelitian Peta Dasar,

maka ketelitian horizontal tersebut masuk pada skala 1:5.000 kelas 3 atau skala 1:10.000

kelas 1, dan ketelitian vertikal masuk di skala 1:10.000 kelas 3 atau skala 1:25.000 kelas 1.

Terakhir, tidak ada perbedaan signifikan di setiap model stereo, dan hampir semuanya

berada di bawah 1 m. Bahkan secara rata-rata, perbedaan koordinat dan elevasi pada setiap

model stereo berada di bawah 0,5 m, dimana rata-rata ΔX = 0,1173 m, ΔY = 0,2167 m, dan

ΔZ = 0,2793 m. Artinya, meski penggunan metode direct georeferencing dapat mengurangi

akurasi absolut, namun hal tersebut tidak berpengaruh terhadap konsistensi antar model

stereonya.

5.5. Daftar Pustaka

1. Badan Informasi Geospasial. (2013). Kerangka Acuan Kerja Pekerjaan Pemotretan Udara dan Pemetaan Rupabumi Indonesia Skala 1:10.000 Palu dan Kendari. Cibinong.

2. Badan Standardisasi Nasional. (2014). Spesifikasi Teknis Triangulasi Udara. Jakarta. 3. Badan Standardisasi Nasional. (2015). SNI Ketelitian Peta Dasar. Jakarta. 4. Cramer, M., Stallmann, D., & Haala, N. (2001). Direct georeferencing Using GPS /

Inertial Exterior Orientations for Photogrammetric Applications. In IAPRS, Vol. XXXIII. Amsterdam.

5. Jacobsen, K. (2001). Exterior Orientation Parameters. Photogrammetric Engineering and Remote Sensing, 1321–1332. Retrieved from http://www.ipi.uni-hannover.de/uploads/tx_tkpublikationen/jac_ExterOr.pdf

57

6. Lumbantobing, M., Wikantika, K., & Harto, A. B. (2017). Peningkatan Akurasi Interpretasi Foto Udara Menggunakan Metode Pembobotan Berbasis Objek untuk Pembuatan Peta Skala 1 : 5000. Reka Geomatika, 2017(1), 1–11.

7. Rizaldy, A., & Firdaus, W. (2012). Direct georeferencing: a New Standard in Photogrammetry for High Accuracy Mapping. ISPRS - International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 39(September), 5–9. https://doi.org/10.5194/isprsarchives-XXXIX-B1-5-2012

8. Schenk, T. (1997). Towards Automatic Aerial Triangulation. ISPRS Journal of Photogrammetry and Remote Sensing, 52(3), 110–121. https://doi.org/10.1016/S0924-2716(97)00007-5

9. Susetyo, D. B., & Gularso, H. (2017). Perbandingan Nilai Koordinat dan Elevasi Antar Model Stereo pada Foto Udara Hasil Triangulasi Udara. In Seminar Nasional Geomatika (pp. 1–10). Cibinong.

10. Tanathong, S., & Lee, I. (2014). Using GPS/INS Data to Enhance Image Matching for Real-time Aerial Triangulation. Computers and Geosciences, 72, 244–254. https://doi.org/10.1016/j.cageo.2014.08.003

11. Wagner, R. (2011). The Leica RCD30 Medium Format Camera: Imaging Revolution. Photogrammetric Week 2011, 89–95. Retrieved from http://www.ifp.uni-stuttgart.de/publications/phowo11/095Wagner.pdf

12. Yuan, X., & Zhang, X. (2008). Theoretical accuracy of direct georeferencing with position and orientation system in aerial photogrammetry. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 37, 617–622.

LAPORAN - big.go.idbig.go.id/e-ppid/asset/Laporan-pelaksanaan-penelitian/Laporan... · Toponimi di...

Documents

Transcript of LAPORAN - big.go.idbig.go.id/e-ppid/asset/Laporan-pelaksanaan-penelitian/Laporan... · Toponimi di...