Ekstraksi Tapak Bangunan dari Orthophoto Menggunakan Model Mask R-CNN (Studi Kasus: Kelurahan Darmo, Kota Surabaya)

Peta dasar skala besar sangat dibutuhkan oleh kota besar/metropolitan seperti Kota Surabaya untuk perencanaan kota dan menunjang pembangunan kota cerdas. Salah satu informasi utama yang paling dibutuhkan dari peta skala besar adalah fitur bangunan. Ekstraksi tapak bangunan sendiri adalah pekerjaan yang sangat menantang karena banyak alasan, termasuk sifat heterogen dari geometri dan spektral bangunan, kompleksitas bangunan yang sulit diprediksi, dan data sensor yang kurang baik (yaitu bayangan, kontras yang buruk, dan perspektif citra yang buruk). Intepretasi yang dilakukan oleh operator secara visual masih merupakan pendekatan yang umum digunakan untuk ekstraksi informasi dari orthophoto. Akurasi intepretasi yang dihasilkan tergantung pada keterampilan dan pengalaman dari operator. Sehingga, dapat terjadi inkonsistensi pada data yang dihasilkan oleh operator yang berbeda. Beberapa tahun terakhir ini, ekstraksi otomatis tapak bangunan dari citra satelit resolusi tinggi maupun orthophoto menjadi isu penelitian penting dan menantang yang mendapat perhatian lebih besar. Banyak penelitian terbaru telah mengeksplorasi metode deteksi objek berbasis deep learning untuk meningkatkan kualitas ekstraksi bangunan. Dalam penelitian ini, penulis menerapkan metode deteksi objek berbasis Mask Region-based Convolutional Neural Network (Mask R-CNN) untuk ekstraksi tapak bangunan memanfaatkan orthophoto di daerah urban, yaitu Kelurahan Darmo, Kecamatan Wonokromo, Kota Surabaya. Model Mask R-CNN secara kuantitatif sudah cukup baik dalam mendeteksi objek namun kualitas geometri delineasi batas bangunan masih perlu diperbaiki. Beberapa strategi dirancang dan digabungkan dengan model deteksi objek berbasis Mask R-CNN, termasuk segmentasi orthophoto, post-processing menggunakan alat otomatis yang terdiri dari regularisasi poligon untuk membuat bangunan lebih teratur, remove overlap untuk menghilangkan tumpang tindih antar bangunan, fill gap untuk mengisi celah antar bangunan dan integrasi hasil ekstraksi untuk keseluruhan area studi. Metode otomatis yang penulis terapkan menghasilkan kinerja yang baik dengan presisi 91,43%; kelengkapan (recall) 82,97%; dan skor-F1 86,99%