Analisis Kehandalan Ekstraksi Garis Tepi Bangunan dari Data Foto Udara Menggunakan Pendekatan Deep Learning Berbasis Mask R-CNN

Kebutuhan peta dasar skala besar khususnya skala 1:5.000 terus meningkat dari waktu ke waktu. Pada umumnya ekstraksi fitur unsur Peta Rupa Bumi Indonesia (RBI) salah satunya adalah bangunan dilakukan dengan dijitasi atau stereoplotting unsur secara manual baik dari data citra satelit maupun data foto udara. Namun hal itu memiliki kelemahan yaitu membutuhkan waktu yang lama tergantung pada kepadatan dan jumlah bangunan pada area yang akan dipetakan. Di sisi lain Pemerintah Indonesia menjadikan percepatan penyelenggaraan Peta RBI skala 1:5000 menjadi salah satu prioritas utama dalam kegiatan kebijakan satu peta. Deteksi dan ekstraksi garis tepi bangunan secara otomatis menggunakan teknologi computer vision dari citra optis dan data point cloud LiDAR telah populer beberapa tahun terakhir. Salah satu teknologi yang dikembangkan adalah dengan pendekatan deep learning. Ekstraksi garis bangunan dengan pendekatan deep learning memiliki kelemahan yaitu poligon garis tepi bangunan yang dihasilkan tidak teratur. Penelitian ini bertujuan untuk mengetahui akurasi hasil regularisasi poligon dari ekstraksi garis tepi bangunan secara otomatis menggunakan metode deep learning berbasis Mask Region-base Convolutional Neural Networks (Mask R-CNN) dari data foto udara. Hasil penelitian menunjukkan pada area bangunan dengan kepadatan tinggi dan bentuk yang teratur (AoI 1) memiliki nilai indeks Intersection over Union (IoU) sebesar 87,8% sedangkan pada area dengan kepadatan tinggi dengan bentuk atap bangunan yang tidak teratur (AoI 2) memiliki nilai indeks IoU sebesar 82,6%. Kemudian juga dilakukan perhitungan akurasi posisi pada 25 sampel titik sudut bangunan dengan hasil CE90 pada AoI 1 sebesar 1,183 m dan pada AoI 2 sebesar 1,303 m. Secara geometri data garis tepi bangunan hasil regularisasi tersebut sudah dapat digunakan sebagai unsur bangunan Peta RBI skala 1:5.000 karena dari hasil perhitungaan uji ketelitian geometrik horisontal (CE90) menunjukkan bahwa data tersebut masuk dalam ketelitian Peta RBI 1:5.000 kelas satu