@article{P-ISI621,
	author = {Tata Negara and Harintaka Harintaka},
	title = {Pemodelan Bangunan 3D Menggunakan Footprint Bangunan Hasil Ekstraksi Mask R-CNN Dan Dense Point Cloud Dari Foto Udara UAV},
	journal = {Prosiding Forum Ilmiah Tahunan (FIT)- Ikatan Surveyor Indonesia (ISI)},
	volume = {1},
	number = {0},
	year = {2021},
	keywords = {},
	abstract = {Bangunan merupakan salah satu objek penting yang secara spasial dibutuhkan dalam berbagai pekerjaan khususnya untuk perencanaan dan pembangunan kota. Bangunan dalam representasi 3D telah terbukti mampu menunjang kegiatan perencanaan dengan baik mengingat dunia nyata berada dalam sistem 3D. Salah satu metode yang paling sederhana untuk membuat model bangunan 3D dalam cakupan wilayah yang luas adalah dengan melakukan ekstrusi footprint bangunan. Data yang umum digunakan dalam metode ini adalah footprint bangunan hasil digitasi manual pada orthomosaic dan komponen elevasi berupa point cloud dari Light Detection and Ranging (LiDAR). Pekerjaan digitasi manual umumnya memakan waktu yang relatif lama dan sumber daya manusia yang cenderung tinggi apabila data yang diproses semakin besar, selain itu hasil digitasi juga tidak konsisten relatif kepada keterampilan operator. Disisi lain, penggunaan point cloud LiDAR menyebabkan metode ini kurang terjangkau dari sisi biaya. Dalam penelitian ini, dilakukan pemodelan bangunan 3D menggunakan footprint bangunan yang dihasilkan secara otomatis dengan teknik Mask Region-based Convolutional Neural Network (Mask R-CNN) dan dense point cloud yang diperoleh dari pengolahan foto udara di kawasan kampus pusat Universitas Riau yang diakuisisi menggunakan Unmanned Aerial Vehicle (UAV). Metode yang diterapkan memberikan hasil yang cukup baik. Model Mask R-CNN yang dilatih dalam 25 epoch pembelajaran menghasilkan akurasi pembelajaran senilai 96,80% dan footprint bangunan yang dihasilkan memiliki nilai recall (kelengkapan) 88,83%, kepresisian 91,65%, dan nilai Intersection over Union (IoU) 91,90% ketika dibandingkan dengan data ground truth. Proses ekstrusi footprint bangunan hasil ekstraksi otomatis tersebut menghasilkan model bangunan 3D dalam Level of Detail (LOD) 2 dengan nilai Root Mean Square Error (RMSE) < 2 meter berdasarkan standar City Geography Markup Language (CityGML).},
	issn = {2809-1833},	pages = {248--260}	url = {http://proceedings.undip.ac.id/index.php/isiundip2021/article/view/621}
}