Analisis Kemampuan Algoritma Random Sample Consensus (RANSAC) untuk Klasifikasi Ground Pada Data Light Detection and Ranging (LiDAR)

Abstract

Teknologi LiDAR memiliki kemampuan yang mampu digunakan untuk membuat Digital Terrain Model (DTM). Tahapan yang penting dalam membuat DTM adalah klasifikasi ground , yang bertujuan untuk memisahkan informasi ground dengan non ground dari data point cloud . Berbagai perangkat lunak dan aplikasi untuk klasifikasi ground telah berkembang, namun hampir seluruh perangkat lunak maupun aplikasi tersebut menggunakan algoritma Random Sample Consensus (RanSaC). Algoritma ini merupakan algoritma yang digunakan untuk mengkelaskan objek ground dalam metode segmentasi yang berbasiskan model planar. Meskipun algoritma ini sudah umum untuk digunakan untuk mengkelaskan objek ground , namun masih banyak perangkat lunak maupun aplikasi dari algoritma RanSaC yang mengkombinasikan algoritma tersebut dengan algoritma lainnya untuk memperoleh hasil yang akurat. Oleh karena itu, dalam penelitian akan dikaji mengenai algoritma RanSaC dalam melakukan klasifikasi ground pada data LiDAR. Penelitian ini dilakukan dengan membuat program yang menggunakan algoritma RanSaC untuk mengolah data LiDAR. Point cloud ground yang dihasilkan dari program tersebut akan diuji akurasinya menggunakan data pembanding yang telah diuji kebenarannya. Hasil yang diuji dan analisis berupa point cloud ground hasil klasifikasi dan DTM yang dibentuk. Dari hasil penelitian yang telah dilakukan, diperoleh hasil bahwa algoritma RanSaC mampu digunakan untuk melakukan klasifikasi ground pada data point cloud . Namun, algoritma RanSac hanya memberikan hasil yang memadai pada area dengan medan yang relatif datar, yang ditunjukkan dengan nilai akurasi LE90 sebesar 0,123 meter. Kelemahan ini disebabkan karena prinsip pengoperasian algoritma yang lebih cocok untuk medan datar. Saat akurasi LE90 diuji dalam kondisi medan yang beragam, akurasinya menurun menjadi 3,296 meter. Temuan ini menegaskan bahwa kesimpulan bahwa algoritma RanSac secara optimal digunakan untuk mengklasifikasikan ground dan membentuk DTM di daerah dengan medan yang relatif rendah.