Perpustakaan Digital ITB

Kebutuhan akan informasi geospasial di Indonesia terus meningkat seiring dengan perkembangan pembangunan dan kebutuhan akan perencanaan yang lebih baik dan terstruktur. Pemerintah Indonesia telah menerapkan Kebijakan Satu Peta, di mana salah satu poin utama dari kebijakan tersebut adalah pemenuhan peta dasar skala besar untuk seluruh wilayah Indonesia. Hingga akhir tahun 2022, pemenuhan peta dasar skala besar baru mencapai 2.57% dari seluruh luas wilayah Indonesia. Kondisi ini menunjukkan adanya tantangan besar dalam mencapai target pemenuhan peta dasar skala besar yang semakin mendekat, yaitu pada Desember 2024. Metode konvensional untuk ekstraksi unsur, yang melibatkan proses manual seperti monoplotting atau stereoplotting, seringkali memakan waktu serta jumlah sumber daya manusia yang banyak, dan rentan terhadap kesalahan operator. Oleh karena itu, diperlukan metode alternatif yang dapat mempercepat proses pembuatan peta dasar untuk memenuhi target tersebut. Transfer learning adalah suatu pendekatan yang memanfaatkan model deep learning yang telah dilatih sebelumnya pada kumpulan data yang besar lalu mengadaptasi pengetahuan yang dipelajari dari satu tugas untuk diterapkan pada tugas lain yang masih berkaitan. Transfer learning menyempurnakan model-model yang telah dilatih sebelumnya kemudian memungkinkan model untuk mempelajari unsur-unsur lain dengan karakteristik baru serta meningkatkan kemampuan generalisasi model. Pendekatan transfer learning menjadi sangat berguna ketika jumlah dataset pelatihan yang tersedia terbatas. Belum terdapat penelitian yang melakukan ekstraksi unsur bangunan dan jalan secara otomatis menggunakan algoritma deep learning ditambah dengan pendekatan transfer learning di wilayah yang memiliki bentuk bangunan serta jalan yang beragam. Penelitian ini bertujuan untuk mengukur efektivitas model deep learning berbasis transfer learning dalam melakukan ekstraksi unsur peta dasar dari citra udara resolusi tinggi di Indonesia, mengidentifikasi faktor-faktor yang memengaruhi kualitas hasil ekstraksi unsur peta dasar menggunakan pendekatan transfer learning di Indonesia, dan menganalisis kendala dan tantangan yang perlu dihadapi dalam penerapan metode transfer learning untuk percepatan pembuatan peta dasar skala besar. Temuan yang didapatkan pada penelitian ini mengevaluasi metode alternatif untuk mengekstraksi unsur bangunan dan jalan secara otomatis yaitu melalui pendekatan transfer learning. Diharapkan hasil penelitian ini dapat dijadikan sebagai alternatif solusi, evaluasi, masukan, serta pertimbangan dalam pembuatan kebijakan atau standar baru dalam rangka percepatan pembuatan peta dasar, terutama peta dasar skala besar. Pada penelitian ini, telah dilakukan ekstraksi unsur bangunan dan jalan secara otomatis melalui pendekatan transfer learning menggunakan algoritma deep learning. Ekstraksi unsur bangunan dilakukan menggunakan algoritma Mask RCNN, sedangkan ekstraksi unsur jalan dilakukan menggunakan algoritma MTRE. Dengan menggunakan dataset pelatihan yang didigitasi manual sejumlah 40% dari keseluruhan objek, ekstraksi unsur bangunan mampu menghasilkan nilai presisi rata-rata sebesar 0.7854 sedangkan ekstraksi unsur jalan mampu menghasilkan nilai mIoU sebesar 0.9918. Hasil ini menunjukkan bahwa pendekatan transfer learning memiliki potensi tinggi dan efektivitas yang baik dalam melakukan ekstraksi unsur otomatis. Akan tetapi, perlu dipastikan bahwa data pelatihan telah mencakup seluruh variasi unsur bangunan dan jalan yang terdapat di area yang akan dipetakan. Apabila variasi unsur bangunan dan jalan pada data pelatihan tidak cukup, maka model akan sangat rentan untuk mengalami overfitting sehingga model kurang mampu untuk melakukan generalisasi terhadap unsur baru. Pendekatan transfer learning menggunakan algoritma deep learning dapat secara signifikan meningkatkan efisiensi dan akurasi dalam proses ekstraksi unsur peta dasar skala besar di Indonesia. Hal ini penting untuk mendukung percepatan pembuatan peta dasar guna memenuhi target Kebijakan Satu Peta. Namun, penelitian lebih lanjut diperlukan untuk mengatasi tantangan dan kendala yang ada, terutama dalam memastikan data pelatihan yang mencakup variasi unsur yang memadai. Penelitian ini memberikan kontribusi signifikan terhadap bidang geospasial di Indonesia dan dapat menjadi dasar untuk pengembangan metode lebih lanjut dan penerapan teknologi geospasial yang lebih efektif dan efisien.