Perpustakaan Digital ITB

Visualisasi peta 3D semakin banyak digunakan diiringi dengan meningkatnya potensi dan metode visualisasi tersebut. Model 3D dapat digunakan untuk analisis perencanaan dan pembangunan kota dalam aspek spasial sebagai dasar pengambilan keputusan, sarana studi kawasan urban, pendokumentasian sejarah, dan masih banyak lagi. Peningkatan potensi model 3D diiringi pula dengan peningkatan variasi serta kualitas pengakuisisian data yang akan digunakan, antara lain pemetaan terestris, pemotretan foto udara, pengamatan citra satelit. Namun, metode akuisisi data pada masa lampau yang tidak seberagam sekarang menyebabkan data masa lampau yang sangat terbatas, salah satu adalah peta historis 2D. Komputer memiliki kemampuan untuk mempelajari pola dari suatu data sebagai dasar pembentukan model untuk menjawab persoalan dari data serupa. Kemampuan komputer ini dikenal dengan machine learning. Machine learning memiliki berbagai macam jenis algoritma dan model yang dapat digunakan sesuai kebutuhan, baik untuk mengklasifikasi maupun memprediksi data. Tinggi bangunan pada masa lampau dapat diestimasi menggunakan model regresi machine learning dengan terlebih dahulu mempelajari pola data serupa pada masa sekarang yang mengakomodasi data tinggi bangunan sebagai variabel target dan data karakteristik bangunan sebagai variabel prediktor. Pada penelitian tugas akhir ini disusun sebuah model regresi random forest untuk mengestimasi tinggi pada bangunan di tahun 1940 dengan mempelajari pola karakteristik bangunan di tahun 2020. Model regresi tersebut menghasilkan nilai R-Squared sebesar 61,2%, dengan evaluasi estimasi tinggi bangunan berdasarkan nilai MAE, MSE, dan RMSE secara berturut-turut 1,12 meter, 1,75 meter, dan 1,32 meter. Nilai estimasi tinggi bangunan kemudian ditampilkan dalam bentuk model 3D LoD1.