Klasifikasi Bangunan pada Data LiDAR Menggunakan Cloud Compare (Tutorial)

Cloud Compare

Pada artikel sebelumnya, dijelaskan mengenai konsep klasifikasi bangunan menggunakan Cloud Compare merujuk pada paper Brodu & Lague (2012). Kali ini, artikel ini akan lebih fokus pada step by step melakukan klasifikasi pada software tersebut. Artikel ini tidak menjelaskan setiap parameter yang digunakan karena lebih fokus pada aspek teknis pemrosesannya. Jika pembaca ingin penjelasan yang lebih detail tentang setiap parameter dalam software Cloud Compare, pembaca bisa me-refer ke paper Brodu & Lague (2012) atau Susetyo et al. (2020).

Pertama, pastikan bahwa software Cloud Compare sudah ter-install, serta data (minimal) point cloud LiDAR harus sudah kita miliki sebelum mempelajari tutorial ini. Berikut adalah langkah lengkap bagaimana melakukan klasifikasi pada software Cloud Compare.

1.   Kita sebaiknya memisahkan data yang digunakan sebagai training data dan testing data. Secara sederhana, training data adalah data yang digunakan sebagai acuan software untuk “mempelajari” objek-objek yang akan diklasifikasi, yang dalam tutorial ini adalah bangunan dan vegetasi. Hasil dari pembelajaran pada training data itulah yang nanti digunakan untuk melakukan pemrosesan pada testing data.

2.   Setelah kedua data tersebut kita persiapkan, buka data yang digunakan sebagai training data. Pada dasarnya, software ini hanya memerlukan data point cloud sebagai input, tapi ketika kita punya data raster seperti foto udara atau citra satelit akan lebih baik karena membantu kita dalam proses interpretasi ketika membuat training area. Jika mempunyai baik data raster maupun point cloud-nya, buka dengan tool Open. 

3.  Untuk membuat training area, tentukan kelas yang akan diklasifikasikan terlebih dahulu. Misalnya, dalam tutorial ini, kelas pertama yang akan di-training adalah bangunan, pilih objek-objek bangunan yang akan dijadikan sampel. Selanjutnya, klik layer point cloud dalam DB Tree, lalu pilih icon gunting, dan buat poligon mengikuti geometri bangunan yang dijadikan sampel. Untuk mengakhiri digitasi poligon, klik kanan pada mouse, kemudian klik icon Segment In, lalu Confirm Segmentation. Buat sejumlah training data yang diperlukan. Kemudian, lakukan hal serupa pada kelas yang lain (misalnya vegetasi).

 4. Setelah membuat beberapa training data, gabungkan kelas yang sama agar menjadi satu data. Caranya, klik seluruh kelas yang sama, kemudian Edit > Merge.

5.   Setelah kedua kelas training data lengkap, klik keduanya dalam DB Tree, lalu pilih Plugins > CANUPO > Train classifier. Hasil dari proses ini adalah satu data berformat *.prm yang digunakan sebagai input dalam proses klasifikasi pada testing data. Pada tahap ini, kita juga harus menentukan nilai parameter skala sesuai dengan data yang kita gunakan.

6.  Hasil dari pemrosesan sebelumnya disajikan dalam bidang pemisahan maksimal seperti di bawah ini. Untuk melihat nilai ba dan fdr, klik button statistics.

7.    Buka testing data yang akan diproses, utamanya point cloud LiDAR-nya. Namun jika mempunyai data rasternya, akan lebih baik untuk digunakan sebagai validasi.

8.   Klik point cloud LiDAR yang akan diproses, kemudian pilih Plugins > CANUPO > Classify. Pilih file *.prm yang tadi dibentuk ke dalam CANUPO Classification.

9.  Berikut adalah hasil dari klasifikasi otomatis yang sudah dilakukan. Warna merah menunjukkan point cloud yang terklasifikasi sebagai bangunan, sedangkan warna biru mengindikasikan titik-titik vegetasi.