Artificial Intelligence mulai populer beberapa tahun belakang. Salah satu proyek terbesar yang memanfaatkan kecerdasan buatan tersebut adalah mobil kemudi otomatis oleh Tesla. Inovasi ini menawarkan fitur mengendalikan kendaraan secara otomatis yang dijalankan oleh mesin dengan algoritma artificial intelligence.

Gambar 1. Penerapan machine learning pada mobil auto-pilot (Marr, 2023)

Untuk mengemudi sendiri, mobil self-driving terus-menerus menginterpretasikan gambar dari sensor dan kamera visi mesin mereka, kemudian menggunakan informasi tersebut untuk membuat keputusan tentang apa yang harus dilakukan selanjutnya (Marr, 2023). Dari inovasi ini, penggunaan artificial intelligence yang meliputi didalamnya machine learning dan deep learning naik drastis hingga saat ini.

Pada penelitian ini, penulis berfokus pada penerapan salah satu metode artificial intelligence, yakni deep learning dengan algoritma convolutional neural networks (CNN), yang berkonsep meniru cara bekerja sistem dasar otak manusia dalam mengenali objek dari citra, menggunakan jaringan syaraf tiruan (neural networks) dalam memecahkan suatu masalah (Maulid, 2021) (Gupta, 2018). Pada CNN, data yang dipropagasikan pada jaringan adalah data dua dimensi, sehingga operasi linear dan parameter bobot pada CNN berbeda. Operasi linear CNN menggunakan operasi konvolusi, sedangkan bobot tidak lagi satu dimensi saja karena sifat proses konvolusi, maka CNN hanya dapat digunakan pada data yang memiliki struktur dua dimensi seperti citra (Suartika E.P et al., 2016).

Tujuan Penelitian

Tujuan penelitian ini yaitu untuk menganalisis penerapan metode deep learning dengan algoritma convolutional neural networks dalam mengekstraksi jaringan jalan secara otomatis. Studi kasus yang diambil penulis yaitu Jl. MERR (Middle East Ring Road), Surabaya, yang menghubungkan Kecamatan Kenjeran Wilayah Surabaya Utara hingga ke Selatan yang berbatasan dengan Kabupaten Sidoarjo sepanjang 10,75 km (lihat Gambar 2). Hasil yang didapat nantinya diharapkan dapat membantu instansi terkait dalam percepatan ketersediaan data hingga pembaruan informasi geospasial dasar.

Gambar 2. Peta Lokasi Penelitian

Data

Data utama yang digunakan pada penelitian yakni ortofoto lokasi penelitian dengan akuisisi data tahun 2016. Data ini didapatkan dari Pemerintah Kota Surabaya beserta dengan data vektor jalan Kota Surabaya tahun 2019.

Metode

Metode yang digunakan yakni deep learning dengan algoritma convolutional neural networks menggunakan perangkat lunak ArcGIS Pro. Pengolahan data disajikan dalam 4 tahapan utama, antara lain;

1. 1.
   Pre-processing Foto

Data ortofoto dilakukan preprocessing disebabkan perbedaan tahun akuisisi data dari kedua data tersebut Dengan begitu, peneliti perlu melakukan filtering dan preprocessing pada vektor jalan yang digunakan agar dapat merepresentasikan kondisi lapangan dengan baik.

Data vektor jalan dilakukan pemisahan area, yang terbagi menjadi dua bagian wilayah, yaitu area training sebesar 80% dari wilayah studi dan area testing sebesar 20% (lihat Gambar 2). Pembagian porsi wilayah training dan testing didapatkan setelah melalui proses trial-error.

1. 1.
   Pelatihan Data

Gambar 3. Data Pelatihan Deep Learning

Vektor jalan kemudian dikonversi menjadi image chips berukuran 512 x 512 pixel yang dilakukan translasi 50% dan rotasi 90°. Parameter tersebut ditetapkan untuk memperbanyak data pelatihan, sehingga dapat mengoptimalkan mesin dalam memprediksi model dan mempelajari dataset. Total jumlah image chips yang dihasilkan sebanyak 17,892 citra. Image chips ini akan dijadikan data pelatihan dalam proses pelatihan model.

1. 1.
   Pelatihan Model

Pelatihan model dilakukan untuk melatih mesin mengenali karakteristik geometri objek jalan. Beberapa parameter yang diatur dalam pelatihan model ini antara lain epoch sebanyak 50, yang berarti jumlah proses forward pass dan backward pass yang dilakukan mesin dalam mempelajari karakteristik objek, dan nilai batch size 8 yang berarti jumlah sampel data yang melewati jaringan saraf pada satu waktu (Trivusi, 2022). Parameter dalam tahap ini didapatkan dari proses trial-error untuk menghasilkan model yang paling optimal untuk dataset. Proses pelatihan model ini membutuhkan waktu selama 10 jam 31 menit 31 detik di GPU NVIDIA GeForce RTX 3070 32GB, dan menghasilkan presisi sebesar 0.924.

1. 1.
   Ekstraksi dan Evaluasi Model

Model yang dihasilkan selanjutnya digunakan untuk mengekstraksi jaringan jalan. Hasil yang didapatkan masih berupa segmen-segmen yang geometrinya belum sempurna sehingga perlu dilakukan post-processing, khususnya pada area tikungan dan persimpangan (lihat Gambar 4).

Gambar 4. Contoh Hasil Deteksi Jaringan Jalan

Evaluasi hasil ekstraksi dilakukan dengan pengujian akurasi hasil yang didapatkan dari confusion matrix yang menghasilkan overall accuracy sebesar 86.5% dan Kappa coefficient sebesar 0.737%. Menurut Peraturan Kepala BIG No. 15 Tahun 2014, uji ketelitian atribut penutup lahan minimum bernilai 85%. Sehingga, hasil ekstraksi dianggap memenuhi syarat tersebut.

Tabel 1. Confusion Matrix

Terdapat total 178 titik uji akurasi yang tersebar di seluruh area foto udara yang didapat dari fishnet berukuran 32x32 piksel dan dilakukan proses filtering berdasarkan pada data vektor jalan RDTR yang menjadi acuan. Angka ini disesuaikan dengan resolusi spasial foto udara sebesar 8 cm.

Gambar 5. Peta Sebaran Titik Uji Akurasi

Analisis

Gambar 6. Perbandingan data RDTR dan hasil deteksi (kuning: RDTR, hijau: poligon)

Hasil deteksi pada Gambar 5 di atas menunjukkan bahwa mesin dianggap dapat mendeteksi fitur jaringan jalan dengan baik. Di beberapa area khusus seperti jalan setapak yang tertutup vegetasi tidak terekstraksi dengan baik.Serta Wilayah dengan fitur jalan yang memiliki karakteristik interpretasi berbeda dari data pelatihan lainnya (lihat Gambar 7).

Karena metode deep learning lebih mengutamakan ekstraksi melalui karakteristik interpretasi melalui citra foto, variasi jaringan jalan menjadi tidak bervariatif. Namun, pada kasus jaringan jalan yang tertutup oleh kanopi vegetasi, atap bangunan hingga bayangan menjadi tantangan mesin dalam mengekstraksi fitur.

Gambar 7. Hasil post-processing

Hasil tersebut selanjutnya akan dilakukan post-processing secara keseluruhan dengan penyederhanaan dan penghalusan poligon untuk memperbaiki delineasi batas jalan. Gambar 7 merepresentasikan perbandingan hasil deteksi setelah dilakukan post-processing. Delineasi batas jalan terlihat lebih halus dan rapi. Gambar 8 berikut menunjukkan hasil deteksi yang telah diunggah di laman GEO MAPID.

Gambar 8. Tampilan hasil deteksi di platform GEO MAPID

Secara keseluruhan, penggunaan metode convolutional neural networks dalam mengekstraksi fitur jaringan jalan di studi kasus Jl.MERR, Surabaya, menghasilkan hasil deteksi yang cukup baik dalam merepresentasikan kondisi sebenarnya di lapangan. Dari sisi lama waktu pengolahan pun, jika dibandingkan dengan metode manual digitasi on-screen, metode convolutional neural networks lebih baik dalam mendeteksi fitur jaringan jalan. Selaras dengan tujuan penelitian ini yang diharapkan dapat mendukung percepatan ketersediaan maupun pembaruan data IGD, metode artificial intelligence dapat dijadikan konsiderasi sebagai metode alternatif dalam pendeteksian penutup lahan di wilayah Kota Surabaya.

Referensi

Marr, B. (2023). How Tesla Is Using Artificial Intelligence to Create The Autonomous Cars Of The Future. Diakses pada 18 Agustus 2023 di .

Maulid, R. (2021). Kenali Algoritma Deep Learning. DQLab. Diakes pada 18 Agustus 2023 di .

Gupta, A. (2018). Introduction to deep learning: Part 1. Chemical Engineering Progress, 114(6), 22–29.

Trivusi. (2022). Apa Bedanya Epoch dan Batch Size pada Deep Learning?. Diakes pada 19 Agustus 2023

Peraturan Kepala BIG. (2014). Peraturan Kepala Badan Informasi Geospasial Nomor 15 Tahun 2014 Tentang Pedoman Teknis Ketelitian Peta Dasar. Jakarta.

Peraturan Kepala BIG. (2018). Peraturan Kepala Badan Informasi Geospasial Nomor 6 Tahun 2018 Tentang Perubahan Atas Perka BIG Nomor 15 Tahun 2014 Tentang Pedoman Teknis Ketelitian Peta Dasar. Jakarta.

Katherina, L.K. and Indraprahasta, G.S. (2019), “Urbanization Pattern in Indonesia’s Secondary Cities: Greater Surabaya and Its Path toward a Megacity”, IOP Conference Series: Earth and Environmental Science, Vol. 338 No. 1, p. 012018.