Bibliografi |
|
Pengarang |
Aji Wuryanto; |
Barcode |
|
Cat. Karya |
|
No. Induk |
|
Pembimbing |
Wisnu Jatmiko |
Kata Kunci |
computer vision, machine learning, deep learning, clustering, point cloud |
Pembimbing 3 |
|
Pembimbing 2 |
|
Tahun buku |
2020 |
Barcode RFID baru |
11684199 |
Tahun Angkatan |
2016 |
Progam Studi |
Sistem Informasi |
Lokasi |
FASILKOM-UI; |
Tanggal Datang |
23/02/2021 |
Abstrak Indonesia |
ABSTRAK
Nama : Aji Wuryanto
Program Studi : Sistem Informasi
Judul : Segmentasi Semantik Menggunakan DGCNN dan Pairwise
Linkage Clustering Sebagai Metode Pelabelan Gedung untuk Dataset LiDAR Perkotaan
Perkembangan teknologi yang dapat membantu pengukuran luas dan volume suatu
objek semakin umum. Salah satu teknologi yang dapat membantu pengukuran luas dan
volume suatu objek adalah sensor Light and Detection Ranging (LiDAR). Dalam konteks
pengukuran luas dan volume suatu objek dimana objek tersebut adalah bangunan, sensor
LiDAR dapat dibantu oleh deep learning dan clustering agar dapat mengidentifikasi
bangunan yang nantinya dapat dihitung luas dan volume bangunan tersebut. Dataset
yang digunakan pada penelitian ini adalah LiDAR Margonda, Depok dan LiDAR Dublin,
Irlandia. Metode deep learning yang digunakan untuk melakukan segmentasi semantik
adalah Dynamic Graph Convolutional Neural Network (DGCNN) dan algoritma yang
digunakan untuk melakukan pelabelan bangunan adalah Pairwise Linkage Clustering.
Penelitian ini juga bermaksud untuk memberikan perbandingan dengan Euclidean
Clustering sebagai algoritma pelabelan bangunan. Segmentasi semantik dilakukan agar
dapat membedakan objek bangunan dengan objek bukan bangunan sedangkan pelabelan
bangunan dilakukan agar dapat memisahkan setiap objek bangunan. Secara hasil,
penelitian ini berhasil menggunakan DGCNN sebagai metode segmentasi semantik dan
Pairwise Linkage Clustering sebagai metode pelabelan bangunan. Evaluasi dilakukan
menggunakan metrik Accuracy, Recall, Precision, F-score dan Intersection over Union
untuk metode segmentasi semantik sedangkan metrik yang digunakan untuk pelabelan
bangunan adalah Accuracy, Recall, Precision, dan F-Score. Pada dataset Margonda,
Depok nilai akurasi yang didapatkan oleh DGCNN adalah 82% dan nilai akurasi yang
didapatkan oleh Pairwise Linkage Clustering adalah 4.7% untuk Scale Cut-Off Distance
100, 28% untuk Scale Cut-Off Distance 200, 38% untuk Scale Cut-Off Distance 400,
dan 28% untuk Scale Cut-Off Distance 800. Pada dataset Dublin, Irlandia nilai akurasi
yang didapatkan oleh DGCNN adalah 86% dan nilai akurasi yang didapatkan oleh
Pairwise Linkage Clustering adalah 10% untuk Scale Cut-Off Distance 100, 30% untuk
Scale Cut-Off Distance 200, 40% untuk Scale Cut-Off Distance 400, dan 35% untuk
Scale Cut-Off Distance 800. Dalam pelabelan bangunan, Pairwise Linkage Clustering
berhasil memberikan hasil yang lebih baik daripada Euclidean Clustering pada dataset
Margonda, Depok sedangkan Euclidean Clustering berhasil memberikan hasil yang lebih
baik daripada Pairwise Linkage Clustering di dataset Dublin, Irlandia.
Kata kunci:
computer vision, machine learning, deep learning, clustering, point cloud |
Daftar Isi |
|
Cat. Umum |
|
Judul |
Segmentasi Semantik Menggunakan DGCNN dan Pairwise Linkage Clustering Sebagai Metode Pelabelan Gedung untuk Dataset LiDAR Perkotaan |
Asal |
|
Korporasi |
|
NPM |
1606894452 |
Abstrak English |
ABSTRAK
Nama : Aji Wuryanto
Program Studi : Sistem Informasi
Judul : Segmentasi Semantik Menggunakan DGCNN dan Pairwise
Linkage Clustering Sebagai Metode Pelabelan Gedung untuk Dataset LiDAR Perkotaan
Perkembangan teknologi yang dapat membantu pengukuran luas dan volume suatu
objek semakin umum. Salah satu teknologi yang dapat membantu pengukuran luas dan
volume suatu objek adalah sensor Light and Detection Ranging (LiDAR). Dalam konteks
pengukuran luas dan volume suatu objek dimana objek tersebut adalah bangunan, sensor
LiDAR dapat dibantu oleh deep learning dan clustering agar dapat mengidentifikasi
bangunan yang nantinya dapat dihitung luas dan volume bangunan tersebut. Dataset
yang digunakan pada penelitian ini adalah LiDAR Margonda, Depok dan LiDAR Dublin,
Irlandia. Metode deep learning yang digunakan untuk melakukan segmentasi semantik
adalah Dynamic Graph Convolutional Neural Network (DGCNN) dan algoritma yang
digunakan untuk melakukan pelabelan bangunan adalah Pairwise Linkage Clustering.
Penelitian ini juga bermaksud untuk memberikan perbandingan dengan Euclidean
Clustering sebagai algoritma pelabelan bangunan. Segmentasi semantik dilakukan agar
dapat membedakan objek bangunan dengan objek bukan bangunan sedangkan pelabelan
bangunan dilakukan agar dapat memisahkan setiap objek bangunan. Secara hasil,
penelitian ini berhasil menggunakan DGCNN sebagai metode segmentasi semantik dan
Pairwise Linkage Clustering sebagai metode pelabelan bangunan. Evaluasi dilakukan
menggunakan metrik Accuracy, Recall, Precision, F-score dan Intersection over Union
untuk metode segmentasi semantik sedangkan metrik yang digunakan untuk pelabelan
bangunan adalah Accuracy, Recall, Precision, dan F-Score. Pada dataset Margonda,
Depok nilai akurasi yang didapatkan oleh DGCNN adalah 82% dan nilai akurasi yang
didapatkan oleh Pairwise Linkage Clustering adalah 4.7% untuk Scale Cut-Off Distance
100, 28% untuk Scale Cut-Off Distance 200, 38% untuk Scale Cut-Off Distance 400,
dan 28% untuk Scale Cut-Off Distance 800. Pada dataset Dublin, Irlandia nilai akurasi
yang didapatkan oleh DGCNN adalah 86% dan nilai akurasi yang didapatkan oleh
Pairwise Linkage Clustering adalah 10% untuk Scale Cut-Off Distance 100, 30% untuk
Scale Cut-Off Distance 200, 40% untuk Scale Cut-Off Distance 400, dan 35% untuk
Scale Cut-Off Distance 800. Dalam pelabelan bangunan, Pairwise Linkage Clustering
berhasil memberikan hasil yang lebih baik daripada Euclidean Clustering pada dataset
Margonda, Depok sedangkan Euclidean Clustering berhasil memberikan hasil yang lebih
baik daripada Pairwise Linkage Clustering di dataset Dublin, Irlandia.
Kata kunci:
computer vision, machine learning, deep learning, clustering, point cloud
|
Pengarang 2 |
|
Subjek |
|
Penguji 2 |
Dina Chahyati |
Penguji 3 |
|
Pembimbing 1 |
Ari Wibisono |
Fisik |
xvii,62 hlm. 30 cm |
Bahasa |
Ind |
Lulus Semester |
Ganjil 2020 |
Penerbitan |
Depok: Fakultas Ilmu Komputer Universitas Indonesia, 2020 |
No. Panggil |
SK-1803 (Softcopy SK-1284 |
Penguji 1 |
Ari Saptawijaya |
Lulus semester SI |
|