ABSTRAK Nama : Satria Bagus Wicaksono Program Studi : Ilmu Komputer Judul : Identifikasi Bangunan pada Data LiDAR menggunakan Metode Deep Learning dan Euclidean Clustering Pembimbing : Dr. Eng. Wisnu Jatmiko, S.T., M.Kom. dan Ari Wibisono, S.Kom., M.Kom. Teknologi terapan untuk pengukuran luas dan volume bangunan sangat dibutuhkan. Hal ini dapat dilihat dari pentingnya implementasi dari teknologi tersebut seperti penghitungan pajak suatu bangunan. Sensor Light and Detection Ranging (LiDAR) dapat digunakan untuk memperoleh informasi koordinat dan elevasi suatu bangunan. Informasi tersebut bisa digunakan untuk melakukan pengukuran luas dan volume suatu bangunan menggunakan data LiDAR. Proses pengukuran diawali dengan melakukan identifikasi bangunan terlebih dahulu. Penelitian ini bertujuan untuk melakukan identifikasi bangunan pada data LiDAR menggunakan metode deep learning dan Euclidean clustering. Identifikasi bangunan dapat dilakukan dengan cara melakukan segmentasi semantik menggunakan Dynamic Graph Convolutional Neural Network (DGCNN) dan pelabelan bangunan pada data LiDAR menggunakan Euclidean clustering. Segmentasi semantik dilakukan untuk memisahkan objek bangunan dan bukan bangunan. Pelabelan bangunan dilakukan untuk memisahkan setiap objek bangunan. Penelitian ini berhasil melakukan identifikasi bangunan menggunakan metode deep learning dan Euclidean clustering. Evaluasi terhadap identifikasi bangunan juga dilakukan menggunakan metrik accuracy, precision, recall, f-score dan intersection over union (IoU). Dari hasil evaluasi pada dataset LiDAR wilayah Margonda tanpa menggunakan fitur warna didapatkan akurasi segmentasi semantik sebesar 86.3% dan akurasi pelabelan bangunan sebesar 24%. Pada data LiDAR wilayah Dublin didapatkan akurasi segmentasi semantik sebesar 81.9% dan akurasi pelabelan bangunan sebesar 46%. Pada data LiDAR wilayah Margonda, eksperimen awal menunjukan hasil pelabelan bangunan dapat ditingkatkan dengan menggunakan fitur warna sebesar 10%. Kata kunci LiDAR, deteksi bangunan, deep learning, Euclidean clustering, point cloud