Data LiDAR banyak menggantikan data dua dimensi untuk merepresentasikan data geografis karena kekayaan informasi yang dimilikinya. Salah satu jenis pemrosesan data LiDAR adalah segmentasi semantik tutupan lahan yang mana telah banyak dikembangkan menggunakan pendekatan model deep learning. Algoritma-algoritma tersebut menggunakan representasi jarak Euclidean untuk menyatakan jarak antar poin atau node. Namun, sifat acak dari data LiDAR kurang sesuai jika representasi jarak Euclidean tersebut diterapkan. Untuk mengatasi ketidaksesuaian tersebut, penelitian ini menerapkan representasi jarak non-Euclidean yang secara adaptif diupdate menggunakan nilai kovarian dari set data point cloud. Ide penelitian ini diaplikasikan pada algoritma Dynamic Graph Convolutional Neural Network (DGCNN). Dataset yang digunakan dalam penelitian ini adalah data LiDAR Kupang. Metode pada penelitian ini menghasilkan performa nilai akurasi 75,55%, di mana nilai akurasi ini lebih baik dari algoritma dasar PointNet dengan 65,08% dan DGCNN asli 72,56%. Peningkatan performa yang disebabkan oleh faktor perkalian dengan invers kovarian dari data point cloud dapat meningkatkan kemiripan suatu poin terhadap kelasnya.
LiDAR data widely replaces two-dimensional geographic data representation due to its information resources. One of LiDAR data processing tasks is land cover semantic segmentation which has been developed by deep learning model approaches. These algorithms utilize Euclidean distance representation to express the distance between the points. However, LiDAR data with random properties are not suitable to use this distance representation. To overcome this discprepancy, this study implements a non-Euclidean distance representation which is adaptively updated by applying their covariance values. This research methodology was then implemented in Dynamic Graph Convolutional Neural Network (DGCNN) algorithm. The dataset in this research is Kupang LiDAR. The results obtained performance accuracy value of 75.55%, which is better than the baseline PointNet of 65.08% and Dynamic Graph CNN of 72.56%. This performance improvement is caused by a multiplication of the inverse covariance value of point cloud data, which raised the points similarity to the class.
"Perubahan tutupan lahan merupakan suatu permasalahan yang terjadi secara global dan tak terkecuali pada wilayah Asia Tenggara. Perubahan tutupan lahan yang terjadi pada wilayah Asia Tenggara ini terjadi sangat pesat dalam beberapa dekade terakhir tanpa terkecuali pada wilayah Sub DAS Batang Tembesi. Perubahan yang terjadi pada sub DAS Batang Tembesi ini terjadi pada tutupan lahan hutan yang dialih fungsikan menjadi tutupan lahan jenis lain. Penelitian ini bertujuan untuk menganalisis karakteristik hydrologic response unit dan pengaruh perubahan penutup lahan terhadap karakteristik hidrologi di sub-das Batang Tembesi. Penelitian ini menggunakan model hidrologi SWAT+ (Soil and Water Assessment Tool+) berdasarkan perubahan penutup lahan untuk mendapatkan pola spasial dan temporal dari HRU dan karakteristik hidrologi sub-das Batang Tembesi. Hasil yang diperoleh dalam penelitian ini adalah pada kurun waktu 2013 – 2020 terjadi pola perubahan HRU dan karakteristik hidrologi akibat dari berubahnya tutupan lahan di sub-DAS Batang Tembesi. Berubahnya penutup lahan pada sub-das Batang Tembesi berpengaruh terhadap pola spasial dan temporal HRU dan juga berpengaruh terhadap berubahnya karakteristik hidrologi di sub-das Batang Tembesi.
......Land cover change is a problem that occurs globally and is no exception in the Southeast Asia region. Land cover changes that have occurred in the Southeast Asia region have occurred very rapidly in the last few decades, including in the Batang Tembesi sub-watershed area. The changes that occurred in the Batang Tembesi sub-watershed occurred in forest land cover which was converted into other types of land cover. This research aims to analyze the characteristics of the hydrologic response unit and the influence of changes in land cover on the hydrological characteristics of the Batang Tembesi sub-basin. This research uses the SWAT+ (Soil and Water Assessment Tool+) hydrological model based on land cover changes to obtain spatial and temporal patterns of HRU and hydrological characteristics of the Batang Tembesi sub-watershed. The results obtained in this research are that in the period 2013 - 2020 there was a pattern of changes in HRU and hydrological characteristics as a result of changes in land cover in the Batang Tembesi sub-watershed. Changes in land cover in the Batang Tembesi sub-basin affect the spatial and temporal patterns of HRU and also influence changes in hydrological characteristics in the Batang Tembesi sub-watershed."