-
By Admin 02
- 30.07.2025
- Geodesi x AI
Geospatial Artificial Intelligence (GeoAI) menggabungkan kecerdasan buatan (AI), khususnya machine learning dan deep learning, dengan data geospasial seperti citra satelit, peta, dan data lokasi untuk menghasilkan insight cerdas. Hingga 30 Juli 2025, GeoAI telah menjadi bidang yang berkembang pesat dengan aplikasi di berbagai sektor seperti perencanaan tata ruang, pertanahan, pertambangan, perkebunan, oil and gas, perpajakan daerah, pemantauan lingkungan, transportasi, dan kesehatan. Berikut adalah tinjauan state-of-the-art algoritma GeoAI berdasarkan perkembangan terkini:
Tren dan Algoritma GeoAI Terkini Tahun 20253
1. Convolutional Neural Networks (CNNs): CNN tetap menjadi tulang punggung untuk analisis citra satelit dan penginderaan jauh. Arsitektur CNN seperti ResNet, U-Net, dan Mask R-CNN digunakan untuk tugas seperti klasifikasi gambar, deteksi objek (misalnya, bangunan atau kendaraan), dan segmentasi semantik (misalnya, pemetaan penggunaan lahan). Perkembangan terbaru mencakup optimasi untuk menangani data geospasial beresolusi tinggi dengan efisiensi komputasi yang lebih baik.
2. Vision Transformers (ViTs): Transformer, yang awalnya populer di NLP, kini diadaptasi untuk data geospasial. Model seperti Swin Transformer digunakan untuk memproses citra satelit dengan kemampuan menangkap hubungan spasial jarak jauh, yang sulit dilakukan oleh CNN tradisional. ViTs menunjukkan akurasi lebih tinggi dalam tugas seperti pemetaan bencana atau deteksi perubahan lingkungan.
3. GeoAggregator (GA)
Salah satu inovasi terbaru adalah GeoAggregator, sebuah model deep learning yang dirancang untuk memprediksi data geospasial seperti pola cuaca, aliran lalu lintas, atau perubahan penggunaan lahan. Model ini dioptimalkan untuk kecepatan dan interpretabilitas dengan menggabungkan beberapa model prediktif, sehingga menghasilkan akurasi lebih tinggi dengan komputasi yang lebih ringan.
4. Reinforcement Learning untuk Optimasi Spasial
Algoritma pembelajaran penguatan (reinforcement learning) digunakan untuk menyelesaikan masalah optimasi spasial, seperti perencanaan rute transportasi, alokasi sumber daya, atau desain smart city. Pendekatan ini memungkinkan sistem untuk belajar dari simulasi lingkungan geospasial, menghasilkan solusi yang adaptif dan efisien.
5. Natural Language Processing (NLP) Berbasis Lokasi
Model GeoAI kini menggabungkan NLP untuk memprediksi lokasi berdasarkan teks, seperti analisis media sosial untuk mendeteksi kejadian bencana atau memetakan pola mobilitas manusia. Contohnya, model berbasis transformer dapat memproses laporan teks dan menghubungkannya dengan koordinat geospasial untuk analisis cepat.
6. Random Forests dan Gradient Boosting
Selain deep learning, algoritma machine learning tradisional seperti Random Forests dan Gradient Boosting masih digunakan untuk tugas seperti klasifikasi vegetasi atau prediksi banjir. Algoritma ini lebih ringan secara komputasi dan cocok untuk data geospasial dengan variabilitas rendah.
7. Algoritma untuk 3D Point Cloud
Algoritma untuk 3D Point Cloud digunakan dalam berbagai aplikasi seperti pemetaan 3D, robotika, autonomous vehicle, augmented reality, dan computer vision. Algoritma ini bisa dikelompokkan berdasarkan fungsi atau tujuan pemrosesan. Berikut daftar lengkap dan sistematisnya:
7.1. Preprocessing
a. Filtering / Denoising
Voxel Grid Filter: Mengurangi jumlah titik dengan membuat grid 3D dan merata-ratakan titik di dalamnya (downsampling).
Statistical Outlier Removal (SOR): Menghapus titik yang dianggap noise berdasarkan distribusi statistik tetangga terdekat.
Radius Outlier Removal: Menghapus titik yang memiliki tetangga sedikit dalam radius tertentu.
b. Normal Estimation
Digunakan untuk memperkirakan arah permukaan lokal di sekitar tiap titik (misalnya via PCA).
7.2. Segmentation
a. Plane Segmentation
RANSAC (Random Sample Consensus): Deteksi bidang datar seperti lantai, tembok.
b. Euclidean Cluster Extraction
Mengelompokkan titik berdasarkan jarak spasial (k-means tidak cocok karena tidak mempertimbangkan konektivitas lokal).
c. Region Growing
Ekspansi dari seed point berdasarkan kesamaan normal dan jarak.
7.3. Feature Extraction & Description
FPFH (Fast Point Feature Histograms): Ekstraksi fitur lokal dari neighborhood titik.
SHOT (Signature of Histograms of Orientations): Fitur deskriptif lokal untuk kecocokan bentuk.
Spin Images: Representasi 2D dari distribusi titik sekitar
7.4. Registration (Alignment)
a. Coarse Registration
SAC-IA (Sample Consensus Initial Alignment): Awal untuk pencocokan kasar berdasarkan fitur.
b. Fine Registration
ICP (Iterative Closest Point): Menyelaraskan dua cloud dengan meminimalkan jarak antar titik terdekat.
c. Global Registration
Go-ICP, FGR (Fast Global Registration): Registrasi global tanpa asumsi initial alignment.
7.5. Object Recognition / Classification
PointNet / PointNet++: Deep learning langsung pada point cloud.
DGCNN (Dynamic Graph CNN): Model graph-based untuk capturing struktur lokal.
Point Transformer / PointNeXt: Transformer-based architecture untuk point cloud.
7.6. Surface Reconstruction
Poisson Surface Reconstruction: Mengubah point cloud jadi mesh.
Ball Pivoting Algorithm (BPA): Metode geometrik untuk membuat mesh dari cloud.
Greedy Triangulation: Triangulasi lokal berdasarkan neighborhood.
7.7. Semantic Segmentation
KPConv (Kernel Point Convolution): CNN khusus untuk 3D data.
SPG (Superpoint Graph): Segmentasi berbasis graph level yang efisien.
RandLA-Net: Lightweight dan cepat untuk point cloud besar.
7.8. 3D Object Detection (khusus autonomous vehicle & robotika)
VoteNet: Voting-based 3D object detector.
PointPillars: Konversi point cloud ke pilar 2D untuk diproses oleh CNN.
SECOND, PV-RCNN: Detektor 3D berbasis voxel dan fusion.
7.9. Compression & Representation
Octree / KD-tree: Struktur data spasial efisien.
Sparse Voxel Octree (SVO): Representasi hierarkis dan kompak.
Point Cloud Codec (PCC): MPEG standard untuk kompresi point cloud.
7.10. SLAM (Simultaneous Localization and Mapping)
LOAM (Lidar Odometry and Mapping): Mapping + tracking dengan LIDAR.
LeGO-LOAM: Optimasi dari LOAM, lebih ringan.
Cartographer (Google): SLAM berbasis LIDAR dan IMU.
Tools & Library Terkait:
PCL (Point Cloud Library): C++ library paling komprehensif.
Open3D: Python-friendly library, integrasi ML & 3D processing.
PyTorch3D: Untuk deep learning 3D point cloud.
MeshLab: GUI tool untuk manipulasi point cloud & mesh.
CloudCompare: Viewer & editor untuk 3D point cloud.
Referensi:
- https://farda.staff.ugm.ac.id/2020/08/05/geographical-geospatial-artificial-intelligence-geo-ai/
- https://www.esri.com/en-us/geospatial-artificial-intelligence/overview
- https://www.kompas.id/artikel/ai-mengubah-kehidupan-hingga-geopolitik/amp
- https://indonesia.go.id/kategori/editorial/8544/membangun-ekosistem-ai-di-indonesia-untuk-2030-potensi-dan-tantangan?lang=1
- https://grok.com
- https://chatgpt.com
- https://asi1.ai