Cara Klasifikasi Point Cloud, Buat Perhitungan Volume Material Tambang

kartabhumi – Bayangin sahabat bhumi, kita stand-by di tambang pasir batu jawa tengah. Panas, debu, stockpile setinggi bukit, void dalem banget. Dulu surveyor manual pake handheld GPS, titik-titik, kalkulasi rumus bikin pusing. Hasil gak akurat, lama, nyawa taruhan karena naik-turun tebing. Belum lagi klaim beda hitungan sama kontraktor. Sekarang zamannya upgrade. Kita scan area tambang dalam hitungan menit, dapet jutaan titik digital presisi, komputer hitung kubikasi. Hasil super akurat, efisien, sahabat bhumi jadi hero tim karena gak ada debat volume. Penasaran? Yuk bedah step-by-stepnya!

Sumber Data Point Cloud Tambang

Berikut ini beberapa sumber data point cluoud tambang:

Drone + Kamera Biasa

Gak perlu LiDAR mahal. Cukup pakai drone kayak DJI Phantom 4 Pro atau Mavic 3E, terbang otomatis motret area tambang dari berbagai sudut. Upload ke software kayak Pix4D, bakal match titik-titik foto jadi point cloud 3D.

Airborne LiDAR

RSensor nyemburin laser ke tanah, ukur waktu pantulan. Hasilnya jutaan titik plus info intensitas sahabat bhumi bisa bedain batu, tanah basah, atau besi. Di Australia dipakai buat model rehabilitasi tambang. Siapin duit tebal, ini premium.

Terrestrial Laser Scanner

Alat kayak Leica RTC360 di tripod, muter 360° sambil nyembur laser. Buat area susah dijangkau drone: bawah overhang tebing atau lorong bawah tanah. Dipakai di tambang garam Polandia kedalaman 600 meter. Kelemahan: coverage gak secepat drone.

Mobile Laser Scanning

Jalan santai sambil megang handheld scanner, alat langsung bikin peta 3D otomatis pake teknologi SLAM. Cocok buat tambang bawah tanah yang gelap, sempit, GPS ilang. Error cuma 0,02-0,03 meter per 100 meter. Contoh: GeoSLAM Zeb Horizon.

Open Data Pemerintah & Dataset Publik

Buat sahabat bhumi yang lagi belajar atau budget terbatas. Pakai platform global bagi data point cloud tambang gratis. platform: OpenTopography , Natural Resources Canada, Mendeley Data. Cocok buat uji coba software, machine learning, atau digital twin tanpa ke lapangan

Konsep Dasar Klasifikasi Point Cloud

Berikut ini beberapa konsep dasar klasifikasi point cloud:

Ground Filtering

Proses misahin titik tanah dan non-tanah . Algoritma: Cloth Simulation Filter (CSF) atau Progressive TIN. Buat area tambang dengan vegetasi pendek, pake slope-based. Penting buat bikin DTM akurat bukan DSM.

Color-Based Classification

Manfaatin informasi RGB dari kamera drone. Ubah RGB ke HSV, ambil nilai Hue bedain tanah (coklat) vs vegetasi (hijau). Cepet, cocok buat tambang terbuka dengan kontras warna jelas. Kelemahan: gagal kalau cuaca mendung atau bayangan nutup warna asli.

Geometric Feature Extraction

Bedain objek dari bentuk 3D: datar (tanah), menjulang (pohon), kotak (bangunan). Hitung parameter planaritas, linearitas, omnivarians, eigenentropy. Titik tanah punya planaritas tinggi, titik pohon punya omnivarians tinggi.

Clustering

Ngelompokin titik yang mirip jadi satu grup pakai DBSCAN cari daerah padat titik vs jarang. Multi-level clustering dari skala kecil sampai skala gede . Buat misahin tumpukan pasir dari tanah kosong.

Deep Learning & Machine Learning

AI belajar dari ribuan contoh berlabel. Model hits: PointNet , Random Forest.Tren 2025: self-supervised learning, AI belajar dari data tanpa label, cocok buat tambang tanpa waktu label manual.

Tahapan Klasifikasi Point Cloud Buat Perhitungan Volume

Berikut ini beberapa tahapan klasifikasi point cloud buat perhitungan volume:

Tahap	Aksi	Tools	Tips
Persiapan & Import Data	Masukin data point cloud ke software, pastikan format LAS/LAZ	LiDAR360, LP360, CloudCompare	Cek unit proyek (meter/feet) dan sistem koordinat, jangan sampe pake kaki
Remove Noise (Buang Sampah)	Hapus titik nyasar kayak debu, bayangan, burung yang ke-scan	Remove Outliers, Profile View	Di tambang bawah tanah, pindahin bayangan gelap ke kelas “Low Point”
Ground Classification	Pisahin tanah asli sama objek di atasnya (pohon, konveyor, bangunan) buat bikin DTM bersih	Ground Filtering, CSF	Atur parameter max angle sesuai kemiringan medan, biar tanah curam gak ke-classify jadi objek
Filter Objek Gak Berguna	Pisahin konveyor di atas stockpile biar pas bikin TIN gak nyambung jadi jembatan digital	Profile View + Classify Above/Below Line	Gambar garis di bawah konveyor, pindahin ke kelas “Building” atau “Noise”, filter pas hitung volume
Ekstrak Titik Material	Cluster atau ekstrak titik yang mau diitung (stockpile atau cut area) pake DBSCAN atau segmentasi kemiringan	DBSCAN, Region Growing, Alpha Shapes	Di tambang batubara, kombinasi color-based classification (RGB ke HSV) buat bedain material dari tanah
Generate Surface Model (TIN/DSM)	Bikin TIN dari point cloud bersih, pastikan cuma kelas yang dipilih (Stockpile/Ground) yang dipake	TIN Generation, Poisson Surface Reconstruction	Pake Points on TIN view buat cek titik gak nyambung atau melayang artinya masih perlu klasifikasi tambahan
Hitung Volume	Stockpile: hitung antara TIN & alas datar. Cut/Fill: pake dua DTM (sebelum & sesudah)	LP360 Volumetrics, LiDAR360, MATLAB	Pilih unit bener (m³). Cut = volume berkurang (digali), Fill = volume bertambah (ditimbun)
8Validasi & Ekspor Laporan	Cocokin hasil volume dengan kondisi lapangan pake GPS RTK, ekspor PDF atau shapefile	Generate Report (Spacesium, LP360)	Pake StockScanIQ buat ekspor PDF siap kirim yang include tabel volume, grafik cut/fill, dan visualisasi 3D

Tantangan Klasifikasi Point Cloud di Area Tambang

Berikut ini beberapa tantangan klasifikasi point cloud di area tambang:

Vegetasi Ngebul

Pohon, semak, rumput tinggi ngehalangin LiDAR nangkep tanah asli. Titik tanah ketutupan, komputer bingung bedain tanah vs tanaman. Solusi: Ground Filtering pake CSF atau Progressive TIN, plus manual editing pake Profile View di area rapet.

Debu & Asap Tambang

Debu tebal bikin laser mantul ke partikel udara, muncul noise . Kalo dibiarin, ikut keitung volume dan bikin TIN berantakan. Solusi: Remove Outliers di LP360 atau CloudCompare, atur parameter pelan-pelan biar titik legit gak kehapus.

Medan Ekstrim & Tebing Curam

Tebing vertikal ke-classify jadi objek bukan tanah karena kemiringan terlalu tinggi, atau pohon di lereng keanggap tanah. Solusi: set parameter max angle sesuai medan, koreksi manual pake Profile View. Di tambang bawah tanah, roof dan floor tumpang tindih butuh algoritma khusus.

Tumpukan Material Mirip Tanah

Stockpile dan tanah dasar warna & teksturnya mirip . Color-based classification gagal. Solusi: kombinasi geometric features (planaritas, omnivarians) dan clustering DBSCAN berdasarkan kepadatan titik.

Objek Bawah Tanah

Gak ada GPS, hasil scan TLS/SLAM patah-patah & kurang akurat. Rock bolt bentuk silinder tipis susah dibedain dari dinding. Solusi: geometric feature extraction spesifik buat bentuk silinder, pake Random Forest.

Kesimpulan Cara Klasifikasi Point Cloud

Perjalanan dari point cloud mentah ke laporan volume akurat gak instan. Ada vegetasi ngebul, debu, tebing curam, sampe material mirip tanah bikin pusing. Tapi semua ada solusi kayak Ground Filtering, Color-Based, Geometric Feature, Clustering, plus Deep Learning. Teknologi point cloud udah ngurangin resiko, naikin akurasi volume, dan bikin debat kontraktor ilang. Jangan jadi surveyor jaman baheula gas upgrade skill, eksplor tools kayak LP360 atau CloudCompare, jadi pahlawan akurasi. Di tambang yang panas ini, data presisi adalah uang, kecepatan adalah nyawa.