Electronic Theses and Dissertation

Validasi atribut data geospasial merupakan komponen penting dalam menjamin kualitas informasi spasial untuk perencanaan pembangunan berbasis lokasi. di indonesia, proses validasi mengacu pada katalog unsur geografi indonesia (kugi), namun dalam praktiknya masih didominasi metode manual oleh walidata, yang tidak efisien dan rentan terhadap kesalahan, terutama pada dataset berskala besar dan heterogen. penelitian ini mengusulkan metode validasi atribut data geospasial berbasis deep learning dengan pendekatan multimodel. pendekatan multimodel memungkinkan setiap jenis atribut diproses menggunakan model yang paling sesuai dengan karakteristiknya, sehingga menghasilkan proses validasi yang lebih akurat, adaptif, dan komprehensif dibandingkan penggunaan satu model tunggal. alur penelitian dimulai dari pengumpulan dataset geospasial dari geonode pemerintah aceh, dilanjutkan dengan klasifikasi data valid dan tidak valid berdasarkan aturan kugi. selanjutnya, dilakukan prapemrosesan dan ekstraksi atribut melalui dua jalur paralel, yaitu atribut numerik yang diproses menggunakan multilayer perceptron (mlp) dan atribut teks yang diproses menggunakan bidirectional encoder representations from transformers (bert). model kemudian dilatih, diuji, dan dievaluasi menggunakan metrik precision, recall, dan f1-score. hasil evaluasi menunjukkan bahwa model mlp mampu menjaga keseimbangan precision dan recall dalam mendeteksi ketidakwajaran atribut numerik, sehingga efektif menekan kesalahan false negative pada nilai geometrik yang tidak sesuai standar kugi. sementara itu, model bert lebih efektif dalam meminimalkan false positive pada atribut teks melalui pemahaman konteks semantik dan variasi penulisan. secara kuantitatif, pendekatan multimodel menghasilkan f1-score terbaik pada data pengelolaan hutan sebesar 0,9825 untuk atribut numerik dan mencapai 1,0 untuk atribut teks di setiap atribut semantik pada teks, nilai numerik yang belum mencapai klasifikasi sempurna terutama disebabkan oleh tumpang tindih rentang nilai antar kelas validasi dan variasi karakteristik atribut geometrik, sedangkan atribut teks menunjukkan performa optimal karena pola penamaan objek yang relatif konsisten sehingga hubungan semantik dapat dipelajari secara lebih efektif oleh model bert.

Geospatial attribute validation is a critical component in ensuring the quality of spatial information for location-based development planning. In Indonesia, the validation process follows the Indonesian Geographic Feature Catalog (KUGI); however, in practice, it is still predominantly performed manually by data custodians, making the process inefficient and prone to human error, particularly when handling large-scale and heterogeneous geospatial datasets. This study proposes a deep learning-based multimodel approach for geospatial attribute validation. The multimodel framework enables each attribute type to be processed using the model most suitable for its characteristics, resulting in a more accurate, adaptive, and comprehensive validation process than a single-model approach. The proposed methodology begins with collecting geospatial datasets from the Aceh Government GeoNode platform, followed by classifying valid and invalid records according to KUGI validation rules. The data are then preprocessed and separated into two parallel workflows: numerical attributes are validated using a Multilayer Perceptron (MLP), while textual attributes are validated using Bidirectional Encoder Representations from Transformers (BERT). The models are subsequently trained, tested, and evaluated using precision, recall, and F1-score. The experimental results demonstrate that the MLP model effectively balances precision and recall in detecting anomalies in numerical attributes, thereby reducing false negatives for geometric values that do not comply with KUGI standards. Meanwhile, the BERT model effectively minimizes false positives in textual attributes by leveraging semantic context and handling variations in object naming. Quantitatively, the proposed multimodel approach achieved the highest F1-score of 0.9825 for numerical attribute validation on the Forest Management dataset and an F1-score of 1.000 for semantic textual attribute validation. The slightly lower performance of the numerical model is mainly attributed to overlapping value ranges between validation classes and variations in geometric attribute characteristics. In contrast, the textual model achieved optimal performance because the object naming patterns were relatively consistent, enabling BERT to learn semantic relationships more effectively