Abstrak:
Segmentasi objek manusia dari data point cloud LiDAR 2D memiliki tantangan tersendiri dalam lingkungan dalam ruangan dikarenakan kesulitan dalam mengidentifikasi data secara langsung. Penelitian ini mengusulkan metode segmentasi menggunakan algoritma DBSCAN (Density-Based Spatial Clustering of Application with Noise) untuk mengelompokkan objek manusia dari data point cloud. DBSCAN efektif mengelompokkan data dengan mengatasi variabilitas bentuk objek dan noise tanpa perlu menentukan jumlah klaster. Hasil uji coba mengidentifikasi tiga klaster utama: Klaster 0 dengan penyebaran data yang lebih teratur, Klaster 1 dengan nilai meanx dan meany lebih terkonsentrasi, serta Klaster 2 dengan distribusi mean_y lebih tinggi dan standar deviasi lebih besar. Hasil uji coba juga menunjukkan bahwa objek manusia berada dalam klaster yang sama. Namun terdapat objek seperti kursi yang tersegmentasi ke dalam klaster yang sama dikarenakan kemiripan fitur yang dimiliki. Selain itu evaluasi kualitas klasterisasi menggunakan Silhouette Score dan Davies-Bouldin Index yang menghasilkan nilai masing-masing 0.700 dan 0.439 untuk DBSCAN, menunjukkan bahwa algoritma ini mampu memberikan segmentasi yang kompetitif meskipun terdapat noise. Metode yang digunakan menunjukkan potensi untuk segmentasi objek manusia di lingkungan dalam ruangan menggunakan LiDAR 2D, meskipun penyempurnaan lebih lanjut diperlukan untuk mengatasi ambiguitas objek nonmanusia dengan fitur serupa.
Kata kunci: Data Point Cloud, DBSCAN, LiDAR 2D, Segmentasi.