Pemanfaatan teknologi Kecerdasan Bostan (Artificial Intelligence/Al) semakin mendukung efisiensi dan otomatisasi dalam ekstraksi data geospasial, termasuk dalam pemetaan tapak bangunan secara masif. Peta Dasar Pertanahan husnya dalam rangka percepatan Pendaftaran Tanah Sistematis Lengkap merupakan elemen Arusial dalam mendukung Arpastian hukum hak atan tanah, perencanaan tata ruang, dan administrasi pertanahan. Ekstraksi tapak bangunan dari citra udara sebagai komponen utama pemutakhiran peta dasar umumnya dilakukan melalui digitasi manual yang membutuhkan waktu dan sumber daya besar, namun kini dapat diotomatisasi menggunakan pendekatan deep learning berbasis Al. Penelitian ini bertujuan untuk mengevaluasi dan membandingkan akurasi serta efektivitas ekstraksi tapak bangunan antara plugin Mapflow-QGIS dan datanet Google Open Buildings (GOB) sebagai bahan pertimbangan pembuatan Peta Dasar Pertanahan di Kalurahan Margoagung, Kapanewon Seyegan, Kabupaten Sleman

Penelitian ini menggunakan pendekatan kuantitatif dengan metode uji akurasi berbasis objek (object-based accuracy assessment) dengan data referensi (Ground truth) terdiri dari 575 bidang tapak bangunan. Hasil digitasi manual terdistribusi pada tiga tipologi kawasan, yaitu permukiman padat (305 bidang), permukiman jarang (83 bidang), dan kawasan tertutup vegetasi (187 bidang). Evaluasi kinerja dilakukan menggunakan metrik Precision, Recall, dan Fl-Score untuk akurasi tematik, serta Intersection ever Union (lol) untuk akurasi geometrik.

Plugin Mapflow-QGIS mencatatkan keunggulan akurasi geometrik dengan lou sebesar 0,71. Precision 0,94, Recall 0,117, dan F1-Score 0,90. Dataset GOB mencatatkan Fl-Score yang sedikit lebih tinggi sebesar 0,91 dengan Precinion 0.96 hanya secara dan Recall 0.87, namun nilai loll-nya hanya mencapai 0.51 marginal melampaui ambang batas minimum loU20,5 dan masih lebih rendah 0,20 poin dari Mapflow-QGIS, yang signifikan dalam konteks ketelitian pemetaan kadastral. Rendahnya nilai loU relatif pada dataset GOB disebabkan oleh perluasan luasan poligon yang tidak proporsional (over-bourding) akibat kecenderungan model global menginkorporasi elemen non-bangunan ke dalam batas tapak bangunan. Berdasarkan keseluruhan hasil evaluasi, plugin Mapflow-QGIS dinilai lebih sesuai untuk diintegrasikan ke dalam alur kerja otomatis pemutakhiran Peta Dusar Pertanahan skala kadastral di lingkungan ATR/BPN, meskipun dataset GOB tetap relevan untuk identifikasi sebaran permukiman pada skala yang lebih luas.