Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sejak peluncuran satelit LAPAN-TUBSAT pada tahun 2007, Indonesia telah dan terus mengembangkan misi pemantauan bumi untuk berbagai keperluan. Misi pemantauan terbaru yaitu LAPAN-ORARI Satellite(LOSAT) saat ini sedang dalam taraf pengembangan dan diharapkan dapat diluncurkan pada tahun 2011. Untuk memfasilitasi pemanfaatan misi tersebut, berbagai percobaan terhadap spesifikasi sensor perlu dilakukan. Makalah ini menyajikan hasil percobaan dengan memanfaatkan data simulasi untuk aplikasi pemantauan dan pemetaan kawasan pesawahan dipadu dengan algoritma pohon keputusan QUEST. Hasil percobaan menunjukkan bahwa tiga kanal data simulasi LOSAT menghasilkan informasi dengan akurasi yang cukup tinggi.

---

Since the launch of LAPAN-TUBSAT satellite in 2007, Indonesia has been developing mission on earth observation missions for various applications. The next generation mission, called LAPAN-ORARI Satellite (LOSAT), is currently under development and expected to be launched in 2011. In order to facilitate the applications, a thorough assessment of the sensor should be made. This paper presents an examination of simulated LOSAT data for rice monitoring and mapping purposes coupled with QUEST statistical tree. We found that three-band simulated LOSAT data were suitable for the task with reasonably high

accuracy."

"Informasi tentang kandungan bahan organik (BO) diperlukan untuk pemantauan dan pengelolaan lingkungan serta digunakan dalam praktek budidaya tanaman. Dalam penelitian ini dicobakan untuk memetakan kandungan bahan organik tanah di daerah Malang Selatan dengan menggunakan teknik penginderaan jauh (inderaja). Data inderaja yang digunakan adalah citra Landsat TM (Thematic Mapper) (band 1, 2, 3, 4, 5, 7). dan dipilih area yang memiliki nilai Normalized Difference Soil Index (NDSI) lebih dari 0,3. Data ground-truth diperoleh dengan menganalisis kandungan BO dan contoh-contoh tanah dengan menggunakan metode Black-Walkey.Hasil analisis menunjukkan bahwa penggunaan nilai derajat keabuan dan citra asli dapat digunakan untuk menduga kandungan bahan organik tanah. Penerapan persamaan regresi dengan menggunakan nilai derajat keabuan citra asli untuk menduga kandungan bahan organik tanah memperlihatkan bahwa tanah di daerah penelitian umumnya memiliki kandungan bahan organik sedang (meliputi 63,18% dari luas area penelitian).

---

Application of Remote Sensing for Mapping Soil Organic Matter Content. Information organic content is important in monitoring and managing the environment as well as doing agricultural production activities. This research tried to map soil organic content in Malang using remote sensing technology. The research uses 6 bands of data captured by Landsat TM (Thematic Mapper) satellite (band 1, 2, 3, 4, 5, 7). The research focuses on pixels having Normalized Difference Soil Index (NDSI) more than 0.3. Ground-truth data were collected by analysing organic content of soil samples using Black-Walkey method.The result of analysis shows that digital number of original satellite image can be used to predict soil organic matter content. The implementation of regression equation in predicting soil organic content shows that 63.18% of research area contains of organic in a moderate category."

"Land use mapping can be defined as a mapping activity of land cover with cropping management and erosion control practice factors. The activity can be carried out by an application of remote sensing techniques, either air photos or Landsat images to gain land cover information. Cropping management and erosion control practice factors are derived from tables produced with cooperative activity in the field. Information on land cover resulting from remote sensing interpretation still needs to be checked in the field."

"Fase pertumbuhan padi adalah tahapan pertumbuhan yang dialami oleh tanaman padi dari awal ditanam ke dalam tanah hingga siap dipanen yang dapat dipengaruhi oleh keadaan iklim wilayah tanaman padi tersebut ditanam. Citra Sentinel-1 Synthetic Aperture Radar dapat digunakan untuk mengamati fase tumbuh padi pada Band C. Fase pertumbuhan padi diklasifikasikan menjadi lima kelas, menggunakan metode maximum likelihood dan berdasarkan informasi yang diperoleh dari survei kerangka sampel area BPPT, yaitu persiapan lahan, fase vegetatif awal, fase vegetatif akhir, fase generatif, dan fase panen. Tujuan penelitian ini adalah untuk melihat pola spasial dan temporal fase tumbuh padi di Karawang berdasarkan hasil analisa citra Sentinel-1. Hasil penelitian ini menunjukkan bahwa laju pertumbuhan padi tidak mengikuti pola irigasi dimana wilayah irigasi utara lebih cepat mencapai kondisi panen dibandingkan wilayah irigasi selatan dan tengah. Wilayah irigasi utara memiliki nilai backscatter yang paling rendah. Padi lebih cepat mencapai kondisi panen pada musim kemarau dibandingkan musim hujan dimana nilai backscatter untuk kedua musim ini sama.

---

Rice phenology is mainly defined as the growing stages that occurs within a rice plant that begins when the rice is planted in the ground and ends when the rice is ready for harvesting. Sentinel 1 Synthetic Aperture Radar images at the C Band are capable of monitoring rice phenology. Rice phenology is divided into 5 classes using maximum likelihood classification according to BPPT area sampling survey which are land preparation, early vegetative, late vegetative, generative, and ripening. The goal of this research is to assess spatial and temporal patterns of rice phenology in Karawang according to Sentinel image analysis.

Results of this study show that rice which grows quickly is distributed in northern irrigation areas that receive water last compared to middle and southern irrigation areas in Karawang Regency. Rice that reaches harvesting in northern irrigation areas have the lowest backscatter values. Rice reaches harvesting stage quicker in dry season compared to rainy season with the same backscatter values."

"Beras merupakan bahan pangan pokok dengan tingkat kebutuhan tinggi di kawasan Asia Tenggara, termasuk Indonesia yang menjadi produsen padi terbesar di kawasan ini. Sektor pertanian, khususnya produksi padi, berperan penting dalam mendukung misi Sustainable Development Goals (SDGs) untuk mencapai ketahanan pangan. Namun, tantangan seperti alih fungsi lahan dan perubahan iklim mengancam keberlanjutan produksi padi, termasuk di Kabupaten Indramayu, salah satu lumbung padi utama di Jawa Barat. Untuk mendukung pengelolaan lahan pertanian yang berkelanjutan, pemetaan padi berbasis pengindraan jauh menjadi solusi yang efisien, memanfaatkan teknologi satelit seperti Sentinel-2 dan Landsat-8. Penelitian ini bertujuan untuk memetakan distribusi padi di Kabupaten Indramayu dengan mengintegrasikan metode Convolutional Neural Network (CNN) untuk ekstraksi fitur spektral-temporal dan algoritma Extreme Gradient Boosting (XGBoost) untuk klasifikasi. Hasil penelitian menunjukkan bahwa skema fitur terbaik, yaitu kombinasi data Raw Spectral Bands dengan NDVI, menghasilkan tingkat Overall Accuracy tertinggi sebesar 98,90%. Selain itu, metrik evaluasi lainnya seperti Recall, Precision, dan F1-Score juga menunjukkan hasil tertinggi, masing-masing sebesar 98,90%, yang mencerminkan kemampuan model yang konsisten dalam membedakan area padi dan non-padi. Model CNN-XGBoost menunjukkan kinerja yang lebih baik dibandingkan model CNN murni, dengan akurasi yang lebih tinggi dan hasil evaluasi yang lebih optimal. Dengan memanfaatkan data multispektral dan multitemporal dari kedua satelit, penelitian ini memberikan kontribusi signifikan dalam mendukung pengambilan keputusan berbasis data untuk pengelolaan pertanian yang berkelanjutan, sekaligus memperkuat upaya ketahanan pangan nasional.

---

Rice is a staple food with high demand in Southeast Asia, including Indonesia, which is the largest rice producer in the region. The agricultural sector, particularly rice production, plays a crucial role in supporting the Sustainable Development Goals (SDGs) for achieving food security. However, challenges such as land conversion and climate change threaten the sustainability of rice production, including in Indramayu Regency, one of the main rice granaries in West Java. To support sustainable agricultural land management, rice mapping based on remote sensing provides an efficient solution, utilizing satellite technologies such as Sentinel-2 and Landsat-8. This study aims to map the distribution of rice in Indramayu Regency by integrating the Convolutional Neural Network (CNN) method for spectral-temporal feature extraction and the Extreme Gradient Boosting (XGBoost) algorithm for classification. The results show that the best feature scheme, a combination of Raw Spectral Bands and NDVI, achieves the highest Overall Accuracy of 98.90%. Additionally, other evaluation metrics such as Recall, Precision, and F1-Score also show the highest values, each at 98.90%, reflecting the model's consistent ability to distinguish between rice and non-rice areas. The CNN-XGBoost model outperforms the pure CNN model, with higher accuracy and better evaluation results. By utilizing multispectral and multitemporal data from both satellites, this study significantly contributes to data-driven decision-making for sustainable agricultural management, while strengthening national food security efforts."

"Pemilihan ciri merupakan subyek penting dalam pengenalan pola. Tulisan ini merupakan hasil kajian metode pemilihanfitur atau ciri transformasi komponen utama pada data penginderaan jauh. Pada aplikasi penginderaan jauh dengansensor optik seperti Landsat TM, yang sensornya terdiri dari 7 panjang gelombang, akan diperoleh 7 citra fitur (multiband). Adanya kendala awan pada citra optik, telah menyebabkan adanya upaya penggunaan citra radar. Padainterpretasi citra radar, diperlukan analisis ciri tekstur yang merupakan hasil transformasi dari model tekstur terhadapdata aslinya. Untuk tujuan penyimpanan dan pemrosesan data, diusahakan hanya menggunakan sejumlah data yangterbatas, tetapi menghasilkan klasifikasi yang optimal. Pemilihan fitur merupakan suatu metode yang bertujuan untukmendapatkan subset fitur yang optimal. Pada tulisan ini memperkenalkan metode pemilihan fitur transformasikomponen utama yang diujicobakan terhadap dua data uji, yaitu citra optik (data citra daerah Jawa Tengah) dan citraradar (data citra daerah Sumatera Selatan) yang semuanya merupakan data skala kecil yaitu tiap-tiap data kurang dari 20ciri. Akurasi klasifikasi rata-rata yang didapat dengan metode transformasi komponen utama untuk kedua data ujisecara berturut-turut adalah sebagai berikut: pada data citra daerah Jawa Tengah sebesar 91,86% dan pada data citradaerah Sumatera Selatan sebesar 86,58%."

"Pemetaan prospek geothermal di daerah ldquo;Sigma rdquo; dilakukan dengan pendekatan analisis data penginderaan jauh PJ dan diintegrasikan dengan data Geosains berupa Geokimia dan magnetotelluric MT . Hasil penelitian menunjukkan bahwa arah umum kelurusan yang berasosiasi dengan struktur geologi di daerah geothermal ldquo;Sigma rdquo; adalah NW-SE dengan sub-ordinate N-S dan NE-SW. Struktur N-S merupakan stuktur paling awal, mengontrol vulkanisme di kompleks G. Maria. Sedangkan struktur NE-SW yang bersifat ekstensional berkaitan dengan munculnya manifestasi di daerah S. Apas, dan struktur paling akhir berarah NW-SE yang merupakan hasil pergerakan transpressional, berperan sebagai boundary dalam sistem geothermal daerah ldquo;Sigma rdquo;. Berdasarkan analisis geokimia, manifestasi mata air panas dan mud pool di sekitar S. Apas merupakan manifestasi outflow dengan zona upflow diperkirakan berada di Tenggara puncak G.Maria. Estimasi temperatur reservoir berdasarkan geothermometer Na-K-Ca adalah 186 C. Berdasarkan model inversi 3D MT lapisan claycap resistivitas le; 20 ?m tersebar di bagian Tenggara puncak G. Maria, dengan TOR top of reservoir pada kedalaman sekitar 800 m. Posisi reservoir berada di atas suatu bentukan dome yang diinterpertasikan sebagai heat source. Sistem geothermal daerah ldquo;Sigma rdquo; adalah sistem Vulkanik-Hidrothermal berumur Kuarter dengan temperatur sedang. Litologi penyusun komponen sistem geothermal adalah produk G. Maria, berupa piroklastik dan lava. Daerah prospek geothermal daerah ldquo;Sigma rdquo; berada di Tenggara puncak G. Maria dengan luas sekitar 8 km2.

---

The geothermal prospectivity mapping in ldquo Sigma rdquo area is conducted by remote sensing data analysis approach, integrated with geoscience data which are geochemistry and magnetotelluric MT . The results shows that the general trend of the lineament associated with the geological structure in the geothermal region Sigma is NW SE with sub ordinate N S and NE SW. The structure of the N S is the earliest, controlling volcanism process in the Mount Maria complex. While the NE SW structure is extensional in relation to the emergence of manifestations in the S. Apas region, and the most recent NW SE trending structure which is the result of transpressional movement, acting as a boundary in the geothermal system of the Sigma area. Based on geochemistry analysis, the manifestation of hot springs and mud pools around S. Apas is an outflow manifestation with an estimated upflow zone located in the southeastern peak of Mount Maria. Estimated reservoir temperature based on Na K Ca geothermometer is 186 C. Based on the 3D MT inversion model, claycap layer resistivity le 20 m is spread over the southeastern peak of Mount Maria, with TOR top of reservoir at around 800 m depth. The reservoir position is above a dome that is interpreted as heat source. The geothermal system in ldquo Sigma rdquo area is a Quarternary Hydrothermal Volcanic System with medium temperature. The lithology composed this geothermal system is the product of Mount Maria, which are the pyroclastic and lava. The geothermal prospect area located in the Southeast of Mount Maria peak with an area of about 8 km2."

"Land use change quantified for the last 50 years within and near a fast growing agricultural land in neka river basin, using geographic information system...."

"Penggunaan lahan di Jawa Barat khususnya di kabupaten Bandung mengalami perubahan yang signifikan yang disebabkan oleh meningkatnya jumlah pembangunan dan pemukiman. Indonesia merupakan salah satu negara yang rawan bencana, bencana alam ini mengakibatkan wilayahnya menjadi cepat berubah. Memantau penggunaan lahan dan tutupan lahan penting untuk memitigasi jika terjadi bencana alam. Untuk mendapatkan informasi klasifikasi tutupan dan penggunaan lahan dapat memanfaatkan teknologi penginderaan jauh. Penelitian ini menggunakan data satelit ALOS-2/ PALSAR-2 untuk membandingkan klasifikasi penggunaan dan tutupan lahan dengan dua metode yaitu Minimum Distance dan Maximum Likelihood. Metode Minimum Distance menggunakan teknik jarak minimal menggunakan vektor rata-rata endmember sedangkan Metode Maximum Likelihood selain rata-rata, juga memperhitungkan informasi variansi pada variable yang diukur. Hasil analisis menunjukan klasifikasi penggunaan dan tutupan lahan yang baik adalah metode Maximum Likelihood dengan hasil akurasi sebesar 68,6233% pada tahun 2014 dan 64,7608% pada tahun 2016. Sedangkan Metode Minimum Distance memiliki akurasi hanya sebesar 48,2307% pada tahun 2014 dan 43,4902% pada tahun 2016.

---

Land use in West Java, especially in Bandung regency, changes significantly caused by rapid development and sattlement. Since Indonesia is one of the country that is prone to disaster, natural disasters often occur and impact the land changes rapidly. The monitoring land use and land cover classification is important to mitigate any disasters if occured. To obtain land use and land cover classification profile, remote sensing technology can be used. In this research we use ALOS-2/PALSAR-2 satellite data to derive land use and land cover classification maps using two methods, i.e. Minimum Distance and Maximum Likehood. Minimum Distance uses minimum distance technique to measure endmember average vector while Maximum Likehood calculates variance information of measuring variable as well as the average. The analysis results showed that Maximum Likehood method is better for land use and land cover classification in Bandung regency with accuracy of 68,6233% in 2014 and 64,7608% in 2016 respectively while Minimum Distance method resulted in 48,2307% in 2014 and 43,4902% in 2016 respectively."