Hasil Pencarian  ::  Simpan CSV :: Kembali

"Melihat inovasi penginderaan jauh dalam estimasi stok karbon kelapa sawit untuk inventarisasi stok karbon, diperlukan pembangunan model demi mengetahui distribusi stok karbon kelapa sawit melalui penginderaan jauh. Variabel yang digunakan yaitu nilai piksel dari indeks vegetasi NDVI, GNDVI, EVI, ARVI, SAVI pada citra satelit Sentinel 2-B dan Landsat 8. Data stok karbon lapangan diperoleh dengan persamaan allometrik biomassa dari tinggi dan keliling batang. Model terpilih yaitu ARVI pada Sentinel 2-B dan Landsat 8 dengan memiliki nilai korelasi dan determenansi tertinggi. Model terpilih yang dijadikan distribusi spasial estimasi stok karbon mempunyai rentang estimasi stok karbon berupa <110 kg/piksel, 110 – 150 kg/piksel, 150 – 190 kg/piksel, dan 190 – 240 kg/piksel pada Sentinel 2-B dan <900 kg/piksel, 900 – 1100 kg/piksel, 1100 – 1300 kg/piksel dan 1300 – 1500 kg/piksel pada Landsat 8 yang terdistribusi spasial di kelompok umur 17, 18, 19, dan 20 tahun dari berbagai bagian timur dan tenggara, kerapatan vegetasi, dan aspek kondisi lingkungan Kecamatan Kemang dan Ranca Bungur. Berdasarkan perbandingan, nilai piksel indeks vegetasi berbanding lurus dengan kelompok umur dimana semakin tua maka semakin tinggi, sama dengan kerapatan vegetasi di area, semakin banyak jumlah vegetasi maka semakin tinggi juga nilai piksel dari indeks vegetasi. Landsat 8 terpilih karena memiliki nilai korelasi lebih besar terhadap kerapatan vegetasi, hasil akhir yaitu estimasi stok karbon kelapa sawit umur 17 tahun dengan luas 267,56 Ha ialah 3.421,74 ton, 18 tahun 369,12 Ha ialah 5150,52 ton, 19 tahun 316,41 Ha ialah 4.271,86 ton, dan 20 tahun 55,54 Ha ialah 761,67 ton. Jumlah total estimasi stok karbon pada wilayah penelitian adalah 13.605,79 ton.

---

Seeing the innovation of remote sensing in the estimation of oil palm carbon stock for carbon stock inventory, it is necessary to develop a model to determine the distribution of oil palm carbon stock through remote sensing. The variable used is the pixel value of the vegetation index NDVI, GNDVI, EVI, ARVI, SAVI on the Sentinel 2-B and Landsat 8 satellite images. Field carbon stock data were obtained by using allometric equations of biomass from stem height and circumference. The selected model is ARVI on Sentinel 2-B and Landsat 8 with the highest correlation and determination values. The selected model which is used as a spatial distribution of carbon stock estimates has a range of carbon stock estimates in the form of <110 kg/pixel, 110 – 150 kg/pixel, 150 – 190 kg/pixel, and 190 – 240 kg/pixel on Sentinel 2-B and <900 kg/pixel, 900 – 1100 kg/pixel, 1100 – 1300 kg/pixel and 1300 – 1500 kg/pixel on Landsat 8 which are spatially distributed in the 17, 18, 19, and 20 year age groups from different parts of the east and southeast, density vegetation, and aspects of environmental conditions in the Districts of Kemang and Ranca Bungur. Based on the comparison, the pixel value of the vegetation index is directly proportional to the age group where the older it is, the higher it is, equal to the density of vegetation in the area, the more the number of vegetation, the higher the pixel value of the vegetation index. Landsat 8 was chosen because it has a greater correlation value with vegetation density, the final result is the estimated carbon stock of oil palm aged 17 years with an area of 267.56 Ha is 3,421.74 tons, 18 years 369.12 Ha is 5150.52 tons, 19 years 316.41 Ha is 4,271.86 tons, and 20 years 55.54 Ha is 761.67 tons. Total estimated carbon stock is 13,605.79 tons."

"Meningkatnya suhu secara global yang disebabkan oleh emisi karbon yang jumlahnya lebih banyak dari penyerapan menyebabkan terjadinya berbagai permasalahan lingkungan. Kelapa sawit memiliki potensi sebagai penyerap karbon di atmosfer. Penelitian ini memiliki tujuan unutk menganalisis distribusi spasial stok karbon tanaman kelapa sawit dan hubungannya dengan musim basah dan kering serta kemiringan tanahnya untuk melihat variasi stok karbonnya. Penginderaan jauh multispektral digunakan pada penelitian ini dan digunakan lima indeks vegetasi yaitu NDVI, GNDVI, SAVI, OSAVI, dan ARVI sebagai prediktor yang digunakan bersama dengan stok karbon lapangan untuk dibandingkan sehingga diperoleh model estimasi yang akurat. Hasil menunjukkan bahwa distribusi spasial estimasi stok karbon yang dihasilkan indeks vegetasi ARVI pada wilayah penelitian di setiap blok didominasi oleh stok karbon dengan nilai menengah. Hubungan musim basah dan kering yang dilihat dari curah hujan dengan stok karbon dan hasil uji korelasi menunjukkan bahwa curah hujan memiliki nilai korelasi positif yang sangat lemah dan variasi stok karbon berdasarkan kemiringan tanah menunjukkan bahwa kemiringan tanah tidak memiliki pengaruh terhadap stok karbon yang tersimpan. Hal tersebut dapat disebabkan karena jarak tanam kelapa sawit pada wilayah penelitian relatif sama.

---

The increase in global temperatures caused by carbon emissions which are greater than absorption causes various environmental problems. Oil palm has the potential to absorb carbon in the atmosphere. This study aims to analyze the spatial distribution of carbon stocks in oil palm plants and their relationship with the wet and dry seasons and the slope of the soil to see variations in carbon stocks. Multispectral remote sensing was used in this study and five vegetation indices were used, namely NDVI, GNDVI, SAVI, OSAVI, and ARVI as predictors which were used together with field carbon stocks to be compared in order to obtain an accurate estimation model. The results show that the spatial distribution of estimated carbon stocks resulting from the ARVI vegetation index in each block is dominated by carbon stocks with intermediate values. The relationship between wet and dry seasons and carbon stocks shows that rainfall has a very weak positive correlation value and variations in carbon stocks based on soil slope shows that soil slope has no effect on stored carbon stocks. This could be due to the relatively similar spacing of oil palm plantings in the study area."

"Tanaman kelapa sawit merupakan salah satu komoditas yang tumbuh baik di Indonesia dengan nilai komersial tinggi yang membuat permintaan hasil olahan minyak tanaman kelapa sawit semakin meningkat, maka perlu adanya data dan teknologi untuk mengestimasi produktivitas tanaman kelapa sawit secara lebih efisien. Salah satunya dengan penginderaan jauh menggunakan citra Sentinel-2. Penelitian ini bertujuan untuk menganalisis tingkat akurasi algoritma NDVI, ARVI, dan SAVI, variasi spasial serta temporal, dan hubungan kondisi fisik wilayah terhadap estimasi produktivitas tanaman kelapa sawit di Kebun Cikasungka. Produktivitas tanaman kelapa sawit lapangan diregresikan dengan indeks vegetasi dan umur tanaman untuk menghasilkan pemodelan. Berdasarkan pemodelan dengan ketiga algoritma, akurasi model algoritma ARVI memiliki nilai RMSE lebih rendah, yaitu sebesar 421. Estimasi produktivitas tanaman kelapa sawit Kebun Cikasungka bervariasi di tiap bloknya dan tertinggi pada umur tanaman dewasa. Pada tahun 2022 estimasi produktivitas tanaman kelapa sawit bulanan mengalami penurunan dibandingkan tahun 2019 karena adanya alihfungsi lahan. Kondisi fisik wilayah penelitian didominasi oleh lereng curam, jenis tanah Kambisol, dan rata-rata curah hujan bulanan yang tinggi dengan estimasi produktivitas tanaman kelapa sawit sebesar 35.061 Kg/Ha/Bulan menggunakan algortima NDVI dan SAVI serta dengan algoritma ARVI sebesar 35.431 Kg/Ha/Bulan.

---

Palm oil is one of the commodities that is growing well in Indonesia with a high commercial value which makes the demand for processed palm oil products increase, it is necessary to have data and technology to estimate the productivity of oil palm plants more efficiently. One of them is remote sensing using Sentinel-2 imagery. This study aims to analyze the accuracy of the NDVI, ARVI, and SAVI, spatial and temporal variations, and the relationship of the physical condition area to the estimated productivity of oil palm plants at the Cikasungka Plantation. Oil palm productivity was regressed by vegetation index and plant age to generate a model. Based on modeling, the accuracy of the ARVI model has a lower RMSE value. The estimated productivity of oil palm plants varies in each block with the highest at mature plant age. In 2022, it is estimated that the monthly productivity of oil palm plants will decrease compared to 2019 due to the conversion of land into residential areas. The physical condition reseach area is dominated by steep slopes, Kambisol soil type, and high average monthly rainfall with an estimated productivity of 35.061 Kg/Ha/Month using the NDVI and SAVI and the ARVI of 35.431 Kg /Ha/Month."

"

Kegiatan monitoring adalah salah satu hal penting dalam proses perawatan pohon kelapa sawit. Penyakit Ganoderma merupakan salah satu penyakit pada pohon kelapa sawit yang proses penyebarannya cepat. Saat ini kegiatan monitoring kesehatan kelapa sawit masih dilakukan secara manual (konvensional) yaitu dengan melihat secara langsung satu persatu pohon kelapa sawit. Proses ini membutuhkan waktu yang lama serta tenaga yang tidak sedikit. Teknik deteksi menggunakan potongan sampel daun dapat memungkinkan terjadi perubahan biologis pada daun dan proses pengambilan data sampel yang rumit. Pendeteksian menggunakan sampel citra dari drone lebih mudah dilakukan, namun belum dapat menghasilkan informasi terkait vegetasi tanaman. Berdasarkan permasalahan tersebut, pada penelitian ini dilakukan deteksi dan klasifikasi kesehatan pohon kelapa sawit menggunakan sampel citra pohon tampak atas. Pengambil data citra menggunakan drone DJI Air 2S yang dilengkapi dengan kamera multispektral enam kanal (red, green, blue, orange, cyan, dan near infrared) untuk mendapatkan informasi yang lebih lengkap terkait vegetasi tanaman, sehingga prosesnya jauh lebih mudah dan cepat. Data citra yang diperoleh dilakukan pemodelan YOLO dan middle level fusion CNN untuk mendapatkan hasil lokasi pohon dan status kesehatannya. Pengambilan data citra dilakukan di PT Perkebunan Nusantara III (PERSERO) kelapa sawit Cikasungka, Wilayah Distrik Jawa Barat Banten pada pohon kelapa sawit sehat dan pohon kelapa sawit terinfeksi penyakit Ganoderma. Dalam penelitian ini, pemodelan YOLO menggunakan citra RGB mampu mendeteksi banyaknya objek pohon terdeteksi dengan baik (convidence score > 0,75) sebanyak 1426 pohon (703 pohon sehat dan 723 pohon tidak sehat) dengan mAP (mean Average Precision) sebesar 0,911. Pada pemodelan CNN menggunakan metode middle fusion dengan citra multispektral mampu mengklasifikasi kesehatan pohon kelapa sawit lebih baik dibandingkan hanya menggunakan citra RGB maupun citra OCN dengan performa akurasi sebesar 89,72 %.

---

Monitoring activities is one of the essential things the oil palm maintenance process. Ganoderma disease is one of the fastest spreading diseases of oil palm trees. Currently, monitoring the health of oil palms is still done manually (conventional) by looking directly at each oil palm tree. This process certainly requires a long time and a lot of energy. Detection techniques using leaf sample pieces can allow for biological changes in the leaf and the collection process are too tricky. Detection techniques using image sample captured by drone can be easier, but it does not provide complete information related to plant vegetation. Based on these problems, in this research the detection and classification of oil palm tree health using top view tree image samples. Image data collection using DJI Air 2S drone equipped with a six-band multispectral camera (red, green, blue, orange, cyan, and near infrared) to obtain more complete information related to plant vegetation, so that the process will be much easier and faster. The image data obtained is then performed YOLO modeling and middle level fusion CNN using multispectral images (RGB and OCN) to get the results of tree location and health status. The data was collected at PT Perkebunan Nusantara III (PERSERO) Cikasungka Oil Palm Plantation, West Java District Area Banten on healthy oil palm trees and oil palm trees infected with Ganoderma disease. In this research, YOLO modeling using RGB images was able to detect the number of tree objects detected well (convidence score > 0,75) as many as 1426 trees (703 healthy trees and 723 unhealthy trees) with mAP (mean Average Precision) of 0,911. CNN modeling using the middle fusion method is able to classify the health status of oil palm trees better than only using RGB images and OCN images with an accuracy performance of 89,72%.

"

"Kelapa sawit sebagai tanaman memiliki beragam fungsi diantaranya memiliki fungsi ekonomis dan fungsi ekologis yakni dalam penyerapan serta penyimpanan karbon. Penyerapan karbon dilakukan sebagai upaya mengurangi gas rumah kaca. Kapasitas penyerapan atau cadangan karbon dapat dilihat dari nilai cadangan karbon yang salah satunya dimiliki oleh tanaman kelapa sawit. Kanopi pada tanaman tersusun atas kumpulan daun yang berfotosintesis yakni salah satunya melakukan penyerapan karbon. Penelitian ini bertujuan menganasalisis sebaran cadangan karbon yang tersimpan pada tanaman kelapa sawit serta hubungannya dengan kerapatan kanopi. Cadangan karbon dan hubungannya dengan kerapatan kanopi dianalisis dengan pendekatan indeks vegetasi maupun backscatter serta analisis statistik. Citra satelit Sentinel-2 dengan algoritma NDVI mampu melakukan estimasi cadangan karbon lebih baik dari backscatter yang dihasilkan oleh Sentinel-1 di wilayah Kebun Pecobaan Cikabayan Institut Pertanian Bogor. NDVI memiliki nilai R2 sebesar 0,73 terhadap cadangan karbon. Jumlah nilai cadangan karbon pada tanaman kelapa sawit di wilayah penelitian sebesar 170,68 ribu Kg. Kerapatan kanopi memiliki hubungan yang positif terhadap cadangan karbon. Kerapatan kanopi memberikan pengaruh sebesar 56,14 persen terhadap cadangan karbon.

---

Oil palm as a plant has various functions, including having an economic function and an ecological function, namely in the absorption and storage of carbon. Carbon sequestration is carried out as an effort to reduce greenhouse gases. The absorption capacity or carbon stock can be seen from the value of carbon stocks, one of which is owned by oil palm plantations. The canopy of plants is composed of photosynthetic leaves, one of which is carbon absorption. This study analyzes the distribution of carbon stocks stored in oil palm plants and their relationship with canopy density. Carbon stocks and their relationship with canopy density were analyzed using the vegetation index and backscatter also approaches of statistical analysis. Sentinel-2 satellite imagery with the NDVI algorithm can estimate carbon stocks better than the backscatter produced by Sentinel-1 in the Cikabayan Teaching Farm, Bogor Agricultural University. NDVI has an R2 value of 0.73 for carbon stocks. The total value of carbon stocks in oil palm plantations in the study area is 170.68 thousand Kg. Canopy density has a positive relationship to carbon stocks. Canopy density has an effect of 56.14 percent on carbon stocks."

"Salah satu tanaman yang memiliki nilai ekonomi tinggi adalah kelapa sawit. Pemetaan lahan kelapa sawit terkendala pada pola yang berbeda tergantung dari jenis perkebunan. Tujuan dari penelitian ini adalah untuk menganalisis pola spasial serta karakteristik spektral tutupan lahan kelapa sawit berbasis indeks vegetasi di Kebun Percobaan Cikabayan IPB Dramaga dan Kebun Pendidikan (Teaching farm) Kelapa Sawit IPB Jonggol. Penelitian ini menggunakan indeks vegetasi RVI, NDVI, GNDVI, EVI, SAVI, MSAVI, OSAVI, NDWI, MNDWI, ARVI, VARI, dan SARVI yang diekstraksi dari Citra Sentinel-2 dengan resolusi spasial 10 m. Metode klasifikasi Decision tree digunakan untuk membagi sembilan kelas tutupan lahan yakni kelapa sawit muda, kelapa sawit remaja, kelapa sawit dewasa, hutan, vegetasi lainnya, lahan pertanian, lahan terbuka, lahan terbangun dan badan air. Hasil penelitian menunjukkan pada wilayah penelitian pertama, kelapa sawit muda memiliki nilai rata-rata lebih tinggi pada EVI dan SARVI, kelapa sawit remaja memiliki nilai rata-rata yang tinggi terhadap GNDVI, MSAVI, dan SAVI, dan kelapa sawit dewasa dapat teridentifikasi dengan ARVI, RVI, dan NDVI. Sedangkan di wilayah penelitian kedua, kelapa sawit memiliki nilai rata-rata yang lebih tinggi pada GNDVI. Pada wilayah penelitian pertama, pola spasial tutupan lahan kelapa sawit cenderung acak dan tidak teratur dibandingkan pada wilayah penelitian kedua yang memiliki pola berkelompok. Gabungan 12 indeks vegetasi cukup baik (OA: > 69%, kappa: >0,6) dalam membedakan pola spasial yang mencirikan perkebunan kelapa sawit rakyat pada wilayah pertama dan kelapa sawit industri pada wilayah penelitian kedua.

---

One of the plantation crops with high economic value is oil palm. Mapping oil palm is difficult sometimes due to the different patterns found in every plantation. This study aims to analyze the spatial patterns and spectral characteristics of oil palm land cover based on the vegetation index in Cikabayan Experimental Garden, Dramaga Campus of IPB and IPB Jonggol Oil Palm Teaching farm. This research uses vegetation index RVI, NDVI, GNDVI, EVI, SAVI, MSAVI, OSAVI, NDWI, MNDWI, ARVI, VARI, and SARVI extracted from Sentinel-2 imagery with 10 m spatial resolution. The Decision Tree classification method is used to separate nine land cover classes, namely young oil palm, adult oil palm, mature oil palm, forest, other vegetation, cropland, bareland, built-up area, and water bodies. The results showed that in the first study area, young oil palm had a higher mean spectral value on EVI and SARVI, teen oil palm had a high mean spectral value on GNDVI, MSAVI, and SAVI, and mature oil palm could be identified by ARVI, RVI, and NDVI. While in the second research area, oil palm has a higher spectral value on GNDVI. In the first research area, the spatial pattern of oil palm land cover tends to be random and irregular compared to the second research area which has a clustered pattern. The combination of 12 vegetation indices is quite good (OA: > 69%, kappa: >0,6) in distinguishing the spatial patterns that characterize smallholder oil palm plantations in the first area and industrial oil palm in the second research area."

"Padi merupakan komoditas tanaman pangan yang menghasilkan beras. Pemanfaatan teknologi penginderaan jauh dalam estimasi produksi padi dapat memberikan informasi yang cepat dan hemat biaya. Penelitian ini menggunakan citra Planet Fusion dengan resolusi spasial 3 meter dan bebas awan untuk menganalisis fenologi dan produktivitas padi berbasis indeks vegetasi. Tiga indeks vegetasi, yaitu NDVI, GNDVI, dan EVI, dievaluasi dengan mengambil nilai indeks dari citra Planet Fusion. Estimasi produktivitas padi akan ditentukan menggunakan indeks-indeks tersebut, yang kemudian akan dianalisis hubungan spasial kondisi fisik di Desa Wargasetra. Hasil menunjukkan bahwa ketiga indeks vegetasi memiliki nilai RMSE yang kecil (berkisar antara 0,21–0,25), menunjukkan tingginya akurasi data citra multispektral Planet Fusion. Secara spasial, pola tanam padi berubah dinamis berdasarkan ketinggian, di mana padi di lahan sawah yang lebih tinggi ditanam atau dipanen lebih awal mengikuti arah aliran air. Indeks vegetasi GNDVI sesuai untuk pemetaan distribusi umur tanaman padi dengan rerata r2 = 0,892. Produktivitas padi di Desa Wargasetra dapat diestimasi dengan indeks vegetasi NDVI, yang dimana sesuai untuk digunakan estimasi produktivitas panen padi, dengan nilai r2 = 0,678 dan RMSE = 0,057. Analisis regresi berganda menunjukkan korelasi produktivitas padi sebesar 0,776 dengan jenis tanah dan jarak dari sungai. Jenis tanah Aluvial Eutrik dan Kambisol Eutrik memiliki produktivitas padi tertinggi. Lahan sawah di ketinggian 50–100 mdpl memiliki rata-rata produktivitas padi yang lebih tinggi, sementara produktivitas cenderung menurun saat menjauh dari aliran sungai.

---

Rice crop is a significant food-crop commodity worldwide. Remote sensing technology is applied to obtain rapid and cost-effective information on rice crop production. This study analyzed the phenology and productivity of rice crop in Desa Wargasetra using Planet Fusion imagery, with a spatial resolution of 3-meter and cloud-free. The analysis was based on three vegetation indices, such as NDVI, GNDVI, and EVI, obtained from Planet Fusion imagery. The evaluation of these indices allowed for estimating rice productivity and its spatial relationship with physical conditions in Desa Wargasetra. The results demonstrated that Planet Fusion's multispectral imagery data is accurate, with a small RMSE value (ranging from 0.21 to 0.25) for the three vegetation indices. The rice crops phenology pattern changed dynamically based on altitude, with rice in higher area planted or harvested earlier following the direction of water flow. The GNDVI vegetation index is suitable for mapping the age distribution of rice plants, with an average r2 of 0.892. The NDVI vegetation index is suitable for estimating rice harvest productivity in Desa Wargasetra, with an r2 of 0.678 and an RMSE of 0.057. Multiple regression dummy variable analysis revealed a correlation between rice productivity, soil type, and distance from the river. Eutric Alluvial and Eutric Cambisol soil types had the highest rice productivity. Paddy fields at 50–100 meters above sea level had higher average rice productivity, while productivity will be decreased if they are far from the river."

"Tanaman adalah makhluk hidup yang dapat menyerap karbon pada suatu daerah melalui proses fotosintesis, sehingga keberadaannya diperlukan untuk menyerap emisi karbon. Mengestimasi nilai biomassa merupakan indikator penting karena memberikan prasyarat dasar mengenai estimasi kepadatan dan penyimpanan karbon dalam wilayah tersebut. Ketidak seimbangan antara emisi karbon dengan stok karbon akan terjadi apabila kegiatan manusia yang menghasilkan emisi karbon lebih tinggi dibandingkan dengan stok karbon pada daerah tersebut. Faktor yang memengaruhi tingkat emisi karbon pada daerah tersebut adalah tingkat kepadatan populasi, persentase wilayah urban, dan kepadatan jalan. Nilai karbon didapatkan dari model dengan perhitungan model menggunakan regresi linear. Sementara untuk mengetahui nilai biomassa diperlukan data diameter setinggi dada pada jenis jenis pohon perkotaan. Citra satelit untuk kemudian diolah menjadi data NDVI serta citra yang digunakan adalah Sentinel 2-A. Nilai Estimasi stok karbon dapat dilakukan dengan menggunakan perhitungan persamaan allometrik yang dapat menentukan nilai biomassa permukaan, setelah mendapatkan nilai biomassa permukaan dilakukan persamaan regresi terhadap nilai NDVI. Perhitungan antara nilai emisi karbon dengan nilai stok karbon kemudian dihitung selisihnya untuk mendapatkan wilayah yang kelebihan penyimpanan karbon atau kekurangan penyimpanan karbon. Hasil dari penelitian ini adalah komposisi antara karbon yang mampu disimpan oleh tanaman pada wilayah Kecamatan Kuta, Kuta Utara dan Kuta Selatan dengan emisi karbon yang terdapat di Kecamatan Kuta, Kuta Utara dan Kuta Selatan.

---

The Plant is an living creatures that can absorbs carbons on open air with their capability to photosynthesis, therefore its existence are surely needed to absorbs carbon emissions. Estimating biomass was one of the important indicator because it is an basic requirements about estimating the density of carbons storage on that region. The imbalance between carbon emissions and carbon stocks will happen if the human activity that produce carbon emissions were higher than carbon stocks on that region. Driving factors that interfere the size of carbon emissions on some regions are populations density, road density, and urban percentages. Carbons value were collected by model with calculations using linear regressions. In the other hand to determine biomass value required diameter breast height on tree species on the city. Satellite imagery is also required to produce NDVI data, satellite imagery that were used on this study was Sentinel 2-A. Estimations value of carbon stocks can be obtained by using allometric equation which can determine aboveground biomass, after obtaining the aboveground biomass the next step is making linear regressions against NDVI value. Calculations between carbon emissions value and carbon stocks value were calculated the difference for obtaining which region that had more carbon stocks and which region that hasn’t. the result of this study were composisions between carbons that can be absorbs by the plant in Kuta,North Kuta, and South Kuta District with the carbon emissions that happened on Kuta, North Kuta and South Kuta District."

"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."

"ABSTRAKPenelitian mengenai validasi lapangan persebaran spasial lamun menggunakan teknologi penginderaan jauh di perairan pantai barat Pulau Rote, Kabupaten Rote Ndao, Nusa Tenggara Timur perlu dilakukan untuk memberikan informasi dan data ilmiah mengenai padang lamun di Perairan Pantai Barat Pulau Rote. Penelitian tersebut bertujuan untuk mengetahui komposisi jenis lamun, persentase tutupan padang lamun, dan persebaran spasial lamun. Penelitian ini telah dilakukan pada 31 Oktober--5 November 2016. Metode penelitian yang digunakan antara lain purposive sampling, metode transek garis kuadrat, dan pengolahan citra landsat 8 OLI. Hasil penelitian menunjukkan bahwa komposisi jenis lamun terdiri atas tujuh jenis dari enam marga. Persentase tutupan lamun tertinggi 76,22 di stasiun kedua dan terendah 66,67 di stasiun ketiga. Hasil klasifikasi citra terhadap validasi lapangan memiliki nilai uji akurasi 73 .

---

ABSTRACTResearch on field validation of seagrass spatial distribution using remote sensing technology in west coast of Rote Island, Rote Ndao Regency, East Nusa Tenggara, to provide information and scientific data regarding the seagrass pastures in the waters of the West coast of Rote Island. Such research aims to find out the composition of the type of seagrass, coverage percentage seagrass, and seagrass spatial distribution. This research has been conducted on October 31st November 5th 2016. Research methods used purposive sampling, the method is quadrat line transect, and processing landsat 8 OLI. The results showed that the composition of the type of seagrass consisting of seven species in six genus. The highest coverage percentage of seagrass 76,22 in the second stations and the lowest coverage percentage of seagrass 66,67 in the third stations. Image classification results toward validation field has a value of test accuracy 73."