Hasil Pencarian  ::  Simpan CSV :: Kembali

"Satelit LDCM (Landsat Data Continuity Mission) dijadwalkan diluncurkan pada tahun 2011 dari VAFB, CA dengan pesawat peluncur Atlas-V-401. Setelah meluncur di orbitnya, satelit tersebut akan dinamakan sebagai Landsat-8. Satelit LDCM (Landsat-8) dirancang diorbitkan pada orbit mendekati lingkaran sikron-matahari, pada ketinggian: 705 km, inklinasi: 98.2º, periode: 99 menit, waktu liput ulang: 16 hari. Satelit LDCM (Landsat-8) dirancang membawa Sensor pencitra OLI (Operational Land Imager) yang mempunyai kanal-kanal spektral yang menyerupai sensor ETM+(Enhanced Thermal Mapper plus) dari Landsat-7. Sensor pencitra OLI ini mempunyai kanal-kanal baru yaitu: kanal-1: 443 nm untuk aerosol garis pantai dan kanal 9: 1375 nm untuk deteksi cirrus; akan tetapi tidak mempunyai kanal inframerah termal. Sensor lainnya yaitu Thermal Infrared Sensor (TIRS) ditetapkan sebagai pilihan (optional), yang dapat menghasilkan kontinuitas data untuk kanal-kanal inframerah termal yang tidak dicitrakan oleh OLI. Tulisan ini menguraikan karakteristik teknis satelit LDCM (Landsat-8), karakteristik teknis sensor pencitra OLI dan karakteristik data citra, subsistem pendukung missi, aplikasi data satelit LDCM (Landsat-8) serta analisis pemanfaatan satelit masa depan: LDCM( Landsat-8). Metode kajian adalah dengan melakukan studi literatur/informasi/data yang diperoleh dari badan/lembaga pemilik satelit serta dari media internet, dan sumber-sumber referensi literatur lainnya/hasil-hasil penelitian yang berkembang dewasa ini, serta melakukan analisis"

"Satelit ALOS (Advanced Land Observing Satellite) yang telah berhasil diluncurkan pada tanggal 24 Januari 2006, mempunyai 5 misi utama yaitu 1) Kartografi, 2) Pengamatan Regional, 3) Pemantauan Bencana Alam, 4) Penelitian Sumber Daya Alam, 5) Pengembangan Teknologi. Untuk dapat mencapai misi utama ALOS, satelit diperlengkapi dengan tiga buah sensor penginderaan jauh dan subsistem pendukung misi. Tiga buah sensor tersebut terdiri dari dua buah sensor optik yaitu sensor PRISM (Panchromatic Remote Sensing Instrument for Stereo Mapping) dan sensor AVNIR-2 (Advanced Visible and Near Infrared Radiometer type-2), sebuah sensor gelombang mikro atau radar yaitu PALSAR (Phased Array type L-band Syntetic Aperture Radar). Makalah ini menguraikan karakteristik teknis satelit ALOS dan ketiga buah sensor, subsistem pendukung misi, karakteristik data citra ALOS, produk data ALOS, aplikasi data ALOS, serta analisis pemanfaatan data ALOS untuk bermacam aplikasi. Metode pelaksanaan kajian adalah dengan mempelajari literatur/informasi/data yang diperoleh dari operator satelit, media internet, hasil-hasil penelitian yang berkembang dewasa ini dan melakukan analisis."

"The Indonesian spatiotemporal cloud cover distribution was quantified with the aid of GMS, Landsat and SPOT data. Iterative interactive factorial analyses grouped pixels with similar profiles into 18 classes for all land areas. For each class, statistics of Landsat and SPOT images, grouped by class, were used to verify, calibrate and improve class profiles. This led to quantified temporal profiles of probability of acquiring remotely sensed data with 10, 20, and 30 percent cloud cover, for any Indonesian land area."

"ABSTRAKBanjir merupakan fenomena yang hampir selalu terjadi setiap tahun di Jakarta. Banjir dipengaruhi oleh beberapa parameter, antara lain ketinggian permukaan air pada sungai, dimana sebagian besar kasus banjir berawal dari ketinggian kritis aliran sungai yang terlampaui, batas area banjir, dan bangunan-bangunan yang ada di daerah aliran sungai. Data historis banjir menunjukkan bahwa kejadian banjir di Jakarta terjadi terutama pada musim hujan (sekitar bulan Januari - Februari), namun luas daerah genangan banjir bervariasi setiap tahun. Penelitian ini bertujuan untuk memetakan daerah potensi banjir dengan melakukan segmentasi watershed terhadap data Digital Elevation Model (DEM).Hasil segmentasi yang didapatkan kemudian dioverlay pada citra Penginderaan jauh Landsat sebagai data sekunder dan dibandingkan dengan data banjir Pemda DKI Jakarta tahun 2007. Dari perbandingan tersebut, diketahui perbedaan posisi daerah potensi banjir dengan daerah genangan banjir 2007 dan terdapat perbedaan luas wilayah banjir antara prediksi seluas 417,385 hektar dengan data peta genangan yang luasnya hanya 265,39 hektar.

---

ABSTRACTJakarta is situated at an altitude just above sea level and has naturally always been subject to regular flooding by the waterways cutting through the city, such as the Cisadane, Angke, Ciliwung, Bekasi and Citarum Rivers. Flood is influenced by some parameters like ground elevation and water level which most flood cases started from water overflowing the riverbank, the flood area boundary, and buildings along the river. Flood history data in Jakarta shows that flood occurs mainly during rainy season around January ? February each year, but flood area varies each year. This research is aimed to map potential flood areas by segmenting the Digital Elevation Model (DEM) data using watershed segmentation method.The segmentation result is then mapped on Landsat 7 image as secondary data and compared to the flood data from Pemda DKI Jakarta in 2007. The analysis showed that there are differences between the location of the potential flooding area and the 2007 flood data map. The difference of flood area from the segmentation and 2007 flood data are 417,385 hectares and 265,39 hectares, respectively."

"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."

"[ABSTRAKPenelitian ini bertujuan untuk menganalisis implementasi Inpres nomor 6tahun 2012 yang dilakukan oleh Lapan. Tesis ini menggunakan pendekatan postpositivis dengan analisis deskriptif. Hasil dari penelitian ini menunjukkan bahwaLapan melihat Inpres nomor 6 tahun 2012 sebagai perluasan kewenangan dalampengelolaan dan pengolahan data penginderaan jauh. Dalam pelaksanaan Inpresnomor 6 tahun 2012, masih perlu dilakukan koordinasi antara Lapan dan BIGsebagai pelaksana. Dalam konteks sumberdaya, fasilitas cukup memadai dengandiadakannya upgrading stasiun bumi dan fasilitas penerima dan penyimpanan data.Dari segi SDM masih perlu ditingkatkan, karena masih kurangnya tenaga peneliti danoperasional. Pelaksanaan Inpres ini masih belum optimal karena tidak didukung olehanggaran yang memadai.

---

ABSTRACTThis research analyzed on how Lapan implemented Presidential Decree No.6of 2012. This study using post positivist approach with descriptive analysis. Result ofthis study indicate that Lapan see the Presidential Decree No.6 of 2012 as anextension of authority in the management and processing of remote sensing data.There is still need more coordination between Lapan and BIG as the executor ofPresidential Decree No.6 of 2012. In the context of resources, the facility is quiteadequate since the upgrading of ground station and receivers and data storagefacilities. In terms of human resources, there is still need improvement because thelack of researchers and operational person. The Presidential Decree No.6 of 2012 isstill not optimal because the policy is not supported by adequate budget, This research analyzed on how Lapan implemented Presidential Decree No.6of 2012. This study using post positivist approach with descriptive analysis. Result ofthis study indicate that Lapan see the Presidential Decree No.6 of 2012 as anextension of authority in the management and processing of remote sensing data.There is still need more coordination between Lapan and BIG as the executor ofPresidential Decree No.6 of 2012. In the context of resources, the facility is quiteadequate since the upgrading of ground station and receivers and data storagefacilities. In terms of human resources, there is still need improvement because thelack of researchers and operational person. The Presidential Decree No.6 of 2012 isstill not optimal because the policy is not supported by adequate budget]"

"Kebakaran hutan dan lahan merupakan bencana yang memiliki dampak negatif dalam berbagai sektor. Identifikasi area bekas terbakar diperlukan dengan cepat untuk mengendalikan kebakaran hutan dan lahan. Penginderaan jauh merupakan teknologi yang umum digunakan untuk identifikasi area bekas terbakar, namun tidak banyak penelitian terkait kombinasi data penginderaan jauh optis dan SAR untuk identifikasi area bekas terbakar. Di samping itu, data penginderaan jauh SAR memiliki keunggulan sebagai teknologi yang dapat digunakan dalam berbagai kondisi cuaca. Penelitian ini bertujuan untuk mengevaluasi model area bekas terbakar menggunakan integrasi convolutional neural network (CNN) sebagai feature extractor dan random forest (RF) sebagai pengklasifikasi dengan pendekatan feature learning pada data Sentinel-1 dan Sentinel-2. Penelitian ini menguji lima skema yaitu: (1) hanya menggunakan data penginderaan jauh optis; (2) hanya menggunakan data penginderaan jauh SAR; (3) kombinasi data penginderaan jauh optis dan SAR hanya pada polarisasi VH; (4) kombinasi data penginderaan jauh optis dan SAR hanya pada polarisasi VV; serta (5) kombinasi data penginderaan jauh optis dan SAR dual polarisasi VH dan VV. Pengujian juga dilakukan terhadap pengklasifikasi CNN, pengklasifikasi RF, dan pengklasifikasi neural network (NN). Berdasarkan hasil overall accuracy pada lokasi penelitian, metode integrasi CNN dan RF memberikan hasil terbaik pada lima skema yang diujikan dengan overall accuracy tertinggi mencapai 92%. Hal ini menunjukan potensi metode integrasi CNN dan RF untuk digunakan dalam mengidentifikasi area bekas terbakar. Hasil estimasi luas area bekas terbakar pada lokasi penelitian dengan metode integrasi CNN dan RF pada model terbaik diperoleh seluas 57.899,91 hektar......Forest and land fires are disasters that have large impacts in various sectors. Burned area identification is needed to control forest and land fires. Remote sensing is used as common technology for rapid burned area identification. However, there are not many studies related to the combination of optical and SAR remote sensing data for burned area. In addition, SAR remote sensing data has the advantage of being a technology that can be used in various weather conditions. This study aims to evaluate burned area model using the integration of Convolutional Neural Network (CNN) as a feature extractor and Random Forest (RF) as classifiers on Sentinel-1 and Sentinel-2 data. This study tests five schemes: (1) using optical remote sensing data; (2) using SAR remote sensing data; (3) combination of optical and SAR data with VH polarization only; (4) combination of optical and SAR data with VV polarization only; and (5) combination of optical and SAR data with dual VH + VV polarization. The studies were also carried out on CNN classifier, RF classifier, and neural network (NN) classifier. Based on the results of the overall accuracy at the research site, the integration of CNN and RF method gave the best results in the five schemes tested with the highest overall accuracy reaching 92%. This shows the potential of the CNN and RF integration method to be used in identifying burned areas. The estimation result of the burned area at the research site using the best model of CNN and RF integration method is ​​57,899.91 hectares"

"Pemanfaatan teknologi penginderaan jauh semakin berkembang, salah satunya adalah untuk analisis perubahan penggunaan lahan. Informasi penggunaan lahan sangat dibutuhkan untuk berbagai analisa yang berhubungan dengan permukaan bumi. Berbagai macam data digunakan dalam analisis dengan memanfaatkan data penginderaan jauh. Tujuan dari penelitian ini adalah melakukan analisis perubahan penggunaan lahan dengan pendekatan machine learning berbasis data penginderaan jauh. Lokasi penelitian adalah desa wisata, Desa Tanjung Karang, Mataram, Nusa Tenggara Barat. Analisa perubahan penggunaan lahan dilakukan secara multi temporal yaitu tahun 2012, 2016, dan 2020. Data penginderaan jauh yang yang digunakan adalah lidar, orthophoto, dan citra satelit (Google Earth). Data-data tersebut memiliki nilai resolusi yang cukup detil antara 0.15-0.8 cm. Dengan resolusi yang dimiliki mampu untuk menganalisa suatu wilayah desa yang merupakan suatu wilayah dengan kebutuhan data untuk analisa peta skala besar (1:5000). Metode yang digunakan untuk proses klasifikasi adalah dengan menggunakan algoritma machine learning yaitu Support Vector Machine (SVM). Skema klasifikasi yang diterapkan dalam pemanfaatan data adalah menerapkan klasifikasi dengan single data/band dan kombinasi data/band. Hasil dari penelitian ini menunjukkan bahwa klasifikasi dengan kombinasi data dari lidar dan orthopoho memiliki overall accuracy yang paling baik yaitu 88.56%. Sedangkan untuk citra tahun 2012 memiliki akurasi 85.6%, dan untuk citra tahun 2020 akurasinya sebesar 86.8%. Analisis perubahan penggunaan lahan pada Desa Tanjung Karang menunjukkan terjadi perubahan fisik yang paling dominan pada wilayah terbangun yaitu terjadi perluasan wilayah permukiman.......The use of remote sensing technology is growing, one of which is for the analysis of land use changes. The land use information is needed for various analyzes related to the earth's surface. Various kinds of data are used in the analysis by utilizing remote sensing data. The study aims to analyze land use change using a machine learning approach based on remote sensing data. The research location is a tourist village, Tanjung Karang Village, Mataram, Nusa Tenggara Barat. The land use change analysis was carried out in a multi-temporal manner, namely in 2012, 2016, and 2020. The remote sensing data used were lidar, orthophoto, and satellite imagery (Google Earth). These data have a fairly detailed resolution value between 0.15-0.8 cm. With its resolution, it can analyze a village area with data needed for large-scale map analysis (1:5000). The method used for the classification process is to use a machine learning algorithm, namely Support Vector Machine (SVM). The classification scheme applied in data utilization is to apply classification with a single data and data combination. The results study indicate that the classification with a combination of data from lidar and orthophoto has the best overall accuracy, which is 88.56%. Meanwhile, the 2012 image has an accuracy of 85.6%, and the 2020 image has an accuracy of 86.8%. Analysis of land use change in Tanjung Karang Village shows that the most dominant physical change in the built area is the expansion of the settlement area"