Hasil Pencarian  ::  Simpan CSV :: Kembali

"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"