Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"Yogyakarta merupakan kota dengan pertumbuhan penduduk yang meningkat tiaptahunnya. Hal ini membuat kebutuhan akan lahan permukiman dan air tanah meningkat.Alih guna lahan menjadi permukiman atau gedung membuat beban tanah meningkatserta menurunkan area resapan air. Penggunaan air tanah yang meningkat membuatKota Yogyakarta mengalami penurunan muka air tanah hingga 50 cm per tahun.Bertambahnya beban tanah dan menurunnya muka air tanah merupakan implikasiterjadinya penurunan permukaan tanah. Teknik Interferometric Synthetic ApertureRadar (InSAR) dan Small Baseline Subset (SBAS) digunakan pada citra satelit radarSentinel-1 untuk menunjukkan lokasi dan pola penurunan permukaan tanah yangterjadi. Perubahan muka air tanah, perubahan penggunaan tanah, serta kepadatanbangunan juga digunakan untuk mengetahui pola dan faktor penyebab penurunanpermukaan tanah yang terjadi. Hasil dari penelitian ini adalah data LiCSAR yang telahdiolah dapat menggambarkan adanya dinamika perubahan ketinggian permukaan tanah(PKPT). Penurunan permukaan tanah (PPT) terjadi pada beberapa sumur yangmengalami penurunan tren muka air tanah dan wilayah penurunan permukaan tanah(PPT) berada pada penggunaan tanah jenis permukiman, hutan lahan kering, dan sawah.Hasil analisis statistik dan deskriptif menunjukkan tidak ada hubungan antara perubahanketinggian permukaan tanah (PKPT) dengan perubahan muka air tanah, kepadatanbangunan, dan perubahan penggunaan tanah

---

Yogyakarta is a city with population growth that increases every year. This causes the

need for residential land and groundwater to increase. The conversion of land to a

settlement or building causes the land load to increase and reduces the water catchment

area. The increasing use of groundwater has made the city of Yogyakarta experience a

drop in groundwater level of up to 50 cm per year. Increasing soil load and decreasing

groundwater level are implications of land subsidence. Interferometric Synthetic

Aperture Radar (InSAR) and Small Baseline Subset (SBAS) techniques are used on

Sentinel-1 radar satellite images to show the location and pattern of subsidence that has

occurred. Changes in groundwater level, changes in land use, and density of buildings

are also used to determine patterns and factors that cause subsidence to occur. The

result of this research is that the processed LiCSAR data can describe the dynamics of

changes in ground level. Land subsidence occurred in several wells that experienced a

decrease in the trend of groundwater levels and the area of land subsidence was in land

use types for settlements, dry land forests, and rice fields. The results of statistical and

descriptive analysis show that there is no relationship between changes in ground level

with changes in groundwater level, building density, and changes in land use"

"Aktivitas produksi dan ekspor komoditas kelapa sawit terus mengalami ekspansi dan peningkatan. Indonesia memiliki perkebunan kelapa sawit dengan luas mencapai 12.761.586 Hektar. menjadikan Indonesia sebagai salah satu penghasil CPO (Crude Palm Oil) terbesar di dunia. Keberhasilan produksi dari kelapa sawit tidak terlepas dari kegiatan perencanaan dan pengawasan sehingga diperlukan pemantauan secara cepat dan efektif. Penelitian ini dilakukan dengan tujuan untuk mengetahui karakteristik dan pola persebaran umur kelapa sawit berdasarkan nilai backscatter pada citra radar Sentinel-1. Data berupa citra radar Sentinel-1 digunakakan untuk dapat melakukan estimasi terhadap umur kelapa sawit berdasarkan nilai backscatter menggunakan pendekatan machine learning. Hasil pemodelan menunjukan bahwa tren nilai backscatter terhadap umur kelapa sawit memiliki karakter berbanding lurus dengan umur kelapa sawit. Estimasi umur kelapa sawit berdasarkan nilai backscatter pada Sentinel-1 GRD menghasilkan 3 kelas umur kelapa sawit dengan tingkat overall accuracy sebesar 93.3% pada anlisis yang dilakukan secara Single Time, sedangkan pada analisis time series diperoleh nilai overall accuracy sebesar 94.5% Hasil menunjukkan bahwa kelas umur dewasa memiliki nilai z score sebesar - 4.190963 dengan pola persebaran clustered (mengelompok), kelas umur taruna dengan z score -8.388942 berpola clustered (mengelompok), dan kelas umur remaja dengan perolehan nilai z score 7.801667 dengan pola persebaran dispersed (seragam).

---

Production and export activities of palm oil commodities continue to expand and increase. Indonesia has oil palm plantations with an area of 12,761,586 hectares. making Indonesia one of the largest CPO (Crude Palm Oil) producers in the world. The success of production from oil palm cannot be separated from planning and monitoring activities so that it is necessary to monitor quickly and effectively. This study was conducted with the aim of knowing the characteristics and patterns of age distribution of oil palms based on the backscatter value on Sentinel-1 radar images. Data in the form of Sentinel-1 radar images are used to estimate the age of oil palms based on the backscatter value using a machine learning approach. The modeling results show that the trend of the backscatter value of the age of the oil palm has a character that is directly proportional to the age of the oil palm. Oil palm age estimation based on the backscatter value on Sentinel-1 GRD resulted in 3 oil palm age classes with an overall accuracy rate of 93.3% in the Single Time analysis, while the time series analysis obtained an overall accuracy value of 94.5%. adults have a z score of -4.190963 with a clustered distribution pattern, the cadet age class with a z score of -8.388942 with a clustered pattern, and the adolescent age class with a z score of 7.801667 with a dispersed distribution pattern (uniform)."

"

Kabupaten Subang merupakan penghasil padi ketiga terbanyak di Jawa Barat. Sekitar 41 % dari total luas wilayah kabupaten merupakan area persawahan. Penelitian ini dilakukan untuk mengetahui bagaimana pola spasial jumlah produksi lahan sawah dengan menggunakan citra satelit Sentinel-1A berdasarkan topografi dan hubungan antara produksi lahan sawah dengan karakteristik wilayah di Kabupaten Subang. Data citra Sentinel-1A yang digunakan dalam penelitian ini adalah citra Bulan Januari-Juni tahun 2018 dan 2019. Penelitian ini menggunakan Google Earth Engine untuk mengolah data citra Sentinel-1. Klasifikasi masa panen dan bukan panen menggunakan metode maximum likelihood. Karakteristik wilayah yang dianalisis dalam penelitian ini yaitu wilayah ketinggian, jenis tanah, dan ketersediaan air. Hasil penelitian ini menunjukkan bahwa perhitungan produksi padi dengan Citra Sentinel-1 memiliki nilai R² sebesar 0,58. Namun, nilainya akan semakin kecil pada wilayah yang tinggi dan bergelombang. Nilai R² pada wilayah ketinggian <100 mdpl sebesar 0,57, sementara nilai R² pada ketinggian 500-1.000 mdpl sebesar 0,09. Hal ini menunjukkan bahwa Sentinel-1 lebih baik digunakan untuk menghitung produksi pada wilayah datar dan rendah. Produksi padi di pada wilayah ketinggian rendah dan datar lebih banyak daripada produksi di wilayah tinggi dan berbukit. Produksi padi terbanyak ada pada Bulan April-Mei. Jenis tanah yang memiliki produksi paling banyak adalah jenis Typic Epiaquepts. Ketersediaan air juga mempengaruhi besarnya produksi padi.

---

Subang Regency is the third largest rice producer in West Java. Around 41 % of the total area of the regency is paddy fields. The study was conducted to find out how the spatial pattern of total rice field production using Sentinel-1A satellite imagery based on topography and the relationship between rice field production with regional characteristics in Subang Regency. Sentinel-1A image data used in this study are January-June 2018 and 2019 images. This study uses the Google Earth Engine (GEE) to process Sentinel-1 image data. Classification of harvest and non-harvest periods using the maximum likelihood method. The characteristics of the area analyzed in this study are the height, soil type, and water availability. The results of this study indicate that the calculation of rice production with Sentinel-1 Citra has an R² value of 0.58. The value of R² in altitude area <100 meters below sea level is 0,57, while the value of R² in the altitude area of 500-1.000 meters below sea level is 0,09. However, the value will be smaller in high and bumpy areas. The study concluded that Sentinel-1 is better used to calculate production in the flat and low regions. Rice production in low and flat altitude areas is more than production in high and hilly areas. The most rice production is in April-May. The type of soil that has the most production is Typic Epiaquepts. Water availability also affects the amount of rice production.

"

"Aktivitas produksi dan ekspor komoditas kelapa sawit terus mengalami ekspansi dan peningkatan. Indonesia memiliki perkebunan kelapa sawit dengan luas mencapai 12.761.586 Hektar. menjadikan Indonesia sebagai salah satu penghasil CPO (Crude Palm Oil) terbesar di dunia. Keberhasilan produksi dari kelapa sawit tidak terlepas dari kegiatan perencanaan dan pengawasan sehingga diperlukan pemantauan secara cepat dan efektif. Penelitian ini dilakukan dengan tujuan untuk mengetahui karakteristik dan pola persebaran umur kelapa sawit berdasarkan nilai backscatter pada citra radar Sentinel-1. Data berupa citra radar Sentinel-1 digunakakan untuk dapat melakukan estimasi terhadap umur kelapa sawit berdasarkan nilai backscatter menggunakan pendekatan machine learning. Hasil pemodelan menunjukan bahwa tren nilai backscatter terhadap umur kelapa sawit memiliki karakter berbanding lurus dengan umur kelapa sawit. Estimasi umur kelapa sawit berdasarkan nilai backscatter pada Sentinel-1 GRD menghasilkan 3 kelas umur kelapa sawit dengan tingkat overall accuracy sebesar 93.3% pada anlisis yang dilakukan secara Single Time, sedangkan pada analisis time series diperoleh nilai overall accuracy sebesar 94.5% Hasil menunjukkan bahwa kelas umur dewasa memiliki nilai z score sebesar -4.190963 dengan pola persebaran clustered (mengelompok), kelas umur taruna dengan z score -8.388942 berpola clustered (mengelompok), dan kelas umur remaja dengan perolehan nilai z score 7.801667 dengan pola persebaran dispersed (seragam).

---

Production and export activities of palm oil commodities continue to expand and increase. Indonesia has oil palm plantations with an area of ​​12,761,586 hectares. making Indonesia one of the largest CPO (Crude Palm Oil) producers in the world. The success of production from oil palm cannot be separated from planning and monitoring activities so that it is necessary to monitor quickly and effectively. This research was conducted with the aim of knowing the characteristics and patterns of age distribution of oil palms based on the backscatter value on Sentinel-1 radar images. Data in the form of Sentinel-1 radar images are used to estimate the age of oil palms based on the backscatter value using a machine learning approach. The modeling results show that the trend of the backscatter value of the age of the oil palm has a character that is directly proportional to the age of the oil palm. Oil palm age estimation based on the backscatter value on Sentinel-1 GRD resulted in 3 oil palm age classes with an overall accuracy rate of 93.3% in the Single Time analysis, while the time series analysis obtained an overall accuracy value of 94.5%. adults have a z score of -4.190963 with a clustered distribution pattern, the cadet age class with a z score of -8.388942 with a clustered pattern, and the adolescent age class with a z score of 7.801667 with a dispersed distribution pattern."

"Penurunan muka tanah (PMT) merupakan sebuah fenomena dengan julukan silent disaster, karena dapat terjadi secara perlahan, namun lambat laun dapat mengakibatkan kerusakan bangunan, infrastruktur seperti jalan, dan juga lingkungan. Faktor yang menyebabkan terjadinya PMT dapat secara alami maupun akibat dari aktifitas manusia atau antropogenik. Metode perhitungan penurunan muka tanah dapat menggunakan metode penginderaan jauh yaitu dengan menggunakan data SAR. Dengan menggunakan minimal dua data SAR sehingga dapat terbentuk interferogram SAR (In-SAR) maka dapat diperoleh data beda tinggi. Untuk mendapatkan nilai yang lebih akurat maka dapat digunakan data time series SAR dengan metode SBAS-InSAR untuk mendapatkan ketelitian mencapai milimeter. Cekungan Air Tanah (CAT) Bogor merupakan lokasi yang ditetapkan sebagai kawasan konservasi air tanah berdasarkan Peraturan Menteri Energi dan Sumber Daya Mineral Republik Indonesia Nomor 13 Tahun 2009 tentang Penyusunan Rancangan Penetapan Cekungan Air Tanah. Estimasi PMT di CAT Bogor menggunakan metode SBAS InSAR menghasilkan 192.352 titik penurunan muka tanah dengan nilai penurunan -36,05 mm/tahun sampai -111,246 mm/tahun. Titik-titik penurunan muka tanah mayoritas terdeteksi di bangunan. Penurunan tertinggi berada di PLTP Gunung Salak yang disebabkan oleh aktivitas manusia. Sedangkan penurunan yang terendah terjadi di area persawahan karena faktor alam seperti tanah yang tidak stabil dan juga aktivitas manusia karena perubahan penggunaan lahan.

---

Land subsidence (LS) is a phenomenon often referred to as a silent disaster, as it can occur gradually but eventually cause damage to buildings, infrastructure such as roads, and the environment. Factors causing LS can be natural or due to human activities, also known as anthropogenic factors. The calculation method for land subsidence can use remote sensing techniques, particularly using SAR data. By using at least two SAR data sets to form a SAR interferogram (In-SAR), elevation difference data can be obtained. For more accurate values, SAR time series data can be used with the SBAS-InSAR method to achieve millimeter-level precision. The Bogor Groundwater Basin (CAT) is designated as a groundwater conservation area based on the Minister of Energy and Mineral Resources of the Republic of Indonesia Regulation No. 13 of 2009 regarding the Drafting of Groundwater Basin Designation. Estimation of LS in CAT Bogor using the SBAS InSAR method resulted in 192,352 subsidence points with a subsidence rate of -36.05 mm/year to -111.246 mm/year. The majority of subsidence points were detected in buildings. The highest subsidence occurred at the Gunung Salak Geothermal Power Plant, caused by human activities. Meanwhile, the lowest subsidence occurred in paddy fields due to natural factors such as unstable soil and human activities due to land-use changes."

"Aktivitas produksi dan ekspor komoditas kelapa sawit terus mengalami ekspansi dan peningkatan. Indonesia memiliki perkebunan kelapa sawit dengan luas mencapai 12.761.586 Hektar. menjadikan Indonesia sebagai salah satu penghasil CPO (Crude Palm Oil) terbesar di dunia. Keberhasilan produksi dari kelapa sawit tidak terlepas dari kegiatan perencanaan dan pengawasan sehingga diperlukan pemantauan secara cepat dan efektif. Penelitian ini dilakukan dengan tujuan untuk mengetahui karakteristik dan pola persebaran umur kelapa sawit berdasarkan nilai backscatter pada citra radar Sentinel-1. Data berupa citra radar Sentinel-1 digunakakan untuk dapat melakukan estimasi terhadap umur kelapa sawit berdasarkan nilai backscatter menggunakan pendekatan machine learning. Hasil pemodelan menunjukan bahwa tren nilai backscatter terhadap umur kelapa sawit memiliki karakter berbanding lurus dengan umur kelapa sawit. Estimasi umur kelapa sawit berdasarkan nilai backscatter pada Sentinel-1 GRD menghasilkan 3 kelas umur kelapa sawit dengan tingkat overall accuracy sebesar 93.3% pada anlisis yang dilakukan secara Single Time, sedangkan pada analisis time series diperoleh nilai overall accuracy sebesar 94.5% Hasil menunjukkan bahwa kelas umur dewasa memiliki nilai z score sebesar -4.190963 dengan pola persebaran clustered (mengelompok), kelas umur taruna dengan z score -8.388942 berpola clustered (mengelompok), dan kelas umur remaja dengan perolehan nilai z score 7.801667 dengan pola persebaran dispersed (seragam).

---

Production and export activities of palm oil commodities continue to expand and increase. Indonesia has oil palm plantations with an area of ​​12,761,586 hectares. making Indonesia one of the largest CPO (Crude Palm Oil) producers in the world. The success of production from oil palm cannot be separated from planning and monitoring activities so that it is necessary to monitor quickly and effectively. This research was conducted with the aim of knowing the characteristics and patterns of age distribution of oil palms based on the backscatter value on Sentinel-1 radar images. Data in the form of Sentinel-1 radar images are used to estimate the age of oil palms based on the backscatter value using a machine learning approach. The modeling results show that the trend of the backscatter value of the age of the oil palm has a character that is directly proportional to the age of the oil palm. Oil palm age estimation based on the backscatter value on Sentinel-1 GRD resulted in 3 oil palm age classes with an overall accuracy rate of 93.3% in the Single Time analysis, while the time series analysis obtained an overall accuracy value of 94.5%. adults have a z score of -4.190963 with a clustered distribution pattern, the cadet age class with a z score of -8.388942 with a clustered pattern, and the adolescent age class with a z score of 7.801667 with a dispersed distribution pattern."

"Dalam rangka melakukan pengendalian alih fungsi lahan pertanian diperlukan kuantifikasi luas dan sebaran lahan sawah, dimana salah satu metode yang efisien dalam pemetaan lahan baku sawah di wilayah tropis adalah dengan melakukan proses klasifikasi lahan baku sawah menggunakan data multitemporal dari citra Synthetic Aperture Radar (SAR). Tujuan utama dari penelitian ini adalah untuk melakukan kajian spasiotemporal perubahan lahan sawah di Kabupaten Indramayu berdasarkan lahan baku sawah tahunan yang diperoleh dari hasil pemanfaatan algoritma Deep Learning, yaitu Long Short-Term Memory (LSTM) untuk melakukan klasifikasi biner sawah dan non-sawah pada data SAR multitemporal dari satelit Sentinel-1. Akurasi hasil dari klasifikasi LSTM dievaluasi terhadap hasil observasi lapangan tahun 2021 sebagai tolok ukurnya, dengan metode klasifikasi tersupervisi lainnya, yaitu Support Vector Machine dan Random Forest, sebagai pembanding. Model LSTM yang didapatkan dalam penelitian ini selanjutnya dipakai untuk melakukan proses klasifikasi data lahan baku sawah tahunan. Hasil penelitian menunjukkan bahwa algoritma LSTM memberikan akurasi klasifikasi tertinggi dibandingkan algoritma SVM dan RF. Kajian spasiotemporal tutupan lahan sawah pada kurun waktu tahun 2017 hingga 2021 menunjukkan bahwa terjadi fluktuasi luasan dan sebaran lahan sawah tiap tahun, dengan tingkat perubahan terbesar pada Kecamatan Tukdana dan Kecamatan Kandanghaur. Berdasarkan kajian literatur sekunder, penambahan lahan sawah yang terkonsentrasi di Kecamatan Tukdana diperkirakan merupakan akibat dari penjarahan lahan perkebunan tebu oleh warga, sedangkan pengurangan lahan sawah yang terkonsentrasi di Kecamatan Kandanghaur diperkirakan merupakan akibat banjir rob yang berkepanjangan.

---

In order to manage the conversion of agricultural land, it is necessary to quantify the area and distribution of rice fields, where one of the efficient methods in mapping raw rice fields in the tropics is to carry out the process of classifying raw rice fields using multitemporal data from Synthetic Aperture Radar (SAR) images. The main objective of this research is to conduct a spatiotemporal study of changes in paddy fields in Indramayu Regency based on annual rice field map obtained from the use of the Deep Learning algorithm, namely Long Short-Term Memory (LSTM) to perform a binary classification of rice fields and non-rice fields on the data. Multitemporal SAR from the Sentinel-1 satellite. The accuracy of the results of the LSTM classification is evaluated against the results of field observations in 2021 as a benchmark, with other supervised classification methods, namely Support Vector Machine and Random Forest, for comparison. The LSTM model obtained in this study is then used to carry out the process of classifying the annual raw land data for rice fields. The results showed that the LSTM algorithm gave the highest classification accuracy compared to the SVM and RF algorithms. The spatiotemporal study of paddy field cover in the period 2017 to 2021 shows that there are fluctuations in the area and distribution of paddy fields every year, with the largest changes in Tukdana and Kandanghaur sub-districts. Based on a secondary literature review, the addition of rice fields concentrated in Tukdana District is estimated to be the result of looting of sugarcane plantations by residents, while the reduction of rice fields concentrated in Kandanghaur District is estimated to be the result of prolonged tidal flooding."

"Laut Natuna merupakan perairan di Indonesia yang sering kali beresiko terhadap ancaman keamanan maritim, sehingga mendapat perhatian khusus oleh instansi penegak hukum di laut. Saat ini, teknologi penginderaan jauh Syntetic Aperture Radar (SAR) banyak digunakan oleh instansi sebagai upaya mempermudah pelaksanaan pengawasan terhadap kapal yang melintas. Penelitian ini bertujuan untuk menganalisis zona prioritas pengawasan di Laut Natuna dan perairan di sekitarnya dengan menggunakan data sebaran kapal yang terdeteksi oleh SAR Sentinel-1, data kerentanan maritim, serta jarak patroli instansi. Sebaran kapal dan kerentanan maritim dilakukan analisis Kernel Density untuk mengetahui sebaran serta kerapatannya, sementara untuk jarak patroli dilakukan buffer area  untuk melihat keterjangkauannya. Ketiga variabel dianalisis menggunakan metode Spatial Multi-Criteria Analysis (SMCA) dengan pembobotan Equal Weight (EW) untuk mendapatkan hasil zona prioritas pengawasan maritim di Laut Natuna dan perairan di sekitarnya. Hasil penelitian ini mengungkapkan ketika suatu perairan memiliki aktivitas kapal yang padat, kejadian kerentanan maritim dengan frekuensi tinggi, serta jangkauan patroli yang sempit, maka perairan tersebut masuk ke dalam kategori prioritas pengawasan maritim sangat tinggi. Selain mengetahui kondisi keamanan maritim pada suatu perairan, hasil ini juga dapat memberikan gambaran tentang perencanaan fasilitas serta infrastruktur pengawasan yang memadai di perairan yang masuk ke dalam zona prioritas pengawasan maritim sangat tinggi.

---

Natuna sea is a sea in Indonesia that is constantly at risk of maritime security threats, therefore receives vigilance by law enforcement agencies. Currently, Synthetic Aperture Radar (SAR) is widely used by agencies as one of the attempts to facilitate monitoring of passing ships. This research aims to analyze priority monitoring zones in the Natuna Sea and surrounding waters using ship distribution data detected by SAR Sentinel-1, maritime vulnerability data, and agency patrol distances. Kernel Density analysis is carried out to determine the distribution and density of the distribution of ships and maritime vulnerability, meanwhile for patrol distances a buffer area is used to see its reachability. The three variables were analyzed using the Spatial Multi-Criteria Analysis (SMCA) method to obtain maritime monitoring priority zone. The research results reveal that when a sea area has dense ship activity, high frequency of maritime vulnerability incidents, and a narrow patrol range, the sea will fall into the very high maritime surveillance priority. By knowing the maritime surveillance priority zone in a particular seas, this information can also provide an overview of the planning of adequate monitoring facilities and infrastructure in waters with the very high maritime surveillance priority zone."

"Kabupaten Bangka Tengah, Provinsi Kepulauan Bangka Belitung terdapat banyak aktivitas pertambangan timah setiap tahun yang menghasilkan kolam- kolam air bekas pertambangan timah atau “kolong” yang tersebar dan terus bertambah banyak. Namun, penelitian mengenai pemanfaatan air kolong pertambangan timah belum tersedia, sehingga kajian pemanfaatan air kolong perlu dilakukan. Air kolong diidentifikasi tahun 2015 dan 2023 di Kabupaten Bangka Tengah berdasarkan Sentinel-1 SAR melalui GEE. Empat puluh sampel air kolong diuji kualitas air di lapangan. Penentuan prioritas pemanfaatan air kolong menggunakan AHP dan MCA berdasarkan luas air kolong, kualitas air kolong, jarak dari permukiman, jarak dari fasilitas umum, dan jarak dari pertanian. Hasil penelitian menunjukkan bahwa luas kolong terkecil terdeteksi dua hektare. Jumlah air kolong di Kabupaten Bangka Tengah tahun 2015 dan 2023 masing-masing sebanyak 114 dan 137 air kolong. Lebih dari 35 persen kolong memiliki luas lebih dari 5 hektare. Total luas kolong tahun 2015 tercatat 2005 hektare dan tahun 2023 meningkat menjadi 2215 hektare. Kedua, pH dari tiga sampel air kolong 11, 15, dan 40 memenuhi standar kualitas air bersih. Hampir seluruh sampel air kolong di Kabupaten Bangka Tengah rendah dan memiliki nilai pH sebesar 3 – 6,49. Dua sampel air kolong 14 dan 18 rendah dan memiliki nilai oksigen terlarut sebesar 3,3 dan 1,2 mg/L. Ketiga, para pakar mempertimbangkan kualitas air kolong lebih penting daripada variabel lainnya. Kawasan prioritas pemanfaatan air kolong di Kabupaten Bangka Tengah yang sangat sesuai sebesar 1209 hektare menjadi pertimbangan perencanaan pemanfaatan air kolong untuk memenuhi keperluan air bersih masyarakat.

---

Tin mining activities in Bangka Regency, Bangka Belitung Island Province produce ex-tin mining ponds or "Kolong". It is scattered and increases yearly. Kolong usage research is not provided, hence the research needs to be fulfilled. Kolong was identified in 2015 and 2023 in Bangka Tengah Regency based on Sentinel-1 SAR through Google Earth Engine (GEE). Forty water samples for water quality were measured in the field. Determining priorities for kolong usage uses AHP and MCA based on the kolong area, water quality in kolong, settlements distance, public facilities distance, and agriculture distance. The research results show the smallest pond detected was 2 hectares. The number of kolong in Bangka Tengah Regency in 2015 and 2023 are 114 and 137 kolong. More than 35 percent of ponds have areas of more than 5 hectares. The total area of the pond in 2015 was identified at 2005 hectares and 2215 hectares in 2023. Second, the pH of three water samples (11, 15, and 40) are clean water quality standards. Almost all water samples in Bangka Tengah Regency have pH in low (3 – 6.49). The DO of two water samples (14 and 18) is not high (3.3 and 1.2 mg/L). Third, the experts consider that water quality in Kolong is more important than other variables. The priority area for kolong usage in Bangka Tengah Regency is very suitable at 1209 hectares, which is the consideration for planning the kolong usage for the society."