Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAK

Synthetic aperture radar (SAR) adalah sebuah teknologi remote sensing yang dapat memproduksi citra dengan resolusi yang tinggi terhadap sebuah objek tanpa bergantung dengan waktu akuisisi, jarak dan cuaca. Hal itu menyebabkan tingginya laju akuisisi, besarnya volume raw data, besarnya daya yang harus digunakan dan dibutuhkannya filter yang cocok (Match Filter). Metode konvensional SAR memiliki kekurangan yang salah satunya yaitu munculnya permasalahan side lobes sehingga mengurangi kualitas dari citra. Compressed Sensing (CS) adalah sebuah paradigma baru untuk merekonstruksi sinyal/data dari jumlah sampling yang sedikit sehingga memperoleh hasil yang lebih efisien. CS dapat menghapus fungsi match filter, mengurangi laju akuisisi dan mengurangi sidelobe pada data SAR. Dalam penelitian ini, akan membahas simulasi pengolahan citra SAR buatan pada lima jumlah target sparse dengan metode CS dan melakukan optimasi matriks pengukuran dengan menggunakan metode Gradient-Based Minimization yang dapat meningkatkan kualitas rekonstruksi dengan menurunkan nilai koherensi matriks pengukuran. Alat ukur yang digunakan yaitu dengan parameter kualitatif dan kuantitatif RMSE dan PSNR. Hasil menunjukkan dengan menggunakan optimasi terhadap matriks pengukuran pada kondisi noise-free terdapat perbaikan hasil rekonstruksi setelah optimasi terjadi pada jumlah sampling dibawah 39. Sedangkan pada kondisi noise, terjadi perbaikan nilai yang signifikan pada derau yang tinggi pada nilai SNR di bawah 30 dB

---

ABSTRACT

Synthetic aperture radar (SAR) is a remote sensing technology which can generate images with high resolution on an object without having to depend on the time of acquisition, the distance, and the weather. It causes a high rate of acquisition, the large volume of raw data, high power consumption that should be used, and it also requires Match Filter. The conventional method of SAR has some lacks, one of which is the happening of side lobes problem which causes it to reduce the quality of the image. Compressed Sensing (CS) is a new paradigm to reconstruct the signal/data from few numbers of sampling in order to obtain more efficient results. CS can eliminate the match filter, reduce the acquisition rate, and minimize the effects of side lobes on SAR data. This research will discuss the image processing simulation of artificial SAR on the target amount (K=5) by using CS method and do the optimization of measurement matrix by using Gradient-Based Minimization which can improve the quality of reconstruction by decreasing the coherence value of measurement matrix. The used measuring tools are the qualitative and quantitative parameters of RMSE and PSNR. The result shows that, in using optimization for measurement matrix in noise free condition, there is improvement in the reconstruction result after the optimization occurs in the number of sampling M≤38. Meanwhile, in noise condition, there is significant movement in the value of high noise (SNR<30 dB).

"

"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"

"Compressive sensing (CS) adalah teknik yang menghasilkan pengurangan dimensi pada akuisisi sinyal dengan cara mengalikan suatu matriks proyeksi dengan sinyal. Sparse Synthesis Model Based (SSMB) memodelkan sebuah sinyal sebagai kombinasi linier kolom-kolom pada matriks synthesis dictionary menggunakan sedikit koefisien. Cosparse Analysis Model Based (CAMB) memberikan model alternatif di mana koefisien cosparse didapatkan dengan mengalikan analysis dictionary (operator) dengan sinyal. Matriks proyeksi yang digunakan pada CS dapat dioptimasi untuk meningkatkan kualitas sinyal rekonstruksi. Optimasi matriks proyeksi banyak dilakukan pada SSMB-CS sedangkan optimasi matriks proyeksi pada CAMB-CS sejauh yang diketahui sampai saat ini belum ada yang mengusulkan.Di dalam penelitian ini diusulkan metode optimasi matriks proyeksi pada CAMB- CS dengan memperhitungkan parameter amplified Cosparse Representation Error (CSRE) dan relative amplified CSRE, di samping parameter mutual coherence. Matriks proyeksi teroptimasi pada CAMB-CS diperoleh menggunakan algoritma alternating minimization dan metode nonlinear conjugate gradient. Matriks acak Gaussian digunakan sebagai matriks proyeksi mula-mula dalam algoritma optimasi tersebut.Matriks proyeksi teroptimasi yang dihasilkan menurunkan average mutual coherence rata-rata sebesar 35,62% dari matriks acak Gaussian. Matriks proyeksi teroptimasi pada CAMB-CS memiliki average mutual coherence rata-rata sebesar 12,47% lebih kecil dari matriks proyeksi teroptimasi pada SSMB-CS. Matriks proyeksi teroptimasi pada CAMB-CS juga memberikan relative amplified CSRE berorde 10-6 – 10-5, lebih kecil dibandingkan dengan matriks acak Gaussian CAMB-CS (10-4 – 10-2) dan relative amplified Sparse Representation Error (SRE) matriks proyeksi teroptimasi SSMB-CS (10-3 – 10-1).Penurunan average mutual coherence dibarengi dengan relative amplified CSRE yang kecil akan meningkatkan kualitas citra rekonstruksi yang diukur menggunakan Peak Signal to Noise Ratio (PSNR) dan Structural Similarity Index Measure (SSIM). Hasil-hasil simulasi menunjukkan peningkatan PSNR dan SSIM citra rekonstruksi masing-masing sampai dengan 15,22% dan 9,24%, dibandingkan matriks acak Gaussian. Dibandingkan matriks proyeksi teroptimasi SSMB-CS, metode yang dikembangkan meningkatkan PSNR dan SSIM citra rekonstruksi masing-masing sampai dengan 23,66% dan 17,11%.

---

The Compressive Sensing (CS) technique provides a signal acquisition dimensional reduction by multiplying a projection matrix with the signal. Sparse Synthesis Model Based (SSMB) models a signal as a linear combination of columns on the synthesis dictionary matrix using a few coefficients. The projection matrix used in CS can be optimized to improve the quality reconstructed signal. The projection matrix optimization is mostly done in SSMB-CS, while the optimization of the projection matrix in CAMB-CS as far as is known has not yet been proposed.

In this research, the projection matrix optimization method in CAMB-CS is proposed by taking into account the amplified Cosparse Representation Error (CSRE) parameter and the relative amplified CSRE to optimize the projection matrix, in addition to the mutual coherence parameter. The optimized projection matrix in CAMB-CS is obtained using an alternating minimization algorithm and nonlinear conjugation gradient method. In the optimization algorithm, the Gaussian random matrix is used as the initial projection matrix.

The resulting optimized projection matrix reduces average mutual coherence by 35.62% from the Gaussian random matrix. The optimized projection matrix in CAMB-CS has average mutual coherence, 12.47% less than the optimized projection matrix in SSMB- CS. The optimized projection matrix in CAMB-CS also provides a relative amplified CSRE of order 10-6 – 10-5, which is smaller than the Gaussian random matrix in CAMB-CS (10-4 – 10-2) and relative amplified Sparse Representation Error (SRE) of the optimized projection matrix in SSMB-CS (10-3 – 10-1).

The decrease in average mutual coherence and a small relative amplified CSRE will improve the reconstructed image quality as measured using the Peak Signal to Noise Ratio (PSNR) and the Structural Similarity Index Measure (SSIM). The simulation results showed an increase in the PSNR and SSIM of the reconstructed image up to 15.22% and 9.24%, respectively, compared to the Gaussian random matrix. Compared to the SSMB-CS optimized projection matrix, the developed method increases the PSNR and SSIM of the reconstructed image up to 23.66% and 17.11%, respectively."

"This thesis presents a groundbraking methodology for the radar international community. The detection approach introduced, namely perturbation analysis, is completey novel showing a remarkable capability of thinking outside the box. Perturbation analysis is able to push forward the performance limits of current algorithms, allowing the detection of targets smaller than the resolution cell and highly embedded in clutter. The methodology itself is extraordinary flexibe and has already been used in two other large projects, funded by the ESA (European Space Agency): M-POL for maritime surveillance, and DRAGON-2 for land classification with particular attention to forests. "

"This book presents a comprehensive review of the recent developments in fast L1-norm regularization-based compressed sensing (CS) magnetic resonance image reconstruction algorithms. Compressed sensing magnetic resonance imaging (CS-MRI) is able to reduce the scan time of MRI considerably as it is possible to reconstruct MR images from only a few measurements in the k-space; far below the requirements of the Nyquist sampling rate. L1-norm-based regularization problems can be solved efficiently using the state-of-the-art convex optimization techniques, which in general outperform the greedy techniques in terms of quality of reconstructions. Recently, fast convex optimization based reconstruction algorithms have been developed which are also able to achieve the benchmarks for the use of CS-MRI in clinical practice. This book enables graduate students, researchers, and medical practitioners working in the field of medical image processing, particularly in MRI to understand the need for the CS in MRI, and thereby how it could revolutionize the soft tissue imaging to benefit healthcare technology without making major changes in the existing scanner hardware. It would be particularly useful for researchers who have just entered into the exciting field of CS-MRI and would like to quickly go through the developments to date without diving into the detailed mathematical analysis. Finally, it also discusses recent trends and future research directions for implementation of CS-MRI in clinical practice, particularly in Bio and Neuro-informatics applications."

"ABSTRAKAkusisi sinyal adalah hal yang penting dalam teknologi modern. Compressive sensing dapat membuat proses akusisi sinyal atau data lebih cepat dan efektif. Compressive sensing memungkinkan jumlah pengukuran atau sampling yang jauh lebih sedikit dibandingkan sinyal asli. Compressive sensing digunakan secara luas pada berbagai bidang, seperti radar, kamera, pencitraan medis, seismic imaging, cognitive radio hingga wireless sensor network WSN . Hal penting dalam compressive sensing adalah memilih matriks proyeksi dan kamus basis sparse yang memenuhi Restricted Isometry Property RIP . Namun pengujian RIP sulit untuk dilakukan sehingga digunakan parameter lain yang lebih mudah untuk dihitung, yaitu mutual coherence. Berbeda dengan RIP, mutual coherence memerikan jaminan rekonstruksi yang lebih lemah. Sehingga dilakukan analisis hubungan antara mutual coherence terhadap hasil rekonstruksi citra. Didapatkan bahwa pada sistem kompresi, mutual coherence memiliki hubungan yang kuat terhadap citra hasil rekonstruksi. Sedangkan pada sistem pencitraan ECVT, mutual coherence hanya memiliki hubungan yang sangat lemah terhadap citra hasil ECVT.

---

ABSTRAKIn modern technology, signal acquisition is important. Compressive sensing can make the process of acquiring signals or data to be more quickly and effectively. Compressive sensing allows a much smaller number of measurements or sampling than the original signal. Compressive sensing is widely used in various fields, such as radar, cameras, medical imaging, seismic imaging, cognitive radio to wireless sensor networks WSN . An important point in compressive sensing is to choose a projection matrix and a dictionary that meets Restricted Isometry Property RIP . But RIP testing is difficult to do, so that other parameter is used because it is easier to calculate, namely mutual coherence. Unlike RIP, mutual coherence only provides a weaker reconstruction guarantee. So that this research do analysis of relation between mutual coherence and reconstructed image. It was found that in the compression system, mutual coherence has a strong relationship to the reconstructed image. While in ECVT imaging systems, mutual coherence has only a very weak relationship to the ECVT image results."

"ABSTRAK Pemetaan lahan dengan memanfaatkan teknologi penginderaan jauh sudah lamaberkembang. Di Indonesia yang beriklim tropis, awan menjadi masalah klasikdalam pemindaian permukaan bumi dengan menggunakan satelit penginderaanjauh bersensor optik. Satelit dengan sensor Radar mempunyai kemampuan untukmenembus awan sehingga dapat memindai objek yang berada di bawah awan.Penggunaan teknik klasifikasi berbasis piksel pada citra Synthetic Aperture Radar(SAR) masih mempunyai permasalahan akibat efek salt-and-pepper yangmemberikan hasil yang kurang sempurna pada produk klasifikasi citra. Padapenelitian ini teknik klasifikasi berorientasi objek menggunakan metodeStatistical Region Merging ( SRM ) untuk proses segmentasi objek serta metodeSupport Vector Machine (SVM) untuk proses klasifikasi penutup lahan dari setiapsegmen objek yang ada. Pada tahap klasifikasi diujicobakan beberapa fitur antaralain fitur dekomposisi Freeman-Durden, fitur Entropy, Alpha Angle danAnisotrophy serta fitur Normalized Difference Polarization Index (NDPI).Implementasi teknik klasifikasi berorientasi objek pada penelitian ini memberikanhasil yang lebih baik daripada teknik klasifikasi berbasis piksel. Perbandinganakurasi keseluruhan mencapai 80,48 % untuk hasil klasifikasi berorientasi objekdan 53,94 % untuk hasil klasifikasi berorientasi piksel dengan kondisi citra tanpafilter dan menggunakan 7 fitur dalam klasifikasi.

---

ABSTRACT Remote sensing technology for land mapping has been developing for long time.Indonesia has tropical climate where cloud covers can be classical problem foroptical sensor remote sensing satellite for surface observation of earth. Radarsensor satellite has ability to penetrate clouds so satellite can scan earth’s surfacewhich covered by clouds. The use of piksel-based classification technique onSynthetic Aperture Radar (SAR) image still has problem due to salt-and-peppereffect that gives less perfect result to classification image products. In thisresearch, object-oriented classification technique uses Statistical Region Merging( SRM ) method for object segmentation process and uses Support VectorMachine (SVM) as classifier in classification process for all segmented objects. Inclassification process stage, saveral features were applied such as Freeman-Durden decomposition, Entropy, Alpha Angle, Anisotrophy, and NormalizedDifference Polarization Index (NDPI) features. Implementation of obect-orientedclassification technique in this research gives better result than obect-orientedclassification technique which overall accuracy reach 80,48 % for obect-orientedclassification result and 53,94 % for piksel-based classification result in conditionunfiltered image data and using seven fetures in classification process."

"Padi mempunyai peran penting dalam menjamin ketahanan pangan di Indonesia, sehingga penelitian terkait lahan sawah sangat penting. Identifikasi lahan sawah dari data penginderaan jauh dengan akurasi yang tinggi di wilayah tropik Indonesia merupakan tantangan penelitian. Metode yang paling akurat untuk identifikasi lahan sawah adalah dengan menggunakan pendekatan fenologi dan integrasi data multi-sumber. Namun, pendekatan ini tidak mempertimbangkan karakteristik spektral dan temporal yang rinci. Penelitian ini mengusulkan penggabungan semua fitur spektral dan fitur temporal yang rinci dengan mempertimbangkan periode musim tanam padi dari data sensor optik Sentinel-2 dan sensor SAR Sentinel-1 dengan tujuan mendapatkan klasifikasi lahan sawah dengan akurasi tinggi. Metode identifikasi lahan sawah dalam penelitian ini meliputi pengolahan awal, ekstraksi fitur temporal dengan kuantil rinci, seleksi fitur spektro-temporal dengan menggunakan Leave-One-Out (LOO), fusi fitur dan klasifikasi dengan algoritma machine learning. Hasil penelitian menunjukkan bahwa klasifikasi lahan sawah terbaik adalah dengan menggunakan periode tanam pada musim hujan. Fitur spektral dan temporal (spektro-temporal) terbaik untuk data optik adalah kuantil 30% dan 90% dari Short Wave Infra-Red-1 (SWIR1), RedEdge-4 (RE4), RedEdge-1 (RE1), dan RedEdge-2 (RE2). Fitur spektro-temporal terbaik untuk data SAR adalah kuantil 10% dan 90% dari hamburan balik polarisasi vertical transmit - horizontal receive (VH). Hasil fitur yang dipilih menggambarkan fenologi pertumbuhan padi selama penggenangan, maksimum vegetatif dan bera (pasca panen). Penggabungan fitur spektro-temporal dari data optik dan SAR meningkatkan akurasi klasifikasi menjadi 95,06±0,50%.

---

Rice plays an important role in ensuring food security in Indonesia. Therefore, paddy fields related research is important. Identifying paddy fields with high accuracy using remote sensing is a challenging in Indonesia. The most accurate method for paddy fields identification is using phenological approach and multi-source data integration. However, these approaches do not consider the comprehensive spectral and temporal characteristic data in tropical regions. This research proposed the fusion of all spectral and detailed statistical temporal features considering the period of the paddy growing season from Sentinel-2 optical and Sentinel-1 SAR data to achieve a high accuracy paddy fields classification. The paddy fields identification method in this research starts with preprocessing, temporal feature extraction using detail quantile, spektro-temporal fetaure selection using Leave-One-Out (LOO), feature fusion, and then applied machine learning classification algorithm. The results show that the best paddy fields classification is using the planting period during the rainy season. The best spectral and temporal (spectro-temporal) features for optical data are the 30% and 90% quantiles of Short Wave Infra-Red 1 (SWIR1), RedEdge-4 (RE4), RedEdge-1 (RE1), and RedEdge-2 (RE2). The best spectro-temporal features for SAR data are the 10% and 90% quantiles of VH backscatter. The selected feature results describe the phenology of paddy growth during flooding, maximum vegetative and bare land (post-harvest). The spectro-temporal features fusion of optical and SAR data increased the classification accuracy to 95,06±0,50%."

"ABSTRAKStasiun Pengisian Bahan Bakar Gas (SPBG) di Indonesia saat ini akan terusbertambah seiring dengan program pemerintah untuk diversifikasi energi BBM keBBG, terutama SPBG Compressed Natural Gas atau disingkat SPBG CNG yangakan menjadi tempat pengisian gas ke moda transportasi darat baik untuktransportasi umum maupun pribadi. Untuk itu perawatan SPBG CNG tersebutharus diperhatikan agar pengisian gas tidak terganggu.Inspeksi berbasis resiko merupakan metode yang akan diterapkan untukmengevaluasi strategi pemeliharaan SPBG CNG dengan menggunakan parameterdari resiko. Peralatan pipa,tabung penyimpanan CNG dan kompresor akandievaluasi dan dikategorikan menjadi empat zona resiko yaitu dapat diterima,rendah, sedang, dan tinggi. Kemudian pada evaluasi dan struktur hirarki dalammenggunakan Analytical Hierarchy Process (AHP), empat kriteria; safety, biaya,nilai tambah dan kelayakan dijadikan untuk perbandingan pengambilankeputusan. Hasil akhir akan didapat strategi alternative yaitu preventivemaintenance untuk area resiko sedang, corrective maintenance untuk area resikorendah dan dapat diterima dan reliability centered maintenance untuk area resikotinggi.

---

ABSTRACTCompressed Natural Gas filling station in Indonesia will continue to grow in linewith the government program of diversification energy from fossil fuel to gasfuel, especially compressed natural gas filling station or CNG filling station thatwill fill up the gas fuel to the public transportation or private. That was the reasonfor the maintenance of the gas filling station should be noticed that the gas fillingis not compromised.Risk based inspection (RBI) methodology was proposed to evaluate themaintenance strategy in CNG filling station using parameter of risk. Equipmentsin this unit pipe, CNG storage and compressor were evaluated and categorizedinto four risk zone, acceptable, tolerable, unsatisfactory and critical based on theRBI result which covered five levels. To arrange the hierarchic structure onAnalytical Hierarchy Process (AHP) and evaluation, four main criteria safety,cost, added value and feasibility were defined for pairwise judgments. Finally,possible alternative strategies; preventive maintenance using in unsatisfactory riskarea, corrective maintenance using in tolerable and acceptable risk area andreliability centered maintenance were proposed in critical risk area."