Hasil Pencarian  ::  Simpan CSV :: Kembali

"Thanks to recent advances in sensors, communication and satellite technology, data storage, processing and networking capabilities, satellite image acquisition and mining are now on the rise. In turn, satellite images play a vital role in providing essential geographical information. Highly accurate automatic classification and decision support systems can facilitate the efforts of data analysts, reduce human error, and allow the rapid and rigorous analysis of land use and land cover information. Integrating Machine Learning (ML) technology with the human visual psychometric can help meet geologists demands for more efficient and higher-quality classification in real time. "

"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."

"Kabupaten Cianjur, Provinsi Jawa Barat, merupakan kabupaten yang rawan terhadap bencana alam, terutama bencana hidrometeorologi. Faktor curah hujan seperti kejadian hujan ekstrem menjadi pemicu utama banyaknya kejadian bencana seperti longsor dan banjir. Namun, keterbatasan data curah hujan menyebabkan kesulitan dalam memprediksikan pola hujan Dibutuhkan sumber data curah hujan lain yang dapat digunakan untuk menganalisis pola hujan. Penelitian ini bertujuan menganalisis pola spasio-temporal hujan ekstrem berbasis data stasiun observasi curah hujan dan data satelit NOAA-AVHRR dan mencari korelasi antara kedua sumber data tersebut. Data curah hujan harian periode tahun 2004-2017 dihitung menggunakan metode fix threshold R50. Hasil analisis memperlihatkan bahwa terdapat nilai korelasi kuat positif antara data curah hujan berbasis data stasiun observasi dengan data curah hujan satelit NOAA-AVHRR dengan nilai korelasi yaitu 0,9 pada bulan Maret 2015 dan 0,8 pada bulan Agustus 2016. Dapat dikatakan bahwa data satelit NOAA-AVHRR dapat dijadikan acuan untuk memprediksikan curah hujan. Hasil analisis juga memperlihatkan faktor ketinggian mempengaruhi pola spasial hujan ekstrem di Kabupaten Cianjur.

---

Cianjur Regency, in West Java Province, is a regency which is prone to natural disasters, particularly hydro meteorological disasters. Rainfall related factors such as events of extreme rainfall became a primary cause for the relatively high frequency of occurrences of natural disasters such as landslides and flooding incidents. However, the limited rainfall data available caused difficulties in predicting the rainfall patterns. An alternative source of rainfall data is needed for analysing the spatial temporal pattern of extreme rainfall, based on data acquired from weather and rainfall observation stations as well as data acquired from NOAA AVHRR satellites, and also by finding correlations between the two data sources mentioned. Daily rainfall data between 2004 2017 would be counted by using the fix threshold R50 method. The results show that there are a strongly positive correlation r between the rainfall observation station data and the rainfall data from NOAA AVHRR with value 0.9 on March 2015 and 0,8 on August 2016. Because of that NOAA AVHRR satellite data can be relied upon for predicting rainfall. The results also show that elevation affects the spatial pattern of extreme rainfall in Cianjur Regency. Where, mountainous areas tend to have a higher frequency of extreme rainfall."

"The book focuses on new challenging prospects for the use of EO in archaeology not only for probing the subsurface to unveil sites and artifacts, but also for the management and valorization as well as for the monitoring and preservation of cultural resources. The book provides a first-class understanding of this revolutionary scenario which was unthinkable several years ago.The book offers : (i) an excellent collection of outstanding articles focusing on satellite data processing, analysis and interpretation for archaeological applications, (ii) impressive case studies, (iii) striking examples of the high potential of the integration of multi-temporal, multi-scale, multi-sensors techniques."

"Awan merupakan salah satu objek dalam citra satelit penginderaan jauh sensor optis yang keberadaanya sering kali mengganggu proses pengolahan citra penginderaan jauh. Deteksi awan secara akurat merupakan tugas utama dalam banyak aplikasi penginderaan jauh. Oleh karena itu, deteksi awan secara tepat khususnya pada citra satelit optis resolusi sangat tinggi merupakan suatu pekerjaan yang sangat menantang. Penelitian ini bertujuan untuk mendeteksi objek awan pada data citra satelit penginderaan jauh resolusi sangat tinggi. Penelitian ini menggunakan algoritma deep learning yaitu Convolutional Neural Network (CNN) dan segmentasi Simple Linear Iterative Clustering (SLIC) superpixel untuk mendeteksi objek awan pada citra satelit penginderaan jauh. Penelitian ini menggunakan SLIC untuk mengelompokkan citra ke dalam superpiksel. Penelitian ini juga merancang CNN untuk mengekstrak fitur dari citra dan memprediksi superpiksel sebagai salah satu dari dua kelas objek yaitu awan dan bukan awan. Penelitian ini menggunakan data citra satelit resolusi sangat tinggi Pleiades multispectral dengan resolusi 50 cm. Deteksi awan dilakukan dengan berbagai macam skenario. Hasilnya, metode yang diusulkan mampu mendeteksi objek awan dengan performa akurasi sebesar 91.33%.

---

Clouds are one of the objects in optical sensor remote sensing satellite images whose presence often interferes with the remote sensing image processing process. Accurate cloud detection is a key task in many remote sensing applications. Therefore, precise cloud detection, especially in very high-resolution optical satellite imagery, is a very challenging task. This study aims to detect cloud objects in very high-resolution remote sensing satellite imagery data. This study uses a deep learning algorithm, namely Convolutional Neural Network (CNN) and Simple Linear Iterative Clustering (SLIC) superpixel segmentation to detect cloud objects in remote sensing satellite images. This study uses SLIC to group images into superpixels. This study also designed a CNN to extract features from the image and predict the superpixel as one of two classes of objects, namely cloud, and non-cloud. This study uses very high-resolution Pleiades multispectral satellite imagery data with a resolution of 50 cm. Cloud detection is carried out in various scenarios. As a result, the proposed method can detect cloud objects with an accuracy performance of 91.33%."

"Awalnya, pemetaan lahan gambut dilakukan dengan pengamatan langsung sifat-sifat tanah pada jarak tertentu. Namun saat ini sudah banyak dikembangkan pemetaan jarak jauh menggunakan citra satelit dengan data pendukung lainnya. Selain keunggulannya karena mudah diakses dan memiliki jangkauan yang luas, citra satelit juga memungkinkan interpretasi karakteristik menggunakan metode artificial intelligence (AI). Penelitian yang akan dilakukan adalah melakukan pengembangan terhadap algoritma pengkarakteristik citra satelit sehingga didapatkan hasil yang lebih optimal. Arsitektur Hybrid Residual U-Netdigunakan sebagai algoritma untuk mengklasifikasikan kedalaman lahan gambut. Data yang digunakan berupa citra satelit MODIS yang diakusisi dalam rentang waktu 5 tahun pada tahun 2015 sampai 2019 dan data kedalaman lahan gambut dari Balai Besar Sumberdaya Lahan Pertanian (BBSDLP) dengan 7 kelas kedalaman gambut pada daerah Pulang Pisau Kalimantan Tengah. Citra satelit MODIS diolah menjadi sebuah indeks vegetasi. Citra indeks vegetasi yang digunakan pada penelitian ini sejumlah 9 citra indeks vegetasi. Citra indeks vegetasi dan data kedalaman gambut kemudian dilakukan ekstraksi fitur untuk pembuatan dataset model machine learning menggunakan metode grid dan centeroids. Untuk pembuatan dataset model Hybrid Residual U-Net dilakukan pemotongan region of interest (ROI) pada citra indeks vegetasi dan kedalaman gambut. Pada tahap pelatihan model Hybrid Residual U-Net memiliki nilai akurasi sebesar 99,99% dan pada proses pengujian memiliki nilai akurasi sebesar 96,46%.

---

Initially, peatland mapping was carried out by direct observation of soil properties at a certain distance. However, many remote sensing for digital mapping has been developed using satellite imagery with other supporting data. In addition to the advantages of being easily accessible and having a wide range, satellite imagery also allows the interpretation of characteristics using artificial intelligence (AI). The research that will be carried out is to develop an algorithm for characterizing satellite imagery so that more optimal results are obtained. Hybrid Residual U-Net was used as an algorithm to classify the depth of peatlands. The data used are MODIS satellite imagery which was acquired over a period of 5 years from 2015 to 2019 and peatland depth data from the Center for Agricultural Land Resources (BBSDLP) with 7 peat depth classes in Pulang Pisau, Central Borneo. MODIS satellite imagery is processed into a vegetation index. The vegetation index images and peat depth data were then performed for feature extraction to create a machine learning model dataset using the grid and centroids methods. To generate the CNN model’s dataset, the region of interest (ROI) was cut on the vegetation index and peat depth images. The model will process the dataset so that the accuracy value is obtained then a comparison is done between the accuracy values ​​so that the best model is obtained. At the training stage, the Hybrid Residual U-Net model has an accuracy value of 99.99% and in the testing process, it has an accuracy value of 96,46%."

"ABSTRAKPenggunaan 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

---

ABSTRAKLand 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."

"Beras merupakan bahan pangan pokok dengan tingkat kebutuhan tinggi di kawasan Asia Tenggara, termasuk Indonesia yang menjadi produsen padi terbesar di kawasan ini. Sektor pertanian, khususnya produksi padi, berperan penting dalam mendukung misi Sustainable Development Goals (SDGs) untuk mencapai ketahanan pangan. Namun, tantangan seperti alih fungsi lahan dan perubahan iklim mengancam keberlanjutan produksi padi, termasuk di Kabupaten Indramayu, salah satu lumbung padi utama di Jawa Barat. Untuk mendukung pengelolaan lahan pertanian yang berkelanjutan, pemetaan padi berbasis pengindraan jauh menjadi solusi yang efisien, memanfaatkan teknologi satelit seperti Sentinel-2 dan Landsat-8. Penelitian ini bertujuan untuk memetakan distribusi padi di Kabupaten Indramayu dengan mengintegrasikan metode Convolutional Neural Network (CNN) untuk ekstraksi fitur spektral-temporal dan algoritma Extreme Gradient Boosting (XGBoost) untuk klasifikasi. Hasil penelitian menunjukkan bahwa skema fitur terbaik, yaitu kombinasi data Raw Spectral Bands dengan NDVI, menghasilkan tingkat Overall Accuracy tertinggi sebesar 98,90%. Selain itu, metrik evaluasi lainnya seperti Recall, Precision, dan F1-Score juga menunjukkan hasil tertinggi, masing-masing sebesar 98,90%, yang mencerminkan kemampuan model yang konsisten dalam membedakan area padi dan non-padi. Model CNN-XGBoost menunjukkan kinerja yang lebih baik dibandingkan model CNN murni, dengan akurasi yang lebih tinggi dan hasil evaluasi yang lebih optimal. Dengan memanfaatkan data multispektral dan multitemporal dari kedua satelit, penelitian ini memberikan kontribusi signifikan dalam mendukung pengambilan keputusan berbasis data untuk pengelolaan pertanian yang berkelanjutan, sekaligus memperkuat upaya ketahanan pangan nasional.

---

Rice is a staple food with high demand in Southeast Asia, including Indonesia, which is the largest rice producer in the region. The agricultural sector, particularly rice production, plays a crucial role in supporting the Sustainable Development Goals (SDGs) for achieving food security. However, challenges such as land conversion and climate change threaten the sustainability of rice production, including in Indramayu Regency, one of the main rice granaries in West Java. To support sustainable agricultural land management, rice mapping based on remote sensing provides an efficient solution, utilizing satellite technologies such as Sentinel-2 and Landsat-8. This study aims to map the distribution of rice in Indramayu Regency by integrating the Convolutional Neural Network (CNN) method for spectral-temporal feature extraction and the Extreme Gradient Boosting (XGBoost) algorithm for classification. The results show that the best feature scheme, a combination of Raw Spectral Bands and NDVI, achieves the highest Overall Accuracy of 98.90%. Additionally, other evaluation metrics such as Recall, Precision, and F1-Score also show the highest values, each at 98.90%, reflecting the model's consistent ability to distinguish between rice and non-rice areas. The CNN-XGBoost model outperforms the pure CNN model, with higher accuracy and better evaluation results. By utilizing multispectral and multitemporal data from both satellites, this study significantly contributes to data-driven decision-making for sustainable agricultural management, while strengthening national food security efforts."

"ABSTRAKKabupaten Bandung sebagai salah satu kabupaten dengan penduduk terbanyak di Indonesia memiliki sumber daya alam yang beragam dengan segala pemanfaatannya sehingga jenis tutupan lahan yang ada pun berbeda-beda. Pemantauan terhadap penggunaan lahan perlu dilakukan untuk mencegah penyalahgunaan lahan dan penanggulangan akan bencana alam. Metode untuk pemantauan dapat dilakukan dengan klasifikasi jenis tutupan lahan menggunakan teknik penginderaan jarak jauh seperti penggabungan data satelit aktif dan pasif. Pada penelitian ini menggunakan citra satelit aktif (ALOS-2/PALSAR-2) dan satelit pasif (Landsat 8) untuk mendapatkan citra yang mudah untuk diinterpretasi dan terbebas dari gangguan atmosfer. Salah satu metode klasifikasi yang dapat dilakukan adalah maximum likelihood, yaitu metode yang menggunakan data acuan (training sample) serta kemungkinan suatu piksel terkelompok dalam suatu kelas. Penggunaan citra gabungan dengan metode maximum likelihood menghasilkan keakurasian citra lebih dari 60% dan lebih tinggi dari citra ALOS-2/PALSAR-2 yang diklasifikasikan tanpa Landsat 8 (40%)

---

ABSTRAKBandung regency is one of the biggest regency in Indonesia with large number of population which has nature resources with different utilization that cause land cover diversity. Land cover monitoring is necessary to prevent any land misuses and nature disasters. A way to monitor land cover is to classify the land cover uses remote sensing technique such as joint data of active and passive. This research is analyzing active satellite image (ALOS-2/PALSAR-2) and pasive satellite image (Landsat 8) that are being used to produce an image which is easy to interpret with less atmospheric disruption. One of the methods that can be used is maximum likelihood. Maximum likelihood is a supervised classification method which uses reference data (training sample) and probability of a pixel is clustered in a spesific class. The use of joint processing data with maximun likelihood method results in accuracy greater than 60% and is better than accuracy of ALOS-2/PALSAR-2?s image itself (40%)."

"Posisi geografis Indonesia yang terletak di antara 2 benua dan samudra sesungguhnya selain strategis, juga menyimpan risiko besar mengalami berbagai bencana. Perubahan iklim dan kerawanan lokasinya yang dikelilingi lempeng dan patahan-patahan geologis di kerak Bumi mengakibatkan Indonesia menjadi wilayah rawan gempa Bumi dan deformasi tanah/longsor. Selain itu kebakaran hutan, banjir, pembalakan liar, degradasi lahan pertanian, polusi air dan udara, pencurian ikan oleh kapal-kapal asing, gunung meletus, hingga bergesernya garis pantai dan batas negara, menjadi masalah krusial untuk dipecahkan. Untuk mencari solusi yang paling menyeluruh, diperlukan data spasial yang dapat memantau Bumi Indonesia melalui satelit Penginderaan Jauh (PJ). Salah satu hal yang dapat dideteksi dengan penginderaan jauh adalah terjadinya kebakaran hutan. Dengan penginderaan jauh, lokasi terjadinya kebakaran akan terdeteksi sebagai hotspot. Dalam penelitian ini data hotspot didapatkan dengan menerapkan algoritma yang digunakan oleh Z. Li (CCRS). Algoritma ini mendeteksi hotspot dari data satelit NOAA/AVHRR dengan menggunakan nilai suhu kecerahan pada kanal 3, 4 dan 5 dan nilai reflektansi pada kanal 2 untuk mengenali piksel potensial hotspot. Data yang digunakan dalam penelitian ini adalah data dari sistem penerimaan data HRPT satelit NOAA dan data yang diambil dari internet. Setelah data hotspot didapatkan, data tersebut akan ditampilkan dalam web-GIS beserta data yang lain seperti garis pantai, garis lintang dan bujur dan data citra satelit NOAA. Dari hasil data hotspot yang didapatkan, pada musim kemarau terdapat banyak hotspot dan pada musim penghujan hanya terdapat sedikit hotspot.

---

Indonesia`s geographic position which is located between two continent and two ocean, although strategic, it also contain big risk of disaster happening. Climate changes and its insecure position which is surrounded by earth`s plates and geological fracture on earth`s crust results in Indonesia becoming an area which is prone to earthquake and land deformation. Furthermore, forest fire, flood, illegal logging, farm land degradation, water and air polution, fish theft by foreign ship, volcanoes, and the shift of coastline and country border, becomes a crucial problem to be solved. To find a comprehensive solution, spatial data is needed to monitor Indonesia by using remote sensing satellite. One of the things that can be detected by remote sensing is forest fire. With remote sensing, the place where forest fire occurs will be detected as hotspot. In this research, hotspot data is obtained by using the algorithm used by Z. Li (CCRS). This algorithm detects hotspot from NOAA/AVHRR satellite data by using brightness temperature value of channel 3, 4 and 5, and reflectance value of channel 2 to recognize hotspot potential pixel. Data used in this research is obtained from NOAA satellite HRPT data capture system and data obtained from internet. After hotspot data is obtained, the data will be displayed in web-GIS along with other data like coastline, graticules, and NOAA satellite image. From the obtained hotspot data, it is found that on dry season there ara many hotspots and on rainy season there are only a few hotspots."