Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKIndonesia merupakan negara agraris yang sebagian besar wilayahnya terdapat lahan sawah. Daerah sawah yang luas mengakibatkan susahnya melakukan monitoring untuk pemetaan luas dan kondisi sawah. Melalui foto udara, waktu pengambilan citra dapat dilakukan lebih cepat dan sesuai dengan perencanaan. Dalam penelitian ini pesawat LSA LAPAN Surveillance Aircraft milik LAPAN digunakan sebagai wahana untuk melakukan monitoring lahan sawah dengan muatan kamera multispektral. Kamera multispektral yang digunakan mempunyai 3 band yaitu merah, hijau dan inframerah. Hasil citra dari kamera multispektral kemudian diolah untuk membedakan lahan persawahan atau bukan. Uji akurasi dilakukan untuk memvalidasi hasil citra yang telah diproses. Selanjutnya didapatkan hasil pengolahan citra berupa identifikasi lahan pertanian aktif. Dengan memanfaatkan band merah dan inframerah dekat didapatkan Normalized Difference Vegetation Index NDVI yang dapat digunakan untuk mengetahui kualitas dan kesehatan tanaman. Dengan NDVI hasil dari identifikasi lahan pertanian dapat diklasifikasikan lagi berdasarkan nilai kehijauan tanaman. Hasil penelitian ini berupa identifikasi lahan pertanian aktif dengan tingkat kehijauan tanaman untuk mengetahui kualitas tanaman padi dari persawahan.

---

ABSTRACTIndonesia is an agricultural country where most of its area is paddy field. Large paddy field areas resulted in the difficulty of monitoring for extensive mapping and paddy field conditions. Using aerial photographs, image acquisition can be completed more quickly and according with the plan. In this study, LSA aircraft LAPAN Surveillance Aircraft belongs to LAPAN used as a vehicle for monitoring agricultural land with a multispectral camera payload. Multispectral cameras used to have three bands of red, green and near infrared. The results of the multispectral images from the camera are then processed to distinguish the rice fields or not. Accuracy test performed to validate the results of the image that has been processed. Furthermore, the image processing results obtained in the form of active agricultural land identification. By utilizing the red and near infrared bands obtained Normalized Difference Vegetation Index NDVI , which can be used to determine the quality and plant health. With NDVI result of the identification of agricultural land can be classified again based on the value of the green plants. The results of this study in the form of identification of active agricultural land with crop greenness levels to determine the quality of paddy rice crops."

"ABSTRACTProviding accurate information on suitable multispectral satellite sensors for mapping coral reefs in Indonesia is a challenge for coastal remote-sensing experts. As coral reefs vary in spatial extent, shape, length, perimeter and/or distance to shore, the mapping of coral reefs will need different satellite sensors depending on the objectives and the kind of information required. This work compares the suitability of two kinds of multispectral satellite sensors for mapping coral reefs in Indonesia, high and moderate spatial resolution. This was done through a case study of Wakatobi Marine National Park since that represents many types of coral reef in Indonesia (fringing, barrier, atoll, and patch). Indonesian coral reef shapefile data 2010 was downloaded from UNEP (United Nations Environment Programme) website, and Landsat 7 ETM + images, path/row 112/064 was used to determine the terrestrial area of Wakatobi Islands. Both high and moderate spatial resolution sensors are suitable for mapping the benthic communities and geomorphic zones on coral reefs. The former are more accurate but they are also much less cost-effective, especially over large areas."

"Metoda klasifikasi Jaringan Syaraf Tiruan (JST) telah banyak diterapkan dalam bidang penginderaan jauh. Dalam penelitian ini dilakukan percobaan klasifikasi awan dengan menerapkan metoda JST Kohonen pada data citra multispektral satelit NOAA AVHRR. JST Kohonen adalah metoda klasifikasi tak terselia yang berbasis pada sistem pembelajaran kompetitif Self-Organizing Maps (SOM). Prosedur percobaan terdiri dari tiga tahap, yakni tahap pembelajaran, tahap pelabelan dan tahap klasifikasi.Pada mulanya, klasifikasi awan dilakukan menggunakan lima kanal data citra sebagai vektor masukan, yakni kanal cahaya-tampak, infra-merah dekat, infra-merah tengah, dan dua kanal infra-merah termal. Hasil klasifikasi lalu dibandingkan dengan hasil klasifikasi visual untuk menentukan tingkat keberhasilannya. Kemudian, proses klasifikasi dilanjutkan untuk mengevaluasi kanal-kanal yang dominan dalam klasifikasi awan dengan cara mereduksi jurnlah kanal yang digunakan dalam klasifikasi.Hasil percobaan menunjukkan bahwa klasifikasi awan menggunakan JST Kohonen memberikan tingkat keberhasilan yang cukup tinggi sebesar 81% untuk katagori 10 kelas atau 95% untuk 4 katagori utama 4 kelas awan, dengan kanal-kanal yang dominan yaitu kanal satu (cahaya-tampak) dan kanal empat (infra-merah termal)."

"Identifikasi jenis material atap bangunan sangat dilakukan untuk bermacam pemanfaatan dari pemodelan cuaca mikro hingga analisis resiko bencana. Penelitian identifikasi jenis material atap bangunan telah dilakukan dengan menggunakan data hiperspektral, data lapangan, laboratorium serta data satelit penginderaan jauh masih memerlukan peningkatan akurasi. Penelitian ini bertujuan untuk mengembangkan metode spektroskopi reflektansi menggunakan kombinasi kanal spektral pada fusi data satelit penginderaan jauh resolusi resolusi spasial sangat tinggi (50 cm) dengan menerapkan koreksi spekular, masking vegetasi serta machine learning Random Forest untuk meningkatkan akurasi identifikasi jenis material atap bangunan. Metode yang dikembangkan menghasilkan akurasi untuk material aluminium, asbes, keramik, beton, genteng pasir besi dengan akurasi total 97.48% dengan nilai Kappa 0,958. Fusi data Pleiades dan Landsat-8 dilakukan untuk memperoleh data SWIR dengan panjang gelombang 2107–2294 nm dan resolusi spasial 50 cm untuk analisis spektral, sehingga identifikasi jenis material atap bangunan asbes dapat diidentifikasi dengan akurasi 95%. Koreksi spekular dan masking vegetasi meningkatkan akurasi identifikasi jenis material atap bangunan 8-12% sebagai perbaikan koreksi radiometrik dalam pengolahan data resolusi sangat tinggi.

---

Identification of the type of building roof material is widely used for various application from micro weather modeling to disaster risk analysis. Research on the identification of the type of building roof material has been carried out using hyperspectral data, field data, laboratories and remote sensing satellite data still requires increased accuracy. This study aims to develop method spectroscopy reflectance using a spectral channel combination on remote sensing satellite data fusion with very high spatial resolution (50 cm) by applying specular correction, vegetation masking and Random Forest machine learning to improve the accuracy of identifying the type of building roof material. The developed method produces accuracy for aluminum, asbestos, ceramic, concrete, iron sand tiles with a total accuracy of 97.48% with a Kappa value of 0.958. Pleiades and Landsat-8 data fusion was carried out to obtain SWIR data with a wavelength of 2107–2294 nm and a spatial resolution of 50 cm for spectral analysis, so that the identification of the type of asbestos roof material can be identified with an accuracy of 95%. Specular correction and vegetation masking increase the accuracy of identifying the type of building roof material by 8-12% as an improvement in radiometric correction in very high spatial resolution (50 cm) data processing."

"Kopi telah menjadi komoditas ekspor non migas yang memberikan kontribusi terhadap devisa negara dalam jumlah yang tidak sedikit. Nilai ekspor kopi sendiri pada kancah internasional bergantung kepada 2 faktor utama, yaitu jenis atau varietas biji kopi dan tingkat kelayakan atau kualitas dari biji kopi. Upaya untuk mengklasifikasikan kedua faktor tersebut masih cenderung dilakukan secara manual oleh para petani kopi. Atas pertimbangan inilah, penulis hendak menggunakan metode lain, yakni penggunaan model CNN (Convolutional Neural Network) dengan basis masukan berupa citra normal (spektrum RGB) dan citra multispektral (spektrum OCN). Selain itu, penulis juga hendak membandingkan performa dari 2 arsitektur model CNN yang berbeda, yakni ResNet18 terhadap SqueezeNet. Input dari kedua arsitektur ini berupa kombinasi dari citra normal, citra multispektral, atau citra yang telah diregistrasikan (1 citra dengan 6 channel berbeda). Hasil akurasi tertinggi dicapai oleh arsitektur ResNet18 dengan input citra normal (RGB) yang memberikan akurasi sebesar 89% untuk klasifikasi varietas biji kopi hijau, serta 97% untuk klasifikasi tingkatan kualitas biji kopi. Meski demikian, arsitektur ini mampu untuk melakukan klasifikasi multi-output secara bersamaan walaupun terdapat sedikit pengurangan pada tingkat akurasi yang didapatkan.

---

Coffee has become one of the non-oil and gas export commodity, providing numerous amount of Indonesia’s foreign income. Within the international market, the export value of coffee beans rely on 2 aspects, its variety and its quality. The attempts to classify coffee beans are done manually by the farmers. Therefore, the writer attempts to design a new method, using convolutional neural networks with normal (RGB spectrum image) and multispectral images (OCN spectrum image) as its inputs. The writer also wishes to analyze and compare 2 different CNN architectures performance in this case; ResNet18 towards SqueezeNet. Considering the combination of the inputs; normal images, multispectral images, or the registered images (images with 6 different channels). The highest accuracy acquired from the ResNet18 CNN model architecture using normal images (RGB) is as following: 86% for green coffee beans varieties classification, and 96% for green coffee beans. These architectures are also capable of performing multi-class output classification despite the trade-off in accuracy gained."