PENGARUH JUMLAH DAN METODE PENGAMBILAN TITIK SAMPEL PENGUJI TERHADAP TINGKAT AKURASI KLASIFIKASI CITRA DIGITAL PENGINDERAAN JAUH
|
|
- Veronika Lesmono
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PENGARUH JUMLAH DAN METODE PENGAMBILAN TITIK SAMPEL PENGUJI TERHADAP TINGKAT AKURASI KLASIFIKASI CITRA DIGITAL PENGINDERAAN JAUH Projo Danoedoro 1 1 PUSPICS Fakultas Geografi UGM, Sekip Utara, Sleman, Yogyakarta projo.danoedoro@geo.ugm.ac.id. *Corresponding author: projo.danoedoro@geo.ugm.ac.id ABSTRAK Penelitian penginderaan jauh hampir selalu menggunakan analisis uji akurasi untuk menunjukkan seberapa efektif suatu metode digunakan dan dikembangkan dalam mendukung aplikasi tertentu. Meskipun demikian, penelitian tentang bagaimana suatu metode uji akurasi dijalankan ternyata relatif terbatas. Penelitian ini bertujuan untuk mengkaji pengaruh jumlah sampel penguji titik di lapangan dan metode pengambilannya terhadap tingkat akurasi hasil klasifikasi multispektral citra ALOS AVNIR-2. Dalam penelitian ini, citra ALOS AVNIR-2 multispektral (resolusi spasial 10 m) diklasifikasi multispektral untuk menurunkan peta-peta penutup lahan pada dua versi menurut jumlah kelas yang dihasilkan, yaitu 35 dan 15. Secara terpisah, citra ALOS AVNIR-2 ini dianalisis dengan metode klasifikasi berbasis objek dan kemudian diedit dengan basis poligon sesuai dengan kenyataan di lapangan, untuk dijadikan rujukan (dianggap benar) dalam pengujian akurasi. Pengambilan sampel lapangan untuk penguji akurasi dilakukan dengan basis titik. Untuk sampel penguji dilakukan strategi pengambilan sampel secara (a) acak, (b) sistematik atau grid, dan (c) acak terstratifikasi. Analisis uji akurasi dilakukan dengan menggunakan confusion/error matrix, untuk memperoleh nilai overall accuracy. Penelitian ini menemukan bahwa jumlah minimal sampel penguji yang direkomendasikan pada berbagai metode pengambilan sampel penguji adalah 4n untuk jumlah kelas penutup lahan yang banyak (35 kelas) dan 8n untuk jumlah kelas yang sedikit (13 kelas), di mana n = jumlah kelas. Penggunaan sampel penguji berupa titik secara acak kurang mampu memberikan hasil yang konsisten, apabila dibandingkan dengan nilai akurasi yang sebenarnya. KATA KUNCI: penutup lahan, klasifikasi citra, uji akurasi 1. PENDAHULUAN 1.1. Latar Belakang dan Perumusan Masalah Penginderaan jauh dapat dipandang sebagai sains (Dahlberg dan Jensen, 1986), namun dapat pula dipandang sebagai sub-disiplin di bawah disiplin geografi. Sains, menurut Zen (1979) dicirikan setidaknya oleh tiga hal, yaitu (a) eksplorasi ke alam materi, (b) melakukan pengamatan fenomena keteraturan di alam dan memformulasikannya ke dalam konsep dan teori, dan (c) bersifat mampu menguji diri sendiri (self testing). Baik sebagai sains tersendiri maupun sebagai sub-disiplin dalam geografi, penginderaan jauh telah menunjukkan bahwa dirinya mempunyai kemampuan untuk menguji diri sendiri, sehingga setiap kali penelitian penginderaan jauh selalu mampu memberikan hasil yang dapat dipakai sebagai umpan balik dalam menilai proses penyusunan pengetahuan maupun kelemahan-kelemahan yang ada di dalamnya. Salah satu ciri kemampuan menguji diri sendiri itu adalah mekanisme validasi atau menguji akurasi. Penelitian penginderaan jauh dibedakan dari penelitian terapan yang sekadar menggunakan penginderaan jauh, dalam hal mekanisme uji akurasi yang bersifat wajib. Hasil uji akurasi ini menjadi tolok ukur, seberapa jauh suatu metode penginderaan jauh dapat diterapkan, dan pada kondisi apa saja suatu metode kurang dapat diandalkan. Identifikasi faktor-faktor yang berpengaruh terhadap akurasi metode penginderaan jauh akan meningkatkan nilai manfaatnya, karena metode tersebut dapat direkomendasikan dengan mempertimbangkan keterbatasan dan karakteristik data, waktu, wilayah, dan jenis aplikasi yang digunakan. Salah satu hal yang jarang dibahas dalam menilai akurasi suatu hasil analisis penginderaan jauh adalah metode pengambilan sampel penguji. Jensen (2005) dan juga Tso dan Mather (2009) telah
2 menunjukkan penggunaan matriks kesalahan (confusion matrix/error matrix), akan tetapi pada kedua rujukan tersebut tidak ada rekomendasi tentang jumlah sampel yang harus diambil dan cara pengambilannya. Kajian tentang jumlah sampel dalam proses klasifikasi telah banyak dibahas oleh berbagai penulis, misalnya Fitzpatrick-Lins (1981), Mather (2004), dan Congalton and Green (1999). McCoy (2005) telah menunjukkan bahwa kebutuhan jumlah sampel menurut Fitzpatrick-Lins (1981) mengabaikan ukuran luas wilayah dan variabilitas geografisnya. Mather (2004) menyarankan jumlah piksel minimal sampel adalah 30 kali jumlah kelas; sementara Congalton and Green (1999) mengusulkan metode perhitungan jumlah sampel berdasarkan distribusi binomial. Walaupun demikian, penulis-penulis tersebut tidak secara spesifik membahas jumlah dan metode pengambilan sampel penguji (bukan sampel klasifikasi) untuk suatu hasil klasifikasi digital dengan jumlah kelas tertentu Tujuan Penelitian Penelitian ini bertujuan untuk memperoleh informasi tentang jumlah dan metode pengambilan titik sampel penguji yang optimal, terkait dengan jumlah kelas yang dipetakan, dalam menilai akurasi suatu hasil klasifikasi citra digital penginderaan jauh, khususnya dengan citra saetlit ALOS AVNIR-2 multispektral Hasil yang Diharapkan Hasil yang diharapkan dari penelitian ini adalah (a) hasil klasifikasi citra ALOS AVNIR-2 secara digital yang dijadikan objek pengujian akurasi, (b) peta penutup lahan referensi (pengganti data lapangan) yang diproses dari klasifikasi citra ALOS AVNIR-2 dan koreksi lapangan, (c) titik-titik distribusi sampel penguji pada berbagai jumlah yang diambil pada berbagai metode, (d) tabel yang menyatakan hubungan antara jumlah kelas, jumlah titik sampel, dan metode pengambilan sampel dengan tingkat akurasi yang dihasilkan, dan (e) rekomendasi metode pengambilan sampel titik serta jumlah yang optimal untuk menilai akurasi suatu hasil klasiifkasi citra secara digital. 2. BAHAN, ALAT DAN METODE PENELITIAN 2.1. Bahan Penelitian ini menggunakan citra ALOS AVNIR-2 multispektral pada resolusi spasial 10 m, yang terdiri dari empat saluran spectral, yaitu biru (0,42-0,50 µm), hijau (0,52-0,60 µm), merah (0,61-0,69 µm), dan inframerah dekat (0,76-0,89 µm). Citra direkam pada tanggal 20 Juni 2009, dan dipotong pada ukuran 1909 baris x 2025 kolom, meliput wilayah dengan ukuran 19,09 km x 20,25 km, termasuk Danau Rawa Pening di bagian tengah, kota Salatiga di bagian kanan bawah, dan kota Kecamatan Ambarawa di bagian kiri tengah (Gambar 1). Peta RBI skala 1: digunakan sebagai rujukan saat melakukan koreksi geometrik. Gambar 1. Daerah penelitian yang tersaji pada citra komposit warna semu 421 (RGB) ALOS AVNIR-2
3 2.2. Alat Alat yang digunakan dalam penelitian ini adalah laptop dengan prosesor Intel i7 dan perangkat lunak Idrisi Selva serta perangkat lunak ILWIS Open 3.8. Idrisi Selva terutama digunakan untuk melakukan klasifikasi citra multispektral berbasis objek serta pengambilan sampel penguji; sementara ILWIS digunakan untuk melakukan penyuntingan hasil klasifikasi citra berbasis vector, pengujian akurasi dengan menggunakan sistem informasi geografis, serta tampilan peta. GPS receiver digunakan untuk memandu kerja lapangan Metode Penelitian Penelitian ini bersifat eksperimental, dengan menggunakan dua macam data utama, yaitu (a) citra yang telah diklasifikasi secara digital dan (b) referensi lapangan yang diwujudkan dalam bentuk peta. Dalam penelitian ini digunakan citra ALOS AVNIR-2 untuk diklasifikasi secara multispektral dan peta penutup lahan hasil klasifikasi ditambah kerja lapangan detil sebagai koreksi untuk dijadikan referensi. Peta hasil interpretasi ini diperbaiki berdasarkan survei lapangan, diperbaiki batas-batas satuan pemetaannya maupun isi kategorinya pada amodel data vektor, kemudian dirasterkan pada resolusi yang sama dengan citra ALOS AVNIR-2 untuk dijadikan referensi lapangan atau penguji akurasi. Secara garis besar, metode penelitian ini tersaji pada diagram alir di Gambar 1. Gambar 2. Diagram alir metode penelitian
4 Perlu ditekankan di sini bahwa pencapaian akurasi yang tinggi pada klasifikasi multispektral citra ALOS AVNIR-2 bukanlah tujuan dari penelitian ini. Penggunaan citra terklasifikasi multispektral dan peta referensi yang dianggap benar hanya menjadi sarana untuk menilai pengaruh jumlah dan cara pengambilan sampel penguji terhadap tingkat akurasi hasil klasifikasi secara digital Pra-pemrosesan Pada tahap awal, citra ALOS AVNIR-2 dikoreksi geometri dengan mengacu pada peta topografi (peta RBI) skala 1: Koreksi radiometri hanya dilakukan dengan cara mengurangi nilai piksel citra asli paad setiap saluran dengan nilai minimum yang diasumsikan sebagai gangguan (noise). Hal ini dilakukan dengan landasan dua alasan. Pertama, proses klasifikasi multispektral untuk satu tanggal perekaman tidak banyak terganggu oleh dikoreksi-tidaknya nilai piksel saluran-saluran yang dilibatkan. Kedua, perangkat lunak yang digunakan dalam penelitian ini memroses citra untuk klasifikasi multispektral dengan rentang nilai atau dengan koding 8 bit, sehingga hasil koreksi radiomeri hingga at-surface reflectance yang disimpan dalam 2 byte per piksel sekali pun harus dikonversi kembali ke skala 0-255, Klasifikasi Multispektral untuk Pemetaan Penutup Lahan Selain digunakan sebagai salah satu masukan proses pan-sharpening, citra ALOS AVNIR-2 juga digunakan sebagai dasar pembuatan peta penutup lahan melalui klasifikasi multispektral. Proses klasifikasi multispektral dilakukan dengan mengacu ke skema klasifikasi multiguna dimensi spektral menurut Danoedoro (2009) yang dimodifikasi. Proses pengambilan sampel spektral akan memberikan kelas-kelas spektral dalam jumlah relatif besar. Kelas-kelas ini kemudian akan diubah menjadi kelas penutup lahan melalui proses Boolean logic dan penggabungan beberapa kelas spektral yang serupa ke kelas informasional (penutup lahan). Dengan demikian, akan dihasilkan beberapa jenis peta penutup lahan dengan jumlah kelas yang berbeda-beda, yang akan diuji akurasinya Klasifikasi Berbasis Objek untuk Pembuatan Peta Referensi (Penguji Akurasi) Secara terpisah, citra ALOS AVNIR-2 diproses dengan klasifikasi berbasis objek untuk menghasilkan peta penutup lahan referensi, yaitu peta penutup lahan yang dianggap benar, dan menjadi dasar bagi pengujian akurasi yang ideal. Pengujian akurasi yang ideal adalah dengan cara menumpangsusunkan peta hasil klasifikasi yang akan diuji dengan peta referensi, sehingga setiap piksel pada kedua peta dapat dibandingkan; bukan hanya bertumpu pada sampel. pemilihan klasiifkasi berbasis objek didasari oleh pertimbangan bahwa metode ini mampu menghasilkan segmen dan kelas dalam bentuk poligon (bukan hasils generalisasi) yang bisa disunting berdasarkan cek lapangan. Proses klasifikasi berbasis objek meliputi dua langkah, yaitu (a) segmentasi berbasis objek, dan (b) klasifikasi berbasis objek. Sementara itu, hasil klasifikasi berbasis objek diproses lebih lanjut melalui koreksi dari data lapangan untuk menjadi peta referensi yang dipandang benar. a. Segmentasi berbasis Objek Segmentasi berbasi objek dilakukan dengan perangkat lunak Idrisi Selva. Cara kerja segmentasi ini mengacu pada penjelasan Eastman (2012), yaitu bahwa citra asli pada tahap awal diubah menjadi peta permukaan menyerupai model elevasi digital. Pengubahan dilakukan dengan mentransformasi nilai piksel asli menjadi nilai variansi. Selanjutnya, komputer melakukan delineasi otomatis untuk menentukan daerah tangkapan (watershed boundary), analog dengan citra elevasi digital, menggunakan nilai-nilai piksel yang mempunyai variansi tertinggi sebagai batas. Piksel-piksel dengan nilai variansi mendekati nol dipandang sebagai area atau objek yang homogen. Ketiga, daerah tangkapan yang relatif kecil-kecil kemudian digabung dengan menggunakan kriteria standar untuk membangun segmen-segmen citra, antara lain kemiripan secara spektral. Setiap segmen tercatat mempunyai tetangga segmen dengan urutan kemiripan yang tertentu namun konsisten satu sama lain. Proses in berlangsung secara iteratif. Hasil akhir dari proses segmentasi adalah peta segmen yang tersimpan dalam dua macam model data, yaitu vektor dan raster. b. Klasifikasi Berbasis Objek Citra segmen kemudian dijadikan dasar bagi pengambilan sampel, yaitu dengan menganggap segmen-segmen teretntu sebagai area of interest atau region of interest. Setiap sampel diberi label nama kelas mengacu ke skema klasifikasi, dan setiap sampel mempunyai spectral signature tertentu, sesua dengan nilai piksel semua saluran yang jatuh di dalam setiap segmen. Pengambilan sampel berbasis segmen ini
5 kemudian dilanjutkan dengan proses klasifikasi per piksel. Proses klasifikasi per-piksel akan menghasilkan citra terklasifikasi berbasis piksel, yang terpisah dari citra tersegmentasi. Hasil klasifikasi per-piksel ini kemudian digabungkan kembali dengan hasil segmentasi, untuk kemudian ditentukan label kelas akhirnya dengan mengacu pada aturan mayoritas piksel berlabel tertentu pada setiap segmen. Dengan cara yang sangat sederhana ini, setiap segmen pun kemudian dilabeli dengan nama-nama kelas atau kategori. c. Pembuatan Peta Penutup Lahan Referensi Peta hasil klasifikasi berbasis objek kemudian dikembalikan ke model data vektor. Konversi dari raster ke vektor dilakukan dengan perangkat lunak ILWIS 3.8, karena perangkat lunak ini mampu melakukan vektorisasi poligon relatif lebih baik (dalam arti menghasilkan poligon yang batasnya halus, tidak patah-patah) daripada perangkat lunak lain yang banyak tersedia di pasar. Dengan cara ini, penyuntingan (editing) atas hasil klasifikasi berdasarkan cek lapangan dapat dilakukan pada setiap poligon. Pengecekan lapangan berlangsung ekstensif sehingga poligon-poligon yang salah terklasifikasi dapat dikoreksi. Hasil akhir dari proses ini adalah peta penutup lahan referensi yang dianggap benar (karena sudah dikoreksi mengacu ke data lapangan) dan dikonversi kembali ke model data raster Penilaian Akurasi yang Benar dan Pengambilan Sampel untuk Pengujian Akurasi Penilaian akurasi yang benar dilakukan dengan cara menumpangsusunkan peta penutup lahan referensi dan peta penutup lahan hasil klasifikasi multispektral yang akan diuji. Dengan cara ini seluruh piksel pada darah penelitian dilibatkan dalam pengujian dan masuk ke perhitungan matriks kesalahan. Nilai akurasi yang muncul adalah nilai akurasi yang sebenarnya, bukan berdasarkan sampel. Pengambilan sampel penguji akurasi lapangan yang bertumpu pada peta-peta penutup lahan referensi ini dilakukan dengan menggunakan basis titik. Sampel penguji berupa titik diambil dengan tiga macam cara, yaitu (1) acak (random) (2) sistematik/grid, dan (3) acak terstratifikasi (stratified random). Penentuan titiktitik sampel acak, grid, maupun acak terstratifikasi dilakukan secara otomatis dengan menggunakan fasilitas pengambilan sampel acak dari perangkat lunak Idrisi Selva. Jumlah sampel penguji yang diambil didasari oleh jumlah kelas yang dihasilkan. Untuk keperluan penelitian ini, diambil sampel sejumlah 2n, 3n, 4n dan seterusnya, di mana n adalah jumlah kelas Evaluasi atas Nilai Uji Akurasi Analisis hubungan antar jumlah kelas dan metode pengambilan sampel (acak, grid, dan terstratifikasi) dilakukan dengan menerapkan analisismatriks kesalahan pada setiap pasangan data hasil klasifikasi dan peta penutup lahan referensi. Akurasi keseluruhan digunakan sebagai penilai tingkat akurasi. Dari analisis ini diharapkan dapat diperoleh gambaran tentang jumlah sampel penguji yang optimal, dan metode pengambilan sampel yang efektif. 4. HASIL DAN PEMBAHASAN 4.1. Peta Penutup Lahan yang Akan Diuji Peta penutup lahan yang diuji diproses dengan cara standar, baik dalam hal pemilihan sampel maupun eksekusi klasifikasinya. Pada tahap awal dihasilkan 49 kelas spektral, seperti tersaji pada Gambar 3. Karena kelas-kelas ini masih merupakan kelas spektral, dan bukan kelas yang sesuai dengan skema klasifikasi yang digunakan, maka dilakukan pengelompokan kelas. Misalnya air_keruh_1, air_keruh_2 dan air_keruh_3 dan seterusnya menjadi tubuh air. Cara ini menghasilkan 35 kelas penutup lahan seperti tersaji pada Gambar 4. Peta dengan jumlah kelas sebanyak 35 ini kemudian disederhanakan menjadi peta baru dengan 13 kelas. Pengelompokan kembali jumlah kelas ini ditujukan untuk menghasilkan peta dengan jumlah kelas yang berbeda, yang perlu dikaji pengaruhnya terhadap jumlah dan distribusi sampel titik penguji akurasi. Peta dengan 13 kelas tersaji pada Gambar 5. Peta-peta penutup lahan dengan 35 dan 13 kelas ini yang kemudian perlu dibandingkan dengan peta penutup lahan lain yang dianggap benar Peta Penutup Lahan Penguji Proses penyusunan peta penguji yang dianggap benar dimulai dengan segmentasi citra. Segmentasi memerlukan masukan empat saluran, yaitu biru, hijau, merah dan inframerah dekat, dengan bobot setiap
6 saluran yang berbeda-beda, karena bentanglahan daerah kajian didominasi oleh area bervegetasi. Pada penelitian ini, matriks korelasi antar-saluran dan matriks variansi-kovariansi menjadi pertimbangan, sehinga bobot untuk saluran biru adalah 0,19; sementara bobot untuk saluran hijau, merah, dan inframerah dekat masing-masing adalah 0,27. Pertimbangannya, kedua matriks tersebut dan fakta fenomena vegetasi di daerah penelitian lebih menunjukkan peran saluran hijau, merah dan inframerah dekat daripada saluran biru. Gambar 3. Peta hasil klasifikasi multispektral dengan 49 kelas spektral mengacu ke kelas penutup lahan. Gambar 4. Peta penutup lahan akhir dengan 35 kelas, hasil penyederhanaan peta kelas spektral Berdasarkan proses trial and error, segmentasi menggunakan parameter dengan bobot yang sama untuk faktor nilai rerata dan faktor nilai variansi, yaitu 0,5. Nilai toleransi kemiripan (similarity tolerance) dicoba pada berbagai nilai, yaitu 10, 25, 40, 60, 80 dan 100; di mana nilai toleransi kemiripan yang kecil kaan menghasilkan ukuran segmen yang kecil pula. Dapat diterima-tidaknya hasil segmentasi dengan
7 kombinasi parameter di atas adalah melalui pembandingan visual dengan citra komposit warna pada berbagai versi, di mana hasi segmentasi yang mampu memberikan gambaran visual pemisahan kenampakan penutup lahan yang paling baiklah yang akan diambil. Pada proses ini, ukuran toleransi kemiripan 25 dinilai memberikan hasil terbaik. Gambar 6 menyajikan potongan citra yang telah disegmentasi pada kombinasi parameter tersebut, serta proses pengambilan sampel berbasis segmen. Gambar 5. Peta penutup lahan akhir dengan jumlah kelas 13, hasil penyederhanaan peta dengan 35 kelas. Gambar 6. Potongan area yang menunjukkan hasil segmentasi berbasis objek, dan proses pengambilan sampel berbasis segmen Setelah segmen-segmen sampel diambil dan diekstrak informasi spektralnya pada setuap saluran, maka proses klasifikasi per-piksel pun dilakukan berdaarka sampel-sampel tersebut. Hasil klasifikasi perpiksel ini kemudian ditumpangsusunkan dengan peta hasil segmentasi untuk menurunkan peta hasil klasifikasi berbasis objek melalui aturan mayortas. Hasil klasifikasi berbasis objek kemudian dikembalikan ke model data vektor dan diperbaiki per poligon dengan mengacu pada hasil cek lapangan. Pada proses ini ada 1296 poligon yang diperbaiki labelnya, mengacu ke fakta di lapangan. Hasil perbaikan di peta vektor ini kemudian dikembalikan ke model data raster pada 35 dan 13 kelas untuk menghasilkan peta-peta referensi yang dipandang benar, sebagai pengganti kondisi di lapangan penguji akurasi (Gambar 7 dan Gambar 8).
8 Gambar 7. Peta referensi yang dianggap benar (35 kelas), sebagai penggant kenyataan di lapangan, diperoleh melalui proses klasifikasi berbasis objek dan diperbaiki melalui penyuntingan 1296 poligon berdasarkan cek lapangan. Gambar 8. Peta referensi yang dianggap benar (13 kelas), sebagai penggant kenyataan di lapangan, diperoleh melalui proses reklasifikasi dan penggabungan kelas dari peta penutup lahan dengan 35 kelas Hasil Pengujian Akurasi Pengujian akurasi dilakukan dengan menjalankan program pengambilan sampel secara otomatis. Pada masing-masing himpunan sampel dengan jumlah dan metode pengambilan sampel yang berbeda ini, peta hasi klasifikasi citra dijadikan referensi, dan lokasi titik-titik sampel kemudian diplot di atas peta referensi
9 lapangan, baik yang mempunai 35 maupun 13 kelas. Setiap titik sampel dengan demikian mempunyai dua atribut, yaitu label kelas hasil klasifikasi dan label kelas referensi lapangan. Kedua atribut ini kemudian dipindahkan menjadi matriks kesalahan (confusion matrix), untuk dinilai akuras keseluruhannya. Contoh distribusi sampel dengan metode acak, sistematik (grid) dan acak terstratifikasi disajikan pada Gambar 9, sementara hasi perhitungan uji akurasi pada berbagai jumlah kelas, jumlah titik sampel kelas dan metode pengambilan sampel tersaji pada Tabel 1 dan 2. Berdasarkan pembandingan dua macam peta, yaitu peta penutup lahan hasil klasifikasi multispektral dengan peta referensi yang dianggap benar, diperoleh nilai akurasi masing-masing sebesar 41,88% untuk jumlah kelas 35, dan 51,59% untuk jumlah kelas sebanyak 13. Hal ini sesuai dengan teori bahwa untuk pemetaan dengan jumlah kelas yang sedikit cenderung memberikan hasil dengan tingkat akurasi yang lebih tinggi. Gambar 9. Contoh distribusi sampel sebanyak 16n (560 titik) untuk jumlah kelas 35, yang diambil secara acak (kiri), sistematik/grid (tengah), dan acak terstratifikasi (kanan). Latar belakang adalah peta referensi. Nilai akurasi sebesar 41,88% dan 51,59% untuk kedua macam jumlah kelas ini diterima sebagai nilai akurasi yang benar, karena tidak diperoleh dari sampel penguji melainkan dari pembandingan keseluruhan piksel pada peta yang diuji dengan referensi lapangan yang diwakili oleh peta penguji. Oleh karena itu diperlukan evaluasi atas jumlah titik sampel dan cara pengambilannya, untuk mengetahui jumlah minimal dan cara efektif pengambilan sampel yang apat mendekati nilai akurasi yang sebenarnya. Tabel 1. Nilai akurasi hasil penggunaan titik sampel penguji, menurut jumlah kelas, metode pengambilan sampel, dan jumlah sampelnya (n = 35 kelas) 35 KELAS NILAI AKURASI (%) PADA SETIAP JUMLAH SAMPEL DAN METODE PENGAMBILAN SAMPEL n 2n 4n 8n 16n 32n 64n 132n 264n 528n Acak 40,00 32,35 42,65 41,11 39,74 41,90 42,97 41,50 41,32 41,49 Grid 42,86 37,23 43,98 42,15 41,56 40,42 43,40 42,56 41,51 41,75 Acak terstratifikasi 67,65 57,58 44,85 38,15 44,32 42,98 41,76 41,50 41,05 42,27 Nilai akurasi acuan (yang dianggap benar) = 41,88% Tabel 2. Nilai akurasi hasil penggunaan titik sampel penguji, menurut jumlah kelas, metode pengambilan sampel, dan jumlah sampelnya (n = 13 kelas) 13 KELAS NILAI AKURASI (%) PADA SETIAP JUMLAH SAMPEL DAN METODE PEMGMBILAN SAMPEL n 2n 4n 8n 16n 32n 64n 132n 264n 528n Acak 75,00 40,00 48,98 53,19 39,74 48,16 52,83 53,99 53,41% 52,65% Grid 61,54 56,00 50,00 51,52 47,26 49,88 51,11 53,23 52,08% 51,34% Acak terstratifikasi 38,46 53,85 59,18 43,00 44,28 49,88 51,92 52,73 50,87% 52,37% Nilai akurasi acuan (yang dianggap benar) = 51,59%
10 Dengan menggunakan nilai toleransi sebesar ±1% untuk menerima suatu hasil uji akurasi dipandang sama dengan /mendekati nilai akurasi yang seharusnya (nilai akurasi acuan), maka Tabel 1 dan Tabel 2 menunjukkan pola yang secara garis besar sama, namun dengan detil yang berbeda. Secara umum, dengan jumlah titik sampel yang kurang dari 4n, berapa pun jumlah kelas penutup lahan yang dipetakan, tidak dapat diperoleh nilai akurasi klasifikasi yang sebenarnya. Jumlah titik sampel yang besar cenderung memberikan nilai akurasi klasifikasi yang mendekati kenyataan, meskipun pola yang dijumpai tidak sama antara metode pengambilan secara acak, sistematik/grid, maupun acak terstratifikasi. Jumlah kelas pemetaan penutup lahan yang lebih banyak (35 dibanding 13) mampu memberikan nilai ambang jumlah titik sampel penguji yang lebih kecil (sedikit) untuk memberikan nilai akurasi yang mendekati kenyataan. Titik sampel penguji minimal sebanyak 4n untuk 35 kelas mampu memberikan nilai akurasi yang lebih mendekati kenyataan; sementara untuk peta dengan 13 kelas diperlukan jumlah titik sampel penguji yang lebih banyak, yaitu 8n. Sesuai dengan karakternya, metode pengambilan titik sampel penguji secara acak juga memberikan hasil yang bersifat acak, dalam arti tak terduga. Hasil penilaian akurasi bersifat tidak konsisten terkait dengan jumlah titik sampel, yaitu tidak ada hubungan antara jumlah titik dengan kedekatan nilai akurasi yang sebenarnya. Pengambilan sampel secara sistematik/grid meskipun menunjukkan jumlah minimal titik sampel penguji yang harus diambil supaya mendekati nilai akurasi kenyataan juga masih menunjukkan inkonsistensi. Di sisi lain, pengambilan titik sampel penguji secara acak terstratifikasi jelas menunjukkan adanya kondistensi hasil dan merekomendasikan jumlah minimal titik sampel penguji. Meskipun demikian, hasil penelitian ini juga menunjukkan jumlah minimal titik sampel penguji yang sangat besar apabila analis citra/pemetaan penutup lahan ingin memperleh nilai akurasi klasifikasi yang mendekati kenyataan. Jumlah ini tidak mudah untuk diakomodasi dengan masih terbatasnya anggaran/dana untuk pengujian akurasi dalam pemetaan penutup lahan di Indonesia. Penelitian ini juga belum menggunakan area sebagai basis pengambilan sampel penguji; padahal untuk menguji akurasi klasifikasi dan pemetaan penutup lahan, penggunaan sampel penguji berupa titik akan cenderung mengarahkan ke kesimpulan yang keliru, khususnya apabila jumlah titik sampel sangat terbatas. Hal ini terbukti dari temuan penelitian, yang menunjukkan bahwa jumlah titik sampel yang besar lebih bisa dipercaya daripada yang sedikit. Walaupun demikian, masih diperlukan pengujian dengan menggunakan sampel berupa area untuk memastikan jumlah sampel minimal yang mendekati nilai akurasi sebenarnya, baik untuk metode pengambilan secara acak, sistematik/grid, maupun acak terstratifikasi. Dengan demikian, penelitan lebih lanjut dengan menggunakan sampel penguji berupa area perlu diagendakan. 5. KESIMPULAN DAN SARAN Kesimpulan yang dapat ditarik dari penelitian ini adalah sebagai berikut: (a) Jumlah minimal sampel penguji yang direkomendasikan pada berbagai metode pengambilan sampel penguji adalah 4n untuk jumlah kelas penutup lahan yang banyak (35 kelas) dan 8n untuk jumlah kelas yang sedikit (13 kelas), di mana n adalah jumlah kelas (b) Penggunaan sampel penguji berupa titik secara acak kurang mampu memberikan hasil yang konsisten, apabila dibandingkan dengan nilai akurasi yang sebenarnya Penelitian ini juga menyarankan kajian lanjut dengan menggunakan sampel penguji dalam bentuk area, agar dapat diperoeh gambaran teoretis tentang jumlah dan distribusi sampel penguji yang ideal dalam pemetaan penutup lahan berbasis citra penginderaan jauh secara digital. 6. UCAPAN TERIMA KASIH Penulis mengucapkan terima kasih kepada Fakultas Geografi UGM yang telah memberikan dukungan dana untuk penelitian ini. DAFTAR PUSTAKA Congalton, R. G., and K. Green Assessing the accuracy of remotely sensed data: Principles and practice. Lewis Publishers, New York Dahlberg, R. W., and Jensen, J.R. (1986). Education for Cartography and Remote Sensing in the Service of an Information Society: The United States Case. The American Cartographer, 13(1), Danoedoro, P. (2009). Land-use Information from the Satellite Imagery: Versatility and Contents for Local Physical Planning. Lambert Academic Publishing, Saarbrucken.
11 Eastman, R. (2012). IDRISI SELVA Manual. Clark Labs, Worchester, MA. Fitzpatrick-Lins, K. (1981). Comparison of sampling procedures and data analysis for a land-use and landcover map. Photogrammetric Engineering and Remote Sensing 47(3): Jensen, J. R. (2005). Introductory Digital Image Processing - A Remote Sensing Perspective, 3rd edition. Prentice Hall, Englewood Cliffs, N.J.: Mather, P. M. (2004). Computer Processing of Remotely Sensed Data: An Introducion, 3rd edition. John Wiley and Sons, Brisbane McCoy, R. (2005). Field Methods in Remote Sensing. The Guilford Press, New York. Tso, B., and Mather, P.M. (2009). Classification Methods For Remotely Sensed Data. Second Edition. CRC Press. New York. Zen, M.T. (1979). Sains, Teknologi, dan Hari Depan Manusia. Penerbit Yayasan Obor dan Gramedia, Jakarta
BAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Era Teknologi merupakan era dimana informasi serta data dapat didapatkan dan ditransfer secara lebih efektif. Perkembangan ilmu dan teknologi menyebabkan kemajuan
Lebih terperinciANALISIS KESESUAIAN LAHAN PERUMAHAN KELAS MENENGAH MENGGUNAKAN DATA PENGINDERAAN JAUH DENGAN SISTEM INFORMASI GEOGRAFIS DI KOTA SURABAYA
ANALISIS KESESUAIAN LAHAN PERUMAHAN KELAS MENENGAH MENGGUNAKAN DATA PENGINDERAAN JAUH DENGAN SISTEM INFORMASI GEOGRAFIS DI KOTA SURABAYA Artan Niki Alunita artan_niki@yahoo.com Projo Danoedoro projo.danoedoro@yahoo.com
Lebih terperinciBAB II TEORI DASAR. Beberapa definisi tentang tutupan lahan antara lain:
BAB II TEORI DASAR 2.1 Tutupan Lahan Tutupan Lahan atau juga yang biasa disebut dengan Land Cover memiliki berbagai pengertian, bahkan banyak yang memiliki anggapan bahwa tutupan lahan ini sama dengan
Lebih terperinciAplikasi Object-Based Image Analysis (OBIA) untuk Deteksi Perubahan Penggunaan Lahan Menggunakan Citra ALOS AVNIR-2
Aplikasi Object-Based Image Analysis (OBIA) untuk Deteksi Perubahan Penggunaan Lahan Menggunakan Citra ALOS AVNIR-2 Tunjung S. Wibowo tjswibowo@gmail.com R. Suharyadi suharyadir@ugm.ac.id Abstract The
Lebih terperinciRancangan Standar Kompetensi Kerja Nasional Indonesia (RSKKNI) Bidang Informasi Geospasial SKKNI IG 2016 SUB-BIDANG PENGINDERAAN JAUH PROJO DANOEDORO
Rancangan Standar Kompetensi Kerja Nasional Indonesia (RSKKNI) Bidang Informasi Geospasial SUB-BIDANG PENGINDERAAN JAUH PROJO DANOEDORO PUSPICS/Departemen Sains Informasi Geografis, Fakultas Geografi UGM
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Metode Penelitian Menurut Arikunto (1988), metode penelitian adalah cara yang digunakan oleh peneliti dalam mengumpulkan data penelitiannya. Data yang dikumpulkan bisa berupa
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Hasil sensus jumlah penduduk di Indonesia, dengan luas wilayah kurang lebih 1.904.569 km 2 menunjukkan adanya peningkatan jumlah penduduk, dari tahun 2010 jumlah penduduknya
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Persiapan Tahap persiapan merupakan tahapan penting dalam penelitian ini. Proses persiapan data ini berpengaruh pada hasil akhir penelitian. Persiapan yang dilakukan meliputi
Lebih terperinciBAB III METODOLOGI 3.1 Waktu dan Tempat 3.2 Alat dan Data 3.3 Tahapan Pelaksanaan
15 BAB III METODOLOGI 3.1 Waktu dan Tempat Penelitian ini dilaksanakan mulai bulan Juli sampai dengan April 2011 dengan daerah penelitian di Kabupaten Bogor, Kabupaten Sukabumi, dan Kabupaten Cianjur,
Lebih terperinciBAB III PELAKSANAAN PENELITIAN
BAB III PELAKSANAAN PENELITIAN Pada bab ini akan dijelaskan mengenai alat dan bahan yang digunakan dalam penelitian ini serta tahapan-tahapan yang dilakukan dalam mengklasifikasi tata guna lahan dari hasil
Lebih terperinciIII. BAHAN DAN METODE
10 III. BAHAN DAN METODE 3.1. Tempat Dan Waktu Penelitian Penelitian dilakukan di laboratorium dan di lapang. Pengolahan citra dilakukan di Bagian Penginderaan Jauh dan Informasi Spasial dan penentuan
Lebih terperinciPEMANFAATAN CITRA PENGINDERAAN JAUH DAN SISTEM INFORMASI GEOGRAFIS UNTUK PEMETAAN LAHAN KRITIS DI DAERAH KOKAP DAN PENGASIH KABUPATEN KULONPROGO
PEMANFAATAN CITRA PENGINDERAAN JAUH DAN SISTEM INFORMASI GEOGRAFIS UNTUK PEMETAAN LAHAN KRITIS DI DAERAH KOKAP DAN PENGASIH KABUPATEN KULONPROGO Rahmadi Nur Prasetya geo.rahmadi@gmail.com Totok Gunawan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Penginderaan jauh merupakan ilmu pengetahuan, teknologi, dan seni perolehan informasi objek di permukaan Bumi melalui hasil rekamannya (Sutanto,2013). Objek di permukaan
Lebih terperinciSudaryanto dan Melania Swetika Rini*
PENENTUAN RUANG TERBUKA HIJAU (RTH) DENGAN INDEX VEGETASI NDVI BERBASIS CITRA ALOS AVNIR -2 DAN SISTEM INFORMASI GEOGRAFI DI KOTA YOGYAKARTA DAN SEKITARNYA Sudaryanto dan Melania Swetika Rini* Abstrak:
Lebih terperinciGambar 2. Peta Batas DAS Cimadur
11 III. METODOLOGI PENELITIAN 3.1 Lokasi dan Waktu Penelitian DAS, Banten merupakan wilayah yang diambil sebagai daerah penelitian (Gambar 2). Analisis data dilakukan di Laboratorium Penginderaan Jauh
Lebih terperinciGambar 11. Citra ALOS AVNIR-2 dengan Citra Komposit RGB 321
V. HASIL DAN PEMBAHASAN 5.1. Analisis Spektral Citra yang digunakan pada penelitian ini adalah Citra ALOS AVNIR-2 yang diakuisisi pada tanggal 30 Juni 2009 seperti yang tampak pada Gambar 11. Untuk dapat
Lebih terperinciBAB III METODE PENELITIAN
14 BAB III METODE PENELITIAN 3.1 Waktu dan Tempat Kegiatan penelitian dilaksanakan pada bulan Mei sampai dengan September dengan mengambil lokasi penelitian di wilayah Kecamatan Cikalong, Tasikmalaya (Gambar
Lebih terperinci3. BAHAN DAN METODE. Penelitian yang meliputi pengolahan data citra dilakukan pada bulan Mei
3. BAHAN DAN METODE 3.1. Waktu dan Tempat Penelitian yang meliputi pengolahan data citra dilakukan pada bulan Mei sampai September 2010. Lokasi penelitian di sekitar Perairan Pulau Pari, Kepulauan Seribu,
Lebih terperinciMETODOLOGI. Gambar 4. Peta Lokasi Penelitian
22 METODOLOGI Tempat dan Waktu Penelitian Penelitian dilakukan di Kota Sukabumi, Jawa Barat pada 7 wilayah kecamatan dengan waktu penelitian pada bulan Juni sampai November 2009. Pada lokasi penelitian
Lebih terperinciPengertian Sistem Informasi Geografis
Pengertian Sistem Informasi Geografis Sistem Informasi Geografis (Geographic Information System/GIS) yang selanjutnya akan disebut SIG merupakan sistem informasi berbasis komputer yang digunakan untuk
Lebih terperinciq Tujuan dari kegiatan ini diperolehnya peta penggunaan lahan yang up-to date Alat dan Bahan :
MAKSUD DAN TUJUAN q Maksud dari kegiatan ini adalah memperoleh informasi yang upto date dari citra satelit untuk mendapatkan peta penggunaan lahan sedetail mungkin sebagai salah satu paramater dalam analisis
Lebih terperinci5. PEMBAHASAN 5.1 Koreksi Radiometrik
5. PEMBAHASAN Penginderaan jauh mempunyai peran penting dalam inventarisasi sumberdaya alam. Berbagai kekurangan dan kelebihan yang dimiliki penginderaan jauh mampu memberikan informasi yang cepat khususnya
Lebih terperinciIII. METODE PENELITIAN
14 III. METODE PENELITIAN 3.1. Waktu dan Tempat Penelitian Penelitian ini dilakukan sejak bulan April 2009 sampai November 2009 di Laboratorium Penginderaan Jauh dan Interpretasi Citra, Departemen Ilmu
Lebih terperinciKAJIAN CITRA RESOLUSI TINGGI WORLDVIEW-2
KAJIAN CITRA RESOLUSI TINGGI WORLDVIEW-2 SEBAGAI PENUNJANG DATA DASAR UNTUK RENCANA DETAIL TATA RUANG KOTA (RDTRK) Heri Setiawan, Yanto Budisusanto Program Studi Teknik Geomatika, FTSP, ITS-Sukolilo, Surabaya,
Lebih terperinciIV. METODOLOGI 4.1. Waktu dan Lokasi
31 IV. METODOLOGI 4.1. Waktu dan Lokasi Waktu yang dibutuhkan untuk melaksanakan penelitian ini adalah dimulai dari bulan April 2009 sampai dengan November 2009 yang secara umum terbagi terbagi menjadi
Lebih terperinciPEMANFAATAN TEKNOLOGI PENGINDERAAN JAUH UNTUK MONITORING DENSIFIKASI BANGUNAN DI DAERAH PERKOTAAN MAGELANG
PEMANFAATAN TEKNOLOGI PENGINDERAAN JAUH UNTUK MONITORING DENSIFIKASI BANGUNAN DI DAERAH PERKOTAAN MAGELANG Vembri Satya Nugraha vembrisatyanugraha@gmail.com Zuharnen zuharnen@ugm.ac.id Abstract This study
Lebih terperinciKAJIAN AKURASI SEMANTIK DAN POSISIONAL CITRA ALOS AVNIR-2 UNTUK PEMETAAN PENUTUP LAHAN DI SEBAGIAN DAERAH ISTIMEWA YOGYAKARTA
KAJIAN AKURASI SEMANTIK DAN POSISIONAL CITRA ALOS AVNIR-2 UNTUK PEMETAAN PENUTUP LAHAN DI SEBAGIAN DAERAH ISTIMEWA YOGYAKARTA Inneke K. Haryana haryana.inneke1610@gmail.com Bowo Susilo bowosusilo@ugm.ac.id
Lebih terperinciPENGARUH PERBEDAAN METODE IMAGE FUSION MULTISENSOR
PENGARUH PERBEDAAN METODE IMAGE FUSION MULTISENSOR TERHADAP TINGKAT AKURASI KLASIFIKASI BERBASIS-OBJEK UNTUK PEMETAAN PENUTUP LAHAN SEBAGIAN DAERAH ISTIMEWA YOGYAKARTA Tomy Ardyansyah tomy.ardyansyah@mail.ugm.ac.id
Lebih terperinciPEMANFAATAN CITRA SATELIT ALOS HASIL METODE PAN SHARPENING UNTUK PEMETAAN RUANG TERBUKA HIJAU WILAYAH PERKOTAAN PATI
PROGRAM STUDI TEKNIK GEOMATIKA FAKULTAS TEKNIK SIPIL DAN PERENCANAAN INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA PEMANFAATAN CITRA SATELIT ALOS HASIL METODE PAN SHARPENING Aji Syarifah Dwi Nurhayati Dosen
Lebih terperinciPengumpulan dan Integrasi Data. Politeknik elektronika negeri surabaya. Tujuan
Pengumpulan dan Integrasi Data Arna fariza Politeknik elektronika negeri surabaya Tujuan Mengetahui sumber data dari GIS dan non GIS data Mengetahui bagaimana memperoleh data raster dan vektor Mengetahui
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Waktu dan Lokasi Penelitian Lokasi penelitian di DAS Citarum Hulu Jawa Barat dengan luasan sebesar + 230.802 ha. Penelitian dilaksanakan pada bulan Juni sampai dengan
Lebih terperinciIII. METODOLOGI 3.1 Waktu Penelitian 3.2 Lokasi Penelitian
III. METODOLOGI 3.1 Waktu Penelitian Penelitian ini dilakukan dari bulan Februari sampai September 2011. Kegiatan penelitian ini meliputi tahap prapenelitian (persiapan, survei), Inventarisasi (pengumpulan
Lebih terperinciSarono Sigit Heru Murti B.S
ESTIMASI PRODUKSI PADI DENGAN MENGGUNAKAN NDVI (NORMALIZED DIFFERENCE VEGETATION INDEXS) PADA LAHAN SAWAH HASIL SEGMENTASI CITRA ALOS DI KABUPATEN KARANGANYAR Sarono sarono34@gmail.com Sigit Heru Murti
Lebih terperinciEVALUASI METODE FUSI CITRA MULTI RESOLUSI MENGGUNAKAN ALGORITMA WANG BOVIK DAN OBJECT BASED IMAGE ANALYSIS (OBIA)
EVALUASI METODE FUSI CITRA MULTI RESOLUSI MENGGUNAKAN ALGORITMA WANG BOVIK DAN OBJECT BASED IMAGE ANALYSIS (OBIA) Sanjiwana Arjasakusuma 1,3*, Yanuar Adji N. 2, Isti Fadatul K. 2 dan Pramaditya W. 3 1
Lebih terperinciAninda Nurry M.F., Ira Mutiara Anjasmara Jurusan Teknik Geomatika FTSP-ITS, Kampus ITS Sukolilo, Surabaya,
KAJIAN PERUBAHAN TUTUPAN LAHAN DAERAH ALIRAN SUNGAI BRANTAS BAGIAN HILIR MENGGUNAKAN CITRA SATELIT MULTI TEMPORAL (STUDI KASUS: KALI PORONG, KABUPATEN SIDOARJO) Aninda Nurry M.F., Ira Mutiara Anjasmara
Lebih terperinciDISKRIMINASI TEGAKAN HTI (Hutan Tanaman Industri) MENGGUNAKAN OBJECT ORIENTED CLASSIFICATION Studi kasus PT. HTI Wira Karya Sakti, Jambi 1
DISKRIMINASI TEGAKAN HTI (Hutan Tanaman Industri) MENGGUNAKAN OBJECT ORIENTED CLASSIFICATION Studi kasus PT. HTI Wira Karya Sakti, Jambi 1 Muhammad Ardiansyah, Dr.-Ing 2) dan Muhammad Rusdi, SP. 3) 2.
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Tanah merupakan materi yang terdiri dari agregat (butiran) padat yang tersementasi (terikat secara kimia) satu sama lain serta dari bahan bahan organik yang telah
Lebih terperinciEvaluasi Kesesuaian Tutupan Lahan Menggunakan Citra ALOS AVNIR-2 Tahun 2009 Dengan Peta RTRW Kabupaten Sidoarjo Tahun 2007
JURNAL TEKNIK POMITS Vol. x, No. x, (Oktober, 2013) ISSN: 2301-9271 Evaluasi Kesesuaian Tutupan Lahan Menggunakan Citra ALOS AVNIR-2 Tahun 2009 Dengan Peta RTRW Kabupaten Sidoarjo Tahun 2007 Latri Wartika
Lebih terperinciSuatu proses untuk mengubah sebuah citra menjadi citra baru sesuai dengan kebutuhan melalui berbagai cara.
Image Enhancement Suatu proses untuk mengubah sebuah citra menjadi citra baru sesuai dengan kebutuhan melalui berbagai cara. Cara-cara yang bisa dilakukan misalnya dengan fungsi transformasi, operasi matematis,
Lebih terperinciEVALUASI TUTUPAN LAHAN DARI CITRA RESOLUSI TINGGI DENGAN METODE KLASIFIKASI DIGITAL BERORIENTASI OBJEK (Studi Kasus: Kota Banda Aceh, NAD)
EVALUASI TUTUPAN LAHAN DARI CITRA RESOLUSI TINGGI DENGAN METODE KLASIFIKASI DIGITAL BERORIENTASI OBJEK (Studi Kasus: Kota Banda Aceh, NAD) Dosen Pembimbing: Dr.Ing.Ir. Teguh Hariyanto, MSc Oleh: Bayu Nasa
Lebih terperinci11/25/2009. Sebuah gambar mengandung informasi dari obyek berupa: Posisi. Introduction to Remote Sensing Campbell, James B. Bab I
Introduction to Remote Sensing Campbell, James B. Bab I Sebuah gambar mengandung informasi dari obyek berupa: Posisi Ukuran Hubungan antar obyek Informasi spasial dari obyek Pengambilan data fisik dari
Lebih terperinciIII. BAHAN DAN METODE
III. BAHAN DAN METODE 3.1 Lokasi dan Waktu Penelitian Penelitian dilaksanakan di daerah Daerah Aliran Sungai (DAS) Cipunagara dan sekitarnya, Jawa Barat (Gambar 1). DAS Cipunagara berada dibawah pengelolaan
Lebih terperinciKAJIAN PEMROSESAN CITRA DIGITAL ASTER MULTITEMPORAL UNTUK DETEKSI TELAGA DAN TERKAIT PERMUKIMAN DI KAWASAN KARST KABUPATEN GUNUNGKIDUL
KAJIAN PEMROSESAN CITRA DIGITAL ASTER MULTITEMPORAL UNTUK DETEKSI TELAGA DAN TERKAIT PERMUKIMAN DI KAWASAN KARST KABUPATEN GUNUNGKIDUL Luthfiyah luth_luthfiyah@yahoo.co.id Nurul Khakhim nrl khakhim@yahoo.com
Lebih terperinciSISTEM INFORMASI SUMBER DAYA LAHAN
16/09/2012 DATA Data adalah komponen yang amat penting dalam GIS SISTEM INFORMASI SUMBER DAYA LAHAN Kelas Agrotreknologi (2 0 sks) Dwi Priyo Ariyanto Data geografik dan tabulasi data yang berhubungan akan
Lebih terperinciAplikasi Penginderaan Jauh Untuk Monitoring Perubahan Ruang Terbuka Hijau (Studi Kasus : Wilayah Barat Kabupaten Pasuruan)
Aplikasi Penginderaan Jauh Untuk Monitoring Perubahan Ruang Terbuka Hijau (Studi Kasus : Wilayah Barat Kabupaten Pasuruan) Ardiawan Jati, Hepi Hapsari H, Udiana Wahyu D Jurusan Teknik Geomatika, Fakultas
Lebih terperinciAnita Dwijayanti, Teguh Hariyanto Jurusan Teknik Geomatika FTSP-ITS, Kampus ITS Sukolilo, Surabaya,
Evaluasi Tutupan Lahan Terhadap Rencana Detil Tata Ruang Kota (RDTRK) Surabaya Pada Citra Resolusi Tinggi Dengan EVALUASI TUTUPAN LAHAN PERMUKIMAN TERHADAP RENCANA DETIL TATA RUANG KOTA (RDTRK) SURABAYA
Lebih terperinciBAB 2 LANDASAN TEORI 2.1. Sistem Remote Sensing (Penginderaan Jauh)
BAB 2 LANDASAN TEORI 2.1. Sistem Remote Sensing (Penginderaan Jauh) Remote Sensing didefinisikan sebagai ilmu untuk mendapatkan informasi mengenai obyek-obyek pada permukaan bumi dengan analisis data yang
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Penginderaan jauh yaitu berbagai teknik yang dikembangkan untuk perolehan dan analisis informasi tentang bumi. Informasi tersebut berbentuk radiasi elektromagnetik
Lebih terperinciBAB III METODE PENELITIAN. Metode penelitian atau metodologi suatu studi adalah rancang-bangun
49 BAB III METODE PENELITIAN A. Metode Penelitian Metode penelitian atau metodologi suatu studi adalah rancang-bangun (design) menyeluruh untuk menyelesaikan masalah penelitian (Sutanto,1999) sedangkan
Lebih terperinciRemote Sensing KKNI 2017
Remote Sensing KKNI 2017 JOB DESC/ JENJANG/ SIKAP KERJA Asisten Operator/ 3/ 6 Operator/ 4/ 13 UNJUK KERJA (UK) INTI URAIAN UNJUK KERJA (UK) PILIHAN URAIAN BIAYA SERTIFIKASI M.71IGN00.161.1 Membaca Peta
Lebih terperinci3 METODE. Lokasi dan Waktu Penelitian
8 3 METODE Lokasi dan Waktu Penelitian Lokasi penelitian adalah Kabupaten Bogor Jawa Barat yang secara geografis terletak pada 6º18 6º47 10 LS dan 106º23 45-107º 13 30 BT. Lokasi ini dipilih karena Kabupaten
Lebih terperinciUJI AKURASI KLASIFIKASI PENGGUNAAN LAHAN DENGAN MENGGUNAKAN METODE DEFUZZIFIKASI MAXIMUM LIKELIHOOD BERBASIS CITRA ALOS AVNIR-2 Harvini Wulansari*
UJI AKURASI KLASIFIKASI PENGGUNAAN LAHAN DENGAN MENGGUNAKAN METODE DEFUZZIFIKASI MAXIMUM LIKELIHOOD BERBASIS CITRA ALOS AVNIR-2 Harvini Wulansari* Abstract: Land use information plays an important role
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Lahan merupakan sumberdaya alam yang bersifat langka karena jumlahnya tidak bertambah, tetapi kebutuhan terhadap lahan selalu meningkat. Alih fungsi lahan pertanian
Lebih terperinciRPKPS (Rencana Program dan Kegiatan Pembelajaran Semester) Penginderaan Jauh Non-Fotografi Fakultas Geografi UGM
RPKPS (Rencana Program dan Kegiatan Pembelajaran Semester) Penginderaan Jauh Non-Fotografi Fakultas Geografi UGM 1. NAMA MATA KULIAH Penginderaan Jauh Non Fotografi 2. KODE/SKS GKP 2204 / 2 SKS 3. PRASYARAT
Lebih terperinciMETODE PENELITIAN. Lokasi dan Waktu Penelitian
12 METODE PENELITIAN Lokasi dan Waktu Penelitian Lokasi yang diteliti adalah wilayah pesisir Kabupaten Karawang (Gambar 3), yang secara administratif berdasarkan Undang-Undang Republik Indonesia nomor
Lebih terperinciPerumusan Masalah Bagaimana kondisi perubahan tutupan lahan yang terjadi di daerah aliran sungai Ciliwung dengan cara membandingkan citra satelit
Latar Belakang Meningkatnya pembangunan di Cisarua, Bogor seringkali menimbulkan dampak tidak baik terhadap lingkungan. Salah satu contohnya adalah pembangunan yang terjadi di Daerah Aliran Sungai Ciliwung.
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kandungan air kanopi (Canopy Water Content) sangat erat kaitannya dalam kajian untuk mengetahui kondisi vegetasi maupun kondisi ekosistem terestrial pada umumnya. Pada
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN 3.1. Waktu dan Tempat Penelitian Penelitian ini dilakukan mulai bulan Febuari 2009 sampai Januari 2010, mengambil lokasi di Kabupaten Bogor, Jawa Barat. Pengolahan dan Analisis
Lebih terperinciAPLIKASI PENGINDERAAN JAUH DAN SISTEM INFORMASI GEOGRAFI UNTUK KESESUAIAN LAHAN PERMUKIMAN KOTA BEKASI. Dyah Wuri Khairina
APLIKASI PENGINDERAAN JAUH DAN SISTEM INFORMASI GEOGRAFI UNTUK KESESUAIAN LAHAN PERMUKIMAN KOTA BEKASI Dyah Wuri Khairina dyah.wuri.k@mail.ugm.ac.id Taufik Hery Purwanto taufikhery@mail.ugm.ac.id Abstract
Lebih terperinciBAB IV HASIL DAN ANALISIS
BAB IV HASIL DAN ANALISIS Pada penelitian ini, citra kajian dibagi menjadi dua bagian membujur, bagian kiri (barat) dijadikan wilayah kajian dalam penentuan kombinasi segmentasi terbaik bagi setiap objek
Lebih terperinciFathurrofi Braharsyah Habibi R. Suharyadi
KLASIFIKASI RUANG TERBUKA HIJAU BERBASIS OBJEK PADA CITRA QUICKBIRD UNTUK MENGETAHUI AKURASI SEMANTIK (DI DENGGUNG, KECAMATAN SLEMAN, KABUPATEN SLEMAN TAHUN 2017) Fathurrofi Braharsyah Habibi fathurrofi.b.h@mail.ugm.ac.id
Lebih terperinciHUBUNGAN ANTARA NILAI SPEKTRAL DENGAN TEKSTUR TANAH PADA DATA DIGITAL CITRA ALOS AVNIR-2 SEBAGIAN KABUPATEN PURWOREJO, JAWA TENGAH
HUBUNGAN ANTARA NILAI SPEKTRAL DENGAN TEKSTUR TANAH PADA DATA DIGITAL CITRA ALOS AVNIR-2 SEBAGIAN KABUPATEN PURWOREJO, JAWA TENGAH Ellysha Prasty Marantika ellysha.prasty@yahoo.com Sudaryatno deyatno@yahoo.com
Lebih terperinciSISTEM INFORMASI GEOGRAFI. Data spasial direpresentasikan di dalam basis data sebagai vektor atau raster.
GEOGRAFI KELAS XII IPS - KURIKULUM GABUNGAN 14 Sesi NGAN SISTEM INFORMASI GEOGRAFI A. MODEL DATA SPASIAL Data spasial direpresentasikan di dalam basis data sebagai vektor atau raster. a. Model Data Vektor
Lebih terperinciBAB IV PENGOLAHAN DATA
BAB IV PENGOLAHAN DATA 4.1 Koreksi Geometrik Langkah awal yang harus dilakukan pada penelitian ini adalah melakukan koreksi geometrik pada citra Radarsat. Hal ini perlu dilakukan karena citra tersebut
Lebih terperinciBAB III METODA. Gambar 3.1 Intensitas total yang diterima sensor radar (dimodifikasi dari GlobeSAR, 2002)
BAB III METODA 3.1 Penginderaan Jauh Pertanian Pada penginderaan jauh pertanian, total intensitas yang diterima sensor radar (radar backscattering) merupakan energi elektromagnetik yang terpantul dari
Lebih terperinciJurusan Teknik Geomatika Fakultas Teknik Sipil dan Perencanaan Institut Teknologi Sepuluh Nopember
Mahasiswa : Cherie Bhekti Pribadi (3509100060) Dosen Pembimbing : Dr. Ing. Ir. Teguh Hariyanto, MSc Udiana Wahyu D, ST. MT Jurusan Teknik Geomatika Fakultas Teknik Sipil dan Perencanaan Institut Teknologi
Lebih terperinciBAB III METODE PENELITIAN
11 BAB III METODE PENELITIAN 3.1 Lokasi dan Waktu Penelitian ini dilaksanakan selama dua bulan yaitu bulan Juli-Agustus 2010 dengan pemilihan lokasi di Kota Denpasar. Pengolahan data dilakukan di Laboratorium
Lebih terperinciSumber Data, Masukan Data, dan Kualitas Data. by: Ahmad Syauqi Ahsan
Sumber Data, Masukan Data, dan Kualitas Data by: Ahmad Syauqi Ahsan Data pada SIG Mendapatkan data adalah bagian yang sangat penting pada setiap proyek SIG Yang harus diketahui: Tipe-tipe data yang dapat
Lebih terperinciBAB V HASIL DAN PEMBAHASAN
BAB V HASIL DAN PEMBAHASAN 5.1 Pengolahan Awal Citra (Pre-Image Processing) Pengolahan awal citra (Pre Image Proccesing) merupakan suatu kegiatan memperbaiki dan mengoreksi citra yang memiliki kesalahan
Lebih terperinciJurusan Teknik Geodesi dan Geomatika FT UGM TGGM KARTOGRAFI DIGITAL. Oleh Gondang Riyadi. 21 March 2014 Kartografi - MGR
KARTOGRAFI DIGITAL Oleh Gondang Riyadi hal 1 Perkembangan Teknologi Pemetaan Teknologi pemetaan yang pada awalnya dilakukan secara manual (konvensional) bergeser kearah digital. Termasuk di dalamnya teknik
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1. 1.1 Latar Belakang Kajian mengenai metode non-parametrik Classification Tree Analysis (CTA) menggunakan teknik data mining untuk aplikasi penginderaan jauh masih belum banyak dilakukan,
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Lahan merupakan bentang permukaan bumi yang dapat bermanfaat bagi manusia baik yang sudah dikelola maupun belum. Untuk itu peran lahan cukup penting dalam kehidupan
Lebih terperinciMetode Klasifikasi Digital untuk Citra Satelit Beresolusi Tinggi WorldView-2 pada Unit Pengembangan Kertajaya dan Dharmahusada Surabaya
JURNAL TEKNIK POMITS Vol. X, No. X, (2013) ISSN: 2337-3539 (2301-9271 Print) 1 Metode Klasifikasi Digital untuk Citra Satelit Beresolusi Tinggi WorldView-2 pada Unit Pengembangan Kertajaya dan Dharmahusada
Lebih terperinciJURNAL TEKNIK POMITS Vol. X, No. X, (2013) ISSN: ( Print) 1 II. METODOLOGI PENELITIAN
JURNAL TEKNIK POMITS Vol. X,. X, (2013) ISSN: 2337-3539 (2301-9271 Print) 1 Studi Identifikasi Perubahan Obyek dengan Memanfaatkan Citra Resolusi Tinggi (Studi Kasus Unit Pengembangan Rungkut Surabaya)
Lebih terperinciBAB IV HASIL DAN ANALISIS
BAB IV HASIL DAN ANALISIS 4.1 Hasil Segmentasi Dari beberapa kombinasi scale parameter yang digunakan untuk mendapatkan segmentasi terbaik, untuk mengklasifikasikan citra pada penelitian ini hanya mengambil
Lebih terperinciKAJIAN AKURASI INTERPRETASI HIBRIDA MENGGUNAKAN EMPAT INDEKS VEGETASI UNTUK PEMETAAN KERAPATAN KANOPI DI KAWASAN HUTAN KABUPATEN GUNUNGKIDUL
KAJIAN AKURASI INTERPRETASI HIBRIDA MENGGUNAKAN EMPAT INDEKS VEGETASI UNTUK PEMETAAN KERAPATAN KANOPI DI KAWASAN HUTAN KABUPATEN GUNUNGKIDUL Monica Mayda Pratiwi monica.m.pratiwi@gmail.com Hartono hartonogeografi@yahoo.co.id
Lebih terperinciDAFTAR ISI HALAMAN JUDUL...
DAFTAR ISI HALAMAN JUDUL... i HALAMAN PENGESAHAN... ii HALAMAN PERNYATAAN... iii INTISARI... iv ABSTRACT... v KATA PENGANTAR... vi DAFTAR ISI... viii DAFTAR GAMBAR... x DAFTAR TABEL... xiii DAFTAR LAMPIRAN...
Lebih terperinciStudi Perhitungan Jumlah Pohon Kelapa Sawit Menggunakan Metode Klasifikasi Berbasis Obyek
1 Studi Perhitungan Jumlah Pohon Kelapa Sawit Menggunakan Metode Klasifikasi Berbasis Obyek Hepi Hapsari Handayani, Maria Regina Caeli Jurusan Teknik Geomatika, Fakultas Teknik Sipil dan Perencanaan, Institut
Lebih terperinciMETODE PENELITIAN Kerangka Pemikiran
17 METODE PENELITIAN Kerangka Pemikiran Penggunaan lahan masa lalu dan penggunaan lahan masa kini sangat dipengaruhi oleh berbagai aspek yang saling berhubungan antara lain peningkatan jumlah penduduk
Lebih terperinciII. TINJAUAN PUSTAKA. permukaan lahan (Burley, 1961 dalam Lo, 1995). Konstruksi tersebut seluruhnya
5 II. TINJAUAN PUSTAKA A. Penutupan Lahan dan Perubahannya Penutupan lahan menggambarkan konstruksi vegetasi dan buatan yang menutup permukaan lahan (Burley, 1961 dalam Lo, 1995). Konstruksi tersebut seluruhnya
Lebih terperinciII. TINJAUAN PUSTAKA 2.1 Daerah Aliran Sungai (DAS)
II. TINJAUAN PUSTAKA 2.1 Daerah Aliran Sungai (DAS) Daerah Aliran Sungai (DAS) adalah suatu wilayah daratan yang secara topografi dibatasi oleh punggung-punggung gunung yang menampung dan menyimpan air
Lebih terperinciV. HASIL DAN PEMBAHASAN
27 V. HASIL DAN PEMBAHASAN 5.1. Penampilan Citra Dual Polarimetry PALSAR / ALOS Penampilan citra dual polarimetry : HH dan HV level 1. 5 PALSAR/ALOS masing-masing dapat dilihat pada ENVI 4. 5 dalam bentuk
Lebih terperinciKAJIAN KEMAMPUAN JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK KLASIFIKASI PENGGUNAAN LAHAN MENGGUNAKAN CITRA ALOS AVNIR-2
KAJIAN KEMAMPUAN JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK KLASIFIKASI PENGGUNAAN LAHAN MENGGUNAKAN CITRA ALOS AVNIR-2 Candra Yogi Feriyawan yogi_candra@yahoo.com Projo Danoedoro projo.danoedoro@yahoo.com
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Digital Citra digital adalah citra yang bersifat diskrit yang dapat diolah oleh computer. Citra ini dapat dihasilkan melalui kamera digital dan scanner ataupun citra yang
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Penelitian dilakukan dari bulan Juli sampai September 2011 di Kabupaten Sidoarjo, Jawa Timur. Pengolahan data dilakukan di Laboratorium Analisis Lingkungan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Peta merupakan representasi dari permukaan bumi baik sebagian atau keseluruhannya yang divisualisasikan pada bidang proyeksi tertentu dengan menggunakan skala tertentu.
Lebih terperinciOptimalisasi Pemetaan Fase Pertumbuhan Padi Berdasarkan Analisa Pola Reflektan dengan Data Hiperspektral Studi Kasus : Kabupaten Karawang
Optimalisasi Pemetaan Fase Pertumbuhan Padi Berdasarkan Analisa Pola Reflektan dengan Data Hiperspektral Studi Kasus : Kabupaten Karawang M. A. Rauf Syafriyyin 1) dan Bangun Mulyo Sukojo 2) Jurusan Teknik
Lebih terperinciEvaluasi Indeks Urban Pada Citra Landsat Multitemporal Dalam Ekstraksi Kepadatan Bangunan
Sukristiyanti et al. / Jurnal Riset Geologi dan Pertambangan Jilid 17 No.1 ( 2007) 1-10 1 Evaluasi Indeks Urban Pada Citra Landsat Multitemporal Dalam Ekstraksi Kepadatan Bangunan SUKRISTIYANTI a, R. SUHARYADI
Lebih terperinciIII. METODE PENELITIAN
III. METODE PENELITIAN A. Lokasi dan Waktu Penelitian ini dilakukan pada daerah kajian Provinsi Kalimantan Barat. Pengolahan dan analisis data dilakukan di Laboratorium Fisik Remote Sensing dan Sistem
Lebih terperinciBAB II. TINJAUAN PUSTAKA
DAFTAR ISI HALAMAN JUDUL... i LEMBAR PENGESAHAN... ii HALAMAN PERNYATAAN... iii INTISARI... iv ABSTRACT... v KATA PENGANTAR... vi DAFTAR ISI... viii DAFTAR TABEL... x DAFTAR GAMBAR... xi DAFTAR LAMPIRAN...
Lebih terperinciGambar 1. Peta DAS penelitian
Gambar 1. Peta DAS penelitian 1 1.1. Proses Penentuan Model Kemiringan Lereng Kemiringan lereng ditentukan berdasarkan informasi ketinggian dan jarak pada data DEM yang berbasis raster (piksel). Besarnya
Lebih terperinciLatar Belakang. Penggunaan penginderaan jauh dapat mencakup suatu areal yang luas dalam waktu bersamaan.
SIDANG TUGAS AKHIR PEMANFAATAN CITRA RESOLUSI TINGGI UNTUK MENGIDENTIFIKASI PERUBAHAN OBYEK BANGUNAN (STUDI KASUS UPDATING RENCANA DETAIL TATA RUANG KOTA UNIT PENGEMBANGAN RUNGKUT SURABAYA) Oleh Dewi Nur
Lebih terperinciSession_02 February. - Komponen SIG - Unsur-unsur Essensial SIG. Matakuliah Sistem Informasi Geografis (SIG)
Matakuliah Sistem Informasi Geografis (SIG) Oleh: Ardiansyah, S.Si GIS & Remote Sensing Research Center Syiah Kuala University, Banda Aceh Session_02 February - Komponen SIG - Unsur-unsur Essensial SIG
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Menginterprestasi sebuah citra untuk memperoleh diskripsi tentang citra tersebut melalui beberapa proses antara lain preprocessing, segmentasi citra, analisis
Lebih terperinciANALISIS PERUBAHAN SUHU PERMUKAAN TANAH DENGAN MENGGUNAKAN CITRA SATELIT TERRA DAN AQUA MODIS (STUDI KASUS : DAERAH KABUPATEN MALANG DAN SURABAYA)
ANALISIS PERUBAHAN SUHU PERMUKAAN TANAH DENGAN MENGGUNAKAN CITRA SATELIT TERRA DAN AQUA MODIS (STUDI KASUS : DAERAH KABUPATEN MALANG DAN SURABAYA) Oleh : Dawamul Arifin 3508 100 055 Jurusan Teknik Geomatika
Lebih terperinciSEGMENTASI CITRA CT SCAN TUMOR OTAK MENGGUNAKAN MATEMATIKA MORFOLOGI (WATERSHED) DENGAN FLOOD MINIMUM OPTIMAL
SEGMENTASI CITRA CT SCAN TUMOR OTAK MENGGUNAKAN MATEMATIKA MORFOLOGI (WATERSHED) DENGAN FLOOD MINIMUM OPTIMAL Andi Hendra 1 1 Jurusan Matematika MIPA Universitas Tadulako ABSTRAK Penelitian pengolahan
Lebih terperinciTujuan. Model Data pada SIG. Arna fariza. Mengerti sumber data dan model data spasial Mengerti perbedaan data Raster dan Vektor 4/7/2016
Model Data pada SIG Arna fariza Politeknik elektronika negeri surabaya Tujuan Mengerti sumber data dan model data spasial Mengerti perbedaan data Raster dan Vektor 1 Materi Sumber data spasial Klasifikasi
Lebih terperinciPEMISAHAN ANTARA RADIANSI DASAR PERAIRAN DAN RADIANSI KOLOM AIR PADA CITRA ALOS AVNIR-2
PEMISAHAN ANTARA RADIANSI DASAR PERAIRAN DAN RADIANSI KOLOM AIR PADA CITRA ALOS AVNIR-2 Muhammad Anshar Amran 1) 1) Program Studi Ilmu Kelautan Fakultas Ilmu Kelautan dan Perikanan, Universitas Hasanuddin
Lebih terperinciI. PENDAHULUAN. Contoh untuk proses segmentasi citra yang digunakan adalah klasterisasi (clustering).
1 MAKALAH SEMINAR TUGAS AKHIR SEGMENTASI CITRA MENGGUNAKAN TEKNIK PEMETAAN WARNA COLOR MAPPING) DENGAN BAHASA PEMROGRAMAN DELPHI Saptono Widodo*, Achmad Hidayatno**, R. Rizal Isnanto** Abstrak Selama ini
Lebih terperinciKlasifikasi Berbasis Objek pada Citra Pleiades untuk Pemetaan Ketersediaan Ruang Terbuka Hijau di Perkotaan Purwokerto 2013
Klasifikasi Berbasis Objek pada Citra Pleiades untuk Pemetaan Ketersediaan Ruang Terbuka Hijau di Perkotaan Purwokerto 2013 Eksi Hapsari 1, Sigit Heru Murti B.S. 2 1 Mahasiswa Program Studi Kartografi
Lebih terperinci