PEMANFAATAN TRANSFORMASI WAVELET UNTUK CITRA PENGINDERAAN JAUH. Mohammad Natsir *, Wiweka **

Transkripsi

1 PEMANFAATAN TRANSFORMASI WAVELET UNTUK CITRA PENGINDERAAN JAUH Mohammad Natsir *, Wiwea ** ABSTRAK PEMANFAATAN TRANSFORMASI WAVELET UNTUK CITRA PENGINDERAAN JAUH. Citra radar SAR pada umumnya mempunyai noise dan specel yang berjumlah cuup besar, sehingga mengganggu interpretasi pengguna. Banya jenis filter yang telah diciptaan husus untu dimanfaatan untu perbaian citra radar SAR namun hasilnya belum cuup memuasan. Oleh arena itu dilauan suatu percobaan pemaaian transformasi wavelet untu perbaian citra radar dengan mempergunaannya sebagai filter. Beberapa hasil yang diperoleh diperbandingan untu memperoleh hasil yang optimal. ABSTRACT UTILIZATION OF WAVELET TRANSFORMATION FOR REMOTE SENSING IMAGE. Usually radar SAR imagery has so very much noise and specel that reduce the user interpretation accuracy. There are many filter types created special to improve radar SAR imageries, however, people do not be satisfied with them. Therefore one do experiments of wavelet transformation utilization as filters to improve radar imagery. Several outcomes were compared to get which one is the best. PENDAHULUAN Sudah cuup lama ilmuwan mengenal Transformasi Fourier (TF) atau Analisis Fourier, analisis ini sudah banya digunaan dalam pengolahan sinyal. Analisis Fourier adalah analisis gelombang yang mengespansian sinyal atau fungsi e dalam gelombang sinus (atau exponensial omples, yang eivalen) yang terbuti sangat berharga dalam metematia, sains dan teni, terutama untu fenomena periodi, ta gayut watu, atau stasioner. Seperti halnya Transformasi Fourier, Transformasi Wavelet digunaan juga untu menganalisis sinyal ataupun data. Transformasi Wavelet (TW) adalah suatu alat untu memilah-milah data, fungsi atau operator e dalam omponen freuensi yang berbeda-beda, emudian mempelajari setiap omponen dengan suatu resolusi yang coco dengan salanya. Dahulu teni ini ditemuan sebagai alat dalam menyelesaian persoalan dalam matematia murni, misalnya Calderon (1994), fisia dalam meania uantum oleh Aslaen dan Klauder * Peneliti pada Unit Komdu Pusat Tenologi Penginderaan Jauh LAPAN ** Peneliti pada Bidang Pengolahan Data Pusat Tenologi Penginderaan Jauh LAPAN

2 (1968), Hamiltonian atom Hidrogen oleh Paul (1985) dan dalam ilmu teni dienalan oleh Esteban dan Galland (1977) dalam mendesain filter QMF, filter QMF ini emudian diembangan dengan onstrusi esa oleh Smith dan Barnwell (1986), dalam teni elistrian lainnya oleh Vetterli (1986) dan pada tahun 1983 wavelet digunaan dalam menganalisis data seismic oleh J. Morlet. Pada urun watu lima tahun terahir ini telah terlihat suatu sintesis antara semua pendeatan yang berbeda, yang telah sangat aya dengan harapan untu semua lapangan yang diaji. Dengan menggunaan metoda wavelet telah secara umum dilauan dengan suses penyelesaian numeri persamaan diferensial parsial, pengolahan sinyal seismi dan geofisia, pengolahan sinyal dan citra biomedi/medis, omuniasi dan bahan diombinasian dengan fractal untu digunaan salah satunya menghilangan noise dalam musi. Dalam penginderaan jauh salah satunya Marcello Melis dan Andrea Lazzori menggunaan transformasi wavelet untu meredusi noise pada citra ERS-1 yang dilaporan pada First ERS-1 Pilot Project Worshop di Toledo Spanyol tahun Dalam tulisan ini penulis aan melaporan hasil penerapan transformasi wavelet untu meredusi noise pada citra ERS daerah Semarang Jawa Tengah. TEORI Seseorang telah mengenal Transformasi Fourier tida aan esulitan untu mengenal Trnasformasi Wavelet. Transformasi Wavelet atau expansi wavelet didefinisian sebagai f ( t) = a ψ ( t) 2-1 t Di mana l bulat positif (integer), a l oefisien espansi (riil) dan ψ l (t) fungsi riil. Bila espansinya uni, set disebut basis dari fungsi yang diespansian. Kalau basis-basis tersebut ortogonal maa l l ψ ( t); ψ l ( t) = ψ ( t) ψ l ( t) dt = 0; l 2-2 a = f ( t ), ψ ( t ) = f ( t ) ψ ( t ) dt 2-3

3 Koefisien dapat dihitung dengan inner product Dengan mensubstitusian (2-1) e (2-3) menggunaan (2-2) menghasilan oefisien a yang tunggal. Bila set basis ta ortogonal maa edua set basis tersebut memberi oefisien yang diehendai. Gambar 2-1. Fungsi Sala dan Wavelet Espansi Daubechies Fungsi wavelet diperoleh dari penggeseran (translasi) dan pengubahan sala, yang dinyataan dengan dua parameter translasi dan parameter sala. Espansi fungsi dalam transformasi wavelet tersebut tergantung pada sepasang parameter yang membuat persamaan (2-1) menjadi f ( t) = d j, ψ j, ( t) 2-4 di mana indes integer j dan masing-masing beraitan dengan parameter sala dan translasi. ψ j, (t) adalah fungsi espansi wavelet yang merupaan suatu basis ortogonal. Wavelet terdiri atas banya jenis, salah satunya diembangan oleh Daubechies (lihat Gambar 2-1), merea mempunyai sifat yang sama yaitu; Semua yang disebut sistem wavelet generasi pertama dibangitan dari suatu fungsi sala (scaling function) tunggal atau wavelet dengan sala dan translasi sederhana. Energi sinyal terespansi secara bai oleh beberapa oefisien a j,. Perhitungan oefisien transformasi wavelet yang dilasanaan lebih efisien dibanding FFT, yang dinyataan dengan omplesitas omputasi antara O(N) dan O(Nlog(N)). j

4 Semua sistem wavelet dibangitan dari fungsi sala atau wavelet tunggal dengan translasi sederhana. Secara umum wavelet dibangitan dari suatu fungsi (pembangit wavelet atau ibu wavelet) ψ(t) melalui ψ t a 1/ 2 t b m, n ( ) = ψ ( ) a 2-5 di mana a = a o m 0 sebagai parameter dilasi dan b = nb o a o m > 0 adalah parameter translasi. Fungsi yang paling populer digunaan saat ini adalah dengan harga pada tetapan a o = 2 dan b o = 1; j / 2 j ψ ( t ) = 2 ψ (2 t ) j, z 2-6 j, di mana z adalah himpunan integer dan fator 2 j/2 merupaan onstanta yang menjaga norm bebas dari j. Fungsi ψ(t) ini merupaan basis ortonormal ruang L 2 ( R ). Transformasi Wavelet seperti dalam transformasi Fourier juga terdiri atas dua jenis, yaitu Transformasi Wavelet Kontinyu dan Transformasi Wavelet Disrit. Dalam transformasi wavelet Disrit terdapat dua hal yang penting yaitu Sistem Disrit Berlebih (berbingai-bingai) dan Basis Wavelet Ortonormal. Basis Wavelet Ortonormal dapat diinterpretasi secara pratis dan matematis melalui onsep multiresolusi, yaitu efe atas perubahan fungsi sala, di mana wavelet adalah ortonormal dan setiap fungsi dalam ruang dapat dideati oleh ombinasi linear terbatas dari fungsi wavelet. Untu memudahan perhitungan diperenalan suatu fungsi bantu yang disebut fungsi sala. Fungsi ini mempunyai hubungan dengan wavelet yang dinyataan dalam persamaan beriut; di mana j / 2 j ϕ ( t) = 2 ϕ(2 t ) 2-7 j, ψ ( x) = ϕ( x) = d ϕ( x ) c ϕ(2x ) Untu menjelasan multiresolusi perlu dilihat ruang vetor L 2 (R). Ruang tersebut dibentang berdasaran basis fungsi sala ϕ(t) yang didefinisian sebagai ν = span{ ϕ ( t)} 2-9 o 2-8,a 2-8,b

5 untu semua integer dari - e + yang berarti Secara umum uuran bagian ruang dapat merubah-rubah, sala watu fungsi sala. f ( t) = a ϕ ( t) untu setiap f(t) ν o 2-10 Basis fungsi sala dapat ditulis dengan bentangan e adalah j ν = span{ ϕ (2 t)} = span{ ϕ, ( t)} 2-11 j untu semua integer z yang berarti bahwa bila f(t) ν j, maa dapat dinyataan sebagai j j f ( t) = a ϕ(2 t ) 2-12 untu j >0, bentangan dapat lebih besar jia ϕ j, (t) lebih sempit dan bergeser dalam langah yang lebih ecil, sehingga lebih detil (halus). Untu j <0, ϕ j, (t) lebih lebar dan digeser lebih lebar. Multiresolusi tersebut dapat diformulasian sebagai bentang ruang yang bertingat seperti beriut, atau dengan ν -2 ν -1 ν o ν 1 ν 2 L a ν j ν j+1 untu semua j z 2-13b ν - = {0}, ν = L c Ruang yang berisi sinyal resolusi tinggi aan berisi juga sinyal beresolusi lebih rendah. Karena definisi ν j, ruang-ruang harus memenuhi suatu ondisi sala alami. f ( t) ν f (2t) ν 2-14 j j+ yang menjamin elemen-elemen dalam ruang merupaan sala versus elemen-elemen ruang beriutnya. Resolusi ruang yang terbentang berturut-turut dari ϕ(2 j t-) diilustrasian dalam Gambar 2-2 beriut.

6 ν 3 ν o ν 1 ν 2 Gambar 2-2. Ruang Vetor Bertingat yang Dibentang oleh Fungsi Sala Bila ϕ(t) dalam ν o, berarti ϕ(t) juga dalam ν 1, ν 2, ν 3 dan seterusnya dalam ν. Ruang dapat dibentang dari ϕ(2t), ϕ(t) dapat dinyataan dalam jumlah berbobot ϕ(2t) yang ditranslasi ϕ( t) = h( n) 2ϕ( 2t n) n z n 2-15 oefisien h(n) adalah deretan bilangan riil atau omple yang disebut oefisien fungsi sala (filter sala atau vetor sala). Sebagai contoh fungsi sala Haar yang berbentu pulsa sederhana yang bertinggi dan lebar satu (lihat Gambar 2-3), terlihat bahwa ϕ(2t) dapat digunaan untu membangun ϕ(t) dengan ϕ( t) = ϕ( 2t) + ϕ( 2t 1) 2-16 oefisien adalah h(0) = 1/ 2, dan h(1) = 1/ 2. Sinyal dapat direpresentasian secara lebih bai dengan fungsi wavelet ψ j, (t) yang lebih bai. Fungsi tersebut membentang ruang di dalam ruang yang dibentang fungsifungsi sala. Semua anggota fungsi tersebut ortogonal dengan fungsi sala. Bila ruang fungsi sala dinyataan dengan ν maa ruang wavelet adalah ϖ, maa semua anggota ν j otogonal dengan ϖ j, dinyataan dengan ϕ j, ( t), ψ j, l ( t) = ϕ j, ( t) ψ j, l ( t) dt =

7 untu semua j,, l z yang coco. 0,5 1 ϕ( t) = ϕ( 2t) + ϕ( 2t 1) Gambar 2-3: Penguraian fungsi sala. Didefinisian wavelet yang membentang bagian ruang ϖ o sedemiian rupa hingga diembangan menjadi ν1 = ν0 ϖ o ν = ν ϖ ϖ 2 o o a 2-18b seterusnya secara umum memberi 2 L o o = ν ϖ ϖ ϖ L c Jia ν o adalah bagian ruang permulaan dengan bentang fungsi sala ϕ(t-), gambar 2-4 secara grafis memberi gambaran ruang bertingat fungsi sala dengan berbagai sala j dan bagaimana ruang wavelet terhubung. ϖ 2 ϖ 1 ϖ o ν o Gambar 2-4. Fungsi Sala dan Ruang Vetor Wavelet

8 Wavelet yang ada dalam ruangan dibentang oleh fungsi sala tersempit beriutnya, ϖ o ν 1, direpresentasian oleh jumlah berbobot fungsi sala tergeser ϕ(2t). ψ ( t) = h 1 ( n) 2ϕ ( 2t n) n z n 2-19 untu beberapa set h 1 (n). Koefisien tersebut dapat diperoleh dari oefisien fungsi sala n h1 ( n) = ( 1) h( 1 n) 2-20 untu suatu h(n) panjang tertentu N, n h1 ( n) = ( 1) h( N 1 n) 2-21 Prototipe wavelet atau ibu wavelet adalah ψ j, j/ j ( t) = 2 2 ψ ( 2 t ) 2-22 Sehingga diperoleh suatu set fungsi-fungsi ϕ(t) dan ψ(t) yang dapat membentang L 2 (R). Contoh fungsi sala Haar di atas dapat memberi wavelet sebagai yang diilustrasian dalam gambar 2-5. Suatu fungsi g(t) L 2 (R ) dapat ditulis sebagai g( t) = c( ) ϕ ( t) + d( j, ) ψ j, ( t ) = j= 0 = 2-23 sebagai deret espansi dalam fungsi sala dan wavelet. ψ(t)=ϕ(2t) - ϕ(2t-1) Gambar 2-5. Wavelet Fungsi Haar

9 PEMANFAATAN WAVELET Seperti telah diemuaan pada pendahuluan Transformasi Wavelet dapat digunaan untu menyelesaian masalah dalam berbagai macam lapangan ilmu. Dalam pengolahan sinyal transformasi ini dapat diombinasian dengan FFT dan mempercepat perhitungan tersebut sehingga mengurangi eomplean omputasi (computation complexity) menjadi O(N). Diantara banya pemanfaatan Transformasi Wavelet ada tiga macam yang aan diemuaan dalam tulisan ini yang beraitan dengan pengolahan sinyal dan citra penginderaan jauh, yaitu; pengurangan noise (denoising), dan ompresi. Filtering Yang dimasud dengan filter dalam pengolahan sinyal adalah "finite impulse response" sederetan harga respons yang berderet dengan panjang tertentu (FIR) maupun tida tertentu "infinite impulse response" H(ω) ν o ϖ o ϖ 1 ϖ 2 0 π/8 π/4 π/2 π ω Gambar 3-1. Pita Freuensi dalam Transformasi Wavelet (IIR) yang dienaan pada suatu sinyal yang masu; eluarannya diselesaian dengan onvolusi. Harga respons tersebut dinamaan juga oefisien filter. Para ilmuwan sudah biasa menyelesaian dengan Transformasi Fourier ataupun dengan Transformasi Z. Searang ternyata merea juga dapat menyelesaian persoalan filtering menggunaan Transformasi Wavelet dengan lebih mudah. Mereapun dapat juga menganalisis dengan menguraian suatu sinyal berdasar freuensinya. Tanggap freuensi suatu filter digital dengan oefisien tanggap impulsnya h(n) adalah H h n e i ω ( ω) = ( ) n 3-1 n=

10 Di mana h(n) adalah oefisien filter dalam notasi digital. Apabila jumlah oefisien terbatas misalnya N, maa filter disebut filter tanggap impuls terbatas atau FIR (Finite Impuls Response), sebalinya bila jumlahnya ta terhingga disebut filter tanggap impuls ta terhingga atau IIR (Infinite Impuls Response). Jia masuan adalah merupaan suatu deretan pulsa x(n) maa eluaran adalah y(n) yang dapat ditulisan menjadi N 1 y( n) = h( ) x( n ) = Sebagai contoh adalah suatu filter tanggap impuls terbatas dinyataan dalam transformasi wavelet yang digambaran dalam pohon analisis pada gambar 3-2 beriut, c j+1 ν 2 h 1 (-n) h 0 (-n) 2 Gambar 3-2. Pohon Analisis Koefisien Filter Dua Pita Dua Tingat 2 d j ϖ 1 h(-n) 2 h 0 (-n) 2 d j-1 ϖ 0 c j-1 ν 0 Dari pohon analisis tersebut dapat diembangan dua persamaan yaitu; dan ν2 = ν1 + νo + ϖo 3-3 c j = d j + d j 1 + c j Sedangan sinyal eluaran dapat diperoleh dari persamaan umum ( j+ 1)/ 2 j+ 1 ( j+ 1)/ 2 j+ 1 f ( t) = c j ( ) h( n) 2 ϕ( 2 t 2 n) + d j ( ) h 1( n) 2 ϕ( 2 t 2 n) Pengurangan Noise n Pengurangan noise sinyal dengan TW memanfaatan arateristinya yang mampu mengonsentrasian energi. Sinyal yang dianalisis yang energinya n 3-5

11 teronsentrasi dalam sejumlah ecil dimensi wavelet oefisiennya relatif besar dibanding dengan noise yang energinya menyebar. Dengan treholding dan shrining TW aan dapat menghilangan noise atau sinyal lain yang ta diehendai dalam domain wavelet. Kemudian ita aan memperoleh embali sinyal yang diingini (walaupun sediit eurangan detail) setelah melauan inverse terhadap wavelet tersebut. Andaian sinyal dengan dimensi tertentu dengan noisenya adalah y = x + εn i i 3-6 dimana x i adalah sinyal asli, ε adalah deviasi dan n adalah noise. Setelah ditransformasi atau Y = X + N Yi = X i + N i 3-7a 3-7b dimana huruf besar menyataan variabel yang berada dalam domain transformasi wavelet. Bila W merupaan maris transformasi wavelet dan inversenya adalah W -1 di mana berlau WW -1 = I, maa Y = Wy, X = Wx dan N = Wn. Pengurangan noise menurut Donoho dapat dilasanaan dengan urutan seperti digambaran dalam blo diagram beriut Citra masu TW tresh eras tresh luna invers TW Citra eluar Gambar 3-3. Diagram Blo Proses Pengurangan Noise Bila sinyal atau citra masuan dinyataan dengan y maa transformasi dapat ditulis sebagai Y = Wy 3-8 emudian dilasanaan tresholding dalam domain wavelet, dapat menggunaan apa yang disebut "hard thresholding" $ Y, Y t X = Th( Y, t) = 0, Y t 3-9

12 atau menurut yang disebut "soft thresholding" dan terahir dilauan inverse transformasi wavelet untu memperoleh citra yang diehendai. $ sgn( Y)( Y t), Y t X = Ts( Y, t) = 0, Y t 3-10 y = W -1 Y 3-11 Kompresi Citra Dari teori dasar informasi, dietahui bahwa jumlah rata-rata bit yang diperluan untu merepresentasian suatu variabel aca disrit yang didistribusian secara independen dan identi X adalah entropinya H(X). Bila distribusinya P(X) dietahui, maa dapat dirancang suatu sandi aritmatia atau sandi Hoffman atau metoda adaptif untu memperoleh eadaan minimumnya. Variabel aca ontinyu memerluan suatu jumlah bit yang ta terhingga untu merepresentasian sesuatu besaran, oleh arena itu diperluan suatu uantisasi untu presentasi yang terbatas dan pratis. h(n) h(n) a. Kuantisasi sebelum transformasi b. Kuantisasi setelah transformasi Gambar 3-4. Kuantisasi sebelum dan sesudah Transformasi Pelasanaan ompresi secara garis besar divisualisasian sebagai gambar blo beriut Citra masu Transfor masi uanti sasi sandi entropi citra terom presi Gambar 3-5. Prototipe Kompresi Penyimpanan Citra

13 FILTER UNTUK DATA RADAR Dalam berbagai daftar pustaa pengolahan data RADAR yang telah dipergunaan secara luas dalam masyaraat penginderaan jauh, ditawaran beberapa filter dalam ranga menghilangan noise atau specel yang ada dalam citra data SAR yang digunaan sehingga diperoleh suatu data yang bai, dengan sesediit mungin esalahan. Diantaranya antara lain adalah filter-filter yang tergolong dalam filter adaptif yaitu filter Average, filter Lee dan filter Median. Beberapa peneliti telah melauan pengamatan secara tida langsung terhadap penggunaan filter yang harus dipergunaan dan filter mana yang paling bai, namun beberapa pengamat mengataan filter satu lebih bai dari pada filter lain pada satu pemanfaatan dan filter yang lain lebih bai dari yang lain pada pa saat digunaan dalam pemaaian yang lain pula. Perbaian citra SAR menurut Melis dan Lazzori (1994) dapat dilasanaan dengan menerapan filter yang sesuai, salah satunya adalah dengan transformasi wavelet. Dalam percobaan yang dilauan oleh penulis, data yang digunaan adalah data citra JERS-1 SAR daerah Semarang (lihat gambar 4-1). Sedangan filter yang digunaan menggunaan wavelet fungsi Daubechies. Dengan menggunaan fasilitas yang ada dalam Matlab dilauan beberapa transformasi pada citra yang ada. Di samping itu juga dilauan pemfilteran citra tersebut menggunaan filter Average, filter Lee dan filter Median. Setelah ditransformasi, citra emudian direonstrusi dengan oefisien yang telah diperoleh tersebut. Kemudian juga dilauan thresholding untu tida menghilangan noise yang terbawa oleh sensor radar SAR JERS-1. Kemudian diperbandingan citra-citra hasil yang diperoleh setelah dienaan filter-filter tersebut di atas. Gambar 4-1. Citra JERS-1 SAR Semarang

14 HASIL PERCOBAAN Cita-citra hasil yang diperoleh dari penerapan filter-filter Average, Lee, Median dan Wavelet ditampilan dalam gambar 5-1 yaitu a) filter Average, b) filter Lee, c) filter Median dan d) Wavelet. Dari gambar tersebut tampa jelas perbedaan-perbedaan dari hasil filter. Gambar 5-1. Hasil-hasil Penerapan Filter Average, Lee, Median dan Wavelet Citra wavelet yang disajian dalam gambar 5-1 adalah hasil reonstrusi tingat pertama. Koefisien tingat pertama yang terdiri atas omponen citra yang uurannya lebih ecil dari aslinya. Tingat e dua dimensinya semain ecil dan seterusnya main tinggi tingatnya dimensinya semain ecil. Bila yang asli beruuran ( 240, 240), maa oefisien dan reonstrusi tingat pertama beruuran ( 120, 120) dan uuran oefisien dan reonstrusi tingat e dua adalah (60, 60). Ternyata reonstrusi citra melalui transformasi wavelet invers tersebut dapat memperoleh embali citra dengan ualitas yang tida menurun secara berarti. Namun hasilnya tida sebagus filter-filter yang lain. Pemfilteran dengan pemanfaatan transformasi wavelet dalam pengolahan citra ini belum optimal, masih aan dilanjutan untu memperoleh reliabelitas yang lebih bai dan filter dengan jenis fungsi wavelet yang berbeda-beda.

15 KESIMPULAN Dari uraian yang tertuang dalam bab-bab terdahulu maa dapat diambil esimpulan bahwa: a. Dengan menggunaan transformasi wavelet dapat dilauan penghilangan derau (noise), freuensi yang tida diehendai. b. Uuran omponen citra semain tinggi tingat transformasinya semain mengecil sehingga alau direonstrusi uuran hasilnya pun sama. c. Namun dalam percobaan yang dilauan, belum dapat menunjuan filter hasil transformasi wavelet yang paling bai. masih aan dicoba dengan fungsi wavelet yang lain. DAFTAR PUSTAKA 1. BURRUS, C. SIDNEY at. al. Introduction to Wavelets and Wavelet Transformation, Prentice Hall International Inc. New Jersey, (1998) 2. DAUBECHIES, INGRID, Ten Lectures on Wavelets, Society for Industrial and Applied Mathematics, Philadelphia, (1992) 3. MELIS, MARCELLO dan LAZZORI, A., Multi Temporal and Single Image Freature Extraction, From ERS-1 SAR Image Data with Wavelet Transforms and Unsupervised Neural Networs, Peoceedings of First ERS-1 Pilot Project Worshop, Toledo, Spain, June 1994 (ESA Sp 365 Oct 1994) 4. WICKERHAUSER, MLADEN VICTOR, Adapted Wavelet Analysis from Theory to Software, IEEE, Piscataway - New Jersey, (1994)

16 DAFTAR RIWAYAT HIDUP 1. Nama : MOHAMMAD NATSIR 2. Tempat/Tanggal Lahir : Solo, 25 September Instansi : LAPAN 4. Peerjaan / Jabatan : Kepala Unit KomDu, Pus. Teja 5. Riwayat Pendidian : (setelah SMA sampai searang) FMIPA-UGM, Jurusan Fisia (S1) Pasca Sarjana Non Gelar Teni Penginderaan Jauh Training Penginderaan Jauh 6. Pengalaman Kerja : searang : LAPAN : Lab. Fisia Dasar FMIPA-UGM 7. Organisasi Professional : Himpunan Fisia Indonesia (HFI) Masyaraat Penginderaan Jauh Indonesia (MAPIN)