BAB IV HASIL DAN ANALISIS
|
|
- Agus Muljana
- 7 tahun lalu
- Tontonan:
Transkripsi
1 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 3 scale parameter terkecil saja karena semakin besar scale parameter yang digunakan maka ada tutupan kelas yang tidak akan terdefinisikan. Tabel 4.1 menunjukkan segmentasi yang dilakukan dengan beberapa parameter yang berbeda. Tabel 4.1 Parameter Segmentasi yang dilakukan pada Landsat TM Level Scale Parameter Color Shape Smoothness Compactness Level Level Level Keberagaman parameter segmentasi yang digunakan tersebut akan memberikan hasil segmentasi yang berbeda pula. Level 1 (Gambar 4.1) akan memberikan bentuk poligon yang lebih kecil dan lebih banyak, tapi keberagaman piksel dalam satu segmen sedikit. Sedangkan pada level 2 (Gambar 4.2) poligon yang terbentuk lebih banyak dan keragaman dalam satu segmen lebih banyak dari level 1. Pada level 3 (Gambar 4.3) poligon lebih besar lagi dan memiliki lebih banyak keberagaman piksel dalam satu segmennya. 23
2 Gambar 4.1 Level 1. Poligon yang terbentuk banyak Gambar 4.2 Level 2. Poligon yang terbentuk lebih besar 24
3 Gambar 4.3 Level 3. Poligon yang terbentuk memiliki keberagaman yang lebih banyak dalam satu segmen Selain melakukan segmentasi pada citra, didapatkan juga segmentasi terbaik untuk setiap kelas. Segmentasi level 1 merupakan segmentasi terbaik untuk kelas jalan dan vegetasi. Level 2 merupakan segmentasi terbaik untuk kelas bangunan dan daerah industry dan lahan kosong. Sedangkan untuk kelas tubuh air segmentasi level 2 dan 3 memberikan hasil yang sama baik, dan untuk kelas lahan terbuka segmentasi level 2 merupakan hasil terbaik. 4.2 Hasil Klasifikasi Tutupan Lahan Pixel-Based Classification Metode klasifikasi terbimbing diaplikasikan pada metode pixel-based ini. Maximum likelihood (Gambar 4.4) dan Minimum Distance (Gambar 4.5) merupakan sub metode yang diimplementasikan. Sebelum diklasifikasikan, kelas dari tutupan lahan ditentukan terlebih dahulu. 25
4 Berdasarkan titik referensi yang telah dikumpulkan ada enam kelas yang telah dikelompokkan yaitu tubuh air (water body), gedung dan daerah industri (building and industry area), permukiman (settlement), lahan terbuka (barren land), jalan (road), dan vegetasi (vegetation). Gambar 4.4 Hasil Klasifikasi Pixel-Based dengan Metode Maximum Likelihood Gambar 4.5 Hasil Klasifikasi Pixel-Based dengan Metode Minimum Distance 26
5 4.2.2 Object-Based Classification Setelah melakukan proses segmentasi pada citra langkah berikutnya ialah mengklasifikasikan citra tersebut. Klasifikasi dengan metode berbasis objek dilakukan dengan cara memilih sampel untuk setiap kelas tutupan lahan yang ada berdasarkan hasil segmentasi yang ada. Tapi sebelumnya ditentukan terlebih dahulu parameter klasifikasi yang ikut berperan dalam proses klasifikasi ini. Sehingga dalam pemilihan training sampel, tidak hanya mean value dari sampel yang diambil saja yang digunakan sebagai parameter klasifikasi, tapi juga parameter yang didefinisikan sebelumnya. Setelah pemilihan sampel maka citra tersebut kemudian diklasifikasikan dengan metode nearest neighbor berdasarkan sampel yang telah didefinisikan sebelumnya. Untuk dapat dibandingkan dengan dengan metode berbasis piksel maka digunakan tipe kelas dan informasi warna yang sama. Gambar 4.6 Hasil Klasifikasi Object-Based Level 1 27
6 Gambar 4.7 Hasil Klasifikasi Object-Based Level 2 Gambar 4.8 Hasil Klasifikasi Object-Based Level 3 28
7 4.3 Accuracy Assessment Suatu proses klasifikasi belum sempurna jika belum dihitung tingkat keakuratannya (Lillesand, 2005). Tingkat akurasi dalam penginderaan jauh yaitu mengukur derajat kepercayaan antara titik referensi dengan hasil klasifikasi. Untuk keperluan ini 180 titik sampel (piksel) telah di pilih secara acak sebagai titik referensi. Dalam penelitian klasifikiasi lazim digunakan producer dan user dalam melihat keakuratan hasil klasifikasi yang didapat. Producer memperlihatkan seberapa besar kemungkinan lahan di lapangan terklasifikasi secara tepat di dalam citra. Sedangkan user memperlihatkan seberapa besar kemungkinan klasifikasi dalam citra terklasifikasi secara tepat di lapangan. Producer dan user dapat memiliki nilai yang berbeda-beda di setiap kategori klasifikasinya. Untuk melihat keakuratan klasifikasi secara umum digunakan overall. Untuk menghitung overall yaitu dengan menjumlahkan nilai diagonal confusion matrix dan membaginya dengan jumlah titik sampel yang diambil. Dalam uji akurasi juga dikenal istilah The Kappa Index of Agreement (KIA). Nilai kappa merupakan ukuran kebenaran antara kelas yang direpresentasikan di dalam citra. Kappa menunjukkan nilai kecocokan hasil klasifikasi pada citra dengan keadaan yang sebenarnya di lapangan. Semakin besar nilai Kappa maka semakin benar klasifikasi yang dilakukan, sebaliknya semakin kecil nilai kappa maka semakin kecil pula kemungkinan hasil klasifikasi tersebut dapat digunakan. Hasil uji akurasi dari klasifikasi tutupan lahan baik dengan menggunakan metode berbasis objek maupun berbasis piksel dituangkan dalam bentuk matriks konfusi sebagai berikut: 29
8 Tabel 4.2 Confusion Matrix Hasil klasifikasi Maximum Likelihood Maximum Barren Water Building Road Settlement Vegetation Likelihood Land Body Building Road Barren Land Water Body Settlement Vegetation Producer's Accuracy Average Accuracy 77.25% Average Producer's Accuracy 78.83% Overall Accuracy 77.27% Kappa Agreement Tabel 4.3 Confusion Matrix Hasil klasifikasi Minimum Distance Minimum Distance Building Road Barren Water Settlement Vegetation Land Body Building Road Barren Land Water Body Settlement Vegetation Producer's Accuracy Average Accuracy 75.46% Average Producer's Accuracy 73.49% Overall Accuracy 76.14% Kappa Agreement Tabel 4.4 Confusion Matrix Hasil klasifikasi Object-Based Level 1 Level 1 Building Road Barren Water Settlement Vegetation Land Body Building Road Barren Land Water Body Settlement Vegetation Producer's Accuracy Average Accuracy 86.40% Average Producer's Accuracy 86.69% Overall Accuracy 86.52% Kappa Agreement
9 Tabel 4.5 Confusion Matrix Hasil klasifikasi Object-Based Level 2 Level 2 Building Road Barren Water Settlement Vegetation Land Body Building Road Barren Land Water Body Settlement Vegetation Producer's Accuracy Average Accuracy 82.69% Average Producer's Accuracy 86.98% Overall Accuracy 82.02% Kappa Agreement Tabel 4.6 Confusion Matrix Hasil klasifikasi Object-Based Level 3 Level 3 Building Road Barren Water Settlement Vegetation Land Body Building Road Barren Land Water Body Settlement Vegetation Producer's Accuracy Average Accuracy 78.98% Average Producer's Accuracy 85.38% Overall Accuracy 78.65% Kappa Agreement Tabel 4.7 Perbandingan Accuraccy assessment Pixel-Based dan Object-Based Pixel-based classification Object-oriented classification Maximum Likelihood Minimum Distance Level 1 Level 2 Level 3 Producer's Producer's Producer's Producer's Overall : 77.27% Overall : 76.14% Overall : 86.52% Overall : 82.02% Overall : 78.65% Kappa Statistic: Kappa Statistic: Kappa Statistic: Kappa Statistic: Kappa Statistic: Analisis Dari tabel 4.7 tersebut dapat kita lihat bahwa metode object-based memberikan hasil yang lebih akurat pada level berapa pun dibandingkan dengan metode pixel-based. Metode object-based menggabungkan informasi spasial dan 31
10 spektral dari objek tersebut sehingga dapat memberikan hasil yang lebih baik. Diawali dengan segmentasi citra yang dibuat dengan menggunakan informasi spasial dan spektral. Saat objek terbentuk, klasifikasi akan lebih terbentuk karena semua piksel dari satu objek terklasifikasikan pada kelas yang sama dan hasilnya akan mendekati dengan apa yang dilihat oleh manusia (Giada et al., 2003). Pada klasifikasi dengan pixel-based, terbatas dengan hanya mengekstraksi informasi spektral saja. Hasil yang paling bagus didapat pada level 1 dengan scale parameter 10 yaitu dengan overall sebesar %. Level 1 ini memberikan hasil yang lebih baik dibandingkan level 2 yang memiliki overall 82.02% dan level 3 yang memiliki overall sebesar 78.65% karena dipengaruhi hasil segmentasi yang dilakukan karena semakin besar scale parameter yang digunakan maka keberagaman piksel yang dikelompokkan menjadi satu objek akan semakin banyak. Hal itu mengakibatkan objek dengan nilai piksel yang berdekatan akan lebih susah dibedakan. Seperti pada objek jalan, semakin besar scale parameter yang digunakan maka objek jalan tersebut akan menyatu dengan objek vegetasi atau permukiman yang berada dekat dengan jalan tersebut. Sehingga khusus untuk kelas jalan (road) pada citra ini hasil klasifikasi pixel-based bisa memperlihatkan kelas jalan dengan lebih baik. Begitu juga dengan nilai kappa dari masing-masing metode, object-based level 1 memberikan hasil yang lebih besar dari pada metode lainnya yaitu sebesar Pada metode pixel-based dilihat pada tabel di atas, metode maximum likelihood memberikan hasil sedikit lebih baik dibandingkan dengan metode minimum distance. Hal ini dikarenakan metode minimum distance didasarkan atas penempatan piksel pada suatu kelas dengan nilai rata-rata yang terdekat sedangkan pada maximum likelihood selain melihat pada kedekatan nilai ratarata juga memperhitungkan pada sebaran normal dari training sample yang telah didefinisikan terlebih dahulu. Sehingga data training sample yang dibuat haruslah mencakupi keberagaman piksel pada kelas tutupan lahan tersebut. Pada saat klasifikasi baik dengan menggunakan metode pixel-based maupun object based masih didapatkan suatu objek ataupun piksel yang bukan dalam suatu kelas tetapi ikut terklasifikasikan maupun yang merupakan anggota suatu 32
11 kelas tetapi tidak ikut terklasifikasikan. Hal ini disebabkan karena nilai digital number maupun bentuknya hampir sama dengan training sample yang diambil sehingga terjadi adanya misclassification. Contohnya adalah kelas jalan yang terdefinisikan sebagai permukiman atau pun vegetasi. Begitu pula kelas permukiman yang terdefinisikan sebagai jalan. Beberapa kelas lainnya juga, seperti lahan kosong dan bangunan juga masih masuk pada kelas lainnya sehingga masih terdapat kesalahan. Sehingga training sample yang diambil haruslah mencakup keberagaman piksel pada setiap kelas, karena training sample inilah yang menjadi patokan dalam mengklasifikasikan citra. Untuk nilai producer s dan user s dari object-based rata-rata juga memberikan hasil yang lebih baik (meningkat) dibandingkan dengan hasil dari pixel-based. 33
BAB 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 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 terperinciPERBANDINGAN KLASIFIKASI TUTUPAN LAHAN DENGAN METODE OBJECT-BASED DAN PIXEL- BASED
PERBANDINGAN KLASIFIKASI TUTUPAN LAHAN DENGAN METODE OBJECT-BASED DAN PIXEL- BASED TUGAS AKHIR Karya Tulis sebagai salah satu syarat untuk memperoleh gelar Sarjana Oleh NANDHY RAMADHANNY HOESIN POETRI
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 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 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 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 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 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 terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Persiapan Tahap persiapan merupakan tahapan penting dalam penelitian tugas akhir ini. Proses ini sangat berpengaruh terhadap hasil akhir penellitan. Pada tahap ini dilakukan
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 terperinciKAJIAN UKURAN TRAINING SAMPLE OPTIMUM UNTUK KLASIFIKASI PENUTUP LAHAN DENGAN METODE KEMUNGKINAN MAKSIMUM ALFIANSYAH MUHAMMAD
KAJIAN UKURAN TRAINING SAMPLE OPTIMUM UNTUK KLASIFIKASI PENUTUP LAHAN DENGAN METODE KEMUNGKINAN MAKSIMUM ALFIANSYAH MUHAMMAD DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Koreksi Geometrik Koreksi geometrik adalah suatu proses memproyeksikan data pada suatu bidang sehingga mempunyai proyeksi yang sama dengan proyeksi peta. Koreksi ini dilakukan untuk
Lebih terperinciBAB I PENDAHULUAN. and R.W. Kiefer., 1979). Penggunaan penginderaan jauh dalam mendeteksi luas
BAB I PENDAHULUAN Bab I menguraikan tentang latar belakang, rumusan masalah, tujuan penelitian, manfaat penelitian, batasan masalah serta sistematika penulisan yang menjadi dasar dari Perbandingan Penggunaan
Lebih terperinci4. HASIL PENELITIAN DAN PEMBAHASAN
61 4. HASIL PENELITIAN DAN PEMBAHASAN 4.1 Identifikasi Degradasi Hutan di Lapangan 4.1.1 Identifikasi Peubah Pendugaan Degradasi di Lapangan Identifikasi degradasi hutan di lapangan menggunakan indikator
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 terperinciStudi Banding antara Metode Minimum Distance dan Gaussian Maximum Likelihood Sebagai Pengklasifikasi Citra Multispektral
JURNAL MATEMATIKA DAN KOMPUTER Vol. 7. No. 2, 26-35, Agustus 2004, ISSN : 40-858 Studi Banding antara Metode Minimum Distance dan Gaussian Maximum Likelihood Sebagai Pengklasifikasi Citra Multispektral
Lebih terperinciBAB 1 PENDAHULUAN. ambang batas (thresholding), berbasis tepi (edge-base) dan berbasis region (regionbased).
BAB 1 PENDAHULUAN 1.1 Latar Belakang Segmentasi obyek pada citra dapat dilakukan dengan tiga metode yaitu ambang batas (thresholding), berbasis tepi (edge-base) dan berbasis region (regionbased). Metode
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 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 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 terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Indonesia merupakan negara agraris dimana sebagian besar penduduknya bekerja sebagai petani. Berdasarkan sensus penduduk tahun 2010, jumlah penduduk yang bermata pencaharian
Lebih terperinciJurnal Geodesi Undip April 2016
Jurnal Geodesi Undip April 2016 PERBANDINGAN KLASIFIKASI TUTUPAN LAHAN MENGGUNAKAN METODE KLASIFIKASI BERBASIS OBJEK DAN KLASIFIKASI BERBASIS PIKSEL PADA CITRA RESOLUSI TINGGI DAN MENENGAH Zia Ul Maksum,
Lebih terperinciJurnal Geodesi Undip Januari 2016
ANALISIS PENGGUNAAN NDVI DAN BSI UNTUK IDENTIFIKASI TUTUPAN LAHAN PADA CITRA LANDSAT 8 (Studi Kasus : Wilayah Kota Semarang, Jawa Tengah) Dafid Januar, Andri Suprayogi, Yudo Prasetyo *) Program Studi Teknik
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 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 terperinciPERBANDINGAN METODE SUPERVISED DAN UNSUPERVISED MELALUI ANALISIS CITRA GOOGLE SATELITE UNTUK TATA GUNA LAHAN
PERBANDINGAN METODE SUPERVISED DAN UNSUPERVISED MELALUI ANALISIS CITRA GOOGLE SATELITE UNTUK TATA GUNA LAHAN Latar Belakang Penginderaan jauh merupakan suatu ilmu atau teknologi untuk memperoleh informasi
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 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 terperinciKOREKSI RADIOMETRIK CITRA LANDSAT-8 KANAL MULTISPEKTRAL MENGGUNAKAN TOP OF ATMOSPHERE (TOA) UNTUK MENDUKUNG KLASIFIKASI PENUTUP LAHAN
KOREKSI RADIOMETRIK CITRA LANDSAT-8 KANAL MULTISPEKTRAL MENGGUNAKAN TOP OF ATMOSPHERE (TOA) UNTUK MENDUKUNG KLASIFIKASI PENUTUP LAHAN Rahayu *), Danang Surya Candra **) *) Universitas Jendral Soedirman
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 terperinciBAB II TEORI DASAR. 2.1 Ketahanan Pangan Nasional
BAB II TEORI DASAR 2.1 Ketahanan Pangan Nasional Program diversifikasi pangan sudah sejak lama dicanangkan, namun belum terlihat indikasi penurunan konsumsi beras penduduk Indonesia. Indikasi ini bahkan
Lebih terperinciJurnal Geodesi Undip OKTOBER 2015
KAJIAN METODE SEGMENTASI UNTUK IDENTIFIKASI TUTUPAN LAHAN DAN LUAS BIDANG TANAH MENGGUNAKAN CITRA PADA GOOGLE EARTH (Studi Kasus : Kecamatan Tembalang, Semarang) Frandi B Simamora M, Bandi Sasmito, Hani
Lebih terperinciBAB V HASIL DAN PEMBAHASAN
BAB V HASIL DAN PEMBAHASAN 5.1 Ekstraksi Citra TerraSAR-X Dual Polarization Citra RGB terbaik idealnya mampu memberikan informasi mengenai objek, daerah atau fenomena yang dikaji secara lengkap. Oleh karena
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 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 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 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 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 terperinciSumber bacaan 4/30/2012. Minggu 10: Klasifikasi Data Citra KOMBINASI WARNA
Minggu 10: Klasifikasi Data Citra Proses Sebelum Klasifikasi Koreksi Geometri Koreksi Radiometri Koreksi Topografi Penajaman Citra Minggu 9 Klasifikasi Pemilihan Kombinasi warna Teknik Klasifikasi Visual
Lebih terperinciBAB II IDENTIFIKASI DAERAH TERKENA BENCANA MENGGUNAKAN TEKNOLOGI PENGINDERAAN JAUH
BAB II IDENTIFIKASI DAERAH TERKENA BENCANA MENGGUNAKAN TEKNOLOGI PENGINDERAAN JAUH Teknologi penginderaan jauh merupakan teknologi yang memegang peranan yang sangat penting dalam manajemen bencana salah
Lebih terperinciTabel 11. Klasifikasi Penutupan Lahan Data Citra Landsat 7 ETM, Maret 2004
53 5.1.3 Klasifikasi Penutupan Lahan Klasifikasi data Citra Landsat dilakukan untuk pengelompokan penutupan lahan pada tahun 2004. Metode yang dipergunakan adalah klasifikasi terbimbing (Supervised Classification).
Lebih terperinciStella Swastika Putri Projo Danoedoro Abstract
Pemetaan Fraksi Penutup Lahan Kota Yogyakarta Menggunakan Teknik NMESMA Pada Citra Landsat 8 OLI Stella Swastika Putri stella.swastika.p@mail.ugm.ac.id Projo Danoedoro projo.danoedoro@geo.ugm.ac.id Abstract
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 terperinci1 BAB I PENDAHULUAN. 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Pemanfaatan penggunaan lahan akhir-akhir ini semakin mengalami peningkatan. Kecenderungan peningkatan penggunaan lahan dalam sektor permukiman dan industri mengakibatkan
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 terperinciBangunan Berdasarkan Citra Landsat 5 TM dan Sentinel 2A MSI (Kasus: Kota Salatiga) Anggito Venuary S
Interpretasi Hibrida Untuk Identifikasi Perubahan Lahan Terbangun dan Kepadatan Bangunan Berdasarkan Citra Landsat 5 TM dan Sentinel 2A MSI (Kasus: Kota Salatiga) Anggito Venuary S anggitovenuary@outlook.com
Lebih terperinciIndra Jaya Kusuma, Hepi Hapsari Handayani Program Studi Teknik Geomatika, FTSP, ITS-Sukolilo, Surabaya,
Studi Klasifikasi Berbasis Objek Untuk Kesesuaian Tutupan Lahan Tambak, Konservasi dan Permukiman Kawasan Pesisir (Studi Kasus: Kec.Asemrowo, Krembangan, Pabean Cantikan, dan Semampir, Kota Surabaya) STUDI
Lebih terperinciIDENTIFIKASI KARAKTERISTIK DAN PEMETAAN KLASIFIKASI TUTUPAN LAHAN MENGGUNAKAN CITRA LANDSAT 8 (OLI) DI KABUPATEN BOGOR BUNGA MENTARI
IDENTIFIKASI KARAKTERISTIK DAN PEMETAAN KLASIFIKASI TUTUPAN LAHAN MENGGUNAKAN CITRA LANDSAT 8 (OLI) DI KABUPATEN BOGOR BUNGA MENTARI DEPARTEMEN MANAJEMEN HUTAN FAKULTAS KEHUTANAN INSTITUT PERTANIAN BOGOR
Lebih terperinciPERBANDINGAN KLASIFIKASI MAXIMUM LIKELIHOOD DAN OBJECT ORIENTED PADA PEMETAAN PENUTUPAN/PENGGUNAAN LAHAN
PERBANDINGAN KLASIFIKASI MAXIMUM LIKELIHOOD DAN OBJECT ORIENTED PADA PEMETAAN PENUTUPAN/PENGGUNAAN LAHAN (Studi Kasus Kabupaten Gayo Lues NAD, HTI PT. Wirakarya Sakti Jambi dan Taman Nasional Lore Lindu
Lebih terperinciBAB 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 terperinciPROSIDING SEMINAR NASIONAL GEOTIK ISSN:
INTERPRETASI CITRA QUICKBIRD UNTUK IDENTIFIKASI PENGGUNAAN LAHAN DI DESA KARANGTENGAH KECAMATAN SRAGEN KABUPATEN SRAGEN Munisya'ul Khosyi'ah 1, Miftahul Arozaq 2, Hoesni Noor M A 3, Vini Andarista 4, Anita
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 terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Indonesia dikenal sebagai negeri agraris yaitu negara dengan mata pencaharian utama adalah bertani. Makin berkembangnya bidang teknologi dan kesehatan sepuluh tahun
Lebih terperinciPEMETAAN FAMILI MANGROVE MENGGUNAKAN METODE OBJECT BASE IMAGE ANALYSIS (OBIA) PADA CITRA WORLDVIEW-2 DI BALAI TAMAN NASIONAL KARIMUNJAWA
PEMETAAN FAMILI MANGROVE MENGGUNAKAN METODE OBJECT BASE IMAGE ANALYSIS (OBIA) PADA CITRA WORLDVIEW-2 DI BALAI TAMAN NASIONAL KARIMUNJAWA Ikhsan Wicaksono wicaksono.geo@gmail.com Nur Mohammad Farda farda@geo.ugm.ac.id
Lebih terperinciAnalisa Perubahan Tutupan Lahan di Waduk Riam Kanan dan Sekitarnya Menggunakan Sistem Informasi Geografis(SIG) dan data citra Landsat
Analisa Perubahan Tutupan Lahan di Waduk Riam Kanan dan Sekitarnya Menggunakan Sistem Informasi Geografis(SIG) dan data citra Landsat Rully Sasmitha dan Nurlina Abstrak: Telah dilakukan penelitian untuk
Lebih terperinciEVALUASI KLASIFIKASI BERBASIS OBJEK UNTUK PEMETAAN LIPUTAN HUTAN DAN LAHAN
EVALUASI KLASIFIKASI BERBASIS OBJEK UNTUK PEMETAAN LIPUTAN HUTAN DAN LAHAN Muhammad Ardiansyah 1, Muhammad Rusdi 2 dan Abu Bakar Karim 2 1 Departemen Ilmu Tanah dan Sumberdaya Lahan, Fakultas Pertanian,
Lebih terperinciIII. METODOLOGI. 3.1 Waktu dan Lokasi Penelitian. 3.2 Bahan dan Alat
III. METODOLOGI 3.1 Waktu dan Lokasi Penelitian Penelitian ini dilaksanakan pada areal Ruang Terbuka Hijau (RTH) yang difokuskan pada Taman dan Jalur Hijau di Kotamadya Jakarta Timur. Pelaksanaan kegiatan
Lebih terperinciKOREKSI RADIOMETRIK CITRA LANDSAT-8 KANAL MULTISPEKTRAL MENGGUNAKAN TOP OF ATMOSPHERE (TOA) UNTUK MENDUKUNG KLASIFIKASI PENUTUP LAHAN
KOREKSI RADIOMETRIK CITRA LANDSAT-8 KANAL MULTISPEKTRAL MENGGUNAKAN TOP OF ATMOSPHERE (TOA) UNTUK MENDUKUNG KLASIFIKASI PENUTUP LAHAN Rahayu *), Danang Surya Candra **) *) Universitas Jendral Soedirman
Lebih terperinciAnalisis Pola Permukiman Menggunakan Data Penginderaan Jauh di Pulau Batam
Analisis Pola Permukiman Menggunakan Data Penginderaan Jauh di Pulau Batam Arif Roziqin dan Nur Indah Kusumawati Program Studi Teknik Geomatika, Politeknik Negeri Batam, Batam 29461 E-mail : arifroziqin@polibatam.ac.id
Lebih terperinciIII. METODE PENELITIAN. berlokasi di kawasan Taman Nasional Way Kambas. Taman Nasional Way
13 III. METODE PENELITIAN A. Waktu dan Tempat Penelitian Penelitian dilaksanakan dari bulan Juni sampai dengan September 2012 yang berlokasi di kawasan Taman Nasional Way Kambas. Taman Nasional Way Kambas
Lebih terperinciMETODE PENELITIAN. Data Citra, Data Pendukung dan Alat
15 METODE PENELITIAN Waktu dan Lokasi Penelitian Pengumpulan dan pengolahan awal data citra dilaksanakan mulai bulan Januari sampai Februari 2004. Pengambilan data lapangan pada bulan Maret 2004. Pengolahan
Lebih terperinciIDENTIFIKASI JENIS TUTUPAN LAHAN DI KAWASAN KPHP POIGAR. DENGAN METODE MAXIMUM LIKELIHOOD A. M. Muhammad (1), J. A. Rombang (1), F. B.
IDENTIFIKASI JENIS TUTUPAN LAHAN DI KAWASAN KPHP POIGAR DENGAN METODE MAXIMUM LIKELIHOOD A. M. Muhammad (1), J. A. Rombang (1), F. B. Saroinsong (1) 1 Program Studi Ilmu Kehutanan, Jurusan Budidaya Pertanian,
Lebih terperinciAnalisis Separabilitas Untuk mengetahui tingkat keterpisahan tiap klaster dari hasil klastering (Tabel 5) digunakan analisis separabilitas. B
Tabel 5 Matriks Transformed Divergence (TD) 25 klaster dengan klasifikasi tidak terbimbing 35 36 4.1.2 Analisis Separabilitas Untuk mengetahui tingkat keterpisahan tiap klaster dari hasil klastering (Tabel
Lebih terperinciPEMETAAN LAHAN TERBANGUN PERKOTAAN MENGGUNAKAN PENDEKATAN NDBI DAN SEGMENTASI SEMI-AUTOMATIK
PEMETAAN LAHAN TERBANGUN PERKOTAAN MENGGUNAKAN PENDEKATAN NDBI DAN SEGMENTASI SEMI-AUTOMATIK Iswari Nur Hidayati1, Suharyadi2, Projo Danoedoro2 1 Program Doktor pada Program Studi Geografi UGM 2 Fakultas
Lebih terperinciLampiran 1. Peta klasifikasi penutup lahan Kodya Bogor tahun 1997
LAMPIRAN Lampiran 1. Peta klasifikasi penutup lahan Kodya Bogor tahun 1997 17 Lampiran 2. Peta klasifikasi penutup lahan Kodya Bogor tahun 2006 18 Lampiran 3. Peta sebaran suhu permukaan Kodya Bogor tahun
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 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 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 terperinciJurnal Geodesi Undip OKTOBER 2015
ANALISIS PERBANDINGAN KEPADATAN PEMUKIMAN MENGGUNAKAN KLASIFIKASI SUPERVISED DAN SEGMENTASI (Studi Kasus: Kota Bandung) Nizma Humaidah, Bambang Sudarsono, Dr.Yudo Prasetyo *) Program Studi Teknik Geodesi
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian merupakan sistematika tahapan yang dilaksanakan selama pembuatan penelitian tugas akhir. Secara garis besar metodologi penelitian tugas akhir ini dapat
Lebih terperinciTINJAUAN PUSTAKA Konsep Dasar Penginderaan Jauh
4 TINJAUAN PUSTAKA Konsep Dasar Penginderaan Jauh Penginderaan jauh adalah ilmu dan seni untuk memperoleh informasi tentang suatu objek, daerah, dan fenomena melalui analisis data yang diperoleh dari suatu
Lebih terperinciPEMODELAN SPASIAL PERKEMBANGAN FISIK KOTA YOGYAKARTA MENGGUNAKAN CELLULAR AUTOMATA DAN MULTI LAYER PERCEPTRON NEURAL NETWORK
PEMODELAN SPASIAL PERKEMBANGAN FISIK KOTA YOGYAKARTA MENGGUNAKAN CELLULAR AUTOMATA DAN MULTI LAYER PERCEPTRON NEURAL NETWORK Nuril Umam nurilgeo@gmail.com Bowo Susilo bowos@gmail.com Abstrak Perkembangan
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI. menawarkan pencarian citra dengan menggunakan fitur low level yang terdapat
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Permasalahan CBIR ( Content Based Image Retrieval) akhir-akhir ini merupakan salah satu bidang riset yang sedang berkembang pesat (Carneiro, 2005, p1). CBIR ini menawarkan
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 terperinciIII. METODE PENELITIAN. Penelitian dilaksanakan di Taman Hutan Raya Wan Abdul Rachman (Tahura
III. METODE PENELITIAN A. Lokasi dan Waktu Penelitian Penelitian dilaksanakan di Taman Hutan Raya Wan Abdul Rachman (Tahura WAR). Berdasarkan administrasi pemerintahan Provinsi Lampung kawasan ini berada
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 IV ANALISIS 4.1 Analisis Terhadap Citra Satelit yang digunakan 4.2 Analisis Terhadap Peta Rupabumi yang digunakan
BAB IV ANALISIS 4.1 Analisis Terhadap Citra Satelit yang digunakan Citra SPOT 4 dan IKONOS yang digunakan merupakan dua citra yang memiliki resolusi spasial yang berbeda dimana SPOT 4 memiliki resolusi
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Tanaman kelapa sawit (Elaeis guineensis Jacq.) merupakan tanaman perkebunan utama di Indonesia. Kelapa sawit menjadi komoditas penting dikarenakan mampu memiliki rendemen
Lebih terperinciBAB V HASIL DAN PEMBAHASAN
BAB V HASIL DAN PEMBAHASAN 5.1 Identifikasi Tutupan Lahan di Lapangan Berdasarkan hasil observasi lapangan yang telah dilakukan di Kabupaten Humbang Hasundutan, Kabupaten Tapanuli Utara, dan Kabupaten
Lebih terperinciKata kunci: klasifikasi multispektral, penutup lahan, maximum likelihood, support vector machine
STUDI PERBANDINGAN KLASIFIKASI MULTISPEKTRAL MAXIMUM LIKELIHOOD DAN SUPPORT VECTOR MACHINE UNTUK PEMETAAN PENUTUP LAHAN Ardhian Nur Rahman Wal Hamdir ardhian_nr@yahoo.com Sigit Herumurti B.S. sigit@geo.ugm.ac.id
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 terperinci1 PENDAHULUAN 1.1 Latar Belakang
1 PENDAHULUAN 1.1 Latar Belakang Luas mangrove di Indonesia adalah sekitar 4,25 juta hektar, yang merepresentasikan 25 % dari mangrove dunia. Indonesia merupakan pusat dari sebagian biogeografi genus mangrove
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Waktu dan Tempat Penelitian Penelitian ini dilaksanakan pada bulan Juli 2011 sampai dengan Januari 2012 dengan daerah penelitian di Desa Sawohan, Kecamatan Buduran, Kabupaten
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 terperinciKata Kunci : Perubahan Penggunaan Lahan, Quickbird, Dinamika, Ringroad Selatan
Dinamika Perubahan Penggunaan- (Acintya Nurmaya) KAJIAN DINAMIKA PERUBAHAN PENGGUNAAN LAHAN DI PINGGIRAN KOTA, PINGGIRAN KEDESAAN DAN KEDESAAN BERBASIS CITRA QUICKBIRD STUDY DYNAMICS LAND USE CHANGE IN
Lebih terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciIDENTIFIKASI LAHAN TAMBANG TIMAH MENGGUNAKAN METODE KLASIFIKASI TERBIMBING MAXIMUM LIKELIHOOD PADA CITRA LANDSAT 8
IDENTIFIKASI LAHAN TAMBANG TIMAH MENGGUNAKAN METODE KLASIFIKASI TERBIMBING MAXIMUM LIKELIHOOD PADA CITRA LANDSAT 8 (Identification of Tin Mining Area Using Maximum Likelihood Supervised Classification
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 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 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 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 terperinciPemanfaatan Data Penginderaan Jauh untuk. Pertanian dan Kehutanan
Pemanfaatan Data Penginderaan Jauh untuk Pertanian dan Kehutanan Pemanfaatan Data Penginderaan Jauh untuk Pertanian dan Kehutanan Kerja sama Penerbit IPB Press IPB Science Techno Park, Kota Bogor - Indonesia
Lebih terperinciSTUDI PERKEMBANGAN KOTA MEDAN MENGGUNAKAN DATA PENGINDERAAN JAUH DAN SIG. Walbiden Lumbantoruan 1. Abstrak
STUDI PERKEMBANGAN KOTA MEDAN MENGGUNAKAN DATA PENGINDERAAN JAUH DAN SIG Walbiden Lumbantoruan 1 Abstrak Tujuan dilakukannya penelitian ini adalah: (1) Untuk mengtetahui perubahan ruang sebagai permukiman
Lebih terperinciJurnal Manajemen Hutan Tropika Vol. 6 No. 2 : (2000)
Jurnal Manajemen Hutan Tropika Vol. 6 No. 2 : 55-70 (2000) Artikel (Article) DETEKSI KONDISI HUTAN PASKA KEBAKARAN MELALUI CITRA MULTISENSOR MOS-MESSR DAN LANDSAT TM : Studi Kasus di areal PT. MHP Sumatera
Lebih terperinciJurnal Geodesi Undip Oktober 2013
Analisis Perubahan Tutupan Lahan DAS Citanduy Dengan Metode Penginderaan Jauh Analysis of Citanduy Watershed Landcover Change With Remote Sensing Method Andhono Yekti 1), Ir. Bambang Sudarsono, MS 2),
Lebih terperinciHasil klasifikasi citra ALOS PALSAR filterisasi Kuan. dengan ukuran kernel size 9x dengan ukuran kernel size 3x
DAFTAR ISI HALAMAN JUDUL... i HALAMAN PENGESAHAN... v HALAMAN PERNYATAAN... vi HALAMAN PERSEMBAHAN... vii INTISARI... viii ABSTRACT... ix KATA PENGANTAR... x DAFTAR ISI... xii DAFTAR GAMBAR... xv DAFTAR
Lebih terperinciBAB I PENDAHULUAN I.1.
BAB I PENDAHULUAN I.1. Latar Belakang Kemajuan teknologi penginderaan jauh mampu menyediakan citra penginderaan jauh yang mempunyai resolusi spasial, resolusi spektral dan resolusi temporal yang cukup
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tinjauan studi (state of the art) Berikut penelitian yang telah dilakukan sebelumnya : 1. Penelitian dilakukan oleh Sigit Sugiyanto Feri Wibowo (2015), menjelaskan tentang klasifikasi
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN Bab ini membahas langkah-langkah dari implementasi dan pembahasan dari hasil penelitian yang telah dilakukan tentang klasifikasi aktivitas menggunakan algoritma k-nearest neighbor
Lebih terperinci