Gambar 6 Kenampakan pada citra Google Earth.
|
|
- Benny Kusuma
- 6 tahun lalu
- Tontonan:
Transkripsi
1 menggunakan data latih kedua band citra berbasis rona (tone, sehingga didapatkan pohon keputusan untuk citra berbasis rona. Pembentukan rule kedua menggunakan data latih citra berbasis rona ditambah dengan seluruh data latih citra berbasis tekstur. Rule kedua berupa pohon keputusan untuk seluruh atribut yang diteliti. Pembentukan rule ketiga dilakukan secara bertahap dengan mengamati rule untuk citra berbasis rona dan rule untuk seluruh atribut. Pemilihan atribut yang digunakan dalam pembentukan rule ini dilakukan dengan memperhatikan atribut yang mampu memisahkan dua kelas dengan baik. Pemilihan atribut ini juga dilakukan dengan mempertimbangkan kelas yang akan dihasilkan. Pemilihan atribut dipertimbangkan oleh pakar. Pembentukan tiga rule ini dilakukan untuk mengamati kemampuan data TerraSAR-X dalam membedakan kelas tutupan lahan. Rule untuk citra berbasis rona akan dibandingkan dengan rule untuk seluruh atribut serta dibandingkan pula dengan rule yang pemilihan atributnya dipertimbangkan oleh pakar. Penerapan Rule Rule yang diperoleh pada tahap sebelumnya diterapkan pada citra TerraSAR-X menurut atribut yang digunakan oleh masing-masing rule. Ketiga rule diterapkan untuk seluruh citra yang diamati, termasuk pada data latih dan data uji. Perhitungan Akurasi Perhitungan akurasi dilakukan dengan menghitung persentase data uji yang berhasil diklasifikasikan dengan benar oleh setiap rule. Data uji adalah data yang telah diketahui kelas tutupan lahannya. Akurasi dihitung berdasarkan confusion matrix (Tabel 1). Akurasi keseluruhan untuk masing-masing rule adalah jumlah piksel data uji yang terklasifikasi dengan benar dibagi dengan jumlah piksel pada data uji. Akurasi keseluruhan dihitung dengan rumus: FX' = Tabel 1 Confusion matrix Aktual +& +Y+#+& 100 % Prediksi Kelas 1 Kelas 2 Kelas 1 a b Kelas 2 c d HASIL DAN PEMBAHASAN Kabupaten Sidoarjo merupakan daerah peri-urban bagi metropolitan Surabaya. Berdasarkan kenampakan objek yang diamati dari citra Google Earth (Gambar 6), daerah ini memiliki persebaran yang cukup merata. Sawah dapat dijumpai di banyak wilayah dalam kesatuan yang cukup besar pada daerah ini. Vegetasi berkayu pada daerah ini sangat minim dijumpai, umumnya dalam bentuk kebun campuran dan vegetasi mangrove di wilayah bagian timur. Wilayah tubuh air (sungai dan tambak) banyak dijumpai di bagian timur. Daerah industri yang juga berdekatan dengan dapat dijumpai di bagian utara Kabupaten Sidoarjo. Daerah contoh untuk masing-masing kelas penutupan lahan disajikan pada Gambar 7. Gambar 6 Kenampakan pada citra Google Earth. 7
2 Beberapa kelas penutupan lahan dapat dibedakan secara visual (Gambar 7), misalnya kelas tubuh air dengan kelas padat, kelas sawah dengan kelas industri, serta dengan vegetasi berkayu. Namun, terdapat kelas yang secara visual memiliki kemiripan, misalnya kelas industri dengan kelas padat. dalam penelitian ini, yaitu Data Range, Mean, Variance, dan Entropy. Penelitian ini juga menambahkan 7 variasi ukuran kernel untuk tiap filter tekstur, yaitu 3x3, 5x5, 7x7, 9x9, 11x11, 13x13, dan 15x15 piksel. Variasi ukuran kernel ini dapat digunakan untuk menilai sensitifitas suatu filter tekstur. Citra tone diubah ke dalam masing-masing ruang tekstur untuk tiap ukuran kernel. Tabel 2 Hasil analisis Transformed Divergence (TD) berdasarkan citra tone KELAS Industri Pemukiman padat Pemukiman Sawah Tubuh air Vegetasi berkayu Industri x Pemukiman padat Pemukiman x x x x x Sawah x x x x Gambar 7 Daerah contoh tiap kelas untuk data latih. Analisis Keterpisahan Kelas Percobaan pertama dilakukan dengan menelaah keberhasilan pemisahan satu kelas dengan kelas lainnya berdasarkan citra tone (citra berbasis rona) dengan hanya memanfaatkan dua polarisasi linier (HH dan VV). Setiap satu kelas dipasangkan dengan satu kelas lainnya dan akan diamati keterpisahannya. Terdapat 6 kelas penutupan lahan pada penelitian ini, sehingga terdapat 15 pasangan kelas. Hasil perhitungan nilai Transformed Divergence (TD) pada pasangan kelas yang diamati disajikan pada Tabel 2. Tabel 2 menunjukan bahwa terdapat 5 pasangan kelas yang memiliki nilai TD kurang dari Pasangan kelas tersebut tidak dapat terpisahkan secara baik dengan menggunakan citra tone yaitu industri dengan padat, industri dengan, padat dengan, dengan vegetasi berkayu, dan sawah dengan vegetasi berkayu. Analisis lanjutan untuk 5 pasangan kelas ini diperlukan untuk menyelesaikan masalah keterpisahannya. Pasangan kelas lainnya yang memiliki nilai TD lebih besar dari 1.33 diharapkan dapat diklasifikasikan langsung berdasarkan citra tone dengan akurasi harapan yang cukup baik. Penelitian ini mengusulkan metode texture filtering untuk menyelesaikan masalah keterpisahan kelas yang tidak mampu diselesaikan hanya dengan berbasiskan citra tone. Terdapat 4 filter tekstur yang dicobakan Tubuh air x x x x x Vegetasi berkayu x x x x x x Nilai TD untuk setiap filter tekstur pada daerah contoh dihitung kembali untuk 5 pasangan kelas yang belum dapat terpisahkan secara baik. Nilai TD untuk semua ukuran kernel juga dihitung untuk 5 pasangan kelas tersebut. Hasil perhitungan nilai TD untuk setiap pasangan kelas tersebut di-plot ke dalam grafik hubungan antara filter tekstur dengan ukuran kernelnya. Oleh karena itu, terdapat 5 grafik hubungan antara filter tekstur dengan ukuran kernelnya. Grafik nilai TD untuk setiap pasangan kelas tersebut disajikan pada Gambar 8 sampai Gambar 12. Gambar 8 menunjukan bahwa kelas industri dengan kelas padat memiliki nilai TD kurang dari 0.8 untuk setiap filter tekstur dan untuk setiap ukuran kernel. Hal ini menunjukan bahwa kelas industri dengan kelas padat tidak dapat terpisahkan secara baik dengan berdasarkan citra tekstur. Hal ini akan mengakibatkan proses klasifikasi untuk memisahkan kelas industri dengan padat akan memiliki akurasi rendah. Hasil ini memberikan informasi bahwa dengan citra TerraSAR-X, analisis berbasis citra tone dan analisis berbasis citra tekstur tidak disarankan untuk menyelesaikan keterpisahan antara kelas industri dengan kelas padat. Kelas industri dengan kelas memiliki nilai TD lebih besar dari 1.33 pada beberapa filter tekstur (Gambar 9). Kedua kelas ini dapat terpisahkan dengan baik dengan filter tekstur variance atau mean 8
3 dengan ukuran kernel lebih besar dari 7x7 piksel. Filter tekstur entropy hanya dapat memberikan keterpisahan yang baik dengan ukuran kernel 15x15 piksel. Filter tekstur data range tidak dapat memberikan keterpisahan yang baik pada berbagai ukuran kernel yang dicobakan. Hal ini memberikan informasi bahwa filter tekstur variance atau mean dengan ukuran kernel lebih dari 7x7 piksel dapat disarankan untuk memisahkan kelas industri dengan kelas. dengan vegetasi berkayu dapat disarankan menggunakan filter tekstur data range atau variance. Gambar 10 Nilai TD pasangan kelas padat dengan. Gambar 8 Nilai TD pasangan kelas industri dengan padat. Gambar 11 Nilai TD pasangan kelas dengan vegetasi berkayu. Gambar 9 Variasi nilaii TD pasangan kelas industri dengan. Grafik nilai TD pasangan kelas padat dengan ditampilkan pada Gambar 10. Grafik tersebut menunjukan bahwa filter tekstur variance atau mean dengan ukuran kernel lebih dari 11x11 piksel dapat disarankann untuk memisahkan kelas padat dengan. Gambar 11 menunjukan bahwa filter tekstur data range dan variance dapat memisahkan kelas dengan vegetasi berkayu secara baik. Filter tekstur mean dengan ukuran kernel lebih dari 9x9 piksel juga dapat memisahkan kedua kelas tersebut secara baik. Namun, filter tekstur entropy tidak mampu menyelesaikan keterpisahan kedua kelas tersebut. Hal ini memberikan informasi bahwa untuk memisahkan kelas Kelas sawah dengan kelas vegetasi berkayu memiliki grafik nilai TD yang bervariasi. Hal ini dapat disimpulkan dari Gambar 12. Filter variance dapat menyelesaikan masalah keterpisahan kedua kelas ini dengan ukuran kernel lebih dari 7x7 piksel. Filter data range dengan ukuran kernel 5x5 piksel memiliki nilai TD sebesar 2. Namun, filter data range dengan ukuran kernel 11x11 piksel memiliki nilai TD sebesar 0.3. Hal ini menunjukan bahwa filter data range memiliki grafik yang fluktuatif, sehingga tidak disarankan untuk menyelesaikan keterpisahan kedua kelas ini. Filter mean dan entropy tidak mampu menyelesaikan keterpisahan kedua kelas ini, sebab nilai TD untuk kedua filter ini pada semua ukuran kernel lebih kecil dari Rule Berdasarkan Rona (Tone) Penelitian dilanjutkan dengan pembentukan rule. Rule pertama adalah pohon keputusan yang terbentuk berdasarkan data latih berbasis rona, yaitu rona polarisasi HH dan rona polarisasi VV (Lampiran 1).. 9
4 Gambar 12 Fluktuasi nilai TD pasangan kelas sawah dengann vegetasi berkayu. Pohon keputusan untuk rule berdasarkan rona menunjukan bahwa node akar (root) merupakan data citra TerraSAR-X dengan polarisasi HH. Pohon keputusan ini memiliki 24 leaf. Leaf dengan kelas tutupan lahan tubuh air hanya ada satu leaf. Hal ini menunjukkan bahwa kelas tubuh air sangat mudah untuk dibedakan terhadap kelas lainnya. Hasil ini sesuai dengan analisis keterpisahan kelas pada tahap sebelumnya, bahwaa kelas tubuh air dapat dipisahkan dengan baik hanya dengan citra TerraSAR-X berbasis rona. Rule dari pohon keputusan yang terbentuk kemudian diterapkan pada data TerraSAR-X berbasis rona. Tahap ini menghasilkan pemetaan penutupan lahan dengan berbasiskan rona. Kenampakan sebagian citra hasil pemetaan dapat dilihat pada Gambar 13. Citra hasil pemetaan ini menunjukan bahwa kelas tutupan lahan yang dihasilkan berupa titik-titik yang tersebar. Pengamatan tutupan lahan dengan citra ini tidak menghasilkan informasi yang baik. Rule Berdasarkan Rona (Tone) dan Tekstur (Texture) Rule kedua adalah pohon keputusan yang terbentuk dari seluruh atribut yang diamati, yaitu atribut rona dan seluruh atribut tekstur (Lampiran 2). Penelitian ini menggunakan citra berbasis rona serta 4 elemen tekstur dengan 7 variasi ukuran kernel, sehingga terdapat 28 atribut tekstur. Citra TerraSAR-X yang digunakan memiliki dua band, sehingga total ada sebanyak 58 atribut. Pohon keputusan untuk rule ini menunjukan bahwa tidak semua atribut terdapat pada pohon keputusan yang terbentuk. Hanya terdapat 8 atribut yang ada, yaitu range HH 7x7 dan 15x15, range VV 15x15, mean VV 13x13 dan 15x15, variance HH 15x15, variance VV 13x13, dan entropy HH 15x15. Hal ini menunjukan bahwa 8 atribut tersebut cukup untuk dapat membentuk rule pohon keputusan untuk membedakan berbagai kelas penutupan lahan. Tekstur variance menjadi root pada pohon keputusan ini, diikuti dengan node tekstur data range dan mean.. Hal ini menunjukan bahwa atribut tersebut paling berpengaruh dalam menentukan kelas penutupan lahan. Hasil ini memperkuat analisis keterpisahan kelas, bahwa tekstur variance, data range, dan mean dapat disarankan untuk menyelesaikan masalah keterpisahan pasangan kelas penutupan lahan. Rule dari pohon keputusan kedua ini kemudian diterapkan pada data TerraSAR-X dengan seluruh atribut yang diamati. Kenampakan sebagian citra hasil pemetaan dapat dilihat pada Gambar 14. Citra hasil pemetaan ini menunjukan bahwa kelas tutupan lahan yang dihasilkan tidak lagi berupa titiktitik yang tersebar, melainkan berupa petak- ini menunjukan petak penutupan lahan. Hasil bahwa pengamatan persebaran setiap penutupan lahan dapat dilakukan dengan lebih baik dibandingkan dengan hasil rule pertama. Contoh wilayah yang dapat dibedakan dengan baik adalah wilayah. Hasil ini membuktikan bahwa analisis berbasis tekstur dapat disarankan untuk membedakan penutupan lahan dengan data TerraSAR-X. Rule Berdasarkan Pakar (Expert Judgement) Rule ketiga adalah pohon keputusan yang terbentuk dengan pemilihan atribut yang melibatkan hasil pengamatan pakar (Lampiran 3). Pembentukan rule dimulai dengan memilih kelas yang dapat dengan mudah dibedakan dengan kelas lainnya. Analisis keterpisahan kelas dan rule berbasis rona menunjukan bahwa kelas tubuh air dapat dibedakan dengan baik hanya dengan menggunakan citra berbasis rona, sehingga dicari rule untuk memisahkan kelas tubuh air dengan kelas lainnya dengan atribut rona HH. Kelas sawah menjadi kelas yang dibedakan selanjutnya, sebab dari analisis keterpisahan kelas, sawah dapat dipisahkan dengan baik terhadap kelas lainnya kecuali terhadap kelas vegetasi kayu. Hasil analisis keterpisahan kelas berbasis tekstur (Gambar 12) memberikan informasi bahwa pasangan kelas sawah dengan vegetasi kayu dapat dipisahkan dengan baik menggunakan tekstur variance 15x15, sehingga dicari rule untuk memisahkan kelas sawah dengan kelas lainnya dengan atribut tekstur mean VV 15x15 dan variance VV 15x15. 10
5 Kelas vegetasi kayu menjadi kelas yang dibedakan selanjutnya. Kelas vegetasi kayu dapat dengan baik dipisahkan dengan kelas lainnya menggunakan tekstur variance (Gambar 11). Oleh karena itu, tekstur variance HH 15x15 dipilih untuk mencari rule dalam memisahkan kelas vegetasi kayu dengan kelas lainnya. Tahap selanjutnya adalah memisahkan pasangan kelas dengan padat. Pasangan kelas ini dapat terpisah secara baik dengan tekstur variance dan mean (Gambar 9). Oleh karena itu, rule untuk memisahkan pasangan kelas ini dicari dengan atribut tekstur mean VV 15x15 dan variance VV 15x15. Pemilihan atribut dilanjutkan untuk memisahkan pasangan kelas industri dengan padat. Analisis keterpisahan kelas menunjukan bahwa pasangan kelas ini belum dapat terpisah secara baik dengan analisis berbasis rona maupun tekstur. Namun, keterpisahan kelas tertinggi diperoleh dengan menggunakan atribut tekstur mean dan variance. Oleh karena itu, rule untuk memisahkan pasangan kelas ini dicari dengan atribut tekstur mean VV 15x15 dan variance VV 15x15. Terdapat 4 atribut dalam rule pohon keputusan ketiga ini, yaitu rona HH, mean VV 15x15, variance HH dan VV 15x15. Oleh karena itu, rule ini diterapkan hanya pada 4 atribut tersebut. Kenampakan sebagian citra hasil pemetaan dapat dilihat pada Gambar 15. Citra hasil pemetaan menunjukan bahwa kelas tutupan lahan yang dihasilkan juga berupa petak-petak penutupan lahan. Terdapat perbaikan pada citra hasil tersebut bila dibandingkan dengan citra hasil rule pohon keputusan kedua. Contoh perbaikan dapat diamati pada wilayah tubuh air, khususnya daerah tambak yang memiliki petak-petak yang lebih jelas dan lebih mirip dengan kenampakan pada citra Google Earth. Gambar 13 Kenampakan citra hasil pemetaan rule berbasis rona. Gambar 14 Kenampakan citra hasil pemetaan rule berbasis rona dan tekstur. 11
6 Gambar 15 Kenampakan citra hasil pemetaan rule berdasarkan pakar. Perhitungan Akurasi Akurasi dihitung untuk ketiga rule yang diamati. Hasil perhitungan akurasi secara lengkap dapat dilihat pada Lampiran 4. Akurasi keseluruhan yang didapatkan untuk rule dari pohon keputusan pertama sebesar 44,24%. Rule dari pohon keputusan kedua menghasilkan akurasi keseluruhan 63,46%. Akurasi keseluruhan yang didapatkan oleh rule dari pohon keputusan ketiga sebesar 74,69%. Bila diamati lebih rinci pada hasil perhitungan akurasi untuk pohon keputusan ketiga, kelas industri memiliki akurasi terkecil yaitu 52,67%, sedangkan kelas sawah memiliki akurasi 64,67%. Kesimpulan KESIMPULAN DAN SARAN Hasil penelitian dapat disimpulkan bahwa data TerraSAR-X dua polarisasi linier (HH dan VV) mampu membedakan penutupan lahan secara baik. Analisis berbasis rona dan analisis berbasis tekstur dapat disarankan untuk membedakan penutupan lahan di wilayah periurban, kecuali untuk pasangan kelas tutupan lahan industri dengan padat. Tutupan lahan tubuh air dapat dipisahkan terhadap tutupan lahan lainnya dengan sangat baik hanya dengan citra berbasis rona, yaitu nilai TD mencapai 2. Pembentukan rule klasifikasi menggunakan metode pohon keputusan dengan pertimbangan oleh pakar akan meningkatkan kemampuan rule untuk membedakan penutupan lahan. Rule berdasarkan seluruh atribut citra menghasilkan akurasi keseluruhan sebesar 63%, sedangkan rule berdasarkan pertimbangan pakar menghasilkan akurasi keseluruhan mencapai hampir 75%. Saran Penelitian ini masih memiliki kekurangan. Penelitian lebih lanjut perlu dilakukan dengan saran antara lain: 1. Melakukan penelitian untuk mengkaji metodologi yang dapat digunakan untuk meningkatkan keterpisahan pasangan kelas tutupan lahan industri dengan padat, 2. Menambahkan kelas penutupan lain untuk diamati keterpisahannya, 3. Menggunakan data SAR lain, contohnya ALOS PALSAR, DAFTAR PUSTAKA Ban Y Synthetic Aperture for a Crop information System: a Multipolarization and Multitemporal Approach. Canada: University of Waterioo. Freeman A, Durlen SL A Three- Component Scattering Model for Polarimetric SAR Data. IEEE Transactions on Geoscience and Remote Sensing, 36(3): halaman Han J, Kamber M Data Mining: Concepts and Techniques 2nd Edition. San Francisco: Morgan Kaufmann. Handayani LDW Geomorfologi Gunungapi Guntur (Garut, Jawa Barat) dan Analisis Aliran Lava Menggunakan Data Synthetic Aperture Radar Polarimetri Penuh (fully polarimetry) [Skripsi]. Bogor: Institut Pertanian Bogor. 12
KLASIFIKASI TUTUPAN LAHAN WILAYAH PERI-URBAN BERDASARKAN CIRI TEKSTUR MENGGUNAKAN DATA TERRASAR-X ARIF NOFYAN SYAH
KLASIFIKASI TUTUPAN LAHAN WILAYAH PERI-URBAN BERDASARKAN CIRI TEKSTUR MENGGUNAKAN DATA TERRASAR-X ARIF NOFYAN SYAH DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Wilayah peri-urban yang berkonotasi sebagai wilayah yang berada di sekitar kota dapat diartikan juga sebagai wilayah Pra- Urban. Istilah ini mengandung makna bahwa wilayah peri-urban
Lebih terperinciBAB V HASIL DAN PEMBAHASAN
BAB V HASIL DAN PEMBAHASAN 5.. Variasi NDVI Citra AVNIR- Citra AVNIR- yang digunakan pada penelitian ini diakuisisi pada tanggal Desember 008 dan 0 Juni 009. Pada citra AVNIR- yang diakuisisi tanggal Desember
Lebih terperinciIII. METODOLOGI 3.1. Lokasi dan Waktu Penelitian 3.2. Bahan dan Alat Penelitian 3.3. Metode Penelitian
19 III. METODOLOGI 3.1. Lokasi dan Waktu Penelitian Lokasi penelitian meliputi wilayah G. Guntur yang secara administratif berada di wilayah Desa Sirnajaya, Kecamatan Tarogong, Kabupaten Garut, Provinsi
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 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 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 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 terperinciI. PENDAHULUAN 1.1. Latar Belakang
1 I. PENDAHULUAN 1.1. Latar Belakang Di Indonesia seringkali terjadi bencana alam yang sering mendatangkan kerugian bagi masyarakat. Fenomena bencana alam dapat terjadi akibat ulah manusia maupun oleh
Lebih terperinciHASIL DAN PEMBAHASAN
24 IV. HASIL DAN PEMBAHASAN 4.1. Respon Polarimetri pada Tanaman Padi Varietas Ciherang 4.1.1. Analisis Data Eksploratif Hasil penerapan teori dekomposisi Cloude Pottier pada penelitian ini terwakili oleh
Lebih terperinciI. PENDAHULUAN 1.1 Latar Belakang
1 I. PENDAHULUAN 1.1 Latar Belakang Posisi Indonesia berada di daerah tropis mengakibatkan hampir sepanjang tahun selalu diliputi awan. Kondisi ini mempengaruhi kemampuan citra optik untuk menghasilkan
Lebih terperinciANALISIS RUANG TERBUKA HIJAU JAKARTA MENGGUNAKAN CITRA SATELIT ALOS PALSAR POLARISASI GANDA
ANALISIS RUANG TERBUKA HIJAU JAKARTA MENGGUNAKAN CITRA SATELIT ALOS PALSAR POLARISASI GANDA JakartaGreen Open Space Analysis using Dual Polarization ALOS PALSAR Satellite Imagery Wida Nindita, Bambang
Lebih terperinciGambar 1. Peta Lokasi Penelitian
10 BAB III BAHAN DAN METODE 3.1. Waktu dan Tempat Penelitian Penelitian ini dimulai pada bulan Maret 2011 dan berakhir pada bulan Oktober 2011. Penelitian ini terdiri atas pengamatan di lapang dan analisis
Lebih terperinciKLASIFIKASI PENUTUPAN LAHAN HUTAN MANGROVE DI KECAMATAN BUDURAN, KABUPATEN SIDOARJO, PROPINSI JAWA TIMUR, DENGAN CITRA TERRASAR-X HIGH RESOLUTION
KLASIFIKASI PENUTUPAN LAHAN HUTAN MANGROVE DI KECAMATAN BUDURAN, KABUPATEN SIDOARJO, PROPINSI JAWA TIMUR, DENGAN CITRA TERRASAR-X HIGH RESOLUTION Rudi Eko Setyawan*), Nining Puspaningsih *), Muhammad Buce
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 terperincibenar sebesar 30,8%, sehingga harus dilakukan kembali pengelompokkan untuk mendapatkan hasil proporsi objek tutupan lahan yang lebih baik lagi. Pada pengelompokkan keempat, didapat 7 tutupan lahan. Perkebunan
Lebih terperinciBAB II TINJAUAN PUSTAKA
3 BAB II TINJAUAN PUSTAKA 2.1 Penginderaan Jauh Penginderaan jauh merupakan tehnik dan seni untuk memperoleh informasi tentang suatu objek, wilayah atau fenomena dengan menganalisa data yang diperoleh
Lebih terperinciInterpretasi Citra SAR. Estimasi Kelembaban Tanah. Sifat Dielektrik. Parameter Target/Obyek: Sifat Dielektrik Geometri
Interpretasi Citra SAR Synthetic Aperture Radar Polarimetry Parameter Target/Obyek: Sifat Dielektrik Geometri Bambang H. Trisasongko Parameter Sistem/Sensor: Frekuensi/Panjang Gelombang Incidence Angle
Lebih terperinciKLASIFIKASI TUTUPAN LAHAN BERBASIS RONA DAN TEKSTUR DENGAN MENGGUNAKAN CITRA ALOS PRISM KARJONO
KLASIFIKASI TUTUPAN LAHAN BERBASIS RONA DAN TEKSTUR DENGAN MENGGUNAKAN CITRA ALOS PRISM KARJONO DEPARTEMEN ILMU TANAH DAN SUMBERDAYA LAHAN FAKULTAS PERTANIAN INSTITUT PERTANIAN BOGOR BOGOR 2015 PERNYATAAN
Lebih terperinciIII HASIL DAN PEMBAHASAN
25 3.1 Eksplorasi Data Lapangan III HASIL DAN PEMBAHASAN Data lapangan yang dikumpulkan merupakan peubah-peubah tegakan yang terdiri dari peubah kerapatan pancang, kerapatan tiang, kerapatan pohon, diameter
Lebih terperinciBAB II METODE PENELITIAN 2.1 Waktu dan Tempat Penelitian ini dilaksanakan mulai bulan Agustus 2010 sampai bulan September 2011, diawali dengan tahap pengambilan data sampai dengan pengolahan dan penyusunan
Lebih terperinciPEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5
PEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5 Syam Gunawan 1, Pritasari Palupiningsih 2 1,2 Jurusan Sistem Informasi, STMIK Indonesia 1 syam@stmik-indonesia.ac.id,
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 V HASIL DAN PEMBAHASAN
BAB V HASIL DAN PEMBAHASAN 5.1 Identifikasi Objek di Lapangan Pengamatan lapangan dilakukan di 3 (tiga) kabupaten, yaitu : Kabupaten Bogor, Kabupaten Sukabumi, dan Kabupaten Cianjur. Titik pengamatan sebanyak
Lebih terperinciJurnal Geodesi Undip Januari 2017
ANALISIS IDENTIFIKASI KAWASAN KARST MENGGUNAKAN METODE POLARIMETRIK SAR (SYNTHETIC APERTURE RADAR) DAN KLASIFIKASI SUPERVISED Pran Shiska, Yudo Prasetyo, Andri Suprayogi *) Program Studi Teknik Geodesi
Lebih terperinciLegenda: Sungai Jalan Blok sawah PT. Sang Hyang Seri Kabupaten Subang
17 III. METODOLOGI 3.1. Waktu dan Tempat Penelitian Penelitian ini dimulai pada bulan Oktober 2010 dan berakhir pada bulan Juni 2011. Wilayah penelitian berlokasi di Kabupaten Subang, Jawa Barat (Gambar
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 terperinciV. HASIL DAN PEMBAHASAN
40 V. HASIL DAN PEMBAHASAN 5.1. Analisis Geomorfologi Interpretasi geomorfologi G. Guntur melalui studi bentuklahan didasarkan pada aspek morfologi, morfogenesis, morfokronologi serta struktur dan litologi
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian ini dilaksanakan di KPH Banyumas Barat (Bagian Hutan Dayeuluhur, Majenang dan Lumbir). Penelitian ini dilakukan dengan mengolah dan menganalisis
Lebih terperinciPENERAPAN DECISION TREE UNTUK PENENTUAN POLA DATA PENERIMAAN MAHASISWA BARU
PENERAPAN DECISION TREE UNTUK PENENTUAN POLA DATA PENERIMAAN MAHASISWA BARU Aradea, Satriyo A., Ariyan Z., Yuliana A. Teknik Informatika Universitas Siliwangi Tasikmalaya Ilmu Komputer Universitas Diponegoro
Lebih terperinciDiterima 30 April 2014; Disetujui 23 Mei 2014 ABSTRACT
PERBANDINGAN KLASIFIKASI BERBASIS OBYEK DAN KLASIFIKASI BERBASIS PIKSEL PADA DATA CITRA SATELIT SYNTHETIC APERTURE RADAR UNTUK PEMETAAN LAHAN (COMPARISON OF OBJECT BASED AND PIXEL BASED CLASSIFICATION
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 terperinciMATERI 4 : PENGENALAN TATAGUNALAHAN DI GOOGLE EARTH
MATERI 4 : PENGENALAN TATAGUNALAHAN DI GOOGLE EARTH 1. Tata Guna Lahan 2. Identifikasi Menggunakan Foto Udara/ Citra Identifikasi penggunaan lahan menggunakan foto udara/ citra dapat didefinisikan sebagai
Lebih terperinciBAB V HASIL DAN PEMBAHASAN
24 BAB V HASIL DAN PEMBAHASAN 5.1 Hasil Pengolahan data Biomassa Penelitian ini dilakukan di dua bagian hutan yaitu bagian Hutan Balo dan Tuder. Berdasarkan hasil pengolahan data lapangan diperoleh dari
Lebih terperinciPENERAPAN METODE POHON KEPUTUSAN DENGAN ALGORITME ITERATIVE DYCHOTOMISER 3 (ID3) PADA DATA PRODUKSI JAGUNG DI PULAU JAWA
PENERAPAN METODE POHON KEPUTUSAN DENGAN ALGORITME ITERATIVE DYCHOTOMISER 3 (ID3) PADA DATA PRODUKSI JAGUNG DI PULAU JAWA Yasinta Agustyani, Yuliana Susanti, dan Vika Yugi Program Studi Matematika Fakultas
Lebih terperinciJurnal Penginderaan Jauh Vol. 9 No. 1 Juni 2012 : 12-24
KLASIFIKASI SPASIAL PENUTUP LAHAN DENGAN DATA SAR DUAL- POLARISASI MENGGUNAKAN NORMALIZED DIFFERENCE POLARIZATION INDEX DAN FITUR KERUANGAN DARI MATRIK KOOKURENSI (SPATIAL LAND COVER CLASSIFICATION USING
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 1.1 Data Training Data training adalah data yang digunakan untuk pembelajaran pada proses data mining atau proses pembentukan pohon keputusan.pada penelitian ini
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 terperinciJurnal Geodesi Undip OKTOBER 2015
KLASIFIKASI TUTUPAN VEGETASI MENGGUNAKAN METODE DEKOMPOSISI POLARIMETRIK Panji Pratama Putra, Yudo Prasetyo, Haniah *) Program Studi Teknik Geodesi, Fakultas Teknik, Universitas Diponegoro Jl. Prof. Soedarto,
Lebih terperinciPhased Array Type L-Band Synthetic Aperture Radar (PALSAR)
LAMPIRAN 51 Phased Array Type L-Band Synthetic Aperture Radar (PALSAR) Sensor PALSAR merupakan pengembangan dari sensor SAR yang dibawa oleh satelit pendahulunya, JERS-1. Sensor PALSAR adalah suatu sensor
Lebih terperinci5. SIMPULAN DAN SARAN
5. SIMPULAN DAN SARAN Simpulan Citra ALOS PALSAR dapat digunakan untuk membangun model pendugaan biomassa di ekosistem transisi yang telah mengalami transformasi dari hutan sekunder menjadi sistem pertanian
Lebih terperinciKLASIFIKASI PENENTUAN TIM UTAMA OLAHRAGA HOCKEY MENGGUNAKAN ALGORITMA C4.5 (STUDI KASUS : HOCKEY KABUPATEN KENDAL)
KLASIFIKASI PENENTUAN TIM UTAMA OLAHRAGA HOCKEY MENGGUNAKAN ALGORITMA C4.5 (STUDI KASUS : HOCKEY KABUPATEN KENDAL) Budi Utami 1, Yuniarsi Rahayu, 2 1,2 Program Studi Teknik Informatika, Fakultas Ilmu Komputer,
Lebih terperinciBAB V HASIL DAN PEMBAHASAN
31 BAB V HASIL DAN PEMBAHASAN 5.1 Identifikasi Tutupan Lahan di Lapangan Pengamatan tutupan lahan di lapangan dilakukan di Kecamatan Cikalong yang terdiri dari 13 desa. Titik pengamatan yang digunakan
Lebih terperinci1. BAB I PENDAHULUAN PENDAHULUAN
1. BAB I PENDAHULUAN PENDAHULUAN 1.1. Latar Belakang Peta menggambarkan data spasial (keruangan) yang merupakan data yang berkenaan dengan lokasi atau atribut dari suatu objek atau fenomena di permukaan
Lebih terperinciI PENDAHULUAN 1.1 Latar Belakang
I PENDAHULUAN 1.1 Latar Belakang Indonesia merupakan salah satu negara yang memiliki hutan tropis terbesar di dunia, dengan kondisi iklim basa yang peluang tutupan awannya sepanjang tahun cukup tinggi.
Lebih terperinciV. HASIL DAN PEMBAHASAN
V. HASIL DAN PEMBAHASAN 5.1 Analisis Citra 5.1.1 Kompilasi Citra Penelitian menggunakan citra Quickbird yang diunduh dari salah satu situs Internet yaitu, Wikimapia. Dalam hal ini penulis memilih mengambil
Lebih terperinciBAB II TINJAUAN PUSTAKA
4 BAB II TINJAUAN PUSTAKA 2.1. Pemantauan Padi dengan SAR Polarisasi Tunggal Pada awal perkembangannya, sensor SAR hanya menyediakan satu pilihan polarisasi saja. Masalah daya di satelit, kapasitas pengiriman
Lebih terperinciI PENDAHULUAN 1.1 Latar Belakang
1 I PENDAHULUAN 1.1 Latar Belakang Luas kawasan hutan Indonesia berdasarkan Surat Keputusan Menteri Kehutanan tentang penunjukan kawasan hutan dan perairan provinsi adalah 133.300.543,98 ha (Kementerian
Lebih terperinciHASIL DAN PEMBAHASAN. Setiap tahapan di dalam penelitian ini akan ditunjukkan di dalam Tabel 2.
6 tahap ini, pola yang telah ditemukan dipresentasikan ke pengguna dengan teknik visualisasi agar pengguna dapat memahaminya. Deskripsi aturan klasifikasi akan dipresentasikan dalam bentuk aturan logika
Lebih terperinciEditor:. Prof Dr. Fahmi Amhar Prof Aris Poniman Dr. Dewayany Sutrisno Dr. SobarSutisna Dr. Sri Handoyo Dr. Ibnu Sofian Dr.
Editor:. Prof Dr. Fahmi Amhar Prof Aris Poniman Dr. Dewayany Sutrisno Dr. SobarSutisna Dr. Sri Handoyo Dr. Ibnu Sofian Dr. Mulyanto Da IDENTIFIKASI ALIRAN LAVA MENGGUNAKAN METODE HAMBURAN BALIK RADAR POLARIMETRI
Lebih terperinciPendahuluan. Metode Penelitian. Hasil Sementara. Rencana Selanjutnya
PENGUATAN KAPASITAS DAERAH DALAM PEMANFAATAN DATA SYNTHETIC APERTURE RADAR (SAR) UNTUK PENGURANGAN RESIKO DAN MITIGASI BENCANA Pendahuluan Metode Penelitian Hasil Sementara Rencana Selanjutnya LATAR BELAKANG
Lebih terperinciPENGOLAHAN CITRA SATELIT ALOS PALSAR MENGGUNAKAN METODE POLARIMETRI UNTUK KLASIFIKASI LAHAN WILAYAH KOTA PADANG ABSTRACT
Eksakta Vol. 18 No. 1, April 2017 http://eksakta.ppj.unp.ac.id E-ISSN : 2549-7464 P-ISSN : 1411-3724 PENGOLAHAN CITRA SATELIT ALOS PALSAR MENGGUNAKAN METODE POLARIMETRI UNTUK KLASIFIKASI LAHAN WILAYAH
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 terperinciABSTRAK. Kata kunci: PiSAR-L2, Berbasis piksel, Berbasis obyek, Band tekstur
Perbandingan Metode Klasifikasi Penutup Lahan. (R. Johannes Manalu et al) PERBANDINGAN METODE KLASIFIKASI PENUTUP LAHAN BERBASIS PIKSEL DAN BERBASIS OBYEK MENGGUNAKAN DATA PiSAR-L2 (COMPARISON BETWEEN
Lebih terperinciGambar 1. Lokasi Penelitian
11 III. METODE PENELITIAN 3.1. Tempat dan Waktu Penelitian Lokasi penelitian di wilayah Kecamatan Babakan Madang dan Klapanunggal. Peta lokasi penelitian dapat dilihat pada Gambar 1. Analisis citra dan
Lebih terperinciPENERAPAN DATA MINING UNTUK REKOMENDASI BEASISWA PADA SMA MUHAMMADIYAH GUBUG MENGGUNAKAN ALGORITMA C4.5
1 PENERAPAN DATA MINING UNTUK REKOMENDASI BEASISWA PADA SMA MUHAMMADIYAH GUBUG MENGGUNAKAN ALGORITMA C4.5 Dina Maurina, Ahmad Zainul Fanani S.Si, M.Kom Jurusan Teknik Informatika FIK UDINUS, Jl. Nakula
Lebih terperinciPemanfaatan Educational Data Mining (EDM)...
PEMANFAATAN EDUCATIONAL DATA MINING (EDM) UNTUK MEMPREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA C4.5 (STUDI KASUS: TI-S1 UDINUS) Defri Kurniawan 1*, Wibowo Wicaksono 1 dan Yani Parti Astuti 1 1
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Eksperimen Pada penelitian ini dilakukan eksperimen sebanyak dua kali. Eksperimen pertama dilakukan untuk menguji keberhasilan klasifikasi ROI ke dalam jenis keabnormalan,
Lebih terperinciHeru Noviar dan Bambang Trisakti Peneliti Bidang Sumber Daya Wilayah Darat, Pusfatja, Lapan
Pemanfaatan Kanal... (Heru Noviar dan Bambang Trisakti) PEMANFAATAN KANAL POLARISASI DAN KANAL TEKSTUR DATA PISAR-L2 UNTUK KLASIFIKASI PENUTUP LAHAN KAWASAN HUTAN DENGAN METODE KLASIFIKASI TERBIMBING (UTILIZATION
Lebih terperinciKLASIFIKASI PENENTUAN TIM UTAMA OLAHRAGA HOCKEY MENGGUNAKAN ALGORITMA C4.5 (Study Kasus : Hockey Kabupaten Kendal)
1 KLASIFIKASI PENENTUAN TIM UTAMA OLAHRAGA HOCKEY MENGGUNAKAN ALGORITMA C4.5 (Study Kasus : Hockey Kabupaten Kendal) Budi Utami Jurusan Teknik Informatika FIK UDINUS, Jl. Nakula No. 5-11 Semarang-50131
Lebih terperinciGambar 13. Citra ALOS AVNIR
32 BAB V HASIL DAN PEMBAHASAN 5.1. Citra ALOS AVNIR Citra yang digunakan pada penelitian ini adalah Citra ALOS AVNIR tahun 2006 seperti yang tampak pada Gambar 13. Adapun kombinasi band yang digunakan
Lebih terperinciKLASIFIKASI RUANG TERBUKA HIJAU WILAYAH JAKARTA MENGGUNAKAN CITRA SATELIT ALOS PALSAR RIDWAN AGUNG PRASETYA
KLASIFIKASI RUANG TERBUKA HIJAU WILAYAH JAKARTA MENGGUNAKAN CITRA SATELIT ALOS PALSAR RIDWAN AGUNG PRASETYA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciHASIL DAN PEMBAHASAN. Praproses
5 4 MySQL sebagai database. 5 Mozilla Firefox sebagai web browser. 6 Microsoft Excel untuk perhitungan hasil penelitian dan pembuatan grafik. Perangkat keras: 1 Prosesor Intel Core i3. 2 RAM 2 GB. 3 Harddisk
Lebih terperinciPenggunaan Pohon Keputusan untuk Data Mining
Penggunaan Pohon Keputusan untuk Data Mining Indah Kuntum Khairina NIM 13505088 Program Studi Teknik Teknik Informatika, Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jalan Ganesha
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 terperinciTUGAS TERSTRUKTUR I ANALISIS LANDSKAP TERPADU
TUGAS TERSTRUKTUR I ANALISIS LANDSKAP TERPADU Kelas C Oleh : Ayu Sulistya Kusumaningtyas 115040201111013 Dwi Ratnasari 115040207111011 Fefri Nurlaili Agustin 115040201111105 Fitri Wahyuni 115040213111050
Lebih terperinciRizqi Agung Wicaksono Zuharnen Fakultas Geografi, Universitas Gadjah Mada Yogyakarta ABSTRACT
PEMANFAATAN CITRA PENGINDERAAN JAUH RESOLUSI TINGGI DAN SISTEM INFORMASI GEOGRAFIS (SIG) UNTUK MENENTUKAN LOKASI PRIORITAS PEMBANGUNAN RUANG TERBUKA HIJAU (RTH) DI KOTA SURAKARTA Rizqi Agung Wicaksono
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Penginderaan Jauh Penginderaan jauh merupakan ilmu dan seni untuk memperoleh informasi tentang suatu objek, daerah, atau fenomena melalui analisis data yang diperoleh dengan
Lebih terperinciPENERAPAN LEAST SQUARE METHOD UNTUK PERAMALAN PENJUALAN DI HIJABSTORY BANDUNG
PENERAPAN LEAST SQUARE METHOD UNTUK PERAMALAN PENJUALAN DI HIJABSTORY BANDUNG Wendi Wirasta, Muhamad Luthfi Ashari 2 Program Studi Teknik Informatika, STMIK & Ilmu Komputer LPKIA Jl. Soekarno Hatta 456,
Lebih terperinciSNIPTEK 2014 ISBN:
KOMPARASI MENGGUNAKAN ALGORITMA C4.5, NEURAL NETWORK DAN NAÏVE BAYES DALAM PREDIKSI UJIAN KOMPENTENSI SMK MAHADHIKA 4 JAKARTA Aswan Supriyadi Sunge STMIK Nusa Mandiri mardian82@gmail.com Kaman Nainggolan
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 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 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 terperinciPenerapan Algoritme C4.5 Pada Klasifikasi Produksi Ubi Jalar di Pulau Jawa
Penerapan Algoritme C4.5 Pada Klasifikasi Produksi Ubi Jalar di Pulau Jawa Seno Setiyawan 1, Yuliana Susanti 2,Tri Atmojo Kusmayadi 3 1,3 Program Studi Matematika FMIPA, Universitas Sebelas Maret 2 Program
Lebih terperinciPEMANFAATAN DATA PENGINDERAAN JAUH YANG BEBAS DIUNDUH UNTUK MENDAPATKAN BEBERAPA PARAMETER LAHAN. T.M. Basuki & N. Wahyuningrum BPTKPDAS
PEMANFAATAN DATA PENGINDERAAN JAUH YANG BEBAS DIUNDUH UNTUK MENDAPATKAN BEBERAPA PARAMETER LAHAN T.M. Basuki & N. Wahyuningrum BPTKPDAS 1. PENDAHULUAN Penutupan lahan dan lereng penting dalam monev kinerja
Lebih terperinciPEMANTAUAN PERTUMBUHAN PADI MENGGUNAKAN L-BAND SAR BERBASIS TEORI DEKOMPOSISI: STUDI KASUS SUBANG ADI YUDHA PRAMONO A
PEMANTAUAN PERTUMBUHAN PADI MENGGUNAKAN L-BAND SAR BERBASIS TEORI DEKOMPOSISI: STUDI KASUS SUBANG ADI YUDHA PRAMONO A14070061 DEPARTEMEN ILMU TANAH DAN SUMBERDAYA LAHAN FAKULTAS PERTANIAN INSTITUT PERTANIAN
Lebih terperinciV. HASIL DAN PEMBAHASAN
V. HASIL DAN PEMBAHASAN 5.1 Interpretasi Visual Penggunaan Lahan Melalui Citra Landsat Interpretasi visual penggunaan lahan dengan menggunakan citra Landsat kombinasi band 542 (RGB) pada daerah penelitian
Lebih terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN 4.1 Pengolahan Citra ALOS PRISM dan Seri Citra ALOS PALSAR 4.1.1 Pengolahan Citra ALOS PRISM Citra ALOS PRISM (Panchromatik Remote-sensing Instrument for Stereo Mapping) dirancang
Lebih terperinciPENERAPAN ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO
PENERAPAN ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO Wandira Irene, Mukhlisulfatih Latief, Lillyan Hadjaratie Program Studi S1 Sistem Informasi / Teknik Informatika
Lebih terperinciKARAKTERISKTIK BACKSCATTER CITRA ALOS PALSAR POLARISASI HH DAN HV TERHADAP PARAMETER BIOFISIK HUTAN DI SEBAGIAN TAMAN NASIONAL KERINCI SEBLAT
KARAKTERISKTIK BACKSCATTER CITRA ALOS PALSAR POLARISASI HH DAN HV TERHADAP PARAMETER BIOFISIK HUTAN DI SEBAGIAN TAMAN NASIONAL KERINCI SEBLAT Nirmawana Simarmata 1, Hartono 2, Sigit Heru Murti 3 1 Program
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 III METODOLOGI 3.1 Lokasi dan Waktu Penelitian 3.2 Bahan dan Alat
21 BAB III METODOLOGI 3.1 Lokasi dan Waktu Penelitian Penelitian ini dilakukan di KPH Kebonharjo Perum Perhutani Unit I, Jawa Tengah. Meliputi Bagian Hutan (BH) Tuder dan Balo, pada Kelas Perusahaan Jati.
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Teknologi penginderaan jauh (remote sensing) dikenal sebagai teknologi yang memiliki manfaat yang luas. Pemanfaatan yang tepat dari teknologi ini berpotensi meningkatkan
Lebih terperinciPERANCANGAN SISTEM PAKAR UNTUK MENENTUKAN ALAT KONTRASEPSI MENGGUNAKAN ALGORITMA C4.5
PERANCANGAN SISTEM PAKAR UNTUK MENENTUKAN ALAT KONTRASEPSI MENGGUNAKAN ALGORITMA C4.5 NI WAYAN PARWATI SEPTIANI wayan.parwati@gmail.com Program Studi Teknik Informatika Fakultas Teknik, Matematika dan
Lebih terperinciEKSPLORASI ALOS PALSAR MENGGUNAKAN POLSARPRO V3.0 DENGAN AREAL KAJIAN PT. SANG HYANG SERI, SUBANG, JAWA BARAT. Oleh : DERY RIANSYAH A
EKSPLORASI ALOS PALSAR MENGGUNAKAN POLSARPRO V3.0 DENGAN AREAL KAJIAN PT. SANG HYANG SERI, SUBANG, JAWA BARAT Oleh : DERY RIANSYAH A24103087 DEPARTEMEN ILMU TANAH DAN SUMBERDAYA LAHAN FAKULTAS PERTANIAN
Lebih terperinciCLOUD MASKING DATA SPOT-6 DENGAN MENGGUNAKAN PENDEKATAN NILAI REFLEKTANSI DAN GEOMETRI
CLOUD MASKING DATA SPOT-6 DENGAN MENGGUNAKAN PENDEKATAN NILAI REFLEKTANSI DAN GEOMETRI Danang Surya Candra *), Kustiyo *), Hedy Ismaya *) *) Pusat Teknologi dan Data Penginderaan Jauh, LAPAN e-mail: thedananx@yahoo.com
Lebih terperinciAyesa Pitra Andina JURUSAN TEKNIK GEOMATIKA FAKULTAS TEKNIK SIPIL DAN PERENCANAAN INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2014
Ayesa Pitra Andina 3510100044 JURUSAN TEKNIK GEOMATIKA FAKULTAS TEKNIK SIPIL DAN PERENCANAAN INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2014 Latar Belakang Pengembangan Kawasan a PESISIR Aksesbilitas
Lebih terperinciSeminar Nasional Penginderaan Jauh ke-4 Tahun Jurusan Geografi, Universitas Negeri Malang 2. Pusat Pemanfaatan Penginderaan Jauh, LAPAN
Seminar Nasional Penginderaan Jauh ke-4 Tahun 2017 Kajian Awal Pemanfaatan Data Radar Sentinel-1 untuk Pemetaan Lahan Baku di Kabupaten Indramayu Jawa Barat Preliminary Study of Sentinel-1 Radar Data Application
Lebih terperinciSUPPORT VECTOR MACHINE UNTUK KLASIFIKASI PENUTUP LAHAN MENGGUNAKAN CITRA RADARSAT 2 DENGAN DUAL POLARISASI HH-HV
SUPPORT VECTOR MACHINE UNTUK KLASIFIKASI PENUTUP LAHAN MENGGUNAKAN CITRA RADARSAT 2 DENGAN DUAL POLARISASI HH-HV Vandam Caesariadi Bramdito vandam.kpj@mail.ugm.ac.id Retnadi Heru Jatmiko retnadih@ugm.ac.id
Lebih terperinciPENINGKATAN KINERJA ALGORITMA K-MEANS DENGAN FUNGSI KERNEL POLYNOMIAL UNTUK KLASTERISASI OBJEK DATA
PENINGKATAN KINERJA ALGORITMA K-MEANS DENGAN FUNGSI KERNEL POLYNOMIAL UNTUK KLASTERISASI OBJEK DATA Heri Awalul Ilhamsah Jurusan Teknik Industri Universitas Trunojoyo Madura Kampus Universitas Trunojoyo
Lebih terperinciLAPAN sejak tahun delapan puluhan telah banyak
KAJIAN AWAL KEBUTUHAN TEKNOLOGI SATELIT PENGINDERAAN JAUH UNTUK MENDUKUNG PROGRAM REDD DI INDONESIA Oleh : Dony Kushardono dan Ayom Widipaminto LAPAN sejak tahun delapan puluhan telah banyak menyampaikan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Penggunaan lahan merupakan hasil kegiatan manusia baik yang berlangsung secara siklus atau permanen pada sumberdaya lahan alami maupun buatan guna terpenuhinya kebutuhan
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 terperinciModel Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan dengan Teknik Decision Tree
Scientific Journal of Informatics Vol. 3, No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Model Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Waktu dan Lokasi Penelitian Penelitian ini dilaksanakan pada bulan Februari 2011 di Laboratorium Pengaruh Hutan, Departemen Silvikultur, Fakultas Kehutanan, Institut Pertanian
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 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 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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Aktivitas gunung api dapat dipelajari dengan pengamatan deformasi. Pemantauan deformasi gunung api dapat digolongkan menjadi tiga kategori berbeda dari aktifitas gunung
Lebih terperinciBab 1 P e n d a h u l u a n
P e n d a h u l u a n 1.1 Latar Belakang Indonesia salah satu negara yang kaya dengan sumber daya alamnya. Bebagai jenis hutan, ladang, sawah, dan sungai tersebar hampir diseluruh pulau. Maka sudah selayaknya
Lebih terperinci