Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kelapa sawit merupakan tanaman budidaya penghasil minyak nabati yang mempunyai nilai ekonomis tinggi. Di Indonesia, Provinsi Riau tercatat sebagai provinsi yang memiliki luas perkebunan terbesar. Dengan luas lahan kelapa sawit di Provinsi Riau yang begitu besar, maka penting untuk mengetahui kondisi terkini umur dari tanaman kelapa sawit. Tujuan dari penelitian ini adalah untuk mengestimasi umur tanaman dengan metode regresi polinomial kuadratik serta menganalisis pola spasial sebaran umur tanaman kelapa sawit di Provinsi Riau. Penelitian ini menggunakan transformasi indeks vegetasi NDVI dan EVI yang diekstraksi dari Citra Landsat 8 – OLI Surface Reflectance. Proses akuisisi data, pengolahan data, analisis data hingga pemetaan menggunakan platform Google Earth Engine (GEE). Metode klasifikasi menggunakan Machine Learning, seperti; SVM, Random Forest dan CART untuk kemudian dibandingkan tingkat akurasinya. Estimasi umur tanaman didapatkan dari hasil pemodelan regresi polinomial kuadratik. Hasil penelitian menggunakan Machine Learning didapatkan hasil berupa tingkat akurasi yang berbeda, yakni: SVM untuk akurasi keseluruhan sebesar 98,6 % dan akurasi kappa sebesar 0,979, Random Forest untuk akurasi sebesar 97,43 % dan 0.96, CART akurasi sebesar 97,43 % dan 0.96. Sebaran umur berdasarkan faktor fisik ketinggian didominasi oleh kelompok umur dewasa terutama pada ketinggian 0-5 mdpl. Begitu pula dengan faktor fisik kemiringan lereng yang di dominasi oleh kelompok umur dewasa dan muda terutama pada kemiringan lereng 0-8 % dan 15-30 %. Sementara pada faktor fisik jarak dari sungai setiap jarak 2000meter secara keseluruhan didominasi oleh kelompok umur dewasa namun pada jarak terdekat dengan sungai yakni 0-2000meter didominasi oleh kelompok umur muda.

---

Oil palm is a cultivated plant that produces vegetable oil that has high economic value. In Indonesia, Riau Province is listed as the province with the largest plantation area. With the large area of ​​oil palm in Riau Province, it is important to know the current condition of the age of the oil palm plantation. The purpose of this study was to estimate the age of the plant by using quadratic polynomial regression method and to analyze the spatial pattern of the age distribution of oil palm plants in Riau Province. This study uses the transformation of the NDVI and EVI vegetation indices extracted from Landsat 8 – OLI Surface Reflectance Imagery. The process of data acquisition, data processing, data analysis to mapping using the Google Earth Engine (GEE) platform. The classification method uses Machine Learning, such as; SVM, Random Forest and CART to then compare the level of accuracy. The estimated age of the plant was obtained from the results of quadratic polynomial regression modeling. The results of the research using Machine Learning obtained results in the form of different levels of accuracy, namely: SVM for an overall accuracy of 98.6% and kappa accuracy of 0.979, Random Forest for an accuracy of 97.43% and 0.96, CART accuracy of 97.43% and 0.96. The age distribution based on the physical height factor is dominated by the adult age group, especially at an altitude of 0-5 meters above sea level. Likewise with the physical factor of the slope which is dominated by the adult and young age groups, especially on the slopes of 0-8% and 15-30%. Meanwhile, on the physical factor, the distance from the river every 2000 meters is dominated by the adult age group, but at the closest distance to the river, 0-2000 meters, it is dominated by the young age group. "

"Aktivitas produksi dan ekspor komoditas kelapa sawit terus mengalami ekspansi dan peningkatan. Indonesia memiliki perkebunan kelapa sawit dengan luas mencapai 12.761.586 Hektar. menjadikan Indonesia sebagai salah satu penghasil CPO (Crude Palm Oil) terbesar di dunia. Keberhasilan produksi dari kelapa sawit tidak terlepas dari kegiatan perencanaan dan pengawasan sehingga diperlukan pemantauan secara cepat dan efektif. Penelitian ini dilakukan dengan tujuan untuk mengetahui karakteristik dan pola persebaran umur kelapa sawit berdasarkan nilai backscatter pada citra radar Sentinel-1. Data berupa citra radar Sentinel-1 digunakakan untuk dapat melakukan estimasi terhadap umur kelapa sawit berdasarkan nilai backscatter menggunakan pendekatan machine learning. Hasil pemodelan menunjukan bahwa tren nilai backscatter terhadap umur kelapa sawit memiliki karakter berbanding lurus dengan umur kelapa sawit. Estimasi umur kelapa sawit berdasarkan nilai backscatter pada Sentinel-1 GRD menghasilkan 3 kelas umur kelapa sawit dengan tingkat overall accuracy sebesar 93.3% pada anlisis yang dilakukan secara Single Time, sedangkan pada analisis time series diperoleh nilai overall accuracy sebesar 94.5% Hasil menunjukkan bahwa kelas umur dewasa memiliki nilai z score sebesar - 4.190963 dengan pola persebaran clustered (mengelompok), kelas umur taruna dengan z score -8.388942 berpola clustered (mengelompok), dan kelas umur remaja dengan perolehan nilai z score 7.801667 dengan pola persebaran dispersed (seragam).

---

Production and export activities of palm oil commodities continue to expand and increase. Indonesia has oil palm plantations with an area of 12,761,586 hectares. making Indonesia one of the largest CPO (Crude Palm Oil) producers in the world. The success of production from oil palm cannot be separated from planning and monitoring activities so that it is necessary to monitor quickly and effectively. This study was conducted with the aim of knowing the characteristics and patterns of age distribution of oil palms based on the backscatter value on Sentinel-1 radar images. Data in the form of Sentinel-1 radar images are used to estimate the age of oil palms based on the backscatter value using a machine learning approach. The modeling results show that the trend of the backscatter value of the age of the oil palm has a character that is directly proportional to the age of the oil palm. Oil palm age estimation based on the backscatter value on Sentinel-1 GRD resulted in 3 oil palm age classes with an overall accuracy rate of 93.3% in the Single Time analysis, while the time series analysis obtained an overall accuracy value of 94.5%. adults have a z score of -4.190963 with a clustered distribution pattern, the cadet age class with a z score of -8.388942 with a clustered pattern, and the adolescent age class with a z score of 7.801667 with a dispersed distribution pattern (uniform)."

"Aktivitas produksi dan ekspor komoditas kelapa sawit terus mengalami ekspansi dan peningkatan. Indonesia memiliki perkebunan kelapa sawit dengan luas mencapai 12.761.586 Hektar. menjadikan Indonesia sebagai salah satu penghasil CPO (Crude Palm Oil) terbesar di dunia. Keberhasilan produksi dari kelapa sawit tidak terlepas dari kegiatan perencanaan dan pengawasan sehingga diperlukan pemantauan secara cepat dan efektif. Penelitian ini dilakukan dengan tujuan untuk mengetahui karakteristik dan pola persebaran umur kelapa sawit berdasarkan nilai backscatter pada citra radar Sentinel-1. Data berupa citra radar Sentinel-1 digunakakan untuk dapat melakukan estimasi terhadap umur kelapa sawit berdasarkan nilai backscatter menggunakan pendekatan machine learning. Hasil pemodelan menunjukan bahwa tren nilai backscatter terhadap umur kelapa sawit memiliki karakter berbanding lurus dengan umur kelapa sawit. Estimasi umur kelapa sawit berdasarkan nilai backscatter pada Sentinel-1 GRD menghasilkan 3 kelas umur kelapa sawit dengan tingkat overall accuracy sebesar 93.3% pada anlisis yang dilakukan secara Single Time, sedangkan pada analisis time series diperoleh nilai overall accuracy sebesar 94.5% Hasil menunjukkan bahwa kelas umur dewasa memiliki nilai z score sebesar -4.190963 dengan pola persebaran clustered (mengelompok), kelas umur taruna dengan z score -8.388942 berpola clustered (mengelompok), dan kelas umur remaja dengan perolehan nilai z score 7.801667 dengan pola persebaran dispersed (seragam).

---

Production and export activities of palm oil commodities continue to expand and increase. Indonesia has oil palm plantations with an area of ​​12,761,586 hectares. making Indonesia one of the largest CPO (Crude Palm Oil) producers in the world. The success of production from oil palm cannot be separated from planning and monitoring activities so that it is necessary to monitor quickly and effectively. This research was conducted with the aim of knowing the characteristics and patterns of age distribution of oil palms based on the backscatter value on Sentinel-1 radar images. Data in the form of Sentinel-1 radar images are used to estimate the age of oil palms based on the backscatter value using a machine learning approach. The modeling results show that the trend of the backscatter value of the age of the oil palm has a character that is directly proportional to the age of the oil palm. Oil palm age estimation based on the backscatter value on Sentinel-1 GRD resulted in 3 oil palm age classes with an overall accuracy rate of 93.3% in the Single Time analysis, while the time series analysis obtained an overall accuracy value of 94.5%. adults have a z score of -4.190963 with a clustered distribution pattern, the cadet age class with a z score of -8.388942 with a clustered pattern, and the adolescent age class with a z score of 7.801667 with a dispersed distribution pattern."

"Aktivitas produksi dan ekspor komoditas kelapa sawit terus mengalami ekspansi dan peningkatan. Indonesia memiliki perkebunan kelapa sawit dengan luas mencapai 12.761.586 Hektar. menjadikan Indonesia sebagai salah satu penghasil CPO (Crude Palm Oil) terbesar di dunia. Keberhasilan produksi dari kelapa sawit tidak terlepas dari kegiatan perencanaan dan pengawasan sehingga diperlukan pemantauan secara cepat dan efektif. Penelitian ini dilakukan dengan tujuan untuk mengetahui karakteristik dan pola persebaran umur kelapa sawit berdasarkan nilai backscatter pada citra radar Sentinel-1. Data berupa citra radar Sentinel-1 digunakakan untuk dapat melakukan estimasi terhadap umur kelapa sawit berdasarkan nilai backscatter menggunakan pendekatan machine learning. Hasil pemodelan menunjukan bahwa tren nilai backscatter terhadap umur kelapa sawit memiliki karakter berbanding lurus dengan umur kelapa sawit. Estimasi umur kelapa sawit berdasarkan nilai backscatter pada Sentinel-1 GRD menghasilkan 3 kelas umur kelapa sawit dengan tingkat overall accuracy sebesar 93.3% pada anlisis yang dilakukan secara Single Time, sedangkan pada analisis time series diperoleh nilai overall accuracy sebesar 94.5% Hasil menunjukkan bahwa kelas umur dewasa memiliki nilai z score sebesar -4.190963 dengan pola persebaran clustered (mengelompok), kelas umur taruna dengan z score -8.388942 berpola clustered (mengelompok), dan kelas umur remaja dengan perolehan nilai z score 7.801667 dengan pola persebaran dispersed (seragam).

---

Production and export activities of palm oil commodities continue to expand and increase. Indonesia has oil palm plantations with an area of ​​12,761,586 hectares. making Indonesia one of the largest CPO (Crude Palm Oil) producers in the world. The success of production from oil palm cannot be separated from planning and monitoring activities so that it is necessary to monitor quickly and effectively. This research was conducted with the aim of knowing the characteristics and patterns of age distribution of oil palms based on the backscatter value on Sentinel-1 radar images. Data in the form of Sentinel-1 radar images are used to estimate the age of oil palms based on the backscatter value using a machine learning approach. The modeling results show that the trend of the backscatter value of the age of the oil palm has a character that is directly proportional to the age of the oil palm. Oil palm age estimation based on the backscatter value on Sentinel-1 GRD resulted in 3 oil palm age classes with an overall accuracy rate of 93.3% in the Single Time analysis, while the time series analysis obtained an overall accuracy value of 94.5%. adults have a z score of -4.190963 with a clustered distribution pattern, the cadet age class with a z score of -8.388942 with a clustered pattern, and the adolescent age class with a z score of 7.801667 with a dispersed distribution pattern."

"Analisis harga Crude Palm Oil (CPO) merupakan langkah krusial dalam perencanaan strategis industri minyak kelapa sawit untuk mengantisipasi fluktuasi harga. Metode analisis harga awalnya berbasis statistik, namun seiring perkembangan teknologi dan kompleksitas data, metode machine learning mulai diterapkan untuk hasil lebih akurat. Harga CPO dipengaruhi oleh faktor eksternal seperti curah hujan dan nilai tukar mata uang, yang membuat prediksi harga menjadi tantangan tersendiri. Penelitian ini menganalisis harga CPO menggunakan metode deret waktu, Autoregressive Integrated Moving Average with Exogenous Variables (SARIMAX), dan metode Machine Learning, Random Forest. Data yang digunakan meliputi harga CPO, nilai tukar rupiah terhadap dollar, dan inflasi di Indonesia dari Januari 2010 hingga Januari 2024. Evaluasi performa model menggunakan Mean Absolute Percentage Error (MAPE) menunjukkan bahwa Random Forest memiliki performa lebih baik dengan nilai MAPE 18,92%, dibandingkan SARIMAX dengan nilai MAPE 19,07%. Hasil penelitian ini diharapkan dapat membantu pelaku industri CPO dalam pengambilan keputusan strategis dan perencanaan bisnis yang lebih baik.

---

Crude Palm Oil (CPO) price analysis is a crucial step in the strategic planning of the palm oil industry to anticipate price fluctuations. Price analysis methods were originally based on statistics, but with the development of technology and data complexity, machine learning methods began to be applied for more accurate results. CPO prices are affected by external factors such as rainfall and currency exchange rates, which makes price prediction a challenge. This research analyzes CPO prices using the time series method, Autoregressive Integrated Moving Average with Exogenous Variables (SARIMAX), and the machine learning method, Random Forest. The data used includes CPO prices, rupiah exchange rate against the dollar, and inflation in Indonesia from January 2010 to January 2024. Evaluation of model performance using Mean Absolute Percentage Error (MAPE) shows that Random Forest has better performance with a MAPE value of 18.92%, compared to SARIMAX with a MAPE value of 19.07%. The results of this study are expected to help CPO industry players in making strategic decisions and better business planning."

"

Polusi udara merupakan permasalahan krusial di Jakarta yang dapat berdampak pada berbagai sektor. Karena itu, penelitian ini mengembangkan model spasial-temporal kualitas udara di Jakarta menggunakan machine learning sebagai upaya manajemen kualitas udara yang efektif. Penelitian ini menggunakan PM2.5 sebagai variabel dependen dan kondisi meteorologi sebagai prediktor. Data PM2.5 diekstrak dari laman Jakarta Rendah Emisi sedangkan data meteorologi diekstrak dari laman Open Weather Map menggunakan API. Data yang terkumpul akan dirata-ratakan berdasarkan 4 interval waktu (00:00–05:00, 06:00–11:00, 12:00–17:00, dan 18:00–23:00) dan dua musim (kemarau dan hujan). Kemudian, data akan diinterpolasi dengan menggunakan Kriging interpolation. Hasil interpolasi akan digunakan sebagai input untuk model machine learning dengan menggunakan algoritma Random Forest (RF) dan XGBoost. Secara umum, algoritma RF memberikan performa yang lebih baik dilihat dari rendahnya nilai RMSE, MAE, dan MAPE yang dihasilkan. Selanjutnya, output machine learning digunakan untuk memetakan konsentrasi PM2.5 di Jakarta. Pemetaan tersebut menunjukan konsentrasi PM2.5 pada musim kemarau cenderung lebih tinggi daripada musim hujan yang disebabkan oleh proses washing out. Pada musim kemarau, konsentrasi PM2.5 pada malam hingga pagi bernilai lebih tinggi daripada siang hari yang disebabkan oleh rendahnya tinggi lapisan pencampuran udara yang membatasi pergerakan polutan udara. Sedangkan pada musim hujan, konsentrasi PM2.5 yang tinggi dipengaruhi oleh curah hujan yang rendah dan kelembapan yang tinggi. Selain itu, Kota Administrasi Jakarta Utara memiliki konsentrasi yang relatif lebih rendah dibandingkan kota administrasi lainnya akibat angin laut yang memicu dispersi polusi udara.

---

Air pollution is a crucial issue in Jakarta that can have impacts on various sectors. Therefore, this research develops a spatial-temporal model of air quality in Jakarta using machine learning as an effort for effective air quality management. This study uses PM2.5 as the dependent variable and meteorological conditions as predictors. PM2.5 data is extracted from the Jakarta Rendah Emisi website, while meteorological data is extracted from the Open Weather Map using an API. The collected data will be averaged based on four time intervals (00:00–05:00 a.m.; 6:00–11:00 a.m; 12:00–5:00 p.m; 6:00pm–11:00pm) and two seasons (dry and rainy). Then, the data will be interpolated using Kriging interpolation. The interpolation results will be used as input for the machine learning model using the Random Forest (RF) and XGBoost algorithms. The RF algorithm provides better performance with low values of RMSE, MAE, and MAPE. Furthermore, the output of the machine learning model is used to map the PM2.5 concentrations in Jakarta. The mapping shows that PM2.5 concentrations during the dry season tend to be higher than during the rainy season, due to the washing out process. During the dry season, PM2.5 concentrations are higher at night, due to low mixing layer height that restricts pollutants movement. During the rainy season, high PM2.5 concentrations are influenced by low rainfall and high humidity. In addition, the North Jakarta area has a relatively lower concentration compared to other area due to wind induced by the coastline which trigger the spread of air pollution.

"

"Ancaman perubahan iklim semakin nyata dengan meningkatnya emisi gas rumah kaca termasuk emisi karbon. Peningkatan itu disebabkan aktivitas manusia yang dapat dilihat dari pola penggunaan tanah. Provinsi DKI Jakarta sebagai wilayah perkotaan dengan penduduk yang besar memiliki intensitas aktivitas manusia yang tinggi. Tingginya aktivitas manusia tersebut menjadi alasan DKI Jakarta perlu untuk memenuhi target pengurangan emisi pada sektor energi sebagai bagian dari Paris Agreement. Tujuan penelitian ini adalah membuat dan menganalisis model spasial emisi karbon sektor energi berdasarkan reflektansi permukaan pada penggunaan tanah yang terekam Sentinel 2 melalui pendekatan multi-indeks. Penelitian dilakukan di wilayah daratan Provinsi DKI Jakarta dengan menggunakan data geospasial resmi yang tersedia dan penginderaan jauh untuk ekstraksi informasi terkait penggunaan tanah serta inventarisasi emisi gas rumah kaca dari konsumsi energi tahun 2020 sebagai referensi. Pengolahan data dilakukan dengan menggunakan machine learning classifier yang tersedia pada Google Earth Engine untuk klasifikasi terbimbing Sentinel 2 dan ditentukan kesesuaian nilai emisinya atas dasar berbagai faktor. Perhitungan gas rumah kaca terdiri dari emisi bangunan dan emisi transportasi yang melibatkan konsumsi energi stasioner maupun bergerak dan faktor emisi. Analisis regresi linier berganda digunakan sebagai model akhir yang mengaitkan emisi karbon dari konsumsi energi dengan karakter berbagai kanal dan indeks pada penggunaan tanah. Hasil penelitian menunjukkan bahwa tutupan awan citra, parameter algoritma, dan dataset berpengaruh pada identifikasi penggunaan tanah dan algoritma terbaik adalah Random Forest dengan akurasi umum 0,62. Reflektansi permukaan red edge 1 dan 2 serta SWIR 1 dan 2 baik untuk klasifikasi. Penggunaan tanah yang paling banyak menghasilkan emisi pada model adalah industri dengan koefisien 0,078. Nilai R kuadrat dari model mencapai 0,65 mengindikasikan pengaruh prediksi variabel sebesar 65%. Membagikan pengaruh setiap kelas penggunaan tanah sebagai variabel moderator dan reflektansi Sentinel 2 terhadap emisi karbon dalam bentuk model yang berbeda dapat digunakan untuk melakukan estimasi emisi karbon

---

The threat of climate change is becoming more evident with the increase in greenhouse gas emissions, including carbon emissions. The increase was due to human activities which can be seen from the pattern of land use. DKI Jakarta Province as an urban area with a large population has a high intensity of human activity. The high level of human activity is the reason DKI Jakarta needs to meet the emission reduction target in the energy sector as part of the Paris Agreement. The purpose of this study was to create and analyze a spatial model of energy sector carbon emissions based on surface reflectance on land use recorded by Sentinel 2 through a multi-index approach. The study was conducted in the mainland area of ​​DKI Jakarta Province using available official geospatial data and remote sensing for the extraction of information related to land use as well as greenhouse gas emissions inventory data from energy consumption in 2020 as a reference. Data processing is carried out using machine learning classifiers available on Google Earth Engine for supervised classification on Sentinel 2 and the suitability of the emission values is determined ​​based on various factors. The greenhouse gas calculation consists of building emissions and transportation emissions involving stationary and mobile energy consumption and emission factors. Multiple linear regression analysis was used as the final model that relates carbon emissions from energy consumption with the character of various bands and indices on land use. The results showed that the image cloud cover, algorithm parameters, and datasets affect the identification of land use and the best algorithm is Random Forest with an overall accuracy of 0.62. The surface reflectance of red edge 1 and 2 as well as SWIR 1 and 2 is good for classification. The land use that produces the most emissions in the model is industry with a coefficient of 0.078. The R squared value of the model reaches 0.65 indicating the predictive effect of the variable is 65%. Sorting the effect of each land use class as moderator variable and Sentinel 2 reflectance on carbon emissions in different models can be used to estimate carbon emissions."

"Meningkatnya suhu secara global yang disebabkan oleh emisi karbon yang jumlahnya lebih banyak dari penyerapan menyebabkan terjadinya berbagai permasalahan lingkungan. Kelapa sawit memiliki potensi sebagai penyerap karbon di atmosfer. Penelitian ini memiliki tujuan unutk menganalisis distribusi spasial stok karbon tanaman kelapa sawit dan hubungannya dengan musim basah dan kering serta kemiringan tanahnya untuk melihat variasi stok karbonnya. Penginderaan jauh multispektral digunakan pada penelitian ini dan digunakan lima indeks vegetasi yaitu NDVI, GNDVI, SAVI, OSAVI, dan ARVI sebagai prediktor yang digunakan bersama dengan stok karbon lapangan untuk dibandingkan sehingga diperoleh model estimasi yang akurat. Hasil menunjukkan bahwa distribusi spasial estimasi stok karbon yang dihasilkan indeks vegetasi ARVI pada wilayah penelitian di setiap blok didominasi oleh stok karbon dengan nilai menengah. Hubungan musim basah dan kering yang dilihat dari curah hujan dengan stok karbon dan hasil uji korelasi menunjukkan bahwa curah hujan memiliki nilai korelasi positif yang sangat lemah dan variasi stok karbon berdasarkan kemiringan tanah menunjukkan bahwa kemiringan tanah tidak memiliki pengaruh terhadap stok karbon yang tersimpan. Hal tersebut dapat disebabkan karena jarak tanam kelapa sawit pada wilayah penelitian relatif sama.

---

The increase in global temperatures caused by carbon emissions which are greater than absorption causes various environmental problems. Oil palm has the potential to absorb carbon in the atmosphere. This study aims to analyze the spatial distribution of carbon stocks in oil palm plants and their relationship with the wet and dry seasons and the slope of the soil to see variations in carbon stocks. Multispectral remote sensing was used in this study and five vegetation indices were used, namely NDVI, GNDVI, SAVI, OSAVI, and ARVI as predictors which were used together with field carbon stocks to be compared in order to obtain an accurate estimation model. The results show that the spatial distribution of estimated carbon stocks resulting from the ARVI vegetation index in each block is dominated by carbon stocks with intermediate values. The relationship between wet and dry seasons and carbon stocks shows that rainfall has a very weak positive correlation value and variations in carbon stocks based on soil slope shows that soil slope has no effect on stored carbon stocks. This could be due to the relatively similar spacing of oil palm plantings in the study area."

"Perairan Pemuteran merupakan salah satu tujuan lokasi wisata di Bali yang cukup ramai dikunjungi karena keindahan terumbu karang bawah lautnya. Terumbu karang perlu dilestarikan karena selain bermanfaat di bidang ekonomi, terumbu karang dapat bertindak sebagai penghalang alami terhadap bencana alam seperti badai, topan, bahkan tsunami. Kajian terkait identifikasi spasial morfologi dasar laut dan sebaran bentuk di ekosistem terumbu karang dapat membantu memahami karakteristik dan keunikan dari ekosistem. Sehingga penelitian ini bertujuan untuk melakukan pemetaan morfologi dasar laut untuk melihat hubungannya dengan sebaran habitat bentik di Perairan dangkal Pemuteran. Metode yang digunakan dalam membangun zona morfologi dasar laut dengan melakukan deliniasi peta batimetri dengan peta kemiringan lereng wilayah penelitian. Sedangkan sebaran habitat bentik dihasilkan dari segmentasi menggunakan metode Object Based Image Analysis (OBIA). Secara garis besar, terdapat 2 tipe terumbu karang diwilayah penelitian yaitu tipe fringing reef dan atols. Selain itu, dalam penelitian ini ditemukan 3 zona geomorfologi terumbu karang yaitu reef flat, reef crest dan reef slope. Hasil deliniasi peta batimetri dan kemiringan lereng menghasilkan 7 unit morfologi dasar laut yaitu shoreline, shallow bench (bench dangkal), shallow cliff (jurang dangkal), shelf break, intermediate bench, dan deep cliff. Berdasarkan hasil pemetaan tersebut, unit morfologi shallow bench menjadi unit paling dominan yang terdapat di wilayah penelitian. Secara umum, terdapat 6 jenis habitat bentik yaitu rubble, lamun, karang mati, karang hidup, batu, dan pasir. Pada akhirnya, penelitian ini menemukan bahwa sebaran habitat bentik sangat berkaitan dengan morfologi dasar laut.

---

Pemuteran waters is one of the tourist destinations in Bali which is quite crowded because of the beauty of the underwater coral reefs. Coral reefs need to be preserved because apart from being economically beneficial, coral reefs can act as a natural barrier against natural disasters such as hurricanes, typhoons, and even tsunamis. Studies related to the spatial identification of seabed morphology and distribution of benthics in coral reef ecosystems can help understand the characteristics and uniqueness of the ecosystem. This study aims to map the seabed morphology to see its relationship with the distribution of benthic habitats in Pemuteran shallow waters. The method used in constructing the morphological zone of the seabed is by delineating the bathymetric map with the slope map of the research area. While the distribution of benthic habitats is generated from image segmentation using the Object-Based Image Analysis (OBIA) method. There are two types of coral reefs in the study area: fringing reef and atolls. In addition, this study found three morphological zones of coral reefs, namely reef flat, reef crest, and reef slope. The delineation results of the bathymetry and slope maps produced seven units of seabed morphology, namely shoreline, shallow bench, shallow cliff, shelf break, intermediate bench, and deep cliff. The shallow bench morphology unit is the most dominant in the study area based on the mapping results. In general, there are six types of benthic habitat, namely rubble, seagrass, dead coral, live coral, rock, and sand. In the end, this study found that the distribution of benthic habitats is closely related to the morphology of the seafloor."

"Pemanfaatan Palm Oil Biodiesel mulai berkembang sejalan dengan pelaksanaan kebijakan mandatori BBN dari 2.805 Ribu kL di 2013 menjadi 4.706 Ribu kL pada 2018. Keberhasilan transisi energi melibatkan sektor keuangan dan keseimbangan tiga dimensi energi yaitu keamanan, kesetaraan, dan keberlanjutan lingkungan. Diperlukan teknologi Big Data untuk menangani berbagai variasi dan komparasi data yang disesuaikan dengan parameter Keuangan dan Trilemma Energi pada penerapan Palm Oil Biodiesel. Tahapan penelitian ini melalui proses pengelompokan data numerik dan kategorik yang kemudian melewati tahap training dan pengujian data. Output nya berupa hasil studi Big Data pada risiko kebijakan energi dalam penerapan Palm Oil Biodiesel. Simulasi tersebut dilakukan dengan menggunakan pemprograman Python. Badan Usaha BBN (SMAR.JK, TBLA.JK, dan CEKA.JK) menghasilkan Stock Return sebesar 28%. Kovarians terkecil terjadi antara saham SMAR.JK dan TBLA.JK, dengan korelasi dari ketiga saham tergolong rendah. Sharpe Ratio ketiganya menghasilkan 0,83-0,84. Skenario penerapan Biodiesel ini memberikan dampak progresif terhadap pertumbuhan energy equity dan energy security namun terjadi arah penurunan pada aspek environmental sustainability dengan penjabaran tahun 2020 aspek energy equity; environmental sustainability; energy security [0,72; 0;65; 0,79] diproyeksikan tahun 2023 [0,83; 0,53; 0,83]. Dalam penerapan kebijakan energi dalam penerapan Palm Oil Biodiesel tersebut terdapat risiko yang perlu diperhatinkan terhadap pelaksanaannya. Pada krisis tahun 2008 yang menunjukkan ketidaksbilan pada sektor keuangan. Dari Grafik 4.1. Total Badan Usaha BBN Stock Return menunjukkan SMAR.JK mengalami krisis paling berat. TBLA.JK paling stabil dan CEKA.JK tidak mengalami penurunan yang signifikan. Ketika DMO (Domestic Market Obligation) Palm Oil tidak terpenuhi maka biaya lingkungan tidak tercapai

---

The utilization of palm oil biodiesel begins to develop rapidly in conjunction with the implementation of the biofuel mandatory policy, from 2,805 thousand kL in 2013 to 4,706 thousand kL in 2018. Achieving the transition involves the financial sector and the balance of three energy dimensions: security, equity, and environmental sustainability. Big Data Technology is required to handle numerous data variations and comparisons adjusted with the Finance and Energy Trilemma parameter in palm oil biodiesel implementation. This research begins with grouping numerical and categorical data and then continues to data training and data testing. The output will be the results of Big Data analysis on the risks of energy policy in palm oil biofuel implementation. Python software is used to perform the simulation. Biofuel companies (SMARJK, TBLA.JK, and CEKA.JK) yield 28% stock return. The smallest covariance exists between the stocks of SMAR.JK and TBLA.JK, while the correlation between the three companies’ stocks is considered low. The Sharpe Ratio of the three ranges from 0.83 to 0.84. This biodiesel implementation scenario contributes a progressive impact on the growth of energy equity and energy security but lowers environmental sustainability. The value of energy equity, environmental sustainability, and energy security in 2020 is expressed consecutively as [0.72, 0.65, 0.79], which is projected to 2023 with the value expressed as [0.83, 0.53, 0.83]. Risks in conducting the energy policies of palm oil biodiesel should be considered. The crisis that occurred in 2008 displayed instability in the financial sector. Based on Chart 4.1. Total Stock Return of Biodiesel Companies, SMAR.JK suffered from the crisis the most. TBLA.JK was the most secure, and CEKA.JK did not experience a significant decline. If the DMO (Domestic Market Obligation) of palm oil is not met, the environmental cost will not be attained."