Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pemantauan area pasca‐kebakaran menggunakan citra satelit merupakan langkah krusial dalam mengurangi risiko kebakaran hutan dan merencanakan restorasi ekosistem. Penelitian ini mengembangkan model hybrid yang mengintegrasikan encoder ASPP dari DeepLabv3+ dan decoder dari U-Net disertai spatial attention gate pada skip connection dengan memanfaatkan data Sentinel-1 (polarisasi VV+VH) dan Sentinel-2 (kanal 2, 3, 4, 8, 12) pada resolusi spasial 10 m. Data citra diambil dari area Tanjung Jabung Barat untuk lahan gambut serta dari Bromo dan Magepanda untuk lahan savana. Teknik augmentasi seperti random flip horizontalvertikal, rotasi sudut acak, dan penyesuaian brightness-contrast diterapkan pada tahap preprocessing sehingga menghasilkan 411 triplet citra. Hasil evaluasi menunjukkan bahwa model hybrid mencapai nilai Intersection over Union (IoU) tertinggi untuk area terbakar, yaitu 0,8263, dengan akurasi keseluruhan 91,49%, mengungguli DeepLabv3+ (IoU 0,8165 dan akurasi 91,07%) dan Spatial Attention U-Net (IoU 0,8031 dan akurasi 89,17%). Dari sisi Dice coefficient, model hybrid juga memimpin dengan skor 0,9064, melampaui DeepLabv3+ dengan 0,8990 dan Spatial Attention U-Net dengan 0,8933. Temuan ini menegaskan model hybrid sebagai solusi optimal untuk aplikasi yang menuntut akurasi tertinggi.

---

Monitoring post‐fire areas using satellite imagery is a crucial step in reducing wildfire risk and planning ecosystem restoration. This study develops a hybrid model integrating the Atrous Spatial Pyramid Pooling (ASPP) encoder from DeepLabv3+ with the U-Net decoder, augmented by spatial attention gates on each skip connection using Sentinel-1 data (VV+VH polarizations) and Sentinel-2 data (bands 2, 3, 4, 8, and 12) at 10 m spatial resolution. Image data were acquired from Tanjung Jabung Barat for peatland and from Bromo and Magepanda for savanna. Augmentation techniques such as random horizontal-vertical flips, random rotations, and brightness–contrast adjustments were applied during preprocessing, resulting in 411 image triplets. Evaluation results show that the hybrid model achieved the highest Intersection over Union (IoU) for burned areas at 0.8263 with an overall accuracy of 91.49%, outperforming DeepLabv3+ (IoU 0.8165, accuracy 91.07%) and Spatial Attention U-Net (IoU 0.8031, accuracy 89.17%). In terms of Dice coefficient, the hybrid model also leads with a score of 0.9064, surpassing DeepLabv3+ (0.8990) and Spatial Attention U-Net (0.8933). These findings confirm the hybrid model as the optimal solution for applications demanding the highest segmentation accuracy. "

"ABSTRAKDelta bersifat dinamis dan selalu berubah bentuk akibat interaksi dari sungai danlaut. Delta Ci Punagara sejak tahun 1972 selalu bertambah luas, sehinggaberpotensi berubah bentuk secara spasial. Tujuan penelitian untuk menganalisisperubahan spasial delta dan faktor-faktor yang mempengaruhinya. Berdasarkanoverlay peta tahun 1972, 1994, dan 2015 terjadi abrasi dan akresi di delta,sehingga mengubah bentuk delta dari Irreguler menjadi Bird-Foot. Arus dangelombang yang sejajar garis pantai menyebabkan abrasi dan menghasilkanwilayah akresi. Pasang surut yang kecil cenderung membangun pantai.Peningkatan debit Ci Punagara diikuti peningkatan sedimentasi akibat perubahanpenggunaan tanah terutama menipisnya hutan menyebabkan daratan deltabertambah luas.

---

ABSTRACTand the sea. Delta Ci Punagara since 1972 become broader, potentially deformspatially. The aim of research to analyze the spatial changes in the delta and thefactors that influence it. Based overlay maps in 1972, 1994 and 2015 occurred inthe delta erosion and accretion, thereby transforming the delta of the irregularinto Bird-Foot. Currents and waves are parallel to the shoreline causing abrasionand produce accretion region. Small tidal tends to build up the beach. Increaseddischarge of Ci Punagara followed by increased sedimentation due to changes inland use, especially depletion of forests leads expanding inland delta."

"Indonesia, sebagai salah satu negara agraris terbesar di dunia, memiliki sektor pertanian padi yang berperan penting dalam ketahanan pangan dan kontribusi sebesar 2,32% terhadap PDB nasional pada tahun 2022. Upaya dalam menjaga ketahanan pangan yang juga menjadi prioritas utama dalam Sustainable Development Goals (SDGs) ini mengalami tantangan-tantangan yang harus dihadapi seperti perubahan iklim, alih fungsi lahan, dan peningkatan jumlah penduduk. Tantangan-tantangan tersebut membuat penerapan teknologi dan inovasi terbaru untuk pemetaan lahan sawah menjadi sangat penting dalam mengestimasi produksi padi secara akurat dan mendukung ketahanan pangan, seperti penggunaan metode machine learning terbaru. Metode TransUNet yang dikembangkan pada tahun 2021, akhir-akhir ini mulai banyak digunakan untuk analisis data vegetasi, dan metode ini menunjukkan potensi dalam penggunaan pemetaan lahan persawahan. Penelitian ini bertujuan untuk mengembangkan model pemetaan lahan sawah melalui integrasi data satelit Sentinel-1 dan Sentinel-2 menggunakan metode deep learning TransUNet. Menggunakan data gabungan dari satelit Sentinel-1 yang berbasis Synthetic Aperture Radar (SAR), dan data optik dari satelit Sentinel-2 beserta empat jenis indeks vegetasi, yaitu NDVI, EVI, LSWI, dan NDWI. Hasil terbaik diperoleh dari integrasi data Sentinel-1 (VV+VH speckle filter) dan Sentinel-2 (selected bands), menghasilkan performa segmentasi lahan sawah tertinggi dengan nilai Overall Accuracy (OA) sebesar 98.12%, precision sebesar 97.4%, recall sebesar 98.5%, dice coefficient sebesar 97.9%, dan Intersection over Union (IoU) sebesar 95.9%. Hasil penelitian ini menyimpulkan bahwa segmentasi lahan persawahan menggunakan model TransUNet dengan integrasi data dari dua satelit menghasilkan performa segmentasi yang lebih baik dibandingkan penggunaan data dari satu satelit saja.

---

Indonesia, as one of the largest agrarian countries in the world, has a rice farming sector that plays a crucial role in food security and contributed 2.32% to the national GDP in 2022. Efforts to maintain food security, which is also a primary priority in the Sustainable Development Goals (SDGs), face several challenges such as climate change, land-use conversion, and population growth. These challenges highlight the importance of applying the latest technologies and innovations for mapping rice fields to accurately estimate rice production and support food security, such as utilizing advanced machine learning methods. TransUNet, a method developed in 2021, has recently been widely applied in vegetation data analysis and shows potential for use in rice field mapping. This study aims to develop a rice field mapping model through the integration of Sentinel-1 and Sentinel-2 satellite data using the TransUNet deep learning method. It utilizes combined data from Sentinel-1's Synthetic Aperture Radar (SAR)-based data and optical data from Sentinel-2, along with four types of vegetation indices: NDVI, EVI, LSWI, and NDWI. The best results were achieved through the integration of Sentinel-1 data (VV+VH speckle filter) and Sentinel-2 data (selected bands), yielding the highest segmentation performance with an Overall Accuracy (OA) of 98.12%, precision of 97.4%, recall of 98.5%, dice coefficient of 97.9%, and Intersection over Union (IoU) of 95.9%. This study concludes that rice field segmentation using the TransUNet model with integrated data from two satellites achieves better segmentation performance compared to using data from a single satellite alone. "

"Beras merupakan bahan pangan pokok dengan tingkat kebutuhan tinggi di kawasan Asia Tenggara, termasuk Indonesia yang menjadi produsen padi terbesar di kawasan ini. Sektor pertanian, khususnya produksi padi, berperan penting dalam mendukung misi Sustainable Development Goals (SDGs) untuk mencapai ketahanan pangan. Namun, tantangan seperti alih fungsi lahan dan perubahan iklim mengancam keberlanjutan produksi padi, termasuk di Kabupaten Indramayu, salah satu lumbung padi utama di Jawa Barat. Untuk mendukung pengelolaan lahan pertanian yang berkelanjutan, pemetaan padi berbasis pengindraan jauh menjadi solusi yang efisien, memanfaatkan teknologi satelit seperti Sentinel-2 dan Landsat-8. Penelitian ini bertujuan untuk memetakan distribusi padi di Kabupaten Indramayu dengan mengintegrasikan metode Convolutional Neural Network (CNN) untuk ekstraksi fitur spektral-temporal dan algoritma Extreme Gradient Boosting (XGBoost) untuk klasifikasi. Hasil penelitian menunjukkan bahwa skema fitur terbaik, yaitu kombinasi data Raw Spectral Bands dengan NDVI, menghasilkan tingkat Overall Accuracy tertinggi sebesar 98,90%. Selain itu, metrik evaluasi lainnya seperti Recall, Precision, dan F1-Score juga menunjukkan hasil tertinggi, masing-masing sebesar 98,90%, yang mencerminkan kemampuan model yang konsisten dalam membedakan area padi dan non-padi. Model CNN-XGBoost menunjukkan kinerja yang lebih baik dibandingkan model CNN murni, dengan akurasi yang lebih tinggi dan hasil evaluasi yang lebih optimal. Dengan memanfaatkan data multispektral dan multitemporal dari kedua satelit, penelitian ini memberikan kontribusi signifikan dalam mendukung pengambilan keputusan berbasis data untuk pengelolaan pertanian yang berkelanjutan, sekaligus memperkuat upaya ketahanan pangan nasional.

---

Rice is a staple food with high demand in Southeast Asia, including Indonesia, which is the largest rice producer in the region. The agricultural sector, particularly rice production, plays a crucial role in supporting the Sustainable Development Goals (SDGs) for achieving food security. However, challenges such as land conversion and climate change threaten the sustainability of rice production, including in Indramayu Regency, one of the main rice granaries in West Java. To support sustainable agricultural land management, rice mapping based on remote sensing provides an efficient solution, utilizing satellite technologies such as Sentinel-2 and Landsat-8. This study aims to map the distribution of rice in Indramayu Regency by integrating the Convolutional Neural Network (CNN) method for spectral-temporal feature extraction and the Extreme Gradient Boosting (XGBoost) algorithm for classification. The results show that the best feature scheme, a combination of Raw Spectral Bands and NDVI, achieves the highest Overall Accuracy of 98.90%. Additionally, other evaluation metrics such as Recall, Precision, and F1-Score also show the highest values, each at 98.90%, reflecting the model's consistent ability to distinguish between rice and non-rice areas. The CNN-XGBoost model outperforms the pure CNN model, with higher accuracy and better evaluation results. By utilizing multispectral and multitemporal data from both satellites, this study significantly contributes to data-driven decision-making for sustainable agricultural management, while strengthening national food security efforts."

"

Kabupaten Subang merupakan penghasil padi ketiga terbanyak di Jawa Barat. Sekitar 41 % dari total luas wilayah kabupaten merupakan area persawahan. Penelitian ini dilakukan untuk mengetahui bagaimana pola spasial jumlah produksi lahan sawah dengan menggunakan citra satelit Sentinel-1A berdasarkan topografi dan hubungan antara produksi lahan sawah dengan karakteristik wilayah di Kabupaten Subang. Data citra Sentinel-1A yang digunakan dalam penelitian ini adalah citra Bulan Januari-Juni tahun 2018 dan 2019. Penelitian ini menggunakan Google Earth Engine untuk mengolah data citra Sentinel-1. Klasifikasi masa panen dan bukan panen menggunakan metode maximum likelihood. Karakteristik wilayah yang dianalisis dalam penelitian ini yaitu wilayah ketinggian, jenis tanah, dan ketersediaan air. Hasil penelitian ini menunjukkan bahwa perhitungan produksi padi dengan Citra Sentinel-1 memiliki nilai R² sebesar 0,58. Namun, nilainya akan semakin kecil pada wilayah yang tinggi dan bergelombang. Nilai R² pada wilayah ketinggian <100 mdpl sebesar 0,57, sementara nilai R² pada ketinggian 500-1.000 mdpl sebesar 0,09. Hal ini menunjukkan bahwa Sentinel-1 lebih baik digunakan untuk menghitung produksi pada wilayah datar dan rendah. Produksi padi di pada wilayah ketinggian rendah dan datar lebih banyak daripada produksi di wilayah tinggi dan berbukit. Produksi padi terbanyak ada pada Bulan April-Mei. Jenis tanah yang memiliki produksi paling banyak adalah jenis Typic Epiaquepts. Ketersediaan air juga mempengaruhi besarnya produksi padi.

---

Subang Regency is the third largest rice producer in West Java. Around 41 % of the total area of the regency is paddy fields. The study was conducted to find out how the spatial pattern of total rice field production using Sentinel-1A satellite imagery based on topography and the relationship between rice field production with regional characteristics in Subang Regency. Sentinel-1A image data used in this study are January-June 2018 and 2019 images. This study uses the Google Earth Engine (GEE) to process Sentinel-1 image data. Classification of harvest and non-harvest periods using the maximum likelihood method. The characteristics of the area analyzed in this study are the height, soil type, and water availability. The results of this study indicate that the calculation of rice production with Sentinel-1 Citra has an R² value of 0.58. The value of R² in altitude area <100 meters below sea level is 0,57, while the value of R² in the altitude area of 500-1.000 meters below sea level is 0,09. However, the value will be smaller in high and bumpy areas. The study concluded that Sentinel-1 is better used to calculate production in the flat and low regions. Rice production in low and flat altitude areas is more than production in high and hilly areas. The most rice production is in April-May. The type of soil that has the most production is Typic Epiaquepts. Water availability also affects the amount of rice production.

"

"Kebakaran hutan dan lahan merupakan bencana yang memiliki dampak negatif dalam berbagai sektor. Identifikasi area bekas terbakar diperlukan dengan cepat untuk mengendalikan kebakaran hutan dan lahan. Penginderaan jauh merupakan teknologi yang umum digunakan untuk identifikasi area bekas terbakar, namun tidak banyak penelitian terkait kombinasi data penginderaan jauh optis dan SAR untuk identifikasi area bekas terbakar. Di samping itu, data penginderaan jauh SAR memiliki keunggulan sebagai teknologi yang dapat digunakan dalam berbagai kondisi cuaca. Penelitian ini bertujuan untuk mengevaluasi model area bekas terbakar menggunakan integrasi convolutional neural network (CNN) sebagai feature extractor dan random forest (RF) sebagai pengklasifikasi dengan pendekatan feature learning pada data Sentinel-1 dan Sentinel-2. Penelitian ini menguji lima skema yaitu: (1) hanya menggunakan data penginderaan jauh optis; (2) hanya menggunakan data penginderaan jauh SAR; (3) kombinasi data penginderaan jauh optis dan SAR hanya pada polarisasi VH; (4) kombinasi data penginderaan jauh optis dan SAR hanya pada polarisasi VV; serta (5) kombinasi data penginderaan jauh optis dan SAR dual polarisasi VH dan VV. Pengujian juga dilakukan terhadap pengklasifikasi CNN, pengklasifikasi RF, dan pengklasifikasi neural network (NN). Berdasarkan hasil overall accuracy pada lokasi penelitian, metode integrasi CNN dan RF memberikan hasil terbaik pada lima skema yang diujikan dengan overall accuracy tertinggi mencapai 92%. Hal ini menunjukan potensi metode integrasi CNN dan RF untuk digunakan dalam mengidentifikasi area bekas terbakar. Hasil estimasi luas area bekas terbakar pada lokasi penelitian dengan metode integrasi CNN dan RF pada model terbaik diperoleh seluas 57.899,91 hektar

---

Forest and land fires are disasters that have large impacts in various sectors. Burned area identification is needed to control forest and land fires. Remote sensing is used as common technology for rapid burned area identification. However, there are not many studies related to the combination of optical and SAR remote sensing data for burned area. In addition, SAR remote sensing data has the advantage of being a technology that can be used in various weather conditions. This study aims to evaluate burned area model using the integration of Convolutional Neural Network (CNN) as a feature extractor and Random Forest (RF) as classifiers on Sentinel-1 and Sentinel-2 data. This study tests five schemes: (1) using optical remote sensing data; (2) using SAR remote sensing data; (3) combination of optical and SAR data with VH polarization only; (4) combination of optical and SAR data with VV polarization only; and (5) combination of optical and SAR data with dual VH + VV polarization. The studies were also carried out on CNN classifier, RF classifier, and neural network (NN) classifier. Based on the results of the overall accuracy at the research site, the integration of CNN and RF method gave the best results in the five schemes tested with the highest overall accuracy reaching 92%. This shows the potential of the CNN and RF integration method to be used in identifying burned areas. The estimation result of the burned area at the research site using the best model of CNN and RF integration method is ​​57,899.91 hectares"

"ABSTRAKPerkembangan perkotaan yang pesat terjadi di negara berkembang terutama pada wilayah pinggiran kota. Dampaknya adalah terjadinya penjalaran yang merupakan fenomena perkotaan yang kompleks dan sulit diukur. Pemangku kebijakan memerlukan metode yang sederhana untuk mengontrol dan mengevaluasi penjalaran sebuah kota.Penelitian ini bertujuan untuk mengukur dan menilai tingkat penjalaran perkotaan menggunakan model Shannon Entropy dengan mempertimbangkan jarak terhadap pusat kota dan jaringan jalan. Penerapan Shannon?s Entropy di Bodetabek pada 1989-2014 menunjukkan bahwa pola penjalaran linier lebih dominan terjadi di Kabupaten Bogor, Bekasi dan Kota Bogor. Semakin besarnya indeks Shannon?s Entropy mengindikasikan keenderungan penjalaran perkotaan yang semakin acak. Pola penjalaran melompat (acak) terjadi di Kabupaten Tangerang yang ditandai indeks entropy yang tinggi. Penjalaran kota di Bodetabek dipengaruhi oleh karakterik fisik dan sosial wilayah terutama aspek kemiringan tanah dan perubahan jumlah penduduk.

---

ABSTRACT

Rapid urban development occurred in developing countries, particularly in the urban fringe area. The impact was related to the occurrence of urban sprawl which is highly complex urban phenomenon and difficult to measure. Related stakeholders require a simple method to estimate and evaluate the urban sprawl patterns.

This paper aims to measure and asses the level of urban sprawl based on Shannon?s Entropy considering on two aspect i.e. the distance to town center and road networks. Application of Shannon's Entropy in Bodetabek for 1989-2014 described that linear pattern of sprawling mostly happened in Bogor, Bekasi and Bogor city. With increasing of entropy index, this pattern tends to become more scattered in the future, even in Bogor regency the pattern becomes leapfrog characteristics for 2014. Tangerang Regency showed leapfrog pattern with high entropy index. Urban sprawl in Bodetabek driven by region?s physical and social characteristics mainly with slope and population growth."

"Pewilayahan obyek pada citra penginderaan jauh (inderaja) dapat dilakukan dengan pendekatan wilayah berdasarkan informasi spektral, spasial maupun pendekatan batas wilayah. Masing-masing metode memiliki kelebihan dan kelemahan yang bergantung kepada batas wilayah dan karakteristik citranya. Proyek mahasiswa ini mengembangkan metode untuk melakukan pewilayahan obyek pada citra yaitu: pewilayahan berdasarkan klasifikasi per piksel dengan metode klasifikasi kemiripan maksimum/maximum likelihood (pendekatan spektral), pewilayahan berdasarkan deteksi sisi dengan metode Canny, serta dengan menggunakan metode segmentasi watershed (pendekatan spasial). Kemudian hasil dari ketiga metode ini, ditambah dengan penggunaan smooth filter Nagao pada hasil klasifikasi, menjadi masukan untuk proses fusi informasi yang menggu+nakan mayoritas dari kontur yang didapat dari ketiga metode tersebut. Studi kasus dilakukan dengan menggunakan citra multispektral wilayah Kebun Raya Bogor.Dari pengujian didapat bahwa fusi informasi belum tentu menghasilkan akurasi yang lebih baik. Untuk 12 band pada pelatihan dan 5 band pada pengujian, memang didapat hasil yang lebih baik yaitu meningkat dari 79,02 % menjadi 80,72 % dan 64,47 % menjadi 65,94 %. Akan tetapi, bisa juga didapat tingkat akurasi yang lebih rendah seperti pada pelatihan, untuk 5 band (74,43 % menjadi 73,06 %) dan 3 band (81,03 % menjadi 75,85 %). Juga untuk pengujian, pada 12 band (63,63 % menjadi 62,12 %) dan 3 band (79,49 % menjadi 70,04 %). Hasil yang beragam ini dapat terjadi karena pada proses deteksi sisi dan segmentasi watershed tidak mendapatkan sisi yang cukup baik."

"One aspect of the agricultural development is an information corresponding to potency and availability of land resources for both intensification and extensification

---

"