PresentasiAkhir Kerja Praktik Teknik Geomatika ITS Tahun 2022
Tim KP Amalia Putri Megivareza P Dosen Pembimbing : Lalu Muhamad Jaelani, ST, M.Sc, Ph.D ACE Dr-Ing. Ir.Teguh Hariyanto, M.Sc SPOT Dosen Pembimbing : Prof. Dr. Ir. Bangun Muljo Sukojo, DEA, DESS QUICKBIRD Gea Sivaul J ErikaAzzahra NurAini Q Nurya R Pembimbing Instansi : Hartanto Sanjaya, SSI, M.Sc
Peta Konten 1 2 Pengalaman Kerja Praktek di BRIN Penelitian Setiap tim
2 5 Penerimaan dengan Kepala Pusat Riset Geospasial Kegiatan Selama KP WEEK 1 61 3 4
Penentuan Judul dan Flowchart 2 5 Kegiatan Selama KP WEEK 2 61 3 4
2 5 Hari Raya Idul Adha Kegiatan Selama KP WEEK 3 61 3 4
2 5 Jalan-Jalannnn Kegiatan Selama KP WEEK 4 61 3 4
2 5 Fiksasi Penelitian dan membuat paper IEEE Kegiatan Selama KP WEEK 5 61 3 4
2 5 Fiksasi Penulisan Paper IEEE Kegiatan Selama KP WEEK 6 61 3 4
baikmengenaicendekiawan,InternasionalIEEEAGERSmerupakankegiatanyangdiselenggarakanolehOrganisasi(IEEE)untukmemberikanwadahbagiparaakademisi,danpraktisiuntuksalingbertukarpikirandandiskusiperkembanganterkinisertatrendalampenelitianglobaldibidangGeosains,elektronika,sertapenginderaanjauh IEEEAGERS TARGETDICAPAIYANG LAPORANAKHIR KERJAPRAKTIK 01 02
Penelitian 1 2 3 SPOTACE QUICKBIRD
ANALISISSPASIO-TEMPORALTUTUPANLAHAN AKIBATLETUSANGUNUNGSEMERUTAHUN2021 BERDASARKANALGORITMASVMDANRFDENGAN GOOGLEEARTHENGINE TUJUANPENELITIAN mengetahui algoritma yang paling baik dari RandomForest dan SupportVectorMachine untuk pemetaan perubahan tutupan lahan pada wilayah yang terdampak erupsi Gunung Semeru tahun 2021 Sumber : Liputan6.com
Metodologi LokasiPenelitian DatadanPerangkatLunakAreaterdampakletusansemeru Data ● CitraLandsat8dariUSGS ● PerangkatBNPBPetaKawasanRawanBencanadariLunak ● GoogleEarthEngine ● ArcGIS ● SublimeTextdanGitHub
DATAPROCESSING Random Forest Random Forest dikembangkan oleh Breiman, dimana dalam algoritma ini digunakan satu set CART untuk mendapatkan prediksi klasifikasi(Breiman,2001) Support Vector Machine Support Vector Machine adalah salah satu metode supervised machine learning non-parametrik dengan berdasarkan data latih untuk dilakukan identifikasi dan prediksipola(Firmansyah,2019) Band Stacking menambahkan indices MNDVI, MNDWI, dan SR. DiagramPenelitianAlirMetode
Hasil Tutupan lahan menggunakan algoritma RF dan SVM dengan menggunakan band stacking Random Forest (RF) Support MachineVector (SVM) 01 Desember 2020 - 31 Mei 2021 01 Juni 2021 - 30 November 2021 01 Desember 2021 - 31 Mei 2022
Hasil Tutupan lahan menggunakan algoritma RF dan SVM tanpa band stacking Random Forest (RF) Support MachineVector (SVM) 01 Desember 2020 - 31 Mei 2021 01 Juni 2021 - 30 November 2021 01 Desember 2021 - 31 Mei 2022
UJI AKURASI No Metode WITHOUTBANDSTACKING WITHBANDSTACKING OA Kappa OA Kappa 1 RF - 1 97,24% 0,965 97,24% 0,965 2 RF - 2 95,79% 0,947 95,40% 0,942 3 RF - 3 95,11% 0,938 94,74% 0,933 4 SVM - 1 76,77% 0,698 88,19% 0,849 5 SVM - 2 73,95% 0,666 83,91% 0,795 6 SVM- 3 75,94% 0,691 84,59% 0,804 Random Forest Setelah dilakukan band stacking mengalami penurunan nilaiOAdanKappa yang tidak terlalu jauh ⇒ metode ini terpengaruhpengambilanmenggabungkanbanyakbataslinierdalamkeputusansertatidakmudahdenganparameterlainnya Support Vector Machine Setelah dilakukan band stacking mengalami kenaikannilaicukupsignifikan ⇒ SVM bekerja dengan algoritma linier sensitifdengansehinggalebihbaikjikamenggunakandatajumlahsedikitdanalgoritmainiterhadaphyperparameter
AOI 1 AOI 1 SebelumLetusan SetelahLetusan RF SVM SebelumLetusan SetelahLetusan ● Penambahan luas kelas lahan terbuka ● Beberapa piksel lahan terbuka terklasifikasi sebagai bangunan pada hasil algoritma SVM
Aplikasi https://erikaazzhra.github.io/Land-Cover-Changes/
PENUTUP Simpulan Saran Pada penelitian perubahan tutupan lahan akibat tersebutRFerupsiGunungSemerudidapatkanhasilalgoritmalebihbaikdibandingkanalgoritmaSVM.Haldidasarkanpadanilai OAdanKappa pada algoritma RF yang lebih tinggi dibandingkanpada algoritmaSVM. Dilakukan validasi lapangan untuk mengetahui kesesuaian hasil pengolahan dengan kondisi lapangan
Objek Menggunakan Citra Satelit Sentinel-2B di Gili Sulat, Lombok Timur", Journal of Natural Resources and EnvironmentalManagement, vol. 9, no. 460-5824, pp. 746-757, 2019. [Accessed 31 July 2022].
3. G. Mountrakis, J. Im and C. Ogole, "Support vector machines in remote sensing: A review", ISPRS Journal of PhotogrammetryandRemoteSensing, vol. 66, no. 3, pp. 247-259, 2011. doi : 10.1016/j.isprsjprs.2010.11.001.
2. T. Adugna, W. Xu and J. Fan, "Comparison of Random Forest and Support Vector Machine Classifiers for Regional Land Cover Mapping Using Coarse Resolution FY-3C Images", Remote Sensing, vol. 14, no. 3, p. 574, 2022. doi : 10.3390/rs14030574.
1. L. Breiman, "Random Forests", MachineLearning, vol. 45, pp. 5-32, 2001.
4. K. Loukika, V. Keesara and V. Sridhar, "Analysis of Land Use and Land Cover Using Machine Learning Algorithms onGoogle Earth Engine for Munneru River Basin, India", Sustainability, vol. 13, no. 24, p. 13758, 2021. doi : 10.3390/su132413758.
REFERENSI
5. S. Firmansyah, J. Gaol and S. Susilo, "Perbandingan Klasifikasi SVM dan Decision Tree untuk Pemetaan Mangrove Berbasis
CREDITS:Thispresentationtemplatewascreated bySlidesgo,includingiconsbyFlaticonand infographics&imagesbyFreepik TERIMAKASIH TIM SPOT “Pengalaman tanpa teori itu buta, tapi teori tanpa pengalamanhanyalahsebuahpermainankecerdasan” -ImmanuelKant
Penelitian 1 2 3 SPOTACE QUICKBIRD
FINAL PROJECT ANALISIS SPASIO-TEMPORAL KONSENTRASI SO2 AKIBAT GUNUNG MELETUS DI INDONESIA MENGGUNAKAN PLATFORM EARTH (2019-2022)ENGINE Dosen Pembimbing : Prof. Dr. Ir. Bangun Muljo Sukojo, DEA, DESS Pembimbing Instansi : Hartanto Sanjaya, SSI, M.Sc SUBMITIEEEPAPERLAPORANPRAKTIKKERJA
Metodologi GOOGLEEARTHENGINECitra Sentinel-5P Level 3 NRTI SO2 (2019-2022) Data vektor IndonesiaadministrasidariInaGEOPORTAL Data gunung meletus dari websiteIndonesiaMAGMA Data vektor Kawasan Rawan Bencana dari website BNPB InaRISK 1. GunungSinabung 2. GunungKerinci 3. GunungAnakKrakatau 4. GunungTangkubanPerahu 5. GunungMerapi 6. GunungSemeru 7. GunungBromo 8. GunungRaung 9. GunungIbu 10. GunungAgung Lokasi Studi
Diagram Alir
Hasil Gunung Kerinci Sumatera BMKG Parameters Correlationwith ConcentrationSO2 SurfaceTemperature 0.3965 Humidity -0.3486 Rainfall 0.4079 WindSpeed 0.6678
Hasil Gunung Agung Karangasem, Bali BMKG Parameters Correlationwith ConcentrationSO2 SurfaceTemperature 0.5477 Humidity 0.3536 Rainfall 0.1132 WindSpeed 0.4714
Hasil Gunung Bromo Malang, Jawa Timur BMKG Parameters Correlationwith ConcentrationSO2 SurfaceTemperature 0.1137 Humidity -0.2422 Rainfall 0.4092 WindSpeed 0.6678
Hasil Gunung Ibu Halmahera BMKG Parameters Correlationwith ConcentrationSO2 SurfaceTemperature 0.4605 Humidity -0.7845 Rainfall 0.3097 WindSpeed 0.2831
Hasil GunungKrakatauAnak Lampung BMKG Parameters Correlationwith ConcentrationSO2 SurfaceTemperature 0.0499 Humidity 0.02718 Rainfall -0.0452 WindSpeed -0.0110
Hasil Gunung Merapi Jawa Tengah BMKG Parameters Correlationwith ConcentrationSO2 SurfaceTemperature 0.5614 Humidity -0.4977 Rainfall -0.4471 WindSpeed 0.0009
Hasil Gunung Raung Banyuwangi, Jawa Timur BMKG Parameters Correlationwith ConcentrationSO2 SurfaceTemperature 0.4609 Humidity -0.6856 Rainfall 0.2607 WindSpeed 0.62083
Hasil Gunung Sinabung Sumatra BMKG Parameters Correlationwith ConcentrationSO2 SurfaceTemperature 0.3145 Humidity 0.1129 Rainfall -0.2582 WindSpeed -0.0040
Hasil TangkubanGunungPerahu Bandung, Jawa Barat BMKG Parameters Correlationwith ConcentrationSO2 SurfaceTemperature 0.2689 Humidity 0.0221 Rainfall 0.2689 WindSpeed 0.1936
Hasil Gunung Semeru Lumajang,TimurJawa BMKG Parameters Correlationwith ConcentrationSO2 SurfaceTemperature 0.3863 Humidity -0.4945 Rainfall -0.2666 WindSpeed 0.0709
Website Pemantauan SO2 sebagaiPeluncuransituswebsiteinidigunakanplatformpublikyang memudahkan masyarakat awam lebih memahami bagaimana konsentrasi SO2 tersebar akibat adanya letusan gunung berapi yang kerap terjadi di Indonesia. Websiteinisebagai saranapenghubung pengguna atau masyarakat umum ke aplikasi Google Earth Engine Apps. Website ini juga menjelaskan secara bahandansingkatbagaimanaproyekinidijalankanpenjelasanmengenaidatadanyangdigunakan. https://nurainiqolbi.github.io/SO2Concentration/
Website Pemantauan SO2 https://nurainiqolbi.github.io/SO2Concentration/
Erupsi terakhir terjadi pada ErupsipadaRabu(3/8)pukul01.15WIB.tersebut menimbulkan letusan abu vulkanik setinggi 500 meter. Total tujuh kali letusan terjadi sejak kemarin dengan ketinggian kolom abu mencapai 500 meter hingga 2 kilometer. BREAKING NEWS!! https://news.detik.com/berita/d-6213420/sejak-kemarin-terjadi-7-kali-erupsi-gunung-anak-krakatau
Simpulan Konsentrasi SO2 mengalami peningkatan ketika terjadi erupsi gunung berapi Saran ● Diperlukan beberapa referensi dan sumber lain dalam penggunaan GEE sebagai platform olah citra sehingga script dapat lebih ringkas dan program dapat dijalankan dengan cepat. ● Perlu dilakukan validasi lapangan mengenai sekitar kawasan yang berpotensi menambah konsentrasi SO2 selain letusan gunung api, misalnya pabrik. WebsitekonsentrasiSO2 dibuat untuk mempermudah masyarakat (https://nurainiqolbi.github.io/SO2Concentration/) Konsentrasi SO2 memiliki korelasi positif terhadap temperatur udara & berkorelasi negatif terhadap kelembaban
CREDITS: This presentation template was created by Slidesgo, and includes icons by Flaticon and infographics & images by Freepik Referensi 1. UNDANG-UNDANG REPUBLIK INDONESIA NOMOR 24 TAHUN 2007.PresidenRepublikIndonesia,2007. 2. "InformasiLetusan", Magma.esdm.go.id,2022.[Online].Available:https://magma.esdm.go.id/v1/gunung-api/informasi-letusan/GML.[Accessed:27-Jul2022]. 3. "Website BPBD Kabupaten Kendal :: Pengetahuan Bencana", Bpbd.kendalkab.go.id, 2022. [Online]. Available: https://bpbd.kendalkab.go.id/pengetahuan/id/20150806001/gunung_meletus.[Accessed:27-Jul-2022] 4. "Sulfurdioxide", Pubchem.ncbi.nlm.nih.gov,2022.[Online].Available:https://pubchem.ncbi.nlm.nih.gov/compound/Sulfur-dioxide. [Accessed:27-Jul2022]. 5. E.Prasongko, Gunung Berapi di Indonesia.2010. 6. UsingFaisal,M.,AdiPrakoso,K.,Sanjaya,H.andRohmaneoDarminto,M.,2021.Spatio-TemporalAnalysisofAirPollutantsChangesDuringTheCOVID-19Sentinel-5PinGoogleEarthEngine(CaseStudy:JavaIsland). 2021 IEEE Asia-Pacific Conference on Geoscience, Electronics and Remote Sensing Technology (AGERS),. 7. padaP.Simanjuntak,S.Imanuel,N.SariandR.Virgianto,"SebaranGasSO2diWilayahJabodetabekBerdasarkanDataOzoneMonitoringInstrument(OMI)SatelitAura", Sinasinderaja.lapan.go.id,2019 8. "Sentinel-5P TROPOMI User Guide - Sentinel Online - Sentinel Online", Sentinel.esa.int, 2022. [Online]. Available: https://sentinel.esa.int/web/sentinel/user-guides/sentinel-5p-tropomi. [Accessed:27-Jul-2022]. 9. "Peta Potensi Rawan Bencana | Badan Penanggulangan Bencana Daerah", Bpbd.bulelengkab.go.id, 2022. [Online]. ang,demografis%20maupun%20karena%20ulah%20manusiahttps://bpbd.bulelengkab.go.id/informasi/detail/artikel/56_peta-potensi-rawan-bencana#:~:text=Daerah%20Rawan%20Bencana%20%2D%20Daerah%20yAvailable:.[Accessed:27-Jul-2022]. 10. F.Puturuhu, Mitigasi Bencana dan Penginderaan Jauh.Yogyakarta:GrahaIlmu,2015. 11. Sarwono,J.2006.MetodePenelitianKuantitatifdanKualitatif(Edisipert).Yogyakarta:GrahaIlmu.
Terima Kasih
CREDITS: This presentation template was created by includes icons by Flaticon and infographics & images by "Seluruh sains tidak lebih dari penyempurnaan pemikiran sehari-hari."
Penelitian 1 2 3 SPOTACE QUICKBIRD
PembuatanAplikasi Pemantauan Perubahan Vegetasi Pulau Kalimantan (2000 – 2021) Menggunakan Platform Streamlit berbasis Citra Satelit MODIS TIMACE
TIMACE Data • MCD43A4.006 MODIS Nadir ReflectanceBRDF-AdjustedDaily500m • Data Vektor Kalimantan Software
Metodologi • Perhitungan MNDVI (Liu dan Huete, 1995) menggunakan Google Earth Engine • Proses Pembuatan Web-App TIMACE
Aplikasi Streamlit https://bit.ly/KalimantanVegetationChangesApp TIMACE
Perubahan Vegetasi TIMACE Sumber : (Al-Doski, 2013)
Faktor Perubahan Vegetasi TIMACE MeningkatnyaArea PemukimanIndustri Pertambangan 6,202,545 Jiwa pada tahun 2000 7,091,608 Jiwa pada tahun 2021 Sumber : Badan Pusat Statistik DeforestasiTinggi Kalimantan mengalami deforestasi yang tinggi hingga 40,891.328 Km persegi area hutan yang hilang (Green Peace dalamCNNIndonesia,2021). Area Perkebunan Luas • Lahandi PulauKalimantanbanyakdimanfaatkansebagai area perkebunan,seperti kebunkelapa,karet,kakao,kopi,lada,dan sebagainya(BadanPusatStatistik,2021) • Estimasi luasareaperkebunankelapasawitdi Pulau Kalimantanpadatahun2021mencapai 61,189.75Km persegi.(KementerianPertanianRepublikIndonesia)
02 01 03 Perubahan vegetasi di Pulau Kalimantan ditentukan berdasarkan indeks citravegetasiyangdihitungmenggunakanpersamaanMNDVI,sertamenggunakansatelitMODISpadaGoogleEarthEngine. • Hasilpengolahandatadiklasifikasikanmenjadi4kelaskerapatan. • Dimana, terjadi penurunan vegetasi yang dapat disebabkan oleh adanya deforestasi, bertambahnya pemukiman, aktivitas pertambangan, dan sebaginya. • Sedangkan, peningkatan vegetasi disebabkan oleh pertumbuhan areaPembuatanperkebunan.web-app Streamlit di bidang geospasial dapat dibuat dengan mudah dan cepat. Dengan menggunakan Bahasa Python, dapat gratis.updatemenampilkanPetaPerubahanVegetasidenganmenarik.Selaimitu,dapatdisecaraberkaladanpenggunajugadapatmengaksesnyasecara Simpulan TIMACE
02 01 Dikembangkannya aplikasi ini untuk studi lebih lanjut seperti analisispenggunaanlahandiPulauKalimantandansebagainya.Diperlukanadanyavalidasilapanganuntukmengetahui perubahan vegetasi sebenarnyadilapangan. Saran TIMACE
Referensi TIMACE • canopiesW.vanLeeuwenandA.Huete,"Effectsofstandinglitteronthebiophysicalinterpretationofplantwithspectralindices",RemoteSensingofEnvironment,vol.55,no.2,pp.123-138,1996. • 457-465,andH.LiuandA.Huete,"Afeedback-basedmodificationoftheNDVItominimizecanopybackgroundatmosphericnoise",IEEETransactionsonGeoscienceandRemoteSensing,vol.33,no.2,pp.1995. • imantan-sumatera-capai-4-juta-hektare.https://www.cnnindonesia.com/nasional/20211210180734-20-732641/greenpeace-sebut-deforestasi-kal2022.C.Indonesia,"GreenpeaceSebutDeforestasiKalimantan-SumateraCapai4JutaHektare",nasional,[Online].Available:[Accessed:02-Aug-2022]. • "Kementerian Pertanian Republik Indonesia", pertanian.go.id, 2022. [Online]. Available: https://www.pertanian.go.id/.[Accessed:02-Aug-2022]. • Iraq",J.Al-doski,"NDVIDifferencingandPost-classificationtoDetectVegetationChangesinHalabjaCity,IOSRJournalofAppliedGeologyandGeophysics,vol.1,no.2,pp.01-10,2013. • Welcome to Badan Informasi Geospatial", Tanahair.indonesia.go.id, 2022. [Online]. Available: https://tanahair.indonesia.go.id/.[Accessed:02-Jun-2022]. • N.Center,"MCD43A4.006MODISNadirBRDF-AdjustedReflectanceDaily500m | EarthEngine Data Catalog | Google Developers", Google Developers, 2022. [Online]. Available: https://developers.google.com/earth-engine/datasets/catalog/MODIS_006_MCD43A4. [Accessed: 01Aug-2022].
