Jumat, 16 Desember 2011
Selasa, 13 Desember 2011
Principal Component Analysis
PCA, Kelebihan dan Signifikansinya
GeoGIS Forum #2 yang dilaksanakan pada tanggal 5 Desember 2011 di ruang kuliah 1 PUSPICS mengambil topic PCA (Principal Component Analisis). Ada tiga hal yang dibicarakan pada forum ini, yaitu pengertian PCA, Signifikansi PCA, dan aplikasi PCA. Ketiga hal tersebut dikupas tuntas oleh pembicara, Pramaditya Wicaksono, S.Si, M.Si. Peserta forum juga tak kalah antusias menyimak dan bertanya seluk beluk PCA.
Pada dasarnya, PCA mampu mereduksi jumlah band yang akan digunakan lebih lanjut. PCA lebih signifikan dipakai untuk citra hiperspektral daripada untuk citra multispektral. Klasifikasi pada citra multispektral menggunakan PCA tidak akan menambah informasi terlalu banyak. Sementara, jika digunakan pada citra hiperspektral yang notabene memiliki berpuluh-puluh saluran atau lebih, PCA mampu menyederhanakan informasi yang terkandung dalam beberapa saluran menjadi sekitar 3 saluran yang telah merangkum informasi lengkap sesuai tujuan masing-masing.
Penggunaan PCA juga mampu mempermudah pengambilan sampel. Jumlah training area dirumuskan sebagai (jumlah saluran + 1) pada setiap kelas. Berarti jika jumlah saluran yang dipakai adalah 220 saluran, maka diperlukan 221 sampel pada setiap kelas. Kalau dilakukan secara visual tidak masalah. Namun bagaimana jika akan mengambil sampel lapangan? Tentunya sangat bermasalah jika menggunakan sampel sebanyak itu. PCA menjawab permasalahan tersebut dengan mengkompakkan jumlah sampel. Cukup memakai 4 sampel, akurasinya bisa menyamai hasil sampel sejumlah 221.
Penggunaan PCA di Fakultas Geografi UGM pertama kali dilakukan oleh John Palapa pada tahun 2002. Citra yang digunakan adalah citra hiperspektral CASI dengan metode klasifikasi tidak terselia (unsupervised) karena tidak melihat kondisi lapangan. Jika kelas yang dipakai cukup banyak, maka akurasi yang dihasilkan juga tidak begitu tinggi. Analisis PCA sebaiknya menggunakan histogram slicing. Satu kurva pada histogram menunjukkan obyek tunggal. Dalam histogram, pada umumnya terdapat sekitar 2 atau 3 kurva mayor. Sisanya adalah kurva kecil-kecil dengan jumlah yang lebih banyak, kurva ini disebut kurva minor. PCA biasanya lebih bisa menunjukkan karakter obyek yang ditunjukkan oleh kurva minor tersebut.
PCA, Mencari Informasi Kompleks atau Mencari Kesamaan Info dari Suatu Saluran?
Hasil dari PCA berupa PC, mulai PC1, PC2, dan seterusnya. Ini semacam saluran yang ada pada citra. Masing-masing PC memiliki karakter tersendiri. PC1 mengumpulkan info yang sama dari setiap saluran asal, maka informasi yang dihasilkan lebih banyak dibandingkan PC lainnya. Dia tidak menambah kompleks, justru menggabungkan hal yang sama. PC2 juga dianggap sama, tapi memakai sumbu yang berbeda sehingga PC1 berseberangan dengan PC2, jika PC1 memiliki rona gelap maka PC2 memiliki rona terang, begitu pula sebaliknya. Sedangkan PC3 mengambil titik tengah dari keduanya. Sementara, PC4 biasanya tampak banyak noise atau gangguan karena hanya mengambil sisa-sisa informasi yang tidak digunakan pada PC sebelumnya.
Input PCA tidak harus memakai saluran atau band. Bisa juga memamakai indeks, semisal NDVI atau indeks normalisasi vegetasi. Yang penting, pengguna bisa menjelaskan mengapa dia memasukkan indeks tersebut? Penambahan 1 saluran pada PCA bisa mempengaruhi akurasi hasil.
Cara Mengambil PC yang Sesuai Untuk Klasifikasi?
Pada citra komposit terdapat istilah OIF (Optimum Indeks Factor) untuk mengetahui indeks optimum. Pada PCA, terdapat Factor Loading Analysis. Faktor ini dapat digunakan untuk mengetahui saluran mana saja yang berpengaruh terhadap PCA. Factor Loading Analysis dapat diketahui dengan perhitungan manual, biasanya menggunakan kalkulator. Belum ada perangkat lunak yang dapat digunakan untuk mengetahui Factor Loading Analysis ini.
PC1 menilai informasi yang tidak saling berhubungan antar saluran asli. Walaupun PC1 memiliki informasi sangat banyak, namun PC1 tidak pasti lebih akurat dibandingkan PC2, tergantung informasi yang dibutuhkan. PCA sangat sensitif terhadap sebaran data. PCA tidak membeda-bedakan mana darat, mana laut, mana vegetasi, sehingga jika tidak dilakukan masking pada obyek yang diperlukan, nanti informasi yang sebenarnya diperlukan malah dianggap noise. Dalam penjelasannya menggunakan ENVI, Pramaditya menunjukkan perbedaan klasifikasi menggunakan PCA ketika tidak dilakukan pemotongan atau masking terhadap obyek dan setelah dilakukan pemotongan antara obyek laut dan darat. Hasilnya ternyata sangat berbeda.
GeoGIS Forum #2 yang dilaksanakan pada tanggal 5 Desember 2011 di ruang kuliah 1 PUSPICS mengambil topic PCA (Principal Component Analisis). Ada tiga hal yang dibicarakan pada forum ini, yaitu pengertian PCA, Signifikansi PCA, dan aplikasi PCA. Ketiga hal tersebut dikupas tuntas oleh pembicara, Pramaditya Wicaksono, S.Si, M.Si. Peserta forum juga tak kalah antusias menyimak dan bertanya seluk beluk PCA.
Pada dasarnya, PCA mampu mereduksi jumlah band yang akan digunakan lebih lanjut. PCA lebih signifikan dipakai untuk citra hiperspektral daripada untuk citra multispektral. Klasifikasi pada citra multispektral menggunakan PCA tidak akan menambah informasi terlalu banyak. Sementara, jika digunakan pada citra hiperspektral yang notabene memiliki berpuluh-puluh saluran atau lebih, PCA mampu menyederhanakan informasi yang terkandung dalam beberapa saluran menjadi sekitar 3 saluran yang telah merangkum informasi lengkap sesuai tujuan masing-masing.
Penggunaan PCA juga mampu mempermudah pengambilan sampel. Jumlah training area dirumuskan sebagai (jumlah saluran + 1) pada setiap kelas. Berarti jika jumlah saluran yang dipakai adalah 220 saluran, maka diperlukan 221 sampel pada setiap kelas. Kalau dilakukan secara visual tidak masalah. Namun bagaimana jika akan mengambil sampel lapangan? Tentunya sangat bermasalah jika menggunakan sampel sebanyak itu. PCA menjawab permasalahan tersebut dengan mengkompakkan jumlah sampel. Cukup memakai 4 sampel, akurasinya bisa menyamai hasil sampel sejumlah 221.
Penggunaan PCA di Fakultas Geografi UGM pertama kali dilakukan oleh John Palapa pada tahun 2002. Citra yang digunakan adalah citra hiperspektral CASI dengan metode klasifikasi tidak terselia (unsupervised) karena tidak melihat kondisi lapangan. Jika kelas yang dipakai cukup banyak, maka akurasi yang dihasilkan juga tidak begitu tinggi. Analisis PCA sebaiknya menggunakan histogram slicing. Satu kurva pada histogram menunjukkan obyek tunggal. Dalam histogram, pada umumnya terdapat sekitar 2 atau 3 kurva mayor. Sisanya adalah kurva kecil-kecil dengan jumlah yang lebih banyak, kurva ini disebut kurva minor. PCA biasanya lebih bisa menunjukkan karakter obyek yang ditunjukkan oleh kurva minor tersebut.
PCA, Mencari Informasi Kompleks atau Mencari Kesamaan Info dari Suatu Saluran?
Hasil dari PCA berupa PC, mulai PC1, PC2, dan seterusnya. Ini semacam saluran yang ada pada citra. Masing-masing PC memiliki karakter tersendiri. PC1 mengumpulkan info yang sama dari setiap saluran asal, maka informasi yang dihasilkan lebih banyak dibandingkan PC lainnya. Dia tidak menambah kompleks, justru menggabungkan hal yang sama. PC2 juga dianggap sama, tapi memakai sumbu yang berbeda sehingga PC1 berseberangan dengan PC2, jika PC1 memiliki rona gelap maka PC2 memiliki rona terang, begitu pula sebaliknya. Sedangkan PC3 mengambil titik tengah dari keduanya. Sementara, PC4 biasanya tampak banyak noise atau gangguan karena hanya mengambil sisa-sisa informasi yang tidak digunakan pada PC sebelumnya.
Input PCA tidak harus memakai saluran atau band. Bisa juga memamakai indeks, semisal NDVI atau indeks normalisasi vegetasi. Yang penting, pengguna bisa menjelaskan mengapa dia memasukkan indeks tersebut? Penambahan 1 saluran pada PCA bisa mempengaruhi akurasi hasil.
Cara Mengambil PC yang Sesuai Untuk Klasifikasi?
Pada citra komposit terdapat istilah OIF (Optimum Indeks Factor) untuk mengetahui indeks optimum. Pada PCA, terdapat Factor Loading Analysis. Faktor ini dapat digunakan untuk mengetahui saluran mana saja yang berpengaruh terhadap PCA. Factor Loading Analysis dapat diketahui dengan perhitungan manual, biasanya menggunakan kalkulator. Belum ada perangkat lunak yang dapat digunakan untuk mengetahui Factor Loading Analysis ini.
PC1 menilai informasi yang tidak saling berhubungan antar saluran asli. Walaupun PC1 memiliki informasi sangat banyak, namun PC1 tidak pasti lebih akurat dibandingkan PC2, tergantung informasi yang dibutuhkan. PCA sangat sensitif terhadap sebaran data. PCA tidak membeda-bedakan mana darat, mana laut, mana vegetasi, sehingga jika tidak dilakukan masking pada obyek yang diperlukan, nanti informasi yang sebenarnya diperlukan malah dianggap noise. Dalam penjelasannya menggunakan ENVI, Pramaditya menunjukkan perbedaan klasifikasi menggunakan PCA ketika tidak dilakukan pemotongan atau masking terhadap obyek dan setelah dilakukan pemotongan antara obyek laut dan darat. Hasilnya ternyata sangat berbeda.
Sistem Hyperspektral
Disampaikan Oleh: Sanjiwana Arjasa Kusuma S. Si
Sistem Penginderaan jauh Hyperspectral dan Aplikasinya
Instrument yang digunakan dalam hyperspectral adalah :
1. Cesi
2. AVIRIS
3. MIVIS
4. HYDICE
Instrumen- instrument tersebut kebanyakan dibawa oleh wahana pesawat terbang
Kelebihan system hyperspectral :
1. Terdiri atas banyak saluran spectral dengan rentang saluran sempit
2. Untuk analisis spesifik objek berdasarkan pada pantulan
Kekurangan hyperspectral :
1. Dimensionalitas data yang besar
2. Banyaknya redundancy data
3. Perlu pemilihan saluran yang digunakan
Koreksi Atmosferik :
Oleh Koreksi Atmosfer absolute
Untuk mengubah nilai BV Nilai scaled surface reflectance
Metode yang digunakan :
Berbasis model transfer Radiasi
( Acorn, Flash, Atrem)
Berbasisi Kaliberasi
Koreksi Atmosferik Relatif, bertujuan untuk :
Menormalisasi intensitas nilai pada beberapa saluran pada citra
Menormalkan intensitas citra Multispectral
Metode yang digunakan :
Regresi
Histogram Adjusment
Aplikasi yang tidak diperlukan untuk Koreksi Atmosferik :
Klasifikasi Multispectral / Hyperspectral pada citra tamseris
Reduksi Dimensi bertujuan untuk :
• Menentukan dimensionalitas
• Memisahkan noise dari data
• Mengurangi beban komputasi
Metode yang digunakan :
Minimum noise Fraction
Principal Comp.Analysis
Klasifikasi menggunakan citra Hyperspectral ;
SAM
LSU
SVM
Peluang penelitian Hyperspevtral :
• Ketersediaan spectral lapangan
• AKetersediaan citra Hyperspectral
Sistem Penginderaan jauh Hyperspectral dan Aplikasinya
Instrument yang digunakan dalam hyperspectral adalah :
1. Cesi
2. AVIRIS
3. MIVIS
4. HYDICE
Instrumen- instrument tersebut kebanyakan dibawa oleh wahana pesawat terbang
Kelebihan system hyperspectral :
1. Terdiri atas banyak saluran spectral dengan rentang saluran sempit
2. Untuk analisis spesifik objek berdasarkan pada pantulan
Kekurangan hyperspectral :
1. Dimensionalitas data yang besar
2. Banyaknya redundancy data
3. Perlu pemilihan saluran yang digunakan
Koreksi Atmosferik :
Oleh Koreksi Atmosfer absolute
Untuk mengubah nilai BV Nilai scaled surface reflectance
Metode yang digunakan :
Berbasis model transfer Radiasi
( Acorn, Flash, Atrem)
Berbasisi Kaliberasi
Koreksi Atmosferik Relatif, bertujuan untuk :
Menormalisasi intensitas nilai pada beberapa saluran pada citra
Menormalkan intensitas citra Multispectral
Metode yang digunakan :
Regresi
Histogram Adjusment
Aplikasi yang tidak diperlukan untuk Koreksi Atmosferik :
Klasifikasi Multispectral / Hyperspectral pada citra tamseris
Reduksi Dimensi bertujuan untuk :
• Menentukan dimensionalitas
• Memisahkan noise dari data
• Mengurangi beban komputasi
Metode yang digunakan :
Minimum noise Fraction
Principal Comp.Analysis
Klasifikasi menggunakan citra Hyperspectral ;
SAM
LSU
SVM
Peluang penelitian Hyperspevtral :
• Ketersediaan spectral lapangan
• AKetersediaan citra Hyperspectral
Senin, 14 November 2011
Senin, 07 November 2011
GeoGIS Forum : RADAR
Senin, 24 Oktober 2011
Sesi pertama oleh Mouli de Rizka
Citra RADAR memiliki beberapa kelebihan, diantaranya proses penyiaman citra RADAR tidak terpengaruh variable waktu dan cuaca. Citra RADAR merupakan penginderaan jauh sistem aktif jika ditengok dari sumber energinya sehingga kita dapat melakukan penyiaman sepanjang hari tanpa memikirkan keberadaan tenaga atau sinar matahari. Daya tembus gelombang pada citra ini juga dapat melakukan penetrasi yang baik terhadap awan dan hujan sehingga kita dapat menggunakannya pada daerah katulistiwa yang kebanyakan terdapat awan di sepanjang hari.
Kuatnya daya penetrasi atau daya tembus citra RADAR terhadap suatu obyek dipengaruhi oleh panjang gelombang yang digunakan dalam proses penyiaman. Misalnya band X tidak dapat menembus awan dengan baik band ini juga kesulitan dalam menembus vegetasi, sedangkan band L dapat menembus vegetasi sampai dengan tanah yang ada di bawahnya, sedangkan untuk band C hanya dapat menembus vegetasi sampai pertengahan tumbuhan saja atau / rantingnya.
Dalam aplikasinya terhadap penginderaan jauh, citra RADAR dapat dikombinasikan dengan citra lain. Teknik ini sering disebut dengan fusi. Keunggulan citra fusi adalah dapat menonjolkan suatu hal, misalnya kita dapat pencampuran antara citra visible dan juga citra radar sehingga kita dapat menonjolkan keunggulan dari citra radar yang sangat baik dalam menampilkan kesan geologi sedangkan citra visible akan begitu baik dalam menonjolkan kesan dari penutup lahan sehingga dengan begitu kita bisa mendapatkan banyak informasi dari kombinasi kedua citra ini.
Kunci interpretasi yang berperan dominan dalam proses interpretasi pada citra RADAR lebih diutamakan pada ronanya. Misalnya dalam membedakan antara obyek kapal yang ada di laut kita dapat bedakan menjadi kapal yang memiliki warna yang lebih cerah karena kapal dapat mengahamburkan balik gelombang citra radar dengan lebih banyak sedangkan laut tidak menghamburkan balik pada suatu gelombang sehingga terlihat gelap.
Citra radar merupakan citra yang aktif sehingga mereka akan menerima hamburan balik suatu gelombang yang ditembakkan yang disebut backscatter, efek backscatter ini akan memiliki pengaruh yang berbeda pada obyek yang berbeda yaitu pada obyek yang keras maka akan semakin keras karena lebih cepat dalam memantulkannya kembali berbeda dengan obyek yang lunak sehingga agak lama dalam memantulkannya kembali.
Sesi kedua oleh Ardila Yananto
Selama ini citra RADAR kerap diaplikasikan untuk interpretasi di bidang fisiografi permukaan bumi dan turunannya. Namun penggunaan citra RADAR juga dapat dijadikan metode baru dalam mengidentifikasi limpahan polusi minyak.
Citra RADAR merepresentasikan objek berdasarkan rona. Dengan asumsi ini, maka jika terdapat perbedaan rona dalam suatu luasan objek yang seragam maka dapat diidentifikasi bahwa terdapat perbedaan objek secara nyata ataupun perbedaan material penyusun dan kandungan objek tertentu. Adanya minyak ataupun tidak dapat dilihat dari hasil citra yang agak gelap hal ini dapat terjadi karena permukaan laut yang menjadi datar akibat adanya tumpahan minyak ini, tumpahan minyak ini pada intinya menekan gelombang air laut sehingga terlihat lebih halus sebagai akibtanya adalah pantulannya cednderung mengalami pantulan sempurna sehingga sinyal yang dikembalikan sedikit dan mengakibatkan obyek berwarna hitam
Citra radar memiliki beberapa sifat khas dari sebuah transmisi citra radar diantanya adalah panjang gelombang yang khas, polarisasi radar, selain itu juga terkihatnya ukuran geometric obyek yang direkam, sifat khas elektrik obyek maksutya adalah lebih pada kelembapan suatu obyek, semakin tinggi kelembapan suatu onyek maka pantulan akan semakin besar, selain itu permukaan obyek juga berpengaruh yaitu semakin kasar akan semakin banyak yang di hamburkan kesegala arah.
Kamis, 24 Maret 2011
Edisi Ketiga
Seperti biasa jum'at merupakan hari spesial untuk seluruh mahasiswa KPJ. GIS Forum yang ketiga insya Allah akan diselenggaran hari jum'at, 25 Maret 2011. Sekali lagi kami mengundang seluruh mahasiswa Prodi Kartografi dan Pengindraan Jauh untuk hadir dalam pertemuan rutin ini.
Kali ini kita akan lebih banyak berbicara soal kartografi. Pemapar yang akan dihadirkan adalah Budi Rahman (KPJ 2007) yang akan memaparkan tentang Atlas Sumber Daya Wilayah Kab. Kutai Kertanegara. Budi yang akrab dipanggil Baonk oleh teman-teman seangkatannya akan memaparkan Atlas yang rencananya dibuat untuk memenuhi tugas akhir (skripsi). Tak hanya itu, pemapar yang kedua merupakan debutan teman kita dari angkatan 2008, Wayan Damar Windu (KPJ 2008). Kedua pemapar ini tentunya sangat membutuhkan saran dan diskusi dari teman-teman semua.
Kali ini kita akan lebih banyak berbicara soal kartografi. Pemapar yang akan dihadirkan adalah Budi Rahman (KPJ 2007) yang akan memaparkan tentang Atlas Sumber Daya Wilayah Kab. Kutai Kertanegara. Budi yang akrab dipanggil Baonk oleh teman-teman seangkatannya akan memaparkan Atlas yang rencananya dibuat untuk memenuhi tugas akhir (skripsi). Tak hanya itu, pemapar yang kedua merupakan debutan teman kita dari angkatan 2008, Wayan Damar Windu (KPJ 2008). Kedua pemapar ini tentunya sangat membutuhkan saran dan diskusi dari teman-teman semua.
Tak hanya itu jika tak berhalangan, diskusi kali ini akan didampingi oleh Iswari Nur Hidayati, S.Si., M.Sc. Jadi tentunya perpaduan sentuhan debutan, semangat muda dan pengalaman seorang ibu tentunya akan menghangat diskusi kita kali ini. Sekali lagi, JANGAN LUPA untuk datang ke ruang kuliah 1, Lantai dua PUSPICS, Hari Jum'at, 25 Maret 2011, jam 3 sore.
(Humas GIS Forum)
Minggu, 20 Maret 2011
Notulensi Perdana
Pembicara 1: Muhammad Sufwandika (KPJ/07)
Prediksi Spasial Perubahan PL dengan Analisis Cellular Automata
Perkembangan RS yang mengacu pada prediksi, bukan hanya mengenai pengukuran, dan modeling dilakukan berdasar raster. Mengkaji mengenai prediksi perubahan PL, dengan model cellular Automata, prediksi mengacu pada kondisi awal di sekitarnya, aturan transisi (aturan dimana lahan itu berubah atau tidak, pengaturan dilakukan oleh peneliti). Cellular Automata memfasilitasi besarnya kemungkinan lahan untuk berubah. Aturan transisi menggunakan parameter Bentuklahan, Lereng, dan Jarak terhadap sungai, jalan. Data yang digunakan adalah data penginderaan jauh resolusi menengah.
Diskusi:
Pertanyaan :
1. Mengapa variable waktu tidak masuk dalam formula autonom? (Effendi/KPJ07)
2. Apakah ada patokan perubahan? (Arga/KPJ09)
3. Data T1 dan T1, penggunaan kelasnya apa? (Prama/KPJ04)
4. Alasan melakukan prediksi untuk tahun 2010, tidakkah mubazir? Kenapa cek lapangan tahun 2011? (Aldi/KPJ07)
Jawaban :
1. CA untuk menghitung suatu lahan itu berubah ato tdk, digunakan untuk mencari lokasi perubahan, penentuan besar perubahan lahan dilakukan dengan statistic linear pada data PJ tahun X dan tahun Y.
2. Justifikasi perubahan terletak pada aturan transisi yang sudah di atur oleh peneliti.Di akhir penelitian ada pengujian model.
3. Masih menggunakan kelas terbangun, dan non terbangun, analisis raster dengan klkasifikasi multispectral. Akurasi untuk tiap T sangat penting, harus dianalisis bentuk perubahan yang tidak logis, seperti permukiman yang berubah menjadi sawah.
Saran (Prama/KPJ04) : tanggal pengamatan di tambah, karena klo dua tanggal pasti linier, Uji akurasi menggunakan citra ASTER 2008, untuk menguji model. Pengujian T1 dan t2, dapat menggunakan literature yang ada missal RBI atau penelitian yang sudah dilakukan missal tesis,dll. Kajian penutup lahan aturan transisi dibangun berdasar asumsi.
4. Penelitian ini semi murni, dengan model ini akurasi seberapa besar prediksi yang dilakukan. Ketika akurasi prediksi tahun 2007 dengan data 2002 baik maka model dapat digunakan untuk prediksi tahun 2012.
Saran (Aldi/KPJ07) : judul tidak sesuai dengan isi penelitian, (Prama/KPJ04) : model ini diperlukan untuk validasi, melihat pola di masa lalu untuk memprediksi pola di depan, makanya akurasi data di masa lalu sangat penting.
Pembicara 2: Wikan Jaya Prihantarto (KPJ/07)
Pemetaan Jenis tanaman Budidaya Pertanian dgn menggunakan foto udara digital inframerah berwarna format kecil
Penggunaan foto udara format kecil untuk mengganti citra yang mahal, dengan beberapa modifikasi dan spektrum yang digunakan yang inframerah. Spektrum inframerah menampilkan pola spectral yang khas untuk tiap kondisi dan tipe tanaman.
Diskusi:
Pertanyaan :
1. Pertimbangan spasial? (Deta/KPJ07)
2. Saat system bekerja dengan baik, dan sudah tau tanamanya trus mau dibawa kemana? (Ineke/KPJ10)
3. Sensornya di filter ato dibuka? (Prama/KPJ04)
Jawaban :
1. … … … (tak tercatat)
2. Harapan dapat memunculkan tema2 lebih dalam kedepannya, misal untuk pengembangan system, bisa untuk memantau obyek lain.
3. Digeser dan masuk ke spectrum IM, dan masih ada visible, dapat menggunakan spectral library untuk mengakomodasi penggunaan komposisi band yang tepat. Dalam vegetasi air merupakan bagian yang penting, bisa mempertimbangkan band SWIR (water content).
Pembicara 3: Ferman Setia (KPJ/05)
Pengaruh jumlah saluran spectral, korelasi antar saluran spectral, dan jumlah kelas obyek terhadap akurasi hasil penutup lahan menggunakan algoritma ML berdasar citra Aster VNIR dan SWIR
Penambahan jumlah saluran akan meningkatkan akurasi, Semakin umum kelas obyek maka akurasi semakin tinggi.
Diskusi:
Pertanyaan :
1. Apakah hasilnya akan berbeda bila menggunakan PCA?
Jawaban :
1. Bisa lebih rendah, karena dalam PCA sudah lebih disimpelkan salurannya.
Saran (Prama/KPJ04) : Penelitian murni bias lebih bermanfaat untuk penelitian selanjutnya
DISKUSI TERBUKA:
Pendapat angkatan 2010:
- omongan terlalu tinggi, drung nyambung
- Pengen diikutsertakan dalam penelitian
- Bagus untuk menambah referensi untuk penelitian selanjutnya.
- Bias membantu anak 2009 untuk mengambil skripsi sperti apa?
- Lebih menginginkan penelitian yang lebih aplikasi
- Ada pembahasan materi singkat terlebih dulu, untuk menyamakan materi
Pendapat angkatan 2008
- Seneng dgn forum spt ini.
- Membahas juga tentang referensi, untuk mengkaji benang merah antar penelitian.
Pendapat angkatan 2007
- Acara yang sangat baik, pertemuan akan dating juga ada dosen..
- Diskusi tentang konsep dasar, missal konsep dasar PJ,
- Bisa mempertimbangkan pengalihan jadwal.
- Bisa juga mengoreksi tentang cara penyampaian.
- Kepengurusan sebaiknya juga pada tiap angkatan mewakilkan di forum ini.
Kesimpulan :
Minimal ada gambaran tentang ilmu, dan aplikasi ilmu yang diajarkan di kelas. Forum ini bukan hanya untuk latian kompre, bias tentang diskusi bedah buku, analisis software. Untuk kedepannya dapat dibagi pada kelompok kecil2 per kajian ilmu, hasil diskusi dapat di share dalam forum diskusi yang lebih besar. Setidaknya sudah pernah mendengar bahan diskusi yang terlalu tinggi, dan ada keingintahuan untuk mengkaji lebih dalam bahan diskusi.
Minggu, 06 Maret 2011
Edisi kedua
Setelah edisi perdana "Geographic Information Science Forum", yang diselenggarakan kemarin hari Senin, 21 Februari 2011 dengan antusias cukup baik, edisi kedua akan diselenggarakan pada hari Jumat, 11 Maret 2011 pukul 15.00 WIB, dengan tema "Pemodelan Spasial". Narasumber terdiri dari tiga orang, yaitu Nur Mohammad Farda, S.Si., M.Cs, sebagai dosen yang akan memberikan pencerahan ilmu mengenai Pemodelan Spasial, Gemasakti Adzan (KPJ 2006) akan memaparkan proposal penelitiannya dan Albertus Krisna Pratama Putra (KPJ 2007) sebagai mahasiswa yang akan memaparkan rancangan proposal skripsi yang berjudul "Permodelan Limpasan Permukaan Sebelum dan Setelah Gunung Merapi Meletus".
Mari teman kita ramaikan diskusi kita, Semoga forum ini dapat bermanfaat. Amin...!!
(Humas GIS Forum)
Senin, 21 Februari 2011
Edisi Perdana
Akhirnya setelah sempat tertunda beberapa waktu GIS Forum edisi perdana berhasil diselenggarakan mulai pukul 15.00 WIB hari ini. Bertempat di ruang kuliah I PUSPICS Fakultas Geografi UGM, forum ini dihadiri tak kurang dari 41 mahasiswa dari berbagi angkatan dan strata pendidikan di lingkungan keilmuan Sains Informasi Geografis. Dalam forum ini dua dari tiga pembicara yang hadir yaitu Wikan Jaya Prihantarto (KPJ 2007) dan M. Sufwandika Wijaya (KPJ 2007) memaparkan rencana penelitian yang akan mereka lakukan. Sementara seorang lagi, Firman Setya, S. Si. (KPJ 2005) memeparkan hasil penelitian dalam skripsinya.
Keberhasilan penyelenggaraan forum ini tentu tak lepas dari antusiasme semuanya. Semoga forum ini dapat bermanfaat seterusnya. Amin...!! (Humas GIS Forum)
Langganan:
Postingan (Atom)