Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Jurnal Penginderaan Jauh Indonesia J-Sil (Jurnal Teknik Sipil dan Lingkungan)
Heriza, Dewinta
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Astronomy Civil Engineering, Building, Construction & Architecture Computer Science & IT Earth & Planetary Sciences Engineering Environmental Science Transportation

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Spatial Disparities in Jakarta’s Health and Education Infrastructures: An OpenStreetMap-Based Analysis Ramadhanis, Zainab; Akrimullah, Anjar; Heriza, Dewinta
Jurnal Teknik Sipil dan Lingkungan Vol. 10 No. 1: April 2025
Publisher : Departemen Teknik Sipil dan Lingkungan IPB

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jsil.10.1.139-148

Abstract

Jakarta, as Indonesia’s most populous megacity, had a population of 11.14 million in 2024. Covering an area of 661 square kilometers, it is also the country’s most densely populated city, with over 16,500 individuals per square kilometer. High population density brings challenges, particularly in access to essential public services like education and healthcare, which are crucial for sustainable urban development. This study examines spatial disparities in the distribution of health and educational infrastructures in Jakarta concerning population density. Through overlay analysis, two models were developed: the Educational Facilities Gaps Map and the Health Facilities Gaps Map, categorizing areas as well-served, moderately served, or underserved. The findings highlight significant disparities across Jakarta’s administrative regions. Central Jakarta has the highest accessibility, with 57.43% of its area well-served for education and 65.06% for healthcare. Conversely, North Jakarta and Kepulauan Seribu experience the most severe service gaps, with 51.92% and 100% of their areas underserved in education, and 50.20% and 85.92% in healthcare, respectively. East, South, and West Jakarta exhibit moderate service coverage, though underserved zones remain. These results emphasize the importance of strategic urban planning to improve equitable access to public services. By incorporating geospatial analysis into policymaking, decision-makers can optimize facility distribution and infrastructure development, reducing service disparities, especially in underserved areas.
Multi-sensor Multi-temporal Relative Radiometric Normalization (RRN) Menggunakan Metode Weighted Regularized Generalized Canonical Correlation Analysis (WRGCCA) Denaro, Lino Garda; Syariz, Muhammad Aldila; Nabilah, Salwa; Heriza, Dewinta; Lin, Chao-Hung
Jurnal Penginderaan Jauh Indonesia Vol 1 No 1 (2019)
Publisher : Institut Teknologi Sepuluh Nopember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/jpji.v1i1.251

Abstract

Dalam perkembangan teknologi decade terakhir ini, data citra satelit multi-temporal sudah sangat berlimpah dan mulai sulit untuk dieksplorasi secara optimal. Pemanfaatan citra satelit multi-temporal dengan metode deteksi perubahan sangat berguna untuk memodelkan dan memprediksi perubahan spasial dengan rentang waktu tertentu. Pemanfaatan data-data multi-temporal sebelumnya akan menghasilkan model perubahan spasial dengan durasi yang lebih panjang. Apalagi jika permodelan dan prediksi ini dilakukan dengan sensor yang berbeda. Sehingga dapat menghasilkan deteksi perubahan dengan cakupan yang lebih luas dan multi-fungsi. Namun dalam pengaplikasikannya, perlu adanya koreksi radiometrik antara citra multi-temporal dan juga citra multi-sensor. Pengoreksian ini bisa dilakukan dengan pendekatan relatif yang dikenal dengan relatif radiometrik normalisasi (RRN) secara linear. Ide utama metode RRN ini adalah dengan memanfaatkan seleksi fitur invariant (piksel yang stabil) antara citra multi-temporal dengan cara transformasi linear. Metode WRGCCA (weighted regularized generalized canonical correlation analysis) diusulkan untuk digunakan sebagai seleksi fitur invariant atau PIFs (pseudo-invariant features) dengan perbedaan sensor dan temporal tertentu. Metode ini merupakan perkembangan dari metode MAD (multivariate alteration detection) yang berguna untuk mendeteksi perubahan spasial secara bi-temporal dan GCCA (generalized canonical correlation analysis) yang memanfaatkan citra multi-temporal sekaligus. Namun, masing-masing metode tersebut mempunyai keterbatasan dalam menyeleksi PIFs baik bi-temporal maupun multi-temporal. Oleh karena itu, dengan menambahkan fungsi pembobotan dan regularisasi dalam algoritma tersebut, metode yang diajukan, WRGCCA, dapat lebih baik dalam penyeleksian pseudo-invariant features yang lebih akurat.
Estimasi Konsentrasi Klorofil-a menggunakan Refined Neural Network (Studi Kasus: Perairan Danau Kasumigaura) Syariz, Muhammad Aldila; Denaro, Lino Garda; Nabilaha, Salwa; Heriza, Dewinta; Jaelani, Lalu Muhamad; Lin, Chao-Hung
Jurnal Penginderaan Jauh Indonesia Vol 1 No 1 (2019)
Publisher : Institut Teknologi Sepuluh Nopember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/jpji.v1i1.253

Abstract

Klorofil-a menjadi salah satu bagian penting dalam merepresentasikan tingkat kesahatan suatu perairan. Beberapa peneliti menggunakan metode neural network untuk mengestimasi konsentrasi klorofil-a di wilayah perairan. Namun, dikarenakan oleh tidak mumpuninya jumlah sampel data pada beberapa stasiun, keakuratan hasil estimasi menjadi kurang dapat dipercaya. Inverse distance weighting (IDW) akan digunakan dalam penelitian untuk menginterpolasi konsentrasi klorofil-a di wilayah perairan non stasiun sehingga dapat memperkaya data sampel. Data sampel non stasiun ini selanjutnya digunakan dalam proses training pada neural network; dan selanjutnya, data sampel pada stasiun akan digunakan dalam proses network refinement sehingga tingkat akurasi dalam mengestimasi konsentrasi klorofil-a menjadi meningkat. Citra MERIS akan digunakan dalam penelitian ini. Berdasarkan hasil analisa statistik, nilai RMSE sebelum dan sesudah network refinement menurun dari 6,7872 mg m-3 menjadi 6,5606 mg m-3.
Co-Authors Akrimullah, Anjar Denaro, Lino Garda Jaelani, Lalu Muhamad Lin, Chao-Hung Nabilah, Salwa Nabilaha, Salwa Ramadhanis, Zainab Syariz, Muhammad Aldila