Article Per Year (5 Year)
p-Index From 2020 - 2025
1.633
P-Index
This Author published in this journals
All Journal Jurnal Teknik ITS
Filsa Bioresita
Departemen Teknik Geomatika Insitut Teknologi Sepuluh Nopember Surabaya
Engineering

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
Analisis Deformasi Akibat Aktivitas Vulkanik Menggunakan Data Citra Sentinel-1A dan Metode DInSAR three-pass interferometry (Studi Kasus : Gunung Semeru, Jawa Timur) Eka Diah Nur Safitri; Noorlaila Hayati; Filsa Bioresita
Jurnal Teknik ITS Vol 10, No 2 (2021)
Publisher : Direktorat Riset dan Pengabdian Masyarakat (DRPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373539.v10i2.72653

Abstract

Gunung Semeru merupakan salah satu gunung api yang secara administratif masuk kedalam Wilayah Kabupaten Lumajang dan Malang, Jawa Timur. Dikutip dari Press Release Aktivitas Gunung Semeru oleh kementerian ESDM, Gunung Semeru menunjukkan aktivitas vulkanik berupa semburan awan panas hingga 2 Km dari puncak pada Jumat, 17 April 2020 pukul 06.08 WIB dan gempa guguran dengan amplitudo maksimum 7 mm dan lama gempa 300 detik. Adanya aktivitas magma gunung api berupa uplift sebelum aktivitas vulkanik dan subsidence saat aktivitas vulkanik dapat menyebabkan terjadinya deformasi permukaan gunung api. Pada penelitian ini, pengamatan fenomena deformasi dilakukan menggunakan metode DInSAR (Differential Interferometry Synthetic Aperture Radar) three-pass interferometry yang memanfaatkan pasangan citra SAR Sentinel 1-A yang diakuisisi pada waktu dan posisi yang berbeda, dimana data fase topografi dan penggepengan diperoleh dari pasangan citra SAR 1 dan 2 dengan selisih temporal yang saling berdekatan dan tidak memiiki unsur subsidence. Selanjutnya data fase tersebut digunakan dalam proses koreksi topografi dan flattening pasangan citra SAR 1 dan 3 untuk memperoleh nilai deformasi. Pengamatan deformasi menggunakan metode DInSAR three-pass interferometry menunjukkan adanya fenomena deflasi atau penurunan permukaan tanah dengan rata-rata -26,14442279 milimeter yang direpresentasikan dari 92 titik sampel di seluruh area Gunung Semeru, dimana pada area jalur aliran lava (timur, tenggara, selatan, dan barat daya) mengalami deflasi yang lebih besar dibanding dengan area yang lain (barat, barat laut, utara, dan timur laut). Hasil deformasi dari metode ini memiliki hubungan korelasi yang kuat dengan hasil deformasi data pembanding two-pass interferometry dan SBAS, yaitu 0,525889 dan 0,704151.
Identifikasi Area Terdampak Oil Seep di Darat dari Data Foto Udara Menggunakan Metode Object Based Image Analysis dan Convolutional Neural Networks (Studi Kasus: Kelurahan “X”) Nurul Fitri Alya; Filsa Bioresita; Noorlaila Hayati; Muhammad Alfian Romadhon; Sondy Hardian Meisajiwa
Jurnal Teknik ITS Vol 10, No 2 (2021)
Publisher : Direktorat Riset dan Pengabdian Masyarakat (DRPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373539.v10i2.70042

Abstract

Rembesan minyak merupakan salah satu peristiwa yang merugikan lingkungan pada industri minyak dan gas. Hal ini dikarenakan senyawa kimia yang terkandung pada rembesan minyak dapat mengakibatkan penurunan kualitas lingkungan hidup. Rembesan minyak (Oil Seep) tidak hanya terjadi di wilayah perairan, tetapi juga di daratan, yang terserap oleh tanah. Kejadian ini dapat mengindikasikan adanya sistem perminyakan di bawah permukaan tanah. Dalam penelitian ini daerah terdampak rembesan minyak diidentifikasi menggunakan metode deep learning dengan Convolutional Neural Networks dimana mesin diharapkan meniru sistem kerja otak manusia dalam mengidentifikasi objek. Data foto udara yang telah terorthorektifikasi dilakukan proses segmentasi untuk membantu proses pelabelan training data pada tahap selanjutnya. Training data tersebut menjadi data masukan pada tahap train deep learning model, dan akan dilakukan proses klasifikasi piksel untuk mendeteksi area terdampak oil seep. Hasil pengolahan berupa tingkat akurasi model mencapai 93% dan raster yang menampilkan area terdampak oil seep, yang kemudian dihitung luasan areanya, dan menghasilkan perhitungan area terdampak oil seep seluas ±1,4 hektar.
Analisa Tingkat Rawan Banjir di Daerah Kabupaten Bandung Menggunakan Metode Pembobotan dan Scoring Ian Hot Oloan Sitorus; Filsa Bioresita; Noorlaila Hayati
Jurnal Teknik ITS Vol 10, No 1 (2021)
Publisher : Direktorat Riset dan Pengabdian Masyarakat (DRPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373539.v10i1.60082

Abstract

Kabupaten Bandung merupakan daerah yang rawan terhadaap bencana banjir. Banjir terjadi akibat adanya genangan air pada suatu tempat dalam kurun waktu tertentu. Salah satu cara untuk dapat mengelola resiko terjadinya banjir adalah dengan memperkirakan daerah-daerah yang rawan terhadap banjir. Ada beberapa parameter yang mempengaruhi tingkat kerawanan suatu daerah terhadap banjir, diantaranya parameter curah hujan, penggunaan lahan, kemiringan lereng, ketinggian lahan, dan tekstur tanah. Parameter-parameter tersebut diolah dengan metode pembobotan dan skoring, kemudian di overlay untuk menghasilkan peta rawan banjir. Dari hasil pengolahan didapatkan hasil parameter curah hujan didominasi dengan curah hujan 1.500 – 2.000 mm/tahun dengan luas 93.523,655 ha. Parameter penggunaan lahan didominasi oleh pertanian lahan kering dengan luas 38.066,286 ha. Parameter kemiringan lereng didominasi dengan kemiringan lereng 25 – 40% dengan luas 38490,715 ha. Parameter ketinggian lahan didominasi dengan ketinggian lahan 500 – 1000 m dengan luas 68.030,334 ha. Parameter tekstur tanah didominasi oleh tekstur tanah sedang dengan luas 77.918,599 ha. Terdapat 4 kelas kerawanan banjir meliputi sangat rawan, rawan, kurang rawan, dan tidak rawan. Kabupaten Bandung didominasi kelas Kurang Rawan dengan luas 64.277,228 ha. Daerah-daerah yang tergolong kelas Sangat Rawan ada di Kecamatan Katapang, Margahayu, Dayeuh Kolot, Pameungpeuk, Bojong Soang, Margaasih, Rancaekek, Baleendah, Solokan Jeruk, Cangkuang, Kutawaringin, Soreang, Cicalengka, Banjaran, Cileunyi, Cikancung, Ciparay, Majalaya, Paseh, Arjasari, Cimaung, Rancabali, Pasir Jambu, Ciwidey, Ibun, dan Nagreg. Daerah yang memiliki persentase luas sangat rawan banjir per luas kecamatan terbesar berada di Kecamatan Katapang dengan persentase 95,06%, sedangkan persentase luas sangat rawan banjir per luas kecamatan terendah berada di Kecamatan Nagreg dengan persentase 0,01%. Hasil validasi menunjukkan bahwa seluruh kecamatan yang disebutkan dalam Peta Wilayah Siaga Darurat Bencana Banjir merupakan daerah yang tergolong kelas Sangat Rawan pada Peta Rawan Banjir.
Identifikasi Daerah Kekeringan dengan Menggunakan Temperature Vegetation Index (TVDI) dan Landsat 8 Fauzi Shidqi; Noorlaila Hayati; Filsa Bioresita
Jurnal Teknik ITS Vol 10, No 1 (2021)
Publisher : Direktorat Riset dan Pengabdian Masyarakat (DRPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373539.v10i1.61122

Abstract

Kekeringan kerap terjadi diberbagai daerah di Indonesia. Menurut Badan Penanggulangan Bencana Daerah (2018), Kabupaten Sumedang merupakan salah satu daerah di Jawa Barat rawan terhadap kekeringan. Kekeringan terjadi akibat berkurangnya air secara drastis pada suatu tempat dalam kurun waktu tertentu. Salah satu cara untuk dapat mengelola resiko terjadinya kekeringan adalah dengan memperkirakan daerah-daerah yang rawan terhadap kekeringan. TVDI (Temperature-Vegetation Dryness Index) merupakan indeks kekeringan yang dihitung berdasarkan parameter empirik dari hubungan antara temperatur permukaan (TS) dan indeks vegetasi Normalized Difference Vegetation Index (NDVI). Indeks tersebut dikaitkan dengan kekeringan lahan yang diperoleh hanya berdasarkan input dari informasi satelit penginderaan jauh dengan menggunakan citra Landsat 8, dengan waktu pengamatan pada bulan Agustus-September 2018. Dari penelitian ini didapat dua persamaan TVDI di Kabupaten Sumedang berdasarkan cara pengambilan titik sample, persamaan pertama sample manual adalah TVDI = (LST – (6,881*NDVI +23,766))/((-16,4*NDVI) + 58,962), daerah dengan nilai TVDI 0,6 – 0,8 (agak kering) dan 0,8 – 1 (kering) memiliki luas secara beturut-turut yaitu 1921,477 Ha dan 152721,036 Ha, sedangkan persamaan kedua sample menggunakan toolsbox fishnet pada arcGIS adalah TVDI = (LST – (1,923*NDVI +29,456))/((-8,764*NDVI) + 0,576), dengan kondisi terluas 68881,947 Ha dengan nilai TVDI 0,8-1 (kering), sedangkan area terkecil 1031,886 Ha dengan nilai 0-0,2 (basah.
Co-Authors Aqilla Khairani Shafira Chomia Nilam Safitri Darma Setiawan Dena Prapanca Wardhani Eka Diah Nur Safitri Fauzi Shidqi Hayati, Noorlaila Ian Hot Oloan Sitorus Izzatud Diyanah M Ghifary Royyan Ngurawan Muhammad Alfian Romadhon Muhammad Taufik Nurul Fitri Alya Nurwatik Nurwatik Pribadi, Cherie Bhekti Sondy Hardian Meisajiwa Teguh Hariyanto, Teguh