Claim Missing Document
Check
Articles

Found 5 Documents
Search

KOMBINASI SURVEI KERANGKA SAMPEL AREA DAN REMOTE SENSING UNTUK ESTIMASI LUAS TANAMAN PADI DI MASA PANDEMI (KSA-Hybrid) Isnaeni Nur Khasanah; Dwi Wahyu Triscowati; Arif Handoyo; Widyo P. Buana; Kadir Kadir
Jurnal Aplikasi Statistika & Komputasi Statistik Vol 12 No 2 (2020): Journal of Statistical Application and Computational Statistics
Publisher : Pusat Penelitian dan Pengabdian Masyarakat Politeknik Statistika STIS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34123/jurnalasks.v12i2.284

Abstract

Pelaksanaan Survei Kerangka Sampel Area (KSA) di masa pandemi dihadapkan pada potensi penurunan realisasi pengamatan sampel akibat restriksi yang membatasi pergerakan masyarakat di sejumlah wilayah. Pembatasan Sosial Berskala Besar dan penerapan protokol kesehatan yang ketat untuk memutus rantai penyebaran Covid-19 mengakibatkan petugas tidak dapat melakukan kunjungan lapangan untuk mengamati fase tumbuh tanaman padi di beberapa sampel subsegmen. Pelaksanaan Survei KSA bertumpu pada pengamatan lapangan terhadap puluhan ribu titik amatan. Hal ini tidak operasional untuk wilayah dengan pembatasan sosial ketat atau yang terletak di daerah remote. Sebagai solusi, pengamatan titik amat sampel KSA dapat dilakukan dengan bantuan remote sensing. Penelitian ini mengkombinasikan Survei KSA dan remote sensing dalam mengestimasi luas tanaman padi yang disebut KSA-Hybrid. Fase tumbuh tanaman padi di lokasi sampel subsegmen KSA Provinsi Lampung diprediksi dengan model machine learning berdasarkan data citra satelit Landsat-8. Estimasi luasan setiap fase kemudian diperoleh dengan menggunakan metode yang diterapkan pada KSA rutin. Hasil evaluasi menunjukkan bahwa terdapat perbedaan yang cukup signifikan antara estimasi luas panen KSA-Hybrid dan KSA rutin. Selain itu, tingkat kesesuaian antara hasil KSA-Hybrid dan KSA rutin untuk amatan bulan Juni 2020 bervariasi antar kabupaten/kota pada rentang 62-76 persen. Pengembangan KSA-Hybrid dapat dilakukan dengan meningkatkan performa model machine learning dan penggunaan citra satelit dengan resolusi yang lebih tinggi.
TINJAUAN PEMANFAATAN BIG DATA PENGINDERAAN JAUH DAN PEMBELAJARAN MESIN UNTUK OFFICIAL STATISTICS DI WILAYAH PERKOTAAN Arif Handoyo Marsuhandi; Dwi Wahyu Triscowati; Arie Wahyu Wijayanto
Jurnal Aplikasi Statistika & Komputasi Statistik Vol 12 No 2 (2020): Journal of Statistical Application and Computational Statistics
Publisher : Pusat Penelitian dan Pengabdian Masyarakat Politeknik Statistika STIS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34123/jurnalasks.v12i2.282

Abstract

Kemajuan teknologi big data tidak hanya menawarkan potensi pemanfaatan namun juga tantangan bagi penyelenggaraan official statistics. Sebagai salah satu sumber big data yang potensial, data spektral penginderaan jauh yang tersedia secara terbuka dan gratis menjadi modal berharga untuk penyempurnaan kualitas official statistics. Makalah ini meninjau peluang dan tantangan pemanfaatan penginderaan jauh di wilayah perkotaan dan menyajikan studi kasus awal pada monitoring pertumbuhan lanskap perkotaan di Indonesia. Studi kasus awal ini menggunakan metode pembelajaran mesin ansambel sebagai model untuk klasifikasi, yaitu random forest yang merupakan pendekatan statistik nonparametrik dengan penerapan agregasi dan bootstrapping pada pohon keputusan. Penelitian ini mengambil fokus pada Kabupaten Banyuwangi, Provinsi Jawa Timur sebagai studi kasus. Hasil eksperimen dengan citra satelit Landsat-8 menunjukkan keberhasilan model dalam mendeteksi perubahan area bangunan selama 6 tahun pertumbuhan lanskap perkotaan pada 2015-2020. Terhitung pada tahun 2015 dan 2020, model yang dibangun dapat mendeteksi bangunan/konstruksi dengan akurasi masing-masing 93 dan 91 persen. Kesimpulan sementara ini membuka kemungkinan penerapan penginderaan jauh untuk menunjang survei dan sensus statistik pada wilayah perkotaan, khususnya sebagai salah satu indikator penting untuk penghitungan nilai tambah bruto (NTB) lapangan usaha konstruksi yang menjadi komponen dari Produk Domestik Regional Bruto (PDRB).
PELUANG DAN TANTANGAN DALAM PEMANFAATAN TEKNOLOGI PENGINDERAAN JAUH DAN MACHINE LEARNING UNTUK PREDIKSI DATA TANAMAN PANGAN YANG LEBIH AKURAT Dwi Wahyu Triscowati; Arie Wahyu Wijayanto
Seminar Nasional Official Statistics Vol 2019 No 1 (2019): Seminar Nasional Official Statistics 2019
Publisher : Politeknik Statistika STIS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (302.93 KB) | DOI: 10.34123/semnasoffstat.v2019i1.230

Abstract

Perubahan teknologi informasi menyebabkan terjadinya produksi data yang besar, cepat, dan berbagai macam. Pada era teknologi juga terjadi perkembangan pesat metode pengolahan data besar dan berdimensi tinggi seperti machine learning. Hal ini membuka peluang baru dalam penyediaan data statistik untuk berbagai permasalahan, seperti ketahanan pangan. Salah satu sumber big data gratis yang dapat dimanfaatkan untuk upaya ketahanan pangan adalah hasil penginderaan jauh. Penginderan jauh mengalami banyak kemajuan, yang tercermin dalam ketersediaan citra satelit dengan ketajaman pixel tinggi dan kaya informasi spasial temporal. Berbagai informasi vegetasi untuk prediksi tanaman pangan dapat diturunkan dari citra satelit ini. Namun, dibalik peluang yang ada, masih terdapat tantangan dalam pemanfaatan sepenuhnya citra satelit. Tujuan dari ulasan makalah ini adalah untuk mempelajari peluang dan tantangan dalam pemanfaatan teknologi penginderaan jauh dan machine learning untuk prediksi data tanaman pangan yang lebih akurat. Kami melihat ada banyak upaya penggunaan citra satelit untuk prediksi tanaman. Kami mengelompokkan metode yang digunakan untuk klasifikasi menjadi tiga kelompok, yaitu metode statistika konvensional, machine learning populer, dan deep learning. Sementara tantangan dalam pemanfaatan citra satelit yang teridentifikasi meliputi tantangan dari karakteristik citra satelit serta kondisi geografis dan pertanian di Indonesia. Lebih lanjut, hasil eksperimen kami sendiri menggunakan supervised random forest berdasarkan data multitemporal landsat 8, diperoleh bahwa pengambilan sampel, identifikasi kemungkinan seluruh kelas klasifikasi, serta rekayasa fitur berperan penting dalam peningkatan akurasi model klasifikasi. Dapat kami simpulkan bahwa ada peluang besar untuk pemantauan tanaman pangan menggunakan penginderaan jauh ini.
Pemetaan Potensi Lahan Jagung Menggunakan Citra Satelit Dan Random Forest Pada Cloud computing Google Earth Engine Dwi Wahyu Triscowati; Widyo Pura Buana; Arif Handoyo Marsuhandi
Seminar Nasional Official Statistics Vol 2021 No 1 (2021): Seminar Nasional Official Statistics 2021
Publisher : Politeknik Statistika STIS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (515.301 KB) | DOI: 10.34123/semnasoffstat.v2021i1.889

Abstract

The availability of information on the potential of corn fields that is quickly updated is important to support economic recovery after covid 19. Maize mapping is a challenge in agriculture because the corn planting area does not have special characteristics such as rice fields, corn does not have a standard area map, and planting can be done in rice fields and dry forest lands. Another problem is the need for high computational resources if the mapping of maize is done directly or manually identified. In this study, mapping the potential of maize in East Java in selected districts automatically using machine learning on cloud computing google earth engine. With the use of GEE cloud computing, maize mapping can be carried out in large areas without being constrained by computer capabilities. This study uses a pixel-based Random Forest (RF) machine learning algorithm with input data from the Landsat-8, Sentinel-1 and Sentinel-2 satellites. Reference data to train the classification model using maize ASF results. The best accuracy of Machine learning results comes from the combination of Landsat-8 and Sentinel-2 with an average accuracy of 0.79. The classification model was then applied to 10 districts where the best result was Banyuwangi Regency with an accuracy of 0.89. Judging from the potential area of ​​corn in the Banyuwangi area, the area ranges from 22,256.82 – 58,992.3 Ha based on pixels that are predicted to be corn at least 3 times/month. From the results of this study, it is evident that the use of cloud computing can perform calculations in 10 districts quickly, both in terms of model development and predictions. In addition, because it uses cloud computing, the use of satellite imagery can be utilized as soon as possible after the satellite image is published/released so that predictions of the potential of corn can be quickly and accurately generated. This study also highlights the shortcomings that occur, namely in terms of the number of samples for training data and the limitations of the algorithm used so that in the future it can be developed even better.
CLASSIFICATION OF RICE-PLANT GROWTH PHASE USING SUPERVISED RANDOM FOREST METHOD BASED ON LANDSAT-8 MULTITEMPORAL DATA Dwi Wahyu Triscowati; Bagus Sartono; Anang Kurnia; Dede Dirgahayu; Arie Wahyu Wijayanto
International Journal of Remote Sensing and Earth Sciences Vol. 16 No. 2 (2019)
Publisher : BRIN

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30536/j.ijreses.2019.v16.a3217

Abstract

Data on rice production is crucial for planning and monitoring national food security in a developing country such as Indonesia, and the classification of the growth phases of rice plants is important for supporting this data. In contrast to conventional field surveys, remote sensing technology such as Landsat-8 satellite imagery offers more scalable, inexpensive and real-time solutions. However, utilising Landsat-8 for classification of rice-plant phase required spectral pattern information from one season, because these spectral patterns show the existence of temporal autocorrelation among features. The aim of this study is to propose a supervised random forest method for developing a classification model of rice-plant phase which can handle the temporal autocorrelation existing among features. A random forest is a machine learning method that is insensitive to multicollinearity, and so by using a random forest we can make features engineering to select the best multitemporal features for the classification model. The experimental results deliver accuracy of 0.236 if we use one temporal feature of vegetation index; if we use more temporal features, the accuracy increases to 0.7091. In this study, we show that the existence of temporal autocorrelation must be captured in the model to improve classification accuracy.