Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal Jurnal Aplikasi Statistika & Komputasi Statistik Prosiding Seminar Nasional Official Statistics
Arif Handoyo Marsuhandi
Unknown Affiliation
Humanities Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Mathematics Social Sciences

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

Found 3 Documents
Search

 1 
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).
PEMANFAATAN ENSEMBLE LEARNING DAN PENGINDERAAN JAUH UNTUK PENGKLASIFIKASIAN JENIS LAHAN PADI Arif Handoyo Marsuhandi; Agus Mohamad Soleh; Hari Wijayanto; Dede Dirgahayu Domiri
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 (294.368 KB) | DOI: 10.34123/semnasoffstat.v2019i1.247

Abstract

Pertanian adalah bidang yang sangat penting di Indonesia, sektor ini di tahun 2017 mencatat penyerapan tenaga kerja sebanyak 29.68% dari total seluruh pekerja (BPS, 2018), namun pentingnya sektor pertanian ini berbanding terbalik dengan data pertanian yang tersedia. Tahun 1998 Badan Pusat Statistik (BPS) bersama Japan International Cooperation Agency (JICA) telah mengisyaratkan overestimasi luas panen sekitar 17,07 persen. Ketidakuratan data pertanian ini kemudian diperbaiki pada tahun 2018 melalui kerjasama para stakeholder dengan menyusun suatu metodologi baru dalam menghitung luas lahan yang diberi nama kerangka sampel area. Selain metodologi yang sudah diperbarui, kemajuan teknologi dan teknik analisis di bidang ilmu pengetahuan juga mendukung perbaikan data pertanian. Citra satelit dan teknik klasifikasi menggunakan ensemble learning dapat dimanfaatkan dalam mengklasifikasikan jenis lahan padi. Pada penelitian ini digunakan citra satelit yang berasal dari United States Geological Survey (USGS) yaitu Landsat 8 dan teknik klasifikasi ensemble learning. Citra satelit dimanfaatkan untuk mengekstrak indeks vegetatif dari koordinat koordinat yang diteliti, sedangkan ensemble learning yang digunakan dalam penelitian ini yaitu Random Forest dan Boosting. Hasil pengolahan data menunjukkan Random Forest memiliki akurasi yang lebih tinggi daripada Boosting yaitu dengan nilai 76,52 untuk Random Forest dan 75,60 untuk Boosting. Keunggulan Random Forest terhadap Boosting tidak hanya dari sisi tingkat akurasi saja namun juga dari kestabilan model yang dibentuk.
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.
Co-Authors Agus Mohamad Soleh Arie Wahyu Wijayanto Dede Dirgahayu Domiri Dwi Wahyu Triscowati Hari Wijayanto Widyo Pura Buana