Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal Journal of Plano Studies
Kurnia Shalihat, Annisa
Unknown Affiliation
Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Analisis Perubahan Lahan Vegetasi di Sekitar Gunung Marapi Sebelum dan Sesudah Terjadinya Letusan Gunung Marapi Menggunakan Metode NDVI (Studi Kasus Kabupaten Agam dan Kabupaten Tanah Datar) Debi Nadia Putri; Tri Kurnia, Septina; Kurnia Shalihat, Annisa; Muh. Apriansyah
Journal Of Plano Studies Vol 2 No 1 (2025):
Publisher : Lembaga Penelitian, Pengabdian Kepada Masyarakat dan Kepustakaan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36982/jops.v2i1.5045

Abstract

Indonesia memiliki 127 gunung api yang masih aktif (Yogatama, 2012). Salah satu gunung api aktif di Pulau Sumatra adalah Gunung Marapi. Berdasarkan pernyataan resmi Pusat Vulkanologi dan Mitigasi Bencana Geologi, Gunung Marapi meletus pada tanggal 03 Desember 2023 pukul 14.54 WIB. Dinas Pertanian Kabupaten Agam Sumatera Barat mencatat lebih dari 2.000 ha lahan pertanian di wilayah setempat terdampak oleh abu vulkanik dan pasir pasca erupsi Gunung Marapi. Akibatnya terjadi perubahan lahan vegetasi yang ada di sekitar gunung marapi. Oleh karena itu perlunya dilakukan analisis mengenai perubahan lahan vegetasi yang terkena dampak dari letusan gunung tersebut. Analisis ini dilakukan menggunakan metode NDVI dengan memanfaatkan data dari citra landsat 8. Hasil dari penelitian ini berupa berubahan lahan vegetasi di Kab. Agam dan Kab. Tanah Datar sebelum dengan sesudah terjadinya letusan gunung marapi. Lahan dengan kategori tidak bervegetasi tidak mengalami perubahan sebelum dengan sesudah terjadinya letusan gunung marapi. Pada lahan dengan tingkat vegetasi kehijauan sangat rendah mengalami peningkatan yang awalnya hanya 17365.0 ha atau 5 % dari luas keseluruhan menjadi 27971.8 ha atau naik menjadi 8%.sedangkan untuk lahan dengan kehijauan rendah naik 4% yang awalnya 6% menjadi 10%. Lahan dengan kehijauan sedang naik signifikan sebanyak 8% dari yang awalnya luasannya 7% mejadi 15%. Sedangkan untuk lahan vegetasi kehijauan sangat tinggi sebelum terjadinya erupsi memiliki luas 78% dari keseluruhan luasan vegetasi turun menjadi 64% atau turun sebesar 14% dari luas sebelumnya.
The Effectiveness of Identifying Residential Housing using Image Recognition by Artificial Intelligence Ardiwinata, Yogie; Kurnia Shalihat, Annisa
Journal Of Plano Studies Vol 2 No 1 (2025):
Publisher : Lembaga Penelitian, Pengabdian Kepada Masyarakat dan Kepustakaan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36982/jops.v2i1.5476

Abstract

Residential housing identification based on satellite imagery has become an important approach in supporting urban planning, disaster management, and regional mapping. This study evaluates the effectiveness of settlement recognition techniques using high-resolution imagery and artificial intelligence (AI) models, specifically deep learning methods based on convolutional neural networks (CNN) and object segmentation. The main factors that affect identification accuracy include image spatial resolution, preprocessing quality, training data diversity, and the geographic complexity of the observed area. Based on the analysis results, the use of high-resolution imagery combined with image recognition by AI such as Google Gemini and ChatGPT can produce an accuracy of 68.4% in calculating the number of buildings. This value tends to be low to achieve a high level of accuracy in calculating the number of buildings therefore it is not recommended to calculate the number of buildings accurately, but it can be used to determine housing availability in a range of values. However, to analyze building density, AI can successfully generate complex images of building density according to the conditions of the given image. AI can be used to aid urban planning while emphasizing the importance of selecting data sources, careful preprocessing techniques, and adaptive machine learning models to improve the effectiveness of settlement recognition, especially in areas with complex spatial structures in the fields of regional and urban planning and disaster management.
Co-Authors Debi Nadia Putri Muh. Apriansyah Tri Kurnia, Septina Yogie Ardiwinata, Yogie