Claim Missing Document
Check
Articles

Found 2 Documents
Search

Resolusi Spasial Optimum pada Citra Drone untuk Klasifikasi Spesies Mangrove dengan Metode Maximum Likelihood Monika Ruwaimana* Novian Atmaja Ign. Pramana Yuda1
Biota : Jurnal Ilmiah Ilmu-Ilmu Hayati Vol 2, No 2 (2017): June 2017
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/biota.v2i2.1659

Abstract

Drone adalah salah satu alat baru dalam penelitian berbasis remote sensing pada studi ekologi hutan mangrove, drone dapat terbang jauh lebih rendah dibandingkan pesawat pemetaan, sehingga citra yang ditangkap akan lebih detail atau memiliki resolusi spasial yang tinggi; citra drone dapat mencapai resolusi spasial dibawah 1cm. Penelitian tentang klasifikasi spesies mangrove dengan citra drone masih terbatas, juga belum ada referensi apakah bila pada citra drone resolusi dan ukuran datanya dikurangi, ketepatan klasifikasi datanya akan berkurang, dan sejauh mana pengurangan itu terjadi. Disini kami berhipotesis bahwa akan ada hubungan linear antara resolusi dan ketepatan klasifikasi spesies bakau, dimana pengurangan resulusi akan mengurangi akurasi klasifikasi. Akan tetapi, hasil percobaan berulang (9 iterasi) dengan 8 resolusi spasial yang berbeda, yaitu 2.5cm, 5cm, 10cm, 20 cm, 40cm, 60cm, 80cm dan 100cm menunjukkan tidak signifikannya penurunan akurasi klasifikasi saat resolusi spatial, mematahkan hipotesis awal tersebut. Overall Accuracy (OA) pada resolusi 2.5cm adalah 84.97±2.37%, sedangkan pada 60cm adalah 88.61±3.6%. Alih -alih menunjukkan pengurangan, malah menunjukkan peningkatan walaupun tidak signifikan. Pada resolusi 100cm, akurasi menurun drastis (OA=20.72±1.24%). Berdasarkan hasil tersebut, kami merekomendasikan dalam mengidentifikasi spesies mangrove dengan citra drone, resolusi yang optimum adalah 60cm, resolusi ini dapat memberikan pengurangan waktu klasifikasi yang signifikan (dari 15 menit ke 2.5 detik) serta yang terpenting adalah memberikan ketepatan tertinggi untuk spesies dengan heterogenitas penampakan yang tinggi seperti palem N. fruticans, tanpa mengurangi ketepatan akurasi pada spesies pohon seperti R. apiculata dan A. alba.
AI-Assisted NDVI Monitoring of Vegetation Change in Merapi National Park Using Google Earth Engine Ruwaimana, Monika; Pradopo, Subyantoro Tri; Umaya, Ruky; Arianti, Diah; Setyobudi, Vincentius Tri; Yulianti, Indah Murwani; Jati, Wibowo Nugroho; Yuda, Pramana
Biota : Jurnal Ilmiah Ilmu-Ilmu Hayati Vol 11, No 1 (2026): February 2026
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/biota.v11i1.12898

Abstract

Vegetation mapping is essential for monitoring conservation efforts in national parks and can be performed remotely using remote sensing and GIS technologies. However, the process is often complex and requires technical expertise. This study explores the use of AI, specifically ChatGPT, to simplify and support vegetation mapping workflows. We monitored monthly vegetation changes in Merapi Mountain National Park (TNGM) from 2017 to 2023 using the Normalized Difference Vegetation Index (NDVI) derived from Sentinel-2 satellite data. The workflow combined Google Earth Engine (GEE) for satellite image processing and Python in Jupyter Notebook for time series analysis, with ChatGPT assisting in code editing. Our results show NDVI patterns are significantly influenced by volcanic activity, particularly eruptions and pyroclastic clouds, and about one-third of images were affected by cloud cover, especially during the rainy season. ChatGPT performed well in non-coding queries with a 79% satisfaction rate, but only 53% of generated code prompts were correct without modification. We conclude that while AI tools like ChatGPT have strong potential to enhance accessibility and efficiency in remote vegetation mapping, human oversight and foundational knowledge in geospatial analysis remain essential for accurate results.