Articles
251 Documents
<![CDATA[DETERMINANT FACTORS OF SPATIAL DATA SHARING OF LOCAL SPATIAL DATA INFRASTRUCTURE IN INDONESIA ]]>
<![CDATA[Asseng, Bau]]>;
<![CDATA[Rahman, Zulkarnain Abdul]]>;
<![CDATA[Said, Mohamad Nor]]>
<![CDATA[ GEOMATIKA Vol 24, No 1 (2018) ]]>
Publisher : <![CDATA[Badan Informasi Geospasial in Partnership with MAPIN ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (736.315 KB)
|
DOI: 10.24895/JIG.2018.24-1.734
<![CDATA[This study is based on the phenomenon of the weakness of local government’s response to the national program of Spatial Data Infrastructure for the effective spatial data sharing in Indonesia. This study is investigation of determinant factors of spatial data sharing for local Spatial Data Infrastructure in Indonesia. The purpose of this study is to describe the spatial data-sharing model of Local SDI in Indonesia. It was conducted in West Java Province, Bogor Regency, and Bogor City. Sequential exploratory design method consisting of interview and questionnaire were used in this research. An in-depth interview was used to get a response from 10 participants among IT or GIS staff and head of the department. A total of 75 respondents were involved in questionnaire survey. Content’s analysis was used to measure interview data while Partial Least Square analysis was used to measure questionnaire data. The fit items were chosen after validity and reliability measurement in the structural model analysis using Smart PLS. Hypothesis measurement found that Data sharing practice was significantly affected by the Organization and Technology aspect, but Data sharing practice was less significantly affected by Human Resource and Spatial Data. All R-Square value shows that the value is more than 50% on Technology aspect, Human Resource aspect, Spatial Data aspect, while the R-Square value on Data Sharing practice is 47.3%. Because the Human resource and Spatial data have the less significant effect on spatial data sharing, this research proposed awareness program and mentoring by National government to promote spatial data sharing support at the local SDI. ]]>
<![CDATA[PEMODELAN KUALITAS INFORMASI GEOSPASIAL DASAR DI INDONESIA ]]>
<![CDATA[Riqqi, Akhmad]]>;
<![CDATA[Taradini, Jesika]]>;
<![CDATA[Effendi, Arief Erman]]>
<![CDATA[ GEOMATIKA Vol 24, No 1 (2018) ]]>
Publisher : <![CDATA[Badan Informasi Geospasial in Partnership with MAPIN ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (591.278 KB)
|
DOI: 10.24895/JIG.2018.24-1.773
<![CDATA[Kualitas informasi geospasial pada peta dasar RBI, LPI, dan LLN merupakan informasi yang harus diketahui dan dinyatakan secara jelas untuk menjamin kualitas IG turunannya, yaitu peta tematik. Berdasarkan standar kualitas data geospasial ISO 19157:2013, terdapat 6 elemen kualitas data. Setiap elemen tersebut memiliki jenis dan ukuran kualitas masing-masing, sehingga informasi kualitas yang melibatkan keseluruhan elemen menjadi tidak sederhana. Dibutuhkan suatu pernyataan sederhana untuk menyatakan informasi kualitas yang mudah dipahami oleh pengguna peta. Penelitian ini mengembangkan metode untuk menyusun kelas kualitas peta dasar, dengan melakukan agregasi elemen kualitas pada setiap kategori unsur. Metode agregasi kualitas meliputi perhitungan tanpa bobot dan perhitungan dengan bobot. Pada perhitungan tanpa bobot, setiap elemen kualitas data dan kategori unsur memiliki tingkat kepentingan yang sama; sedangkan pada perhitungan dengan bobot, elemen kualitas data dan kategori unsur yang lebih penting memiliki bobot yang lebih besar dibandingkan dengan elemen kualitas data dan kategori unsur yang lainnya. Peta dasar hasil evaluasi kualitas (QE) memiliki informasi berupa kelas (antara A+, A, AB, B, BC, dan C) yang menunjukkan tingkat kualitas peta dasar. nilai kelas ini digunakan untuk memudahkan pengguna peta dalam memahami kulitas peta dasar. ]]>
<![CDATA[PENERAPAN METODE DEKONVOLUSI EULER UNTUK ESTIMASI KEDALAMAN SUMBER ANOMALI ]]>
<![CDATA[Handyarso, Accep]]>;
<![CDATA[Mauluda, A D]]>
<![CDATA[ GEOMATIKA Vol 24, No 1 (2018) ]]>
Publisher : <![CDATA[Badan Informasi Geospasial in Partnership with MAPIN ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (1646.755 KB)
|
DOI: 10.24895/JIG.2018.24-1.726
<![CDATA[Metode gayaberat merupakan salah satu metode geofisika yang kerap digunakan dalam studi pendahuluan cekungan sedimen. Metode ini memiliki resolusi lateral yang baik namun tidak pada resolusi vertikalnya. Metode Dekonvolusi Euler merupakan salah satu metode estimasi kedalaman sumber anomali pada data gayaberat. Keberadaan lapisan New Guinea Limestone Group di Cekungan Bintuni menyebabkan berbagai permasalahan dalam proses interpretasi. Estimasi ketebalan New Guinea Limestone Group ini dapat dilakukan berdasarkan data anomali residual gayaberat dan algoritma inversi tertentu. Metode Dekonvolusi Euler diterapkan pada data sintetik dan data lapangan di Cekungan Bintuni (daerah Mogoi, Papua Barat). Hasil penerapan metode Dekonvolusi Euler pada data sintetik memberikan solusi kedalaman yang sesuai dengan model bawah permukaan. Penerapan metode Dekonvolusi Euler pada data lapangan menghasilkan kedalaman anomali antiklin dengan kelurusan Tenggara – Barat Laut pada 2513.95 m dan kedalaman anomali antiklin dengan kelurusan Barat Daya – Timur Laut pada 2860.31 m. Diduga terjadi penambahan kedalaman ke arah timur daerah penelitian, hal ini sesuai dengan pola konfigurasi basement di daerah penelitian yang semakin dalam ke arah Timur. Solusi Dekonvolusi Euler tersebut digunakan sebagai informasi awal pada saat melakukan inversi data gayaberat berdasarkan algoritma inversi planting density anomalies. Berdasarkan hasil inversi tersebut diperoleh ketebalan sumber anomali yang diinterpretasikan sebagai New Guinea Limestone Group sekitar ±2000.00 m. ]]>
<![CDATA[PENENTUAN MODEL MATEMATIS YANG OPTIMAL SUHU PERMUKAAN LAUT DI PANTAI UTARA GRESIK BERBASIS NILAI REFLEKTAN CITRA SATELIT AQUA MODIS ]]>
<![CDATA[Wibisana, Hendrata]]>;
<![CDATA[Sukojo, Bangun Muljo]]>;
<![CDATA[Lasminto, Umboro]]>
<![CDATA[ GEOMATIKA Vol 24, No 1 (2018) ]]>
Publisher : <![CDATA[Badan Informasi Geospasial in Partnership with MAPIN ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (650.912 KB)
|
DOI: 10.24895/JIG.2018.24-1.771
<![CDATA[ABSTRAKSuhu permukaan laut (SPL) merupakan salah satu parameter yang banyak dipakai untuk mendeteksi perubahan iklim salah satunya adalah perubahan ekosistem yang terjadi di perairan pesisir pantai. Perubahan suhu yang ekstrim akan menyebabkan biota yang ada di pesisir pantai mengalami gangguan, dan akibat dari perubahan ini akan merubah tatanan ekosistem yang ada, salah satunya adalah perubahan area dari posisi perikanan tangkap akibat migrasi dari ikan-ikan yang terkena dampak secara tidak langsung dari perubahan suhu tersebut. Dalam kaitannya dengan fenomena alam tersebut peranan penginderaan jauh sangat menentukan karena teknologi ini mampu untuk menjawab permasalahan tersebut, dan teknologi ini memiliki keunggulan dalam mengcover area yang cukup besar serta ditunjang dengan kemampuan multi temporal sehingga teknologi ini merupakan jawaban yang tepat untuk dipakai dan dikembangkan. Penelitian ini dilakukan menggunakan citra satelit Aqua Modis level 2 dengan tujuan untuk mendapatkan algoritma yang terbaik dalam upaya memodelkan suhu permukaan laut. Dari hasil yang diperoleh diketahui bahwa algoritma yang paling optimal berasal dari kanal 667 nm, dimana bentuk model algoritma adalah polinomial kubik dengan persamaan : T = -4E+09(Rrs_667)3 + 1E+07(Rrs_667)2 – 14356(Rrs_667) + 30,934 dengan nilai R = 0,901. ]]>
<![CDATA[EVALUASI HASIL INTEGRASI BERBAGAI KETELITIAN DATA MODEL ELEVASI DIGITAL ]]>
<![CDATA[Mukti, Fanny Zafira]]>;
<![CDATA[Harintaka, Harintaka]]>;
<![CDATA[Djurdjani, Djurdjani]]>
<![CDATA[ GEOMATIKA Vol 24, No 1 (2018) ]]>
Publisher : <![CDATA[Badan Informasi Geospasial in Partnership with MAPIN ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (1397.192 KB)
|
DOI: 10.24895/JIG.2018.24-1.793
<![CDATA[Data DEM yang dapat diakses dan digunakan dengan gratis antara lain adalah Shuttle Radar Topography Mission (SRTM) dan Advanced Spaceborne Thermal Emission and Reflection Radiometer Global DEM (ASTER GDEM). Kedua data tersebut mencakup seluruh wilayah di Indonesia, namun ketelitian dan resolusinya rendah, serta masih mengandung kesalahan tinggi. Selain data DEM global, data DEM dapat diperoleh dari hasil perekaman sensor Radio Detection and Ranging (RADAR), Light Detection and Ranging (LIDAR), maupun hasil stereoplotting foto udara dan citra satelit. Masing-masing data tersebut memiliki karakteristik seperti terdapatnya pit dan spire, diskontinuitas pada daerah sambungan dan ketelitian data yang bervariasi. Keberagaman karakteristik pada masing-masing sumber data tersebut dapat menyebabkan inkonsistensi nilai ketinggian antar sumber data. Pada penelitian ini dilakukan pembuatan DEM dengan data DTM Rupa Bumi Indonesia (RBI) skala 1:50.000 dan data DTM Interferometric Synthetic Aperture Radar (IFSAR) di Pulau Kalimantan yang dapat mengatasi inkonsistensi ketinggian tersebut. Metode yang digunakan adalah integrasi dan fusi DEM pada mozaik data-data ketinggian. Pada daerah yang bertampalan, dilakukan dua skenario mozaik yaitu mozaik tanpa bobot dan mozaik berbobot. Uji akurasi vertikal dilakukan dengan menggunakan standar Peraturan Kepala BIG Nomor 15 Tahun 2014 tentang Pedoman Teknis Ketelitian Peta Dasar. Penelitian ini menghasilkan mozaik data DTM yang seamless dan smooth menggunakan metode mozaik berbobot dengan akurasi vertikal sebesar 2,065 meter. Hasil mozaik tanpa bobot masih memiliki beberapa daerah yang tidak seamless dan smooth dengan akurasi vertikal sebesar 2,257 meter. Berdasarkan Tabel Ketelitian Geometri Peta RBI dalam PerKa BIG Nomer 15 Tahun 2014, kedua hasil mozaik tersebut masuk dalam skala 1:10.000. ]]>
<![CDATA[PERBANDINGAN RAGAM INPUT MODEL KETINGGIAN UNTUK PEMBENTUKAN TRUE ORTHOPHOTO DI WILAYAH URBAN ]]>
<![CDATA[juniati, eli]]>;
<![CDATA[Harintaka, Harintaka]]>
<![CDATA[ GEOMATIKA Vol 24, No 2 (2018) ]]>
Publisher : <![CDATA[Badan Informasi Geospasial in Partnership with MAPIN ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24895/JIG.2018.24-2.809
<![CDATA[Sejak dikemukakan pendekatan produksi orthophoto secara digital pada tahun 1988, tahun 1991 USGS (United States Geological Survey) memproduksi orthophoto digital sebagai program nasional. Terminologi orthoimage atau orthophoto merupakan proses untuk mengeliminir perspektif image dan koreksi pergeseran relief yang disebabkan oleh kondisi terrain, untuk menghasilkan image atau foto pada proyeksi orthogonal atau membuat kondisi foto menjadi tegak. Dengan demikian orthophoto tersebut memiliki skala yang konsisten dan dapat digunakan untuk menghasilkan peta planimetris. Namun, di area urban dengan keberagaman ketinggian bangunan, produksi dengan metode orthophoto akan menyebabkan efek bangunan rebah dan menutupi detil objek lain seperti jalan dan fasilitas umum. Hal tersebut dapat diatasi dengan pembentukan true-orthophoto. Terminologi true-orthophoto akan mengikutsertakan elemen surface di model ketinggian pada proses proyeksi orthogonal. Manuskrip ini membandingkan pembentukan true-orthophoto dengan beragam input model ketinggian, berupa DSM dari LiDAR, Digital Building Model (DBM) dan DSM hasil image matching, untuk melihat hasil true-orthophoto yang paling optimum. Pengerjaannya diawali dengan menyamakan sistem referensi, orthorektifikasi dan deteksi occluded yang akan menghasilkan orthophoto utama dan slave-orthophoto, koreksi radiometrik, kemudian proses refilling, pembentukan serta penghalusan mosaik. Secara geometri penggunaan ragam input ketinggian memberikan kualitas yang memenuhi standar peta dasar, namun untuk kualitas visual terbaik diperoleh dengan menggunakan input DBM yang dikombinasikan dengan DSM LiDAR. Penggunaan DSM LiDAR saja dapat juga menghasilkan true-orthophoto dengan kualitas visual baik dengan mengubah format model ketinggian menjadi TIN. Dibahas juga kelebihan dan kekurangan dari penggunaan ragam input model ketinggian.]]>
<![CDATA[ANALISA ASPEK LEGAL DAN GEOSPASIAL FORWARD POSITION BATAS MARITIM INDONESIA PADA PETA NKRI 2017 DI LAUT CINA SELATAN ]]>
<![CDATA[Arsana, I Made Andi]]>;
<![CDATA[Susilo, Helik]]>
<![CDATA[ GEOMATIKA Vol 24, No 2 (2018) ]]>
Publisher : <![CDATA[Badan Informasi Geospasial in Partnership with MAPIN ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (1159.171 KB)
|
DOI: 10.24895/JIG.2018.24-2.815
<![CDATA[Peta NKRI adalah peta resmi nasional Indonesia yang menggambarkan wilayah Negara Kesatuan Republik Indonesia. Wilayah yang digambarkan dalam peta NKRI meliputi wilayah kedaulatan dan hak berdaulat beserta batasnya dengan negara-negara tetangga, baik yang sudah disepakati maupun yang masih memerlukan kesepakatan dengan negara tetangga. Peta NKRI telah mengalami beberapa kali pemutakhiran karena dinamika perkembangan wilayah kedaulatan dan hak berdaulat Indonesia. Setelah peta edisi 2015, peta NKRI kembali diperbaharui pada tahun 2017. Keputusan Permanent Court of Arbitration (PCA) tahun 2016 untuk kasus gugatan Filipina terhadap Republik Rakyat China (RRC) atas klaim nine dashed line di Laut China Selatan (LCS) berimplikasi pada status klaim maritim di kawasan tersebut. Berdasarkan Konvensi PBB tentang Hukum Laut (Law of the Sea Convention, LOSC) 1982, kawasan hak berdaulat maritim Indonesia meliputi sebagian kawasan LCS, yaitu di sebelah utara Kepulauan Natuna. Di kawasan tersebut Indonesia, secara legal, mengklaim hanya berbatasan dengan Vietnam dan Malaysia. Meskipun RRC memiliki klaim nine dashed line yang tumpang tindih dengan hak maritim di LCS, Indonesia tidak mengakui klaim tersebut sehingga Indonesia tidak berbatasan dengan RRC. Posisi Indonesia ini diperkuat dengan putusan PCA yang membatalkan klaim nine dashed line RRC. Makalah ini menganalisis klaim batas ZEE Indonesia dengan Vietnam dan Malaysia pada peta NKRI 2017 di LCS paska putusan PCA atas kasus Filipina- RRC. Analisis ini melibatkan rekonstruksi garis batas ZEE Indonesia secara geospasial di kawasan LCS dengan mengacu pada LOSC 1982 dan keputusan PCA 2016 atas kasus LCS sebagai acuan legal.]]>
<![CDATA[IMPLEMENTASI METODE CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI TANAMAN PADA CITRA RESOLUSI TINGGI ]]>
<![CDATA[Arrofiqoh, Erlyna Nour]]>;
<![CDATA[Harintaka, Harintaka]]>
<![CDATA[ GEOMATIKA Vol 24, No 2 (2018) ]]>
Publisher : <![CDATA[Badan Informasi Geospasial in Partnership with MAPIN ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (995.419 KB)
|
DOI: 10.24895/JIG.2018.24-2.810
<![CDATA[Citra resolusi tinggi dari teknologi UAV (Unmanned Aerial Vehicle) dapat memberikan hasil yang baik dalam ekstraksi informasi sehingga dapat digunakan untuk monitoring dan updating data suatu wilayah. Pengambilan informasi dari citra dengan interpretasi visual sangat bergantung pada interpreter. Kendala utama interpretasi secara manual adalah saat melakukan pengenalan objek secara visual, khususnya pada objek tanaman pertanian. Kesalahan hasil asumsi interpreter dapat terjadi ketika citra yang diekstraksi memiliki objek yang kompleks dan memiliki karakter fisik yang hampir mirip apabila dilihat dari foto udara yang hanya memiliki band RGB (Red, Green, dan Blue). Penelitian ini mencoba mengimplementasikan pendekatan klasifikasi semantik secara otomatis yang dapat membedakan jenis tanaman sebagai alternatif pengenalan objek berdasarkan metode deep learning menggunakan Convolutional Neural Network (CNN). Metode CNN merupakan salah satu metode deep learning yang mampu melakukan proses pembelajaran mandiri untuk pengenalan objek, ekstraksi objek dan klasifikasi serta dapat diterapkan pada citra resolusi tinggi yang memiliki model distribusi nonparametrik. Pada penelitian ini, diterapkan algoritma CNN untuk membedakan jenis tanaman dengan memberikan label semantik dari objek jenis tanaman. Penelitian menggunakan 5 kelas jenis tanaman, yaitu kelas tanaman padi, bawang merah, kelapa, pisang, dan cabai. Proses learning jaringan menghasilkan akurasi 100% terhadap data training. Pengujian terhadap data validasi menghasilkan akurasi 93% dan akurasi terhadap data tes 82%. Hasil penelitian ini menunjukkan bahwa penggunaan metode CNN berpotensi untuk pendekatan pengenalan objek secara otomatis dalam membedakan jenis tanaman sebagai bahan pertimbangan interpreter dalam menentukan objek pada citra.]]>
<![CDATA[STUDI PENDAHULUAN PENGINDERAAN JAUH DAN SISTEM INFORMASI GEOGRAFIS UNTUK ANALISIS MEDAN SKALA TINJAU DI SEBAGIAN PROVINSI SUMATERA SELATAN ]]>
<![CDATA[Setyowati, Heratania Aprilia]]>;
<![CDATA[Nurani, Ratna]]>;
<![CDATA[Santosa, Sigit Heru Murti Budi]]>
<![CDATA[ GEOMATIKA Vol 24, No 2 (2018) ]]>
Publisher : <![CDATA[Badan Informasi Geospasial in Partnership with MAPIN ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (1171.23 KB)
|
DOI: 10.24895/JIG.2018.24-2.847
<![CDATA[Beragam cara dapat digunakan untuk mengetahui karakteristik suatu wilayah, salah satunya adalah analisis medan yang merupakan studi sistematik yang memanfaatkan data penginderaan jauh untuk menggali asal muasal, riwayat geomorfologi, dan komponen suatu bentang lahan. Tujuan dari studi pendahuluan ini untuk mengetahui karakteristik medan yang ada di sebagian daerah Sumatera Selatan melalui analisis medan dengan pembuatan sekuen medan yang berbasis citra penginderaan jauh. Citra Landsat 8 digunakan untuk mendapatkan informasi tutupan lahan dan bentuk lahan. Citra SRTM (Shuttle Radar Topography Mission) digunakan untuk menghasilkan data DEM (Digital Elevation Model), hillshade, dan slope yang selanjutnya diturunkan menjadi peta topografi. Peta Geologi digunakan untuk menurunkan informasi mengenai jenis tanah. Peta arah aliran dan akumulasi air digunakan untuk menurunkan informasi kondisi drainase. Selanjutnya semua peta dioverlay dan digunakan untuk menarik garis sekuen medan sebagai dasar identifikasi karakteristik medan. Berdasarkan hasil studi pendahuluan ini, dapat dikenali bahwa karakteristik medan sebagian Sumatera Selatan berbentuk lahan vulkanik, struktural dan fluvial dengan proses geomorfologi berupa erosi vertikal, transportasi, deposisi, dan sedimentasi. Aplikasi Penginderaan Jauh dan SIG dengan metode sekuen medan dapat digunakan untuk mengetahui karakteristik medan suatu wilayah.]]>
