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.

Provinsi DKI Jakarta merupakan wilayah dengan karakteristik topografi yang berada pada kemiringan lereng relatif landai dan terletak pada dataran rendah. Hal ini menyebabkan wilayah Jakarta menjadi semakin rentan tergenang air dan banjir pada musim hujan. Pada awal tahun 2020, Jakarta mengalami banjir yang diakibatkan oleh hujan lebat yang turun sejak 31 Desember 2019 hingga 1 Januari 2020. Untuk keperluan antisipasi dan mitigasi bencana terkait banjir tersebut diperlukan ketersediaan data tentang luas genangan banjir dan letaknya secara cepat. Salah satu teknologi yang potensial untuk diterapkan adalah menggunakan citra satelit Sentinel-1. Berdasarkan kondisi tersebut, telah dilakukan kajian untuk mendeteksi daerah terdampak genangan banjir dari citra satelit Sentinel-1. Adapun teknik yang digunakan adalah metode change detection dan thresholding. Pada kajian ini digunakan citra Sentinel-1 perekaman tahun 2019 dan 2020, DEMNAS, Global Surface Water dan batas administrasi wilayah DKI Jakarta. Adapun tahapan pelaksanaan kajian mencakup proses change detection dengan ratio image dari dua citra Sentinel-1 GRD sebelum dan saat banjir, perhitungan nilai optimum threshold untuk menentukan banjir dan tidak banjir, masking banjir, dan perhitungan luas genangan. Berdasarkan hasil kajian diperoleh luas total daerah yang terkena banjir sekitar 1.156,84 hektar, sedangkan luas area banjir dari data Pemprov DKI sekitar 12.896,35 hektar. Hasil validasi menggunakan data Pemprov DKI dengan membandingan antara citra Sentinel-1 tahun 2019 dan 2020, diperoleh hasil 61 lokasi atau sekitar 28,96% termasuk ke dalam hasil interpretasi kelas banjir dan terdapat 157 lokasi atau sekitar 71,04% termasuk ke dalam hasil interpretasi kelas tidak banjir.

Road maintenance, repair, and rehabilitation are important parts of road infrastructure. Before that steps are needed to identify each type of road distress. UAV (Unmanned Aerial Vehicle) is a platform that has advantages to produce a geographical database. The location of this research is Jembangan road which is in Tulung District, Klaten Regency. The road structure was studied in flexible pavement. Aerial photo data is processed and analyzed by using SfM software to produce orthophoto. orthophoto is used in the process of visual interpretation to identify road distress. The results were obtained by several types of road distress in the form of alligator cracking, potholes, edge cracking, shoving, and depression. This type of road distress classification was obtained an accuracy rate of 96.36 %.

No abstract

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.