Articles
<![CDATA[PEMANFAATAN METODE SPLIT-WINDOWS ALGORITHM (SWA) PADA LANDSAT 8 MENGGUNAKAN DATA UAP AIR MODIS TERRA ]]>
<![CDATA[Adi Nugraha, A Sediyo]]>
<![CDATA[ GEOMATIKA Vol 25, No 1 (2019) ]]>
Publisher : <![CDATA[Badan Informasi Geospasial in Partnership with MAPIN ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (321.989 KB)
|
DOI: 10.24895/JIG.2019.25-1.877
<![CDATA[Metode Split-Windows Algorithm (SWA) memiliki metode yang bervariasi untuk pengolahan suhu permukaan (Land Surface Temperature/LST). Salah satunya pada pengolahan citra Landsat 8 OLI/TIRS (The Operational Land Imager and the Thermal Infrared Scanner) karena menggunakan dua saluran yaitu 10 (10,60 - 11,19 µm) dan band 11 (11,50 - 12,51 µm). Metode SWA pada penelitian ini menggunakan data primer yaitu parameter uap air untuk meningkatkan akurasi pengolahan suhu permukaan. Data parameter uap air diperoleh dari citra MODIS untuk mengetahui nilai rata–rata uap air (W) dan citra emisivitas diperoleh dari citra Landsat 8 OLI/TIRS dengan saluran tampak. Perolehan data tersebut dilakukan dengan bantuan Microsoft Excel, berbeda dengan penelitian sebelumnya yang menggunakan aplikasi MODTRAN (MODerate resolution atmospheric TRANsmission). Tujuan dari pengolahan suhu permukaan dengan metode SWA menggunakan data parameter uap air untuk mengetahui akurasi antara hasil pengolahan citra dengan nilai suhu permukaan di lapangan. Hasil pengolahan data suhu permukaan melalui metode SWA menunjukkan perbedaan nilai yang kecil (<1°K) terhadap kondisi suhu di lapangan. Selain itu terdapat pola keselarasan antara penggunaan Microsoft Excel untuk perolehan data dengan aplikasi MODTRAN sehingga proses perolehan data parameter uap air telah sesuai. Aplikasi SPSS digunakan untuk mengetahui tingkat hubungan dan akurasi dari hasil pengolahan suhu permukaan metode SWA terhadap hasil survey lapangan dan menunjukkan nilai korelasi sebesar -0,962. Perolehan dan pengolahan data suhu permukaan dengan metode SWA akan optimal jika nilai transmitted atmospheric yang digunakan merupakan wilayah untuk daerah tropis.]]>
<![CDATA[Perbandingan Metode Supervised Classification dan Unsupervised Classification terhadap Penutup Lahan di Kabupaten Buleleng ]]>
<![CDATA[Septiani, Rosi]]>;
<![CDATA[Citra, I Putu Ananda]]>;
<![CDATA[Nugraha, A Sediyo Adi]]>
<![CDATA[ Jurnal Geografi : Media Informasi Pengembangan dan Profesi Kegeografian Vol 16, No 2 (2019): July ]]>
Publisher : <![CDATA[Universitas Negeri Semarang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.15294/jg.v16i2.19777
<![CDATA[Penelitian ini dilaksanakan di Kabupaten Buleleng menggunakan citra Landsat 8 OLI/TIRS (Operational Land Imager/ Thermal Infrared Sensor), dengan tujuan untuk (1) mendeskripsikan metode supervised classification terhadap klasifikasi penutup lahan, (2) mendeskripsikan metode unsupervised classification terhadap klasifikasi penutup lahan, dan (3) membandingkan tingkat akurasi metode supervised classification dengan unsupervised classification terhadap klasifikasi penutup lahan. Metode yang digunakan yaitu metode komparatif dengan membandingkan metode supervised classification dengan unsupervised classification terhadap penutup lahan di Kabupaten Buleleng. Hasil penelitian menunjukkan bahwa (1) diperoleh delapan kelas penutup lahan pada metode supervised classification yang ditentukan oleh pengambilan training area, (2) diperoleh delapan kelas penutup lahan pada metode unsupervised classification yang ditentukan dengan memberikan nilai range statistik, dan (3) tingkat akurasi yang tertinggi dimiliki oleh metode supervised classification yaitu maximum likelihood dengan nilai overall accuracy sebesar 92% dibandingkan dengan metode unsupervised classification (k-means dan ISODATA) yang memiliki nilai overall accuracy yaitu 82,07%. Kesimpulannya adalah untuk deteksi klasifikasi penutup lahan metode yang paling baik dilakukan di Kabupaten Buleleng yaitu supervised classification dengan metode maximum likelihood.This study was conducted in Buleleng Regency using Landsat 8 OLI/TIRS imagery (Operational Land Imager/ Thermal Infrared Sensor), with the aim of (1) describing the supervised classification method for land cover classification, (2) describe the method of unsupervised classification on the classification of land cover, and (3) compare the level of accuracy of the supervised classification method and unsupervised classification on the classification of land cover. The method used is a comparative method by comparing the supervised classification method with unsupervised classification of land cover in Buleleng Regency. The results showed that (1) eight land cover classes were obtained in the supervised classification method determined by the taking of the training area, (2) eight land cover classes were obtained in the unsupervised classification method determined by providing statistical range values, and (3) the accuracy level the highest is owned by the supervised classification method, namely maximum likelihood with the overall accuracy value of 92% compared to the unsupervised classification method (k-means and ISODATA) which has the overall accuracy value of 82,07%. The conclusion is that the detection of land cover classification method that is best done in Buleleng Regency is the supervised classification with the maximum likelihood method.]]>
<![CDATA[Kondisi Sosial Dan Ekonomi Masyarakat Pengungsi Bencana Erupsi Gunung Agung Desa Ban ]]>
<![CDATA[Suarjana, I Gede Putu]]>;
<![CDATA[Christiawan, Putu Indra]]>;
<![CDATA[Nugraha, A Sediyo Adi]]>
<![CDATA[ Jurnal Pendidikan Geografi Undiksha Vol 8, No 1 (2020): Jurnal Pendidikan Geografi Undiksha ]]>
Publisher : <![CDATA[Universitas Pendidikan Ganesha ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.23887/jjpg.v8i1.23475
<![CDATA[Penelitian ini bertujuan untuk mengetahui kondisi sosial dan ekonomi masyarakat pengungsi Desa Ban, Kecamatan Kubu, Kabupaten Karangasem KRB III radius 6 Km selama mengungsi dan pasca mengungsi. Penelitian ini mengunakan metode analisis kualitatif dan bidang ilmu yang digunakan untuk mengkaji yaitu geografi penduduk yang dianalisis dengan pendekatan keruangan. Sampel wilayah diambil di Desa Ban meliputi empat dusun yaitu Dusun Belong, Dusun Cegi, Dusun Pengalusan dan Dusun Pucang. Sampel diambil sejumlah 110 orang yang ditentukan dengan proporsional random sampling. Pengumpulan data menggunakan metode observasi, wawancara, dan studi pustaka. Hasil penelitian menunjukkan bahwa masyarakat Desa Ban yang masuk KRB III radius 6 Km selama mengungsi kondisi sosial terkategori sedang yaitu sebanyak 67%, pasca mengungsi kondisi sosial masyarakat terkategori baik yaitu sebanyak 66% dan selama mengungsi kondisi ekonomi masyarakat terkategori sedang yaitu sebanyak 45%, pasca mengungsi kondisi ekonomi masyarakat terkategori baik yaitu sebanyak 71%. Selama mengungsi kerjasama di buktikan dengan kompak masyarakat pengungsi dalam bergotong royong membersihkan posko pengungsian namun tidak dilakunan setiap hari, konflik kadang terjadi karena kesalahpahaman antar masyarakat pengungsi maupun masyarakat lokal sekitar posko pengungsi dan pasca mengungsi kerjasama makin kompak dan konflik tidak pernah terjadi karena rasa kekeluargaan makin erat. Kondisi ekonomi selama mengungsi dikatakan sedang di buktikan dengan masyarakat yang bekerja sebagai petani dan buruh tidak bisa bekerja lain halnya dengan masyarakat Desa Ban yang menjadi pegawai kontrak maupun PNS masih bisa bekerja dan pendapatannya tetap namun pasca mengungsi masyarakat sudah bisa bekerja seperti bisa dan mendapatkan pendapatan yang cukup.]]>
<![CDATA[Monitoring Perubahan Garis Pantai Di Kabupaten Jembrana Tahun 1997 – 2018 Menggunakan Modified Difference Water Index (Mndwi) Dan Digital Shoreline Analysis System (DSAS) ]]>
<![CDATA[Hasan, Muhammad Zainul]]>;
<![CDATA[Citra, I Putu Ananda]]>;
<![CDATA[Nugraha, A Sediyo Adi]]>
<![CDATA[ Jurnal Pendidikan Geografi Undiksha Vol 7, No 3 (2019): Jurnal Pendidikan Geografi Undiksha ]]>
Publisher : <![CDATA[Universitas Pendidikan Ganesha ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.23887/jjpg.v7i3.21507
<![CDATA[Penelitian ini bertujuan untuk menerapkan metode Modified Difference Water Index (MNDWI) untuk mempertegas batas antaradaratan dan perairan serta menganalisis perubahan garis pantai di Kabupaten Jembrana tahun 1997-2018 menggunakan Digital Shoreline Analysis System (DSAS). Metode perhitungan yang digunakan pada DSAS yaitu Net Shoreline Movement dan End Point Rate. Pengamatan perubahan garis pantai mengambil rentang waktu selama 21 tahun menggunakan citra Landsat tahun 1997, 2008 dan 2018. Hasil penelitian menyebutkan Nilai MNDWI yang lebih besar dari nol diasumsikan sebagai badan air dan jika lebih kecil dari nol akan diasumsikan sebagai daratan. Tingkat abrasi tertinggi pada tahun 1997 - 2008 terjadi di Desa Delodberawah sebesar 132,94 m dengan laju abrasi pertahunnya sebesar 12,085. Tingkat akresi tertinggi pada periode ini terjadi secara masif di Desa Pengambengan sebesar 582,87 m dan laju akresi pertahunnya 52,988 m. Pada tahun 2008 - 2018 nilai abrasi tertinggi meningkat menjadi 254,41 m dengan laju abrasi sebesar 25,441 m yang terjadi di Desa Perancak. Sedangkan nilai akresi pada periode ini mengalami penurunan, dengan tingkat akresi tertinggi sebesar 287,08 m dan laju akresi sebesar 28,708 m yang terjadi di Desa Pengambengan]]>
<![CDATA[SPATIAL THINKING SKILL GURU GEOGRAFI DI PROVINSI BALI ]]>
<![CDATA[Astawa, Ida Bagus Made]]>;
<![CDATA[Sarmita, I Made]]>;
<![CDATA[Nugraha, A Sediyo Adi]]>
<![CDATA[ JURNAL WIDYA LAKSANA Vol 8, No 2 (2019) ]]>
Publisher : <![CDATA[Universitas Pendidikan Ganesha ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (270.783 KB)
|
DOI: 10.23887/jwl.v8i2.19162
<![CDATA[This Community service aims to develop a spatial thinking skills of geography teacher in the province of Bali that are designed in the form of education and training. Participants were 50 geography teachers in nine districts / cities in the province of Bali. Education and training was provided with discourse, discussion and workshop methods. An understanding of the spatial thinking skills of teachers was evaluated using a test, while for RPP it was produced using an observation sheet (APKCG modification), as well as a questionnaire to measure the usefulness of education and training. The results of the evaluation of education and training conducted indicate that: (1) The average value of Spatial Thinking Skills for senior high school Geography teachers in Bali Province is categorized very high (85.93). The implementation of the high competency spatial thinking skills is also reflected in the well-categorized of RPP (4.75); and (2) education and training to develop of Spatial Thinking skills for senior high school Geography teachers in Bali Province is considered to have a very high useful value (4.98), especially as a vehicle for the formation of spatial insights of students.]]>
<![CDATA[Tipe Pengangguran Terdidik: Antara Setengah Menganggur dan Terselubung pada Alumni Prodi Pendidikan Geografi Undiksha Tahun 2017-2019 ]]>
<![CDATA[Sudarmi, Ni Made Sri]]>;
<![CDATA[Sarmita, I Made]]>;
<![CDATA[Nugraha, A Sediyo Adi]]>
<![CDATA[ Jurnal Pendidikan Geografi Undiksha Vol 8, No 3 (2020): Jurnal Pendidikan Geografi Undiksha ]]>
Publisher : <![CDATA[Universitas Pendidikan Ganesha ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.23887/jjpg.v8i3.29214
<![CDATA[Penelitian ini bertujuan untuk menganalisis tipe pengangguran pada alumni Program Studi Pendidikan Geografi Undiksha tahun 2017-2019. Subjek penelitian menggunakan studi populasi yaitu alumni Program Studi Pendidikan Geografi Undiksha yang diwisuda tahun 2017-2019. Pengumpulan data dalam penelitian ini menggunakan metode wawancara dan kuisioner yang selanjutnya dianalisis secara deskriptif kualitatif. Hasil penelitian menunjukkan bahwa tipe pengangguran yang dialami alumni Program Studi Pendidikan Geografi Undiksha tahun 2017-2019 meliputi tipe pengangguran terbuka sebesar 6%, tipe setengah menganggur sebesar 14,3%, tipe pengangguran terselubung sebesar 51% dan tipe pengangguran musiman sebesar 6%. Tipe pengangguran yang paling mendominasi adalah tipe setengah menganggur dan tipe pengangguran terselubung. Tipe setengah menganggur yang terjadi pada alumni disebabkan oleh faktor tempat kerja yang terbatas sebanyak 12,9% dan jam kerja yang pendek sebanyak 9,7%, sedangkan penyebab timbulnya tipe pengagguran terselubung disebabkan oleh faktor minimnya lowongan kerja sebesar 38,7% dan faktor saingan sebesar 19,3%. ]]>
<![CDATA[Application of Remote Sensing Data for Slum Identification Using Geography Information System (Case: Former Harbor, Singaraja City) ]]>
<![CDATA[Janah, Ruhilatul]]>;
<![CDATA[Nugraha, A Sediyo Adi]]>
<![CDATA[ Media Komunikasi FPIPS Vol 20, No 1 (2021) ]]>
Publisher : <![CDATA[Universitas Pendidikan Ganesha ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.23887/mkfis.v20i1.30421
<![CDATA[This research was conducted in Singaraja City using high-resolution remote sensing images and geographic information systems. The purpose is to use remote sensing images and geographic information systems to identify slum settlements, especially the former harbor area in Singaraja City. Slum settlement is the impact of population growth that is difficult to control. As a result, the remote sensing image can identify three features: slums, non-slum settlement, and non-slum areas. Most slum settlements are located in coastal areas, and non-slum settlements are located in areas close to economic locations and tourist sites and offices. The most significant introduction to slum identification comes from the building area. Based on these results, it can be concluded that slum settlement can be identified through images obtained from Google earth and recognized visually through interpretation keys. ]]>
<![CDATA[Normalized Dryness Built-up Index (NDBI) to Detect Settlement Change In Buleleng Sub-District ]]>
<![CDATA[Rahman, Muhammad]]>;
<![CDATA[Nugraha, A Sediyo Adi]]>
<![CDATA[ Media Komunikasi FPIPS Vol 20, No 1 (2021) ]]>
Publisher : <![CDATA[Universitas Pendidikan Ganesha ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.23887/mkfis.v20i1.30427
<![CDATA[This research aims to find out the development of settlements that occur over the next 20 years. Monitoring the development of settlements is carried out by remote sensing methods using Landsat 7 ETM+ imagery and Landsat 8 OLI imagery. Landsat 7 ETM+ used in 2000, and Landsat 8 OLI used in 2019. The algorithm is used to identify settlement development using the Normalized Dryness Built-up Index (NDBI). This algorithm uses two bands, such as Near-infrared and shortwave infrared, to calculate. The results showed that the growth of settlements occurred very significant because, in 2000, the number of settlements amounted to 628.2 hectares and in 2019 amounted to 1891.8 hectares. The increase in settlements occurred throughout the region in the Buleleng sub-district. Therefore, it can be concluded that NDBI can be used to monitor the development of settlements and the increase in settlements occurring as much as 28 % over 20 years.]]>
<![CDATA[PEMANFAATAN CITRA PENGINDERAN JAUH MULTI-TEMPORAL UNTUK DETEKSI URBAN HEAT ISLAND (UHI) TERHADAP PERUBAHAN PENGGUNAAN LAHAN DI KABUPATEN BULELENG ]]>
<![CDATA[Adi Nugraha, A Sediyo]]>;
<![CDATA[Atmaja, Dewa Made]]>
<![CDATA[ MAJALAH ILMIAH GLOBE Vol 22, No 2 (2020) ]]>
Publisher : <![CDATA[Badan Informasi Geospasial ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.24895/MIG.2020.22-2.1046
<![CDATA[Fenomena Urban Heat Island (UHI) sering dipengaruhi oleh kepadatan penduduk dan perubahan penggunaan lahan. Perubahan tesebut memiliki hubungan dengan peningkatan suhu permukaan (Land Surface Temperature/LST) sebagai awal terjadinya UHI. Deteksi perubahan penggunaan lahan dan suhu permukaan dilakukan dari tahun 2000, 2010, dan 2018 pada daerah Kabupaten Buleleng dan berfokus pada Kecamatan Buleleng karena memiliki perubahan lahan terbangun lebih cepat dibandingkan kecamatan lain. Tujuannya untuk mengetahuii bagaimana fenomena UHI itu terjadi akibat dari perubahan penggunaan lahan. Selain itu, seberapa besar peningkatan suhu permukaan selama 18 tahun khususnya di Kecamatan Buleleng dengan mengetahui kondisi ditribusi dan intensitas UHI. Metode yang digunakan dalam deteksi UHI menggunakan citra penginderaan jauh multi-temporal yaitu citra Landsat 7 ETM+ dan citra Landsat 8 OLI/TIRS (The Operational Land Imager and the Thermal Infrared Scanner) sebagai data primer. Pengolahan data akan berfokus pada ekstraksi suhu permukaan dengan metode Split-Windows Algorithm Sobrino (SWA-S) untuk Landsat 8 dan metode Brightness Temperature Emissivity Correction untuk Landsat 7, kemudian Maximum Likelihood sebagai metode penggunaan lahan. Hasil pengolahan menunjukkan bahwa penggunaan metode yang berbeda memberikan dampak terhadap fenomena UHI. Perbedaan suhu selama 18 tahun sebesar sebesar ±5°C hal itu dipengaruhi dari kondisi awan dan bayangan. Perubahan penggunaan lahan dari tahun 2000 hingga 2018 terdapat peningkatan lahan terbangun di Kecamatan Buleleng dan peningkatan suhu permukan sebesar 2°-7°C dari lahan terbangun. Fenomena UHI untuk distribusi dan instensitas UHI terjadi di daerah pusat perkotaan dan kenaikan intensitas UHI sebesar 1.75°C. kesimpulannya bahwa perubahan lahan terbangun memberikan dampak kenaikan suhu permukaan dan menyebabkan fenomena UHI.]]>
<![CDATA[Perbandingan Metode Soil Adjusted Vegetation Index (SAVI) dan Forest Canopy Density (FCD) untuk Identifikasi Tutupan Vegetasi (Kasus; Area Pembuatan Jalan Baru Singaraja-Mengwi) ]]>
<![CDATA[Adi Nugraha, A Sediyo]]>;
<![CDATA[Ananda Citra, I Putu]]>
<![CDATA[ Jurnal Geografi : Media Informasi Pengembangan dan Profesi Kegeografian Vol 18, No 1 (2021): January ]]>
Publisher : <![CDATA[Universitas Negeri Semarang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.15294/jg.v18i1.25367
<![CDATA[This research uses Landsat 8 OLI/TIRS image which objective to determine the accuracy level of SAVI method and FCD model in the identification of vegetation cover. It is done as an effort to assist in determining the right method of monitoring the change of vegetation cover in the forest area. Therefore, this research compares the vegetation index of Soil Adjusted Vegetation Index (SAVI) because it is able to suppress the background of the soil so that the vegetation cover is able to be displayed according to the conditions in the field. While the FCD model uses four variables such as; Advanced Vegetation Index (AVI), Bare Soil Index (BI), Shadow Index (SI), and thermal index using the Split-Windows Algorithm (SWA) method. Comparison results between SAVI and FCD models indicate that the higher accuracy of SAVI is 84% and FCD model is only 82%. It is possible because the limited use of research areas that show SAVI is superior due to heterogeneous conditions and it approaches the conditions in the field than the FCD model that is more group and only able to be realized in three classes. Based on the results, it was concluded that the vegetation index can be used in monitoring the limited area of research but it is also not absolute because it is possible that FCD model is better.]]>
