Wiweka Wiweka
Kantor Kedeputian Penginderaan Jauh LAPAN Jl. Lapan 70 Pekayon Pasar Rebo Jakarta Timur 13710

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : JURNAL ILMIAH GEOMATIKA

ANALISA SEDIMENTASI DI MUARA KALI PORONG AKIBAT PEMBUANGAN LUMPUR LAPINDO MENGGUNAKAN DATA CITRA SATELIT ASTER Pahlevi, Arizona Maulidiyan; Wiweka, Wiweka
GEOMATIKA Vol 16, No 2 (2010)
Publisher : Badan Informasi Geospasial in Partnership with MAPIN

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1383.094 KB) | DOI: 10.24895/JIG.2010.16-2.237

Abstract

Kali Porong is Lapindo mud vulcano disposal area, possibility that Lapindo mud vulcano flow caused sediment material in the area of Kali Porong estuary, which is located in the Madura strait. Therefore, necessary of research on sedimentation use remote sensing technology, with Aster satellite imagery as main data, Landsat7 and Landsat 5 satellite imagery as comparing data. Image processing used Lemigas algoritm (1997), which is based on the Digital Number (DN) and Jing Li algorithm (2008), which is based on the reflectan values. It also sought land change and potential for sediment deposition, based on the results of image processing, tidal data, tidal currents, and bathimetric contours. Results of this research are Lemigas algorithm have determination coefficient (R2) of 0.605 against the field data, and Jing Li algorithms have determination coefficient (R2) of 0.827 against the field data. Sedimentation distribution in Kali Porong estuary likely dynamic, influenced by seasonal factors, tidal and tidal currents, bathimetric contours, and source of materials sediment. Potential precipitation occurs in the sediments along sidoarjo-Pasuruan coast, especially in the Kali Ketingan Estuary and Kali Porong Estuary. The largest rate of Land change occurred in the year 2006 - 2007 with a rate 93.298 ha / year.Keywords : Sedimentation, Lemigas Algorithm, Jing Li Algorithm, Land changeABSTRAKKali Porong merupakan area pembuangan lumpur lapindo. Tidak menutup kemungkinan bahwa adanya aliran lumpur lapindo mengakibatkan material mengendap di daerah muara Kali Porong, yang berada di Selat Madura. Oleh karena itu diperlukan penelitian mengenai sedimentasi menggunakan teknologi penginderaan jauh, yaitu dengan data citra satelit ASTER tahun 2005 hingga 2008 sebagai data utama, citra satelit Landsat7 ETM+ tahun 2003 dan Landsat 5 TM tahun 1994 sebagai data pembanding. Algoritma yang digunakan untuk pengolahan citra adalah algoritma Lemigas (1997) yang didasarkan pada Digital Number (DN) dan algoritma Jing Li (2008) yang didasarkan pada nilai reflektan. Selain itu juga dicari perubahan daratan serta potensi endapan sedimen berdasarkan hasil pengolahan citra, data pasang surut, data arus, dan kontur bathimetri. Hasil penelitian ini adalah algoritma Lemigas mempunyai nilai koefisien determinasi (R2) sebesar 0.605 terhadap data lapangan, untuk algoritma Jing Li mempunyai nilai koefisien determinasi (R2) sebesar 0.827 terhadap data lapangan. persebaran sedimentasi di Muara Kali Porong cenderung dinamis, dengan dipengaruhi oleh faktor musim, pasang surut dan arus pasang surut, serta kontur bathimetri dan sumber material sedimen. Potensi pengendapan sedimen terbesar terjadi di hampir sepanjang pesisir sidoarjo-pasuruan, terutama di Muara Kali Ketingan dan Muara Kali Porong. Laju pertambahan daratan terbesar adalah tahun 2006-2007, dengan laju 93.298 Ha/tahun.Kata Kunci: Sedimentasi, algoritma Lemigas, Algoritma Jing Li, Perubahan lahan
PENDEKATAN PROBABILISTIC NEURAL NETWORK (PNN) BERBASIS EXPECTATION MAXIMUM (EM) UNTUK PERMASALAHAN KLASIFIKASI GABUNGAN Wiweka, Wiweka; Setiawan, Wawan
GEOMATIKA Vol 18, No 1 (2012)
Publisher : Badan Informasi Geospasial in Partnership with MAPIN

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (553.166 KB)

Abstract

Makalah ini menyajikan desain pengklasifikasi dengan pendekatan jaringan neural (syaraf) yang didasarkan pada penggunaan metode Ekapentasi Maksimum (EM). Aturan keputusan pengklasifikasi Bayes menggunakan kesalahan minimum dalam klasifikasi citra gabungan  multi waktu. Dalam khasus ini, model jaringan neural perceptron multi lapis Probabilistic Neural Network (PNN), digunakan untuk mengestimasi nonparametrik probabilitas posterior suatu kelas. Korelasi temporal citra dihitung dengan probabilitas gabungan masing-masing kelas secara otomatis dengan menerapkan formula khusus yaitu algoritma ekspektasi maksimum dari citra multi waktu. Eksperimen dilakukan pada dua citra multi waktu yaitu citra Saguling yang diambil pada dua waktu yang berbeda. Berdasarkan hasil eksperimen pada dua daerah uji tersebut, dapat ditunjukkan bahwa tingkat akurasi pengklasifikasi PNN rata-rata lebih baik dibandingkan dengan model Propagasi Balik (BP), dan Ekepektasi Maksimum (EM)  dapat meningkatkan kemampuan suatu pengklasifikasi. Pengklasifikai PNN dengan menerapkan ekpektasi maksimum memiliki kemampuan pengenalan yang konsisten untuk citra multi waktu, dan juga konsisten untuk setiap pengenalan kategori kelas obyek. Metodologi klasifikasi yang diusulkan dapat memecahkan permasalahan multi  waktu secara efektif.KataKunci:Probabilistik Jaringan Syaraf, Ekspektasi Maksimm, Citra Multitemporal, Kelas Objek, Pengenalan  ABSTRACTThis paper presents a classifiers design of neural network approachbased on Expectations Maximum (EM), a Bayes classifier decision rule using the Minimum Error to clasify combined multi-temporal imageries. In this particular, multilayer perceptron neural network model with Probabilistic Neural Network (PNN) is used for nonparametric estimation of posterior class probabilities. Temporal image correlation was calculated  automatically usingprior joint probabilities of each class by applying a special formula that is algorithm expectation maximum of multi-temporal imagery. Experiments wasperformed on two multi-temporal Saguling imagestakenat two different  epochs. Based on experimental results on two test areas, it can be shown that the average accuracy rate of PNN classifier is better than the Back Propagation (BP), and the Expectation Maximum (EM) can increase the classifiers ability. Multinomial PNN classifierapplying the maximum expected have a consistent recognition capability for multitemporal imagery, and also consistent for each object class category. The proposed classification methodology can effectively solve the problem when classifying multi-temporalimagery.Keywords: Probablistic Neural Networks, Expectation Maximum, Multitemporal Images, Class Object, Recognition