Article Per Year (5 Year)
p-Index From 2019 - 2024
2.083
P-Index
This Author published in this journals
All Journal Journal of Degraded and Mining Lands Management Rekayasa Sipil Geoid - Journal of Geodesy and Geomatics JURNAL ILMIAH GEOMATIKA Elipsoida : Jurnal Geodesi dan Geomatika JGISE-Journal of Geospatial Information Science and Engineering
Harintaka Harintaka
Universitas Gadjah Mada
Agriculture, Biological Sciences & Forestry Biochemistry, Genetics & Molecular Biology Civil Engineering, Building, Construction & Architecture Earth & Planetary Sciences Education Engineering Mathematics

Published : 15 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 15 Documents
Search

 1   2 
Ekstraksi Fitur Bangunan Secara Cepat pada Foto UAV Menggunakan Metode Deep Residual Neural Network Berbasis FCN Danang Setiaji; Harintaka Harintaka
Elipsoida : Jurnal Geodesi dan Geomatika Vol 2, No 01 (2019): Volume 02 Issue 01 Year 2019
Publisher : Department of Geodesy Engineering, Faculty of Engineering, Diponegoro University,Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1157.996 KB) | DOI: 10.14710/elipsoida.2019.4883

Abstract

Dalam beberapa dekade terakhir, teknologi penginderaan jauh menjadi salah satu teknik yang paling bagus untuk akuisisi data pada area luas tanpa perlu melakukan survey langsung di lapangan dengan tingkat kedetailan yang tinggi. Dengan perubahan tutupan lahan yang semakin cepat dan dinamis diperlukan teknologi yang dapat menghasilkan data dengan tingkat kedetailan tinggi,murah dan dapat menghasilkan data dalam waktu yang cepat. Salah satu produk penginderaan jauh tersebut adalah Foto Udara dengan teknologi pesawat tanpa awak (UAV). Teknologi ini mampu menghasilkan output data spasial detail dengan biaya relatif murah, cepat dan terkini. Salah 1 unsur yang cepat berubah di wilayah perkotaan adalah pada pertambahan objek bangunan. Dalam pembuatan bangunan tersebut harus dilengkapi dengan syarat keterangan ijin mendirikan bangunan (IMB) dari instansi terkait. Ketentuan ijin ini tidak terlepas dari aturan RDTR dan PZ yang berlaku serta hanya boleh didirikan pada zonasi yang diijinkan. Dengan kebutuhan data informasi fitur bangunan yang cukup banyak dan mendesak, diperlukan metode ekstraksi yang cepat juga. Metode yang saat ini berkembang pesat adalah ekstraksi otomatis menggunakan teknologi deep learning. Metode yang digunakan adalah Fully Convolutional Network (FCN) dengan arsitektur Residual Neural network (ResNet). Dalam penelitian ini akurasi ekstraksi pada fitur bangunan dapat mencapai 95% dan dapat melakukan ekstraksi pada satu NLP skala 1 : 5.000 dengan cepat. Metode ini dapat menghasilkan ekstraksi pada image seperti foto udara dengan cepat dan akurat. 
Kajian Kehandalan Hasil Ekstraksi Bangunan Secara Otomatis Menggunakan Data Ortofoto dan LiDAR di Kota Pontianak Handoko Dwi Julian; Harintaka Harintaka
Elipsoida : Jurnal Geodesi dan Geomatika Vol 2, No 02 (2019): Volume 02 Issue 02 Year 2019
Publisher : Department of Geodesy Engineering, Faculty of Engineering, Diponegoro University,Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.14710/elipsoida.2019.5146

Abstract

Strategi dalam melakukan klasifikasi berbasis objek terutama diwilayah perkotaan dalam beberapa dekade ini dapat dilakukan dengan menggunakan berbagai metode dan melibatkan beberapa data selama proses klasifikasi berlangsung. Beberapa penelitian hampir sebagian besar hanya menggunakan data citra foto udara saja dalam melakukan ekstraksi objek bangunan namun ekstraksi objek bangunan terutama di wilayah perkotaan jika hanya memanfaatkan data ortofoto, dianggap belum optimal diimplementasikan pada klasifikasi berbasis objek. Kajian dalam melakukan ekstraksi bangunan tidak hanya dilakukan dengan memanfaatkan data foto udara namun juga dapat memanfaatkan data pada LiDAR seperti nilai ketinggian dan nilai intensitas pada LiDAR. Nilai ketinggian dan nilai intensitas LiDAR yang diekstraksi dari data point cloud dijadikan sebagai nilai ambang batas selama proses klasifikasi berlangsung. Ambang batas tiap kelas nilai intensitas LiDAR yang diekstrak dari point cloud juga diterapkan selama proses klasifikasi berlangsung. Klasifikasi ekstraksi objek bangunan menggunakan metode segmentasi algorithma segmentation multiresolution dimana citra foto udara terlebih dahulu dilakukan segmentasi yang selanjutnya dilakukan proses klasifikasi berbasis objek secara otomatis. Data point cloud LiDAR khususnya nilai intensitas LiDAR digunakan untuk memaksimalkan hasil klasifikasi selama proses klasifikasi berjalan sehingga menghasilkan hasil yang optimal. Berdasarkan dari penelitian, hasil ekstraksi bangunan secara otomatis yang dibandingkan dengan hasil deliniasi manual ( onscreen digitizing)  menghasilkan akurasi 92. 441 %. Berdasarkan hasil ekstraksi objek bangunan menunjukkan akurasi yang baik pada bangunan yang memiliki tingkat kerapatan yang tinggi.
Identifikasi Genangan Banjir di Wilayah DKI Jakarta Menggunakan Citra Satelit Sentinel-1 Ana Mardhiyana Alawiyah; Harintaka Harintaka
Jurnal Geospasial Indonesia Vol 4, No 2 (2021): December
Publisher : Universitas Gadjah Mada

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22146/jgise.68353

Abstract

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.
Pembuatan Model 3D Bangunan LoD3 Dengan Pemanfaatan Foto Udara dan Fotogrametri Terrestris Muh Apriansyah; Harintaka Harintaka
Geoid Vol 18, No 2 (2023)
Publisher : Department of Geomatics Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j24423998.v18i2.14673

Abstract

Foto udara maupun fotogrametri terrestris yang merupakan teknologi dari fotogrametri dapat digunakan untuk pemodelan 3D. Untuk menampilkan sebuah informasi secara visual yang mengutamakan nilai estetika dan bentuk ojeknya. Fotogrametri telah lama digunakan untuk dokumentasi bangunan dan benda cagar budaya. Teknik ini memungkinkan untuk membuat model 3D dari foto 2D, dan dengan demikian sangat berguna dalam visualisasi detail arsitektur suatu bangunan atau gedung. Pada penelitian ini, dilakukan pemodelan bangunan 3D di wilayah Asrama Putri Ratnaninngsih Kinanti Universitas Gadjah Mada menggunakan metode kombinasi foto udara dan fotogrametri terrestris dengan memanfaatkan teknologi SfM (structure from motion). Point cloud diperoleh dari pengolahan foto udara dan fotogrametri terrestris. Kamera yang terpasang pada wahana udara yang digunakan untuk mengakuisisi data foto memungkinkan untuk mengakuisisi bagian bangunan seperti atap dan detail bangunan atau bagian gedung yang tidak memungkinkan menggunakan fotogrametri terrestris. Point cloud yang diperoleh dari hasil pengolahan SfM digunakan untuk melakukan pemodelan 3D dengan melakukan digitasi manual setiap elemen bangunan seperti jendela,pintu, lorong dan elemen bangunan lainya sesuai batasan tepi pada point cloud. Model 3D bangunan yang berhasil dimodelkan dari 1201 foto dan 19 buah sebaran titik kontrol tanah, apabila dilihat secara visual serupa dengan model dan bentuk obyek yang sebenarnya. Fasad yang terbentuk dari pemodelan hampir mengikuti model aslinya seperti pintu, jendela, lorong, dan teralis dapat terlihat pada model 3D. Metode yang diterapkan dalam penelitian ini memberikan hasil yang baik. Model 3D yang dihasilkan dari penelitian ini memiliki ketelitian posisi geometri sebesar 8,843 cm dan ketelitian tinggi (H) 5,377 cm, ketelitian dimensi sebesar 11,120 cm dengan kelengkapaan semantik bangunan yang sesuai dengan bangunan aslinya.  Proses pemodelan 3D secara otomastis  menggunakan teknologi SfM (Structure from Motion) tersebut menghasilkan model bangunan 3D dalam Level of Detail (LoD) 3 dengan nilai Root Mean Square Error < 0,5 meter berdasarkan standar City Geography Markup Language (CityGML).
Pembuatan Model Prediksi Lahan Terbangun di Kabupaten Kulon Progo dengan Citra Satelit Penginderaan Jauh Rifqi Alghifari Wibowo; Harintaka Harintaka
Geoid Vol 19, No 1 (2023)
Publisher : Department of Geomatics Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j24423998.v19i1.17571

Abstract

Perubahan tutupan lahan terbangun pada kota atau kabupaten menjadi suatu hal umum yang sering terjadi dan terus berkembang di kawasan yang cepat tumbuh. Perkembangan lahan terbangun tersebut dapat diprediksi dengan melakukan pembuatan model prediksi dengan menggunakan teknologi penginderaan jauh dan sistem informasi geografis. Pada kajian ini, dilakukan pemodelan prediksi tutupan lahan di wilayah Kabupaten Kulon Progo pada tahun 2023 dengan menggunakan metode Cellular Automata (CA). Model prediksi tersebut disusun dengan hasil klasifikasi tutupan lahan pada tahun 2017 dan 2020 dengan menggunakan algoritma Support Vector Machine (SVM) dan variabel spasial berupa jangkauan jalan terhadap lahan terbangun. Model prediksi lahan terbangun yang berhasil dimodelkan memiliki pola persebaran dimana kelas daerah bervegetasi banyak mendominasi di Kapanewon Kokap, Girimulyo, Samigaluh, dan Kalibawang. Untuk Kapanewon lain lebih didominasi oleh tutupan lahan pertanian dan lahan terbangun. Berkaitan dengan itu, luasan tutupan lahan untuk masing-masing kelas meliputi lahan terbangun dengan 7.353,84 ha, badan air dengan 440,59 ha, daerah bervegetasi dengan 29.273,71 Ha, lahan pertanian dengan 17.665,76 ha, dan lahan terbuka dengan 2.920,24 ha. Di samping itu, untuk nilai akurasi tutupan lahan terbangun pada model prediksi memiliki nilai producer’s accuracy dan user’s accuracy secara berturut-turut sebesar 89% dan 76%. Adapun secara keseluruhan model prediksi ini mendapatkan nilai overall accuracy dan Indeks Kappa berturut-turut sebesar 81% dan 0,75. Berdasarkan nilai tersebut, model prediksi memiliki nilai akurasi yang cukup baik dan dapat digunakan sebagai salah satu alternatif untuk menjadi acuan dalam melihat potensi perubahan yang terjadi di masa yang akan datang.
Co-Authors Agri Kristal Ana Mardhiyana Alawiyah Andita Putri Damayanti Atriyon Julzarika Azeriansyah, Reyhan Danang Setiaji Djurdjani Djurdjani, Djurdjani Eli Juniati, Eli Erlyna Nour Arrofiqoh Handoko Dwi Julian Iradaf Mandaya Luki Subehi Muh Apriansyah Mukti, Fanny Zafira Ratna Sari Dewi Rifqi Alghifari Wibowo S Subaryono Sekar Pranadita, Sekar Trias Aditya