TINJAUAN PEMANFAATAN BIG DATA PENGINDERAAN JAUH DAN PEMBELAJARAN MESIN UNTUK OFFICIAL STATISTICS DI WILAYAH PERKOTAAN

##plugins.themes.bootstrap3.article.main##

Arif Handoyo Marsuhandi Dwi Wahyu Triscowati Arie Wahyu Wijayanto

Abstract

Kemajuan teknologi big data tidak hanya menawarkan potensi pemanfaatan namun juga tantangan bagi penyelenggaraan official statistics. Sebagai salah satu sumber big data yang potensial, data spektral penginderaan jauh yang tersedia secara terbuka dan gratis menjadi modal berharga untuk penyempurnaan kualitas official statistics. Makalah ini meninjau peluang dan tantangan pemanfaatan penginderaan jauh di wilayah perkotaan dan menyajikan studi kasus awal pada monitoring pertumbuhan lanskap perkotaan di Indonesia. Studi kasus awal ini menggunakan metode pembelajaran mesin ansambel sebagai model untuk klasifikasi, yaitu random forest yang merupakan pendekatan statistik nonparametrik dengan penerapan agregasi  dan  bootstrapping pada  pohon  keputusan.  Penelitian  ini  mengambil  fokus  pada  Kabupaten Banyuwangi, Provinsi Jawa Timur sebagai studi kasus. Hasil eksperimen dengan citra satelit Landsat-8 menunjukkan  keberhasilan  model  dalam  mendeteksi  perubahan  area  bangunan  selama  6  tahun pertumbuhan lanskap perkotaan pada 2015-2020. Terhitung pada tahun 2015 dan 2020, model yang dibangun dapat mendeteksi bangunan/konstruksi dengan akurasi masing-masing 93 dan 91 persen. Kesimpulan sementara ini membuka kemungkinan penerapan penginderaan jauh untuk menunjang survei dan sensus statistik pada wilayah perkotaan, khususnya sebagai salah satu indikator penting untuk penghitungan nilai tambah bruto (NTB) lapangan usaha konstruksi yang menjadi komponen dari Produk Domestik Regional Bruto (PDRB).

##plugins.themes.bootstrap3.article.details##

How to Cite
MARSUHANDI, Arif Handoyo; TRISCOWATI, Dwi Wahyu; WIJAYANTO, Arie Wahyu. TINJAUAN PEMANFAATAN BIG DATA PENGINDERAAN JAUH DAN PEMBELAJARAN MESIN UNTUK OFFICIAL STATISTICS DI WILAYAH PERKOTAAN. Jurnal Aplikasi Statistika & Komputasi Statistik, [S.l.], v. 12, n. 2, p. 31-40, dec. 2020. ISSN 2615-1367. Available at: <https://jurnal.stis.ac.id/index.php/jurnalasks/article/view/282>. Date accessed: 02 aug. 2021. doi: https://doi.org/10.34123/jurnalasks.v12i2.282.
Section
Komputasi Statistik

References

BPS Banyuwangi. (2019). Produk Domestik Regional Bruto Kabupaten Banyuwangi Menurut Lapangan Usaha
2015-2019. BPS
Breiman L. (2001). Random Forests. Machine Learning 45, pages 5–32
Gómez, J. A., Patiño, J. E., Duque, J. C., and S. Passos. (2020). Spatiotemporal modeling of urban growth using machine learning. Remote Sensing, 12(1).
Gorelick N, Hancher M, Dixon M, Ilyushchenko S, Thau D, Moore R. (2017). Google Earth Engine: Planetary- scale geospatial analysis for everyone. Remote Sensing of Environment 202:18–27
Li M, Koks E, Taubenbock H, van Vliet J. (2020). Continental-scale mapping and analysis of 3D building
structure. Remote Sensing of Environment 245:111859
Nie, Z., K., Chan, K. Y., ,and B. Xu. (2019). Preliminary evaluation of the consistency of Landsat 8 and
Sentinel-2 time series products in an urban area-an example in Beijing, China. Remote Sensing, 11(24). Osgouei, P. E., Kaya, S., Sertel, E., and U. Alganci. (2019). Separating built-up areas from bare land in
mediterranean cities using Sentinel-2a imagery. Remote Sensing, 11(3), 1–24.
Pelizari P A, Sprohnle K, Geis C, Schoepfer E, Plank S, Taubenbock H. (2018). Multi-sensor feature fusion for very high spatial resolution built-up area extraction in temporary settlements. Remote Sensing of
Environment 209:793–807
Rahman, M. M., Avtar, R., Yunus, A. P., J. Dou, P. Misra, W. Takeuchi, N. Sahu, P. Kumar, B. A. Johnson, R.
Dasgupta, A. Kharrazi, S. Chakraborty, and T. A. Kurniawan. (2020). Monitoring effect of spatial growth on land surface temperature in Dhaka. Remote Sensing, 12(7).
Schug F, Frantz D, Okujeni A, van der Linden S, Hostert P. (2020). Mapping urban-rural gradients of settlements and vegetation at national scale using Sentinel-2 spectral-temporal metrics and regression- based unmixing with synthetic training data. Remote Sensing of Environment 246:111810
Triscowati, D. W., Sartono, B., Kurnia, A., Domiri, D. D., and Wijayanto, A. W. (2020). Classification of rice- plant growth phase using supervised random forest method based on landsat-8 multitemporal data. International Journal of Remote Sensing and Earth Science, 16(2), 81–90.
Triscowati, D. W., Sartono, B., Kurnia, A., Domiri, D. D., and Wijayanto, A. W. (2019). Multitemporal remote sensing data for classification of food crops plant phase using supervised random forest. Sixth Geoinformation Science Symposium, 1131102, SPIE, 10.
Yang X, Qin Q, Grussenmeyer P, Koehl M. (2018). Urban surface water body detection with suppressed built- up noise based on water indices from Sentinel-2 MSI imagery. Remote Sensing of Environment
219:259–270
You, J., Li, X., Low, M., Lobell, D., & Ermon, S. (2017). Deep Gaussian Process for Crop Yield Prediction
Based on Remote Sensing Data. 31th AAAI Conference on Artificial Intelligence, 4559–4565.