Jaringan Syaraf Tiruan untuk Riset Doktoral

Jaringan Syaraf Tiruan (JST) merupakan metode terkenal dalam Soft Computing. Metode yang pertama kali diperkenalkan oleh McCulloch dan Pitts ini menggunakan prinsip yang mirip transfer function dalam sistem kontrol/kendali. Sebuah neuron yang mirip neuron makhluk hidup (dalam bentuk yang sederhana) berfungsi menghantarkan suatu masukan ke keluaran berdasarkan proses sebelumnya yang terkenal, yaitu training. Karena prinsip kerja neuron berupa bobot dan bias yang hanya mengandalkan training, akibatnya JST sering disebut “black box” bagi pengguna, berbeda dengan fuzzy inference yang memiliki alur logika dalam bagian rule-nya. Hasil training JST bisa menghasilkan dua sistem yang berbeda jika dilakukan dua kali pelatihan dan hal ini merupakan ciri khas dari soft computing yaitu ketidakpastian (uncertainty).

Ketidakpastian banyak dijumpai dalam kehidupan sehari-hari. Proses kita mengenali wajah seseorang pun sesungguhnya melibatkan ketidakpastian. Penemu fuzzy, L. Zadeh, mengusulkan dibentuknya notasi fuzzy yang menyatakan besaran dalam ukuran yang sering digunakan sehari-hari seperti tua, muda, dan sejenisnya dibanding bilangan seperti 20, 40, 70 tahun, dan sebagainya. Bentuk tertentu terkadang tidak bisa dibuat logika fuzzy-nya sehingga peran JST sangat membantu. Tidak mungkin membuat aturan rule suatu tanda tangan, gambar, warna, bentuk, dan sejenisnya. Sehingga JST memiliki peran penting terhadap suatu bidang yang belum ada aturan/dasar-dasar ilmunya.

DATA SPASIAL

Saat ini data spasial sedang berkembang dan banyak digunakan dalam aplikasi-aplikasi sehari-hari seperti GPS, berita cuaca, data traffic lalu-lintas, dan banyak lagi. Bahkan game terkenal “pokemon” memanfaatkan fasilitas data spasial dalam sistemnya. Menjamurnya angkutan umum berbasis aplikasi online membuat data spasial berkembang pesat.

Perkembangan aplikasi berbasis data spasial ditunjang oleh metode-metode komputasi baik hard computing maupun soft computing. Menghitung jarak tempuh, prediksi waktu ke tujuan, mencari alternatif jalur, sudah banyak diterapkan dalam aplikasi-aplikasi berbasis data spasial. Data spasial memiliki keunikan tersendiri dibanding data lainnya. Di sini ada suatu koordinat yang menyatakan lokasi disertai dengan atribut-atribut lainnya yang mirip tabel biasa. Jadi prinsip sederhananya adalah data spasial merupakan tabel biasa dengan koordinatnya. Tentu saja diperlukan proyeksi geografis jika ingin diterapkan dalam suatu peta.

JST masih perlu dikembangkan untuk aplikasi data spasial mengingat proses training membutuhkan memory yang cukup besar. Tetapi hardware yang berkembang terus menyebabkan metode ini tidak menjadi masalah untuk perangkat-perangkat mobile terkini.

ENVIRONMENT dan PERENCANAAN

Salah satu keunggulan dari JST adalah sifatnya yang fleksibel dan dapat diterapkan ke berbagai bidang. Bahkan bidang-bidang yang berkarakter ilmu sosial pun dapat memanfaatkan JST, salah satunya adalah lingkungan dan perencanaan. Saat ini bidang-bidang tersebut mengandalkan aplikasi-aplikasi yang berbasis data spasial, dan juga statistik tentu saja. Ada istilah spatial metric, yang merupakan statistika terhadap data spasial. Software yang terkenal adalah Fragstats (lihat postingan tentang software ini).

Penerapan yang mencolok adalah pada bidang perencanaan. Di sini suatu model biasanya dibentuk dengan dua metode yaitu logistic regression dan JST. Salah satu keunggulan JST adalah karakteristiknya yang mampu menangani data non-linear, sementara logistic regression harus melinearkan data terlebih dahulu dalam bentuk logaritmik. IDRISI memanfaatkan JST dalam salah satu modelnya (LCM) untuk melatih model terhadap suatu perubahan. Jadi data spasial sangat berkaitan dengan data temporal. Gambar berikut contoh hasil training dengan JST, yang disebut di aplikasi itu dengan nama multi-layer perceptron (MLP) neural network.

RISET DOKTORAL

Untuk yang telah menyelesaikan kuliah doktoralnya pasti merasakan bagaimana sulitnya menjalani pendidikan level ini. Untuk yang belum dan berencana untuk melanjutkan studi, perlu dipersiapkan hal-hal yang penting. Salah satunya adalah proposal dan topik disertasi yang akan diselesaikan. Untuk beasiswa sepertinya saat ini tidak menjadi masalah mengingat kuota yang dibutuhkan masih banyak. Tentu saja syarat bahasa mutlak diperlukan untuk lolos dan memperoleh beasiswa. Kampus tujuan dengan level sedang dan rendah sepertinya tidak mencari mahasiswa yang cemerlang, asalkan lolos syarat minimal dan memiliki/telah memperoleh beasiswa.

Kuliah doktoral tidak lepas dari riset yang harus dipublikasikan ke jurnal internasional. Saat ini untuk menembus jurnal internasional kian sulit karena perkembangan pesat penelitian. Tiap hari muncul temuan-temuan baru yang dipublikasikan dalam jurnal internasional. Bagaimana dengan kita? Kebaruan (state of the art), research gap, dan yang tak kalah penting, tren terkini harus diperhatikan. Jangan sampai mengambil tema yang mudah tetapi sulit tembus jurnal internasional atau terlalu sulit sehingga riset tidak selesai-selesai. Tetapi biasanya promotor mengetahui mana batas idealnya. Terus terang saya sendiri sulit bersaing dalam ilmu komputer murni, bagaimana mengoptimalkan algoritma data mining misalnya, meningkatkan akurasi dan performa lain suatu metode, menggabungkan metode-metode (hybrid) untuk menghasilkan metode baru, dan sejenisnya. Jalan pintas pun diambil dengan menyeberang komputasi untuk bidang-bidang lain yang masih jarang disentuh seperti lingkungan dan perencanaan. Saya terkejut ketika profesor-profesor bidang lingkungan dan perencanaan mengatakan mereka sangat membutuhkan bantuan pakar-pakar bidang ilmu komputer untuk bekerja sama. Bahkan kontroversi-kontroversi dan debat-debat di area mereka, misalnya masalah urban, dapat kita bantu membuatkan analisa kuantitativenya jika tidak ditemui kompromi, seperti yang saya publikasikan dalam salah satu jurnal URBAN ini. Sekian, semoga bisa menginspirasi.

Update: 3 Desember 2017

Untuk yang mengkhususkan riset tentang JST, saat ini deep learning menjadi topik yang sedang hangat (lihat post berikutnya tentang apa itu deep learning dan hubungannya dengan Machine Learning)

Manipulasi Image di IDRISI – Tip dan Trik

Ketika pertama kali menggunakan IDRISI, saya kebanyakan menggunakan ArcGIS (atau GIS tool lainnya) untuk mengelola data raster (*.rst) yang kemudian dikirim/ekspor ke IDRISI. IDRISI hanya digunakan untuk melakukan prediksi pertumbuhan lahan dengan Land Change Modeler (LCM). Selama perkembangannya ternyata masih harus mengutak-atik IDRISI karena beberapa hal antara lain: proyeksi, ukuran/size (baris dan kolom), serta hal-hal lainnya. Postingan kali ini berusaha memberikan tip dan trik, apa yang diperlukan untuk mengelola image di IDRISI.

1. Manfaatkan dengan baik Metadata di IDRISI explorer.

Untuk melakukan prediksi berdasarkan dua peta beda waktu diperlukan syarat utama yaitu ukuran/size (baris dan kolom) dan proyeksi yang sama. Seringkali masalah muncul dimana ketika di ArcGIS kita sudah melakukan cropping dengan peta rujukan tetapi ketika diimpor dari IDRISI ukuran tidak cocok dengan peta lainnya. Gunakan fungsi PROJECT untuk mengatasinya.

2. Lakukan Cropping di IDRISI

Pengguna IDRISI biasanya memanfaatkan data yang diimpor dari citra satelit, misalnya mengunduh dari USGS. Satu tile unduhan biasanya meliputi wilayah luas yang harus dipotong sesuai dengan study area. Gunakan fungsi WINDOW untuk memotongnya. Bidang pemotongan bisa menggunakan study area yang sudah dibuat sebelumnya.

3. Gunakan ukuran area/extent yang lebih besar ketika mengelola dengan ArcGIS

Pernah saya menggunakan area yang sama ketika membuat constraint di ArcGIS, tetapi ketika diekspor ke IDRISI, area tidak sama dan ketika disamakan dengan fungsi PROJECT ada sisi yang kekecilan. Akhirnya setelah memanipulasi dengan ukuran area yang lebih besar, maka dengan memotong lewat fungsi WINDOW diperoleh constraint yang “pas” seperti gambar di bawah ini.

4. Pelajari fungsi-fungsi dasar IDRISI

Alangkah baiknya jika kita membaca buku tutorial resmi IDRISI disertai dengan mempraktekannya langsung dari sample peta yang disediakan. Ternyata disediakan fungsi-fungsi untuk menggabungkan image (di ArcGIS: mosaic to new raster), membuat jarak tertentu (di ArcGIS: distance), membuat slope/kemiringan, dan lain-lain. Selamat mencoba mengutak-atik IDRISI.

 

Creating Elevation and Slope Map in IDRISI

Some thematic maps are useful in LCM as drivers. Roads, rivers, and other important locations can be created using GIS tools, e.g. ArcGIS, ERDAS, QGIS, etc. But elevation and slope which are mainly created from Shuttle Radar Topography Mission (SRTM) can be easily created in IDRISI without other GIS Tools help. By using IDRISI we will easily use the thematic map created without function PROJECT to match with other images.

See how to download SRTM, and how to created slope and elevation map in ArcGIS.

Figure below is elevation map from SRTM. This map must be adjusted both its size and reference using. Whereas sizing use function WINDOW, referencing using Metadata window (below the IDRISI explorer).

Unfortunately our study area needs two tiles to be downloaded from USGS site. Use WINDOW function to crop this map following the study area.

Chose the images to be cropped and the name and location of output image. Fill upper left and right as well as lower left and right. But if you have already a study area map, chose this map in “An existing windowed image” and then press OK. To create slope from the elevation map, use Slope function (just type “slope” in searching menu in IDRISI).

Use again WINDOW function to crop the resulted image according the study area. To match the elevation and slope map, use PROJECT function.

Problem: “variable dimension does not match …” in IDRISI

Users who use a driver of land-use change sometimes face a problem when adding a driver to their model. The warning “variable dimension does not match …” indicates that there was a different column and row format of the driver. To answer this such problem, a discussion from IDRISI official site suggest to check the Metadata which is located belom the file in Idrisi explorer (upper-left).

The figure above shows the different values of columns and rows. There will be a warning although the reference system has already been the same. Use function PROJECT of IDRISI to match the wrong driver columns and rows to the other images (use the land use and land cover images).

Fill the input and output file with their reference system (e.g. UTM-48S). The output reference information is important to match the number of column and row. Click this tab and use your reference image.

Give a checklist to Copy from existing file and after choosing a reference image, number of column and row were adjusted following the reference. After clicking OK your new images will be created. Try to check through Test and selectin of variable in transition potential tab.

    

Membuat Peta Slope dari Peta Elevasi – Problem Z Factor

Postingan yang lalu membahas cara membuat peta kemiringan dari peta ketinggian dengan menggunakan fungsi Slope di tool Spatial Analysis. Tetapi ternyata untuk peta yang dibuat dengan Shuttle Radar Topography Mission (SRTM) perlu dilakukan modifikasi proyeksi. Kalau dipaksakan untuk mengkonversi DEM tanpa melakukan setting agar tidak ada “warning” terhadap Z akan dijumpai Error sebagai berikut.

Tidak mungkin derajat kemiringan se-extreem itu. Buka ArcGIS dan coba geoprocessing tool: Slope. Dengan memasukan DEM dari SRTM tampak ada Warning di posisi koordinat Z (z factor). Jika dipaksakan untuk membentuk peta kemiringan akan menghasilkan peta dengan nilai derajat seperti gambar di atas, yang tentu saja tidak benar.

Langkah-langkah yang harus ditempuh untuk menghilangkan warning pada z factor adalah sebagai berikut.

A. PROJECT RASTER

Buka geoprocessing tool di Arctoolbox di bawah data management. Atau jika ingin cepat, ketik saja project raster di kotak “searching“.

Output coordinate system pilih yang sesuai dengan koordinat geografis lokasi, misalnya untuk Bekasi adalah UTM 48S.

B. MEMBUAT SLOPE

Setelah proyeksi disesuaikan maka aktifkan lagi arctoolbox Slope dan pastikan z factor tidak ada warning seperti gambar di bawah ini.

Tekan Ok, dan pastikan derajat kemiringan sesuai dengan kenyataan. Contohnya adalah gambar di bawah ini. Lakukan proses klasifikasi untuk membuat kelas kemiringan yang sesuai dengan menggunakan Properties pada layer di Table of Contents.

Tutorial dari youtube ini bisa dijadikan referensi, selain untuk membuat peta kemiringan juga membuat presentasi peta lewat layout yang baik.

Membuat Peta Slope dari Peta Elevasi

Ketika membuat salah satu driver LCM, yaitu elevasi, perlu juga membuat driver yang lain yaitu slope. Slope menggambarkan kemiringan suatu dataran, dengan satuan derajat atau persentase. Kemiringan 2% berarti sepanjang 100 meter, suatu dataran naik sebanyak 2 meter. Untuk membuat slope terlebih dahulu diperlukan peta elevasi atau yang sering disebut Digital Elevation Model (DEM).

Peta elevasi biasanya dibuat dengan data SRTM, salah satu data bagian dari USGS. Anggap kita sudah memiliki peta seperti gambar di bawah ini, yang merupakan peta DEM kota bekasi.

Ketik “slope” di menu searching tool di ArcGIS masukan peta elevasi, beri nama keluaran. Anda akan dengan mudah berhasil membuat peta slope dari peta elevasi tersebut. Oiya, pilih slope yang ada di dalam “Spatial analysis”.

Perhatikan peta slope di arcgis dan perhatikan klasifikasi yang jumlahnya banyak dapat disederhanakan dengan editing pada symbologi. Atur klasifikasinya sesuai dengan kebutuhn, misalnya lima kelas. Simak video yang bagus dari youtube di bawah ini.

Menghitung AUC (Area Under Curve -ROC)

Setelah memprediksi perubahan, tugas terpenting berikutnya adalah menghitung akurasi dari model yang digunakan untuk memprediksi. Sub-tab validasi di Change prediction bisa juga digunakan untuk melihat akurasi model lewat mekanisme hits, false alarm, dan mis. Akan tetapi validasi tidak menunjukan angka pastinya. Oleh karena itu tulisan kali ini akan membahas bagaimana menghitung Score AUC yang menurut tutorial 0,8 sudah cukup bagus.

A. Menghitung Actual Change

Dalam tutorial yang disediakan di IDRISI actual change sudah disediakan, tetapi pada kenyataannya untuk menghitungnya kita harus mengurangkan antara lahan real saat ini dengan tahun sebelumnya yang dijadikan patokan prediksi. Misalnya saat ini tahun 2000 maka actual change berarti tahun 2000 dibandingkan dengan tahun 1994 (patokan prediksi tahun sebelumnya). Kurangkan dengan fungsi Mathematic.

Hasilnya masih berupa range dari negatif hingga positif. Oleh karena itu harus dirubah menjadi biner (nol jika tidak berubah dan 1 jika berubah). Caranya adalah dengan menggunakan fungsi RECLASS. Gunakan editor sebagai berikut:

Maksudnya adalah buat negatif atau positif menjadi kelas “1” yang berarti ada perubahan dan nol menjadi kelas nol yang berarti tidak berubah. Jalankan seperti biasa, lihat teknik ini ketika klasifikasi lahan di postingan yang lalu.

B. MENGHITUNG AUC

AUC dihitung dengan menggunakan fungsi ROC yang tersedia di IDRISI. Isi dengan menggunakan Soft prediction yang telah dihitung sebelumnya (lihat postingan yang lalu).

Tekan OK dan pastingan AUC anda muncul dalam bentuk Notepad. Selamat mencoba, lihat postingan youtube di akhir tulisan ini.

Praktek Land Change Modeler dengan IDRISI – Part 3: Change Prediction

Setelah change analysis dan pembuatan model, tahap berikutnya adalah memprediksi perubahan lahan di masa yang akan datang (change prediction).     Buka dan baca kembali tutorial dari IDRISI di link berikut pada bab land change modeler sebelum lanjut ke sub-bab change prediction. Ada baiknya memahami prinsip kerja MLPNN. Pelajari apa itu bobot, bias, training, dan sebagainya yang berhubungan dengan neural network.

MLPNN menganalisa hubungan antara dependent variable dan independent variable. Pada contoh kasus sebelumnya ada satu dependent variable yaitu Antrophogenic Disturbance dengan independent variable yaitu drivers yang terlibat (road, elevation, dan lain-lain). MLPNN membuat hubungan antara keduanya dengan prinsip membagi dua rombongan pixel untuk training kedua hubungan dan sisanya untuk testing.

Change prediction bermaksud memprediksi perubahan lahan berdasarkan suatu lokasi dengan dua perbedaan waktu. IDRISI menyediakan fasilitas hard prediction dan soft prediction. Keduanya memiliki manfaat tersendiri. Tulisan kali ini bermaksud melanjutkan project sebelumnya tentang transition potential.

Sebelum memprediksi lahan di masa yang akan datang, terlebih dahulu model yang sudah dilatih digunakan untuk memprediksi laham saat ini yang sudah diketahui komposisinya. Fungsinya adalah untuk mengetahui akurasi model apakah layak untuk memprediksi di masa yang akan datang. Isikan prediction date dengan tahun saat ini, misalnya tahun 2000. Pastikan transition potential sudah dibuat di tahap sebelumnya.

Ada empat sub-tab di tab change prediction antara lain: Change demand modelling, Dynamic road development, Change allocation, dan validation. Singkatnya coba masuk ke sub-tab change allocation dan jangan mencentang soft prediction untuk menjalankan hard prediction. Karena ada empat transisi pada model kita maka ada indikator four pass di IDRISI.

Secara default, output name adalah landcov_predict_2000. Tentu saja Anda boleh menggantinya sesuka hati. Tekan Run Model dan tunggu beberapa saat hingga IDRISI selesai memrediksi lahan. Pastikan hard prediction muncul seperti gambar berikut ini.

Jika tidak mau dan menanyakan transition potensial maka berarti belum dibentuk map transition potential di tahap sebelumnya. Kemudaian jika sudah muncul, pilih soft prediction dan juga pilih semua transisi yang diinginkan. Soft prediction sangat berguna untuk menghitung nilai AUC saat validasi yang biasanya digunakan untuk membandingkan antar scenario.

Perhatikan, soft prediction berbeda dengan hard prediction yang mematok perubahan ke LU tertentu. Soft prediction memberikan kemungkinan lebih dari satu perubahan LU sehingga cocok untuk memprediksi suatu habitat dan bio-diversity. Dan selamat Anda telah berhasil memprediksi lahan dari dua data waktu. Silahkan baca tutorial resminya untuk variabel tambahan yaitu untuk variabel jenis dinamis dan constraint yang diisikan di tab Planning. Berikut video singkatnya.

Membuat Driver LU Change di IDRISI

Driver merupakan salah satu komponen penting dalam memprediksi perubahan lahan. Driver ini merupakan variabel yang mengarahkan suatu LU berubah dari satu kelas ke kelas lainnya. Beberapa driver dibuat dengan menggunakan ArcGIS atau GIS tool lainnya (lihat postingan sebelumnya). Akan tetapi IDRISI juga bisa digunakan untuk membuat driver. Bukan hanya itu, bisa juga untuk menganalisa apakah suatu driver bersifat linear atau non-linear. Tulisan kali ini akan membahas bagaimana membuat driver dengan IDRISI.

Software IDRISI menyediakan fasilitas untuk belajar sebagai pelengkap dari tutorialnya. Harga software ini untuk mahasiswa sekitar $65 (lihat situs resminya). Tools yang digunakan untuk membuat salah satu driver yaitu DISTANCE jika ingin membuat peta jarak tertentu dari suatu lokasi, misalnya jalan, tempat pembuangan sampah, area banjir, dan sebagainya.

Masukan feature image dan nama output-nya. Tekan OK maka segera IDRISI membuat peta jarak tiap lokasi ke lokasi tertentu, dalam hal ini diambil contoh jalan pada tahun 94.

Sangat sederhana dan tidak membutuhkan GIS tool lainnya. Untuk jelasnya lihat video tutorial saya di youtube ini.

Sementara itu, untuk mengetahui suatu driver adalah non-linear kita membutuhkan fungsi HISTOGRAM yang terletak di samping GPS tool.

Sepertinya masih linear untuk distance_from_road. Tetapi beberapa driver bersifat non-linear seperti pada video di bawah ini. Jika non-linear maka tidak akurat jika menggunakan logistic regression, harus multi-layer perceptron neural network. Selamat mencoba.

Praktek Land Change Modeler dengan IDRISI – Part 2: Transition Potential

Praktek Transition Potential ini merupakan kelanjutan dari Change Analysis di postingan sebelumnya. Hanya saja di sini studi kasusnya berbeda. Terraset sudah memposting tutorialnya di Youtube, berikut ini, bisa dilihat. Lihat juga video sebelumnya tentang change analysis, khusus di bagian sinkronisasi dua data LU tahun yang berbeda.

Di tahap Change Analysis ini yang terpenting adalah membuat Map perubahan lahan. Pada isian Map Change isikan Ignore transitions less then dengan 500 hectares (rubah cell jadi hectares). Tampak hanya empat perubahan potensial yang dihasilkan dari Map change ini (dari sebelumnya tujuh).

TRANSITION POTENTIAL

Sampai langkah di atas, kita sudah melewati Change Analysis dan mulai masuk ke Transition Potential. Penting untuk diketahui bahwa keempat perubahaan (tmp011 gambar di atas) harus dijadikan dasar empiris pembuatan model perubahan lahan. Ada dua tools yang bisa dipakai yaitu logistic regression dan multi-layer perceptron (MLP) neural network. Di tutorial disebutkan bahwa vendor telah melakukan uji coba terhadap 12 teknik ternyata memang MLPNN yang paling tangguh (robust).

Selanjutnya, tekan Tab: Transition Potential pada LCM. Tampak menu-menu yang tersedia seperti tampak di bawah ini.

a. Transition Sub-Models: Status

Jika diperhatikan Change Map di langkah sebelumnya (tmp011) empat     transition potential berubah dari beberapa LU class menjadi Antrophogenic Disturbance. Pada Transition Sub-Models kita bisa memberinya nama yang sama, misalnya Disturbance. Jika dipakai semua transition potential-nya, pastikan Yes pada sebelah kiri tiap-tiap transisi.

Jika sudah maka kita mulai masuk ke bagian yang paling sulit yaitu mendeklarasikan variabel-variabel yang mempengaruhi perubahan lahan, dikenal dengan istilah Driver. Dari sini kita kembali lagi ke Change Analysis untuk membuat Map transisi dari semua ke Anthropogenic Disturbance.

Ditunjukan dalam tutorial bahwa ada hubungan non-linear antara perubahan lahan dengan faktor disturbance. Langkahnya adalah setelah membuat peta perubahan, gunakan fungsi RECLASS untuk membuat peta biner.

Setelah itu CHANGE8694 dihubungkan dengan perubahan disturbance dengan menggunakan fungsi HISTO yang terletak di sebelah kanan GPS. Gambar di bawah menunjukan hubungan non-linear.

Maksud dari gambar di atas adalah jika menggunakan metode logistic regression maka harus dilakukan proses linearisasi dengan log transformation. Namun jika menggunakan MLPNN tidak perlu merubahnya dan TAB Variable transformation Utility bisa kita lewatkan dan langsung ke Test & selection of site and driver variables.

b. Test and Selection of Site and Driver Variables

Bagian ini berfungsi mengukur sejauh mada Driver berpengaruh terhadap transition potential. Pilih driver yang akan diuji, setelah tombol Test Explanatory Power ditekan, maka Cramer’s Value muncul. Lanjutkan dengan menekan Add to model. Perhatikan untuk driver DISTANCE_FROM_STREAMCT, nilai Cramer sangat rendah dan tidak berkontribusi terhadap transition potential.

Kemudian ada hal lain yang penting yaitu menguji peta transisi dari 86 dengan membandingkan peta tersebut dengan peta perubahan (yang sudah berbentuk kategori).

c. Transition Sub-model Structure

Pastikan driver sudah masuk pada TAB ini, termasuk EVLIKELIHOOD_LC. Dan akhirnya kita masuk tahap terakhir yaitu me-running model dengan MLPNN. Tunggu beberapa saat, dan ulangi jika akurasinya di bawah 75%. Selamat mencoba.

    

    

    

Mengintegrasikan Orcid ID ke Scopus ID

Saat ini banyak indeks periset yang ada di internet. Kita tidak begitu yakin mana yang penting, kurang penting, atau tidak penting. Tetapi karena kita bernaung di bawah negara Republik Indonesia, ada baiknya mengikuti panduan negara kita, yaitu kementrian riset, teknologi dan pendidikan tinggi (RISTEK-DIKTI). Untuk saat ini, walaupun banyak yang protes, SCOPUS masih menjadi patokan kinerja penelitian dosen atau peneliti, terutama dari sisi h-index.

Bagaimana dengan Google Scholar? Menurut saya baik, kalau untuk memacu semangat kita dalam mempublikasikan hasil penelitian lewat buku, jurnal, maupun blog. Blog? Maksudnya? Ya, blog. Tulisan kita yang dibuat diblog jika disitasi seseorang dalam jurnalnya (baik terindeks scopus maupun tidak) akan terdeteksi sebagai satu sitasi. Saya coba searching beberapa yg sitasi tulisan-tulisan saya, ternyata ketemu satu orang yg mensitasi tulisan saya di blog.

Sepertinya tidak ada masalah mensitasi tulisan blog, tetapi menurut saya kurang adil juga sih mengingat blog tidak memaksa untuk ada referensi. Kalaupun ada referensi, tidak meningkatkan sitasi tulisan yang saya sitasi dalam artikel di blog saya. Jika diperhatikan h-index di Google scholar pasti lebih tinggi dari h-index di Scopus, lihat laporan dari webometrik untuk peneliti dari Indonesia.

Kembali ke Scopus, untuk memasukan informasi tentang Orcid langkah pertama kita adalah mendaftar Orcid terlebih dahulu. Orcid merupakan situs yang mengelola peneliti-peneliti di seluruh dunia, open source, tidak perlu bayar. Keberadaan Orcid sudah diakui Scopus dan OJS (Open Journal System). Segera daftar ke Orcid, mudah dan cepat. Berikut langkah-langkah untuk mengintegrasikan Orcid ke Scopus.

A. TARIK DATA RISET DARI SCOPUS KE ORCID

Untuk menarik data Scopus, tentu saja selain punya artikel yang sudah diindeks scopus (Author atau Co-author) juga punya akses ke Scopus. Biasanya kampus-kampus sudah berlangganan Scopus. Buka Scopus dan searching nama Anda. Perhatikan di bagian Author ID belum tercantum Orcid. Tekan Add to Orcid di sebelah kanan atas.

 

Anda akan diminta login ke Orcid. Masukan user ID (email) beserta passwordnya. Perhatikan gambar di bawah, ada enam langkah untuk mengirim publikasi kita ke Orcid. Tekan Next dan jangan ceklis yang bukan nama kita.

Pada isian review publications, kebetulan nama saya tidak bermasalah. Rekan saya memiliki masalah dimana nama dia ada dua di Scopus. Jadi Scopus ID hanya berisi masing-masing artikel yang terdeteksi miliknya. Langkah yang tepat adalah pilih salah satu ID yang akan dikirim ke Orcid dan nanti tambahkan publikasi lain yang tidak terdeteksi di langkah 3|Review publikations ini.

 

Cek apakah semua tulisan kita tercantum di Scopus profile, jika sudah yakin tekan Next (kebetulan saya cuma empat).

Setelah memasukan email (tidak harus email resmi institusi, gmail pun ternyata bisa) tekan Send Author ID. Tapi alangkah baiknya menggunakan email resmi, terutama ketika akan complain mengenai nama dan tulisan yang tidak cocok.

B. MENAMBAHKAN ORCID ID di SCOPUS

Untuk menambahkan Orcid ID di Scopus, tidak ada yang perlu dilakukan, berdoa saja, he he. Setelah menekan tombol Send my publication list buka kembali Scopus. Setelah beberapa hari, Orcid ID akan muncul di bawah Scopus ID kita. Apa gunanya? Banyak manfaatnya. Salah satunya adalah identitas penulis lebih mudah dideteksi (nama ganda, salah format, dll). Ketika kita berganti-ganti afiliasi, Scopus akan tetap mendeteksi orang yang sama. Bahkan untuk wanita, biasanya menggunakan nama suami, tetap orang yang sama jika bercerai atau berganti suami. Selamat mencoba.

Praktek Land Change Modeler dengan IDRISI – Part 1: Analisa Perubahan

Software IDRISI banyak digunakan oleh peneliti lingkungan. Salah satunya adalah untuk memprediksi perubahan lahan, misalnya dari lahan pertanian menjadi perumahan, perikanan, dan sebagainya. Bagi yang belum memiliki pengetahuan tentang dasar-dasar sistem informasi geografis (GIS) sepertinya agak sulit. Untungnya tutorial yang diberikan oleh aplikasi ini cukup baik bahkan disediakan file-file praktek yang mendukung tutorialnya (silahkan buka tutorialnya di link resminya berikut ini).

Singkatnya, untuk memprediksi perubahan lahan puluhan tahun ke depan kita memerlukan data lahan di masa lampau. Misalnya untuk memprediksi lahan 2019 kita memerlukan data lahan tahun 86 dan 94 (data yang disediakan software IDRISI untuk latihan). Misalnya lahan terkini adalah tahun 2000, maka dengan lahan tahun 86 dan 94 dengan IDRISI dapat dibuat model untuk memprediksi lahan tahun 2000. Setelah itu, dilakukan proses validasi untuk mengukur sejauh mana model yang dirancang mampu memprediksi lahan. Jika sudah akurat (AUC di atas 70-an persen) maka dapat digunakan untuk memprediksi tahun yang akan datang misalnya 2019.

Buka IDRISI dan arahkan folder project ke folder yang berisi file raster klasifikasi lahan, yaitu di folder LCM\CMA. Gunakan IDRISI versi selva. Langkah-langkah yang perlu dilakukan untuk pemodelan LCM antara lain: Change Analysis, Transition Potential Modeling, Change Prediction, Validation, dan terakhir Prediction. Kelihatannya prosesnya panjang, tetapi sebenarnya itu sudah singkat. Pada prakteknya banyak proses yang terlibah, dari mengunduh citra satelit, pemotongan (WINDOW), klasifikasi (hard classification) hingga mempersiapkan driver.

A. CHANGE ANALYSIS

Ini merupakan langkah pertama dan terpenting. Dengan file yang tersedia, sepertinya tidak ada masalah, tetapi kenyataannya ketika kita membuat file sendiri, perlu banyak melakukan modifikasi-modifikasi, yaitu menyamakan antara dua peta yang beda waktu (temporal) agar bisa dilakukan analisa serempak. Masukan file-file yang diperlukan mengikuti tutorial yang diberikan.

Ketika tombol Continue ditekan, maka LCM akan masuk ke tahap berikutnya yaitu Gain and Loses. Rubah UNIT dari cells menjadi hectares. Coba utak-atik sendiri bagian analisa Gain and Loses, setelah dipilih Contributors to net change ke Residential (>2 acre). Coba buat peta (Create Map) yang memperlihatkan transisi dari seluruh jenis lahan menjadi lahan perumahan (residential), caranya seperti gambar di bawah ini.

Tekan Create Map untuk membuat peta-nya. Di bagian bawah Change Maps, Anda bisa juga melihat trend perubahan ke pemukiman dengan membuat peta tren.

Kesimpulan dari gambar di atas adalah trend pertumbuhan pemukiman (residential) adalah mengarah ke sisi timur laut dan tenggara (ditunjukan oleh warna merah tua dengan skor tinggi). Berikut ini rinciannya, di youtube.

Selamat mencoba.

Registrasi ke Sinta (Science & Technology Index)

Kementerian riset, teknologi dan pendidikan tinggi (Ristek-dikti) mulai memberlakukan sistem pengindeks khusus dosen di Indonesia yang dikenal dengan nama SINTA (lihat link-nya di sini). Ketika masuk ke situs itu, beberapa peneliti dengan h-indeks (standar google scholar) yang tinggi sudah dimasukan, sementara itu saya yang h-indeksnya masih kecil belum dimasukan. Rencananya, verifikasi akan dilaksanakan bulan April 2017 nanti (info dari SINTA via email). Akan tetapi sebaiknya kita daftarkan nama kita yang sudah tercantum.

Secara default, SINTA mengambil data NIDN, nama, dan affiliation dari forlap dikti. Untuk registrasi, kita tinggal mengarahkan nama dan NIDN yang sesuai. Untuk registrasi, ikuti langkah-langkah berikut ini:

1. Masuk ke menu registrasi (klik registrasi). Anda akan diminta memasukan Affiliation dan nama. Affiliation di sini berarti Home Base NIDN kita. Ketika mengisi afiliasi, pastikan muncul nama kampus (pull down), lalu tekan kampus yang dimaksud (tidak mengetik manual).

2. Setelah ditemukan tekan tombol registration di bawah nama Author. Maka berikutnya masuk ke isian detail data Author tersebut. Ada dua data penting, yaitu personal yang di sebelah kiri dan umum di sebelah kanan (NIDN, ID index yang lain – Inasti ID, Scopus ID, Google Scholar dan IPI Author portal Garuda). Untuk yang personal isi dengan lengkap gelar dan Email untuk aktivasi nanti. Sementara wilayah yang sebelah kanan sedikit butuh pengetahuan mengenai indexer selain SINTA.

3. Yang pertama adalah Inasti ID. Indexer ini sepertinya bawaan SINTA yang dikelola LIPI. Nama saya tidak ada di situ, mungkin karena belum diverifikasi.

4. Berikutnya adalah, indexer yang banyak dipakai orang, yaitu Google Scholar. Cara melihatnya adalah dengan login ke google scholar, kemudian ambil ID di antara user= dan &hl. Cukup mudah tetapi prakteknya butuh kejelian. Oiya, jangan sampai &hnl ikut tercantum ya.

5. Scopus ID. ID yang terkenal ini untuk membukanya sedikit rumit jika kita tidak pernah menjadi penulis pertama. Lihat postingan saya terdahulu untuk mengetahuinya. Tentu saja jika Anda belum pernah menjadi Author maupun Co-Author, tidak akan memiliki Scopus ID. Tetapi jangan khawatir, Anda tetap bisa registrasi. Kosongkan saja bagian Scopus ID ini.

6. Berikutnya adalah IPI Author ID yang berasal dari Portal Garuda. Kebanyakan dosen sudah memiliki ID karena kebanyakan sudah mempublikasikan tulisan di jurnal nasional ber-ISSN. Ikuti saja link-nya dengan menekan simbol tanda tanya “?” di sebelah kanan isian. Isi nama, dan afiliasi jika perlu.

Lanjutkan dengan menekan tombol Register. Setelah langkah satu hingga enam, buka email yang merupakan email yang tadi dituliskan di kolom personal di bagian kiri. Tekan tombol Activation dari email yang sudah tiba. Selesai sudah registrasi ke sistem pengindeks peneliti asli Indonesia.

Update: 5 Mei 2017

Sinta sepertinya sudah diverifikasi, untuk yang belum daftar masih bisa registrasi susulan, bahkan id scopus langsung terkoneksi tidak seperti sayayang baru scholar google saja, tetapi bisa diajukan ulang untuk verifikasi scopusnya.

sinta

Berikut instruksi dari RISTEK-DIKTI untuk yang belum registrasi untuk segera registrasi.

Silahkan LINK BERIKUT untuk lebih jelasnya, dari Univ Islam Sultan Agung

Update: 24 Mei 2017

Setelah mengirim email ke djrisbang (lihat email lengkapnya di surat edaran di atas) akhirnya scopus saya bisa terkoneksi ke sinta saya. Trims bpk Witno (admin sinta), atas bantuannya.

Sinta Profile with Scopus

Update 18 Juli 2017

Ada sedikit perubahan tampilan Sinta di bagian Author kampus. Dosen yang tidak terindeks scopus pun muncul score di kanan walaupun nol semua. Sepertinya dosen dipaksa untuk publis Jurnal Internasional yang terindeks scopus juga (tidak hanya Google scholar).

Sinta with zero google and scopus

Update: 4 Agustus 2017

Ada informasi bahwa publikasi Indonesia berhasil mengalahkan Thailand dan Vietnam. Tinggal menunggu waktu saja sepertinya untuk mengalahkan Malaysia dan Singapura, semoga. Tampilan Sinta yang baru ok juga, walaupun sitasi terakhir saya belum terekap:

sinta

Update: 9 Agustus 2017

Info terbaru, Sinta membuka registrasi kembali untuk yang belum sempat registrasi. Silahkan daftar.

sinta registration

Update: 19 Agustus 2017

Sinta versi 2 (sinta2) sepertinya sudah OK, h-index scopus sudah terupdate (tadinya h-index=1 jadi 2). Sepertinya sudah terkoneksi online, kita tunggu saja perkembangannya, yg menurut saya sih sudah ok.

my sinta2

Update: 19 November 2017

Ide yang bagus dari Sinta untuk menambah desimal pada skor Sinta (dua angka di belakang koma). Manfaatnya untuk melihat lebih detil performa peneliti.

sinta detail

Update: 14/2/2018

Kampus akhirnya dilibatkan untuk verifikasi akun Sinta. Sepertinya mirip evaluasi diri dan akurasi data dosen-dosennya yang terdaftar di Sinta (juga jurnal2nya). Berikut infonya:

Update: 19/3/2018

Kelanjutan dari verifikator sinta di level universitas masing-masing, ristekdikti mengadakan pelatihan verifikator sinta tgl 15-16 Maret di Bandung. Satu hal yang bisa jadi informasi perhitungan skor sinta adalah:

Skor =  (Ax40 + Bx15 + Cx1 + Dx4 + Ex4 + Fx16)/Pembagi

Dimana A: Artikel jurnal di Scopus, B: Dokumen non jurnal di Scopus, C: Jumlah sitasi di Google scholar, D: Jumlah sitasi di Scopus, E: H-index di Google Scholar, F: H-index Scopus. Pembagi belum pasti, saat ini: 102. Tapi kok saya lebih kecil dari rumus itu ya? mungkin belum semua ketarik (scopus dan scholarnya)

perhitungan sinta

Update: 31 Juli 2018

Protes-protes terhadap SCOPUS yang kapitalis ternyata tidak menyurutkan Kemristekdikti akan peran pengindeks ternama itu. Bahkan sistem informasi hibah SIMLITABMAS menarik data SCOPUS dari Sinta sebagai pertimbangan dalam eligible atau tidak seorang dosen untuk mengajukan proposal. Untungnya Sinta mudah disinkronasi karena dilakukan oleh pejabat yang ditunjuk pada tiap-tiap kampus. Berikut tampilan baru SIMLITABMAS yang telah menarik data dari Sinta. Letaknya di bawah profil di SIMLITABMAS kita.

Sinta on SIMLITABMAS

Update: 5 Maret 2019 : Web of Science

Lama tidak membuka Sinta, ternyata ada sedikit modifikasi pada sisi indeksasi. Salah satu pengindeks ternama, yaitu Web of Science, atau yang dikenal dengan Thomson Reuters masuk dalam Sinta. Lokasinya berada di bagian kanan pada overall baik di institusi maupun di individu (peneliti). Ternyata tidak semua yang terindeks Scopus terindeks di Web of Science.

web of science in sinta

Membaca Cepat

Bagi rekan-rekan yang sedang riset, apalagi yang sedang mulai menulis laporan (skripsi, tesis, disertasi, dan sejenisnya), pasti pernah melaksanakan studi literatur. Studi literatur membutuhkan sumber bacaan yang lumayan banyak. Sebenarnya banyak tidak masalah, hanya saja terkadang kita tidak tahu sumber bacaan mana yang bermanfaat dan kita pakai sebagai rujukan. Oleh karena itu dibutuhkan kemampuan membaca dengan cepat suatu tulisan ilmiah (buku, jurnal, atau sumber bacaan dari internet).

Salah satu saran dari dosen ketika saya ambil master dulu adalah membaca judul, abstrak, dan hasil/kesimpulan. Lumayan juga dengan cara seperti itu, banyak jurnal yang berhasil saya baca. Tetapi cara itu berguna ketika men-sortir mana tulisan yang bermanfaat untuk riset yang dijalankan saat ini dan mana yang tidak ada hubungannya. Dan ketika menulis disertasi, mau tidak mau harus memahami seluruh tulisan yang sudah disortir yang bisa mendekati seratus artikel. Oiya, itu satu jurnal yang akan kita publikasikan, padahal disertasi bisa lebih dari satu jurnal isinya. Tidak ada pilihan lain, membaca cepat adalah solusinya.

Membaca mirip kebiasaan-kebiasaan lainnya, perlu dilatih. Sebenarnya sejak TK/SD kita sudah biasa membaca, hanya saja ketika SMA/Kuliah kurang efektif dalam membaca. Untungnya tuntutan untuk membaca tidak terlalu tinggi, kecuali yang memang mengambil jurusan sastra ketika kuliah dulu. Terus terang saya, yang orang teknik, tidak begitu mahir membaca. Tetapi jika dibandingkan dengan dulu waktu S1 atau S2, saya merasakan peningkatan kecepatan membaca, entah apa sebabnya, saya masih mencari tahu. Mungkin alasan berikut ini yang menyebabkan meningkatnya kecepatan membaca, walaupun belum pasti dan butuh riset oleh psikolog.

Tuntutan untuk Membaca

Ini mungkin penyebab meningkatknya kecepatan membaca. Karena dipaksa membaca untuk studi literatur mau tidak mau harus meningkatkan baik kualitas maupun kuantitas bacaan. Tuntutan itu juga menyebabkan saya harus memahami apa yang saya baca. Kalau sekedar menghabiskan bacaan sih tidak masalah, tetapi kalau banyak yang dibaca tetapi tidak paham juga ya percuma saja. Kemampuan bahasa Inggris, khususnya readingí merupakan skill wajib bagi yang ingin publikasi di jurnal internasional.

Tuntutan karena Menulis

Untuk bisa menulis, orang harus membaca. Tidak mungkin bisa menulis tapi tidak bisa membaca. Orang yang lancar menulis biasanya membaca suatu artikel lebih cepat dibanding yang kesulitan mengarang suatu tulisan. Ketika menulis terkadang kita terinspirasi dari suatu tulisan yang dibaca, baik dari teknik menyampaikan, gaya bahasa, atau sekedar urutan formal suatu karya ilmiah. Postingan yang lalu sudah dibahas teknik menulis yang baik, salah satu aspek yang terkenal adalah flow. Jika kita sudah memahami prinsip “mengalir” tersebut, dipastikan kita cepat membaca suatu tulisan, otomatis seperti robot. Tentu saja tulisan yang mengalir juga, dan jika dijumpai tulisan “berantakan” yang kita baca biasanya kita jengkel, apalagi ketika berperan sebagai reviewer.

Tuntutan sebagai Reviewer

Seorang reviewer dituntut untuk selain kecepatan membaca, juga kejelian dan kritis terhadap suatu ide. Reviewer bisa mereview suatu tulisan artikel (editor atau peer-review) maupun dosen yang membimbing skripsi/tugas akhir mahasiswa. Jika lambat membaca dipastikan akan keteteran dalam mereview suatu tulisan. Kemampuan menangkap suatu gagasan dengan cepat, merupakan syarat yang mutlak. Mata tidak hanya berfokus ke kata, atau kalimat, bahkan beberapa paragraf bisa dibaca dengan cepat.

Hobi

Untuk yang satu ini sepertinya masih kontroversial. Hobi di sini maksudnya adalah hobi membaca atau menulis. Satu referensi yang saya baca malah tidak percaya ada orang yang hobi-nya membaca. Tapi tidak ada salahnya juga membaca dijadikan hobi. Bukan hanya bacaan ringan (novel, surat kabar, media sosial, dll) tetapi coba ke artikel-artikel ilmiah dijadikan hobi juga.

Kursus/Seminar/Workshop

Terus terang saya berkali-kali ikut workshop tentang menulis. Tapi belum pernah workshop membaca. Menarik juga sih jika ada. Dan dari pengalaman yang sudah-sudah, mengikuti workshop tetapi tidak dipraktekan, sepertinya tidak begitu berhasil. Mungkin ada saran lain yang lebih oke, bisa dishare di sini. Selamat membaca.

 

Menggambar Pertumbuhan Lahan dengan ArcGIS

Untuk menggambarkan pertumbuhan lahan (land use growth) perlu membuat hasil pengurahan lahan terkini dengan lahan sebelumnya. Hasil pengurahan itu merepresentasikan penambahan lahan. Prinsipnya sederhana tetapi agak ribet untuk menerapkannya di ArcGIS mengingat fungsi Erase tidak bisa menggunakan data raster sebagai pengurangnya. Padahal baik pengurang maupun yang dikurangi dua-duanya data raster (lihat postingan sebelumnya untuk pengurangnya data vektor).

Salah satu fungsi di ArcGIS yang baik untuk mengelola data raster adalah Mosaic to New Raster. Dengan fungsi ini maka dapat dibentuk satu peta yang merupakan selisih antara peta terkini dengan peta sebelumnya. Penjelasannya cukup rumit, tetapi langkah pengerjaannya sederhana. Sebagai uji coba perhatikan gambar dua peta yang menggambarkan perubahan lahan di bawah ini.

Dua peta lahan itu memiliki dua atribut yaitu yang berwarna hitam (urban) dan background putih (non-urban). Dengan prinsip overlapping pada fungsi Mosaic to New Raster maka pixel yang sama akan ditimpa. Langkahnya adalah sebagai berikut:

1. Dengan fungsi Extract by Mask hilangkan daerah non-urban pada peta yang lampau. Caranya dapat dilihat pada postingan tentang fungsi ini.

2. Langkah berikutnya adalah merubah daerah urban yang tersisa menjadi non-urban, fungsinya adalah untuk menimpa daerah urban pada peta terkini sehingga yang tersisa hanyalah daerah urban tambahan dari peta yang lampau. Gunakan fungsi Reclassify untuk merubah kelas urban menjadi non urban. Mudah-mudahan bisa dimengerti. Atau jika belum paham, ikuti saja langkahnya, biasanya akan paham sendiri, memahami lewat praktek.

3. Jika sudah lakukan Mosaic to New Raster antara hasil extract dengan peta terkini, maka hasilnya adalah perkembangan lahan. Jangan sampai salah mengisi parameter: Mosaic Operator.

Hasilnya harus selisih antara lahan terkini dengan lahan sebelumnya (saya beri warna merah pada gambar hasil di bawah ini), dengan catatan, lahannya bertambah pada kelas daerah urban.