Kategori: Riset dan Penulisan

Land Change Modeler dengan IDRISI Selva – Pengenalan

Land change modeler (LCM) adalah memodelkan perubahan lahan pada suatu area tertentu. LCM memiliki manfaat untuk memprediksi perubahan lahan ke depan sehingga dapat diketahui dampak yang muncul akibat perubahan tersebut. Dengan mengetahui perkembangan di masa yang akan datang, pengambil kebijakan akan mampu membuat kebijakan-kebijakan saat ini untuk menghindari dampak negatif ke depan. Kebijakan yang melihat dan memperhatikan kualitas suatu wilayah di masa yang akan datang dikenal dengan istilah pembangunan berkelanjutan (sustainable development).

Untuk mengetahui perubahan lahan ke depan, diperlukan perangkat lunak khusus yang sering diistilahkan dengan aplikasi vertikal (vertical application). Salah satu perangkat lunak yang terkenal adalan IDRISI, dengan versi yang terbaru diberi nama Selva. Untuk lebih jelasnya masuk saja ke situs resminya di clarklabs.org. Gambar di bawah ini tampilan IDRISI Selva. Untuk membuka jendela Modeling tekan menu Modeling – Environmental/Simulation Models – Land Chang Modeler: ES.

Sebelum masuk ke pemodelan ada baiknya mempelajari dasar-dasar penggunaan IDRISI Selva. Untuk pemodelan, blog ini dapat jadi rujukan karena menggunakan bahasa Indonesia. Hanya saja, contoh yang digunakan menggunakan data vektor padahal kenyataan di lapangan data yang tersedia dengan gratis adalah data citra satelit. Silahkan baca postingan saya terdahulu untuk memperoleh citra satelit Landsat ETM+ untuk wilayah manapun di seluruh dunia. Setelah mengunduh lakukan klasifikasi dengan ISOCLAS agar menjadi mudah mengetahui jenis lahannya (land cover). Lihat postingan sebelumnya untuk klasifikasi lahan.

Jika sudah bisa membuat klasifikasi lahan dari citra satelit, untuk bahan belajar dengan cepat lihat video berikut yang dipublish oleh Clark Labs.

Tonton juga yang Part-2.

Karena aplikasi vertikal mengharuskan spesialisasi pada bidang yang akan diterapkan, ada baiknya juga buka-buka lagi teori dasar tentang Remote Sensing & Geographic Information System (GIS). Selamat Belajar.

Menulis Kalimat yang Efektif

Untuk memudahkan komunikasi, diperlukan sarana yang tepat. Walaupun saat ini multimedia yang melibatkan suara, visual, dan tulisan sudah banyak diterapkan, tetap saja tulisan menjadi bagian pokok dari multimedia karena sifatnya yang murah. Untungnya kita sudah diajari membuat komposisi tulisan sejak bangku sekolah dasar. Kita sudah mempelajari kata, kalimat, paragraf, bab, dan seterusnya. Untuk mengerti makna kata sepertinya tidak ada masalah, banyak kamus yang tersedia, termasuk juga google jika malas membuka-buka buku. Sementara itu untuk kalimat, paragraf, bab, dan sterusnya mau tidak mau harus mempelajari teknik-teknik dasarnya.

Banyak buku-buku yang memberikan panduan menulis. Semuanya baik dan dapat dijadikan rujukan. Salah satu buku rujukan yang saya miliki adalah “Writing Science” karya Joshua Schimel. Cukup banyak nasehat yang ditulis dalam buku itu, mana yang baik dan mana yang kurang tepat dari suatu contoh komposisi. Di sini satu hal yang bagi saya menarik adalah konsep “Flow” atau dalam bahasa kita “mengalir”. Untuk masalah struktur yang tepat dalam suatu paragraf atau makalah, lihat postingan sebelumnya.

Dalam buku itu mengalir berarti antara satu kalimat dengan kalimat lainnya terkait satu sama lain, juga antara satu paragraf dengan paragraf lain, dan satu bab dengan bab lainnya. Gambaran untuk hal ini mirip dengan dewa zaman Yunani yakni dewa Janus yang berkepala dua.

Di sini kepala dua berarti ketika melihat ke belakang, kita juga melihat ke depan sekaligus, begitu juga halnya ketika menulis sebuah kalimat. Ketika sedang menulis satu kalimat, kita harus melihat kalimat sebelumnya dan juga kalimat berikutnya. Dengan demikian, ada “Flow” antara satu kalimat dengan kalimat lainnya. Kalau begitu sepertinya langsung ke contoh lebih baik. Perhatikan paragraf berikut yang diambil dari buku Writing Science tersebut.

Molecules are comprised of covalently bonded atoms. Molecules‘ reactions
are controlled by the strength of the bonds. Molecules, however, sometimes
react slower than bond strength would predict.

Kelihatannya tidak ada masalah, tetapi dari sisi flow tampak kurang mengalir dari satu kalimat ke kalimat lainnya. Disebut kurang mengalir karena paragraf tersebut seperti sekumpulan fakta, dan pembaca harus bersusah payah mengkaitkan antara satu kalimat dengan kalimat yang lain. Padahal salah satu syarat tulisan yang baik adalah “mudahkan pembaca dalam memahami tulisan kita”. Perhatikan kalimat versi kedua berikut ini:

Molecules are comprised of covalently bonded atoms. Bond strength controls a molecule’s reactions. Sometimes however, those reactions are slower than bond strength would predict.

Jika dibaca, pembaca akan mudah mengikuti alur dari paragraf tersebut. Mengapa ini terjadi? Pengarang buku tersebut memberi pengertian terlebih dahulu mengenai konsep topic dan stress. Tiap kalimat harus memiliki topic dan stress. Topic pada kalimat pertama di atas adalah molecules sementara stress-nya adalah covalently bonded atoms. Kalimat berikutnya silahkan cari sendiri. Untuk mudahnya membedakan paragraf pertama dan kedua contoh di atas adalah bagan berikut ini.

Yang atas adalah contoh paragraf yang tidak mengalir sementara yang bawah adalah perbaikan dari yang atas dan menghasilkan paragraf yang mengalir dengan baik. Topic terhubung dengan stress dan sebaliknya stress dengan topic. Akan tetapi tidak harus topic yang terhubung dengan stress (dan sebaliknya) itu adalah kata yang sama persis, bisa juga berupa konteks lain yang tidak jauh berbeda. Selain itu terkadang Opening yang terletak di awal kalimat terkadang boleh berupa rangkaian topic-topic karena membutuhkan lebih dari satu kalimat, khususnya ketika memperkenalkan sesuatu yang banyak. Contohnya berikut ini:

“Salvage logging is an increasingly common way of harvesting forests that
have been attacked by insect pests. In salvage logging, trees that have been
attacked are selectively harvested. The dead trees that are harvested, however,
can provide cavities that are nesting sites for birds. The population biology of
cavity-nesting birds is therefore likely affected by salvage logging.”

Di sini “salvage logging” pada kalimat pertama dan sekaligus menjadi topic terangkai dengan “salvage logging” lagi di kalimat kedua. Hal ini tidak mengganggu karena penjelasan kalimat pertama dirasa belum cukup sehingga harus dilanjutkan lagi dengan kalimat kedua dengan topic yang sama. Silahkan baca sendiri buku yang lumayan bagus itu. Yang ingin mengetahui “signal word” apa saja yg sering dipakai silahkan lihat postingan tentang kata/frasa penghubung.

Nonlinear Autoregressive Network With External (NARXNET) dengan GUI di Matlab

Kemunculan regresi dengan NARX sangat menarik karena regresi dengan metode ini tidak hanya sekedar meramal berdasarkan data time series yang ada melainkan dengan menambahkan pula variabel lain yang dikenal dengan istilah exogenous. Variabel ini berfungsi untuk membantu mengarahkan peramalan agar sesuai dengan kondisi yang ada. Beberapa peneliti menyarankan untuk membatasi jumlah variabel eksogen tersebut karena jika terlalu dominan maka fungsi peramalan jadi berkurang. Berkurang di sini maksudnya bukan domain peramalan (forcasting) lagi melainkan prediksi seperti biasa. Buka GUI untuk proyeksi dengan mengetik ntstool di command window (jika tidak ada maka Matlab harus diupgrade ke yang lebih baru). Perhatikan penggunaan kurung kurawal, di sini digunakan format data cell.

  • >> X={100 90 80 70 60 50 40 30 20 10};
  • >> T={1 2 3 4 5 6 7 8 9 10};

Perhatikan dua data tersebut, yang atas data yang berkurang terus mengikuti waktu, sementara data yang bawah akan dijadikan data eksogen yang berkembang terus. Pilih problem yang paling atas di jendela ntstool yaitu NARX.

Perhatikan gambar di atas dimana di sini hasil keluaran yang ingin dicapai adalah y(t), sekaligus sebagai umpan balik untuk masukan. Sementara variabel exogenous adalah x(t). Jadi x(t) dan y(t) pada contoh kasus ini adalah berturut-turut X dan T. Masukan data input dan target tersebut ke jendela ntstool dan lanjutkan hingga proses pelatihan (train). Jangan lupa simpan hasil network-nya dengan menekan tombol Save Result. Untuk mengetahui kinerja hasil training, tekan tombol Test Network setelah memasukan X dan T. Kinerjanya dapat dilihat dengan menekan tombol Plot Response.

Karena d diisi dengan 2 maka dua data pertama dijadikan sebagai patokan untuk meramalkan data ke-3 sampai ke-10. Akibatnya pada grafik di atas data yang ditampilkan adalah delapan, karena yang dua pertama dijadikan sebagai patokan training.

Untuk memprediksi, seperti pada postingan yang terdahulu tentang narnet yang tanpa variabel eksogen, gunakan fungsi removedelay. Ys pada instruksi di bawah ini memunculkan data ke-11 hasil peramalannya.

  • >> nets = removedelay(net);
  • >> view(net)
  • >> [Xs,Xis,Ais,Ts] = preparets(nets,X,{},T);
  • >> Ys = nets(Xs,Xis,Ais);

Dari perhitungan di komputer saya menunjukan 10.993. Jika ingin mem-plot hasilnya jangan lupa dikonversi kembali data dengan format cell menjadi numerik dengan instruksi cell2mat.

  • Ys =
  • Columns 1 through 7
  • [3.0007] [4.0004] [5.0001] [6.0000] [7.0000] [7.9999] [8.9999]
  • Columns 8 through 9
  • [9.9906] [10.9330]

Bagaimana untuk data ke-12? Gunakan saja teknik yang sama untuk memperoleh data ke-11. Latih data ke-1 hingga ke-11 (data baru), untuk memprediksi data ke-12.

Prediksi Time Series dengan ntstool Matlab

Matlab memiliki fasilitas berbasis Graphic User Interface (GUI) untuk memprediksi data time series. Fasilitas Help yang tersedia di Matlab sepertinya terlalu rumit, terutama bagi pengguna baru. Seperti penerapan Matlab di bidang lainnya, anda harus memahami konsep dasar bidang yang akan diterapkan di Matlab karena seperti alat bantu (tools) lain pada umumnya, Matlab hanya berfungsi mempermudah proses pengolahan dan komputasi. Postingan sebelumnya sedikit banyak memberi gambaran bagaimana mengelola data time series.

a. Mempersiapkan Jaringan Syaraf Tiruan untuk Proyeksi

Buka jendela ntstool dengan mengetik ntstool di command window matlab.

Untuk mudahnya kita buat dengan data sederhana agar terlihat akurasinya dengan jelas. Misalnya data sebanyak sepuluh buah yang runtun membesar dari satu hingga sepuluh (jika diteruskan kira-kira 11, 12, 13, dst). Di sini data yang kita gunakan berstruktur cell sehingga menggunakan kurung kurawal di antaranya.

  • data={1 2 3 4 5 6 7 8 9 10};

Karena tidak ada intervention variable atau di Matlab disebut dengan istilah external (exogenous) maka kita memilih yang tengah.

Di sini variabel d berfungsi sebagai masukan terhadap nntool yang sudah dilatih untuk memprediksi keluaran. D sering disebut juga dengan jendela. Jika kita memberikan nilai 3 pada jendela (defaultnya 2) maka nntool akan memprediksi data ke-4 dan seterusnya. Untuk mudahnya kita ambil harga d=2 saja. Ambil data yang akan dilatih:

Defaultnya adalah data berbentuk sequence yang menggunakan fungsi con2seq terhadap data yang akan diliatih jika ingin menggunakan format Cell column. Klik next terus hingga bagian arsitektur nntool. Isi d dengan angka 3 yang artinya dua data akan digunakan sebagai masukan.

Lanjutkan dengan tekan tombol train yang bersimbol petir . Tunggu beberapa saat hingga Matlab berhasil melakukan proses pembelajaran (training). Selamat, Anda telah berhasil membuat jaringan syaraf tiruan (JST) untuk memprediksi. Tetapi sampai di sini kita baru sampai memprediksi data ke-3,4, …, 10 saja, dengan hasil akurasi dapat dilihat dengan cara menguji JST itu. Isi kolom target dengan data yang digunakan untuk learning.

Setelah menekan tombol Test Network, lanjutkan dengan menekan tombol Plot Response untuk mengetahui akurasi learning.

Grafik di atas bermaksud menguji kemampuan data ke-1 dan ke-2 dalam memprediksi data ke-3 hingga ke-10 (total ada delapan data yang diprediksi). Hasil pembelajaran lumayan bagus dimana prediksi dengan data sebenarnya tidak jauh berbeda. Jika kurang puas dapat anda ulangi proses pelatihannya dengan menekan tombol retrain. Jika sudah dirasa cukup akurat, lanjutkan dengan menekan next hingga dijumpai jendela Save Result. Jangan lupa menekan tombol ini supaya hasil training tersimpan di workspace.

Tekan tombol FINISH untuk mengakhiri proses learning. Berikutnya kita masuk ke bagian yang lebih rumit yakni memprediksi data di masa yang akan datang.

b. Proyeksi Data

Untuk memproyeksi satu data tambahan, yaitu data ke-11, Matlab menyediakan fungsi removedelay. Pada command window ketik fungsi itu untuk membuat satu network baru, misal beri nama “nets”.

  • nets=removedelay(net);
  • [xs,xis,ais,ts] = preparets(nets,{},{},data);
  • ys = nets(xs,xis,ais)

Perhatikan ada satu fungsi tambahan yang berfungsi mempersiapkan data untuk mensimulasikan JST baru yaitu preparets. Hal ini perlu karena JST untuk time series berbeda dengan JST untuk data biasa. Variabel yc akan memberikan hasil time series dengan satu data tambahan yang merupakan ramalan ke depan.

Perhatikan data baru hasil prediksi yaitu, 11.4630. Jika kita lihat deret di atas (secara logika sederhana), seharusnya hasil peramalan adalah 11.0000 tetapi walaupun demikian, dirasa sudah cukup akurat. Ys merupakan data prediksi date ke-3 hingga ke-11. Jika ingin diperoleh data totalnya dapat dengan menyipsikan data pertama dan kedua yang dijadikan sebagai variabel d (dua data pertama sebagai dasar prediksi, 1:2). Lanjut ke NARX dengan variabel exogenous.

  • ytotal=[data(:,1:2) ys];
  • plot(cell2mat(ytotal))

Reclassify Hasil Unsupervised Clustering

Karena unsupervised clustering menghasilkan klasifikasi hanya berdasarkan citra warna satelit maka hasilnya belum menunjukan klasifikasi secara real, misalnya apakah suatu land use itu hutan, sungai, buit up area, dan lain-lain. Oleh karena itu kini tugas pengguna IDRISI untuk mengklasifikasi hasil pengolahan citra tersebut mengikuti kenyataan real di lapangan. Caranya mudah, dengan menggunakan jendela Reclass

Untuk memudahkan mana kelas yang harus di-merger, kita bisa memanfaatkan tool edit dengan mengklik menu Data Entry lalu pilih Edit. Isi bagian mana yang berubah dengan urutan sebagai berikut: nilai terkini, batas nilai terbawah (lebih besar dan sama dengan >= ), dan batas nilai teratas (kurang dari < ). Pastikan seluruh kelas lama tercantum dalam reclass.

Cara membaca editor di atas adalah sebagai berikut. Perhatikan baris pertama berisi deretan angka 0, 0, dan 2 yang dipisahkan oleh spasi. Nol paling kiri adalah kelas 0, nol kedua berisi batas bawah yaitu nol dan batas atas yaitu 2. Jadi kelas nol berisi range 0 dan 1. Di sini 2 tidak termasuk karena prinsipnya kurang dari, bukan kurang dari dan sama dengan. Teliti kembali, jangan sampai ada kelas yang tidak tercantum di seluruh baris editor di atas.

Simpan dengan nama bebas tetapi jangan lupa pilihan file extension dengan nama rcl. Kemudian panggil lewat jendela RECLASS yang telah dibuka sebelumnya dan arahkan ke file tersebut. Akhiri dengan menekan OK. Tunggu sesaat dan reclassify sudah berhasil dilakukan.

Beberapa kelas dimerger menjadi satu, misalnya antara air laut dengan air danau dan sungai. Hasilnya kira-kira seperti gambar di bawah ini. Selamat mencoba.

Konversi Citra Satelit Landsat ETM+ ke Format IDRISI

Untuk memahami secara cepat masalah citra satelit, apa itu landsat, ETM+ dan spektrum warna, ada baiknya membaca link berikut ini (tetapi dalam bahasa Inggris). Ketika mengunduh citra satelit di situs resmi USGS Amerika (lihat tata caranya di postingan sebelumnya), sebaiknya mengikuti tip dan triks berikut ini:

  • Pilih slot waktu pemotretan yang jernih dengan cara mengunduh terlebih dahulu satu file kecil (true color) tile dan lihat kondisinya sebelum mengunduh file ukuran besarnya, dan
  • Unduh produk lengkapnya, dengan rentang ukuran file dari 200 Mb hingga 1 Gb.

Jika kita mengunduh produk lengkap maka kita akan memperoleh enam hingga delapan spektrum band. Dengan mengunduh banyak band, maka untuk klasifikasi hasil yang diperoleh lebih baik. Berikut ini cara mengkonversi dengan cepat dan sederhana file “GeoTIFF” hasil download dari situ USGS. Buka IDRISI dan masuk ke menu Import.

Kemudian isi file dengan mengarahkan ke lokasi file hasil download setelah diekstrak (biasanya diekstrak dua kali). Arahkan pula lokasi output setelah diberi nama sesuai dengan band nya.

Setelah itu IDRISI akan mengkonversi ketujuh citra satelit itu menjadi tujuh file berekstensi rst. Di sini karena akan digunakan untuk klasifikasi, hanya tujuh band yang diperlukan mengingat IDRISI maksimal mengklasifikasi (unsupervised) citra composite sebanyak tujuh band.

Clip data Raster Mengikuti Polygon

Untuk melakukan proses clipping (menggunting) suatu data raster sebenarnya sederhana, tetapi terkadang menjengkelkan karena walaupun sederhana tetapi jika tidak tahu ya tetap membutuhkan panduan. Sebenarnya di toolbox pada ArcGIS disertai dengan panduan tetapi karena kurang detil ditambah lagi bahasa Inggris, membuat pengguna jadi enggan membacanya.

Untuk mempraktekannya siapkan terlebih dahulu data raster yang akan digunting. Banyak sumber untuk memperoleh data raster, atau Anda bisa membuat dengan mengkonversi data polygon menjadi raster dengan fungsi polygon to raster. Gambar berikut menunjukan rencana untuk menggunting citra satelit band1 mengikuti kota Bekasi yang berwarna hijau.

Panggil fungsi clip raster di toolbox (bisa juga dengan searching dengan kata kunci “raster clip”). Setelah muncul jendel clip maka isi dengan hati-hati parameter-parameternya. Sebagai informasi, tool Clip yang dibuat dari menu Geoprocessing tidak bisa digunakan untuk data raster (hanya polygon).

Jangan lupa men-cecklist “use Input Features for Clipping Geometry (Optional)”. Jika tidak dicentang maka hasil clipping hanya berupa extent persegi panjang sekitar “bekasi_city”. Dan proses ini belum selesai, tab Environments harus diklik untuk mengisi parameter-parameternya.

Ada dua parameter yang perlu diisi: process extent dan raster analysis. Jika pada process extent kita mengisi “extent”, pada raster analysis diisi kolom “mask” dengan “bekasi city”. Akhiri dengan menekan “OK”.

Oiya, jangan lupa mengarahkan hasil output raster dataset ke lokasi yang sudah ditentukan. Tunggu beberapa saat dan pastikan ada pesan bahwa clipping berhasil dengan baik di pojok kanan bawah.

Klasifikasi Citra Satelit dengan IDRISI Selva 17

Citra satelit dapat kita klasifikasikan berdasarkan warna yang menandakan apakah suatu obyek itu bangunan, perairan, tanaman, dan sejenisnya. Klasifikasi yang sering digunakan adalah unsupervised learning dimana sistem mencari sendiri kesamaan antara satu kelas dengan kelas lainnya. Postingan kali ini bermaksud mempraktekan bagaimana cara membuat klasifikasi dengan software IDRISI. Untuk itu siapkan terlebih dahulu citra satelit yang akan diklasifikasi. Terkadang proses cropping (biasanya dengan proses clipping) diperlukan karena jika study area terlalu luas maka sistem akan bekerja lebih lambat dalam memprosesnya. Gambar di bawah ini adalah proses Clipping dengan menggunakan ArcGIS.

Seperti langkah-langkah yang dijelaskan pada postingan sebelumnya untuk mengkonversi dari format ArcGIS ke IDRISI maka diperlukan export ke format ASCII (text). Berikutnya file ASCII itu diexpor ke IDRISI untuk dikonversi menjadi file *.rst.

Pada tab “image processing” pilih “hard clustering” dilanjutkan dengan memilih “ISOCLUST”.

Isi jumlah iterasi, jumlah kelas dan resolusi piksel, di kasus saya berturut-turut 10, 20, dan 60. Sebagai informasi, makin banyak iterasi hasil makin bagus tetapi memerlukan proses yang lebih lama, bahkan hingga berjam-jam untuk iterasi yang ratusan. Komputer seperti “hang”, tetapi jangan khawatir ditunggu saja. Hasil untuk 3 iterasi sepertinya kurang memuaskan.

Untuk menghasilkan hasil klasifikasi yang baik sebaiknya seluruh band terlibat pada proses klasifikasi. Di sini dicoba band 1 sampai 6 untuk ikut diklasifikasi.

Hasilnya dapat dilihat berikut ini. Proses yang tadinya beberapa menit menjadi beberapa jam karena melibatkan enam layer band untuk klasifikasi.

cluster_result

Tidak sampai di sini saja, tugas berikutnya tidak kalah berat yaitu mengklasifikasikan lagi secara manual dengan menggabungkan kelas-kelas yang sekiranya sama.

Konversi Format ArcGIS ke IDRISI

Dalam dunia GIS kita mengenal tiga tipe data: raster, vektor, dan atribut. Penjelasan gampangnya adalah restor menggambarkan image yang berupa piksel, vektor menggambarkan koordinat titik, garis, dan poligon, serta atribut yang berupa tabel (seperti pada sistem basis data). Di sini akan dicoba konversi data raster dan vektor dari ArcGIS ke IDRISI.

Buka ArcGIS beserta data raster yang akan dikonversi. Dengan jendela search cari tool raster to ascii. Dobel klik hasil pencarian tersebut ( pilih yang conversion).

Di sini akan digunakan metode dari TIF ke ASCII dan nanti oleh IDRISI dikonversi menjadi rst, format standar IDRISI.

Pastikan simbol centang tanda proses konversi ke ASCII berjalan dengan baik muncul di pojok kanan bawah dan data sudah ada di Table of Content. Berikutnya kita beralih ke IDRISI Selva 17.

Setelah masuk ke jendela Arcraster, pilih file *.txt yang akan dikonversi ke *.rst. Pastiken tombol “OK” sudah bisa ditekan agar proses konversi dapat segera dijalankan. Tunggu beberapa saat, dan gambar Anda sudah bisa dilihat di software IDRISI selva 17.

Untuk konversi file vektor ArcGIS ke IDRISI gunakan toolbox Shapeidr. Tampilan berikut menunjukan hasil konversi data raster *.tif dari ArcGIS ke *.rst dan dari data vektor *.shp ke *.vct pada IDRISI selva. Selamat mencoba.

Download Peta Satelit Landsat

Mungkin banyak yang belum tahu bahwa satelit landsat buatan US (saat ini sudah generasi ke-8) yang berharga ratusan juta dollar ternyata gratis untuk memperoleh hasil foto-nya. Bukan hanya data terkini, situs resmi untuk mengunduhnya pun menyediakan data masa lampau. Berikut ini saya mencoba mengunduh citra satelit kota bekasi bulan oktober 2000, tepatnya tanggal 8 yang tersedia. Buka situs USGS: http://glovis.usgs.gov/

Sebelumnya Java harus terinstall terlebih dahulu di komputer Anda agar peta terlihat setelah mengisi tanggal pembambilan citra satelit yang diinginkan. Berikutnya adalah proses pengunduhan yang diarahkan ke situs “earth explorer“. Anda terlebih dahulu harus register ke situs ini dengan mencantumkan alamat email untuk login. Prosesnya mudah, tinggal mengisi data-data isian dan diakhiri dengan aktivasi via email. Registrasi ke situs ini juga gratis. Jika Anda sudah teregister, isian untuk download akan tampak seperti gambar berikut ini.

Tekan tombol “download” yang berada di kanan dengan simbol panah ke bawah (di samping tanda silang merah). Empat file download akan muncul yaitu: natural color image, thermal image, image with geo reference, dan level 1 product (berukuran ratusan Mb). Berikutnya data siap diolah, biasanya digunakan untuk memprediksi perkembangan suatu wilayah.

Update: 1 April 2018

Ternyata login USGS akan kadaluarsa jika tidak digunakan selama setahun. Saya menerima email pemberitahuan tersebut dari situs resmi USGS.

delete notification

Terpaksa dah login dan buka-buka, sekalian donlot-donlot. Jika tidak akun akan otomatis dihapus 1 Mei, atau bulan depan.

Struktur Penulisan Artikel

Menulis terkadang membuat kita bingung dari mana kita memulai dan apa yang akan kita tulis. Menulis yang dimaksud di sini dapat berupa tulisan ilmiah maupun artikel umum (novel, berita, dan sebagainya). Walaupun tiap jenis tulisan berbeda maksud dan tujuannya tetapi memiliki kesamaan yaitu adanya alur cerita (story). Alur cerita harus dimiliki walaupun dalam artikel ilmiah karena dengan alur cerita yang baik pembaca mampu memahami dengan mudah tulisan tersebut. Mudahnya pembaca memahami tulisan yang dibaca merupakan ciri khas dari tulisan yang baik.

Secara umum tulisan yang baik memiliki ciri-ciri yang dikenal dengan istilah SUCCESS yang merupakan singkatan dari: Simple (sederhana), Unexpected (kejutan), Concrete (nyata), Emotional (emosi), dan Stories (alur cerita). Apabila suatu tulisan memiliki kriteria di atas dapat dipastikan pembaca akan terus membaca tulisan tersebut. Kesederhanaan tulisan sangat disukai oleh pembaca yang memang rata-rata memiliki keterbatasan waktu untuk membaca. Sementara itu adanya aspek kejutan dan emosi mampu menahan pembaca untuk tetap setia membaca tulisan yang dibacanya. Kemampuan penulis memberi gambaran nyata dan alur cerita yang runtun memudahkan pembaca memahami tulisan dengan cepat.

Untuk membuat tulisan dengan alur cerita yang baik, ada beragam jenis pola yang dapat dijadikan rujukan. Ada empat pola yang dapat dijadikan rujukan berdasarkan sabar atau tidaknya target pembaca antara lain: struktur OCAR, struktur ABDCE, struktur LD, dan struktur LDR.

Pola struktur pertama yang memiliki karakter cocok untuk pembaca yang sabar untuk tetap membaca adalah OCAR, singkatan dari Opening (pembukaan), Challenge (tantangan), Action (aksi), dan Resolution (penyelesaian). Jenis pola ini biasa diterapkan pada tulisan fiksi (novel, roman, dan sejenisnya) maupun artikel ilmiah. Dalam artikel ilmiah, tantangan ditulis setelah bagian pembukaan selesai dibuat. Secara perlahan namun pasti penulis membangun tulisan dan pembaca harus dengan sabar mengikuti tulisan tersebut.

Jika pembaca kurang sabar dalam membaca, misalnya pada proposal, maka pola yang tepat adalah ABDCE yang merupakan singkatan dari Action (Aksi), Background (latar belakang), Development (pengembangan), Climax (klimaks), dan Ending (akhir). Ketika tulisan dibuat, penulis langsung menerapkan aksi di awal tulisan (dalam OCAR, O dan C digabung) dengan harapan pembaca tetap setia menelusuri tulisannya.

Struktur ketiga adalah LDR yang lebih cocok untuk pembaca yang lebih tidak sabar dibanding ABDCE. LD sendiri singkatan dari Lead/Development & Resolution (LDR). Struktur ini biasa diterapkan oleh para wartawan (majalah) dimana kalimat utama selalu diletakan di awal tulisan, dilanjutkan dengan pengembangan kalimat utama tersebut dan diakhiri dengan penyelesaian.

Sementara itu untuk pembaca yang sangat sibuk, maka struktur Lead/Development (LD) biasanya diterapkan oleh wartawan surat kabar dimana kalimat berita utama harus diletakan di awal pada halaman pertama yang memiliki keterbatasan ruang. Terkadang penulis mengorbankan penyelesaian yang biasanya diletakan oleh editor di halaman lain dan kebanyakan tidak dibaca oleh pembaca yang memang hanya membutuhkan kabar penting saja.

Keempat pola yang disebutkan di atas secara eksplisit jarang ditemukan dalam suatu artikel ilmiah. Salah satu pola yang sering ditemukan adalah struktur OCAR yang dalam suatu artikel biasanya berpola IMRaD, singkatan dari Introduction (pendahuluan), Materials and Mathods (bahan dan metode), Results (hasil), dan Discussion (pembahasan). Pola ini menggabungkan pembukaan dan tantangan (biasanya ditambahkan pula latar belakang) pada OCAR. Sementara itu aksi pada OCAR dipecah menjadi bahan & metode dan hasil pada IMRaD. Jika bahan dan metode adalah aksi yang berisi apa yang dilakukan, maka hasil merupakan aksi lanjutan yang berisi apa yang ditemukan dalam suatu penelitian. Bagian hasil pada IMRaD sama dengan penyelesaian pada OCAR yang terkadang ditambahkan pula bagian kesimpulan (conclusion).

Baca: MEMBUAT KALIMAT YG EFEKTIF

Pola-pola tersebut dapat diterapkan pada tulisan yang akan kita buat dengan konsekuensi-konsekuensinya. Langkah berikutnya adalah memahami struktur internal dari tulisan yang akan disusun yang biasanya harus mengikuti kaidah kohesi (cohesion) dan koheren (coheren) dimana kohesi bermaksud agar suatu paragraf memiliki kalimat yang saling mendukung satu topik tertentu sementara koheren menjamin keterkaitan antara satu paragraf dengan paragraf lainnya dalam membangun alur cerita suatu artikel.

Referensi: Schimel, Joshua. 2012. Writing Science – How to Write Papers that Get Cited and Proposals that Get Funded. New York: Oxford University Press.

Auto-Clustering dengan Evolutionary Algorithms

Jika pada postingan yang lalu dibahas clustering dengan jumlah kluster yang sudah ditetapkan dari awal, kali ini kita akan membahas clustering dengan jumlah kluster yang optimal. Optimal di sini masih menjadi perdebatan, terutama dalam menentukan kedekatan (similarity) antar anggota kluster. Makin tinggi nilai similarity antar elemen dalam kluster yang sama dan makin rendah dengan kluster yang berbeda, makin optimal proses clustering yang dilakukan. Banyak metode yang dapat digunakan untuk proses klusterisasi antara lain: k-means, FCM, DBSCAN, OPTICS, CLARANS, dan lain-lain. Tetapi untuk auto-clustering diperlukan iterasi untuk mencari titik pusat dan jumlah kluster terbaik. Salah satu situs yang cukup baik untuk menjadi rujukan klusterisasi adalah dari yarzip.com dengan metode evolutionarinya (genetic algorithms, particle swarm optimisation, dan differential evolution).

Dengan menggunakan data dari landuse optimisation, algoritma dari situs di atas dapat diterapkan. Misalnya saya akan mengkluster penggunaan lahan pemukiman. Dengan menggunakan Matlab 2013 hasil runningnya dapat dilihat berikut ini.

Keyboard USB untuk Microsoft Surface

Seharian saya dan teman-teman keliling pusat elektronik dekat kampus, Zeer, tetapi tidak berhasil menemukan penjual keyboard tablet microsoft surface atau yang dikenal dengan nama type cover. Seandainya ada pun itu untuk surface versi baru yang ukurannya tidak pas (kegedean) ditambah lagi harganya yang sama dengan handphone korea. Karena seringnya dipergunakan dengan cara memutar type cover 360 derajat akhirnya lembaran konektor antara keyboard dengan tablet terputus, hasilnya saya mencoba mengetik di surface dengan keyboard virtual dengan problematika yang ada.

Karena sudah terbiasa dengan mengetik buta yang mengandalkan rabaan di rumah jari maka teknik ini tidak mungkin bisa diterapkan pada keyboard virtual yang mengandalkan visual. Untuk darurat sih oke juga tetapi untuk menulis skripsi atau tesis tentu saja ribet karena lambat.

Sebenarnya ketika di dormitory (kos-kosan) saya lebih suka mengetik dengan laptop, tetapi ketika menulis di Indonesia dengan rutinitas keseharian yang padat, sepertinya tidak sempat mengetik dengan laptop yang harus menyiapkan meja, kabel, dan sejenisnya. Berbeda dengan tablet yang dengan cepat membuka aplikasi layaknya handphone. Mau beli online ragu, ditambah lagi tablet surface saya yang sudah berusia tiga tahun (mending beli baru sekalian). Tapi saya takjub dengan daya tahan baterai surface yang bisa dua hari untuk pemakaian normal, padahal sudah tiga tahun.

 

Akhirnya saya pakai jalan pintas, membeli keyboad berukuran kecil tapi bisa mengetik cepat di toko samping kampus (book store). Lumayan bisa mengetik cepat di kasur atau dipermukaan yang tidak rata, termasuk di pangkuan kita. Tapi ya begitulah, banyak aksara Thailand yang membuat keyboard jadi “ramai”. Memang agak ribet karena terpisah, tetapi kalau untuk mobile ya pakai keyboard virtual saja, toh paling mengetik singkat saja (keyboard ditinggal di rumah).

Perencanaan Wilayah Kota Bekasi 2010-2030

Setelah mengutak-atik optimasi dengan dasar sustainable development, tugas penelitian saya berikutnya adalah penerapan algoritma tersebut terhadap kebijakan wilayah kota Bekasi yang telah disetujui baik oleh walikota (waktu itu bapak Mochtar Muhammad) dan DPRD Kota Bekasi. Perencanaannya adalah pembuatan zona-zona wilayah: Komersil, Industri, Jasa, Tambang, Pemerintahan, Pemukiman Padat, Pemukiman Sedang, Pemukiman Rendah, dan ruang terbuka hijau (RTH). Rancangannya kira-kira sebagai berikut, diambil dari rencana tata kota Bekasi halaman 10.

Warna kuning muda, kuning, dan merah bata berturut-turut adalah perumahan kepadatan rendah, sedang, dan tinggi. Perumahan kepadatan tinggi memang dirancang untuk jenis perumahan vertikal. Sementara itu yang berwarna abu-abu adalah untuk industri, disusul berikutnya warna pink dan ungu yaitu untuk komersial dan jasa. Ada warna coklat di selatan kiri yaitu untuk tambang (berbentuk dua lingkaran), entah tambang apa, saya sepertinya harus mencari tahu.

Yang saya sedikit bingung adalah wilayah ruang terbuka hijau yang ditandai dengan warna hijau tua dan hijau muda, mengapa hanya sebesar itu? Memang di penjelasannya ruang terbuka ketika rancangan itu dibuat sebesar lebih dari 30%, tetapi luas sebesar itu diperbolehkan untuk dibangun menjadi rumah tinggal yang ujung-ujungnya akan mengurangi prosentasi tersebut. Memang sulit juga melarang penduduk untuk membuat rumah tinggal mengingat tanah itu memang tanah pribadi. Sebenarnya jika ingin OK, dapat meniru Singapura yang memaksa ruang terbuka 30% lebih dan penduduknya tinggal dalam rumah susun, seperti dapat kita lihat di situs street directory.

Lihat wilayah berwana hijau tua yang menandakan ruang terbuka hijau. Tapi memang sih, Singapura terpaksa membuat itu karena sekelilingnya negara lain, sementara Bekasi mengandalkan Bekasi kabupaten di sekelilingnya untuk ruang terbuka hijau, tetapi jika sekelilingnya tidak memperhatikan RTH, dan membangun seluruh lahan menjadi rumah (ekspansi orang kota Bekasi ke kabupaten), jadi sumpek juga dan suhu bisa tinggi seperti yang disindir oleh meme-meme bahwa Kota Bekas deket dengan matahari.

Sampailah saya tugas berikutnya, digitalisasi peta manual rencana tata ruang menjadi peta digital di atas agar bisa masuk ke algoritma yang sudah dirancang sebelumnya untuk optimalisasi. Gambar di atas adalah lokasi industri dan komersial. Untuk yang pengen tahu cara digitalisasi bisa lihat postingan saya sebelumnya.

Submit Paper Lagi

Paper atau yang juga dikenal dengan nama artikel jurnal merupakan idaman bagi mahasiswa doktoral, terutama artikel jurnal internasional. Saking berharganya, pemerintah bahkan menurunkan syarat untuk naik dari lektor ke lektor kepala (associate professor) yang tadinya harus bergelar doktor menjadi boleh dengan gelar magister/master asalkan sudah mempublikasikan tulisan di jurnal internasional. Memang mempublikasikan tulisan di jurnal internasional saat ini berat karena harus memiliki kontribusi terhadap ilmu pengetahuan di bidang tertentu.

Saya sendiri jika disuruh memilih tentu saja memilih jurnal internasional yang paling gampang atau dengan kata lain syarat minimal saja yang terpenuhi. Tapi tetap saja sulit ditembus karena persaingan yang ketat dimana kita harus bisa meyakinkan reviewer bahwa sesuatu yang kita sampaikan di artikel kita memiliki nilai kebaruan (state-of-the-art). Berbeda dengan dosen biasa yang tidak sedang tugas belajar dimana jika naskah tidak diterima tidak begitu berpengaruh terhadap kesehariannya, dosen yang sedang tugas belajar sangat kurang nyaman karena statusnya sebagai pelajar dikejar-kejar oleh waktu. Apalagi yang kuliah di luar negeri dan tidak membawa serta keluarga. Dijamin halal .. eh galau.

Bersyukurlah rekan-rekan yang sudah publish jurnal, atau setidaknya naskahnya sudah diterima (accepted), artinya gelar doktor sudah di depan mata, tinggal menjaga hubungan baik saja dengan supervisor/advisor. Mujur saya menganut paham disertasi dengan beberapa objektif yang tiap objektif dapat dijadikan satu paper, jadi ketika sedang meneliti, satu persatu paper dapat dicoba untuk dipublikasikan. Sial memang jika kasus yang kita buat tidak bisa dijadikan jurnal kecuali 100% penelitian kita selesai, padahal ketika men-submit, butuh waktu berbulan-bulan. Jadi mahasiswa doktoral yang lewat dari rentang waktu normal, sepertinya sudah biasa.

So, untuk para calon mahasiswa doktoral yang sedang mencari kampus untuk studi lanjut, perhatikan aturan yang ada di kampus yang dituju tersebut. Perhatikan jenisnya: langsung riset, kuliah sambil riset, atau kuliah dulu baru riset. Jika Anda diterima di kampus yang langsung riset, maka berbahagialah, karena biasanya lulus lebih cepat dibanding jenis yang lain, apalagi yang terakhir seperti di kampus saya, kuliah dulu hingga IPK (g.p.a) di atas 3.50 baru siap-siap ujian kandidasi (kelayakan menjadi kandidat doktor) disertai dengan proposal penelitian. Proposal sangat menentukan, apakah Anda bisa segera menyicil publikasi jurnal atau menunggu restu dari pembimbing setelah riset selesai. Lihat tulisan sebelumnya. Jika membuat artikel yang dipublikasikan menunggu riset selesai (biasanya tiga tahun), wallahualam .. biasanya lulus lewat dari 3 tahun .. setidaknya 4 tahun alias four years .. (bukan for years lho).