Idrisi Taiga vs Selva

Idrisi merupakan perangkat lunak untuk mengelola data raster/image yang terkenal. Aplikasi ini sudah banyak digunakan terutama dalam jurnal-jurnal ilmiah. Kebanyakan digunakan untuk pemodelan pertumbuhan lahan yang dikenal dengan nama Land Change Modeler (LCM). Dua versi yang terkenal adalah “Taiga” dan “Selva”. Postingan singkat ini akan membahas plus minus kedua versi tersebut berdasarkan pengalaman yang dijumpai ketika memodelkan pertumbuhan lahan.

Walaupun terjadi sedikit konflik ketika kedua versi Idrisi tersebut diinstal bersamaan, tetapi tetap dapat dijalankan. Memang ada sedikit “hang” ketika beralih dari Idrisi taiga ke Selva, tetapi dengan menggunakan “task manager” window masalah itu dapat diselesaikan. Caranya adalah dengan men-“end task” proses idrisi yang “hang” tersebut. Untuk amannya sebaiknya membuka Idrisi di dua “account” windows yang berbeda, misalnya “user” dan “administrator”, atau user1 dan user2.

Idrisi Selva

Idrisi ini merupakan versi perbaikan dari Idrisi Taiga yang kaku. Kaku karena untuk mengelola dua jenis image, harus dipenuhi syarat-syarat sebagai berikut (lihat penjelasan lengkap di situs resminya):

Spatial extent harus konsisten
Sistem proyeksi/reference harus konsisten
Resolusi piksel harus sama
Kategori legend harus sama
Nilai background harus nol
background harus sama

Salah satu keunggulan selva adalah fasilitas harmonize yang akan memandu pengguna ketika dijumpai dua image yang beda spesifikasi, biasanya “legend” yang kurang pas. Selain fasilitas tersebut, Selva menyediakan satu metode training model yaitu SimWeight. Motode tambahan ini sepertinya kurang begitu signifikan karena berdasarkan uji coba yang dilakukan oleh vendor Idrisi, metode MLP neural network mengungguli motede SimWeight dan Logistic Regression.

Idrisi Taiga

Versi Taiga mengharuskan pengguna memahami teknik-teknik dalam memanipulasi suatu image seperti Project, Reclass, Mathematical, dan sebagainya. Metadata yang tersedia (terletak di bawah Idrisi Explorer) sangat membantu untuk mengetahui struktur suatu Image.

Terjadi sedikit hambatan ketika menggunakan Idrisi Selva yaitu hasil training MLP ketika digunakan untuk memprediksi muncul pesan kesalahan. Tetapi anehnya ketika dijalankan dengan Idrisi Taiga dapat berjalan dengan normal. Training dengan logistic regression di Taiga dapat berjalan baik dan cepat, terutama ketika menggunakan jumlah driver yang banyak. Jadi untuk sementara saya masih menggunakan Taiga, walaupun terkadang menggunakan Selva karena kepraktisannya. Pilihan ada di tangan pengguna apakah menggunakan Taiga atau Selva atau berdasarkan Lisensi yang dimiliki (kebetulan kampus saya menggunakan versi taiga yang agak “jadul”). Yang saya suka dari Taiga adalah akses yang lebih cepat (membuka dan menutup aplikasi) dan tampilan GUI yang sepertinya lebih praktis (hanya sedikit).

Cropping an Image in IDRISI

Previous post discussed how to use WINDOW function to crop big satellite image, but it only implements for rectangular area. Distance function in IDRISI that used for creating a driver of land-use growth (previous post about driver creation) also in rectangular extent. This post tries to explain how to create a driver with the true extent region, e.g. Bekasi city.

The dark area was a true extent of Bekasi city. The problem is how to crop the image based on Bekasi city? I have searched IDRISI function for cropping an area similar with “crop” function in ArcGIS but I have not found it yet. Finally I found the Mathematical function in “GIS analysis” menu. To use this function we have to prepare the crop image first. (Please write a comment for other method suggestion).

The background and the study area are separated with zero and one classes respectively. Since multiplying a zero and one to a driver will create a zero and an existing value of the driver, the background will be zero and the actual driver only presents with true extent of Bekasi city.

Input the first, second, and output image for overlaying calculation. Choose first * second for multiplying first with the second image. It seems easy, but in the implementation users must consider many things, e.g. the projection and extent between first and second images. Use “Metadata” to match both images.

Use “PROJECT” to match first with second images (See previous post how to use this function).

Creating Layer Group (RGF) File in IDRISI

RGF is a layer group file that containes number of image (raster) file. It makes easy when inserting a group of image file, e.g. in inserting drivers of land use growth (see figure below).

Instead of inserting one by one, we can simply insert layer group of variables. Open “Idrisi Explorer” and chose image files as member of layer group.

Right click the mouse and chose “Create” and “Raster Group”. Raster group file will be created and rename it, e.g. “Driver1.rgf”.

Add member of Layer group

To add member of layer group just click “Add Icon” in “Metadata”. Metadata is located below IDRISI Explorer. Add the new variable to be inserted in the layer group.

Click other image file and after click “OK” as confirmation, the new variable has successfully added to your layer group.

Program “World Class Professor” Ristek-Dikti

Semenjak bergabungnya kementerian ristek dengan pendidikan tinggi (Dikti) banyak trobosan-trobosan dalam kementerian yang dipimpin oleh M. Natsir ini baik yang pro maupun yang kontra (lihat yang kontra di post terdahulu). Salah satu trobosan yang sepertinya masuk kategori “pro” adalah program profesor kelas dunia (world class professor). Program ini bermaksud mendongkrak publikasi ilmiah negara kita, mengingat data di tahun 2014 yang menyebutkan bahwa kita masuk rangking 52 dari sisi jumlah publikasi ilmiah terindeks Scopus, padahal jumlah penduduk kita nomor 4 di dunia. Silahkan baca presentasinya di link sumber daya dikti ini.

Scopus walaupun dikritik karena sifatnya yang profit oriented tetapi dijadikan patokan oleh kebanyakan kampus-kampus di seluruh dunia, terutama kampus berbasis riset (research university). Sementara itu program world class professor sendiri menargetkan untuk membentuk suatu research university (lihat gambar di atas). Sasaran utamanya adalah faculty members, yang tidak lain adalah dosen.

Program profesor kelas dunia ini merupakan pilihan dari tiga alternatif untuk meningkatkan rangking kampus di Indonesia. Alternatif pertama adalah membentuk universitas riset. Untuk membentuknya dibutuhkan dana dan dukungan yang besar dan sulit. Sementara itu alternatif kedua adalah dengan merubah/mengkonversi teaching-based university menjadi universitas riset. Cara ini ditempuh oleh Malaysia yang menghasilkan universitas riset lewat konversi 5 PTN dan 1 PTS. Pemerintahnya men-support penuh. Indonesia memilih alternatif ketiga yaitu dengan programnya: profesor kelas dunia.

Skema Program World Class Professor

Ada dua skema program tersebut yaitu skema A dan B. Skema A jika dibaca dari presentasi paparan program itu adalah membentuk suatu kerja sama dengan kampus lain, berupa pusat unggulan riset. Profesor dari kampus lain bisa berasal dari luar negeri, dan syaratnya lumayan “wah”, yaitu h-index lebih besar atau sebesar 25 (Scopus) dengan 150-an artikel. Sepertinya sulit juga mencarinya. Advisor saya saja h-index-nya sekitar 15. Skema B sedikit lebih mudah, tidak harus pusat unggulan riset dan profesor kelas dunia dengan h-index lebih besar atau sama dengan 5 dengan 50 artikel. Kegiatan “turunannya” sepertinya banyak jika dilihat dari paparan presentasi program ini. Baik skema A maupun B sepertinya menargetkan jurnal dengan kuartil Q1/Q2 atau setidaknya Q3. Q1, Q2, dan Q3 sendiri adalah peringkat jurnal yang dibuat oleh Scimagojr. Mungkin itu saja informasi tentang World Class Professor. Berikut ini cara untuk mengetahui rangking suatu jurnal, siapa tahu bermanfaat.

Mengetahui Rangking Suatu Jurnal Internasional

Untuk melihat kuartil suatu jurnal, buka link Scimagojr. Masukan nama jurnal yang Anda tuju. Misalnya publikasi saya sebagai contoh, berada di jurnal “sustainability”. Berapakah rangkingnya? Masukan saja di kolom “Searching” Scimagojr.

Tekan simbol “kaca pembesar”. Ternyata nama jurnal yang ada kata “sustainability” nya banyak juga. Sebaiknya gunakan ISSN agar lebih cepat.

Tinggal tekan jurnal yang dituju maka rangking jurnal diketahui. Pada gambar di bawah ini tampak kuartil berwarna kuning yang jika mouse diarahkan ke sana muncul “Q2” yang berarti masuk kuartil 2, lumayan bagus juga. Grafik-grafik lainnya merupakan rangking dengan skala lain yaitu impact factor (IF), SJR,h-index jurnal dan lain-lain. Untuk SNIP, Impact factor yang dinormalisasi, terpaksa harus membuka situs Scopus Elsevier untuk mengetahuinya.

Kewajiban Profesor dalam Menulis

Profesor merupakan jenjang tertinggi seorang dosen atau peneliti. Saat ini profesor maupun asisten profesor (associate professor) di Indonesia diwajibkan membuat karya tulis yang dipublikasikan di jurnal internasional. Asisten profesor di Indonesia setara dengan Lektor Kepala. Tidak menunggu lama, protes pun bermunculan setelah peraturan tersebut diumumkan menteri riset, teknologi, dan pendidikan tinggi (RISTEK-DIKTI).

Protes tersebut berisi keberatan terhadap peraturan menteri yang dianggapnya tergesa-gesa dan memberatkan. Bahkan sudah masuk ke ranah DPR yang mengawasi peraturan tersebut apakah sesuai atau tidak. RISTEK-DIKTI sendiri mengambil keputusan tersebut setelah melihat kinerja profesor di tanah air yang kurang/tidak produktif dalam melakukan riset/penelitian. Jumlah profesor yang sebanyak 5000 orang tidak optimal dalam mengakses dana penelitian 14000 lebih, dan ini sangat disayangkan. Ancaman peraturan tersebut lumayan berat, yaitu mencabut tunjangan kehormatan.

Memang jurnal internasional merupakan salah satu bentuk standarisasi suatu riset, apakah dilakukan atau tidak, mengingat banyak penelitian yang didanai tidak ada kabar berita hasilnya. Dengan dipublikasikan ke Jurnal internasional maka kualitas riset yang melatarbelakangi suatu tulisan dapat diketahui. Beberapa jurnal terindeks seperti Scopus/Thomson menggunakan standar peer review ketika akan dipublikasikan, yakni pakar-pakar di bidangnya. Berbeda dengan monitoring dan evaluasi (monev) atau laporan hasil penelitian Ristek-Dikti yang belum tentu sesuai dengan bidang para reviewer yang ditunjuk Ristek-Dikti.

Dengan syarat suatu hibah dipublikasikan di jurnal internasional, tugas Ristek-dikti sedikit ringan karena terbantu oleh standar jurnal internasional. Harapannya bisa mengalahkan jumlah tulisan di jurnal internasional kompetitor terdekat kita yakni Malaysia. Idealnya adalah tiap satu dosen saja mempublikasikan satu makalah di jurnal internasional maka otomatis kita akan menyalip negara-negara tetangga kita dari sisi publikasi ilmiah. Tapi tentu saja ini sangat memberatkan, dan menurut saya langkah Ristek-dikti lumayan tepat dengan memaksa “kepala”-nya, yaitu Lektor kepala dan Profesor untuk menghasilkan publikasi di Jurnal internasional, paten, atau karya monumental lainnya.

Saat ini kebetulan saya tidak terlibat dengan peraturan tersebut, bukan lektor kepala/profesor, dan sedang studi lanjut pula. Bahkan sudah saya ikhlaskan untuk tidak menerima tunjangan sertifikasi dosen (serdos). Memang saya akui, berat juga mempublikasikan tulisan di Jurnal internasional. Mahasiswa doktoral saja yang masih fresh dan mengikuti terus perkembangan ilmu di jurnal-jurnal internasional masih kesulitan, apalagi beberapa dosen yang sudah “sepuh” dan terutama yang sudah lama lulus doktoralnya (ditambah waktu itu tidak ada kewajiban publikasi di kampusnya) pasti lebih sulit lagi. Beberapa profesor yang membimbing mahasiswa doktoral akan memaksa siswanya publikasi. Rekan saya yang kuliah di UI mengatakan dia diminta publikasi empat jurnal internasional. Untungnya saya yang ambil kuliah di luar negeri hanya mensyaratkan satu publikasi, walaupun syarat impact faktor yang di atas satu cukup memberatkan pula.

Webometrik telah mempublikasi peneliti-peneliti di Indonesia dengan h-index di atas 10 standar google scholar. Silahkan cek sendiri, dan coba iseng-iseng masukan namanya, ke Scopus. Jika dibandingkan dengan tetangga-tetangga kita jauh. Saya coba yang ranking 226 dengan h-index 13, di scopus hanya memiliki h-index 3. Dan uniknya Scopus pun diprotes oleh beberapa rekan dosen karena dianggap kapitalis. Tentu saja saya bingung juga. Coba perhatikan negara-negara maju di dunia, seperti AS, Jepang, Jerman, Inggris, Perancis, dll apakah mereka sanggup membuat indeks mandiri dan mampu mengalahkan Scopus atau Thomson? Sebagai patokan, univ Tokyo saja mempublikasikan jumlah tulisan per tahun di atas negara kita, ya tidak apa-apa sih jika kita optimis membuat indeks sendiri. Bolehlah kita protes asalkan konsisten, yaitu menggunakan software open source yang anti kapitalis. Jangan sampai kita protes tetapi tetap menggunakan software bajakan, malu dong.

All in all. Semoga saja gairah riset di tanah air semakin maju. Seperti kebijakan serdos dulu yang memacu dosen-dosen untuk studi lanjut ke jenjang S2. Seperti di negara-negara maju, semoga seluruh dosen di tanah air bergelar doktor atau bahkan profesor.

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.