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.

Pengolahan Citra Satelit

Untuk pemula yang ingin mempelajari pengolahan citra gambar dari satelit sepertinya butuh usaha ekstra apalagi yang background-nya buka dari jurusan Remote Sensing & Geographic Information System (RSGIS); sebagai contoh saya sendiri yang telah lama berkecimpung di ilmu komputer banyak menghadapi kesulitan-kesulitan ketika harus mengolah informasi yang berasal dari bidang ini. Banyak istilah-istilah yang harus dipahami terlebih dahulu sebelum masuk ke topik-topik yang lebih advance. Sebagai contoh adalah istilah “band” pada citra satelit yang merupakan jangkauan spektrum (frekuensi suatu gelombang cahaya) yang direkam oleh satelit, misalnya satelit Landsat memiliki 7 spektrum band. Satu contoh istilah lain yang tak kalah penting adalah istilah citra “true color” dan “false color”. Bila true color adalah citra yang tampak apa adanya seperti ketika kita melihat lingkungan sekitar, pada citra false color kita melihat gambar berdasarkan fokus ke spektrum band tertentu. Hal ini bermanfaat ketika akan mengklasifikasi obyek-obyek yang ada dari citra satelit seperti tumbuhan, perairan, perumahan, dan sebagainya. Jadi ketika ingin mengetahui tumbuhan mana saja yang berada di suatu area, maka citra dengan fokus ke warna merah (near-IR band) sangat bermanfaat karena tanaman biasanya banyak menyerap gelombang warna merah (itu sebabnya kita melihat tanaman berwarna hijau).

Banyak alat bantu yang digunakan untuk mengolah citra satelit. Di sini akan digunakan dua software terkenal antara lain ArcGIS dan IDRISI. IDRISI sangat powerful untuk mengolah citra, sementara ArcGIS di sini akan digunakan untuk membuat false color dari citra satelit yang telah diunduh sebelumnya. Cara mengunduh citra satelit dapat dilihat pada postingan sebelumnya. Buka software ArcGIS untuk memulainya.

Setelah “working folder” dibentuk dengan menekan “connect to folder” di bagian atas Catalog, dengan cara mendrug mouse arahkan citra satelit yang telah didonlot dan diletakan di working folder ke area kerja ArcMap. Tampak pada Table of Contents ArcMap tiga band dengan warna red, green, dan blue. Kebetulan data satelit yang diunduh sudah baik dengan R,G,B yang jelas terpisah. Peta berikut merupakan true color dari bekasi dan sekitarnya.

Jika citra yang kita unduh berupa multispectral (sentinel 2A) untuk mengolah diperlukan composite band tool, cara termudah adalah melakukan searching tool di Arc Toolbox dengan kata kunci “composite band” atau mencari fungsi itu di bawah data management tool raster raster processing.

RGB band untuk sentinel data adalah:

  • Band 2: Biru (490 nm)
  • Band 3: Hijau (560 nm)
  • Band 4: Merah (665 nm)

Pilih data yang akan diproses (band 2,3, dan 4), dan jangan lupa arahkan hasil proses di working folder agar mudah dicari kembali suatu saat. Tetapi jika data sudah memiliki composite band maka tidak perlu melakukan langkah tersebut, masuk saja ke layer property. Pilih tab simbology.

composite

Perhatikan citra hitam putih kini berubah menjadi warna-warni. Warna merah akan diserap oleh tanaman sehingga memunculkan warna hijau, sementara yang berawarna merah berarti tidak ada tanaman (laut, sungai, dan lain-lain). Dan ternyata, hasil unduh peta satelit landsat ETM+ secara otomatis sudah terproyeksi dan pas ketika dimerger dengan peta wilayah bekasi. Perhatikan peta kota bekasi pada gambar di atas yang siap untuk diklasifikasi (tumbuhan, bangunan, sungai, dan kelas-kelas lainnya) dengan IDRISI software.

Peramalan dengan Jaringan Syaraf Tiruan – Matlab

Kita mengenal peramalan berdasarkan time series data dengan menggunakan regresi saat di bangku sekolah dahulu. Ternyata peramalan bisa juga dengan menggunakan Jaringan Syaraf Tiruan (JST). Peramalan dengan JST memiliki keunggulan karena kemampuan JST yang sangat baik dalam menangani data non-linear. Ditambah lagi, JST mampu disisipkan dengan data pendamping selain data time series yang dikenal dengan istilah intervening indicator atau exogenous input. Jika pada postingan sebelumnya menggunakan referensi dari situs ini, maka kali ini kita coba dengan menggunakan fungsi bawaan Matlab yang dikenal dengan istilah Time Series NARX Feedback Neural Network. NARX itu sendiri singkatan dari Nonlinear Autoregressive Network wit eXogenous input. Kita akan mencoba meramalkan data penurunan jumlah taman seperti tabel di bawah ini (mengisi kolom yang ditunjukan dengan tanda tanya).

Data exogenous adalah populasi yang merupakan hasil dari proyeksi yang menunjukan trend bertambah, sementara park menunjukan trend menurun. Apakah JST sanggup memprediksi berapa penurunan jumlah taman sebagai akibat dari kenaikan populasi? Buka command window Matlab.

Masukkan data populasi X. Cara mudahnya tinggal anda copy-paste dari excel:

  • X=[1845005    1873470    1882869    2334142    2733030]
  • X=con2seq(X)

Di sini fungsi con2seq bermaksud mengkonversi data continyu menjadi sequensial yang jika dilihat di workspace window berupa tipe data “cell”. Sementara itu untuk data populasi untuk meramalkan adalah lima yang terakhir:

  • X2=[2334142    2733030    2943860    3155340    3369800]
  • X2=con2seq(X2)

Perhatikan untuk X2 sebagai prediksi di sini ada “shift” (untuk prediksi berikutnya ada data yang terkesan diulangi, lihat yang berwarna merah) dengan X sebelumnya. Lihat kembali prinsip-prinsip dasar windowing pada tulisan terdahulu. Untuk data park yang akan diramalkan, gunakan variabel T

  • T=[1904    1904    1887    1858    1772]
  • T=con2seq(T)

Intruksi berikut ini adalah untuk merakit NARX close dan open loupe, dilanjutkan dengan prediksi lima terakhir.

  • net = narxnet(1:2,1:2,10); %membuat NARX dgn riwayat 2 data sebelumnya (1:2)
  • [x,xi,ai,t] = preparets(net,X,{},T); %menyiapkan data training dan target “preparets=prepare time series”
  • net = train(net,x,t,xi,ai); %training NARX dengan data dari preparets
  • y = net(x,xi,ai); %memunculkan data hasil training untuk patokan validasi
  • netc = closeloop(net); %membuat NARX menjadi lingkar tertutup (serial-paralel)
  • view(netc); %melihat network lingkar tertutup NARX
  • [x,xi,ai,t] = preparets(netc,X,{},T); %persiapan data untuk memprediksi data 3,4,dan 5
  • yc = netc(x,xi,ai); %simulasi data 3,4,5 (cek errornya .. bandingkan dengan T)

Perintah view bermaksud melihat struktur NARX yang baru saja dirakit seperti gambar di bawah ini:

Gunakan fungsi “preparets” untuk populasi lima tahun terakhir sehingga dihasilkan network (netc) untuk memprediksi park berdasarkan data exogenous populasi.

  • [x2,xi,ai,t] = preparets(netc,X2,{},T); %persiapan simulasi data yang akan datang
  • yc2 = netc(x2,xi,ai) %simulasikan data yang akan datang 6,7,8,9,10

Untuk membuat plot prediksinya, konversi kembali data sequensial menjadi desimal dengan fungsi “cell2mat” seperti berikut ini:

  • plot([cell2mat(T) cell2mat(yc2)])

Apakah hasil itu sudah fix? Ternyata belum. Coba saja running ulang, akan menghasilkan prediksi tiga tahun kedepan yang berbeda. Berikut ini running kedua saya:

Sepertinya cara ini kurang baik, bisa gunakan cara yang mudah dengan GUI di postingan tentang NARNET dan NARX

Semoga bisa menjadi inspirasi.

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.

Instalasi Idrisi Selva versi 17

Software idrisi merupakan software untuk mengelola sistem informasi geografis (SIG) terutama dalam menangani peta yang berasal dari satelit. Beberapa tulisan di jurnal internasional memanfaatkan software ini untuk memprediksi perkembangan daerah urban atau peri-uban seiring berjalannya waktu. Akurasinya pun sudah teruji dan yang terpenting vendor aplikasi ini menyediakan versi trial agar pengguna bisa mengenal lebih lanjut sebelum membeli software seharga puluhan juta rupiah ini.

Berikutnya kita diminta membaca license Agreement dilanjutkan dengan mencentang tombol persetujuan. Pesan dalam bentuk readme juga muncul yang memberitahukan bahwa versi trial hanya berlaku selama 30 hari dari saat instalasi.

Berikutnya idrisi meminta informasi untuk registrasi nanti. Isikan sesuai dengan kebutuhan.

Pilih Complete Setup ketika muncul jendela tipe instalasi idrisi.

Lokasi letak program perlu dirubah jika Anda ingin meletakan program di direktori khusus. Secara default akan berada di program file (windows versi 32bit).

Berikutnya nama untuk Start Menu dapat dirubah, atau biarkan saja secara default (IDRISI Selva).

Kemudian konfirmasi terakhir sebelum proses instalasi muncul dilanjutkan dengan proses instalasi yang memakan waktu beberapa menit saja.

IDIRISI selva versi trial siap digunakan. Anda bisa langsung menjalankan dengan mengklik Run IDRISI Selva now sebelum menekan Finish.

Bagi yang sudah pernah menggunakan ArcGIS sepertinya tidak memiliki masalah dengan IDRISI. Hanya saja IDRISI memiliki keunggulan dari sisi pemodelan berbasis waktu (Time Series). Selain itu, pengolahan citra (image processing) yang tersedia pada IDRISI untuk mengelola data foto satelit sangat mumpuni dan telah banyak digunakan hingga saat ini.

Bagi yang belum pernah melihat IDRISI Selva, bentuk tampilan awalnya adalah sebagai berikut. Semoga tertarik.

Referensi:

http://parallax-survey.blog.ir/tag/Download%20IDRISI%20Selva%2017%20free

Membuat Garis Lintang dan Bujur di Layout ArcGIS

Selain menunjukan peta dengan atribut-atributnya seperti nama kota, kecamatan, dan atribut lainnya terkadang untuk mempermudah pembaca mengetahui lokasi koordinat lintang dan bujur perlu ditambahkan koordinat itu di layout yang kita buat. Setelah masuk ke mode “layout” buka “data frame properties” lewat menu “view”.

Tambahkan “new Grid” jika Anda belum memiliki, hingga muncul menu di bawah ini. Di bagian tab “label” centang pada vertical labels kiri dan kanan jika lintang dan bujur yang vertikal sejajar dengan garis.

Walaupun sederhana tetapi ini sangat penting untuk artikel ilmiah yang akan kita submit terutama di bab “study area”. Perhatikan letak lintang dan bujur kota Bekasi di bawah ini.

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.

Creating a Layout Map

Although just for presentation, layout is as important as other ArcGIS usage, especially when writing a research report. We can capture the map using “print screen” button, but if we need more formal presentation, the layout facilities from ArcGIS such as legend, north arrow, coordinates, etc., must be provided. Use the “layout view” for creating the layout which is located below the working area.

Layout provides the paper with the frame. We can add more than one frame in it, by clicking insert – data frame and then drag the shapefile into the active frame. If the frame is not active, activate it by right-clicking the frame and chose “activate”.

Insert with legend, north arrow, etc. The difficult one is the coordinate. Sort the active frame in the layout and right click. Choose properties. The data frame properties will appear.

Click “new grid” to add the coordinates in the frame that show the location in longitude and latitude style. I prefer to choose “graticule” style with median and parallel to my map. Subsequently, I decide not to use grid in my map and chose 200 intervals of latitude and longitude. After layout creation you may print it out or just export map into image (by clicking in menu: File – Export).

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.

Konversi Mat-File ke Shapefile

Kalau di postingan sebelumnya shapefile yang berisi data spasial dari GIS tools (ArcGIS, ArcView, dll) sudah berhasil diolah clustering-nya, kemudian kita akan membuat pusat cluster di GIS, mau tidak mau kita membutuhkan sarana konversi dari Matlab ke GIS tool, di sini akan dicontohkan menggunakan ArcGIS. Buka lagi Matlab yang lalu. Fungsi Matlab yang diperlukan untuk menyimpan mat menjadi shapefile adalah “shapewrite”. Di sini agak sulit dibanding “shaperead” karena kita diminta menyiapkan wadah sebagai format untuk data spasialnya, termasuk proyeksi-proyeksi yang diperlukan agar bisa terbuka dengan baik di ArcGIS. Cara termudah membuat wadah adalah lewat ArcGIS.

Di sini kita siapkan shapefile untuk tempat mat yang akan diekspor. Jangan lupa gunakan proyeksi koordinat, lihat postingan sebelumnya tentang problematikan projection. Jika sudah kita kembali ke Command Window Matlab dan bersiap melakukan konversi dari Matlab ke ArcGIS. Sebelumnya panggil dulu center yang akan dipindahkan ke ArcGIS.

Perhatikan dua koordinat center yang berasal dari file “comm_center.dat” hasil clustering. Kemudian kita siapkan variabel wadah dari ArcGIS yang baru saja kita buat shapefilenya. Saya memberinya nama “center_commercial.shp”.

revisi_blog

Di sini shaperead memanggil wadah tempat menyimpan yang bernama “center_commercial.shp”. Dilanjutkan dengan men-transpose agar berformat baris. Jumlah titik bermaksud untuk persiapan looping memasukan data dari mat ke tiap-tiap koordinat.

revisi_blog2

Pastikan tidak ada pesan kesalahan yang terjadi. Fungsi shapewrite membutuhkan wadah, dalam hal ini variabel bernama “data” yang sudah terisi data baru, serta nama shapefile yang sama dengan wadahnya. Kembali kita ke ArcGIS untuk melihat center yang sudah dalam format shapefile bernama “center_commercial.shp” itu.

Perhatikan dua titik center itu sudah muncul di peta bekasi, dan karena proyeksi mengikuti wadahnya, maka tepat berada di lokasi yang di tuju di dalam wilayah bekasi. Kalo pengen membuat jangakauannya, bisa dengan teknik euclidean distance seperti postingan sebelumnya. Keren ya, Matlab bisa ke mana aja penggunaannya.

 Update: 25 Desember 2017

Jika ingin menampilkan koordinat dengan Google Map API bisa lihat post berikutnya.

Kluster Data Spasial dari ArcGIS/ArcView dengan Fuzzy C-Means (FCM)

Data spasial adalah data yang berupa koordinat geografis suatu elemen dalam peta. Data itu bisa berupa titik maupun polygon. Di sini kita akan mencoba data spasial berupa titik-titik lokasi berasal dari ArcGIS atau GIS tool lainnya sesuai dengan proyeksi yang digunakan. Apa itu proyeksi? Panjang ceritanya, sebaiknya baca buku tentang geographic information system (GIS). Untuk praktek dapat kita buat spasial data yang sudah ada dalam format shapefile (berekstensi *.shp). Untuk memudahkan proses operasi, siapkan direktori kerja di lokasi dimana shapefile itu berada.

Anda harus memiliki fungsi “shaperead” di Matlab, biasanya sudah include di dalamnya untuk versi-versi terbaru. Cara mengeceknya dengan mengetik “help shaperead” di command window, kalau tidak ada, Matlab akan memberi pesan bahwa fungsi shaperead tidak ada. Berikutnya kita akan mengkonversi data ini ke dalam data berekstensi “dat”.

Ok, pastikan file “commercial.dat” yang merupakan konversi workspace ke file “dat” berhasil tersimpan. Mengapa langkah ini diperlukan? Karena toolbox FCM yang kita gunakan berikut ini menggunakan data berekstensi dat ini. Sebenarnya jika menggunakan fungsi fcm dari command window tidak perlu mengkonversi ke dat file, bisa langsung dari workspace, tapi untuk pemula, lebih mudah menggunakan toolbox. Ketik “findcluster” di command window sehingga muncul jendela berikut ini.

Kebetulan toolbox tersedia dalam dua dimensi, sehingga cocok dengan data spasial. Untuk yang tiga dimensi sepertinya agak ribet dan harus mengatur sumbu x,y, z. Atau untuk dimensi >2 sebaiknya menggunakan fungsi dari command window. Ketik “load data” untuk memanggil data, pilih “commercial.dat” yang telah dibuat sebelumnya.

Perhatikan tiga titik hitam yang merupakan titik pusat tiga kluster yang akan kita bentuk. Anda bisa mengganti jumlah kluster, misalnya hanya dua saja dan tekan “start” kembali untuk mencari pusat kluster yang baru. Untuk menyimpan pusat kluster, dapat Anda lakukan dengan menekan “Save Center” lalu simpan dalam bentuk “dat”. Berikutnya tiga center ini akan coba kita buka dengan di ArcGIS di postingan yang akan datang, selamat mencoba. Lanjut baca : Konversi Mat-File ke Shapefile