RSS
Facebook
Twitter

Tampilkan postingan dengan label Geodesi. Tampilkan semua postingan
Tampilkan postingan dengan label Geodesi. Tampilkan semua postingan

Rabu, 03 September 2014

Lowongan CPNS 2014 : Teknik Geodesi

 

 
Merah Putih, Selalu Jaya Indonesiaku


Lulusan Geodesi mau daftar CPNS? Bisa di mana saja? Informasi ini saya dapatkan dari panselnas.menpan.go.id. Semoga bisa menjadi pencerah bagi yang membutuhkan.


Kementerian 

1. Kementerian Perhubungan
Pendidikan : S1 Teknik Geodesi
Pekerjaan : Pengawas Dampak Lingkungan Bandar Udara 
Jumlah : 1 orang

2. Kementerian Kehutanan
Pendidikan : S1 Teknik Geodesi
Pekerjaan : Surveyor Pertama
Jumlah : 1 orang

3. Kementerian Kelautan dan Perikanan 
Pendidikan : S1 Teknik Geodesi
Pekerjaan : Peneliti Geomatika
Jumlah : 1 orang

4.Kementerian Lingkungan Hidup
Pendidikan : S2 Teknik Geodesi
Pekerjaan : Analis Kebijakan Pertama
Jumlah : 1 orang

5. Kementerian Perumahan Rakyat
Pendidikan : S1 Teknik Geodesi
Pekerjaan : Penyuluh Pertanahan
Jumlah : 1 orang

Lembaga Pemerintah Non Kementerian

1. Badan Informasi Geospasial
Pendidikan : S1 Teknik Geodesi
Pekerjaan : 
a. Surveyor Pemetaan Pertama
b. Peneliti Geospasial Pertama
Jumlah : 
a. 48 orang
b. 3 orang

2. Badan Pengkajian dan Penerapan Teknologi
Pendidikan : S1 Teknik Geodesi
Pekerjaan : Perekayasa
Jumlah : 1 orang

3. Badan Nasional Penanggulangan Bencana
Pendidikan : S1 Teknik Geodesi
Pekerjaan : Analis Data dan Informasi
Jumlah : 1 orang

4. Badan Intelijen Negara
Pendidikan : D3 Geodesi
Pekerjaan : Pengelola Bahan Keterangan
Jumlah : 1 orang

Ingin info lebih lengkap? Cek di sini.

Kamis, 14 Maret 2013

Klasifikasi Citra Digital (ENVI 4.5)


Klasifikasi citra merupakan teknik yang digunakan untuk menghilangkan informasi rinci dari data input untuk menampilkan pola-pola penting atau distribusi spasial untuk mempermudah interpretasi dan analisis citra sehingga dari citra tersebut diperoleh informasi yang bermanfaat atau sesuai dengan keperluan. Untuk pemetaan penutup lahan, hasilnya bisa diperoleh dari proses klasifikasi multispektral citra satelit. Klasifikasi multispektral sendiri andalah algoritma yang dirancang untuk menyajikan informasi tematik dengancara mengelompokkan fenomena berdasarkan satu kriteria yaitu nilai spektral.
Klasifikasi multispektral diawali dengan menentukan nilai piksel tiap objek sebagai sampel. Selanjutnya nilai piksel dari tiap sampel tersebut digunakan sebagai masukkan dalam proses klasifikasi. Perolehan informasi tutupan lahan diperoleh berdasarkan warna pada citra, analisis statik dan analisis grafis. Analisis static digunakan untuk memeperhatikan nilai rata-rata, standar deviasi dan varian dari tiap kelas sampel yang diambil guna menentukan perbedaan sampel. Analisis grafis digunakan untuk melihat sebaran-sebaran piksel dalam suatu kelas. Dalam melakukan proses klasifikasi citra terdapat dua cara umum yang sering digunakan yaitu supervised  dan unsupervised.

Supervised (dengan bimbingan)
Pada metode ini, analis terlebih dahulu menentukan beberapara training area (daerah contoh) pada citra sebagai kelas kenampakan objek tertentu. Penetapan ini berdasarkan pengetahuan analis terhadap wilayah dalam cita mengenai daerah-daerah tutupan lahan. Nilai-nilai piksel dalam daerah contoh kemudian digunakan oleh perangkat lunak komputer sebagai kunci untuk mengenali piksel lain. Daerah yang memiliki nilai-nilai piksel sejenis akan dimasukkan ke dalam kelas yang telah ditentukan sebelumnya. Jadi dalam metode ini, nails mengidentifikasi kelas infomasi terlebih dahulu yang kemudian digunakan untuk menenyukan kelas spektral yang mewakili kelas informasi tersebut. Algoritma yang bisa digunakan untuk menyelesaikan metode supervised ini antara lain :

1.      Parallelepiped
Klasifikasi parallelepiped menggunakan aturan keputusan sederhana untuk mengklasifikasikan data multispektral. Batas-batas keputusan merupakan parallelepiped n-dimensi dalam ruang data gambar. Dimensi ini ditentukan berdasarkan batas deviasi standar dari rata-rata setiap kelas yang dipilih.

2.      Minimum Distance
Teknik jarak minimal menggunakan vektor rata-rata endmember masing-masing dan menghitung jarak Euclidean dari setiap piksel yang diketahui oleh vektor rata-rata untuk masing-masing kelas. Beberapa piksel memiliki kemungkinan tidak terklasifikasi jika tidak memenuhi kriteria yang dipilih.

3.      Mahalanobis Distance
Klasifikasi Mahalanobis Jarak adalah jarak arah pengklasifikasi sensitif yang menggunakan statistik untuk masing-masing kelas. Hal ini mirip dengan klasifikasi Maximum Likehood, tetapi menganggap semua kovarian kelas adalah sama dan karenanya merupakan metode yang lebih cepat. Semua piksel yang diklasifikasikan ke kelas ROI terdekat kecuali pengguna menentukan ambang batas jarak, dalam hal ini beberapa piksel mungkin tidak ditandai jika mereka tidak memenuhi ambang batas.

4.      Maximum Likehood
Mengasumsikan bahwa statistik untuk setiap kelas dalam setiap band biasanya didistribusikan dan menghitung probabilitas bahwa suatu piksel diberikan milik kelas tertentu. Kecuali ambang probabilitas dipilih, semua piksel diklasifikasikan. Setiap piksel ditugaskan untuk kelas yang memiliki probabilitas tertinggi (yaitu, "maksimum likelihood"). Jika probabilitas tertinggi lebih kecil dari ambang batas yang ditentukan, piksel tetap tidak terklasifikasi

5.      Spektral Angle Mapper
Klasifikasi spektral berbasis fisik yang menggunakan sudut n-dimensi untuk mencocokkan piksel untuk spektra acuan. 

6.      Spectral Information Divergence
Informasi Divergence Spectral (SID) adalah metode klasifikasi spektral yang menggunakan ukuran divergensi untuk mencocokkan piksel untuk spektrum referensi. Semakin kecil divergensi, semakin besar kemungkinan piksel serupa. Piksel dengan pengukuran lebih besar dari ambang perbedaan maksimum yang ditentukan tidak diklasifikasikan.

7.      Binary Encoding
Pengkodean biner teknik klasifikasi mengkodekan data dan spektra akhir anggota menjadi nol dan satu, berdasarkan apakah sebuah band jatuh di bawah atau di atas rata-rata spektrum, masing-masing. Dapat membandingkan setiap spektrum referensi yang dikodekan dengan spektrum data yang disandikan dan menghasilkan klasifikasi citra. Semua piksel diklasifikasikan ke endmember dengan jumlah terbesar dari band yang cocok, kecuali jika ditentukan batas minimum pertandingan, dalam hal ini beberapa piksel mungkin tidak terklasifikasi jika tidak memenuhi kriteria.

8.      Neural Net
Digunakan untuk menerapkan teknik umpan-maju jaringan klasifikasi berlapis neural.

9.      Support Vector Machine
Sistem klasifikasi yang berasal dari teori belajar statistik. Ini memisahkan kelas dengan permukaan keputusan yang memaksimalkan margin antara kelas.

 Unsupervised (tanpa bimbingan)
 Cara kerja metode ini merupakan kebalikan dari metode supervised, dimana nilai-nilai piksel dikelompokkan terlebih dahulu oleh komputer ke dalam kelas-kelas spektral menggunakan algoritma klusterisasi. Dalam metode ini, di awal proses biasanya analis akan menentukan jumlah kelas (cluster) yang akan dibuat. Kemudian setelah mendapatkan hasil, analis menetapkan kelas-kelas objek terhadap kelas-kelas spektral yang telah dikelompokkan oleh komputer. Dari kelas-kelas (cluster) yang dihasilkan, analis bisa menggabungkan beberapa kelas yang dianggap memiliki informasi yang sama menjadi satu kelas. Misal class 1, class 2, dan class 3 misalnya adalah hutan, perkebunan, sawah maka analis bisa mengelompokkan kelas-kelas tersebut menjadi satu kelas yaitu kelas vegetasi. Jadi, pada metode ini tidak terdapat campur tangan manusia. Algoritma yang bisa digunakan untuk menyelesaikan metode ini adalah :

1.      Isodata
Mengklasifikasikan kelas secara merata. Piksel-piksel diklasifikasikan ke kelas terdekat. Setiap iterasi kalkulasi ulang sarana dan mereklasifikasi piksel sehubungan dengan cara baru. Iteratif membelah kelas, penggabungan, dan menghapus dilakukan berdasarkan parameter input threshold. Semua piksel diklasifikasikan ke kelas terdekat kecuali deviasi standar atau ambang batas jarak yang ditentukan, dalam hal ini beberapa piksel mungkin unclassified jika mereka tidak memenuhi kriteria yang dipilih. Proses ini berlanjut sampai jumlah piksel dalam setiap perubahan kelas kurang dari ambang perubahan piksel yang dipilih atau jumlah maksimum iterasi tercapai.

2.      K-means
Menggunakan pendekatan analisis kelas yang mengharuskan analis untuk memilih jumlah kelas yang berlokasi di data, sewenang-wenang ini menempatkan sejumlah pusat klaster, kemudian iteratif repositions mereka sampai keterpisahan spektral yang optimal dicapai. Klasifikasi ini juga menggunaka teknik jarak minimum. Setiap iterasi kalkulasi ulang berarti kelas dan mereklasifikasi piksel sehubungan dengan cara baru. Semua piksel diklasifikasikan ke kelas terdekat kecuali deviasi standar atau ambang batas jarak yang ditentukan, dalam hal ini beberapa piksel mungkin unclassified  jika mereka tidak memenuhi kriteria yang dipilih. Proses ini berlanjut sampai jumlah piksel dalam setiap perubahan kelas kurang dari ambang perubahan piksel yang dipilih atau jumlah maksimum iterasi tercapai.

Sumber : ENVI User's Guide

Sabtu, 15 Desember 2012

Bahkan Mereka pun Masih Bisa Menikmati Hidup


Ini ceritaku saat kemarin praktikum Survey Satelit [Sursat] dengan menggunakan GPS Geodetic pada hari Jum’at, 14 Desember.  8 titik telah ditentukan dan ditandai lewat Google Map : titik dekat Ikan Bakar Cianjur, Taman Diponegoro, Rinjani, Tugu Muda, Mc Donald Pandanaran, Simpang 5, Super Penyet, dan Stasiun Poncol . Kebetulan, tim dimana kubergabung mendapat bagian menjaga titik pengukuran di daerah Simpang 5. Sungguh ini daerah yang bisa dibilang enak. Berada di perkotaan, depan sana ada masjid Baiturrahman, ada mall, jajanan banyak dimana-mana. Biasanya kalau praktikum ‘ngukur’ di daerah yang bisa dibilang agak jauh dari peradaban. Misalnya saja di kebun-kebun atau sungai, dan pastinya tempatnya tidak ramai.

Kami sekelompok tiba di Simpang 5 sekitar pukul 11.00. Sambil menunggu kiriman GPS dari tempat pengukuran yang lain ada di antara kami yang berbincang-bincang, jalan-jalan di mall, atau sekedar jajan untuk menghilangkan rasa lapar. Sebenarnya, pengukuran ini hanya memerlukan waktu yang sebentar saja. 1 kali merekam data satelit hanya membutuhkan waktu 10 menit saja. Jadi lama karena alat yang ada tidak sebanyak jumlah tim yang ada sehingga dalam menggunakan alat harus bergantian. Seharusnya ada 4 alat, namun yang berfungsi hanya 2.

Tak terasa waktu sudah menunjukkan pukul 16.15 dan kami pun masih berada di daerah yang sama. Setelah selesai shalat ashar, minum es ronde, dan menyusun strategi pengukuran baru, kami mengatur lagi siapa yang masih tetap berjaga di Simpang 5 dan siapa yang akan ke Rinjani. Nah, dan tersisalah 4 orang di Simpang 5. Saya dan tiga orang teman (Eva, Kautsar, David) yang notabenenya sejak awal pemberangkatan memang sudah bersama. Karena alat masih dipakai kelompok lain, kami memutuskan untuk menunggu saja sambil duduk-duduk dan menanti kedatangan 1 lagi teman kami, Rizal, yang membawa mobil untuk pulang.

Karena bosan, akhirnya kuputuskan untuk mampir ke Gramedia. Letaknya tak jauh di balik Masjid Baiturrahman. Sekitar setengah jam saya asyik membaca dan melihat-lihat di Gramedia. Mengingat saya tidak membawa alat komunikasi dan hanya pergi sendiri, jadi kuputuskan saja untuk kembali bergabung bersama 3 orang yang lain.
Ketika kembali, ada 1 hal menarik yang saya lihat. Ada 2 orang anak kecil sedang berayun-ayun di atas rantai besar yang menjadi penyambung antara dua besi pembatas jalan.

Sebentar saja saya lihat, lalu saya kembali duduk bersama Eva, Kautsar, David. Ternyata mereka bertiga pun sedang memperhatikan kedua anak itu. Kuperhatikan lagi, yang satu laki-laki kira-kira berumur 5 tahun dan satu lagi perempuan sekitar berusia 3 tahun. Sepertinya mereka kakak adik. Menurut informasi dari ketiga teman, ternyata mereka berdua sudah bermain bersama itu sedari tadi.

Setelah puas berayun, mereka bermain kejar-kejaran. Tidak, lebih tepatnya sang kakak menendang-nendang gelas kertas bekas minuman lau dikejar oleh sang adik. Mereka sangat terlihat tak terurus, lihat saja kakinya yang sangat kotor, baju yang lusuh, wajah yang kucel. Kulihat ada tumpukan koran di dekat sandal mereka yang ditaruh dekat besi pembatas yang berantai itu. Ah, ternyata mereka loper koran. Bayangkan, anak sekecil itu sudah harus bisa menghasilkan uang! Di saat anak-anak yang lain menikmati masa kecilnya dengan bermain dan mendapat banyak hal yang menyenangkan dari orang tuanya. Melihat mereka tertawa senang, saya dengan teman-teman seakan ikut merasakan kesenangan itu. Hidup itu sekarang, maka nikmatilah. Seakan mereka ingin menyampaikan begitu pada dunia. Namun, di saat yang sama saya merasa miris dengan keadaan mereka.

Puas bermain-main, sang kakak kemudian mengajak adiknya untuk berjualan koran lagi. Mereka mulai menjajakannya pada setiap orang yang dilewatinya, termasuk kami. Ada niat untuk membeli koran itu tapi lebih kupilih untuk mengamatinya saja dulu.

“Terima kasih, nggak dik…”

Lantaran tawarannya itu ditolak, sang kakak semakin semangat untuk menjajakan koran dan bertekad harus ada korannya yang terjual. Mereka mulai menuju ke tempat makan yang penuh dengan orang-orang di emperan jalan itu.

Seorang perempuan berusia sekitar 24-25 tertarik untuk member koran. Mungkin karena kasihan, jadi dia membeli. Kulihat ekspresi sang kakak, dia senang. Beralih pada adiknya, dia lebih senang. Lalu, beberapa koran pun terjual. Mereka terus berjalan ke depan sampai tak dapat lagi kulihat. Penasaran, kuarahkan pandanganku pada jalan bekas mereka lewat. Tak lama kemudian, kakak-beradik itu muncul lagi. Sang adik muncul pertama dengan makanan yang ditusuk oleh tusukan sate sedang mulutnya sibuk mengunyah makanan itu. Jumlah koran di tangan sang kakak pun sudah berkurang. Mereka melewati kami lagi, kali ini dengan jarak yang lebih jauh di depan kami daripada sebelumnya.

Merekapun duduk di dekat besi pembatas lagi. Di belakang mereka ada seorang bapak tua penjual kacang rebus. Si adik melihat terus pada kacang rebus yang mengunung di gerobak itu. Pengertian, sang kakak berdiri disusul sang adik walhasil bapak tua itu dengan kemurahan hatinya member sedikit kacang pada mereka. Mereka duduk lagi. Dengan telaten, sang kakak mengupas kacang untuk adiknya dan diri sendiri tentunya. Tak lama kemudian, kacang pun habis namun sang adik masih ingin lagi. Berdirilah ia lalu berjalan menghampiri bapak itu lagi. Untuk kedua kalinya, bapak tua memberikan kacang lagi sembari tersenyum. Senang, sang adik memberikan kacang itu pada kakaknya dan mereka kembali makan bersama.

Kutunggu saja sampai mereka selesai. Saat ingin menghampiri mereka, langkahku tertahan karena ada 4 orang muslimah berjilbab orange menghampiri mereka terlebih dahulu. Ada yang member uang, ada juga yang permen. 4 orang pun berlalu, dan dengan penuh inisiatif sang kakak kembali mendatangi bapak penjual kacang rebus lalu menyerahkan selembar uang Rp.1000,- untuk membeli kacang. Membeli akan dapat kacang lebih banyak daripada meminta, kan? Dengan sigap, bapak itu mengambil kertas dan membentuknya menjadi kerucut tanpa alas lalu mengisikan banyak kacang ke dalamnya, sampai kertas itu penuh.

Oke.  Saya semakin mantap untuk membeli koran mereka. Hitung-hitung membantu dan kebetulan sekali ada coklat di tas saya. Semoga nanti mereka mau menerimanya, batinku.
Lalu sang kakak menerima kacang itu dan adiknya senang sekali. Tak dapat kudengar apa yang mereka bicarakan, tapi kuyakin sebelum pergi sang kakak mengucapkan terima kasih dulu. Perkiraanku salah, mereka tidak duduk lagi tetapi langsung berjalan menuju masjid.

“Nah, kan mereka pergi. Kesempatan berbuat baik telah terlewat deh.” Kata seorang temanku.

Tidak! Jangan sampai terlewat. Maka langsung aku berjalan menyusul mereka. Mereka berhenti di tengah tangga menuju masjid. Lalu kupanggil dan kuhampiri.

“Dik, kakak boleh beli korannya?”

Yang lebih tua mengangguk, lalu menyodorkan korannya padaku.

“Berapa ini harganya?”

“Seribu kak.”

“Kalau kakak kasih 2000 mau nggak?”

Sorot mata anak ini memancarkan keoptimisan, keberanian, dan pribadi yang kuat. “Nggak kak. Ini harganya cuma seribu.”

Aih, kata-kata anak ini memuatku terenyuh. Seorang bocah saja bisa membedakan mana yang seharusnya jadi haknya dan mana yang tidak. Malu dong seharusnya itu pejabat-pejabat yang koruptor *eh.

Saya tersenyum. “Pinter ya. Kalau nggak mau dikasih uang lebih. Terima coklat dari kakak mau ya?”

Bocah itu tampak berpikir lalu melirik adiknya. “Buat dia aja, kalau dia mau.”

Kusodorkan coklat itu pada adiknya. Alhamdulillah dia mau menerimanya dengan tak lupa mengucapkan terima kasih. Subhanallah… Anak jalanan pun tahu bagaimana cara berterima kasih.

“Dimakan bareng-bareng yaa..” Pesanku sebelum mereka pergi meninggalkanku.

Cerita ini cerita sederhana. Kejadiannya pun mungkin sering terlihat di sekitar teman-teman semua. Tapi, dari sini, sembari praktikum kudapati lagi pelajaran tentang kehidupan. Mereka saja yang masa depannya entah bagaimana, masih saja giat untuk berusaha. Mereka jauh lebih baik daripada orang-orang yang mengemis. Terlebih pengemis yang masih terlihat sehat. Mereka jujur, mereka tahu diri, mereka mandiri walau hidup yang mereka jalani terbilang keras. Tentu berbeda dengan orang yang masih diberi kesempatan sampai sekarang berada di bangku kuliah, menerima kiriman uang tiap minggu atau tiap bulan dari orang tua, makan tinggal makan, tidur tinggal tidur, belajar tinggal belajar. Mereka bisa bertahan, mereka bisa menikmati hidup. Kita? Seharusnya kita bisa lebih dari mereka bukan? Kejadian yang membuatku cukup terenyuh, semoga menginspirasi.

Rabu, 05 September 2012

Membuat Batas DAS dengan ArcGIS 9.3 Bag. 2

Nah, setelah DEM terpotong sesuai dengan keperluan pekerjaan, maka lanjut ke langkah berikut ini :

5.    Membuat batas DAS, dengan cara sebagai berikut.
a.    Klik Toolbox Spatial Analyst Hidrology Fill
Input Surface Raster diisi hasil Clip.
Gambar 14 Layer DEM LDI Rawapening Hasil Pemotongan
Gambar 15 Tampilan Fill
Gambar 16 Hasil Fill
b.    Klik Toolbox Spatial Analyst Hidrology Flow Direction
Input Surface Raster diisi hasil Fill.
Gambar 17 Tampilan Flow Direction
Gambar 18 Hasil Flow Direction
c.    Klik Toolbox Spatial Analyst Hidrology Flow Accumulation
Input Surface Raster diisi hasil Flow Direction.
Gambar 19 Tampilan Flow Accumulation
Gambar 20 Hasil Flow Accumulation
d.    Klik Toolbox Spatial Analyst Conditional Con
Input Conditional Raster diisi hasil Flow Accumulation, Expression diisi VALUE > 1000, dan Input true raster or constant value diisi 1.
Gambar 21 Tampilan Con
Gambar 22 Hasil Con

e.    Membuat  layer pour point dalam bentuk .shp point untuk menandai DAS yang akan dibuat. 1 pour point menandakan outlet dari DAS tersebut. Letakkan titik outlet tepat pada arah  keluarnya air (lihat flow direction). 

Gambar 23 Pengkodean Arah Aliran Air
Langkah membuat pour point adalah dengan klik Toolbox Data Management Tools Features Class Create Feature Class.

Gambar 24 Membuat Feature Pour Point
Untuk memastikan sistem koordinat sudah benar, klik tombol yang ada pada ujung masukan Coordinate System (Optional) kemudian klik Import untuk menyamakan sistem koordinat pour point dengan sistem koordinat DEM.
Gambar 25 Informasi Sistem Koordinat
Untuk membentuk bentuk DAS, maka dibuat pour point di keempat sudut area, sebagai titik ikat. Pada atribut pour point, id titik outlet diisi nilai lebih dari 0 (1 atau dst), sedangkan id 4 titik ikat diisi 0. Pada DAS Rawapening, titik outlet ada di sekitar wilayah tengah seperti pada gambar di bawah ini.
Gambar 26 Hasil Pemberian Pour Point
Gambar 27 Perbesaran Pour Point Outlet
Gambar 28 Tampilan Atribut Pour Point
f.     Klik Toolbox Spatial Analyst Hidrology Watershed
Gambar 29 Tampilan Watershed
Gambar 30 Hasil Watershed
g.    Mengkonversi raster hasil watershed ke format .shp dengan cara klik Toolbox Conversion Tools From Raster Raster to Polygon klik Ok
Gambar 31 Tampilan Konversi Hasil Watershed Raster to Polygon


Gambar 32 Batas DAS




  • Authoress

    Foto Saya
    Kuningan, Jawa Barat, Indonesia
    Seseorang yang sedang berjuang mempertahankan hidupnya dan mewujudkan mimpi-mimpinya.
  • Hi, Friends!

  • Followers