Anita, Novi (2021) Analisis Identifikasi Oil Pattern Menggunakan Metode Deep Learning Semantic Dari Citra Satelit Pleiades-1B Dengan Software ArcGIS-Pro. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
03311740000064-Undergraduate_Thesis.pdf - Accepted Version Download (5MB) | Preview |
Preview |
Text
03311740000064-Undergraduate_Thesis.pdf - Accepted Version Download (5MB) | Preview |
Abstract
Terdapat banyak aktivitas pertambangan minyak bumi yang tersebar di Negara berkembang, seperti Indonesia. Indonesia menjadi salah satu Negara terbesar penghasil minyak bumi sedunia di pringkat ke-22 setelah India & Oman dengan jumlah produksi barel per hari sebesar 911.00 bbl (International Energy Agency (IEA), 2016). Sejak zaman Belanda, Indonesia sudah menghasilkan minyak bumi dengan jumlah yang sangat besar. Salah satu wilayah penghasil minyak bumi adalah di Desa “A”. Terdapat sumur tua penghasil minyak bum yang masih aktif dengan usia lebih dari 100 tahun, untuk saat ini sumur minyak tersebut masih digunakan masyarakat sekitar sebagai sumber utama mata pencaharian kehidupan. Dengan adanya aktivitas tersebut, mengakibatkan adanya oil pattern yang berada di sekitar kilang minyak tua tersebut yang lama kelamaan akan menyerap kedalam tanah. Penelitian ini bertujuan untuk menganalisis dan menidentifikasi oil pattern yang berada di sekitar kilang minyak tua di daerah Desa “A”. Data yang digunakan berupa Citra Satelit Resolusi Tinggi (CSRT) yaitu pleiades-1B dengan resolusi spasial 0,51 meter. Data di identifikasi menggunakan metode Deep Learning Semantic.
Untuk pembatas dari penelitian ini adalah batas administrasi Kabupaten X dengan skala 1:25.000 sebagai data pendukung pada saat pemotongan citra. Metode yan digunakan adalah Deep Learning series Convolutional Neural Network. Penelitian ini berfokus pada bagaimana cara mendeteksi oil pattern yang berada di daratan dengan pertimbangan beberapa algoritma yang digunakan.
Penelitian kali ini menghasilkan peta tutupan lahan hasil klasifikasi yang dibagi menjadi 3 kelas yaitu area oil pattern, area tidak terdampak dan vegetasi. Sebagai nilai penunjang untuk menunjukkan ketelitian dari hasil klasifikasi, digunakan cara uji akurasi dengan metode confusion matrix. Untuk menunjukkan keakuratan dari penelitian ini menggunakan data thermal yang diambil dari lapangan. Data thermal yang digunakan berupa angka yang menunjukkan suhu dari setiap tutupan lahannya. berdasarkan referensi di atas, akan dilakukan penelitian terkait analisis data citra CSRT (Pleiades-1B) untuk meneliti oil pattern. Penelitian ini menggunakan metode deep learning series convolutional neural network (CNN). Dengan adanya penelitian ini diharapkan dapat membantu instansi dalam mengetahui metode yang tepat untuk mengidentifikasi minyak di area daratan.
Kata Kunci – Minyak Bumi, Oil Pattern, Deep Learning Semantic, CNN, PLEIADES-1B, Confusion Matrix.
=====================================================================================================
There are many petroleum mining activities scattered in developing countries, such as Indonesia. Indonesia is one of the largest petroleum producing countries in the world in the 22nd rank after India & Oman with a total production of barrels per day of 911.00 bbl (International Energy Agency (IEA), 2016). Since the Dutch era, Indonesia has produced a very large amount of petroleum. One of the oil producing areas is “A” Village. There is an old well that produces petroleum oil which is still active with an age of more than 100 years, for now the oil well is still used by the local community as the main source of livelihood. With this activity, resulting in an oil pattern around the old oil refinery, which over time will absorb into the ground. This study aims to analyze and identify the oil pattern around the old oil refinery in the “A” area. The data used is in the form of High-Resolution Satellite Imagery (CSRT), namely Pleiades-1B with a spatial resolution of 1.5 meters. Data were identified using the Deep Learning Semantic method.
For the limitation of this research is the administrative limit of X Regency with a scale of 1: 25,000 as supporting data when cutting the image. The method used is the Deep Learning Regional Convolutional Neural Network series. This research is based on how to wait for the method of the former oil spill which is the consideration of the consideration used.
This study produced a land cover map that was classified into 3 categories, namely oil patterns area, area not affected by oil and vegetation. As a supporting value to show the accuracy of the classification results, an accuracy test method is used with the confusion matrix method. To show the accuracy of this study using thermal data taken from the field. Thermal data used in the form of numbers that show the temperature of each land cover. Based on the above reference, a research related to the analysis of very high resolution image data (Pleiades-1B) will be conducted to examine the oil pattern. This research uses the deep learning series convolutional neural network (CNN) method. With this research, it is hoped that it can help agencies in knowing the right method to identify oil in mainland areas.
Keywords – Petroleum, Oil Pattern, Deep Learning Semantic, CNN, PLEIADES-1B, Confusion Matrix
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Uncontrolled Keywords: | Minyak Bumi, Oil Pattern, Deep Learning Semantic, CNN, PLEIADES-1B, Confusion Matrix |
| Subjects: | G Geography. Anthropology. Recreation > G Geography (General) > G70.212 ArcGIS. Geographic information systems. G Geography. Anthropology. Recreation > G Geography (General) > G70.217 Geospatial data G Geography. Anthropology. Recreation > G Geography (General) > G70.5.I4 Remote sensing |
| Divisions: | Faculty of Civil, Environmental, and Geo Engineering > Geomatics Engineering > 29202-(S1) Undergraduate Theses |
| Depositing User: | Novi Anita |
| Date Deposited: | 13 Aug 2021 04:38 |
| Last Modified: | 14 Oct 2024 05:10 |
| URI: | http://repository.its.ac.id/id/eprint/86317 |
Actions (login required)
 |
View Item |