atapusfatja.lapan.go.id/upload/profil/lakin_pusfatja_2019.pdfi k ata p engantar assalamu’alaikum...
TRANSCRIPT
i
KATA PENGANTAR
Assalamu’alaikum warahmatullahi wabarakatuh,
Salam sejahtera bagi kita semua
Alhamdulillah, Puji syukur kita panjatkan
kehadirat Tuhan Yang Maha Esa, atas berkat dan
rahmat-Nya, Pusat Pemanfaatan Penginderaan Jauh
(Pusfatja) LAPAN dapat menyelesaikan Laporan
Kinerja (LAKIN) Tahun Anggaran 2019. Laporan ini
merupakan wujud transparansi, akuntabilitas, dan
pertanggungjawaban Pusfatja dalam melaksanakan
tugas dan fungsinya berdasarkan penetapan kinerja pada tahun anggaran 2019.
Laporan ini memaparkan data dan analisis secara komprehensif terhadap hasil kinerja
yang telah dicapai Pusfatja pada Tahun Anggaran 2019 atau tahun terakhir dari Rencana
Strategis (Renstra) Pusfatja Tahun 2015-2019. Laporan disusun secara sistematis berdasarkan
capaian sasaran dan Indikator Kinerja Utama (IKU) yang telah ditetapkan melalui program dan
kegiatan yang dijabarkan dalam DIPA Pusfatja tahun 2019 untuk menghasilkan akuntabilitas
kinerja. Penyajian laporan ini disusun secara berurutan mulai dari uraian tugas dan fungsi
serta organisasi Pusfatja, kemudian perencanaan kinerja yang meliputi rencana strategis
tahun 2015-2019 dan penetapan kinerja tahun 2019, serta akuntabilitas kinerja tahun 2019
meliputi capaian kinerja Pusfatja beserta analisisnya dan realisasi anggaran yang digunakan
untuk mewujudkan kinerja Pusfatja tahun 2019. Sebagai penutup laporan, dipaparkan
simpulan umum atas capaian kinerja Pusfatja. Pada laporan ini juga dilampirkan data-data
pendukung berupa Rencana Strategis Pusfatja 2015-2019, Rencana Kinerja Tahunan (RKT)
Tahun 2019, Perjanjian Kinerja (PK) Tahun 2019, untuk memperkuat informasi yang dijelaskan
dalam laporan. LAKIN Pusfatja tahun 2019 ini diharapkan dapat memberikan gambaran
ii
kinerja Pusfatja yang terkait dengan PK 2019 atau capaian tahun 2019 berdasarkan Renstra
PUSFATJA tahun 2015-2019 dan Keputusan Kepala No 251 Tahun 2015 tentang Indikator
Kinerja Utama Satuan Kerja di Lingkungan Deputi Bidang Penginderaan Jauh. Selain itu, LAKIN
tahun 2019 dapat dijadikan acuan yang berkesinambungan dalam perencanaan serta
pelaksanaan program dan kegiatan yang lebih terarah dan bermanfaat pada perencanaan
kerja periode 2015-2019 sekaligus sebagai modal dasar untuk menambah semangat dan
motivasi untuk berbuat lebih baik dan lebih baik terus menerus. Akhir kata, kepada pihak yang
telah terlibat dalam proses pembuatan LAKIN ini, baik dalam kontribusi data, penulisan
laporan maupun analisisnya, kami ucapkan terima kasih.
Wassalamu’alaikum warahmatullahi wabarakatuh
Jakarta, Januari 2020
Dr. M. Rokhis Khomarudin, M.Si
NIP. 19740722 199903 1 006
iii
IKHTISAR EKSEKUTIF
Sebagaimana tercantum dalam pedoman implementasi Sistem Akuntabilitas Kinerja Instansi
Pemerintah (SAKIP) di lingkungan LAPAN, dasar kerja Pusat Pemanfaatan Penginderaan Jauh
(Pusfatja) mengacu pada hasil Pengukuran Kinerja, Laporan Kinerja, dan Evaluasi Kinerja tahun
2019, Rencana Strategis PUSFATJA 2015-2019, Rencana Kinerja Tahunan (RKT) 2019, dan
Penetapan Kinerja (PK) tahun 2019. Penetapan Kinerja yang dituangkan dalam perjanjian
kinerja antara Kepala Pusfatja dan Deputi Bidang Penginderaan Jauh digunakan sebagai
pedoman pencapaian target Pusfatja 2019. Penetapan kinerja tidak hanya dilakukan antara
Kepala Pusat dengan Deputi, namun juga antara Kepala Pusat dengan Kepala Bidang dan
Kepala Bagian, serta antara Kepala Bidang dan Kepala Bagian dengan anggotanya dalam
bentuk Perjanjian Kinerja Individu yang menyantumkan Indikator Kinerja Individu sebagai
target kinerja dan dijabarkan dalam kegiatan-kegiatan yang dituangkan dalam bentuk Sasaran
Kerja Pegawai (SKP).
Laporan Kinerja Pusfatja berisi pencapaian sasaran strategis yang telah ditetapkan dalam
Rencana Strategis Pusfatja 2015-2019. Secara umum pelaksanaan pencapaian sasaran
strategis tesebut di atas berjalan sesuai dengan perencanaan yang telah dibuat dengan
melaksanakan Indikator Kinerja Utama (IKU) Pusfatja yang tertuang dalam Keputusan Kepala
No 251 Tahun 2015 tentang Indikator Kinerja Utama Satuan Kerja di Lingkungan Deputi Bidang
Penginderaan Jauh. Hasil pelaksanaan program penelitian dan pengembangan pemanfaatan
penginderaan jauh telah dihasilkan dan dimanfaatkan oleh beberapa instansi pemerintah dan
swasta, antara lain:
iv
a. Dihasilkannya 19 model, 1 prototipe dan 7 pedoman pemanfaatan penginderaan jauh
yang operasional untuk pemantauan sumber daya alam, lingkungan, serta mitigasI
bencana dan perubahan iklim (tercapai 128%)
b. Dihasilkannya 22 makalah publikasi nasional terakreditasi di bidang pemanfaatan
penginderaan jauh (tercapai 104%)
c. Dihasilkannya 11 makalah publikasi internasional yang terindeks di bidang pemanfaatan
penginderaan jauh (tercapai 220%)
d. Dihasilkannya 2 judul HKI yang diusulkan di bidang pemanfaatan penginderaan jauh
(tercapai 200%)
e. Tercapainya pelayanan terhadap 184 instansi pengguna yang memanfaatkan layanan
informasi penginderaan jauh (tercapai 193%)
f. Pelayanan hasil litbangyasa iptek penerbangan dan antariksa yang memuaskan dengan
nilai Indek Kepuasan Masyarakat 84,77 (tercapai 103%)
Walaupun ada penyesuaian anggaran, rata-rata capaian kinerja Pusfatja tahun 2019 adalah
158%, dengan kata lain bahwa pada tahun 2019, Pusfatja telah berhasil mencapai bahkan
melampaui target dari tiap-tiap sasaran strategis yang telah ditetapkan pada PK 2019. Capaian
kinerja yang belum optimal akan menjadi perhatian utama dalam pelaksanaan program dan
kegiatan tahun berikutnya, yang disusun dalam rencana aksi kinerja Pusfatja.
Jakarta, Januari 2020
Dr. M. Rokhis Khomarudin, M.Si
NIP. 19740722 199903 1 006
v
DAFTAR ISI
DAFTAR ISI
KATA PENGANTAR .............................................................................................................................i
IKHTISAR EKSEKUTIF ....................................................................................................................... iii
DAFTAR ISI.......................................................................................................................................... v
DAFTAR GAMBAR ............................................................................................................................. vii
DAFTAR TABEL .................................................................................................................................... x
BAB I. PENDAHULUAN ........................................................................................................................1
1.1. Latar Belakang.....................................................................................................................1
1.2. Aspek Strategis Lembaga .....................................................................................................3
1.3. Sumber Daya Manusia (SDM) dan Fasilitas ..........................................................................7
1.4. Gedung dan Bangunan ...................................................................................................... 10
1.5. Peralatan Pengolahan Data ............................................................................................... 14
1.6. Sistematika Penyajian Laporan .......................................................................................... 21
BAB II RENCANA STRATEGIS 2015-2019 ............................................................................................ 23
2.1. Rencana Strategis 2015-2019 ............................................................................................ 23
2.1.1. Visi ................................................................................................................................ 23
2.1.2. Misi ............................................................................................................................... 23
2.1.3. Tujuan ........................................................................................................................... 23
2.1.4. Sasaran Strategis ........................................................................................................... 24
2.2. Rencana Kinerja Tahunan (RKT) 2019 ................................................................................ 28
vi
2.3. Perjanjian Kinerja (PK) Tahun 2019 .................................................................................... 29
2.4. Mekanisme Pengumpulan Data Kinerja ............................................................................. 35
BAB III AKUNTABILITAS KINERJA 2019 ............................................................................................... 37
3.1. Analisis Capaian Kinerja Tahun 2019 ................................................................................. 37
Sasaran Strategis 1: Meningkatnya penguasaan dan kemandirian Iptek di bidang pemanfaatan
penginderaan jauh yang maju. ...................................................................................................... 40
3.2. Capaian Triwulan ............................................................................................................ 109
3.3. Pengukuran Pencapaian Sasaran dan IKU Pusfatja Tahun 2019........................................ 122
3.4. Capaian di luar IKU .......................................................................................................... 125
3.5. Akuntabilitas Keuangan ................................................................................................... 130
3.6. Valuasi Ekonomi .............................................................................................................. 131
BAB IV INISIATIF PENINGKATAN KINERJA 2019 ............................................................................... 129
4.1. Tindak Lanjut Atas Evaluasi SAKIP .................................................................................... 129
4.2. Program Peningkatan Integritas ...................................................................................... 130
4.3. Penguatan Program Reformasi Birokrasi ......................................................................... 130
BAB V PENUTUP ............................................................................................................................. 133
vii
DAFTAR GAMBAR
DAFTAR GAMBAR Gambar 1.1 Foto bersama pimpinan dan seluruh staf Pusat Pemanfaatan Penginderaan Jauh ...........2
Gambar 1.2 Struktur Organisasi Pusat Pemanfaatan Penginderaan Jauh ............................................5
Gambar 1.3. Komposisi SDM PNS Pusfatja berdasarkan Usia ..............................................................8
Gambar 1.4. Komposisi SDM PNS Pusfatja berdasarkan jabatan fungsional ........................................9
Gambar 1.5. SDM PUSFATJA berdasarkan pendidikan ........................................................................9
Gambar 1.6. SDM Pegawai Tidak Tetap di PUSFATJA ........................................................................ 10
Gambar 1.7. Kantor PUSFATJA terbaru, berlokasi di Jl. Kalisari No 8 Pekayon, Pasar Rebo, Jakarta
Timur 13710 ..................................................................................................................................... 12
Gambar 1.8. Renovasi pada ruang auditorium gedung D .................................................................. 13
Gambar 1.9. Pengembangan area parkir kendaraan mobil dan sepeda motor .................................. 13
Gambar 1.10. Renovasi ruang produksi lantai 2 gedung C................................................................. 13
Gambar 1.11. Renovasi ruang server gedung C ................................................................................. 14
Gambar 1.12. Penambahan nilai gedung berupa jockey pump sebagai sistem pemadam kebakaran 14
Gambar 1.13 Jaringan existing di Pusfatja 2018 ................................................................................ 16
Gambar 1.14. Mesin storage ............................................................................................................ 17
Gambar 1.15. Server Sistem Pemantauan Bumi Nasional (SPBN) HPE Proliant DL380 Gen10 (Xeon
Gold 6130, 256GB Dual Rank, 80TB SAS) ........................................................................................... 17
Gambar 1.16. Mesin HPE StoreEasy 1660 SAS Storage ...................................................................... 17
Gambar 1.17. Mesin HP Proliant DL380 Gen10 (Xeon Gold 6148, 256GB Dual Rank, 48TB) ............... 18
Gambar 1.18. Pengembangan perangkat software SPBN – upgrade software Arcgis dan Erdas
Imagine Profesional 2018 ................................................................................................................. 18
Gambar 1.19. Pengembangan Perangkat Software SPBN - Server MIKE ............................................ 18
Gambar 1.20. Laptop Dell Rugged Latitude....................................................................................... 19
Gambar 1.21. Visualisasi beberapa contoh peralatan Pendukung Survei Litbang dan tempat
penyimpanan di Pusfatja .................................................................................................................. 19
viii
Gambar 1.22. Visualisasi beberapa contoh peralatan Spektral .......................................................... 20
Gambar 1.24.Salah satu kegiatan video conference antara Pusfatja LAPAN dengan Stakeholder ...... 21
Gambar 2.1 Peta Strategi Balance Score Card (BSC) Level 2 PUSFATJA .............................................. 25
Gambar 2.2. SOP mekanisme pengumpulan data kinerja .................................................................. 36
Gambar 3.1 Variasi temporal nilai radar backscatter coefficient (σ0) C- band pada polarisasi (a) VH
dan (b) VV (Lestari and Kushardono, 2018) ....................................................................................... 42
Gambar 3.2 Kedalaman relatif menggunakan rasio band biru dan hijau............................................ 44
Gambar 3.3 Grafik hubungan kedalaman pengukuran dengan kedalaman estimasi seluruh data (kiri)
dan hingga kedalaman 15 m (kanan) ................................................................................................ 45
Gambar 3.4. Estimasi kedalaman di Nusa Lembongan ...................................................................... 46
Gambar 3.5 Informasi Lokasi Kesesuaian Kerapu .............................................................................. 47
Gambar 3.6 Lokasi Kesesuaian Rumput Laut Provinsi Kalimantan Utara ........................................... 47
Gambar 3.7. Model MPT untuk kawasan pesisir Bali ......................................................................... 48
Gambar 3.8 Model MPT untuk kawasan muara / DAS Bali ................................................................ 49
Gambar 3.9. Citra nilai NDVI Kawasan Mangrove Bali Barat .............................................................. 50
Gambar 3.10. Citra nilai GNDVI Kawasan Mangrove Bali Barat ......................................................... 50
Gambar 3.11. Citra nilai OSAVI Kawasan Mangrove Bali Barat .......................................................... 50
Gambar 3.12. Hasil Ekstraksi Model Maximum Likelihood di Pulau Nusa Lembongan ....................... 52
Gambar 3.13. Hasil Ekstraksi Objek Base Model Decision Tree di Pulau Nusa Lembongan ................ 52
Gambar 3.14. Penggunaan Lahan DAS Brantas Tahun 2002, 2014, dan 2019 .................................... 53
Gambar 3.15. Gambar perubahan lahan ........................................................................................... 54
Gambar 3.16. Tinggi Vegetasi Tahun 2000 ........................................................................................ 55
Gambar 3.17. Informasi spasial aktivitas eksploitasi dan reklamasi tahun 2017 - 2018...................... 56
Gambar 3.18. Hasil Klasifikasi dengan Metode OBIA ......................................................................... 57
Gambar 3.19. Informasi Sebaran Umur Kelapa Sawit di Sulawesi Barat Tahun 2019 ......................... 58
Gambar 3.20. Citra NTI hasil otomatisasi .......................................................................................... 59
Gambar 3.21. Informasi suhu puncak Gunung Agung: Bali ................................................................ 60
Gambar 3.21. Komposit RGB citra GCOM-C ...................................................................................... 61
Gambar 3.22. Hasil deteksi tumpahan minyak di perairan Batam dan Bintan 12 Maret, 22 Maret, dan
6 April 2019 ...................................................................................................................................... 62
Gambar 3.23. Informasi rata-rata bulanan klorofil-a tahun 2004 - 2018............................................ 63
Gambar 3.24. Informasi ZPPI Pesisir di Perairan Nias (a) Bulan September 2018 (b) Bulan September
2019 ................................................................................................................................................. 65
ix
Gambar 3.25. (a) Tampilan basemap Google Terrain pada aplikasi GeoNode. (b) Contoh tampilan
Map pada sistem GeoNode SPBN Pusfatja LAPAN ............................................................................ 65
Gambar 3.26. Tampilan Map pada Argis Server mengenai Fire Danger Rating System ...................... 66
Gambar 3.27 Grafik tujuan pelayanan Pusfatja terhadap instansi pengguna ................................... 107
Gambar 3.28 Grafik sektor kegiatan pengguna layanan Pusfatja tahun 2019 .................................. 107
Gambar 3.29 Grafik kategori instansi pengguna layanan Pusfatja tahun 2019 ................................ 108
Gambar 3.29 Pencapaian IKU dari Tahun 2015 – 2019 .................................................................... 125
Gambar 3.30 Hasil Pusat Unggulan Iptek (PUI) ............................................................................... 126
Gambar 3.31 Sertifikat ISO ............................................................................................................. 127
Gambar 3.32 Sertifikat Penghargaan Mapin ................................................................................... 127
Gambar 3.34 Tampilan Aplikasi SIPANDORA ................................................................................... 128
Gambar 3.35 Sertifikasi Akreditasi Pranata Penelitian dan Pengembangan ..................................... 129
Gambar 3.36 UN-SPIDER Regional Support Office in Indonesia ....................................................... 129
Gambar 4.1 Tampilan Sistem Informasi Check-in Check-out Pegawai ............................................. 130
Gambar 4.2 Tampilan Aplikasi Display Kepegawaian dan Keuangan................................................ 131
Gambar 4.3 Tampilan Sistem Informasi Elektronik Fasilitas ............................................................ 132
Gambar 4.4 Tampilan Sistem Informasi Naskah Dinas .................................................................... 132
x
DAFTAR TABEL
DAFTAR TABEL
Tabel 2.1. Sasaran Kinerja, Indikator Kinerja, dan Target Tahun 2019 .................................. 24
Tabel 2.2. Sasaran Strategis, IKU dan Target PUSFATJA 2015-2019 ...................................... 25
Tabel 2.3 Rencana Kinerja Tahunan 2019 ............................................................................ 28
Tabel 2.4 Perjanjian Kinerja PUSFATJA Tahun 2018 ............................................................. 30
Tabel 3.1 Capaian Tahun 2019 Berdasarkan Perjanjian Kinerja 2019 ................................... 38
Tabel 3.2 Capaian Sasaran Strategis 1 dan Target IKU 1 PUFATJA Tahun 2019 ..................... 41
Tabel 3.3 Perbandingan Capaian IKU 1 dengan Tahun Sebelumnya ..................................... 41
Tabel 3.4 Rata-rata akurasi model klasifikasi berbasis data sampel ..................................... 43
Tabel 3.5 Analisis ketelitian berdasarkan Standar IHO S44 .................................................. 45
Tabel 3.7 Capaian Sasaran Strategis 2 dan Target IKU 2 PUFATJA Tahun 2019 ..................... 67
Tabel 3.8 Perbandingan Capaian IKU 2 dengan Tahun Sebelumnya ..................................... 67
Tabel 3. 9 Daftar makalah publikasi nasional yang diterbitkan tahun 2019 .......................... 68
Tabel 3.10 Capaian Sasaran Strategis 2 dan Target IKU 3 PUFATJA Tahun 2019 ................... 79
Tabel 3.11 Perbandingan Capaian IKU 3 dengan Tahun Sebelumnya ................................... 79
Tabel 3. 12 Daftar makalah publikasi Internasional yang diterbitkan tahun 2019 ................ 80
Tabel 3.13 Capaian Sasaran Strategis 2 dan Target IKU 4 PUFATJA Tahun 2019 ................... 85
Tabel 3.14 Perbandingan capaian IKU 4 Pusfatja dengan tahun sebelumnya ....................... 85
Tabel 3.15 Daftar HKI yang disulkan Pusfatja Tahun 2019 ................................................... 86
Tabel 3.16 Capaian Sasaran Strategis 2 dan Target IKU 5 PUFATJA Tahun 2019 ................... 86
Tabel 3.17 Perbandingan Capaian IKU 5 dengan Tahun Sebelumnya ................................... 86
xi
Tabel 3.18 Merupakan daftar pengguna yang memanfaatkan informasi penginderaan jauh
untuk masing-masing tema kegiatan ................................................................................... 87
Tabel 3.19 Capaian Sasaran Strategis 2 dan Target IKU 6 PUFATJA Tahun 2019 ................. 108
Tabel 3.20 Perbandingan Capaian IKU 6 dengan Tahun Sebelumnya ................................. 109
Tabel 3.21 Perbandingan Realisasi Target Triwulan tahun 2019 ........................................ 117
Tabel 3.22 Pengukuran target dan realisasi tahun 2019 .................................................... 123
Tabel 3. 23 Perbandingan realisasi target Pusfatja tahun 2015 – 2019 berdasarkan IKU .... 124
Tabel 3.25. Realisasi Anggaran Berdasarkan Akun Belanja TA 2019 ................................... 130
Tabel 3.26 Realisasi Anggaran Berdasarkan IKU TA. 2019 .................................................. 130
Tabel 3.27 Pagu Anggaran Beserta Realisasinya Dari Setiap Keluaran Pada Satker Pusat
Pemanfaatan Penginderaan Jauh Berdasarkan PMK 249/2011 .......................................... 131
Tabel 3.28 Valuasi Ekonomi ............................................................................................... 131
1
BAB I. PENDAHULUAN
1.1. Latar Belakang
Penyelenggaraan sistem kepemerintahan yang baik (good governance) dalam
pengelolaan administrasi publik dan pelaksanaan akuntabilitas kinerja instansi
pemerintah adalah wujud tanggung jawab pemerintah terhadap tuntutan dan aspirasi
masyarakat dalam mencapai tujuan serta cita-cita berbangsa dan bernegara. Dalam
rangka itu, diperlukan pengembangan dan penerapan sistem pertanggungjawaban
yang tepat dan jelas sehingga penyelenggaraan pemerintahan dapat berlangsung
secara efektif dan efisien, bersih, dan bertanggung jawab serta bebas dari praktik
korupsi, kolusi, dan nepotisme (KKN).
Upaya pengembangan tersebut sejalan dengan asas akuntabilitas yang
dirumuskan dalam Pasal 3 Undang-Undang Nomor 28 Tahun 1999 tentang
Penyelenggaraan Negara yang Bersih dan Bebas Korupsi, Kolusi, dan Nepotisme,
bahwa asas akuntabilitas adalah asas yang menentukan bahwa setiap kegiatan dan
hasil akhir dari kegiatan penyelenggaraan negara harus dapat
dipertanggungjawabkan kepada masyarakat atau rakyat sebagai pemegang
kedaulatan tertinggi negara sesuai dengan ketentuan peraturan perundang-
undangan. Dalam rangka itu, pemerintah telah menerbitkan Instruksi Presiden Nomor
7 Tahun 1999 tentang Akuntabilitas Kinerja Instansi Pemerintah. Instruksi Presiden
2
tersebut mewajibkan setiap instansi pemerintah sebagai unsur penyelenggara negara
untuk mempertanggungjawabkan pelaksanaan tugas, fungsi, serta kewenangan
dalam pengelolaan sumber daya dan kebijakan yang dipercayakan kepadanya
berdasarkan perencanaan strategis yang ditetapkan.
Dalam rangka perwujudan pertanggungjawaban tersebut, setiap instansi
pemerintah secara periodik wajib mengkomunikasikan pencapaian tujuan dan sasaran
strategis organisasi kepada para pemangku kepentingan, yang dituangkan di dalam
Laporan Kinerja (LAKIN). Berdasarkan Sistem Akuntabilitas Instansi Pemerintah
(SAKIP), penyusunan LAKIN dilakukan melalui proses penyusunan Rencana Strategis
(Renstra), penyusunan Rencana Kinerja, Penetapan Kinerja (PK), dan Pengukuran
Kinerja.
Gambar 1.1 Foto bersama pimpinan dan seluruh staf Pusat Pemanfaatan
Penginderaan Jauh
Sejalan dengan itu, Pusat Pemanfaatan Penginderaan Jauh (PUSFATJA)
melaporkan kinerjanya sebagai bentuk pertanggungjawaban selama tahun anggaran
2019 sebagaimana Instruksi Presiden tersebut di atas. Laporan Kinerja (LAKIN) di
PUSFATJA tahun 2019 ini disusun untuk memenuhi ketentuan tentang pelaporan
kinerja tahunan sekaligus merupakan catatan tentang langkah-langkah kegiatan yang
telah dilaksanakan pada tahun 2018 lalu. Kegiatan tahun 2019 secara umum
merupakan kelanjutan dari kegiatan tahun-tahun sebelumnya, khususnya kelanjutan
3
dari kegiatan tahun 2018 yang dilaksanakan dalam rangka mencapai tujuan dan
sasaran strategis tahun 2015 – 2019. Namun pelaksanaan kegiatan tahun 2019
Pusfatja tidak hanya melaksanakan kegiatan sebagaimana biasanya, tapi didorong
oleh suatu kemauan dan komitmen para pihak di Pusfatja, pejabat struktural,
fungsional untuk dapat mempertahankan predikat “Pusat Unggulan IPTEK di Bidang
Pemanfaatan dan Diseminasi Informasi Penginderaan Jauh” oleh kementerian Riset,
Teknologi dan Pendidikan Tinggi (Ristekdikti). Tahun 2019 juga, menjadi tahun yang
penting karena merupakan tahun terakhir dari Renstra Pusfatja 2015-2019 sekaligus
sebagai waktu yang tepat untuk melakukan evaluasi pelaksanaan Renstra Pusfatja
dan melakukan tinjauan manajemen atas hasil-hasil yang telah dicapai dan melakukan
pengendalian, penyesuaian-penyesuaian sasaran dan target-target disesuaikan
dengan perkembangan-perkembangan terakhir dari perkembangan penginderaan
jauh dan tantangan dalam penguasaan dan pemanfaatannya (Gambar 1.1). Selain itu,
Pusfatja menjadikan tahun 2019, sebagai tahun “penguatan mutu” untuk semua
bidang, penelitian, pelayanan dan sebagainya. Pusfatja menetapkan kebijakan dan
sasaran mutu serta menerapakan sistem manajemen mutu dari ISO 9001:2015 dan
KNAPPP 02:2017.
1.2. Aspek Strategis Lembaga
Pusat Pemanfaatan Penginderaan Jauh (PUSFATJA) merupakan salah satu unit
kerja di Deputi Bidang Penginderaan Jauh yang berkedudukan di Jl. Kalisari No. 8
Pekayon, Pasar Rebo, Jakarta Timur 13710. Berdasarkan Peraturan Kepala Lembaga
Penerbangan dan Antariksa Nasional No. 8 Tahun 2015 dan No. 8 Tahun 2017 Pusat
Pemanfaatan Penginderaan Jauh mempunyai tugas melaksanakan penelitian,
pengembangan, dan perekayasaan, serta penyelenggaraan keantariksaan di bidang
pemanfaatan penginderaan jauh.
Dalam melaksanakan tugasnya, Pusat Pemanfaatan Penginderaan Jauh
menyelenggarakan fungsi:
a. Penyusunan rencana, program, kegiatan, dan anggaran di bidang pemanfaatan
penginderaan jauh;
b. Penyiapan bahan rumusan kebijakan teknis di bidang pemanfaatan
penginderaan jauh;
4
c. Penelitian, pengembangan, dan perekayasaan di bidang pemanfaatan
penginderaan jauh;
d. Pengelolaan fasilitas penelitian, pengembangan, perekayasaan, dan
pemanfaatan di bidang pemanfaatan penginderaan jauh;
e. Pelaksanaan kegiatan diseminasi hasil penelitian, pengembangan, dan
perekayasaan di bidang pemanfaatan penginderaan jauh;
f. Pengolahan data dengan klasifikasi dan deteksi parameter geo-bio-fisik;
g. Penyiapan bahan penetapan metode dan kualitas pengolahan data;
h. Penyiapan bahan penyusunan pedoman pemanfaatan data dan diseminasi
informasi;
i. Pengelolaan dan pengembangan Sistem Pemantauan Bumi Nasional;
j. Pembinaan dan pemberian bimbingan teknis di bidang penelitian,
pengembangan, dan perekayasaan pemanfaatan penginderaan jauh;
k. Pelaksanaan kerja sama teknis di bidang pemanfaatan penginderaan jauh;
l. Pelaksanaan administrasi keuangan, penatausahaan Barang Milik Negara,
pengelolaan rumah tangga, sumber daya manusia aparatur, dan tata usaha
pusat.
Dalam pelaksanaan tugas dan fungsi, PUSFATJA memiliki struktur organisasi
terdiri atas (Gambar 1.2):
a. Bagian Administrasi;
b. Bidang Program dan Fasilitas;
c. Bidang Diseminasi; dan
d. Kelompok Jabatan Fungsional.
5
Gambar 1.2 Struktur Organisasi Pusat Pemanfaatan Penginderaan Jauh
Bagian Administrasi
Bagian Administrasi mempunyai tugas melaksanakan administrasi keuangan,
penatausahaan Barang Milik Negara, pengelolaan rumah tangga, mengelola sumber
daya manusia aparatur dan melaksanakan urusan ketatausahaan. Bagian
Administrasi terdiri atas:
a. Subbagian Keuangan dan Barang Milik Negara;
b. Subbagian Sumber Daya Manusia dan Tata Usaha.
Bidang Program dan Fasilitas
Bidang Program dan Fasilitas mempunyai tugas melaksanakan penyusunan
rencana program, kegiatan, dan anggaran, pengelolaan fasilitas penelitian,
pengembangan, perekayasaan serta pemantauan dan pelaporan kinerja pusat.
Bidang Diseminasi
Bidang Diseminasi mempunyai tugas melaksanakan pengelolaan informasi
Sistem Pemantauan Bumi Nasional, pembinaan, pembimbingan teknis, dan
pelayanan, dokumentasi dan diseminasi hasil penelitian, pengembangan, dan
perekayasaan, serta penyiapan bahan pelaksanaan kerja sama teknis di bidang
pemanfaatan penginderaan jauh.
Berdasarkan pengalaman pelaksanaan tugas dan fungsi PUSFATJA dalam
kurun 2010-2014 serta kaitannya dengan UU No 21 tahun 2013, terdapat beberapa
isu strategis dalam kurun 2015-2019, yaitu:
a. Standardisasi metode pengolahan dan produk informasi,
6
b. Pedoman pengolahan klasifikasi dan deteksi parameter geo-bio-fisik,
c. Pedoman diseminasi,
d. Memberi masukan kepada pemerintah terkait dengan pemanfaatan data
penginderaan jauh untuk mendukung pembangunan nasional
e. Memberikan supervisi pemanfaatan data penginderaan jauh khususnya data
penginderaan jauh satelit kepada Kementrian, Lembaga, Pemerintah Provinsi,
kabupaten, dan Kota
f. Penyediaan Informasi decision support system (DSS) untuk peringatan dini
bencana
g. Operasi Sistem Pemantauan Bumi Nasional dalam menyediakan informasi
berbasis penginderaan jauh real time untuk mendukung pembangunan, yaitu:
kemaritiman, ekonomi, energi, ketahanan pangan, pertahanan keamanan,
pengembangan daerah perbatasan, lingkungan, mitigasi bencana, dan
penataan ruang.
h. Hilirisasi dan alih teknologi (penjalaran teknologi) hasil litbangyasa
Berdasarkan kondisi pada tahun 2019, adapun kekuatan, kelemahan, peluang,
dan tantangan dalam menyusun rencana kegiatan tahun 2020-2024 sebagai berikut:
Kekuatan Kelemahan
a. SDM yang kompeten, professional dan inovatif
b. Hasil penelitian digunakan oleh K/L/Pemda
c. Kepercayaan dari mitra nasional dan internasional terhadap kompetensi PUSFATJA terutama dalam pengembangan model pemanfaatan untuk mitigasi bencana dan inventarisasi potensi sumberdaya alam
d. Kerjasama dengan berbagai instansi lain- “stackholder”
e. Fasilitas pengolahan data f. Efisien dalam penggunaan anggaran (dari
pengalaman bertahun-tahun capaian kinerja senantiasa melampaui target dengan realisasi anggaran di bawah nilai pagu)
a. Belum tersedianya pedoman pemanfaatan dan standar metode pengolahan dan sebagainya untuk yang diamanatkan UU no 21 tahun 2013 tentang Keantariksaan
b. Perlengkapan fasilitas penelitian dan pengembangan (termasuk fasilitas alat ukur dan survey) masih kurang memadai dibandingkan dengan lembaga keantariksaan Negara lain.
c. Pengelolaan Teknologi Informasi (TI) belum menerapkan Service Level Agreement (SLA).
d. Belum tersedianya fasilitas untuk pendidikan dan pelatihan serta bimbingan teknis dalam rangka pelayanan publik.
e. Orang-orang yang bergerak dalam satu bidang tertentu cenderung untuk mementingkan fungsinya saja sehingga koordinasi yang bersifat menyeluruh sukar dijalankan dan oleh karenanya sukar untuk menggerakkan organisasi sebagai satu total sistem.
7
Peluang Tantangan
a. Adanya isu perubahan iklim, meningkatkan kebutuhan informasi penginderaan jauh untuk keperluan pembangunan yang berwawasan lingkungan.
b. Meningkatnya kebutuhan akan hasil pengkajian kebijakan yang berkualitas oleh pengambil kebijakan (policy driven research) yang dapat menjawab isu-isu strategis terkini di bidang pemanfaatan penginderaan jauh.
c. Banyak tawaran kerjasama dan permintaan bimbingan dan bantuan teknis kepada PUSFATJA
d. Kebutuhan informasi berbasis satelit penginderaan jauh yang sangat besar untuk berbagai keperluan ini, memberikan peluang untuk LAPAN untuk semakin berkiprah dalam pembangunan nasional.
e. Banyaknya permintaan informasi berbasis data penginderaan jauh dan meningkatnya permintaan stakeholder akurasi dari informasi tersebut. agar metode yang dibangun lebih akurat. Peluang lain adalah adanya tawaran kerjasama pengembangan metodologi dari instansi lain baik dalam maupun luar negeri. Kegiatan kerjasama dengan instansi litbang baik dalam maupun luar negeri akan meningkatkan kualitas metode yang akan dibangun.
a. Anggaran untuk Iptek masih rendah, sedangkan fokus RPJMN tahap 3 mengarahkan perekonomian berbasis SDA dengan mengutamakan Iptek. Dengan peluang pemanfaatan data yang sangat besar, tantangan utama dalam penyelenggaraan penginderaan jauh adalah pemenuhan terhadap standard baik dalam metoda maupun produknya. Pemenuhan terhadap standard ini yang akan menjamin legalitas produk ketika akan dijadikan bahan untuk kebijakan publik. Pemenuhan standard ini meliputi kecepatan penyampaian data kepada pengguna, ketepatan data baik dalam sisi geometrik maupun radiometrik. Tuntutan untuk melakukan standardisasi kualitas produk dan sertifikasi harus dilaksanakan demi kepuasan pengguna.
b. Tantangan lain berkaitan dengan ketergantungan pada teknologi asing. Penyelenggaraan kegiatan penginderaan jauh nasional masih bergantung pada satelit-satelit yang dibuat dan dioperasikan oleh negara-negara maju.
1.3. Sumber Daya Manusia (SDM) dan Fasilitas
Sumber Daya Manusia (SDM) di Pusfatja pada tahun 2019 berjumlah 141 orang,
yang terdiri dari 86 orang Pegawai Negeri Sipil (PNS), 14 orang Calon Pegawai Negeri
Sipil (CPNS), 13 orang Tenaga Teknis Strategis, 11 orang Satuan Pengamanan, 5
orang Pengemudi, dan 12 orang Pramubakti. Secara umum Distribusi PNS
berdasarkan usia kurang dari 30 Tahun 24 orang, 30 Tahun sampai 39 Tahun 19
orang, 40 tahun sampai 49 Tahun 18 orang serta usia lebih dari 50 tahun berjumlah
39 orang (Gambar 1.3).
8
Gambar 1.3. Komposisi SDM PNS Pusfatja berdasarkan Usia
Komposisi SDM sudah memenuhi kaidah organisasi litbangyasa dimana jumlah
komposisi SDM administrasi sebesar 35% dan SDM teknis sebesar 65%. Gambar 1.4.
menunjukkan komposisi SDM berdasarkan jabatan struktural dan fungsional Pusfatja
pada tahun 2019. SDM Fungsional Peneliti Pusfatja tersebar dalam kelompok Peneliti
Utama 2 orang, Peneliti Madya 15 orang, Peneliti Muda 19 orang dan Penelilti Pertama
4 orang. Begitu pula SDM Fungsional Perekayasa Pusfatja tersebar dalam kelompok
Perekayasa Madya 4 orang, Perekayasa Muda 3 orang dan Perekayasa Pertama 2
orang.
SDM Pusfatja berdasarkan pendidikan memiliki komposisi yang cukup baik,
namun masih sangat dirasakan kurang untuk SDM yang memiliki jenjang pendidikan
S3. Hanya terdapat 7 orang yang memiliki jejang pendidikan S3 tersebut. Idealnya,
sebagai lembaga riset yang menangani teknologi spesifik ini setidaknya memiliki 15-
20% SDM yang berpendidikan S3. Potensi pengembangannya sangat dimungkinkan
karena memiliki 35 orang yang berpendidikan S2, dan 42 orang yang berpendidikan
S1. Selebihnya adalah pegawai administrasi yang memiliki pendidikan kurang atau
sama dengan D3 adalah sebanyak 16 orang.
9
Gambar 1.4. Komposisi SDM PNS Pusfatja berdasarkan jabatan fungsional
Secara umum, komposisi SDM Pusfatja ini tergolong baik karena potensi
pengembangannya sangat tinggi. Gambar 1.5, diperlihatkan secara lengkap
komposisi SDM berdasarkan jenjang pendidikan. Selain jenjang formal, pendidikan
dan pelatihan untuk penambahan kapasitas SDM di bidang teknis dilakukan dengan
mengirimkan SDM ke luar negeri seperti Asian Institute of Technology, ITC Nederland,
dan berbagai negara lainnya.
Gambar 1.5. SDM PUSFATJA berdasarkan pendidikan
10
Dari gambaran SDM tersebut di atas, SDM Pusfatja, masih perlu dikembangkan
tenaga peneliti dan perekayasa dan pengembangan SDM dengan pendidikan S-3.
Selain itu, SDM Pusfatja saat ini, belum banyak yang terlibat dalam kegiatan
internasional, diminta sebagai tenaga ahli, narasumber, atau pembicara kunci pada
seminar internasional dan masih sangat kurang SDM yang diminta sebagai mitra
bestari (viewer) pada Jurnal internasional Penginderaan Jauh. Untuk Komposisi
Pegawai Tidak Tetap terdiri dari 13 orang Tenaga Teknis Strategis, 11 orang Satuan
Pengamanan, 5 orang Pengemudi, dan 12 orang Pramubakti (Gambar 1.6).
Gambar 1.6. SDM Pegawai Tidak Tetap di PUSFATJA
1.4. Gedung dan Bangunan
Sejak adanya kebijakan Kepala LAPAN terdahulu bahwa setiap satuan kerja
teknis mengelola gedung/bangunan sendiri, maka sejak tahun 2011, Pusfatja
mengelola pengelolaan mandiri terhadap gedung/bangunan yang diberikan sesuai
dengan kebijakan Kepala LAPAN. Saat ini Pusfatja mulai membenahi bangunan yang
ada dengan membangun Gedung D yaitu gedung baru 4 lantai yang digunakan
sebagai gedung para peneliti dan perekayasa. Pada tahun 2017 Pusfatja telah
memiliki 4 Gedung, yaitu Gedung A, Gedung B, Gedung C dan Gedung D (Gambar
1.7). Gedung A digunakan untuk Bagian Administrasi, maka Gedung A ditempati oleh
Kepala Pusfatja, Kepala Bagian Administrasi, Kasubbag Keu dan BMN, Kasubbag
SDM dan TU, Bendahara dan seluruh Staf Administrasi. Hal ini untuk memudahkan
11
komunikasi administrasi pimpinan dengan administrasi peneliti dan perekayasa. Di
Gedung A juga dilengkapi dengan Ruang Front Office, Ruang PPID, Ruang Display
serta RuangTraining. Namun Gedung B pada tahun 2017 di hapuskan untuk
digunakan menjadi Taman Pusfatja. Gedung C digunakan untuk Bidang Diseminasi
dan Kelompok Kegiatan Perekayasa, maka Gedung C ditempati oleh Kepala Bidang
Diseminasi, Kepala Kelompok Kegiatan Perekayasa, Staf Bidang Diseminasi, anggota
Kelompok Kegiatan Perekayasa dan ruang pengolahan data para Tenaga Tekhnis
Strategis. Di Gedung C juga dilengkapi dengan Ruang RSO, Ruang PNBP, Ruang
SIMBA serta ruang Server.
Gedung D digunakan untuk Bidang Program dan Fasilitas, dan Kelompok
Kegiatan Penelitian. Gedung D terdiri dari 4 lantai, dilantai 3 dan 4 Gedung D
disediakan2 ruang rapat kecil dengan daya tampung 10 orang dan 1 ruang rapat besar
dengan daya tampung 25 orang. Pada lantai 2 digunakan oleh Bidang Program dan
Fasilitas yang dilengkapi oleh ruang Kepala Bidang dan ruang stafnya, selain itu juga
terdapat Ruang Auditorium. Gedung D diperuntukan khusus untuk para peneliti.
Penataan jaringan internet ditata ulang sehingga komunikasi dan sisteminformasi
manajemen akan berlangsung dengan baik. Saat ini semua peneliti sudahmenempati
Gedung D sehingga bisa meningkatkan produktivitasnya.
Gedung dan bangunan di Pusfatja dikondisikan agar para peneliti dan
perekayasa bisa berkarya dengan baik. Para peneliti dan perekayasa menempati
tempat kerja (working station) lebih luas dibandingkan ukuran normalnya. Jika
normalnya berukuran 1.2 m x 1.2 m maka ruang kerja akan dibuat dengan luas 1.8 m
x 1.8 m. Setiap kepala kelompok baik kelompok peneliti maupun perekayasa akan
menempati ruangan sendiri dengan ukuran lebih dari 3 m x 3 m. Untuk memudahkan
diskusi, setiap lantai di gedung baru disediakan 2 ruang rapat kecil dengan daya
tampung 10 orang dan 1 ruang rapat besar dengan daya tampung 25 orang. Pada
lantai 2 terdapat suatu ruangan yang digunakan untuk pertemuan-pertemuan besar
sehingga jika ada informasi umum yang akan disampaikan bisa lebih mudah.
Untuk bagian administrasi, setelah adanya gedung baru ini atau gedung (D),
maka gedung depan (A) akan sepenuhnya ditempati oleh bagian administrasi dan
ruangan pimpinan satuan kerja. Hal ini untuk memudahkan komunikasi dalam hal
dukungan keadministrasian. Sedang para Fungsional teknis (Peneliti, Perekayasa,
12
Pranata Komputer, Litkayasa) menempati gedung D dan Gedung C. Sebagai fasilitator
administrasi untuk setiap lantai dari gedung dan bangunan telah ditugasikan 1 orang
sebagai fungsi penghubung administasi. Dalam rangka meningkatkan layanan tata
kelola litbangyasa baik secara fungsi administrasi maupun komunikasi pengolahan
data saat ini Pusfatja sedang mengembangan sistem jaringan internet terpadu.
Gambar 1.7. Kantor PUSFATJA terbaru, berlokasi di Jl. Kalisari No 8 Pekayon,
Pasar Rebo, Jakarta Timur 13710
Pada tahun 2019 terdapat beberapa renovasi pada gedung dan bangunan di
lingkungan kantor Pusat Pemanfaatan Penginderaan Jauh yaitu adanya renovasi
pada ruang auditorium gedung D (Gambar 1.8), pengembangan area parkir
kendaraan (Gambar 1.9), pekerjaan renovasi ruang produksi lantai 2 gedung C
(Gambar 1.10), pekerjaan renovasi ruang server gedung C (Gambar 1.11), dan
penambahan nilai gedung berupa jockey pump sebagai sistem pemadam kebakaran
(Gambar 1.12).
13
Gambar 1.8. Renovasi pada ruang auditorium gedung D
Gambar 1.9. Pengembangan area parkir kendaraan mobil dan sepeda motor
Gambar 1.10. Renovasi ruang produksi lantai 2 gedung C
14
Gambar 1.11. Renovasi ruang server gedung C
Gambar 1.12. Penambahan nilai gedung berupa jockey pump sebagai sistem
pemadam kebakaran
1.5. Peralatan Pengolahan Data
Selain gedung/bangunan, fasilitas lain adalah komputer pengolah data yang saat
ini setiap peneliti/perekayasa memegang satu komputer sendiri. Fasilitas software
pengolahan data memang masih belum memadai namun Pusfatja memiliki software
pengolahan data berlisensi seperti ERDAS Imagine, ER MAPPER, Global Mapper,
ARCGIS, Definiens, ENVI, ECOGNITION dan beberapa software kecil lainnya.
Software tersebut merupakan software standard dan tersertifikasi yang dapat
15
digunakan untuk membantu pekerjaan pengolahan data dan kegiatan litbangyasa di
Pusfatja.
Selain software dan peralatan (hardware) pengolah data Pusfatja juga memiliki
beberapa peralatan instrumentasi ukur untuk kebutuhan survei lapangan dalam
rangka kegiatan validasi dan verifikasi, seperti: Spektrofotometer, TRIOS Ramses,
GPS baik handheld maupun geodetic, pengukur suhu udara, dan peralatan survei
lapangan lainnya. Pemanfaaatan terhadap peralatan yang dimiliki Pusfatja tersebut
di atas tidak hanya dimanfaatkan untuk keperluan penelitian LAPAN saja tapi juga
untuk mendukung pelayanan pemanfaatan kerjasama dengan kementerian, lembaga
dan pemerintah daerah serta dimanfaatkan atau dipinjam pakai oleh berbagai instansi
seperti Institut Teknologi Sepuluh November (ITS), Kementerian Kelautan dan
Perikanan (KKP), Badan Informasi Geospasial (BIG). Peralatan survei lapangan yang
dimiliki Pusfatja masih belum cukup memadai untuk kegiatan validasi dan verifikasi di
lapangan. Kekurangan peralatan tersebut, saat ini diatasi dengan pinjam pakai ke
instansi lain seperti Southeast Asian Regional Center for Tropical Biology (Seameo
Biotrop), Lembaga Ilmu Pengetahuan Indonesia (LIPI) dan sebagainya. Namun,
walaupun peralatan tertentu yang dibutuhkan tidak dimiliki oleh instansi lain sehingga
ke depan harus tetap diadakan oleh Pusfatja. Untuk jaringan dan akses informasi, saat
ini seluruh komputer yang ada di Pusfatja terkoneksi dengan internet dan terhubung
dalam satu jaringan. Pusfatja memiliki server storage tersendiri.
Kondisi jaringan yang ada sekarang masih sederhana dan merupakan desain
yang collapse, di mana Core untuk jaringan LAN atau kantor masih menjadi satu
dengan Core untuk Data Center. Selain itu dari sisi security juga masih belum ada
pemisahan antara traffic untuk LAN atau kantor dengan Data Center maupun koneksi
ke Pusat Teknologi Data yang secara operational berbeda entity atau perusahaan.
Dari sisi high availability juga masih belum merupakan desain yang redundant. Selain
itu untuk pengembangan ke depan, akan dibangun bangunan baru untuk user, maka
diperlukan juga penyediaan jaringan LAN untuk gedung baru tersebut. Sebagai
tambahan untuk meningkatkan mobility dan kemudahan akses bagi user atau
pengguna, diperlukan juga Wireless Fidelity (WiFi) akses. Berikut ini adalah topologi
jaringan yang ada di Pusat Pemanfaatan Penginderaan Jauh (Gambar 1.13).
16
Gambar 1.13 Jaringan existing di Pusfatja 2018
Fasilitas tersebut diatas, membantu peneliti/perekayasa untuk dapat mengakses
informasi dari luar baik literature dalam google scholar maupun putaka (literature)
jurnal yang bersifat gratis. Fasilitas lainnya adalah akses jurnal science direct yang
difasilitasi oleh Biro Kerjasama, Humas dan Umum (KSHU).
Terminal yang digunakan sebagian besar menggunakan PC dan sebagian lagi
menggunakan laptop. Sistem operasi yang digunakan saat ini menggunakan system
operasi windows dan menggunakan open source Linux. Didukung dengan aplikasi
pengolahan citra seperti Ermapper, Envi, Ecognation, Arcview, Arcgis, Erdas, Qgis,
dan lain sebagainya.
Pada tahun 2019 Pusfatja melakukan beberapa pengadaan terkait dukungan
litbangyasa yaitu berupa penambahan mesin storage, belanja modal peralatan dan
mesin server Sistem Pemantauan Bumi Nasional (SPBN) HPE Proliant DL380 Gen10
(Xeon Gold 6130, 256GB Dual Rank, 80TB SAS), belanja modal peralatan dan mesin
HPE StoreEasy 1660 SAS Storage, belanja modal peralatan dan mesin HP Proliant
DL380 Gen10 (Xeon Gold 6148, 256GB Dual Rank, 48TB), pengembangan perangkat
software SPBN – upgrade software Arcgis, pekerjaan belanja modal lainnya
17
Pengembangan Perangkat Software SPBN Berupa Software Erdas Imagine
Profesional 2018 dan Mike Profesional, dan belanja modal pengadaan server MIKE
dan Laptop Dell Rugged Latitude.
Gambar 1.14. Mesin storage
Gambar 1.15. Server Sistem Pemantauan Bumi Nasional (SPBN) HPE Proliant
DL380 Gen10 (Xeon Gold 6130, 256GB Dual Rank, 80TB SAS)
Gambar 1.16. Mesin HPE StoreEasy 1660 SAS Storage
18
Gambar 1.17. Mesin HP Proliant DL380 Gen10 (Xeon Gold 6148, 256GB Dual
Rank, 48TB)
Gambar 1.18. Pengembangan perangkat software SPBN – upgrade software Arcgis
dan Erdas Imagine Profesional 2018
Gambar 1.19. Pengembangan Perangkat Software SPBN - Server MIKE
19
Gambar 1.20. Laptop Dell Rugged Latitude
⮚ Peralatan Pendukung Survei Litbang
Fasilitas lain yang dimiliki Pusfatja yakni Peralatan Pendukung Survei Litbang.
Peralatan ini digunakan untuk melakukan validasi dan mengetahui kondisi atau
karakteristik in situ / lapangan yang akan atau sedang diteliti lokasinya. Penggunaan
alat ini biasanya digunakan saat kegiatan penelitian dilakukan pada pertengahan
semester atau/dan di akhir tahun anggaran berjalan. Setiap kelompok pemanfaatan
dan pengembangan peneltian terlebih dahulu, sudah merencanakan kegiatan survei
di awal tahun anggaran berjalan.
Gambar 1.21. Visualisasi beberapa contoh peralatan Pendukung Survei Litbang
dan tempat penyimpanan di Pusfatja
20
Penggunaan WISP-3
Penggunaan ASD Handheld
Gambar 1.22. Visualisasi beberapa contoh peralatan Spektral
Setiap kelompok penelitian mempunyai kesempatan sebanyak dua kali
melakukan survei lapangan. Peralatan Pendukung Survei Litbang yang dimiliki oleh
Pusfatja, LAPAN, diantaranya: GPS trimble, GPS Garmin, Anemometer, thermocam,
Spektrofotometer, Thermometer Laser IR Fluke, Thermometer Laser IR krisbow,
Humidity meter, Kamera Cannon, Power inverter, Laptop Toshiba, Laptop HP,
Meteran, Handy talky, Digital Voice Recorder Sony ICD- UX 533F, LCD Proyektor
INFOCUS In 3914, Fishfinder GPS, Depthmare Portable Sounder, GARMIN Fishfinder
GPSMAP 2108+Garmin GA30 Antena+Tranducer, Spectroradiometer, GNSS
Geodetik, Digital voice recorder Sony ICD-UX523F, dan sebagianya.
21
Peralatan Pendukung Survei Litbang ini juga, dapat digunakan oleh kegiatan
penelitian di luar Pusfatja LAPAN. namun demikian perlu dijadualkan atau
direncanakan usulan penggunaan dari Pengguna Peralatan Pendukung Survei
Litbang. Pengguna Peralatan Pendukung Survei Litbang yang melakukan
peminjaman, adalah, Badan Informasi geospasial (BIG), Badan Nasional
Penanggulangan Benana (BNPB), Badan Meteorologi Klimatologi dan Geofisika
(BMKG), Pusat Hidro-Oseanographi (Pushidros) TNI AL, Kementerian Kelautan dan
Perikanan (KKP), Pemerintah Daerah, lembaga pendidikan/ universitas, dan
sebagainya.
Laboratorium Audio Visual Litbang
Fasilitas pendukung litbang lainnya adalah Laroratorium audio visual.
Laboratorium ini berfungsi sebagai media komunikasi dua arah baik audio maupun
visual antara stakeholder nasional (BIG, BMKG, BNPB, Akademisi/Universitas, dan
Pemerintah daerah) maupun internasional (JAXA, Sentinel Asia, RSO UNSPIDER,
DLR, NASA dan sebagainya). Berikut Gambar 1.15, terkait dokumentasi kegiatan
yang telah dilakukan dalam kegiatan video conferenceantara Pusfatja LAPAN dengan
DLR German.
Gambar 1.24.Salah satu kegiatan video conference antara Pusfatja LAPAN
dengan Stakeholder
1.6. Sistematika Penyajian Laporan
LAKIN ini menyajikan capaian kinerja PUSFATJA sepanjang tahun 2019. Capaian
kinerja diukur dengan membandingkan realisasi terhadap target dalam Penetapan
Kinerja yang telah ditetapkan pada awal tahun 2019 sebagai tolok ukur keberhasilan
PUSFATJA. Pada LAKIN ini akan disajikan analisis atas capaian kinerja terhadap
22
rencana kinerja ini memungkinkan pemetaan sejumlah celah kinerja sebagai landasan
untuk melakukan perbaikan secara terus-menerus pada tahun berikutnya. LAKIN
PUSFATJA tahun 2019 ini disajikan dengan urutan berikut:
a. Ringkasan Eksekutif yang menyajikan ringkasan pencapaian kinerja
PUSFATJA tahun 2019 serta capaian Renstra PUSFATJA 2015-2019;
b. Bab I. Pendahuluan yang menjelaskan secara ringkas latar belakang
penyusunan
c. laporan, tugas dan fungsi, serta sumber daya PUSFATJA;
d. Bab II. Rencana Strategis Tahun 2015-2019 yang menjelaskan visi, misi, dan
arah
e. kebijakan program PUSFATJA periode 2015-2019 serta rencana kinerja dan
f. penetapan kinerja yang akan dicapai pada tahun 2019;
g. Bab III. Akuntabilitas Kinerja Tahun 2018 yang menjelaskan pencapaian kinerja
h. berdasarkan sasaran strategis dan IKU PUSFATJA tahun 2019;
i. Bab IV. Inisiatif peningkatan akuntabilitas PUSFATJA
j. Bab V. Penutup yang menjelaskan kesimpulan menyeluruh dari LAKIN
PUSFATJA tahun 2019 dan rekomendasi yang diperlukan bagi perbaikan
kinerja dimasa yang akan datang;
k. LAMPIRAN yang menyajikan Rencana Kinerja Tahunan (RKT) Tahun 2019,
Perjanjian Kinerja Tahun 2019, Pengukuran Kinerja Tahun 2019, dan
Pengukuran Pencapaian Sasaran Tahun 2019
23
BAB II RENCANA STRATEGIS 2015-2019
2.1. Rencana Strategis 2015-2019
Dengan mengacu kepada Peraturan Kepala LAPAN Nomor 8 Tahun 2015
Tentang Organisasi Dan Tata Kerja Lembaga Penerbangan Dan Antariksa Nasional
serta Keputusan Kepala No 251 Tahun 2015 tentang Indikator Utama Satuan Kerja di
Lingkungan Deputi Bidang Penginderaan Jauh, telah ditetapkan Visi, Misi, Tujuan dan
Sasaran Strategis PUSFATJA
2.1.1. Visi
Pusat unggulan dalam bidang pemanfaatan penginderaan jauh untuk
mewujudkan Indonesia maju dan mandiri.
2.1.2. Misi
a. Meningkatkan kualitas litbang pemanfaatan penginderaan jauh,
b. Meningkatkan kualitas pedoman dan informasi penginderaan jauh,
c. Melaksanakan dan mengelola Sistem Pemantauan Bumi Nasional.
2.1.3. Tujuan
a. Terwujudnya layanan prima di bidang pemanfaatan penginderaan jauh bagi
masyarakat,
24
b. Terwujudnya Sistem Pemantauan Bumi Nasional yang memenuhi kepatuhan
standard dan prosedur.
2.1.4. Sasaran Strategis
Sasaran strategis yang disiapkan oleh PUSFATJA dalam kurun waktu 2015-
2019 adalah sebagai berikut:
a. Meningkatnya penguasaan dan kemandirian iptek di bidang pemanfaatan
penginderaan jauh yang maju,
b. Meningkatnya layanan data dan informasi di bidang pemanfaatan penginderaan
jauh yang prima.
2.1.5. Target Sasaran Strategis Tahun 2019 dari Pembangunan Jangka
Menengah PUSFATJA 2015-2020
PUSFATJA menetapkan pada tahun 2018 ini target capaian dari Sasaran Kinerja
tersebut sebagai berikut:
Tabel 2.1. Sasaran Kinerja, Indikator Kinerja, dan Target Tahun 2019
No. Sasaran Strategis Indikator Kinerja Target
1. Meningkatnya penguasaan dan kemandirian iptek di bidang pemanfaatan penginderaan jauh yang maju
IKU 1 Jumlah model, prototipe, dan bahan pedoman pemanfaatan penginderaan jauh yang operasional untuk pemantauan sumber daya alam, lingkungan, serta mitigasI bencana dan perubahan iklim
16 Model 1 Prototype 5 Pedoman
IKU 2 Jumlah publikasi nasional terakreditasi di bidang pemanfaatan penginderaan jauh
21
IKU 3 Jumlah publikasi internasional yang terindeks di bidang pemanfaatan penginderaan jauh
5
IKU 4 Jumlah HKI yang diusulkan di bidang pemanfaatan penginderaan jauh
1
2. Meningkatnya layanan data dan informasi di bidang pemanfaatan penginderaan jauh yang prima
IKU 5 Jumlah instansi pengguna yang memanfaatkan layanan informasi penginderaan jauh.
95
IKU 6 Indeks Kepuasan Masyarakat atas layanan informasi penginderaan jauh.
82
Penentuan IKU PUSFATJA sebagaimana yang telah dijabarkan dalam
Rencana Strategis (Renstra) PUSFATJA tahun 2015-2019 juga dibuat berdasarkan
pada Peta Strategi Balance Score Card (BSC).
25
a. Peta Strategi
Berikut adalah Peta Strategi 2015-2019 dengan Balance Score Card (BSC)
Level 2 PUSFATJA.
Gambar 2.1 Peta Strategi Balance Score Card (BSC) Level 2 PUSFATJA
b. Sasaran Strategis, IKU dan Target
Pada tabel berikut dijabarkan target dari sasaran strategis dan indikator kinerja
utama PUSFATJA 2015-2019 yang tertuang pada Renstra Pusfatja 2015-2019.
Tabel 2.2. Sasaran Strategis, IKU dan Target PUSFATJA 2015-2019
Sasaran Strategis
IKU Target
2015 2016 2017 2018 2019
STAKEHOLDER PERSPECTIVE
SS1
Meningkatnya
penguasaan dan
kemandirian iptek di
bidang pemanfaatan
penginderaan jauh
yang maju
1
Jumlah model,
pedoman, modul dan
prototipe di bidang
penginderaan jauh
untuk pemantauan
sumberdaya alam
(SDA), lingkungan,
serta mitigasi
bencana dan
perubahan iklim
17 18 18 17 22
26
2
Jumlah publikasi
nasional terakreditasi
di bidang
pemanfaatan
penginderaan jauh
17 18 19 20 21
3
Jumlah publikasi
internasional yang
terindeks di bidang
pemanfaatan
penginderaan jauh
3 4 5 5 5
4
Jumlah HKI yang
diusulkan di bidang
pemanfaatan
penginderaan jauh
0 0 1 1 1
CUSTOMER PERSPECTIVE
SS2
Meningkatnya layanan
data dan informasi di
bidang pemanfaatan
penginderaan jauh
yang prima
5
Jumlah instansi
pengguna yang
memanfaatkan
layanan informasi
penginderaan jauh
45 45 50 90 95
6
Indeks Kepuasan
Masyarakat (IKM)
atas layanan
informasi
penginderan jauh
80 81 81 82 82
INTERNAL PROCESS PERSPECTIVE
SS3
Terselenggaranya
Sistem Pemantauan
Bumi Nasional sesuai
standar ISO
7
Persentase kesiapan
Sistem Pemantauan
Bumi Nasional
terhadap ISO 9001
dan ISO 27001.
50 75 75 100 100
SS4 Peningkatan kapasitas
litbang pemanfaatan
penginderaan jauh.
8
Jumlah kerjasama
internasional yang
meningkatkan
kualitas SDM dan
fasilitas litbang
pemanfaatan
penginderaan jauh.
10 12 12 12 15
27
9
Prosentase
pemenuhan kriteria
pusat unggulan di
bidang pemanfaatan
penginderaan jauh.
20 30 50 75 100
10
Persentase
ketersediaan fasilitas
litbangyasa
pemanfaatan
penginderaan jauh
dibandingkan total
kebutuhan
10 10 10 10
SS5
Tersedianya sub-
sistem DSS untuk
mitigasi bencana alam
dan perubahan iklim
berbasis
penginderaan jauh
11
Jumlah sub-sistem
DSS lintas sektoral
terkait mitigasi
bencana dan
perubahan iklim
berbasis
penginderaan jauh.
1 1 1 1 1
SS6
Tersedianya metode
pengolahan
(klasifikasi dan
deteksi parameter
geobiofisik), pedoman
pemanfaatan data,
dan diseminasi
informasi
penginderaan jauh.
12
Jumlah pedoman
pemanfaatan
penginderaan jauh
yang sudah
ditetapkan menjadi
standar.
10 8 8 8 8
LEARN & GROWTH PERSPECTIVE
SS7
Meningkatnya
Kapasitas dan
kompetensi SDM
Aparatur lingkup
Pusfatja
13
Persentase SDM
Pusfatja yang sudah
memenuhi
kompetensi
25% 25% 25% 25%
SS8 Meningkatnya
akuntabilitas kinerja
dan anggaran Pusfatja
14 Nilai implementasi SAKIP Pusfatja 88 88 88 88 88
15
Persentase
Penyerapan
Anggaran Pusfatja
100 100 100 100 100
28
2.2. Rencana Kinerja Tahunan (RKT) 2019
Proses penyusunan dan pengusulan Rencana Kinerja Tahunan (RKT) 2019
dilakukan pada awal tahun 2019 sebagai masukan untuk penyusunan Rencana
Kinerja Pemerintah (RKP) tahun 2019. RKT 2019 Pusfatja disusun berdasarkan pada
Renstra PUSFATJA tahun 2015-2019 dan disesuaikan dengan Penetapan Kinerja
tahun 2017 serta disesuaikan dengan perubahan sasaran strategis dan IKU LAPAN
yang ditetapkan oleh Keputusan Kepala LAPAN Nomor 150 Tahun 2015 Tentang
Penetapan Indikator Kinerja Utama Lembaga Penerbangan dan Antariksa Nasional
dan Peraturan Kepala LAPAN Nomor 151 Tahun 2015 tentang Indikator Kinerja
Utama Unit Organisasi Eselon I di Lingkungan Lembaga Penerbangan dan Antariksa
Nasional, Keputusan Kepala LAPAN Nomor 251 Tahun 2015 tentang Indikator Kinerja
Utama Satuan Kerja di Lingkungan Deputi Bidang Penginderaan Jauh, serta
pertimbangan-pertimbangan lain sesuai dengan perkembangan penginderaan jauh
nasional terutama terkait dengan pelaksanaan UU No 21 Tahun 2013 tentang
Keantariksaan. Berdasarkan hal tersebut telah ditetapkan Rencana Kinerja Tahunan
(RKT) PUSFATJA tahun 2019, sebagaimana tercantum dalam Tabel Rencana Kinerja
Tahunan 2019 yang disajikan pada Tabel 2.3.
Tabel 2.3 Rencana Kinerja Tahunan 2019
No. Sasaran Strategis Indikator Kinerja Target
1.
Meningkatnya Penguasaan dan
Kemandirian iptek di bidang pemanfaatan
penginderaan jauh yang maju
IKU 1
Jumlah model, prototipe, dan bahan pedoman pemanfaatan penginderaan
jauh yang operasional untuk pemantauan sumberdaya alam,
lingkungan, serta mitigasi bencana dan perubahan iklim
16 Model 1 Prototype 5 Pedoman
IKU 2 Jumlah publikasi nasional terakreditasi di bidang pemanfaatan penginderaan
jauh 21 Makalah
IKU 3 Jumlah publikasi internasional yang
terindeks di bidang pemanfaatan penginderaan jauh
5 makalah
IKU 4 Jumlah HKI yang diusulkan di bidang
pemanfaatan penginderaan jauh 1 Usulan Judul
2.
Meningkatnya layanan data dan informasi di bidang pemanfaatan
Penginderaan jauh yang prima
IKU 5 Jumlah instansi pengguna yang
memanfaatkan layanan informasi penginderaan jauh.
95 Instansi
IKU 6 Indeks Kepuasan Masyarakat atas
layanan informasi penginderaan jauh. 82
29
Sasaran strategis 1 menunjukkan bahwa PUSFATJA bermaksud
menindaklanjuti dan melaksanakan amanat UU No 21 Tahun 2013 tentang
Keantariksaan terutama terkait dengan pengaturan penyelenggaraan tata cara
penginderaan jauh nasional, berupa Peraturan Pemerintah, bahan-bahan kebijakan
di Bidang Penginderaan jauh sebagai implementasi Peraturan Presiden No.45 Tahun
2017 tentang Rencana Induk Penyelenggaraan Keantariksaan Tahun 2016-2040
maupun bahan kebijakan untuk pedoman pemanfaatan penginderaan jauh, berupa
Peraturan Kepala, termasuk di dalamnya pengaturan untuk penyelenggaraan
penginderaan jauh. Pada tahun 2019, PUSFATJA juga fokus untuk Penguasaan dan
Kemandirian iptek di bidang pemanfaatan penginderaan melalui pengembangan
model, prototipe dan bahan pedoman aplikasi penginderaan jauh yang operasional
untuk pemantauan sumber daya alam, lingkungan, serta mitigasi bencana dan
perubahan iklim, publikasi ilmiah internasional terindeks dan jurnal nasional
terakreditasi.
Sasaran strategis 2 memperlihatkan bahwa PUSFATJA fokus untuk melakukan
pelayanan kepada berbagai pihak (pemerintah, dunia usaha, dan masyarakat) dalam
upaya melaksanakan pembinaan sebagaimana diamanatkan UU No. 21 Tahun 2013
Tentang Keantariksaan melalui bimbingan dan bantuan teknis, konsultansi, dan
supervisi pemanfaatan penginderaan jauh untuk meningkatkan kemampuan nasional
dalam pemanfaatan penginderaan jauh sehingga dapat berkontribusi nyata dalam
pelaksanaan pembangunan nasional untuk mencapai Indonesia maju dan mandiri
sesuai dengan visi pemerintah.
Kedua sasaran strategis tersebut menunjukkan keinginan kuat untuk
mewujudkan Pusfatja yang unggul, maju, mandiri, bermanfaat dan bereputasi
internasional sebagaimana diamanatkan dalam Renstra PUSFATJA tahun 2015-2019
yang dapat selaras dan mengacu pada Renstra LAPAN 2015-2019.
2.3. Perjanjian Kinerja (PK) Tahun 2019
Berdasarkan Rencana Kinerja Tahunan (RKT) PUSFATJA tahun 2019 dan
Rencana Kegiatan dan Anggaran Kementerian Lembaga (RKAKL) tahun 2019
ditetapkan Perjanjian Kinerja (PK) Tahun 2019 yang merupakan perjanjian kinerja
PUSFATJA pada tahun 2019. Pelaksanaan Perjanjian Kinerja Tahun 2019,
PUSFATJA terikat dengan perjanjian kinerja antara Deputi Bidang Penginderaan Jauh
30
dengan Kepala Pusat Pemanfaatan Penginderaan Jauh. Selain perjanjian kinerja
antara Deputi dengan Kepala Pusat, perjanjian kinerja juga dilakukan antara Kepala
Pusat dengan Kepala Bidang dan juga antara Kepala Bidang dengan peneliti dan
perekayasanya melalui penetapan Sasaran Kerja Pegawai (SKP) 2019. Perjanjian
Kinerja (PK) PUSFATJA antara Deputi Penginderaan Jauh dengan Kepala
PUSFATJA Tahun 2019 diuraikan pada Tabel 2.4.
Perjanjian Kinerja PUSFATJA diturunkan menjadi rencana aksi yang beirisi
penjabaran kegiatan-kegiatan yang akan dilakukan untuk menjapai IKU yang sudah
ditetapkan. Rencana aksi dibagi dalam Triwulan I, Triwulan II, Triwulan III, dan
Triwulan IV dimana setiap triwulan memiliki rencana capaian target serta kegiatannya.
Begitu pula untuk Perjanjian Kinerja setiap pegawai memiliki SKP yang diturunkan
menjadi Target Kinerja Triwulanan. Dalam Target Kinerja Triwulanan terdapat
rencana capaian dan hasil yang diharapkan. Oleh karena itu, monitoring kinerja dapat
mengacu pada rencana aksi atau target kinerja triwulanan yang telah dibuat. Selain
itu, penilaian kinerja juga dijadikan dasar dalam memberikan penghargaan (reward)
dan sanksi (punishment).
Tabel 2.4 Perjanjian Kinerja PUSFATJA Tahun 2019
No Sasaran Strategis Indikator Kinerja Target Waktu Penyelesaian
(1) (2) (3) (4) (5)
1. Meningkatnya penguasaan dan kemandirian iptek di bidang pemanfaatan penginderaan jauh yang maju.
IKU 1
Jumlah model, prototipe, dan bahan pedoman pemanfaatan penginderaan jauh yang operasional untuk pemantauan sumberdaya alam, lingkungan, serta mitigasi bencana dan perubahan iklim.
16 Model 1
Prototype 5
Pedoman
12 bulan
IKU 2
Jumlah publikasi nasional terakreditasi di bidang pemanfaatan penginderaan jauh.
21 Makalah
12 bulan
IKU 3
Jumlah publikasi internasional yang terindeks di bidang pemanfaatan penginderaan jauh.
5 Makalah 12 bulan
31
IKU 4
Jumlah HKI yang diusulkan di bidang pemanfaatan penginderaan jauh.
1 Usulan Judul
12 bulan
2. Meningkatnya layanan data dan informasi di bidang pemanfaatan penginderaan jauh yang prima.
IKU 5
Jumlah instansi pengguna yang memanfaatkan layanan informasi penginderaan jauh.
95 Instansi
12 bulan
IKU 6
Indeks Kepuasan Masyarakat atas layanan informasi penginderaan jauh.
82 12 bulan
Dari tabel 2.3 Rencana Kinerja Tahun 2019 dan Tabel 2.4 Perjanjian Kinerja
2018 di atas, tidak terdapat perubahan target kinerja pada IKU 1, "Jumlah model,
prototipe, dan bahan pedoman pemanfaatan penginderaan jauh yang operasional
untuk pemantauan sumber daya alam, lingkungan, serta mitigasi bencana, dan
perubahan iklim" dari Sasaran 1 yaitu "Meningkatnya penguasaan dan kemandirian
iptek di bidang pemanfaatan penginderaan jauh yang maju". Target yang ditetapkan
pada Perjanjian Kinerja Tahun 2019 sesuai IKU 1 hingga 6 yaitu 16 model dan 1
prototipe, 5 Pedoman, 21 makalah nasional, 5 makalah internasional, 1 usulan judul
HKI, pelayanan 95 instansi, dan 82 IKM atas layanan informasi penginderaan jauh.
Pertimbangan lain adalah bahwa dari masing-masing model aplikasi yang
dikembangkan dan telah dapat dioperasionalisasikan tersebut dapat dikembangkan
pedoman pemanfaatan terkait untuk menjadi bahan kebijakan penetapan kepala
LAPAN terkait dengan amanat UU No 21 Tahun 2013 Tentang Keantariksaan bahwa
pemanfaatan penginderaan jauh wajib mengikuti pedoman pemanfaatan
penginderaan Jauh dan metode pengolahan dan kualitas pengolahan penginderaan
jauh, metode klasifikasi, dan deteksi parameter bio-geo-fisik yang ditetapkan oleh
Kepala LAPAN.
Untuk Sasaran Strategis Utama (SSU) 1:
Meningkatnya Penguasaan dan kemandirian iptek di bidang pemanfaatan
penginderaan jauh yang maju.
Berikut penjelasan secara detail terhadap beberapa Indikator Kinerja Utama dari
Sasaran Strategis Utama 1, yakni:
32
IKU 1. Jumlah model, prototipe, dan bahan pedoman pemanfaatan penginderaan jauh
yang operasional untuk pemantauan sumber daya alam, lingkungan, serta
mitigasi bencana, dan perubahan iklim.
Definisi indikator IKU 1, yakni Model pemanfaatan penginderaan jauh
representasi atau diskripsi yang menjelaskan suatu objek, sistem, atau konsep yang
merupakan penyederhanaan atau idealisasi di bidang pemanfaatan penginderaan
jauh. Prototipe merupakan model yang dapat diimplementasikan untuk operasional.
Bahan pedoman adalah bahan petunjuk untuk melaksanakan operasional model
pemanfaatan penginderaan jauh.
Perhitungan target IKU 1, adalah dengan menghitung jumlah model, prototipe,
bahan pedoman, metode ataupun doktek di bidang penginderaan jauh yang
opersional untuk pemantauan sumber daya alam, lingkungan serta mitigasi bencana,
dan perubahan iklim dengan nilai TRL tertentu.
Rincian target IKU 1 yaitu 16 model dan 1 prototipe di bidang penginderaan jauh
yang operasional untuk pemantauan sumberdaya alam, lingkungan, serta mitigasi
bencana dan perubahan iklim.
Rencana aksi di Triwulan I sebesar 25% dengan target hasil yaitu review
modalitas, kajian state of the art, riset desain, rencana kerja penelitian, pengumpulan
data, monev triwulan I untuk 16 model, dan penyiapan prototipe dan infrastrukturnya
sejumlah 1 prototipe. Pada triwulan II rencana aksi ditargetkan mencapai 50% berupa
pengumpulan data, pengolahan awal, pembuatan model, monev Triwulan II untuk 16
model, serta ujicoba 1 prototipe. Triwulan III target diharapkan mencapai 75% dengan
hasil yaitu pengolahan data lanjut, verifikasi, model, analisis, monev Triwulan III untuk
16 model, serta ujicoba dan verifikasi hasil 1 prototipe. Pada Triwulan IV target
capaian 100% dengan hasil analisis, pembuatan laporan akhir, penulisan KTI,
kolokium akhir untuk 16 model, dan operasionalisasi 1 prototipe.
IKU 2. Jumlah publikasi nasional terakreditasi di bidang pemanfaatan penginderaan
jauh
Definisi indikator IKU 2, yakni publikasi nasional yang terakreditasi adalah karya
tulis ilmiah hasil litbangyasa di bidang pemanfaatan penginderaan jauh yang
terakreditasi berdasarkan kriteria LIPI dan/atau DIKTI.
33
Perhitungan target IKU 2, adalah dengan menghitung jumlah makalah publikasi
ilmiah nasional di bidang pemanfaatan penginderaan jauh yang terbit pada jurnal
terakreditasi LIPI dan DIKTI. Rincian target IKU 2, terdiri atas 21 makalah di bidang
pemanfatan penginderaan jauh.
Rincian target IKU 2 yaitu 21 makalah publikasi ilmiah nasional di bidang
pemanfaatan penginderaan jauh yang terbit pada jurnal terakreditasi LIPI dan DIKTI.
Rencana aksi IKU 2 terbagi dalam Triwulan I, Triwulan II, Triwulan III, dan
Triwulan IV. Triwulan I hingga IV ditargetkan mencapai 0%, 25%, 55%, dan 100%
berupa pendataan, analisis dan proses penulisan, dan submitted jurnal untuk dapat
dicapai 21 makalah diterima untuk diterbitkan pada jurnal yang terakreditasi LIPI dan
DIKTI.
IKU 3. Jumlah publikasi internasional yang terindeks di bidang pemanfaatan
penginderaan jauh
Definisi indikator IKU 3, yakni publikasi internasional yang terindeks adalah karya
tulis ilmiah hasil litbangyasa di bidang pemanfaatan penginderaan jauh yang telah
diterbitkan di jurnal internasional dengan indeks SCOPUS.
Perhitungan target IKU 3, adalah dengan menghitung jumlah makalah publikasi
ilmiah internasional di bidang pemanfaatan penginderaan jauh yang terbit pada jurnal
terindeks SCOPUS. Rincian target IKU 3, terdiri atas 5 makalah publikasi ilmiah
internasional. Rencana aksi Triwulan I, II, III, dan IV ditargetkan mencapai 0%, 25%,
75% dan 100% yang berupa kegiatan pendataan, analisis, proses penulisan,
submitted jurnal hingga penerbitan 5 makalah.
IKU 4. Jumlah HKI yang diusulkan di bidang pemanfaatan penginderaan jauh.
Pengertian HKI yang terdapat dalam IKU 4 merupakan hasil karya di bidang
pemanfaatan penginderaan jauh untuk memperoleh hak eksklusif yang diberikan
negara bagi pencipta suatu karya untuk mendapatkan kekuatan hukum. Perhitungan
target IKU 4 dilakukan dengan menghitung jumlah HKI di bidang pemanfaatan
penginderaan jauh yang telah terdaftarkan di Kementerian Hukum dan HAM. Target
IKU 4 yakni terdiri dari 1 usulan judul HKI.
34
Sasaran Strategis Utama (SSU) 1 memiliki 4 IKU dan menjadi kinerja dari Kepala
Bidang Program dan Fasilitas (Kabid Profas), Kepala Bidang Diseminasi (Kabid
Diseminasi, serta Kepala Bagian Administrasi (Kabag Administrasi) yang dituangkan
dalam Perjanjian Kinerja tahun 2019. Perjanjian kinerja tersebut ditanda tangani
antara Kepala Pusat Pemanfaatan Penginderaan Jauh dan Kabid Profas, Kabid
Diseminasi, serta Kabag Administrasi yang kemudian diturunkan menjadi kinerja dari
Kepala-Kepala Kelompok Pemanfaatan/ Kerekayasaan serta diturunkan ke dalam
SKP individu peneliti, perekayasa, dan perencana. Kelompok Penelitian &
Kerekayasaan di Pusfatja terdiri dari Kelompok Informasi Fase Pertumbuhan Padi,
kelompok Informasi Zona Potensi Penangkapan Ikan, Kelompok Informasi Areal
Budidaya Ikan, Kelompok Informasi Potensi Rawan Bencana serta Mitigasinya,
Kelompok Informasi Perkebunan Kelapa Sawit Berbasis Penginderaan Jauh,
Kelompok Informasi Penginderaan Jauh untuk Mendukung SDA dan Lingkungan
serta Kelompok Informasi Potensi Bencana Berbasis Satelit Multitemporal.
Untuk Sasaran Strategis Utama (SSU) 2:
Meningkatnya layanan data dan informasi di bidang pemanfaatan penginderaan
jauh yang prima.
Penjelasan secara detail terhadap beberapa Indikator Kinerja Utama dari
Sasaran Strategis Utama 2, yakni:
IKU 5. Jumlah instansi pengguna yang memanfaatkan layanan informasi
penginderaan jauh
Instansi pengguna yang dimaksud dalam IKU 5 meliputi masyarakat umum,
masyarakat ilmiah, perguruan tinggi, pemerintah pusat dan daerah, serta swasta yang
memanfaatkan layanan informasi penginderaan jauh.
Perhitungan target IKU 5 dilakukan dengan menghitung jumlah instansi pengguna
yang memanfaatkan layanan informasi penginderaan jauh. Rincian target IKU 5
sebanyak 95 instansi.
IKU 6. Indeks Kepuasan Masyarakat atas layanan informasi penginderaan jauh
Indeks Kepuasan Masyarakat (IKM) dalam IKU 6 merupakan tingkat kepuasan
masyarakat yang diperoleh dari hasil pengukuran kuantitatif atas pendapat
35
masyarakat dalam memperoleh pelayanan di bidang pemanfaatan penginderaan
jauh.
Perhitungan target IKU 6 dilakukan dengan menghitung rata-rata Indeks Kepuasan
Masyarakat atas layanan informasi penginderaan jauh yang dilakukan melalui
diseminasi kuisioner kepada pengguna pemanfaatan penginderaan jauh. Traget nilai
IKM tersebut dalam IKU adalah sebesar 82.
Indikator Tujuan
Untuk melihat keberhasilan dari capaian Pusfatja tahun 2015-2019, Pusfatja
menetapkan indikator tujuan, yakni:
1. Terwujudnya pelayanan prima dibidang pemanfaatan penginderaan jauh bagi
masyarakat.
2. Terwujudnya operasional SPBN yang memenuhi standard dan prosedur (ISO
9000 dan KNAPPP 02:2017).
3. Tercapainya Pusfatja ditetapkan sebagai Pusat Unggulan IPTEK di bidang
Pemanfaatan dan Diseminasi Informasi Penginderaan Jauh.
2.4. Mekanisme Pengumpulan Data Kinerja
Perjanjian kinerja Pusfatja tahun 2019 yang ditandatangani oleh Kepala Pusat
dengan Deputi Bidang Penginderaan Jauh dan sasaran strategis Pusfatja dalam
Renstra Pusfatja tahun 2015-2019 diturunkan menjadi perjanjian kinerja Kepala
Bidang yang ditanda tangani bersama antara Kepala Pusat, Kabid Profas, Kabid
Diseminasi, Kabag Administrasi, dan Kepala Kelompok Pemanfaatan
Litbang/Kerekayasaan (Kapokfat/Kapokyasa). Perjanjian Kinerja Kabid Profas dan
Kabid Diseminasi diturunkan menjadi SKP kinerja fungsional tertentu non peneliti,
perekayasa, dan fungsional umum. Perjanjian Kinerja Kapokfat/Kapokyasa diturunkan
menjadi Perjanjian Kinerja Principal Investigator (PI) dan Group Leader. Kinerja PI dan
Group Leader diturunkan menjadi SKP Peneliti dan Perekayasa. Perjanjian Kabag
Administrasi diturunkan menjadi SKP Kepala Sub Bagian SDM dan Ketatausahaan,
Kepala Sub Bagian Keuangan dan BMN, serta SKP Staf Fungsional selain Peneliti
dan Perekayasa.
Penilaian terhadap kinerja di lingkungan Pusfatja dilakukan berdasarkan
Pedoman Pengelolaan Kinerja PUSFATJA dimana penilaian kinerja tersebut
36
dilakukan secara berjenjang. Penilaian kinerja dilakukan langsung oleh Kepala Pusat
atas usulan Kabid Profas bagi fungsional peneliti dan perekayasa hingga tingkat di
atasnya. Sedangkan, penilaian kinerja untuk pejabat fungsional peneliti dan
perekayasa dari tingkat pertama sampai dengan muda dilakukan oleh Kabid Profas
atas usulan dari Kapokfat/Kapokyasa. Untuk fungsional lainnya, penilaian kinerja
dilakukan oleh atasan langsung dari pejabat fungsional.
Gambar 2.2. SOP mekanisme pengumpulan data kinerja
Kegiatan pemantauan kinerja eselon III, eselon IV, Kapokfat, Kapokyasa dan
pegawai dilakukan melalui laporan teknis yang wajib dibuat oleh masing-masing pihak
dan disampaikan kepada Kabid Profas. Kabid Profas kemudian melaporkannya
kepada Kepala Pusat. Selain pemantauan melalui laporan teknis bulanan, dilakukan
pula pemantauan terhadap target triwulanan melalui laporan triwulan (Gambar 2.2.).
Untuk pemantauan pelaksanaan kegiatan penelitian dan kerekayasaan
dilakukan evaluasi laporan kemajuan per triwulan dan atau per semester. Evaluasi
laporan triwulan dan atau semester dilakukan dengan melibatkan para pihak
pemangku kepentingan atau pengguna melalui forum diskusi kelompok serta
Kolokium. Pengaturan evaluasi tersebut diatur dalam Pedoman Perencanaan,
Pelaksanaan Pemantauan Evaluasi Kegiatan, dan Pelaporan di Pusat Pemanfaatan
Penginderaan Jauh.
37
BAB III AKUNTABILITAS KINERJA 2019
Pada pelaksanaan kegiatan di tahun 2018 kinerja PUSFATJA mencapai capaian
kinerja untuk setiap IKU yang telah ditetapkan yang dilaporkan dalam LAKIN PUSFATJA.
Laporan kinerja harus dapat dan mudah diukur sehingga dapat menggambarkan atau
menjelaskan pencapaian sasaran yang telah ditetapkan berdasarkan hasil perumusan
yang dituangkan pada Renstra 2015-2019. Bentuk laporan kinerja tersebut merupakan
akuntabilitas kinerja sebagai bentuk pertanggungjawaban atas kinerja suatu organisasi
kepada para pihak yang mempunyai hak atau kewenangan untuk meminta
pertanggungjawaban.
3.1. Analisis Capaian Kinerja Tahun 2019
Pada pelaksanaan kegiatan di tahun 2019 sebagaimana tersebut dalam Penetapan
Kinerja, Pusfatja mencapai hasil seperti disajikan pada Tabel 3.1. Capaian kinerja untuk
tiap IKU di atas 100%, bahkan untuk beberapa IKU jauh melebihi target, antara lain:
jumlah publikasi nasional terakreditasi di bidang pemanfaatan penginderaan jauh, jumlah
HKI yang diusulkan di bidang pemanfaatan penginderaan jauh, jumlah instansi pengguna
yang memanfaatkan layanan informasi penginderaan jauh, dan Indeks Kepuasan
Masyarakat atas layanan informasi penginderaan jauh.
38
Tabel 3.1 Capaian Tahun 2019 Berdasarkan Perjanjian Kinerja 2019
Sasaran Strategis Utama
Indikator Kinerja Target Capaian
(1) (2) (3) (4)
1 Meningkatnya penguasaan dan kemandirian Iptek di bidang pemanfaatan penginderaan jauh yang maju
IKU 1 IKU 2 IKU 3 IKU 4
Jumlah model, prototipe, dan bahan pedoman pemanfaatan penginderaan jauh yang operasional untuk pemantauan sumberdaya alam, lingkungan, serta mitigasi bencana dan perubahan iklim. Jumlah publikasi nasional terakreditasi dibidang pemanfaatan penginderaan jauh. Jumlah publikasi internasional yang terindeks dibidang pemanfaatan penginderaan jauh. Jumlah HKI yang diusulkan dibidang pemanfaatan penginderaan jauh
16 Model / 1 Prototipe / 5
Pedoman
21 Makalah
5 makalah
1 judul
19 Model / 1 Prototipe / 7 Pedoman (128%)
22 makalah (104%)
11 makalah (220%)
2 judul (200%)
2 Meningkatnya layanan data dan informasi di bidang pemanfaatan penginderaan jauh yang prima.
IKU 5 IKU 6
Jumlah instansi pengguna yang memanfaatkan layanan informasi penginderaan jauh. Indeks Kepuasan Masyarakat atas layanan informasi penginderaan jauh.
95 Instansi
82
184 instansi (193%)
84,77 (103 %)
Capaian ini diperoleh dengan dukungan kegiatan riset yang telah dilakukan oleh
Pusfatja pada tahun 2019. Dari kegiatan tersebut, diperoleh 19 model, 1 prototipe dan 7
Pedoman yang mencukupi kualitasnya untuk dijadikan pedoman pemanfaatan
penginderaan jauh. Model-model yang dibangun tersebut disajikan dalam penjelasan
berikutnya.
Dalam hal publikasi ilmiah nasional, Pusfatja mempublikasikan 22 judul karya tulis
ilmiah. Hal ini berarti bahwa kinerja publikasi ilmiah telah mencapai 22 jumlah judul karya
39
tulis ilmiah yang ditargetkan (104%). Indikator kinerja ini dicapai karena adanya dukungan
2 jurnal ilmiah nasional penginderaan jauh yang dikelola oleh LAPAN, dan keaktifan
peneliti/perekayasa dalam mempublikasikan ke jurnal nasional di luar LAPAN seperti
Jurnal Ilmu Lingkungan yang diterbitkan oleh Universitas Diponegoro, serta keaktifan
peneliti dalam membimbing mahasiswa yang sedang melakukan penelitian di Pusfatja
yang menghasilkan produk karya ilmiah. Peran Seminar Nasional Penginderaan Jauh
sangat tinggi karena mendorong peneliti/perekayasa menuliskan hasil penelitiannya
dengan lebih baik. Sinas Inderaja juga membawa pengaruh terhadap komunikasi ilmiah
secara nasional dengan para ahli penginderaan jauh di luar LAPAN dan stakeholder
lainnya. Judul-judul publikasi ilmiah pemanfaatan penginderaan jauh sebagaimana
tersebut pada tabel di atas dapat dilihat pada Lampiran 4.
Publikasi internasional terindeks di bidang pemanfaatan penginderaan jauh
mencapai 220%, yaitu 11 judul karya tulis ilmiah internasional dari 5 publikasi target yang
ditetapkan. Target publikasi ini tercapai karena keaktifan peneliti/perekayasa di dalam
kegiatan-kegiatan seminar internasional yang langsung mempublikasikan karya tulis
ilmiah yang dipersentasikan dalam publikasi ilmiah internasional terindeks.
Jumlah instansi pengguna yang memanfaatkan layanan informasi penginderaan
jauh seperti bimbingan teknis, bantuan teknis, supervisi/konsultansi kepada berbagai
pihak (kementerian, lembaga, pemerintah provinsi, pemerintah kabupaten, dan
pemerintah kota serta dunia usaha-swasta dan masyarakat-LSM) yang mencapai 193%
dari target 95 instansi dapat terlayani sebanyak 184 instansi setingkat eselon II. Capaian
kinerja ini dicapai karena keaktifan bidang diseminasi dalam menjalankan tugas yang
bersinergi dengan kelompok pemanfaatan. Selain itu, terdapat suatu program bimtek
secara regular yang dilakukan setiap bulan bersama dengan Pusat Teknologi dan Data
Penginderaan Jauh. Permintaan-permintaan khusus juga datang dari instansi terkait
penegakan hukum seperti dengan Badan Narkotika Nasional, Komisi Pemberantasan
Korupsi, Badan Reserse dan Kriminal POLRI.
Rata-rata capaian kinerja Pusfatja dengan asumsi bahwa bobot tiap IKU adalah
sama maka berdasarkan Tabel 3.1, secara keseluruhan capaian kinerja Pusfatja sebesar
158%. Hal ini menunjukkan bahwa pada tahun 2019, Pusfatja telah berhasil mencapai
bahkan melampaui target yang telah ditetapkan pada PK 2019. Untuk masing masing
sasaran strategis 1 dan strategis 2, capaian pada tahun 2019 adalah: 163% dan 148%.
40
Capaian Pusfatja sebagaimana tersebut di atas tidak terlepas dari upaya Pusfatja
melakukan pembenahan tata kelola penyelenggaraan atau pelaksanaan program atau
kegiatan di Pusfatja serta pengelolaan kinerja. Pelaksanaan kegiatan penelitian,
pengembangan, dan perekayasaan (litbangyasa) di Pusfatja dilakukan oleh kelompok
litbangyasa. Dimana tiap kelompok didukung oleh sub-sub kelompok tematik litbangysa.
Masing-masing sub kelompok tersebut menyusun rencana penelitian dan target capaian
selama 5 tahun (2015-2019). Namun, rencana penelitian tersebut senantiasa dapat
disesuaikan dengan melihat hasil yang telah dicapai, kebutuhan pengguna dan prioritas
LAPAN. Rencana pelaksanaan kegiatan dari masing-masing kelompok selalu
dikomunikasi dengan pengguna melalui diskusi kelompok terfokus (FGD) dan melibatkan
pakar dari perguruan tinggi. Pelaksanaan kegiatan litbangyasa sejak perencanaan
sampai evaluasi serta pelaporan tersebut dikoordinasikan oleh Bidang Program dan
Fasilitas (Profas).
Setiap bulan masing-masing ketua kelompok melaporkan semua capaian atau
proses kegiatan yang dilakukan oleh semua sub kelompok di bawahnya dan setiap
triwulan dilakukan penilaian (evaluasi). Selain laporan triwulan dilakukan pula evaluasi
semester dimana pada laporan semester senantiasa melibatkan pengguna atau pakar
dari perguruan tinggi. Kepala Bidang Profas setiap bulan senantiasa melaporkan hasil
monitoring kegiatan yang dilaporkan setiap kelompok kepada Kapusfatja dan kepala
kelompok dengan memberikan catatan (notifikasi) terhadap laporan kelompok. Selain itu,
terdapat forum konfirmasi antara Kabid Profas dengan ketua-ketua kelompok litbangyasa
untuk klarifikasi dan “update” (revisi) terhadap laporan yang telah disampaikan. Dengan
proses sebagaimana tersebut di atas, kinerja kelompok dan target-target capaian yang
telah ditetapkan pada perjanjian kinerja Pusfatja dapat senantiasa dipantau dan
dilakukan tindak lanjut untuk menjaga setiap kelompok dapat memenuhi target
kinerjanya.
Berdasarkan capaian kinerja Pusfatja seperti yang tertera dalam Tabel 3.1 dapat
diuraikan penjelasannya sebagai berikut:
Sasaran Strategis 1: Meningkatnya penguasaan dan kemandirian Iptek di bidang
pemanfaatan penginderaan jauh yang maju.
Pada sasaran strategis 1 terdapat 4 IKU, yakni:
41
IKU 1: Jumlah model, pedoman, modul, dan prototipe di bidang penginderaan jauh
untuk pemanfaatan penginderaan jauh untuk pemantauan sumber daya
alam (SDA), lingkungan, serta mitigasi bencana, dan perubahan iklim.
Output yang dihasilkan pada IKU 1 berupa 19 model, 1 prototipe dan 7 pedoman
pemanfaatan penginderaan jauh/ prototipe sistem perekayasaa. (Tabel 3.2). Dan
Perbandingan capaian IKU 1 dengan tahun sebelumnya tertera pada Tabel.3.3
Tabel 3.2 Capaian Sasaran Strategis 1 dan Target IKU 1 PUFATJA Tahun 2019
Indikator Kinerja Target Realisasi Capaian
IKU 1: Jumlah model, pedoman, modul, dan prototipe di bidang penginderaan jauh untuk pemanfaatan penginderaan jauh untuk pemantauan sumber daya alam (sda), lingkungan, serta mitigasi bencana, dan perubahan iklim.
16 model 1 prototipe 5 Pedoman
19 model 1 prototipe 7 pedoman
128%
Tabel 3.3 Perbandingan Capaian IKU 1 dengan Tahun Sebelumnya
IKU 1 2015 2016 2017 2018 2019 Target Renstra
2019 Realisasi Realisasi Realisasi Realisasi Target Realisasi Capaian
Jumlah model, pedoman, modul, dan prototipe di bidang penginderaan jauh untuk pemanfaatan penginderaan jauh untuk pemantauan sumber daya alam (sda), lingkungan, serta mitigasi bencana, dan perubahan iklim.
18 20 21 17 22 27 128% 22
Pada tahun 2019 model pemanfaatan penginderaan jauh yang telah dihasilkan oleh
Pusfatja adalah sebanyak 16 model dengan rincian sebagai berikut:
42
(1) Pemanfaatan Data Penginderaan Jauh Untuk Memantau dan Menganalisis
Fase Pertumbuhan Tanaman Padi
Pusfatja LAPAN melakukan penelitian terkait pemanfaatan data C-band
Sentinel-1 multi-temporal pada varietas Ciherang di daerah lumbung padi
Kabupaten Subang untuk pemantauan fase pertumbuhan padi. Melalui penelitian
tersebut, variasi nilai radar backscatter coefficient (σ0) pada polarisasi VH terhadap
umur padi yang diperoleh dari beberapa blok padi dapat lebih merepresentasikan
kondisi fase pertumbuhan padi dibandingkan polarisasi VV. Hal ini terjadi
dikarenakan berdasarkan penelitian yang dilakukan oleh CESBIO, polarisasi VH
lebih berkorelasi terhadap perubahan ketinggian tanaman. Sedangkan polarisasi VV
lebih sensitif terhadap kelembaban tanah dan indeks luasan daun dimana nilai radar
backscatter pada polarisasi VV akan menurun seiring peningkatan indeks luasan
daun (Bousbih et al., 2017).
Regresi logaritmik yang diperoleh melalui korelasi antara nilai radar
backscatter coefficient (σ0) pada polarisasi VH dan umur padi setelah tanam
menunjukan nilai korelasi yang sangat tinggi melalui indikator R2 = 0.93 dengan
kesalahan relatif di bawah 7% pada uji model (Lestari and Kushardono, 2018). Hal
ini menunjukan kesesuaian nilai radar backscatter coefficient (σ0) antara model
regresi dengan nilai radar backscatter coefficient (σ0) pada blok padi yang berbeda
cukup tinggi.
Gambar 3.1 Variasi temporal nilai radar backscatter coefficient (σ0) C- band pada
polarisasi (a) VH dan (b) VV (Lestari and Kushardono, 2018)
43
(2) Pemanfaatan Data Penginderaan Jauh Untuk Klasifikasi Lahan Sawah
Hasil penelitian ini menunjukkan bahwa model klasifikasi lahan sawah
berbasis indeks citra Landsat multitemporal yang mempunyai akurasi tertinggi
adalah model klasifikasi 3 parameter dengan threshold disesuaikan dengan akurasi
94,75% dan kappa 0,71. Dari sisi target keluaran model telah menghasilkan 1 (satu)
model terverifikasi/tervalidasi klasifikasi lahan sawah berbasis threshold indeks citra
Landsat multiwaktu.
Capaian dari sisi keluaran/publikasi, pada tahun 2019 menghasilkan 1 (satu)
publikasi nasional di Jurnal Inderaja No 1 edisi Juni 2019, dua publikasi IOP,
sedangkan target 1 (satu) publikasi internasional (submited) sedang dalam proses
penyelesaian untuk kemudian akan dilakukan proofreading melalui “Britannia
Proofreading Service” dan direncanakan akan di-submetted ke Jurnal Telkomnika.
Publikasi lain adalah prosiding internasional melalui kegiatan tahunan ICOIRS 2019
di Bandung 7-20 September 2019. Oleh karena itu dalam waktu yang masih tersisa
akan dilakukan berbagai upaya untuk mempercepat finalisasi draft jurnal agar target
keluaran dapat dicapai.
Tabel 3.4 Rata-rata akurasi model klasifikasi berbasis data sampel
BERBASIS DATA SAMPEL RATA-RATA JABAR DAN SULSEL
MODEL KLASIFIKASI 1 2 3 4
EVI_(mean, max, min) 1.0 stdev 74.84 90.30 0.52 85.85
EVI_(mean, max, min) 1.5 stdev 81.50 91.50 0.69 93.60
EVI_(mean, max, min, range) 1.0 stdev 75.89 86.98 0.54 86.60
EVI_(mean, max, min, range) 1.5 stdev 85.84 87.47 0.73 94.11
EVI_(mean, max, min), threshold
disesuaikan 82.78 92.12 0.71 94.75
EVI_(mean, max, min, renge), threshold
disesuaikan 81.47 91.37 0.68 93.78
Keterangan: 1) user accuracy, 2) producer accuracy, 3) kappa, 4) total accuracy
44
(3) Pengembangan Model Pemanfaatan Penginderaan Jauh untuk Batimetri
Penelitian ini bertujuan untuk mengkaji dan menerapkan metode-metode
penentuan batimetri dari data Sentinel-2. Estimasi kedalaman perairan dengan
mengunakan data Sentinel-2 di Nusa Lembongan dilakukan menggunakan metode
Stumpf. Pada Gambar 3.2 dapat dilihat kedalaman relatif hasil ekstraksi
menggunakan data Sentinel-2. Kedalaman relatif diperoleh melalui hubungan rasio
antara kanal biru dan hijau atau yang sering disebut dengan persamaan Stumpf.
Warna hijau menunjukan keterbatasan citra dalam mengektraksi kedalaman
di zona yang lebih dalam sedangkan warna merah dan kuning menunjukkan
perairan dangkal yang mampu ditembus oleh panjang gelombang citra Sentinel-2.
Untuk mengetahui nilai kedalaman yang mampu ditembus oleh citra maka dilakukan
pengolahan lebih lanjut berupa regresi linier antara kedalaman pengukuran dengan
kedalaman estimasi untuk mendapatkan algoritma untuk diaplikasikan pada
kedalaman relatif sehingga didapatkan kedalaman estimasi.
Gambar 3.2 Kedalaman relatif menggunakan rasio band biru dan hijau
Hubungan antara kedalaman lapangan dengan kedalaman relatif akan
menghasilkan sebuah algoritma. Gambar 3.3 menunjukkan perbandingan
hubungan kedalaman pengukuran dengan kedalaman relative estimasi pada
seluruh sampel data (kiri) dan dengan sampel data hingga kedalaman 15 m (kanan).
Dari grafik untuk seluruh kedalaman, terlihat maksimum penetrasi hingga 15 m.
Hasil perbandingan menunjukan bahwa dapat dilihat bahwa kedalaman lapangan
dengan kedalaman relatif menunjukkan hasil yang baik yang ditandai banyaknya
45
data yang mendekati garis linier. Semakin banyak data yang memiliki perseberan
dekat dengan garis, maka memiliki koefisien determinasi yang semakin tinggi.
Dari hubungan antara kedalaman lapangan dengan kedalaman relative
diperoleh persamaan regresi untuk kedalaman estimasi persamaan berikut:
x = (-83,722*z) + 86,026………………...(4)
dengan:
x = kedalaman estimasi
z = kedalaman relatif
Gambar 3.3 Grafik hubungan kedalaman pengukuran dengan kedalaman estimasi
seluruh data (kiri) dan hingga kedalaman 15 m (kanan)
Untuk menganalisis ketelitian dari kedalaman estimasi yang telah diperoleh
dilakukan analisis ketelitian berdasarkan standar IHO S44 (Tabel 3) dengan interval
kedalaman dibagi menjadi 0 – 2 m; 2,1 – 5 m; 5,1 – 10 m; <10 m.
Tabel 3.5 Analisis ketelitian berdasarkan Standar IHO S44
Kedalaman
(m)
Jumlah
Titik
RSME
(m)
R2 Orde
Spesial
(%)
Orde
1A/1B
(%)
Orde
2 (%)
Exclude
(%)
0 – 2 15 1,704 0,353 20 13,33 20 46,67
2,1 – 5 53 2,644 0,713 15,09 7,55 18,87 58,49
5,1 – 10 80 2,569 0,337 10 10 20 60
10,1 - 15 35 7,428 0,630 0 0 8,57 91,43
0 - 15 183 1,857 0,848 10,38 7,66 17,48 64,48
46
Pada kedalaman <10 m memiliki ketelitian yang lebih baik. Nilai koefisien
determinasi yang diperoleh pada penelitian ini adalah 0,8048 yang menunjukkan
bahwa hubungan antara kedalaman estimasi dan kedalaman lapangan sangat
dekat dan nilai RSME adalah 1,857 m.
Dengan persamaan 4 yang diperoleh maka dapat dilakukan estimasi
kedalaman perairan dangkal di Nusa Lembongan (Gambar 3.4).
Gambar 3.4. Estimasi kedalaman di Nusa Lembongan
(4) Pemanfaatan Data Penginderaan Jauh untuk Informasi Areal Budidaya Ikan
Ikan kerapu atau dikenal dengan nama grouper, trout, atau coral reef fish
adalah jenis ikan yang hidup pada perairan yang terdapat terumbu karang. Berikut
sampel informasi spasial lokasi budidaya kerapu (Gambar 3.5).
47
Gambar 3.5 Informasi Lokasi Kesesuaian Kerapu
Rumput laut (seaweed) adalah salah satu anggota alga yang terdiri dari satu
atau banyak sel, berbentuk koloni, hidupnya bersifat bentik di daerah perairan yang
dangkal, berpasir, berlumpur atau berpasir dan berlumpur, daerah pasut, jernih dan
biasanya menempel pada karang mati, potongan kerang dan subtrat yang keras
lainnya, baik terbentuk secara alamiah atau buatan (artificial).
Gambar 3.6 Lokasi Kesesuaian Rumput Laut Provinsi Kalimantan Utara
48
Di Indonesia terdapat 555 jenis rumput. Rumput laut adalah komoditas laut yang
diunggulkan dan telah dikembangkan secara luas. Untuk mendukung hal
tersebut,maka diperlukan adanya informasi lokasi yang sesuai untuk budidaya
rumput laut. Berikut lokasi kesesuaian budidaya rumput laut pada 16 provinsi
prioritas (Gambar 3.6).
(5) Pemanfaatan Data Penginderaan Jauh untuk Ekstraksi Informasi Kualitas
Perairan
Beberapa literatur terkait pengembangan model ekstraksi informasi MPT
masih mengandalkan pendekatan empiris yang menekankan pada kebutuhan data
lapang yang cukup yang dipasangkan dengan reflektan dari citra yang digunakan.
Antara lain yang dilakukan oleh Doxaran et al. 2002a menggunakan reflectance
band ratio. Doxaran et al. (2002b), van der Woerd dan Pasterkamp (2004), dan
Trisakti et al. (2004) menggunakan single band analisis pada band hijau. Budhiman
(2004) dan van der Pasterkamp (2002) menggunakan single band analisis (dynamic
range band). Zhou (2009) dan Olet (2010) menggunakan regresi antara reflektansi
citra dengan konsentrasi muatan padatan tersuspensi.
Untuk tahun 2019 ini, model yang dibangun dicoba dari yang paling
sederhana, yaitu bentuk linier sederhana sampai ke bentuk yang agak kompleks
untuk memilih nilai dengan R2 terbaik. Berdasarkan sifat fisis yang berbeda antara
DAS, pesisir dan laut lepas, maka kegiatan litbang tahun ini dilakukan
pengelompokkan berdasarkan area, yaitu sepanjang DAS, disekitar pesisir atau
muara dan gabungan semua titik pengamatan sepanjang DAS sampai pesisir.
Gambar 3.7. Model MPT untuk kawasan pesisir Bali
49
Gambar 3.8 Model MPT untuk kawasan muara / DAS Bali
Hasil yang diperoleh menunjukkan bahwa pemisahan data-data berdasarkan
area menghasilkan model dengan tingkat korelasi yang lebih baik dibandingkan
penggabungan semua data. Model ekstraksi yang diambil dibatasi hanya sampai
linier tingkat dua.
(6) Pemanfaatan Data Penginderaan Jauh untuk Ekstraksi Informasi Ekosistem
Mangrove
Dari hasil penelitian 2019 diperoleh diperoleh hasil korelasi yang meningkat
dibandingkan dengan tahun 2018. Hal ini dikarenakan adanya perbaikan prosedur
pengambilan data tutupan kanopi dengan metode kamera spherical dimana sesuai
dengan Dharmawan and Pramudji (2017) dalam 1 plot minimal 4 foto dan lebih jika
tidak homogen dan jarang. Sehingga bisa diketahui bahwa salah satu faktor yang
mempengaruhi korelasi adalah akurasi dari pengukuran di lapangan. Kemudian ada
fenomena saturasi nilai NDVI dimana pada LAI tinggi, kemungkinan kenaikan
tutupan kanopi tidak menaikkan nilai NDVI atau sebaliknya. Dari hasil survey ke
Taman Nasional Sembilang, karakter dari daun mempengaruhi nilai NDVI (Gambar
3.9-3.11)
50
Gambar 3.9. Citra nilai NDVI Kawasan Mangrove Bali Barat
Gambar 3.10. Citra nilai GNDVI Kawasan Mangrove Bali Barat
Gambar 3.11. Citra nilai OSAVI Kawasan Mangrove Bali Barat
51
Dari hasil analisa penyebab rendahnya nilai korelasi maka dilakukan
perbaikan pada prosedur pengambilan data dan pengolahan. Untuk pengolahan
mengunakan perangkat lunak Can Eye dimana ada kalibrasi terhadap kamera yang
digunakan. Jadi setiap beda kamera yang digunakan dilakukan kalibrasi lagi,
sehingga akan menghasilkan informasi yang sama. Kemudian dalam survey juga
diidentifikasi jenis dominan sehingga bisa diketahui jenis-jenis penyumbang nilai
NDVI rendah serta saturasi terjadi atau tidak.
Pengolahan data tutupan kanopi (Fcover) dari foto fish eye menggunakan
perangkat lunak Can Eye telah dilakukan. Salah satu parameter yang bisa diekstrak
dari foto fish eye dengan perangkat lunak ini adalah Fcover atau persen tutupan
kanopi. Selain itu juga bisa dihitung LAI (leaf area index), ALA (Average Leac
Inclination Angle), FAPAR (Fraction of Absorbed Photosynthetically Active
Radiation) dan Bidirectional gap fraction. Awalnya hanya akan digunakan Fcover
saja tetapi ada kemungkinan menggunakan yang lainnya jika korelasi dengan
Fcover dengan indeks vegetasi tidak signifikan.
(7) Pemanfaatan Penginderaan Jauh untuk Terumbu Karang sebagai Parameter
Pendukung Informasi Budidaya Ikan
Hasil klasifikasi piksel base model maksimum likelihood data SPOT 7
identifikasi habitat dasar perairan laut dangkal dari algoritma Lyzenga 2006 dibuat
dalam empat kelas yaitu karang, lamun, makroalaga dan substrat. Hasil Klasifikasi
habitat dasar perairan laut dangkal di Pulau Nusa Lembongan ditampilkan pada
Gambar 3.12. Berdasarkan Gambar tersebut di atas sebaran lamun hampir merata
di sepanjang lokasi penelitian, kemudian sebaran kelas karang berada disepanjang
daerah tubir yang dibatasi pada daerah reefcrast, kelas makroalga dijumpai
dibeberapa bagian yang bercampur dengan lamun. Sedangkan kelas substrat
banyak dijumpai pada bagian tengah dari lokasi penelitian.
52
Gambar 3.12. Hasil Ekstraksi Model Maximum Likelihood di Pulau Nusa
Lembongan
Klasifikasi dengan objek base model decision tree data SPOT 7 untuk
mengidentifikasi habitat dasar perairan laut dangkal dari algoritma Lyzenga 2006
dibuat dalam empat kelas yaitu karang, lamun, makroalaga dan substrat. Hasil
Klasifikasi habitat dasar perairan laut dangkal di Pulau Nusa Lembongan
ditampilkan pada Gambar 3.13. Sebaran habitat dasar perairan laut dangkal hampir
merata di sepanjang lokasi penelitian, kemudian sebaran kelas karang berada lebih
dominan pada wilayah utara kelas makroalga dijumpai dibeberapa bagian yang
bercampur dengan lamun. Sedangkan kelas substrat banyak dijumpai pada bagian
barat dan selatan Pulau Nusa Lembongan.
Gambar 3.13. Hasil Ekstraksi Objek Base Model Decision Tree di Pulau Nusa
Lembongan
53
(8) Pemanfaatan dan Diseminasi Informasi Perubahan DAS dan Vegetasi
menggunakan Data Penginderaan Jauh
DAS Brantas terletak di Propinsi Jawa Timur pada 110°30' BT sampai 112°55'
BT dan 7°01' LS sampai 8°15' LS dengan panjang sungai ± 320 km dan memiliki
luas wilayah sungai ± 14.103 km2 1. Luas DAS Brantas adalah 1.188.564,63 ha,
yang meliputi kabupaten Malang, Blitar, Tulungagung, Trenggalek, Kediri, Nganjuk,
Jombang, Mojokerto, Sidoarjo, kota Batu, kota Malang, kota Blitar, kota Kediri, kota
Mojokerto dan kota Surabaya. Penggunaan lahan di DAS Brantas terbagi dalam 11
kelas yaitu hutan, Ladang/Tegalan, Lahan pertanian Basah (sawah), lahan
terbangun (permukiman dan infrastruktur), lahan terbuka, perkebunan,
semak/belukar, tambak, dan tubuh air (laut, sungai, danau, waduk, situ).
Gambar 3.14. Penggunaan Lahan DAS Brantas Tahun 2002, 2014, dan 2019
Berdasarkan hasil klasifikasi penutup lahan, terjadi perubahan/alih fungsi
lahan dari tahun 2002-2019 yang didominasi oleh kelas hutan yaitu sebanyak
53,36%. Hal ini dikarenakan tingginya kerusakan akibat banyaknya penebangan
pohon yang dilakukan oleh masyarakat sekitar kawasan hutan konservasi
(deforestasi) yang mengakibatkan sedimentasi, dan berdampak pada kelangsungan
sumber air di aliran sungai maupun waduk. Penurunan kondisi air dan degradasi
54
dasar sungai berpengaruh terhadap suplai air di waduk dan kondisi
jembatanmenjadi turun (ambles), sehingga jembatan menjadi miring. Alih fungsi
lahan hutan banyak digunakan untuk perkebunan dan ladang/tegalan. (Gambar
3.14).
(9) Pemanfaatan Data Penginderaan Jauh untuk Klasifikasi Lahan Gambut
Data penginderaan jauh dapat digunakan untuk aplikasi perubahan penutup
lahan, deteksi tinggi vegetasi, dan pembuatan model tinggi serta geodinamika di
lahan gambut. Perubahan lahan ini menggunakan citra Landsat dengan metode
threshold NBR. Untuk menganalisis perubahan tutupan vegetasi digunakan
algoritma NBR-max- 70 yang diperoleh dari mosaik Landsat-8. Algoritma NBR yang
digunakan adalah:
NBR = (NIR-SWIR)/(NIR+SWIR)
Gambar 3.15. Gambar perubahan lahan
Tinggi vegetasi dapat dideteksi dengan metode differential DEM
menggunakan data LiDAR, SRTM C, dan X SAR Metode untuk menghitung tinggi
vegetasi menggunakan metode DEM Diferensial. Secara sederhana, metode ini
mengurangi ketinggian pada DSM dengan DTM. Tinggi vegetasi 2000 diperoleh dari
DSM2000 dikurangi dengan DTM2000. Demikian juga, ketinggian vegetasi 2018
diperoleh dari pengurangan DSM2018 dengan DTM2018. Perubahan ketinggian
vegetasi dari 2000 hingga 2018 diperoleh sebagai hasil dari pengurangan tinggi
vegetasi pada 2018 dengan tinggi vegetasi 2000. Tinggi hasil vegetasi kemudian
55
diperiksa untuk pengujian akurasi. Ada tiga metode yang digunakan, yaitu uji profil
silang, uji perbedaan tinggi, dan uji perbandingan dengan data pengukuran tinggi
untuk vegetasi di lapangan.
Gambar 3.16. Tinggi Vegetasi Tahun 2000
(10) Model pemantauan reklamasi lahan tambang menggunakan data
penginderaan jauh satelit multitemporal resolusi mengenah sentinel-2
Data Sentinel-2 yang memiliki temporal dan spasial yang memadai dapat
digunakan untuk memantau indikasi adanya aktivitas ekspoitasi dan reklamasi
vegetasi di pertambangan. Pemantauan ekspoloitasi dan reklamasi vegetasi
menggunakan deteksi parameter geobiofik tanah, vegetasi dan air yang diekstraksi
dari data citra penginderaan jauh. Parameter geobiofisik yang diekstraksi berupa
spektral band diubah menjadi citra indeks tanah, vegetasi dan air dengan
menggunakan NBR, NDVI dan NDWI. Indikasi Aktivitas eksploitasi pada tahun
2017-2018 menggunakan persyaratan ambang batas NDVI <-0,08857 dan NBR
>0,02926 serta NDVI. Indikasi aktivitas reklamasi vegetasi pada tahun 2017-2018
menggunakan persyaratan ambang batas NDVI >-0,08857 dan NBR <-0.08433,
serta NDVI tahun 2017 >=0,5. Lahan yang mengalamai indikasi ekspoloitasi dan
reklamasi sebelum tahun 2017 NDVI = -0,08857 sampai 0,03277 dan NBR = -
0,08433 sampai 0,02926 duntuk reklamasi NDVI tahun 2017 >=0,5 sedangkan
untuk eksploitasi NDVI tahun 2017 < 0,5.
56
Gambar 3.17. Informasi spasial aktivitas eksploitasi dan reklamasi tahun 2017 - 2018
(11) Model klasifikasi lahan kelapa sawit dan non kelapa sawit
Klasifikasi kelapa sawit dapat dilakukan dengan metode OBIA dengan Level:
3, Scale Parameter : 50, Shape : 0.3 dan Compactness : 0.7 yang menghasilkan
5.814 objek. Kemudian dilakukan klasifikasi, dan diperoleh hasil seperti pada
gambar 11, dimana objek dapat dikelaskan menjadi :9 kelas, dan kelapa sawit dapat
terpisahkan dari objek karet. Dari hasil dengan metode OBIA dan parameter
tersebut, maka selanjutnya dapat digunakan untuk memisahkan objek kelapa sawit,
dimana selanjutnya objek kelapa sawit akan dipantau dan dibuat petanya
berdasarkan umur.
57
Gambar 3.18. Hasil Klasifikasi dengan Metode OBIA
(12) Model pertumbuhan kelapa sawit berdasarkan umur
Pertumbuhan kelapa sawit dapat dpantau dengan menggunakan pola
petumbuhannya, dengan menggunakan NDVI untuk data Optic dan back scatter
untuk data SAR. Untuk setiap daerah di Indonesia, baik dengan manggunakan dat
Optic menghasilkan model pertumbuhan yang berbeda, namun dengan pola yang
sama, yakni model lon untuk kanal L SAR (PALSAR), model kuadratik untuk kanal
C SaR (Sentinel 1) dan untuk data Landsat dan Sentinel 2. Model pertumbuhan
dengan menggunakan data optic Landsat memberikan R2 sekitar 80%, sehingga
dapat digunakan untuk membuat peta informasi kelapa sawit berdaasarkan umur.
Telah dihasilkan peta informasi sebaran kelapa sawit berdasarkan umur untuk 10
propinsi Salah satu contohnya ditunjukan pada gambar 3.19.
58
Gambar 3.19. Informasi Sebaran Umur Kelapa Sawit di Sulawesi Barat Tahun
2019
(13) Model pemanfaatan penginderaan jauh untuk mitigasi bencana banjir dan
longsor
Telah dihasilkan skrip untuk program otomatisasi potensi banjir yang dapat
mendeteksi banjir setiap data Himawari 8 masuk (10 menit). Sebagai batasan/
threshold yang digunakan adalah 7.5 mm dengan 3 klas jenis potensi banjir.
Berpotensi banjir bila akumulasi curah hujan mencapa 135 mm per jam termasuk
kelas potensi rendah. Nilai akumulasi curah hujan 270 – 540 mm per jam berpotensi
banjir sedang. Sedangkan akumulasi curah hujan lebih dari 540 mm per jam
berpotensi banjir besar. Identifikasi bekas genangan banjir dengan menggunakan
dua cara yaitu dual polarizasion (VH dan VV) serta single polarizasion (VH) dengan
mengkombinasikan data citra SAR sebelum dan sesudah kejadian. Identifikasi
bekas genangan banjir menggunakan klasifikasi supervise (dual polarizasi) memiliki
akurasi tertinggi, sedangkan pada single polarisasi metode threshold Kitler yang
memiliki akurasi tertinggi.
59
(14) Pemanfaatan data penginderaan jauh untuk monitoring gunungapi
Monitoring gunungapi dilakukan dengan pembagunan otomatisasi berupa citra
NTI dalam bentuk raster (.tiff) dan data NTI pada setiap titik lokasi gunung api dalam
bentuk vektor (.shp).
Gambar 3.20. Citra NTI hasil otomatisasi
Pada tahun 2019, dilakukan kegiatan pemanfaatan data Sentinel – 3 untuk
identifikasi suhu puncak Gunung Agung, Bali. Citra level 2 suhu permukaan citra
Sentinel – 3 sudah bisa didapatkan langsung melalui website Copernicus. Langkah
awal yang perlu dilakukan adalah koreksi geomterik citra tersebut menggunakan
software SNAP dan kemudian dilakukan ekstraksi nilai suhu pada piksel puncak
yang kemudian dikonversi menjadi informasi suhu dalam bentuk Celcius. Nilai
temperature yang didapatkan sangat rendah untuk kondisi gunung berapi aktif,
sehingga seharusnya nilai tempertur tersebut dikoreksi dengan suatu factor koreksi
dengan algoritma yang sesuai dengan tempat penelitian.
Dari grafik hasil, grafik anomali pada Sentinel lebih menggambarkan kondisi
gunung berapi aktif jika dibandingkan dengan MODIS. Tren grafik terus naik hingga
hari kejadian erupsi, dan setelah erupsi, tren grafik menurun, serta scara spasial,
anomaly gunung berapi terlihat jelas dari perbedaan warna piksel yang signifikan
antara kawah gunung Agung dengan sekitarnya.
60
Gambar 3.21. Informasi suhu puncak Gunung Agung: Bali
Sistem dari SENTINEL 3 secara otomatis mengeliminasi objek yang “diduga”
sebagai awan. Piksel dari satu objek yang tertutup oleh awan panas dihilangkan
oleh sistem SENTINEL secara otomatis karena dianggap sebagai awan.
(15) Pengembangan model pemanfaatan penginderaan jauh untuk deteksi
kekeringan
Data yang dibutuhkan untuk perhitungan indeks kekeringan TKV adalah data
EVI MODIS bulanan. Data dari satelit, baik Terra maupun Aqua yang bersumber
dari satelit MODIS dipergunakan dengan mempertimbangkan ketersediaan serta
kelengkapan data.
Penentuan klasifikasi atau pembagian kelas tingkat kekeringan mengikuti
aturan seperti dijelaskan pada Tabel 4. Tahap akhir dilakukan proses layout peta
sehingga menjadi suatu produk informasi potensi kekeringan.
Selain informasi TKV, pada tahun ini informasi yang dihasilkan juga mencakup
tabel luas TKV untuk masing-masing kelas seperti diringkas pada Tabel 15.1 untuk
masing-masing provinsi. Perhitungan luasan dilakukan menggunakan model
processing yang sifatnya semi-otomatis sehingga dapat memudahkan serta
mempersingkat waktu pengolahan data.
61
Tabel 3.6 Klasifikasi tingkat kekeringan berdasarkan TKV
Kelas Range Nilai Piksel Citra EVI (faktor skala 10000)
Range TKV
Awan/air < 2000 < 0,2
Sangat rendah 2000 – 4000 0,2 – 0,4
Rendah 4000 – 5000 0,4 – 0,5
Sedang 5000 – 7000 0,5 – 0,7
Tinggi 7000 – 8000 0,7 – 0,8
Sangat tinggi > 8000 > 0,8
Nilai luas area tiap kelas tingkat kehijauan vegetasi dihitung sebagai salah satu
parameter potensi kekeringan. Informasi luas area tiap kelas akan disajikan dalam
bentuk tabel.
(16) Pemanfaatan data penginderaan jauh untuk kebakaran hutan dan lahan
Gambar 3.21. Komposit RGB citra GCOM-C
Deteksi asap menggunakan gambar komposit diterapkan dalam penelitian ini.
Kombinasi komposit band ditunjukkan pada gambar diatas. Gambar 6a adalah
komposit RGB dari VN8-SW3-VN8. Asap memiliki warna putih-ungu tetapi memiliki
warna yang sama dengan awan lapisan tinggi. Gambar 6b menunjukkan RGB
62
komposit SW3-VN8-VN8. Komposit ini menunjukkan asap sebagai warna putih-biru
tetapi masih memiliki warna yang sama dengan cloud lapisan tinggi. Pada
kombinasi ketiga, dimana thermal band digunakan sebagai komposit. Gambar 6c
menunjukkan gambar RGB komposit VN8-SW3-T01. Komposit ini memiliki asap api
dengan warna putih-ungu dan memiliki penampilan yang berbeda dengan awan
lapisan tinggi. Awan lapisan tinggi berwarna oranye karena awan memiliki suhu
lebih rendah daripada api asap yang terdeteksi oleh band termal.
(17) Pemanfaatan Data Penginderaan Jauh untuk Deteksi Tumpahan Minyak
Deteksi tumpahan minyak menggunakan Object-Based Image Analysis
dilakukan menggunakan perangkat lunak eCognition. Untuk perairan Batam dan
Bintan, pengolahan dilakukan dengan quick map eCognition sedangkan untuk
perairan Karawang menggunakan rule set. Seperti terlihat pada Gambar 1, hasil
deteksi menggunakan quick map eCognition untuk perairan Batam dan Bintan
menunjukkan hasil yang over estimated. Hal ini dapat disebabkan oleh proses
segmentasi yang hanya satu level dan klasifikasi dengan training sampel dimana
hanya memperhitungkan fitur warna.
Gambar 3.22. Hasil deteksi tumpahan minyak di perairan Batam dan Bintan 12
Maret, 22 Maret, dan 6 April 2019
63
(18) Model Pemanfaatan Data Penginderaan Jauh Parameter Klorofil-A Di Pesisir
Untuk Mendukung Informasi ZPPI
Klorofil-a adalah parameter oseanografi yang bersifat dinamis dan mempunyai
peranan penting dalam biota laut. Klorofil-a merupakan sumber makanan bagi ikan-
ikan pelagis sehingga sering digunakan dalam mendeteksi wilayah yang potensial
sebagai daerah penangkapan ikan. Sebagian riset mengkombinasikan antara suhu
permukaan laut dan klorofil-a dalam menentukan zona yang potensial untuk
penangkapan ikan. Pada bagian ini klorofil-a sebagai informasi pendukung untuk
informasi ZPPI-P untuk perairan Nias Utara dan sekitarnya. Gambar 18.1 adalah
sebaran klorofil-a (rata-rata bulanan) dari tahun 2004 sampai 2018 (5 tahun) dari
satelit Himawari-8. Nilai konsentrasi klorofil-a berkisar antara 0,1 mg/m3 sampai 3
mg/m3.
Gambar 3.23. Informasi rata-rata bulanan klorofil-a tahun 2004 - 2018
Terjadi variasi klorofil-a secara spasial maupun temporal. Hasil menunjukan
secara spasial konsentrasi klorofil-a lebih tinggi sepanjang tahun di wilayah pesisir
64
bagian barat dan utara dibandingkan di bagian timur perairan Nias Utara. Hal ini
kemungkinan akibat pengaruh dinamika perairan Samudera Hindia di sebelah barat
yang terhubung langsung dengan pesisir bagian barat dan utara lokasi kajian.
Sedangkan di bagian timur dinamika oseannya relatif lebih kecil karena merupakan
perairan yang menghubugkan Pulau Nias dengan Pulau Sumatera. Secara
temporal, konsentrasi klorofil-a terendah terjadi pada bulan April dan September
dan konsentrasi klorofil-a tertinggi terjadi pada bulan November dan Desember. Hal
ini diduga akibat pengaruh perubahan musim yang terjadi secara periodik. Untuk
daerah ekuator, puncak musim hujan terjadi dua kali dalam setahun yaitu bulan
April-Mei dan bulan September-Oktober. Perairan Nias Utara terletak di dekat
ekuator sehingga saat musim hujan terjadi penurunan klorofil-a.
(19) Klasifikasi Area Tropik Dari Klorofil-A Untuk Model ZPPI Pesisir Berbasis Data
Penginderaan Jauh
Penggunaan parameter SPL dari citra SNPP-VIIRS dan data SPL GHRSST,
serta penambahan parameter klorofil-a dari citra Aqua-MODIS cukup optimal
sebagai parameter masukan dalam analisis daerah potensi penangkapan ikan dan
mendukung penyediaan informasi ZPPI Pesisir di Perairan Nias dan sekitarnya
(WPPNRI 572). Penggunaan data citra GHRSST mampu melengkapi kekosongan
informasi ZPPI harian akibat beberapa kekurangan yang dimiliki oleh data citra
SNPP VIIRS (tutupan awan). Berdasarkan penambahan parameter SPL GHRSST
dan Klorofil-a dapat dihasilkan informasi ZPPI Pesisir di Perairan Nias dengan 2
(dua) kategori yaitu ZPPI HP (High Potential) dan ZPPI LP (Low Potential). Batas
informasi ZPPI Pesisir berada pada radius 4 – 12 mil laut dari garis pantai.
Model yang telah dikembangkan perlu ditingkatkan dengan menggunakan
citra alternatif dari sensor satelit lain (Klorofil-a dari SNPP-VIIRS, JPSS-VIIRS,
Himawari-8/AHI). Selain itu, perlu ditambahkan parameter lain yaitu produktivitas
primer perairan, SSHA (Sea Surface High Anomaly) untuk mengkonfirmasi area
mesotropik dan kesuburan perairan serta hasil deteksi termal front dari parameter
SPL. Model ini perlu diujicobakan dan divalidasi pada area kajian dengan
melibatkan nelayan sampel, serta mengujicobakan model pada area kajian lain
yang memiliki karakteristik perairan relatif sama dengan lokasi kajian (perairan Nias
yaitu dalam WPPNRI 572).
65
Gambar 3.24. Informasi ZPPI Pesisir di Perairan Nias (a) Bulan September 2018
(b) Bulan September 2019
Output prototipe sistem perekayasaan pemanfaatan penginderaan jauh yang telah
dihasilkan oleh Pusfatja pada tahun 2019 adalah 1 prototipe yaitu prototype
Pengembangan Prototipe Sistem Pemantauan Bumi Nasional (SPBN) dengan aplikasi
Geonode versi 2.6 dan Arcgis Server versi 10.6.
Gambar 3.25. (a) Tampilan basemap Google Terrain pada aplikasi GeoNode. (b)
Contoh tampilan Map pada sistem GeoNode SPBN Pusfatja LAPAN
Penerapan sistem GeoNode versi 2.6 dan Arcgis Server Versi 10.6 dalam
membangun Geoportal SPBN di Pusfatja LAPAN telah berhasil mendiseminasikan
informasi spasial dan tekstual hasil-hasil pemanfaatan penginderaan jauh yang
dilaksanakan oleh Pusfatja LAPAN dengan lebih informatif. Sistem SPBN ini bisa
berperan sebagai Sistem Pendukung Pengambilan Keputusan (Decission Support
System) dalam instansi LAPAN maupun intansi pemerintah lainnya (Gambar 3.25)
(a) (b)
66
Gambar 3.26. Tampilan Map pada Argis Server mengenai Fire Danger Rating System
Di tahun 2019 PUSFATJA menghasilkan 6 pedoman pemanfaatan penginderaan
jauh, dengan rincian sebagai berikut:
1. Pedoman Pengolahan Klasifikasi Lahan Sawan Menggunakan Data Google Earth
Engine
2. Pedoman Pengolahan Fase Pertumbuhan Padi Menggunakan Data Penginderaan
Jauh Resolusi Rendah
3. Pedoman Monitoring dan Evaluasi Kegiatan Rehabilitasi Hutan dan Lahan Berbasis
Data Penginderaan Jauh
4. Pengolahan data penginderaan jauh - Deteksi Area Terbakar Menggunakan Citra
Optik Resolusi Menengah
5. Pedoman Teknik Pengolahan Data Penginderaan Jauh Landsat 8 untuk Informasi
Kesesuaian Budidaya Perikanan
6. Pedoman Teknik Pengolahan Data Penginderaan Jauh Landsat 8 untuk Pembuatan
Model Pemetaan Kelapa Sawit Berdasarkan Umur
67
7. Pedoman Pembuatan Informasi Spasial Zona Potensi Penangkapan Ikan Berbasis
Data Satelit Penginderaan Jauh
IKU 2 : Jumlah Publikasi Nasional Terakreditasi Dibidang Pemanfaatan
Penginderaan Jauh
Pada tahun 2019, target publikasi ilmiah nasional terakreditasi sebanyak 21
makalah. Capaian Pusfatja untuk publikasi ilmiah nasional terakreditasi sebanyak 22
makalah atau mencapai 104% dari target (Tabel 3.6).
Tabel 3.7 Capaian Sasaran Strategis 2 dan Target IKU 2 PUSFATJA Tahun 2019
Indikator Kinerja Target Realisasi Capaian
IKU 2 : Jumlah publikasi Nasional yang terakreditasi dibidang pemanfaatan penginderaan jauh
21 22 104%
Tabel 3.8 Perbandingan Capaian IKU 2 dengan Tahun Sebelumnya
IKU 2 2015 2016 2017 2018 2019 Target Renstra
2019 Realisasi Realisasi Realisasi Realisasi Target Realisasi Capaian
Jumlah publikasi nasional yang terakreditasi dibidang pemanfaatan penginderaan jauh
7 19 21 20 21 22 104% 21
Tabel 3.7 Menunjukan perbandingan capaian IKU 2 dengan tahun sebelumnya.
Secara umum, jumlah publikasi yang dihasilkan oleh peneliti dan perekayasa di
PUSFATJA naik dari tahun 2015 – 2019. Peningkatan jumlah publikasi pada tahun 2019
dibandingkan dengan tahun 2015 adalah sebesar 214%. Daftar rincian jurnal nasional
yang diterima atau diterbitkan pada tahun 2019 dapat dilihat di table 3.8
68
Tabel 3. 9 Daftar makalah publikasi nasional yang diterbitkan tahun 2019
No Judul
Publikasi Nama
Peneliti
Nama Jurnal Ilmiah
Nasional Terakreditasi
Volume / Tahun
Keterangan (Accepted/ Published)
Akreditasi
1
Pengembangan Metode Klasifikasi Lahan Sawah Berbasis Indek Citra Landsat Multiwaktu
Made Parsa, Dede Dirgahayu, Sri Harini
Jurnal Inderaja Volume 16 No. 1 Tahun 2019
Published No. 21/E/KPT/201
8
Penelitian pengembangan model klasifikasi lahan sawah berbasis citra penginderaan jauh Landsat bertujuan untuk memperoleh model klasifikasi lahan sawah secara cepat. Penelitian ini menggunakan input citra Landsat (p/r 122064) multiwaktu tahun 2017, informasi spasial lahan baku sawah 2017 skala detil (BIG) dan data hasil suvei lapangan. Penelitian dilaksanakan di salahsatu sentra produksi beras Jawa Barat yaitu di Kabupaten Subang. Metode yang digunakan dalam penelitian ini adalah metode threshold (ambang batas) terhadap indek citra Landsat multiwaktu. Sebagai referensi digunakan informasi spasial lahan sawah skala detil yang dilengkapi dengan data hasil survei lapangan menggunakan drone. Pertama dilakukan koreksi atmosfer terhadap citra Landsat, kemudian dilakukan ekstrak/konversi ke beberapa indek (EVI, NDWI, NDBI). Untuk citra-citra yang berawan maka indeksnya diisi dengan teknik interpolasi dari nilai indek sebelum dan setelahnya. Tahap berikutnya adalah smoothing indek dan analisis statistik untuk memperoleh nilai minimum, maksimum, mean, median, range, EVI_tanam, EVI_panen, mean_tanam-panen, mean_veg, mean_generatif, NDWI_tanam, NDWI_panen, NDBI_tanam dan NDBI_panen. Akurasi klasifikasi dihitung dengan teknik confusion matrix (matrik kesalahan) menggunakan referensi informasi spasial skala detil. Berdasarkan analisis dan uji akurasi yang telah dilakukan terhadap beberapa model, akurasi yang paling tinggi dihasilkan oleh model ambang batas tiga indek (EVI_min, EVI, Max, EVI_range) dengan akurasi 90,4% dan nilai kappa 0,80.
2
Analisis Dampak Pembangunan Infrastruktur Bandara Internasional Jawa Barat Terhadap Alih Fungsi Lahan Pertanian Melalui Citra Satelit Resolusi Tinggi
Nurwita Mustika Sari, Dony Kushardono
Jurnal Geografi
Volume 11, No 2 Tahun 2019
Published 23/E/KPT/2019
Pembangunan infrastruktur seperti bandara akan menyebabkan perubahan penggunaan lahan pada area tersebut dan sekitarnya. Perubahan ini, terutama jika wilayah bandara berada pada wilayah yang dominan dengan lahan pertanian maka akan berpotensi mengubah fungsi lahan pertanian tersebut menjadi lahan non pertanian. Pembangunan infrastruktur bandara termasuk aksesnya akan mendorong pertumbuhan wilayah dan pertumbuhan ekonomi di wilayah tersebut. Tujuan penelitian ini adalah mendeteksi perubahan penggunaan lahan di wilayah Bandara Internasional Jawa Barat (BIJB) Kertajati khususnya alih fungsi lahan pertanian ke non pertanian. Metode yang diusulkan dalam penelitian ini adalah mengidentifikasi perubahan penggunaan lahan pada area kajian menggunakan data SPOT multitemporal dimana dilakukan klasifikasi perpaduan antara segmentasi objek secara digital menggunakan metode multiresolution segmentation dan penentuan kelas penggunaan lahan secara visual. Hasil penelitian menunjukkan bahwa telah terjadi penurunan luasan
69
sejak 2013 hingga 2018 di wilayah kajian yaitu dari 5.822,80 ha pada tahun 2013 menjadi 5.347,30 ha selama kurun waktu 2013-2018.
3 The use of C-band Synthetic Aperture Radar (SAR) data for rice growth phase identification
Anugrah Indah Lestari, Dony Kushardono
Jurnal IJReSES
Vol. 16 No. 1 Tahun 2019
Published No. 774/AU3/P2MI-LIPI/08/2017
Identification of the rice plant growth phase is an important step in estimating the harvest season and predicting rice production. It is undertaken to support the provision of information on national food availability. Indonesia’s high cloud coverage throughout the year means it is not possible to make optimal use of optical remote sensing satellite systems. However, the Synthetic Aperture Radar (SAR) remote sensing satellite system is a promising alternative technology for identifying the rice plant growth phase since it is not influenced by cloud cover and the weather. This study uses multi-temporal C-Band SAR satellite data for the period May–September 2016. VH and VV polarisation were observed to identify the rice plant growth phase of the Ciherang variety, which is commonly planted by farmers in West Java. Development of the rice plant growth phase model was optimized by obtaining samples spatially from a rice paddy block in PT Sang Hyang Seri, Subang, in order to acquire representative radar backscatter values from the SAR data on the age of certain rice plants. The Normalised Difference Polarisation Index (NDPI) and texture features, namely entropy, homogeneity and the Grey-Level Cooccurrence Matrix (GLCM) mean, were included as the samples. The results show that the radar backscatter value (σ0) of VH polarisation without the texture feature, with the entropy texture feature and GLCM mean texture feature respectively exhibit similar trends and demonstrate potential for use in identifying and monitoring the rice plant growth phase. The rice plant growth phase model without texture feature on VH polarisation is revealed as the most suitable model since it has the smallest average error.
4
Detection of true mangrove in Indonesia using satellite remote sensing
Nanin Anggraini, Syifa W.A, Atriyon Julzarika
Journal of Environmental Analysis and Progress
Volume 04 No. 03 Tahun 2019
Published
Mangrove existence is necessary to protect the coastal. One method that can be used to keep mangrove existence were using satellite imagery monitoring. The number of bands in the imagery led to the selection for the RGB composite bands was difficult because of many combinations to try. One technique that can be done to get the best RGB combination of an object is to use Optimum Index Factor (OIF). OIF is a statistical technique for selecting three combinations of imagery bands to visualize the image display to the fullest. It is based on the value of total variance and the correlation coefficient between the bands. Landsat 8 has seven bands with 30 m resolution, one panchromatic band with 15 m resolution, and two bands with 100 m resolution. The purpose of this study was to detect true mangrove using three bands from OIF value of Landsat 8. The results of the processing from 6 bands (2-3-4-5-6-7) obtained 20 bands combinations with the highest value of OIF is 0,168, i.e., bands 2-5-6 (Blue, NIR, SWIR-1). Based on the combination, the next step was the unsupervised classification process for true mangrove identification (Rizhopora, Brugueira, Avicennia and Soneratia). The best classification using band combination 2-3-4-5-6-7 with true mangrove reached 4.041 ha.
5
The Examination of The Satellite Image-Based Growth Curve Model Within
I Nengah Surati Jaya, M Buce Saleh, Dwi Noventasari, Nitya Ade
Jurnal Manajemen Hutan Tropika
Volume 25 No. 1 Tahun 2019
Published No. 23a/ DIKTI /Kep/2004
70
Mangrove Forest
Santi, Nanin Anggraini, Dewayany Sutrisno, Zhang Yuxing, Wang Xuenjun, Liu Qian
Developing growth curve for forest and environmental management is a crucial activity in forestry planning. This paper describes a proposed technique for developing a growth curve based on the SPOT 6 satellite imageries. The most critical step in developing a model is on pre-processing the images, particularly during performing the radiometric correction such as reducing the thin cloud. The pre-processing includes geometric correction, radiometric correction with image regression, and index calculation, while the processing technique include training area selection, growth curve development, and selection. The study found that the image regression offered good correction to the haze-distorted digital number. The corrected digital number was successfully implemented to evaluate the most accurate growth-curve for predicting mangrove. Of the four growth curve models, i.e., Standard classical, Richards, Gompertz, and Weibull models, it was found that the Richards is the most accurate model in predicting the mean annual increment and current annual increment. The study concluded that the growth curve model developed using high-resolution satellite image provides comparable accuracy compared to the terrestrial method. The model derived using remote sensing has about 9.16% standard of error, better than those from terrestrial data with 15.45% standard of error.
6
Analisis Hubungan Konstanta Atenuasi Dengan Konstituen Air Pada Perairan Pelabuhan Karimunjawa
Muhammad Ulin Nuha, Abdul Basith, Wikanti Asriningrum, Gathot Winarso, Kuncoro Teguh Kurniawan
Jurnal Nasional Elipsoida
Volume 02 No. 01 Tahun 2019
Published
Satellite-derived bathymetry (SDB) is one of the techniques in remote sensing for extraction of ocean depth by utilizing optical imagery. Spectral data from the water column is needed for SDB process. One of SDB method is an analytical method requiring field spectral data, water attenuation, and water constituents for depth estimation processes. Spectral data and attenuation were acquired by TriOS Ramses spectrometer. Water constituents are taken from filtered water samples to be tested at the laboratory. The water constituents tested were chlorophyll, CDOM, TSS, and TOM. The depth value of bathymetry extraction is strongly influenced by light penetration behavior. This is influenced by the condition of water constituents. Water constituents affect the attenuation of water. The study gives results from 4 stations of attenuation measurement having a positive correlation with chlorophyll constituents. Chlorophyll has a positive correlation with other constituents (TOM, CDOM, and TSS). From the value of water attenuation, the water classification around Karimunjawa Port are clear water of type III and 1 which have a value of (PAR) is 0.111 m-1.
71
7
Bathymetry Extraction From SPOT 7 Satellite Imagery Using Non Linear Method
Kuncoro Teguh Setiawan, Nana Suwargana, Devica Natalia Br. Ginting, Masita Dwi Mandini Manessa, Nanin Anggraini, Surahman Surahman, Syamsu Rosid, A. Harsono Supardjo
Jurnal IJReSES
Volume 16 No. 1 Tahun 2019
Published
No. 774/AU3/P2MI-LIPI/08/2017
The scope of this research is the application of the random forest method to SPOT 7 data to produce bathymetry information for shallow waters in Indonesia. The study aimed to analyze the effect of base objects in shallow marine habitats on estimating bathymetry from SPOT 7 satellite imagery. SPOT 7 satellite imagery of the shallow sea waters of Gili Matra, West Nusa Tenggara Province was used in this research. The estimation of bathymetry was carried out using two in-situ depth-data modifications, in the form of a random forest algorithm used both without and with benthic habitats (coral reefs, seagrass, macroalgae, and substrates). For bathymetry estimation from SPOT 7 data, the first modification (without benthic habitats) resulted in a 90.2% coefficient of determination (R2) and 1.57 RMSE, while the second modification (with benthic habitats) resulted in an 85.3% coefficient of determination (R2) and 2.48 RMSE. This research showed that the first modification achieved slightly better results than the second modification; thus, the benthic habitat did not significantly influence bathymetry estimation from SPOT 7 imagery.
8
Identification Of Mangrove Forests Using Multi-Resolution Satellite Imagery
Anang Dwi Purwanto dan Wikanti Asriningrum
Jurnal IJReSES
Volume 16 No. 1 Tahun 2019
Published No. 774/AU3/P2MI-LIPI/08/2017
The visual identification of mangrove forests is greatly constrained by combinations of RGB composite. This research aims to determine the best combination of RGB composite for identifyingmangrove forest in Segara Anakan, Cilacap using the Optimum Index Factor (OIF) method. The OIF method uses the standard deviation value and correlation coefficient from a combination of three image bands. The image data comprise Landsat 8 imagery acquired on 30 May 2013, Sentinel 2A imagery acquired on 18 March 2018 and images from SPOT 6 acquired on 10 January 2015. The results show that the band composites of 564 (NIR+SWIR+Red) from Landsat 8 and 8a114 (Vegetation Red Edge+SWIR+Red) from Sentinel 2A are the best RGB composites for identifying mangrove forest, in addition to those of 341 (Red+NIR+Blue) from SPOT 6. The near-infrared (NIR) and short-wave infrared (SWIR) bands play an important role in determining mangrove forests. The properties of vegetation are reflected strongly at the NIR wavelength and the SWIR band is very sensitive to evaporation and the identification of wetlands.
72
9
Deteksi Awal Habitat Perairan Laut Dangkal Menggunakan Teknik Optimum Index Factor Pada Citra Spot 7 Dan Landsat 8
Anang Dwi Purwanto dan Kuncoro Teguh Setiawan
Jurnal Enggano
Volume 4, No. 2 Tahun 2019
Published
Informasi keberadaan habitat perairan laut dangkal semakin dibutuhkan terutama dalam kegiatan pelestarian lingkungan dan monitoring di wilayah pesisir. Komponen penyusun ekosistem habitat dasar perairan laut dangkal di antaranya terumbu karang dan lamun dimana lokasi keberadaan obyek habitat ini cenderung berdekatan. Dalam interpretasi ekosistem habitat dasar perairan laut dangkal terkendala oleh lokasi keberadaan ekosistem yang berasosiasi dengan obyek lainnya. Tujuan penelitian ini adalah menentukan kombinasi komposit kanal terbaik dalam mengidentifikasi obyek habitat dasar perairan laut dangkal di Pantai Pemuteran, Bali. Data citra satelit yang digunakan dalam penelitian ini adalah citra SPOT 7 akuisisi tanggal 11 April 2018 dan citra Landsat 8 akuisisi tanggal 14 April 2018, sedangkan data terkait informasi sebaran habitat dasar perairan laut dangkal diperoleh berdasarkan hasil survei lapangan yang telah dilakukan pada tanggal 7-13 April 2018 di Pantai Pemuteran, Bali. Data citra satelit diperoleh dari Pusat Teknologi dan Data LAPAN. Untuk menentukan kombinasi dari 3 (tiga) kanal terbaik dalam interpretasi habitat dasar perairan laut dangkal digunakan metode Optimum Index Factor (OIF) dimana metode ini menggunakan nilai standar deviasi dan koefisien korelasi dari kombinasi 3 (tiga) kanal citra yang digunakan. Hasil penelitian menunjukkan kombinasi komposit 2 (hijau), 3 (merah) dan 4 (NIR) mempunyai nilai OIF tertinggi untuk citra SPOT 7, sedangkan kombinasi komposit 2 (biru), 4 (merah) dan 6 (SWIR 1) Mempunyai nilai OIF tertinggi untuk citra Landsat 8. Interpretasi sebaran habitat dasar perairan laut dangkal dapat dilakukan secara efektif dengan menggunakan citra komposit RGB 423 untuk citra SPOT 7 dan RGB 642 untuk citra Landsat 8.
10
Pemanfaatan Data Penginderaan Jauh untuk Ekstraksi Habitat Perairan Laut Dangkal di Pantai Pemuteran, Bali, Indonesia
Anang Dwi Purwanto, Kuncoro Teguh Setiawan, Devica Natalia Br. Ginting
Jurnal Kelautan Tropis
Volume 22, No. 2 Tahun 2019
Published No.: 30/E/KPT/2018
Indonesia had a large diversity of coastal ecosystems. One part of the them is the coral reef. The concept of mapping coral reef ecosystems has been outlined in the RSNI document about the mapping of shallow marine waters. The aim of this study is to map shallow marine waters using the 1981 and 2006 lyzenga methods. The mapping was made based on three classes including coral reef, mixed seagrass and macroalgae, and substrate. The location of the study was conducted at Pemuteran Beach, Bali. The data used were Landsat 8 imagery acquisition on 14 April 2018. Stages of data processing include atmospheric correction, radiometric correction, pansharpening, masking, cropping, and water column correction and classification. Water column correction used the Lyzenga 1981 and 2006. Classification methods to distinguish objects of shallow marine waters using the unsupervised method. The results showed differences in the results of extraction of shallow marine waters information using the Lyzenga 1981 with the 2006 Lyzenga method. The extraction results with the Lyzenga 2006 method provide more detailed information in identifying the three classes of shallow marine waters.
73
11
Pemetaan Habitat Dasar Perairan Dangkal Menggunakan 1 Citra Satelit SPOT-7 di Pulau Nusa Lembongan, Bali
I Dewa Made Krisna Putra Astaman, I Wayan Gede Astawa Karang, I Gede Hendrawan, Kuncoro Teguh Setiawan
Journal of Marine and Aquatic Sciences
Accepted Nomor 21/E/KPT/2018
Shallow water habitat is one of the regions that has high dynamics and has an important role are ecologically and economically. The high dynamics of the ideal shallow water habitat is always followed by updating information so that an overview of the area is obtained in accordance with reality. Remote sensing technology is one of the technologies that can be used for mapping natural resource studies such as mapping of shallow water habitats with the satellite imagery. This study aims to map the distribution of shallow water habitats using SPOT-7 satellite imagery on Nusa Lembongan Island, Bali and test the level of accuracy. The method used true color composite and DII (Depth Invariant Index) transformation and uses the maximum likelihood classification. The classification scheme used 6 classes, namely sand, seagrass, macro algae, rubble, live coral, and dead coral. The results of this study indicate the distribution of shallow water habitat on Nusa Lembongan Island, Bali spread equally based on the level of water depth with a total area of shallow water habitat of 453.41 ha. The results of mapping accuracy test showed the overall accuracy of the DII transformation classification results is better than the composite image classification results with an overall accuracy of 75.43% and a kappa coefficient is 0.71. So from these results can be said that used of a water column correction with the DII method can improve image accuracy in mapping shallow water habitats.
12
Pemanfaatan Citra VIIRS untuk Deteksi Asap Kebakaran Hutan dan Lahan di Indonesia
Any Zubaidah, Sayidah Sulma, Suwarsono, Indah Prasasti
Journal of Natural Resources and Environmental Management
Volume 9 No. 4 Tahun 2019
Published
The observation of smoke because of land and forest fires in some regions in Indonesia mostly use the composite image visually. This study aims to develop the detection model of forest and land fire smoke using a digital analysis, which will be faster in supporting spatial information on emergency response in monitoring forest and land fire smoke. The method used is multi-threshold method and compare it with the existing model that is by modification of method Li et al. (2015). The data used is Suomi NPP-VIIRS satellite imagery. The results concluded that the VIIRS image can be used to detect the smoke and smoke distribution of forest fire and digital smoke. The multi-threshold model uses reflectance data obtained from the M4 visible channel, and the brightness temperature data obtained from the LWIR VIIRS M14 channel, with an average accuracy of 82.2% with a Commision error of 9.8% and an Ommision error of 10%. While the model of modification Li is based only on reflectance of visible-channel data i.e. channel M1, M2, M3, and SWIR VIIRS M11 channel, which has an average accuracy of 72.3% with a Commision error of 0.3% and an Ommision error of 27.4%. The multi-threshold model is a model that has the potential to be applied to detect forest and land fire smoke.
13
Deteksi Tumpahan Minyak menggunakan Metode Adaptive Threshold dan
Sayidah Sulma, Khalifah I.N.R., Nur Febrianti, Jansen S.
Majalah Globe
Volume 21 No.1 Tahun 2019
Published 30/E/KPT/2018
74
Analisis Tekstur pada Data SAR
Metode untuk deteksi tumpahan minyak menggunakan data SAR telah berkembang dari metode manual hingga metode otomatis. Penelitian ini bertujuan untuk membandingkan metode analisis tekstur dan adaptive threshold untuk deteksi tumpahan minyak menggunakan citra SAR Sentinel 1. Wilayah kajian meliputi perairan utara Bintan yang hampir rutin terjadi kasus tumpahan minyak khususnya pada musim barat/utara, serta perairan Teluk Balikpapan yang mengalami kejadian tumpahan minyak yang cukup besar pada akhir Maret 2018. Tahap awal dilakukan koreksi data meliputi koreksi atau kalibrasi radiometrik, filtering dan land masking. Tahap selanjutnya adalah deteksi dark spot yang dilakukan menggunakan dua pendekatan dan dibandingkan metode yang memberikan hasil terbaik. Metode pertama adalah analisis tekstur menggunakan Grey Level co-occurrence matrix (GLCM) dengan perhitungan homogenity, entropi dan Angular Second Moment (ASM), kemudian dilakukan klasifikasi menggunakan Maximum Likelihood, sedangkan pendekatan kedua adalah menggunakan adaptive threshold. Hasil kajian menunjukkan bahwa metode tekstur analisis GLCM dan adaptive threshold pada citra SAR Sentinel 1 memberikan hasil yang cukup baik untuk area tumpahan minyak yang cukup tebal. Namun untuk area tumpahan minyak yang tipis atau pada wilayah pencampuran air, metode adaptive threshold memberikan hasil yang lebih baik. Modifikasi berupa masking kapal (atau objek dengan backscatter tinggi) sebelum diterapkan metode adaptive threshold dapat mengurangi kesalahan seperti terdeteksinya objek minyak di sekitar kapal.
14
Pengaruh Tinggi Muka Air Gambut Sebagai Indikator Peringatan Dini Bahaya Kebakaran Di Sungai Jangkang - Sungai Liong
Nur Febrianti, Kukuh Murtilaksono, Baba Barus
Jurnal Inderaja
Volume 21 No.1 Tahun 2019
Published No. 21/E/KPT/2018
Disasters of forest and land fires are increasingly concerned. The nature of peat soil which is easy to lose water and high organic matter content causes peat soils to be very sensitive to fire. Therefore it is necessary to know indicators for early warning of fires on peatlands. The purpose of this study is to determine the critical groundwater level (GWL) as an indicator of peatland fires on the Jangkang River - Sungai Liong. Determination of the critical point of peatland fires as a fire early warning is done by calculating the difference from the value of the undefined TMA with a range of possible errors. The TMA value is obtained from the estimation of several methods, namely data on the physical properties of the soil, the drought index, and a combination of both. The TMA estimation of the physical properties of the soil has a range of fires at depths of 74.3 - 107 cm. In estimating TMA using a drought index, potential fires occur in TMA ranging from 27 - 101 cm. While the combined estimates of the physical properties of the soil and the drought index ranged from 66.8 - 98.8 cm the occurrence of fires on peatland. The results of this study show that the estimated TMA from a combination of field data and drought index provides fairly good accuracy. Thus TMA can be an early warning indicator of the danger of peatland fires. This TMA estimation can give faster results and pretty good accuracy. But this estimation model for TMA does not necessarily apply directly to other research locations. The critical point of peat soil water depth ranges from 27 to 74 cm. The depth of the peatland surface should be maintained less than the critical point, if not then the potential for peatland fires will increase.
15
Detecting Deformation Due To The 2018 Merapi Volcano
Suwarsono Suwarsono, Indah Prasasti, Jalu Tejo
IJReSES
Vol 16, No 1. Tahun 2019
Published No. 774/AU3/P2MI-LIPI/08/2017
75
Eruption Using Interferometric Synthetic Aperture Radar (INSAR) From Sentinel-1 TOPS
Nugroho, Jansen Sitorus, Rahmat Arief, Khalifah Insan Nur Rahmi, Djoko Triyono
This paper describes the application of Sentinel-1 TOPS (Terrain Observation with Progressive Scans), the latest generation of SAR satellite imagery, to detect displacement of the Merapi volcano due to the May–June 2018 eruption. Deformation was detected by measuring the vertical displacement of the surface topography around the eruption centre. The Interferometric Synthetic Aperture Radar (InSAR) technique was used to measure the vertical displacement. Furthermore, several Landsat-8 Thermal Infra Red Sensor (TIRS) imageries were used to confirm that the displacement was generated by the volcanic eruption. The increasing temperature of the crater was the main parameter derived using the Landsat-8 TIRS, in order to determine the increase in volcanic activity. To understand this phenomenon, we used Landsat-8 TIRS acquisition dates before, during and after the eruption. The results show that the eruption in the May–June 2018 period led to a small negative vertical displacement. This vertical displacement occurred in the peak of volcano range from - 0.260 to -0.063 m. The crater, centre of eruption and upper slope of the volcano experienced negative vertical displacement. The results of the analysis from Landsat-8 TIRS in the form of an increase in temperature during the 2018 eruption confirmed that the displacement detected by Sentinel-1 TOPS SAR was due to the impact of volcanic activity. Based on the results of this analysis, it can be seen that the integration of SAR and thermal optical data can be very useful in understanding whether deformation is certain to have been caused by volcanic activity.
16
Identifikasi Kawasan Pertambangan Timah Menggunakan Data Satelit Sentinel-1 dengan Metode Object Based Image Analysis
Udhi Catur Nugroho, Dony Kushardono, Esthi Kurnia Dewi
Jurnal Ilmu Lingkungan
Volume 17 Issue 1 Tahun 2019
Published SK No. 48a / KPT / 2017
Berdasarkan data Pendapatan Nasional Indonesia 2017, sektor pertambangan dan penggalian mempunyai peran penting bagi Indonesia. Sektor ini menyumbangkan 7,57% pada produk domestik bruto Indonesia di tahun 2017 . Salah satu sektor pertambangan yang potensial di Indonesia adalah pertambangan mineral Timah di Pulau Bangka dan Belitung. Namun kegiatan pertambangan ini banyak menimbulkan dampak negatif dari sisi lingkungan. Salah satu upaya awal untuk menanggulangi dampak negatif terhadap lingkungan adalah melakukan identifikasi kawasan pertambangan timah secara spasial. Teknologi yang dapat membantu untuk hal ini salah satunya adalah teknologi penginderaan jauh radar. Penelitian ini menggunakan data satelit radar sentinel-1 yang diluncurkan oleh European Space Agency (ESA). Tujuan penelitian ini adalah pemanfaatan data radar Sentinel-1 untuk identifikasi kawasan pertambangan menggunakan metode Object-Base Image Analysis (OBIA). Data sentinel-1 disegmentasi menggunakan algorithma multiresolution segmentation kemudian di klasifikasi menggunakan algorithma nearest neighbor. Masukan data yang digunakan untuk proses klasifikasi dibuat menjadi dua variasi, yang pertama adalah data standar deviasi, mean, dan brightness pada masing – masing segmen di tiap band, kemudian variasi kedua adalah penambahan data tekstur berupa nilai grey level coocurance matrix (GLCM). Hasil klasifikasi menunjukan bahwa masukan data yang menggunakan data tekstur GLCM mempunyai akurasi lebih tinggi dibandingkan dengan yang tanpa data tekstur GLCM. Secara statisktik Hasil klasifikasi dengan
76
type satu menunjukan bahwa total akurasi nya adalah sebesar 89,0 %, dengan nilai kappa sebesar 0,48 sedangkan untuk type dua menunjukan bahwa total akurasinya adalah 89,3%, dengan kappa sebesar 0,50. Hasil klasifikasi kawasan pertambangan dapat digunakan sebagai masukan awal dalam rangka identifikasi spasial kerusakan lingkungan akibat aktivitas pertambangan.
17
Karakteristik Pola Spektral pada Lahan Tambang Timah
Nanik Suryo H, Hana Listi F., Iskandar Effendy
Majalah Globe
Volume 21 No.1 Tahun 2019
Published 30/E/KPT/2018
Rote Island is one of the islands in southern of Indonesia. This region experiences very high geological and geodynamic processes. This is evidenced by the abundance of seabed rising, and there is a dead sea lake area that has a higher salinity than the sea. Biodiversity on Rote Island has endemic and unique flora and fauna. This study aims to create an integrated system of inland waters resources on Rote Island with a multidisciplinary approach. Inland water resources on Rote Island number more than 80 lakes and ponds. An inland water resource on Rote Island is a saltwater environment. The extraction of geobiophysical information on inland water resources is needed by studying various aspects of multidisciplinary. The aspects studied are limnology, water quality, conservation of forest resources, geology, geodynamics, water resources, geodesy and geomatics engineering. All geobiophysical information needs to be integrated into an integration system. This is useful for efficiency and effectiveness in the utilization of data and information. This integration system (geovisualization) is in the form of WebGIS and storytelling maps. This integration system is dynamic so it can update its latest spatial information. This integration system can be used to promote Rote island tourism. This integration system can be accessed via the website geopark4rote.com. This integration system can be applied in other regions so reached one map policy and a system for inland water resources will be realized in Indonesia
18
Study of aquatic plants and ecological- physics Tempe Lake, Sulawesi Selatan
Media Fitri Isma Nugraha, Atriyon Julzarika, Alias Radjamuddin, Reflinur Reflinur, Rossa Yunita, Wening Enggarini, Hessy Novita
Journal of fisheries and marine science
Volume 2 Nomor 2, Tahun 2019.
Published 10/E/KPT/2019
Aquatic plants are an indicator of the fertility of an aquatic region. The waters of Lake Tempe are the largest waters of the lake area in South Sulawesi. Lake Tempe is located in the western part of Wajo District, precisely in Tempe District, about 7 km from Sengkang City towards the banks of the Walanae River in southern Sulawesi. The area is about 13,000 ha with a maximum depth of 5.5 m and can reach more than 30,000 ha during floods, and during the dry season, the inundation area reaches only 1,000 ha with a maximum depth of 1 m, located above the continental and Australian and Asian plates. This lake is one of the tectonic lakes in Indonesia. Every year silting the lake occurs. The Tempe hydro vegetation and eco-physical research were carried out in October 2017. The purpose of this study was to record aquatic plant species that live in Tempe Lake and observe ecological changes and physical properties of Lake Tempe. Aquatic plants are expected to be able to filter lake water. The results obtained are physical conditions of sharp-smelling water, unpleasant taste, dark brown, and cloudy color. Chemical indicators of NH3-N waters (0.2976-0.0634), PO4-P (0.0172- 0.0844) NO2-N (undetectable), NO3-N (1.7131-1.9335), Sulphate (27.761900 - 37.047620), DO (6.88-7.18) and pH (7.88-8.02). There are 14 species of aquatic plants found in these waters. The
77
most dominant species is water hyacinth. In the case of Tempe lake water vegetation results in siltation of the lake area.
19
Identification Of Aquatic Plant Species From Bantimurung Waterfall And Their Phytochemical Compounds Analysis
Media Fitri Isma Nugraha, Fasya Hadaina Maharani, Hessy Novita, Muh Alias L Rajamuddin, Rossa Yunita, Reflinur Reflinur, Wening Enggarini, Atriyon Julzarika, Berna Elya Elya
Annales Bogorienses
Volume 23, No 1 Tahun 2019
Published 21/E/KPT/2018
A total of 21 aquatic plant species were collected from Bantimurung waterfall areas, South Sulawesi, Indonesia, in October 2017. These plant materials were subjected to both species and phytochemicals identification. The aims of this study were to determine the species or taxonomic rank of Indonesian aquatic plants collected from Bantimurung waterfall, South Sulawesi, Indonesia and to identify their chemical compounds (phytochemicals) as a candidate for new herbal medicine. Plant genetic materials used in this study were collected from Bantimurung Bulusaraung waterfall and were then identified based on standard botanical techniques for species identification in the Herbarium Bogoriense, Research center for Biology Indonesian Institute of Science (LIPI), Cibinong, West Java. The samples were subjected to the phytochemistry screening such as alkaloids, flavonoids, tannins, saponins, glycosides, terpenoids and anthraquinone followed the procedures of Indonesian Materia Medika and Harborne. Results showed that all collected aquatic plant samples were able to be identified, including their species names. Phytochemical screening of each sample revealed the presence of glycoside in all of the tested species. However, no alkaloids, anthraquinones, and terpenoids were observed in those tested plant samples. Of the total 21 aquatic plants, 14 species contained flavonoids, 8 species contained phenol compound, and 10 species contained saponins. Among these species Donnax canniformis possessed good antioxidant activity, which correlated to its total phenolic and flavonoid contents. Our results would be beneficial for any future effort in the
development of new herbal drugs derived from aquatic plants.
20
Identifikasi Ketersediaan Ruang Terbuka Hijau Kecamatan Kramat Jati Kodya Jakarta Timur Menggunakan Citra Pleiades
Mukhoriyah Mukhoriyah, Nurwita Mustika Sari, Maya Sharika, Lidya Nur Hanifati
Jurnal Planologi
Vol 16, No 2 Tahun 2019
Published No. SK: 3/E/KPT/2019
78
Perkembangan kota-kota besar di Indonesia khususnya Kota Jakarta yang berkembang dengan sangat pesat ditandai perkembangan pembangunan fisik yang cepat, Sehingga mempengaruhi semakin meningkatnya jumlah penduduk dan pemanfaatan lahan yang mengakibatkan berkurangnya jumlah tutupan vegetasi. Permasalahan utama keberadaan Ruang Terbuka Hijau (RTH) di Kota Jakarta adalah semakin berkurangnya/keterbatasan lahan dan ketidak konsisten dalam menerapkan tata ruang. Berkurangnya RTH disebabkan oleh perubahan penggunaan lahan yang relatif signifikan sehingga RTH Jakarta belum memenuhi target 30% dari total luas wilayahnya terutama di Kecamatan Kramatjati. Tujuan dari penelitian ini adalah untuk menghitung kebutuhan RTH dalam satu lingkup kecamatan. Metode yang digunakan adalah pengolahan data awal (koreksi radiometrik, pansharpen, mozaik, cropping) dan perhitungan nilai kerapatan vegetasi berdasarkan Normalized Defference Vegetation Indeks (NDVI). Berdasarkan hasil perhitungan NDVI dengan menggunakan data Citra Pleiades Tahun 2015, bahwa di Kecamatan Kramat Jati terdapat 225,17 ha merupakan daerah vegetasi, sedangkan 918,93 ha adalah daerah non vegetasi. Hasil perhitungan tersebut kemudian di bagi dalam tingkat kerapatan yaitu kerapatan jarang sebesar 48.595 ha, kerapatan menengah sebesar 34.446 ha, dan kerapatan tinggi sebesar 160.609 ha. Kesimpulan yang diperoleh adalah RTH di Kecamatan Kramat Jati direncanakan seluas 12,38 % dari seluruh wilayah Kramat Jati. Namun, berdasarkan hasil NDVI, RTH di Kramatjati sudah mencapai 19,68% dari seluruh luas kecamatan dan dari segi kuantitas, maka jumlah RTH telah terpenuhi.
21
Teknik Identifikasi Saluran Irigasi pada Citra Satelit Resolusi Tinggi dengan Penggabungan Komposit RGB, Indeks Saluran, dan Interpretasi Visual
Bambang Trisakti, Udhi Catur Nugroho, Hanhan Ahmad Sofiyuddin, Naufal Syauqi
Jurnal Irigasi
Vol 14, No 2 Tahun 2019
Published No. 21/E/KPT/2018
Salah satu program penting untuk mendukung program nasional ketahanan pangan adalah pembangunan dan rehabilitasi infrastruktur jaringan irigasi yang mengalami kerusakan. Data spasial mengenai lokasi jaringan irigasi yang ada saat ini menjadi informasi yang sangat penting untuk kebijakan perluasan daerah irigasi dan pemantauan kerusakan infrastruktur jaringan irigasi. Citra satelit resolusi spasial tinggi seperti SPOT 7 dan Pleiades mampu memperlihatkan secara visual objek-objek permukaan bumi, seperti jalan, sungai dan juga saluran irigasi. Penelitian dilakukan untuk mengembangkan teknik identifikasi saluran irigasi dengan menggunakan citra resolusi tinggi. Teknik identifikasi dilakukan dengan menggabungkan antara citra komposit RGB dengan warna semu, indeks saluran, dan interpretasi visual dengan mengenali karakteristik saluran irigasi. Pembuatan komposit RGB dan indeks saluran dilakukan berdasarkan perbedaan pola spektral dari saluran irigasi dengan pola spektral dari beberapa objek yang mirip. Citra komposit RGB dikombinasikan dengan indeks saluran dapat memperjelas dan memisahkan saluran irigasi dari objek sekitarnya, walaupun dengan kendala terkait lebar saluran dan bayangan tanaman. Teknik intepretasi citra dapat lebih memastikan ketepatan identifikasi dan membedakan saluran irigasi dengan bayangan tanaman. Citra SPOT 6/7 dapat dimanfaatkan untuk identifikasi saluran dengan lebar lebih dari 4 m, dan citra Pleaides untuk saluran kurang dari 4 m. Akurasi total hasil identifikasi saluran irigasi menggunakan citra Pleaides adalah berkisar 82%.
22
Informasi Sebaran Titik Panas Berbasis WebGIS untuk Pemantauan Kebakaran Hutan dan
Taufik Hidayat, Muhammad Priyatna, Ahmad Sutanto, Aby Alkhudri,
Jurnal Teknologi Lingkungan
Vol 20, No 1 Tahun 2019
Published No 21/E/KPT/2018
79
Lahan di Indonesia
Rokhis Khomarudin
Pusat Pemanfaatan Pengideraan Jauh-LAPAN telah menghasilkan informasi sebaran titik panas. Ketersediaan informasi pemantauan sebaran titik panas terkini yang cepat, tepat dan akurat dapat meningkatkan pemanfaatan penginderaan jauh untuk mendukung pengelolaan sumber daya kehutanan dan membangun sistem pemantauan yang akuntabel dan dapat menjadi acuan dalam penyelenggaraan kegiatan pengendalian kebakaran hutan dan lahan sekaligus ikut serta dalam pengelolaan, menjaga keselamatan serta kelestarian sumber daya alam Indonesia yang berkelanjutan. Mengingat pentingnya informasi dan komunikasi dalam penanggulangan krisis akibat bencana, maka upaya memudahkan pelaksanaan penyebarluasan informasi sebaran titik panas masyarakat luas dengan baik perlu diwujudkan. Salah satu pengaplikasiannya adalah dengan mengembangkan sistem diseminasi berbasis Web Sistem Informasi Geografis dengan aplikasi Geonode. Metode yang digunakan dalam penelitian ini adalah purwarupa dengan teknologi terbuka. Geonode dapat mengintegrasikan informasi tersebut dalam layer-layer sistem pemetaan web dan internet. Geonode merupakan sebuah sistem geoportal opensource gabungan antaran framework Django dan bahasa pemograman Python yang mampu menyajikan visualisasi spasial dinamis secara interaktif dan terhubung ke jaringan informasi elektronik lainnya. Sistem diseminasi ini dapat dipakai untuk pengambilan keputusan dalam persiapan perencanaan, pembangunan, pengawasan, dan respon terhadap keadaan darurat bencana kebakaran hutan dan lahan di Indonesia, serta sebagai referensi dibidang teknologi inovatif dan penerapan informasi Geopasial.
IKU 3 : Jumlah publikasi internasional yang terindeks dibidang pemanfaatan
penginderaan jauh
Tahun 2019, Peneliti-peneliti Pusfatja telah berhasil menerbitkan karya ilmiah
internasional terindeks, pada jurnal internasional terindeks dan pada media publikasi
lainnya seperti prosiding internasional terindeks. Publikasi internasional terindeks di
bidang pemanfaatan penginderaan jauh mencapai mencapai 11 makalah atau 220% dari
target 5 publikasi ilmiah terindeks (Tabel 3.9). Publikasi ilmiah pada Jurnal internasional
terindeks yang dipublikasikan merupakan hasil kegiatan penelitian tahun 2019. Tabel
3.10 menunjukkan perbandingan capaian IKU 3 dengan tahun sebelumnya. Publikasi
internasional yang telah diterbitkan pada publikasi internasional terindeks (Tabel 3.11).
Tabel 3.10 Capaian Sasaran Strategis 2 dan Target IKU 3 PUFATJA Tahun 2019
Indikator Kinerja Target Realisasi Capaian
IKU 3 : Jumlah publikasi internasional yang terindeks dibidang pemanfaatan penginderaan jauh.
5 11 220%
Tabel 3.11 Perbandingan Capaian IKU 3 dengan Tahun Sebelumnya
IKU 3 2015 2016 2017 2018 2019 Target Renstra
2019 Realisasi Realisasi Realisasi Realsasi Target Realisasi Capaian
80
Jumlah publikasi internasional yang terindeks dibidang pemanfaatan penginderaan jauh
4 10 5 6 5 11 220% 5
Tabel 3. 12 Daftar makalah publikasi Internasional yang diterbitkan tahun 2019
No JUDUL PUBLIKASI NAMA PENELITI
NAMA JURNAL ILMIAH INTERNASIONAL
VOLUME/ TAHUN
KETERANGAN (Accepted/Published)
1
Detection and Validation of Tropical Peatland Flaming and Smouldering Using Landsat-8 SWIR and TIRS Bands.
Parwati Sofan, David Bruce, Eriita Jones and Jackie Marsden
Remote Sens 2019, 11, 465
Published
A Tropical Peatland Combustion Algorithm (ToPeCAl) was first established from Landsat-8 images acquired in 2015, which were used to detect peatland combustion in flaming and smouldering stages. Detection of smouldering combustion from space remains a challenge due to its low temperature and generally small spatial extent. The ToPeCAl consists of the Shortwave Infrared Combustion Index based on reflectance (SICIρ), and Top of Atmosphere (TOA) reflectance in Shortwave Infrared band-7 (SWIR-2), TOA brightness temperature of Thermal Infrared band-10 (TIR-1), and TOA reflectance of band-1, the Landsat-8 aerosol band. The implementation of ToPeCAl was then validated using terrestrial and aerial images (helicopter and drone) collected during fieldwork in Central Kalimantan, Indonesia in the 2018 fire season, on the same day as Landsat-8 overpasses. The overall accuracy of ToPeCAl was found to be 82% with omission errors in a small area (less than 30 m × 30 m) from mixtures of smouldering and vegetation pixels, and commission errors (with minimum area of 30 m x 30 m) on high reflective building rooftops in urban areas. These errors were further reduced by masking and removing urban areas prior to analysis using landuse Geographic Information System (GIS) data; improving the overall mapping accuracy to 93%. For comparison, the day and night-time VIIRS (375 m) active fire product (VNP14IMG) was utilised, obtaining a lower probability of fire detection of 71% compared to ground truth, and 57–72% agreement in a buffer distance of 375 m to 1500 m when compared to the Landsat-8 ToPeCAl results. The night-time data of VNP14IMG was found to have a better correspondence with ToPeCAl results from Landsat 8 than day-time data. This finding could lead to a potential merger of ToPeCAl with VNP14IMG to fill the temporal gaps of peatland fire information when using Landsat. However, the VNP14IMG product exhibited overestimation compared with the results of ToPeCAl applied to Landsat-8.
2
Fire Frequency and Related Land-Use and Land-Cover Changes in Indonesia’s Peatlands
Yenni Vetrita, Mark A. Cochrane
MDPI
Volume 12 Issue 1 10.3390/rs12010005
Published
Indonesia’s converted peatland areas have a well-established fire problem, but limited studies have examined the frequency with which they are burning. Here, we quantify fire frequency in Indonesia’s two largest peatland regions, Sumatra and Kalimantan, during 2001–2018. We report, annual areas burned, total peatland area affected by fires, amount of recurrent burning and associations with land-use and land-cover (LULC) change. We based these analyses on Moderate Resolution Imaging Spectroradiometer (MODIS) Terra/Aqua combined burned area and three Landsat-derived LULC maps (1990, 2007, and 2015) and explored relationships between burning and land-cover types. Cumulative areas burned
81
amounted nearly half of the surface areas of Sumatra and Kalimantan but were concentrated in only ~25% of the land areas. Although peatlands cover only 13% of Sumatra and Kalimantan, annual percentage of area burning in these areas was almost five times greater than in non-peatlands (2.8% vs. 0.6%) from 2001 to 2018. Recurrent burning was more prominent in Kalimantan than Sumatra. Average fire-return intervals (FRI) in peatlands of both regions were short, 28 and 45 years for Kalimantan and Sumatra, respectively. On average, forest FRI were less than 50 years. In non-forest areas, Kalimantan had shorter average FRI than Sumatra (13 years vs. 40 years), with ferns/low shrub areas burning most frequently. Our findings highlight the significant influence of LULC change in altering fire regimes. If prevalent rates of burning in Indonesia’s peatlands are not greatly reduced, peat swamp forest will disappear from Sumatra and Kalimantan in the coming decades.
3
Algorithm for Detecting Deforestation and Forest Degradation using Vegetation Indices
M. Buce Saleh, I Nengah Surati Jaya, Nitya Ade Santi, Dewayany Sutrisno, Ita Carolita, Zhang Yuxing, Wang Xuejun, Liu Qian
TELKOMNIKA
Vol.17, No.5, October 2019
Published
In forestry sector, the remote sensing technology hold a key role on forest inventory and monitoring their changes. This paper describes the algorithm for detecting deforestation and forest degradation using high resolution satellite imageries with knowledge-based approach. The main objective of the study is to develop a practical technique for monitoring deforestation and forest degradation occurred within the mangrove and swamp forest ecosystem. The SPOT 4, 5, and 6 images acquired in 2007, 2012 and 2014 were transformed into three vegetation indices, i.e., Normalized Difference Vegetation Index (NDVI), Green-Normalized Difference Vegetation index (GNDVI) and Normalized Green-Red Vegetation index (NRGI). The study found that deforestation was well detected and identified using the NDVI and GNDVI, however the forest degradation could be well detected using NRGI, better than NDVI and GNDVI. The study concludes that the strategy for monitoring deforestation, biomass-based forest degradation as well as forest growth could be done by combining the use of NDVI, GNDVI and NRGI respectively.
4
Improving the accuracy and reliability of land use/land cover simulation by the integration of Markov cellular automata and landform-based models __ a case study in the upstream Citarum watershed, West Java, Indonesia
Fajar Yulianto, Suwarsono, Sayidah Sulma
JOURNAL OF DEGRADED AND MINING LANDS MANAGEMENT
Volume 6, Number 2 (January 2019):1675-1696
Published
Land use/land cover (LULC) is one of the important variables affecting human life and the physical environment. Modelling of change in LULC is an important tool for environmental management and for supporting spatial planning in environmentally important areas. In this study, a new approach was proposed to improve the accuracy and reliability of LULC simulation by integrating Markov cellular automata (Markov-CA) and landform-based models. Landform characteristics, positions and patterns influence LULC changes
82
that are important in understanding the effects of environmental change and other physical factors. The results of this study showed that integration of Markov-CA and landform-based models increased correct rejection as a component of agreement and reduced incorrect hits and false alarms as components of disagreement for the percentage of the study area in each resolution (multiple of native pixel size). Correctly simulated hits as a component of agreement change also increased, even though nine of the 18 pairs of three-map comparisons showed a decline in this aspect. Meanwhile, misses as a component of disagreement change simulated as persistence also increased, although six of the 18 pairs of data showed a decline. Based on the overall three-map comparison analysis, there was an increase in the figure of merit (FOM) values after the Markov-CA and landform-based models were integrated, although six of the 18 pairs of data indicated a decrease in FOM values. This indicates improved results after integration of Markov-CA and landform-based models.
5
Land changes detection on Rote Island using harmonic modelling Method
Atriyon Julzarika, Nanin Anggraini, Kayat, Mutiaraning Pertiwi
JOURNAL OF DEGRADED AND MINING LANDS MANAGEMENT
Vol 6, No 3 (2019)
Published
Rote Island is one of the islands in East Nusa Tenggara. In this island, land changes occur significantly. This land changes can be detected by Landsat images. These images are obtained from the big data engine. The big data engine used is the Google Earth Engine. This study aimed to detect land changes with harmonic modelling using multitemporal Landsat images from the big data engine. Harmonic modelling is used in monitoring changes in Normalized Difference Vegetation Index values in a multitemporal manner from Landsat images. Processing is done using the Geomatics approach. Land changes on Rote Island generally occur on coastal and savanna. Land changes on land generally have vertical deformation on its movement and horizontal on the savanna. The land changes accuracy result is 95% in 1,96σ. This method can be used for rapid mapping of land changes monitoring.
6
The dynamics of shoreline change analysis based on the integration of remote sensing and geographic information system (GIS) techniques in Pekalongan coastal area, Central Java, Indonesia
Fajar Yulianto, Suwarsono, Taufik Maulana, and Muhammad Rokhis Khomarudin
Journal of Degraded and Mining Lands Management
Vol 6, No 3 (2019)
Published
Coastal areas are found in the dynamic zone at the interface between the three major natural systems of the Earth's surface. The phenomenon of shoreline change is one of the most frequent problems encountered in the coastal environment and is caused by natural processes that result in dynamic changes in the coastal area. Coastal area change can affect the vulnerability of the coastal environment and its properties, such as shoreline stabilization, flood control, sediment retention, natural protection and others. The method of integrating remote sensing data with geographic information system (GIS) techniques has been widely used to monitor and analyze the dynamics of shoreline change in coastal areas. The purpose of this study is to map and analyze the dynamics of shoreline change from 1978 to 2017 in the study area. An approach combining spectral value index and visual interpretation of Landsat images was used and proposed to indicate the separation of land and water bodies, for shoreline extraction. The normalized difference water index (NDWI) can be used as a spectral value index approach for differentiating land and water bodies. Furthermore, the analysis of shoreline changes was performed using the digital shoreline analysis system (DSAS). Based on calculations made using DSAS, it can be seen that the pattern of coastline change tends to be dominated by offshore erosion. The results of this study may also be important as input data for coastal hazard assessment as part of the effort to overcome the problem of flood tides
83
7
Analysis of the dynamics of coastal landform change based on the integration of remote sensing and GIS technique: implications for tidal flooding impact in Pekalongan, Central Java, Indonesia
Fajar Yulianto, Suwarsono, Taufik Maulana, M. Rokhis Khomarudin.
Quaestiones Geographicae
2019, Volume 38: Issue 3
Published
Coastal landforms are located in the interface zone between atmosphere, ocean and land surface systems formed by the geomorphic process of erosion, depositional, and subsidence. Studying the dynamics of coastal landform change is important for tracing the relationship between coastal landform changes and tidal flooding in the coastal areas of Pekalongan, Indonesia. The method of integrating remote sensing data with geographic information system (GIS) techniques has been widely used to monitor and analyze the dynamics of morphology change in coastal landform areas. The purpose of this study is to map the dynamics of landform change in the study area from 1978 to 2017 and to analyze its implications for the impact of tidal flooding. The results of the mapping and change analysis associated with coastal landforms can be classified into four landform types: beach, beach ridge, backswamp and alluvial plain. Changes in coastal morphology and landform topography affected by land subsidence and changes in land use/ land cover have contributed to the occurrence of tidal flooding in the study area. Beach ridges perform an important role as natural levees which hold back and prevent the entry of seawater at high tide in coastal areas. A limitation of this study is that, as it focuses only on the physical aspects of coastal landform characteristics for one of the factors causing tidal flooding.
8
DEM classifications: opportunities and potential of its applications
Atriyon Julzarika, Djurdjani
Journal of Degraded and Mining Lands Management
Vol 6, No 4 (2019)
Published
Rote Island has long been known as a tourism destination, especially for its beaches and small islands which are well known surfing spots. However, many other aspects of Rote Island, such as its inland waters, left unexplored and are unknown to tourists or stakeholders. The lack of infrastructure is one of the factors causing underdevelopment in these area. This paper reports the outcome of an expedition set to uncover the uniqueness of Rote Island’s tourism potential, especially on its inland waters. The expedition involves researcher from some of Indonesian institutions related to inland waters, such as LAPAN, LIPI, PUPERA, KLHK and KKP to conduct some preliminary research on Rote Island’s saltwater lake. Mobile devices equipped with GIS software were used to obtain data during the survey. Some of the findings including the misleading toponyms found in online sources of the lakes, the biogeophysical condition of the lakes, as well as vegetations and wildlife of the area. The Rote Island Snake-necked Turtle (Chelodina Mccordi) is one of the near-extinct species which habitat needs to be identified and well-preserved, thus tourism should take into account natural preservation in the lakes and its surroundings. Based on the results we suggest that a Geopark should be initialized in and around Rote Island’s lakes. These findings are presented as a storytelling map, both to attract tourism and to emphasize the geospatial aspects of the lakes. A WebGIS is also developed to integrate data from different institutions to aide decision making. The result is geopark4rote.com, which present the storytelling map and WebGIS to be used by tourist and decision makers alike to explore the richness of Rote Island through geospatial data.
9
Integration of remote sensing, GIS and Shannon's Entropy approach to conduct trend analysis of the dynamics change in urban/built-up areas in the Upper Citarum
Fajar Yulianto, Hana Listi Fitriana, Kusumaning Ayu Diah Sukowati
Modelling Earth Systems and Environment
Published
84
River Basis, West Java, Indonesia
Spatial demand will increase when the population growth in an area. For sufficient space will occupy the surrounding land (periphery). This condition is known as urban sprawl. Urban sprawl is a complex phenomenon, as it affects social life and becomes a serious environmental problem. Environmental problems that occur because of the change in the land function of agriculture and forests into residential areas and commercial purposes. This study aims to conduct trend analysis of the spatial and temporal dynamics of urban/built-up areas during the periods 1990–2016. Integration of remote sensing, GIS, and Shannon’s entropy statistical approach was used to obtain information regarding dynamics change in the areas. The results of the trend entropy value analysis show that urban/built-up development is tending to spread, with increases in entropy values based on the region’s urban/built-up sub-watershed areas during the 1990–2016 periods of 1.464 and 1.597, respectively. Meanwhile, based on the radial distance from Bandung city, these are 1.511 and 1.737, respectively. The results of the relative entropy are equal to 0.151 in 1990, with an increase to 0.156 in 2016, based on the region’s urban/built-up area of the sub-watershed. Meanwhile, based on the radial distance from Bandung city, the values were 0.156 in 1990 and 0.170 in 2016. This study can be used as important benchmarks for planners, policymakers, and researchers regarding spatial planning in the study area. The results could also provide important inputs for sustainable land use plans and strategies to reduce disasters and flood hazards, as well as flood disaster vulnerability analysis of residential areas.
10
Expedition Oe: A Visual-Storytelling Map on Rote Island’s Lakes
Dany Laksono, Atriyon Julzarika, Luki Subehi, Hanhan A. Sofiyuddin4,Esthi K. Dewi, Kayat , Media Fitri Isma N.
Journal of Geospatial Information Science and Engineering
Vol 1, No 2
Published
Rote Island has long been known as a tourism destination, especially for its beaches and small islands which are well known surfing spots. However, many other aspects of Rote Island, such as its inland waters, left unexplored and are unknown to tourists or stakeholders. The lack of infrastructure is one of the factors causing underdevelopment in these area. This paper reports the outcome of an expedition set to uncover the uniqueness of Rote Island’s tourism potential, especially on its inland waters. The expedition involves researcher from some of Indonesian institutions related to inland waters, such as LAPAN, LIPI, PUPERA, KLHK and KKP to conduct some preliminary research on Rote Island’s saltwater lake. Mobile devices equipped with GIS software were used to obtain data during the survey. Some of the findings including the misleading toponyms found in online sources of the lakes, the biogeophysical condition of the lakes, as well as vegetations and wildlife of the area. The Rote Island Snake-necked Turtle (Chelodina Mccordi) is one of the near-extinct species which habitat needs to be identified and well-preserved, thus tourism should take into account natural preservation in the lakes and its surroundings. Based on the results we suggest that a Geopark should be initialized in and around Rote Island’s lakes. These findings are presented as a storytelling map, both to attract tourism and to emphasize the geospatial aspects of the lakes. A WebGIS is also developed to integrate data from different institutions to aide decision making. The result is geopark4rote.com, which present the storytelling map and WebGIS to be used by tourist and decision
makers alike to explore the richness of Rote Island through geospatial data.
11
Complex hazard cascade culminating in the Anak Krakatau sector collapse
Walter et al. Co-Authors (Rokhis KHomarudin)
Nature Communications
Nature Communications volume 10, Article number:
Published
85
4339 (2019)
Flank instability and sector collapses, which pose major threats, are common on volcanic islands. On 22 Dec 2018, a sector collapse event occurred at Anak Krakatau volcano in the Sunda Strait, triggering a deadly tsunami. Here we use multiparametric ground-based and space-borne data to show that prior to its collapse, the volcano exhibited an elevated state of activity, including precursory thermal anomalies, an increase in the island’s surface area, and a gradual seaward motion of its southwestern flank on a dipping décollement. Two minutes after a small earthquake, seismic signals characterize the collapse of the volcano’s flank at 13:55 UTC. This sector collapse decapitated the cone-shaped edifice and triggered a tsunami that caused 430 fatalities. We discuss the nature of the precursor processes underpinning the collapse that culminated in a complex hazard cascade with important implications for the early detection of potential flank instability at other volcanoes.
IKU 4 : Jumlah HKI yang diusulkan dibidang pemanfaatan penginderaan jauh
Pada tahun 2019 telah diusulkan 1 judul HKI dibidang Pemanfaatan Penginderaan
Jauh. Terkait dengan peningkatan perolehan paten dan rezim HKI lainnya, pada tahun
ini Pusfatja sudah mengusulkan 2 HKI. Tabel 3.13 menunjukkan perbandingan capaian
IKU 4 dengan tahun sebelumnya.
Tabel 3.13 Capaian Sasaran Strategis 2 dan Target IKU 4 PUFATJA Tahun 2019
Indikator Kinerja Target Realisasi Capaian
IKU 4 : Jumlah HKI yang diusulkan dibidang pemanfaatan penginderaan jauh
1 2 200%
Tabel 3.14 Perbandingan capaian IKU 4 Pusfatja dengan tahun sebelumnya
IKU 4 2015 2016 2017 2018 2019 Target Renstra
2019
Realisasi Realisasi Realisasi Realisasi Target Realisasi Capaian
Jumlah HKI yang diusulkan dibidang pemanfaatan penginderaan jauh
0 0 3
1 1 2 200% 1
86
Tabel 3.15 Daftar HKI yang disulkan Pusfatja Tahun 2019
No Judul HKI Nama Peneliti/Perekayasa
1. Metode Pemanfaatan Data Satelit Radar C-Band Menggunakan Sampel Spasial Untuk Identifikasi Fase Pertumbuhan Padi
Dr. Dony Kushardono dan Anugrah Indah Lestari, S.Si
2.
Penentuan Parameter Untuk Zona Potensi Penangkapan Ikan (ZPPI) Di Pesisir
Dr. Dra. Wikanti Asriningrum, M.Si, Anang Dwi Purwanto, S.T., M.Si, Teguh Prayogo, S.T., M.Si, Sartono Marpaung, S.Si, Rizky Faristyawan, S.Si
Sasaran Strategis 2: Meningkatnya layanan data dan informasi di bidang
pemanfaatan penginderaan jauh yang prima
Pada sasaran strategis 2 terdapat 2 IKU yakni:
IKU 5: Jumlah instansi pengguna yang memanfaatkan layanan informasi
penginderaan jauh
Pada tahun 2019 instansi pengguna (masyarakat umum, masyarakat ilmiah,
perguruan tinggi, pemerintah pusat dan daerah, serta swasta) yang telah memanfaatkan
layanan informasi penginderaan jauh sebanyak 184 instansi pengguna dari target 95
instansi pengguna. Tabel 3.18 Merupakan daftar pengguna yang memanfaatkan
informasi penginderaan jauh untuk masing-masing tema kegiatan.
Tabel 3.16 Capaian Sasaran Strategis 2 dan Target IKU 5 PUFATJA Tahun 2019
Indikator Kinerja Target Realisasi Capaian
IKU 5 : Jumlah instansi pengguna yang memanfaatkan layanan informasi penginderaan jauh
95 184 193%
Tabel 3.17 Perbandingan Capaian IKU 5 dengan Tahun Sebelumnya
IKU 5 2015 2016 2017 2018 2019 Target Renstra
2019
Realisasi Realisasi Realisasi Realisasi Target Realisasi Capaian
Jumlah instansi pengguna yang memanfaatkan
72 115 110 123 95 184 193% 95
87
layanan informasi penginderaan jauh
Tabel 3.18 Merupakan daftar pengguna yang memanfaatkan informasi penginderaan jauh
untuk masing-masing tema kegiatan
No. Tema Kegiatan Deskripsi Singkat Pengguna
1. Sosialisasi hasil
kegiatan dan bimtek
dengan RISTEK Dikti
Kegiatan Kerjasama Dengan Pemerintah Provinsi,
sosialisasi hasil kegiatan dan bimtek Penyediaan
dan pemanfaatan data satelit penginderaan jauh
untuk mendukung percepatan pembangunan
daerah
RISTEK Dikti
2. Sosialisasi hasil
kegiatan dan bimtek
dengan WWF -
Indonesia
Kegiatan Kerjasama Dengan Pemerintah Provinsi,
sosialisasi hasil kegiatan dan bimtek Penyediaan
dan pemanfaatan data satelit penginderaan jauh
untuk mendukung percepatan pembangunan
daerah
WWF - Indonesia
3. Sosialisasi hasil
kegiatan dan bimtek
dengan IPB
Kegiatan Kerjasama Dengan Pemerintah Provinsi,
sosialisasi hasil kegiatan dan bimtek Penyediaan
dan pemanfaatan data satelit penginderaan jauh
untuk mendukung percepatan pembangunan
daerah
IPB
4. Sosialisasi hasil
kegiatan dan bimtek
dengan KKP
Kegiatan Kerjasama Dengan Pemerintah Provinsi,
sosialisasi hasil kegiatan dan bimtek Penyediaan
dan pemanfaatan data satelit penginderaan jauh
untuk mendukung percepatan pembangunan
daerah
KKP
5. Sosialisasi hasil
kegiatan dan bimtek
dengan WRI - Indonesia
Kegiatan Kerjasama Dengan Pemerintah Provinsi,
sosialisasi hasil kegiatan dan bimtek Penyediaan
dan pemanfaatan data satelit penginderaan jauh
untuk mendukung percepatan pembangunan
daerah
WRI - Indonesia
6. Sosialisasi hasil
kegiatan dan bimtek
dengan MAPIN
Kegiatan Kerjasama Dengan Pemerintah Provinsi,
sosialisasi hasil kegiatan dan bimtek Penyediaan
dan pemanfaatan data satelit penginderaan jauh
untuk mendukung percepatan pembangunan
daerah
MAPIN
88
No. Tema Kegiatan Deskripsi Singkat Pengguna
7. Sosialisasi hasil
kegiatan dan bimtek
dengan KKP
Kegiatan Kerjasama Dengan Pemerintah Provinsi,
sosialisasi hasil kegiatan dan bimtek Penyediaan
dan pemanfaatan data satelit penginderaan jauh
untuk mendukung percepatan pembangunan
daerah
KKP
8. Sosialisasi hasil
kegiatan dan bimtek
dengan WWF -
Indonesia
Kegiatan Kerjasama Dengan Pemerintah Provinsi,
sosialisasi hasil kegiatan dan bimtek Penyediaan
dan pemanfaatan data satelit penginderaan jauh
untuk mendukung percepatan pembangunan
daerah
WWF - Indonesia
9. Sosialisasi hasil
kegiatan dan bimtek
dengan BPPT
Kegiatan Kerjasama Dengan Pemerintah Provinsi,
sosialisasi hasil kegiatan dan bimtek Penyediaan
dan pemanfaatan data satelit penginderaan jauh
untuk mendukung percepatan pembangunan
daerah
BPPT
10. Sosialisasi hasil
kegiatan dan bimtek
dengan Kemen Bidang
Kemaritiman
Kegiatan Kerjasama Dengan Pemerintah Provinsi,
sosialisasi hasil kegiatan dan bimtek Penyediaan
dan pemanfaatan data satelit penginderaan jauh
untuk mendukung percepatan pembangunan
daerah
Kemen Bidang
Kemaritiman
11. Sosialisasi hasil
kegiatan dan bimtek
dengan Pushidrosal
Kegiatan Kerjasama Dengan Pemerintah Provinsi,
sosialisasi hasil kegiatan dan bimtek Penyediaan
dan pemanfaatan data satelit penginderaan jauh
untuk mendukung percepatan pembangunan
daerah
Pushidrosal
12. Sosialisasi hasil
kegiatan dan bimtek
dengan BIG
Kegiatan Kerjasama Dengan Pemerintah Provinsi,
sosialisasi hasil kegiatan dan bimtek Penyediaan
dan pemanfaatan data satelit penginderaan jauh
untuk mendukung percepatan pembangunan
daerah
BIG
13. Sosialisasi hasil
kegiatan dan bimtek
dengan LIPI
Kegiatan Kerjasama Dengan Pemerintah Provinsi,
sosialisasi hasil kegiatan dan bimtek Penyediaan
dan pemanfaatan data satelit penginderaan jauh
untuk mendukung percepatan pembangunan
daerah
LIPI
14. Sosialisasi hasil
kegiatan dan bimtek
dengan ESDM
Kegiatan Kerjasama Dengan Pemerintah Provinsi,
sosialisasi hasil kegiatan dan bimtek Penyediaan
dan pemanfaatan data satelit penginderaan jauh
untuk mendukung percepatan pembangunan
daerah
ESDM
89
No. Tema Kegiatan Deskripsi Singkat Pengguna
15. Sosialisasi hasil
kegiatan dan bimtek
dengan
Kemenkokemaritiman
Kegiatan Kerjasama Dengan Pemerintah Provinsi,
sosialisasi hasil kegiatan dan bimtek Penyediaan
dan pemanfaatan data satelit penginderaan jauh
untuk mendukung percepatan pembangunan
daerah
Kemenkokemaritiman
16. Sosialisas hasil kegiatan
dan bimtek dengan
Kemenkoperekonomian
Kegiatan Kerjasama Dengan Pemerintah Provinsi,
sosialisasi hasil kegiatan dan bimtek Penyediaan
dan pemanfaatan data satelit penginderaan jauh
untuk mendukung percepatan pembangunan
daerah
Kemenkoperekono
mian
17. Sosialisas hasil kegiatan
dan bimtek dengan
BPPT
Kegiatan Kerjasama Dengan Pemerintah Provinsi,
sosialisasi hasil kegiatan dan bimtek Penyediaan
dan pemanfaatan data satelit penginderaan jauh
untuk mendukung percepatan pembangunan
daerah
BPPT
18. Sosialisas hasil kegiatan
dan bimtek dengan BRG
(Badan Restorasi
Gambut)
Kegiatan Kerjasama Dengan Pemerintah Provinsi,
sosialisasi hasil kegiatan dan bimtek Penyediaan
dan pemanfaatan data satelit penginderaan jauh
untuk mendukung percepatan pembangunan
daerah
BRG (Badan
Restorasi Gambut)
19.
Sosialisasi hasil
kegiatan dan bimtek
dengan Sekolah
Tinggi Perikanan
(STP) Jakarta
Kegiatan Kerjasama Dengan Pemerintah Provinsi,
sosialisasi hasil kegiatan dan bimtek Penyediaan
dan pemanfaatan data satelit penginderaan jauh
untuk mendukung percepatan pembangunan
daerah
Sekolah Tinggi
Perikanan (STP)
Jakarta
20. Sosialisasi hasil
kegiatan dan bimtek
dengan WRI - Indonesia
Kegiatan Kerjasama Dengan Pemerintah Provinsi,
sosialisasi hasil kegiatan dan bimtek Penyediaan
dan pemanfaatan data satelit penginderaan jauh
untuk mendukung percepatan pembangunan
daerah
WRI - Indonesia
21. Sosialisasi hasil
kegiatan dan bimtek
dengan Pushidros AL
Kegiatan Kerjasama Dengan Pemerintah Provinsi,
sosialisasi hasil kegiatan dan bimtek Penyediaan
dan pemanfaatan data satelit penginderaan jauh
untuk mendukung percepatan pembangunan
daerah
Pushidros AL
22. Sosialisasi hasil
kegiatan dan bimtek
dengan BMKG
Kegiatan Kerjasama Dengan Pemerintah Provinsi,
sosialisasi hasil kegiatan dan bimtek Penyediaan
dan pemanfaatan data satelit penginderaan jauh
BMKG
90
No. Tema Kegiatan Deskripsi Singkat Pengguna
untuk mendukung percepatan pembangunan
daerah
23. Sosialisasi hasil
kegiatan dan bimtek
dengan BRG (Badan
Restorasi Gambut)
Kegiatan Kerjasama Dengan Pemerintah Provinsi,
sosialisasi hasil kegiatan dan bimtek Penyediaan
dan pemanfaatan data satelit penginderaan jauh
untuk mendukung percepatan pembangunan
daerah
BRG (Badan
Restorasi Gambut)
24. Sosialisas hasil kegiatan
dan bimtek dengan ADB
Kegiatan Kerjasama Dengan Pemerintah Provinsi,
sosialisasi hasil kegiatan dan bimtek Penyediaan
dan pemanfaatan data satelit penginderaan jauh
untuk mendukung percepatan pembangunan
daerah
ADB
25. Sosialisasi hasil
kegiatan dan bimtek
dengan BPPT
Kegiatan Kerjasama Dengan Pemerintah Provinsi,
sosialisasi hasil kegiatan dan bimtek Penyediaan
dan pemanfaatan data satelit penginderaan jauh
untuk mendukung percepatan pembangunan
daerah
BPPT
26. Sosialisasi hasil
kegiatan dan bimtek
dengan BIG
Kegiatan Kerjasama Dengan Pemerintah Provinsi,
sosialisasi hasil kegiatan dan bimtek Penyediaan
dan pemanfaatan data satelit penginderaan jauh
untuk mendukung percepatan pembangunan
daerah
BIG
27. Sosialisasi hasil
kegiatan dan bimtek
dengan Posco Daewoo
Kegiatan Kerjasama Dengan Pemerintah Provinsi,
sosialisasi hasil kegiatan dan bimtek Penyediaan
dan pemanfaatan data satelit penginderaan jauh
untuk mendukung percepatan pembangunan
daerah
Posco Daewoo
28. Sosialisasi hasil
kegiatan dan bimtek
dengan Kejaksaan
Agung
Kegiatan Kerjasama Dengan Pemerintah Provinsi,
sosialisasi hasil kegiatan dan bimtek Penyediaan
dan pemanfaatan data satelit penginderaan jauh
untuk mendukung percepatan pembangunan
daerah
Kejaksaan Agung
29. Sosialisasi hasil
kegiatan dan bimtek
dengan BIG
Kegiatan Kerjasama Dengan Pemerintah Provinsi,
sosialisasi hasil kegiatan dan bimtek Penyediaan
dan pemanfaatan data satelit penginderaan jauh
untuk mendukung percepatan pembangunan
daerah
BIG
91
No. Tema Kegiatan Deskripsi Singkat Pengguna
30. Sosialisasi hasil
kegiatan dan bimtek
dengan BIG
Kegiatan Kerjasama Dengan Pemerintah Provinsi,
sosialisasi hasil kegiatan dan bimtek Penyediaan
dan pemanfaatan data satelit penginderaan jauh
untuk mendukung percepatan pembangunan
daerah
BIG
31. Sosialisasi hasil
kegiatan dan bimtek
dengan UNDIP
Kegiatan Kerjasama Dengan Pemerintah Provinsi,
sosialisasi hasil kegiatan dan bimtek Penyediaan
dan pemanfaatan data satelit penginderaan jauh
untuk mendukung percepatan pembangunan
daerah
UNDIP
32. Sosialisasi hasil
kegiatan dan bimtek
dengan Pemerintah
Kab. Bogor
Kegiatan Kerjasama Dengan Pemerintah Provinsi,
sosialisasi hasil kegiatan dan bimtek Penyediaan
dan pemanfaatan data satelit penginderaan jauh
untuk mendukung percepatan pembangunan
daerah
Kab. Bogor
33. Sosialisasi hasil
kegiatan dan bimtek
dengan KLHK
Kegiatan Kerjasama Dengan Pemerintah Provinsi,
sosialisasi hasil kegiatan dan bimtek Penyediaan
dan pemanfaatan data satelit penginderaan jauh
untuk mendukung percepatan pembangunan
daerah
KLHK
34. Sosialisasi hasil
kegiatan dan bimtek
dengan KKP
Kegiatan Kerjasama Dengan Pemerintah Provinsi,
sosialisasi hasil kegiatan dan bimtek Penyediaan
dan pemanfaatan data satelit penginderaan jauh
untuk mendukung percepatan pembangunan
daerah
KKP
35. Sosialisasi hasil
kegiatan dan bimtek
dengan IPB
Kegiatan Kerjasama Dengan Pemerintah Provinsi,
sosialisasi hasil kegiatan dan bimtek Penyediaan
dan pemanfaatan data satelit penginderaan jauh
untuk mendukung percepatan pembangunan
daerah
IPB
36. Sosialisasi hasil
kegiatan dan bimtek
dengan Kemenko
Perekonomian
Kegiatan Kerjasama Dengan Pemerintah Provinsi,
sosialisasi hasil kegiatan dan bimtek Penyediaan
dan pemanfaatan data satelit penginderaan jauh
untuk mendukung percepatan pembangunan
daerah
Kemenko
Perekonomian
37. bimtek Pemerintah
daerah Provinsi Jawa
Tengah
Bimbingan Teknis Pemanfaatan Data
Penginderaan Jauh
Dinas Pertanian
Ketahanan
Pangan &
Perikanan -
Klaten
Jateng
92
No. Tema Kegiatan Deskripsi Singkat Pengguna
38. bimtek Pemerintah
daerah Provinsi
Sumatera Barat
Bimbingan Teknis Pemanfaatan Data
Penginderaan Jauh
Dinas
Perumahan &
Kawasan
Permukiman -
Solok Sumbar
39. bimtek Pemerintah
daerah Provinsi
Sumatera Barat
Bimbingan Teknis Pemanfaatan Data
Penginderaan Jauh
Dinas
Lingkungan
Hidup -
Pariaman
Sumbar
40. bimtek Pemerintah
daerah Kabupaten Solok
Bimbingan Teknis Pemanfaatan Data
Penginderaan Jauh
Kab. Solok
41. bimtek Pemerintah
daerah Provinsi Jawa
Barat
Bimbingan Teknis Pemanfaatan Data
Penginderaan Jauh
Dinas Ketahanan
Pangan &
Perikanan -
Sukabumi Jabar
42. bimtek Pemerintah
daerah PemKab Rawas
Utara
Bimbingan Teknis Pemanfaatan Data
Penginderaan Jauh
Dinas Lingkungan
Hidup &
Pertanahan -
Rawas Utara
43. bimtek Pemerintah
Dinas Kehutanan
Sumsel
Bimbingan Teknis Pemanfaatan Data
Penginderaan Jauh
Sumsel
44. bimtek PDAM - Tirta Pali
Sumsel
Bimbingan Teknis Pemanfaatan Data
Penginderaan Jauh
PDAM - Tirta Pali
Sumsel
45. bimtek BIN Bimbingan Teknis Pemanfaatan Data
Penginderaan Jauh
BIN
46. bimtek Bareskrim POLRI Bimbingan Teknis Pemanfaatan Data
Penginderaan Jauh
Bareskrim POLRI
93
No. Tema Kegiatan Deskripsi Singkat Pengguna
47. bimtek PT. KAI Bimbingan Teknis Pemanfaatan Data
Penginderaan Jauh
PT. KAI
48. bimtek PT. KAI -
Bandung Jabar
Bimbingan Teknis Pemanfaatan Data
Penginderaan Jauh
PT. KAI - Bandung
Jabar
49. bimtek KLHK Bimbingan Teknis Pemanfaatan Data
Penginderaan Jauh
KLHK
50. bimtek Jejak In Bimbingan Teknis Pemanfaatan Data
Penginderaan Jauh
Jejak In
51. Koordinasi Data Inderja
untuk PASCO
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
PASCO
52. Koordinasi Data Inderja
untuk KPK
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
KPK
53. Koordinasi Data Inderja
untuk KLHK
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
KLHK
54. Koordinasi Data Inderja
untuk PASCO
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
PASCO
55. Koordinasi Data Inderja
untuk PT. KAI
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
PT. KAI
56. Koordinasi Data Inderja
untuk BPK - RI
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
BPK - RI
57. Koordinasi Data Inderja
untuk BPK - RI
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
BPK - RI
94
No. Tema Kegiatan Deskripsi Singkat Pengguna
58. Koordinasi Data Inderja
untuk Bapelitbangda
Talaud
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Bapelitbangda
Talaud
59. Koordinasi Data Inderja
untuk PT. Marlin
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
PT. Marlin
60. Koordinasi Data Inderja
untuk KMTG (Keluarga
Mahasiswa Teknik
Geodesi) UGM
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
KMTG (Keluarga
Mahasiswa Teknik
Geodesi) UGM
61. Koordinasi Data Inderja
untuk DPRD Kab. Wajo
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
DPRD Kab. Wajo
62. Koordinasi Data Inderja
untuk KLHK
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
KLHK
63. Koordinasi Data Inderja
untuk IPB
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
IPB
64. Koordinasi Data Inderja
untuk ITB
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
ITB
65. Koordinasi Data Inderja
untuk University of
Tokyo
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
University of Tokyo
66. Koordinasi Data Inderja
untuk ITENAS
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
ITENAS
67. Koordinasi Data Inderja
untuk Anggota DPR
Kab. Penajam Paser
Utara, Kaltim.
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Anggota DPR Kab.
Penajam Paser
Utara, Kaltim.
95
No. Tema Kegiatan Deskripsi Singkat Pengguna
68. Koordinasi Data Inderja
untuk KKP
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
KKP
69. Koordinasi Data Inderja
Kejaksaan Agung
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Kejaksaan Agung
70. Koordinasi Data Inderja
untuk Konsultan
Lingkungan Hidup
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Konsultan
Lingkungan Hidup
71. Koordinasi Data Inderja
untuk IPB
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
IPB
72. Koordinasi Data Inderja
untuk Kejaksaan Tinggi
Negeri Kalbar
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Kejaksaan Tinggi
Negeri Kalbar
73. Koordinasi Data Inderja
untuk Brawijaya
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Brawijaya
74. Koordinasi Data Inderja
untuk BPDASHL
Citarum, Ciliwung
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
BPDASHL
Citarum, Ciliwung
75. Koordinasi Data Inderja
untuk Mabes TNI AL
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Mabes TNI AL
76. Koordinasi Data Inderja
untuk Kejaksaan Agung
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Kejaksaan Agung
77. Koordinasi Data Inderja
untuk Polda Aceh
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Polda Aceh
78. Koordinasi Data Inderja
untuk Kemenko
Kemaritiman
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Kemenko
Kemaritiman
96
No. Tema Kegiatan Deskripsi Singkat Pengguna
79. Koordinasi Data Inderja
untuk Kejaksaan Agung
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Kejaksaan Agung
80. Koordinasi Data Inderja
untuk Dinas Perumahan
& Kawasan Permukiman
- Solok Sumbar
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Dinas Perumahan
& Kawasan
Permukiman -
Solok Sumbar
81. Koordinasi Data Inderja
untuk IPB
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
IPB
82. Koordinasi Data Inderja
untuk KKP
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
KKP
83. Koordinasi Data Inderja
untuk CSIS (Centre for
Strategic and
International Studies)
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
CSIS (Centre for
Strategic and
International
Studies)
84. Koordinasi Data Inderja
untuk Kemen PU & PR
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Kemen PU & PR
85. Koordinasi Data Inderja
untuk Jejak In
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Jejak In
86. Koordinasi Data Inderja
untuk Dinas Pertanian
Ketahanan Pangan &
Perikanan - Klaten
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Dinas Pertanian
Ketahanan Pangan
& Perikanan -
Klaten
87. Koordinasi Data Inderja
untuk BIN
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
BIN
88. Koordinasi Data Inderja
untuk Dinas Perumahan
& Kawasan Permukiman
- Solok Sumbar
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Dinas Perumahan
& Kawasan
Permukiman -
Solok Sumbar
97
No. Tema Kegiatan Deskripsi Singkat Pengguna
89. Koordinasi Data Inderja
untuk Dinas Lingkungan
Hidup - Pariaman
Sumbar
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Dinas Lingkungan
Hidup - Pariaman
Sumbar
90. Koordinasi Data Inderja
untuk Dinas Ketahanan
Pangan & Perikanan -
Sukabumi Jabar
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Dinas Ketahanan
Pangan &
Perikanan -
Sukabumi Jabar
91. Koordinasi Data Inderja
untuk Kemenkomar
Dinas Lingkungan Hidup
& Pertanahan - Rawas
Utara Sumsel
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Dinas Lingkungan
Hidup &
Pertanahan -
Rawas Utara
Sumsel
92. Koordinasi Data Inderja
untuk KKP
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
KKP
93. Koordinasi Data Inderja
untuk Kementan
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Kementan
94. Koordinasi Data Inderja
untuk Bareskrim POLRI
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Bareskrim POLRI
95. Koordinasi Data Inderja
untuk PT. KAI
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
PT. KAI
96. Koordinasi Data Inderja
untuk PT. KAI -
Bandung Jabar
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
PT. KAI - Bandung
Jabar
97. Koordinasi Data Inderja
untuk STTAL
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
STTAL
98. Koordinasi Data Inderja
untuk DPR - RI
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
DPR - RI
98
No. Tema Kegiatan Deskripsi Singkat Pengguna
99. Koordinasi Data Inderja
BPK-RI
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
BPK-RI
100. Koordinasi Data Inderja
untuk Setda Sulawesi
Barat
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Setda Sulawesi
Barat
101. Koordinasi Data Inderja
untuk Universitas
Indonesia
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Universitas
Indonesia
102. Koordinasi Data Inderja
untuk Kejaksaan Agung
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Kejaksaan Agung
103. Koordinasi Data Inderja
untuk Kejaksaan Tinggi
Negeri Kalbar
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Kejaksaan Tinggi
Negeri Kalbar
104. Koordinasi Data Inderja
untuk Kejaksaan Tinggi
Negeri Kalbar
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Kejaksaan Tinggi
Negeri Kalbar
105. Koordinasi Data Inderja
untuk Kab. Tana Tidung,
Kalimantan Utara
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Kab. Tana Tidung,
Kalimantan Utara
106. Koordinasi Data Inderja
untuk Kab. Panajam
Paser Utara, Kaltim
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Kab. Panajam
Paser Utara,
Kaltim
107. Koordinasi Data Inderja
untuk KPK
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
KPK
108. Koordinasi Data Inderja
untuk Kejagung
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Kejagung
99
No. Tema Kegiatan Deskripsi Singkat Pengguna
109. Koordinasi Data Inderja
untuk Kemenkes
Kejaksaan Tinggi Negeri
Kalbar
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Kejaksaan Tinggi
Negeri Kalbar
110. Koordinasi Data Inderja
untuk Kejaksaan Agung
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Kejaksaan Agung
111. Koordinasi Data Inderja
untuk BPK - RI
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
BPK - RI
112. Koordinasi Data Inderja
untuk Kejaksaan Agung
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Kejaksaan Agung
113. Koordinasi Data Inderja
untuk BPPT
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
BPPT
114. Koordinasi Data Inderja
untuk Kemenko
Kemaritiman
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Kemenko
Kemaritiman
115. Koordinasi Data Inderja
untuk BNPB
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
BNPB
116. Koordinasi Data Inderja
untuk Kementerian PU &
PR
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Kementerian PU &
PR
117. Koordinasi Data Inderja
untuk RISTEK Dikti
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
RISTEK Dikti
118. Koordinasi Data Inderja
untuk KLHK
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
KLHK
119. Koordinasi Data Inderja
untuk Kemenkes
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
100
No. Tema Kegiatan Deskripsi Singkat Pengguna
120. Koordinasi Data Inderja
untuk BNPB
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
BNPB
121. Koordinasi Data Inderja
untuk PT. LEICA
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
PT. LEICA
122. Koordinasi Data Inderja
untuk Kemenko
Perekonomian
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Kemenko
Perekonomian
123. Koordinasi Data Inderja
untuk PUSHIDROSAL
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
PUSHIDROSAL
124. Koordinasi Data Inderja
untuk BNPB
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
BNPB
125. Koordinasi Data Inderja
untuk BRG (Badan
Restorasi Gambut)
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
BRG (Badan
Restorasi Gambut)
126. Koordinasi Data Inderja
untuk Kemenkes
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
127. Koordinasi Data Inderja
untuk RISTEK Dikti
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
RISTEK Dikti
128. Koordinasi Data Inderja
untuk KLHK
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
KLHK
129. Koordinasi Data Inderja
untuk Kemenko
Kemaritiman
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Kemenko
Kemaritiman
130. Koordinasi Data Inderja
untuk Kemhan - RI
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Kemhan - RI
101
No. Tema Kegiatan Deskripsi Singkat Pengguna
131. Koordinasi Data Inderja
untuk Kemlu - RI
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Kemlu - RI
132. Koordinasi Data Inderja
untuk Kemenko
Perekonomian
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Kemenko
Perekonomian
133. Koordinasi Data Inderja
untuk Kemenkes
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
ADB (Indonesia
Resident Mission)
134. Koordinasi Data Inderja
untuk Kemenkes
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
BNPB
135. Koordinasi Data Inderja
untuk Kemenkes
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
RISTEK Dikti
136. Koordinasi Data Inderja
untuk BNN
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
BNN
137. Koordinasi Data Inderja
untuk KKP
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
KKP
138. Koordinasi Data Inderja
untuk BNPB
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
BNPB
139. Koordinasi Data Inderja
untuk Kemen PU & PR
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Kemen PU & PR
140. Koordinasi Data Inderja
untuk BRG (Badan
Restorasi Gambut)
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
BRG (Badan
Restorasi Gambut)
141. Koordinasi Data Inderja
untuk KLHK
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
KLHK
102
No. Tema Kegiatan Deskripsi Singkat Pengguna
142. Koordinasi Data Inderja
untuk BAKAMLA
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
BAKAMLA
143. Koordinasi Data Inderja
untuk Bupati BOGOR
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Bupati BOGOR
144. Koordinasi Data Inderja
untuk UPI Bandung
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
UPI Bandung
145. Koordinasi Data Inderja
untuk Dinas Lingkungan
Hidup DKI
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Dinas Lingkungan
Hidup DKI
146. Koordinasi Data Inderja
untuk ITENAS
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
ITENAS
147. Koordinasi Data Inderja
untuk Kementerian
Pertanian
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Kementerian
Pertanian
148. Koordinasi Data Inderja
untuk Kementerian
Pertanian
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Kementerian
Pertanian
149. Koordinasi Data Inderja
untuk LIPI
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
LIPI
150. Koordinasi Data Inderja
untuk Kemenristekdikti
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Kemenristekdikti
151. Koordinasi Data Inderja
untuk BNPB
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
BNPB
152. Koordinasi Data Inderja
untuk Kemenristekdikti
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Kemenristekdikti
103
No. Tema Kegiatan Deskripsi Singkat Pengguna
153. Koordinasi Data Inderja
untuk Kemenristekdikti
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Kemenristekdikti
154. Koordinasi Data Inderja
untuk BRG
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
BRG
155. Koordinasi Data Inderja
untuk Kementerian PU &
PR
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Kementerian PU &
PR
156. Koordinasi Data Inderja
untuk KLHK
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
KLHK
157. Koordinasi Data Inderja
untuk Kemenko
Perekonomian
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Kemenko
Perekonomian
158. Koordinasi Data Inderja
untuk Bakamla
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Bakamla
159. Koordinasi Data Inderja
untuk Kementerian
Pertanian
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Kementerian
Pertanian
160. Koordinasi Data Inderja
untuk Kemenko
Kemaritiman
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Kemenko
Kemaritiman
161. Koordinasi Data Inderja
untuk Jasindo
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
Jasindo
162. Koordinasi Data Inderja
untuk BNPB
Konsultasi dan Koordinasi terkait Pemanfaatan
Data Penginderaan Jauh
BNPB
163. Pembimbingan
Pemanfaatan data
Pembinaan dan Pembimbingan Mahasiswa UNPAD
104
No. Tema Kegiatan Deskripsi Singkat Pengguna
Inderaja untuk
Universitas
164. Pembimbingan
Pemanfaatan data
Inderaja untuk
Universitas
Pembinaan dan Pembimbingan Mahasiswa UNDIP
165. Pembimbingan
Pemanfaatan data
Inderaja untuk
Universitas
Pembinaan dan Pembimbingan Mahasiswa Universitas
Indonesia
166. Pembimbingan
Pemanfaatan data
Inderaja untuk
Universitas
Pembinaan dan Pembimbingan Mahasiswa UNDIP
167. Pembimbingan
Pemanfaatan data
Inderaja untuk
Universitas
Pembinaan dan Pembimbingan Mahasiswa Universitas Jember
168. Pembimbingan
Pemanfaatan data
Inderaja untuk
Universitas
Pembinaan dan Pembimbingan Mahasiswa Universitas
Sultan Ageng
Tirtayasa
169. Pembimbingan
Pemanfaatan data
Inderaja untuk
Universitas
Pembinaan dan Pembimbingan Mahasiswa Universitas Riau
170. Pembimbingan
Pemanfaatan data
Inderaja untuk
Universitas
Pembinaan dan Pembimbingan Mahasiswa Universitas
Udayana
171. Pembimbingan
Pemanfaatan data
Pembinaan dan Pembimbingan Mahasiswa UGM
105
No. Tema Kegiatan Deskripsi Singkat Pengguna
Inderaja untuk
Universitas
172. Pembimbingan
Pemanfaatan data
Inderaja untuk
Universitas
Pembinaan dan Pembimbingan Mahasiswa Universitas
Indonesia
173. Pembimbingan
Pemanfaatan data
Inderaja untuk
Universitas
Pembinaan dan Pembimbingan Mahasiswa IPB
174. Pembimbingan
Pemanfaatan data
Inderaja untuk
Universitas
Pembinaan dan Pembimbingan Mahasiswa Universitas
Mulawarman
175. Pembimbingan
Pemanfaatan data
Inderaja untuk
Universitas
Pembinaan dan Pembimbingan Mahasiswa UNSOED
176. Pembimbingan
Pemanfaatan data
Inderaja untuk
Universitas
Pembinaan dan Pembimbingan Mahasiswa IPB
177. Pembimbingan
Pemanfaatan data
Inderaja untuk
Universitas
Pembinaan dan Pembimbingan Mahasiswa Universitas
Singaperbangsa -
Karawang
178. Pembimbingan
Pemanfaatan data
Inderaja untuk
Universitas
Pembinaan dan Pembimbingan Mahasiswa Universitas
Indonesia
179. Pembimbingan
Pemanfaatan data
Pembinaan dan Pembimbingan Mahasiswa Universitas Sultan
Ageng
106
No. Tema Kegiatan Deskripsi Singkat Pengguna
Inderaja untuk
Universitas
180. Pembimbingan
Pemanfaatan data
Inderaja untuk
Universitas
Pembinaan dan Pembimbingan Mahasiswa Tirtayasa
181. Pembimbingan
Pemanfaatan data
Inderaja untuk
Universitas
Pembinaan dan Pembimbingan Mahasiswa UGM
182. Pembimbingan
Pemanfaatan data
Inderaja untuk
Universitas
Pembinaan dan Pembimbingan Mahasiswa IPB
183. Pembimbingan
Pemanfaatan data
Inderaja untuk
Universitas
Pembinaan dan Pembimbingan Mahasiswa Universitas
Brawijaya
184. Pembimbingan
Pemanfaatan data
Inderaja untuk
Universitas
Pembinaan dan Pembimbingan Mahasiswa SMK Bina Dharma
Selama tahun 2019, Pusfatja telah melaksanakan 9 tujuan pelayanan dengan total
frekuensi 532 kali, 17 kategori kegiatan dengan total frekuensi 617 kegiatan, dan 8
kategori pengguna dengan total 184 instansi pengguna. Tujuan pengguna layanan yang
paling tinggi ialah menghadiri rapat, untuk kategori kegiatan tertinggi
107
Gambar 3.27 Grafik tujuan pelayanan Pusfatja terhadap instansi pengguna
Gambar 3.28 Grafik sektor kegiatan pengguna layanan Pusfatja tahun 2019
191
7339
15
60 57
4
61
134
20
200
400Jenis Layanan Kunjungan
Menghadiri Rapat KonsultasiDiskusi Kerjasama RisetPermohonan/pemberian informasi Workshop/SeminarSupervisi Bimbingan Teknis
39 39
46
3
34 3531
62
52
19
51 50
1
103
16
5
31
0
20
40
60
80
100
120
Sektor Kegiatan Pengguna
Pertanian
Perkebunan
Kehutanan
ESDM
Sumberdaya Air
Tata Ruang
Ekosistem Pesisir
Sumberdaya Kelautan
Lingkungan
Banjir/longsor
Kekeringan/Kebakaran hutan/lahan
Bencana Geologi (Gn Api, Tsunami)
Wahana Baru
Multisektor
Pertahanan Keamanan
Pertambangan
Lainnya
108
Gambar 3.29 Grafik kategori instansi pengguna layanan Pusfatja tahun 2019
IKU 6: Indeks Kepuasan Masyarakat atas layanan informasi penginderaan jauh
Indeks Kepuasan Masyarakat atas layanan informasi penginderaan jauh
merupakan IKU 6 dari sasaran strategis 2. Indeks ini merupakan Indeks Kepuasan
Masyarakat Per Responden dan dihitung berdasarkan Per Ruang Lingkup Pelayanan
(Perhitungan ini dilakukan pada triwulan I, II, III dan IV tahun anggaran 2019, melalui
pengumpulan data dengan “kuisioner”. Jumlah responden yang terdiri dari berbagai pihak
yang telah mendapatkan pelayanan dari Pusfatja, seperti pembimbingan teknis
(mahasiswa), bantuan teknis (instansi pemerintah Pusat dan daerah), pemberian
informasi terkait dengan mitigasi bencana, informasi strategis untuk keperluan khusus
yang diminta Kantor Staf Kepresidenan dan instansi penegak hukum dengan ruang
lingkup pelayanan. Tabel 3.19 menunjukkan perbandingan capaian IKU 6 dengan tahun
sebelumnya.
Tabel 3.19 Capaian Sasaran Strategis 2 dan Target IKU 6 PUFATJA Tahun 2019
Indikator Kinerja Target Realisasi Capaian
IKU 6 : Indeks Kepuasan Masyarakat atas layanan informasi penginderaan jauh
82 84,77 103%
275
75
14 16
90
3015
30
50
100
150
200
250
300
Kategori Institusi Pengguna
Pemerintah Pusat Pemerintah Daerah Swasta
LSM Perguruan Tinggi/SMA/SMK Internasional
TNI/POLRI Lainnya
109
Tabel 3.20 Perbandingan Capaian IKU 6 dengan Tahun Sebelumnya
IKU 6 2015 2016 2017 2018 2019 Target Renstra
2019 Realisasi Realisasi Realisasi Realisasi Target Realisasi Capaian
Indeks Kepuasan Masyarakat atas layanan informasi penginderaan jauh
81,2 87.07 82,13 85,75 82 84,77 103% 82
3.2. Capaian Triwulan
Monitoring dan evaluasi juga dilakukan secara triwulan yang disampaikan dalam LAKIN
Pusftaja per-triwulan. Laporan Kinerja Triwulan juga mengevaluasi capaian kinerja
hingga efisiensi pencapaian keluaran terhadap realisasi anggaran dengan mengacu PMK
No. 249 tahun 2011.
LAKIN TRIWULAN I Tahun 2019
Pada Triwulan I Tahun 2019 telah tercapai:
⮚ Sasaran strategis dalam Meningkatnya penguasaan dan kemandirian Iptek di
bidang pemanfaatan penginderaan jauh yang maju dengan indikator kinerja yaitu
Jumlah model, prototipe dan bahan pedoman pemanfaatan penginderaan jauh
yang operasional untuk pemantauan sumber daya alam, lingkungan, serta mitigasi
bencana dan perubahan iklim telah tercapai adalah inventarisasi requirement,
study literatur, rencana kerja penelitian, pengumpulan data, perancangan
penyusunan engineering estimate, penyiapan prototipe dan infrastruktur.
⮚ Sasaran strategis dalam Meningkatnya penguasaan dan kemandirian Iptek di
bidang pemanfaatan penginderaan jauh yang maju. dengan indikator kinerja yaitu
Jumlah publikasi nasional terakreditasi di bidang pemanfaatan penginderaan jauh.
telah tercapai adalah 2 makalah dari 21 makalah yang ditargetkan.
⮚ Sasaran strategis dalam Meningkatnya penguasaan dan kemandirian Iptek di
bidang pemanfaatan penginderaan jauh yang maju dengan indikator kinerja yaitu
Jumlah publikasi internasional yang terindeks di bidang pemanfaatan
penginderaan jauh. Telah tercapai adalah 3 makalah dari 5 makalah yang
ditargetkan.
110
⮚ Sasaran strategis dalam Meningkatnya penguasaan dan kemandirian Iptek di
bidang pemanfaatan penginderaan jauh yang maju dengan indikator kinerja yaitu
Jumlah HKI yang diusulkan di bidang pemanfaatan penginderaan jauh telah
tercapai adalah inventarisasi requirement dan study literatur dari 1 usulan HKI
yang ditargetkan.
⮚ Sasaran strategis dalam Meningkatnya layanan data dan informasi di bidang
pemanfaatan penginderaan jauh yang prima dengan indikator kinerja yaitu Jumlah
instansi pengguna yang memanfaatkan layanan informasi penginderaan jauh
telah tercapai adalah 36 instansi dari 90 instansi yang ditargetkan.
⮚ Sasaran strategis dalam Meningkatnya penguasaan dan kemandirian Iptek di
bidang pemanfaatan penginderaan jauh yang maju dengan indikator kinerja yaitu
Indeks Kepuasan Masyarakat atas layanan informasi penginderaan jauh telah
tercapai adalah 82,49 dari 82 nilai yang ditargetkan.
⮚ Sasaran strategis dalam Terselenggaranya Sistem Pemantauan Bumi Nasional
sesuai standar ISO dengan indikator kinerja yaitu Persentase kesiapan Sistem
Pemantauan Bumi Nasional terhadap ISO 9001 dan KNAPPP telah tercapai
adalah 0 % dan 25 % dari 75% yang ditargetkan.
⮚ Sasaran strategis dalam Peningkatan kapasitas litbang pemanfaatan
penginderaan jauh dengan indikator kinerja yaitu Jumlah kerjasama internasional
yang meningkatkan kualitas SDM dan fasilitas litbang pemanfaatan penginderaan
jauh telah tercapai 4 dari 12 kerjasama yang ditargetkan.
⮚ Sasaran strategis dalam Peningkatan kapasitas litbang pemanfaatan
penginderaan jauh dengan indikator kinerja yaitu Prosentase pemenuhan kriteria
pusat unggulan di bidang pemanfaatan penginderaan jauh telah tercapai 10% dari
30% yang ditargetkan.
⮚ Sasaran strategis dalam Peningkatan kapasitas litbang pemanfaatan
penginderaan jauh dengan indikator kinerja yaitu Persentase ketersediaan fasilitas
litbangyasa pemanfaatan penginderaan jauh dibandingkan total kebutuhan telah
tercapai 5% dari 15% yang ditargetkan.
⮚ Sasaran strategis dalam Meningkatnya Kapasitas dan kompetensi SDM Aparatur
lingkup Pusfatja dengan indikator kinerja yaitu Persentase SDM Pusfatja yang
sudah memenuhi kompetensi telah tercapai 10% dari 25% yang dtargetkan
111
⮚ Sasaran strategis dalam Tersedianya sub-sistem DSS untuk mitigasi bencana
alam dan perubahan iklim berbasis penginderaan jauh dengan indikator kinerja
yaitu Jumlah sub-sistem DSS lintas sektoral terkait mitigasi bencana dan
perubahan iklim berbasis penginderaan jauh telah tercapai 1 sub sistem dari 1 sub
sistem yang ditargetkan.
⮚ Sasaran strategis dalam Meningkatnya akuntabilitas kinerja dan anggaran
Pusfatja dengan indikator kinerja yaitu Persentase Penyerapan Anggaran Pusfatja
telah tercapai 17,37% dari 100% yang ditargetkan.
LAKIN TRIWULAN II Tahun 2019
Pada Triwulan II Tahun 2019 telah tercapai:
⮚ Sasaran strategis dalam Meningkatnya penguasaan dan kemandirian Iptek di
bidang pemanfaatan penginderaan jauh yang maju dengan indikator kinerja yaitu
Jumlah model, prototipe dan bahan pedoman pemanfaatan penginderaan jauh
yang operasional untuk pemantauan sumber daya alam, lingkungan, serta mitigasi
bencana dan perubahan iklim telah tercapai adalah inventarisasi requirement,
study literatur, rencana kerja penelitian, pengumpulan data, perancangan
penyususnan engineering estimate, penyiapan prototipe dan infrastruktur.
⮚ Sasaran strategis dalam Meningkatnya penguasaan dan kemandirian Iptek di
bidang pemanfaatan penginderaan jauh yang maju. dengan indikator kinerja yaitu
Jumlah publikasi nasional terakreditasi di bidang pemanfaatan penginderaan jauh.
telah tercapai adalah 11 makalah dari 21 makalah yang diargetkan.
⮚ Sasaran strategis dalam Meningkatnya penguasaan dan kemandirian Iptek di
bidang pemanfaatan penginderaan jauh yang maju dengan indikator kinerja yaitu
Jumlah publikasi internasional yang terindeks di bidang pemanfaatan
penginderaan jauh telah tercapai adalah 6 makalah dari 5 makalah yang
ditargetkan.
⮚ Sasaran strategis dalam Meningkatnya penguasaan dan kemandirian Iptek di
bidang pemanfaatan penginderaan jauh yang maju dengan indikator kinerja yaitu
Jumlah HKI yang diusulkan di bidang pemanfaatan penginderaan jauh telah
tercapai adalah 1 HKI yang sudah diusulkan dari 1 HKI usulan yang ditargetkan.
⮚ Sasaran strategis dalam Meningkatnya layanan data dan informasi di bidang
pemanfaatan penginderaan jauh yang prima dengan indikator kinerja yaitu Jumlah
112
instansi pengguna yang memanfaatkan layanan informasi penginderaan jauh
telah tercapai adalah 75 instansi dari 95 instansi yang ditargetkan.
⮚ Sasaran strategis dalam Meningkatnya penguasaan dan kemandirian Iptek di
bidang pemanfaatan penginderaan jauh yang maju dengan indikator kinerja yaitu
Indeks Kepuasan Masyarakat atas layanan informasi penginderaan jauh telah
tercapai adalah 83,72 dari 82 nilai yang ditargetkan.
⮚ Sasaran strategis dalam Terselenggaranya Sistem Pemantauan Bumi Nasional
sesuai standar ISO dengan indikator kinerja yaitu Persentase kesiapan Sistem
Pemantauan Bumi Nasional terhadap ISO 9001 dan KNAPPP telah tercapai
adalah 25 % dan 50 % dari 75% yang ditargetkan.
⮚ Sasaran strategis dalam Peningkatan kapasitas litbang pemanfaatan
penginderaan jauh dengan indikator kinerja yaitu Jumlah kerjasama internasional
yang meningkatkan kualitas SDM dan fasilitas litbang pemanfaatan penginderaan
jauh telah tercapai 11 kerjasama dari 12 kerjasama yang ditargetkan.
⮚ Sasaran strategis dalam Peningkatan kapasitas litbang pemanfaatan
penginderaan jauh dengan indikator kinerja yaitu Prosentase pemenuhan kriteria
pusat unggulan di bidang pemanfaatan penginderaan jauh telah tercapai 25% dari
30% yang ditargetkan.
⮚ Sasaran strategis dalam Peningkatan kapasitas litbang pemanfaatan
penginderaan jauh dengan indikator kinerja yaitu Persentase ketersediaan fasilitas
litbangyasa pemanfaatan penginderaan jauh dibandingkan total kebutuhan telah
tercapai 9% dari 15% yang ditargetkan.
⮚ Sasaran strategis dalam Meningkatnya Kapasitas dan kompetensi SDM Aparatur
lingkup Pusfatja dengan indikator kinerja yaitu Persentase SDM Pusfatja yang
sudah memenuhi kompetensi telah tercapai 25% dari 25% yang dtargetkan
⮚ Sasaran strategis dalam Tersedianya sub-sistem DSS untuk mitigasi bencana
alam dan perubahan iklim berbasis penginderaan jauh dengan indikator kinerja
yaitu Jumlah sub-sistem DSS lintas sektoral terkait mitigasi bencana dan
perubahan iklim berbasis penginderaan jauh telah tercapai 1 sub sistem dari 1 sub
sistem yang ditargetkan.
⮚ Sasaran strategis dalam Meningkatnya Kapasitas dan kompetensi SDM Aparatur
lingkup Pusfatja dengan indikator kinerja yaitu Persentase SDM Pusfatja yang
sudah memenuhi kompetensi telah tercapai 25% dari 25% yang ditargetkan.
113
⮚ Sasaran strategis dalam Meningkatnya akuntabilitas kinerja dan anggaran
Pusfatja dengan indikator kinerja yaitu Persentase Penyerapan Anggaran Pusfatja
telah tercapai 46% dari 100% yang ditargetkan.
LAKIN TRIWULAN III Tahun 2019
Pada Triwulan III Tahun 2019 telah tercapai:
⮚ Sasaran strategis dalam Meningkatnya penguasaan dan kemandirian Iptek di
bidang pemanfaatan penginderaan jauh yang maju dengan indikator kinerja yaitu
Jumlah model, prototipe dan bahan pedoman pemanfaatan penginderaan jauh
yang operasional untuk pemantauan sumber daya alam, lingkungan, serta mitigasi
bencana dan perubahan iklim telah tercapai adalah inventarisasi requirement,
study literatur, rencana kerja penelitian, pengumpulan data, perancangan
penyususnan engineering estimate, penyiapan prototipe dan infrastruktur.
⮚ Sasaran strategis dalam Meningkatnya penguasaan dan kemandirian Iptek di
bidang pemanfaatan penginderaan jauh yang maju. dengan indikator kinerja yaitu
Jumlah publikasi nasional terakreditasi di bidang pemanfaatan penginderaan jauh.
telah tercapai adalah 20 makalah dari 21 makalah yang ditargetkan.
⮚ Sasaran strategis dalam Meningkatnya penguasaan dan kemandirian Iptek di
bidang pemanfaatan penginderaan jauh yang maju..dengan indikator kinerja yaitu
Jumlah publikasi internasional yang terindeks di bidang pemanfaatan
penginderaan jauh telah tercapai adalah 7 makalah dari 5 makalah yang
ditargetkan.
⮚ Sasaran strategis dalam Meningkatnya penguasaan dan kemandirian Iptek di
bidang pemanfaatan penginderaan jauh yang maju dengan indikator kinerja yaitu
Jumlah HKI yang diusulkan di bidang pemanfaatan penginderaan jauh telah
tercapai adalah 1 HKI yang sudah diusulkan dari 1 usulan HKI yang ditargetkan.
⮚ Sasaran strategis dalam Meningkatnya layanan data dan informasi di bidang
pemanfaatan penginderaan jauh yang prima dengan indikator kinerja yaitu Jumlah
instansi pengguna yang memanfaatkan layanan informasi penginderaan jauh
telah tercapai adalah 85 instansi dari 95 instansi yang ditargetkan.
⮚ Sasaran strategis dalam Meningkatnya penguasaan dan kemandirian Iptek di
bidang pemanfaatan penginderaan jauh yang maju dengan indikator kinerja yaitu
114
Indeks Kepuasan Masyarakat atas layanan informasi penginderaan jauh telah
tercapai adalah 84,91 dari 82 nilai yang ditargetkan.
⮚ Sasaran strategis dalam Terselenggaranya Sistem Pemantauan Bumi Nasional
sesuai standar ISO dengan indikator kinerja yaitu Persentase kesiapan Sistem
Pemantauan Bumi Nasional terhadap ISO 9001 dan KNAPPP telah tercapai
adalah 75% dan 75% dari 75 % yang ditargetkan.
⮚ Sasaran strategis dalam Peningkatan kapasitas litbang pemanfaatan
penginderaan jauh dengan indikator kinerja yaitu Jumlah kerjasama internasional
yang meningkatkan kualitas SDM dan fasilitas litbang pemanfaatan penginderaan
jauh telah tercapai 14 kerjasama dari 12 kerjasama yang ditargetkan.
⮚ Sasaran strategis dalam Peningkatan kapasitas litbang pemanfaatan
penginderaan jauh dengan indikator kinerja yaitu Prosentase pemenuhan kriteria
pusat unggulan di bidang pemanfaatan penginderaan jauh telah tercapai 30% dari
30% yang ditargetkan.
⮚ Sasaran strategis dalam Peningkatan kapasitas litbang pemanfaatan
penginderaan jauh dengan indikator kinerja yaitu Persentase ketersediaan fasilitas
litbangyasa pemanfaatan penginderaan jauh dibandingkan total kebutuhan telah
tercapai 11% dari 15% yang ditargetkan.
⮚ Sasaran strategis dalam Tersedianya sub-sistem DSS untuk mitigasi bencana
alam dan perubahan iklim berbasis penginderaan jauh dengan indikator kinerja
yaitu Jumlah sub-sistem DSS lintas sektoral terkait mitigasi bencana dan
perubahan iklim berbasis penginderaan jauh telah tercapai 1 sub sistem dari 1 sub
sistem yang ditargetkan.
⮚ Sasaran strategis dalam Meningkatnya Kapasitas dan kompetensi SDM Aparatur
lingkup Pusfatja dengan indikator kinerja yaitu Persentase SDM Pusfatja yang
sudah memenuhi kompetensi telah tercapai 25% dari 25% yang ditargetkan.
⮚ Sasaran strategis dalam Meningkatnya akuntabilitas kinerja dan anggaran
Pusfatja dengan indikator kinerja yaitu Persentase Penyerapan Anggaran Pusfatja
telah tercapai 68,27% dari 100% yang ditargetkan.
LAKIN TRIWULAN IV Tahun 2019
Pada Triwulan IV Tahun 2019 telah tercapai:
115
⮚ Sasaran strategis dalam Meningkatnya penguasaan dan kemandirian Iptek di
bidang pemanfaatan penginderaan jauh yang maju dengan indikator kinerja yaitu
Jumlah model, prototipe dan bahan pedoman pemanfaatan penginderaan jauh
yang operasional untuk pemantauan sumber daya alam, lingkungan, serta mitigasi
bencana dan perubahan iklim telah tercapai adalah 19 model, 1 prototipe dan 7
pedoman dari 16 model, 1 prototipe dan 5 pedoman yang ditargetkan.
⮚ Sasaran strategis dalam Meningkatnya penguasaan dan kemandirian Iptek di
bidang pemanfaatan penginderaan jauh yang maju. dengan indikator kinerja yaitu
Jumlah publikasi nasional terakreditasi di bidang pemanfaatan penginderaan jauh.
telah tercapai adalah 22 makalah dari 21 makalah yang ditargetkan.
⮚ Sasaran strategis dalam Meningkatnya penguasaan dan kemandirian Iptek di
bidang pemanfaatan penginderaan jauh yang maju dengan indikator kinerja yaitu
Jumlah publikasi internasional yang terindeks di bidang pemanfaatan
penginderaan jauh telah tercapai adalah 11 makalah dari 5 makalah yang
ditargetkan.
⮚ Sasaran strategis dalam Meningkatnya penguasaan dan kemandirian Iptek di
bidang pemanfaatan penginderaan jauh yang maju dengan indikator kinerja yaitu
Jumlah HKI yang diusulkan di bidang pemanfaatan penginderaan jauh telah
tercapai adalah 2 HKI yang diusulkan dari 1 usulan HKI yang ditargetkan.
⮚ Sasaran strategis dalam Meningkatnya penguasaan dan kemandirian Iptek di
bidang pemanfaatan penginderaan jauh yang maju dengan indikator kinerja yaitu
Indeks Kepuasan Masyarakat atas layanan informasi penginderaan jauh telah
tercapai adalah 84,77 dari 82 nilai yang ditargetkan.
⮚ Sasaran strategis dalam Meningkatnya layanan data dan informasi di bidang
pemanfaatan penginderaan jauh yang prima dengan indikator kinerja yaitu Jumlah
instansi pengguna yang memanfaatkan layanan informasi penginderaan jauh
telah tercapai adalah 184 instansi dari 95 instansi yang ditargetkan.
⮚ Sasaran strategis dalam Terselenggaranya Sistem Pemantauan Bumi Nasional
sesuai standar ISO dengan indikator kinerja yaitu Persentase kesiapan Sistem
Pemantauan Bumi Nasional terhadap ISO 9001 dan KNAPPP telah tercapai
adalah 100% dan 100% dari 75% yang ditargetkan.
⮚ Sasaran strategis dalam Peningkatan kapasitas litbang pemanfaatan
penginderaan jauh dengan indikator kinerja yaitu Jumlah kerjasama internasional
116
yang meningkatkan kualitas SDM dan fasilitas litbang pemanfaatan penginderaan
jauh telah tercapai 17 kerjasama dari 12 kerjasama yang diitargetkan.
⮚ Sasaran strategis dalam Peningkatan kapasitas litbang pemanfaatan
penginderaan jauh dengan indikator kinerja yaitu Prosentase pemenuhan kriteria
pusat unggulan di bidang pemanfaatan penginderaan jauh telah tercapai 100%
dari 30% yang ditargetkan.
⮚ Sasaran strategis dalam Peningkatan kapasitas litbang pemanfaatan
penginderaan jauh dengan indikator kinerja yaitu Persentase ketersediaan fasilitas
litbangyasa pemanfaatan penginderaan jauh dibandingkan total kebutuhan telah
tercapai 15% dari 15% yang ditargetkan.
⮚ Sasaran strategis dalam Tersedianya sub-sistem DSS untuk mitigasi bencana
alam dan perubahan iklim berbasis penginderaan jauh dengan indikator kinerja
yaitu Jumlah sub-sistem DSS lintas sektoral terkait mitigasi bencana dan
perubahan iklim berbasis penginderaan jauh telah tercapai 1 sub sistem dari 1 sub
sistem yang ditargetkan.
⮚ Sasaran strategis dalam Meningkatnya Kapasitas dan kompetensi SDM Aparatur
lingkup Pusfatja dengan indikator kinerja yaitu Persentase SDM Pusfatja yang
sudah memenuhi kompetensi telah tercapai 25% dari 25% yang dtargetkan.
⮚ Sasaran strategis dalam Meningkatnya akuntabilitas kinerja dan anggaran
Pusfatja dengan indikator kinerja yaitu Nilai implementasi SAKIP Pusfatja telah
tercapai 90,49 dari 88 yang ditargetkan.
⮚ Sasaran strategis dalam Meningkatnya akuntabilitas kinerja dan anggaran
Pusfatja dengan indikator kinerja yaitu Persentase Penyerapan Anggaran Pusfatja
telah tercapai 96,34% dari 100% yang ditargetkan.
117
Tabel 3.21 Perbandingan Realisasi Target Triwulan tahun 2019
No Sasaran
Strategis
Indikator
Kinerja
Realisasi Target
Target Akhir Tahun
Realisasi Target TW I
Realisasi Target TW II
Realisasi Target TW III
Realisasi Target TW IV
1 Meningkatnya
penguasaan
dan
kemandirian
Iptek di bidang
pemanfaatan
penginderaan
jauh yang
maju.
Jumlah model,
prototipe dan
bahan
pedoman
pemanfaatan
penginderaan
jauh yang
operasional
untuk
pemantauan
sumber daya
alam,
lingkungan,
serta mitigasi
bencana dan
perubahan
iklim.
16 model;
1
prototipe;
5
pedoman
0
dokumen
0
dokumen
0 dokumen 19 model
1
prototipe
7
pedoman
2 Meningkatnya
penguasaan
dan
kemandirian
Iptek di bidang
pemanfaatan
penginderaan
jauh yang
maju.
Jumlah
publikasi
nasional
terakreditasi di
bidang
pemanfaatan
penginderaan
jauh.
21
makalah
2
makalah
11
makalah
20 makalah 22
makalah
3 Meningkatnya
penguasaan
dan
kemandirian
Iptek di bidang
pemanfaatan
penginderaan
jauh yang
maju.
Jumlah
publikasi
internasional
yang terindeks
di bidang
pemanfaatan
penginderaan
jauh.
5
makalah
3
makalah
6
makalah
7 makalah 11
makalah
118
4 Meningkatnya
penguasaan
dan
kemandirian
Iptek di bidang
pemanfaatan
penginderaan
jauh yang
maju.
Jumlah HKI
yang diusulkan
di bidang
pemanfaatan
penginderaan
jauh.
1
usulan
judul
0
usulan
judul
1
usulan
judul
1
usulan
judul
2
usulan
judul
6 Meningkatnya
penguasaan
dan
kemandirian
Iptek di bidang
pemanfaatan
penginderaan
jauh yang
maju.
Indeks
Kepuasan
Masyarakat
atas layanan
informasi
penginderaan
jauh.
82 82,49 83,72 84,91 84,7
5 Meningkatnya
layanan data
dan informasi
di bidang
pemanfaatan
penginderaan
jauh yang
prima.
Jumlah
instansi
pengguna
yang
memanfaatkan
layanan
informasi
penginderaan
jauh.
95
instansi
36
instansi
75
instansi
85 instansi 184
instansi
7 Terselenggara
nya Sistem
Pemantauan
Bumi Nasional
sesuai standar
ISO
Persentase
kesiapan
Sistem
Pemantauan
Bumi Nasional
terhadap ISO
9001 dan
KNAPPP
75% 25% 50% 75% 100%
8 Peningkatan
kapasitas
litbang
pemanfaatan
penginderaan
jauh
Jumlah
kerjasama
internasional
yang
meningkatkan
kualitas SDM
dan fasilitas
litbang
pemanfaatan
penginderaan
jauh
12
Kerja
sama
4
Kerja
sama
11
Kerja
sama
14
Kerja sama
17
Kerja
sama
119
9 Peningkatan
kapasitas
litbang
pemanfaatan
penginderaan
jauh
Prosentase
pemenuhan
kriteria pusat
unggulan di
bidang
pemanfaatan
penginderaan
jauh.
30% 10% 25% 30% 100%
10 Peningkatan
kapasitas
litbang
pemanfaatan
penginderaan
jauh
Persentase
ketersediaan
fasilitas
litbangyasa
pemanfaatan
penginderaan
jauh
dibandingkan
total
kebutuhan
15% 5% 9% 11% 15%
11 Tersedianya
sub-sistem
DSS untuk
mitigasi
bencana alam
dan
perubahan
iklim berbasis
penginderaan
jauh
Jumlah sub-
sistem DSS
lintas sektoral
terkait mitigasi
bencana dan
perubahan
iklim berbasis
penginderaan
jauh
1
sub-
sistem
1
sub-
sistem
1
sub-
sistem
1
sub- sistem
1
sub-
sistem
12 Tersedianya
metode
pengolahan
(klasifikasi dan
deteksi
parameter
geobiofisik),
pedoman
pemanfaatan
data, dan
diseminasi
informasi
penginderaan
jauh.
Jumlah
pedoman
pemanfaatan
penginderaan
jauh yang
dihasilkan
8
pedoman
0
pedoman
0
pedoman
0 pedoman 7
pedoman
13 Meningkatnya
Kapasitas dan
kompetensi
SDM Aparatur
lingkup
Pusfatja
Persentase
SDM Pusfatja
yang sudah
memenuhi
kompetensi
25% 10% 25% 25% 25%
120
14 Meningkatnya
akuntabilitas
kinerja dan
anggaran
Pusfatja
Nilai
implementasi
SAKIP
Pusfatja
88 90.49
15 Meningkatnya
akuntabilitas
kinerja dan
anggaran
Pusfatja
Persentase
Penyerapan
Anggaran
Pusfatja
100% 17,32% 46% 68,27% 96,34%
3.2.1 Evaluasi Kinerja Individu
Hasil kinerja PUSFATJA merupakan hasil akumulasi dari capaian kinerja
individu yang dikelompokan dalam kelompok pemanfaatan yang dibentuk. Hasil
capaian kinerja individu tertuang dalam formulir Sasaran Kinerja Pegawai (SKP)
yang dievaluasi setiap triwulan. Pengumpulan data kinerja dan evaluasi kinerja
dilakukan setiap bulan, kemudian diakumulasi menjadi laporan triwulan dan laporan
tahunan. Tim ini terdiri dari semua pejabat struktural PUSFATJA, Manajer Teknis,
Manajer Publikasi dari setiap Kelompok Pemanfaatan PUSFATJA.
Setiap bulan tim ini melakukan pemantauan pada presensi dan laporan
bulanan individu setiap pegawai, dan memberi penilaian terhadap kinerja pegawai
tersebut. Tim ini juga bertugas untuk membuat usulan apresiasi pada individu
pegawai dan tim kerja yang berprestasi menunjang keberhasilan pencapaian kinerja
PUSFATJA pada tingkat satker, serta membuat rekomendasi pejabat-pejabat
fungsional yang berprestasi dan berdedikasi tinggi. Pemberian apresiasi pegawai
dan tim kerja berprestasi dilakukan pada setiap akhir tahun, untuk menambah
semangat kerja bagi para pegawai.
3.2.2 Efisiensi Kinerja
Dalam rangka menghitung efisiensi kinerja yang tertuang dalam PMK 249
Tahun 2011 PUSFATJA melaksanakan monitoring dan evaluasi yang tertuang
dalam laporan kinerja triwulan. Efisiensi PUSFATJA yang dihasilkan sampai
triwulan IV adalah 76,15 % . Nilai tersebut dihitung berdasarkan persamaan dari
PMK No.249 Tahun 2011 yaitu:
121
Dimana:
NE : Nilai Efisiensi
E : Efisiensi
Sesuai dengan evaluasi kinerja tahunan yang dicapai, hingga tahun 2018
beberapa target tahun 2019 telah berhasil dilakukan percepatan pencapaian
diantaranya dalah penetapan PUSFATJA sebagai PUI. Dari hasil ini dapat
menggambarkan efektivitas capaian kinerja PUSFATJA dalam mencapai target 5
tahunan. Sekaligus menggambarkan kesiapan PUSFATJA mampu melayani dalam
skala nasional yang dimungkinkan untuk melayani internasional/regional. Pada
tahun 2019 nilai rupiah yang berhasil diefisiensikan sebesar Rp 406.350.487,- untuk
belanja barang dalam rangka capaian kinerja melebihi tahun sebelumnya dan untuk
belanja modal nilai yang berhasil diefisiensikan sebesar Rp 277.480.224,- dalam
bentuk optimalisasi dari sisa anggaran belanja modal pada Tahun 2019.
3.2.3 Reward dan Punishment
Reward dan punishment dilakukan dalam rangka memotivasi setiap pegawai
dalam rangka mencapai sasaran kinerja pegawai yang telah ditetapkan. PUSFATJA
telah melakukan kedua sistem tersebut dalam rangka peningkatan monev yang
dilakukan secara dinamis dan berkala. Penerapan program reward dan punishment
dilakukan dengan mengacu pada Peraturan Kepala LAPAN No. 2 Tahun 2017
tentang Perubahan atas Perraturan Kepala LAPAN nomor 1 tahun 2016 tentang
Pemberian Tunjangan Kinerja, setiap pegawai berhak mendapatkan reward dalam
bentuk kenaikan tunjangan kinerja sebesar 50% dari selisih Tukin 1 grade di atas,
jika hasil evaluasi kinerjanya mendapatkan kategori sangat baik.
Reward
Pada Tahun 2019 pegawai PUSFATJA mendapat reward dari Kepala LAPAN
sebagai :
1. Peneliti terbaik, Nur Febrianti M.Si.
2. Pegawai berprestasi, Fajar Yulianto M.Si.
3. Pegawai berdedikasi tinggi, Kusumaning Ayu Dyah Sukowati M.Si.
122
Pada Tahun 2019 KAPUSFATJA memberikan reward kepada:
⮚ Tim Evaluasi Kinerja
⮚ Tim SAKIP
⮚ Tim PUI
⮚ Tim ISO 9001:2015
⮚ Tim KNAPPP 02:2017
⮚ Tim Quick Respon Bencana
⮚ Tim Kerjasama
⮚ Fungsional berprestasi dengan mengikuti kegiatan pelatihan di luar negeri
Punishment
Hukuman yang telah dilakukan PUSFATJA mengacu kepada kedisiplinan pegawai
yang dilakukan dengan mengacu kepada absensi kehadiran. Selain dari absensi juga
dilakukan berdasarkan pengumpulan laporan bulanan baik individu mauapun tim
kegiatan. Hukuman diberikan dengan melakukan pemotongan TUKIN sebesar 10% bila
melakuakn keterlambatan dalam pengumpulan pelaoporan tersebut.
3.3. Pengukuran Pencapaian Sasaran dan IKU Pusfatja Tahun 2019
Tahun 2019, Pusat Pemanfaatan Penginderaan jauh 6 indikator kerja yaitu 16
model, 1 prototipe dan 5 pedoman pemanfaatan penginderaan jauh, 21 publikasi nasional
terakreditasi, 5 publikasi internasional yang terindeks, 1 HKI, 95 instansi pengguna yang
memanfaatkan layanan informasi penginderaan jauh, dan Indeks Kepuasan Masyarakat
atas layanan informasi penginderaan jauh bernilai 82. Berdasarkan capaian kinerja 2019,
Pusfatja telah melakukan percepatan dengan mencapai persentase yang cukup
signifikan dan melebihi target yang sudah ditetapkan.
Capaian sasaran strategis ke 1 berupa peningkatan penguasaan dan kemandirian
iptek di bidang pemanfaatan penginderaan jauh sudak dilakukan dengan hasil yang
sesuai target seperti 19 model/1 prototipe, 7 pedoman pemanfaatan penginderaan jauh,
22 publikasi nasional terakreditasi, 11 publikasi internasional yang terindeks, dan 2 HKI.
Adapun persentase dari masing-masing capaian adalah 128% model/prototipe, 104%
publikasi nasional, 220% publikasi internasional, dan 200% HKI. Peningkatan juga
ditunjukan pada strategis 2 berupa peningkatan layanan data dan informasi di bidang
pemanfaatan penginderaan jauh. Peningkatan ini menunjukan tingkat kepuasan penguna
123
yang semakin tinggi atas hasil keinerja yang diberikan oleh PUSFATJA. Peningkatan ini
tidak terlepas dari kerjasama dan upaya untuk terus mempertahankan predikat sebagai
Pusat Unggulan Iptek.
Tabel 3.22 Pengukuran target dan realisasi tahun 2019
No Sasaran Strategis
Indikator Kinerja Target Realisasi Persentase Pencapaian
(1) (2) (3) (4) (5) (6)
1. Meningkatnya penguasaan dan kemandirian iptek di bidang pemanfaatan penginderaan jauh yang maju.
1. Jumlah model, prototipe, dan bahan pedoman pemanfaatan penginderaan jauh yang operasional untuk pemantauan sumberdaya alam, lingkungan, serta mitigasi bencana dan perubahan iklim.
16 Model/ 1
Prototipe
5 Pedoman
19 Model/ 1 Prototipe
7 Pedoman
128%
2. Jumlah publikasi nasional terakreditasi di bidang pemanfaatan penginderaan jauh.
21 Makalah
22 Makalah 104%
3. Jumlah publikasi internasional yang terindeks di bidang pemanfaatan penginderaan jauh.
5 Makalah
11 Makalah 220%
4. Jumlah HKI yang diusulkan di bidang pemanfaatan penginderaan jauh.
1 Usulan Judul
2 Usulan Judul
200%
2. Meningkatnya layanan data dan informasi di bidang pemanfaatan penginderaan jauh yang prima.
5. Jumlah instansi pengguna yang memanfaatkan layanan informasi penginderaan jauh.
90 Instansi
184 Instansi 193%
6. Indeks Kepuasan Masyarakat atas layanan informasi penginderaan jauh.
82 84,77 103%
124
Tabel 3. 23 Perbandingan realisasi target Pusfatja tahun 2015 – 2019 berdasarkan IKU
Indikator Kinerja Utama (IKU)
Realisasi Renstra 2015 - 2019
2015 2016 2017 2018 2019
IKU 1: Jumlah model, prototipe, dan bahan pedoman pemanfaatan penginderaan jauh yang operasional untuk pemantauan sumberdaya alam, lingkungan, serta mitigasi bencana dan perubahan iklim.
18 Model/ Prototipe/ Pedoman
20 Model/ Prototipe/ Pedoman
21 Model/ Prototipe/ Pedoman
16 Model/ 1Prototipe/
19 Model/1Prototipe
/7 Pedoma
n
IKU 2: Jumlah publikasi nasional terakreditasi di bidang pemanfaatan penginderaan jauh.
7 Makalah 19 Makalah
21 Makalah
20 Makalah 22 Makalah
IKU 3: Jumlah publikasi internasional yang terindeks di bidang pemanfaatan penginderaan jauh.
4 Makalah 10 Makalah
5 Makalah 6 Makalah 11 Makalah
IKU 4: Jumlah HKI yang diusulkan di bidang pemanfaatan penginderaan jauh.
0 Usulan Judul
0 Usulan Judul
3 Judul HKI 3
Copyright
1 Usulan Judul
2 Usulan Judul
IKU 5: Jumlah instansi pengguna yang memanfaatkan layanan informasi penginderaan jauh.
72 Instansi 115 Instansi
110 Instansi
123 Instansi
184 Instansi
IKU 6: Indeks Kepuasan Masyarakat atas layanan informasi penginderaan jauh.
81,2 87,07 82,13 85,75 84,77
Berdasarkan kondisi capaian dari tahun 2015 – 2019 pada masing-masing
indikator kerja PUSFATJA dapat dilihat peningkatan dari masing-masing IKU.
Peningkatan ini menunjukkan komitmen PUSFATJA dalam memberikan kontribusi untuk
Indonesia. Pada IKU 1 peningkatan hasil berupa model/prototype/pedoman dapat dilihat
trend yang meningkat dari tahun pertahun. Hal ini menunjukan komitmen PUSFATJA
untuk menghasilkan suatiu produk pemanfaatan yang berguna. IKU 2 dan 3 berupa
publikasi Nasional dan internasional menunjukkan trend yang meningkat. Trend ini
menunjukan komitmen pusfatja sebagai lembaga litbangyasa yang memperoleh
penghargaan sebagai Pusat Unggulan Iptek. IKU 4 tidak meningkat dibandingkan tahun
sebelumnya namun sudah mencapai persentase 200% dibandingkan target yang
ditentukan pada 2018. Penurunan dibandingkan pada tahun sebelumnya dikarena
125
sebagaian besar hasil HKI telah diterbitkan pada tahun 2018. Pelayanan Pusfatja
menunjukkan trend yang meningkat yang ditandai dengan peningkatan penguna dari
tahun ke tahun (IKU5). Peningkatan penguna juga diikuti dengan peningkatan indeks
kepuasan masyarakat (IKU 6). Hal ini menunjukkan keseriusan PUSFATJA dalam
memberikan pelayanan yang prima.
Gambar 3.29 Pencapaian IKU dari Tahun 2015 – 2019
3.4. Capaian di luar IKU
Selain kinerja yang telah disebutkan di atas, pada tahun 2019 PUSFATJA memiliki
beberapa capaian lain, antara lain:
1. Mempertahankan status sebagai Pusat Unggulan Iptek (PUI) dengan nilai 9,4
(skor 937,6/1000). Detail penilaian dapat dilihat pada Gambar 3.30. Selain itu,
PUSFATJA juga menjalin kerjasama dengan lembaga-lembaga lain yang juga
memiliki sertifikasi PUI.
18 20 21 21 27
719 21 20 22
4 10 5 6 110 0 6 1 2
72
115 110123
184
81.2 87.07 82.13 85.75 84.77
0
20
40
60
80
100
120
140
160
180
200
2015 2016 2017 2018 2019
Perbandingan Pencapaian IKU dari Tahun 2015 -2019
IKU 1: Model/Prototipe IKU 2: Publikasi Nasional IKU 3: Publikas Internasional
IKU 4: HKI IKU 5: Instansi Pengguna IKU 6: Indeks Kepuasan Masyarakat
126
Gambar 3.30 Hasil Pusat Unggulan Iptek (PUI)
2. Mempertahankan sertifikasi ISO 9001:2015 mengenai sistem manajemen mutu
(Quality Management System) untuk manajemen penelitian, pengembangan, dan
perekayasaan. Dipertahankannya sertifikasi ini menunjukkan bahwa produksi
informasi yang dihasilkan oleh PUSFATJA telah dan masih memenuhi standar
internasional.
127
Gambar 3.31 Sertifikat ISO
3. Penghargaan “Adhyasta Bumi Award” dari Masyarakat Penginderaan Jauh
Indonesia (MAPIN) sebagai instansi yang berperan aktif dalam pemanfaatan
penginderaan jauh Indonesia.
Gambar 3.32 Sertifikat Penghargaan Mapin
128
4. PUSFATJA telah berhasil melakukan perjanjian lisensi dengan PT. Marlin untuk
implementasi prototipe litbang ZPPI.
5. PUSFATJA telah membangun web services dalam rangka mendiseminasikan
informasi tanggap bencana berbasis data penginderaan jauh.
Gambar 3.33 web services informasi tanggap bencana
6. PUSFATJA mampu memperkuat infrastruktur, antara lain piranti keras dan lunak
pengolah data, perbaikan bangunan bengkel dan pos penjagaan, tiga perangkat
baru peralatan survei, dan peralatan pendukung lainnya seperti jaringan internet,
catudaya, dan catudaya darurat.
7. PUSFATJA membangun sistem SPBN berbasis android (SIPANDORA) untuk
memudahkan pengguna memanfaatkan data yang ada di dalam SPBN.
Gambar 3.34 Tampilan Aplikasi SIPANDORA
129
8. PUSFATJA telah memperoleh akreditasi dari Komite Nasional Akreditasi Pranata
Penelitian dan Pengembangan (KNAPPP) dari Ristekdikti. Dengan ini, mutu dan
efektivitas kegiatan penelitian di PUSFATJA telah dipantau dan diawasi, juga
dapat memperoleh pembinaan yang dilakukan secara terus menerus dan berkala
berdasarkan pedoman yang berlaku oleh Ristekdikti.
Gambar 3.35 Sertifikasi Akreditasi Pranata Penelitian dan Pengembangan
9. Pusfatja, LAPAN juga mendapat penghargaan dari United Nations Office For Outer Space Affairs (UNOOUSA) karena telah menjadi Regional Support Office (RSO) yang membantu penangan kegiatan kebencanaan yang ada.
Gambar 3.36 UN-SPIDER Regional Support Office in Indonesia
130
3.5. Akuntabilitas Keuangan
Rincian realisasi PAGU anggaran tahun 2019 dapat dilihat pada Tabel 3.25 dan
rincian realisasi anggaran berdasarkan IKU tahun 2019 dapat dilihat pada Tabel 3.26.
Tabel 3.25. Realisasi Anggaran Berdasarkan Akun Belanja TA 2019
Uraian Pagu Anggaran Realisasi Persentase
Belanja Pegawai (51) 17.943.839.000 17.371.475.004 96.81%
Belanja Barang (52) 10.891.955.000 10.485.604.513 96.27%
Belanja Modal (53) 10.855.045.000 10.577.564.776 97.44%
Total 39.690.839.000 38.434.644.293 96.84%
Tabel 3.26 Realisasi Anggaran Berdasarkan IKU TA. 2019
IKU Anggaran Realisasi Persentase
Jumlah model, pedoman, modul,
dan prototipe di bidang
penginderaan jauh untuk
pemantauan sumberdaya alam
(SDA), lingkungan, serta mitigasi
bencana dan perubahan iklim.
6.476.277.000 6.085.515.731 93.96%
Jumlah publikasi nasional
terakreditasi di bidang pemanfaatan
penginderaan jauh.
80.000.000 62.491.354 78.11%
Jumlah publikasi internasional yang
terindeks di bidang pemanfaatan
penginderaan jauh.
589.600.000 589.094.250 99.91%
Jumlah HKI yang diusulkan di
bidang pemanfaatan penginderaan
jauh.
- - -
Jumlah instansi pengguna yang
memanfaatkan layanan informasi
penginderaan jauh
744.723.000 734.673.535 98.65%
Indeks Kepuasan Masyarakat atas
layanan informasi penginderaan
jauh
- - -
TOTAL 7.890.600.000 7.471.774.870 94.69%
131
Adapun Pagu anggaran beserta realisasinya dari setiap keluaran pada satker Pusat
Pemanfaatan Penginderaan Jauh berdasarkan PMK 249/2011 tertera pada tabel 3.27.
Tabel 3.27 Pagu Anggaran Beserta Realisasinya Dari Setiap Keluaran Pada Satker
Pusat Pemanfaatan Penginderaan Jauh Berdasarkan PMK 249/2011
Keluaran Volume Anggaran
Target
(TVK)
Realisasi
(RVK) Pagu (PAK) Realisasi (RAK)
Keluaran 1 (orang) 100 100 17.943.839.000 17.371.475.004
Keluaran 2 (laporan) 22 27 10.891.955.000 10.485.604.513
Keluaran 3 (Sistem) 1 1 6.498.276.000 6.455.338.252
3.6. Valuasi Ekonomi
Kegiatan layanan PUSFATJA yang dilakukan selama tahun 2019 yang dibagikan dalam
rangkaian kegiatan yaitu Litbangyasa, pelayanan, produksi informasi, dan belanja modal
bila dikonversikan dalam rupiah akan memberikan dampak keuntungan secara ekonomi.
Adapun besaran dampak keuntungan yang diberikan adalah sebesar 14.951.979.707
(masih angka perkiraan, valuasi income dihitung dari output yang dihasilkan tahun 2019
termasuk kegiatan pelayanan)
Tabel 3.28 Valuasi Ekonomi
No. Kegiatan Pengeluaran Valuasi (“income”)
1. Kegiatan Pusfatja tahun 2019
38.434.644.293 (96.84%)
2. Litbangyasa 5.098.111.000
3. Pelayanan 24.139.192.000
4. Produksi informasi 13.294.276.000
5. Belanja modal 10.855.045.000
38.434.644.293 53.386.624.000
Valuasi (“keuntungan’) 14.951.979.707
133
BAB IV INISIATIF PENINGKATAN KINERJA 2019
Pusfatja terus berbenah dalam upayanya meningkatkan akuntabilitas kinerja
secara optimal dan berkesinambungan. Untuk mendukung hal tersebut, Pusfatja
menyusun inisiatif strategis sebagai bentuk respons terhadap hasil evaluasi internal
dari Inspektorat Utama, arahan pimpinan LAPAN, dan agenda program Reformasi
Birokrasi
4.1. Tindak Lanjut Atas Evaluasi SAKIP
Berdasarkan hasil evaluasi internal oleh Inspektorat dan rekomendasi yang
disampaikan, maka telah dirumuskan dan dilaksanakan beberapa pembenahan untuk
peningkatan kinerja Pusfatja, yaitu:
a. Penyempurnaan cascading kinerja dari level eselon 2 hingga level individu
Pelaksanaan cascading kinerja sudah dilakukan sampai level individu, sehinga
masing-masing individu sudah menandatangani Perjanjian KInerja Individu yang
didalamnya tercantum Indikator Kinerja Individu. Selain itu juga sudah dibuat Kisi-
Kisi penyusunan Sasaran Kinerja Pegawai (SKP) di lingkungan Pusfatja
berdasarkan tugas dan fungsi jabatan fungsional yang dimilikinya. Sistem reward
dan punishment juga sudah mengikuti peraturan yang ada.
134
b. Pelaksanaan pemantauan secara berkala kinerja
Sesuai arahan pimpinan LAPAN melalui Surat Edaran No 1 Tahun 2018 terkait
dengan tunjangan KInerja Pegawai LAPAN, maka telah dilaksanakan
pemantauan secara berkala pelaporan kinerja Individu bulanan, pelaporan kinerja
litbang bulanan dan pelaporan kemajuan persentase bulanan.
4.2. Program Peningkatan Integritas
Pada tahun 2019, Pusfatja sudah mengarah kepada Pembangunan Zona
Integritas unit kerja menuju Wilayah Bebas Korupsi (WBK)/Wilayah Birokrasi Bersih
dan Melayani (WBBM). Pada penilaian internal oleh Inspektorat, Pusfatja sudah
dianggap mencukup untuk diusulkan menjadi satker menuju Wilayah Bebas Korupsi
(WBK)/Wilayah Birokrasi Bersih dan Melayani (WBBM). Hanya saja penilaian
eksternal belum mencukupi penilaian tersebut. Tetapi Pusfatja optimis di tahun 2019
akan menjadi satker Wilayah Bebas Korupsi (WBK)/Wilayah Birokrasi Bersih dan
Melayani (WBBM).
4.3. Penguatan Program Reformasi Birokrasi
Pusfatja terus melakukan inovasi untuk meningkatkan akuntabilitas kinerja dan
mendukung Reformasi Birokrasi. Untuk mendukung hal tersebut, Pusfatja
membangun beberapa aplikasi untuk meningkatkan efetifitas dan efisiensi pegawai
dalam bekerja.
1. SICeCeP (Sistem Informasi Check-in Check-out Pegawai)
Gambar 4.1 Tampilan Sistem Informasi Check-in Check-out Pegawai
135
Sistem ini dibuat untuk mempermudah kinerja bagian administrasi dalam
memonitoring pegawai yang pergi dan kembali disaat jam kerja dan memudahkan
pegawai bagian administrasi dalam menghitung waktu pegawai yang pergi dan
kembali disaat jam kerja. Adapun manfaat dari sistem ini agar pegawai lebih efektif
dan efisien dalam bekerja. Informasi yang dihasilkan sistem informasi check-in check-
out (sicecep) dapat digunakan untuk kebutuhan bagian administrasi.
2. Aplikasi Dashboard Pusfatja (Aplikasi Display Kepegawaian dan Keuangan)
Gambar 4.2 Tampilan Aplikasi Display Kepegawaian dan Keuangan
Aplikasi dashboard Pusfatja dibuat untuk mempermudah monitoring data
kepegawaian, keuangan, BMN, dan PPID secara transparan pegawai bagian
administrasi dan keuangan lebih efektif dan efisien dalam bekerja. Informasi yang
dihasilkan berupa data kepegawaian dan keuangan yang dapat dilihat oleh seluruh
pegawai di Pusfatja.
3. E-Fasilitas Pusfatja (Sistem Informasi Elektronik Fasilitas)
E-fasilitas Pusfatja dibuat untuk mempermudah monitoring pemakaian dan
perawatan alat yang terdapat di bidang profas (program dan fasilitas). Informasi yang
dihasilkan sistem informasi e-fasilitas Pusfatja dapat digunakan untuk kebutuhan
monitoring pemakaian dan perawatan alat.
136
Gambar 4.3 Tampilan Sistem Informasi Elektronik Fasilitas
4. SINADIN (Sistem Informasi Naskah Dinas)
Manfaat dari Aplikasi Sistem Informasi Naskah Dinas (SINaDin) dibangun untuk
pembuatan Naskah Dinas agar lebih efektif dan efisien dengan berpedoman pada
Tata Naskah Dinas yang berlaku di LAPAN Pembangunan aplikasi ini dapat
mendukung reformasi birokrasi LAPAN khususnya di lingkungan Pusat Pemanfaatan
Penginderaan Jauh.
Gambar 4.4 Tampilan Sistem Informasi Naskah Dinas
137
BAB V PENUTUP
Laporan Kinerja PUSFATJA merupakan laporan pertanggungjawaban terkait
pencapaian target yang mengacu pada Rencana Strategis PUSFATJA 2015-2019.
Laporan Kinerja ini disusun dengan berpedoman pada Peraturan Presiden Republik
indonesia Nomor 29 tahun 2014 tentang sistem Akuntabilitas kinerja instansi
Pemerintah, dan Peraturan Menteri Pendayagunaan Aparatur Negara dan Reformasi
Birokrasi Nomor 53 Tahun 2014 tentang Petunjuk Teknis Perjanjian kinerja, Pelaporan
kinerja dan Tata Cara Reviu atas Laporan kinerja Instansi Pemerintah.
Secara umum seluruh target dari setiap sasaran strategis Pusfatja telah berhasil
dicapai sesuai dengan rencana kinerja dari sasaran strategis yang tertuang pada PK
2019 dan sasaran strategis yang tertuang pada Renstra Pusfatja tahun 2015-2019.
Rata-rata capaian kinerja kegiatan PUSFATJA pada tahun 2019 berdasarkan PK
tahun 2019 mencapai 158%. Semua capaian kinerja mencapai lebih dari 100% dan
dapat dikategorikan Sangat Berhasil.
Capaian tahun 2019 baik berdasarkan PK tahun 2019 ataupun target sasaran
kinerja tahun 2019 dari Renstra Pusfatja tahun 2015-2019 untuk menjadi “Pusat
138
Unggulan dalam bidang pemanfaatan penginderaan jauh untuk mewujudkan
Indonesia maju dan mandiri” telah berhasil mencapai bahkan melampaui target kinerja
dan dapat dijadikan sebagai acuan meningkatkan prestasi pada tahun-tahun
mendatang untuk mencapai sasaran strategis dari Renstra 2015-2019. Pada tahun
2019 ini Pusfatja berhasil mempertahankan Pusat Unggulan IPTEK oleh Ristekdikti
sehingga diharapkan dapat menjadi rujukan nasional di bidang Pemanfaatan dan
Diseminasi Penginderaan Jauh.
Pelaksanaan kegiatan Pusfatja di tahun 2019 dilaksanakan melalui peran
Kelompok Pemanfaatan dan Kelompok Perekayasa atau keduanya disingkat sebagai
Pokfatyasa atau Kelompok Jabatan Fungsional sesuai dengan struktur organisasi
pada Peraturan Kepala No 8 Tahun 2015. Sementara peran bidang lebih berperan
sebagai fasilitator, koordinator terutama terkait dengan penguatan diseminasi dan
penguatan fasilitas (infrastruktur) dan program. Untuk mempertahankan capaian yang
telah dihasilkan di tahun 2019, Pusfatja pada awal tahun 2020 telah melakukan rapat
kerja untuk menyamakan persepsi terhadap perubahan pelaksanaan kegiatan
khususnya kegiatan penelitian, pengembangan, dan perekayasaan serta akan
membangun dan menyepakati mekanisme koordinasi dan hubungan kerja antara
Kepala Bidang–Pokfatyasa dan Kepala Bagian Administrasi, dan Prosedur Operasi
Standard untuk perencanaan, pelaksanaan kegiatan litbangyasa, diseminasi,
pembinaan/ pembimbingan/ bantuan teknis, kerjasama dalam dan luar negeri,
pengembangan sumber daya manusia untuk mengikuti kegiatan ilmiah (seminar,
pelatihan, dan sebagainya) penerbitan makalah ilmiah pada jurnal internasional dan
lain-lain yang diperlukan.
Upaya mendorong peningkatan kinerja dan menghadapi tantangan ke depan,
antara lain:
a. Peningkatan kapasitas SDM dan akuntabilitas kinerja organisasi, melalui : (I)
peran aktif pimpinan untuk melibatkan secara aktif seluruh struktur dibawahnya
dalam pelaksanaan RB, (II) menetapkan ukuran kinerja individu dan melakukan
penilaian kinerja individu sebagai dasar pemberian tunjangan kinerja (III)
membangun sistem informasi kinerja pegawai secara menyeluruh dari level
kepala s.d level Individu yang dapat diakses terbuka (IV) melakukan
139
pengembangan kompetensi pegawai (V) penyempurnaan proses bisnis dan
SOP pelaksanaan kegiatan di organisasi.
b. Pemerintah yang bersih dan bebas korupsi, kolusi dan Nepotisme (KKN)
melalui implementasi menyeluruh terhadap kebijakan pengawasan serta
melakukan monitor dan dievaluasi secara berkala. Peningkatan layanan publik
melalui (I) menerapkan teknologi informasi secara menyeluruh (II)
pengembangan pelayanan prima (III) menetapkan rewards and punishment
pemberi dan penerima layanan terbaik.
Laporan kinerja ini diharapkan dapat memberikan informasi yang kredibel,
akuntabel dan transparan kepada stakeholders PUSFATJA. Laporan ini juga menjadi
bahan evaluasi untuk meningkatkan pengelolaan kinerja PUSFATJA. Akhir kata,
PUSFATJA berharap dapat terus memberikan kontribusi di bidang pemanfaatan
penginderaan jauh sebagai Pusat Unggulan dalam bidang pemanfaatan
penginderaan jauh untuk mewujudkan Indonesia maju dan mandiri.
LAMPIRAN
/,
,/ '/I.APAN
PERJANJIAN KINERJA TAHUN 2019PUSAT PEMANFAATAN PENGINDERAAN JAUH
PUSAT PEMANFAATAN PENGINDERAAN JAUHLEMBAGA PENERBANGAN DAN ANTARIKSA NASIONAL
Jl Kalisari No. 8, Pekayon, PasarRebo, Jakarta 13710Telp. (021) 871 0065, Fax.(021) A722T3g
www. p usfatja. lapan. go. id
//I.APAN
PERJANJIAN KINERJA TAHUN 2019
Dalam rangka mewujudkan manajemen pemerintahan yang efektif, transparan dan
akuntabel serta berorientasi pada hasil, kami yang bertanda tangan di bawah ini:
Nama
Jabatan : Kepala Pusat Pemanfaatan Penginderaan Jauh
selanjutnya disebut Pihak Pertama
Nama : Dr. Orbita Roswintiarti, M.Sc.
Jabatan : Deputi Bidang Penginderaan Jauh
selaku atasan langsung pihak per[ama, selanjutnya disebut Pihak Kedua
Pihak Pertama berjanji akan mewujudkan target kinerja tahunan yang seharusnya
sesuai lampiran perjanjian ini, dalam rangka mencapai target kinerja jangka
menengah seperti yang telah ditetapkan dalam dokumen perencanaan. Keberhasilan
dan kegagalan pencapaian target kinerja tersebut menjadi tanggung jawab kami.
Pihak Kedua akan melakukan supervisi yang diperlukan serta akan melakukan
evaluasi terhadap capaian kinerja dari'perjanjian ini dan mengambil tindakan yang
diperlukan dalam rangka pemberian penghargaan dan sanksi.
Pihak Kedua
Jakarta, Januari 2019
Pihak Pertama
Dr. Orbita Roswintiarti, M.Sc.e
Dr. M. Rokhis Khomarudin, S.Si, M.Si.
PER,JANJIAN KINER^IA TAHUN 2OL9
PUSAT PEMAIiIFAATAN PENGINDERAAN JAUH
Jumlah Pagu Anggaran 2Ol9: Rp. 35.322.000.000,00Program Pengembangan Teknolo gi Penerbangan dan Antariksa
Jakarta, Jamari 2Ol9
Deputi Bidang Penginderaan Jauh, Kepala Pusat Pemanfaatan Penginderaan Jauh,
Dr. Orbita Roswintiarti, M.Sc. Dr. M. Rokhis Khomarudin, S.Si, M.Si.
No Sasaran Stratesis Indikator Kineria Targettll tzt (3t t4t (sl1. Meningkatnya
penguasaan dankemandirian iptek dibidang pemanfaatanpenginderaan jauhyang maju.
1. Jumlah model, prototipe, danbahan pedoman pemanfaatanpenginderaan jauh yangoperasional untuk pemantauansumberdaya alam, lingkungan,serta mitigasi bencana danperubahan iklim.
16 Model1 Prototipe5 Pedoman
2. Jumlah publikasi nasionalterakreditasi di bidangpemanfaatan penginderaaniauh.
21 Makalah
3. Jumlah publikasi internasionalyang terindeks di bidangpemanfaatan penginderaaniauh.
5 Makalah
4. Jum1ah HKI yang diusulkan dibidang pemanfaatanpensinderaan iauh.
1 Usulan Judul
2. Meningkatnya layanandata dan informasi dibidang pemanfaatan
5. Jumlah instansi pengguna yangmemanfaatkan layananinformasi pensinderaan iauh.
95 Instansi
penginderaan jauhyang prima.
6. Indeks Kepuasan Masyarakatatas layanan informasipeneinderaan iauh.
82
o.IT<bl-t
EEE*E*sE # l\ e
f;HE$ +A* '-3'HEE fr8 *g d.s Y+E
=
g1'$
f E$g rf;?*u EZ !q A ^=-4tri=>8f;3?gH$lsb< dhm.9Et
3ME
Hr{JJ
hrJ
z
ufrln2t{(,zfrlAzF,.
{fr{,z
=frl&Ei
al^tJT
or{oNztJFIH<E{
bg,HaFIxzt{'h
JzbfrfrlAl-laM
<zo2'frlM
zE
\:
\
()E
6
ta -crs-E
8:6.!IEH.E-oES5Ei,{o€EN ,r4NOEoE-ioltrr,EEiEb0(,gEdEe5!trc{, {,AA9?tr
E-:Eek!t€Estr85IO-E!o.ii tr!6rEsE90,{, +.1boGEE,i:!
E2!xaYfub
d
ood
dE
od,l(
sA
6d#dE(,Ao
oEHHNkdEoil
al6,Ed(,)
#(,u!kdF
aa
p xaYda d
oodkoI
d
o6
sAddIdEE(,AE(,E
oE
u)
k.dEoII
6dAdo(,b0
dt{
TI
dd6oIofr
(|rld
EI
o\
cH eF(!M,^C$H
ETE E E(d -= - c 6 !M.! i: ! id b0:b!;.i9pcq5U (g StsHd6iE06Hd6triEB: E fi 5 H.$ s$scdi*-(hfibnhbn.e q,z E I z ! o.J. > '}(
t€ c ri ci
b0
6ni
EBE!!o 66t ;rH 2 g s_.ijo .lo!€E HE E!! L!vloo ooNa-o a o.c
-d
EM'=b, SS i
EX EEE 8.3E'd OdiEE CEE-s.- ;=ac id=trb O o b:'i -o !.- o
Eme Ei€s BHHi: ts o J o (d F ir= !;ES E8*E EEE0- .:.o p. o. tr .= z o.:
6l
cdItgI
g
dtsdd>& 66& E 96 a6 6 - 6 tLa=LA<d.o:dH6 intrb!- H b!i:.4
9P; PE; P?,6 A $EHg-q*sEE:s!Hs:^'P X eo? i= S^E i 5n trE F E E E E H HE E I.:.Lqatrcztr!trzc-o
^.)
EtrL!o.= (6 6--t2 h hd9b bEEq^ 6dZs- a=19cdn 4!!tr!X=et<d! l.5-C!bn ESCdU!LLiOd OOtr
t
':bo !!v2Y v o;=!-di(u9* 6 KF?! O a I o -O:P A tr P ?-c A.i:do jYddSFE SA?Fc U E. C i* Q
I!t
!l
F
d6 dri.116.1t6:e ! !e=(E o c6!bod bo!lur: 9P E qP, d
HB-UE-!sE>': o *.!L o a C"
f f; F'! E r g H>c: EJ1z! AEoVLa€ d .o
6
: ft-Eo.n 6 (!d0L>qE ,hH^5dA i' oH-6iri 5,'Xdd! != !
;," H;O
cc zea.ord ooo0. > a o.E
tr(g
!-
!l =eH X S S?8.t 6E ErI o iri L l'1 -oP A tr H b'-r'A.i:do) i:,^6diYFo .:!odF
il:6 6E!:0-.! ! o- o. tr.=
o!06Fado!u
a .^ : O!; o o.r9do
FHN(o
edB-HOEU.!d
oA
c$-q f = =g .F^n-EF*H*E I€ F^3dEE:Eih.9 :i HF3€EiE E,iui Ff *$e EEsa.a! o.:o f cIo 6= o! q=
-7M G att = E,^d SE? .ed
= EH'E E--'=-.dcq E^.9dd Ei'iih??*r:3.= >-;:!
-c r-b.='6 a E"=! i !!;.>.4tr ai c! q.98.=:J
e F S^"o7 t'i X l4o ts,H 2'E-?6 Xi!Edii flEEETEEE$;!EE
0uck
e o o
odJ'€I&aEoA
(r)
'iil c <.(g S- i = a= S-f;; =-$*s=E-HtE:ing.EEH.;5EHills=teeiEtg;
EE i# a $fiEe $iE E ;"E *e{ti*+'e-i 2 h? 9';ri $;101E<.Tpstg EE! [fl E& E ti liEaE k
^^uEH 9on$ !- d- 6.d FE?Eg, EIE.=!_v !.; d t.- -' 5d't= - i = cHE.eSilii$;dHih!3!!x
Uri-=c=H€9mS i c-HJ ! C ^ *= xH.= i!;:! du L'6kssEE: E9 S# tr'd *.Esj.cd H.:vr - (d Ft'9 t.- ^'n * L t lEEiEE H! Ef Cd,)l'j',9ofi8€Ui eFrfi:^;si!;F"-+!EEYPrq=tri:r:E,, irl dE Ul = ii U tr o
iotEB#eteHEr
N,
X : aaa -!L - "di3 -EE sxElaEli+=:!ds I:(ija&.:;e€HgEqpE=EA0=E=EE 6: a i dne I: trr !! i)E EEEiEiSEE=,!SEEE*
6(SE, q,-ad X
EE Bti s*
<dd+'Ididd.- o,^! il,; r tr !la'iYYdV' cd -!l
iE HE +;'E i qpi E Fs
ra-ot!!iHo6
t
k: a ,
ild Y5 -^Y'I m :!J: is;
Zr<DFI<DbDz
rt=oH=zg
EEF(5t2g3
;I3iztaEA
oE
od
E9'= s=lda
c!
!o
aCd
.E
!o
lI
!tId()IoE
oI!,
E
bnooct!!ay oE- Haa l),t dHO F50 6bb zao. s
u0C)
(!L
Eo
E!Ooo
\o
cr);(s
66o
sdF
LUd
q E cd=s Eo=t H 5 )TE;EgSh o= 6 tr F
ffEPEt.o# H E E! "iv
^: a.!E
J O t)O O O
cd
b!b0
oq+CI
-c(ddd
Gx
bo
d
cd
h0b!O
do
.dc/)cojjb0LdF
VJ
C: d.e-9in: H
UE'r.1 E
'n box
ci'E 9S C\@
vcd
bn
oj
(f)
ilao
oo.oh
o
o\C'cr)jj
b0H
.c!I
N
I6
B
00
b0aoc!H oEI( A
E
l.o I==
g) 9 O-U b U V
d-dHH 6E Eg €E.u F.q d&
d 4!i -@F""{!sf;Exxccc.i:(g*=d d (s d Fm6 ! 9!.9t,>-o -o.- d.i^ 9tltrtrutrco.: o o;-i o o o>6AY^^u
bt Pd= H=!ual-a
:*Eata
:€ as,>: G6Y:'E
ad,EI
F
boOOC!o
6si p.
q.
a= .n
H: d)e 6ud z
:t
Od
!!i d'i <IE"^Ed&6 O d H'-q! 6.: I d C
PH.eEi-:mE I c Et -rh€ s fr tiH; o t)o o oe oiY J4 old
r90 E6-b06= |
IZtr-a-:
:n MYadxat 9&i
ot0dtadgcil
+N
!d
HsE5oA
|o
Pu S EHE'l:-^9d A!d
H'i E esES H.d>@ tr13 h 5i! tr:1 i?S=iX.doaJ+rj
sM :!,i dH d:C .:B! .- cd d tr og.)-6ld<d6'U€^* E sE f i F.gE"iSYEIcE4-cotroho!lqYH5
M !6 O
.a ( H* 9.r a U
F,E e E F s € E.EL-iE: fo o ! q!<'orari{dci!.VHj>gEgEE€.EB..q
ot!6t
e o N6
odJ'tH
nIE0A
!
=co il
!! $ !! o;i-! !'o H d !e
9]l tr iq Jr.C= A* A c
hd i: o'E-- NX u o
'&qPc.!ottr
a ii cd,- " hrj i
E*iEEE*EeHilL R I5 4 diE = -sxht?sEsiE1E E [B H;i3; H9.; ,.H .rE E qEHi E* E" 1H F 5^
EE d E F E ryEE H
o=ol e !
Edtr! iAiiLdtr tr}:ia- 5 = ci.5 d di* d! H
t-tdd60S d o !!d.!i=d d o, c d ts
X6EEtri!E< I9So 6'Evodo!::
odEuo
ud
!,
iE#ecoHE
N
aAt6dd
dd F lc'a E cEtd d i,^6 C tr
E*$FIe"r
ds cda! -6 ds 199a 9l eS P E!: N se tr.Eol,A'a6!9P!EgEH.U.EE.q
EShotgdt!ofr
btEs! =mhE H.X EON
>s€ E.g
o&
CdrJ
=aar!Ld
I
t-tdl6r
l8EI 6.8lbsItrEiEgIEE
IEillNsl6l-jEl9-IEE
l!E)-tE$ I
l$& I
I E'Alrf IAEIordg*
lei I
&c l.: o? |
J EE I
dH,E IID; Fil -l i
E $H i
$.Fi I*f 9 I$,0: I
E !E iLAE
trcd
13
F,a
-aa
I
I
l
I
l
Ilo)old
clrl6lr
oldIIl!
Elctd lid I
dllE I
lE Ilo Ial-lolEIttolElrl^tHI
NII
dlEl'oliltel6ldt&ldIrJl-l{, Ib0tktdlt-l
cd
ca
P-aq!!!Nx0.h.
I
I
I
I
I
ld-.1 olol.cttItlotfttl.cId
IEt:loldlJ(l!t, iIo" I
lc Itd Ild I
td I
iE I
IE I
lo I
Ie Ilc IIo IlE Il! IlJ IolElil
I
tDtFI.dlElrl,,1cidl.!lcl.t!dlol-l{rlbot!t!dlF.
l
o,!{
I!,g
&
|o
IaEI
v)ddLLup;
E b a 4 s N.s6 > cil! :y i: b0EEE:E€!O\Yd'=)i-
tr.S'656809!: b0Ci4 e C H
e -E € & 8 8.5 =cidd
5ddJ
'A!dOr=P
6i-C Ytrcd!?5tr(gd iE:YOiil
dJ c o
0. og, o
"-i:dB!-q'=ats=
il !':(!-5)?iJ h o.e (!-f, !- C4H I d
dYa9.!iY69
O. O.! cd
lr)
I6
a@
A6
uol E d g E H iiC!: -Fi! d !iEa6EtiEt.!E:!gAdoE;!;'t.v-(6MM;
> tsfl-v€& E E E,
ddd
dO
=i EP g
t.aae^
X a='d ocdi!Xo!H H A'Eo=6d5p. o.E c! o
EO
*s vc i 9^
cd =.: o=d2ai.aidl.; A nd-O o! -a- i C ai!
\t
tr
N
cao (d5i6H!!=6
cd l-q u 'd -'
r:ES ! H H! a E it d trf.Y d o.6. ai"trd=nmdeMU
=EH€qEE.ts.):r!!o
-OG!
CLUE
-:; A e-
X a-15 o! !v: U!c6J !: a
o5(dd5
O
-- Ic't 9^H,:: OE5 c= 6 o'-! \!
H9AiEH\ia=5
a- X tr iai!
o!!0,kEd(,E
H
::do
.:690E^^-
FiN6
|o
It0..5gE5o&
6
-^: G A d
!3*FryE SE Fh3:E;=iE; Ii $EEiEosp n^a'iii E; i =:6j5 -
'E!i=Q;EEEATE:.H> 18 d.:t= a;tE;;38
-L
: -.-- E iis4* JoP!s/=:E+-^E! j u _ - Mi:! s o quNa;:5ii->.-;-.JcE57.!! i ii cP! t:;5.-EEgEESE"'=iEiEz.=q q= c.o o.+:.dyJ $aE ee .E SEif,E
o!06F
$ o o
od*tq
acoa
o
E= c d.s.: -*- i - :.- EAi =-+**=E-t*;I=iis
EEx;;iEigi;iEEFEgIIi* 3e : 3i EE::t EE'E s.s EE
Efl€ ETi aE HEE [5 ilig5E i
il*gEtrnHix!:!ih -q
o 9.;!.: L
!oi-odr.:sfi i gsgEd x E b! 9 d xI tr - g!tr ts o:ET BE $*fi:F b SE q b E-G
:! o -^d J
tr ".!n a t.=vluaJ-r!4,^!+58 !! !5.c.-jqi:!o:ir'-Eao!?':i.:cdAEh!E.=-
l! 9Ha-iE mS.H &s ! rS-: H! 11 jl | |a X.E = 6.P.1i
6!5ir5*sELloHE
*
N
j
i'sI ri:ESs,li;ditra5dcitri,g1=trco
E;;;EraF==r:li;;8.E eE 8..qg.erEgE B.=
=.inoa
i: !!: @ h^:i!= ! h;f.:ii.;* e spi==:
i:d E -
.*.9*iiY; E E
tgS"E.EEP € {EoEEEsP{F EYU -Ei: i= I E E ! N i.:', -'a !
-66U&od9addlrQa
F.
u6 != _^9
E 9- E+ E lor> Ed!.sE &.9
ZHsiDF)EzE{FdolHHaR=z9HE
= rEl
"f!-?a4MA<E(-2l-<DOAzlaQQil
oA
cd
lq
laqX0.f&
Cd d
oo
&Ic!doco&
oId
El
eo
G
a
otu
(t
oE
o
!d
\o
;Cd
(dp.(noob0
,6
icH6
di: dn.=:'i: d df!d'u=p1-tE;i!9Sho'=6cFil;* ?E eYd Y LU L^^
U d: EE*^>-o c Xi Ei9g E hb b b'a oiY & o.,ld
6-b!bo
C)a00$
dE6
d6
M(d
d
bn
oq(d
ol
rl6:ltslbolLCNFi-l
vi!
oo cCi cdo-b0:Et E
.}ltr-
-oc6x
a.u I bdNco
6bo
o!oil
oo
oo
d
o\
jjo00!
F
'oc6
o!g
cd!
6
a
oo-
6-d
n 66 dd
.q N.q d6E eb '"S$,;: E E 8.
H'HHeH-e*"9 = n a H !;-!!.: O l^Y
; o oi o iD oa p. o.; o o.-ll
E! ff
5aO]i HEa PB-d3 r$E> E aXMOEHii !
tt
!d
o
f..
EN!
6
od
oo-
HdNK-:: d
a.5 lli a e
* E; E d,sh o,:6 c F&-:-U qE H
3E.98;:;q P c E€;sEEsf,t: o trl (, U oa o.i: J( ofa
VJ
6o cei cdo-b0.9d6
o --:
'. boYAri^''ii o;iN
L-.1 ! tr 00
ot06i{Idggu
vN N
.0
I
9sEIf;
lJ)
!aE*i 6 cc-dv 6 d e !FH L U ! -i!!---qE (!eN.= Y! X E H H9Pjl H F6-! <r 9
=*-EEiEESEE;ia.a.o o.grY,EvEE
Y-m $,c EI d!c .-!
E.af;tEH3{ErdH94q.QEH.!EEEil!s*EHE=.--E
p. tr l< !.E p..:g
9 !E Ei c E* s -; bEE,UH-O.EEEgitggHr,E gr
90uch
$ o rlN N6
0dTtc
TgEoA
6
s= c o u6 -C 9 H F d X!; a ; 9 Ma H Q.qxiiStrrg*i
u.uEHas^E?-(€7 P.! s H EE:h^(o:l-dqa-tr-*cod1lHdge!p5JiJd.H^s I - u L.i i=:i
F? X 6 E= e E g
$s -.-:E!d#9 ;!t-tEE9Tsy?Mt: I i 4;d ! -Moi==-q-id
Efgtr€HEiEEa , - - l i X tr dEE*E.qlittrgE.g#t
=,.E E u SE.b StrEESPSSeEq
aN 1d! d= H
=di id q:Hr? EE - in E
*.Fg E H6Ea*-= =ai'E{15 cd d* d! *C
i! i o ltlzE ^"
Y at= x H x dJiy$ihFE-cE N X E.E E E E.q
c
!s6P
#sloEE
T
N
tr
Sd
iri i
*6iddd
di i-r !r-c a E cEE} ! MT H.=c sq u! - md!;-:etrc=r.i Hi v *.-
trdd
!H dcV>, ,-ii
, fr gT-E EflE ilr il.s E $Ess>83.!E.s
a.&EE{d
d#
z.t H
5 =mtd d E :l.q
aJE o..g
()A
(d
.o xaYLb
od,{
IE
{,>
dToA(,
(,E
,!loENN
(,EoI
(,
un
d€(,aoq,ooIA
dEo\oaIEd6.r6.Uk-6tOE
g.g
TTt-E
cd
do
vobfr,
ood
6E
od
Acdd
!(,A(,
,{oE
d
olk6Eoil
tr(!dAda)
I{,b!Hc,t{
la
.o:la:lLb d
trooq,
(,I
d
od
3r6,6l(lEoA(,c
IoEd
rJ)
IdENil
dd&6,(,T(,u0t(c
F,
6I
6tdocoil
ol
ccagl
_.a E_ _H6 b0H ! S-rJ E'; -I g 9= st p Ej::qF !s o g cd4F"=F"ii " F"E:S>Sa€ E ffi9rebF bt; f; i F E eEB P B: T P i E h E E! PEEE FEE.E rSa tr a I! > i: F. o.a ]( !5
i.i,ti
qtr6daJ
a'acgo
S.U5tr6'-! -c:it-! ag B
.dj4 C a
EMO6'=@
.-_E d d!.- o -j:6do
-! o Y
0. o..= cd
oId
o
0o
qHi a -q E!Eqq66bo
$F $* t x . E - $ E I E
BHBi$E$iEBE#EEcEctdsrdE_ic99dddd
dO6!
trdHH.; ! d5 c!:
: @=1J O
cd-!!:@c"o i/i X-oti5(d650- o-e d o
O
-l I
= e* (g o
c - xE 09in=j5=! !v 6.i dd:< d d X
F
cd
EI
N
_a 3d -!s - b0E E[%E HAE.--:O.E b Eg t E* 6'd tr (6 - c i cd;-S*SH€ E sEEr:+!nf,aEEr€i P h^ I E t b h.q >b b U H i B. ii'e E Eo s> E > tr y s d E> .v €qi .o o' Ei
--.idO6!
trdHH.= ! i5 c! !'-H 5 \!c E 14!:: @='d u(di(!:oe.o a 5.oorou50. o.i d o.
O
-l I
P fv 6.; r(ie d tr =
d!!.1:tr
IouctiIdo
&
\o
!
!; oll.r!dE
!^^^
FiNo
Id*e5S{.:ot
rO
*+i E - trs .l=;i; 6 ; N
= c r'^N aEe*iYi =d $:5:E
,i -
I I d.= J L - -:!
Hi.X ss i:5 Pt E+-S u: E
S iE H.ii= t;t5tq3 a=
dF.94 ! Efli .r,'a q 9trX E-EsSg-HuEQo-FHMddt-A-r-_'!dIEc=r/X.! i d 9!t i F=-
uEd
ud.d=lFd,!-r)!dipa=17.! i i q! E; c
o!,dti
s o v el
o6J(dc6coa
(a
i6:J S i (i'-d ': f I = r= E dc.- Xa o :lr5'-o-;:6 o : =: md! dI tr; = o:
EE-;iEetgr:;e;r:liIeFIg,EEryEEF:;;EETE;E:tsia?El!s€iEn;ilEaEisg*E[iE [E ilEE tE UEE; pa
h^ili.
E 9mN iE?rg - g
'i d E= o' rIOi-AO!E(o:;Nd!!J.i.E5-n.E+LEE J I;iI HV_u 9: qn I uF"o !d CH Eld I tr
!!a-^a )Hs E 3"> -q.ldrd-=6JU
!d';.n=aa.^
E.e I's ;g E -(tt 6 s E'E Eg't.F=ciUa:.!gE:SE€:EErlEp€Es
6
XEETq!J!aEL'ceHE
N
o-! E trd -.2cE-EE Eigba'iS€q::i: * ! (da +::;:EE=iH1:EE?iEEE-=! X b.i tr= tr tr = ui c f.=B E E ir.5 E.q 8.;; E g jr 6E
'tdcdd
ar a 9d;dY E6X ! H Y!H,o A d o E"ii
-=--O-^!M-r H aaAi!9Cii - ds d; ! 9 6i .c r --d!; j H x: d - ry
EE E! Fs E E pi!
-eT&BOa66#
xr
!q .H E
3: .E mC
H*eH-<i=F)
EAil41-il9Ho2NE3AttuflggE<m(r.zrf;daail
oE
ot
50
!JI
dcoIoil
Ot
Id
El
gd
o-bn
Otu
d
ab!oo.
o
)o
;
!(d
\o
;6
oob0!
F
!ed
E H cd=s:6-d L 5 )VH-6KME6utF.iboIq.=DtrFP{J+ YH OYd Y (u !M
;c!adY6h€ E 6 6oHi E Lu tr,c o.,: O,O O O>^L9V^U
(6
Mbogoo.
C\t--
d
cd
dd
Ebn
d
6
b0u0
oo.Eo.dIof.-nob0!.6
;trOO Cd* cdd-u0.at E
l!-'A.ao
'i O ;i C.l Nm
6
6b0
o
ll
ao
ooH
do
-do\Lr)f-jjOb!!Cd
F
oId
EI
aodIa-bn
OA
(!cE d
E q9 EJ* gi, ssi: 60 -d
:d d d id limi'l (J cd! cd',l! ^
>.-O -O.= cd r^ Y11 trtrUtrco.: U Oi U O O> o, o-x o- o-lr
sb€ s!CCJ
-d0)v:'d'a i6:I ASaa^:x !( Y'n
F
!d
EI
t.
aaho
o0-
icdtcLud
tr x dls E
'l lr .; E.B #i: x.: H ^ -bo --t-ll H: o.PHgEiim;CBcd:cd>.o C ;i E1^ Y
,: o ro o o
oo trCi d.9"S-Ytr-
i!c:n Mx6r*6'E 9S
ot!6FI6o
fr
\o tN
Nco
ad
Bt,EOudte{,I
|4
==d
il- Q ! ! -
d=cd:lEil;tr1>atr'6HJi!tr:i-d*!SAXdoo^i++
uu $,.i d
E^6=trg.Hft!*Lii q tlit co! E.!o tr o I o !E€ B I
M Pd Ai _dtr tr
Hfi, E HEE EEA.lE ? f o c ! $-iZ i:iiX> cd!.1 tr.P,
ot0ctr
+ tN
Nco
o
,laErl
I
AEoa
6
!o
: -!uxaXL'di9:e N o;- d! r=oilr:d](!E2r a a.; EiE H&.i='Fo*6EE!!t a cx a ! i.!
tr- *c d (g.!l tr dxt il' j6E f* !:E E5.s.j:E 5.=_V
'to
alid-voi I
l*iEEE*EpH:*h F g i 3cE_E lexr;ri-*lsca:9FlaawdLd!A!
iEi:B.EBH!;!E.!d-iH.5EiH.E*t
= ! E r PF.ts S;i E tr tr o d d a: o
-Pd!
=d:dl! i!!Oi:!(!tr EloT^:UE N NJ tr
- Fi tr Art et--dd60sl! d o E€-V= x.d d p.= tr (! tr:rH ftdE E.o H.SH i YYa 6'C
^Evodoi:xx.il
E
!5CP#sleHE
ct
tr<d
Eo
tria-
*4,
dt F h.- - - =g.q o - Bd 9
i E #E ='do;
,tr dciF cd
R* d.4i o
E H E 8,3 H Ia
^ b a d I 35
E'&kod9!d
8#
htH
u! ! v
i d F Ys
oa
d!
=aq.\9!O
l
I
l
I
I
lol6
-.t etd,b,lol,{tqldIHIOlrt6liINt,lolEloIElc16l i
lH- Iladbrii IEd Iir i&i IoA Ig'u Ioo IEg l
Es I
'EO t^k IsE I8d iH!rr 9 I
4E I.Es I
Er.E I
d= Ioh! I
$-8 IHtr ]8E I
l
d
AA
-aa
I
II
I
II
Il-ldlrlololdlHtdIEl:loldITlelc l
l3d Itd I
td I
lE I
lE IolrlslotEI,lTIotEIil^t
NlHIdlE, I
NIulcldldllrldlol
UIol!,0 Ikttrl
I
cd
'A MF)=aa l.IE-.t olaldlkto
i.!l'!
tald,{tsItrldldldll!
trl(,ItrloIE
5.!oE
'd!dEtOil
(!d&do(,b!!(nl{
4.!a
!lccoco&
N
datr
01
trCdaE* '6
6ti-d.a trF ,nJVN!
E5H7E6o o.=: iLi 9<jiE-oa o.
dr,
'6FdO
6n-C ItrdH5c(!c -E:dro9dJ tr @
I d 5-i
'=ots5n ^^cJ--5
Eir i, o.
FfrH3d-O o YU)IO
Icd
!t
!o
6cddfl -ll vE=E-- F$= &5t i $s Ffi;fEeEsHIFtEids4fts-qEf E f s t F€ t E r fl,E c E c E fi EE c € td.ci dEj
dO
i! !cd!
d:;ae-
(!x!xoc! iri X-Oo5cd65
H H! LU U
o6r
FC Ie'a 9-
'-! w
iBli.i C nH'- I u !
n- X tr iai!
o
c
!t
N
6 E HcJ( -r U d cSbcdcd?L!dqf9trai"ro*l
$E$;e t $r$:r;*E;_AE€i;{t r fln tr€ 5€ f 5 H ! E> E > E € E fl 8.5 8".8'€:qi"dod
dOG!
H6H5 c! !d:i a u^
: o='d o! \v: u!d l( E: @!E ! dEd d.H H d.
oGT
HC Itr d P== tr? (s o
d":al.adJi; i i+.n I H Ed-O o! an<p5=^- X tr a.:
oLO
ctr!do
E
XO
-o:
cs-HO=EA!doA
t11
-^: ; - 6 4 -
= tr Mi 9!tr =?i s.Y! =.=ltri:.9 sI 9Eoi
EE! a: frt Fi;i; e{.o i- li = 9= | E I qpf tr E.=>.iE n.Ea= n;cl t-8 E=
.ZE ;!-.n E Fqpti .gat9=:ud*:
*l=! i SSi:E.!iEEE"EEEEHE!HE
Hr *.-!.;!!
id
; .- o -^! M;F la ;P-9trX ,'.1
;.( d Sq _ cl H ! d a. fiFJlia.:! t r gpr'x:i trEEEEE.::TITEF
.i v *,_P.i!
Io!acF{
+ NN !..
odJ!E!
o!{,A
l-i, e oef :Y
= o
gk ==styd:=frlEi=;si E "^i * r te d,-et E H si E E e e
iI6'5dsH;E€i:r*aEHtrE[;*;s,f;U5feI5EE;":=gEAEfgef
EEEEEff$;gi
h.Mil==d4k 9mF r>! : i - q- d* di il: d:.:2 r:E.SP q a
trs.s3EEg;'A=:r cd o=EFrsEihEU*X=
E d d.! ! IA
EETEPI!iEe.vEE,e-3d
:s @ -^d )
ia.<E6E.9a),al-tuo,^gf EE Ef E.X._ d.ii o ii ! o:a.t=oau=.=cdEEh!F.F-xp-YHe-=EboYFF!-dq;:lts fi k€ f,s E Fa X.V= L9.1;
6Ixit5#e!(,Hq
I
\
jAr
E;iI E:53i6^$€:str-==.=r=x-=--\!
EiE;+T;rESE*;;;!.i-o a= @! o=
ONt:'A-= @
t!9:o.^Y-gg: li:.!EE EE€ ffEE6;:o=Xd
!sH;Hd'=.9mh9;:c q
t-qE-EEE! * {urE € ir.a i't.F E L- I dl: i= P e E ! C i.X
dUkoa66loa
s-3q = l9ud 9= -^9
s x: v dr 9;.i.! *.;
a_ZH
S{E=M4Fd9HozN lrizYHEEo:zge'<tri(r2?
HEil
dI
!/ni: :i3t N :or'to ) EH-u L\e5r+''ilq-dxSili:rg(ulQ'rk I 5
6st'-i.- a a
eED. !'q8 V- &,.e;t,h(d>'a
PtiPind
p.
otr
o
tr'dAA
atr.dYLh
d
oo
o
.E
v'd
IIccoTou
c{H
c6,
at0
Or
6
oLotu
toE
o
6
o;Edo6(.)
oML.6F
di> dd
= !+: F d:"oly;= E
ftE;EE*}h oE 6 c F1"" "i, o,cd I$EE E flJ'o P c Et:!,.E d 3 tr*; o r)o o oa or iI .Ii o. -ll
Cd
-bou0
otr
+66
cn
CS
h
b0
d
-bn00
oqEo!
.ilo\lolol-tIIu0 IEI
'l
Eo s.YaY9'd b-!tr-6-y
AU i^'o€ CU
Nco
z
6
(gb0
o
ioil
o
op.oLcn
o\
r:,-ou0!
I
ecagt
ao
oq)M
Cg
t z''tr : EiHivd!n
s8; ;l E $ eE 3 E€ S-q.o^>-o.o.= d.a 9
"E f E# E E'Fa o. o.; o. o.-]r
bt v!co
:r E!a Pb.d € Ebd;> ! cd'ivO=Ll=iC
o
Idl
EI
N
aoa
CHHG(9d
sEEf s H
*E;Eq*h o.= E tr q;."" ^i, ocd ISEE s fl#'q i! c E€:sEEs$t; o r)o o oa p. -: td o. -.\l
V:;co-bo
-!tr-6-:
'nboX
o'3 I &l
o!0dFqdoIa
I +N No
E6XgTE,
oA
lo
.-=M- <i tr E rdv 6 d s E
=E tr u iU al!!--^!E GEe\=9H! ELH@N H'1 - A A a .
U E.B !i csE Ffr,
uY >! ! !
E .- E,!! H c ai'ir2aixdE!Bd!-u!q.E!H.i
E 1l sEsE:E ilE
U !d d! dU! -i:Eff,EE6EEflgrt$gtrsE
ua
o!!ait{
+. o ilN N(0
o6{
.Ea
sHqoA
sa= - O mcd -tr e; I d xN
g $E P,Ht!€ egr q trq dhF FJ!€7y!sHEE.ePS &E; E; E EE5 P I * #.si E-'* 6!: U e I5EEs EEE 8.EE
-.ffi.=cEc!_yiajl idUJH=6iaiE?FEH};ETE
ilE$*;nEii sO , ^.4 i: tr c !E* EE H* tr E E.E
gt EE [E H$:E il
=bqo! 6 ! x
,- &.-.: E i:
*.F3 E HAE:ir,-= Eo':{
i! C o lElii ^"Y -Ea X H X d
=.V X H.E E E E.q
c
5Ht5*srtoHE
T
N
o
E
M;o-
a6a
dE F !<; ! cE8-E d ioS c.Ec Q u! - m;H; C:v tr C==
ii o ad a.
tr! - ,r Lci ci-E tr 4-q.9:adEHt: x su tr.=dl'a'ad!!P!
Egsi.l€E8..4
EAkoG!a6fi#
h'f H
-u : s_0:fd cd d
LCd
aod-L(Ud
dL:vHLU
ak=r:Y(U
'iEad ijili qJ4
!PP
dddhh>HHH
ddd
I
ot'l
I
oboai4C)
'(-)H
d-+J
dH
q)qJ4
!d
d
ddLrod
MHoo.d€cd
d+)Cdd
Hnd
o
Gq)
L
hO
oF.Hd
!-C)
oOo
qr
tro.
o
J4o
J4
6ldoHH
o +.ju!
E ,r4
a i.=
'rj
adtrvCd
dCd
J4+JdiaM
dC)
H
!H
d
cd
adEl.€
d
dHddLC)
Hho
o
d!cdE
d+Jcddq
Cd
)roo.
Iqq)O
o/\ lr.aH.iO i/iqO6P.o-rr +i0.ddbH(U
EB&+IE&J4xd:v
ad(9cDtsfiao-+)i
-Ji0)"d ii
AN+
VIva'=
!H!Yl
U-oM\aV rlo+uo J!OHtfH
*tio:ciH ,iLuH!fr() !pd(gc+rdHq tP(u>F
F 6{ua)A!
ld H=.Ylf-a)-rlU-HF!;J.nd
gl 'FM d-',
A EHdA*! oJc)(u-fi*U=5 11'dnp/uo. !aio lo-(gd: MIlui(u a-"6du-AH-Ho !(6Ptu€(g E d-{ .rl,Sfrg 'r qN(j6 0-d.d:i.HtraHoO..(6dO. *5 OE
dH-!-LrE :E€.E E.E C
-o N _o.i
O ($ O'H'; Gi.= -rHiU- Vd EdEHfr! - ! - v') n ,\ H di! q xdlld E *r5 :J(J!!!!(t O. QQw- o o 0)=H 5 665sq - iitsVA^ H
vVUii 7\ 7\ Jd \"/ v\,:=
qi ,*,*.Is o oooE : HH'E; F FFE.H d ddrq 9 P9E14 tr.r tr E $-h -E; -t M-)--^b J( xJll<:€a.)Ht'l^)re t oii f,Hr^Utu ld H!-v (,
ddj;.i Or--/=AaOOl-IUAA))^\J(UfGOC,Udlud;! HdHH-
^H*HHHdL-LLH! iito6d(u!#!€kHHIUH-H-*6::o o5()o-:E E!E13J4
lU 6\ A H A ^
;ii-^vV;iVU::
HJA > H.>=#(UHlr()ltE F-r N(Y)g>
'6'd'A E cd d cd lu"o
E E E :$$€€€ E o o::: trTE6 6 E H a'3EEE = O d_ 4 A a tr6.ottt t N-g - $r*Hoiii q rEE .= E-$$HH E EgI E.=6tsrjrjrj : E5r 3$ilEaEEE -r a3f 8.;i:E.6o.Fo.do A- _iEF A1rrr i B?E *SEfitgg.g i; EEs HlgiHd<gcd c QdE J4sE'dt H >xo uqjEEE?<e. n i! old: Eh€=Efif;* ; 8;ff -E€EtE.d .cd .6 v = il I E'Y:< o'd oEEE Ea€H€ siEi;tEEE :EEEs nE!EHEg P P ko ^rs 5 =s 5I5FFF HE$EEss EE9EHE
;€€ =gstfisuc---g-EEE ! EgHI{; !€ s$$E il,&&& # E#E s E gE; E g.Efi E
HHH E€I $gH EgIE$$$$TE€ 8T U,Hi{ 9! E E E E E EEEE 0oQr V'P! ! E E-i.q-(-q-C
EHE fiBE*fEEEiflflflflfld (sd tr;=Eqqt triEtrcEtreF F F FE h I E E g g t, 8 8.ts 8.8E 0 E ES aEE U U U s c c c H Hggg
^^ QJ4.= & a. O a. n P.6 E 6 ts E
EssEEsEssEss!5EE5S\O l.- @ O\ .-r -r Fr Fr Fi .-i i .-r J f Ot O N
