Transcript
E1rbzxZ-HLY • Webinar 78 Potensi Teknologi Penginderaan Jauh dalam Mengestimasi Karbon Padang Lamun Indonesia
/home/itcorpmy/itcorp.my.id/harry/yt_channel/out/EcoEduid/.shards/text-0001.zst#text/0112_E1rbzxZ-HLY.txt
Kind: captions Language: id memberikan pengalaman langsung dengan praktikum dan eLearning yang dapat diakses di Manun jadi awalnya saya mengikuti pelatihan ini memang dari grup-grup di alumni ya Mak ya perah ikut patihan ini cerita mereka itu sungguh bisa Diang menarik ya karena mereka pengetahuan mereka tentang yang pengin mereka ketahui itu meningkat gitu ya kemudian skill-skill yang dihasilkan dari hasil pelatihan itu juga cukup bisa dilihat begitu ya terasa gitu manfaatnya di kami terutama untuk eh Para konsultan yang memunukan tenenangka-tenangka ah sehingga saya memilih ekoedu dan sempat mengikuti pelatihannya juga dan itu terbukti benar gitu nah saya lihat Instagram itu ada edu ya yang akan masyarakat pelatihan nah di situ juga saya baca-baca terlebih dahulu ya terkait tentang informasi yang disediakkan olehu nah Menurut saya itu menjadi hal yang membuat tertarik untuk pelatihan Git jadi saya sering lihat di Instagram gitu Bagaimana ekedu menyampaikan informasinya ekoedu itu bagus karena phatian-pti selalu tergini terus mengikuti zaman dan juga pelatihnya atau marnya itu bagusbagus bagus dan terbaiklah di [Musik] bidangnya I eh yang pertama memang Tentu saja Ini meningkatkan danemsimalkan skill-skill yang saya harapkan begitu ya tertama dalam penyimpinan dokumendaler saya jadi bisa lebih produktif lebih efektif juga e punya update Gitu ya update-update persoalan-persoalan dalam penyan terkini dari ahlinya langsung di lapangan gitu yang pengalamannya Tidak diragukan menurut saya pelatihan yang disediakan F ini sangat bermanfaat sekali dan mudah untuk aktifnya jadi ada teknologi terbaru yang saya dapat yaitu di eLearning ya itu luar biasa pelajar ini juga mudah sekali untuk dipahami Alhamdulillah bisa mengikuti dan juga menambah ilmu pengetahuan yang banyak [Musik] banget ehning ini memang di memang sangat diperlukan sekali ya terutama untuk kita yang dengan keterbatasan pengetahuan kemudian juga waktu mungkin eh itu memberikan kita kesempatan untuk kembali mengingat kembali mendengarkan paparan-paparan yang mungkin kurang jelas kemudian juga kita bisa mengulang sesering mungkin yang kita inginkan kita juga bisa revw kembali sehingga belajar kita bisa lebih efektif dan efisienarning itu membantu sekali Ketika pak pada saat penyampaian materi ada yang ketinggalan gitu ya jadi saya bisa lihat materi itu di sangat membantu Mbak Jadi saya e ambil materi terus lihat video yang bisa diakses kapan aja dan di mana [Musik] aja 4 juta dengan informasi yang kami peroleh itu jauh dari kataspadan sebenarnya jadi apa namanya ya Kalau saya bilang terlalu murah itu jadi sepadanah ini menurut sepadan Bu karena memang pelatihannya ini pun sangat membantu ya dalam menyelesaikan satu pekerjaan yang ada di sekitar lingkungan saya sendiri gitu Saya kira seempat sesuailah dengan apa yang didapatkan [Musik] ekpp efektif tepat dan profesional [Musik] dan Hebat Keren profesional dan juga keinian [Musik] Bismillahirrahmanirrahim baik asalamualaikum warahmatullahi wabarakatuh Selamat pagi Bapak Ibu semua selamat datang kembali di webinar kedu ke-78 Bersama saya Muhammad Agung tra Gustiana selaku moderator bapak ibu semua hingga siang hari nanti baik Bapak Ibu sebelum kita memulai kegiatan kita pada hari ini marilah kita berdoa menurut kepercayaan masing-masing Berdoa dimulai selanjutnya kita akan bersama-sama menyanyikan lagu Indonesia Raya [Musik] [Tepuk tangan] [Musik] [Tepuk tangan] [Musik] Baik terima kasih kepada bapak ibu semua yang sudah bersama-sama menyanyikan lagu Indonesia Raya seperti biasa Bapak Ibu di sini sudah hadir 2304 peserta di ruangan Zoom kita dan mungkin akan bertambah dan Saya sebagai moderator ingin menyapa S sampai du orang bapak ibu yang hadir dalam ruangan Zoom ini agar mungkin kita lebih Ril Bapak Ibu Ya baik saya izin menyapa kepada bapakahin dari DH Kota Bekasi Selamat pagi menuju siang pakhat Halo saya sudah mengirimkan akses untuk unmute pak zahrudin Apakah sepertinya suaranya tidak terdengar ya Pak zahrudin baik mungkin pakudin saya tidak bisa mendengar jadi saya izin untuk geser kepada peserta yang lain kita geser kepada bapak Indar Selamat pagi pakar Selamat pagi Bagaimana kabarnya Pak domisili di mana Pak eh baik-baik saja saya ada di Tambun Bekasi di Tambun Bekasi ya Pak kondisinya bagaimana Pak dingin Pak di Bandung soalnya sedang dingin-dingin Iya Memang agak sedikit memang iklim ya ini agak sedikit dingin memang terasatanda k kesatan ya ya Ini webinar pertama kali atau sudah berkali-kali Pak kebetulan pertama kali karena teman saya Pak ini men di grup kami jadi kami tertarik sekali untuk mengiku Pak Baik Pak semoga webinar kali ini bisa memberikan banyak ins Ya Pak terima kasih bak terim terim kasih Pak sudah bersedia untuk saya beri pertanyaan kita lanjut ke peserta selanjutnya DII mungk tadi lakiaki Sekarang kita ke ibu-ibu DII tapium hadir dan belum ada yang menyal Kama Jadi mohon maaf kepada para ibu-ibu saya izin dilewati terlebih dahulu mungkin saya lanjut ke bapak sysul bapak sysul Selamat pagi Pak samamsul terkaget-kaget Pak Apa kabarnya Pak saya sudah mengirimkan izin untuk unmute kepada Pak Syamsu Apakah dapat diterima Selamat pagi Asalamualaikum semuanya bapak ibu semua peserta Waalaikumsalam warahmatullahi wabarakatuh Pak Apa kabarnya Pak domisili di mana Pak Pak Alhamdulillah keadaan baik domisili Aceh di Aceh Utara di Aceh Utara ya pak ya dari ujung-ujung Pak Samsu I apa pak yang membuat tertarik untuk mengikuti webinar kali ini pak ee semuanya tertarik Pak semuanya menarik untuk diikuti iya ya khusus hari ini kan materi penginderraan jauh ya mungkin selain baru yang menambah wawasan memperdalam bagi yang sudah bagi kami baru [Musik] pertamaudah haruh iniik terima kasih kepada jug kadang mod kesepak dis siapa kami ekoedu Bapak Ibu mungkin ada yang sudah bosan atau ada yang baru tahu siapa itu ekoedu perkenalkan bapak ibu kami PT ekoedu Indonesia merupakan pusat pelatihan bersertifikat yang berfokus pada pelatihan lingkungan hidup pelatihan-pelatihan yang kami selenggarakan di sini bertujuan untuk meningkatkan kinerja dan juga kualitas sumber daya manusia baik secara individu maupun instansi pelayanan kami di sini terbuka baik untuk perusahaan pemerintah perorangan pemerhati lingkungan dan pihak-pihak yang memang ingin meningkatkan kompetensinya di bidang lingkungan kami menghadirkan pelatihan secara online dan juga offline untuk memenuhi segala kebutuhan Bapak Ibu di setiap kondisi kami ekoedu menerapkan pelatihan berbasis SP pertama silabus komprehensif kamighadirkan materi-materi yang menyeluruh mudah dipahami dan juga terupdate secara regulasi dan kami juga menghadirkan pengajar-pengajar yang berkualitas di manengaj mengajar yang telah bekerja sama dengan ekedu berasal dari berbagai bidang ahli dan juga dari instansi yang beragam Bapak Ibu dan juga kami menghadirkan latihan-latihan praktis dengan adanya eLearning edu kami memberikan peserta kesempatan untuk mengulang materi dan juga memberikan akses selama hidupnya untuk mengulangulang materi di lms.id berikutal beber pengajar yang telah kerja sama di ekoedu Bapak Ibu dan berikut adalah beberapa pelatihan kurang lebih sekarang di ekidu ada lebih dari 15 paket pelatihan mulai dari dokumen klhs life cycle assessment hingga pengelolaan banjir dan sedementasi sungai dan juga pemodelan Bapak Ibu dan juga Saya sebagai moderator izin menginformasikan terkait tiga pelatihan terdekat kami yang pertama adalah pelatihan permodelan kualitas air sungai w2k dan wasp yang akan kami selenggarakan minggu depan Bapak Ibu dari tanggal 22 hingga 26 Juli 2024 dilanjutkan dengan pelatihan life cycle assessment yang akan diadakan pada tanggal 29 Juli hingga 2 Agustus dan juga pelatihan dasar-dasar amda di mana Kami ekoedu sudah bekerja sama dengan pusdkat klhk di mana bapak ibu hanya perlu membayar r.500.000 saja untuk mengikuti pelatihan dasar-dasar amda dan juga untuk dua pelatihan sebelumnya les ke asesmen dan juga permodalan kualitas air sungai Bapak Ibu hanya perlu membayar rp3.600.000 saja Bapak Ibu dan untuk informasi lebih lanjut silakan Bapak Ibu untuk mengkontak admin rilis dan admin Nisa juga dapat mengakses website official kami di www.ekedu.id dan bagi Bapak Ibu yang langsung tertarik untuk mendaftar silakan mengakses pendaftaran ekedu.id dan juga sebagai informasi tambahan kami ekoedu tidak hanya menghadirkan pelatihan-pelatihan reguler namun juga kami dapat menghadirkan pelatihan-pelatihan inhouse sesuai dengan kebutuhan instansi dan perusahaan bapak ibuah baik Bapak Ibu kita langsung masuk ke topik utama kita terkait webinar potensi teknologi pengenderaan jauh dalam mengestimasi karbon padang lamun Indonesia Nah Indonesia dengan Panjang garis pantai kurang lebih 99 KM dengan luasan padang lamun 290.000 hetar menjadikan sebuah potensi yang besar bagi Indonesia terutama dalam pengembangan karbon dan sekarang karbon sudah menjadi sebuah komoditas yang dapat diperjual belikan untuk meningkatkan potensi ekonomi Indonesia juga bapak ibu dan juga di sini ada penginderaan jauh sebuah ilmu yang dapat memudahkan kita untuk melihat rupa bumi tanpa harus menyentuhnya ataua harus turun ke laanganah di kita eh dihadirkan pemateri terhormat kita bapak Muhammad Hafiz SSI m.sc beliau merupakan peneliti dari Brin badan riset dan inovasi Nasional Indonesia yang telah menerima undangan kami dari ekoedo untuk menjadi pemateri webinar kali ini selamat mungkin kalau di sana sudah siang ya Pak Hafiz Selamat siang Pak hafizang Mas Agung Terima kasih Mas apa kabar Pak semoga sehat selaluh dingin P jaket tebal Pak derajat jam Masih dingin ya Pak Baik Pak tanpa berlama-lama apakah sudah siap pak untuk memberikan Banyak fakta menarik kepada para peserta di webinar kali ini Pak siap siap Mas baik jikalau begitu Bapak Ibu saya serahkan kendali ruangan Zoom kepada Pak Hafiz dan kepada bapak ibu Selamat mengikuti webinar Mohon ditunggu Mas Baik Pak share share baik apakah sudah terlihat terlihat jelas Pakis Baik terima kasih sebelumnya asalamualaikum warahmatullahi wabarakatuh ee terima kasih kepada ekuedu yang sudah memfasilitasi apaa istilahnya ee Saya sudah lama ee terpikir ingin menyalurkan ya Berbagi karena kok kayaknya baca-baca terus kok kayaknya ee nyoba-nyobain terus gitu Ya tapi kan memang butuh disalurkan biar masuklah ilmu baru lagi seperti itu Nah terima kasih ibu yang sudah memfasilitasi ee media sharing ini sehingga saya bisa berbagi Dan harapannya ee bisa mendapatkan feedback dari bapak ibu Eh sekalian di sini baik eh perkenalkan sebelumnya ini sudah disampaikan oleh Mas Agung saya eh Hafiz Nama lengkapnya Muhammad Hafiz eh status saya saat ini status saya saat ini saya adalah pegawai Brin kemudian Saat ini saya sedang tugas belajar untuk melanjutkan S3 yang mana sekarang Saya ee berdomisili di Australia eh kebetulan memang riset S3 saya terkait eh mendevelop eh model untuk estimasi karbon ee pada skala nasional harapannya begitu J cukup ambisius tapi enggak tahu nanti jadinya gimana semoga e terjadi kemudian ya itu perkenalan dari saya ini next Mas Agung ini untuk tanya jawab e bagaimana nanti apakah langsung dicut sayanya atau diping kemudian Berapa lama saya dikasih waktu untuk presentasiik menginasukaktu i 1 jam Pak nanti set kita ada sesi tanya jawab langsung dan juga sesi tanya jawab dari slaido Pak mungkin seperti itu Pak Baik baik Baik terima kasih Mas Agung eh kemudian sebelum sebelum memulai saya discllaimer eh terlebih dahulu bahwa eh saya berangkat dari eh riset jadi peneliti statusnya adalah peneliti jadi sehingga sehingga memang eh kurang lihai dalam membawakan materi karena tidak banyak pengalaman terkait mengajar kemudian apabila nanti ada pertanyaan atau ada yang ee belum dimengerti terkait penjelasan saya bisa ditanyakan eh setelahnya atau mungkin kalau untuk apa R hand juga dipersilakan seperti itu eh kemudian Eh sebagian besar yang saya sampaikan ini terkait masalah updateupdate r dan memang eh saya menyad Dar ada peluangnya bagi Indonesia untuk menghitung namun kan yang menjadi catatan ee Bagaimana akurasinya kemudian Bagaimana caranya terus ee apakah mungkin itu dikerjakan dan lain sebagainya yang mana itu yang akan saya sharing Dan harapannya kita bisa berdiskusi bersama dengan Bapak Ibu sekalian nah termasuk di sini tentang terkait penginderan jauh Asep resen Wah sudah ada yang resen ini Mas gimana ini saya jawab mungkin silakan Pak Asep waek di sini ada yang mau ditanyakan terlebih dahulu kepada Pak Hafiz Pak Asep WA atau ada request terpenah sepertinya sedang tidak hadir ini Pak Pak Baik silakan dilanjut Pak Nah ini materinya itu terkait eh saya mengangkat eh judul mengenai potensi teknologi penginderan jauh dalam estimasi karbon padang lamun jadi background saya sebelumnya itu eh juga remote sensing s1-nya di remote sensing kemudian s2-nya juga eh masih menerapkan remote sensing namun terkait masalah eh apa ya evaluasi evaluasi MP kemudian menggunakan teknologi remote sensing s3-nya juga remote sensing eh kemudian lebih spesifik pada membuat model biofisik untuk sigas seperti itu kemudian berikut outline-nya waktunya 1 jam Oke berikut outline-nya eh saya membaginya menjadi tiga Bapak Ibu sekalian ee agar lebih apa ya lebih spesifik pembahasan kita dan pertanyaannya nantinya jadi ada tig ini adalah pertama remote sensing itu apa dia bekerjanya Seperti apa Jadi ada inbrief jadi ada remote sensing aplikasinya Untuk sigras itu bagaimana kemudian Eh kenapa sigras gitu ya Apa pentingnya sigras gitu ya kemudian yang sekarang kan lagi Semakin Semakin apa ya semakin ramai Bahasan tentang sigra sebagai blukarbon ekosistem selain selain mroove gitu nah kemudian tantangannya Bagaimana Nah di sini ada poin terakhir ini nih yang akan menjadi eh bahan diskusi kita saya bilang saya bingung mengistilahkannya E kemarin terus saya mikir mungkin ee solusi yang potensi solusinya Seperti apa begitu Jadi ada beberapa yang akan saya jabarkan nanti di ee poin ketiga Nah kita mulai dari yang pertama remote sensing eh secara sederhananya itu remote sensing itu Eh mungkin kalau apabila orang eh membayangkan remote sensing ya paling mudahnya itu ada satelit yang merekam gitu ya namun secara definisi adalah remote sensing itu teknologi untuk mendapatkan informasi yang ada di permukaan bumi karena objek objek eh interestnya itu adalah fenomena di muka bumi tanpa dia kontak langsung jadi kita mau dapat informasi tapi kita enggak perlu ke sana gitu enggak perlu ke sana Nah kalau kalau kita menyederhanakan eh definisinya ya jadi teknologi ee sebuah teknologi untuk mendapatkan informasi tanpa kontak langsung ee dengan objek kalau tanpa kotak langsung berarti ada perantaranya dong gitu ya Nah meeting Berarti ada perantaranya nih Nah perantaranya inilah yang si satelit tadi Nah satelit itu bagaimana dia mendapatkan informasi dia mendapatkan informasi dengan cara dia merekam merekam dari eh energi yang dipantulkan oleh permukaan bumi Nah dari mana energi yang dipantulkan itu kalau di kalau kita menyebut dipantulkan berarti eh ada yang datang kemudian ada yang pergi ada yang mantul gitu datang kemudian dia mantul nah energi yang datang ini dari mana ada yang dari matahari Kemudian ada yang e dari satelitnya memberikan energi sendiri kepada objek kemudian objek merespon dipantulkan Nah jadi ada ada peran peran ee si satelitnya lah di sini ee yang merekam e respon ee dari setiap objek respon energi pada objek di permukaan bumi nah ilustrasinya seperti di gambar jadi di gambar ini ada platform platformnya itu ada satelit kemudian ada juga dengan pesawat yang membawa sensor nah kemudian sumber energinya itu eh paling umum paling umum paling umum karena fokus saya lebih ke sensing system pasif jadi dia dibagi dua ada aktif Ada pasif kalau aktif eh si platform si sensor ini eh platform ini dia akan memberikan energi kemudian diterima sama sensornya pada satu e instrumen yang sama gitu ya Nah kalau yang pasif dia energinya dari matahari memanfaatkan energi dari matahari Kemudian matahari Energi elektromagnetiknya mengenai objek kemudian ee objek akan merespon kemudian yang terpantulkan itu yang direkam oleh EE sensor satelitnya nah ilustrasi yang cukup jelas di sini kalau kita lihat itu apa ee ukuran dari panahnya nah ukuran panah ini analoginya adalah berapa besaran energinya jadi eh panahnya besar berarti energi yang datang besar Nah kalau kita lihat saat dia eh apa ya dia travel atau transfer gitu ya Dia berjalan dari matahari Kemudian dia akan ee mengenai permukaan air Kemudian Kemudian dia akan ee penetrasi ke dalam air semakin dalam perairannya maka energi akan semakin banyak berkurang sampai dia mengenai objek objek akan merespon ada yang diserap kemudian ada yang dihambur-hamburkan gitu ya kemudian ada yang dipantulkan Nah kalau dia diserap Berartikan energi yang tadi datang akan berkurang ee kemudian yang terpantulkan tentu akan lebih kecil lagi nah dia akan melewati kolom air lagi nih dia melewati kolom air lagi kemudian dia akan merespon lagi jadi energinya akan berkurang lagi jadi kalau kita lihat tanda panahnya di sini ukuran panahnya jadi dari dia besar sampai dia mengenai objek kemudian dia kemudian keluar nah apabila perakirannya keruh berarti akan lebih banyak energi yang terhamburkan gitu ya skater nah sampai dia balik lagi ke kembali ke ee satelit jadi dia akan mengenai satelit satelit akan menerima itu dan energinya lebih kecil dari energi yang datang Nah sehingga teknologi ini ee jadi tidak hanya tidak hanya kita ee bentuknya adalah bentuknya yang kita lihat itu adalah gambar gambar citra satelit tapi gambar itu dihasilkan dari nilai-nilai energi yang kemudian di apa ya diberikan diberikan warna RGB red gre seperti itulah sehingga kita bisa melihat warna di situ yang mana warna itu representasi dari besarnya energi yang direkam oleh sensor tadi Nah kurang lebihnya seperti itu kemudian eh poin pentingnya nah poin pentingnya itu adalah eh teknologi pengin ranjau ini ada empat nih yang membedakannya EE rekan-rekan sekalian jadi kalau kita misalnya ditanya ditanya citranya apa gitu Oh citranya mungkin yang lenset atau mungkin yang familiar ada yang pernah dengar yang lain Sentinel gitu ya Nah itu dibedakan berdasarkan resolusi spasial spektral radiometrik temporal nah yang spasial Ini ukuran dari pikselnya ada yang 30 ada yang 10 ada yang 5 ada yang 2,4 seperti itu kemudian ada resolusi spektralnya Ini yang mana itu Eh kemampuan sistemnya membedakan informasi berdasarkan pantulan kemudian ada resolusi radiometriknya itu ee kemudian ada resolusi temporalnya spektral ini spektral ini adalah Jumlah Band Ya kalau saya enggak salah jumlah band jumlah band kemudian Eh radiometrik ini adalah ee tingkat kecerahannya ada berapa bit ya ada yang 8 bit semakin tinggi bitnya berarti semakin ee apa ya banyak informasi yang bisa dibedakan nah kurang lebihnya seperti itu kemudian Nah sekarang kita masuk spesifik ke sigras sigras eh Bagaimana kenampakan sigras dari satelit dari dari berbagai macam e citra satelit Nah di sini ada dibagi nih jadi masing-masing Citra Ini dia punya perbedaan karakteristik tadi perbedaan resolusi spasial spektral radiometrik temporal Nah kalau kita lihat di sini ada yang resolusinya Drone resolusi 4 Cen kemudian workview resolusi 50 Cent kemudian ada panromatik ada yang multispektral 2 M Planet 3 m Sentinel 10 m lenset eh 30 M Nah dari sini kita bisa lihat bahwa eh semakin pemilihan Jadi kita mesti mesti harus e memahami tujuan pemetaan kita apa tingkat kedetailan kita seperti apa baru kita bisa menentukan Apa yang akan kita gunakan untuk pemetaan gitu ya atau untuk mengekstrak informasi berbasis teknologi penginaran jauh karena semakin e kasar resolusinya maka semakin eh sedikit informasi yang bisa diidentifikasi nah tampilannya seperti ini tampilan tampilan dari citra satelit dari berbagai dari tampilan objek dari berbagai eh citra satelit nah Citra satelitnya ada berm macam-macam yang dibedakan berdasarkan ee karakteristiknya tadi yang mana setiap karakteristik itu ada kelebihan ada kekurangan mungkin ee I benar eh Citra yang resolusinya tinggi kita akan bisa dapat informasi yang e Lebih Detail tapi eh dalam pekerjaan untuk area yang sangat luas gitu Katakanlah misalnya sat indonesiaitu tentu kita akan butuh eh data yang sangat besar Citra yang jumlahnya sangat banyak sekali gitu ya kemudian belum lagi apabila kita butuh analisis analisis time series gitu ya Nah sehingga sehingga eh kita mesti tahu tujuan pemetaannya apa kemudian e area pemetannya seluas apa tingkat kedalaman informasinya mau seperti apa baru kita bisa dapat gambaran Citra apa yang ideal kita butuhkan kan dengan segala ee batasannya atau limitasinya gitu ya Nah kemudian resolusi dan interpretasi jadi kalau kita lihat di sini ada ee citranya ada tiga nih yang umum ada quickb ada let ada modis gitu Ini nama-nama nama-nama satelit ni ya nama-nama satelitnya masing-masing ini dia punya ukuran piksel yang berbeda-beda nah memang yang lebih yang lebih detail dia punya kita bisa mengekstrak informasi yang lebih eh Lebih banyak lebih lebih detail juga lebih rinci gitu ya namun area area cakupannya itu sempit jadi dia areanya lebih sempit nah sementara kalau misalnya kita punya ide gitu Oh saya mau memetakan misalnya satu Indonesia gitu ya Satu Indonesia sekali jepret gitu ya mungkin hanya butuh beberapa scene dari e citrodis gitu ya Karena dia satu liputannya itu luas tapi resolusinya 250 m ukuran pikselnya jadi ee ukuran piksel itu dalam area 250* 250 kita hanya punya informasi satu nilai energi yang merupakan akumulasi dari objek-objek yang ada di dalamnya gitu ya Ee dalam dia merespon dari ee sinar matahari ini kemudian dia merespon terakumulasi menjadi satu kumpulan energi nah itu yang direkam oleh sensor nah artinya eh akan cukup sulit memang sulit untuk mendapatkan informasi eh variasi sigras dalam ukuran 250* 250 ya Nah namun ini saya melihat ini kan ee dulu mungkin menjadi tantangan jadi enggak nebutnya masalah dulu dia menjadi tantangan karena terkait berapa data yang dibutuhkan kemudian Berapa lama proses yang akan ee berjalan gitu dalam prosesingnya berapa lama dan bagaimana infrastrukturnya kalau dulu waktu saya kuliah dulu kan Eh ini Eh sangat bergantung pada kemampuan PC dalam memproses data kecepatan dia memproses data Nah sekarang nih nanti kita bahas bahwa sudah ada eh teknologi cloud computing gitu ya jadi semua data itu semuanya ada di Cloud kita tinggal kasih perintah saja gitu kita bisa menganalisis time series bahkan setiap Citra nya lewat merekam area yang sama kita bisa proses dia nah tapi konsekuensi antara ee perbedaan resolusi terhadap kedalaman ee informasi itu seperti ini kurang lebih kemudian nah bagaimana objek itu terlihat Bagaimana objek itu dilihat dari Citra dan dilihat dari e di lapangan karena di sini fokus kita Sig gras jadi di sini ada sigras kerapatan rendah sigras kerapatan tinggi sigras kerapatan sedang Katakanlah seperti itu kalau kita lihat dari Citra warnanya berbeda-beda ronanya berbeda ronanya berbeda Rona warna kemudian ee tujuannya tujuannya memanfaatkan citra satelit itu kalau untuk sigras ee salah satunya untuk mendapatkan luasan ini luasan ini nah luasan yang ada di gambar di bawah ini ada yang hijau-hijau ini semakin hijau dia semakin padat ee persentase tutupannya nah tujuannya tujuannya memanfaatkan citra adalah untuk mengekstrak informasi tanpa kontak langsung jadi tanpa harus datang ke setiap jengkal dari e si grasnya tersebut jadi bayangkan kalau misalnya tanpa teknologi ini kan tentu kita harus narik-narik meteran gitu atau mungkin sekarang sudah ada Drone sudah ada Drone eh Drone ya bisa dikatakan dia teknologi pengineran jauh tapi melihat sensornya juga ya ya nanti kita bahas lebih dalam terkait jadi kita fokus ke teknologi satelit dulu nah tujuan digunakan ee satelit ini kurang lebihnya salah satunya untuk mendapatkan informasi seperti di gambar kememudian e di sini ada sedikit gambaran gambaran bagaimana e teknologi ini bekerja metodenya seperti apa sih karena si sensor itu dia adanya di orbit kemudian objek adanya di bawah kemudian ada berbagai layer yang harus dilewati oleh energi pada saat energi di apa dikirim oleh matahari Kemudian dia melewati kolom atmosfer G kemudian dia melewati permukaan dia harus menembus air dia akan melewati kedalaman perairan dia mengenai objek dan dia balik lagi lewat lagi ke kolom atmosfer seperti itu Nah sehingga eh dalam pelajarannya si teknologi ini ada berbagai macam ee koreksi-koreksi yang berkembang ada berbagai macam metode-metode klasifikasi yang berkembang Tujuannya adalah untuk menghasilkan informasi seakurat mungkin dan se eh detail Mungkin nah tujuannya seperti itu makanya terus Semakin banyak metode-metode berkembang kemudian ada berbagai macam koreksi itu dan sekarang sudah ada eh cloud computing itu yang kita tidak hanya menggunakan satu perekaman Citra kemudian diterapkan pada satu menggunakan satu metode spesifik tapi kita bisa menggunakan ee berbagai macam ee Citra dengan perekaman berbagai apa beberapa tahun gitu atau beberapa tanggal beberapa tanggal untuk menghasilkan informasi yang lebih dalam lagi misalnya terkait pola perubahan dan lain sebagainya Nah jadi apa yang dilakukan pada citra satelit Nah di sini ada gambaran gambaran sederhananya Citra direkam karena fokusnya ini adalah objek di dasar perairan dangkal jadi jadi kita enggak bisa jadi Citra itu dia punya keterbatasan punya keterbatasan dia tidak bisa sampai terakhiran dalam Nah karena yang dihantarkan itu adalah energi energin akan merespon pada setiap pada setiap Kol atmosf Kol air gitu ya Nah dia akan merespon Eh pada kolom-kolom itu artinya energinya akan ber kururang nah saat dia penetrasi ke dalam air semakin dalam airnya energinya akan terus berkurang sampai energi itu habis gitu nah habis artinya tidak ada energi yang e akan diterima oleh sensor tidak ada energi yang dipantukan tidak ada yang diterima oleh sensor nah eh habisnya di kedalaman berapa berdasarkan referensi-referensi itu biasanya dia di kedalaman 20-an itu sudah habis jadi Energi dari matahari kedalaman 20 itu relatif tidak ada lagi yang dipantulkan Nah kalau misalnya ada teman-teman di sini yang rekan-rekan di sini yang penyelam gitu ya Kenapa saat nyelam mretnya harus pakai filter merah gitu ya karena merahnya habis duluan merahnya habis duluan jadi energi itu kan dia terbagi-bagi ee energi matahari itu terbagi-bagi dia panjang gelombangnya ada biru hijau merah mungkin pernah dengar yang seperti itu nah kemudian dia semakin ee panjang jadi mulai dari biru hijau merah infrared inframerah inframerah dekat Tengah jauh seperti itu ya Nah dia habis duluan tuh mulai dari yang EE nilainya itu yang besar-besar itu dari infr merah itu sudah hilang duluan merah hilang duluan nah biru yang paling ee besar energinya sehingga dia yang paling terakhir habis ee saat menembus air saat dia masuk ke dalamnya nah sehingga orang-orang m tret itu dia pakai filter merah karena merahnya sudah enggak ada lagi jadi sisanya biru nah kurang lebih seperti itu kemudian satelit Dia merekam ee satelit akan memberikan kita Gambaran seperti eh yang Sisi sebelah kiri ini kemudian ada perlu dilakukan koreksi gitu ya perlu dilakukan koreksi berbagai macam koreksi kemudian perlu kita lakukan masking kemudian sampai nanti hasil akhirnya itu adalah ee mana poligon-poligon ee menghasilkan objek-objek are area terhadap objek yang kita butuhkan nah ini tergantung yang ma kita petakan apa gitu yang mau kita ekstrak informasinya apa apakah luasan luasannya apa saja Apakah luasan pumuk karang sigras sen gitu ataukah makroarga dan lain sebagainya nah hasil airnya seperti ini hasil akhir produknya seperti ini tapi hasil akhirnya hasil akhirnya belum sampai di sini tidak tidak selesai di sini artinya dia baru produk produk dari pemrosesan Nah dari sini baru kita akan e menganalisa Ee Kita lihat distribusinya Seperti apa kita lihat luasannya Seperti apa kemudian kita lihat hubungannya dengan kelas lainnya seperti apa Nah ee begitu cara kita memanfaatkan data spasial kemudian eh kaitannya dengan sigras dan karbon apa gitu ya Nah nanti mungkin e setelah ini nanti ada paparan ee akan akan ada penjelasan mengenai lalu nya di mana nih Nah dari satelit tadi satuene tadi dengan berbagai macam metode-metode tadi dan semuanya itu tidak wajib jadi sifatnya opsional met-etode sifatnya opional kalauitranya sudah bagus kita tidaku Melak korek nah terkait dengan yang kita butuhkan dari memproses citraa pengan jauh kita butuhan nah kitaan semak makakin akurat dari eh poligon-poligon sigras yang dipetakan melalui satelit tadi maka akan semakin ee bagus atau presisi dalam mengestimasi eh nilai karbon estimasi karbon stok di area satu area Nah jadi ada beberapa pendekatan dalam yang saya tangkap ada beberapa pendekatan dalam mengestimasi ee nilai karbon Nah dari peta ini kita yang kita butuhkan minimum adalah luas gras caranya gimana cara ya ee yang tadi sudah disampaikan itu citranya kita ambil lalu kita download kemudian kita proses-proses ini citranya sampai kita menghasilkan poligon-poligon dan kita ambil aja nih kita comot aja poligon dari sigras kita hitung berapa Eh luasannya kemudian [Musik] Eh tadi gambaran Bagaimana eh kita memanfaatkan Citra pengilaran jauh untuk mengekstrak informasi khususnya habitat bentik yang ada di habitat bentik itu adalah objek-objek yang ada di bawah perairan perairannya perairan dangkal tidak bisa perairan dalam karena ada keterbatasan dari teknologinya sendiri nah objek diprerendangkan lebih spesifik lagi kita fokus pada sigras gitu pada bahasan ini Nah kenapa sigras nah sigras sigras hubungannya dengan karbon gitu jadi peran remote sensing peran remote sensing ini yang saya tangkap yang saya baca-baca di sini dia memang ada dimension dimension disebut beberapa kali ee yang mana dia bisa memberikan kontribusi kontribusi ee terhadap ee carbon inventory terhadap carbon inventory Eh sigras carbon inventory Nah di sini eh saya Tandai jadi remot sing appro ini dia dibutuhkan untuk eh menghasilkan informasi area ex minimum dia bisa menghasilkan informasi itu dan memang itu sudah terjawab nah eh eh teknologi jauh bisa menghasilkan informasi memberikan informasi luasan menghitung menghitung berapa area dari gras nah namun lanjutannya adalah bagaimana dengan spasio temporalnya Bagaimana dengan apabila kita bisa melakukannya secara time series setiap tahun atau setiap musim maka kita bisa melihat trennya Kemudian dari tren ini kita bisa melihat e bagaimana hubungannya menghitung e cadangan karbonnya menghitung kbonage simpanan karbongh karbon kemudian kita bisa melihat tren nah Remon sensing ada dimension ada disebutkan eh terkait Eh punya peran dalam eh menghitung e karbon sigras kbon inventory nah namun ada beberapa gap yang eh sementara ini saya identifikasi gitu ya susahnya Sig gras itu tantangannya bukan tantangannya adalah sigas ini dia dinamis jadi dia dinamis dia berubahnya ee mengikuti musim kemudian karena dia objeknya di bawah perairan sehingga kondisi perairan yang lebih dinamis lagi sangat mempengaruhi dalam mengekstrak informasi dari satelit artinya gini kalau misalnya perairannya keru Nah itu memang tidak bisa ditawar sigrasnya atau turbit turbit itu tidak bisa ditawar sigrasnya itu tidak bisa diekstra karena memang tidak kelihatan Jadi sederhananya kalau misalnya rekan-rekan sekalian bermain ke pantai gitu terus jalan jalan jalan ke pantai gitu nah kemudian sampai kakinya terendam air gitu nah Selama masih bisa melihat kakinya di bawah air Nah remote sensing juga masih bisa melihat objek-objek yang di bawah air tersebut kalau tidak bisa G berarti remote sensing juga enggak bisa melihat objek-objek yang ada di bawah perairan tersebut nah kemudian eh F data terkait sigras itu ee masih terbatas gitu ya terbatas dalam ee dalam jumlah besar ya dalam jumlah besar jadi terkait masalah field data yang sifatnya time series itu Belum sepertinya belum tersedia secara nasional mungkin yang lokal-lokal itu sudah yang ada melakukan monitoring gitu ya ada yang melakukan monitoring tapi eh Kita lihat nanti bagaimana nanti akan saya Tampilkan Bagaimana sebbaran kondisi feld data kita di Indonesia kemudian ya limitation budget memang kalau ditanya survei tentu kaitannya dengan ada ggak anggarannya untuk melakukan surve dan pengukuran gitu ya kemudianibility tidak semua area dari e di Indonesia yang bisa kita datangi dan kita ukur gitu ya karena Indonesia luas negara maritim jadi memang ada datanya itu eh Alasannya itu memang cukup menantang ya cukup menantang Kalau dibilang sulit cukup jadi negatif ini cukup menantang nah kemudian dari segi sigrasnya sendiri gitu E sistem klasifikasi kita sepertinya belum ada yang spesifik untuk atau belum ada distandarkan gitu ya jadi sigras ini seperti apa Apakah mau dibagiras kerapatan tinggi sedang rendah atauras campuranras homogen Nah itu belum ada yang kaitannya dengan eh karbon karena karbon ini berbeda spesiesnya berbeda kandungan karbonnya kemudian berbeda usia berbeda usiaasnya meskipun spesis sama kandungan karbon juga akan berbeda kemudian di sini ada community level saya mention di sini e terkait Sig yang monospesisas yang mix kemudian persentasenya berapa Nah masing-masing komposisi itu masing-masing komposisi itu dia memiliki kandungan karbon yang berbeda nah komposisinya itu batasannya apa batasannya itu adalah piksel Jadi kalau misalnya kita menggunakan e satelit yang resolusinya lebih detail gitu ya resolusinya lebih detail kemudian dia mungkin lebih spesifik memberikan informasi ee terkait ee kandungan karbon ee yang ada di dalam satu piksel tersebut apalagi kalau objeknya itu homogen misalnya dia tertutup sigra 100% kemudian kita bisa bisa ee menghitung berapa jadinya total nilai karbon Nah kalau misalnya ceritanya nih dalam ambil contoh misalnya 2,5 * 2,5 piksel gitu isinya itu tidak hanya sigras satu spesies tapi ada tiga spesies Misalnya tiga spesies atasnya n halus bawahnya spesiesnya Mungkin simodosea gitu ya kemudian eh sifatnya peci jadi masih ada pasir-pasirnya nah di situ agak sulit di situ tantangannya diu tantangan Nah itu yang nanti akan kita dalami kemudian kalau kita mau berbicara tentang ntion Nation W of Sig map gitu nah Berarti memang ada kebutuhan akan big data ini nah bagaimana kita menhandle masalah ini ya kemudian terkait sigras karbon estimasi sigras karbon setelah ini ada ada akan saya jelaskan pendekatannya Seperti apa Nah kurang lebihnya begitu Nah di sini ada sedikit gambaran Bagaimana perkembangan remote sensing untuk estimasi karbon Eh ini saya coba kumpulkan di Indonesia seperti apa di Global Seperti apa karena biar kita ada gambaran mengenai eh satelitnya apa sih yang paling umum digunakan satelit yang paling umum digunakan memang let dan Sentinel ya let dan Sentinel karena dia free akes gu karena kita bisa download secara gratis mungkin alasan utamanya itu kemudian Eh ada lagi yang lebih detail lagi lebih detail itu kan planet ya Ada planet planet Scope ada di sini namun sampai saat ini eh kita bisa menggunakan m-download data itu tapi melalui jalur kerja sama saya saya sudah dua kali Eh apa ya apply dengan mengatas Nakan riset tapi belum belum dijawab sama Planet Nah kemudian yang paling umum digunakan itu lenset Sentinel lenset punya resolusi 30 Sentinel punya resolusi 10 Nah nanti kita lihat Bagaimana kedetailan informasinya di sini kalau kita lihat ee akurasinya dua satelit ini bisa mencapai akurasi di atas 80 gitu ya Nah kemudian Eh bagaimana metodenya nah metode di sini ini mohon maaf ini kekecilan sepertinya ada Processing plus plus transformation jadi memang tetap dibutuhkan e e pemrosesan citranya itu dari 47 publikasi ini mereka melakukan mereka melakukan e image Processing keki koreksi gitu ya kemudian menerapkan transformasi yang umum digunakan untuk memanfaatkan citra satelit memanfaatkan citra satelit untuk estimasi nilai karbon nah kemudian eh yang menarik itu Eh saya melihat bagaimana metode yang umum digunakan jadi ada supervise empirical model machine learning n nah ini machine learningnya harusnya masuk random forest nah random forest lah yang paling eh Umum saat ini digunakan Jadi kalau yang apa sudah familiar itu lebih akan semakin baik untuk terus didalami kalau yang belum familiar eh sepertinya arah ke depannya random Force dan machine learning ini bukan sepertinya memang arahnya seperti itu ya arahnya pemanfaatan machine learning karena data ini sudah eh lebih mudah diakses data satelitting jug data lapangannya Nah jadi gapnya Adah data lapangan ini kemudian jumlah kelas nah jumlah kelas di sini ee dari 47 publikasi ini mereka memetakkan mereka menggunakan satelit itu untuk memetakkan sigras itu hingga ee berapa Kelas gu sebagian besar ya tiga kelas di sini memang ada yang en kelas tapi konsekuensinya ee penurunan akutasi kemudian ini adalah ini sedikit gambaran jadi awal-awal ini masih gambaran awal-awal masih gambaran jadi kita dengarin sambil menikmati snacknya menikmati kopinya nah ini bagaimana tren riset Sig gras secara global secara global intinya yang warna hijau ini sigras semakin dari tahun ke tahun dari tahun ke tahun ini per 2 tahun itu riset terkait sigras itu terus meningkat riset luas eh riset terkait sigras terus meningkat yang artinya konsern bagi saya itu adalah datanya harusnya semakin banyak nih Tinggal bagaimana kita bisa memikirkan untuk e membuat sistem Open share data gitu Yang Eh bisa mengoptimalkan mengoptimalkan dari data ini untuk tujuan misalnya untuk tujuan pemetaan skala nasional bahkan di sini untuk tujuan global Nah sekarang kita lihat di Indonesia di Indonesia itu adalah ee jumlah kajian ini secara secara umum jadi secara umum jadi tidak hanya sigra saja tapi ada di sini ee mmal W nah Indonesia itu ada di eh 11 sampai 50 nah ini hanya sekedar gambaran saja Kemudian bagaimana kita membandingkan riset sigras di negara kita dibandingkan dengan di negara-negara lain gitu ya Eh nah sudah sejauh mana gitu teknologi remote sensing ini dikaji untuk mengekstrak informasi dari sigras nah ini Kebetulan di uq di queensland di University of queensland itu sudah eh mengembangkan malah mereka sudah lama mengembangkan menyediakan toolkit ini terkait eh mengekstrak informasi sigras dan apa saja yang bisa diekstrak jadi adaen absen ee ada atau tidaknya sigras cover bisa dikerjakan oleh bisastrak dariing biom tipe strurnya yang spesies besar apa spesies kecil seperti itu di sini saya ada ng linknya jadi tujuan dari toit ini ini dia memberikan mempermudah tujuannya saya tanya tu bu jadi untuk mempermudah maner atau pengol kawasanabila ingin ee memonitor gitu atau melakukan Project di ee perairannya area perairan jadi apabila dia mau mengekstrak informasi present absent kalau dari tokit ini tinggal kita klik kita klik present absent eh ininya gambarnya nanti akan keluar ee butuh Citra Seperti apa minimum kemudian ee pengambilan data lapangan metodenya Seperti apa nah dia memberikan memberikan kemudahan memberikan gambaran eh seperti itu kemudian diikuti dengan ada dokumen-dokumen misalnya ee list metodenya bisa dibaca di sini kemudian caranya bisa dibaca di sini namun toolkit ini untuk mempermudah Postal manager dalam merencanakan kegiatan di e daerahnya masing-masing Nah di sini sebelum kita masuk ke topik du ada pertanyaan silakan Bapak Ibu rekan-rekan sekalian yang soalnya agak bingung Saya tidak tidak begitu terbiasa ngobrol sendiri in Mas enggak kedengaran ya silakan menggunakan kepada Bapak Ibu apakah Nah di sini ada dari ibu Bapak Endang silakanendang untuk menyampaikan pertanyaan kepada Pak Baik terima kasih maaf saya enggak buka ini ya mas mas Hafid dan gini Mas ini kadang-kadang yang namanya sigres itu kan memang ada jenisnya berbeda ya nah eh salah satu yang membedakan adalah kemampuan mereka untuk menyimpan karbon Nah kira-kira bisa enggak dengan menggunakan citra satelit ini kita bisa menentukan berdasarkanbedanya jenis yang ada dari sigres tersebut Apakah ada filter lain yang harus kita gunakan untuk bisa mengukur berapa sih karbon serapan dari ekosistem sigres itu Makasih Mas Baik terima kasih langsung saya jawab ee entar Bu terima kasih atas pertanyaan terus saya mikir Nah ya ya jadi saya berpikir saya harus ditanyain gitu ya untuk ee menentrigger biar mikir jadi jawabannya adalah jawabannya adalah jenis ini kalau menurut saya selama dia homogen selama dia homogen itu kita bisa eh selama dia homogen itu bisa dipetakan melalui remote sensing homogen itu artinya seperti ini Anggaplah kita menggunakan ee Citra dengan resolusi eh berapa ya 2,eng 3 m planet S pikselnya itu S pikselnya itu kurnya 3* 3 M 3* 3 me dia hanya memberikan kita nilai energi nilai energi hanya memberikan kita satu nilai energi dengan nilai tertentu yang merupakan nilai dari pantulan hanya memberikan kita sebuah bukan satu sebuah nilai e dalam ukuran 3* 3 gitu kan dalam ukuran 3* 3 nah selama objeknya di dalam batasan itu homogen atau dia satu spesies gitu satu spesies nah eh ekspektasi saya bayangan saya kita bisa memetakan menyebut area itu sebagai spesies tertentu misalnya spesis eh apa ya simodosea simodosea serulata semuanya simodosea serulata gitu cuma yang membedakan sebelahnya itu adalah mungkin persentase kerapatannya gu tapi enggak ada enggak ada yang halusnya Nah berarti kita bisa membedakan itu tapi kebanyakan yang sebatas yang saya tahu Bapak Ibu sekalian kebanyakan Indonesia ini Kompleks jadi tidak hanya mangrnya Tapi juga sigrasnya dia tumbuhnya tuh barengan gitu ya jadi ada adaalusnya nanti di bawahnya tu e yang spesies daun-daun pendek tapi dia engak sendiri dia sama teman-temannya gitu J adaa kemudian kemudian nanti ada talasianya juga gitu ya Nah seperti itu jadi kalau batasannya itu satu ukuran piksel tapi di dalam piksel itu ada tiga spesies dengan kerapatan yang berbeda-beda gitu sementara ee mereka merespon energi itu mereka merespon energi yang datang itu ee memberikanat sebuah sebuah nilai akumulasi dari energi jadi sulit untuk eh memetakkan spesis pada kondisi lapangan yang seperti itu Nah Kebetulan saya di sini sempat sekali diajak survei kemudian saya cerita sama yang buat itu turkit tadi itu di sini terus mereka juga surprise juga mengetahui bahwa Indonesia itu Kompleks gitu kan Indonesia Kompleks karena di sini tumbuhnya itu mereka ada layer layer jadi layer pertama itu yang tumbuh tu eh tasia gitu layar kedua nanti apagi seragam semuanya ketiga nanti halopa yang kecil-kecil jadi mereka di sini dalam toolkitnya itu mereka sudah mengklaim kita bisa membedakan spesies dari sigras gitu kalau dari toolkitnya tadi kami bisa membedakan spesies Iya karena di sini spesiesnya tumbuhnya eh homogen homogen terus sifatnya tuh layer-layer gitu Jadi layernya si apa yang daunnya besar kemudian nanti yang daun-daun kecil gitu dia ada layer sendiri dan itu relatif homogen Nah mungkin sementara begitu jawabnya eh Ibu Endang jadi selama selama kalau memang kita menemukan area yang relatif homogen spesisnya sama dalam satu piksel mungkin kita masih bisa membedakan dan pada area pemetaan itu relatifesiesnya itu seragam mungkin masih bisa kita membedakan e memetakkan spesiesnya dengan membedakan kerapatannya Jadi intinya mah kalau misalnya kita sudah punya data gitu kemudian kita bisa untuk bisa menjelaskan berapa karbon ee serapannya jadi kita harus verifikasi aja ya di lapangan ya Heeh nanti saya tambah di sini Heeh penjelasan apa Data yang dibutuhkan untuk estimasi karbon oke Thank you mas makasih Mas sama Pak saya lanjut nah ini adalah sigras 10arbon ekosistem dan tantangannya apa Nah ini ada gambarannya ada gambarannya jadi kita lihat dulu sama-sama Kita lihat sama-sama terus dinikmati kopinya atau sambil ngemil snacknya spesisnya itu ada lebih dari satu saya tidak bilang saya enggak berani tadi jawab Berapa totalnya karena enggak hafal lebih dari satu nah dibedakan berdasarkan morfologinya morfologi itu ada ukuran daun kemudian ada bentuk rimpang akar dan lain sebagainya jadi saya discllaimer juga disclimer dulu di sini sebelum bahas yang beginian Saya begroundnya dari S1 sampai S3 ini sensing terus untuk riset untuk studi S3 ini nyemplunglah ke ekologi mencari pembimbing e dosennya yang ekologi Nah dari sini Saya baru mulai belajar-belajar gitu ya memperdalam masalah ekologi jadi tidak tahu tidak mendalami denganang juga untuk saat ini jadi dalam masih dalam masa proses belajar Nah spesiesnya lebih dari satu dibedakan berdasarkan morfologinya kalau kita kaitkan dengan karbonnya semakin besar morfologinya itu semakin semakin besar ukuran daunnya kita ambil daun dulu Berarti semakin besar e simpanan karbonnya karbonnya dari mana karbon yang diserap oleh eh apa oleh si gras ini Untuk dia tumbuh untuk dia tumbuh artinya semakin besar dia tumbuh semakin besar dia telah menyerap CO2 ini yang dipakai untuk pertumbuhan nah kurang lebihnya gitu nah menariknya si gras ini yang saya baca juga ini menariknya si gras adalah [Musik] Eh luasannya mungkin tidak besar eh tidak tidak sebesar e Mang atau bahkan tidak sebesar hutan tropis ya tidak sebesaran tropis namun yang dihlight di situ adalah kemampuan dia bisa menyimpan karbon dalam jangka waktu yang panjang nah karena mungkin beberapa individu sigras itu mungkin tiga tapi akarnya bisa ke mana-mana nah dia tumbuhnya tidak hanya e daunnya tapi juga akarnya di bawah di bawah permukaan tanah itu akarnya itu eh ukurannya besar-besar bukan ukuran sebarannya jauh gitu dia dia tumbuh tumbuh an seperti itu Nah sehingga dia menjadi fokuslah ee saat ini karena dia mampu mempunyai kemampuan untuk menyimpan karbon dalam jangka waktu lama kemudian ee dalam bentuk akar dalam bentuk sesahnya dan dimakan hewan-hewan gitu ya jadi dia agen agen dari blukarbon Nah kalau dari gambar ini kita lihat yang di bawah ini semakin kecil oh ini aja semakin besar ukurannya morfologinya maka biomasnya semakin besar juga ya samaalah kayak manusia jug gu ya kemudian di sini ada beberapa beberapa yang di apa ya yang disimpulkan di sini terkait masalah S dormansi jadi ada yang sifatnya itu Dorman jadi itu spes-pesis kecil ini Dorman artinya dia tidur-tiduran dulu nanti sampai musimnya cocok baru dia tumbuh bukan berarti dia enggak ada gitu ya mungkin dia lagi terkubur Dorman Terus mungkin pas lewat tahunya cuma pasir gitu ya tapi nanti di musim yang cocok dia akan tumbuh toh jadi hijau jadi Sig grasnya tumbuh nah ee ada spesies yang seperti itu kemudian ada yang persisten Eh ada yang opportunistic colonizing Nah kita highlight yang ini kita highlight terkait masalah Biomas semakin besar sigrasnya semakin besar biomasnya kemudian kita highlight spesies yang tergolong persistate artinya sepanjang tahun dia ada ada yang oportunistik kemudian ada yang colonizing oportunisti colonizing ini yang kalau kita lihat di sini dia eh terkait masalah dormans Seed ini jadi dia eh bisa menghilang menghilang e bukan dia tidak tidak tumbuh tapi dia Dorman dulu nih Istirahat di bawah permukaan e tanah nanti dia sampai musimnya tepat dia baru tumbuh tahu-tahu Nanti satelitnya lewat kemudian satelitnya lewat setiap 7 hari kemudian menangkap ini ada satelit Eh ini ada satelit ini adaas gitu ya terus kan yang jadi kacaunya adal adalah oh telah terjadi Oh enggak ee contohnya itu contoh contoh masalahnya itu bisa seperti ini Misalnya sigras ini dia Dorman sebelumnya sebelumnya satelit merekam ada sigras di sana satelit ini kan dia lewatnya kan secara berkala ada yang 14 Hari ada yang berapa hari gitu mungkin tahun sebelumnya saat kita ee mapping Terus yang terekam ee kondisi lapangan itu saat segrasnya lagi tumbuh tapi itu sigr-sras spesies yang e dia itu bisa Dorman nah kemudian Eh lagi tumbuh kemudian tahun depan kita lakukan monitoring pemetaan lagi tapi pada saat kondisi sigrasnya sedang tidak ada sedang normal lalu kita klaim telah terjadi penurunan luasan sigras gitu ya kan jadi akan jadi masalahnya di situ sementara mungkin karena musimnya aja yang berbeda gitu pada saat kita melakukan pemetan ulang nah jadi ini kenapa perlu Ee kita apa ya kita perhatikan perlu Kenapa kita tahu terkait masalah ekologi si sigras ini nah citra citra satelit itu sampai sekarang sampai satelit itu punya keterbatasan terkait masalah masalah e pemetaan e bukan pemetaan estimasi Biomas maupun karbon hanya pada ee objek yang terlihat nah objek yang terlihat di sini adalah daun di sini adalah daun nah artinya yang di bawah tanah kedalamannya kemudian teksturnya itu enggak bisa kita gak bisa melihat itu nah artinya kalau daun dia bisa mungkin dia akan menggunakan pendekatan-pendekatan salah satunya tadi dengan luas berapa total luas area dikali dengan hasil pengambilan sampel di lapangan Gitu ya untuk sekian area persangannya berarti untukki hear tinggal dikali nah Citra Hanya bisa melihat permukaan saja hanya bisa melihat permukaan sayangnya sayangnya nah ini paper selanjutnya publikasi selanjutnya sayangnya Yang permukaan itu nilainya persentasenya hanya 04% karbon dari total Dia secara keseluruhan total komponen dia secara keseluruhan karena terbagi menjadiow kemudianen nahing besar ini dieden jadi ini saya ya pr-nya masih PR di sini ya masih PR kalaupun mau menghitung si karbon sedimen dari Citra yang saya tahu sampai sejauh ini mungkin tidak bisa secara langsung memang harus melewati prooki-proksi seperti itulah tapi untuk riset saya sekarang hanya fokus pada yang above ground Biomas meskipun hanya memberikan kontribusi 0,4% walaupun Bisa menghitung misal Bisa menghitung 1 Indonesia gitu ya itu hanya 0,4% Arnya nya lebih banyak lagi adanya di bawah gitu ada 98,2 itu ada di soil nah How to gitu ya jadiukurnya gimana nihukurnya gimana nah saya coba bukan saya coba Saya ketemunya ada dua pendekatannya ketemunya ada dua pendekatan yang pertama menggunakan Total luas menggunakan Total luas di sini ada ada menggunakan totalas Sin dimension di dalam FC 2013 dibagi menjadi beberapa Tir Ti Tir S Tir 2 Tir semakin detail eh semakin kalau kita mau menggunakan Ti 3 informasi yang dibutuhkan lebih spesifik nah perbedaannya seperti itu paling umum itu ti S Ti s itu paling gampang hitungnya kita hanya mengkalikan dia sudah menyediakan eh nilai karbon stok setiap hektar dalam satuan Meg megagam ee dari setiap ekosistem rata-ratanya 108 caranya adalah tinggal dikalikan saja dengan luas sigras Nah di sini yang saya ee Apabila saya salah menyampaikan bagi rekan-rekan yang dari ekologi ekologi biologi ee saya mohon dapat diluruskan sekalian yang saya baca seperti itu jadi untuk menghitung total sigras carbon stok dari buku itu cararbon stok rata-rata objeknya apa sigras gitu misalnya sigras berarti 108 dikali e total areanya berapa Nah Sementara saya dengan background remote sensing sensing itu eh sampai saat ini terus berkembang metode-metode empiris metode-metode empiris empirical model untuk mengestimasi karbon untuk mengestimasi karbon segras caranya gimana caranya adalah menghubungkan antara data lapangan dengan nilai Citra menghubungkan data lapangan dengan nilai C eh menghitung mengestimasi nilai karbon menggunakan modal empiris nah artinya dibutuhkan data lapangan kalau citranya dapat cit sudah tersedia dia merekam tiap 14 Hari dia balik lagi Balik lagi dia ke tempat yang sama artinya kalau untuk koleksi nilai piksel Citra dia sudah tersedia nah pertanya adalah koleksi nilai lapangan nilai lapangan itu adalah ee informasi yang terkait dengan kandungan karbon sigras yang mana itu adalah Biomas nah Biomas dalam satuan area Tertentu bisa itu dalam satuan kuadrat bisa itu dalam satuan pixel tergantung Bagaimana kemampuan kita Dan yang menjadi konsern adalah eh meminimalisir destructive sampling kegiatan nyempel yang merusak Nah empirical model ini Eh kalau dari teman-teman rekan-rekan sekalian eh Googling G ya itu di Indonesia itu sudah semakin banyak yang melakukan tapi terpisah-pisah jadi dia dibangun dibangun berdasarkan data lapangan misalnya di lokasi di misalnya tadi ada yang dari Aceh misalnya di Sabang gitu ya dia mengambil sampel di Sabang menggunakan Citra yang merekam area Sabang dielopempal modelnya kemudian bisa diestimasi Berapa nilai karbon nah kemudian nanti yang di kawasan Timur juga seperti itu kawasan tengah juga seperti itu melakukan di pulau-pulau memilih Pulau kemudian ngling di situ nah artinya apabila model yang dibangun dari sampel di Sabang itu belum tentu belum tentu akan eh akurat untuk mengestimasi [Musik] ee area yang ada di kawasan Timur gitu belum tentu dalam artian bisa dia lebih tinggi eh akurasinya errornya bisa lebih kecil atau bisa tambah besar gitu nah bayangan saya bayangan saya berarti kalau mau mengestimasi satu nasional nih kita butuh sebaran data yang serentak gitu ya ya serentak bukan dikumpulkan dalam satu waktu tapi kita punya sebaran sebaran data ee dengan distribusi satu Indonesia jadi yang Sabang gimana kemudian yang Bali gimana Yang Makassar gimana kemudian yang Maluku gimana sampai yang Papua gimana Raja EMP gimana nah itu yang akan digunakan untuk mentraining eh mendevelop si model empiris tadi kemudian ee karena masing-masing area itu ada variasinya kemudian dia perubahannya itu mengikuti musim itu papernya ada sudah keluar jadi yang bagian Barat itu dia musim-musim Puncak berbunga dan hijau-hijaunya itu di awal tahun kemudian dia akan turun terus sampai nanti di akhir tahun berbeda dengan eh sigras yang ada di kawasan Tengah berbeda dengan sigas yang ada di kawasan Timur nah perubahannya seperti itu jadi di sini embrikal model akurasinya sifatnya lokal uras sifatnya lokal Kemudian untuk area yang lebih luas Bagaimana kemudian ee kalau misalnya kontinen gimana Global Seperti apa ya Nah makanya ada yang Ti s itu ti s itu berlakunya untuk Global cuma hanya saja e dia punya Error itu hingga kurang lebih di situ ditulis kurang lebih 50% eror tapi ketimbang tidak ada data sama sekali gitu ya ketimbang tidak ada informasi sama sekali jadi bertahap bayangkan saya ya mending ada data dulu kita ada gambaran kemudian kita terus berproses untuk bagaimana kita mendetailkan e meningkatkan akurasi dari model tersebut nah eh kembali ke empirical model itu sifatnya lokal tergantung dari di mana sampel diambil dan Eh bagaimana dia dari sampel mana dia dibangun kemudian Eh kalau mau diterapkan di lokasi lain model itu di lokasi lain ini ada perbedaan komposisi nih perbedaan spesies juga perbedaan persen cover perbedaan karakteristik lingkungan pasang surutnya Seperti apa gitu kecerahannya seperti apa dan lain sebagainya Nah sekarang kalau memang benarlah tadi gitu yaang benar yang EE menggunakan tier sat ee rata-rata dari rata-rata dari rata-rata dari carbon stok meggram per hektar Iya megagram per hektar dikali dengan area total area Nah sekarang Indonesia ini sudah launching Wali datanya Ini sudah launching Nah di sini di sini ada grup-grup Partnership bekerja sama dengan ada ada big ada KKP dan lain sebagainya yang sudah launching itu peta sigras nasional namun yang jadi catatan adalah eh luas 23.000 healahas yang tervalidasi yang baru divalidasi yang mana itu tervalidasi dari estimasi kita kita punya nilai estimasi luas sigas di Indonesia itu n ngasinya rentang 800.000an sampai 1,8 juta hektar ada pada rentang itulah entah yang mana gitu nah jadi ini masih menjadi PR masih menjadi PR Nah kita ambil saja luas 293.000 koma eh 293.400 sekian hektar kalau dikali dengan 108 tadi Berarti ada sekitar 31.000 sekian Tadi saya ngitung kalau salah nanti langsung diluruskan Meg kalau dijadikan gig jadinya berapa keluarlah angka ini 31 g g karbon nah namun 108 ini 108 ini saya baca di buku itu itu tidak hanya kbon atas tapi sudah mencak kbon yang di jadi atas eh karbon karbon dari daunnya sama karbon dari organik eh tanahnya diasumsikan 108 yang mana nilai itu dibangun dari sampel-sempel yang tersebar di seluruh dunia tapi Nah adaapinya tadi tapi akurasinya kan kurang lebih50 50% nahusnya 50% nah itu yang menjadi tantangan sekarang nah sekarang kalau model gimana ituambililai buud di diemud diat kemar ituelnya model empirisnya dapat model empiris selama akurasinya bisa diterima eror yang kecil kemudian diterapkan model tersebut untuk seluruh nilaiel Citra pada area sehingga keluarlah estimasi karbon darias di setiap pel kalau mau tahu berapa totalnya tinggal di jadi dijumlah berapa total setiel itu Nah itu sepertinyaware bisa itu jadi tinggal setiap itu punya nilai nanti dijumlahkan aja semuanya dapatlah nilai total yang mana nilai-nilai ini dipengaruhi oleh Eh variasi-variasi tadi dia punya pengaruh variasi-variasi tadi artinya kalau kerapatan sigasnya rendah gitu mungkin nilai yang diberikan nilai pantulannya kecil Kalau nilai pantulannya kecil tentu pada saat dibangun dengan dibangunkan model empirisnya dibuatkan model empirisnya dihitungkan dengan model empiris tadiilai kbon juga akan kecil sehingga dia punya e akurasi yang lebih baik asumsinya seperti itu selama eror dari modelnya juga kecil gitu eror dari modelnya kecil jadi ya ya Ada kelemahan dan kelebihan yang mana gapnya ini perlu terus diisi gimana mengelingkaning Biomas kbon ngambilnya itu Kalau teman dari ekologi ekologi itu menggunakan koring menggunakan King nah kalau dulu saya melakukan itu karena pendekatannya adalah remote sensing Jadi kalau King itu kan akan keluar nilai Biomas Biomas daun dan tanah tapi dalam batasan ukuran King Nah di sini eh dengan kalau saya menggunakan perspektif rem maka yang saya ambil itu yang saya hancurkanr itu mohon maaf adalah satu kuadrat satu kuadrat dengan persentase katen yang berbeda-beda nah ini kita buat kita gunakan regressionod untuk model seperti itulah kemudian nanti kita hubungkan e informasinya dengan nilai pikel Nah kita hubungkan dengan nilai pikel ini hanya gambaran bagaim e pekerjaan lapangan data yang diambil apa kemudian e diplot di Citra lokasinya di mana kemudian di Citra diambil Kemudian diitra diambilil untuk dibuatkan model empirisnya nah namun di sini ada saya tambah gnya gim gnyaal masalahnya ukuran dari kuadrat ini umumnya 1 kal50ah dia tidak serta-merta merepresentasikan dari kondisi si gras di dalam ukuran piksel nah contohnya di sini adalah jadi yang kotak besar kotak besar ini adalah eh ukuran pikselnya Sentinel kotak kecil ini adalah ukuran pikselnya planet Citra planet kemudian ada lebih kecil lagi ada lebih kecil yang kotak merah di sini adalah ukuran dari kuadratnya Jadi kalau kuadrat mencatat misalnya kuadrat ini dia ukurannya 1* 1 Dia mencatat persentasenya 100% 100% kemudian dibuatkan modal dengan nilai piksel dari Sentinel yang 10* 10 m tadi 100% kalau misalnya contohnya adalah gambar di sini ini kelihatan yang di tengah Ini penun gambar yang di tengah ini Oh initoh yang bagus Nah yang di atas ini jadi kuadrat mencatat Mungkin dia eh persentasenya 20% tapi dalam ukuran 1 Kal dalam ukuran pikselnya pikselnya Sentinel 10* 10 di sini mungkin dia bisa disebut persentasenya itu 70 gitu ya karena si kuadrat diop di tempat yang pasir gitu ya tempat yang pasir nanti keluar angkanya misalnya 10% sementara nilai piksel itu adalah representasi akumulasi akumulasi dari e energi yang dipantulkan oleh objek-objek di dalam e luasan sat piksel Nah kalau sat pikselnya itu kerapatan siasnya itu misalnya 70% artinya kan akan semakin banyak energi yang dia kalau si berarti dia menyerap vegetasi berarti akan cenderung lebih kecil tap karena diambil di pasiru nilya itu tentu tinggiilainya jadinyaak nyambung di pasir kerapatannya kerapatannya itu rendah k nilai pantulannya itu juga kecil harusnyailai pantulannya itu besar nah jadinya nanti modelnya bisa kac seperti itu Nah gnya itu di sini jadi sangat benar-benar diperhatikan mauingnya di mana untuk membuat model nantinya seperti itu G dari proi Nah kita punya diien di adaw eh perhitungan yang lebih akurat itu apa saja yang perlu diperhatikan eh dalam ekosistem sigras tadi ada variabel temporal ada Eh spal arrangement jadi di sini ada grafik semakin persisten e daunnya berarti karbon stoknya semakin besar gitu kemudian eh di sini SP composition semakin kompleks dia karbon semakin besar semakin kecil spesiesnya komp tingkat kompleksitasnya rendah berarti nya sebagai tuju nah ini yang EE perlu diakomodasi apabila Eh rekan-rekan sekalian berpikir untuk riset si gras kemudian gap Apa yang bisa saya isi jadi ada banyak gap di situ mau ngambil mau mengisi yang mana dulu gu nah belum lagi masalah F data kemudian belum lagi masalah ada macam-macam di sini ada gambaran local and regional mapping challenge Challenge Nah jadi ada dua yang tadi sempat saya singgung Jadi kalau yang lokal itu ngambil sampel di satu lokasi kemudian develop modelnya kemudianly modelnya untuk pikel-pikel lain di sekitarnya keluarlah nilai karbon Nah kemudian ada yang sifatnya e kalau di sini ada paper ya menghitung nilai karbon l negara sekaligus di Afrika Nah tapi dia menggunakan Tir sat tadi sama seperti e kita cobain sama Indonesia selama kita tahu Eh apa luas area sigrasnya kita kalikan dia dengan Berapa nilai rata-rata eh karbon karbon stok dari sigasnya Nah di sini eh dia publish dengan menggunakan pendekatan seperti itu untuk beberapa negara di Afrika Nah di sini yang terakhir yang terakhir adalah potensial Nah di sini akan kita eh bahas ini akan kita dalami konsep yang saya pikir-pikir ini harus perlu diare jadi ada tiga kalau kita berbicara skala nasional apabila kita berbicara skala nasional Berarti ada tiga hal e yang menjadi pertimbangan kita yang pertama adalah colaborative F data kolaboratif data di dalamnya adalah feld data bity kemudian ada software analysis karena kalau kita berbicara masalah kolaborative data artinya akan banyak F data yang akan kita eh olah kalau kita olah sendiri gitu Kayaknya eh akan menyiksa diri sendiri jadi kita harus memanfaatkan software analysis atau Ai jadi ada beberapa nanti ee saya mention yang yang sedang berkembang maupun yang sudah digunakan ada cpce ada R ada sigrasn Min beberapa Bapak Ibu sudah familiar juga kemudian Google Engine yang mana datanya itu bisa kita Panggil kapan aja selama kita paham bahasa Java Nah di sini pun saya akhirnya belajar-belajar juga nih jadi tidak mahir juga menggunakan itu tapi harus dipaksa Mahir begitu nah ada tiga Ini tiga ini yang harus kita Satukan potensi ini Nah sekarang masalah kolaboratif field data kolaboratif feld data Nah di sini apa maksud gambarnya maksud gambarnya di sini adalah ee kolaboratif F data ini kita perlu berpikir ada data yang bisa kita ee gunakan secara nasional entah dalam bentuk apalah itu nantinya gitu Ini ini gambaran bayangan saya ya apakah mungkin ada ee data yang bisa kita gunakan secara nasional yang memang e disediakan oleh negara gitu entah dalam bentuk komunitaskah dalam bentuk asosiasiah ah dalam bentuk apal Walah seperti itu nah tapi memang ini diperlukan apabila kita mau berbicara eh terkait masalah riset Eh pada level nasional nah gambar peta-peta di sebelah itu gambar pet-eta di sebelah itu adalah ki gambar di sebelah itu kegiatan terakhir pada saat Eh konferensas Dunia bulan lalu eh di Itali kemudian coba diidentifikasi eh aktivitas eh retas dunia namun ini tidak belum bisa dijadikan patokan karena ini tergantung dari berapa Siapa tamu yang datang siapa partisipan yang datang jadi Indonesia ada di situ dua Indonesia ada dua dan sebagian besar ada di negara-negara di sekitar UK terus mana Spain dan lain sebagainya di sekitar situ nah kemudian eh perkembangannya bukan perkembang tujuannya tujuannya ada pemikiran untuk membentuk yang namanya ini sigrub gu ada pemikiran untuk membentukras sehingga kalau berbicara dunia berarti tidak bisa lagi berbicara eh riset pada setiap masing-masing negara gitu nah di level Global isunya seperti itu isunya seperti itu memang menyadari bahwa tetap eh butuh semacam hub yang mana data bisa digunakan secara global namun di sini saya Ee tidak tidak membahas masalah data regulasi data data sharing dan lain sebagainya tapi kalau kita berbicara masalah riser dan Berbicara masalah eh apa ya hubungan karena kan di sini kan eh sigras sigras Memang sebagian sebagian besar itu ada di eh ekuator ya di daerahdaerah tropis kemudian semakin naik ke atas kemudian dia punya struktur yang berbeda-beda nah dan dia saling berkaitan kalau saya pernah baca papernya orang-orang teman-teman ekologis itu saling berkaitan bagaimana dia Berg nah artinya kan butuh data Global jadi isunya di Global e akan mengarah ke pembuatan semacam atau data shingu nah artinya di nasional kalau mau berkribusi untuk Global tu kita juga punya H sendiri nah entah itu di ba Wali data Ah itu di baw asosiasi yang itu saya gak tah seperti apaanum tahun a diperlukan jadi kolaboratif data itu seperti ini data itu saya yakin itu di daerah ngambil apagi di universitas universitas ada dari skripsi ada dari tesisertasi dan lain sebag tersebar jadi entah mungkin dihimpun oleh Wali data Jadi ada data dari local government ada nonment University ada asosiasiar ilmuan lam mungk kemudian ada global gitu ya kemudian ada proek yang di sini kemarin ada pakat yang saya tahu dia ee sedang mengerjakan pemetansias nasional gitu Nah kalau ini ada berarti model empirisuk 1 Indonesia tadi bisa dibang untuk dia menghasilkan ee hasil yang lebih robas estimasi yang lebih akurat aduh nah mengapa seperti itu apa seperti itu saya Bil sekarang potensi data Indonesia itu yang saya tahu sebatas yang saya tahu itu seperti ini Kebetulan saya di Brin terlibat dalam projject yang formmap monitoring sigras itu tapi tidak ke semua lokasi hanya beberapa lokasi nah kondisi data di apa di Brin itu saya nyebut Brin kondisi datanya seperti ini waktu Lip masih Wali data Nah sekarang Wali datanya sudah pindah ke KKP ya Bapak Ibu sekalian Jadi waktu masih data ini data e bisa saya akses gitu ya kemudian kondisinya seperti ini memberikan informasi persen kerapatan tapi menggunakan eh satu spesifik metode yang spesifik di sisi lain eh ada proek Pakar terkait pemetaan cras nasional kemudian dia juga akan ee apa ya mengembangkan Network untuk mengumpulkan data-data mengumpulkan data-data yang mana data itu akan digunakan secara serentak gitu ya untuk memetakkan satu Indonesia Nah dari dari kolaborative data ini dari cololaborative f data ini eh di sini saya menyampaikan menggambarkan bahwa ini sudah mulai bergerak sudah sudah mulai bergerak inisiasi terkait hal tersebut salah satunya ada proek pakar tadi kemudian ee yang mungkin nanti akan berkaitan dengan wali data Nah untuk apabila apabila kembali pada judul awal potensi estimasi stok karbon sigras Indonesia Nah artinya butuh sebaran data satu Indonesia dan ini sudah mulai nah eh pertanyaannya bahasan berikutnya tantangannya ada enggak tantangannya gitu ternyata tantangannya ada tantangannya ada tantangannya ada tantangannya itu karena data yang digunakan ini eh data yang berdatangan ini yang dikumpulkan ini dari berbagai macam stakeholder atau saya nyebutnya multi data jadi di sini saya ngasih contoh beberapa yang mana Data ini saya gunakan untuk riset jadi tidak semua data memiliki informasi yang komplit Apabila kita ingin ee mengestimasi nilai karbon berarti kita harus punya data yang komplit hingga ee nilai karbon pada lokasi sampel jadi sampai jadi mulai dari% cover densitas seban Biomas sebahukuran karbon sukur-sukur adaowound Biomas vilogr karbon nah tidak semua lokasi tentu melakukan ee punya data itu karena tergantung dari tujuan ee surveinya untuk apa kemudian belum lagi sdmnya ya Belum lagi sumber eh apa pendanaannya seperti itu Nah artinya kalau mau ngdevelop mod model 1 Indonesia tadi jelas e butuh sebaran data 1 Indonesia oke sebaran data 1 Indonesia sudah ada nih Sudah ada nih sudah mulai e berkumpul sudah mulai berhimpun nih orang-orang kemudian Datanya ada nah kondisinya Apakah semuanya bisa langsung dipakaiu ternyata enggak juga harus di ph-pilih juga harus dipilih-pilih kalau kita mau bicara estimasi karbon skala nasional berarti paling ideal kita butuh informasi above ground carbon above ground carbon di setiap titik nah bagaimana kalau tidak Bagaimana kalau kita tidak punya sampel itu tidak punya ya salah satu solusinya kita bisa mempredik predik dia dari eh parameter biofisik lainnya misalnya dari and Cover atau misalnya dari density atau misalnya dari yang mana lagi nah terus Data yang satu Indonesia tadi andailah Dia andai misalnya terkumpul bukan Kenapa kita membutuhkan sebaran data sat Indonesia Kenapa kita membutuhkan sebaran data satu Indonesia karena setiap lokasi itu dia mempunyai struktur komunitas yang berbeda-beda kaitannya nanti dengan karbon kaitannya dengan karbon Nah jadi ada beberapa lokasi en halus dan talasia sebagian besar lokasi itu ada ini hanya beberapa lokasi yang saya pilih kemudian talasodendron siliatum tidak semua lokasi di Indonesia punya Spesies ini ya artinya kalau ada di suatu area spesies tersebut dan dia mendominasi tapi belum ada persamaannya Nah berarti kan harus punya sampel eh karbon eh dari Nah itu harus diambil sampelnya bawa hit Berapa persentase dariarb nah sementara unuk Indonesia yang saya tahu baca-baca itu di buku buku terkaitas yang dikeluarkan oleh mvalidasi benar engak total kita ada 12 12 spesis di Indonesia nah artinya dia tidak dari Sabang sampai marauk itu tersedia semua Nah mungkin ada di bagian barat didominasi apa atau mungkin dari spesies yang umum ditemukan satu Indonesia spesnya apaes terentu apa yang ditem sat Indonesia yangesik Nah sehingga kali ke tadi kaborative data itu diperlukan karena memang satu model yang dibangun pada satu area Tertentu ituu bisa diterapkan pada area lainnya ya bisa-bisa aja dihitungkanum kan dia kita ggak tahu nanti eh terkait berapa erornya karena dia punya struktur komunitas yang berbeda-beda dia punya eh susunan dia punya formasiesis yang berbeda-beda juga lanjut lanjut ya Nah jadi minimumnya apa kalau paling ideal dibutuhkan data above carbon pada setiap titik di lapangan kan artinya harus bawa sampel keb bawa sampel keb kan kita harus nyabuting kita bawa keb Apakah mau dilakukan di seluruh Indonesia bawa ke Apakah tersia seluruh Indonesia di seluruh lokasi-lokasi di Indonesia untuk membakar sampel itu hingga sel 700 e derajat Celcius sehingga dapat persen organik karbonnya nah minimumnya punya informasi densitas sama Biomas ya punya minimum minimum informasi yang dibutuhkan adalah densitas dan Biomas nah cuma densitas ini saya highlight bukan jumlah individu tapi jumlah daun jumlah daun dalam meter persi om adal konstan berat konstan berat kering sebutnya Dr yaitu sampel yang diov Der hari diulangang S beratnya S beratnya itu tidak berahahah itu itua entara seperti itu karena karena eh ada lagi paper yang sudah merreview yang tadi yang sudah merreview terkait persen organik karbon persen Organic carbon content OCC persen OCC di sini pada beberapa spesies dan ini pun belum semua sepertiya yang mana yang mana secara global itu dikalikan dengan 0 34 yang mana itu persentase karbon organik dalam dalam satu organisme eh sigras sigras ya Nah sementara di setiap spesies setiap Spesies ini di eh evaluasi berdasarkan sampel dari eh sebaran berdasarkan sampel yang tersebar di seluruh Indonesia kemudian keluar keluarlah nilai ini n halus itu ada pada nilai ada eh punya nilai rata-rata OCC persen occ-nya 0,35 0,33 artinya apa Nah artinya adalah rumus yang ada di sini nah bagaimana nilai karbon itu dikeluarkan yang saya baca nanti nanti Bapak Ibu sekalian bisa memperbaiki saya kalau salah yang saya baca ada dua ini yang pernah saya lakukan itu yang sebelah kiri aspmd512 bukan yang saya lakukan Saya mendapatkan nilai karbonnya dari e dari prosedur itu sehingga Keluar berapa fix karbon persennya persen dari karbonnya sementara sekarang sekarang itu eh acuannya dari blbontif termasuk eh apa ya guidel yang dikeluarkan oleh itu juga Eh sama seperti dari blbon in yang mana butuh nilai const 60el kemudian menghit l nah sehingga keluaranb organ persen karbon organik persen jadi berapa persen nih karbon dari sampel yang tadi dibakar itu Nah untuk tahu karbonnya untuk tahu berapa gram karbonnya berarti total dari biom total dari itu dikali dengan berapa persen ber persen k keluarlah angka pers nah keluar angka masahnya tantangannya sampel yang diukur sampel yang diukur ini kan umumnya adalah daun ini kan umumnya adalah ee Berapa berat daun tergantung kemampuan dari ee orang dalam ee batasan ingin mengukur berapa ingin mengetahui berapa karbonnya yang pada umumnya kalau saya dulu saya bawa daun tig gitu terus tolong diukurin kemudian ada mungkin yang EE daunnya ditimbang untuk berat berapa kemudian dianalisa dihitung karbonnya nah tapi kan itu pada satuan batasan ukuran satuan tertentu Nah sekarang reming berbicaranya pada batasan piksel pada batasan piksel Jadi kalau keluar angka karbon sekian gram karbon Di dalam daun ini g kemudian di dalam area 1* 1 M gitu Ada berapa dong k atau di dalam area 10* 10 m ada berapa karbon Terus yang saya bayangkan adalah idealnya kalau mau tahu karbonnya untuk bisa dimodelkan dibuatkan model empiris dengan nilai piksel 10* 10 m idealnya adalah ambil semua daun di dalam eh ukuran 10 Kal di dalam batasan 10* 10 m dalam area 10* 10 m ambil semua daunnya kemudian ukur karbon tapi kan Engak mungkin ya atau minimal ambil semua daun dalam kuadrat 1* 1 ukur nilai karbon berarti dapat nilai karbon r 1* 1 me diempiriskan dengan nilai pikel 10* 10 atau 5* 5 atau 2,4* 2,4 tapi kan itu destruk method jadi engak bisa kalau misalnya itu diulang-ulang saat Indonesia kan habisas nah yang saya bayangkan adalah menggunakan kataan lain kalau kita tahu berapa karbon daun Sig gras spesies tertentu dan kita tahu Ada berapa jumlah daun di dalam 1* 1 M atau misalnya ee 3* 3 m tergantung dari ukuran piksel ya dengan mengasumsikan semuanya seragam Artinya kita bisa mengestimasi Berapa nilai karbon daun itu dalam ee area sat k 1 M dengan mengalikan nilai karbon sat daun dikali berapa total jumlah daun asumsinya adalah semuanya seragap asumsinya nah sehingga butuhlah nilai densitas dan nilai Biomas atau jumlah daunah nilai butuh nilai jumlah daun dan juga butuh nilai bas ya nah mengapa density dan Biomas Mengapa density dan Biomas Eh bagaimana linear model antara total karbon total karbon total karbon artinya jumlah karbon setiapesies setiapes di dalam kuadrat 1 jadi saya punya data itu nah berapa total karbonnya adal jumlah semuanya semua spesies dalam terhadap berapa total C berapa total darisitas berapa total dari jadi terhadap total karbon itu adalahsit densitas dan biom kemudian yang signifikan terhadap eh apa spesies eh linear model hubungan antara total karbon terhadapsitas semua spesies yang signifikan untuk berapa spes karena saya berpikir Saya mau tahu kan semua setiapes tidak mempunyai ukuran yang sama setiap Spesies ini dia punya yang berbeda-beda Arya adailaibonilai kandungan karbonnya juga kontras antara setiap Space di sini karena perbedaan mologi nah Mana nih yang paling yang paling mempengaruhi gitu ya perubahan dari total karbon ini Nah spesisnya ada enalus talasia simodoseia rotund data kemudian seringodium isopotolum Apa itu Nah kalau bila ovalis tentu sangat kecil memberikan kontribusi karena ukuran daunnya kecil-kecil seperti kuku itu ya yang saya tangkap itu tasodendron memang ukuranya besar tapi mungkin di sini karena kekurangan sampel hasil sementara seperti nah ini yang menarik ini yang menarik jadi saya tadi nyari-nyari di Google sudah ada belum ya orang yang kalau kita tidak mau mengasumsikan Sig itu homogen artinya morfologinya itu sama semua kalau kita mau mendapatkan variasi dari ukuran daun karena setiap daun itu mempunyai kontribusi nilai karbon yang berbeda-beda terhadap total karbon dalam ukuran 1 k 1 M berarti kita butuh 3d-nya ada enggak ya sehingga kita bisa mengounting secara terpisah setiap ukuran Daun Sampai ini saya belum ketemu tapi saya tahu ada yang mengerjakan itu di sini di austral ada yang menggunakan robot kemudian dia scaning kemudian saya lihat hasilnya itu dapatdnya kayak kita ngdr tapi ngdr di di vegetasi itu di darat STR itu kita dapat kelapa pinus gitu ya Nah kita dapat melihat itu kedetailan itu Nah si gras itu saya belum nemu Tadi nyari cepat di Google itu belum ketemu tapi saya sudah eh pernah lihat di sini eh mereka sudah melakukan itu untuk mendapatkan informasi Berapa volume dari Sig gras yang menurut saya itu akan meningkatkan akurasi dari perhitungan nilai segras Nah di sini saya ambil contoh Ya sudahlah ketemunya gambar Minecraft yang kedua software analysis misal 5.000 atau 8.000 sampel masuk Bagaimana mau menganalisanya karena sekali foto transek itu ya Sekali kita mau mret eh sekali kita jalan untuk mendapatkan informasi persentase kerapatan yang menjadi Pri untuk ee biom atau densitas atau bahkan ke kargon jadi kita e butuh persen cover persen cover bisa dihitung melalui Artinya kita tinggal bisa jepr je ya memang di lapangan cepat gu ya kita bisa dapat e menyelesaikan satu Line Trans mulai dari garis pantai sampaiasnya habis berganti dengan Karang zas tapi pasangan itu bisa kita dapatkan ribuan foto yang perlu kita analisa nah saat ini sudah ada e beberapa yang saya gunakan sekarang ini Adah ini tapinya adalah data kita kita upload ke webnya mereka Artinya mereka punya hak atas itu kalau tidak mau diupload berarti kita bisa menggunakan CP sama sepertial cuma kelasnya kita ganti unukel nah ngolah datanya kita bisa manfaatkan ini sudah tersedia sekarang yang refoud ini nah knya refoud ini Apa kelemahannya kan tadi masalah konsen data kita diupload dan jadi haknya mereka tapi kelebihannya adalah kita masukkan 1000 foto minimum kita anotasi atau ngajarin si mesin ini membenarkan dia ngajarin dia Oh Ini sigrasnya halus ya Yang ini sigrasnya e s ya yang ini apa kita selesaikan sekitar 2030 foto persen 203% total foto nanti sisanya mesin yang e melanjutkan ya makin banyak makin bagus dan dia memberikan hasil berapa eror eh dari kemampuan si mesin itu untuk mengkelaskan e foto-foto lainnya hasilnya adalah dia memberikan nilai persentase dari setiap fotoen kan di tiap eh apatilahnya di setiap komunitas mungkin ya Bahasanya ya karena hanya menyebutas berdaun tebalas berdaun kecil berdaun sedang seperti itu Nah kelebihannya itu kekurangannya adalah data kita menjadi e haknya miliknya haknya mereka kalau ggak mau ya kita pakai cpce ber mengidenikasi semuar manual berarti yang perlu kita persiapkan adalah sdmnya kalau kita mau e siap untuk memproses data skala besar tadinya ada ni portal berortal data nasional terus kita bisa pakai untuk gitu ya Nah Cuma harus ada yang iniah ter ya mau pakai Ai machine learning itu atau mau ngolah sendiri ngolah sendiri berarti harus punya sumber daya nah terus di sini ada terkait masalah eh saya coba mengidentifikasi dalam sekali survei sekali survei Apa saja sih yang data oh enggak ini kan Ai ini gambar di samping ini kan beberapa tools yang bisa di dihasilkan beberapa tos yang bisa digunakan untuk menghasilkan informasi persentase kerapatan ada yang berbasis maarningara manual visual yang ini foah car cover dan tidak semuanya memberikan informasi terkait densitas atau kerapatan dari dari eh dari dari metode sampel lapangan misalnya nih kita mau menggunakan foto transa foto transa otomatis baik itu otomatis baik itu manual yang otomatis itu menggunakan Mus learning yang manual itu kita Eh identifikasi di lapangan Ini kan kalau yang Sig watch ada panduannya itu ya Ini berapa persen ya nah eh kalau kita mau mengukur densitas sekaligus berarti kita t time nah tergantung kita surveinya tujuannya gimana budgetnya berapa berapa lama waktunya dan eh dari metode itu metode foto Trans foto Trans itu dia hanya foto aja jadi dia gak bisa ngeluarin densitas Gak bisa juga ngeluarin Li apalagion Biomas dan karbon karena kita ke laapangan cumaet pulang-pulang kita cuma bawa foto sama koordinat jadi setiap metode ada kelebihan ada kekurangan nah yang roud dia ada sebaran titik titik ini kita ajarin kita kasih tahu dia ini ini iniah kalau yang cover yanggunak dia ada pandahung-ujungnyaung-ungnya akan keluarilai kapatan kena siitu bisa membuat nilai empiris dari eh kita bisa menghasilkan nilai persen cover dari Citra yang mana persen cover itu masih bisa kita lanjutkan analisanya untuk ke Biomas dan juga untuk ke karbon Nah kenapa nilai pers cover ini e penting karena Citra tidak melihat secara langsung variasi dari karbon tapi dia eh apa ya mempredik karbon dalam suatu area itu berdasarkan informasi yang bisa dia lihat nah yang paling mungkin cover pertanya Wah sudah ya terakhir jadi ada tadiaboraemudan yang k ituwareisa 10000 sampel datang Nah ini kita harus pikirkan Gimana cara memprosesnya kemudian sekarang sudah ada Google engine engine ini data inputnya kita butuh data Kemudian untuk eh sistemnya adalah kita bisa manfaatkan banyak layer dengan variasi perekaman perekaman yang berbeda-beda kemudian kita bisa e manfaatkan untuk membangun model di sini nah apa yang sudah Bagaimana progresnya sekarang prresnya Sekarang adal kodenya sudahudah Jalan kodenya sudah jalan kemudian cover sudah keluar artinya kalau covernya ada ya areanya juga ada ada kalau Ma dihitaibonnya kitaali 108 t kah cuma dia punya eror Nah sekarang sayaembangkan bagaim meningkatkan akuras pendekatan nah G engine sudahudah jadi nih Sudah running kemudian eh sudah bisa dipetakan satu Indonesia cuma Ca cuma dia masih perlu banyak eh masih perlu banyak improvisasi masih perlu banyak improvisasi jadi kodenya bukan saya Ngerjain sendiri bukan bukan saya Ngerjain sendiri jadi memang ee kolaborasi dari dari e rekan-rekan yang ada di sini kemudian ee peran saya dalam riset Saya hanya akan menambahkan ee model perhitungan ee karbon yang bisa berlaku untuk nasional nah atannya gitu tapi untuk saat ini ee progresnya untuk lokasi satu Indonesia sudah ada gambaran Bagaimana kondisi sigrasnya namun mungkin masih banyak kesalahan bukan namun masih banyak kesalahan ya karena ada sigras ditemukan di Karang ada sigras yang ditemukan di perairan dalam seperti itu tapi apabila ini bisa di apa ya di dijalankan maka untuk lokasi mana pun di Indonesia kita ee bisa dapat gambaran Bagaimana eh apa ya perkiraan kondisi sigras kita di Indonesia dan bagaimana potensi karbonnya nah ini ada contohnya dari skrip ini di Run itu untuk area yang sudah dip luar sana di atas Papua itu ada gambaran terkait masalah Bagaimana persentase sias progresnya bagaimana kesimpulannya apa progresnya jejaring itu sedang dibangun Setahu saya ada nasional maupun Global training field Survey sudah dilakukan Setahu saya oleh pakar data template stholder sudah disiapkan oleh widarta yang mana sekarang KKP empirical model masih t riset tergantung dari masalah feld data tadi kemudian Google engine on progress dia sudah muncul namun masih perlu banyak proses kemudian Kesimpulannya adalah aplikasi teknologi Piran jauh untuk skala pemeta nasional itu sangat bergantung pada m f data eh yang mana itu dari stakeholder kemudian peran jejaring dapat mempercepat perhitungan dan menghemat biaya Ya sementara itu peran cjaring jadi memangjaring dibutuhkan begitu dari saya sekian terima kasih saya kembalikan ke Mas [Musik] agak ini informasinya sangat kompleks dan butuh waktu lebih banyak ya pak untuk disampaikanbatasan Maaf kebablasan Saya teratnya baik dan kepada bapak ibu kita langsung masuk ke Sesi jawab untuk kita batasi menjadi dua penanya langsung Bapak Ibu mungkin silakan Bapak Ibu yang memiliki pertanyaan yang in disampaikan kepada Pakis untuk dua orang penanya pertama dipersilakan untuk DII ada BAP dipilakan bapaksung menyampikan pertanyaanungk kitaamp ke Baik terima kasih banyak terim kasih banyak juga pakf sudah menyampaikan e webinar sangat saya ingin bertanya mengenai perbedaan denganing dengan lapangan ya tadiak bilang itu kalau sangat berbeda kajian dari skalaeran yang saya ininanyakan akurasi yang kita in itu sebesar apa ya Kay dari lapangan kita tah ernya dan dar kebutuhan itu seperti apa tapi pada akhirnya output yang kita ingin akurasinya itu seperti apa dan dengan metode lapangan terutama yang kita pakai sekarang apakah kita perlu Katakanlah kita revisi gitu untuk menyesuaikan dari kebutuhan dari pixelnya sekian terima kasih langsung saya jawab Mas baik Lang saya jawab pertanyaannya berat ya berat karena saya coba cobaall gitu ya karena yang saya tahu itu Eh bentar Entar ya Masaki kasih saya waktu berpikir karena sebelumnya ada dua ini yang saya tangkap ya yang saya tangkap jadi eh yang saya yang saya alami sendiri sebelumnya remote sensing sebelumnya remote sensing itu dia bekerja dengan datanya dia sendiri Sebelumnya dia bekerja dengan datanya dia sendiri yang sifatnya lokal tadi kemudian sifatnya lokal dia mengumpulkannya dengan melalui foto tadi foto sebanyak-banyaknya kemudian dihitung persentasenya kemudian ditarik e reratan dihitung reratananya nah Namun karena sifatnya lokal ee jadi terbatas untuk pembuatan model empirisnya Nah ada ini eh Wali data sudah mengumpulkan data yang sifatnya nasional cuma pendekatannya untuk kebutuhan ekologis dia menggunakan yang mana dia punyael itu kemudian batasan dia menggunakan kuadrat dengan ukuran tertentu tapi dia memberikan pers cover juga nah eh yang saya tahu belum ada yang saya tahu Yaum ada yangungkan Ara data lapangan yang digunakan eh oleh teman-teman ekologis kemudian dimanfaatkan untuk remot sensing karena sebelumnya remot sensing dia mengumpulkan data dia sendiri menggunakan metode fot Trans tadi jadi kalau ditanya mau mengejar mau mengejar akurasi yang seperti apa karena ada eror dari eh data kuadrat yang mana dia tidak Eh pas mewakilkan satu pikel jadi mau mengejar eror Seperti apa saya pun belum tahu karena baru baru saya masih masih sedang progres untuk menghitung ini data bisa dipakai apa enggak sih gitu kalau enggak bisa dipakai mungkin saya kasih rekomendasi eh mungkin perlu dimodif gitu ya atau kalau bisa dipakai akan saya informasikan dia punya error sekian eh persen lah seperti itu Mas mohon maaf nih Mas eh Saya harus selesai karena saya ini ya ee bu ruang di Kus jadi setelah saya ada orang jadi mungkin bisa diail setelah pertanyaan berikutnya boleh sat yang tadiudah iniungis Oke sebelumnya terimihes di men juga sudah disampaikan ee sini Sebenarnya ada dua pertanyaan yang saya ingin tanyain pak ee mungkin singkat aja yang pertama itu adalah eh untuk kelas klasifikasi tadi kan ada eh kelas klasifikasi objek btik lamun atau karang dan lain-lain nah eh Apabila ada di satu area itu ada Alga seperti Ulfa yang sifatnya itu dia eh gampang berpindah gitu ya jadi dia tidak tetap di satu daerah itu eh meskipun dia mend ASI apakah tetap Dim dibuatkan kelas untuk klasifikasi eh Kemudian untuk estimasi karbonnya eh kan eh sejauh ini e yang kita baru bisa estimasi itu adalah above ground menggunakan remote sensing nah sejauh yang Bapak tahu itu Apakah ada studi eh mengenai Persamaan yang bisa memprediksi karbon e diedimen berdasarkan AGB mengingat kalau dari rasio itu kan eh eh sedimen itu e menyimpan karbon lamun sebanyak 98% dan AGB itu hanya 0,4 gitu pak ee sekian pertanya Terima kasih ter Makasih Mas langsung saya jawab kalau Alga Alga itu memang baiknya eh kalau menurut saya dia tetap dimasukkan Alga itu karena eh selama kita punya informasi ee lengkap mengenai Kapan sampel diambil tanggal perekamannya gitu ya karena sekarang sudah gampang untuk mapatkan Citra sesuai atau mendekati dengan tanggal pengambilan sampel Nah nanti terkait ee Bagaimana pengaruh dia terhadap ee mengidentifikasi atau memodelkan si karbonnya itu machine learning menurut saya bisa mengakomodasi itu variasi dari makroalga seperti itu Jadi tetap ditulis dan itu pun saya saya harus mention juga dia mohon izin sebentar jadi makroalga itu dia eh masuk dalam salah satu kelas yang menjadi standar output pemetaan nasionalitu Kemudian yang kedua carbon sejauh yang saya tahu untuk menghitungow carbon belum belum ada seja yang saya tahu masih menggunakan e rasio tadi Mas masih menggunakan rasio artinya kalau kalau mau meningkatkan ee akurasi dan dari estimasi untuk soil carbon maupun bilowarbon maka dibutuhkan ee sampel dengan sebaran yang bisa mewakili variasi sebanyak mungkin variasi yang ada di misalnya kita berbicara tentang Indonesia ya berarti harus mewakili variasi yang ada di Indonesia nah tapi tetap menggunakan rasio tadi yang 1 banding 80 berapa gitu ada sempat saya baca di paper-nya pragarners gu dia menggunakan rasio itu mungkin sementara begitu Mas jawabnya jadi remote sensing enggak bisa langsung ee Lalu bagaimana remote sensing bisa saya belum ada baca papernya terkait spesifik masalah sol karbon tapi yang mungkin bisa digunakan adalah ee menggunakan rasio tadi seperti yang dilakukan oleh traganos itu yang ada di negara Afrika satu lagi Boleh teman-teman saya belum datang keuangan ini baik mungkin satu orang penanya lagi bapak ibu dipersilakan untuk yang ingin bertanya kepada Pak Sekali lagi mungkin Panggilan kepada satu orang penanya yang ing bertanya dengan kepadap untuk kalauak ada tutah silakan mungk disampaikan pertanyaan kepada e just coming just let me finish it kasih Mas masah kasih Mas ya Asalamualaikum wabarakatuh dan selamat siang kami di Palu suengah sudah jam pas Pak Ya baik walaupun tadi saya sedang menguji tapi saya mengikuti mendengar beberapa pemaparan dari Mas Faiz ya Mas Hafiz ya saya mungkin jauh lebih tua dari Mas Hafiz jadi saya panggil Mas Hafiz sajal G ya kalau kita berbicara masalah eh tanaman e lamun ya dengan metode perhitungan konversi karbon dengan menggunakan teknologi Pan jauh atau remot sensing itu bisa diasumsikan homogen apabila apabila pertama itu adalah satu spesies yang sama Katakanlah umpamanya n halus kemudian e tinggi apa panjang daun dan lebar daun kurang lebih sama dengan S kuadrat maka tentu pendekatannya akan lebih tepat Tetapi kan kenyataannya di alam tidak semua walaupun spesies yang sama ukuran daun dan lebar daun panjang daun itu tidak sama dari setiap ee hamparan atau ekosistem lamun Katakanlah jenis ee kelompok dari n halus tadi yang kedua Eh apakah iya bahwa dengan penggunaan teknologi pengintaran jauh eh dengan mudah kita bisa memprediksi nilai karbon karena jenis-jenis karbon kan macam-macam Ya seperti pada mungkin bered jenis karbonnya dengan lamun begitu makroalga yang saya sudahadi kaitannya dengan masalah efek rumah kaca tentunya Bah sesungguhnya Di Bui ini juga tidak ada karbonusb jug karena Setahu saya kalauisaisa basan emisi karbonnya tidak melebih dari batas Amban yang sudah ditetapkan itu aman-aman saja Nah yang kedua mungkin yang saya ingin tahu juga Apakah semua jenis lamun produksi karbonnya sama Pak di setiap ekosistem yang ada di hampara laut Terima kasih banyak saya kira Makasih Mas Terima kasih Pak give mees guys baik eh Iya Pak jadi untuk menjawab tadi bahwa tidak bisa mengatakan karbon itu tidak bisa mengatakan bahwa Sig gras itu nilainya homogen tapi lalu di situ e sehingga saya menggunakan bwa E hanya bisa kita mengasumsikan bahwa menganggap semuanya homogen jadi ukurannya sama ukurannya sama karena bukan berarti eh mengabaikan bahwa karbon di setiap individu lamun yang punya ukuran daun berbeda-beda itu ee mengabaikan hal tersebut karena memang dia menjadi limitasi dari e remote sensing sendiri jadi karena di sini saya berangkatnya dari remote sensing eh bukan berarti remote sensing bisa melakukan apapun tapi dengan background yang saya pahami sejauh mana dia bisa mengekstrak nilai karbon ini kalau dia memang punya kalau memang remote sensing punya keterbatasan nah itu yang EE ee perlu yang perlu saya sampaikan kalau memang saya ingin Kita ingin mengestimasi dia melalui menggunakan teknologi ini maka kita tidak bisa ee menghitung ee akurat ee untuk setiap daun gitu ya setiap daun Nah bentar tadi sempat saya singgung bahwa kalau mau dapat perhitungan empiris yang akurat yang dibangun dari remoteing sama data lapangan idealnya yang saya tangkap setelah yang saya baca-baca itu idealnya adalah ambil Daun Setiap ee ambil setiap daun di dalam ukuran 1 piksel kalau misalnya ukurannya 2,4* 2,4 itu mungkin masih masih Okelah tapi kalau 10* 10 gitu ya 10* 10 m idealnya adalah ambil semua daunnya ukur gitu ya ukur berapa panjangnya kemudian atau timbang Dia setiap daun itu ee untuk mendapatkan nilai karbon kemudian Hitung berapa total dia dalam sat Kal 10* 10 nah itu yang sulit gitu Itu yang sulit ee di lapangan itu sulit gitu Saya masih coba eh masih diskusi dengan supervisor yang eh dari ekologis ini jadi bisa enggak saya menggunakan asumsi bahwa semuanya tu homogen karena memang citranya terbatas Eh punya keterbatasan kemudian di lapangan mengumpulkan sampel juga punya keterbatasan nah saya menyadari itu tapi saya tidak bisa memaksakan ee untuk mendendapatkan kondisi yang ideal nah sementara sementara sementara jawaban seperti itu Pak terkait masalah eh asumsi penggunaan asumsi-asumsi itu dan jadi mas sampai sekarang masih mencari tahu bagaimana caranya gitu Apa yang bisa dilakukan kemudian pertanyaan kedua tadi pertanyaan ketiga Apakah dia berbeda-beda ee setiap spesies yang saya tangkap itu pertanyaannya kandungannya kandungannya berbeda-beda kalau misalnya dimaksud adalah kandungan karbonnya Iya Pak berbeda-beda berbeda-beda karena saya dapat beberapa data dibantu sama teman-teman dia nyempling eh dia ngambil daun kemudian dia ukur spesiesnya sama ternyata persentase karbonnya berbeda biomasnya berbeda artinya ukurannya juga pasti dia berbeda dibandingkan dengan teman yang ngirim sampel dari di lokasi lainnya dengan spesies yang sama dia juga punya nilai yang berbeda-beda jangankan e lokasi yang berbeda daun yang berbeda pun Mungkin dia bersebelahan gitu ya bersebelahan dan yang saya baca Saya ada satu e sempat Disuruh baca juga sama supervisor umurnya berbeda meskipun ukurannya sama dia juga punya kandungan karbon yang berbeda berarti pertanyaannya dari saya dengan background remote sensing saya harus pakai nilai yang mana saya harus pakai nilai yang mana untuk pengali terhadap persen Organic carbon content Nah ya mungkin bisa nilai rata-rata gitu atau mungkin dianggap Semuanya sama nah yang ini yang masih saya apa ya istilahnya Saya mencari ee jadi caranya yang bisa diterima seperti apa sih gitu jadi nah kebetulan dibimbing sama ee apa supervisor yang memang orang ekologis Jadi saya tanya apakah boleh gitu Apakah kalau enggak boleh ya dipikirin lagi nah sementara Jaan saya seperti itu Pak memang dia punya keterbatasan rem sensing yang kedua apa ya tadi Mungkin Mas Agung bisa bantu mungkin kalau dari catatan saya sebenarnya sudah terjawab semua pak baik Mas Mas saya harus pamit saya nang Baik Pak dan kepada Pak kita kepada Pak Zaki semoga pertanyaannya terjawab semua dan apabila belum terjawab silakan langsung dikirimkan email saja kepada ekoedu dan kami akan coba sampaikan kepada Pak Sekali lagi kepadaak terima kasih banyak pakara sudah menyempatkan waktu dan kepada bapak ibu mungkin saya mengajak untuk foto bersama untuk tiga halaman terakhir Pakis mungkin ini sebentar ya Pak Ya baik untuk halaman pertama saya izin untuk menangkap kamera [Musik] 54321 kita lanjut ke halaman kedua di 5 4 3 21 halaman terakhir 5 43 dan S baik dengan ini menandakan berakhirnya kegiatan webinar kita sekali lagi terima kasih banyak Pak mungkin sudah mulai diperingati ya pakleh pemilik ruangani mengucapkan terima kasih banyak Semoga kita bisa bekerja sama di kemudan hari dipersilan untuk meninggalkan ruangan ter kasih Bapak Ibu sekalian sampai jumpa baik kepada bapak ibu semua untuk absensi akan kami Tampilkan pada layar Bapak Ibu Dan mungkin sebagai informasi Mohon untuk penulisan nama penulisan alamat email baik besar huruf kecilnya di teliti kembali Bapak Ibu karena jikalau ada kesalahan kami tidak dapat mengirimkan kepada bapak ibu semua dan jika ada kesalahan penulisan nama kami tidak dapat melakukan revisi Saya sebagai moderator dan mewakili ekoedu mengucapkan terima kasih banyak dan mohon maaf apabila ada salah kata dan salah sikap Billahi taufik wal hidayah wasalamualaikum warahmatullahi wabarakatuh sampai jumpa di webinar selanjutnya salam sejahtera bagi kita semua ya