SIMULASI SOFTWARE PADA PENGOLAHAN DATA CITRA

SIMULASI SOFTWARE PENGOLAHAN DATA CITRA
DI BIDANG KLIMATOLOGI DAN KELAUTAN

Simulasi Transform
Untuk mentransformasi data biner menjadi gambar. Misalnya dalam menggambar arah angin, dimana kita ingin menggambarkan pergerakan arah angin yang terjadi
di daerah tertentu dan pada waktu tertentu. Selain itu, kita juga dapat mengetahui jenis daerah pada suatu peta apakah itu berupa lautan, daratan, pemukiman, pedalaman, dsb. Namun, sebelumnya kita harus mendownload dari internet data biner yang akan kita transformasikan.
Langkah-langkahnya sebagai berikut:
1. Download daat di topex,
2. Buka transform, ambil data,
o Untuk text colums kita bawa ke pfe (program file editor),
o Data di topex kita copy,
o Buka pfe, paste
o Save dengan ekstensi .btm
3. Matriks di ubah di fortran
o Pada fortran matriks kemudian dipanggil
o Kemudian nilainya dikonversi
a. + menjadi 0
b. – menjadi 0
4. Data yang sudah dikonversi tadi kita simpan denga nama lain.

Simulasi PC GRADs ( Grid Analisys and Display System)
Software ini digunakan untuk mengolah data biner yang telah kita peroleh. Dalam mengolah data angin misalnya, dimana terlebih dahulu kita harus mengatur lintang dan bujur dari suatu peta.
Langkah-langkahnya sebagai berikut:
1. Buka program files, PC Grad, win 32
2. Ketik d:\ enter
3. Ketik set lon 95 141 (untuk bujur)
4. Ketik set lat 6 11 (untuk lintang)
5. Ketik set lev 950 ( ketinggian tekanan)
6. Ketik set t 1 1460 (waktu : 365x4 (non kabisat))
7. Ketik fwrite u2006.dat (menyimpan file)
8. Ketik set go out fwrite ( melihat tampilan dari matriks)
9. Ketik d nama file (untuk menjalankan)

Simulasi Pembacaan Data Biner dengan program MATLAB
Struktur data yang mendasar pada matlab adalah array dan matriks yaitu sebuah kumpulan data terurut yang mempunyai tipe bilangan real, atau kompleks, namun pada matlab tidak mendukung citra yang bertipe bilangan kompleks.Nilai-nilai pada array dan matriks tersebut merepresentasikan elemen dasar citra yang berupa kumpulan warna atau intensitas dari suatu citra.
Matlab menyimpan data citra biasanya dalam array 2 dimensi (matriks) dan nilai-nilai pada setiap matriks tersebut adalah nilai dari sebuah pixel yang ditampilkan pada citra Dalam sebuah citra biner, setiap pixel hanya mempunyai kemungkinan 2 nilai, seperti on dan off. Dan sebuah citra biner disimpan dalam matriks dengan nilai 0 (off) dan 1 (on).
Fungsi Imread pada matlab adalah membaca sebuah citra dari file yang bertipe

· Citra dengan format kompresi PNG (Portable Network Graphics), menggunakan teknik kompresi pengelompokan jumlah pixel, yaitu pixel yang sama disimpan sekali dan diikuti dengan jumlah pixel pada citra aslinya, sehingga format citra ini sesuai untuk citra yang mempunyai banyak pixel sama, seperti pada citra statistik seperti diagram batang, pie chart, scatter diagram dan sebagainya.
· Citra dengan format kompresi JPEG (Joint Photographic Experts Groups), menggunakan format warna 24 bit (16 juta/ 16.776.960), menggunakan teknik progressive, yaitu menampilkan sebagian citra secara bertahap, sehingga gambar tidak perlu di-download secara keseluruhan (serupa dengan teknik interlacing pada GIF), biasanya digunakan untuk menampilkan citra yang memerlukan kualitas tinggi. Untuk memperkecil citra maka sebaliknya dilakukan teknik blur (teknik perataan pixel, sehingga citra tampak buram) dahulu kemudian baru dikecilkan.
· Citra dengan format kompresi GIF (Graphics Interchange Format), menggunakan format warna 8 bit (256), teknik penyimpanan interlacing sehingga citra dapat dilihat pada jendela browser secara bertahap (tidak perlu menunggu sampai semua file terkirim). Disamping itu juga menggunakan teknik transparan sehingga citra dapat digunakan sebagai latar belakang yang terlihat secara samar-samar. Dengan menggabungkan beberapa citra maka didapatkan suatu animasi citra yang bergerak, contohnya menggunakan software GIF Animator.
Untuk menampilkan citra biner pada matlab kita menggunakan perintah Imshow (BW ). Imshow akan memperlakukan citra biner sebagai citra berintensitas jika matriks citra tersebut mempunyai kelas dobel. Nilai 0 pada matriks citra ditampilkan warna hitam dan nilai 1 ditampilkan dengan warna putih.

LINK-TRACING SAMPLING

LINK-TRACING SAMPLING

1. Latar Belakang
Link-tracing sampling (LTS) telah dianjurkan sebagai metodologi tepat untuk sampling populasi tersembunyi dan sulit dijangkau, seperti para pengguna obat-obatan, tunawisma, atau populasi pekerja yang tidak didokumentasi. Ide dasar dibalik metodologi sampling ini adalah dimulai dengan sampel initial(awal) orang-orang dari populasi terkait tersebut dan kemudian menambah ukuran sampel dengan meminta orang-orang dalam sampel awal untuk mencalonkan anggota lain dari populasi. Orang-orang yang dicalonkan mungkin bergiliran diminta untuk mencalonkan anggota-anggota lain dari populasi, dan seterusnya hingga suatu aturan berhenti yang ditetapkan memuaskan. (Lihat Spreen (1992) dan (Thompson dan Frank (2000) untuk uraian dan tinjauan yang lain dari metodologi sampling ini). Sebagai contoh, dalam sebuah studi pengguna obat suntik dalam hubungannya dengan resiko terinfeksi HIV, seorang pengguna obat seringkali dapat menunjuk peneliti untuk menyuntik dan mitra seksual dan orang lain dalam berhadapan dengan populasi yang beresiko, sehingga memulai dari sebuah sampel awal, sampel tersebut dapat dikembangkan dengan mengikuti jaringan sosial ini. Karena studi seperti itu, sampling link-tracing cenderung menghasilkan lebih besar sejumlah individu dari suatu populasi tersembunyi, jika dibandingkan dengan desain sampling lain.
Suatu karakteristik yang menarik dari LTS bahwa LTS mengijinkan peneliti untuk membuat kesimpulan model-based yang valid tentang sejumlah parameter populasi. Sebagai contoh, model-based menyangkut ukuran populasi telah dipertimbangkan oleh Frank dan Snijer (1994). Penulis-penulis ini sudah memperoleh sejumlah estimator menyangkut ukuran suatu populasi tersembunyi dari dua asumsi berikut : (i) Sampel awal adalah suatu sampel Bernoulli; bahwa orang-orang dengan bebas tercakup dalam sampel awal dan dengan peluang masuk yang sama. (ii) Orang-orang dengan bebas dicalonkan oleh orang-orang di dalam sampel awal dan pencalonan dibuat dengan peluang yang sama. Model lain dan kesimpulan tentang parameter lain telah dipertimbangkan oleh penulis lain; untuk tinjauannya lihat Thompson dan Frank (2000).
Walaupun kesimpulan model-based valid dapat dibuat menggunakan LTS, satu masalah adalah bahwa asumsi model mungkin tidak realistis. Sebagai contoh, di dalam studi nyata asumsi (i) Frank dan Snijders (1994) sering dilanggar sebab peneliti sering menyelesaikan perekrutan awal dengan menggunakan pusat kesehatan atau pos polisi, sehingga anggota populasi tersembunyi mungkin tidak ditemui dengan bebas atau dengan peluang yang sama.
Dalam artikel ini, kita kembangkan suatu LTS berbeda yang menghindari asumsi sampel awal Bernoulli. Kita lakukan itu dengan perkiraan bahwa sebagian dari populasi yang terkait itu dicakup dengan frame sampling dari lokasi terakses dimana anggota populasi dapat ditemukan dengan peluang yang tinggi. Suatu sampel awal lokasi (clusters) terpilih dengan menggunakan suatu desain sampling berkelompok biasa dan seperti dalam LTS biasa, orang-orang dalam sampel awal diminta untuk menunjuk anggota lain dari populasi itu. Bagaimanapun, karena lokasi menjadi unit-unit sampling, sebagai ganti tracing links antara responden awal dan calon mereka, kita mengikuti links antara kelompok dalam sampel awal dan orang-orang yang dicalonkan dari kelompok ini. Di sini, seseorang yang dimaksud akan dicalonkan oleh suatu kelompok jika ada orang dalam kelompok mencalonkannya.
Struktur dari artikel adalah sebagai berikut. Pada bagian 2, kita menguraikan desian sampling yang diusulkan dan menyajikan beberapa notasi untuk digunakan di seluruh artikel. Berikutnya, pada bagian 3, kita menguraikan desain-based penaksir ukuran populasi yang dicakup oleh frame sampling dan yang tidak menggunakan informasi pencalonan. Pada bagian 4, disajikan dua model untuk peluang pencalonan, dan menurut masing-masing model kita memperoleh penaksir maksimum likelihood (MLE) ukuran populasi, dan juga model-based dan desain-based penaksir variansi mereka. Kemudian, pada bagian 5, kita menguraikan hasil dua studi simulasi yang dilaksanakan untuk menyelidiki capaian dari strategi sampling yang diusulkan. Terakhir, pada bagian 6, kita hadirkan beberapa keterangan akhir dan beberapa perluasan yang mungkin untuk proposal kita.

2. Desain dan Notasi sampling
Misal adalah suatu populasi manusia tersembunyi yang terbatas dari ukuran sampel t yang tidak diketahui. Kita akan berasumsi bahwa sebagian dari populasi dapat ditemukan dalam lokasi yang dapat diakses, seperti tempat-tempa kerja, rumah sakit, taman-taman, city-blocks, atau rumah tangga, dan bahwa daftar N lokasi yang dapat diakses itu dapat dibangun. Kita juga akan berasumsi bahwa bisa mendefinisikan suatu aturan operasional yang mengijinkan kita untuk menentukan ya atau tidaknya seseorang termasuk salah satu dari lokasi pada daftar, dan menyetujui kasus lokasi orang tersebut berada (seseorang hanya bisa berada dalam satu lokasi). Misal U1 adalah bagian dari U yang dicakup olah frame sampling (daftar), dan misal adalah ukurannya. Misal Ai adalah kelompok(lokasi) ke-i pada daftar dan misal mi adalah jumlah anggota populasi yang termasuk dalam Ai, i = 1,…,N, sehingga . Misal adalah bagian dari U tidak tercakup oleh frame sampling, dan misal adalah ukurannya (lihat gambar 1).
Berikut adalah desain sampling. Dengan menggunakan desain sampling acak sederhana tanpa pengembalian (SRSWOR) sampel S0 = {A1,…,An} dari n kelompok dipilih dari frame sampling. (Meskipun kita gunakan sebagai bagian terpenting bilangan 1,…,n, ini tidak berarti bahwa kelompok n pertama dari bagian ini adalah kelompok dalam sampel). Kita akan mengasumsikan bahwa masing-masing orang mi yang termasuk pada teridentifikasi. Jadi, jumlah orang dalam S0 adalah . Selanjutnya, orang-orang yang termasuk pada kelompok diminta untuk mencalonkan anggota lain dari luar populasi Ai; yaitu dalam . Prosedur pencalonan ini dilaksanakan pada setiap kelompok , dan kita akan berkata bahwa seseorang dicalonkan oleh sebuah kelompok jika satu dari anggota kelompok mencalonkannya. Kita akan mengasumsikan bahwa pencalonan dari kelompok yang berbeda dilaksanakan secara bebas, tetapi kita tidak berasumsi bahwa strategi pencalonan yang sama digunakan pada setiap kelompok. (Sebagai contoh, dalam kelompok Ai, anggota mi, sebagai suatu kelompok, mungkin diminta untuk mencalonkan anggota lain; sebaliknya, dalam kelompok Aj, tiap anggota mj secara terpisah diminta untuk mencalonkan anggota lain). Untuk setiap orang yang dicalonkan, kita akan mengasumsikan bahwa diperoleh informasi berikut : kelompok-kelompok yang mencalonkannya, dan apakah orang tersebut termasuk pada kelompok S0, atau pada kelompok bukan sampel (kelompok dalam U1 – S0), atau pada bagian yang tidak tercakup oleh frame sampling (U2) (lihat gambar 1).
Perlu diketahui bahwa desain sampling ini menyerupai Multiple Capture Recapture Sampling (MCRS). (Lihat Otis et al. (1978) dan International Working Group for Disease Monitoring and Forecasting (1995a, b) untuk tinjauan dari metodologi ini secara berturut-turut dalam konteks margasatwa dan populasi manusia). Untuk melihat ini, ingat bahwa dalam MCRS populasi terkait dicoba ke dalam sejumlah kesempatan yang ditentukan, dan elemen diputuskan di-capture (dicoba) dalam suatu kesempatan dan kemudian dirilis pada populasi sehingga mereka dapat di-capture dalam kesempatan yang berbeda. Jadi, kelompok dalam desian sampling kita dapat disamakan dengan sampling occasion dalam konteks MCRS. Dengan cara yang sama, orang-orang yang dicalonkan oleh kelompok dapat disamakan dengan elemen di-capture dalam sampling occasion, dan peluang bahwa orang tersebut dicalonkan oleh kelompok dapat disamakan dengan peluang bahwa sebuah elemen di-capture dalam suatu occasion. Lagipula, model yang sama digunakan dalam MCRS dapat ditentukan dalam kasus kita, oleh karenanya penaksir diperoleh dari model tersebut akan menyerupai yang digunakan dalam MCRS. Bagaimanapun, dalam desain kita, dipunyai dua kerumitan tambahan. Yang pertama adalah bahwa di sini kelompok dipilih secara acak, sebaliknya dalam MCRS sampling occasion adalah pasti. Yang kedua bahwa sampel awal kelompok dipilih dan oleh karenanya seseorang dapat termasuk dalam sampel akhir jika dia dicalonkan kelompok sampel, sebaliknya dalam MCRS, initial sampel tidak dipertimbangkan, oleh karena itu elemen ada dalam sampel hanya jika elemen itu di-capture dalam sampling occasion. Jadi, dua faktor ini memperkenalkan masalah yang tidak ditemukan dalam MCRS.
Kita akan mengakhiri bagian ini dengan memperkenalkan matriks x = [xij] dari variabel indikator xij, dimana xij = 1 jika orang dicalonkan oleh kelompok Ai, dan xij = 0 untuk lainnya. Karena kita tidak mempunyai frame sampling orang-orang, nama-nama individu tidak tampak; oleh karenanya, matriks x diketahui hanya sampai permutasi dari kolomnya. Untuk alasan ini, xij tidak akan digunakan untuk membuat kesimpulan tapi hanya untuk mendefinisikan model. Kesimpulan akan berdasar pada himpunan yang nampak dari perhitungan , dari orang-orang yang dicalonkan oleh setiap kelompok sampel Ai dengan i dalam himpunan , tapi tidak yang lainnya. (Sebagai contoh, jika = {1,3,9}, akan menjadi jumlah orang yang dicalonkan oleh hanya A1, A3, dan A9). Himpunan perhitungan akan ditunjukkan oleh y. Variabel lain akan digunakan dalam artikel ini, tapi mereka akan diperkenalkan saat dibutuhkan.

3. Penaksir Desain-based
Karena desain sampling yang digunakan untuk memilih sample awal S0, kita tahu bahwa adalah penaksir desain-unbiased dari . Variansi desain-based dari adalah
Dan penaksir desain-unbiased adalah
Penaksir dan mempunyai sifat yang menarik yang bebas dari asumsi model; yaitu tanpa memperhatikan proses stokastik yang membangun mi, dan harus penaksir yang layak dari dan , secara berturut-turut. Bagaimanapun, kita tidak mengharapkan menjadi penaksir efisien dari , karena itu tidak memasukkan informasi tentang pencalonan yang dimuat dalam variabel .

Klimatologi dan Oseanografi

KLIMATOLOGI

Klimatologi adalah ilmu yang mempelajari iklim, dan merupakan sebuah cabang dari ilmu atmosfer. Dikontraskan dengan meteorologi yang mempelajari cuaca jangka pendek yang berakhir sampai beberapa minggu, klimatologi mempeljari frekuensi di mana sistem cuaca ini terjadi.

Klimatologi tidak mempelajari fenomena atmosfer secara tepat (misalnya pembentukan awan, curah hujan, dan petir), tetapi mempelajari kejadian rata-rata selama beberapa tahun sampai millenia, dan juga perubahan dalam pola cuaca jangka panjang, dalam hubungannya dengan kondisi atmosfer.

OSEANOGRAFI

Oseanografi (berasal dari bahasa Yunani oceanos yang berarti laut dan γράφειν atau graphos yang berarti gambaran atau deskripsi juga disebut oseanologi atau ilmu kelautan) adalah cabang dari ilmu bumi yang mempelajari segala aspek dari samudera dan lautan. Secara sederhana oseanografi dapat diartikan sebagai gambaran atau deskripsi tentang laut. Dalam bahasa lain yang lebih lengkap, oseanografi dapat diartikan sebagai studi dan penjelajahan (eksplorasi) ilmiah mengenai laut dan segala fenomenanya. Laut sendiri adalah bagian dari hidrosfer. Seperti diketahui bahwa bumi terdiri dari bagian padat yang disebut litosfer, bagian cair yang disebut hidrosfer dan bagian gas yang disebut atmosfer. Sementara itu bagian yang berkaitan dengan sistem ekologi seluruh makhluk hidup penghuni planet Bumi dikelompokkan ke dalam biosfer.

Para ahli oseanografi mempelajari berbagai topik, termasuk organisme laut dan dinamika ekosistem; arus samudera, ombak, dan dinamika fluida geofisika; tektonik lempeng dan geologi dasar laut; dan aliran berbagai zat kimia dan sifat fisik didalam samudera dan pada batas-batasnya. Topik beragam ini menunjukkan berbagai disiplin yang digabungkan oleh ahli oceanografi untuk memperluas pengetahuan mengenai samudera dan memahami proses di dalamnya: biologi, kimia, geologi, meteorologi, dan fisika.

Beberapa sumber lain berpendapat bahwa ada perbedaan mendasar yang membedakan antara oseanografi dan oseanologi. Oseanologi terdiri dari dua kata (dalam bahasa Yunani) yaitu oceanos (laut) dan logos (ilmu) yang secara sederhana dapat diartikan sebagai ilmu yang mempelajari tentang laut. Dalam arti yang lebih lengkap, oseanologi adalah studi ilmiah mengenai laut dengan cara menerapkan ilmu-ilmu pengetahuan tradisional seperti fisika, kimia, matematika, dan lain-lain ke dalam segala aspek mengenai laut.

Oseanografi adalah bagian dari ilmu kebumian atau earth sciences yang mempelajari laut,samudra beserta isi dan apa yang berada di dalamnya hingga ke kerak samuderanya. Secara umum, oseanografi dapat dikelompokkan ke dalam 4 (empat) bidang ilmu utama yaitu: geologi oseanografi yang mempelajari lantai samudera atau litosfer di bawah laut; fisika oseanografi yang mempelajari masalah-masalah fisis laut seperti arus, gelombang, pasang surut dan temperatur air laut; kimia oseanografi yang mempelajari masalah-masalah kimiawi di laut, dan yang terakhir biologi oseanografi yang mempelajari masalah-masalah yang berkaitan dengan flora dan fauna atau biota di laut.