PENGEMBANGAN TILING DATABASE UNTUK PENYIMPANAN DATA PENGINDERAAN JAUH PADA PEMBANGUNAN LAPAN ENGINE

Ayom Widipaminto, Yuvita Dian Safitri, Wismu Sunarmodo, Rokhmatullah Rokhmatullah

Abstract

Data citra penginderaan jauh termasuk dalam kategori data unstructured yang dicirikan dengan volume data besar dan diperbaharui secara berkala. Diperlukan teknik khusus dalam penyimpanan data berkapasitas besar serta didukung mesin pengolah data berkemampuan tinggi. Penelitian ini bertujuan untuk menemukan desain representasi data citra penginderaan jauh yang lebih efisien dalam penyimpanan dan pengolahan dibanding metode konvensional yang digunakan saat ini. Desain yang diajukan menerapkan konsep tiling database, yaitu metode memecah data citra menjadi potongan-potongan berukuran kecil dengan identitas tertentu, kemudian memasukkannya kedalam database. Hasil pengujian metode tiling database dibanding metode konvensional didapatkan bahwa volume penyimpanan dapat ditekan hingga 25%, dan kecepatan pembacaan data meningkat sekitar 21%. Sistem ini mampu mendukung pengembangan LAPAN Engine karena menawarkan strategi penyimpanan yang lebih efektif dari segi volume, dan efisien dalam segi kecepatan pembacaan data, meskipun proses tiling ke dalam database memerlukan waktu yang cukup lama.
Kata Kunci : tiling, database, penyimpanan, citra, penginderaan jauh

Keywords

tiling, database, storage, image, remote sensing

Full Text:

PDF

References

Bargellini, P., S. Cheli, Y.L. Desmos, B. Greco, V. Guidetti, P.G. Marchetti, C. Comparetto, S. Nativi, and G. Sawjer. 2013. “Big Data from Space: Event Report, European Space Agency Publication.†ESA-ESRIN. http://www.congrexprojects.com/docs/default-source/13c10_docs/13c10_event_report.pdf?sfvrsn.

Bioucas-dias, José M, Antonio Plaza, Gustavo Camps-valls, Paul Scheunders, Nasser M Nasrabadi, and Jocelyn Chanussot. 2013. “Hyperspectral Remote Sensing Data Analysis and Future Challenges.†IEEE Geoscience and Remote Sensing Magazine, 2013. https://doi.org/10.1109/MGRS.2013.2244672.

Jewell, Dave, Ivan Portilla, Ricardo Dobelin Barros, Mukerji Saptarshi, Stefan Diederichs, Harinder P. Seera, Lydia M. Duijvestijn, et al. 2014. “Performance and Capacity Implications for Big Data.†International Business Machines Corporation, 1–36.

Lee, Jae Gil, and Minseo Kang. 2015. “Geospatial Big Data: Challenges and Opportunities.†Big Data Research 2 (2): 74–81. https://doi.org/10.1016/j.bdr.2015.01.003.

Lewis, Adam, Simon Oliver, Leo Lymburner, Ben Evans, Lesley Wyborn, Norman Mueller, Gregory Raevksi, et al. 2017. “The Australian Geoscience Data Cube — Foundations and Lessons Learned.†Remote Sensing of Environment 202: 276–92. https://doi.org/10.1016/j.rse.2017.03.015.

Li, Y, H Zhang, Q Shen - Remote Sensing, and Undefined 2017. 2017. “Spectral–Spatial Classification of Hyperspectral Imagery with 3D Convolutional Neural Network.†Mdpi.Com. https://doi.org/10.3390/rs9010067.

Patil, Veena V, and S G Shinde. 2018. “EFFICIENT TILE BASED REGION MERGING REMOTE SENSING IMAGE SEGMENTATION.†IJRET, 7–12. https://doi.org/10.15623/ijret.2018.0705003.

Sayar, Ahmet, Süleyman Eken, and Umit Mert. 2014. “Tiling of Satellite Images to Capture an Island Object.†Springer International Publishing Switzerland, 195–204.

Sudmanns, Martin, Dirk Tiede, Stefan Lang, and Andrea Baraldi. 2018. “Semantic and Syntactic Interoperability in Online Processing of Big Earth Observation Data.†International Journal of Digital Earth 11 (1): 95–112. https://doi.org/10.1080/17538947.2017.1332112.

Zhang, Lefei, Liangpei Zhang, Dacheng Tao, Xin Huang, and Bo Du. 2015. “Compression of Hyperspectral Remote Sensing Images by Tensor Approach.†Neurocomputing 147 (1): 358–63. https://doi.org/10.1016/j.neucom.2014.06.052.

DOI: http://dx.doi.org/10.30536/j.pjpdcd.2019.v16.a3057

Refbacks

  • There are currently no refbacks.