Professional Documents
Culture Documents
Literature Review
Topik Dalam Pengolahan Citra
Depok
Desember, 2009
)
DAFTAR ISI
)
BAB I
PENDAHULUAN
1.2. Permasalahan
Kurang reliable, kurang up to date, kurang tersedianya data geospasial yang
qualified adalah merupakan salah satu dari permasalahan yang ditemukan untuk
mendapatkan respon yang lebih baik terhadap kejadian bencana alam. Disisi lain,
kompleksitas dari suatu fenomena gempa dilihat dari segi waktu, posisi dan intensitas,
membuat sulit untuk diakses. Disamping itu, belum terdapat tool yang komprehensif
untuk melakukan analisis spasial yang dapat mendukung pengambilan keputusan terkait
bencana tersebut.
)
1.3. Tujuan
Adapun tujuan dari penyusunan laporan ini adalah :
1. Mempelajari serta memberi ulasan terhadap paper yang ditulis oleh para peneliti,
khususnya dalam topik change detection.
2. Menganalisis paper-paper tersebut, ditinjau dari segi isi / materi maupun
penulisan paper itu sendiri.
3. Melakukan komparasi terhadap paper-paper tersebut, terkait dengan persamaan
dan perbedaannya terutama dari segi isi / materi dan penerapan metode maupun
teknik-teknik yang digunakan/dilakukan.
)
BAB II
PEMBAHASAN
Pada tahun 1980-an, change detection mulai dipelajari oleh beberapa orang.
Dalam change detection, multi-band remote sensing images biasanya digunakan untuk
dapat menyediakan informasi yang cukup. Metode ini dapat dibagi kedalam image
substraction method dan method of change detection after classification.
Dalam pembahasan paper ini, pertama adalah membahas tentang metode
eliminasi dari faktor-faktor yang mempengaruhi terhadap change detection. Kedua,
memperkenalkan prinsip dasar dari tiga metode tersebut serta bagaimana percobaan
mengenai metode-metode tersebut yang dilakukan dengan menggunakan software Erdas.
Ketiga, melakukan analisa perbandingan terhadap manfaat serta ruang lingkup yang
ditunjukkan dari ketiga metode tersebut diatas.
Didalam penerapannya, banyak terdapat metode change detection untuk data
multi-spectral image. Metode ini dapat diklasifikasikan kedalam tiga kategori, yaitu :
1). Analisis karakteristik dari tipe spektral
Tujuan dari analisis ini adalah untuk memastikan distribusi serta karakteristik
perubahan berdasarkan klasifikasi spektral dan lalu kemudian menghitung fase dalam
remote sensing images yang berbeda.
2). Analisis vektor dari perubahan spectral
Analisis ini dilakukan untuk memastikan kekuatan serta arah karakteristik dari suatu
perubahan berdasarkan pada radikalisasi perubahan images dari waktu yang berbeda,
terutama menganalisis perbedaan dari tiap-tiap band.
3). Analisis time series.
Tujuannya adalah untuk menganalisis proses dan tren perubahan dari pemantauan
ground objects berdasarkan data observasi remote sensing secara kontinu.
)
Secara garis besar, paper ini membahas tentang 3 metode yang terdapat dalam
change detection. Metode-metode tersebut adalah :
1. Image Substraction Method
Metode ini merupakan sebuah metode change detection terhadap aplikasi yang
paling luas. Hal ini dapat diterapkan untuk berbagai jenis image dan lingkungan
geografis.
2. Image Ratio Method
Image Ratio Method adalah merupakan sebuah metode yang membandingkan nilai
sebuah pixel dari sebuah gambar yang sesuai dengan gambar lain diwaktu yang
berbeda. Pada metode ini rasio pixel yang sesuai pada tiap-tiap band pada dua
image dari periode yang berbeda setelah perhitungan image registration.
3. The Method of Change Detection AfterClassification
Metode ini adalah merupakan yang paling sederhana, dimana teknik analisisnya
hanya berdasarkan pada klasifikasi. Metode ini dapat digunakan untuk dua atau
lebih image after registration, termasuk langkah didalam klasifikasi serta
pembandingan.
)
a. Remote sensing system factors
Merupakan dampak dari resolusi temporal, resolusi spasial, resolusi spektral dan
resolusi radiasi.
b. Environmental factors
Merupakan dampak dari kondisi atmosfir, kelembaban tanah dan karakteristik dari
phenological.
Dampak pada waktu yang berbeda dan akibat pengaruh dari faktor-faktor pada images
harus sepenuhnya diperhitungkan dalam change detection. Pengaruh ini dapat
dihilangkan sebanyak mungkin dengan melakukan registrasi geometris dan koreksi
radiometris pada remote sensing images. Dengan demikian dapat membuat eksperimen
ini dibangun secara terpadu dan dapat diperoleh hasil yang lebih objektif.
Gambar 1. Hasil dari Image Subtraction Method Gambar 2. Hasil dari Image Ratio Method
)
Tabel 1. Keuntungan dan kerugian dari hasil eksperimen ketiga metode change detection
Image Subtraction - Konsepnya sederhana dan mudah - Tidak refleks terhadap perubahan
Method - Mudah dipahami serta mudah yang terjadi pada setiap kategori
untuk digunakan - Metodenya sangat sederhana pada
- Dapat mengurangi kemungkinan proses change detection dari natural
terjadinya error (dibandingkan images
dengan metode change detection - Tidak cocok digunakan untuk change
after classification) detection di daerah perkotaan.
Image Ratio - Sangat berguna untuk - Masih terdapat beberapa informasi
Methods mengekstraksi vegetasi dan perubahan yang tidak terdeteksi.
tekstur. - Jenis perubahan dari fitur tidak dapat
- Memiliki fitur kemiringan yang tercermin.
berbeda antara band - Pemilihan nilai threshold sangat sulit.
- Sangat tepat dan akurat, serta - Perbedaan fitur pada kemiringan yang
dapat digunakan dalam penelitian sama dapat membingungkan, dan ratio
tentang change detection synthesized image sering membuat
diperkotaan. kompensasi dalam analisisnya.
)
- Dari prespektif operasional, image subtraction method dan image ratio method
memiliki operasi yang relatif sederhana dan waktu yang sedikit. Sedangkan change
detection after classification method sangat komplikasi dan memakan waktu.
- Dari perspektif aplikasi, image subtraction method dan change detection after
classification method tidak berlaku untuk change detection secara datail dala
perkotaan. Sedangkan image ratio method dapat digunakan untuk change detection
dalam kota, terutama analisis mengenai vegetasi dan tanah.
Melihat dari hasil citra, image subtraction method dan image ratio method hanya dapat
mendeteksi cakupan serta tingkat perubahan tetapi tidak bisa memberikan sifat dan
penyebab perubahan. Dalam hal ini, change detection after classification method dapt
memberikan informasi ini.
)
sebanyak 26.200 orang dan 75.600 orang kehilangan tempat tinggal. Dan juga dilaporkan
dari organisasi bantuan bahwa diestimasi antara 70-95% bangunan hancur.
SDSS adalah sebuah sistem interaktif yang berbasis komputer yang dirancang
untuk mendukung pengguna atau kelompok pengguna dalam mencapai efektivitas yang
lebih tinggi dalam pengambilan keputusan pada saat memecahkan masalah pada semi
struktur spasial. (Sprague and Carlson 1982). Perancangan ini untuk membantu
perencana spasial dengan panduan dalam membuat keputusan mengenai penggunaan
lahan. Dengan demikian tercipta sebuah sistem yang memiliki model keputusan yang
dapat digunakan untuk membantu mengidentifikasi pemilihan keputusan yang efektif.
Untuk langkah-langkah didalam metodologinya dapat dilihat pada diagram dibawah ini.
)
Untuk gempa bumi yang tergolong cukup kuat seperti yang terjadi di kota Bam
dapat menyebabkan kerusakan yang sangat parah bagi bangunan. Mengevaluasi
bangunan-bangunan yang rusak akibat gempa adalah sangat penting untuk
mengalokasikan regu penyelamat ke daerah-daerah yang mengalami kerusakan sekaligus
dapat mengestimasi kerusakan tersebut.
Salah satu cara tercepat untuk mendapatkan informasi tentang tempat-tempat
yang rusak dan untuk menghitung jumlah yang rusak terutama di daerah perkotaan
dengan menggunakan gambar satelit untuk membandingkan gambar sebelum dan
sesudah terjadinya gempa bumi. Untuk perkembangan terkini dari teknik remote sensing
adalah dengan melakukan ekstraksi secara otomatis dari informasi citra satelit secara
mungkin. Disebutkan dalam paper ini menggunakan citra satelit Quickbird yang
merupakan produk standar yang high resolution.
)
Untuk memaksimalkan korespondensi spasial antara multi-temporal scenes
"setelah" image telah didaftarkan ke image "sebelum", menggunakan serangkaian titik
kontrol dengan transformasi polinomial orde pertama. Hasil dari analisis tersebut adalah
sebuah raster layer, dengan nilai pixel 0, 1, 2 sesuai dengan non-parcel pixels, pasrcel’s
damaged pixel dan parcel’s undamaged pixels.
Dalam paper ini metode untuk mengekstrak informasi adalah dengan
menggunakan geostatistik dan artificial neural network. Klasifikasi dilakukan pada sifat
tekstur dari image. Secara statistik, tekstur dari sebuah image memiliki dua komponen :
variabel lokal dan korelasi spasial. Dimana variabel lokal dapat lebih jelas dengan
menggunakan variansi akan tetapi tidak menunjukkan korelasi spasial dari variabel.
Namun secara geostatistik mengukur bahwa kedua variabel ini menggunakan parameter
utama dari geostatistik yang semivarian.
)
Gambar 3: Image bagian sebelah kiri adalah merupakan klasifikasi image.
Sebelah kanan adalah merupakan parcel’s vector layer dari Bam.
Dalam paper ini juga diterangkan mengenai metode statistik klasifikasi, yang
secara spesifik menentukan kerusakan bagian pada tiap parcel dengan memperhatikan
jumlah pixel dengan nilai 0, 1, 2. dengan demikian dapat mengidentifikasi bangunan
yang runtuh dari segi karakteristik statistik yang beda dari struktur bangunan yang utuh
pada waktu “sesudah” terjadinya gempa, daripada tingkat peruahan antara images
sebelum dan sesudah kejadian (Gusella et. al., 2005). Diasumsikan tiga kriteria sebagai
berikut :
Parcel’s tidak mengalami kerusakan ketika jumlah pixel dengan nilai relatif 1
terhadap total pixel dari parcel adalah lebih kecil dari 0,3.
Parcel’s menagalami semi kerusakan apabila ketika jumlah pixel dengan nilai relatif 1
terhadap total pixel dari parcel adalah lebih besar atau sama dengan 0,3 atau lebih
kecil atau sama dengan 0,6.
Parcel’s mengalami kerusakan yang cukup komplit apabila ketika jumlah pixel
dengan nilai relatif 1 terhadap total pixel dari parcel adalah lebih besar atau sama
dengan 0,6.
Implementasi dari hasil penelitian ini mendapatkan dua status yang berbeda dari
proses yang terjadi didalam format vektor dan raster. Output dari sebelumnya adalah
sebuah vektor berbasis kerusakan yang digambarkan pada peta dan Output yang
)
dihasilkan setelah itu adalah sebuah format raster yang berbasis kerusakan yang
digambarkan pada peta.
Gambar 4: Output raster layer dari kerusakan Gambar 5: Output vector layer dari kerusakan
bangunan pada gempa Bam bangunan pada gempa Bam
Adapun hasil dari penelitian ini dapat membawa manfaat yang signifikan dalam
melakukan tindakan tanggap darurat terhadap pasca terjadinya bencana. Teknik deteksi
kerusakan akan memberikan akan memberikan tanggapan bagi pejabat pemerintah,
lembaga-lembaga bantuan internasional dan pemulihan bencana agar secara cepat dapat
melihat sehingga dapat mengestimasi kerusakan secara regional dan mendapatkan rincian
terhadap total kerusakan yang terjadi pada bangunan. Tools ini akan memungkinkan
upaya prioritas dan koordinasi dalam hal bantuan dan kunjungan ke lokasi gempa
sehingga dapat mendukung operasi pemulihan secara cepat. Berdasarkan hal tersebut,
berhasil dibangun sebuah objek berbasis klasifikasi dan metode segmentasi yang sukses
digunakan pada gempa di Bam tersebut. Didapatkan informasi bahwa terdapat 18872
bangunan yang terdapat di kota Bam, 6473 bangunan (34%) hancur akibat gempa. Hasil
dari kesimpulan awal mengindikasikan akurasi secara keseluruhan dari klasifikasi
kerusakan adalah 80.5%.
)
Paper III : Extraction of Damaged Buildings Using High-Resolution Satellite
Images in The 2006 Central Java EarthQuake
Gempa bumi terjadi di Jawa Tengah dengan kekuatan 6.3 skala richter yang
terjadi pada tanggal 27 Mei 2006. Akibat gempa ini, dicatat sekitar 5.800 orang korban
yang meninggal duniadan sekitar 38.000 orang menderita luka parah. Dengan
menggunakan QuickBird images, diperoleh image sebelum dan sesudah terjadinya
gempa. Dalam penelitian ini dicoba untuk mengekstrak area dari bangunan yang
mengalami kerusakan dengan berdasarkan klasifikasi objek.
Pada tahap awal, sangat penting untuk memahami suatu tingkat kerusakan yang
terjadi setelah terjadinya bencana alam. Dengan kemajuan teknologi remote sensing kita
akan bisa mendapatkan citra satelit dengan resolusi tinggi, seperti misalnya QuickBird
dan Ikonos, dimana kita dapat mengidentifikasi rumah atau mobil serta gambar satelit
dengan resolusi moderat tidak lama setelah bencana terjadi.
Dijelaskan dalam paper ini mengenai kegunaan dari klasifikasi objek yang
menjadi penelitian lebih lanjut dalam mendeteksi kerusakan bangunan dari citra satelit
dengan resolusi tinggi yang diperoleh sebelum dan sesudah gempa Jawa Tengah pada
tahun 2006. Dalam hal ini area bangunan diekstrak untuk gambar yang sebelum dan
sesudah dengan berbasis pixel dan klasifikasi objek. Kemudian hasil dari dua metode
tersebut dibandingkan dan kemudian dengan mengambil perbedaan area bangunan dari
gambar sebelum dan sesudah,. Area yang mengalami kerusakan bangunan diidentifikasi
dan hasilnya dibandingkan dengan menggunakan inspeksi visual.
Meskipun pemeriksaan kerusakan secara visual memberikan informasi yang
sangat berguna akan tetapi cukup memakan waktu. Oleh karena itu, metode image
processing digunakan untuk meningkatkan performa interpretasi. Sejauh ini pendekatan
yang dilakukan adalah klasifikasi land cover berbasis pixel, misalnya metode maximum
likelihood. Disamping itu, untuk images dengan resolusi tinggi, pendekatan pixel-based
dapat menimbulkan banyak noise pada hasilnya nanti karena resolusi yang terlalu tinggi.
Untuk mengatasi masalah noise yang terdapat pada images dengan resolusi
tinggi, dalam paper ini diperkenalkan pula klasifikasi berbasis objek. Pada gempa yang
terjadi di Boumerdes, Algeria tahun 2003, Kouchi et. al. (2005) membandingkan hasil
)
yang didapat dari klasifikasi berbasis pixel dengan berbasis objek untuk deteksi puing-
puing menggunakan QuickBird images.
)
Shape Factor dan Scale Parameter (Baatz et. al., 2004). Adapun parameter yang paling
penting adalah Scale Parameter, yang menentukan ukuran objek. Sedangkan Shape
Factor untuk menentukan level penting dari spektral heterogeneity atau shape
heterogeneity dalam segmentasi. Lebih rinci dikatakan bahwa spektral heterogeneity
ditentukan juga oleh Layer Weight, yang memberi bobot pada masing-masing band.
Disamping itu pula, untuk shape heterogeneity ditentukan Compact Weight dan Smooth
Weight.
Gambar 3: Bagian dari area bangunan yang terdeteksi sebelum terjadi gempa
Gambar 4: Bagian dari area bangunan yang terdeteksi setelah terjadi gempa
(area yang sama seperti gambar diatas)
Membandingkan hasil dari klasifikasi berbasis pixel dan klasifikasi berbasis objek
dengan inspeksi visual, noise cukup terlihat dalam klasifikasi berbasis pixel. Oleh karena
itu dapat disimpulkan bahwa dalam resolusi dan ukuran dari objek target ini, hasil yang
terbaik dapat diperoleh melalui klasifikasi berbasis objek. Akan tetapi, dalam objek
)
berbasis klasifikasi beberapa seperti jalan dan area yang berbayang mengalami kesalahan
pada kelas bangunan karena nilai spektral dari area yang menjadi sampel mempunyai
kemiripan dengan kelas bangunan.oleh karena itu, hal seperti ini dalam klasifikasi
berbasis objek perlu untuk dibuang dengan menggunakan indeks fitur objek, seperti
panjang, atau hubungan spasial.
Dengan perbandingan hasil oleh image processing yang dikemukakan diatas
tersebut, tingkat akurasi yang wajar diperoleh produser akurasi 67.4% dan user akurasi
adalah 51.5%.
Gambar 5. Bagian dari deteksi vegetasi Gambar 6. Bagian dari area bangunan
dan area bayangan (area yang sama yang terdeteksi mengalami kerusakan
dengan gambar 3) (area yang sama dengan gambar 3)
)
2.2. Paper Analysis
Paper I : The Comparative Study of Three Methods of Remote Sensing Change
Detection
Dalam paper yang ditulis oleh Zhang Shaoqing dan Xu Lu ini terdapat beberapa
hal yang belum dibahas secara jelas. Hal tersebut antara lain adalah sebagai berikut :
1. Proses yang dilakukan pada preprocessing tidak dijelaskan secara detail
menyangkut registrasi geometrik maupun koreksi radiometrik, dimana agar secara
geometrik mendapatkan lokasi yang akurat dan secara radiometrik agar intensitas
pixel untuk objek yang sama mempunyai relatif intensitas yang sama.
2. Untuk penjelasan pada image ratio method diperlukan suatu nilai treshold, hal ini
terutama apabila tidak tersedianya ratio feature library.
3. Pada daerah perkotaan jenis objek cukup banyak (jalan, taman, bangunan, sungai,
dll) sehingga warna/intensitas tidak homogen. Hal ini dalam paper tidak
digambarkan mengenai kemampuan dari ketiga metode change detection dalam
kondisi tersebut.
Dalam paper yang ditulis oleh Teimouri,M dkk ini terdapat beberapa hal yang
belum dibahas secara jelas. Hal tersebut antara lain adalah sebagai berikut :
1. Dalam paper ini dikatakan bahwa untuk melakukan klasifikasi dari informasi yang
telah diekstrak dalam hal ini yang merupakan nilai dari semivarian digunakan analisis
artificial neural network (ANN), tetapi tidak dijelaskan tentang sedikit proses
didalam ANN itu sendiri.
2. Demikian juga, penggunaan dari ArcObjects code untuk suatu klasifikasi image dan
sebuah parcel’s vector layer dengan skala 1:2000 tidak digambarkan secara rinci.
3. Secara metode klasifikasi statistik yang dilakukan, didapatkan tiga kriteria : non-
collapsed, semi-collapsed dan completely-collapsed. Akan tetapi untuk penentuan
nilai yang menjadi acuan dari mendapatkan tiga kriteria tersebut tidak dijelaskan.
)
Paper III : Extraction of Damaged Buildings Using High-Resolution Satellite
Images in The 2006 Central Java Earthquake
Dalam paper yang ditulis oleh Kazuki Matsumoto dkk ini terdapat beberapa hal
yang belum dibahas secara jelas. Hal tersebut antara lain adalah sebagai berikut :
1. Dikatakan dalam paper ini bahwa dengan menggunakan QuickBird image langkah
pertama yang dilakukan adalah menghasilkan pan-sharpened image dari resolusi
0.6m yang dihasilkan melalui penggabungan panchromatic images dan multi-spectral
images. Kemudian, langkah selanjutnya melakukan registrasi antara images sebelum
dan sesudah terjadinya gempa menggunakan metode RST transformation dan Nearest
Neighbour resampling. Adapun penggunaan kedua metode tersebut tidak dijelaskan
didalam paper ini.
2. Dalam membangun klasifikasi berbasis pixel secara konvensional berdasarkan pada
Metode maximum likelihood. Dalam paper ini penjabaran tentang metode maximum
likelihood tidak dijelaskan.
3. Secara detail juga, penggambaran tentang noise yang didapat pada perbandingan hasil
dari klasifikasi berbasis pixel dengan berbasis objek melalui inspeksi visual tidak
diperlihatkan dengan jelas.
)
2.3. Paper Comparison
Zhang Shaoqing *, Discusses three main Introduced and the Panchromatic image subtraction method
Xu Lu (2009) methods of change experiments of the band of remote and image ratio method
detection methods are carried sensing images can only detect the scope
“The Comparative 1. Image Subtraction on ERDAS on April 1, and degree of changes and
Study of Three Method software 2002, May 10, can not give the nature
Methods of Remote 2. Image Ratio Method 2001 in Beijing and causes of changes,
Sensing Image 3. Change Detection namely the transformed
Change Detection” after Classification information of the types.
Three bands
Method The method of change
remote sensing
detection after
images in
classification can provide
Wuhan in 1995
this information.
and 2000
Teimouri,M, et. al. a methodology to assess use optical and Classification The results of this paper
(2008) damage estimation due SAR data to locate texture of an can assist decision makers
to an earthquake using buildings collapsed, image : local to allocate rescue forces to
“A SDSS-Based spatial decision support and a mapping variable and the damaged areas based
Earthquake Damage system (SDSS) system to display spatial on their degree of
Assessment for and disseminate correlation destruction
Emergency earthquake-related
Response: multimodal
Case Study In Bam” geospatial data
Kazuki Matsumoto, - Building areas were result was pixel-based the object-based classifi-
et. al. (2006) extracted for the pre- compared with that classification cation is considered to be
event image and the by visual inspection and object- more suitable to identify
“Extraction of post-event image by based the areas covered by
Damaged Buildings pixel-based classification buildings in high-
Using High- classification resolution satellite images
Resolution Satellite - Taking the difference of
Images in The 2006 the building areas for Because salt-and pepper
Central Java the pre- and post-event noises were seen in the
Earthquake” images by the object- pixel-based classification
based approach result
)
BAB III
PENUTUP
3.1. Kesimpulan
Change Detection adalah sebuah aplikasi penting didalam teknologi remote
sensing, yang merupakan sebuah teknologi yang dapat memastikan perubahan fitur
tertentu dalam suatu interval waktu tertentu. Change detection menyediakan distribusi
spasial dari fitur, serta informasi kualitatif dan kuantitatif dari perubahan fitur tersebut.
Metode change detection untuk data image yang multi spektral terdiri dari banyak
jenis. Dapat diklasifikasikan kedalam tiga kategori, yaitu : analisis karakteristik dari tipe
spektral, analisis vektor dari perubahan spektral serta analisis time series.
Sehubungan dengan metode-metode tersebut, ditinjau dari permasalahan bencana
alam, banyak penelitian dilakukan terkait dengan penilaian kerusakan akibat gempa. Dari
penelitian-penelitian yang dilakukan memang untuk mendapatkan respon yang lebih baik
terhadap terjadinya bencana alam masih terdapat banyak kekurangan, hal ini disebabkan
karena kurang reliable, informasi kurang up to date, dan kurang tersedianya data
geospasial yang qualified.
Disisi lain, kompleksitas dari suatu fenomena gempa dilihat dari segi waktu,
posisi dan intensitas, membuat sulit untuk diakses. Disamping itu, belum terdapat tool
yang komprehensif untuk melakukan analisis spasial yang dapat mendukung
pengambilan keputusan terkait bencana tersebut.
Untuk itu, pada tahap awal, sangat penting untuk memahami suatu tingkat
kerusakan yang terjadi setelah terjadinya bencana alam. Apalagi, dengan kemajuan
teknologi remote sensing kita akan bisa mendapatkan citra satelit dengan resolusi tinggi,
seperti misalnya QuickBird dan Ikonos, dimana kita dapat mengidentifikasi rumah atau
mobil serta gambar satelit dengan resolusi moderat tidak lama setelah bencana terjadi.
Dengan demikian diharapkan dengan membangun metode dan sistem tersebut
diatas dapat memberikan respon secara cepat terhadap penyediaan informasi kerusakan
kawasan pemukiman dalam bentuk informasi spasial makroseismik. Sehingga informasi
tersebut dapat segera digunakan dalam mendukung keputusan terkait dengan gempa.
)
3.2. Saran
1. Penjelasan terhadap metode-metode yang digunakan sebaiknya disertai dengan
contoh secara konkrit sehingga memudahkan untuk pemahaman serta analisis.
2. Didalam melakukan analisis terhadap hasil eksperimen agar lebih jelas, bukan hanya
disebutkan akan tetapi diberi penjelasan secara rinci.
3. Untuk perhitungan nilai, akurasi atau tingkat error dari hasil eksperimen yang
dilakukan sebaiknya digambarkan secara rinci, sehingga dapat diketahui performa
dari parameter-parameter yang diukur.
)
DAFTAR PUSTAKA