Nomor : 07/K/ISOI/X/2020 Jakarta, 5 Oktober 2020 Lampiran : -
Hal : Hasil Seleksi Abstrak dan Undangan Presentasi PIT XVII ISOI 2020 Kepada Yth.
Reky Rolen kencana, Lulu Chaerani M, Nuryuliani, Nur Azmi Ratna Setyawidati, Elfitrin Syahrul
di Tempat
Dengan hormat,
Berdasarkan hasil seleksi panitia, abstrak Bapak/Ibu diterima pada sesi paralel Pertemuan Ilmiah Nasional Tahunan (PIT) XVII Ikatan Sarjana Oseanologi Indonesia (ISOI) 2020 yang dilakukan secara daring :
Judul : Drone untuk Pemetaan dan Monitoring Budidaya Rumput Laut di Indonesia: Perspektif dan Tantangan
Penulis : Reky Rolen kencana, Lulu Chaerani M, Nuryuliani, Nur Azmi Ratna Setyawidati, Elfitrin Syahrul
Kode Makalah : A06
Bersama ini juga kami mengundang Bapak/Ibu untuk menghadiri rangkaian kegiatan PIT XVII ISOI 2020 yang akan diselenggarakan pada:
Tanggal : 11 November 2020 Waktu : 08:00 s/d 12:15 WIB Jadwal Acara : Menyusul
Selanjutnya kami sampaikan beberapa hal:
1) Pemakalah diwajibkan membuat video presentasi maksimal 7 menit. (panduan: https://s.id/videopresentas ),
2) Video tersebut di-upload ke youtube.com dengan judul Presentasi PIT ISOI XVII 2020: Judul makalah. Catat link link url video,
3) Buatlah abstrak dengan format yang dapat dilihat di: https://s.id/abstrakpitisoi
4) Membayar biaya pemakalah PIT ISOI (Anggota ISOI dan mahasiswa Rp 100.000,-, bukan Anggota ISOI Rp 250.000,- [langsung terdaftar menjadi anggota ISOI]) dengan mentransfer ke: ISOI, bank Mandiri, No. 103000 5138660
5) Kirimkan link video, file abstrak dan bukti pembayaran ke link berikut: https://s.id/pitisoi2020 selambat-lambatnya pada tanggal 30 Oktober 2020.
6) Kami mohon ijin untuk memasukan no HP pemakalah pada WAG peserta PIT ISOI 2020.
Demikian kami sampaikan, bila ada pertanyaan dapat menghubungi panitia (Hendrawan : 082347338000), atas perhatian dan partisipasi Bapak/Ibu diucapkan terima kasih.
Hormat kami, Panitia PIT XVII 2020
Dr. Mufti P. Patria Ketua Panitia
Drone untuk Pemetaan dan Monitoring Budidaya Rumput Laut di
Indonesia: Perspektif dan Tantangan
Reky Rolen Kencana1#, Lulu Chaerani M2, Nuryuliani3,Nur Azmi Ratna Setyawidati4, Elfitrin Syahrul5
1Magister Manajemen Sistem Informasi, Universitas Gunadarma, Jl.
Margonda Raya 100, Pondok Cina, Depok
2Fakultas Sistem Informasi, Universitas Gunadarma, Jl. Margonda Raya 100,
Pondok Cina, Depok
3Fakultas Teknologi Industri, Universitas Gunadarma, Jl. Margonda Raya
100, Pondok Cina, Depok
4Pusat Riset Kelautan, Badan Riset Sumber Daya Manusia Kelautan dan Perikanan, KP II. Jl. Pasir Putih II, Ancol Timur, Jakarta Utara 14430
5Universitas Gunadarma, Jl. Margonda Raya 100, Pondok Cina, Depok
E-mail : reky.rolen@gmail.com ABSTRAK
Drone atau Unmanned Aerial Vehicles (UAV) saat ini telah banyak digunakan dalam
berbagai bidang kelautan dan perikanan terutama dalam pemetaan dan memonitor kondisi pesisir. Budidaya rumput laut di Indonesia banyak terdapat di wilayah pesisir. Penelitian yang membahas mengenai penggunaan drone sudah banyak. Penelitian ini menggunakan metode Systematic Literatur Review (SLR) dengan mengulas hasil penelitian terkait dengan penggunaan drone tersebut. Penggunaan drone dibahas dari sisi prinsip dan teknik yang efektif dalam akuisisi, serta pengolahan dan analisis citra dari drone. Pada paper ini juga diuraikan perspektif dan tantangan pemanfaatan drone sebagai salah satu teknologi yang mendukung peningkatan usaha budidaya rumput laut tidak hanya bagi pembudidaya namun juga bagi pengambil kebijakan terkait.
Kata Kunci: Drone, Budidaya Rumput Laut, Monitoring, Pemetaan ABSTRACT
Drone or Unmanned Aerial Vehicles (UAV) has been widely used in various fields of Marine and Fisheries especially in mapping and remote sensing coastal regions. seaweed cultivation in Indonesia is widely available in coastal areas. This paper will present perspectives and challenges of using drone for mapping land potential and monitoring seaweed cultivation. From tracing various scientific publications of research results, meta-analysis was carried out to review the use of drones. The utilization drone such as the principles and techniques that are effective in acquisition, as well as image processing and analysis from drones, will also be described in detail. In the final section of this paper will describe the perspectives and challenges of using drones as a technology that supports the improvement of seaweed cultivation, not only for cultivators but also for related policy makers.
Keyword: Drone, Mapping, Remote Sensing, Seaweed Cultivation
Pertumbuhan perdagangan rumput laut di Indonesia mengalami pertumbuhan sekitar 15% selama dua puluh tahun terakhir yang memberi kontribusi sangat penting dalam struktur perekonomian Indonesia (Akrim, 2019). Indonesia adalah negara kepulauan yang memiliki garis pantai sepanjang 95.181 km yang dapat dimanfaatkan untuk tempat pembudidayaan rumput laut sehingga dapat menyokong perekonomian masyarakat pesisir.
Rumput laut adalah salah satu budidaya yang dilakukan di daerah pesisir pantai. Pengelolaan wilayah pesisir yang tepat dapat menjadi sangat penting agar pemanfaatannya berkelanjutan (Bayu Prayudha, 2018). Untuk dapat mendapatkan manfaat yang berkelanjutan tersebut diperlukan data dan informasi yang akurat yang dibutuhkan untuk pengambilan keputusan atau kebijakan terkait. Data dan informasi tersebut diperlukan untuk digunakan dalam mempertimbangkan kelayakan lahan untuk tempat budidaya hingga memonitor kondisi rumput laut.
Menurut Arthana (2012), pentingnya pemanfaatan komoditas ini sebagai salah satu komoditas budidaya menjadi alasan yang kuat untuk melakukan sebuah kajian tentang kelayakan lokasi budidaya rumput laut. Budidaya rumput laut menjadi alternatif profesi bagi masyarakat di kawasan pesisir, selain pemetaan monitoring kondisi dari rumput laut juga penting untuk membantu pihak terkait bahkan petani dalam menentukan keputusan terhadap rumput laut itu sendiri.
Pemetaan kesesuaian lahan untuk budidaya rumput laut dipermudah dengan menggunakan Sistem Informasi Geografis (SIG) melalui analisis citra satelit (Arthana, 2012; Ferdiansyah, 2019; Rahadiati, 2017). Teknologi akuisisi data citra lahan budidaya rumput laut saat ini tidak hanya menggunakan citra satelit namun juga dapat diambil menggunakan Drone atau Unmanned Aerial Vehicles (UAV) atau unmanned aircraft
system (UAS) atau RPAS (Remotely Piloted Aircraft System) dan untuk selanjutnya
dalam tulisan ini digunakan istilah drone. Dalam tulisan ini membahas mengenai perspektif dan tantangan penggunaan drone untuk pemetaan potensi lahan dan monitoring budidaya rumput laut yang dapat mendukung peningkatan usaha budidaya rumput laut.
METODE
Penelitian ini menggunakan metode Systematic Literatur Review (SLR), yaitu proses mengidentifikasi, menilai dan menafsirkan bukti penelitian yang ada dengan tujuan memberikan jawaban atas pertanyaan penelitian tertentu (Kitchenham & Charters, 2007). Metode SLR yang digunakan bertujuan untuk mensintesis seluruh literatur atau pustaka terkait dari hasil-hasil penelitian yang telah dilakukan tentang penggunaan drone dalam penyediaan data wilayah pesisir, memonitor fauna laut, dan memonitor rumput laut.
Gambar 1. Diagram tahapan metode SLR
HASIL DAN PEMBAHASAN
Drone : pengertian, jenis, prinsip dan teknik akuisisi
Drone adalah jenis pesawat terbang yang tidak memiliki awak melainkan dikendalikan oleh sistem kendali jarak jauh lewat gelombang radio. UAV biasanya sudah dilengkapi Sistem navigasi presisi (Ground Positioning System – GPS dan Pengukuran
Inertial Unit) dan elektronik kontrol penerbangan serta kamera yang memiliki resolusi
tinggi (Shofiyanti, 2011). Dalam Peraturan Menteri ===a pilot dan penumpang diatas kapal. Drone dikendalikan jarak jauh melalui gelombang radio atau secara otonom (dengan rute yang telah ditetapkan). Drone tidak memiliki ukuran atau jenis drive tertentu. Drone sering dilengkapi dengan aksesoris yang digunakan untuk pengawasan dan pemantauan, dalam bentuk kepala optoelektronik. Fitur terpenting dari drone adalah
tidak diperlukan infrastruktur tambahan untuk segera mendaftar dan memantau area atau objek yang ditentukan (Kardasz, 2016).
Secara umum dapat disampaikan bahwa UAV merupakan sistem tanpa awak yang berbasis elektro-mekanik yang dapat melakukan misi-misi terprogram, dengan karakteristik sebagai berikut: 1) Tanpa awak pesawat; 2) Beroperasi pada mode mandiri baik secara penuh atau sebagian; 3) Sistem dirancang untuk dapat dipergunakan secara berulang.
Secara umum, drone dikelompokan berdasarkan kemampuan terbang dan cara terbang. Kedua kelompok tersebut akan diuraikan berdasarkan penelitian Bayu Prayudha (2018), berdasarkan kemampuan terbang dibagi sebagai berikut :1) Tactical UAV terdiri dari UAV berukuran mikro hingga mini, kontrol jarak pendek hingga menengah (< 500 kilometer), dengan daya tahan mulai dari beberapa menit hingga tiga hari, serta berada pada ketinggian yang rendah hingga menengah (< lima kilometer), 2) Strategical UAV memiliki kemampuan terbang pada ketinggian stratosfer hingga lebih dari 20 kilometer, dengan daya tahan mencapai empat hari, 3)Special Task UAV digunakan untuk keperluan
militer atau spionase. Selanjutnya, drone berdasarkan cara terbang dapat dibedakan menjadi 2 jenis, ditunjukan pada Gambar 2: 1) Fixed-Wing UAV adalah UAV yang
menggunakan motor sebagai penggerak dan sayap untuk bertahan di udara (Gambar 1). Penggunaan sayap meningkatkan efisiensi energi yang dikeluarkan oleh motor penggerak, sehingga dapat menghasilkan daya tahan terbang yang lebih lama. UAV jenis
fixed-wing membutuhkan landasan khusus untuk digunakan ketika pendaratan. Jika
landasan pendaratan kurang tepat dapat menyebabkan resiko kerusakan pada kamera yang terpasang maupun UAV itu sendiri; 2) Rotary System adalah UAV yang menggunakan rotor sebagai penggerak sekaligus juga untuk mempertahankan ketinggian ketika di udara (Gambar 2). UAV jenis rotary system tidak efisien dalam penggunaan daya karena rotor yang digunakan untuk melayang bekerja cukup keras sehingga tidak memungkinkan untuk melakukan perekaman pada wilayah yang luas dan lama. UAV jenis ini juga lebih mudah untuk melakukan pendaratan dan terbang kembali, karena tidak membutuhkan landasan yang panjang.
a
b
Gambar 2. Drone berdasarkan cara terbang: a) Fixed-Wing UAV sumber:(terra-drone.co.id, 2020); b) Rotary System UAV (www.dji.com, 2020) Dalam pengakuisisi drone, diperlukan prinsip dan juga teknik yang tepat untuk dapat menghasilkan citra yang sesuai dengan yang diharapkan. Teknik pengambilan citra dan pengolahan hasil citra dari drone ditunjukkan pada Tabel 1. Teknik dalam
pengambilan citra menggunakan drone dapat diklasifikasikan dengan 3 posisi kamera, yaitu Vertikal Fotografi, Miring Rendah Fotografi, dan Miring Tinggi Fotografi (NCERT, 2020. Dalam pengolahan hasil citra dari drone terdapat 3 teknik yang biasa digunakan yaitu Photogrammetric techniques, Machine Learning and Data Mining techniques, dan
Calculation of various vegetation indices.
Tabel 1. Beberapa Contoh Penelitian dengan Beberapa Metode Akuisisi
No Nama Drone Metode Akuisisi Referensi
Tipe Foto Udara Metode Pemrosesan Gambar
1 DJI Phantom 3 Professional quadcopter
Tidak terdefinisi Photogrammetric, Machine Learning Kellaris, 2019 2 Drone DJI Phantom 3 advance Miring Rendah Fotografi dan Miring Tinggi Fotografi Manual Editing menggunakan aplikasi photoshop Subhan, 2019 3 FreeFly Alta 6 dan LemHex-44
Vertikal Fotografi Machine Learning Gray, 2019
4 DJI Phantom 3 Professional dengan DLS
Tidak Terdefinisi Photogrammetric,
perhitungan vegetation indices Taddia, 2018
Drone untuk pemetaan dan monitoring sumber daya pesisir dan laut
Foto udara bukan sesuatu yang baru untuk melakukan pemetaan dan monitoring sumber daya pesisir dan laut. Penggunaan citra satelite pada kurun dekade terakhir merupakan metode yang telah banyak digunakan dalam pengumpulan data. Drone juga telah menarik perhatian para peneliti untuk pemetaan dan monitoring sumber daya pesisir dan laut. Beberapa penelitian yang telah dilakukan diantaranya adalah :
Tabel 2. Tabel riset pemanfaatan drone untuk sumber daya pesisir dan laut
Tahun Peneliti Objek Metode Hasil
2018 Patrick C. Gray dan
kawan-kawan
Penyu CNN
Model yang dibuat berhasil mendeteksi 8% lebih banyak kura-kura dibandingkan dengan perhitungan manual sekaligus efektif dalam mengurangi manual beban validasi dari 2.971.554 ke 44.822 jendela gambar. Deteksi
pipeline men-training dataset penyu yang relatif kecil (N = 944).
2018 Erlyan Nour Arrofiqoh dan Harintaka Padi, Bawang Merah, Cabe, Pisang, dan Kelapa CNN
Hasil dari penelitian didapatkan akurasi dari hasil data test sebesar 82% untuk skenario dataset sebanyak 10 sampel untuk setiap objek. Didapat kesalahan dalam mendeteksi yang dimana pisang diidentifikasi sebagai kelapa Dan jumlah data dapat training mempengaruhi akurasi.
2019 Patrick C. Gray dan kawan-kawan Paus Mask R-CNN dan manual mask
Hasil dari komparasi menggunakan Mask R-CNN dan manual mask menunjukan bahwa tingkat akurasi dalam memprediksi paus bungkuk, paus minke, dan baru biru sebesar 98% (57/58). 90% dari pengukuran panjang secara otomatis berada dalam 5% dari pengukuran secara manual.
2020 Arif Munandar Motor, Mobil Kecil, dan Mobil Besar
Deep learning
Nilai akurasi 91.8% didapatkan pada video beresolusi full HD (1920x1056) dan nilai akurasi sebesar 66.7% didapat pada video beresolusi VGA (640x480) sehingga meningkatkan resolusi dapat meningkatkan akurasi dan recall. Pada objek mobil kecil dan mobil besar nilai recall terbaik didapatkan 100% pada saat pengujian.
Tabel 3. Tabel riset pemanfaatan drone untuk sumber daya pesisir dan laut
Obyek penelitian
Metode akuisisi Metode analisis Hasil Pustaka
Peneliti (tahun)
Rumput Laut
1. Drone diterbangkan pada ketinggian 15 m – 40 m diatas permukaan laut.
2. Tipe pengambilan foto dilakukan dari banyak sudut yaitu 30o, 60o, dan 90o.
3. Hasil citra di edit
menggunakan aplikasi
photoshop untuk mempertajam
gambar hasil.
Supervised classification.
Terdapat 3 algoritma yang digunakan untuk klasifikasi yaitu one-vs-one support
vector machine (SVM),
random forest (RF), dan artificial neural network.
Hasil dari penelitian ini didapatkan 200 hingga 300 citra drone yang diambil setiap area meliputi area antara 1/5 – ¼
km2. Setiap habitat class
direpresentasikan dalam model training data dengan ukuran antara 4940 – 8279 piksel, berdasarkan survei ground-truthing dan interpretasi foto. Georeferencing pada photomosaics menggunakan GCP menghasilkan ketidakpastian spasial setidaknya satu meter. Untuk setiap objek yang dideteksi dapat diuraikan sebagai berikut:
- Asparagopsis armata terlihat relatif gelap.
- Asparagopsis taxiformis menunjukan hal yang serupa dengan asparagopsis armata (R<G<B), tetapi dengan variasi yang lebih sedikit dalam setiap warna.
- Pasir menunjukan RGB profile yang terang.
- Rumput laut hijau adalah satu – satunya class dengan nilai hijau
Obyek penelitian
Metode akuisisi Metode analisis Hasil Pustaka
Peneliti (tahun)
yang tertinggi dibanding dengan bands yang lain.
- Nilai merah secara konsisten lebih rendah dibanding bands yang lain, mencerminkan rendaman yang lebih besar dari lampu merah di dalam air.
Lumba-lumba
1. Drone diterbangkan pada
ketinggian 15 m – 40 m diatas permukaan laut.
2. Tipe pengambilan foto dilakukan dari banyak sudut yaitu 30o, 60o, dan 90o.
3. Hasil citra di edit
menggunakan aplikasi
photoshop untuk mempertajam
gambar hasil.
Perhitungan manual pada citra
- Hasil pada tempat penelitian Pulau Sepa dan kepulauan seribu, jumlah lumba-lumba yang terlihat pada citra berbeda tiap sudut pengambilan foto, sudut 30o terlihat 2 atau 3 individu lumba-lumba, sudut 60o terlihat 9 individu lumba-lumba sedangkan sudut 90o terlihat perbedaan yang signifikan dibanding dengan 2 sudut sebelumnya yang dimana terdapat 14 individu lumba – lumba yang.
- Di Pantai Liang, Salahatu, Pulau Maluku difokuskan pada 2 sudut pengambilan gambar yaitu 60o dan 90o. pada setiap sudut 60o dan 90o masing-masing memberikan perkiraan jumlah lumba-lumba sekitar 29 dan 44 individu.
Obyek penelitian
Metode akuisisi Metode analisis Hasil Pustaka
Peneliti (tahun)
- Karena ketika pengambilan data di pulau Nai, Kepulauan Kei angin bertiup sangat kencang, karena dapat menyebabkan resiko jika drone diterbangkan lebih dari 15 m, sehingga drone diterbangkan pada ketinggian yang rendah hanya untuk pengambilan foto sifat lumba-lumba.
Paus 1. Drone diterbangkan pada
ketinggian 30 – 80 m diatas permukaan laut.
2. Pengambilan foto dilakukan dengan tipe foto udara vertikal fotografi
3. Hasil citra akan dilakukan
analisis menggunakan
convolutional neural network
untuk deteksi objek dan segmentasi instance.
Instance Segmentation, Convoltional Neural Network
Hasil dari komparasi menggunakan Mask R-CNN dan manual mask menunjukan bahwa tingkat akurasi dalam memprediksi paus bungkuk, paus minke, dan baru biru sebesar 98% (57/58). 90% dari pengukuran panjang secara otomatis berada dalam 5% dari pengukuran secara manual.
Gray (2019)
1. Penempatan ground control
point pada tempat yang sudah
ditentukan.
2. Drone diterbangkan pada
ketinggian 70 m dan terbang
Georeference dan NDVI Hasil dalam studi ini mengkonfirmasi
bahwa pemantauan dari waktu ke waktu dengan kamera ringan multispektral yang dipasang pada UAV adalah mungkin, tetapi juga dengan menerapkan koreksi radiometrik yang
Obyek penelitian
Metode akuisisi Metode analisis Hasil Pustaka
Peneliti (tahun)
menuju ground control point untuk mengumpulkan citra. 3.Setelah hasil citra didapatkan, maka dilakukan pembuatan
photogrammetric menggunakan
aplikasi Agisoft Photoscan Professional dan Pix4DMapper Pro.
4.Lalu setelah didapatkan hasil
georeference maka dilakukan
perhitungan vegetation indices.
tepat, sehingga hasil yang akurat dan andal dapat dicapai.
Drone untuk pemetaan dan monitoring lahan budidaya rumput laut: Perpektif dan
Tantangan
Berdasarkan kemampuan drone untuk menangkap obyek di permukaan perairan, hasil akuisisi drone dapat dimanfaatkan untuk memonitoring lahan budidaya rumput laut.
Tantangan yang dihadapi pada saat akuisi citra menggunakan Drone diantaranya
adalah: 1) kondisi cuaca (Kellaris, 2019) yang tidak menentu dapat mempengaruhi hasil citra yang diambil, sebagai contoh jika cuaca cerah dah matahari terik maka akan terjadi pantulan cahaya matahari sehingga menutupi objek yang akan di tangkap gambarnya, 2) Gangguan objek lain seperti hewan (Kellaris, 2019), ubur-ubur di sekitar objek yang mengganggu sehingga citra yang didapat tidak sesuai karena terganggu oleh adanya hewan lain dekat objek, 3) Kemampuan pilot dalam mengoperasikan drone juga menjadi tantangan yang cukup besar mengingat diperlukan pengetahuan dalam mengoperasikan baik secara otomatis menggunakan aplikasi dronedeploy atau secara manual menggunakan remote control secara langsung. Dan juga sulit untuk mendapatkan pilot yang telat memiliki sertifikat drone yang mana jika pilot memiliki menandakan bahwa pilot sudah profesional.
PENUTUP
Kesimpulan pada tulisan ini bahwa memanfaatkan drone untuk pemetaan dan
monitoring rumput laut sangat mungkin dilakukan dengan menggunakan menerapkan beberapa teknik seperti pengaturan ketinggian yang rendah untuk monitoring objek rumput laut secara langsung atau ketinggian yang tinggi untuk pemetaan lahan. Untuk pemetaan dapat menggunakan Ground control points untuk penanda dan GPS untuk merekam koordinat serta penggunaan aplikasi pix4dmapper untuk membuat
georeference. Dalam monitoring dapat melakukan pengambilan foto/video dengan sudut
pengambilan yang berbeda untuk mendapatkan hasil citra objek yang jelas. Untuk menghindari resiko pengambilan citra dapat dilakukan pada kondisi yang baik seperti di pagi hari dan cuaca yang bersahabat.
UCAPAN TERIMA KASIH
Ucapan terimakasih kami sampaikan kepada Direktorat Jenderal Penguatan Riset dan Pengembangan-Kementerian Riset, Teknologi dan Pendidikan Tinggi untuk Hibah penelitian Terapan Tahun 2020, dan Universitas Gunadarma serta Kementerian Kelautan dan Perikanan (KPP).
REFERENSI
Akrim, D., Dirawan, G.D. and Rauf, B.A., 2019. Perkembangan Budidaya Rumput Laut Dalam Meningkatkan Perekonomian Masyarakat Pesisir Di Indonesia. UNM
Environmental Journals, 2 (2), pp.52-56.
Arthana, W., Pertami, D., Hendrawan, G., Perwira, I.Y., Wijayanto, D.B. and Ulinuha, D., 2012. Pemetaan Potensi Kawasan Budidaya Rumput Laut di Perairan Tenggara Pulau Bali. Universitas Udayana. Bali.
Ferdiansyah, H.I., Pratikto, I. and Suryono, S., 2019. Pemetaan Kesesuaian Lahan Untuk Budidaya Rumput Laut Di Perairan Pulau Poteran, Kabupaten Sumenep, Jawa Timur. Journal of Marine Research, 8(1), pp.36-40.
Gray, P.C., Bierlich, K.C., Mantell, S.A., Friedlaender, A.S., Goldbogen, J.A. and Johnston, D.W., 2019. Drones and convolutional neural networks facilitate automated and accurate cetacean species identification and photogrammetry. Methods in Ecology and Evolution, 10 (9), pp.1490-1500.
Kardasz, P., Doskocz, J., Hejduk, M., Wiejkut, P. and Zarzycki, H., 2016. Drones and possibilities of their using. Journal of Civil & Environmental Engineering, 6(3), pp.1-7.
Kellaris, A., Gil, A., Faria, J., Amaral, R., Moreu‐Badia, I., Neto, A. and Yesson, C., 2019. Using low‐cost drones to monitor heterogeneous submerged seaweed habitats: A case study in the Azores. Aquatic Conservation: Marine and Freshwater
Ecosystems, 29 (11), pp.1909-1922.
Kitchenham, B.A. and S. Charters (2007) Guidelines for performing systematic literature reviews in software engineering, Technical Report EBSE-2007-01, School of Computer Science and Mathematics, Keele University.
Prayudha, B., 2018. POTENSI PEMANFAATAN DRONE UNTUK PENYEDIAAN DATA WILAYAH PESISIR. OSEANA, 43(1), pp.44-52.
Rahadiati, A., Soewardi, K., Wardiatno, Y. and Sutrisno, D., 2018. Pemetaan sebaran budidaya rumput laut: pendekatan analisis multitemporal. Majalah Ilmiah Globe,
20(1), pp.13-22.
Subhan, B., Arafat, D., Santoso, P., Pahlevi, K., Prabowo, B., Taufik, M., Kusumo, B.S., Awak, K., Khaerudi, D., Ohoiulun, H. and Nasetion, F.I., 2019, May. Development of observing dolphin population method using Small Vertical Take-off and Landing (VTOL) Unmanned Aerial System (AUV). In IOP Conference Series: Earth and
Environmental Science (Vol. 278, No. 1, p. 012074). IOP Publishing.
Taddia, Y., Russo, P., Lovo, S. and Pellegrinelli, A., 2020. Multispectral UAV monitoring of submerged seaweed in shallow water. Applied Geomatics, 12 (1), pp.19-34.
