Search

The Central Kalimantan province in Indonesia has one of the country's largest peatlands. The Peatland has dynamic topographic conditions that cause land subsidence or uplift in water levels. Monitoring the topographic dynamics conditions of this Peatland requires an up-to-date DTM capable of presenting the latest conditions. Monitoring with the latest DTM is needed because there is currently no method suited to large-scale, cost-effective mapping. This study aims to monitor the dynamics of topography in Peatland using the latest DTM. The latest DTM is a combination of the DTM master and the latest displacement. The novelty of this research is in monitoring the dynamics of Peatland with the latest DTM every rainy and dry season. DTM master is DTM extracted from InSAR ALOS PALSAR-2. Displacement was obtained from DInSAR extraction from Sentinel-1. The research area is located in Pulang Pisau, Indonesia. DTM master was extracted using InSAR in December 2017. Displacement was extracted every 6-7 months. The monitoring periods for dynamics topographic were January 2018, August 2018, January 2019, July 2019, January 2019, and June 2020. Each period involved extracting the latest DTM and the displacement. The dynamics topography of the study area lies at the value of 1.5 m. This latest DTM can be used for 1: 20,000 to 1: 25,000 mapping. The latest DTM has a RMSE(z) of 0.705 m on the field measurement. This vertical accuracy-test uses 15 points from GNSS-levelling. Based on the RMSE (z) obtained, the vertical accuracy is 1.3818 m at the 95% confidence level.

Topography and bathymetry integration is one of the essential things in providing height data. So far, the topography and bathymetry problems are the lack of height data availability, not up to date, and low vertical accuracy. The latest DTM is one of the topography data with up to date elevation with a spatial resolution of 5 m. Bathymetry extracted from SAR images. It is an alternative depth data for ocean bathymetry and inland water bathymetry. Topography and bathymetry integration is required to obtain comprehensive height data. This study aimed to integrate the latest DTM with SAR bathymetry. The method used in this integration was DEM integration. The method combined the latest DTM data with SAR bathymetry based on the correlation of the two data's standard deviation. The integration of the latest DTM with SAR bathymetry needs to consider differences in height reference fields. Two integration studies were conducted in this research-the latest DTM integration with ocean bathymetry for Rote Island. Then the integration of the latest DTM with inland water bathymetry in Lake Singkarak. The result of the integration is necessary to check the surface by generating longitudinal and cross-section profiles. Integrating the latest DTM and SAR bathymetry can be used for various mapping surveys on lands and waters.

Vegetation height is an important parameter in monitoring peatlands. Vegetation height can be estimated using remote sensing. Vegetation height can be estimated by utilizing DSM and DTM. The data that can be used are LiDAR, X-SAR, and SRTM C. In this study, LiDAR data is used for DSM2018 and DTM2018 extraction. The purpose of this research is to detect the vegetation height in Central Kalimantan peatlands using remote sensing technology. The research location is in Bakengbongkei, Kalampangan, Central Kalimantan. The integration of X-SAR and SRTM C is used for DSM2000 and DTM2000 extraction. DSM2000, DTM2000, DSM2018, and DTM2018 performed height error correction with tolerance of 1.96? (95%). Then do the geoid undulation correction to EGM2008. The results obtained are DSM and DTM with a similar height reference field. If it meets these conditions it can be calculated the vegetation height estimation. Vegetation height can be obtained using the Differential DEM method. The Changing in vegetation height from 2000 to 2018 can be estimated from the difference in vegetation height from 2000 to vegetation height in 2018. Results of spatial information on vegetation height and its changes need to be tested for the accuracy. This accuracy-test includes a cross section test, height difference test, and comparison with measurements of vegetation height in the field. The results of this research can be used to monitor the changing the vegetation height in peatlands.

Wilayah pesisir merupakan tempat yang potensial dalam bermukim dan memanfaatkan sumber daya alam. Kemudahan akses dan daerah yang berpotensi untuk dikelola sehingga sebagian besar permukiman padat penduduk berada di wilayah tersebut. Salah satu akibat dari aktivitas dapat dilihat pada wilayah pesisir seperti Kota Semarang yang mengalami penurunan muka tanah yang disebabkan berbagai faktor alam dan buatan manusia. Metode pengamatan yang sering dilakukan untuk fenomena ini adalah pengamatan GNSS. Interval jarak yang terlalu jauh antar stasiun menyebabkan beberapa area tidak tercakup dalam pengamatan penurunan muka tanah dengan pengamatan GNSS receiver. Salah satu solusi yang dapat digunakan adalah dengan memanfaatkan teknologi Interferometric Synthetic Aperture Radar (InSAR) secara multi-temporal yang disebut Persistent Scatterer Interferometric Synthetic Aperture Radar (PS-InSAR). Pada aplikasinya, PS-InSAR memiliki permasalahan berupa kesalahan troposfer yang menyebabkan percepatan atau pelambatan sinyal pada sensor SAR saat melakukan akuisisi yang terkandung pada tiap citra Synthetic Aperture Radar (SAR). Metode koreksi troposfer Generic Atmospheric Correction Online Service for InSAR (GACOS) yang digunakan pada metode PS-InSAR akan dapat mengeliminasi efek troposfer pada masing-masing citra sehingga kesalahan dapat diminimalkan dan mengoptimalkan kerja metode PS-InSAR. Berdasarkan hasil PS-InSAR sebelum dan sesudah terkoreksi menunjukkan bahwa wilayah di Kota Semarang yang mengalami penurunan muka tanah terbesar adalah Kecamatan Genuk, Kecamatan Pedurungan dan Semarang Timur. Secara statistik menunjukkan GACOS mampu mempengaruhi hasil PS-InSAR.

Dalam beberapa dekade terakhir, teknologi penginderaan jauh menjadi salah satu teknik yang paling bagus untuk akuisisi data pada area luas tanpa perlu melakukan survey langsung di lapangan dengan tingkat kedetailan yang tinggi. Dengan perubahan tutupan lahan yang semakin cepat dan dinamis diperlukan teknologi yang dapat menghasilkan data dengan tingkat kedetailan tinggi,murah dan dapat menghasilkan data dalam waktu yang cepat. Salah satu produk penginderaan jauh tersebut adalah Foto Udara dengan teknologi pesawat tanpa awak (UAV). Teknologi ini mampu menghasilkan output data spasial detail dengan biaya relatif murah, cepat dan terkini. Salah 1 unsur yang cepat berubah di wilayah perkotaan adalah pada pertambahan objek bangunan. Dalam pembuatan bangunan tersebut harus dilengkapi dengan syarat keterangan ijin mendirikan bangunan (IMB) dari instansi terkait. Ketentuan ijin ini tidak terlepas dari aturan RDTR dan PZ yang berlaku serta hanya boleh didirikan pada zonasi yang diijinkan. Dengan kebutuhan data informasi fitur bangunan yang cukup banyak dan mendesak, diperlukan metode ekstraksi yang cepat juga. Metode yang saat ini berkembang pesat adalah ekstraksi otomatis menggunakan teknologi deep learning. Metode yang digunakan adalah Fully Convolutional Network (FCN) dengan arsitektur Residual Neural network (ResNet). Dalam penelitian ini akurasi ekstraksi pada fitur bangunan dapat mencapai 95% dan dapat melakukan ekstraksi pada satu NLP skala 1 : 5.000 dengan cepat. Metode ini dapat menghasilkan ekstraksi pada image seperti foto udara dengan cepat dan akurat.

Vertical accuracy evaluation is essential to determine in order to know the quality of a DTM. This quality will affect the scale type and utilization of the DTM. The study data use DTM ALOS PALSAR-2. This study evaluates the vertical accuracy of the DTM ALOS PALSAR-2 with different height reference fields in the Rote Dead Sea Area, Indonesia. Each DTM is made with the EGM 1996, EGM 2008, and WGM 2012. The three DTMs extracted based on the height reference field will have different orthometric heights; therefore, an evaluation of the vertical accuracy is needed to determine the quality of the three DTMs. They compare with field measurements from GNSS-levelling. This test is carried out at lowland and highland, using 10 test points. For the lowland area, the RMSE (z) in height at DTM is 1.363 m for WGM 2012, 2.017 m for EGM 2008, and 1.934 m for EGM 1996. For the highlands area, the RMSE (z) in height at DTM is 1.185 m for WGM 2012, 1.201 m for EGM 2008, and 1.432 m for EGM 1996. The DTM-WGM 2012 and DTM-EGM 1996 are recommended to use in this area because they have higher vertical accuracy. The vertical accuracy test in the Rote lowland corresponds to class 2 and class 3 on a scale of 1:10,000. The vertical accuracy test results in the Rote highland correspond to class 1 and class 2 on a scale of 1:10,000. The ALOS PALSAR-2 DTM vertical accuracy test results can be used for mapping scales of 1:10,000 – 1:25,000 in Rote., Procjenu visinske točnosti neophodno je obaviti kako bi se utvrdila kvaliteta DMT-a. Ta će kvaliteta utjecati na vrstu mjerila i korištenje DMT-a. U studiji se koriste podaci iz DMT-a ALOS PALSAR-2. Ova studija procjenjuje visinsku točnost DMT-a ALOS PALSAR-2 s različitim referentnim područjima visine u području Rote Dead Sea, Indonezija. Svaki DMT izrađen je uz pomoć EGM 1996, EGM 2008 i WGM 2012. Tri DMT-a, koja se temelje na referentnim područjima visine, imat će različite ortometrijske visine; zato je potrebna procjena visinske točnosti kako bi se odredila kvaliteta ta tri DMT-a. Oni se uspoređuju s terenskim mjerenjima dobivenima GNSS-niveliranjem. Ovo ispitivanje provodi se u nizinskim i brdskim područjima koristeći 10 testnih točaka. Za nizinsko područje, RMSE (z) u visini na DMT-u je 1,363 m za WGM 2012, 2,017 m za EGM 2008 i 1,934 m za EGM 1996. Za brdsko područje, RMSE (z) u visini na DMT-u je 1,185 m za WGM 2012, 1,201 m za EGM 2008 i 1,432 m za EGM 1996. DMT-WGM 2012 i DMT-EGM 1996 preporučuju se za korištenje u tom području jer imaju veću visinsku točnost. Ispitivanje visinske točnosti u nizinskom području otoka Rote odgovara klasi 2 i klasi 3 u mjerilu 1:10 000. Ispitivanje visinske točnosti u brdskom području otoka Rote odgovara klasi 1 i klasi 2 u mjerilu 1:10 000. Rezultati ispitivanja visinske točnosti DMT-a ALOS PALSAR-2 mogu se koristiti za mjerila kartiranja 1:10 000 – 1:25 000 na otoku Rote.

Kali Progo Hulu Sub-watershed is one of the areas that are vulnerable to erosion that lead to land degradation. The existence of the change of uncontrolled land management, high rainfall factor and slope steepness factor, are the parameters that trigger the erosion in this sub-watershed. Erosion is a process of releasing and transporting rock mass naturally from one place to another by a carrying force on the soil surface, which in actual acquisition of data in the field requires time, cost and energy. RUSLE (Revised Universal Soil Loss Equation) is one of the erosion models that can be used to predict erosion by considering the parameters of rainfall erosivity, soil erodibility, slope gradient and length, crop management, and land conservation practices. This research aims to model erosion and map its vulnerability using the RUSLE method in Kali Progo Hulu Sub-watershed. The maps depicting the extent of erosion (EA) are determined by the RUSLE model using rainfall erosivity factor (R), soil erodibility factor (K), length and slope factor (LS), vegetation management (C) and land conservation practices (P). Each factor is made in a thematic map and performed by spatial analysis using GIS that is scoring, overlay (with intersect tools), and by query (EA = R x K x LS x C x P) to formulate data analysis results into map of Erosion Risk Level. Based on the result of RUSLE erosion modelling in 2016, it was found that the erosion risk level in Kali Progo Hulu Sub-watershed was 178,432 Ton/Ha/year, of which 41.37% (13.019,930 Ha) of the total area was included in the category of "Very Light" erosion; 9.54% (3.001,419 Ha) "Light weight"; 17.77% (5.593,480 Ha) "Moderate"; 19.40 (6.104,411 Ha) "Heavy"; and 11.93% (3.754,301 Ha) "Very Heavy". Keywords— Erosion, Sub-watershed, Kali Progo Hulu, RUSLE, GIS.

Pembangunan kewilayahan yang merata di Indonesia masih terkendala dengan tidak tersedianya peta dasar skala besar sebagai bahan utama dalam penyusunan Rencana Detail Tata Ruang (RDTR). Data orthophoto dapat digunakan sebagai alternatif sumber data dalam penyediaan peta dasar skala besar. Penelitian ini bertujuan untuk mengkaji keandalan data true orthophoto hasil dense image matching dibandingkan dengan ground orthophoto bagi pembuatan unsur peta dasar skala besar di Indonesia. Area penelitian mengambil sampel wilayah urban, wilayah lahan terbuka dan wilayah bervegetasi. Tahap penelitian meliputi persiapan, pembentukan true orthophoto , dan analisis perbandingan antara unsur tutupan lahan pada true orthophoto dengan unsur tutupan lahan pada ground orthophoto . Berdasarkan hasil penelitian, true orthophoto memiliki kelemahan pada visualisasinya. Tingkat kecerahan dan kejelasan objek tutupan lahannya masih lebih rendah dibandingkan dengan data ground orthophoto . Kelemahan true orthophoto pada wilayah urban adalah banyaknya variasi rona piksel pada objek yang mengaburkan batas tutupan lahan, dominasi rona piksel objek yang menghilangkan objek lainnya dan adanya efek gergaji (sawtooth effect) pada bangunan tinggi. Untuk wilayah lahan terbuka dan wilayah bervegetasi terdapat kumpulan piksel yang berwarna abu-abu hingga kehitaman pada objek tutupan lahan. Perbedaan gelap terang piksel pada objek tutupan lahan dapat mempersulit identifikasi batas tutupan lahan. Secara geometri, data true orthophoto dapat digunakan untuk pembuatan peta dasar skala besar 1 : 5.000, hal ini ditunjukkan dengan hasil uji ketelitian geometrik horisontal (CE90) pada wilayah penelitian yang masuk ke dalam ketelitian peta RBI 1 : 5.000 kelas duaPembangunan kewilayahan yang merata di Indonesia masih terkendala dengan tidak tersedianya peta dasar skala besar sebagai bahan utama dalam penyusunan Rencana Detail Tata Ruang (RDTR). Data orthophoto dapat digunakan sebagai alternatif sumber data dalam penyediaan peta dasar skala besar. Penelitian ini bertujuan untuk mengkaji keandalan data true orthophoto hasil dense image matching dibandingkan dengan ground orthophoto bagi pembuatan unsur peta dasar skala besar di Indonesia. Area penelitian mengambil sampel wilayah urban, wilayah lahan terbuka dan wilayah bervegetasi. Tahap penelitian meliputi persiapan, pembentukan true orthophoto, dan analisis perbandingan antara unsur tutupan lahan pada true orthophoto dengan unsur tutupan lahan pada ground orthophoto. Berdasarkan hasil penelitian,true orthophoto memiliki kelemahan pada visualisasinya. Tingkat kecerahan dan kejelasan objek tutupan lahannya masih lebih rendah dibandingkan dengan data ground orthophoto. Kelemahan true orthophoto pada wilayah urban adalah banyaknya variasi rona piksel pada objek yang mengaburkan batas tutupan lahan, dominasi rona piksel objek yang menghilangkan objek lainnya dan adanya efek gergaji (sawtooth effect) pada bangunan tinggi. Untuk wilayah lahan terbuka dan wilayah bervegetasi terdapat kumpulan piksel yang berwarna abu-abu hingga kehitaman pada objek tutupan lahan. Perbedaan gelap terang piksel pada objek tutupan lahan dapat mempersulit identifikasi batas tutupan lahan. Secara geometri, data true orthophoto dapat digunakan untuk pembuatan peta dasar skala besar 1 : 5.000, hal ini ditunjukkan dengan hasil uji ketelitian geometrik horisontal (CE90) pada wilayah penelitian yang masuk ke dalam ketelitian peta RBI 1 : 5.000 kelas dua. The unavailability of a large scale base map creates a challenge to entirely develop equal territorial in Indonesia as the primary material for preparing Detailed Spatial Plan (DSP). The orthophoto data is used as an alternative source of data in the provision of large-scale maps. This study aims to examine the results of true orthophoto of dense image matching for producing the large-scale topographical elements of 1: 5,000. The findings are compared with ground orthophoto data in the same territory. The samples were urban areas, open land areas, and vegetated areas. The research consists of preparation, generate true orthophoto, and comparative analysis of research findings with ground orthophoto. The true orthophoto of dense image matching results has weaknesses in its visualization. The level of brightness and clarity of the land is lower than the ground orthophoto. The weakness of true orthophoto in urban areas is many hue variations of pixels on objects that obscure the land boundaries, the dominance of object pixel hue that removes other objects, and the sawtooth effect on the high buildings. Thus, there is a gray collection of black pixels on the land object for open land and vegetated areas. The difference in dark and light pixels of land objects complicates the identification of land boundaries. Geometrically, true orthophoto data of dense image matching used as primary data for making large-scale base maps of 1: 5.000 is indicated by the horizontal geometric accuracy test (CE90) in the research area that includes the second class topographical map accuracy of 1:5.000.

Badan Informasi Geospasial (BIG) sebagai instansi yang ditunjuk oleh pemerintah sebagai penanggung jawab penyediaan informasi geospasial dasar sesuai dengan UU Informasi Geospasial nomor 4 Tahun 2011 memanfaatkan Citra Setelit Resolusi Tinggi (CSRT) untuk keperluan pembuatan peta skala 1:5.000. Pemanfaatan CSRT untuk pembuatan peta memerlukan pengolahan data yang lebih rumit dan terkontrol jika dibandingkan dengan penggunaan citra satelit resolusi sedang dan rendah, karena memerlukan proses ortorektifikasi. Proses ortorektifikasi melibatkan CSRT, titik kontrol tanah (TKT) dan model elevasi digital (MED). Komponen ortorektifikasi khususnya MED sering kali memiliki sistem referensi tinggi yang berbeda dengan komponen lain. Hal tersebut melatarbelakangi perlunya dilakukan suatu analisis mengenai pengaruh sistem referensi tinggi terhadap hasil ortorektifikasi. Proses analisis dilakukan dengan membandingkan tiga hasil ortorektifikasi CSRT yang diverifikasi oleh independent check point (ICP) hasil pengukuran langsung di lapangan. Hasil ortorektifikasi pertama diperoleh dari data CSRT (sistem ketinggian ellipsoid), TKT (sistem ketinggian ellipsoid) dan MED (sistem ketinggian ellipsoid). Hasil ortorektifikasi kedua diperoleh dari data CSRT (sistem ketinggian ellipsoid), TKT (sistem ketinggian ellipsoid) dan MED (sistem ketinggian EGM2008). Hasil ortorektifikasi ketiga diperoleh dari data CSRT (sistem ketinggian ellipsoid), TKT (sistem ketinggian EGM2008), dan MED (sistem ketinggian EGM2008). Hasil perbandingan menunjukkan bahwa CSRT, MED dan TKT yang berada dalam satu sistem referensi ketinggian, menghasilkan hasil ortorektifikasi citra yang lebih baik dibandingkan dengan MED dan TKT yang tidak dalam satu sistem referensi tinggi.

Citra resolusi tinggi dari teknologi UAV (Unmanned Aerial Vehicle) dapat memberikan hasil yang baik dalam ekstraksi informasi sehingga dapat digunakan untuk monitoring dan updating data suatu wilayah. Pengambilan informasi dari citra dengan interpretasi visual sangat bergantung pada interpreter. Kendala utama interpretasi secara manual adalah saat melakukan pengenalan objek secara visual, khususnya pada objek tanaman pertanian. Kesalahan hasil asumsi interpreter dapat terjadi ketika citra yang diekstraksi memiliki objek yang kompleks dan memiliki karakter fisik yang hampir mirip apabila dilihat dari foto udara yang hanya memiliki band RGB (Red, Green, dan Blue). Penelitian ini mencoba mengimplementasikan pendekatan klasifikasi semantik secara otomatis yang dapat membedakan jenis tanaman sebagai alternatif pengenalan objek berdasarkan metode deep learning menggunakan Convolutional Neural Network (CNN). Metode CNN merupakan salah satu metode deep learning yang mampu melakukan proses pembelajaran mandiri untuk pengenalan objek, ekstraksi objek dan klasifikasi serta dapat diterapkan pada citra resolusi tinggi yang memiliki model distribusi nonparametrik. Pada penelitian ini, diterapkan algoritma CNN untuk membedakan jenis tanaman dengan memberikan label semantik dari objek jenis tanaman. Penelitian menggunakan 5 kelas jenis tanaman, yaitu kelas tanaman padi, bawang merah, kelapa, pisang, dan cabai. Proses learning jaringan menghasilkan akurasi 100% terhadap data training. Pengujian terhadap data validasi menghasilkan akurasi 93% dan akurasi terhadap data tes 82%. Hasil penelitian ini menunjukkan bahwa penggunaan metode CNN berpotensi untuk pendekatan pengenalan objek secara otomatis dalam membedakan jenis tanaman sebagai bahan pertimbangan interpreter dalam menentukan objek pada citra.

Sejak dikemukakan pendekatan produksi orthophoto secara digital pada tahun 1988, tahun 1991 USGS (United States Geological Survey) memproduksi orthophoto digital sebagai program nasional. Terminologi orthoimage atau orthophoto merupakan proses untuk mengeliminir perspektif image dan koreksi pergeseran relief yang disebabkan oleh kondisi terrain, untuk menghasilkan image atau foto pada proyeksi orthogonal atau membuat kondisi foto menjadi tegak. Dengan demikian orthophoto tersebut memiliki skala yang konsisten dan dapat digunakan untuk menghasilkan peta planimetris. Namun, di area urban dengan keberagaman ketinggian bangunan, produksi dengan metode orthophoto akan menyebabkan efek bangunan rebah dan menutupi detil objek lain seperti jalan dan fasilitas umum. Hal tersebut dapat diatasi dengan pembentukan true-orthophoto. Terminologi true-orthophoto akan mengikutsertakan elemen surface di model ketinggian pada proses proyeksi orthogonal. Manuskrip ini membandingkan pembentukan true-orthophoto dengan beragam input model ketinggian, berupa DSM dari LiDAR, Digital Building Model (DBM) dan DSM hasil image matching, untuk melihat hasil true-orthophoto yang paling optimum. Pengerjaannya diawali dengan menyamakan sistem referensi, orthorektifikasi dan deteksi occluded yang akan menghasilkan orthophoto utama dan slave-orthophoto, koreksi radiometrik, kemudian proses refilling, pembentukan serta penghalusan mosaik. Secara geometri penggunaan ragam input ketinggian memberikan kualitas yang memenuhi standar peta dasar, namun untuk kualitas visual terbaik diperoleh dengan menggunakan input DBM yang dikombinasikan dengan DSM LiDAR. Penggunaan DSM LiDAR saja dapat juga menghasilkan true-orthophoto dengan kualitas visual baik dengan mengubah format model ketinggian menjadi TIN. Dibahas juga kelebihan dan kekurangan dari penggunaan ragam input model ketinggian.

Data DEM yang dapat diakses dan digunakan dengan gratis antara lain adalah Shuttle Radar Topography Mission (SRTM) dan Advanced Spaceborne Thermal Emission and Reflection Radiometer Global DEM (ASTER GDEM). Kedua data tersebut mencakup seluruh wilayah di Indonesia, namun ketelitian dan resolusinya rendah, serta masih mengandung kesalahan tinggi. Selain data DEM global, data DEM dapat diperoleh dari hasil perekaman sensor Radio Detection and Ranging (RADAR), Light Detection and Ranging (LIDAR), maupun hasil stereoplotting foto udara dan citra satelit. Masing-masing data tersebut memiliki karakteristik seperti terdapatnya pit dan spire, diskontinuitas pada daerah sambungan dan ketelitian data yang bervariasi. Keberagaman karakteristik pada masing-masing sumber data tersebut dapat menyebabkan inkonsistensi nilai ketinggian antar sumber data. Pada penelitian ini dilakukan pembuatan DEM dengan data DTM Rupa Bumi Indonesia (RBI) skala 1:50.000 dan data DTM Interferometric Synthetic Aperture Radar (IFSAR) di Pulau Kalimantan yang dapat mengatasi inkonsistensi ketinggian tersebut. Metode yang digunakan adalah integrasi dan fusi DEM pada mozaik data-data ketinggian. Pada daerah yang bertampalan, dilakukan dua skenario mozaik yaitu mozaik tanpa bobot dan mozaik berbobot. Uji akurasi vertikal dilakukan dengan menggunakan standar Peraturan Kepala BIG Nomor 15 Tahun 2014 tentang Pedoman Teknis Ketelitian Peta Dasar. Penelitian ini menghasilkan mozaik data DTM yang seamless dan smooth menggunakan metode mozaik berbobot dengan akurasi vertikal sebesar 2,065 meter. Hasil mozaik tanpa bobot masih memiliki beberapa daerah yang tidak seamless dan smooth dengan akurasi vertikal sebesar 2,257 meter. Berdasarkan Tabel Ketelitian Geometri Peta RBI dalam PerKa BIG Nomer 15 Tahun 2014, kedua hasil mozaik tersebut masuk dalam skala 1:10.000.Kata kunci: model elevasi digital, mozaik, integrasi, fusi DEM