Prosiding Seminar Nasional Manajemen Teknologi XXII Program Studi MMT-ITS, Surabaya 24 Januari 2015

Prosiding Seminar Nasional Manajemen Teknologi XXII Program Studi MMT-ITS, Surabaya 24 Januari 2015

PENGEMBANGAN DATA CITRA SATELIT LANDSAT-8 UNTUK PEMETAAN AREA TANAMAN HORTIKULTURA DENGAN BERBAGAI METODE ALGORITMA INDEKS VEGETASI (STUDI KASUS: KABUPATEN MALANG DAN SEKITARNYA) Erie Kresna Andana Mahasiswa Program Pascasarjana Jurusan Teknik Geomatika Institut Teknologi Sepuluh Nopembar Surabaya [email protected]

ABSTRAK Penginderaan jauh merupakan ilmu untuk memperoleh informasi tentang obyek, daerah, atau gejala dengan cara analisis data yang diperoleh dengan menggunakan alat tanpa kontak langsung terhadap obyek, daerah, atau gejala tersebut (Lillesand dan Kiefer, 1979). Pada penginderaan jauh menggunakan satelit akan menghasilkan data citra dan salah satu data citra satelit yang digunakan untuk memantau area pertanian adalah data cita satelit Landsat-8. Sebagai dataset, data citra tersebut dapat diolah menggunakan algoritma atau metode (persamaan matematis) tertentu, dalam hal ini menggunakan metode yang disebut indeks vegetasi. Nilai indeks vegetasi ini didasarkan pada perbedaan antara penyerapan maksimum radiasi di kanal merah (red) sebagai hasil dari pigmen klorofil dan reflektansi maksimum di kanal spektral infra merah dekat (near infra red/NIR) sebagai akibat dari struktur selular daun. (Tucker, 1979). Beberapa algoritma indeks vegetasi yang digunakan dalam penelitian ini adalah Normalized Difference Vegetation Index (NDVI), Soil Adjusted Vegetation Index (SAVI), dan Enhanced Vegetation Index (EVI). Dan untuk melakukan verifikasi data ground truth dengan cara melakukan survei lapangan menggunakan Global Positiong System (GPS) di daerah penelitian. Untuk memastikan hasil klasifikasi citra sesuai dengan data lapangan adalah dapat diterima jika nilai uji ketelitian ≥ 80%. Kemudian akan dicari korelasi antara nilai berbagai indeks vegetasi yang digunakan. Pada penelitian ini, didapatkan nilai uji ketelitian klasifikasi citra overall accuracy = 94,0012%, yang, sehingga dapat disimpulkan ada kesesuaian antara klasifikasi citra dengan keadaan sebenarnya. Dan nilai korelasi antara NDVI dengan SAVI serta NDVI dengan EVI adalah sebesar R2=0,947, sehingga dapat dikatakan, baik algoritma NDVI dengan SAVI maupun NDVI dengan EVI tersebut memiliki korelasi sangat kuat. Kata kunci: Penginderaan Jauh, Landsat-8, NDVI, SAVI, EVI, dan GPS.

Indeks

Vegetasi,

Hortikultura,

PENDAHULUAN Tanaman hortikultura memberi nilai penjualan yang besar untuk pertanian di Indonesia. Walaupun demikian, budidaya tanaman hortikultura masih dirasakan kurang mendapat perhatian seirus. Dengan jenisnya yang beragam dan sifatnya yang khas,

ISBN: 978-602-70604-1-8 C-15-1


maka setiap jenis memiliki penanganan yang berbeda. Tahap-tahap pertumbuhan dan fenologi dari banyak lahan hortikultura belum dipelajari dengan baik dan cenderung sulit untuk digeneralisasi akibat dari berbagai perbedaan varietas, kerapatan tumbuhan dan kebiasaan penanganannya. Tahap pertumbuhan dan ukuran lahan pertanian menjadi sangat penting bagi tanaman hortikultura karena luas kanopi daun yang tumbuh di lahan hal ini menjadi penentu utama akan kebutuhan air pada lahan pertanian. Kanopi daun merupakan variabel yang relatif mudah diukur yang menjadi indiaktor dari serapan cahaya pada tanaman. Beberapa studi juga menghubungkan penggunaan kanopi daun dengan kebutuhan akan pengairan pada tumbuhan di area pertanian (Troutl, T.J. dkk., 2008). Estimasi yang akurat dan efisien dari kanopi daun secara aktual akan memungkinkan perbaikan penjadwalan dan alokasi air irigasi (Bausch, 1995). Penelitian-penelitian sebelumnya menunjukkan bahwa berbagai indeks vegetasi spektral, yang dikalkulasi dari data reflektansi visible and near infrared (NIR), berhubungan secara linear dengan jumlah radiasi aktif yang diserap oleh kanopi tumbuhan selama fotosintetis (Asrar, R.G., dkk, 1984). Berbagai metode algoritma vegetasi telah dikembangkan adalah Normalized Difference Vegetation Index (NDVI) dan Soil Adjusted Vegetation Index (SAVI). Kemudian dikembangkan pula dengan menggunakan reflektansi kanal spektral biru (blue), yaitu Enhanced Vegetation Index (EVI). KAJIAN PUSTAKA Tanaman Hortikultura Hortikultura berasal dari kata “hortus” (= garden atau kebun) dan “colere” (= to cultivate atau budidaya). Secara harfiah istilah hortikultura diartikan sebagai usaha membudidayakan tanaman buah-buahan, sayuran dan tanaman hias. Sehingga Hortikultura merupakan suatu cabang dari ilmu pertanian yang mempelajari budidaya buah-buahan, sayuran dan tanaman hias. Sedangkan dalam GBHN 1993-1998, selain buah-buahan, sayuran dan tanaman hias, yang termasuk dalam kelompok hortikultura adalah tanaman obat-obatan. Berdasarkan jenisnya, pengelompokan tanaman hortikultura adalah sebagai berikut:  Buah-buahan, misalnya : apel, jeruk, stroberi, papaya, pisang, mangga, dan lain-lain  Sayuran, misalnya : kobis, brokoli, buncis, cabai, tomat, terong, wortel, jamur, bawang, kentang, dan lain-lain  Tanaman hias, misalnya : krisan, anggrek, mawar, melati,dan lain-lain  Tanaman obat/farmakologi, misalnya : jahe, kunyit, dan lain-lain. Kanopi Daun Kanopi daun merupakan variabel yang relatif mudah diukur yang menjadi indiaktor dari serapan cahaya pada tanaman. Beberapa studi menghubungkan penggunaan air pertanian dengan kanopi daun (Troutl, T.J. dkk., 2008). Estimasi yang akurat dan efisien dari kanopi daun aktual akan memungkinkan perbaikan penjadwalan dan alokasi air irigasi (Bausch, 1995). Beberapa penelitian sebelumnya menunjukkan bahwa berbagai indeks vegetasi spektral, yang dikalkulasi dari data reflektansi visible and near infrared (NIR), berhubungan secara linear dengan jumlah radiasi aktif yang diserap oleh kanopi tumbuhan selama fotosintetis (Asrar, R.G., dkk, 1984). ISBN: 978-602-70604-1-8 C-15-2


Penginderaan Jauh Penginderaan jauh merupakan ilmu untuk memperoleh informasi tentang obyek, daerah, atau gejala dengan cara analisis data yang diperoleh dengan menggunakan alat tanpa kontak langsung terhadap obyek, daerah, atau gejala tersebut (Lillesand dan Kiefer, 1979). Data penginderaan jauh dapat diperoleh melalui hasil rekaman sensor yang dipasang baik pada pesawat terbang, satelit, pesawat ulang alik, atau wahana lainnya. Sensor tersebut akan menghasilkan data yang berbeda-beda sesuai dengan letak ketinggian sensor maupun karakteristik obyek yang dikaji (Sutanto, 1986). Salah satu satelit yang digunakan untuk penginderaan jauh ini adalah Landsat, yang sekarang telah mencapai generasi Landsat-8. Satelit Landsat-8 memiliki sensor Onboard Operational Land Imager (OLI) danThermal Infrared Sensor (TIRS) dengan jumlah kanal sebanyak 11 buah. Di antara kanal-kanal tersebut, 9 kanal (band 1-9) berada pada OLI dan 2 lainnya (band 10 dan 11) pada TIRS. Sebagian besar kanal memiliki spesifikasi mirip dengan Landsat-7. Berikut ini spesifikasi kanal yang dimiliki citra Landsat-8 adalah sebagai berikut : Tabel 1. Spesifikasi Kanal-kanal Spektral Sensor Pencitra LDCM (Landsat-8) Band

Landsat 8 Operational Land Imager (OLI) dan Thermal Infrared Sensor (TIRS)

Band 1 - Coastal aerosol Band 2 – Blue Band 3 – Green Band 4 – Red Band 5 - Near Infrared (NIR) Band 6 - SWIR 1 Band 7 - SWIR 2 Band 8 – Panchromatic Band 9 – Cirrus Band 10 - Thermal Infrared (TIRS) 1 Band 11 - Thermal Infrared (TIRS) 2

Panjang Gelombang (mikrometer) 0.43 - 0.45 0.45 - 0.51 0.53 - 0.59 0.64 - 0.67 0.85 - 0.88 1.57 - 1.65 2.11 - 2.29 0.50 - 0.68 1.36 - 1.38 10.60 - 11.19 11.50 - 12.51

Resolusi (meter) 30 30 30 30 30 30 30 15 30 100 100

Indeks Vegetasi Spektral Indeks vegetasi adalah besaran nilai kehijauan vegetasi yang diperoleh dari pengolahan sinyal digital data nilai kecerahan (brightness) beberapa kanal data sensor satelit. Untuk pemantauan vegetasi, dilakukan proses perbandingan tingkat kecerahan kanal cahaya merah (red) dan infra merah dekat (near infra red/NIR). Penyerapan cahaya merah oleh klorofil dan pemantulan cahaya infra merah dekat oleh jaringan mesofil pada daun akan membuat nilai kecerahan yang diterima sensor satelit melalui kanal-kanal tersebut akan jauh berbeda. Pada daratan tanpa vegetasi, termasuk wilayah perairan dan pemukiman, lahan kosong terbuka, atau kondisi vegetasi yang rusak, tidak dapat memberikan nilai rasio yang tinggi pada perbandingan nilai kanal-kanal tersebut. Dan sebaliknya pada daratan dengan vegetasi yang rapat dan kondisi sehat, perbandingan nilai kedua kanal tersebut memberikan nilai yang sangat tinggi.

ISBN: 978-602-70604-1-8 C-15-3


Normalized Difference Vegetation Index (NDVI) Indeks vegetasi yang paling umum digunakan adalah Normalized Difference Vegetation Index (NDVI). Nilai indeks vegetasi ini didasarkan pada perbedaan antara penyerapan maksimum radiasi di kanal merah (red) sebagai hasil dari pigmen klorofil dan reflektansi maksimum di kanal spektral infra merah dekat (near infra red/NIR) sebagai akibat dari struktur selular daun. (Tucker, 1979). Adapun formulasi NDVI adalah sebagai berikut: 𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁 =

𝜌𝜌𝜌𝜌𝜌𝜌𝜌𝜌−𝜌𝜌𝜌𝜌𝜌𝜌𝜌𝜌

(2.1)

𝜌𝜌𝜌𝜌𝜌𝜌𝜌𝜌+𝜌𝜌𝜌𝜌𝜌𝜌𝜌𝜌

Di mana : ρNIR = nilai reflektan kanal infra merah dekat ρRed = nilai reflektan kanal merah

Soil Adjusted Vegetation Index (SAVI) Soil Adjusted Vegetation Index (SAVI) merupakan algoritma pengembangan dari NDVI dengan menekan pengaruh latar belakang tanah pada tingkat kecerahan kanopi. SAVI menggunakan persamaan isoline vegetasi (vegetasi dengan kerapatan sama dan latar belakang tanah berbeda) yang diturunkan melalui aproksimasi reflektansi kanopi dengan sebuah model interaksi foton orde pertama antara kanopi dan lapisan tanah. Penurunan spektra campuran merah, arena tanah yang lebih gelap, menyebabkan penignkatan signifikan pada NDVI. NDVI nampak sensitif terhadap tanah yang menjadi lebih gelap akibat perkembagnan vegetasi (Huete, 1988). Adapun formulasi SAVI adalah sebagai berikut: 𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆 = (1 + 𝐿𝐿) ∗

𝜌𝜌𝜌𝜌𝜌𝜌𝜌𝜌−𝜌𝜌𝜌𝜌𝜌𝜌𝜌𝜌

𝜌𝜌𝜌𝜌𝜌𝜌𝜌𝜌+𝜌𝜌𝜌𝜌𝜌𝜌𝜌𝜌+𝐿𝐿

(2.2)

Di mana: ρNIR = nilai reflektan kanal infra merah dekat ρRed = nilai reflektan kanal merah L = koreksi pencerahan latar belakang tanah Enhanched Vegetation Index (EVI) Enhanched Vegetation Index (EVI) merupakan indeks vegetasi yang dikembangkan untuk meminimalkan pengaruh latar belakang kanopi dan variasi atmosfir yang lebih baik dari NDVI. EVI dihitung dengan menggunakan reflektan dari kanal biru (blue), merah (red), dan infra merah dekat (NIR), sehingga diperoleh persamaan sebagai berikut: 𝐸𝐸𝐸𝐸𝐸𝐸 = 𝐺𝐺 ∗ Di mana:

𝜌𝜌𝜌𝜌𝜌𝜌𝜌𝜌−𝜌𝜌𝜌𝜌

𝜌𝜌𝜌𝜌𝜌𝜌𝜌𝜌+𝐶𝐶1∗𝜌𝜌𝜌𝜌−𝐶𝐶2∗𝜌𝜌𝜌𝜌𝜌𝜌𝜌𝜌𝜌𝜌+𝐿𝐿

(2.3)

ρNIR = nilai reflektan kanal infra merah dekat ρR = nilai reflektan kanal merah ρBlue = nilai reflektan kanal biru C1 = koefisien koreksi pengaruh atmosfir pada kanal merah C2 = koefisien koreksi pengaruh atmosfir pada kanal biru L = koreksi pencerahan latar belakang tanah G = gain factor

ISBN: 978-602-70604-1-8 C-15-4


METODOLOGI PENELITIAN Lokasi Penelitian Lokasi yang dijadikan penelitian adalah Kabupaten Malang dan sekitarnya, yang mencakup Kota Batu. Hal ini dilakukan karena Malang dan Batu merupakan daerah yang memiliki keragaman tanaman hortikultura di Jawa Timur. Kabupaten Malang berbatasan langsung dengan Kabupaten Jombang, Kabupaten Mojokerto, dan Kabupaten Pasuruan di utara, Kabupaten Lumajang di timur, Samudra Hindia di selatan, serta Kabupaten Blitar dan Kabupaten Kediri di barat. Secara geografis Kabupaten Malang terletak pada 7o44’55.11” - 8o26’35.45” LS dan 112o17’10.90” - 112o57’00” BT.

Gambar 1. Peta Daerah Penelitian Data dan Peralatan Data yang diperlukan dan penelitian ini adalah: 1. Citra Landsat-8 tahun 2013 yang diunduh dari website USGS 2. Citra Landsat 7 ETM orthorektifikasi tahun 2000 yang akan digunakan untuk acuan koreksi geometric

1.

2.

Sedangkan peralatan yang digunakan dalam penelitian ini adalah: Perangkat Keras (Hardware) - Laptop, digunakan untuk proses pengolahan data dan penulisan laporan - GPS navigasi handheld, digunakan untuk pengecekan ground truth Perangkat Lunak (Software) - Sistem Operasi Windows XP, digunakan untuk menjalankan semua software - Autodesk Land Desktop 2004, digunakan untuk editing peta garis - Envi 4.6.1, digunakan untuk mengolah data citra - ArcGIS 10.1 untuk membuat layout peta hasil penelitian

ISBN: 978-602-70604-1-8 C-15-5


Pengolahan citra satelit Landsat-8 akan diproses menurut diagram alir berikut ini. Data citra satelit Landsat-8

Koreksi geometrik

tidak

Citra Landsat Orthorektifikasi tahun 2000

RMS error ≤ 1 pixel

ya Koreksi radiometrik Pemotongan citra wilayah penelitian Algoritma indeks vegetasi NDVI, SAVI, EVI

Klasifikasi citra Ground truth

tidak

Uji ketelitian

≥ 80%

ya Peta tanaman hortikultura

Analisa peta yang dihasilkan setiap metode

Gambar 2. Diagram Alir Pengolahan Data Citra HASIL DAN DISKUSI Data Akuisisi Data citra satelit Landsat 8 diunduh dari web http://earthexplorer.usgs.gov/. Oleh karena lokasi penelitian melingkupi dua buah scene, maka akuisisi citra dilakukan pada dua buah scene dengan data scene pada path=118 dengan row=65 dan path=118 dengan row=66, serta akuisisi citra pada tanggal 13 Agustus 2013. Untuk itu, sebelum dilakukan pengolahan lebih lanjut, dilakukan penggabungan citra (mozaicking) pada kedua scene citra tersebut. Koreksi Geometrik Koreksi Geometrik citra Landsat 8 tahun 2013 dilakukan dengan menggunakan citra Landsat 7 ETM orthorektifikasi (citra yang telah diolah dan terkoreksi geometrik) tahun 2000 dengan tanggal akuisisi 17 Agustus 2000. Sistem proyeksi yang digunakan

ISBN: 978-602-70604-1-8 C-15-6


adalah Universal Transverse Mercator Zona 49 M dan datum yang dipakai adalah WGS 1984. Hasil koreksi Geometrik yang dilakukan dengan 20 titik GCP mendapatkan nilai RMS Error rata-rata sebesar 0.297252 yang artinya nilai RMS Error tersebut kurang dari sama dengan satu (RMSerror ≤ 1), maka citra tersebut sudah terkoreksi secara geometrik. (Purwadhi, 2001)

Gambar 3. Hasil Koreksi Geometrik Koreksi Radiometrik Koreksi radiometrik dilakukan dengan mengubah nilai digital number (DN) pada citra menjadi nilai reflektan. Nilai DN tersebut diperoleh dari meta data yang terdapat dalam salah satu file dalam folder data citra yang diunduh. Perhitungan nilai reflektan dilakukan untuk kanal 2 (biru/blue), 4 (merah/red), dan 5 (infra merah dekat/NIR). Pemilihan kanal tersebut berdasarkan kanal yang akan digunakan dalam perhitungan indeks vegetasi. Klasifikasi Tutupan Lahan Pengklasifikasian tutupan lahan menggunakan klasifikasi terbimbing dengan menggunakan algoritma maximum likelihood dan didasarkan dari jenis tutupan lahan di Peta RBI. Pada algoritma ini pixel dikelaskan sebagai objek tertentu menurut bentuk, ukuran dan orientasi sampel pada feature space. Sedangkan ketelitian dari algoritma tersebut dapat dihitung dengan menggunakan confusion matrix dengan batas toleransi yang diberikan yaitu ≥ 80 %. Pada penelitian ini, klasifikasi tutupan lahannya menghasilkan nilai overall accuracy = 94,0012% dan nilai overall kappa = 0,9230. Dengan hasil tersebut, maka klasifikasi dianggap benar. Tabel 2. Perhitungan confusion matrix Kelas Awan Air Pemukiman dan jalan Hutan Tanah terbuka Semak belukar Lading Sawah Kebun Overall accuracy Overall kappa

Commission (%) 0,60 0,05 0,48 4,56 0,00 38,97 16,58 0,49 42,20 94,0012 % 0,9230

Omission (%) 0,11 5,75 1,93 13,28 1,00 0,00 37,78 2,40 10,03

ISBN: 978-602-70604-1-8 C-15-7

Producer’s accuracy (%) 99,89 94,25 98,07 86,72 99,00 100,00 62,22 97,60 89,97

User’s accuracy (%) 99,40 99,95 99,52 95,44 100,00 61,03 83,42 99,51 57,80


Analisa Indeks Vegetasi Pada tabel berikut ini ditampilkan nilai indeks vegetasi dengan menggunakan beberapa algoritma dari beberapa titik yang tersebar di lokasi penelitian. Tabel 2. Hasil Indeks Vegetasi dari Beberapa Algoritma NO 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

TITIK X 668,235 670,845 670,845 667,815 666,915 667,845 667,875 666,945 668,175 668,145 668,565 670,845 668,175 667,785 667,785 667,635 668,115 667,725 667,575 668,265 668,175 671,355 671,055 668,205 668,115 668,505 668,265 671,175 668,145 668,235

Y 9,132,625 9,125,875 9,125,875 9,132,055 9,128,215 9,137,815 9,137,815 9,128,245 9,132,445 9,132,445 9,134,245 9,125,845 9,132,505 9,138,115 9,132,055 9,132,055 9,134,845 9,138,145 9,132,055 9,134,905 9,134,875 9,126,025 9,125,815 9,136,855 9,134,815 9,134,395 9,134,845 9,125,755 9,137,005 9,134,965

NDVI

SAVI

0.195299 0.247198 0.247198 0.274177 0.296933 0.308136 0.317453 0.351948 0.363206 0.367323 0.374749 0.384587 0.39078 0.399888 0.434489 0.441302 0.446818 0.495275 0.508522 0.551014 0.551933 0.606853 0.621082 0.630445 0.641921 0.676937 0.684546 0.71396 0.720656 0.723128

0.074343 0.137044 0.137044 0.16405 0.194873 0.184687 0.187323 0.20796 0.188083 0.161547 0.254825 0.207769 0.180835 0.282333 0.257871 0.265311 0.28186 0.328858 0.292598 0.34068 0.353145 0.396742 0.393069 0.405859 0.442666 0.425667 0.472072 0.500614 0.464585 0.513152

EVI 0.074438 0.140468 0.140468 0.172806 0.238683 0.214311 0.235145 0.240809 0.201403 0.166562 0.311373 0.214121 0.190132 0.362979 0.285686 0.289881 0.300285 0.388577 0.326112 0.379417 0.39517 0.454653 0.458498 0.461382 0.518459 0.495954 0.562451 0.609845 0.546752 0.626345

0.6 0.5 0.4

y = 0.0135x + 0.08 R² = 0.9471

0.3 0.2 0.1

0.195299 0.247198 0.247198 0.274177 0.296933 0.308136 0.317453 0.351948 0.363206 0.367323 0.374749 0.384587 0.39078 0.399888 0.434489 0.441302 0.446818 0.495275 0.508522 0.551014 0.551933 0.606853 0.621082 0.630445 0.641921 0.676937 0.684546 0.71396 0.720656 0.723128

0

Gambar 4. Grafik Korelasi antar Algoritma

ISBN: 978-602-70604-1-8 C-15-8


Gambar 5. Peta Hortikultura Kabupaten Malang dan Sekitarnya KESIMPULAN 1. Nilai uji ketelitian klasifikasi citra overall accuracy = 94,0012%, sehingga dapat disimpulkan ada kesesuaian antara klasifikasi citra dengan keadaan sebenarnya 2. Dari hasil klasifikasi tutupan lahan didapatkan bahwa jenis tanaman hortikultura termasuk ke dalam kelas ladang dengan luas ± 153.261,72 Ha yang tersebar di seluruh Kabupaten Malang dan Kota Batu 3. Nilai korelasi antara NDVI dengan SAVI serta NDVI dengan EVI adalah sebesar R2=0,947, sehingga dapat dikatakan, baik algoritma NDVI dengan SAVI maupun NDVI dengan EVI tersebut memiliki korelasi sangat kuat. Hal ini menunjukkan bahwa dengan menggunakan algoritma tersebut dapat memberikan informasi kerapatan tanaman hortikultura dengan tepat.

DAFTAR PUSTAKA Asrar, G., Fuchs, M., Kanemasu, E.T., Hatfield, J. L. (1984), “Estimating Absorbed Photosynthetic Radiation and Leaf Area Index from Spectral Reflectance in Wheat”, Agron. Journal, Vol. 76, hal. 300–306. Bausch, W. C. (1995), “Remote Sensing of Crop Coefficients for Improving The Irrigation Scheduling of Corn”, Agriculture Water Manage, Vol. 27, hal. 55–68. Brownsveld K., Chuturattanapan, S., Pattanakanok, B., Suwanwerakamtorm, R., Trakooldit, P. (1994), “The Use of Local Knowledge in Landuse/Landcover Mapping from Satellite Images”, ITC Journal, Vol. 4, hal. 331-336 Clevers, J. G. P. W. (1988), “The Derivation of Simplified Reflectance Model for the Estimation of Leaf Area Index”, Remote Sensing of Environment, Vol. 25, hal. 53-69. Danoedoro, P. (2012), Pengantar Penginderaan Jauh Digital, Edisi 1, CV. Andi Offset, Yogyakarta.

ISBN: 978-602-70604-1-8 C-15-9


Darmawan, S. (2008), Identifikasi, Estimasi, dan Prediksi Hasil Tanaman Pertanian dengan Satelit Inderaja, Bandung : Pusat Penginderaan Jauh – ITB Huete, A. R.. (1988), “A Soil Adjusted Vegetation Index (SAVI)”, Remote Sensing of Environment Vol. 25, hal. 295-309 Jaya, I. N. S. (200), Penginderaan Jauh Satelit untuk Kehutanan, Laboratorium Inventarisasi Hutan, Jurusan Manajemen Hutan, Fakultas Kehutanan IPB. Jensen, J. R. (2005), Remote Sensing of the Environment: An Earth Resource Perspective, (2nd ed.), Englewood Cliffs, N.J.: Prentice Hall. Karnieli, A., Gabai, A., Ichouku, C., Zaddy, E. and Shachak, M. (2002). “Temporal Dynamics of Soil and Vegetation Responses in A Semi-arid Environment”, International Journal of Remote Sensing Vol. 23(193), 4073-4087. Lillesand, T. M., Keifer, R. W., (1979), Remote Sensing and Image Interpretation, John Willey and Sons, New York. NASA. 2012. Landsat Data Continuity Mission: brochure. NASA and USGS Puntodewo A, Dewi S dan Tarigan J. (2003), Sistem Informasi Geografis untuk Pengelolaan Sumber Daya Alam, Centre for International Forestry Research, Jakarta Purwadhi, S. (2001), Interpretasi Citra Digital, Grasindo, Jakarta Qi, J., Chehbouni, A., Huete, A. R., Kerr, Y. H., and Sorooshian, S. (1994), “A Modified Soil Adjusted Vegetation Index”, Remote Sensing of Environment Vol. 48, hal. 119-126 Sudiana, D., Diasmara, E. (2008), “Analisis Indeks Vegetasi menggunakan Data Satelit”. Seminar on Intelligent Technology and Its Applications. ISBN 978-9798897-24-5. Hal.425. Optoelectrotechnique and Remote Sensing (OPRES) Research Group, Fakultas Teknik, Universitas Indonesia Sukojo, B. M. (2012), Penginderaan Jauh (Dasar Teori Dan Terapan), Cetakan 1, ITS Press, Surabaya. Sutanto. (1986), Penginderaan Jauh, Gadjah Mada University Press, Yogyakarta Troutl, T. J., Johnson, L. F., Gartung, J. (2008), “Remote Sensing of Canopy Cover in Horticultural Crops”, HortScience, Vol. 43, No. 2, hal. 333-337. Tucker, C. J. (1979), “Red and Photographic Infrared Linear Combinations for Monitoring Vegetation”, Remote Sensing of Environment, Vol. 8, hal. 127–150.

ISBN: 978-602-70604-1-8 C-15-10

Prosiding Seminar Nasional Manajemen Teknologi XXII Program Studi MMT-ITS, Surabaya 24 Januari 2015

Recommend Documents