studi komparasi beberapa teknik analisis citra landsat multiwaktu

Pengolahan Data dan Pengenalan Pola
STUDI KOMPARASI BEBERAPA TEKNIK ANALISIS CITRA LANDSAT
MULTIWAKTU UNTUK PEMETAAN LAHAN SAWAH (STUDI KASUS
TANGGAMUS-LAMPUNG)
I Made Parsa
Pusat Pemanfaatan Penginderaan Jauh, LAPAN
e-mail: [email protected]
Abstract
This study was conducted to compare the accuracy of several technique analysis of multitemporal Landsat
imagery for mapping paddy field in Tanggamus, Lampung as case study. The method that compared in this study
were methods of vegetation index statistical analysis and probability methods based of land cover change
multitemporal Landsat imagery for paddy field mapping. The results of this study indicated that the method of
statistical analysis of vegetation index produced a mapping accuracy of 87.4% while the probability method based
on land cover changes produced 91.2% mapping accuracy. Based on these results it can be concluded that the
probability method based on land cover change is more accurate than methods of statistical analysis of vegetation
index for the paddy field mapping, however both of these methods still require further validation before being used
for operational.
Key Words: Paddy field mapping, vegetation index, probability, multitemporal images
Abstrak
Studi ini dilaksanakan untuk membandingkan ketelitian beberapa teknik analisis citra Landsat multiwaktu
untuk pemetaan lahan sawah dengan studi kasus daerah Tanggamus, Lampung.Metode yang dibandingkan dalam
studi adalah metode analisis statistik indek vegetasi dan metode probabilitas berdasarkan perubahan penutup lahan
dari citra Landsat multiwaktu untuk memetakan lahan sawah. Hasil studi ini menunjukkan bahwa metode analisis
statistik indek vegetasi menghasilkan ketelitian pemetaan 87,4% sedangkan metode probabilitasberdasarkan
perubahan penutup lahan menghasilkan ketelitian pemetaan 91,2%. Berdasarkan hasil tersebut dapat disimpulkan
bahwa metode probabilitas berdasarkan perubahan penutup lahan lebih akurat dibandingkan metode analisis statistik
indek vegetasi dalam memetakan lahan sawah, walaupun demikian kedua metode ini masih memerlukan validasi
lebih lanjut sebelum digunakan untuk operasional.
Kata kunci: pemetaan lahan sawah, indek vegetasi, probabilitas, citra multitemporal
1. Pendahuluan
Beras merupakan salah satu makanan pokok utama di dunia dan diperkirakan hanya sekitar 15 %
lahan sawah dunia mempunyai tanah yang subur (IRRI, 1993). Di Indonesia, padi merupakan salah satu
tanaman pertanian yang paling penting karena beras adalah makanan utama masyarakat Indonesia.
Ketahanan pangan telah lama menjadi tujuan politik yang penting di Indonesia. Tujuan ini paling sering
dikaitkan dengan swasembada beras. Pada pertengahan 1980-an Indonesia sempat mencapai 100 %
swasembada beras. Namun, pertumbuhan produksi padi melambat pada 1990-an, yang menyebabkan
peningkatan impor dan turunnya rasio swasembada. Selama dua tahun terakhir rasio swasembada beras
tetap sekitar 95 %, namun turun di bawah 90 % selama kekeringan El Niño 1998 (Bappenas, 2002).
Penginderaan jauh satelit telah diterapkan secara luas dan telah diakui sebagai alat yang ampuh dan
efektif dalam mendeteksi penggunaan lahan dan perubahan penutupan lahan (Harris danVentura, 1995).
Penginderaan jauh satelit menyediakan biaya - efektif multi-spektral dan data multitemporal (Paine,
1981). Citra satelit telah digunakan untuk memantau jenis tutupan lahan terbatas menurut klasifikasi
spektral. Selain itu, telah digunakan untuk memperkirakan karakteristik biofisik dari permukaan tanah
Seminar Nasional Penginderaan Jauh 2014
243
Pengolahan Data dan Pengenalan Pola
melalui hubungan linear dengan reflektansi spektral atau indek vegetasi (Steininger, 1996; Nuarsa et al,
2005).
Salah satu hasil terkait dengan keterlibatan LAPAN dalam program Indonesian National Carbon
Accounting System yang dilaksanakan sejak tahun 2010 adalah citra satelit Landsat standar (tahun 2000
sampai 2012) yang telah melalui proses scene selection, ortho rectification, terrain correction, sun
correction, cloudmasking dan mosaic untuk seluruh wilayah Indonesia. Citra-citra tersebut telah
digunakan sebagai basis untuk pemetaan perubahan tahunan lahan hutan diseluruh Indonesia yang akan
menjadi salah satu data dasar dalam penghitungan karbon. Selain untuk pemetaan lahan hutan, citra
Landsat mempunyai potensi yang cukup baik untuk manajemen sumberdaya lahan pada bidang
perkebunan, pertanian maupun untuk pesisir dan laut pada tingkat skala menengah 1:100.000.
Sementara itu berdasarkan indek peta Badan Informasi Geospasial, bahwa ketersediaan informasi
geospasial/peta rupabumi tersedia seluruh Indonesia pada beberapa skala, Jawa, Nusa Tenggara (1:25.000
dan 1;250.000), Sumatera (1:25.000, 1:50.000, dan 1:250.000), Kalimantan (1:50.000 dan 1;250.000),
Sulawesi (1:50.000 dan 1:250.000), Maluku dan Papua (1:25.000, 1:50.000, 1:100.000 dan 1:250.000)
dan
sedangkan
peta
tematik
tersedia
dengan
pilihan
skala
1:2.500.000
hingga
1:25.000
(www.bakosurtanal.go.id. diakses tanggal 11 Februari 2014). Berdasarkan informasi tersebut terlihat
bahwa ketersediaan peta terutama peta tematik skala 1:100.000 masih sangat terbatas.
Berkaitan dengan hal itu, telah dilakukan studi komparasi beberapa teknik analisis citra Landsat
multiwaktu untuk pemetaan lahan sawah (Studi Kasus Tanggamus-Lampung). Kedua teknik/metode
analisis yang dibandingkan dalam kajian ini adalah metode analisis statistik indek vegetasi dan metode
analisis dengan pendekatan teori probabilitas berdasarkan perubahan penutup lahan citra Landsat
multiwaktu
untuk
memetakan
lahan
sawah.
Tujuan
studi
adalah
untuk
membandingkan
kemampuan/ketelitian kedua tehnik pengolahan/analisis citra Landsat multiwaktu untuk memetakan lahan
sawah.
2. Data dan Metode
Data yang digunakan dalam kajian ini meliputi:
a. Citra satelit Landsat multiwaktu tahun 2000 sampai 2009 yang merupakan citra standar produk dari
program INCAS yang ada di LAPAN.
b. Informasi spasial lahan sawah yang diekstrak dari citra satelit Quickbird (60 cm) tahun 2005 (Parsa,
2013).
c. Perangkat lunak yang digunakan meliputi perangkat pengolah data ER Mapper 7.0, ArcView GIS 3.3,
dan perangkat Microsoft Excel.
Metode yang digunakan dalam studi ini,
a. Pengolahan data sampel
i. Kroping dan pengecekan kualitas geometri citra Landsat dengan referensi citra Quickbird dan
kroping sesuai dengan lokasi kajian.
Seminar Nasional Penginderaan Jauh 2014
244
Pengolahan Data dan Pengenalan Pola
ii. Klasifikasi penutup lahan (air, bera dan vegetasi), dapat dilakukan dengan beberapa cara seperti
transformasi indek vegetasi, penggunaan indek untuk pemisahan air dan daratan ataupun dengan
klasifikasi digital (supervised/unsupervised).
iii. Transformasi dan klasifikasi indek vegetasi menjadi penutup lahan (air, bera dan vegetasi)
menggunakan persamaan Jansen (1998) dalam Faizal (2005) sebagai berikut:
ࡺࡰࢂࡵ =
dimana
(‫ۻ܂‬૝ − ‫ۻ܂‬૜)
(‫ۻ܂‬૝ + ‫ۻ܂‬૜)
(2-1)
NDVI : Normalized Difference Vegetation Index
TM4
: Digital Number kanal 4 Landsat TM
TM3
: Digital Number kanal 3 Landsat TM
•
Ekstrak nilai maksimum, minimum, rata-rata NDVI di lokasi kajian.
•
Pembuatan citra komposit empat kanal yang terdiri atas NDVI maksimum, NDVI
minimum, NDVI rata-data dan selisih NDVI suluruh citra Landsat multiwaktu
•
Pengambilan training sampel dan analisis statistik untuk mengetahui sebaran nilai NDVI
multiwaktu di lokasi penelitian maupun di lokasi persawahan.
•
Penajaman citra dengan memberikan batas nilai minimum, maksimum, rata-rata dan Selisih
Max-Min NDVI menggunakan referensi tertentu sehingga lokasi yang diduga sawah akan
nampak kontras dengan lokasi nonsawah. Setiap kanal menggunakan threshold yang
ditentukan berdasarkan hasil ekstrak nilai NDVI di areal persawahan untuk masing-masing
kanal. Dalam bentuk algoritma dapat ditulis sebagai berikut:
if NDVI_Max >= 0.537 and NDVI_Max <= 0.811 and NDVI_Min >= -0.228 and
NDVI_Min <= 0.168 and NDVI_Mean >= 0.255 and NDVI_Mean <= 0.557 and
NDVI_Max-Min >=0.447 then 1 else null
Nilai-nilai tersebut diperoleh dari training sample(bera, vegetasi dan air) yang diambil
pada data Landsat yang digunakan dalam penelitian ini.
iv. Dari
seluruh
seri
data
penutup
lahan
multiwaktu
tersebut
dilakukan
pengkelasan
ulang/reklasifikasi dalam dua tahap sebagai berikut:
•
Tahap satu, dilakukan pemisahan masing-masing kelas vegetasi, kelas air dan kelas bera
dari seluruh seri yang ada sehingga terbentuk informasi lahan bera, vegetasi dan air untuk
seluruh data yang digunakan.
•
Tahap kedua, penggabungan tiap penutup lahan untuk seluruh tahun sehingga terbentuk
tiga informasi spasial penutup lahan yaitu bera (2000-2009), vegetasi (2000-2009) dan air
(2000-2009).
v. Analisis perubahan, dilakukan dengan tumpang tindih antara ketiga informasi spasial penutup
lahan (hasil iv) dan perhitungan probabilitas lahan. Tumpang-tindih dilakukan dengan
menempatkan penutup lahan bera pada Layer Red, vegetasi pada Layer Green dan air pada Layer
Blue.
Seminar Nasional Penginderaan Jauh 2014
245
Pengolahan Data dan Pengenalan Pola
•
Jika dari seluruh data multiwaktu yang dianalisis hanya terdeteksi satu jenis penutup lahan,
air saja, bera saja ataupun vegetasi saja (tidak terjadi perubahan penutup lahan) maka
probabilitasnya sebagai lahan sawah hanya 1/3, dikelaskan sebagai bukan lahan sawah.
•
Jika dari seluruh data multiwaktu yang dianalisis hanya terdeteksi dua jenis penutup lahan,
air dan bera, air dan vegetasi, bera dan vegetasi (terjadi perubahan dua penutup lahan)
maka probabilitasnya sebagai lahan sawah hanya 2/3, dikelaskan sebagai lahan sawah.
•
Jika dari seluruh data multiwaktu yang dianalisis hanya terdeteksi tiga jenis penutup lahan,
air, bera, vegetasi (terjadi perubahan tiga penutup lahan) maka probabilitasnya sebagai
lahan sawah sama dengan 1, dikelaskan sebagai lahan sawah.
b. Analisis ketelitian hasil pemetaan, dilakukan dengan analisis matrik kesalahan menggunakan
referensi informasi spasial lahan sawah dari citra Quickbird. Secara diagram disajikan pada Gambar
2-1.
CITRA LANDSAT MULTIWAKTU
1. TRANSFORMASI INDEK VEGETASI
2. TRANSFORMASI INDEK UNTUK
PEMISAHAN AIR DAN DARATAN
3. KLASIFIKASI DIGITAL
INFORMASI SPASIAL PENUTUP
LAHAN (BERA, VEGETASI, AIR)
MULTIWAKTU
TRAINING SAMPEL DAN
ANALISIS DISTRIBUS INDVI
ANALISIS STATISTIK:
MAXIMUM, MINIMUM,
MEAN, DAN SELISIH
NDVI
PENGGABUNGAN TIAP
PENUTUP LAHAN
MULTIWAKTU
CITRA
QUICKBIRD
KOMPOSIT STATISTIK
NDVI MULTIWAKTU
(RED:Rata-rata,
GREEN:Maximum,
BLUE:Minimum)
OVERLEY DAN ANALISIS
PERUBAHAN PENUTUP
LAHAN
INTERPRETASI
LAHAN SAWAH
DISTRIBUSI SPASIAL
LAHAN SAWAH
CITRA
PROBABILITAS
LAHAN SAWAH
INFORMASI SPASIAL
LAHAN SAWAH
CONFUSIONM
ATRIK
CONFUSION
MATRIX
KETELITIAN
PEMETAAN
KETELITIAN
PEMETAAN
Gambar 2-1. Diagram alir pelaksanaan studikomparasi beberapa teknik analisis citra Landsat multiwaktu untuk
pemetaan lahan sawah
Seminar Nasional Penginderaan Jauh 2014
246
Pengolahan Data dan Pengenalan Pola
3. Hasil dan Pembahasan
Pengolahan data sampel dilakukan untuk wilayah Tanggamus Lampung, diawali dengan pengecekan
geometri menunjukkan bahwa sebagian besar citra Landsat multiwaktu mempunyai kualitas geometri
yang cukup baik, sementara yang lainnya perlu dilakukan perbaikan dengan melakukan pergeseran
terhadap citra Quickbird untuk kemudian
emudian dilakukan transformasi NDVI seluruh data multiwaktu.
Hasil transformasi nilai NDVI multitemporal pada daerah penelitian menunjukkan bahwa: secara
umum, daerah penelitian mempunyai kisaran nilai NDVI minimum -0.288
0.288 sampai 0.305 dan maksimum
0.426 sampai
mpai 0.960, sedangkan pada areal persawahan kisaran nilai minimum NDVI adalah -0.228
sampai 0.168, kisaran nilai maksimum 0.537 sampai 0.811. Berdasarkan hasil analisis ini juga
menunjukkan bahwa nilai minimum dan maksimum NDVI pada areal persawahan lebih rendah
dibandingkan seluruh lokasi penelitian.Hal ini disebabkan karena air (laut, danau, sungai, waduk maupun
tambak) mempunyai nilai NDVI paling rendah, sedangkan fase vegetatif pada areal persawahan
mempunyai nilai NDVI yang lebih rendah dibandingkan dengan
de
tutupan lahan hutan.
Komposit warna yang tersusun dari nilai statistik NDVI Landsat multiwaktu (Red:
(
: Rata
Rata-rata, Green:
Maksimum, Blue:: Minimum) memberikan kenampakan warna hijau yang sangat kontrak yang diduga
sebagai lahan sawah, seperti ditunjukkan pada Gambar 3-1.
Gambar 3-1.
1. Komposit NDVI citra Landsat multiwaktu (2000
(2000-2009)
2009) wilayah Tanggamus, Lampung (Red
(
Layer:
Mean; Green: Max; Blue: Min)
Berdasarkan komposit tersebut terlihat bahwa areal persawahan nampak sangat berbeda
dibandingkan dengan areal nonpersawahan, hal ini disebabkan karena pengaruh yang nyata dari
perbedaan antara nilai NDVI maksimum dan minimum. Nilai NDVI pada areal persawahan akan
mengikuti perubahan fase (bera, air dan vegetasi), dimana pada fase air nilai NDVI akan sangat rendah
(sampai -0.228),
0.228), pada fase bera akan rendah, pada fase vegetatif berkisar rendah sampai tinggi (0.3
Pengolahan Data dan Pengenalan Pola
sampai 0.811). Hal ini menyebabkan selisih antara NDVI maksimum dan minimumnya manjadi
besar.Pada areal nonsawah perubahan nilai NDVI umumnya tidak terlalu
terlalu besar, walaupun NDVI
vegetatifnya dapat lebih besar dari NDVI vegetatif padi. Hal ini disebabkan karena tutupan air (laut,
danau, sungai, waduk maupun tambak) akan selalu negatif sedangkan untuk tutupan hutan/perkebunan
akan mencapai NDVI terendah jika
ika dalam kondisi bera. Hasil identifikasi ini menunjukkan bahwa dari
keempat nilai indek tersebut ternyata nilai mean paling nyata pengaruhnya untuk pemetaan lahan tanaman
padi dibandingkan tiga indek lainnya. Penggabungan tiga kriteria nilai statistik NDVI
NDVI multiwaktu tersebut
selanjutnya dapat digunakan untuk memetakan cepat lahan sawah secara kuantitatif/digital sebagaimana
disajikan pada Gambar 3-2.
Gambar 3-2.
2. Peta lahan sawah berdasarkan Statistik NDVI Multiwaktu
Sementara itu dari seluruh seri data
data penutup lahan multiwaktu tersebut dilakukan pengkelasan
ulang/reklasifikasi dalam dua tahap sehingga menghasilkan penutup lahan air, bera dan vegetasi 20002000
2009 dimana masing-masing
masing dijadikan kelas 255.Overley
255.
ketiga data penutup lahan kedalam tampilan
komposit dimana bera sebagai Layer Red
Red, vegetasi sebagai Layer Green dan air sebagai LayerBlue.
Berdasarkan tampilan komposit tersebut dapat dianalisis sebagai berikut:
•
Warna putih mengindikasikan bahwa pada lahan tersebut terpantau ketiga fase dari bera, vegetasi dan
air, sehingga dengan demikian lahan tersebut mempunyai probabilitas sebagai lahan sawah mencapai
1.
•
Warna kuning mengindikasikan hanya terpantau fase yaitu bera dan vegetasi,warna merah muda/pink
mengindikasikan hanya terpantau fase yaitu bera dan air, sedangkan warna cyan mengindikasikan
hanya terpantau fase yaitu vegetasi dan air sehingga dengan demikian lahan-lahan
lahan
tersebut
mempunyai probabilitas sebagai lahan sawah hanya 2/3.
•
Warna biru mengindikasikan hanya terpantau fase air, warna hijau mengindikasikan hanya terpantau
fase vegetasi, dan warna merah mengindikasikan hanya terpantau fase bera/terbuka, sehingga dengan
Pengolahan Data dan Pengenalan Pola
demikian lahan-lahan
lahan tersebut mempunyai probabilitas sebagai lahan sawah hanya 1/3.Secara spasial
hasil analisis disajikan padaa Gambar 3-3.
3
Gambar 3--3. Tampilan komposit penutup lahan 2000-2009
Selanjutnya hasil klasifikasi tersebut kemudian dilakukan reklasifikasi berdasarkan probabilitasnya
menjadi tiga kelas yaitu kelas sawah probabilitas 1/3, sawah probabilitas 2/3 dan sawah probabilitas 1
sebagaimana disajikan pada Gambar 3
3-4.
Gambar 33-4. Informasi spasial probabilitas lahan sawah
Pada tahap terakhir, dilakukan pengujian ketelitian pemetaan terhadap kedua hasil pemetaan
menggunakan referensi informasi spasial lahan ssawah
awah berbasis citra resolusi tinggi QB yang dilakukan
dengan confusion matrix (matrik kesalahan). Hasil pengujian metode analisis statistik indek vegetasi
Pengolahan Data dan Pengenalan Pola
ditunjukkan pada Tabel 3-1,
1, dan Gambar 3-5
3 5 sedangkan hasil pengujian metode probabilitas disajikan
pada Tabel 3-2, Tabel 3-3,
3, dan Gambar 33-6.
Tabel 3-1.
1. Matriks ketelitian pemetaan lahan sawah dengan analisis statistik NDVI
MATRIKS
Luas (ha)
Lahan
Lahan
sawah
nonsawah
Ketelitian (%)
Total
Total
Lahan
sawah
Lahan
nonsawah
Lahan sawah
5,159
575
5,733
90.0
10.0
Lahan nonsawah
4,643
26,059
30,702
15.1
84.9
87.4
Overall Accuracy
1 diatas menunjukkan bahwa ketelitian pemetaan (overall
(
accuracy)) metode analisis statistik
Tabel 3-1
indek vegetasi mencapai 87,4%.
Gambar 3-5.Hasil
5.Hasil pengujian pemetaan lahan sawah metode analisis statistik indek vegetasi
Tabel 3-2.
2. Matriks kesalahan probabilitas pemetaan lahan sawah
LUAS LAHAN (ha)
MATRIKS
Sawah
Nonsawah
Probabilitas 1
Probabilitas 2/3
Probabilitas 1/3
Total
3,347
2,103
289
5,739
399
3,478
26,806
30,682
36,421
Pengolahan Data dan Pengenalan Pola
Tabel 3-3.
3. Matriks ketelitian pemetaan lahan sawah dengan metode probabilitas
KETELITIAN PEMETAAN (%)
MATRIKS
Probabilitas 1
Probabilitas 2/3
Probabilitas 1/3
Sawah
58.3
36.6
5.0
Nonsawah
1.3
11.3
87.4
Total
95.0
Berdasarkan Tabel 3-2,
2, terlihat bahwa ternyata 58,3% lahan sawah di area sampel terklasifikasi
sebagai lahan yang mempunyai probabilitas 1, 36,6% terklasifikasi sebagai lahan yang mempunyai
probabilitas 2/3 dan 5% sisanya terklasifikasi sebagai lahan yang mempunyai probabilitas 1/3. Sementara
itu 87,4% lahan nonsawah terklasifikasi sebagai lahan probabilitas 1/3, 11,3% terklasifikasi sebagai lahan
probabilitas 2/3 dan 1,3% sisanya terklasifikasi sebagai lahan probabilitas 1. Oleh karena itu reklasifikasi
kelas
las probabilitas 1 dan kelas probabilitas 2/3 menjadi kelas lahan sawah dan kelas probabilitas 1/3
menjadi kelas lahan nonsawah akan menyebabkan ketelitian pemetaan sawah menjadi 95% sedangkan
ketelitian pemetaan nonsawah menjadi 87%. Sehingga dengan demik
demikian
ian akurasi pemetaan keseluruhan
(overall accuracy)menjadi 91,2%.
Gambar 3-6.
6. Hasil pengujian pemetaan lahan sawahmetode probabilitas
4. Kesimpulan dan Saran
4.1 Kesimpulan
Berdasarkan hasil kajian sebagaimana diuraikan diatas,
diatas maka dapat disimpulkan bahwa:
Analisis statistik indek vegetasi maupun analisis probabilitas berdasarkan perubahan liputan lahan
citra Landsat multiwaktu dapat digunakan untuk memetakan lahan sawah dengan cukup akurat
Ketelitian pemetaan (overall
overall accuracy)
accuracy lahan sawah berdasarkan
n analisis indek vegetasi citra
Landsat multiwaktu mencapai 87,4%
Pengolahan Data dan Pengenalan Pola
Ketelitian pemetaan (overall accuracy) lahan sawah dengan pendekatan teori probabilitas
berdasarkan perubahan liputan lahan Landsat multiwaktu mencapai 91,2%.
4.2 Saran
Berkaitan dengan beberapa kesimpulan yang telah disampaikan diatas, perlu dilakukan validasi lebih
lanjut kedua model/metode pada daerah yang lebih luas dan bervariasi untuk mengetahui tingkat
kehandalannya.
5. Daftar Rujukan
Bappenas, 2002. Does Indonesia Face a Food Security Time Bomb.Indonesian Food Policy Program.
http//:www.macrofoodpolicy.com. Accessed November, 15th 2009.
Badan Informasi Geospasial, 2014. Produk. (www.bakosurtanal.go.id, diakses tanggal 11 Februari 2014).
Furby Suzanne, 2002. Land Cover Change: Specification for Remote Sensing Analysis, National Carbon
Accounting System Technical Report No. 9. ISSN: 1442 6838.
Guna Dharma, Probabilitas, Pengantar Statistik, (www.elearning.guna-dharma.ac.id/docmodul/ diakses
22 Juli 2013.
Harris, P. M. and Ventura, S. J., 1995. The Integration of Geographic Data With Remotely Sensed
Imagery to Improve Classification in an Urban Area. Photogrammetric Engineering and Remote
Sensing, 61, pp. 993–998.
IRRI, 1993, 1993–1995 IRRI Rice Almanac. Manila7 International Rice Research Institute.
Jupri Al., 2010.Teori Peluang, Jurusan Pendidikan Matematika FPMIPA Universitas Pendidikan
Indonesia, (http://www.file.upi.edu/Direktori/FPMIPA/, diskses 22 Juli 2013.
Marina C.G. Frederik; Retno A. Ambarini; Fanny Meliani;Yoke F.A. Oktofan, 2009. Pemantauan
Pertumbuhan Tanaman Padi dengan SPOT Vegetation. Pusat Teknologi Inventarisasi Sumberdaya
Alam (PTISDA), BPPT.
Nuarsa I Wayan; Kanno, S.; Sugimori, Y; and Nishio, F., 2005. Spectral Characterization of Rice Field
Using Multi-Temporal Landsat ETM+ Data. International Journal of Remote Sensing and Earth
Sciences. 2, pp. 65-71.
Paine, D.P., 1981, Aerial Photography and Image Interpretation for Resource Management. John Wiley
and Sons, New York. 412 pp.
Panuju D R., Febria Heidina; Bambang H. Trisasongko; Boedi Tjahjono;A. Kasno; Aufa H.A. Syafril,
2009. Variasi Nilai Indek vegetasi Modis Pada Siklus Pertumbuhan Padi.Jumal llmiah Geomatika
Volume 15 Nomor 2, Desember 2009.
Parsa I Made;Surlan; Jansen Sitorus; Dipo Yudhatama; Soko Budoyo; Djoko Santo., 2012.
Pengembangan Model Standar Pemanfaatan Data Penginderaan Jauh (Landsat/SPOT) untuk
Pemetaan Lahan Sawah. Pusat Pemanfaatan Penginderaan Jauh, Jakarta: LAPAN.
Steininger, M. K., 1996, Tropical Secondary Forest Regrowth in TheAmazon: Age, Area and Change
Estimation With Thematic Mapper Data. International Journal of Remote Sensing, 17, pp. 9–27.
Suherman
Maman,
2012.
Statistik
dan
Teori
Peluang,
Institut
Teknologi
Bandung,
(http://www.mulin10.files.wordpress.com/,diakses tanggal 22 Juli 2013).
Suryadi Christine,
2003.Probabilitas dan Statistika Dasar, Teori Peluang, Departemen Teknik
Informatika.(http://www.kur2003.if.itb.ac.id, diakses tanggal 22 Juli 2013).
Seminar Nasional Penginderaan Jauh 2014
252