Analisis Hubungan Indeks Vegetasi dengan Kerapatan Jenis

Pertemuan Ilmiah Tahunan MAPIN XIV
”Pemanfaatan Efektif Penginderaan Jauh Untuk Peningkatan Kesejahteraan Bangsa”
MODEL TRANSFORMASI INDEKS VEGETASI
YANG EFEKTIF UNTUK PREDIKSI KERAPATAN
MANGROVE RHIZOPHORA MUCRONATA.
Ahmad Faizal1, Muhammad Anshar Amran1
1
Jurusan Ilmu Kelautan, FIKP-UNHAS
Jl. Perintis Kemerdekaan KM 10. Tamalanrea Makassar
. Telp/Fax 0411-587000
email : [email protected];
Abstract
The Most Effective Index Vegetation Transformation Model to Predict the Dens of Mangrove Rhizopora
mucronata. There is one alternative method in identifying and monitoring the condition of mangrove, Rhizopora
mucronata, which is by using remote sensing technology. The method is by transforming the digital value of the
remote-sensed image, such as by NDVI, GI and WI. This research aims to find out the appropriate transformation for
monitoring mangrove density.
The result showed that the NDVI is the optimum transformation with R = 0,943. The range value of NDVI (0.04 -0.33)
and GI (8.12 – 42.88) showed a positive linier relationship with density, where the regression values are 4.8 and
0.01857 respectively. The range digital value of WI (11.12-34.43) has a negative linier relationship with the regression
value -0.00698.
Key words : Vegetation Index,NDVI-GI-WI , Appropriate transformation, Rhizopora mucronata
1. PENDAHULUAN
Identifikasi
obyek
dengan
menggunakan
teknologi penginderaan jauh dilaksanakan dengan
beberapa pendekatan antara lain; karakteristik
spektral citra, visualisasi, floristik, geografi dan
phsygonomik (Hartono, 1998), . Khususnya pada
sistem satelit (citra satelit) lebih banyak
didasarkan atas karakteristik spektral. Obyek
yang berbeda akan memberikan pantulan spektral
yang berbeda pula, bahkan obyek yang sama
dengan kondisi dan kerapatan yang berbeda akan
memberikan nilai spektral yang berbeda. (swain,
1978).
Ekosistem mangrove adalah salah satu obyek
yang bisa di indentifikasi dengan menggunakan
teknologi penginderaan jauh. Letak geografi
ekosistem mangrove yang berada pada daerah
peralihan darat dan laut memberikan efek
perekaman yang khas jika dibandingkan obyek
vegetasi darat lainnya. Efek perekaman tersebut
sangat erat kaitannya dengan karakteritik spektral
ekosistem mangrove, hingga dalam identifikasi
memerlukan suatu transformasi tersendiri. Pada
umumnya untuk deteksi vegetasi digunakan
transformasi indeks vegetasi (Danoedoro, 1996).
Indeks vegetasi merupakan suatu algoritma yang
diterapkan terhadap citra satelit, untuk
menonjolkan aspek kerapatan vegetasi ataupun
aspek lain yang berkaitan dengan kerapatan,
misalnya biomassa, Leaf Area Index (LAI),
konsentrasi klorofil. Atau lebih praktis, indeks
vegetasi adalah merupakan suatu transformasi
matematis yang melibatkan beberapa saluran
sekaligus untuk menghasilkan citra baru yang
lebih representatif dalam menyajikan aspek-aspek
yang berkaitan dengan vegetasi (Danoedoro,
1996). Selanjutnya dikatakan Jensen (1998)
bahwa metode analisa indeks vegetasi ada
beberapa macam antara lain ; NDVI (Normalized
Difference Vegetation Index), GI (Green Indeks)
dan WI (Wetness Index).
Gedung Rektorat lt. 3 Kampus Institut Teknologi Sepuluh Nopember
Surabaya, 14 – 15 September 2005
SDA - 34
Pertemuan Ilmiah Tahunan MAPIN XIV
”Pemanfaatan Efektif Penginderaan Jauh Untuk Peningkatan Kesejahteraan Bangsa”
Berdasarkan atas fenomena tersebut maka perlu
dilakukan pengkajian tentang identifikasi jenis
dan kerapatan ekosistem mangrove dengan
menggunakan transformasi indeks vegetasi serta
menguji beberapa indeks vegetasi dalam hal ini
NDVI, GI dan WI dalam hal efektifitas dalam
identifikasi jenis dan kerapatan mengrove jenis
Rhizophora mucronata,
2. METODE PENELITIAN
Penelitian ini dilaksanakan di Kabupaten Sinjai,
Sulawesi Selatan dan Laboratorium Penginderaan
Jauh dan Sistem Informasi Kelautan, Jurusan Ilmu
Kelautan, Fakultas Ilmu Kelautan dan Perikanan,
Universitas Hasanuddin. Citra yang digunakan
adalah citra satelit Landsat ETM + path/row;
114/064 perekaman tanggal 28 September 2002.
Metode pengolahan citra yang digunakan adalah
membandingkan antara nilai indeks vegetasi citra
landsat ETM + dengan jenis penutup lahan dan
kerapatan jenis obyek dilapangan khususnya
mangrove jenis Rhizophora mucronata. Dengan
langkah-langkah sebagai berikut :
1. Melaksanakan pengolahan awal citra satelit
sesuai standart meliputi restorasi citra,
pemotongan citra kajian, perentangan kontras.
2. Klasifikasi multispektral,
Klasifikasi multispektral dilakukan untuk
mendapatkan peta tematik penutup lahan
lokasi penelitian; sekaligus membatasi obyek
penelitian (ekosistem mangrove), dari hasil
hasil klasifikasi diharapkan bisa diidentifikasi
posisi mangrove jenis
Rhizophora
mucronata.
Metode
Klasifikasi
yang
digunakan adalah klasifikasi multispektral
dari komposit citra RGB 453
yang
dilanjutkan dengan klasifikasi secara terselia.
Dasar klasifikasi citra yaitu nilai digital.
Obyek yang sam akan tercluster dalam suatu
bidang tersendiri.
3. Transformasi citra ;
Transformasi citra akan di fokuskan pada
jenis mangrove Rhizophora mucronata
berdasarkan posisi yang didapatkan dari
klasifikasi multisepektral dengan metode
masing-masing sebagai berikut.
saluran merah dan band 4 yang lebih dikenal
dengan saluran inframerah dekat. Kelebihan
kedua saluran ini untuk identifikasi vegetasi
adalah
obyek akan memberikan tanggapan
spektral yang tinggi (Swain, 1978) . Transformasi
NDVI mengikuti persamaan berikut (Jensen,
1998)
NDVI =
(TM 4 − TM 3)
(TM 4 + TM 3)
(1)
Transformasi Greeness Index (GI)
Transformasi Greeness Index dikenal pula dengan
transformasi indeks kehijauan, dengan anggapan
semakin rapat vegetasi akan memberikan nilai
indeks yang tinggi. Trasformasi GI menggunakan
beberapa saluran antara lain; TM 1, TM 2, TM 3,
TM 4, TM 5, dan TM 7 (Kauth et al 1979 and
Thompson 1980 dalam Jensen, 1998; Crist, 1984)
G I = -0,24147 TM1- 0,16263 TM2 –
0,40639TM3 + 0, 85468 TM4
+ 0,05493 TM5 – 0,11749 TM7
(2)
Transformasi Wetness Index (WI)
Transfromasi WI dikenal pula dengan indeks
kebasahan, dengan anggapan bahwa semakin
padat vegetasi akan memberikan indeks
kebasahan yang tinggi, karena daun dari vegetasi
mengandung air. Cairan dalam daun tersebut yang
akan memberikan indeks vegetasi. (Crist 1984).
Transformasi WI menggunakan beberapa saluran
spektral antara lain ; TM1. TM 2, TM 3, TM 4,
TM5 dan TM 7. dengan persamaan sebagai
berikut :
WI = 0,13929 TM1 + 0,22490 TM2 +
0,40359TM3 + 0,25178 TM4 –
0,70133 TM5 – 0,45732 TM7
(3)
4. Klasifikasi citra, klasifikasi didasarkan pada
besarnya nilai indeks vegetasi. Nilai indeks
vegetasi tiap-tiap tranformasi di kelaskan untuk
penentuan tingkat kerapatan (tabel 1).
Transformasi NDVI
Transformasi NDVI memanfaatkan beberapa
saluran dari citra satelit Landsat ETM + antara
lain ; band 3 (TM 3) yang lebih dikenal dengan
Gedung Rektorat lt. 3 Kampus Institut Teknologi Sepuluh Nopember
Surabaya, 14 – 15 September 2005
SDA - 35
Pertemuan Ilmiah Tahunan MAPIN XIV
”Pemanfaatan Efektif Penginderaan Jauh Untuk Peningkatan Kesejahteraan Bangsa”
Tabel 1. Kelas kerapatan mangrove dari nilai indeks
vegetasi
No
Tingkat
Kerapata
n
Jarang
Transformas indeks
vegetasi
NDVI
GVI
WI
1
0.10 –
0 – 25 0 – 20
0.15
2
Sedang
0.16 –
26 –
21 –
0.20
30
30
3
Padat
> 0,21
> 30
> 30
Sumber ; Dewanti, 1999, Anshar dan Syam 2001
5. Training area,
Pemilihan sampel didasarkan atas hasil
klasifikasi kerapatan Rhizophora mucronata.
Setiap tingkat kerapatan di catat posisinya
masing-masing dengan jumlah sampling 5
titik. Tiap sampling dicatat koordinatnya dan
nilai indeks vegetasi untuk masing-masing
transformasi.
6. Ground Truth,
Kegiatan
lapangan
meliputi
kegiatan
pencocokan data citra dengan kondisi
lapangan, pengukuran. Pengukuran yang
dilaksanakan sebagai berikut :
− Lokasi
sampel
ditentukan
sesuai
koordinat yang telah dipilih sebelumnya
pada citra.
− Mengukur kerapatan mangrove dengan
membuat plot yang ditempatkan tegak
lurus garis pantai. Disepanjang transek
dibuat petak pengamatan berukuran 10 m
x 10 m, sampling mangrove yang dicover
pohon dan anakan.
− Mengidentifikasi nama-nama spesies
dalam transek, dengan pengamatan secara
visual. Jenis mangrove yang tidak dapat
diidentifikasi diambil sampelnya berupa;
dahan, daun, bunga dan buahnya untuk
selanjutnya diidentifikasi di laboratorium
dengan berpedoman pada Bengen (2002).
7. Analisa Data
- Kerapatan jenis
Jumlah tegakan jenis i dalam suatu unit area, yang
perhitungannya menurut oleh Bengen (2000):
Di = n(i ) (ind / m 2 )
A
(4)
Dimana, Di adalah kerapatan jenis i, ni adalah
jumlah total tegakan dari jenis i dan A adalah luas
total area pengambilan sampel (kelas).
- Model Transformasi yang efektif
Metode analisa data yang dilakukan adalah model
stepwise, dari tiga transformasi yang telah
dilakukan akan dicari satu model yang terbaik
untuk indentifikasi jenis dan kerapatan mangrove
Rhizophora mucronata, dengan persamaan
sebagai berikut;
Y = b0 + b1 X 1 + b2 X 2 + b3 X 3
(5)
dimana: Y = Kerapatan mangrove existing
(ind/m2) ; X1 = Nilai digital transformasi NDVI;
X2 = Nilai digital transformasi GI dan X3 = Nilai
digital transformasi WI;
3. HASIL DAN PEMBAHASAN
3.1. Klasifikasi multispektral
Hasil klasifikasi citra komposit 453 daerah
penelitian didapatkan stratifikasi kelas yang terdiri
dari lima kelas mangrove masing-masing
Rhizopora nucronota, Nypa fruticans, Avicenis
alba, Ceriop decandra, dan Acanthus ilicifolius,
satu kelas tambak, dan satu kelas daratan untuk
vegetasi lain berupa kebun campuran atau sawah,
dan satu kelas lahan terbuka (Non Vegetasi
Mangrove). (Gambar 1).
3.2 Indeks Vegetasi
Hasil transformasi indeks vegetasi didapatkan
nilai digital citra yang sangat bervariasi.
Transformasi NDVI menghasilkan citra dengan
nilai digital - 0,6 – 0,42, nilai tersebut berdasarkan
kriteria kerapatan mangrove jenis Rhizophora
mucronata menyebar untuk semua kerapatan.
Kenampakan visual seperti pada gambar 2.
sedangkan hasil trasnformasi indeks GI dan WI
masing-masing didapatkan nilai indeks vegetasi
dengan kisaran 0 - 104 dan -96 – 79. Nilai negatif
yang didapatkan indeks vegetasi transformasi WI
adalah nilai lahan yang tidak tertutupi oleh
vegetasi yang kemungkinan besar adalah perairan
disekitar mangrove atau lahan kosong yang tidak
ditumbuhi oleh vegetasi.
Khususnya untuk jenis Rhizophora mucronata,
hasil cross cek dengan hasil klasifikasi
multispektral maka didapatkan nilai indeks
Gedung Rektorat lt. 3 Kampus Institut Teknologi Sepuluh Nopember
Surabaya, 14 – 15 September 2005
SDA - 36
Pertemuan Ilmiah Tahunan MAPIN XIV
”Pemanfaatan Efektif Penginderaan Jauh Untuk Peningkatan Kesejahteraan Bangsa”
masing-masing untuk tiap transformasi. Nilai
digital jenis Rhizophora mucronata pada Indeks
NDVI didapatkan range nilai 1,5 - 0,42; GI
Sampling tingkat kerapatan obyek dikhususkan
pada jenis Rhizophora mucronata secara acak
berdasarkan nilai digital dan kriteria yang ada.
Nilai transformasi NDVI, WI, GI
yang
ditentukan dari citra dan posisi (titik) koordinat
dalam proyeksi UTM (tabel 2).
Hasil transformasi NDVI untuk Rhizophora
mucronata diperoleh nilai digital kelas kerapatan
jarang dengan kisaran 0,04 – 0,18, kerapatan
sedang dengan kisaran 0,15 - 0,2 dan kerapatan
rapat dengan kisaran 0.27 - 0,33. Nilai digital
tersebut ditentukan berdasarkan kriteria kerapatan
mangrove. Berdasarkan data yang ada dapat
diasumsikan kondisi mangrove di lokasi
penelitian cukup baik dengan nilai rasio
maksimum 0,33, karena rasio nilai NDVI -1
sampai dengan 1, semakin tinggi nilai maksimal
maka kondisi mangrove semakin baik (Dewanti,
1999).
Greeness Index (GI) nilai Maksimun kelas
mangrove jarang adalah 24,71 sedangkan nilai
minimunnya adalah 8,12. Kelas mangrove sedang
niali maksimunnya adalah 33,57 dan niali
minimunnya adalah 24. Kelas rapat nilai
maksimunnya 42,88 dan nilai minimunnya adalah
17,68.
NDVI
dengan nilai 0 - 104; dan indeks WI 0 - 79. Nilainilai tersebut dikelaskan berdasarkan kategori
kerapatan; jarang, sedang dan lebat. (gambar 2)
Wetness Index (WI) nilai Maksimun kelas
mangrove jarang adalah 34.42 sedangkan nilai
minimunnya adalah 27,91. Kelas mangrove
sedang nilai maksimunnya adalah 33,24 dan niali
minimunnya adalah 24,63 Kelas rapat nilai
maksimunnya 20,88 dan nilai minimunnya adalah
11,12.
3.3. Kondisi Eksisting
Hasil pengecekan lapangan pada lokasi penelitian
dengan sampling pada mangrove jenis Rhizophora
mucronata pada titik sampel yang telah
ditentukan dari nilai digital dan
didapatkan
kerapatan jenis mangrove Rhizophora mucronata
di Kabupaten Sinjai untuk masing-masing kelas
kerapatan. (Tabel. 3)
Kerapatan jenis adalah jumlah tegakan jenis (i)
dalam suatu unit area (Bengen, 2000). Kerapatan
jenis(i) Rhizophora mucronata yang diperoleh
sesuai dengan titik kordinat dalam proyeksi UTM
yaitu nilai maksimal 2,64 ind/m² dan nilai
minimal adalah 0,76 ind/m² (Tabel. 3 ).
GI
WI
Gambar 1. Hasil klasifikasi multispektral
Gedung Rektorat lt. 3 Kampus Institut Teknologi Sepuluh Nopember
Surabaya, 14 – 15 September 2005
SDA - 37
Pertemuan Ilmiah Tahunan MAPIN XIV
”Pemanfaatan Efektif Penginderaan Jauh Untuk Peningkatan Kesejahteraan Bangsa”
Gambar 2. Nilai digital jenis Rhizophora mucronata kategori kerapatan; jarang, sedang dan lebat.
Tabel 2. Nilai transformasi NDVI, WI, GI dan Posisi di lapangan (Ground Thruth)
Kelas
kerapatan (i)
Jarang
Sedang
Padat
Posisi
Nilai GI
Nilai WI
Nilai NDVI
Y (mT)
X (mU)
863654
9434408
0.04
8.12
34.42
863347
9434500
0.07
21.65
30.21
864305
9434048
0. 10
22.55
29.21
863279
9434493
0.13
14.47
33.24
864330
9434036
0.15
24.71
27.91
864048
9433299
0.18
27.37
26.13
863989
9433251
0.16
27.21
26.62
864077
9433323
0.16
27,00
25.12
864018
9433275
0.17
28.44
24.90
863910
9433170
0.20
30.57
24.63
863393
9432598
0.27
33.31
20.88
863427
9432635
0.28
37.68
20.78
863640
9432869
0.29
37.82
13.28
864139
9433548
0.30
41.26
24.26
863598
9432823
0.33
42.88
11.12
Gedung Rektorat lt. 3 Kampus Institut Teknologi Sepuluh Nopember
Surabaya, 14 – 15 September 2005
SDA - 38
Pertemuan Ilmiah Tahunan MAPIN XIV
”Pemanfaatan Efektif Penginderaan Jauh Untuk Peningkatan Kesejahteraan Bangsa”
Tabel 3. Kerapatan Jenis Mangrove Rhizophora mucronata di Wilayah pesisir Sinjai Kabupaten Sinjai
Kelas
Mangrove
Jarang
Sedang
Padat
X (mT)
863654
863347
864305
863279
864330
864048
863989
864077
864018
863910
863393
863427
863640
864139
863598
Koordinat UTM
Y (mU)
9434408
9434500
9434048
9434493
9434036
9433299
9433251
9433323
9433275
9433170
9432598
9432635
9432869
9433548
9432823
3.4. Model transformasi yang efektif
Ketiga nilai indeks masing-masing memberikan
nilai yang beragam, untuk melihat transformasi
mana yang paling optimal digunakan untuk
kegiatan monitoring kerapatan dan kondisi
Rhizophora mucronata
digunakan regresi
berrganda dengan metode stepwise. Data
perbandingan kerapatan dengan Indeks vegetasi
pada Tabel 4.
Hasil yang didapatkan dari metode regresi
berganda (Lampiran. 1) didapatkan persamaan
linear: Y = 0.473 + 4,80000X1 + 0.01857 X2
- 0,00698X3
Persamaan tersebut menunjukkan bahwa terdapat
regeresi linear yang positif antara kerapatan
mangrove dengan nilai indeks NDVI dan GI dan
linear negatif untuk indeks WI. Hal berarti bahwa
semakin tinggi indeks vegetasi untuk transformasi
NDVI dan GI maka kerapatan Rhizophora
mucronata
semakin tinggi dan sebaliknya
semakin tinggi nilai indeks GI maka kerapatan
mangrove makin kecil.
Hal ini sangat
dimungkinkan karena indeks NDVI dan GI
berfokus pada kanopi dari vegetasi, jadi semakin
rapat kanopi maka akan memberikan nilai digital
Kerapatan Jenis
(ind/m²)
0.76
0.83
0.86
0.98
1.09
1.67
1.79
1.84
1.96
2.03
2.25
2.23
2.47
2.57
2.64
yang semakin besar. Khususnya untu transformasi
WI (indeks kebasahan) semakin kurang vegetasi
maka nilai kebasahan semakin ekstrim karena
dasar permukaan bumi lebih banyak terekam oleh
sensor, untuk daerah penelitian sekitar mangrove
maka dasar yang paling dominan adalah air.
Hingga pada tingkat kerapatan jarang nilai WI
besar. Berdasarkan hasil uji-t terhadap masingmasing variabel didapatkan bahwa hanya variabel
NDVI yang memperlihatkan pengaruh yang nyata
(p≤ 0,05) terhadap nilai kerapatan.
Untuk menganalisis efektivitas dari penggunaan
ketiga indeks vegetasi dalam memprediksi nilai
kerapatan mangrove, maka selanjutnya digunakan
metode stepwise untuk melihat model prediksi
yang terbaik. Berdasarkan
analisis stepwise
didapatkan (Lampiran. 2).
Y = 0,384 + 7,141
X1,
Nilai indeks X2 (GI) dan X3 (WI), diabaikan. Hal
ini menunjukkan bahwa X1 (transformasi NDVI)
yang paling efektif digunakan untuk identifikasi
kerapatan mangrove jenis Rhizophora mucronata
dengan R= 0,943. berdasarkan uji-t variabel
NDVI memperlihatkan pengaruh nyata (p = 0,00)
terhadap nilai kerapatan..
Gedung Rektorat lt. 3 Kampus Institut Teknologi Sepuluh Nopember
Surabaya, 14 – 15 September 2005
SDA - 39
Pertemuan Ilmiah Tahunan MAPIN XIV
”Pemanfaatan Efektif Penginderaan Jauh Untuk Peningkatan Kesejahteraan Bangsa”
Tabel. 4. Perbandingan nilai Indeks vegetasi dengan kerapatan ekxisting
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
NDVI (x1)
0.04
0.07
0.10
0.13
0.15
0.18
0.16
0.16
0.17
0.20
0.27
0.28
0.29
0.30
0.33
GI (x2)
8.12
21.65
22.5
14.47
24.71
27.37
27.21
27.00
28.44
30.57
33.31
37.68
37.82
41.26
42.88
WI (x3)
34.42
30.1
29.21
33.24
27.91
26.13
26.62
25.12
24.90
24.63
20.88
20.78
13.28
24.26
11.12
4. KESIMPULAN
Transfromasi NDVI merupakan transfrmasi yang
paling efektif digunakan untuk monitoring
kondisi dan kerapatan mangrove Rhizophora
mucronata, dengan nilai R= 0,943 Kisaran nilai
digital indeks vegetasi NDVI dan GI (0,04-0,33
dan 8,12 – 42,88) mempunyai hubungan linear
positif dengan tingkat kerapatan dengan nilai
regeresi masing-masing 4,8 dan 0.01857,
khususnya kisaran nilai digital WI (11,12-34,42)
mempunyai hubungan linear negatif dengan nilai
regresi - 0,00698X3
. Kerapatan Rhizophora
mucronata di Kabupaten Sinjai masih tergolong
baik.
DAFTAR PUSTAKA
Anderson, J.R, Hardy, E.E, Roach, J.T., Witmer,
R.E., 1976, A Land Use and Land Cover
Clasification System for Use with Remote Sensor
Data, United Stated Government Printing Office,
Washington. 365p
Bengen.G.D., 2000. Pedoman Teknis Pengenalan
dan Pengelolaan Ekosistem Mangrove. Pusat
Kajian Sumber daya Pesisir dan Lautan (PKSPL)
IPB. Bogor. 59 hal.
Kerapatan Existing
(ind/m2) (y)
0.76
0.83
0.86
0.98
1.09
1.67
1.79
1.84
1.96
2.03
2.25
2.23
2.47
2.57
2.64
Crist., E.P and Cicone, R.C., 1984, Application of
Tassele-cap Concept to Simulated Thematic
Mapper Data. Photogrammetiric Engineering and
Remote Sensing. 50 ; 343-352.
Danoedoro. P, 1996. Pengolahan Citra Digital,
Teori dan Aplikasinya dalam Penginderaan Jauh.
Fakultas Geografi Universitas Gadjah Mada,
Yogyakarta. 253 hal
Dewanti, R., 1999. Kondisi hutan mangrove di
Kalimantan Timur, Sumatera, Jawa, Bali, dan
Maluku. Majalah LAPAN Edisi Penginderaan
Jauh.
Faizal, A., 2004. Penerapan Teknik Penginderaan
Jauh dan SIG untuk Penyusunan Tataruang
Ekosistem TerumbuKarang di Perairan Pulau
Tanakeke, Sulawesi Selatan. Torani. 14; 8-16.
Jensen. J,R., 1998. Introductory Digital Image
Processing, A Remote Sensing Perspective.
Prentice Hall. New Jersey. 316p
Swain. P. H and Davis, S. M (ed)., 1978 . Remote
Sensing the Quantitative Approach.
British
Library Cataloguing in Publication Data,
Mcgraw- Hill. New York. 395p
Gedung Rektorat lt. 3 Kampus Institut Teknologi Sepuluh Nopember
Surabaya, 14 – 15 September 2005
SDA - 40