1
Abstrak - Padi merupakan salah satu makanan pokok di Indonesia yang di konsumsi oleh mayoritas penduduk. Akan tetapi tidak semua daerah dapat menghasilkan jumlah padi yang cukup untuk memenuhi kebutuhan masyarakat. Distribusi pangan padi dari daerah lumbung padi ke daerah yang kurang menghasilkan padi merupakan hal yang patut diperhatikan guna menjaga ketahanan pangan nasional. Pengetahuan tentang fase tumbuh sangat penting untuk alat prediksi produktifitas padi. penelitian ini memiliki tujuan mengestimasi fase tumbuh padi di daerah kabupaten karawang, jawa barat yang didasakan data Hiperspektral (Hymap). Di area penelitian ini, kebanyakan masyarakat menggunakan varietas Ciherang. Beberapa metode telah dikembangkan untuk menngestimasi fase tumbuh dengan teknik penggunaan indeks vegetasi seperti NDVI, SAVI, ARVI, dan indeks lainnya. Namun sekarang muncul EVI yang merupakan gabungan dari SAVI dan ARVI. Penelitian yang lalu melibatkan kanal optimal EVI hanya pada multispectral. Pada Penelitian ini, kanal Optimal EVI diperoleh dari data Hymap yang didukung dengan data spektrometer. Data lapangan juga digunakan untuk memperkecil kesalahan estimasi pendugaan spektral fase tumbuh. Semua spektral yang cocok dengan formula EVI akan diuji dengan metode non linier yang akhirnya ditemukan kanal optimal EVI terletak pada 0.4856 μm (blue), 0.6383 μm (red) and 0.7297 μm (NIR). kanal optimal tersebut didapatkan dari pengujian semua model EVI dan diambil model yang memiliki nilai R square tertinggi. Kurva dari EVI membentuk kurva parabola yang akan menyulitkan alam proses penghitungan luasa tiap-tiap fase karena ada fase yang saling timpang tindih. Untuk memisahkan luasan tersebut digunakan indeks vegetasi NDWI. Selanjutnya data fase tumbuh digunakan untuk mengestimasi produktivitas dan menghasilkan estimasi panen untuk fase gabah matang mencapai 4966 ton.Kata kunci : Fase tumbuh
, EVI, Hiperspektral,
produktifitas padi
I. PENDAHULUAN
adi merupakan salah satu makanan pokok di Indonesia yang di konsumsi oleh mayoritas penduduk. Akan tetapi tidak semua daerah dapat
menghasilkan jumlah padi yang cukup untuk memenuhi kebutuhan masyarakat . Distribusi pangan padi dari daerah lumbung padi ke daerah yang kurang menghasilkan padi merupakan hal yang patut diperhatikan guna menjaga ketahanan pangan nasional. Hal ini menunjukkan bahwa produktifitas padi di daerah lumbung padi akan mempengaruhi ketahanan pangan. Salah satu daerah lumbung padi di Indonesia adalah Kabupaten Karawang, Jawa Barat.
Pemantauan dan analisa produksi padi dilakukan dengan penginderaan jauh karena teknologi ini dapat merekam data spektral padi dengan cepat dan memiliki cakupan area yang luas. Para ilmuwan dan pengguna citra penginderaan jauh (fotografi atau citra satelit) menggunakan informasi panjang gelombang tersebut dalam menganalisis suatu objek yang kemudian disebut sebagai spectral signature [1]. Data yang dihasilkan tergantung pada citra dan sensor yang digunakan. Sensor Hiperspektral digunakan karena memiliki jumlah kanal yang lebih banyak dan rentang kanal yang lebih sempit, sehingga memiliki ketelitian yang lebih tinggi dibanding multispektral.
Pengestimasian produktifitas padi membutuhkan data persebaran fase tumbuh yang dari citra yang diambil dari sensor. Dengan adanya fase tumbuh, prediksi waktu dan jumlah produktifitas padi dapat diestimasi. Fase tumbuh yang ada diprediksi dengan indeks vegetasi tertentu yang peka terhadap pertumbuhan padi.
Beberapa varian dari indeks vegetasi telah dikembangkan untuk penyempurnaan indeks – indeks vegetasi yang ada. Contohnya, Soil Adjusted Vegetation
Index (SAVI) yang merupakan perbaikan dari Normalize Difference Vegetation Index (NDVI) untuk koreksi
pantulan cahaya tanah, ARVI yang memperhitungkan hamburan cahaya biru di atmosfir terhadap NDVI. Salah satu pengembangan indeks vegetasi yang merupakan penurunan dari SAVI dan Atmospheric Resistant
Vegetation Index ARVI adalah Enhanced Vegetation Index (EVI) yang lebih tahan terhadap pengaruh
komposisi aerosol atmosfir dan pengaruh variasi warna tanah [2]. EVI telah diketahui lebih sensitif terhadap perubahan biomasa selama fase vegetatif yang lama, serta tahan terhadap efek atmosfer dan kanopi [3]. Sehingga EVI memberikan kepercayaan yang baik dalam penentuan fase tumbuh. Namun, penelitian – penelitian sebelumnya tidak ada yang menerapkan EVI pada Hiperspektral sehingga penelitian ini diharapkan dapat menemukan kanal optimal EVI pada Hiperspetral untuk membantu estimasi produktifitas padi.
p
Analisis Band Optimal Enhanced Vegetation Index (EVI) Pada
Citra Hiperspektral Untuk Mengestimasi Fase Tumbuh dan
Produktifitas Padi
Achmad Rival Setyawan
1), Bangun Mulyo Sukojo
1), Arief Darmawan
2)1)
Jurusan Teknik Geomatika, Fakultas Teknik Sipil dan Perencanaan, Institut Teknologi Sepuluh Nopember (ITS)
Jl. Arief Rahman Hakim, Surabaya 60111
2)
Badan Pengkajian dan Penerapan Teknologi (BPPT), Jl. M.H. Thamrin No. 8 Jakarta 10340
2
II. METODOLOGI PENELITIANPada penelitian ini area studi yang digunakan adalah wilayah Kabupaten Karawang, Jawa Barat
Gambar 1. Lokasi penelitian (sumber : www.censin.com/peta-jawa-map) Penelitian ini menggunakan data citra Hiperspektral Kabupaten Karawang, data spectrometer, data ubinan, dan data pendukung berupa data image ground. Semua data didapat dari Badan Pengkajian dan Penerapan Teknologi (BPPT). Tahapan pengolahan data dijelaskan dengan diagram berikut.
Single strip Hymap Data Fieldspect Koreksi Geometrik Rmse < 1 Mosaik citra NDWI Cuplik Data tiap sample Resampling Penentuan fase tumbuh tiap titik
sample Data Survey fase Data foto tanaman Pencarian band optimal EVI Uji Statistik NDVI Analisa NDVI Shp sawah Analisa NDWI Persebaran Fase tumbuh padi Resize citra dengan shp Peta persebaran fase tumbuh Data Ubinan Analisa produktifitas rata - rata Analisa jumlah pixel tiap fase Estimasi Produktifitas padi Estimasi produktifitas Data biofisik (LAI) Georeferencing GLT Peta RBI 1 : 25.000 tidak ya tidak ya
Gambar 2. Diagram Alir Pengolahan Data
Penelitian ini mengkoreksi citra per-strip (lajur) kemudian di mosaik. Pada penentuan fase tumbuh digunakan beberapa indeks vegetasi untuk membantu jalannya estimasi. Indeks vegetasi yang digunakan adalah NDVI dan NDWI. Untuk pengestimasian tahap fase tumbuh juga disusun berdasarkan referensi dari data lapangan, seperti data image ground, data survei pertanian dan juga data spectrometer. Setelah diestimasi, kemudian dikombinasikan terhadap semua kanal berdasarkan rumus algoritma EVI. Baik buruknya model yang dihasilkan akan ditentukan dengan cara membandingkan pola grafik hasil EVI pada penelitian ini dengan hasil EVI pada penelitian sebelum sebelumnya yang menggunakan sensor multispektral.
III. HASIL DAN ANALISA A. Koreksi Geometrik Citra HyMap
Pemrosesan citra Hymap pertama kali adalah dengan memberikan koordinat menggunakan Geometric Lookup
Table (GLT). Untuk pengecekan ketepatan koordinat
antar citra, dilakukan percobaan mosaik. Ketidaktepatan hasil mosaik ini mengakibatkan tiap strip harus di koreksi lagi dengan vektor RBI. Dari proses koreksi geometrik pada setiap lajur didapatkan nilai RMS Error kurang dari 1 pixel sebagai berikut :
Tabel 1. RMS Error tiap lajur Strip Jumlah GCP RMS Error
1 6
0.77
2 60.3292
3 60.694
4 60.5862
5 60.5130
6 60.4928
7 60.4166
8 60.6765
9 60.6411
10 60.3252
B. Profil reflektan fase tumbuh padi
Penentuan fase tumbuh dilakukan dengan melihat spectrum Hiperspektral, spektrum spectrometer, data pertanian, serta melihat kondisi fisik tumbuhan melalui foto dokumentasi. LAI juga dapat membantu untuk mengestimasi tahapan fase tumbuh, regresi antara estimasi fase tumbuh dengan LAI memiliki niali R
square lebih dari 0.5, sehingga memang dapat digunakan
sebagai salah satu faktor dalam penentuan fase tumbuh. Jika dilihat dari spektral, fase vegetatif pada padi ciherang ditunjukkan dengan profil reflektan yang memiliki nilai yang rendah pada spektrum gelombang NIR dan relatif tinggi pada spektrum gelombang visible. Ini berarti karena pada fase vegetasi masih tergolong muda dan memiliki daun yang kecil sehingga proses fotosintesis hanya menyerap gelombang biru dan merah [1].
3
Gambar 3. Profil reflektan spektral stage fase vegetatif padi (Seedling, Tillering, Stem Elongation) Hal ini berbeda pada saat vegetasi padi tersebut mencapai fase reproduktif. Pada fase reproduktif, reflektan dari gelombang NIR lebih tinggi karena tidak dibutuhkan pada proses fotosintesis. Sedangkan pada gelombang biru dan merah memiliki penurunan. Gelombang hijau akan semakin tinggi nilainya tergantung pada nilai kehijauan pada daun [1].
Gambar 4. Profil reflektan spektral stage fase reproduktif padi (Penicle,Initation to booting, Heading, Flowering)
Pada fase pematangan, kondisi vegetasi terutama daun sudah mulai mengalami pelayuan (senescence) yang menginidikasikan bahwa bahwa kandungan klorofil pada daun sudah mulai menurun (Huggins dan Pan 1993 dalam Darmawan 2012). setelah spektrum gelombang biru dan merah mengamali penurunan reflektan pada fase reproduktif, kedua gelombang tersebut akan kembali mengalami kenaikan nilai reflektan pada fase pematangan. Untuk fase ini reflektan gelombang hijau akan mengalami penurunan dan memiliki nilai yang setara dengan nilai reflektan gelombang merah [1].
Gambar 5. Profil reflektan spektral stage fase ripening padi (Milk Grain, Dough Grain, Mature Grain) Perbedaan – perbedaan ini bisa terjadi karena :
1.
Perbedaan ketinggian ini mempengaruhi spectra yang diterima. Spectrometer mengukur objek pada jarak 50 cm, sehingga daerah yang diukur benar – benar merupakan pantulan asli dari objek [4].2.
Pengukuran spectra pada Kabupaten Karawang dilakukan dalam waktu yang berbeda.Tabel 1. Perbedaan Pengambilan Waktu antara Hymap dengan Field Spec (sumber: Badan Pengkajian dan Penerapan Teknologi)
Perbedaan waktu pengukuran yang bervariasi. Terlalu lamanya perbedaan tanggal pengambilan memungkinkan adanya perbedaan yang lebih besar. Dalam waktu hampir 2 minggu umumnya padi sudah berubah fase.
C. Penentuan kanalOptimal EVI
kanal optimal yang akan ditentukan adalah kanal untuk indeks vegetasi EVI. kanal pada EVI memiliki rumus algoritma sebagai berikut.
(sumber : Huete, 2002)
Dimana ρ merupakan nilai reflektan. Agar tahan terhadap distorsi atmosfir, EVI menggunakan informasi kanal cahaya biru. Variabel C1 dan C2 pada persamaan di atas adalah faktor pembobotan untuk mengatasi aerosol, sedangkan variable L adalah faktor kalibrasi efek kanopi dan tanah, sedangkan G adalah faktor skala agar nilai EVI berada pada rentang -1 hingga 1. Nilai L, C1, C2 dan G biasanya diberikan nilai masing – masing 1.6, 7.5, 2.5 [2].
EVI membutuhkan kanal biru, merah, dan near infrared (NIR). Sehingga kanal yang terlibat dalam percobaan kombinasi adalah meliputi tiga kanal biru (0.4555, 0.4697, 0.4856), tujuh kanald merah (0.6076
μm, 0.6232
μm, 0.6383
μm, 0.6533
μm, 0.6685
μm,
Keterangan : Hymap : Field Spec : Keterangan : Hymap : Field Spec : Keterangan : Hymap : Field Spec. (1)4
0.6839 μm, 0.6994 μm) serta 26 kanal NIR (0.7145 μm, 0.7297 μm, 0.7448 μm, 0.7598 μm, 0.7748 μm, 0.7899μm, 0.8055 μm, 0.8205 μm, 0.8357
μm, 0.8511
μm).
total kombinasi yang dihasilkan adalah 546 model.Pemilihan kanal optimal dilakukan dengan melihat R square dari dugaan fase tumbuh dengan nilai EVI hasil kombinasi kanal. Kombinasi kanal biru pada panjang gelombang 0.4856
μm, kanal merah pada
panjang gelombang 0.6685μm dan kanal NIR pada
panjang gelombang 0.7448 μm.Gambar 6. grafik regresi Polinomial antara nilai EVI dan nilai tahap fase tumbuh
Pemilihan regresi polinomial ini dikarenakan indikasi bahwa nilai EVI membentuk kurva kuadratik. D. Pemodelan fase tumbuh untuk EVI
Kurva EVI akan dibagi menjadi 2 sesuai dengan penelitian yang lalu agar mudah untuk dibandingkan. Kurva pertama diisi oleh fase 1 (seedling) sampai 5 (heading), kemudian kurva 2 dimulai dari fase 5 (heading) sampai 9 (late ripening). Dan akan dibandingkan dengan penelitian Domiri (2005) yang menggunakan MODIS sebagai data penelitiannya. Pendekatan yang dilakukan pada tiap kurva adalah
polynomial orde 3 untuk mempermudah perbandingan.
Penelitian ini Domiri (2005)
Gambar 7. grafik naiknya nilai EVI dari awal hingga puncak
Perbedaan terjadi dipuncak nilai EVI. pada penelitian domiri, puncak nilai EVI berada pada fase 3 (vegetatif akhir) sedangkan pada penelitian ini fase puncak nilai EVI berada pada fase 5 dan hal ini didukung oleh penelitian Panuju (2009) yang melakukan penelitian dengan MODIS menyatakan bahwa nilai EVI pada fase generatif masih dapat meninggi akan tetapi tidak meningkat drastic seperti fase vegetatif [5]. Kemudian pada penelitian Heidina (2010) yang melakukan penelitian produktifitas padi dengan citra MODIS, menyatakan bahwa nilai EVI akan mencapai puncak nilainya pada fase 5 (heading)[5]. Hal ini tentunya mendukung grafik penelitian ini bahwa dua penelitian yang dilakukan ditahun 2009 dan 2010 menunjukkan
pola yang sama, yaitu memiliki nilai puncak EVI pada fase keluar malai (heading).
Penelitian ini Domiri (2005)
Gambar 8. grafik penurunan nilai Evi dari puncak menuju ke lembah
Penurunan nilai fase juga terlihat memiliki perbedaan yang jelas dimana penurunan nilai EVI pada penelitian ini dimulai dari fase pembungaan, sedangkan pada Domiri (2005) dimulai pada fase pembentukan malai. Perbedaan nilai yang sangat besar dipengaruhi oleh sumber data utama berupa citra yang digunakan.
Gambar 9. Penggabungan 2 kurva
Model yang dihasilkan oleh kurva pertama (fase pertunasan sampai fase keluar malai) adalah y = 0.0071x3 + 0.0478x2 + 0.005x + 0.206. R² = 0.9088, dengan x adalah nilai fase tumbuh. Model ini memiliki nilai R square 0.9088, standar deviasi 0.013 dan jumlah
sample (n) pada model ini adalah 40
Model yang dihasilkan oleh kurva kedua (fase keluar malai sampai fase gabah matang) adalah y = -0.0019x3 + 0.0231x2 - 0.1031x + 0.7183, dengan x adalah nilai fase tumbuh. Model ini memiliki nilai R square 0.9402, standar deviasi 0.006, standar error 0.0085 dan jumlah sample (n) pada model ini adalah 46.
Dengan diketahuinya model yang ada, maka rentang nilai EVI untuk fase tumbuh adalah sebagai berikut.
Tabel 2. nilai rentang EVI terhadap fase tumbuh Fase
tumbuh Nama Hari setelah persemaian Nilai EVI Fase Vegetasi 1 Seedling 0-30 0.2137 - 0.2435 2 Tillering 36-45 0.2463- 0.2977 3 elongation Stem 51-55 0.2976 - 0.3474 Fase Reproduksi 4 Panicle 61-72 0.3475 - 0.3733 5 Heading 78-81 0.3734- 0.4207 6 Flowering 82-90 0.3689- 0.4206 Fase
5
Fase Pematangan7 Milk grain 91-100 0.3408 - 0.3688
8 Dough grain 101-111 0.3048 - 0.3407 9 Mature grain 111-120 0.2196 - 0.3047 Nilai EVI memiliki kurva berbentuk parabola sehingga pada pengeplotan di citra Hymap akan terjadi timpang tindih antar fase. Oleh karena itu dibutuhkan indeks vegetasi lain yang akan membantu untuk memisahkan fase tumbuh yang timpang tindih. Indeks yang digunakan adalah indeks NDWI menggunakan band optimal yang ditemukan oleh Wibowo (2010).
(Sumber : Wibowo, 2010)
Diman R863,2 dan R1237,7 adalah reflectan pada
panjang gelombang 863,2 dan 1237,7. Model yang dihasilkan dari algortima NDWI tersebut menghasilkan koefisien determinasi sebesar 0.5335. hal ini berarti NDWI memang tidak bisa digunakan untuk membagi padi menjadi 9 fase dengan baik. Dan hanya cocok digunakan sebagi data pendukung klasifikasi saja. Untuk memastikan kesesuain hasil NDWI, dilakukan uji T dengan NDWI hasil spektrometer. Hasilnya NDWI ditolak sehingga dapat disimpulkan bahwa adanya korelasi antara NDWI spectrometer dengan NDWI Hymap.
Fase
tumbuh Nama Nilai NDWI Veg. I Seedling 0.2132 - 0.1954
Veg. II Tillering 0.1955 - 0.1789
Veg. III elongation Stem 0.179 - 0.1636 Rep. I Panicle 0.1637 - 0.495
Rep. II Heading 0.1496 - 0.1366
Rep. III Flowering 0.1367 - 0.1249
Rip. I Milk grain 0.125 - 0.1144
Rip. II Dough grain 0.1145 – 0.1051 Rip. III Mature grain 0.1052 - 0.025 Tabel 3. Hubungan Fase Tumbuh dengan NDWI Tabel diatas dapat digunakan untuk membedakan ambiguitas fase yang diciptakan oleh plotting nilai EVI pada citra. Pada EVI, nilai fase 1 dengan 9 memiliki kesamaan sehingga sulit untuk dibedakan mana yang fase 1 dan mana yang fase 9. Dilihat dari NDWI, nilai dari fase memiliki perbedaan jelas dengan fase 9. Hal ini dapat membantu memisahkan fase yang bercampur tersebut.
E. Pemutakhiran luas baku sawah
Pemutakhiran dilakukan dengan menyiapkan citra mosaic yang sudah terkoreksi, kemudian dipotong dengan vektor sawah. Hasil dari pemotongan dengan vektor pasti menyisakan sisa-sisa objek non vegetasi berupa jalan ataupun rumah yang tidak terpotong oleh vektor. Oleh karena itu, proses selanjutnya digunakan NDVI untuk menghilangkan objek bukan vegetasi yang masih tersisa. Kemudian dibuat file shp untuk memotong citra.
Gambar 10. Pengolahan pemutakhiran luas sawah F. Estimasi Produktifitas Padi
1. Perkiraan Rata – rata Panen
Perkiraan rata – rata panen diketahui dari hasil bagi antara jumlah panen dengan sample yang digunakan. Data hasil panen diambil dari data ubinan yang ada. Luas 1 pixel pada hymap adalah 4.5 m * 4.5m sama dengan 20.25 m2.
Tabel 4. rata – rata produktivitas pad di Karawang Kode
Area
Luas Rata – rata rata - rata Ubinan
(m2) Produksi (Kg) produksi kg/pixel
kw20n 6.25 5.21 16.8804 kw16 6.25 4.34 14.0616 kw13 6.25 5.58 18.0792 kw14 6.25 5.3 17.172 kw11 6.25 6.475 20.979 kw9 6.25 7.95 25.758 Jumlah 112.9302
Rata – rata 18.82 Kg/pixel Tabel diatas menunjukkan produksi padi per 20.25m2 memiliki hasil produksi 9.3 ton per hektar.
Jika dibandingkan dengan penelitian dari Marwah (2010), peneltian dilakukan marwah (2010) menunjukkan bahwa rata – rata produksi padi di daerah karawang adalah 8 ton per hektar. Badan Pusat Statistik (BPS) melakukan penelitian di Daerah Karawang dengan metode ubinan menunjukkan produksi padi per hektar adalah 10.47 ton per hektar. Sehingga dapat disimpulkan bahwa rata – rata hasil produksi padi di Daerah Karawang adalah 8-10 ton per hektar. Perbedaan tanggal dan metode mengakibatkan perbedaan hasil estimasi.
2. Perkiraan Luasan Tiap Fase
Luasan dari tiap fase dapat diketahui dengan mengikuti sebaran EVI. untuk fase pembungaan (2) Mosaik Mosaik + Vektor Mosaik + Vektor
6
sampai gabah matang, akan dibantu dengan NDWI sehingga kita dapat mengetahui luasan dari fase gabah matang yang akan dicari produktifitasnya.Gambar 11. Distribution Map fase tumbuh. Dari Gambar di atas dapat diperoleh luasan tiap
pixel. Luasan tiap pixel akan ditunjukkan grafik
berikut.
Tabel 5. Luasan tiap fase
Fase Jumlah pixel Luasan (km2)
1 1857125 37.607 2 3853272 78.029 3 991007 20.068 4 226758 4.592 5 804406 16.289 6 1837778 37.215 7 364835 7.388 8 409317 8.289 9 263867 5.343
Luasan dari pixel tersebut kemudian dikalikan dengan jumlah produktifitas tiap pixel. Fase mature
grain mencapai 263867 pixel yang merupakan lahan
yang siap dipanen.
Tabel 6.Hasil Estimasi Produktifitas Padi Fase Jumlah pixel Hasil (Kg) Hasil (Ton)
1 1857125 34954249.61 34954.24961 2 3853272 72525129.6 72525.1296 3 991007 18652436.45 18652.43645 4 226758 4267971.049 4267.971049 5 804406 15140288.41 15140.28841 6 1837778 34590106.18 34590.10618 7 364835 6866814.92 6866.81492 8 409317 7704041.779 7704.041779 9 263867 4966425.514 4966.425514 Estimasi produktifitas padi menggunakan NDWI sebagai alat bantu membedakan amiguitas nilai fase yang
terjadi. Sehingga perlu dilakukan penelitian lebih lanjut bagaimana cara mengklasifikasikan murni dari EVI.
IV. KESIMPULAN
Pengujian kombinasi band untuk algoritma Enhanced
Vegetation index (EVI) mengahasilkan kombinasi band
optimal dengan band biru di panjang gelombang 0.4856µ, band merah di panjang gelombang 0.6685 dan band near infrared pada panjang gelombang 0.7448.
Produktifitas padi rata – rata di Karawang pada tahun 2011 adalah 9.3 ton per hektar. Estimasi produktifitas padi untuk panen kali ini mencapai angka 4966 ton. Hal ini diperoleh dari perkalian antara fase 9 yang didapat dengan produktifitas rata – rata padi.
DAFTAR PUSTAKA
[1]Darmawan, Arief. 2012. “Pembangunan Model Hyperspectral Untuk Estimasi Produktivitas Vegetasi Padi Berdasarkan Metode Derivatif Regresi Linear". Institut Teknologi Sepuluh Nopember. Surabaya.
[2] Zakiyan, M.G. 2011. Analisis Serangan Hama Wereng Coklat (Nilapavarta Lugens) Pada Tanaman Padi Menggunakan Data Satelit Terra Modis di Kabupaten Indramayu. Institut Teknologi Pertanian Bandung.
[3] Huete AR, Liu HQ, Batchily K dan Van Leeuwen W. 1997. A Comparisons of Vegetation Indices Global Set of TM Images for EOS MODIS. Remote Sensing of Environtment 59 : 440 - 451.
[4] Ratnasari,D. 2010. “Penggunaan Data Hyperspectral Fieldspec dan Airborne HyMap ntuk Perhitungan Canopy Water Content (CWC) Tanaman Padi Di Kabupaten Indramayu, Propinsi Jawa Barat”. Institut Teknologi Sepuluh Nopember. Surabaya.
[5] Domiri Dede Dirgahayu, dkk. 2005. Model Pertumbuhan Tanaman Padi Menggunakan Data MODIS Untuk Pendugaan Umur Padi Sawah. Pertemuan Ilmiah Tahunan MAPIN XIV. Institut Teknologi Sepuluh Nopember. Surabaya.
[6] Panuju, D.R., Trisasongko, B.H. 2008. Variasi nilai indeks vegetasi Modis pada Siklus Pertumbuhan Padi. Jurnal Ilmiah Geomatika, 15(2),09-16.
[7] Heidina,F. 2010. Produksi dan Produktivitas Padi di Kecamatan Ciasem Kabupaten Subang. Skripsi. Program Studi Manajemen Sumberdaya Lahan ITSL – IPB.
[8] Marwah Noer. 2008. “Estimasi Produksi Tanaman Padi Sawah di Kabupaten Bekasi, Karawang, Dan Subang”. Universitas Indonesia. Jakarta.
[9] Wibowo, A. 2012. “Pengembangan Metode Estimasi Kandungan Air Kanopi Daun(CWC) Tanaman Padi Dengan Data Hyperspectral”. PTISDA-BPPT, 12:13-17.
[10] Huete, AR., Didan, K.t Miura, T., Rordrlquez, E.P., Gao, X., Ferreira, L.G. 2002. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment, 83, 195-213.
