Explorasi Data Field Spectrometer dan AirborneHyperspectral untuk Estimasi Canopy Water Content

Tanaman Padi di Indramayu, Jawa Barat

Agus Wibowo1,2, Bangun Muljo Sukojo1, Teguh Harianto1, Yusuf

Surachman Djajadihardja2
1

Program Studi Pasca Sarjana Tenik Sipil Insitut Teknologi Sepuluh

November Surabaya, Kampus ITS Sukolilo, Surabaya 60111

Pusat Teknologi Inventarisasi Sumberdaya Alam Badan Pengkajian dan

Penerapan Teknologi, Jl. MH. Thamrin no 8 Jakarta 10340, Email:
wibowo.agus@gmail.com
ABSTRAK

Pemantauan canopy water content (CWC) atau kandungan air kanopi

daun pada tanaman padi sangat penting untuk mengetahui status air pada
tanaman tersebut. Status CWC ini dapat digunakan sebagai masukan
pada model prediksi produksi padi dengan data hyperspectral. Survey
airborne-hyperspectral dengan sensor HYMAP dilakukan di lahan padi di
Kabupaten Indramayu, Jawa Barat. Pada saat yang sama juga dilakukan
pengukuran field spectrometer (FieldSpec) tanaman padi pada beberapa
lokasi sampel. Pengukuran reflektan dengan FieldSpec dilakukan pada
jarak 10cm (FS10) dan 50 cm (FS50) dari tajuk padi. Survey destruktif
untuk mengukur berat basah dan berat kering kanopi daun padi juga
dilakukan pada lokasi yang sama. Data tersebut selanjutnya diolah untuk
dieksploitasi kemungkinan untuk digunakan mengestimasi CWC padi.
Teknik yang digunakan adalah multi liner regression (MLR) dan indeks
spektral yaitu Ratio Spectral Index (RSI), Normalized Difference Spectral
Index (NDSI), Soil Adjusted Spectral Index (SASI), dan Renormalized
Difference Spectral Index (RDSI).

Hasil pengolahan data MLR sampai dengan 5 prediktor menunjukkan

semakin banyak kanal yang dipakai akan menghasilkan korelasi yang
makin baik. Nilai koefisien korelasi MLR untuk 5 prediktor dengan data
FS10 adalah R2= 0,8819 dengan kombinasi 5 kanal dengan panjang
gelombang b1=0,8209 m; b2=2,2613 m, b3=0,7639 m; dan b4=2,1725
m; dan b5=0,8067 m); sedangkan untuk data FS50 mempunyai nilai R 2
=

0, 8673 dengan kombinasi 5 kanal dengan panjang gelombang

b1=0.8067 m; b2=2,4443 m; b3=0,7782 m; b4=2,4117 m; dan

b5=0,6778 m.
Hasil pengolahan indeks spektral menunjukkan bahwa metode yang
mempunyai nilai korelasi tertinggi adalah metode RSI=b2/b1 dengan R 2 =
0,8024 (FS 10) dengan kombinasi kanal b1=1,3070 m, b2=1,3211 m;
dan R2=0,7911 (FS50) dengan kombinasi kanal b1=1,5159 m b2=2,1725
m.
Kata kunci: Penginderaan jauh, Hiperspektral, Kandungan air kanopi
daun, Field Spectrometer, HYMAP, Padi, Indramayu.
ABSTRACT
Canopy water content (CWC) monitoring for rice field is important to
understand the water status on the plant. CWC information can be used
as one input source of rice yield prediction using hyperspectral data.
Canopy spectral of paddy rice is measured by field spectrometer and
HyMap sensors that onboard of Cessna airplane in rice field covered
Indramayu District, West Java province. Meanwhile, leaf area index (LAI)
measurement and destructive sampling is undertaken in the same time to
obtain biophysical parameter such as wet biomass weight and dry
biomass weight. Field spectrometer measurement is undertake at distance
of 10 cm (FS10) and 50 cm (FS50) above the paddy canopy. Those data
is processed using multi linear regression (MLR) and spectral index such
as Ratio Spectral Index (RSI), Normalized Difference Spectral Index

(NDSI), Soil Adjusted Spectral Index (SASI), and Renormalized Difference

Spectral Index (RDSI). The purpose is finding the band which have strong
correlation with CWC and will be be used for CWC predicting using
hyperspectral data. The results of MLR technique using up to 5 predictors
show that more band used higher R 2 correlation value that means better
accuration. The result of MLR using 5 predictor is a) FS10: R 2 = 0.8819,
b4=2.1725 m, and b5=0,8067 m; b) FS50: R 2=0.7911 b1=1.5159 m,
b2=2.4443 m, b3=0.7782 m, b4=2.4117 m, dan b5=0.6778 m. While
using spectral index shows that RSI technique resulted best coeficient
correlation R2. The results of RSI are a) FS10: R 2 = 0.8024, b1=1.3070
m, b2=1.3211 m; and b) FS50: R 2=0.7911, kb1=1.5159 m, b2=2.1725
m.
Key words: Remote Sensing, Hyperspectral, Canopy Water Content,
Field Spectrometer, HYMAP, Padi, Indramayu
1. PENDAHULUAN
Canopy Water Content (CWC) atau kandungan air kanopi daun adalah
selisih berat basah dan berat kering daun. CWC

menjadi perhatian

banyak aplikasi, seperti deteksi potensi kebakaran hutan (Pietro Ceccato,

et al, 2001) dan pertanian (J.G.P.W. Clevers, et al, 2008; Carol L. Jones,
et al, 2004).
Untuk

menghitung

kandungan

air

pada

tingkat

daun

digunakan

pendekatan equivalent water thickness (EWT) yang didefinisikan sebagai

jumlah air per luasan daun dalam g/cm 2. Sedangkan pada tingkat kanopi
daun, kandungan air dapat didefinisikan sebagai jumlah air per satuan
luasan di permukaan tanah dalam satuan g/cm 2 atau kg/m2. Sehingga
CWC dapat dihitung dengan rumusan:
.... (1)

Di mana:
CWC = canopy water content dalam kg/m2
LAI

= leaf area index adalah rasio luasan tutupan daun di permukaan

dan luasan di permukaan tanah tempat tanaman tumbuh

EWT = equivalent water thickness dalam kg/m2

Deteksi status kandungan air pada tanaman khususnya tanaman padi
dengan remote sensing adalah sangat penting karena stres kekurangan
air pada tanaman padi merupakan salah satu faktor penghambat produksi
padi. Penggunaan data penginderaan jauh dengan pita lebar (broad band)
sering menyebabkan tidak akuratnya informasi yang diperoleh dibanding
dengan penggunaan pita sempit (narrow band). Penggunaan data pita
lebar seperti Landsat TM atau SPOT HRV tidak mampu memberikan
informasi yang detil tentang karakteristik tanaman (Fu-Min Wang, et al.,
2008).
Lebih lanjut penginderaan jauh hyperspectral menyediakan peluang untuk
analisis dengan ratusan kanal pita sempit untuk analisis karakteristik
tanaman yang lebih detil. Masalah utama pengolahan data hyperspectral
secara konvensional adalah volume data yang banyak dan redundansi
jumlah kanal. Salah satu solusi adalah dengan mengurangi jumlah kanal
dengan ekstraksi kanal yang sesuai untuk parameter tanaman yang
dipilih.Teknik regresi banyak digunakan untuk mencari hubungan antara
reflektan dan karakteristik tanaman dan memilih kanal yang sesuai untuk
estimasi karakteristik tanaman.
Tujuan penelitian adalah untuk evaluasi kinerja kanal pita sempit data
hyperspektral untuk estimasi kandungan air kanopi daun padi. Tujuan
berikutnya adalah untuk menentukan dan memberikan rekomendasi band
yang optimal untuk estimasi kandungan air kanopi daun padi dengan data
hyperspektral pada spektrum panjang gelombang 350-2500nm.
2. BAHAN DAN METODE

2.1. Lokasi penelitian

Penelitian ini dilakukan di lahan padi di Kabupaten Indramayu, Propinsi
Jawa Barat. Indramayu dikenal sebagai lumbung padi dengan produksi
sekitar 1,03 juta ton (2006) serta menyumbang sekitar 11% produksi padi
di Jawa Barat (9,4 juta ton) atau sekitar 2% produksi padi nasional (sekitar
57 juta ton, data tahun 2006). Tingginya produksi padi ini dikarenakan
luasnya lahan padi yang ada, yaitu sekitar 114 ribu ha atau 55% dari total
wilayah Kabupaten Indramayu.
Lokasi survey ditunjukkan pada Gambar 1, daerah yang diarsir
merupakan lingkup pengambilan data airborne hymap.
Di dalam wilayah studi ditentukan lokasi Sample Area (SA) dengan ukuran
500m x 500m yang ditentukan secara acak dengan pertimbangan lokasi
mudah dijangkau, tahap pertumbuhan padi seragam. Di dalam SA
ditentukan beberapa Quadrat Area (QA) dengan ukuran 10m x 10m, lokasi
QA dipilih yang mempunyai varietas padi dan tahap pertumbuhan yang
seragam. Selanjutnya pada QA dipilih 5 rumpun padi yang akan diukur
reflektan dan parameter lainnya.
Koordinat pojok Quadrat Area ditentukan dengan pengukuran Diffential
Global Positioning System (DGPS).

Gambar 1. Lokasi Studi

2.2. Pengambilan data
Pengukuran data dilakukan pada tanggal 27 s/d 30 juni 2008. Data
reflektan diukur dengan alat ASD Field Spectrometer (FieldSpec) pada
ketinggian sensor 10cm (FS10) dan 50cm (FS50) dari tajuk tanaman.
Panjang gelombang yang digunakan berkisar antara 350nm 2500nm.
Pada setiap Quadrat Area (QA) dilakukan pengukuran 5 rumpun padi
dengan pengulangan 5 kali. Jadi dalam 1 QA terdapat data sebanyak 25
data reflektan.
Leaf Area Index (LAI) diukur dengan alat LAI meter, setiap rumpun padi
yang diukur reflektanntya diukur juga LAI-nya.

Setelah pengukuran reflektan selesai selanjutnya rumpun padi dicabut

untuk dibawa ke laboratorium. Rumpun padi yang dibawa kemudian
dipisahkan daunnya dan ditimbang berat basahnya. Selanjutnya daun
dikeringkan dalam oven dengan suhu 70 oC dan kemudian ditimbang berat
keringnya.
2.3. Survey data airborne-hyperspectral
Pengambilan data airborne-hyperspectral dilakukan pada tanggal 30 Juni
2008 dengan menggunakan

sensor HYMAP yang dipasang pada

pesawat Cessna. Sensor HYMAP menggunakan panjang gelombang dari

350nm 2500nm. Pengambilan data dilakukan pada tinggi terbang sekitar
2000m di atas permukaan tanah, IFOV 2.5 km, FOV 60 o dengan hasil
resolusi spasial 4.5 m. Sensor HYMAP menggunakan panjang gelombang
pada spektrum tampak, Near Infra Red (NIR), Shortwave Infra Red
(SWIR) dengan jumlah kanal sebanyak 128.
Tabel 1. Interval Band HYMAP
Spektrum
Tampak
NIR
SWIR 1
SWIR 2

Kanal (m)
0.450 ~ 0.700
0.700 ~ 1.350
1.400 ~ 1.800
1.950 ~ 2.480

Interval (nm)
15
15
13
17

Data hasil akuisisi selanjutnya diproses dan dilakukan koreksi atmosfir

dan BRDF (Bidirectional Reflectance Distribution Function) oleh ERSDAC
Jepang.
2.4. Data yang tersedia
Data yang berhasil dikumpulkan dari 8 lokasi SA adalah 49 quadrat.
Sedangkan survey Airborne HYMAP yang direncakan 11 strip (lintasan)
karena adanya gangguan cuaca dan perijinan hanya terkumpul 4 strip.
Setiap strip mempunyai lebar 2.5 m. Dengan demikian tidak seluruh data
(49 quadrat FS10 dan FS50) mempunyai pasangan data HYMAP. Data

HYMAP yang mempunyai pasangan dengan data FS10 dan FS50

berjumlah 6 quadrat, lihat tabel 2. Data dikelompokkan menurut tahap
pertumbuhan yaitu Veg (fase vegetatif), Rep (fase reproduktif), Rip (fase
ripening). IN01 sd IN11 adalah kode SA sedangkan angka dalam kurung
adalah jumlah data (quadrat). Karena sedikitnya data HYMAP yang
tersedia maka tidak dilakukan analisis untuk data tersebut. Analisis untuk
per tahapan pertumbuhan juga tidak dilakukan. Varitas padi yang diukur
adalah Ciherang.
Tabel 2. Jumlah data per sensor dan tahapan pertumbuhan
Sensor
FS10/

Veg
IN01 (9)

Rep
IN04 (3)

Rip
IN06 (3)

FS50

IN02 (10)

IN09 (5)

IN07 (3)

IN01 (3)

IN10 (10)
IN10 (3)

IN11 (6)
-

HYMAP

2.5. Teknik pemrosesan data

Data reflektan tanaman padi yang sudah dalam format ASCII dikumpulkan
dalam direktori sesesuai jarak pengukuran yaitu 10cm (FS10) dan 50cm
(FS50). Satu file ASCII merupakan hasil pengukuran pada satu titik lokasi
dengan 5 kali pengulangan. Proses berikutnya adalah menghitung ratarata reflektan untuk satu titik pengukuran. Kemudian data reflektan
tersebut diseleksi (filtering), data yang tidak memenuhi kriteria reflektan
tanaman tidak dipakai untuk proses berikutnya. Setelah diseleksi langkah
berikutnya adalah menghitung rata-rata reflektan per quadrat area.
Selanjutnya data FieldSpec diresample sesuai interval band data HYMAP
dengan teknik interpolasi Savitzki-Golay. Kanal yang mengabsorbsi air
dihapus tidak diikutkan dalam proses pengolahan data, yaitu 1,3344
1,4311 m, 1,7841 1,9683 m, dan 2,4443 2,4905 m.
Canopy water content (CWC) dihitung berdasar data hasil pengukuran
berat kering dan berat basah di laboratorium. EWT dihitung dengan

mengurangi berat basah dengan berat kering. Dalam 1 m 2 terdapat 16

rumpun padi, sehingga total EWT untuk QA adalah 16 * (berat basah
berat kering), dengan demikian dapat dihitung nilai CWC dengan
mengalikannya dengan nilai LAI rata-rata per quadrat tersebut.
2.6. Multiple Linear Regression (MLR)
Model persamaan regresi MLR menggambarkan hubungan linear antar
CWC dengan reflektan kanopi daun padi pada satu kanal dengan
persamaan sebagai berikut:
.. .(2)
Di mana:
= prediktor, yaitu nilai CWC
= reflektan kanopi daun padi pada kanal (band) i
= koefisien regresi

Persamaan (2) diselesaikan dengan estimasi least squared dengan

meminimalkan residual sum of squares (SSR):
.. (3)
2.7. Rasio 2 kanal: indeks spektral
Metode rasio kanal yang digunakan adalah Ratio Spectral Index (RSI),
Normalized Difference Spectral Index (NDSI), Soil Adjusted Spectral Index
(SASI), dan Renormalized Difference Spectral Index (RDSI), yang masingmasing rumusnya ditunjukkan sebagai berikut:

RSI

2
..... (4)
1

NDSI

2 1
.... (5)
2 1

SASI

1.5(2 1 )
.. (6)
2 1 0.5

2 1
..... (7)
2 1

RDSI

Di mana:
,

= reflektan pada kanal 1 dan kanal 2

Nilai indeks tersebut selanjutnya diregresikan secara linear dengan nilai

CWC, dengan persamaan (2) untuk 1 parameter yakni:
. .(8)
Di mana:
= prediktor, yaitu nilai CWC
= nilai indeks spektral pada kanal
= koefisien regresi
2.8. Validasi silang
Untuk memilih model yang terbaik dilakukan validasi silang dengan data
yang lain, yaitu model hasil data FS10 divalidasi dengan data FS50 dan
HYMAP, sedangkan untuk data FS50 divalidasi dengan data FS10 dan
data HYMAP.
3. HASIL DAN DISKUSI
3.1. Overview reflektansi spektral

10

Gambar 2 menunjukkan pola reflektansi spektral kanopi daun padi varitas

Ciherang pada berbagai tahap pertumbuhan padi dan berbagai kondisi
CWC. Tampak reflektansi HYMAP lebih rendah dibanding FS10 dan FS50
hal ini disebabkan karena pengaruh atmosfer, sebagian energi terserap
oleh partikel-partikel yang ada diatmosfer sebelum mencapai ke sensor
HYMAP (Marcus Borengasser et al, 2007).
Pola reflektasi untuk data FS10, FS50 dan HYMAP pada tahapan Veg,
Rep dan Rip mempunyai pola yang mirip. Absorbsi air terjadi pada
panjang gelombang 0,970; 1,200; 1,450; 1,950 dan 2,500 m (Curran,
1989; Marcus Borengasser, 2007). Pada panjang gelombang 1,450; 1,950
dan 2,500 m terjadi karena absorbsi uap air di atmosfir, panjang
gelombang pada kisaran tersebut dihapus dan tidak digunakan untuk
analisis. Pada kisaran panjang gelombang 0,970 m dan 1,200 m terlihat
ada perbedaan variasi nilai spektral.
Pada kisaran SWIR juga terdapat variasi perbedaan reflektansi. Menurut
Ceccato, et al (2001) untuk deteksi CWC selain diperlukan gelombang
pada spektrum NIR (0.7-1.1 m) juga diperlukan gelombang pada
spektrum SWIR (1.1-2.5 m).

11

Gambar 2. Profil reflektansi di atas tajuk tanaman padi pada pengukuran

FS 10 cm, FS 50 dan HYMAP
3.2. Hasil analisis dengan 1 Kanal
Lima (5) kanal dengan nilai korelasi tertinggi untuk data FS10 adalah
b1=0,8209 m (R2=0.4604); b1=0,8067 m (R 2=0.4596); b1=0,7925 m
(R2=0.4582); b1=0,8352 m (R2=0.4540); b1=0,7782 m (R2=0.4524);
sedang untuk data FS50 adalah b1=0,8067 m (R 2=0.5017); b1=0,7925
m (R2=0.5012); b1=0,8209 m (R2=0.5001), b1=0,7782 m (R 2=0.4977);
b1=0,8352 m (R2=0.4902). Secara grafis ditunjukkan pada gambar 3
berikut. Hasil ini menunjukkan bahwa panjang gelombang yang potensial
untuk deteksi CWC adalah panjang gelombang pada kisaran Near Infra
Read (NIR) pada panjang gelombang sekitar 0,800 m.

12

Gambar 3. Grafik hubungan koefisien korelasi (R 2) dan panjang

gelombang
3.3. Hasil analisis indeks reflektan (rasio 2 kanal)
Hasil analisis disajikan dalam Gambar 3 yang menunjukkan distribusi
korelasi R2 terhadap indeks reflektan, warna merah menunjukkan nilai
korelasi yang tinggi. Berikut daftar kanal dengan nilai korelasi R 2 tertinggi:
Tabel 3. Hasil Analisis Indeks Spektral
Indeks
SRI

b1
b2

NDSI

b1
b2

RDSI

b1
b2

SASI

b1
b2

FS10
1,3070
1,3211
0,8024
0,7497
0,7925
0,6117
0,7497
0,8067
0,6095
0,7497
0,7925
0,6117

FS50
1,5159
2,1725
0,7911
2,1725
2,1896
0,5797
0,7639
0,7782
0,6036
2,1725
2,1896
0,5796

13

Gambar 3. Plotting Indeks Spektral dan Koefisien Korelasi

Hasil analisis dengan 2 kanal menghasilkan kombinasi 2 kanal dengan
nilai korelasi tertinggi untuk masing-masing indeks spektral. Korelasi
tertinggi adalah dengan metode SRI dengan nilai R 2= 0,8024 dengan
kombinasi kanal b1=1,3070 m, b2= 1,3211 m. Kanal tersebut terletak
pada kisaran spektrum SWIR.
3.4. Hasil Analisis MLR
Hasil analisis MLR disajikan sebagai berikut:
Hasil MLR Data FS10
1. y = 18239,2226 + 10,385*b1
b1= 0,8209 R2=0,4604
2. y = 2397,3797+11,0795*b1 - 31,5041*b2
b1=0,8209 b2=2,2613 R2=0,7438
3. y = 8533,7517 + 63,7361*b1 - 32,7750*b2 - 57,7728*b3
b1=0,8209 b2=2,2613 b3=0,7639 R2=0,8050
4. y = 4251,4224 + 174,0143*b1 + 373,6361*b2 175,3293*b3
366.0453*b4

14

b1=0,8209 b2=2,2613 b3=0,7639, b4= 2, 1725

R2=0,8819
5. y = -2439,2874 + 75,4686*b1 + 401,3034*b2 241,7684*b3
388.4374*b4 + 163,0689*b5
b1=0,8209 b2=2,2613 b3=0,7639, b4= 2, 1725
b5= 0,8067 R2=0,8819
Hasil MLR Data FS50
1. y = 9584,6958 + 8,4304*b1
b1= 0,8067 R2=0,5017
2. y = 4965,7388 + 9,4093*b1 22,9658*b2
b1=0,8067 b2=2.4443 R2=0,6841
3. y = -9298,9162 + 215,6924*b1 29,3301*b2 210,5241*b3
b1=0,8067 b2=2,4443 b3=0,7782 R2=0,7810
4. y = -8331.7710 + 289,7790*b1 10,5529*b2 285,3716*b3
31,3576*b4
b1=0,8067 b2=2,4443 b3=0,7782, b4= 2,4117
R2=0,8673
5. y = 35858,4929 + 565,5608*b1 + 15,1221*b2 578,7374*b3
47,3051*b4 43,9975*b5
b1=0,8067 b2=2,4443 b3=0,7782, b4= 2,4117
b5= 0,6778 R2=0,8673
Dari hasil tersebut menunjukkan bahwa makin banyak kanal yang dipakai
nilai koefisien korelasi R2 pada model FS10 (b1=0,4604; b2=0,7438;
b3=0,8050;

b4=0,8819;

b5=0,8819)

maupun

FS50

(b1=0,5017;

b2=0,6841; b4=0,7810; b5=0,8673; 0,8673 ) semakin tinggi, secara grafis

ditunjukkan pada gambar 4. Kombinasi 4 dan 5 kanal mempunyai nilai
korelasi R2 yang sama, baik untuk data FS10 maupun FS50.
Jika dilihat dari distribusi panjang gelombang band yang terpilih dapat
dilihat bahwa distribusinya terletak pada spektrum visible dan NIR yaitu

15

0,6778 m; 0,7639 m; 0,7782 m; 0,8067 m; 0,8209 m; dan kelompok

spektrum SWIR yaitu 2,1725 m; 2,2613 m; 2,4117 m; 2,4443 m. Di
sini terlihat bahwa kanal yang sensitif untuk dekteksi CWC adalah
kombinasi kanal pada kisaran gelombang NIR dan SWIR.

Gambar 4. Jumlah kanal vs R2

3.5. Validasi silang terhadap data HYMAP

16

Gambar 5. Hasil validasi silang Data FS10 terhadap data FS50 dan
HYMAP
Validasi silang dilakukan terhadap model dengan 4 kanal baik model FS10
maupun FS50 terhadap data HYMAP. Hasil validasi untuk model FS10
terhadap data FS50 menghasilkan nilai korelasi R 2 = 0,610; sedangkan
terhadap data HYMAP adalah R2 = 0,528. Sedangkan untuk model FS50,
validasi terhadap data FS10 mempunyai nilai R 2 = 0,616; sedang validasi
dengan data HYMAP mempunyai nilai R 2= 0.544. Representasi grafik
validasi data dapat dilihat pada gambar 5.

17

Selanjutnya dipilih model FS50 dengan kombinasi 5 kanal untuk

diaplikasikan dengan data HYMAP.
y = 35858,4929 + 565,5608*b1 + 15,1221*b2 578,7374*b3
47,3051*b4 43,9975*b5
b1=0,8067 b2=2,4443 b3=0,7782, b4= 2,4117
b5= 0,6778
di mana y = CWC dalam g/m 2 dan b1, b2, b3, b4, b5 adalah kanal dengan
panjang gelombang di atas pada data HYMAP. Berikut adalah hasil peta
sebaran CWC.

Gambar 7. Peta sebaran CWC

18

4. KESIMPULAN DAN SARAN

Penelitian

ini

memfokuskan

penggunaan

prediktor

reflektan

data

hyperspektral dengan pengunaan 1 kanal sampai dengan kombinasi 5

kanal untuk estimasi CWC. Penggunaan kombinasi 4 dan 5 kanal
menghasilkan koefisien R2 yang paling tinggi yaitu 0,8819 (kanal dengan
panjang gelombang b1=0,8209 m; b2=2,2613 m; b3=0,7639 m; dan
b4=2,1725 m; b5=0,8067 m) untuk data FS10 dan 0, 8673 untuk data
FS50 (kanal dengan panjang gelombang b1=0.8067 m; b2=2,4443 m;
b3=0,7782 m; b4=2,4117 m; b5=0,6778 m).
Hasil pengolahan indeks spektral menunjukkan bahwa metode yang
mempunyai nilai korelasi tertinggi adalah metode RSI=b2/b1 dengan R 2 =
0,8024 (FS 10) dengan kombinasi kanal b1=1,3070 m, b2=1,3211 m;
dan R2=0,7911 (FS50) dengan kombinasi kanal b1=1,5159 m b2=2,1725
m.
Dari hasil tersebut diketahui bahwa kanal yang sensitif untuk deteksi CWC
adalah kanal spektrum NIR (0,6778 m; 0,7639 m; 0,7782 m; 0,8067
m; 0,8290 m) dan SWIR (2,1725 m; 2,2613 m; 2,4117 m; 2,4443
m) untuk metode MLR; sedang untuk metode SRI adalah kanal pada
spektrum SWIR (1,5159 m; 2,1725 m).
Analisis hanya dilakukan pada varietas tanaman padi Ciherang dan pada
tahap pertumbuhan tertentu, juga tidak dilakukan analisis terhadap umur
padi. Untuk analisis lebih lanjut seperti pengaruh terhadap varitas padi
dan umur padi terhadap CWC disarankan untuk melakukan penelitian
lebih lanjut dengan membuat petak percontohan penanaman padi dan
mengukur CWC dan spektralnya tiap tahapan umur padi.
Analisis belum dilakukan terhadap data HYMAP karena ketersediaan data
yang minim sehingga disarankan untuk menggunakan metode analisis
lain.

19

DAFTAR PUSTAKA
Arief Darmawan, Nadirah, Agus Wibowo, M. Evri, S. Mulyono, A.S.
Nugroho, M. Sadly, N. Hendiarti, O.Kashimura, C.Kobayashi,
A.Uchida, A.Uraguchi, H.Sekine, Quantitative analysis from unifying
field and airborne hyperspectral in prediction biophysical parameters
by using partial least square (PLSR) and Normalized Difference
Spectral Index (NDSI), Proceding of 30th Asian Conference on
Remote Sensing (ACRS), Beijing, TS10-02.
Marcus Borengasser, William S. Hungate, Russel Watkins, 2007.
Hyperspectral Remote Sensing: Principles and Applications. Taylor
and Francis Group.
Carol L. Jones, Paul R. Weckler, et al., 2004. Estimating water stress in
plants using hyperspectral. An ASAE/CSAE Meeting Presentation,
2004.
Curran, P.J., 1989. Remote Sensing of foliar chemistry. Remote Sensing
of Environment, 30(3), pp. 271-278.
E. M. Rollin and E. J. Milton, 1998. Processing of High Spectral Resolution
Reflectance Data for the Retrieval of Canopy Water Content
Information. Remote Sensing of Evironment, (65) pp 8692.
Fu-Min Wang, Jing-Feng Huang and Xiu-Zhen Wang, 2008. Identification
of optimal hyperspectral bands for estimation of rice biophysical
parameters. Journal of Integrative Plant Biology 2008, 50 (3): 291299.
J.G.P.W. Clevers, L. Kooistra, M.E. Schaepman, 2008. Using spectral
information from the NIR water absorption features for the retrieval of
canopy water content. International Journal of Applied Earth
Observation and Geoinformation 10 (2008) 388397.
Muhammad Evri, et al., 2009. Coupling ground and airborne-based
hyperspectral (HyMap) detection over rice canopy to predict leaf area

20

index (LAI) and SPAD value using support vector machine (SVM)
technique in irrigated wetland rice, west Java, Indonesia. Proceding
of 30th Asian Conference on Remote Sensing (ACRS), Beijing,
TS10-01.
Marcus Borengasser, William S. Hungate, Russel Watkins, 2007.
Hyperspectral Remote Sensing: Principles and Applications. Taylor &
Francis Group.
Nadirah, Bangun Muljosukojo, Teguh Harianto, M. Sadly, M. Evri, Sidik
Mulyono, 2009. Prediksi kandungan Nitrogen daun padi pada
beberapa tingkat dosis pupuk dengan analisis pergeseran tepi kanal
merah (red edge shift) data hyperspektral. Jurnal Sains dan
Teknologi Indonesia, Vol 11 ( 3), Desember 2009 hal 162-168.
Pietro

Ceccato,

Stephane

Flasse,

Stefano

Tarantola,

Stephane

Jacquemoud, Jean-Marie Gregorie., 2001. Detecting vegetation leaf

water content using reflectance in the optical domain. Remote
Sensing of Environment 77 (2001) 22-33.

21