Identifikasi Tanaman Padi dengan Mengkonversi

Data Radian ke Reflektan Pada Citra ASTER

Studi Kasus : Kabupaten Subang
Didik Agung Nugrohoa , Bangun Mulyo Sukojoa dan Yudi Wahyudib
a) Program

Studi Teknik Geomatika ITS

Kampus ITS Sukolilo, Surabaya 60111
Telp.031-5929487, 031-5994251, Fax 031-5929486
b) NRA Division P3TISDA-BPPT
2nd Building 19th Fl. Jakarta 10340
Phone: (62) 21 316 9706, Fax: (62) 21 316 9720
Ringkasan
Tanaman padi merupakan tanaman yang memiliki potensi ekonomi cukup tinggi. Maka
dari itu diperlukan pemantauan terhadap penanaman padi oleh pemerintah. Dengan citra
ASTER fase-fase umur tanaman padi dapat diprediksi dengan baik. Pada penelitian ini
digunakan citra time series dengan selang waktu 32 hari dan dilakukan konversi citra ASTER
ke bentuk refektan. Dengan penerapan metode ini akan mengeliminir bias atmosfer karena
adanya kandungan aerosol. Konversi ini mengakibatkan meningkatnya nilai rata-rata NDVI
pada lokasi penelitian sebesar 0.23438 untuk citra pertama (tanggal 25 April 2003) dan
0.239573 untuk citra kedua (tanggal 27 Mei 2003) Penggunaan citra time series bertujuan
untuk mngetahui selisih NDVI antara citra pertama dan kedua yang selanjutnya disebut
dengan DNDVI. Dengan analisa spektral antara NDVI citra pertama, NDVI citra kedua
dan selisih NDVI antara kedua citra (DNDVI), maka dapat digunakan untuk menentukan
fase tanaman padi yang terjadi pada waktu selama selang waktu antar citra. Klasifikasi
yang digunakan yaitu klasifikasi terselia dengan menggunakan metode Mahalanobis Distance
berdasarkan training area. Hasil klasifikasi telah diuji secara statistik melalui Confusion
Matrik dengan nilai Kappa Coefficient sebesar 95,19 %, RMS total sebesar 0.173 dan RMS
rata-rata sebesar 0.043.
Kata kunci : TOA Reflektan, ASTER, Fase Tanam Padi

Pendahuluan

1.1

Latar belakang

Di beberapa negara maju monitoring daerah pertanian dengan mengumpulkan secara kontinyu sumber daya pertanian, memproses, menganalisa dan menginformasikan untuk keperluan
manajemen pertanian secara praktis telah dilakukan sejak pertengahan tahun 1980. Pemonitoringan sumber daya pertanian bisa dilakukan dengan menggunakan teknologi penginderaan
jauh. Banyak satelit inderaja yang mengangkasa dengan resolusi spasial, spektral, temporal
dan radiometrik yang beraneka ragam. Pemilihan satelit inderaja disesuaikan dengan informasi
yang diinginkan. Yang harus diperhatikan adalah sejauh mana informasi yang akan dibutuhkan,
dan disesuaikan dengan karakteristik citra satelit yang akan digunakan. Untuk informasi yang
detail (skala besar) dapat menggunakan citra satelit QUICKBIRD, IKONOS dan SPOT, untuk
informasi regional (skala menengah) dapat menggunakan citra satelit SPOT, ASTER, LANDSAT, dan untuk informasi global (skala kecil) dapat menggunakan citra satelit NOAA dan
MODIS. Dengan menggunakan teknologi penginderaan jauh ini pemonitoringan akan berjalan
lebih cepat dan rutin.
PIT MAPIN XVII, Bandung 10-12-2008

105

ASTER (Advanced Spaceborne Thermal Emission and Reflection Radiometer) adalah sensor
yang dihasilkan oleh proyek bersama antara Amerika Serikat dan Jepang. ASTER memiliki
tiga resolusi spasial yang berbeda, yaitu 15 meter pada VNIR (Visible and Near Infrared) yang
berkontribusi memecahkan persoalan sumberdaya alam dan lingkungan, 30 meter pada sensor
SWIR (Short-Wave Infrared) dan 90 meter pada sensor TIR (Thermal Infrared.). Seri pertama
yang diluncurkan pada tahun 1999 dengan menggunakan wahana satelit TERRA mulai didistribusikan datanya untuk keperluan publik pada bulan Desember 2000. ASTER Science Project
didukung sepenuhnya oleh para ilmuwan dari Amerika Serikat dan Jepang dalam beragam keilmuan yang antara lain meliputi geologi, meteorologi, pertanian, kehutanan, kelautan, dan studi
lingkungan. (ASTER Users Handbook Version 1).

1.2

Perumusan masalah

Permasalahan yang dimunculkan dalam penelitian tugas akhir ini adalah bagaimana mengolah
citra ASTER agar bisa digunakan mengidentifikasi fase-fase tanaman padi dan berapa luasannya.

1.3

Batasan masalah

Batasan masalah dalam penelitian ini adalah sebagai berikut :

1. Citra yang digunakan adalah ASTER level 1B tahun 2003
2. Daerah penelitian ada di Kecamatan Cipunagara, Pagadean, Binong, Compreng, Pamanukan dan Pusakanagara. Kabupaten Subang, Jawa Barat.
3. Penelitian ini tidak memperhitungkan jenis padi dan gagal panen akibat hama dan bencana
alam.
4. Fase pertumbuhan padi dibedakan menjadi 4 yaitu fase vegetatif 1, vegetatif 2, generatif
1, generatif 2. sedangkan pada tahap klasifikasi ditambahkan kelas air atau bera dan kelas
bukan sawah.

1.4

Tujuan

Tujuan penelitian dari tugas akhir ini yaitu :

1. Konversi dari data DN (Digital Number) citra ASTER ke data radian.
2. Konversi dari data radian ke data reflektan.
3. Koreksi geometri.
4. Koreksi radiometri.
5. Klasifikasi citra berdasarkan kelas bera-air, vegetatif 1, vegetatif 2, generatif 1, generatif
2 dan kelas bukan sawah.

1.5

Manfaat penelitian

Dengan hasil penelitian ini dapat diketahui fase-fase tanaman padi dan luasannya yang selanjutnya dengan memperhitungkan waktu panen dan mengalikan luasan dengan hasil panen per
satuan luas maka bisa didapatkan prediksi hasil panen padi pada daerah studi.

106

Metode penelitian

2.1

Lokasi penelitian

Lokasi penelitian terletak di Kabupaten Subang, Jawa Barat, yang meliputi 6 kecamatan yaitu
kecamatan Cipunagara, Pagadean, Binong, Compreng, Pamanukan dan Pusakanagara. dengan
koordinat kiri atas (805222;9307476)m dan koordinat kanan bawah (819922;9283356)m dalam
proyeksi UTM 48S.

2.2
2.2.1

Data dan peralatan

Data

Pada penelitian ini data yang digunakan adalah:

1. Citra satelit ASTER Subang tanggal 25 April dan 27 Mei tahun 2003 sensor VNIR (Visible
and Near Infrared) level 1B, resolusi spasial 15 meter dan resolusi temporal 16 hari beserta
metadatanya.
2. Peta RBI skala 1:25000 tahun 1990 Bakosurtanal yang telah dirubah formatnya menjadi
shp file oleh TISDA-BPPT sebagai peta untuk subset sawah.
3. GCP yang didapatkan dari pengukuran GPS dengan ketelitian 0.25m. Pengukuran dilakukan dengan menggunakan GPS Geodetik single frekuensi.(L1), metode pengamatan
statik selama 2 jam dan diolah dengan menggunakan baseline radial dengan titik ikat GPS
Bakosurtanal.

2.2.2

Peralatan

Peralatan yang digunakan dalam penelitian ini adalah :

1. Personal Computer (PC) AMD Athlon 1,7 GHz, Memori 512 MB, VGA G-Force2 MX-400
64 MB, Hard Drive 80 Gb.
2. Perangkat lunak ENVI 4.3
3. Perangkat lunak Err Mapper 6.4
4. Perangkat lunak Microsoft Windows XP
5. Perangkat lunak Autocad Land Destop 2004.
6. GPS Geodetik single frekuensi (L1) Thales Promark3 dan eksternal antena.
7. Spektrometer
8. Perangkat Lunak Minitab 14
9. Perangkat lunak SpectraSuite.

2.3

Diagram alir penelitian

Penjelasan diagram alir penelitian adalah sebagai berikut:

1. Tahap persiapan.
Pada tahap ini dilakukan studi literature, persiapan data dan perlengkapannya.

107

Gambar 1: Diagram alir penelitian

2. Tahap pengolahan data.
Tahap pengolahan data meliputi pemotongan daerah penelitian, pengkonversian citra ke
reflektan, pembuatan NDVI dan klasifikasi.
3. Tahap Analisa
Pada tahap ini dilakukan analisa data dan uji statistik hasil pengolahan data.
4. Tahap akhir
Pada tahap ini dilakukan penyusunan dan penulisan laporan akhir, serta pembuatan layout
peta fase pertumbuhan padi pada lokasi penelitian.

2.4

Diagram alir pengolahan data

Diagram alir tahapan pengolahan data adalah seperti yang terlihat pada Gambar 2.
Penjelasan digram alir pengolahan data adalah sebagai berikut:
1. Citra Aster yang digunakan yaitu terdiri dari dua citra yang berbeda waktu perekamannya.
Selisih waktu antara citra pertama dan citra kedua yaitu 32 hari. Hal ini dilakukan dengan
pertimbangan penampakan obyek padi sudah mengalami perbedaan dari segi NDVI-nya.
Citra pertama yaitu citra tanggal 25 April 2003 dan citra kedua yaitu citra tanggal 27 Mei
2003.
2. Pada croping dilakukan pemotongan sehingga hanya diambil daerah penelitiannya dengan
koordinat kiri atas (805222;9307476)m dan koordinat kanan bawah (819922;9283356)m
dalam proyeksi UTM 48S.

108

Gambar 2: Diagram alir pengolahan data

3. Koreksi geometrik
Koreksi ini menggunakan GCP yang didapatkan dari pengukuran GPS dengan ketelitian
0.25m. Pengukuran dilakukan dengan menggunakan GPS Geodetik single frekuensi.(L1),
metode pengamatan statik selama 2 jam dan diolah dengan menggunakan baseline radial dengan titik ikat GPS Bakosurtanal. Sedangkan penghitungan kekuatan jaringnya
menggunakan metode parameter.
4. Subset dimaksudkan untuk membuang daerah yang yang bukan sawah dengan menggunakan layer sawah pada peta rupabumi Indonesia tahun 1990 skala 1:25000.
5. Konversi dari DN ke radians kemudian ke reflektan. Hal ini dilakukan untuk menghilangkan efek aerosol agar pengaruh perbedaan radiometrik antar waktu dan kondisi atmosfer
dapat dieliminasi.
6. Pembuatan NDVI

109

Pada pekerjaan ini digunakan band 2 (panjang gelombang 0.6610m) dan band 3 (panjang
gelombang 0.8070 m). Adapun formulasinya adalah sebagai berikut:
N DV I = (band3 band2)/(band3 + band2)

(1)

7. Pembuatan DNDVI
DNDVI dilakukan dengan mengurangkan NDVI(t) dengan NDVI(t-1). Pekerjaan ini dilakukan untuk membedakan fase pertumbuhan padi karena pola NDVI pada pertumbuhan berbentuk menyerupai lonceng. vLayer Stacking. Pekerjaan ini dimaksudkan untuk
menggabungkan layer DNDVI, NDVI(t) dan NDVI(t-1) menjadi satu nama file. Hal ini
diperlukan untuk melakukan tahap klasifikasi.
8. Pembuatan NDVI dari data hyperspektral hasil pengukuran di lapangan
Data yang digunakan yaitu data yang diamabil pada saat padi berumur 43 hari, 55 hari,
77 hari, 91 hari dan 98 hari. Dari tiap hari pengamatan diambil sample data secara acak
kemudian dicari rata-ratanya. Kemudian dari rata-rata tiap hari pengamatan tersebut
dibuat NDVI terhadap data dengan panjang gelombang 660,98 nm dan 807,19 nm. Pemilihan panjang gelombang ini disesuaikan dengan panjang gelombang yang dipakai dalam
pembuatan NDVI saat pengolahan citra ASTER.
9. Pembuatan training area sesuai dengan kelas yang akan dibuat
Training area dibuat berdasarkan kelas-kelasnya yang terdiri dari 6 kelas, yaitu: kelas fase
bera-air, vegetatif 1, vegetatif 2, generatif 1, generatif 2 dan lahan bukan sawah.
10. Supervised Classification.
Pada pekerjaan ini digunakan metode Mahalanobis Distance dengan trining area yang
telah dibuat. Hasil penggabungan layer DNDVI, NDVI(t) dan NDVI(t-1) dikelaskan menjadi 6 kelas, yaitu: kelas bera-air, vegetatif 1, fegetatif 2, generatif 1, generatif 2, dan kelas
bukan sawah.
11. Uji statistik hasil klasifikasi
Jika dari hasil klasifikasi diperoleh Kappa Coefficient kurang dari 70% maka akan dilakukan
pembuatan training area ulang. Apabila Kappa Coefficient lebih dari 70% maka akan
dilanjutkan ke tahap berikutnya.
12. Pembuatan peta fase pertumbuhan padi
Pada pekerjaan ini dibuat layout peta. Layout peta dibuat dengan menggunakan perangkat Autocad Land Desktop 2004.

3
3.1

Hasil dan analisis

Cropping daerah penelitian

Croping dilakukan dengan pemotongan citra sehingga hanya diambil daerah penelitiannya dengan koordinat kiri atas (805222;9307476)m dan koordinat kanan bawah (819922;9283356)m
dalam proyeksi UTM 48S. Pekerjaan ini dilakukan pada kedua citra yang berbeda waktu perekamannya. Hasil dari croping ini dapat dilihat pada Lampiran 1 (citra tanggal 25 April 2003)
dan Lampiran 2 (citra tanggal 27 Mei 2003) dengan komposisi sebagai berikut:
Red
Green
Blue

=
=
=
110

band 3N
band 2
band 1

Koreksi geometrik dilakukan dengan menggunakan 4 GCP. Dari koreksi geometrik ini didapat
RMS error sebagai berikut:
Tabel 3.1. RMS error Hasil koreksi geometrik

Dari tabel di atas didapatkan RMS rata-rata sebesar 0.043 dan RMS total sebesar 0.173. Citra
pertama dan kedua memiliki RMS yang sama karena croping citra dilakukan dengan menggunakan koordinat piksel dan koordinat lapangan yang sama. Untuk penghitungan kekuatan jaringnya
menggunakan metode parameter. Jaring titik kontrol yang digunakan terdiri dari empat titik
GCP dan enam baseline. Berikut adalah penghitungan kekuatan jaring titik kontrolnya.

Gambar 3: Desain jaring titik kontrol

Dari jaring di atas dapat dibentuk sebuah persamaan matematisnya (2), yaitu :
V 1 + B1 = X2 X1
V 2 + B2 = X3 X2
V 3 + B3 = X4 X3
V 4 + B4 = X1 X4
V 5 + B5 = X1 X3
V 6 + B6 = X4 X2
Dari persamaan diatas dibentuk matriks desain (A) sebagai berikut :

1
1
0
0
0 1
1
0

0
0 1
1

1
0
0 1

1
0 1
0
0 1
0
1

111

(2)

Gambar 4: Matriks Desain (A)

Dengan persamaan (3) berikut,
Qxx = (trace(AT .A))1 /U

(3)

didapatkan kekuatan jaring sebesar 0.0333

3.2

Subset Data

Subset data ini dilakukan untuk membuang daerah (piksel) yang bukan sawah dengan menggunakan layer sawah pada peta rupa bumi Indonesia. Dari pekerjaan ini dihasilkan nilai DN=0
pada daerah bukan sawah. Layer sawah didapat dari penggabungan empat nomor sheet peta
rupa bumi indonesia yang dikeluarkan oleh Bakosurtanal tahun 1990 yaitu nomor 1209-621,
1209-622, 1209-623, 1209-24. Layer sawah ini menggunakan proyeksi UTM 48S dengan datum
WGS84.

3.3

Konversi DN ke Radian dan Reflektan

Data radian (Lrad ) dihitung dengan meggunakan persamaan (4) berikut :

Lrad = (DN 1) Unit Conversion Coefficient (UCC)

(4)

Sedangkan data reflektan (RTOA) dihitung dengan menggunakan persamaan (3.4) sebagai berikut
RT OA = ( Lrad d2 )/(ESU Ni cos(z))

(5)

Dimana,
= 3.14159
d =(1-0.01672*COS(RADIANS (0.9856*(Julian Day-4))))
z = 90 solar elevation angle
Hasil dari konversi ini tidak terlihat perbedaannya secara visual dengan data sebelum dikonversi.
Konversi ini bertujuan untuk mengeliminasi pengaruh perbedaan radiometrik antar waktu dan
kondisi atmosfer dan mempertajam nilai NDVI.
Berikut merupakan hitungan variabel pengali DN. Substitusi persamaan 1 ke persamaan 2 menghasilkan formula:
RT OA = ((DN 1) U CC pi d2 )/(ESU Ni xcos(z))

(6)

a = (U CC d2 )/(ESU Ni cos(z))

(7)

dimana, a adalah variabel pengali (DN-1).

Julian Day dihitung dengan menggunakan program hitungan julian day
(http://www.onlineconversion.com/julian date.htm) dan didapatkan hasil 2452754.5 untuk citra
tanggal 25 April 2003 dan 2452786.5 untuk citra tanggal 27 Mei 2003. Dari persamaan (5)
diperoleh d2 sebesar 0.971510 untuk tanggal 25 April 2003 dan 0.984584 untuk tanggal 27 Mei
2003. Dari persamaan (7) diperoleh variabel pengali (DN-1) seperti pada Tabel 3.2.
112

Tabel 3.2. Variabel pengali (DN - 1)

3.4

NDVI

NDVI dikerjakan dengan menggunakan band 3N dan band 2. Pembuatan NDVI ini dikerjakan
pada kedua citra dengan model seperti pada Rumus (1). Dengan dilakukannya konfersi dari
DN ke reflektan menghasilkan bertambahnya rata-rata NDVI lokasi penelitian sebesar 0.23438
untuk citra tanggal 25 April 2003 dan 0.239573 untuk citra tanggal 27 Mei 2003.

3.5

DNDVI

DNDVI adalah selisih antara NDVI citra pertama dan NDVI citra kedua dengan model sebagai
berikut:

DN DV I = N DV I(t)N DV I(t 1)

(8)

Dimana NDVI(t) adalah NDVI citra tanggan 27 Mei 2003, dan NDVI(t-1) adalah NDVI citra
tanggal 25 April 2003.

3.6

Layer Stacking

Layer Stacking adalah menu pada program ENVI yang berfungsi untuk mengumpulkan beberapa
layer pada satu nama file. Pada pekerjaan ini digabungkan layer DNDVI, NDVI(t) dan NDVI(t1). Hasil dari pekerjaan ini dapat dilihat pada Lampiran dengan komposisi sebagai berikut :
Red
=
DNDVI
Green =
NDVI(t)
Blue = NDVI(t-1)

3.7

Pengolahan Data Hyperspektral

Dari rata-rata data per-hari pengukuran diperoleh hasil sebagai berikut :

Dari NDVI data hiperspektral dibuat regresi kuadratik dengan menggunakan perangkat lunak
Minitab 14 dan dihasilkan formula NDVI terhadap umur padi seperti berikut:
N DV I = 0.06005 + (0.02599 C) (0.000221 C 2 )

(9)

Dimana, C adalah umur padi dalam satuan hari.

Dari grafik tersebut dapat dilihat bahwa NDVI padi bertambah dari mulai tanam dan mencapai
nilai maksimum pada umur 60 hari. Setelah itu nilai NDVI mengalami penurunan hingga
memasuki masa panen. Hal ini disebabkan karena tingkat kehijauan padi yang pertambah
hingga umur 60 hari yang selanjutnya berkurang hingga musim panen. Ini nantinya digunakan
sebagai acuan dalam menentukan fase umur padi.

113

Gambar 5: Grafik reflektan umur padi

Tabel 3.3. Hasil pembuatan NDVI data hiperspektral

3.8

Pembuatan Training Area

Training area dibuat berdasarkan kelas-kelasnya. Terdiri dari 6 kelas, yaitu: fase bera-air,
vegetatif 1, vegetatif 2, generatif 1, generatif 2 dan lahan bukan sawah.

3.9

Klasifikasi Terselia

Klasifikasi dilakukan dengan metode Mahalanobis Distance. Dari hasil klasifikasi didapatkan
luasan masing-masing kelas sebagaimana terdapat pada tabel 3.4. Hasil dari klasifikasi ini
dapat dilihat pada Lampiran 4..

3.10

Matriks Konfusi

Dari penghitungan konfusion matriks didapatkan Kappa Coefficient = 95,19 % dan Overall
Accuracy = 96.47%. Untuk producer accuracy dan user accuray-nya adalah sebagai berikut :

114

Gambar 6: Grafik NDVI reflektan umur padi

Tabel 3.4. Tabel hasil klasifikasi

Tabel 3.5. Tabel producer accuracy dan user accuracyi

Kesimpulan dan saran

4.1

Kesimpulan

1. Konversi dari DN ke reflektan berpengaruh terhadap nilai NDVI yang dihasilkan. NDVI
rata-rata lokasi penelitian meningkat sebesar 0.23438 untuk citra tanggal 25 April 2003
dan 0.239573 untuk citra tanggal 27 Mei 2003 setelah dilakukan konversi dari data DN ke
data reflektan.
2. NDVI padi bertambah dari mulai tanam dan mencapai nilai maksimum pada umur 60
hari. Setelah itu nilai NDVI mengalami penurunan hingga memasuki masa panen.
3. Bertambah dan berkurangnya NDVI terhadap umur padi membentuk suatu kurva dengan
persamaan sebagai berikut:
N DV I = 0.06005 + (0.02599 C) (0.000221 C 2 )
115

Dimana, C adalah umur padi dalam satuan hari.

4. Dari klasifikasi yang dilakukan dihasilkan luasan masing-masing kelas lokasi penelitian
sebagai berikut : 1. Kelas bera-air seluas 14309.73 ha (40,39%) 2. Kelas vegetatif 1 seluas
4181,13 ha (11,79%) 3. Kelas vegetatif 2 seluas 1851,88 ha (5,22%) 4. Kelas generatif 1
seluas 1905,00 ha (5,38%) 5. Kelas generatif 2 seluas 6761,34 ha (19,07%) 6. Kelas bukan
sawah seluas 6446,32 ha (18,18%)

4.2

Saran

1. Untuk melakukan interpretasi citra terkait fase pertumbuhan vegetasi, khususnya padi,
hendaknya digunakan citra multi temporal yang selang waktunya mencakup umur vegetasi
yang akan diinterpretasi.
2. Dalam pengolahan citra multi temporal sebaiknya dilakukan konversi dari data DN ke data
reflektan. Karena dengan demikian dapat mengeliminasi bias karena kandungan aerosol
yang terdapat pada atmosfer.
3. Tanggal pengambilan data hiperspektral di lapangan hendaknya dilakukan pada waktu
yang sama dengan pemotretan pada citra.
4. Hendaknya pengambilan data hiperspektral dengan menggunakan spektrometer dilakukan
dari mulai tanam hingga panen. Sehingga pola NDVI selama pertumbuhan padi dapat di
analisa dengan lebih baik.
Daftar Pustaka
Abidin, Z. 2002. Survey Dengan GPS. PT Pradnya Paramitra Jakarta.
Abrams Michael and Hook Simon. ASTER User Handbook. Version 1. Jet Propulsion Laboratory. California.
Abrams Michael and Hook Simon. ASTER User Handbook. Version 2. Jet Propulsion Laboratory. California.
Canada Center of Remote Sensing. Fundamental of Remote Sensing.http://www.ccrs.gov.au.
Dikunjungi pada tanggal 15 Agustus 2008 jam 20.00 WIB.
Danoedoro, P. 1996. Pengolahan Citra Digital. Fakultas Geografi, Universitas Gadjah Mada,
Yogyakarta.
Fundamentals of Remote Sensing. Canada Centre for Remote Sensing.
Green, Edmund P.; Alasdair J. Edwards and Peter, J. Mumby, 2000. Mapping Bathymetry. P
: 219-233 dalam Edwards, A. J. (ed.) Remote Sensing Handbook for Tropical Coastal Management. UNESCO Publishing. Paris.
J.A.Richards, 1999, Remote Sensing Digital Image Analysis, Springer-Verlag, Berlin, p. 240.
Lillesand T.M., and Kiefer R.W. 1994. Remot Sensing and Image Interpretation. Second Edition, John Wiley & Sons, New York.
Purwadhi, Sri Hardiyanti. 2001. Interpretasi Citra Digital. PT Grasindo, Jakarta.
Takahashi Kazuyoshi, Rikimaru Atsushi, Mukai Yukio. Verification of High Precise Estimation
Method of the Rice Planted Fields Acreage with Outline Data Reference using ASTER/VNIR
116

Image. Journal of the Japan Society of Photogrammetry and Remote Sensing 42, 4:18-26
http://www.subang.go.id dikunjungi tanggal 9 mei 2008 jm 11.50
http://www.onlineconversion.com/julian date.htm dikunjungi tanggal 15 Agustus 2008

LAMPIRAN

Lampiran 1

Lampiran 2

117

Lampiran 3

Lampiran 4

118
Lampiran 5