ANALISIS MULTIVARIATE

TUGAS II
ANALISIS KORELASI KANONIK

Marcelinus A.S. Adhiwibawa

166090500111001

Program Studi S2 Statistika

Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Brawijaya
Malang

BAB I
PENDAHULUAN

1. 1

Latar Belakang
Analisis korelasi kanonik ditemukan untuk mengidentifikasi dan mengukur kumpulan

antara dua himpunan dari variabel. Analisis korelasi kanonik fokus pada korelasi antara sebuah
kombinasi linear dari variabel dalam satu himpunan dan kombinasi linear dari variabel dalam
himpunan lainnya. Ide pertama adalah untuk menentukan bagian dari kombinasi linear yang
memiliki korelasi terbesar. Berikutnya, kita menentukan bagian dari kombinasi linear yang
memiliki korelasi terbesar diantara semua bagian yang tidak berkorelasi dengan bagian yang
dipilih di awal. Proses berlanjut. Bagian dari kombinasi linear dinamakan variabel kanonik, dan
korelasi yang lainnya dinamakan korelasi kanonik.
Ada beberapa masalah penelitian yang melibatkan hubungan antara dua kelompok
variabel, misalnya hubungan antara sekelompok variabel kepribadian dan sekelompok variabel
kemampuan, hubungan antara indeks harga dan indeks produksi. Disamping hubungan fungsional
yang dinyatakan dengan persamaan regresi, ada juga yang perlu dipersoalkan yaitu ukuran kuat
lemahnya antara dua kelompok variabel.
Kajian tentang ukuran kuat lemahnya hubungan antara sekelompok variabel peramal dan
sekelompok variabel tanggapan dikenal sebagai Analisis Korelasi Kanonik. Korelasi kanonik
mengukur kekuatan kumpulan antara dua himpunan dari variabel. Aspek terbesar dari suatu teknik
merepresentasikan sebuah percobaan ke sebuah intisari yang berdimensi tinggi dengan hubungan
antara dua himpunan dari variabel ke dalam sebuah bagian kecil dari variabel kanonik.
Pada Analisis Regresi Linear, dicari kombinasi linear dari sekelompok variabel peramal
yang dipandang dapat paling baik menjelaskan variasi dan variabel-variabel tanggapan. Sedangkan
pada Analisis Korelasi Kanonik dicari kombinasi linear dari variabel-variabel peramal dan
kombinasi linear dari variabel-variabel tanggapan yang bersifat bahwa koefisien korelasi momen
hasil kali antara kedua kombinasi linear itu mencapai nilai maksimum. Koefisien korelasi yang
maksimum itu disebut koefisien korelasi kanonik antara kedua kelompok variabel tersebut dan
koefisien-koefisien dari masing-masing variabel yang menghasilkan koefisien korelasi maksimum
disebut bobot-bobot kanonis.

1.1 Rumusan Masalah

Adapun rumusan masalah adalah sebagai berikut:
1. Bagaimana cara menggunakan korelasi kanonik?

1.2 Tujuan
Adapun tujuan pada makalah ini adalah sebagai berikut:
1. Untuk mengetahui cara penggunaan korelasi kanonik pada sebuah contoh kasus.

BAB II
ANALISIS KORELASI KANONIK

Analisis korelasi kanonik pada dasarnya merupakan salah satu metode analisis
variabel/peubah ganda yang ditujukan untuk mengetahui keterkaitan antara dua kelompok peubah.
Besarnya keterkaitan ini diukur dengan nilai korelasi antara dua kelompok tersebut. Kalau
ternyata korelasi dua kelompok ini nyata serta secara teoritis ada hubungan fungsional antara
keduanya, maka melalui analisis regresi multivariate dapat dirumuskan model yang
menghubungkan keduanya. Dalam hal ini satu kelompok sebagai peubah prediktor (misalnya
parameter ENSO dan/atau Dipole Mode) dan lainnya sebagai peubah respon (misalnya curah
hujan). Dari sini dapat dilakukan prediksi satu kelompok peubah berdasar peubah pada kelompok
lainnya.
Untuk merumuskan analisis korelasi kanonik, misalkan ada dua kelompok peubah :
Kelompok I : ada m peubah, yaitu x1, x2, , xm (misalnya SOI, ASPL Nino 3, 4, 3.4)
Kelompok II : ada p peubah, yaitu y1, y2, , yp (misalnya curah hujan pada beberapa lokasi)
Jika terdapat sejumlah n data pengamatan, maka matriks data adalah sebagai berikut :

Z nx ( m p )

x11
x
21
( X Y ) .

.
x n1

x12

... x1m

y11

y12

x 22

... x 2 m

y 21

y 22

y n1

yn2

xn 2

... x nm

... y1 p
... y 2 p
.

.
... y np

Keterkaitan dua kelompok tersebut diwakili oleh korelasi antara satu peubah baru di kelompok I,
misal U (disebut peubah kanonik) dengan peubah baru di kelompok II, misal Z. Dalam hal ini U
merupakan kombinasi linear peubah-peubah x. Sedangkan Z adalah kombinasi linear peubahpeubah y.

U a1

a2

x1
x
... a m 2 a T x
.

xm

dan

Z b1

b2

y1
y
2
... a p b T y
.

y p

Oleh karena itu yang diinginkan adalah mencari vektor koefisien a dan b, sedemikian sehingga
sehingga korelasi keduanya U dengan Z maksimum. Nilai korelasi inilah yang menunjukkan

keeratan antara peubah-peubah kelompok I dengan peubah-peubah kelompok II. Dalam hal ini U
dan Z adalah peubah baru sebagai representasi masing-masing kelompok, dan disebut peubah
x1
kanonik. Permasalahan berikutnya adalah mencari koefisien dalam kombinasi linear tersebut.
Jika matriks koragam (covariance matrix) dari kelompok I adalah Sxx dan kelompok II adalah Syy,
maka korelasi antara U dengan Z adalah :
Corr (U , Z ) Corr (a x, b y )
T

a T S xy b
(a T S xx a)(b T S yy b

Permasalahan di sini adalah memaksimumkan nilai korelasi tersebut, yaitu aTSxyb,

dengan

kendala bahwa aTSxxa dan bTSyyb adalah satu (ini dimaksudkan untuk mempermudah perhitungan
tanpa merubah makna).
Permasalahan ini pemaksimum ini dapat dirumuskan sebagai :
Memaksimumkan

: aTSxyb

Dengan kendala

: aTSxxa = bTSyyb = 1

Melalui Pengganda Lagrange, maka fungsi yang dimaksimumkan adalah :

f(a,b)= aTSxyb - ( aTSxxa 1) - (bTSyyb 1)
Melalui manipulasi matematika, diperoleh dua persamaan kanonik berikut :

1
yy

S yx S xx1 S xy I b 0

dan

1
xx

1
S xy S yy
S yx I a 0

1
1
S yx S xx1 S xy atau matriks S xx1 S xy S yy
S yx merupakan
Ini berarti bahwa akar dari akar ciri matriks S yy

korelasi dari dua kelompok tersebut (disebut korelasi kanonik). Vektor ciri yang bersesuaian
1
dengan akar ciri tersebut ada dua, yaitu vektor ciri a dari matriks S xx1 S xy S yy
S yx dan vektor ciri b
1
S yx S xx1 S xy . Kedua vektor ciri tersebut sebagai vektor koefisien (disebut koefisien
dari matriks S yy

kanonik atau sering disebut sebagai canonical weight) dari peubah kanonik. Dalam hal ini, kita
cukup mencari salah satu saja. Hal ini dikarenakan antara keduanya terdapat hubungan :
a

S xx1 S xy b

Analisis berikutnya adalah melakukan uji signifikansi terhadap nilai korelasi antara kedua
kelompok ini. Pengujian dimulai kalau kita hanya mengambil satu peubah kanonik saja, yaitu
yang pertama. Kalau hasil pengujian menunjukan bahwa korelasi adalah nyata, maka dilanjutkan

kalau mengambil dua peubah kanonik, dan begitu seterusnya, sampai dengan pengujian tidak
nyata. Statistik yang dipakai untuk pengujian adalah :

1
2

2 {(n 1) (m p 1)} ln

disebut Lambda Wilk

min( m , p )

(1

j M ' 1

Dalam hal ini :

M=0 untuk menguji korelasi kanonik pertama
M=1 untuk menguji korelasi kanonik kedua
Dst.
Statistik tersebut dibandingkan dengan nilai tabel 2 pada derajat bebas (m-M)x(p-M).
Karena satuan peubah-peubah yang digunakan dalam penelitian ini berbeda, maka digunakan
matriks korelasi, R (yaitu Rxx, Rxy, Ryx, maupun Ryy).
Untuk keperluan interpretasi dalam analisis korelasi kanonik, dikenal beberapa besaran,
yaitu :
a.

Canonical Loading

Canonical loading merefleksikan derajat suatu peubah direpresentasikan oleh peubah kanonik.
Canonical loading dihitung dengan rumus :
rUxj R xx a j

rZyj R yy b j

dan

rUxj merupakan canonical loading peubah asli x dengan peubah kanonik U ke j.

rZyj merupakan canonical loading peubah asli y dengan peubah kanonik Z ke j.

b.

Proportion of Explained Variance

Besaran berikutnya adalah R(2j ) y yaitu suatu besaran yang merepresentasikan proporsi

variance di dalam ruang y yang diterangkan oleh peubah kanonik ke j. Sedangkan proporsi
variance di dalam ruang x yang diterangkan oleh peubah kanonik ke j adalah R(2j ) x . Kedua besaran
tersebut dirumuskan sebagai :
R(2j ) y

(rZy2 ) T rZy2
p

2
( j)x

c.

(rUx2 ) T rUx2

Cross-Loading
Cross-loading menyatakan hubungan antara peubah asli disatu kelompok dengan peubah

kanonik di kelompok lain. Nilai cross-loading diperoleh dengan mengalikan koefisien korelasi
dengan canonical loading-nya.
Cross-loading yi dengan peubah kanonik predictor ke j adalah :
(korelasi kanonik ke j)*(canonical loading peubah yi dengan Zj)
Cross-loading xi dengan peubah kanonik respon ke j adalah :
(korelasi kanonik ke j)*(canonical loading peubah xi dengan Uj)

BAB III
PENGOLAHAN DATA DAN ANALISIS

Contoh kasus peneliti ingin melihat hubungan harga biji dan warna daun muda terhada indeks
pigmen fotosintesis dimana harga biji sebagai Y1 dan warna daun muda sebagai Y2 dan indeks
vegetsi secara berturut-turut sebagai X1 hingga X6. Data yang digunakan ditampilkan sebagai
berikut:
Individu
DR1-1
DR1-2
DR1-3
DRC161
DRC162
DRC163
DR2-1
DR2-2
DR2-3
SUL1-1
SUL1-2
SUL1-3
MCC-1
MCC-2
MCC-3

Harga
Biji (HB)

Warna
Daun
Muda
(WDM)

4
4
4

3
3
3

4
4
4
4
4
4
2
2
2
1
1
1

4
4
4
4
4
4
2
2
2
1
1
1

NDVI

GRVI

Warna Daun
Muda

RG Index

AR1

AR2

0.477482 4.183842 0.614186 1.622301 0.089422 1.867735

0.482445 3.659594 0.570778 1.394354 0.051531 1.16523
0.376011 3.814196 0.584562 1.693866 0.097606 2.10384
0.368322 2.289114 0.391933 1.065646 0.012392 0.230464
0.361862 2.436317 0.417981 1.123732 0.014383 0.257092
0.315589

2.44423

0.419319 1.143778 0.022368

0.47109

0.396931
0.386932
0.366486
0.446227
0.411866
0.420167
0.411565
0.420547
0.421414

2.79049
2.657647
3.124203
4.049822
4.003101
4.414751
4.32379
4.50087
5.142262

0.472364
0.4532
0.515058
0.603946
0.600248
0.630639
0.624328
0.636421
0.674387

0.589417
0.502578
0.852692
2.362512
3.166436
3.509288
3.538798
3.699758
4.61521

Variabel
Harga Biji

GNDI

1.241258
1.155031
1.383463
1.640569
1.70299
1.878505
1.81442
1.886377
2.123214

0.027813
0.025444
0.042315
0.116776
0.157674
0.180705
0.191724
0.214437
0.240403

Skala
1
Sangat Rendah

2
Rendah

3
Normal

4
Tinggi

5
Sangat Tinggi

Merah

Merah Muda

Hijau
Kemerahan

Hijau Muda

Hijau

Analisis dilakukan menggunakan SPSS dengan menggunakan syntax sebagai berikut:

MANOVA Y1 Y2 WITH X1 X2 X3 X4 X5 X6 X7
/DISCRIM ALL ALPHA(1)
/PRINT=SIG(EIGEN DIM)
Hasil analisis ditunjukkan sebagai berikut:
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - * * * * * * * * * * * * * * * * * A n a l y s i s
Design
1 * * * * * * * * * * * * * * * * *

o f

V a r i a n c e --

EFFECT .. WITHIN CELLS Regression

Multivariate Tests of Significance (S = 2, M = 1 1/2, N = 2 1/2)
Test Name
DF
Sig. of F

Value

Approx. F

Hypoth. DF

Pillais
1.60717
5.45507
16.00
.001
Hotellings
35.49302
17.74651
12.00
.000
Wilks
.01048
10.23115
14.00
.000
Roys
.97122
Note.. F statistic for WILKS' Lambda is exact.

Error

12.00
12.00
12.00

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

Intepretasi : terlihat semua variabel signifikan sehingga variabel dapat digunakan untuk
korelasi kanonik.
-----------------Eigenvalues and Canonical Correlations
Root No.
Sq. Cor

Eigenvalue

Pct.

Cum. Pct.

Canon Cor.

33.74611

95.07818

95.07818

.98550

1.74690

4.92182

100.00000

.79747

.97122
.63595
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - Dimension Reduction Analysis
Roots
DF
1 TO 2
14.00
2 TO 2
8.00

Wilks L.

Hypoth. DF

.01048

10.23115

12.00

.36405

2.79505

5.00

Sig. of F
.000
.095

Error

Intepretasi : Terlihat bahwa untuk fungsi kanonik yang pertama besarnya 0,. Sedangkan
fungsi kanonikal kedua besarnya korelasinya hanya 0,79.Sehingga untuk selanjutnya kita
hanya akan menggunakan fungsi kanonik pertama
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - EFFECT .. WITHIN CELLS Regression (Cont.)
Univariate F-tests with (6,8) D. F.
F

Variable
Sq. Mul. R
Sig. of F

Y1
26.18836
Y2
42.08699

.95155
.000
.96929
.000

Adj. R-sq.

Hypoth. MS

Error MS

.91522

3.80621

.14534

.94626

3.29559

.07830

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - Raw canonical coefficients for DEPENDENT variables

Function No.
Variable
Y1
Y2

.18380
.63682

-2.41718
2.55109

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - Standardized canonical coefficients for DEPENDENT variables

Function No.
Variable
Y1
Y2

.24065
.76872

-3.16483
3.07947

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - Correlations between DEPENDENT and canonical variables

Function No.
Variable
Y1
Y2

.97023
.99712

-.24220
.07582

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - Variance in dependent variables explained by canonical variables

CAN. VAR.
COV

Pct Var DEP

Cum Pct DEP

Pct Var COV

Cum Pct

96.77960

96.77960

93.99426

3.22040

100.00000

2.04803

93.99426
96.04229
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - Raw canonical coefficients for COVARIATES
Function No.
COVARIATE
X1
X2
X3
X4
X5
X6

.73495
-.32365
-4.90459
4.15562
-19.19486
-.08370

-1.03203
-2.12400
-2.89800
-2.03494
31.15754
.11435

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - Standardized canonical coefficients for COVARIATES

CAN. VAR.
COVARIATE
X1
X2
X3
X4
X5
X6

.03269
-.29089
-.45812
1.38364
-1.52979
-.12368

-.04590
-1.90901
-.27069
-.67755
2.48319
.16898

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - Correlations between COVARIATES and canonical variables

CAN. VAR.
Covariate
X1
X2
X3
X4
X5
X6

-.46653
-.90617
-.86905
-.92046
-.98486
-.97413

-.70113
-.39997
-.47480
-.27555
-.03787
-.10007

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - Variance in covariates explained by canonical variables

CAN. VAR.
COV
1
76.00246

Pct Var DEP

Cum Pct DEP

Pct Var COV

73.81510

73.81510

76.00246

Cum Pct

10.22157

84.03666

16.07282

92.07528
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - Regression analysis for WITHIN CELLS error term
--- Individual Univariate .9500 confidence intervals
Dependent variable .. Y1
COVARIATE
Sig. of t

Beta
CL- Upper

Std. Err.

t-Value

X1
1.1810748822
.0401173593
.884
-16.95604
19.31819
X2
.1319457504
.0905745902
.942
-3.90928
4.17317
X3
-5.4072489476
-.3857586414
.567
-26.27386
15.45936
X4
5.7170719707
1.4538503804
.245
-4.78127
16.21541
X5
-31.9095380490 -1.9423400761
.072
-67.42238
3.60331
X6
-.1336996868
-.1508949621
.899
-2.49769
2.23029
Dependent variable .. Y2

7.86517

.15017

1.75248

.07529

9.04882

-.59756

4.55261

1.25578

15.40017

-2.07203

1.02515

-.13042

Beta
CL- Upper

Std. Err.

t-Value

.7964683721
.0293436394
-12.51631
14.10924
-.5389415310
-.4012759754
-3.50523
2.42735
-6.0293387285
-.4665514237
-21.34559
9.28691
4.7808657404
1.3186912965
-2.92500
12.48673
-20.4948033301 -1.3531285153
-46.56150
5.57189
-.0909352449
-.1113184442
-1.82612
1.64425

5.77309

.13796

1.28633

-.41897

6.64190

-.90777

3.34165

1.43069

11.30384

-1.81308

.75247

-.12085

COVARIATE
Sig. of t
X1
.894
X2
.686
X3
.391
X4
.190
X5
.107
X6
.907

B
Lower -95%

B
Lower -95%

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - * * * * * * * * * * * * * * * * * A n a l y s i s
Design
1 * * * * * * * * * * * * * * * * *

o f

V a r i a n c e --

EFFECT .. CONSTANT
Multivariate Tests of Significance (S = 1, M = 0, N = 2 1/2)
Test Name
DF
Sig. of F
Pillais
7.00

Value
.17214

.516

Exact F
.72775

Hypoth. DF
2.00

Error

Hotellings
.20793
7.00
.516
Wilks
.82786
7.00
.516
Roys
.17214
Note.. F statistics are exact.

.72775

2.00

.72775

2.00

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - Eigenvalues and Canonical Correlations

Root No.

Eigenvalue

Pct.

Cum. Pct.

Canon Cor.

.20793

100.00000

100.00000

.41489

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - EFFECT .. CONSTANT (Cont.)

Univariate F-tests with (1,8) D. F.
Variable
MS
Y1
.14534
Y2
.07830

Hypoth. SS
Error SS
F
Sig. of F
.00102
.00702
.08309
1.06117

1.16272
.935
.62643
.333

Hypoth. MS

Error

.00102
.08309

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - EFFECT .. CONSTANT (Cont.)

Raw discriminant function coefficients
Function No.
Variable
Y1
Y2

1
-1.88770
4.26501

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - Standardized discriminant function coefficients

Function No.
Variable
Y1
Y2

1
-.71966
1.19347

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - Estimates of effects for canonical variables

Canonical Variable
Parameter
1

1
11.75541

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - Correlations between DEPENDENT and canonical variables

Canonical Variable
Variable
Y1
Y2

1
-.06498
.79871

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

Intepretasi: Dari hasil canonical weight maupun canonical loading dapat disimpulkan
memang terdapat hubungan signifikan antara dependen variabel dan independen variabel
atau harga biji dan warna daun muda berkolerasi bersama-sama dengan indeks pigmen
fotosintetik.

BAB IV
PENUTUP
4.1 Kesimpulan
Berdasarkan hasil perhitungan Canonical Weights dan Canonical Loading diatas, maka
diperoleh hasil sebagai berikut, Dari hasil canonical weight maupun canonical loading dapat
disimpulkan memang terdapat hubungan signifikan antara dependen variabel dan independen
variabel atau antara harga biji dan warna daun muda dan indeks pigmen fotosintetik. Kategori
harga biji dan warna muda merupakan salah satu penentu kemuliaan tanaman kakao dan indeks
pigmen fotosintetik dapat dijadikan indicator

Daftar Pustaka
Anita-Sari, Indah, and Agung Wahyu Susilo.2012. Pengkayaan Materi Genetik A Java Light
Breaking Cocoa Melalui Kegiatan Seleksi Dan Eksplorasi Pada Populasi Kakao Edel Di
Wilayah Jawa Timur. Prosiding Insinas 2012. Kementerian Riset dan Teknologi RI.
Kabacoff, R., 2015. R in action: data analysis and graphics with R. Manning Publications Co.
R Core Team (2015). R: A language and environment for statistical computing. R Foundation for
Statistical Computing, Vienna, Austria. ISBN 3-900051-07-0, URL http://www.Rproject.org/
Sims, D. A., & Gamon, J. A. 2002. Relationships between leaf pigment content and spectral
reflectance across a wide range of species, leaf structures and developmental stages.
Remote sensing of environment, 81(2), 337-354. RG Indeks
Hammer, ., Harper, D.A.T., Ryan, P.D. 2001. PAST: Paleontological statistics software package
for education and data analysis. Palaeontologia Electronica 4(1): 9pp.
Wehrens, R., 2011. Chemometrics with R: multivariate data analysis in the natural sciences and
life sciences. Springer Science & Business Media.
Gamon, J., and J. Surfus. "Assessing Leaf Pigment Content and Activity With a Reflectometer."
New Phytologist 143 (1999): 105-117. RG Index
Gitelson, A., M. Merzlyak, and O. Chivkunova. "Optical Properties and Nondestructive Estimation
of Anthocyanin Content in Plant Leaves." Photochemistry and Photobiology 71 (2001):
38-45. AR1 dan 2

Sripada, R., et al. "Aerial Color Infrared Photography for Determining Early In-season Nitrogen
Requirements in Corn." Agronomy Journal 98 (2006): 968-977. GRVI
Gitelson, A., and M. Merzlyak. "Remote Sensing of Chlorophyll Concentration in Higher Plant
Leaves." Advances in Space Research 22 (1998): 689-692. GNDVI
Rouse, J., R. Haas, J. Schell, and D. Deering. Monitoring Vegetation Systems in the Great Plains
with ERTS. Third ERTS Symposium, NASA (1973): 309-317. NDVI
BBPTP Ambon."Mengenal Benih Bina Kakao Asal Sulawesi Selatan." Berita Utama. Ditjenbun,
Kementerian Pertanian RI, 23 Mar. 2015. Web. Diakses pada 07 Oct. 2016.
ICCRI."Bahan Tanam Kakao". Pusat Penelitian Kopi dan Kakao. Web. Diakses pada 07 Oct. 2016.