Prosiding Seminar Nasional Manajemen Teknologi XXII

Program Studi MMT-ITS, Surabaya 24 Januari 2015

PENGEMBANGAN DATA CITRA SATELIT LANDSAT-8

UNTUK PEMETAAN AREA TANAMAN HORTIKULTURA
DENGAN BERBAGAI METODE ALGORITMA INDEKS
VEGETASI
(STUDI KASUS: KABUPATEN MALANG DAN SEKITARNYA)

Erie Kresna Andana

Mahasiswa Program Pascasarjana Jurusan Teknik Geomatika
Institut Teknologi Sepuluh Nopembar Surabaya
maserieok@yahoo.com

ABSTRAK
Penginderaan jauh merupakan ilmu untuk memperoleh informasi tentang obyek, daerah,
atau gejala dengan cara analisis data yang diperoleh dengan menggunakan alat tanpa
kontak langsung terhadap obyek, daerah, atau gejala tersebut (Lillesand dan Kiefer,
1979). Pada penginderaan jauh menggunakan satelit akan menghasilkan data citra dan
salah satu data citra satelit yang digunakan untuk memantau area pertanian adalah data
cita satelit Landsat-8. Sebagai dataset, data citra tersebut dapat diolah menggunakan
algoritma atau metode (persamaan matematis) tertentu, dalam hal ini menggunakan
metode yang disebut indeks vegetasi.
Nilai indeks vegetasi ini didasarkan pada perbedaan antara penyerapan maksimum
radiasi di kanal merah (red) sebagai hasil dari pigmen klorofil dan reflektansi
maksimum di kanal spektral infra merah dekat (near infra red/NIR) sebagai akibat dari
struktur selular daun. (Tucker, 1979). Beberapa algoritma indeks vegetasi yang
digunakan dalam penelitian ini adalah Normalized Difference Vegetation Index (NDVI),
Soil Adjusted Vegetation Index (SAVI), dan Enhanced Vegetation Index (EVI). Dan
untuk melakukan verifikasi data ground truth dengan cara melakukan survei lapangan
menggunakan Global Positiong System (GPS) di daerah penelitian. Untuk memastikan
hasil klasifikasi citra sesuai dengan data lapangan adalah dapat diterima jika nilai uji
ketelitian ≥ 80%. Kemudian akan dicari korelasi antara nilai berbagai indeks vegetasi
yang digunakan.
Pada penelitian ini, didapatkan nilai uji ketelitian klasifikasi citra overall accuracy =
94,0012%, yang, sehingga dapat disimpulkan ada kesesuaian antara klasifikasi citra
dengan keadaan sebenarnya. Dan nilai korelasi antara NDVI dengan SAVI serta NDVI
dengan EVI adalah sebesar R2=0,947, sehingga dapat dikatakan, baik algoritma NDVI
dengan SAVI maupun NDVI dengan EVI tersebut memiliki korelasi sangat kuat.
Kata kunci: Penginderaan Jauh, Landsat-8, Indeks Vegetasi, Hortikultura,
NDVI, SAVI, EVI, dan GPS.

PENDAHULUAN
Tanaman hortikultura memberi nilai penjualan yang besar untuk pertanian di
Indonesia. Walaupun demikian, budidaya tanaman hortikultura masih dirasakan kurang
mendapat perhatian seirus. Dengan jenisnya yang beragam dan sifatnya yang khas,

ISBN: 978-602-70604-1-8
C-15-1
 Prosiding Seminar Nasional Manajemen Teknologi XXII
Program Studi MMT-ITS, Surabaya 24 Januari 2015

maka setiap jenis memiliki penanganan yang berbeda. Tahap-tahap pertumbuhan dan
fenologi dari banyak lahan hortikultura belum dipelajari dengan baik dan cenderung
sulit untuk digeneralisasi akibat dari berbagai perbedaan varietas, kerapatan tumbuhan
dan kebiasaan penanganannya. Tahap pertumbuhan dan ukuran lahan pertanian menjadi
sangat penting bagi tanaman hortikultura karena luas kanopi daun yang tumbuh di lahan
hal ini menjadi penentu utama akan kebutuhan air pada lahan pertanian.
Kanopi daun merupakan variabel yang relatif mudah diukur yang menjadi
indiaktor dari serapan cahaya pada tanaman. Beberapa studi juga menghubungkan
penggunaan kanopi daun dengan kebutuhan akan pengairan pada tumbuhan di area
pertanian (Troutl, T.J. dkk., 2008). Estimasi yang akurat dan efisien dari kanopi daun
secara aktual akan memungkinkan perbaikan penjadwalan dan alokasi air irigasi
(Bausch, 1995).
Penelitian-penelitian sebelumnya menunjukkan bahwa berbagai indeks vegetasi
spektral, yang dikalkulasi dari data reflektansi visible and near infrared (NIR),
berhubungan secara linear dengan jumlah radiasi aktif yang diserap oleh kanopi
tumbuhan selama fotosintetis (Asrar, R.G., dkk, 1984). Berbagai metode algoritma
vegetasi telah dikembangkan adalah Normalized Difference Vegetation Index (NDVI)
dan Soil Adjusted Vegetation Index (SAVI). Kemudian dikembangkan pula dengan
menggunakan reflektansi kanal spektral biru (blue), yaitu Enhanced Vegetation Index
(EVI).

KAJIAN PUSTAKA
Tanaman Hortikultura
Hortikultura berasal dari kata “hortus” (= garden atau kebun) dan “colere” (= to
cultivate atau budidaya). Secara harfiah istilah hortikultura diartikan sebagai usaha
membudidayakan tanaman buah-buahan, sayuran dan tanaman hias. Sehingga
Hortikultura merupakan suatu cabang dari ilmu pertanian yang mempelajari budidaya
buah-buahan, sayuran dan tanaman hias. Sedangkan dalam GBHN 1993-1998, selain
buah-buahan, sayuran dan tanaman hias, yang termasuk dalam kelompok hortikultura
adalah tanaman obat-obatan.
Berdasarkan jenisnya, pengelompokan tanaman hortikultura adalah sebagai
berikut:
 Buah-buahan, misalnya : apel, jeruk, stroberi, papaya, pisang, mangga, dan lain-lain
 Sayuran, misalnya : kobis, brokoli, buncis, cabai, tomat, terong, wortel, jamur,
bawang, kentang, dan lain-lain
 Tanaman hias, misalnya : krisan, anggrek, mawar, melati,dan lain-lain
 Tanaman obat/farmakologi, misalnya : jahe, kunyit, dan lain-lain.

Kanopi Daun
Kanopi daun merupakan variabel yang relatif mudah diukur yang menjadi
indiaktor dari serapan cahaya pada tanaman. Beberapa studi menghubungkan
penggunaan air pertanian dengan kanopi daun (Troutl, T.J. dkk., 2008). Estimasi yang
akurat dan efisien dari kanopi daun aktual akan memungkinkan perbaikan penjadwalan
dan alokasi air irigasi (Bausch, 1995). Beberapa penelitian sebelumnya menunjukkan
bahwa berbagai indeks vegetasi spektral, yang dikalkulasi dari data reflektansi visible
and near infrared (NIR), berhubungan secara linear dengan jumlah radiasi aktif yang
diserap oleh kanopi tumbuhan selama fotosintetis (Asrar, R.G., dkk, 1984).

ISBN: 978-602-70604-1-8
C-15-2
 Prosiding Seminar Nasional Manajemen Teknologi XXII
Program Studi MMT-ITS, Surabaya 24 Januari 2015

Penginderaan Jauh
Penginderaan jauh merupakan ilmu untuk memperoleh informasi tentang obyek,
daerah, atau gejala dengan cara analisis data yang diperoleh dengan menggunakan alat
tanpa kontak langsung terhadap obyek, daerah, atau gejala tersebut (Lillesand dan
Kiefer, 1979). Data penginderaan jauh dapat diperoleh melalui hasil rekaman sensor
yang dipasang baik pada pesawat terbang, satelit, pesawat ulang alik, atau wahana
lainnya. Sensor tersebut akan menghasilkan data yang berbeda-beda sesuai dengan letak
ketinggian sensor maupun karakteristik obyek yang dikaji (Sutanto, 1986).
Salah satu satelit yang digunakan untuk penginderaan jauh ini adalah Landsat,
yang sekarang telah mencapai generasi Landsat-8. Satelit Landsat-8 memiliki
sensor Onboard Operational Land Imager (OLI) danThermal Infrared Sensor
(TIRS) dengan jumlah kanal sebanyak 11 buah. Di antara kanal-kanal tersebut, 9 kanal
(band 1-9) berada pada OLI dan 2 lainnya (band 10 dan 11) pada TIRS. Sebagian besar
kanal memiliki spesifikasi mirip dengan Landsat-7. Berikut ini spesifikasi kanal yang
dimiliki citra Landsat-8 adalah sebagai berikut :
Tabel 1. Spesifikasi Kanal-kanal Spektral Sensor Pencitra LDCM (Landsat-8)
Panjang
Resolusi
Band Gelombang
Landsat 8 (meter)
(mikrometer)
Band 1 - Coastal aerosol 0.43 - 0.45 30
Operational Band 2 – Blue 0.45 - 0.51 30
Land Imager Band 3 – Green 0.53 - 0.59 30
(OLI) Band 4 – Red 0.64 - 0.67 30
Band 5 - Near Infrared (NIR) 0.85 - 0.88 30
dan
Band 6 - SWIR 1 1.57 - 1.65 30
Band 7 - SWIR 2 2.11 - 2.29 30
Thermal
Infrared Band 8 – Panchromatic 0.50 - 0.68 15
Sensor Band 9 – Cirrus 1.36 - 1.38 30
(TIRS) Band 10 - Thermal Infrared (TIRS) 1 10.60 - 11.19 100
Band 11 - Thermal Infrared (TIRS) 2 11.50 - 12.51 100

Indeks Vegetasi Spektral

Indeks vegetasi adalah besaran nilai kehijauan vegetasi yang diperoleh dari
pengolahan sinyal digital data nilai kecerahan (brightness) beberapa kanal data sensor
satelit. Untuk pemantauan vegetasi, dilakukan proses perbandingan tingkat kecerahan
kanal cahaya merah (red) dan infra merah dekat (near infra red/NIR). Penyerapan
cahaya merah oleh klorofil dan pemantulan cahaya infra merah dekat oleh jaringan
mesofil pada daun akan membuat nilai kecerahan yang diterima sensor satelit melalui
kanal-kanal tersebut akan jauh berbeda. Pada daratan tanpa vegetasi, termasuk wilayah
perairan dan pemukiman, lahan kosong terbuka, atau kondisi vegetasi yang rusak, tidak
dapat memberikan nilai rasio yang tinggi pada perbandingan nilai kanal-kanal tersebut.
Dan sebaliknya pada daratan dengan vegetasi yang rapat dan kondisi sehat,
perbandingan nilai kedua kanal tersebut memberikan nilai yang sangat tinggi.

ISBN: 978-602-70604-1-8
C-15-3
 Prosiding Seminar Nasional Manajemen Teknologi XXII
Program Studi MMT-ITS, Surabaya 24 Januari 2015

Normalized Difference Vegetation Index (NDVI)

Indeks vegetasi yang paling umum digunakan adalah Normalized Difference
Vegetation Index (NDVI). Nilai indeks vegetasi ini didasarkan pada perbedaan antara
penyerapan maksimum radiasi di kanal merah (red) sebagai hasil dari pigmen klorofil
dan reflektansi maksimum di kanal spektral infra merah dekat (near infra red/NIR)
sebagai akibat dari struktur selular daun. (Tucker, 1979).
Adapun formulasi NDVI adalah sebagai berikut:
𝜌𝜌𝜌𝜌𝜌𝜌𝜌𝜌−𝜌𝜌𝜌𝜌𝜌𝜌𝜌𝜌
𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁 = (2.1)
𝜌𝜌𝜌𝜌𝜌𝜌𝜌𝜌+𝜌𝜌𝜌𝜌𝜌𝜌𝜌𝜌
Di mana :
ρNIR = nilai reflektan kanal infra merah dekat
ρRed = nilai reflektan kanal merah

Soil Adjusted Vegetation Index (SAVI)

Soil Adjusted Vegetation Index (SAVI) merupakan algoritma pengembangan
dari NDVI dengan menekan pengaruh latar belakang tanah pada tingkat kecerahan
kanopi. SAVI menggunakan persamaan isoline vegetasi (vegetasi dengan kerapatan
sama dan latar belakang tanah berbeda) yang diturunkan melalui aproksimasi reflektansi
kanopi dengan sebuah model interaksi foton orde pertama antara kanopi dan lapisan
tanah. Penurunan spektra campuran merah, arena tanah yang lebih gelap, menyebabkan
penignkatan signifikan pada NDVI. NDVI nampak sensitif terhadap tanah yang menjadi
lebih gelap akibat perkembagnan vegetasi (Huete, 1988).
Adapun formulasi SAVI adalah sebagai berikut:
𝜌𝜌𝜌𝜌𝜌𝜌𝜌𝜌−𝜌𝜌𝜌𝜌𝜌𝜌𝜌𝜌
𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆 = (1 + 𝐿𝐿) ∗ (2.2)
𝜌𝜌𝜌𝜌𝜌𝜌𝜌𝜌+𝜌𝜌𝜌𝜌𝜌𝜌𝜌𝜌+𝐿𝐿
Di mana:
ρNIR = nilai reflektan kanal infra merah dekat
ρRed = nilai reflektan kanal merah
L = koreksi pencerahan latar belakang tanah
Enhanched Vegetation Index (EVI)
Enhanched Vegetation Index (EVI) merupakan indeks vegetasi yang
dikembangkan untuk meminimalkan pengaruh latar belakang kanopi dan variasi
atmosfir yang lebih baik dari NDVI. EVI dihitung dengan menggunakan reflektan dari
kanal biru (blue), merah (red), dan infra merah dekat (NIR), sehingga diperoleh
persamaan sebagai berikut:
𝜌𝜌𝜌𝜌𝜌𝜌𝜌𝜌−𝜌𝜌𝜌𝜌
𝐸𝐸𝐸𝐸𝐸𝐸 = 𝐺𝐺 ∗ (2.3)
𝜌𝜌𝜌𝜌𝜌𝜌𝜌𝜌+𝐶𝐶1∗𝜌𝜌𝜌𝜌−𝐶𝐶2∗𝜌𝜌𝜌𝜌𝜌𝜌𝜌𝜌𝜌𝜌+𝐿𝐿
Di mana:
ρNIR = nilai reflektan kanal infra merah dekat
ρR = nilai reflektan kanal merah
ρBlue = nilai reflektan kanal biru
C1 = koefisien koreksi pengaruh atmosfir pada kanal merah
C2 = koefisien koreksi pengaruh atmosfir pada kanal biru
L = koreksi pencerahan latar belakang tanah
G = gain factor

ISBN: 978-602-70604-1-8
C-15-4
 Prosiding Seminar Nasional Manajemen Teknologi XXII
Program Studi MMT-ITS, Surabaya 24 Januari 2015

METODOLOGI PENELITIAN
Lokasi Penelitian
Lokasi yang dijadikan penelitian adalah Kabupaten Malang dan sekitarnya, yang
mencakup Kota Batu. Hal ini dilakukan karena Malang dan Batu merupakan daerah
yang memiliki keragaman tanaman hortikultura di Jawa Timur. Kabupaten Malang
berbatasan langsung dengan Kabupaten Jombang, Kabupaten Mojokerto, dan
Kabupaten Pasuruan di utara, Kabupaten Lumajang di timur, Samudra Hindia di selatan,
serta Kabupaten Blitar dan Kabupaten Kediri di barat. Secara geografis Kabupaten
Malang terletak pada 7o44’55.11” - 8o26’35.45” LS dan 112o17’10.90” - 112o57’00”
BT.

Gambar 1. Peta Daerah Penelitian

Data dan Peralatan

Data yang diperlukan dan penelitian ini adalah:
1. Citra Landsat-8 tahun 2013 yang diunduh dari website USGS
2. Citra Landsat 7 ETM orthorektifikasi tahun 2000 yang akan digunakan untuk acuan
koreksi geometric

Sedangkan peralatan yang digunakan dalam penelitian ini adalah:

1. Perangkat Keras (Hardware)
- Laptop, digunakan untuk proses pengolahan data dan penulisan laporan
- GPS navigasi handheld, digunakan untuk pengecekan ground truth
2. Perangkat Lunak (Software)
- Sistem Operasi Windows XP, digunakan untuk menjalankan semua software
- Autodesk Land Desktop 2004, digunakan untuk editing peta garis
- Envi 4.6.1, digunakan untuk mengolah data citra
- ArcGIS 10.1 untuk membuat layout peta hasil penelitian

ISBN: 978-602-70604-1-8
C-15-5
 Prosiding Seminar Nasional Manajemen Teknologi XXII
Program Studi MMT-ITS, Surabaya 24 Januari 2015

Pengolahan citra satelit Landsat-8 akan diproses menurut diagram alir berikut ini.

Data citra satelit

Landsat-8

Koreksi geometrik
Citra Landsat
Orthorektifikasi
tidak tahun 2000
RMS error
≤ 1 pixel

ya
Koreksi radiometrik

Pemotongan citra
wilayah penelitian

Algoritma indeks vegetasi

NDVI, SAVI, EVI

Klasifikasi citra
Ground
truth
tidak
Uji ketelitian
≥ 80%

ya
Peta tanaman
hortikultura

Analisa peta yang dihasilkan

setiap metode

Gambar 2. Diagram Alir Pengolahan Data Citra

HASIL DAN DISKUSI

Data Akuisisi
Data citra satelit Landsat 8 diunduh dari web http://earthexplorer.usgs.gov/. Oleh
karena lokasi penelitian melingkupi dua buah scene, maka akuisisi citra dilakukan pada
dua buah scene dengan data scene pada path=118 dengan row=65 dan path=118 dengan
row=66, serta akuisisi citra pada tanggal 13 Agustus 2013. Untuk itu, sebelum
dilakukan pengolahan lebih lanjut, dilakukan penggabungan citra (mozaicking) pada
kedua scene citra tersebut.
Koreksi Geometrik
Koreksi Geometrik citra Landsat 8 tahun 2013 dilakukan dengan menggunakan
citra Landsat 7 ETM orthorektifikasi (citra yang telah diolah dan terkoreksi geometrik)
tahun 2000 dengan tanggal akuisisi 17 Agustus 2000. Sistem proyeksi yang digunakan

ISBN: 978-602-70604-1-8
C-15-6
 Prosiding Seminar Nasional Manajemen Teknologi XXII
Program Studi MMT-ITS, Surabaya 24 Januari 2015

adalah Universal Transverse Mercator Zona 49 M dan datum yang dipakai adalah WGS
1984. Hasil koreksi Geometrik yang dilakukan dengan 20 titik GCP mendapatkan nilai
RMS Error rata-rata sebesar 0.297252 yang artinya nilai RMS Error tersebut kurang
dari sama dengan satu (RMSerror ≤ 1), maka citra tersebut sudah terkoreksi secara
geometrik. (Purwadhi, 2001)

Gambar 3. Hasil Koreksi Geometrik

Koreksi Radiometrik
Koreksi radiometrik dilakukan dengan mengubah nilai digital number (DN)
pada citra menjadi nilai reflektan. Nilai DN tersebut diperoleh dari meta data yang
terdapat dalam salah satu file dalam folder data citra yang diunduh. Perhitungan nilai
reflektan dilakukan untuk kanal 2 (biru/blue), 4 (merah/red), dan 5 (infra merah
dekat/NIR). Pemilihan kanal tersebut berdasarkan kanal yang akan digunakan dalam
perhitungan indeks vegetasi.
Klasifikasi Tutupan Lahan
Pengklasifikasian tutupan lahan menggunakan klasifikasi terbimbing dengan
menggunakan algoritma maximum likelihood dan didasarkan dari jenis tutupan lahan di
Peta RBI. Pada algoritma ini pixel dikelaskan sebagai objek tertentu menurut bentuk,
ukuran dan orientasi sampel pada feature space. Sedangkan ketelitian dari algoritma
tersebut dapat dihitung dengan menggunakan confusion matrix dengan batas toleransi
yang diberikan yaitu ≥ 80 %. Pada penelitian ini, klasifikasi tutupan lahannya
menghasilkan nilai overall accuracy = 94,0012% dan nilai overall kappa = 0,9230.
Dengan hasil tersebut, maka klasifikasi dianggap benar.
Tabel 2. Perhitungan confusion matrix
Kelas Commission (%) Omission (%) Producer’s accuracy (%) User’s accuracy (%)
Awan 0,60 0,11 99,89 99,40
Air 0,05 5,75 94,25 99,95
Pemukiman dan jalan 0,48 1,93 98,07 99,52
Hutan 4,56 13,28 86,72 95,44
Tanah terbuka 0,00 1,00 99,00 100,00
Semak belukar 38,97 0,00 100,00 61,03
Lading 16,58 37,78 62,22 83,42
Sawah 0,49 2,40 97,60 99,51
Kebun 42,20 10,03 89,97 57,80
Overall accuracy 94,0012 %
Overall kappa 0,9230

ISBN: 978-602-70604-1-8
C-15-7
 Prosiding Seminar Nasional Manajemen Teknologi XXII
Program Studi MMT-ITS, Surabaya 24 Januari 2015

Analisa Indeks Vegetasi

Pada tabel berikut ini ditampilkan nilai indeks vegetasi dengan menggunakan
beberapa algoritma dari beberapa titik yang tersebar di lokasi penelitian.
Tabel 2. Hasil Indeks Vegetasi dari Beberapa Algoritma
TITIK NDVI SAVI EVI
NO
X Y
1 668,235 9,132,625 0.195299 0.074343 0.074438
2 670,845 9,125,875 0.247198 0.137044 0.140468
3 670,845 9,125,875 0.247198 0.137044 0.140468
4 667,815 9,132,055 0.274177 0.16405 0.172806
5 666,915 9,128,215 0.296933 0.194873 0.238683
6 667,845 9,137,815 0.308136 0.184687 0.214311
7 667,875 9,137,815 0.317453 0.187323 0.235145
8 666,945 9,128,245 0.351948 0.20796 0.240809
9 668,175 9,132,445 0.363206 0.188083 0.201403
10 668,145 9,132,445 0.367323 0.161547 0.166562
11 668,565 9,134,245 0.374749 0.254825 0.311373
12 670,845 9,125,845 0.384587 0.207769 0.214121
13 668,175 9,132,505 0.39078 0.180835 0.190132
14 667,785 9,138,115 0.399888 0.282333 0.362979
15 667,785 9,132,055 0.434489 0.257871 0.285686
16 667,635 9,132,055 0.441302 0.265311 0.289881
17 668,115 9,134,845 0.446818 0.28186 0.300285
18 667,725 9,138,145 0.495275 0.328858 0.388577
19 667,575 9,132,055 0.508522 0.292598 0.326112
20 668,265 9,134,905 0.551014 0.34068 0.379417
21 668,175 9,134,875 0.551933 0.353145 0.39517
22 671,355 9,126,025 0.606853 0.396742 0.454653
23 671,055 9,125,815 0.621082 0.393069 0.458498
24 668,205 9,136,855 0.630445 0.405859 0.461382
25 668,115 9,134,815 0.641921 0.442666 0.518459
26 668,505 9,134,395 0.676937 0.425667 0.495954
27 668,265 9,134,845 0.684546 0.472072 0.562451
28 671,175 9,125,755 0.71396 0.500614 0.609845
29 668,145 9,137,005 0.720656 0.464585 0.546752
30 668,235 9,134,965 0.723128 0.513152 0.626345

0.6

0.5

0.4
y = 0.0135x + 0.08
0.3 R² = 0.9471
0.2

0.1

0
0.39078

0.71396
0.195299
0.247198
0.247198
0.274177
0.296933
0.308136
0.317453
0.351948
0.363206
0.367323
0.374749
0.384587

0.399888
0.434489
0.441302
0.446818
0.495275
0.508522
0.551014
0.551933
0.606853
0.621082
0.630445
0.641921
0.676937
0.684546

0.720656
0.723128

Gambar 4. Grafik Korelasi antar Algoritma

ISBN: 978-602-70604-1-8
C-15-8
 Prosiding Seminar Nasional Manajemen Teknologi XXII
Program Studi MMT-ITS, Surabaya 24 Januari 2015

Gambar 5. Peta Hortikultura Kabupaten Malang dan Sekitarnya

KESIMPULAN
1. Nilai uji ketelitian klasifikasi citra overall accuracy = 94,0012%, sehingga dapat
disimpulkan ada kesesuaian antara klasifikasi citra dengan keadaan sebenarnya
2. Dari hasil klasifikasi tutupan lahan didapatkan bahwa jenis tanaman hortikultura
termasuk ke dalam kelas ladang dengan luas ± 153.261,72 Ha yang tersebar di
seluruh Kabupaten Malang dan Kota Batu
3. Nilai korelasi antara NDVI dengan SAVI serta NDVI dengan EVI adalah sebesar
R2=0,947, sehingga dapat dikatakan, baik algoritma NDVI dengan SAVI maupun
NDVI dengan EVI tersebut memiliki korelasi sangat kuat. Hal ini menunjukkan
bahwa dengan menggunakan algoritma tersebut dapat memberikan informasi
kerapatan tanaman hortikultura dengan tepat.

DAFTAR PUSTAKA
Asrar, G., Fuchs, M., Kanemasu, E.T., Hatfield, J. L. (1984), “Estimating Absorbed
Photosynthetic Radiation and Leaf Area Index from Spectral Reflectance in
Wheat”, Agron. Journal, Vol. 76, hal. 300–306.
Bausch, W. C. (1995), “Remote Sensing of Crop Coefficients for Improving The
Irrigation Scheduling of Corn”, Agriculture Water Manage, Vol. 27, hal. 55–68.
Brownsveld K., Chuturattanapan, S., Pattanakanok, B., Suwanwerakamtorm, R.,
Trakooldit, P. (1994), “The Use of Local Knowledge in Landuse/Landcover
Mapping from Satellite Images”, ITC Journal, Vol. 4, hal. 331-336
Clevers, J. G. P. W. (1988), “The Derivation of Simplified Reflectance Model for the
Estimation of Leaf Area Index”, Remote Sensing of Environment, Vol. 25, hal.
53-69.
Danoedoro, P. (2012), Pengantar Penginderaan Jauh Digital, Edisi 1, CV. Andi
Offset, Yogyakarta.

ISBN: 978-602-70604-1-8
C-15-9
 Prosiding Seminar Nasional Manajemen Teknologi XXII
Program Studi MMT-ITS, Surabaya 24 Januari 2015

Darmawan, S. (2008), Identifikasi, Estimasi, dan Prediksi Hasil Tanaman Pertanian

dengan Satelit Inderaja, Bandung : Pusat Penginderaan Jauh – ITB
Huete, A. R.. (1988), “A Soil Adjusted Vegetation Index (SAVI)”, Remote Sensing of
Environment Vol. 25, hal. 295-309
Jaya, I. N. S. (200), Penginderaan Jauh Satelit untuk Kehutanan, Laboratorium
Inventarisasi Hutan, Jurusan Manajemen Hutan, Fakultas Kehutanan IPB.
Jensen, J. R. (2005), Remote Sensing of the Environment: An Earth Resource
Perspective, (2nd ed.), Englewood Cliffs, N.J.: Prentice Hall.
Karnieli, A., Gabai, A., Ichouku, C., Zaddy, E. and Shachak, M. (2002). “Temporal
Dynamics of Soil and Vegetation Responses in A Semi-arid Environment”,
International Journal of Remote Sensing Vol. 23(193), 4073-4087.
Lillesand, T. M., Keifer, R. W., (1979), Remote Sensing and Image Interpretation,
John Willey and Sons, New York.
NASA. 2012. Landsat Data Continuity Mission: brochure. NASA and USGS
Puntodewo A, Dewi S dan Tarigan J. (2003), Sistem Informasi Geografis untuk
Pengelolaan Sumber Daya Alam, Centre for International Forestry Research,
Jakarta
Purwadhi, S. (2001), Interpretasi Citra Digital, Grasindo, Jakarta
Qi, J., Chehbouni, A., Huete, A. R., Kerr, Y. H., and Sorooshian, S. (1994), “A
Modified Soil Adjusted Vegetation Index”, Remote Sensing of Environment Vol.
48, hal. 119-126
Sudiana, D., Diasmara, E. (2008), “Analisis Indeks Vegetasi menggunakan Data
Satelit”. Seminar on Intelligent Technology and Its Applications. ISBN 978-979-
8897-24-5. Hal.425. Optoelectrotechnique and Remote Sensing (OPRES)
Research Group, Fakultas Teknik, Universitas Indonesia
Sukojo, B. M. (2012), Penginderaan Jauh (Dasar Teori Dan Terapan), Cetakan 1, ITS
Press, Surabaya.
Sutanto. (1986), Penginderaan Jauh, Gadjah Mada University Press, Yogyakarta
Troutl, T. J., Johnson, L. F., Gartung, J. (2008), “Remote Sensing of Canopy Cover in
Horticultural Crops”, HortScience, Vol. 43, No. 2, hal. 333-337.
Tucker, C. J. (1979), “Red and Photographic Infrared Linear Combinations for
Monitoring Vegetation”, Remote Sensing of Environment, Vol. 8, hal. 127–150.

ISBN: 978-602-70604-1-8
C-15-10