Penggunaan Algoritma NDVI dan EVI pada Citra Multispektral untuk Analisa Pertumbuhan Padi (Studi Kasus: Kabupaten Indramayu, Jawa Barat)

Penggunaan Algoritma NDVI dan EVI pada Citra Multispektral untuk Analisa Pertumbuhan Padi (Studi Kasus: Kabupaten Indramayu, Jawa Barat) 1 Aulia Hafizh S, Agung Budi Cahyono, dan Agus Wibowo Jurusan Teknik Geomatika, Fakultas Teknik Sipil dan Perencanaan, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111 Indonesia e-mail: agungbc@geodesy.its.ac.id Kabupaten Indramayu merupakan salah satu kabupaten yang merupakan daerah sentra pertanian dimana sektor ini menyumbang 43% dari total PDRB (Produk Domestik Regional Bruto). Strategi yang tepat dan cepat harus dicanangkan untuk selalu memenuhi kebutuhan akan bahan pokok tersebut. Teknologi penginderaan jauh dapat mengakomodir informasi suatu objek secara cepat dan akurat tanpa harus berinteraksi langsung dengan objek dan dapat dimanfaatkan dalam berbagai aplikasi yang diinginkan. Pembangunan model - model estimasi produktivitas pada beberapa komoditas vegetasi pertanian seperti padi telah digunakan sejak dua dekade lalu. Dari berbagai macam permodelan vegetasi, indeks vegetasi yang paling umum digunakan adalah NDVI (Normalized Difference Vegetation Index) dan EVI (Enhanced Vegetation Index). Hasil dari penelitian ini adalah penentuan fase pertumbuhan, masa tanam, dan masa panen tumbuhan padi pada citra MODIS L1B. Masa tanam padi di kabupaten Indramayu berada pada bulan Juni dan Desember 2011, masa panen berada pada bulan Mei dan September 2011. Citra Aster digunakan sebagai data pendukung untuk menentukan korelasi linear terhadap data lapangan (fieldspectometer). Korelasi yang dihasilkan Antara Modis - Aster sebesar 0.9576 pada EVI dan 0.9654 pada NDVI; Modis - Fieldspectometer sebesar 0.8798 pada EVI dan 0.9077 pada NDVI; dan pada Aster - Fieldspectometer sebesar 0.9220 pada EVI dan 0.9460 pada NDVI. Korelasi dari ketiga data tersebut memiliki hubungan yang cukup kuat dikarenakan nilai yang dihasilkan mendekati nilai 1. Kata Kunci Penginderaan jauh, NDVI, EVI, Modis L1B, Aster. B I. PENDAHULUAN eras merupakan makanan pokok bagi sebagian besar penduduk Asia, termasuk Indonesia. Sebagai makanan pokok, pemenuhan kebutuhan beras bagi penduduk Indonesia mendapat perhatian khusus, karena hal ini menyangkut masalah stabilitas sosial, ekonomi dan politik. Strategi yang tepat dan cepat harus dicanangkan untuk selalu memenuhi kebutuhan akan bahan pokok tersebut. Segala daya upaya harus disiapkan oleh pemerintah pada semua lini terkait secara sinergis untuk mengupayakan stabilitas pemenuhan kebutuhan pokok akan pangan, mulai dari kebijakan pemerintah, payung hukum, kontrol sarana produksi pertanian di pasar, asistensi teknik, teknik estimasi produksi, distribusi panen, sampai pada kontrol harga jual di pasar Teknologi penginderaan jauh adalah suatu teknologi yang dapat dimanfaatkan dalam berbagai aplikasi yang diinginkan. Sejak dua dekade lalu, pemanfaatan teknologi penginderaan jauh telah banyak dan luas digunakan untuk pemnbangunan model model estimasi produktivitas pada beberapa komoditas vegetasi pertanian seperti padi, gandum, dan jagung. Penginderaan jauh umumnya sangat berkaitan erat dengan radiasi matahari yang dipantulkan. 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 signatures. Melalui interpretasi data penginderaan jauh/citra satelit, kita akan mengembangkan pemahaman kita mengenai pattern recognition dan bagaimana reaksi dari pantulan sinar matahari yang mengenai suatu objek. [2] Indeks-Indeks vegetasi kanal lebar (broad band) adalah hal yang umum digunakan untuk mengestimasi parameterparameter biofisik dan selanjutnya akan digunakan dalam model untuk memprediksi panen. Penentuan indeks-indeks ini berdasarkan pada dua hal yaitu tingginya nilai penyerapan dari panjang gelombang tampak (visible) radiasi matahari oleh pigmen tanaman dan tingginya nilai hamburan (scattering) gelombang infra merah (Infrared) oleh lapisan mesophyll daun. Penggunaan indeks vegetasi yang umum digunakan untuk mengestimasi biomassa diantaranya adalah, Normalized Difference Vegetation Index [8] untuk mengestimasi kandungan klrofil pada daun dan Enhanced Vegetation Index (EVI) untuk penentuan variasi struktur kanopi [2]. Analisis yang dilakukan pada penelitian ini untuk mengetahui fase pertumbuhan padi, masa tanam dan panen, serta korelasi yang dihasilkan antara citra Modis, Aster, Serta data lapangan Fieldspectometer. Hasil penelitian ini digunakan sebagai data penunjang untuk project HyperSri di BPPT dalam penentuan multistage-sensing terhadap estimasi produksi dan pertumbuhan padi menggunakan indeks vegetasi NDVI dan EVI. II. PENGOLAHAN CITRA MODIS DAN ASTER Citra merupakan sekumpulan piksel dengan nilai tertentu yang mewakili besarmya pantulan atau pancaran spectral objek yang terekam oleh sensor, dengan kata lain suatu bekas citra terdiri dari suatu populasi piksel yang mewakili kenyataan di lapangan yaitu beragam jenis penutup lahan dengan beragam karakteristik yang terwakili oleh nilainya. Setiap saluran spectral mempunyai kepekaan tertentu terhadap respons objek objek ini sehingga distribusi respons spectral objek tersebut akan bervariasi dari saluran ke saluran yang

2 lain. Observasi dan evaluasi awal suatu data digital penginderaan jauh melalui beberapa aktivitas berikut [6] : 1. Mengamati frekuensi kemunculan nilai nilai kecerahan (brightness value, BV) atau digital number (DN) secara individual suatu citra dalam bentuk histogram. 2. Mengamati nilai BV piksel secara individual pada layar monitor computer pada suatu lokasi tertentu atau di dalam suatu area geografis 3. Melakukan komputasi mendasar dalam hal statistic deskriptif piksel pikselnya, untuk menentukan apakah ada anomali atau penyimpangan yang tidak lazim dalam data citra tersebut 4. Melakukan komputasi statistic multivariate untuk menentukan besarnya korelasi antarsaluran (misalnya untuk melihat adanya redundasi data) A. Restorasi dan kalibrasi citra Data citra yang diperoleh dari sensor dan disimpan dalam format tertentu perlu ditampilkan pada layar monitor untuk dianalisis, dimana kualitas secara visual akan dapat terlihat jelas. Kualitas citra dapat ditentukan secara kuantitatif maupun kualitatif. Restorasi citra diperlukan apabila kualitas citra yang digunakan tidak mencukupi dalam mendukung aplikasi tertentu. Namun pada dasarnya semua citra yang diperoleh melalui perekaman sensor tak lepas dari kesalahan yang diakibatkan oleh mekanisme perekaman sensor, gerakan, wujud geometri dan konfigurasi permukaan bumi, serta kondisi atmosfer pada saat perekaman. Kesalahan yang terjadi pada proses pembentukan citra ini perlu dikoreksi agar aspek geometri dan radiometri yang dikandung dalam citra tersebut dapat mendukung pemanfaatan untuk aplikasi yang berkaitan [1]. Koreksi Geometrik Citra Koreksi ini mencakup perujukan titik - titik tertentu pada citra ke titik - titik yang sama di lapangan maupun di peta. Pasangan titik - titik ini digunakan untuk membangun fungsi matematis yang menyatakan hubungan antara posisi sembarang titik pada citra dengan titik objek yang sama pada peta maupun lapangan. Pada koreksi ini, telah dipertimbangkan bahwa perubahan posisi piksel juga merubah informasi spektralnya. Untuk mengatasi hal tersebut, diperlukan interpolasi spektral selama transformasi geometri (resampling) sehingga dihasilkan geometri baru dengan nilai baru. Berdasarkan pasangan koordinat antara titik kontrol lapangan (GCP) dengan koordinat baru hasil estimasi, diperoleh selisih pada sepanjang sumbu X (arah timur) maupun sumbu Y (arah utara). Selisih ini dapat dihitung pada setiap titik kontrol dan juga pada hasil transformasi keseluruhan, yang memperhitungkan seluruh titik kontrol yang ada. Besarnya akurasi hasil koreksi geometri terhadap selisih - selisih ini dinamakan rumus root mean square error (RMSE) [1]. = ( + ) (1) dimana: = residual (selisih) koordinat referensi untuk Northing n = residual (selisih) koordinat referensi untuk Easting = jumlah GCP No Tabel 1. Rerata RMS error pada citra Modis tahun 2011 Tanggal Akuisisi Citra Jumlah GCP Rata - rata RMS Error 1 - - - 2 30 Januari 2011 15 0.4897 3 2 Maret 2011 13 0.8526 4 6 April 2011 20 0.9420 5 4 Mei 2011 13 0.5188 6 6 Juni 2011 14 0.7745 7 4 Juli 2011 12 0.88054 8 1 Agustus 2011 15 0.7619 9 6 September 2011 14 0.3881 10 13 Oktober 2011 15 0.7140 11 - - - 12 2 Desember 2011 11 0.5860 Tabel 1 menjelaskan besaran RMS error pada citra Modis, jumlah GCP tiap citra berbeda dikarenakan visibilitas tiap citra yang berbeda. sedangkan untuk citra Aster yang diakuisisi pada tanggal 4 Juli 2011 memiliki 19 GCP dan memiliki nilai RMS error 0.475414. Koreksi Radiometrik Citra Koreksi radiometri diperlukan karena dua alasan, yaitu untuk memperbaiki kualitas visual citra dan sekaligus memperbaiki nilai - nilai piksel yang tidak sesuai dengan nilai pantulan atau pancaran spektral objek yang sebenarnya. Koreksi radiometri citra yang ditujukan untuk memperbaiki kualitas visual citra berupa pengisian kembali baris yang kosong karena drop-out baris maupun masalah kesalahan pemindaian, sedangkan koreksi radiometri yang ditujukan untuk memperbaiki nilai piksel dilakukan dengan mempertimbangkan gangguan atmosfer sebagai sumber kesalahan utama. Algoritma model transfer radiasi (radiative transfer model) untuk koreksi pengaruh atmosfer dapat dilakukan secara manual (image calculator software) dan dapat dimanfaatkan untuk berbagai operasi matematis dengan memasukkan nama berkas citra atau salah satu / beberapa salurannya serta nilai koefisien atau konstanta berdasarkan karakteristik citra. Koreksi Radiometrik pada Citra Aster Karakteristik saluran spektral yang terdapat pada citra ASTER terdiri 3 kelompok spektral yaitu VNIR (Visible Near Infra Red), SWIR (Short Wave Infra Red) dan TIR (Thermal Infra Red). VNIR terdiri dari 4 band (1, 2, 3N dan 3B) yang memiliki resolusi 15m, sedangkan SWIR memiliki 6 band yang mempunyai resolusi spasial 30m, dan TIR terdiri dari 5 band yang memiliki resolusi spasial 90m. Tabel 2 Karakteristik citra Aster No ASTER Resolusi Spektrum (um) Band Spasial (m) 1 VNIR 0.520 0.600 15 2 VNIR 0.630 0.690 15 3N & 3B VNIR 0.760 0.860 15

3 Untuk keperluan indeks vegetasi seperti NDVI dan EVI dari citra ASTER, saluran yang digunakan hanya sampai saluran 3. Tahap awal pengolahan citra ASTER adalah transformasi dari nilai dijital (digital number) ke dalam bentuk radian, setelah data radian tersebut diperoleh maka data radian di transformasi lagi ke bentuk nilai reflektan [4]. 1. Transformasi nilai dijital ke spektral Radian (L rad ) menggunakan rumus berikut: = ( 1) (2) = Digital Number pada saluran s UCC = Unit Conversion Coefficients pada saluran s UCC memiliki koefisien yang berbeda tiap saluran. Nilai UCC untuk masing-masing saluran Aster dapat dilihat pada Tabel 2, berdasarkan Aster user Hanbook versi 2 [10]. 2. Merubah spektral radian Aster ke bentuk reflektan lapisan atas atmosfir (Reflectance TOA). R TOA dihitung menggunakan persamaan sebagai berikut :, = (3) ( ( )) Dimana : = Reflektans lapisan atas atmosfer = 3,14159, = Spektral radians pada saluran s = kuadrat jarak bumi - matahari dalam unit astronomi (UA) = konstanta iradian exoatmosferik matahari (Tabel 3) = Sudut zenith matahari (90 - sudut elevasi matahari) Dimana persamaan d, = 1 0.01672 ( (0.9856 ( 4))) (4) Tabel 2 Konstanta unit koefisien konversi ASTER BAND Coefficient (W/m2*sr*um)/DN) High Normal Low Gain Gain1 1 0.676 1.688 2.25 - Low Gain2 2 0.708 1.415 1.89-3N 0.423 0.862 0.15-3B 0.423 0.862 0.15 - Tabel 2 Hasil perhitungan transformasi DN ke reflektans B = Esun * Cos (radians(z)) A/B (A/B)*UCC 1448,288343 0,002181548 0,001474727 1217,754086 0,00259454 0,001836934 876,6574811 0,003604043 0,003106685 Program QUAC merupakan metode koreksi atmosferik untuk citra multispektral dan hyperspektral dalam rentang VNIR (visible-near infrared) hingga SWIR (shortwave infrared). Tidak seperti pengolahan atmosferik lainnya, pendekatan atmosferik pada QUAC didasarkan pada parameter citra yang digunakan / spektral pada piksel yang diobservasi (Bright Spectra Filter) tanpa informasi tambahan dari luar (arah sinar matahari, conversion coefficient, dan sebagainya). B. Normalized Difference Vegetation Index NDVI atau Normalized Difference Vegetation Index merupakan metode standar yang digunakan dalam membandingkan tingkat kehijauan vegetasi (kandungan klorofil) pada tumbuhan. Formula standar untuk menghitung nilai NDVI adalah sebagai berikut [9] : = (5) NDVI = Nilai BV dari Normalized Difference Vegetation Index = Reflektans saluran infra merah dekat (Near Infra Red) = Reflektans saluran merah Pengukuran NDVI baru dapat diukur setelah tanaman padi mencapai umur 3-4 MST (Minggu Setelah Tanam), karena sebelum umur tersebut kenampakan tanaman padi masih didonimasi oleh kenampakan genangan air. Penggunaan algoritma NDVI dapat digunakan pada kedua citra Modis dan Aster. C. Enhanced Vegetation Index EVI atau Enhanced Vegetation Index merupakan metode penentuan tingkat kehijauan dan biomassa yang dikembangkan untuk mengoptimalkan sensivitas sinyal vegetasi yang lebih baik di daerah biomassa yang tinggi. EVI lebih responsif untuk penentuan variasi struktur kanopi, termasuk Leaf Area Index (LAI),jenis kanopi, fisiogonomi tanaman, dan arsitektur kanopi. Persamaan EVI pada citra Modis menggunakan tiga saluran gelombang. Persamaannya adalah sebagai berikut [5] : =,,, (6) = Perataan nonlinier dari kanopi daun (bernilai 1) = Koefisien aerosol masing masing bernilai 6 dan 7,5 = Gain factor (bernilai 2,5),, = Reflektans gelombang inframerah dekat, merah dan biru pada citra Modis Sedangkan pada citra Aster menggunakan persamaan EVI2, hal ini dikarenakan pada citra Aster tidak memiliki gelombang biru sebagai reflektans-nya, persamaan EVI2 adalah sebagai

4 berikut [7] : 2 = EVI2,,,,, = Gain Factor (2,5) = Nilai BV dari EVI2, = Reflektans gelombang infra merah dekat dan merah (7) III. METODOLOGI PENELITIAN Analisa pertumbuhan padi menggunakan algoritma EVI dan NDVI menghasilkan nilai BV atau DN pada tiap citra. Analisa temporal akan diaplikasikan pada citra Modis level 1B (Calibrated Radiance) sepanjang tahun 2011, sedangkan analisa pada citra Aster diambil pada tanggal 18 Juni 2011. Koreksi geometrik diaplikasikan pada kedua citra, sedangkan koreksi radiometrik dan atmosferik diaplikasikan hanya pada citra Aster (saluran pada citra Modis sudah dalam bentuk spektral reflektans). Sampel data lapangan menggunakan dua metode berdasarkan resolusi spasial kedua citra. Pada citra ASTER sampel data diambil berdasarkan quadran area (QA) berukuran 10 x 10 m (hal ini dikarenakan resolusi spasial pada citra Aster adalah 15 x 15m tiap pikselnya), sedangkan pada citra Modis (500 x 500m) sampel data berdasarkan segmen sampling area (SA), dimana tiap segmen memiliki luasan 500 x 500 m. 500 500 m 10 10m Gambar 1. Lokasi Penelitian Sampling Field Spectometer Pengambilan sampel menggunakan alat Field Spectometer dengan rentang panjang gelombang 350-2500 nm dimana rentang antar interval adalah 1 nm. Tahapan analisa pertumbuhan pada kedua citra adalah sebagai berikut. Diagram1. Tahapan analisa klasifikasi pertumbuhan padi IV. HASIL DAN ANALISA Citra yang digunakan pada tugas akhir ini adalah citra yang berasal dari satelit TERRA dengan menggunakan sensor MODIS dan ASTER dengan masing - masing resolusi 500 m dan 15 m. Akuisisi data MODIS dilakukan sepanjang tahun 2011 pada awal bulan (disesuaikan dengan kondisi awan), sedangkan data ASTER diakuisisi pada tanggal 4 Juli tahun 2011 untuk daerah Indramayu. Citra MODIS yang digunakan adalah MOD02HKM (Level 1 Calibrated Radiance) dan belum dilakukan koreksi Geometrik. Citra ASTER yang digunakan merupakan level 3A yang sudah teroktorektifikasi pada tiap saluran radiasinya, termasuk saluran nadir 3B, akan tetapi untuk menghasilkan nilai Brightness Value dari NDVI dan EVI diperlukan koreksi radiometrik agar sesuai korelasinya dengan data lapangan. A. Analisa Citra MODIS L1B Pembagian fase pertumbuhan pada EVI dan NDVI pada citra MODIS dijelaskan pada tabel berikut [3]: Fase Tumbuh Tabel 4 Fase pertumbuhan padi pada EVI Nilai EVI Air < 0.192 Tingkat Kehijauan Lahan terbuka / air / tidak bervegetasi Umur Tanam (MST) Vegetatif 1 0.192-0.612 Kehijauan rendah 3-4 Vegetatif 2 0.612-0.739 Kehijauan Tinggi 4-6 < 3

5 Fase Umur Tanam Nilai EVI Tingkat Kehijauan Tumbuh (MST) Generatif 1 0.739-0.482 Kehijauan Tinggi 6-9 Generatif 2 0.482-0.277 Kehijauan Rendah 9-14 Bera 0.193-0.211 Lahan Terbuka 14-17 Tabel 7 BV tiap segmen NDVI MODIS L1B Fase Tumbuh Tabel 5 Fase pertumbuhan padi pada NDVI [11] Nilai NDVI Air < 0.137 Tingkat Kehijauan Lahan terbuka / air / tidak bervegetasi Umur Tanam (MST) Vegetatif 1 0.137-0.533 Kehijauan rendah 3-4 Vegetatif 2 0.533-0.736 Kehijauan Tinggi 4-6 Generatif 1 0.736-0.457 Kehijauan Tinggi 6-9 Generatif 2 0.457-0.167 Kehijauan Rendah 9-14 Bera 0.138-0.265 Lahan Terbuka 14-17 < 3 Akuisisi data citra MODIS pada awal bulan Januari dan bulan November tidak dapat dilakukan karena hampir setiap hari pada bulan tersebut lingkup area yang dilakukan penelitian tertutup oleh awan. Nilai Brightness Value dari EVI dan NDVI terlihat cukup berbeda dilihat dari tabel 6 dan 7. Akan tetapi siklus pertumbuhan yang dihasilkan berdasarkan klasifikasi fase relatif sama. Pada tabel 6 terlihat beberapa data yang berada pada luar batas klasifikasi, hal tersebut dikarenakan reflektansi pada citra MODIS terganggu akibat awan. Tabel 6 BV tiap segmen EVI MODIS L1B Analisa fase pertumbuhan padi dan masa tanam dan panen dapat dilihat pada tabel 8. Pada bulan Februari dan Juni 2011 dominasi pertumbuhan padi berada dalam fase Vegetatif, sedangkan fase Generatif terjadi pada bulan April dan Agustus 2011. Fase Bera terjadi pada bulan Mei dan November 2011. Masa tanam padi pada kabupaten Indramayu pada tahun 2011 berada pada bulan Mei 2011 dan Desember 2011, sedangkan masa panen pada tahun 2011 berada pada bulan September hingga Oktober 2011. Tabel 8 Hasil klasifikasi pertumbuhan padi pada sampling area kabupaten Indramayu dalam indeks EVI dan NDVI sepanjang tahun 2011

6 B. Analisa Korelasi Fieldspectometer, MODIS, dan ASTER Koefisien korelasi menunjukkan hubungan kedua peubah antara X dan Y yang berhubungan secara linear. Koefisien korelasi linear sederhana biasanya dilambangkan dengan huruf r (sampel) dan xy ( populasi).. Besaran koefisiensi korelasi menunjukkan kuat atau lemahnya hubungan. Semakin besar nilai koefisien korelasi menunjukkan hubungan yang kuat, begitu pula sebaliknya. Tanpa memperhatikan tanda aljabar, koefisien korelasi bergerak antara nilai -1 hingga 1. [4] ( ) ( ) = [ ( ) ] [ ( ) ] (8) Dimana : = nilai koefisien korelasi X dan Y = Peubah terikat = Peubah bebas = Jumlah data Tabel 9 Koefisien determinasi (R 2 ) dan koefisien korelasi (R) pada EVI MODIS - ASTER R TOA FieldSpect - ASTER R TOA 0.917 0.9576 0.85 0.9220 MODIS - FieldSpect FieldSpect - ASTER QUAC 0.774 0.8798 0.789 0.8883 Tabel 10 Koefisien determinasi (R 2 ) dan koefisien korelasi (R) pada NDVI MODIS - ASTER R TOA FieldSpect - ASTER R TOA 0.932 0.9654 0.895 0.9460 MODIS - FieldSpect FieldSpect - ASTER QUAC 0.824 0.9077 0.843 0.9182 Tabel 11 Koefisien determinasi (R 2 ) dan koefisien korelasi (R) pada Algoritma EVI dan NDVI MODIS ASTER RTOA 0,987 0,993 0,988 0,993 Fieldspectometer ASTER QUAC 0,898 0,947 0,992 0,995 V. KESIMPULAN DAN SARAN Data citra satelit MODIS Level 1B dapat diolah dan dianalisa menggunakan teknologi penginderaan jauh sehingga didapatkan peta pertumbuhan padi untuk menentukan pendugaan umur padi. Pada bulan Februari dan Juni 2011 dominasi pertumbuhan padi berada dalam fase Vegetatif, sedangkan fase Generatif terjadi pada bulan April dan Agustus 2011. Fase Bera terjadi pada bulan Mei dan November 2011. Berdasakan nilai EVI dan NDVI, masa tanam padi pada kabupaten Indramayu pada tahun 2011 berada pada bulan Juni 2011 dan Desember 2011, sedangkan masa panen pada tahun 2011 berada pada bulan Mei dan September 2011. Penggunaan citra MODIS Level 1B dapat digunakan dalam penentuan umur padi secara nasional maupun global, mengingat koefisien korelasi yang dihasilkan terhadap data Field Spectometer cukup tinggi, yaitu sebesar 0,907 pada nilai NDVI dan 0,879 pada nilai EVI. Dalam skala regional, citra ASTER Level 3A juga dapat digunakan dalam kebutuhan pendugaan umur tanaman. Perbandingan dua metode koreksi radiometrik antara QUAC (Quick Atmospjeric Correction) dan Reflektans Atmosferik (R TOA ) terhadap nilai Field Spectometer dihasilkan koefisien korelasi sebesar; 0,883 dan 0,922 pada nilai EVI2; serta 0,918 dan 0,946 pada nilai NDVI. Koefisien korelasi antara citra ASTER Level 3A dengan citra MODIS Level 1B bernilai 0,957 pada EVI dan 0,965 pada NDVI. Berdasarkan kedua metode tersebut, metode koreksi radiometrik Reflektans Atmosferik (R TOA ) merupakan metode yang lebih efektif dalam menentukan kedua nilai NDVI dan EVI dibandingkan dengan metode QUAC (Quick Atmospheric Correction). Rentang nilai EVI yang dihasilkan dari metode QUAC tidak sesuai dengan standar EVI pada umumnya. Nilai EVI pada umumnya memiliki rentang nilai -1 hingga +1, tetapi pada metode QUAC nilai yang dihasilkan berkisar -6 hingga +2. Penggunaan citra MODIS Level 1B dapat digunakan dalam skala nasional maupun regional untuk memantau pertumbuhan padi, sedangkan dari segi biaya, citra ASTER Level 3A dapat digunakan dalam skala regional. Mengingat bahwa sebagian besar penduduk Indonesia masih mengkonsumsi beras, penelitian ini dapat diharapkan dapat berlanjut ke tahap nasional dengan menambahkan indeks spektral lainnya, seperti SAVI (Soil Adjusted Vegetation Index) dan NDWI (Normalized Difference Water Index). Reflektans yang dihasilkan dari padi memiliki banyak pengaruh pada fase vegetatif, terutama pada saat masa pertunasan, dimana masih banyak air, sehingga reflektans yang dihasilkan memiliki nilai negatif. DAFTAR PUSTAKA [1] Danoedoro, Projo. 2012. Pengantar Penginderaan Jauh Digital. Yogyakarta : Penerbit Andi. [2] Darmawan, Arief. Pembangunan Model Hyperspectral Untuk Estimasi Produktivitas Vegetasi Padi Berdasarkan Derivatif Linear. Surabaya, IT, 2012. [3] Dirgahayu, D. D, dkk. Model Pertumbuhan Tanaman Padi menggunakan data Modis Untuk Pendugaan Umur Padi Sawah. PIT MAPIN XIV, 2005. [4] Furqon. Statistika Penerapan untuk Penelitian. Bandung, Alfabeta.1999 [5] Huete, A., Liu, H., dkk. An error and senstiivity analysis of the Atmospheric and soil corecting variants of the NDVI for the MODIS- EOS. IEEE GSRSS, 32, 897-905 Arizona : Elsiever Science Publisher. 1994. [6] Jensen, J.R. Introductory Digital Image Processing - A remote Sensing Perspectives., 3rd Edition. Englewood Cliffs,N. J, Prentice Hall. 2004. [7] Jiang, Zhangyan, et,al. Development of a two-band Enhanced Vegetation Index without Blue Band. Elsevier, University of Hawaii. 2008 [8] Rouse, J.W. Haas, R. H. dkk. Monitoring The Vernal Advancement and Retrogradation (Green Wave Effect) of Natural Vegetation. Final Rep. RSC 1978-4, Remote Sensing Center, Texas A&M University. 1974. [9] Tucker, C. J. Relationship Between Atmospheric Co2 Variations And A Satellite-Derived Vegetation Index. Nature, 319 (6050), 359-375. 1986. [10] Wahyudi, Yudi. Transformasi Data Citra Aster Tahap Pertama Model Peramalan Hasil Produksi Padi Dengan Indeks Vegetasi Citra Aster Di Kabupaten Indramayu, Jawa Barat. Surabaya, ITS. [11] Wahyunto, dkk. 2006. Pendugaan Produktivitas Tanaman Padi Sawah Melalui Analisis Citra Satelit. Jakarta : Litbang Sumberdaya Lahan Pertanian.