LAPORAN PRAKTIKUM

DATA MINING UNTUK PENGINDERAAN JAUH DAN SISTEM INFORMASI

GEOGRAFIS

Perbandingan Metode Classification Tree Analysis dan Metode Piksel Based Classification

dalam Pemetaan Komposisi Vegetasi Menggunakan Citra Resolusi Tinggi

Dosen pengampu :

Nur Mohammad Farda, S.Si, M.Cs.

Disusun Oleh:

Nama : Aswin Nur Saputra

NIM : 14/375668/PGE/01158

FAKULTAS GEOGRAFI

PROGRAM PASCASARJANA PENGINDERAAN JAUH

UNIVERSITAS GADJAH MADA

YOGYAKARTA

2015

I. PENDAHULUAN

Asumsi paling awal yang diutarakan Danoedoro (2012) bahwa dalam klasifikasi

multispektral ialah bahwa tiap objek dapat dibedakan dari yang lain berdasarkan nilai

spektralnya. Phinn (2002) menyebutkan bahwa klasifikasi multispektral mengasumsikan: (a)

resolusi spasial tingi, dimana setiap piksel merupakan piksel murni yang tersusun atas satu

macam objek penutup lahan, (b) piksel-piksel yang menyusun satu jenis penutup lahan

mempunyai kesamaan spectral, (c) setiap penutup lahan yang berbeda juga mempunyai

perbedaan spectral yang signifikan.

Selain dianalisis secara visual, menurut Manalu (2010) citra penginderaan jauh sering

juga dianalisis secara digital untuk mendapatkan informasi tematik. Kalsifikasi multispektral

adalah satu diantara metode yang sering digunakan untuk mengekstrak informasi, terutama

informasi penutup lahan. Bila pada pengolahan citra digital, citra penginderaan jauh akan

dianalisis secara kualitatif mengingat peran interpretasi visual yang kuat dalam perolehan

informasi. Sedangkan klasifikasi multispektral menggunakan pendekatan kuantitatif dan

megurangi subyektifitas pada kegiatan interpretasi. Klasifikasi citra penginderaan jauh adalah

suatu proses dimana semua piksel dari suatu citra yang mempunyai kenampakan spectral yang

sama akan diidentifikasikan.

Danoedoro (2012) menyebutkan bahwa pemrosesan PCA pada dasarnya merupakan

teknik rotasi yang diterapkan pada sistem koordinat multisaluran sehingga menghasilkan

citra baru dengan jumlah saluran yang lebih sedikit. Saluran yang lebih sedikit tersebut

mempunyai korelasi yang rendah antar dengan variansi yang besar pada tiap salurannya,

sehingga mampu meminimalisir duplikasi informasi dibandingkan dengan citra asli

sebelum dilakukan PCA.

Data mining menurut Guo (2009) khususnya secara spasial memiliki akar yang dalam

kajian analisis spasial (seperti statistik spasial, analisis kartografi, dan analisis ekplorasi data) dan

berbagai area kajian data mining dalam statistic dan ilmu computer (seperti clustering,

klasifikasi, association rule mining, visualisasi informasi, dan analisis visual). Tujuannya adalah

untuk mengintegrasikan dan mengembangkan metode dalam berbagai kajian untuk analisis data

spasial yang besar dan kompleks. Spasial data mining meliputi berbagai tugas dan untuk setiap

tugas tersedia sejumlah metode yang berbeda untuk digunakan baik itu komputasi, statistik,

visual atau kombinasi dari beberapa diantaranya.

Klasifikasi dalam data mining oleh Guo (2009) adalah tentang mengelompokkan item

data dalam kelas-kelas menurut sifatnya (nilai atribut). Klasifikasi ini juga biasa disebut

Supervised Classificaton (klasifikasi terselia) sedangkan kebalikannya adalah Unsupervised

Classification (klasifikasi tidak terselia).

Teknik untuk menggabungkan beberapa sumber informasi mulai berkembang pada area

kajian penginderaan jauh, terutama dalam pemetaan bentang lahan (Rogan et al., 2006, dalam

Ramos, 2008). Seiring hal tersebut teknik machine learning jadi meningkat karena teknik

tersebut memfasilitasi integrasi data dari beberapa sumber karena kemampuannya untuk

menggabungkan secara terus menerus dan analisis data kategorikal dalam asumsi statistik

(Gahegan, 2003 dalam Ramos, 2008). Machine learning mengacu pada algoritma induksi yang

menganalisis informasi dan mengenlai pola melalui proses belajar otomatis dan berulang dari

training data (Malerba et al., 2001 dalam Ramos, 2008). Breiman et al. (1984) dalam Ramos

(2008) menyajikan contoh teknik machine learning sebagai classification tree analysis, dimana

teknik ini mampu menagani data dimensi tinggi. Teknik ini telah banyak diterapkan pada

permodelan vegetasi dari data lingkungan SIG, analisis citra untuk penutup lahan dan pemetaan

hutan (Friedl & Brodley , 1997; Rognan et al., 2003)

Objek vegetasi merupakan salah satu dari tiga aspek keruangan dalam lingkup geografi.

Ketiga aspek tersebut adalah aspek abiotik (fisik), biotik dan manusia, dimana ketiga aspek

tersebut saling berinteraksi antar satu dengan yang lain. Aspek biotik yang salah satunya dalah

flota (vegetasi) merupakan salah satu aspek keruangan yang sangat menarik dikaji. Kenampakan

tiap individu vegetasi memiliki struktur yang beraneka ragam, baik dari struktur daun, batang

maupun akar yang dapat dilihat secara langsung dilapangan. Permasalahan terjadi ketika objek

vegetasi tersebut coba dikaji dan dipetakan menggunakan data penginderaan jauh yang dilihat

dari atas dimana yang terlihat hanya kenampakan tajuknya saja. Struktur tajuk sendiri tersusun

dari berbagai macam jaringan seperti jaringan sponge dan palisade yang mana mempengaruhi

nilai pantulan spektral yang datang dari matahari dan kembali direkam oleh sensor.

Terdapat beberapa metode untuk interpretasi dan klasifikasi objek vegetasi yaitu

klasifikasi berbasis piksel dan klasfikasi berbasis objek. Permasalahan klasifikasi berbasis piksel

pada citra resolusi spasial tinggi adalah salt and pepper yang muncul pada hasil klasifikasi.

Daerah kajian untuk penelitian ini adalah hutan Gunung Tidar di kota Magelang yang merupakan

hutan tropis dan memiliki komposisi floristik yang heterogen.

Tujuan Penelitian

Tujuan penelitian ini adalah untuk melakukan perbandingan metode classification tree

analysis dan metode pixel based classification dalam pemetaan komposisi vegetasi

menggunakan citra resolusi tinggi dengan area studi di Gunung Tidar.

II. Metode Penelitian

a. Alat dan Bahan

- Seperangkat computer

- Perangkat lunak Arc Gis 10.1, ENVI 5.1 dan Idrisi Selva

- Citra Worldview-2 tanggal perekaman 1 Oktober 2012

b. Metode

Koreksi Atmosfer

Koreksi atmosfer termasuk dalam rangkaian koreksi radiometric yang diperlukan

atas dasar dua alasan, yaitu untuk memperbaiki kualitas visual citra dan sekaligus

memperbaiki nilai-nilai piksel yang tidak sesuai dengan dengan nilai pantulan atau

pancaran spektral objek yang sebenarnya (Guindon, 1984, dalam Danoedoro, 2012).

Pada koreksi ini, diasumsikan bahwa nilai piksel terendah pada suatu kerangka liputan

(scene) seharusnya nol, sesuai dengan bit-coding sensor. Apabila nilai terendah piksel

pada kerangka liputan tersebut bukan nol maka nilai penambah (atau offset) tersebut

dipandang sebagai hasil dari hamburan atmosfer (Danoedoro, 2012). Citra perlu

dikoreksi karena nantinya akan dilakukan transformasi menjadi indeks vegetasi yang

akan dijadikan salah satu input untuk proses klasifikasi. Berikut adalah alogaritma yang

digunakan dalam kalibrasi sensor (Digital globe,) :

Keterangan :

absCalFactorBand = Absolute radiometric calibration factor

QPiksel Band = Pixel Band

LPixel Band =Spektral radiance(W.m-2

.sr-1

.µm-1

)

Spectral Band Spectral Iradiance [W.m-2

.µm-1

]

Panchromatic 1580.8140

Coastal 1758.2229

Blue 1974.2416

Green 1856.4104

Yellow 1738.4791

Red 1559.4555

Red Edge 1342.0695

NIR1 1069.7302

NIR2 861.2866

Tabel 1. Worldview-2 Band Averaged Solar Spectral Irradiance

Selanjutnya adalah melakukan koreksi radiometrik yaitu reflectance at-sensor ,

dimana proses ini adalah memperbaiki nilai piksel yang mengalami gangguang atmoster

yang terdapat pada sensor. Formulasi koreksi reflectance at-sensor dapat dilihat sebagai

berikut :

ρλPixel,Band =

( )

dES2 = (1-0.01674*cos(0.9856*(JD-4)))

2

θs = (900 – sun elevation)*(π/180)

Keterangan :

Lλ = Nilai radiansi spektral [W.m-2

.sr-1

.µm-1

]

π = 22/ 7 atau 3,1428571428

θs = Sudut zenith matahari ketika citra direkam (radians)

d2 = Kuadrat jarak bumi-matahari dengan satuan astronomi

JD = Julian Day

Transformasi citra

- PCA (Principle Component Analysis)

Analisis komponen utama atau analisis faktor (Principal Component

Analysis, PCA, atau Transformasi Karhunen – Loeve) merupakan teknik rotasi yang

sangat spesifik PCA pada dasarnya adalah teknik rotasi yang diterapkan pada sistem

koordinat multisaluran (bahkan lebih dari 3 dimensi) sehingga menghasilkan citra

baru dengan jumlah ‘saluran’ yang lebih sedikit. Dengan kata lain, PCA mampu

mengurangi dimensionalitas data (Danoedoro, 2012).

- Vegetation Index

Indeks vegetasi merupakan suatu bentuk transformasi spektral yang

diterapkan terhadap citra multisaluran untuk menonjolkan aspek kerapatan vegetasi

ataupun aspek lain yang berkaitan dengan kerapatan, biomassa, Leaf Area Index

(LAI), konsentrasi klorofil, dan sebagainya (Danoedoro, 2012). Pada penelitian ini

penggunaan indeks vegetasi diharapkan mampu meningkatkan hasil dari klasifikasi

(a) (b) (c)

(d) (e) (f)

Gambar 1. Band PCA; a) band 1, b) band 2, c) band 3, d) band 4, e) band 5, f) band 6

yang akan dilakukan karena indeks vegetasi merupakan transformasi yang

menonjolkan kenampakan vegetasi.

NDVI (Normalized Differenced Vegetation Index)

Normalized Difference Vegetation Index (NDVI) merupakan kombinasi

antara teknik penisbahan dengan teknik pengurangan citra. NDVI mampu

menonjolkan aspek kerapatan vegetasi. NDVI, nilai selalu berkisar antara -1 hingga

+1 (Danoedoro, 2012) dimana nilai -1 menunjukan vegetasi tersebut kurang rapat

yang dapat diasumsikan vegetasi tersebut memiliki tajuk yang jarang-jarang seperti

pohon pinus. Transformasi NDVI dirumuskan sebagai berikut:

( )

( )

SAVI ( Soil Adjusted Vegetation Index)

Untuk menekan gangguan latar belakang tanah yang berupa variasi respon

spectral tanah yang berbeda-beda maka digunakan indeks vegetasi SAVI (Soil

Adjusted Vegetation Index). Indeks vegetasi ini mencoba untuk mereduksi gangguan

tanah terutama pada lokasi yang vegetasinya tidak terlalu rapat dengan cara perilaku

isovegetasi (yang mempunyai kerapatan yang sama) (Danoedoro, 2012). SAVI

dirumuskan sebagai berikut:

( )

dimana L ialah faktor koreksi untuk vegetasi, yang besarnya 0 untuk vegetasi sangat

rapat dan 1 untuk vegetasi yang sangat jarang. Faktor pengali (1+L) digunakan

supaya julat hasil transformasi berkisar antara -1 dan +1.

ARVI (Atmospheric Resistant Vegetation Index)

Penggunaan indeks vegetasi ARVI (Atmospheric Resistant Vegetation Index)

untuk menekan dan meminimalkan pengaruh atmosfer. Didaerah kajian terutama

daerah yang memiliki ketinggian cukup tunggu seperti daerah perbukitan, pengaruh

atmosfer perlu juga diperhatikan sehingga transfomarsi ARVI merupakan salah satu

pilihan untuk dijadikan sebagia input data dalam pemrosesan. Formulasi ARVI dapat

dilihat sebagai berikut :

dimana rb= BV merah – gamma (BV merah – BV biru), dengan gamma diberi nilai 1,0

DVI (Difference Vegetation Index)

Indeks DVI ini juga digunakan sebagai input untuk meminimalisir pengaruh

pantulan tanah yang mengganggu pantulan vegetasi disekitarnya akan tetapi

kelemahanya belum memperhitungkan perbedaan antara reflektansi dan cahaya yang

disebabkan oleh efek atmosfer atau bayangan. DVI dirumuskan sebagai berikut

(Tucker, 1979):

(c) (d)

(a) (b)

Gambar 2. Tranformasi indek vegetasi a) SAVI, b) NDVI, c) ARVI, d) DVI

Desain sample dan Lapangan

Metode sampling yang digunakan adalah stratifed random sampling dimana

sampel diambil berdasarkan hasil klasifikasi visual yang nantinya akan menjadi peta

tentatif komposisi vegetasi. Jumlah sampel yang diambil ada 69 dimana 31 sampel

dijadikan sebagai sampel klasifikasi dan 38 dijadikan sebagai sampel uji akurasi.

Tabel 2. Spesies penyusun komposisi vegetasi

Kelas

Komposisi

Spesies Vegetasi

Pinus Beringin Sengon Glonggong Aren Kaliandra Godheg Sepatu

Dia

A

√

B

√

C

√

D

√

E

√

F √

G

√

H

√

Dari hasil lapangan dapat dirumuskan tabel komposisi vegetasi seperti pada tabel

2 di atas. Kenampakan vegetasi tersebut merupakan vegetasi yang paling dominan dan

paling tinggi sehingga dapat terlihat melalui data penginderaan jauh. Selain itu terdapat

kelas yang memiliki beberapa kombinasi vegetasi tutupan atas dan bawah yang mana

nilai pantulan spektral tersebut saling mempengaruhi

Dalam pengambilan sampel perlu dilihat juga nilai separabilitas dari sampel yang

diambil terlihat bahwa nilai separabilitas untuk input citra band Reflectance-VI dan PCA-

VI memiliki keterpisahan sampel yang baik yaitu diatas 1,9. Hal ini diasumsikan bahwa

hasil dari klasifikasi tiap objek nanti dapat terbedakan dengan baik. Nilai separabilitas

dapat dilihat pada tabel 3

Tabel 3. Nilai separabilitas sampel klasifikasi dengan berbagai input citra

Input Citra / Nilai

Separabilitas

Nilai Separabilitas

0-1 1-1,9 >1,9 Total

Reflectance 0 6 49 55

VI 2 24 29 55

Reflectance VI 0 0 55 55

PCA VI 0 0 55 55

PCA 0 6 49 55

Klasifikasi Berbasis Piksel

Klasifikasi Maximum Likelhood

Metode klasifikasi maximum likelihood didasari pada perhitungan probabilitas.

Berbeda dengan algoritma lain yang didasari oleh pengukuran jarak antara koordinat

guguss sampel dengan koordinat piksel kandidiat. Pada algoritma ini, piksel dikelaskan

sebagai objek tertentu bukan karena jarak euklidiannya, melainkan oleh bentuk, ukuran,

dan orientasi sampel pada feature space (yang berupa elisoida) (Shresta, 1991 dalam

Danoedoro, 2012).

(a)

(e) (d)

(b) (c)

Gambar 3. Hasil klasifikasi Maximum Likelihood pada citra (a) PCA; (b) PCA-VI; (c) Reflectance; (d)

Reflectance-VI; (e) VI (Vegetation Index)

Klasifikasi Mahalanobis

Metode ini berdasarkan algoritmanya memiliki karakteristik yaitu adanya nilai

penguat yang fleksibel sehingga mudah disesuaikan dengan perubahan kondisi, hal ini

yang menyebabkan metode ini lebih akurat dibanding metode lain yang juga digunakan

untuk mencari nilai penyebaran data, misalnya metode Euclidean Distance. Penguat dari

Mahalonobis distance ini ada pada nilai kovariannya.

(a)

(e) (d)

(b) (c)

Gambar 4. Hasil klasifikasi Mahalonobis Distance pada citra (a) PCA; (b) PCA-VI; (c)

Reflectance; (d) Reflectance-VI; (e) VI (Vegetation Index)

CTA (Classification tree analysis)

CTA telah berhasil digunakan untuk klasifikasi multispektral dan citra

hiperspektral, penggabungan data tambahan dengan citra multispektral untuk

meningkatkan akurasi klasifikasi, dan analisis deteksi perubahan. Meskipun CTA adalah

teknik statistik yang relatif baru, yang telah dikembangkan sekitar 20 tahun yang lalu, hal

itu telah kemudian menjadi subyek pembangunan yang cukup besar dan perbaikan.

Penelitian ini mencoba membandingkan metode klasifikasi CTA dan Pixel Based dengan

menggunakan 5 input data penginderaan jauh hasil pengolahan digital, yaitu VI

(Vegetation Index), Reflectance, Reflectance-VI, PCA (Principle Component Analysis),

PCA-VI.

(a)

(e) (d)

(b) (c)

Gambar 5. Hasil Klasifikasi CTA pada citra; (a) PCA, (b) PCA-VI, (c) Reflectance-VI, (d)

Reflectance, (e) VI

Uji Akurasi

Evaluasi dilakukan dengan menganalisa hasil klasifikasi. Model klasifikasi pixel

based menggunakan lima input citra dan dua metode klasifikasi. Penilaian tingkat akurasi

hasil klasifikasi ditabulasikan dalam sebuah tabel confusion matrix. Informasi

dalam confusion matrix diperlukan untuk menentukan kinerja model klasifikasi.

Tabel 4. Perbandingan akurasi model klasifikasi Pixel Based

KLASIFIKASI

Maximum

Likelihood

Mahalanobis

Distance

Classification Tree

Analysis

INP

UT

C

ITR

A

Reflectance 76,65% 75,71% 79,25%

VI 60,85% 50,12% 75,24%

PCA 81,13% 74,29% 58,25%

Reflectance - VI 69,81% 79,72% 78,77%

PCA - VI 70,28% 79,48% 71,93%

Berdasarkan pengukuran akurasi dengan menggunakan confusion matrix maka

didapatkan tingkat akurasi tertinggi pada 3 metode klasifikasi. Pada metode klasifikasi

dengan menggunakan maximum likelihood yaitu pada input citra PCA sebesar 81,13%.

Sedangkan pada metode klasifikasi mahalanobis distance tingkat akurasi tertinggi

terdapat pada input citra Reflectance-VI (Vegetation Index) mencapai 79,7170 %. Pada

metode maximum likelihood yang dengan input citra PCA mempunyai akurasi tertinggi

karena perpaduan metode ini membawa keunggulan klasifikasi maximum likelihood yang

merupakan klasifikasi yang berpedoman pada nilai piksel yang sudah dikategori

obyeknya atau dibuat dalam training sampel untuk masing-masing obyek komposisi

vegetasi. Pemilihan training sampel yang baik dapat menghasilkan klasifikasi yang

optimal sehingga akurasi yang diperoleh tinggi. Analisis komponen utama (PCA)

mempunyai kelebihan dapat menghasilkan citra baru dengan jumlah saluran yang lebih

sedikit akan tetapi memuat sebagian besar informasi yang dimiliki oleh seluruh saluran,

sehingga terjadi penyederhanaan pada saluran-saluran citra tersebut menjadi lebih

ringkas, maka pengamatan visual pada citra lebih efisien. Pada PCA, band atau saluran

yang digunakan hanya saluran 1-6, sedangkan saluran 7 dan 8 tidak digunakan, karena

saluran 7 dan 8 berisi noise, yang apabila dihilangkan tentu saja akan meningkatkan

akurasi. Pada analisis PCA saluran 1, terlihat adanya penghilangan faktor tanah,

sedangkan kebalikannya pada band 2 untuk analisis ini terjadi penonjolan faktor tanah.

Untuk metode klasifikasi mahalanobis, akurasi tertinggi terdapat pada input citra

Reflectance-VI (Vegetation Index). Ini juga merupakan tingkat akurasi tertinggi kedua

pada perbandingan tingkat akurasi menggunakan maximum likelihood dan mahalanobis

dengan beberapa input data citra yang berbeda. Klasifikasi menggunakan mahalanobis

mempunyai keunggulan bahwa metode ini memiliki nilai penguat yang fleksibel sehingga

mudah disesuaikan dengan perubahan kondisi, hal ini yang menyebabkan metode ini

lebih akurat dibanding metode lain yang juga digunakan untuk mencari nilai penyebaran

data. Mahalanobis Distance sebenarnya mirip dengan klasifikasi Maximum Likehood,

tetapi menganggap semua kovarian kelas adalah sama dan karenanya merupakan metode

yang lebih cepat. Semua piksel yang diklasifikasikan ke kelas ROI terdekat kecuali

pengguna menentukan ambang batas jarak. Penguat dari Mahalonobis distance ini ada

pada nilai kovariannya. Metode klasifikasi ini ternyata mempunyai akurasi yang tinggi

saat dipadukan dengan Reflectance-VI (Vegetation Index) dimana input citra indeks

vegetasi merupakan transformasi yang menonjolkan kenampakan vegetasi.

Metode klasifikasi yang dianalisa lebih lanjut untuk dibandingkan dengan metode

klasifikasi lainnya adalah CTA (Classification tree analysis). Hasil akurasi tertinggi dari

klasifikasi ini adalah sebesar 79,25% dari hasil input citra asli terkoreksi surface at

reflectance. Pada metode ini variasi input data hasil transformasi indeks vegetasi dan

analisis PCA meningkatkan hasil akurasi dari klasifikasi. Hal itu menunjukan bahwa

metode CTA cukup menggunakan citra asli hasil koreksi atmosfer untuk melakukan

pemetaan komposisi vegetasi di wilayah Gunung Tidar.

Gambar 6. Peta Komposisi Vegetasi Terbaik

KESIMPULAN

Hasil klasifikasi berbasis piksel dengan menggunakan metode maximum

likelihood menghasilkan akurasi yang lebih baik daripada menggunakan metode

Classification Tree Analysis. Input data yang digunakan yang menghasilkan akurasi

terbaik pada tiap metode berbeda-beda. Hal tersebut menunjukan bahwa variasi input

klasifikasi dapat meningkatkan dan menurunkan hasil dari klasifikasi komposisi vegetasi

karena karakteristik input data yang berbeda-beda. Akurasi yang terbaik dihasilkan pada

input citra PCA pada metode klasifikasi maximum likelihood.

Daftar Pustaka

Aryaguna, Prama. 2012. Perbandingan Klasifikasi Berbasis Pixel Dan Klasifikasi Berbasis

Objek Menggunakan Citra Resolusi Tinggi Dalam Pemetaan Komposisi Floristik (Studi

Kasus Gunung Tidar Kota Magelang). UGM. Yogyakarta

Danoedoro, Projo.2012. Pengantar Penginderaan Jauh Digital. Yogyakarta : Fakultas

Geografi Universitas Gadjah Mada.

Digital globe. 2010. Radiometric Use of WorldView-2 Imagery. Digital Globe.Inc

Gao, Y et al. 2005. Comparison of pixel-based and object-oriented image classification

approaches—a case study in a coal fire area, Wuda, Inner Mongolia, China.

International Journal of Remote Sensing.

Guo et al . 2009. Spatial data mining and geographic knowledge discovery-An introduction,

Computers, Environment and Urban Systems, 33(6) pp. 403-408

Manalu, R.J. 2010. Deteksi Perubahan Penutup Lahan Berdasarkan Analisis Visual Dari Citra

Landsat TM Studi Kasus: Lemah Abang Bekasi. Pusat Pemanfaatan Penginderaan Jauh,

LAPAN. Jakarta

Phinn, S. 2002. Monitoring The Composition Of Urban Environments Based On The

Vegetation-Impervious Surface-Soil (VIS) Model By Subpixel Analysis Techniques.

International Journal of Remote Sensing. Volume 23, Issue 20, 2002

Ramos, Rui A. R. & Ribeiro, R. A. 2008. Multi-criteria spatial analysis with machine learning

algorithm: an application in the South of Brazil. Universidade de São Paulo, Brazil

Rognan et al., 2003 Land-cover Change Monitoring with Classification Trees Using Landsat

TM and Ancillary data. Photogrammetric Engineering & Remote Sensing 69(7): 793-804.

Tucker, C. Red And Photographic Infrared Linear Combinations For Monitoring Vegetation.

Remote Sensing of Environment : 127-150

Wicaksono, P. 2010. Integrated Model of Water Column Correction Technique for Improving

Satellite-Based Benthic Habitat Mapping. Yogyakarta: Gadjah Mada University.