Jurnal matematika
Land Moisture Estimation at Agricultural Land
Using MODIS Data Based on NDSI, NDVI,
and NDWI Indicesgoogle.com
Abstract
This research is aimed to estimate land moisture condition at agricultural
land, especially for paddy field based on MODIS (Moderate Resolution Imaging
Spectroradiometer) satellite data with 250 m and 500 m spatial resolution and
daily temporal resolution. An index is called Land Moisture Index (LMI) was
created from 1st principle component result of NDSI (Normalize Difference Soil
Index), NDVI (Normalize Difference Vegetation Index), and NDWI (Normalize
Difference Water Index) with equation :
LMI = 0.484*NDSI + 0.687*NDVI + 0.542*NDWI
There is a high correlation between LMI and soil moisture (LM) for the
agricultual land with soil moisture <= 75 %, whereas an increase of LM
followed by an increase LMI. Finally, an estimation model has been developed to
estimate land moisture condition for the agricultural land with equation : LM =
172.2145*exp (-0.76102/IKL) r2 = 0.83 Based on the above method, land moisture
can be derived spatially for the agricultural land, especially for paddy field
for drought prediction. Keywords : land moisture, MODIS, linier combination,
Land Moisture Index, surface soil moisture I. INTRODUCTION Available soil water
is one of factor which is the necessary for food crop agriculture,
horticulture, plantation, and the forestry. Land moisture information is very
needed for planning, monitoring and management of agriculture crop. Soil
moisture measurement trough ground survey with conventional equipments like
technique gravimetric, tensiometer, neutron probe can give very accurate
information but needed expense costly for the very wide regional measurement.
Land moisture estimation by using Landsat Thematic Mapper (TM) have been
conducted by Dirgahayu (1997) for the area plantation of sugar cane in
Jatitujuh, West Java. Soil Brightness Index (SBI) was created by applying the
principal component analysis onto band 2nd – 5th of Landsat TM. SBI could be
used to estimate land moisture with high correlation. But Landsat TM data which
have 30 m spatial resolution only according to be used at certain area and also
for the certain time because this satellite own temporal resolution 16 days and
now still have problem (SLC off). Meanwhile, information about land moisture
oftentimes required for monitoring continuously, because early information
about drought very needed to anticipate raisen impact. One of exciting way to
monitor land moisture at wide area every day is exploited satellite data such
as MODIS data which own moderate resolution and the daily observation. Using
Satellite Data can be decreased of costly expense. In this research, the
predictor parameter of land moisture derived from combination of modis
reflectance which represented by NDWI (Normalize Difference Water Index), NDSI
(Normalize Difference Soil Index), and NDVI (Normalize Difference Vegetation Index
) and. Those Land Index have contrast given onto 3 general object on the earth
such as water, soil, and vegetation. The objective of research is to develop
the estimation model of land moisture by using land moisture index which
derived from combination of 3 indices (NDSI, NDVI, and NDWI). 2 II. METHODOLOGY
2.1. Data Used Data used for estimating land moisture are reflectances which
derived from daily MODIS data on June, July, and August 2004 with the same time
of ground survey to measure land mosiure. 2.2. Field Data Processing Soil
sample which taken from field survey have analyzed at soil physic laboratorium
by using gravimetric method. Afterwards, land moisture information can be
known.; 2.3. MODIS Data Processing 2.3.1. Corrected Reflectance The corrected
reflectance from atmosphere effect each channels of MODIS L1B Data produced by
level 2 processing. Furthermore are conducted advance processing to improve and
repair data quality, ie : Bow-Tie and Geometric Correction to make reflectances
data in 250 m (R1, R2) and 500 m (R3 - R7) spatial resolution. 2.3.2. Making
Indices Three indices that can represent land condition (wet, dry, bare or
vegetated) are NDWI, NDSI, and NDVI. Those indices are influenced by land
moisture condition on surface (0 – 20 cm soil depth). Like as NDVI, NDSI and
NDWI can be derived based on peak value of spectral response onto general
objects (water, soil, vegetation) at wavelength variety which can be shown on
Figure 2-1. Figure 2-1. General Spectral Response of Water, Bare Soil, and
Vegetation at Variety Wavelength Spectrum Wavelength (μm) Peak values for
vegetation object is shown contrastly at wavelength 0.6 μm (red) and 0.8 μm
(near infra red). Peak values for water object is shown contrastly at
wavelength 0.4 μm (blue) or 0.8 μm and 0.6 μm, while peak values of open area
or bare soil lies at 0.8 μm and 1.8 μm(SWIR = short wave infra red). Research
result by Dirgahayu (2005) obtain the best of 3 reflectances of MODIS data for
estimating land mositure. Those are Red (R1), NIR (R2), and SWIR (R6)
reflectances. Based on that result, so NDWI and NDSI can be created like as
computing NDVI by using the following formula below (a) NDWI = Normalize
Difference Water Index to detect land wetness with equation : NDWI = (R1 –
R6)/(R1 + R6) (2-1) (b) NDSI = Normalize Difference Soil Index to detect land
dryness with equation : NDSI = (R6 – R2)/(R2 + R6) (2-2) (c) NDVI = Normalize
Difference Vegetation Index to detect land greeness with equation : 3 NDVI =
(NIR – Red)/(Red + NIR) (2-3) 2.2.3. Analysis Statistic value extraction
(minimum, maximum, mean, median and standard deviation) for each reflectane of
MODIS data was done in training area of ground survey point under homogenity
consideration. Training sample must be considered to composite RGB 6,2,1 image.
Correlation and regression analysis was done to know relation among indices and
land moisture, especially which have moisture less than 75 %. Principle
component transformation will be conducted if there are significant
correlations among indices. The result of the first principle component
analysis will be used to create a new index hereinafter referred to as Land
Moisture Index (LMI) LMI = b1*X1 + b2*X2 + b3*X3 (2-4) Where : X1, X2, and X3
are NDSI, NDVI, NDWI and b1,b2, b3 are vector eigen coeficients For obtaining
the best estimation model is conducted model simulation in non liner form
(power, exponential, or logarithmic) between LMI and land moisture. The model
selected is have high Determination coeficient (R2) and the smallest of standard
error (Se). III. RESULT AND DISCUSSION 3.1. The Relatioship between Land
Indices and Land Moisture To see relation among each index with land moisture,
hence some locations have selected which have < 75 % moisture level. This is
conducted because agricultural land with > 75 % moisture is relative more
peaceful from drought risk onto crop growth. Extraction result of three indices
and land moisture are shown in Table 1. The scatter plot between land moisture
and each index and also result of trend analysis are shown in Figure 1 until
Figure 5.
Jurnal Matematika Dan Komputer Indonesia Vol I
PEMBUATAN
PERANGKAT LUNAK UNTUK PEMBACAAN LEMBAR JAWAB KOMPUTER MEMANFAATKAN SCANNER
BIASA
Wayan Firdaus
Mahmudy
ABSTRACT
A software for need a computerized answer paper (LJK)
used an ordinary scanner was made in this research replaced the used of special
scanner or already known as a (OMR) Optical Mark Recognition which is very expensive.
The use of OMR are followed the use of specific paper which are expensive and
the used of 2B pencil. With this software we don’t need OMR, we don’t need
specific paper, we don’t need 2B pencil.
This software make possible the school and others course
do some test use computerized answer paper and the result can use ordinary
scanner which is the price is lower
This software also have mark arrangement and result data
strange in Microsoft word document forms
Keywords: software, ptical Mark Recognition, Scanner
PENDAHULUAN
Perkembangan
sistem informasi dan perkembangan komputer saat ini mengakibatkan kebutuhan
akan kemudahan dan kecepatan dalam pengolahan data untuk mendapatkan informasi
sangat mutlak. Begitu pula kebutuhan pengolahan data pada instansi pendidikan
semacam sekolah, hal ini sebanding dengan meningkatnya jumlah pelajar yang
mengikuti kegiatan belajar mengajar. Kegiatan pemrosesan data yang paling
utama pada instansi pendidikan adalah pengolahan nilai siswa mulai dari
pengumpulan lembar-lembar jawaban siswa hingga laporan nilai siswa tiap-tiap
kelas. Dengan begitu peranan komputer dalam hal ini adalah memudahkan dan mempercepat
pemrosesan tersebut.
Prinsipiaproduct, salah satu perusahaan pengembang perangkat
lunak, membuat sebuah aplikasi komputer yang mampu mengolah Lembar Jawaban
Komputer yang disebut Optical Mark Recognition (OMR) dan mampu
menghasilkan sebuah laporan nilai. Namun program aplikasi tersebut relatif
mahal dan tidak memungkinkan sekolah kecil untuk membeli atau mengadakan
perangkat tersebut. Prinsipiaproduct menawarkan harga untuk perangkat
lunak dan perangkat kerasnya sebesar US $ 4.375 atau sebesar Rp. 39.375.000,
harga tersebut sangat memberatkan instansi untuk membeli. Prinsipiaproduct
juga memberi syarat bahwa bahan kertas untuk Lembar Jawab Komputer harus
mempunyai ketebalan dan bahan yang khusus, untuk menghitamkan setiap jawaban
harus memakai pensil hitam 2B.
Pada penelitian
ini dibangun perangkat lunak untuk membaca lembar jawab komputer menggunakan scanner
biasa yang harganya sekitar Rp 500.000. Perangkat lunak ini bekerja dengan
memproses file bitmap yang dihasilkan scanner. Keluaran yang
dihasilkan berupa cetakan daftar nilai atau dalam format Microsoft Word dan
Excel.
TINJAUAN PUSTAKA
Pengertian Perangkat Lunak
Perangkat Lunak (software) adalah instruksi (program
komputer) yang ketika dijalankan menyediakan fungsi dan tampilan yang
diinginkan, struktur data yang memberi kesempatan program untuk memanipulasi
informasi dan dokumen yang mendeskripsikan operasi dan penggunaan program
(Kristanto, 2004). Perangkat Lunak
tidak sama dengan program (komputer), karena perangkat lunak terdiri dari
program, dokumen dan data. Perangkat lunak merepresentasikan masalah di dunia
nyata. (Kristanto, 2004) Representasi Citra Digital Secara matematis, suatu citra dapat dipandang
sebagai fungsi dua dimensi bernilai real. Nilai-nilai fungsi tersebut, f(x,y)
pada koordinat spasial (x,y) di bidang x-y mendefinisikan suatu ukuran
intensitas cahaya atau kecemerlangan pada titik tersebut (Fairhust, 1988).
Suatu citra
digital merupakan kumpulan
titik-titik (piksel) pada suatu persegi panjang. Titik-titik tersebut
menyatakan/bernilai intensitas warna di titik tersebut. Rentang tingkatan
intensitas yang tersedia pada sebuah citra disebut derajat keabuan (grayscale).
Pada penelitian ini digunakan citra berukuran 8 bit sehingga dihasilkan
nilai derajat keabuan di {0,1,2,…,28-1} atau {0,1,2,…,255}. Piksel
yang berwarna dominan hitam dikaitkan dengan bilangan 0, pixel yang berwarna
dominan putih dikaitkan dengan bilangan 255, sedangkan piksel yang berwarna
abu-abu dikaitkan dengan bilangan 1 sampai 254 tergantung derajat keabuannya.
Bitmap adalah format citra yang tidak terkompresi, bitmap
mempunyai beberapa macam resolusi yang diukur dengan menggunakan satuan bits
per pixel, yaitu monochrome bitmap (1 bit per pixel), 16 color bitmap (4
bit per pixel), 256 color bitmap (8 bit per pixel), 16 bit (high color) bitmap
(16 bit per pixel), 24 bit (true color) bitmap (24 bit per pixel), 32 bit (true
color) bitmap (32 bit per pixel). (Herlambang, 2004)
Graphics Device Interface
Pemrograman grafik pada sistem operasi Windows selalu
menggunakan antarmuka yang disebut GDI (Graphics Device Interface).
GDI dapat dikatakan sebagai kumpulan fungsi yang digunakan untuk mengakses atau
menggambar ke piranti keluaran tertentu, seperti printer atau layar monitor.
GDI mempunyai kelebihan, yaitu tidak tergantung piranti (device-independent).
Contohnya fungsi untuk menggambar lingkaran pada kartu tampilan (VGA Card)
merk A sama saja dengan fungsi untuk menggambar lingkaran pada kartu tampilan
merk B. Windows, melalui driver kartu tampilannya, akan menerjemahkan
fungsi penggambar lingkaran tersebut ke perintah-perintah yang memahami kartu
tampilan (Pranata, 2000).
Kelas TCanvas
Pemrograman grafik pada Windows harus melibatkan
fungsi-fungsi GDI. Pada lingkungan Delphi akses ke fungsi-fungsi GDI secara
langsung tidak diperlukan. VCL telah menyediakan satu kelas sebagai
pembungkus fungsi-fungsi GDI, yaitu TCanvas.
Objek dari kelas Tcanvas
tidak perlu lagi diciptakan karena kelas atau komponen yang dapat
‘digambari’ selalu mempunyai properti Canvas.
Contoh komponen yang memiliki properti Canvas
yaitu :
TForm, TListBox, TComboBox, TImage dan sebagainya.
HASIL DAN PEMBAHASAN
Pada bagian ini
dijelaskan bagaimana prosedur kerja dari perangkat lunak Optical Wizard
Letters (OWL). OWL akan bekerja setelah pengelompokan gambar dari hasil
pemindaian scanner terhadap Lembar Jawab Komputer (LJK) dilakukan.
Pengelompokan gambar tersebut dicatat dalam sebuah file bertipe ‘owl’,
pencatatan memberikan informasi jumlah file gambar dan alamat penyimpanan
gambar tersebut. Untuk membuat file pengelompokan ini bisa digunakan
software pengolah file teks seperti Notepad.
Gambar berikut
ini merupakan tampilan saat pertama kali perangkat lunak dijalankan. Menu utama
ini terdiri dari tiga Main Menu dan tiga Tabbulation. Untuk
Main Menu terdiri dari File, View, Option dan About, sedangkan
untuk Tabbulation terdiri dari Scanning, Correcting dan Print Out.
Pada proses
pertama adalah memanggil file bertipe ‘owl’ untuk mendapatkan informasi di mana
dan berapa gambar yang akan dilakukan analisis. Penganalisisan gambar dilakukan
dengan meletakkan satu per satu gambar LJK pada bingkai TImage, kemudian dilakukan peletakan
titik-titik acuan untuk membentuk bingkai pengecekan warna berbentuk persegi.
Bingkai pengecekan sebesar 14x14 piksel, jumlah bingkai disesuaikan dengan
banyaknya kolom dan baris untuk masing-masing wilayah yang akan dianalisis.
Wilayah pada LJK yang akan dianalisis terdiri dari identitas nama, identitas
nim dan empat wilayah jawaban. Pada wilayah identitas nama memiliki 20 kolom
dan 26 baris, wilayah identitas nim memiliki 10 kolom dan 10 baris, wilayah
jawaban masing-masing memiliki 4 kolom dan 15 baris. Pengecekan warna pada masing-masing
bingkai akan dihitung jumlah luas warna gelapnya, apabila melebihi 25% dari
luas 14x14 piksel maka akan diambil sebagai bingkai dengan baris ke-x
mempunyai nilai. Nilai diambil dari sederetan karakter ‘a..z’ untuk identitas
nama dan jawaban sedangkan identitas nim memakai sederetan karakter ‘0..9’,
indeks pengambilan disesuaikan dengan indeks baris bingkai atau baris ke-x.
Setelah dilakukan
analisis per bingkai dan telah diketahui nilainya, maka langkah selanjutnya
adalah penggabungan nilai yang berupa karakter menjadi serangkaian string untuk
masing-masing wilayah. Pada identitas nama rangkaian string tersebut membentuk
nama mahasiswa, identitas nim membentuk nim mahasiswa dan untuk jawaban
membentuk rangkaian string jawaban mulai nomor pertama hingga nomor terakhir,
jumlah maksimal nomor jawaban adalah 60. Penggabungan string masing-masing
wilayah catat dalam file ‘result.hsl’ dan file ini juga mencatat hasil
semua gambar dalam satu grup.
File ‘result.hsl’
merupakan kumpulan string per gambar LJK, yang mempunyai fungsi sebagai tempat
pencatatan hasil penganalisisan. Pada file ini masing-masing string diambil dan
dilakukan pemotongan string per wilayah dan pemotongan per karakter khusus
pada jawaban. Hasil pemotongan akan diletakkan pada stringgrid, kemudian
dilakukan pengecekan kesesuaian karakter dengan string pada kunci. Pengecekan
disesuaikan dengan nilai bilangan bulat masing-masing karakter dan kekosongan (blank)
nilai. Penjumlahan kesesuaian dengan nilai kunci dihitung sebagai banyaknya
nilai yang benar, ketidaksesuaian dihitung sebagai nilai yang salah dan nilai
kosong sebagai blank. Nilai atau score adalah perhitungan dari nilai
benar, nilai salah dan blank yang masing-masing dikalikan dengan nilai
konstanta yang ditentukan. Hasil dari perhitungan di daftar dan
dilaporkan untuk dicetak.
Gambar 1. Menu Utama
Gambar 2. Hasil
Pembacaan “Scanning” LJK
KESIMPULAN
Perangkat lunak OWL bekerja dengan baik melalui tiga proses
utama sebelum menghasilkan laporan yang siap dicetak, proses utama yang pertama
adalah ScanAnalisis, proses utama kedua adalah WriteFile dan yang terakhir
adalah ReadFile.
