Jurnal Agritechno, Vol. 15, No.
02, Oktober 2022
http://agritech.unhas.ac.id/ojs/index.php/at
ISSN Online : 2656-2413
ISSN Print : 1979-7362
Analisis Indeks Vegetasi Berbasis Drone untuk Menduga Kandungan Nitrogen
pada Pertanaman Padi
(Drone-Based Vegetation Index Analysis to Estimated Nitrogen Content on The
Rice Plantations)
Ahmad Fauzan Adzima1*), Rismaneswati1), Sartika Laban1), Muh. Jayadi1), Muhammad Fuad
Anshori2), Husnul Mubarak3), Eva Noviyanti1), Nur Qalbi Zaesar Muharram2), Andi
Dharmawan Mallarangen1)
1)
Departemen Ilmu Tanah, Fakultas Pertanian, Universitas Hasanuddin
2)
Departemen Budidaya Pertanian, Fakultas Pertanian, Universitas Hasanuddin
3)
Departemen Teknologi Pertanian, Fakultas Pertanian, Universitas Hasanuddin
*)
email korespondensi: [email protected]
ABSTRACT
Nitrogen (N) is one of the essential nutrients needed for the growth of rice plants. Therefore, N
fertilizing must be applied efficiently to achieve optimal results. Various methods have been used to
calculate the N content in rice plants, such as tissue analysis and the use of Soil Plant Analysis
Development (SPAD) technology. This technology still has lack of time efficiency. Other
technologies are needed to quickly support precise agricultural analysis, such as Unmanned Aerial
Vehicles (UAV). This study aimed to analyze the N content of rice crop using the UAV-based
vegetation index and to compare the measurement of N content accuracy between SPAD chlorophyll
and rice plant vegetation index. This study used survey methods and laboratory tests based on several
approaches, namely analysis of photosynthesis physiology, leaves tissue analysis, and vegetation
index using UAV. Based on the research results, it was found that the Normalized Difference
Vegetation Index value had a strong correlation with N content of leaves tissue and SPAD
chlorophyll. While the results of the accuracy test, the results of chlorophyll with SPAD (CI A) have
better accuracy than the NDVI vegetation index. The r value between CI A – N leaves and NDVI –
N leaves did not show a significant difference. In addition, the correlation results show that N content
of leaves (r=0.83), CI A (r=0.88), CI B (r=0.81), and CI TOT (r=0.87) have a very high correlation
with NDVI. This shows a unidirectional relationship between variables so that the NDVI variable can
be used as a consideration to determine chlorophyll in the plants studied.
Keywords: Rice Plantation, Nitrogen, Chlorophyll, NDVI.
ABSTRAK
Nitrogen (N) merupakan salah satu unsur hara esensial yang dibutuhkan untuk pertumbuhan tanaman
padi. Oleh karena itu, pemupukan N harus diterapkan secara efisien untuk mencapai hasil yang
optimal. Berbagai metode telah digunakan untuk menghitung kandungan N pada tanaman padi seperti
analisis jaringan dan penggunaan teknologi soil plant analysis development (SPAD). Teknologi ini
masih memiliki kekurangan, salah satunya adalah efisiensi waktu. Dibutuhkan teknologi pendukung
lainnya untuk mendukung analisis pertanian secara presisi dengan cepat, seperti penggunaan
Unmaned Aerial Vehicles (UAV). Tujuan penelitian ini yaitu menganalisis kandungan N pada
tanaman padi menggunakan indeks vegetasi berbasis UAV dan menganalisis perbandingan akurasi
pengukuran N antara klorofil SPAD dengan indeks vegetasi tanaman padi. Penelitian ini
menggunakan metode survei dan uji laboratorium yang didasari atas beberapa pendekatan, yaitu
analisis fisiologi fotosintesis, analisis jaringan daun, dan analisis indeks vegetasi menggunakan UAV.
132
Jurnal AgriTechno. Vol. 15 (2): 132-140
https://doi.org/10.20956/at.vi.928
Berdasarkan hasil penelitian, ditemukan nilai indeks vegetasi NDVI yang berkolerasi kuat dengan
nilai jaringan N daun dan hasil pengukuran klorofil SPAD. Sedangkan hasil pengujian akurasi, hasil
pengukuran klorofil dengan SPAD (CI A) memiliki akurasi yang lebih baik dibandingkan dengan
indeks vegetasi NDVI. Nilai r antara CI A – N daun dengan NDVI – N daun tidak menunjukkan
perbedaan yang singnifikan. Selain itu, hasil korelasi menunjukkan variabel jaringan N Daun
(r=0,83), CI A (r=0,88), CI B (r=0,81), dan CI TOT (r=0,87) memiliki hubungan korelasi yang sangat
tinggi terhadap NDVI. Hal ini menunjukkan hubungan yang searah antara variabel sehingga variabel
NDVI dapat dijadikan sebagai pertimbangan untuk mengetahui klorofil pada tanaman yang diteliti.
Kata Kunci: Petanaman Padi, Nitrogen, Klorofil, NDVI.
PENDAHULUAN 2010; Hu Yang et al., 2014). Metode Kjeldahl
dan Dumas adalah penduga N yang akurat dan
Nitrogen (N) merupakan salah satu unsur hara
tepat berdasarkan analisis laboratorium.
esensial yang dibutuhkan untuk pertumbuhan
Sementara teknologi SPAD merupakan alat
tanaman padi, dan karenanya pemberian N
yang mampu menghitung klorofil daun secara
harus diterapkan secara efisien untuk
relatif.
mencapai hasil yang optimal (Goswami et al.,
Kedua metode tersebut masih memiliki
2021). Kandungan N di tanaman padi diyakini
kekurangan. Metode Kjeldahl dan Dumas
mampu memberikan gambaran tentang status
membutuhkan waktu yang lama dan hasilnya
pertumbuhan seperti jumlah anakan (Patti S et
ditentukan dari banyaknya jumlah sampel
al., 2013) dan prediksi hasil gabah yang akan
yang diamati. (Dumas, 1831; Kjeldahl, 1883;
dipanen (Yang et al., 2014; Zhang et al., 2019).
Muñoz-Huerta et al., 2013). Sedangkan
Estimasi yang akurat dan dinamis dari nitrogen
penggunaan SPAD mengharuskan petani
daun tanaman sangat penting untuk mengelola
mengelilingi lahan pertanian sehingga tidak
pemupukan nitrogen secara rasional (Xue et
efisien untuk lahan yang luas. Selain itu,
al., 2003; Fitzgerald et al., 2010)
pengujian sampel di laboratorium dan biaya
Pemberian pupuk N pada tanaman padi
perawatan alat membutuhkan biaya yang
sangat berdasar atas kandungan N yang
relatif besar (Muñoz-Huerta et al., 2013).
dimilikinya. Kelebihan dan kekurangan N
Dibutuhkan teknologi pendukung lainnya
pada tanaman sangat baik diketahui untuk
untuk mendukung pertanian presisi saat ini.
keperluan dosis dan wilayah yang perlu
Unmaned Aerial Vehicles (UAV) atau lebih
dipupuk. Pemupukan N yang rendah atau
dikenal dengan drone hadir dalam menjawab
tinggi sangat berpengaruh terhadap
tantangan dan permasalahan dibidang
pertumbuhan dan hasil tanaman secara
pertanian, khususnya dalam efisiensi waktu.
signifikan. Kekurangan N berdampak kepada
UAV adalah salah satu alternatif dengan biaya
berkurangnya tutupan tajuk, biomassa, dan
rendah yang sangat efisien digunakan pada
hasil, sementara pemberian N yang berlebihan
teknologi penginderaan jauh (Norasma et al.,
berdampak buruk pada kesehatan tanah,
2019). Beberapa peneliti telah melaporkan alat
manusia, dan lingkungan.
dan metode penginderaan jauh yang lebih
Berbagai metode telah digunakan untuk
cepat dan akurat (Wan et al., 2018; Zhang et
menghitung dan mengetahui jumlah
al., 2018) untuk memperkirakan kandungan N
kandungan N yang diserap oleh padi, seperti
hasil analisis indeks vegetasi dari citra foto
analisis jaringan daun menggunakan metode
udara yang menggunakan kamera
Kjeldahl dan Dumas (Muñoz-Huerta et al.,
multispektral (Liu et al., 2016; Guan et al.,
2013), dan penggunaan teknologi soil plant
2019). Indeks vegetasi berdasarkan citra foto
analysis development (SPAD) (Lin et al.,
udara lebih banyak digunakan untuk
133
Jurnal AgriTechno. Vol. 15 (2): XXX-XXX
https://doi.org/xxxxxxxxx
menganalisis tanaman seperti estimasi luas agisoft metashape, software minitab v.17,
daun, analisis tajuk, nutrisi tanaman (status gunting, alat tulis, dan kamera
nitrogen), estimasi biomassa, hasil panen, dll.
(Walsh et al., 2018). Bahan
Tujuan penelitian ini yaitu Menganalisis Bahan yang digunakan dalam peneletian ini
kandungan N pada tanaman padi yaitu citra foto udara lokasi penelitian, daun
menggunakan indeks vegetasi berbasis UAV padi, dan plastik sampel.
dan Menganalisis perbandingan akurasi
pengukuran klorofil dan kadar N antara SPAD. Prosedur Penelitian
Penelitian ini dilakukan dengan metode survei
METODOLOGI PENELITIAN dan uji laboratorium. Survei dimulai dengan
memilih sawah yang memiliki kriteria yaitu
Penelitian ini dilaksanakan di Desa Apala,
tanaman padi berada pada fase vegetatif,
Kecamatan Barebbo, Kabupaten Bone,
berumur >14 HST, dan telah dilakukan
Provinsi Sulawesi Selatan. Lokasi penelitian
pemupukan tahap pertama. Langkah
selengkapnya dapat dilihat pada Gambar 1.
selanjutnya yaitu menentukan 6 titik
pengamatan indeks vegetasi NDVI, fisiologi
Alat
fotosintesis, dan pengambilan sampel daun.
Alat yang digunakan dalam penelitian ini yaitu
Ketiga kegiatan ini dilaksanakan secara
SPAD, drone DJI phantom 4 multispektral,
berurut untuk menghindari kesalahan olah
komputer, software ArcGIS 10.8.1, software
data.
Gambar 1. Lokasi penelitian
Pengamatan indeks vegetasi NDVI Perekaman data foto udara dilakukan pada saat
diawali dengan perekaman foto udara tanaman padi berumur 18 HST. Data ini
menggunakan unmanned aerial vehicles kemudian diolah menggunakan aplikasi
(UAV) drone. UAV drone yang digunakan agisoft metashape professional untuk
dilengkapi dengan kamera multispektral, memperoleh data Normalized Difference
sehingga tangkapan citra menjadi lebih detail. Vegetation Index (NDVI). Pengkelasan nilai
134
Jurnal AgriTechno. Vol. 15 (2): XXX-XXX
https://doi.org/xxxxxxxxx
NDVI diadopsi dari Al-doski et al (2013) yang AK (2015) dan Messina G (2020) menjelaskan
membagi kategori tingkat kerapatan tanaman bahwa perubahan fisiologi tanaman seperti
menjadi 4 yaitu <0,20 digolongkan kedalam warna daun yang disebabkan oleh kondisi stres
kelas tanpa tutupan vegetasi, 0,21 – 0,40 maupun kekurangan unsur hara bisa dideteksi
digolongkan kedalam vegetasi tingkat menggunakan UAV berdasarkan perbedaan
kerapatan rendah, 0,41 – 0,60 digolongkan warna. Hal ini mengindikasikan bahwa NDVI
kedalam kelas kerapatan sedang, dan 0,61 – dapat selaras dengan karakter warna daun.
0,90 digolongkan kedalam kelas kerapatan
tinggi. Nilai kerapatan ini juga sering
digunakan untuk menilai tingkat kesehatan
tanaman. Selain itu kerapatan tanaman
berhubungan dengan jumlah anakan yang
berdasar atas kandungan nitrogen yang
diserap. Rumus indeks vegetasi untuk
memperoleh data NDVI dapat dilihat pada
rumus 1 (Rouse et al., 1973; Yeom et al.,
2019).
(NIR − RED)/(NIR + RED)……………(1)
Pengamatan fisiologis fotosintesis atau
klorofil daun dilakukan menggunakan SPAD.
selain itu, daun yang diamati kemudian
diambil sampelnya untuk uji jaringan N di
Gambar 2. Indeks vegetasi NDVI lokasi
laboratorium. Hasil pengamatan survei
penelitian
lapangan dan uji laboratorium selanjutnya
Tabel 1. Indeks Vegetasi Tanaman Padi
dilakukan analisis regresi untuk melihat Titik Nilai NDVI Kelas
hubungannya. Analisis regresi dilakukan T1 0,581 Sedang
untuk melihat hubungan suatu variabel dengan T2 0,602 Sedang
lainnya. Kekuatan analisis regresi dapat T3 0,433 Sedang
ditunjukkan dengan koefisien determinasi dari T4 0,512 Sedang
persamaan yang didapatkan antara nilai SPAD T5 0,611 Tinggi
T6 0,592 Sedang
dan nilai NDVI dengan nilai N daun hasil uji
Sumber: Data Primer yang telah diolah, 2022.
laboratorium.
Analisis Klorofil SPAD dan N Daun
Berdasarkan Tabel 2, diperoleh nilai
HASIL DAN PEMBAHASAN
pengukuran klorofil lapangan total atau indeks
Analisis Indeks Vegetasi NDVI klorofil (CI) total tertinggi pada titik T5 (209,6
Berdasarkan olah data citra foto udara µmol/m-2) dan terendah pada titik T3 (82,6
(Gambar 2), diperoleh nilai NDVI yang µmol/m-2). kondisi ini sama dengan nilai CI A
berbeda tiap titik pengamatan. Kelas indeks dan CI B yang juga menunjukkan nilai
vegetasi berkisar antara sedang hingga tinggi tertinggi dan terendah pada titik tersebut.
dengan nilai NDVI tertinggi ditemukan di T5 Sedangkan hasil analisis jaringan N daun di
sedangkan NDVI terendah ditemukan di T3 laboratorium menunjukkan nilai serapan
(Tabel 1). Secara umum, nilai NDVI tertinggi ditemukan pada T5 dan terendah pada
menunjukkan kondisi pertumbuhan tanaman T3. Data pengukuran klorofil menggunakan
padi yang baik. Nilai NDVI memberikan SPAD dan hasil uji jaringan N daun di
gambaran tentang perkembangan suatu laboratorium memiliki tren data yang hampir
tanaman, utamanya gejala klorosis daun. mirip (Gambar 3). Hal ini dikarenakan Klorofil
Beberapa peneliti sebelumnya seperti Mahlein adalah salah satu faktor dominan untuk
135
Jurnal AgriTechno. Vol. 15 (2): XXX-XXX
https://doi.org/xxxxxxxxx
menentukan status N pada daun (Zakiyah dkk., T1 91,0 55,9 146,7 0,443
2018). sehingga data pengukuran SPAD T2 97,5 56,9 154,4 0,441
diyakini memberikan informasi tentang T3 38,5 48,8 82,6 0,325
kandungan nitrogen yang ada pada daun (Putri T4 66,7 52,2 116,1 0,416
et al., 2019). T5 140,6 65,5 209,6 0,469
T6 85,8 55,0 139,9 0,392
Tabel 2. Klorofil Indeks dan N Daun Keterangan: CI = Chlorofil index (µmol/m-2)
CI
Titik CI A CI B N Daun
TOTAL
0.6 250
200
Klorofil Indeks
0.4
150
NDVI
100
0.2
50
0
0 0 1 2 3 4 5 6 7
0 1 2 3 4 5 6 7 Titik Pengamatan
Titik Pengamatan CI A CI B CI TOT
(a) (b)
Gambar 3. (a) Grafik data analisis jaringan N daun; (b) Data pengukuran klorofil SPAD.
Uji Regresi NDVI dan Klorofil SPAD nemiliki koefisien determinasi yang baik. Uji
dengan N Daun R2 dengan nilai tertinggi hingga terendah
Uji regresi koefisien determinasi (R2) secara berurut ditemukan pada variabel CI A –
merupakan metode yang dilakukan untuk N daun (0,782), CI TOT – N Daun (0,770). CI
menjelaskan seberapa jauh data dependen B – N daun (0,701) dan NDVI – N Daun
mampu dijelaskan oleh data independen. R2 (0,700). Nilai NDVI - Daun memiliki hasil uji
bernilai antara 0 sampai 1 dengan ketentuan R2 yang paling rendah namun masih dalam
semakin mendekati nilai 1 maka variabel yang kategori kuat. Hal ini menunjukkan bahwa
di uji menunjukkan model regresi yang baik semua variabel baik indeks vegetasi dan indeks
(Ghozali, 2016). Berdasarkan Tabel 4 dan klorofil dalam memprediksi N daun bisa
Gambar 4, hasil uji R2 menunjukkan bahwa digunakan.
baik pengukuran klorofil menggunakan
SPAD, indeks vegetasi NDVI, dan data N daun
136
Jurnal AgriTechno. Vol. 15 (2): XXX-XXX
https://doi.org/xxxxxxxxx
Regresi N Daun dan CI A Regresi N Daun dan CI B
0.60 0.55
0.50
0.45
0.45
N Daun
N Daun
0.30 0.40
0.35
0.15 y = 0,0076x - 0,0091
y = 0,0013x + 0,2991 0.30
R² = 0,7011
R² = 0,7822
0.25
0.00
0 20 40 60 80 100 120 140 160 45 50 55 60 65 70
CI A CI B
Regresi N Daun dan CI TOT Regresi N Daun dan NDVI
0.60 0.65
0.60
0.45
N Daun
0.55
NDVI
0.30
0.50
0.15
y = 1,1744x + 0,0652
y = 0,0011x + 0,2645 0.45 R² = 0,7006
R² = 0,7709
0.00 0.40
65 115 165 215 265 0.3 0.35 0.4 0.45 0.5
CI TOTAL N Daun
Gambar 4. Hasil uji regresi antara indeks vegetasi NDVI, Indeks klorofil SPAD, dan N Daun.
Tabel 4. Hasil regresi data yaitu 0 berarti tidak ada korelasi antara dua
2
Parameter R variabel, 0 - 0,25 berarti korelasi sangat
NDVI – N daun 0,701 rendah, 0,25 - 0,5 berarti korelasi sedang, 0,5 -
CI A – N daun 0,782 0,75 berarti korelasi. tinggi, 0,75 - 0,99 berarti
CI B – N Daun 0,700 korelasi sangat tinggi dan 1 berarti korelasi
CI TOT- N daun 0,770 sempurna (As’ari, 2014).
R2: Koefisien determinasi, r: Koefisien korelasi
Berdasarkan Tabel 4, hasil korelasi
tertinggi ditemukan pada uji variabel indeks
Uji Korelasi NDVI dan Klorofil SPAD
klorofil CI A dengan N daun (r=0,884), dan
dengan N Daun
yang terendah pada uji variabel NDVI dengan
Korelasi adalah suatu metode untuk
N daun (r=0,836). Nilai r antara CI A – N daun
menentukan kedekatan hubungan antara satu
dengan NDVI – N daun tidak menunjukkan
variabel dengan variabel lainnya. Koefisien
perbedaan yang singnifikan. Selain itu, hasil
korelasi menunjukkan hubungan yang erat
korelasi, variabel jaringan N Daun (r=0,83), CI
antara kedua variabel. Nilai koefisien
A (r=0,88), CI B (r=0,81), dan CI TOT
mendekati +1 atau -1 ketika rasio tampak lebih (r=0,87) memiliki hubungan korelasi yang
dekat. Nilai korelasi yang mendekati +1 sangat tinggi terhadap NDVI. Hal ini
berarti peningkatan satu sifat diikuti oleh menunjukkan hubungan yang searah antara
peningkatan sifat lainnya, dan nilai yang variabel sehingga variabel NDVI dapat
mendekati -1 berarti peningkatan satu sifat dijadikan sebagai pertimbangan untuk
menurunkan sifat lainnya. Kriteria derajat mengetahui klorofil pada tanaman yang
keeratan didasarkan pada koefisien korelasi, diteliti.
137
Jurnal AgriTechno. Vol. 15 (2): XXX-XXX
https://doi.org/xxxxxxxxx
Tabel 4. Korelasi antara N Daun, Klorofil SPAD, dan NDVI
N Daun CI A CI B CI TOT NDVI
N daun 1
CI A 0,884 1
CI B 0,837 0,990 1
CI TOT 0,878 0,999 0,993 1
NDVI 0,836 0,882 0,815 0,874 1
Hubungan yang searah dan kuat ini juga pertimbangan drone vegetasi indeks seperti
bisa dilihat dari dasar penetapan nilai NDVI. NDVI dapat digunakan sebagai salah satu
Nilai NDVI didasari oleh tingkat kerapatan metode dalam menduga nilai N pada fase
suatu vegetasi, sepeti kerapatan tajuk. Pada pertumbuhan vegetatif. Selanjutnya perlu
kasus ini, kerapatan tanaman padi umur 18 dilakukan penelitian lanjutan di beberapa
HST digolongkan kedalam kelas sedang. lokasi pada 1 musim tanam untuk melihat
Kerapatan tanaman secara umum memberikan kestabilan prediksi pendugaan unsur hara N.
pengaruh pada nilai indeks vegetasi. Tanaman
dengan tingkat kerapatan tinggi maupun UCAPAN TERIMA KASIH
rendah mampu meningkatkan variasi pada
Ucapan terima kasih kepada Lembaga
pantulan spektral sehingga nilai indeks
Penelitian dan Pengabdian Masyarakat
vegetasi yang dihasilkan juga berbeda
Universitas Hasanuddin yang telah mendanai
(Purevdorj et al., 1998; Latuamury et al.,
penelitian ini melalui skim Penelitian Dosen
2012). Kerapatan suatu tanaman bergantung
Pemula Unhas (PDPU).
atas kandungan unsur hara yang diserap. Pada
fase vegetatif, tanaman sangat membutuhkan
DAFTAR PUSTAKA
unsur N. Jumlah unsur N yang diserap akan
berpengaruh terhadap proses metabolisme Al-doski, J. (2013). NDVI Differencing and
tanaman untuk merangsang percepatan Post-classification to Detect Vegetation
pertumbuhan. Hal ini dikarenakan unsur hara Changes in Halabja City, Iraq. IOSR
N mampu berperan dalam meransang Journal of Applied Geology and
pertumbuhan jumlah anakan produktif Geophysics, 1(2) : 01–10.
(Endrizal dan Bobihoe, 2004; Lingga, 2007: https://doi.org/10.9790/0990-0120110
Widiyawati, 2014; Asmuliani dkk., 2021). As’ari, A.R. (2014). Penggunaan Alat Peraga
Selain kerapatan, Nilai NDVI juga selaras Manipulatif dalam Penanaman Konsep
dengan warna pada daun tanaman. Perbedaan Matematika. Jurnal Matematika, Ilmu
warna daun mengindikasikan perbedaan nilai Pengetahuan Alam dan Pengajaran.
indeks vegetasi. Semakin hijau daun tanaman, 27(I):1-13
maka klorofil yang dikandung sangat tinggi. Asmuliani, R., Darmawan, M., Sudiarta, I. M.,
NDVI berhubungan langsung dengan Megasari. R. (2021). Pertumbuhan
kapasitas fotosintesis tanaman, dan klorofil Tanaman Padi (Oryza Sativa L.)
merupakan pigmen hijau pada daun yang Varietas Ponelo pada Berbagai Dosis
terbentuk dari nitrogen dan berperan dalam Pupuk Nitrogen dan Jumlah Benih Per
fotosintesis (Faozi dan Wijonarko, 2010; Lubang Tanam. Jurnal Pertanian
Mukhlisin dan Soemarno, 2020). Berkelanjutan. 9(1): 10-17.
DOI: http://dx.doi.org/10.30605/perbal.
KESIMPULAN v9i1.1559
Behmann, J., Mahlein, A., Rumpf, T.,
Hasil penelitian menunjukkan sebuah
Römer, C., & Plümer, L. (2014). A
perbandingan akurasi yang tidak jauh berbeda
review of advanced machine learning
antar variabel yaitu indeks vegetasi NDVI,
methods for the detection of biotic stress
indeks klorofil, dan N daun. Hal ini mendasari
138
Jurnal AgriTechno. Vol. 15 (2): XXX-XXX
https://doi.org/xxxxxxxxx
in precision crop protection. Precision J. B. A. Dumas. (1831). “Procedes de
Agriculture, 16(3), 239- I’analyse Organique,” Ann. Chim. Phys
260. https://doi.org/10.1007/s11119- 47: 198–205
014-9372-7. Latuamury, B., Gunawan, T., & Suprayogi, S.
Darmawan, I. G. (2020). Pemanfaatan drone (2016). Pengaruh Kerapatan Vegetasi
Untuk Pemetaan Potensi Ekowisata Di Penutup Lahan terhadap Karakteristik
Kecamatan Panca Jaya, Mesuji. Sakai Resesi Hidrograf pada Beberapa Subdas
Sambayan Jurnal Pengabdian kepada di Propinsi Jawa Tengah Dan Propinsi
Masyarakat, 4(1). https://doi.org/10.239 DIY. Majalah Geografi Indonesia,
60/jss.v4i1.200. 26(2), 98-118.
Endrizal, dan Bobihoe, J. (2004). Efisiensi doi:https://doi.org/10.22146/mgi.13418
Penggunaan Pupuk Nitrogen dengan Lingga, P. (2007). Petunjuk Penggunaan
Penggunaan Pupuk Organik pada Pupuk. Penebar Swadaya. Jakarta.
Tanaman Padi Sawah. Pengkajian dan Liu, Y., Cheng, T., Zhu, Y., Tian, Y., Cao, W.,
Pengembangan Teknologi Pertanian. 7 Yao, X., & Wang, N. (2016).
(2): 118-124. Comparative analysis of vegetation
Faozi, K., & Wijonarko, B. R. (2010). Serapan indices, non-parametric and physical
Nitrogen Dan Beberapa Sifat Fisiologi retrieval methods for monitoring
Tanaman Padi Sawah Dari Berbagai nitrogen in wheat using UAV-based
Umur Pemindahan Bibit (Nitrogen multispectral imagery. 2016 IEEE
Uptake and Several Physiological International Geoscience and Remote
Characters of Lowland Rice From Sensing Symposium
Various Age Seedlings). Pembangunan (IGARSS). https://doi.org/10.1109/igars
Pedesaan, 10(2): 93-101. s.2016.7730920.
Fitzgerald, G.J., Rodriguez, D. and O'Leary, Mukhlisin, A., & Soemarno, S. (2020).
G. (2010). Measuring and predicting Estimasi Kandungan Klorofil Tanaman
canopy nitrogen nutrition in wheat using Kopi Robusta (Coffea canephora Var.
a spectral index—The canopy Robusta) Menggunakan normalized
chlorophyll content index (CCCI). Field difference vegetation index (NDVI) di
Crops Research, 116 (3). pp. 318-324. Bangelan, Wonosari, Malang. Jurnal
Ghozali, I. (2016). Aplikasi Analisis Tanah dan Sumberdaya Lahan, 7(2),
Multivariate Dengan Program SPSS. 329-339.
Semarang: Badan Penerbit Universitas https://doi.org/10.21776/ub.jtsl.2020.00
Diponegoro. 7.2.18.
Goswami, S., Choudhary, S. S., Chatterjee, C., Muñoz-Huerta, R., Guevara-Gonzalez, R.,
Mailapalli, D. R., Mishra, A., & Contreras-Medina, L., Torres-
Raghuwanshi, N. S. (2021). Estimation Pacheco, I., Prado-Olivarez, J., &
of nitrogen status and yield of rice crop Ocampo-Velazquez, R. (2013). A
using unmanned aerial vehicle equipped review of methods for sensing the
with multispectral camera. Journal of nitrogen status in plants: Advantages,
Applied Remote Sensing, 15(4), 042407. disadvantages and recent
Guan, S., Fukami, K., Matsunaka, H., Okami, advances. Sensors, 13(8), 10823-
M., Tanaka, R., Nakano, H., Sakai, T., et 10843. https://doi.org/10.3390/s130810
al. (2019). Assessing Correlation of 823.
High-Resolution NDVI with Fertilizer Norasma, C. Y. N., Fadzilah, M. A., Roslin, N.
Application Level and Yield of Rice and A., Zanariah, Z. W. N., Tarmidi, Z., &
Wheat Crops using Small Candra, F. S. (2019). Unmanned Aerial
UAVs. Remote Sensing, 11(2), 112. Vehicle Applications In
MDPI AG. Retrieved from Agriculture. IOP Conference Series:
http://dx.doi.org/10.3390/rs11020112 Materials Science and
139
Jurnal AgriTechno. Vol. 15 (2): XXX-XXX
https://doi.org/xxxxxxxxx
Engineering, 506, 012063. Dosis Pupuk Nitrogen Anorganik pada
https://doi.org/10.1088/1757- Padi Sawah. J. Agron. Indonesia. 42 (2) :
899x/506/1/012063. 96 – 102.
Patti, P. S., Kaya, E., & Silahooy, C. (2018). Xue, L. H., Luo, W. H., Cao, W. X., & Tian,
Analisis Status Nitrogen Tanah Dalam Y. C. (2003). Research progress on the
Kaitannya Dengan Serapan N Oleh water and nitrogen detection using
Tanaman Padi Sawah Di Desa Waimital, spectral reflectance. Journal of Remote
Kecamatan Kairatu, Kabupaten Seram Ssensing-Beijing, 7(1), 73-80.
Bagian Barat. Agrologia, 2 (1). Yang, H., Yang, J., Lv, Y., & He, J. (2014).
https://doi.org/10.30598/a.v2i1.278. SPAD values and nitrogen nutrition
Purevdorj, T.S., Tateishi, R., Ishiyama, T., index for the evaluation of rice nitrogen
Honda, Y. (1998). Relationships status. Plant Production Science, 17(1),
between Percent Vegetation Cover and 81-92.
Vegetation Indices. International https://doi.org/10.1626/pps.17.81.
Journal of Remote Sensing. Yang, H., Yang, X., Heskel, M., Sun, S.,
19(18), 3519-3535, & Tang, J. (2017). Seasonal
https://doi.org/10.1080/0143116982137 variations of leaf and canopy properties
95 tracked by ground-based NDVI imagery
Putri, R. E., Yahya, A., Adam, N. M., and in a temperate forest. Scientific Reports,
Aziz, S. A. (2019). Rice yield prediction 7(1). https://doi.org/10.1038/s41598-
model with respect to crop healthiness 017-01260-y
and soil fertility. Food Res., 3 (2) : 171 - Yeom, J., Jung, J., Chang, A., Ashapure, A.,
176, Maeda, M., Maeda, A., & Landivar, J.
https://doi.org/10.26656/fr.2017.3(2).11 (2019). Comparison of vegetation
7. indices derived from UAV data for
Rouse, W.J. Haas, H.R. Schell, A.J. Deering, differentiation of tillage effects in
W.D. Monitoring Vegetation Systems in agriculture. Remote Sensing, 11(13),
the Great Plains with ERTS. Third ERTS 1548. https://doi.org/10.3390/rs1113154
Symp. 1973, 1: 309–317. 8
Walsh, O. S., Shafian, S., Marshall, J. M., Zakiyah, M., Manurung, F., and Wulandari,
Jackson, C., McClintick-Chess, J. R., R.S. (2018). Kandungan Klorofil Daun
Blanscet, S. M., Swoboda, K., Pada Empat Jenis Pohon Di Arboretum
Thompson, C., Belmont, K. M., & Sylva Indonesia Pc. Universitas
Walsh, W. L. (2018). Assessment of Tanjungpura. J. Hutan Lestari, vol. 6,
UAV based vegetation indices for no. 1, pp. 48– 55, 2018.
nitrogen concentration estimation in Zhang, D., Zhou, X., Zhang, J., Lan, Y.,
spring wheat. Advances in Remote Xu, C., & Liang, D. (2018). Detection of
Sensing, 07(02), 71-90. rice sheath blight using an unmanned
https://doi.org/10.4236/ars.2018.72006. aerial system with high-resolution color
Wan, L., Li, Y., Cen, H., Zhu, J., Yin, W., and multispectral imaging. PLOS
Wu, W., Zhu, H., Sun, D., Zhou, W., & ONE, 13(5).
He, Y. (2018). Combining UAV-based Zhang, K., Liu, X., Tahir Ata-Ul-Karim, S.,
vegetation indices and image Lu, J., Krienke, B., Li, S., Cao, Q.,
classification to estimate flower number Zhu, Y., Cao, W., & Tian, Y. (2019).
in oilseed rape. Remote Sensing, 10(9), Development of chlorophyll-meter-
1484. https://doi.org/10.3390/rs1009148 Index-Based dynamic models for
4 evaluation of high-yield japonica rice
Widiyawati. I., Sugiyanta, Junaedi, A., production in Yangtze River
Widyastuti, R. (2014). Peran Bakteri reaches. Agronomy, 9(2). https://doi.org
Penambat Nitrogen untuk Mengurangi /10.3390/agronomy9020106
140
