PEMANFAATAN DATA PENGINDERAAN JAUH RESOLUSI MENENGAH/TINGGI UNTUK ESTIMASI LUAS PANEN TANAMAN PADI DI SENTRA PRODUKSI PADI

Transkripsi

1 2014 Pusat Pemanfaatan Penginderaan Jauh LAPAN PEMANFAATAN DATA PENGINDERAAN JAUH RESOLUSI MENENGAH/TINGGI UNTUK ESTIMASI LUAS PANEN TANAMAN PADI DI SENTRA PRODUKSI PADI

2 LAPORAN AKHIR KEGIATAN TAHUN ANGGARAN 2014 PEMANFAATAN DATA PENGINDERAAN JAUH RESOLUSI MENENGAH/TINGGI UNTUK ESTIMASI LUAS PANEN TANAMAN PADI DI SENTRA PRODUKSI PADI LEMBAGA PENERBANGAN DAN ANTARIKSA NASIONAL PUSAT PEMANFAATAN PENGINDERAAN JAUH Jakarta 2014 i Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

3 PEMANFAATAN DATA PENGINDERAAN JAUH RESOLUSI MENENGAH/TINGGI UNTUK ESTIMASI LUAS PANEN TANAMAN PADI DI SENTRA PRODUKSI PADI Disusun oleh: PUSAT PEMANFAATAN PENGINDERAAN JAUH DEPUTI BIDANG PENGINDERAAN JAUH LEMBAGA PENERBANGAN DAN ANTARIKSA NASIONAL (LAPAN) Tim Penyusun: Pengarah : Dr. M. Rokhis Khomarudin, S.Si., M.Si. Kepala Pusat Pemanfaatan Penginderaan Jauh DR. Bambang Trisakti Kepala Bidang Sumber Daya Wilayah Darat Pusat Pemanfaatan Penginderaan Jauh Peneliti: Ir. I Made Parsa, M.Si, Drs. Nana Suwargana, M.Si Ir. Johannes Manalu, M.Si, Dra. Sri Harini Djoko Santo Cahyono Editor, Penyunting, Desain, dan Layout: Muhammad Priyatna, S.Si., MTI. Jakarta, Desember 2014 ii Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

4 RINGKASAN KEGIATAN Angka ramalan produksi tanaman pangan khususnya padi yang dikeluarkan oleh Badan Pusat Statistik yang menurut undang-undang no 16 tahun 1997 bertugas dan bertanggung jawab dalam penyediaan data statistic dasar tersebut seringkali disikapi kurang bijaksana oleh lembaga pemerintah non kementerian. Angka ramalan tersebut sebenarnya dihasilkan dari dua data utama yaitu data luas panen dan produktivitas (hasil per hektar). Dalam beberapa tahun belakangan BPS juga telah menggunakan informasi spasial dari penginderaan jauh dari Pusat Pemanfaatan Penginderaan Jauh (Pusfatja) untuk lebih memastikan angka ramalan tersebut, Walaupun informasi spasial dimaksud masih terbatas pada tingkat skala dan hanya untuk wilayah Jawa dan Bali. Kedepan, secara bertahap Pusfatja akan meningkatkan informasi spasial ini baik dari sisi area maupun dari sisi kualitas/skala informasinya. Dari sisi area, akan meliputi juga pulau Sumatera dan Sulawesi sedang kan dari sisi kualitas informasi akan ditingkatkan menjadi skala 1: Mulai tahun 2014 Pusfatja mulai melakukan penelitian dan pengembangan pemanfaatan penginderaan jauh resolusi menengah/tinggi untuk estimasi luas panen padi di sentra produksi yang mengambil daerah kajian di PT. Sang Hyang Seri Sukaman di-subang. Kajian ini merupakan tindak lanjut dari harapan kementerian Pertanian dan BPS untuk dapat memperoleh informasi mengenai perkiraan panen padi dengan skala yang lebih baik/detil dari yang selama ini diterima. Data yang digunakan dalam kajian ini adalah data Landsat-8 multitemporal, yaitu data tanggal 8 Juli 2013, 9 Agustus 2013, 25 Agustus 2013, 10 September 2013, 26 September 2013, 12 Oktober 2013, 11 Juli 2014, 12 Agustus 2014, 28 Agustus 2014, 13 September Selain itu juga digunakan data realisasi tanam dan panen padi di PT. Sang Hyang Seri musim tanam 2013/2014.Tujuan kajian ini adalah untuk mengembangkan model prediksi umur tanaman padi berdasarkan indek vegetasi (NDVI EVI) data Landsat multitemporal. Model ini diharapkan dapat diimplementasikan untuk estimasi luas panen padi di sentra produksi guna mendukung penetapan ARAM produksi yang dilakukanoleh BPS.Hasil kegiatan litbang ini menunjukkan bahwa hubungan indek vegetasi dengan umur tan an padi adalah polynomial orde 3 dengan persamaanya = 8E-07x x x dengan nilai R 2 = dan SE= 0,047. Hasil kegiatan ini masih perlu dilakukan validasi dan verifikasi untuk dapat diketahui tingkat kehandalannya sebelum dioperasionalkan Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi iii

5 DAFTAR ISI HALAMAN JUDUL RINGKASAN KEGIATAN DAFTAR ISI Hal ii iii iv PENDAHULUAN 1 Latar Belakang 1 Tujuan dan Sasaran 2 TINJAUAN PUSTAKA 2 Citra Landsat 2 Hasil Penelitian Terkait 3 WILAYAH STUDI, DATA, DAN METODE 5 Deskripsi Wilayah Studi 5 Data dan Bahan 5 Metode 7 HASIL DAN PEMBAHASAN 11 Inventarisasi Data 11 Konversi citra menjadi reflektan 12 Ploting data realisasi tanam 12 Profil Pertumbuhan Tanaman Padi Fase Vegetatif dan 14 Generatif Validasi Hasil 28 KESIMPULAN DAN SARAN 30 Kesimpulan 30 Saran 30 DAFTAR PUSTAKA 31 iv Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

6

7 1. PENDAHULUAN 1.1. Latar belakang Beras merupakan salah satu makanan pokok utama di dunia dan diperkirakanhanya sekitar 15 % lahan sawah duniamempunyaitanah yang subur (IRRI, 1993). Di Indonesia, padi merupakan salah satu tanaman pertanian yang paling penting karena beras adalah makanan utama masyarakatindonesia. Ketahanan pangan telah lama menjadi tujuan politik yang penting di Indonesia. Tujuan ini paling sering dikaitkan dengan swasembada beras. Pada pertengahan 1980-an Indonesia sempat mencapai 100 % swasembada beras. Namun, pertumbuhan produksi padimelambat pada 1990-an, yang menyebabkan peningkatan impor dan turunnya rasio swasembada. Selama dua tahun terakhir rasio swasembada beras tetap sekitar 95 %, namun turun di bawah 90 % selama kekeringan El Niño 1998(Bappenas, 2002). Penginderaan jauh satelit telah diterapkan secara luas dan telah diakui sebagai alat yang ampuh dan efektif dalam mendeteksi penggunaan lahan dan perubahan penutupan lahan (Ehlers et al, 1990; Meaille dan Wald, 1990; Westmoreland dan Stow, 1992; Harris danventura, 1995). Penginderaan jauh satelit menyediakan biaya - efektif multi-spektral dan data multitemporal (Paine, 1981). Citra satelit telah digunakan untuk memantau jenis tutupan lahan terbatas menurut klasifikasi spektral. Selain itu, telah digunakan untukmemperkirakan karakteristik biofisik dari permukaan tanah melalui hubungan linear dengan reflektansi spektral atau indeks vegetasi (Steininger, 1996; Nuarsa et al, 2005). Studi menggunakan citra satelit untuk memantau pertumbuhan tanaman padi telah dilakukan (Shao et al, 1997; Kuroso et al, 1997; Le Toan sama sekali, 1997; Panigrahy dan Sharma, 1997; Oette et al, 2000; Shao et al, 2001; David et al, 2003). Beberapa penelitian sebelumnyatelah menggunakan resolusi gambar global dan moderat seperti NOAA AVHRR dan MODIS untuk memantau sawah (Fang et al, 1998; Wataru et al, 2006; Xiao et al, 2005). Namun, penggunaan citra satelit resolusi spasial moderat dan globaltelah dibatasi terutama di lahan sawah yang kecil/sempit, karena ada banyak jenis tutupan lahan dalam satu pixel. Hal ini akan mengurangi penilaian akurasi (Strahler et al, 2006). Di sisi lain, pemanfaatan citra satelit resolusi spasial yang tinggi atau menengah telah terbatas, terutama selama periode tanam, karena sedikit citra yang tersedia selama 120 hari periode pertumbuhan padi (Currey et. Al., 1987). Landsat ETM+ memiliki resolusi temporal, spasial, dan spektral yang baik untuk pemantauan padi. Waktu pengamatan kembali dari Landsat ETM+ adalah 16 hari 1 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

8 denganresolusi spasial 30 m. Landsat ETM+ memiliki enam band denganukuran piksel yang sama. Hal ini menyebabkan bermanfaat untuk pengembangan algoritma untuk pemodelan padi Tujuan dan sasaran Tujuan dari penelitian ini adalah: (1) untuk mengembangkan model prediksi umur tanaman padi menggunakan indeks vegetasi padi (NDVI, EVI), (2) Validasi model untuk pemetaan distribusi umur dan estimasi panen padi.sasaran penelitian adalah tersedianya model prediksi umur tanaman padi dan hasil validasinya. 2. TINJAUAN PUSTAKA 2.1. Citra Landsat Data Landsat Continuity Mission (LDCM), kolaborasi antara NASA dan US Geological Survey, akan memberikan resolusi moderat (15 m-100 m, tergantung pada frekuensi spektral) pengukuran bumi secara terestrial dan polar pada gelombang visible, near-infrared, short waveinfrared, dan thermal infrared. Data Landsat tersedia secara bebas dan dapat digunakan untuk bidang pertanian, geologi, kehutanan, perencanaan wilayah, pendidikan, pemetaan, dan penelitian perubahan global. Payload satelit LDCM terdiri dari dua instrumen-ilmu Land Imager Operasional (OLI) dan Sensor Inframerah Thermal (TIRS). Kedua sensor mempunyai resolusi spasial 30 meter (terlihat, NIR, SWIR), 100 meter (termal), dan 15 meter (pankromatik). Ukuran sapuan LDCM akan 185kmcross-track dengan 180kmsepanjang-track. Sensor OLI menyediakan dua spektrum baru, salah satu dirancang khusus untuk mendeteksi awan cirrus dan yang lainnya untuk pengamatan zona pesisir ( Januari 2013). Jika dibandingkan dengan Landsat -7 ETM+, Landsat-8 mempunyai jumlah kanal yang lebih banyak dengan penambahan band untuk coastal, band cirrus dan band LWIR-2 (khusus untuk band ini terjadi perubahan resolusi spasial menajdi 100 meter), selengkapnya disajikan pada Tabel 1. Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 2

9 Tabel 1. Perbandingan Spesifikasi kanal Landsat-7 ETM+ dan LDCM Landsat-7 ETM+ LDCM Band Resolusi Panjang Gel Band Resolusi Panjang Gel Band 1, Coastal 30 m μm (*A) Band 1, Blue 30 m μm Band 2,Blue 30 m μm Band 2, Green 30 m μm Band 3, Green 30 m μm Band 3, Red 30 m μm Band 4, Red 30 m μm Band 4, Near-IR 30 m μm Band 5, Near-IR 30 m μm Band 5, SWIR-1 30 m μm Band 6, SWIR-1 30 m μm Band 7, SWIR-2 30 m μm Band 7, SWIR-2 30 m μm Band 8, Pan 15 m μm Band 8, Pan 15 m μm Band 9, Cirrus 30 m μm (*B) Band 6, LWIR 60 m μm Band 10, LWIR m μm (*C) Band 11, LWIR m μm (*C) Sumber: NASA, 2000, LDCM, Salah satu cara untuk menyederhanakan hubungan antara perkembangan tanaman dengan ciri reflektasinya adalah dengan mentransformasikan data reflektansi masing-masing saluran menjadi satu atau lebih peubah baru, kemudian melihat hubungan antara fase pertumbuhan tanaman dengan salah satu atau lebih peubah baru tersebut. Hubungan ini digambarkan sebagai trajectory spectral temporal perkembangan tanaman.indek vegetasi merupakan salah satu peubah baru yang berhubungan dengan pertumbuhan tanaman yang diturunkan dari reflektansi beberapa saluran spectral.beberapa indek vegetasi berhubungan erat dengan parameter fisik tanaman yang penting sehingga dapat digunakan untuk menduga indek luas daun, persentase penutupan lahan, tinggi tanaman, biomasa hijau, populasi/ kerapatan tanaman.beberapa diantaranya mampu menghilangkan atau setidaknya memperkecil gangguan radiometrik pada suatu liputan, dan memperkecil perbedaan radiometrik antar liputan dan antar sensor, sehingga memungkinkan pengintegrasian data spectral yang dikumpulkan pada waktu berbeda dan oleh sensor yang berbeda Hasil penelitian terkait Salah satu indek vegetasi adalah Normalized Difference Vegetation Index (NDVI), untuk data Landsat-7 NDVI dihitung dari nilai spectral saluran 3 dan saluran 4 dengan formula (Uchida, S., 2010). Sementara itu indek lain yang pernah digunakan dengan input citra Landsat-7 adalah RGVI (Nuarsa et al., 2010). Hasil penelitian Dirgahayu, et al., 1990an menunjukkan bahwa pola perkembangan indek vegetasi tanaman padi berbentuk kuadratik dimana pada awal pertumbuhannya NDVI yang nilainya rendah akan semakin tinggi dan mencapai maksimum pada umur sekitar 12 3 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

10 minggu setelah tanam. NVDI tanaman akan semakin turun seiring proses pematangan buah padi hingga panen pada umur minggu setelah tanam.penggunaan model ini untuk prediksi luas panen berpotensi menyebabkan adanya kesalahan akibat adanya nilai NVDI yang saling overlap. Penelitian selanjutnya menunjukkan bahwa model NDVI tanaman padi menggunakan citra Modis berbentuk sigmoid Penelitian Kustiyo tahun 2003 tentang model estimasi fase tumbuh dan luas panen padi sawah dengan menggunakan data Landsat-7 diantaranya menyimpulkan bahwa:fase vegetative sampai menjelang panen tidak dapat dipisahkan dengan baik dari saluran-saluran Landsat secara individu, maupun dengan parameter indek kecerahan tanah, kehijauan, kelembaban, dan NDVI tetapi dapat dipisahkan dengan indek fase tumbuh digabungkan dengan NDVI. Selain itu juga disimpulkan bahwa pemisahan dominasi air, vegetasi atau tanah, serta penggunaan indek fase tumbuh dan NDVI mampu menentukan fase tumbuh padi dengan ketelitian 93%. Hasil penelitian pengembangan model pertumbuhan tanaman padi menggunakan data EVI Modis multispectral yang dilakukan Dirgahayu, 2010 di Karawang, Subang, Indramayu Cirebon dan Kuningan menunjukkan bahwa nilai maksimum indek vegetasi (EVI = Enhance Vegetation Index) tanaman padi berbeda-beda pada setiap wilayah sehingga diperoleh 8 model pertumbuhan untuk tanaman padi kelas 2,5,8, 10,11,12,14, dan 17 yang memiliki nilai maksimum: ; ; ; ; dengan dan selisih maksimum dan saat tanam Hasil penelitian Nuarsa, et al., 2010 tentang Pengembangan Model Empiris Untuk Pemetaan Sebaran Padi Dengan Data Landsat Etm+ Multitemporal Studi Kasus Di Bali Indonesia menunjukkan bahwa hubungan nilai spectral (DN) dengan umur padi berbentuk eksponensial dimana yang terbaik adalah band 5 diikuti oleh band 4 dan band 7 Landsat ETM+ dengan nilaikoefisien (R2) masing-masing menjadi 0,8999, 0,8721, dan 0,6847.Band 1, Band 2, dan Band 3 menunjukkan hubungan yang lemah denganumur padi dengan R2 masing-masing menjadi 0,3325, 0,0973, dan 0,3994. Selain itu, dari tujuh indeks vegetasi: NDVI (Normalized Difference Vegetation Index), RVI (Ratio Vegetation Index), IPVI (Infrared Percentage Vegetation Index), DVI (Difference vegetation Index), TVI (Transformed vegetation Index), SAVI (Soil Adjusted Vegetation Index), dan RGVI (Rice Growth Vegetation Index) yang dievaluasi dalam hubungannya dengan umur tanaman ternyata indeks Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 4

11 RGVImemberikan hubungan terbaik denganr2 menjadi 0,9043, diikuti oleh TVI, NDVI, SAVI,IPVI, DVI, dan RVI dengan R2 masing-masing menjadi 0,8888, 0,8473, 0,847,0,8465, 0,8307, dan 0, WILAYAH STUDI, DATA, DAN METODE 3.1. Deskripsi wilayah studi Penelitian ini dilakukan di PT Sang Hyang Seri, Subang, Jawa Barat, berpusat pada lintang 06 19' 01" S ' 07"E (Gambar 1). Pemilihan lokasi studi ini dengan pertimbangan untuk mempermudah perolehan data sekunder (jadwal tanam, umur tanaman tiap blok) yang dibutuhkan dalam pembangunan model.pt Sang Hyang Seri, Subang ini meliputi areal persawahan seluas sekitar 4450ha. Gambar 1.Peta Lokasi Pelaksanaan Penelitian 3.2. Data dan Bahan Data dan bahan yang digunakan dalam penelitian ini meliputi: Citrasatelit resolusi menengah Landsat-8 multiwaktu path/raw yang diperoleh dari Pusat Data dan Teknologi Penginderaan Jauh LAPAN sebagaimana disajikan pada Tabel 2. 5 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

12 Tabel 2.Tanggal aquisisi data Landsat-8 yang digunakan dalam penelitian No. Tanggal aquisisi No. Tanggal aquisisi 1. 8 Juli Oktober Agustus Juli Agustus Agustus September Agustus September September-14 Informasi spasial fase pertumbuhan tanaman padi di Pantura (dari MODIS) Data sekunder berupa data kalender tanam: realisasi tanam, dan waktu panen yang diperoleh dari PT. Sang Hyang Seri Sukamandi, Jawa Barat. Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 6

13 3.3. METODE GROWTH PHASE (MODIS) 2013 MULTITEMPORAL LANDSAT-8 IMAGES SPOT-6 DATA AND IN SITU DATA SURVEYS (REFERENCE DATA) RADIOMETRIC CORRECTION DELINEATION OF BLOCK PLANT REFLECTAN, DIGITAL NUMBER, INDEX TRANSFORMATION: NDVI, RGVI REGRETION ANALYSIS BETWEEN R, DN, VEGETATION INDEK WITH AGE OF RICE PLANTS Y = f(x) EVALUATION, BEST RELATIONSHIP: DETERMINATION COEFISIENT(R 2 ), ANALYSIS OF VARIANS AND STANDARD ERROR ESTIMATION (SE) MAPPING OF PADDY AGE (ANOTHER ACQUISITIONDATE OF DATA) AGE OF PADDY FIELD MAP MODEL VERIFICATION BY REFERENCE DATA (HARVEST TIME) PADDY FIELD AGE MAPPING MODEL APPLICATION OF MODEL HARVEST AREA ESTIMATION Gambar 2. Diagram alir pelaksanaan penelitian Pemanfaatan Data Penginderaan Jauh Resolusi Menengah untuk Pengembangan Model Umur Tanaman Padi dan Penerapannya untuk Estimasi Luas Panen di Sentra Produksi 7 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

14 Tahapan pelaksanaan penelitian: 1. Penyiapan proposal/desain kegiatan riset 2. Inventarisasi dan pemesanan data satelit/citra Landsat-8 dan SPOT-6 3. Koreksi radiometrik dan konversi ke reflektan citra Landsat-8, dilakukan dengan menggunakan persamaan if (10000*( *i1-0.1))/X <0 then 0 else if (10000*( *i1-0.1))/X >10000 then else (10000*( *i1-0.1))/X(USGS, 2014), (X=sin sudut sun elevation setiap citra Landsat-8). Sin α setiap citra Landsat-8yang digunakan dalam penelitian ini disajikan pada Tabel 3 Tabel 3.Sun elevation dan sin α setiap citra Landsat-8 yang digunakan dalam pembuatan model Tanggal Aquisisi Sun Elevation Sin α 8 Juli Agustus Agustus Sep Sep Oktober Juli Agustus Aug Sep Sinkronisasi data lapangan (blok kebun, waktu tanam, panen, hasil perblok), dilakukan terhadap data blok tanam dan realisasi tanam yang diperoleh dari PT Sang Hyang Seri. Sinkronisasi ini bertujuan untuk memperoleh informasi mengenai umur tanaman pada setiap tanggal citra Landsat yang akan dijadikan basis untuk pengambilan sampel. 5. Pengambilan training sampel untuk tiap fase/umur tanaman padi (untuk tiap data Landsat). Training sampel tiap data Landsat disajikan pada Gambar 3. Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 8

15 Gambar 3. Training sampel pada setiap umur tanaman pada data Landsat multitemporal 6. Ekstrak nilai spektralreflektan tiap band citra Landsat Transformasi beberapa indek vegetasi(normalized Difference Vegetation Index) NDVI, (EnhanceVegetation Index)EVI,(Rice GrowthVegetation Index) RGVI citra Landsat-8, menggunakan persamaan berikut(uchida, 2010)dan(Nuarsa, et al., 2010) yang telah disesuaikansebagai berikut: (1) EVI=IF(OR(B2<B5,B3<B4),2.5*(B5/ B4/10000)/(1+B5/ *B4/ *B2/10000),1.5*(B5/ B4/10000)/(0.5+B5/10000+B4/10000)) (2) (3) 9 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

16 dimana:b2, B4, B5, B6, and B7 = band of Landsat-8, Hasil ekstrak nilai spectral ini disajikan dalam bentuk tabel seperti disajikan pada Tabel 4. Tabel 4.Format nilai spectral reflektan citra Landsat-8 tiap band UMUR b1 b2 b3 b4 b5 b6 b7 PERHITUNGAN Y x x x x x x x NDVI TVI RGVI Analisis regresi antara umur tanaman dengan nilai spektral reflektan (band tunggal/gabungan),serta antara umur tanaman dengan masing-masing indek vegetasimenggunakan parameter statistik, yaitu:koefisien determinasi (R 2 ), nilai signifikan darianalisis varians (ANOVA), dan estimasi standard error(se), Jingfeng Huang, et al., dimana y adalah umur padi dan x adalah nilai spektral padi. (5) (6) (7) 9. Pemetaan sawah dan umur tanaman Berdasarkan beberapa persamaan regresi diatas, dicari persamaan yang memberikan nilai R 2 tertinggi, dan nilai varians maupun strandard error terendah. Persamaan ini adalah model terpilih yang akan digunakan untuk memetakan umur tanaman padi (dengan input citra yang lain) sebagai verifikasi dari model. Simulasi dilakukan dengan menggunakan citra 28 Agustus dan 13 September 2014 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 10

17 10. Estimasi luas panen Model yang telah terverifikasi (no 8) kemudian digunakan untuk melakukan pemetaan umur tanaman padi dengan input data/citra Landsat-8 terbaru. Peta umur tanaman padi ini selanjutnya digunakan untuk estimasi luas panen dengan memperhatikan varitas padi yang umum digunakan (umur tanaman). Tabel5.Jadwal Pelaksanaan Tahapan kegiatan Bulan ke- Tahun Koordinasi / Rapat Tim Kajian kepustakaan Pengumpulan data citra Pembuatan informasi spasial blok sawah Pembuatan training sampel tiap fase pertumbuhan padi Ekstrak indek vegetasi Analisis data Pembuatan Model pertumbuhan padi Survei Lapangan Verifikasi Model Penerapan Model untuk estimasi luas panen Penyusunan JUKNIS Pembuatan laporan Kegiatan teknis pada bulan Oktober, meliputi: 1. Analisis regresi hubungan nilai reflektan dan indek (NDVI) dengan umur tanaman 2. Evaluasi homogenitas training sampel dan seleksi training sampel tiap umur tanaman 3. Simulasi pembuatan model umur untuk prediksi umur 4. HASIL DAN PEMBAHASAN 4.1. Inventarisasi data Data yang berhasil diinventaris untuk mendukung kegiatan litbang ini meliputi citra Landsat-8 tanggal aquisisi 8 Juli 2013, 9-Agustus 2013, 25Agustus 2013, 10September 2013, 26September 2013, 12Oktober 2013, 11Juli 2014, 12Agustus 2014, 28 Agustus 2014, 13 September 2014, sementara citra SPOT-6 belum tersedia untuk wilayah 11 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

18 kajian. Selain data citra, juga diperoleh data sekunder berupa peta blok kebun, data realisasi tanam/panen untuk musim tanam 2013/ Konversi citra menjadi reflektan Citra yang diperoleh adalah citra format digital number (DN), sehingga dilakukan konversi sekaligus standarisasi menggunakan formula yang dari USGS. Sebelum itu dilakukan ekstrak nilai sun elevationsetiap data sebagai input konversi. Hasil konversi reflektan ini kemudian dievaluasi nilai reflektannya dengan training sampel pada setiap umur tanaman dan kemudian dihitung koefisien variansinya (standar deviasi dibagi mean dikali 100%) dimana data yang digunakan hanya yang nilai koefisien variansinya kurang dari 10%, yang artinya standar akurasinya 90%. Hasil evaluasi menunjukkan bahwa umumnya nilai band 6 dan band 7 banyak yang mempunyai nilai koefisien varian yang lebih besar dari 10 terutama pada umur tanaman rendah Ploting data realisasi tanam Ploting data realisasi tanam dan panen yang diperoleh dari PT. Sang Hyang Seri sebagai acuan untuk membuat training sampel tiap umur tanaman. Training sampel dibuat terhadap seluruh citra Landsat dengan mengacu pada data realisasi tanam yang disesuaikan dengan tanggal aquisisi citra. Berdasarkan penghitungan sementara, training sampel pada seluruh citra berjumlah 2273 training sampel yang tersebar dari umur 1 hingga 125 hari setelah tanam sebagaimana dapat dilihat pada Gambar 4. Ekstrak nilai reflektan dari seluruh training sampel menghasilkan sebaran sebagaimana disajikan pada Gambar 5, sedangkan nilai NDVI disajikan pada Gambar 6.Dari seluruh training sampel tersebut dilakukan ekstrak nilai mean dan standar deviasinya sebagaimana disajikan pada Lampiran 2 dan Lampiran 3. Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 12

19 Fr ek ue ns Gambar 4. Sebaran frekuensi training sampel yang digunakan dalam penelitian Umur (hari) Berdasarkan training sampel tersebut dilakukan ekstrak nilai reflektan, dan beberapa indeks yaitu NDVI dan EVI.Nilai reflektan diseleksi berdasarkan homogenitasnya yang dicerminkan oleh nilai koefisien variasinya dimana hanya menggunakan reflektan yang mempunyai nilai kovar kurang dari 10.Profil nilai reflektan tanaman padi disajikan pada grafik Gambar 5, sedangkan nilai rataan reflektan tanaman padi pada berbagai umur disajikan pada Lampiran 2. In de ks ve ge ta Umur (hari) Gambar 5. Profil reflektan tanaman padi pada berbagai umur di PT Sang Hyang Seri Subang 13 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

20 Berdasarkan grafik tersebut, terlihat bahwa reflektan band 1,2,3,4,6, dan 7 mempunyai pola yang mirip dimana secara umum semakin tinggi umur niai refektannya semakin besar sedangkan band 5 polanya sangat berbeda dimana nilai reflektan tertinggi terjadi pada umur sekitar 69 hari. Gambaran ini menunjukkan adanya indikasi bahwa band 5 dapat digunakan untuk membedakan umur tanaman Profil Pertumbuhan Tanaman Padi Fase Vegetatif dan Generatif. Pertumbuhan tanaman padi selama musim tanam sampai panen dan kondisi/fase bera dapat dideteksi oleh data inderaja satelit.hal tersebut dapat dilakukan karena perubahan kondisi tanaman/parameter pertumbuhan tanaman seperti pertambahan tinggi, luas daun dan kerapatan tajuk menyebabkan fluktuasi perubahan indeks vegetasi (NDVI).Pengaruh kondisi cuaca seperti suhu, radiasi, kelembaban udara serta kondisi lahan sawah terhadap pertumbuhan dan perkembangan tanaman padi dapat ditunjukkan oleh fluktuasi nilai indeks vegetasi. Pengaruh atmosfir yang sangat signifikan, seperti proses absorbsi (uap air, CO2, dan O3/Ozon) dan hamburan (scattering) atau aerosol dapat mengurangi atau menambah nilai intensitas data citra, sehingga dapat berpengaruh terhadap reflektansi yang secara keseluruhan disebut pengaruh atmosfer. Oleh karena itu,perlu dilakukan pengkoreksian karena berkurangnya nilai NDVI akibat kandungan aerosol atmosfir yang terdeteksi oleh kanal biru, oleh karena itu perlu dikoreksi dengan pembuatan model indeks vegetasi dengan EVI (Enhanced Vegetation Index). Untuk mengetahui profil pertumbuhan tanaman padi berdasarkan indeks vegetasi diperlukan data Multi Temporal selama pertumbuhan tanaman padi. Data inderaja Landsat- 8 yang memiliki resolusi spasial 30 meter dan temporal 16 hari cukup untuk mendeteksi kondisi lahan dan pertumbuhan tanaman padi. Lokasi penelitian adalah di Perum Sang Hyang Seri, Subang, Jawa Barat. Hasil analisis data asli NDVI dan EVI dijajikan pada Tabel 6. Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 14

21 TABEL 6. Hasil analisis indeks vegetasi NDVI dan EVI tanaman padi (data asli). Indeks Vegetasi ORDE 2 ORDE 3 NDVI Fase Vegetatif Fase Generatif EVI Fase Vegetatif Fase Generatif Persamaan R S iterasi Persamaan R S Iterasi X X % X X % X 8E-05 x x 5 no -8E-06x x x 11 no etimasi etimasi X X % X X % X x x 5 no 3E-06x x x 11 no 0.852% etimasi etimasi x 92.82% X X % x X 3 y = x x no etimasi x x x no etimasi x 82.10% x x % x x x x no 4E-06x x x no etimasi etimasi Propil pertumbuhan tanaman padi dapat diperlihatkan pada Gambar-1 sampai Gambar-4 dan model analisis dapat diuraikan sebagai berikut : 1. Model pertumbuhan padi fase vegetative untuk NDVI di orde 2 dengan iterasi 5 dan iterasi 5 tanpa menggunakan estimasi, kemudian di orde 3 dengan iterasi 11 dan iterasi 11 tanpa menggunakan estimasi, ditunjukkan pada Gambar Model pertumbuhan padi fase generative untuk NDVI di orde 2 dengan iterasi 5 dan iterasi 5 tanpa menggunakan estimasi, kemudian di orde 3 dengan iterasi 11 dan iterasi 11 tanpa menggunakan estimasi, ditunjukkan pada Gambar Model pertumbuhan padi fase vegetative untuk EVI di orde 2 dengan iterasi 8 dan melalui Add Trendline, kemudian di orde 3 dengan iterasi 8 dan melalui Add Trendline, ditunjukkan pada Gambar Model pertumbuhan padi fase generative untuk EVI di orde 2 dengan iterasi 17 dan melalui Add Trendline, kemudian di orde 3 dengan iterasi 11 dan melalui Add Trendline, ditunjukkan pada Gambar-4. Pertumbuhan Padi dengan NDVI untuk Fase Vegetasi Hasil deteksi pertumbuhan padi dengan NDVI untuk fase Vegetasi orde 2 pada iterasi 5ditunjukkan pada Gambar 1-a. Gambar tersebut menunjukkan pola pertumbuhan tanaman padi berbentuknya lurus agak melengkung. Pertumbuhan vegetatif tampak diikuti dengan kenaikan nilai NDVI mulai dari 0 HST hingga mencapai nilai maksimum antara HST. Fase pertumbuhan vegetatif tampak terbagi dua, yaitu vegetatif awal antara 0-20 HST yang 15 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

22 masih didominasi oleh penggenangan air dengan nilai NDVI berkisar , kemudian vegetatif naik diantara HST dengan kenaikan nilai NDVI berkisar antara 0.25 sampai Model observasi pertumbuhan tanaman padi dalam bentuk orde 2 dihasilkan dalam bentuk persamaan : Obs = X X 2 R = 92.31%, S= Untuk fase Vegetasi orde 3 pada iterasi 11ditunjukkan pada Gambar 1-b. Gambar tersebut menunjukkan pola pertumbuhan tanaman padi berbentuknya ½ lonceng. Pertumbuhan vegetatif tampak diikuti dengan kenaikan nilai NDVI mulai dari 0 HST hingga mencapai nilai maksimum antara HST. Fase pertumbuhan vegetatif tampak terbagi dua, yaitu vegetatif awal antara 0-20 HST yang masih didominasi oleh penggenangan air dengan nilai NDVI berkisar , kemudian vegetatif naik dari HST dengan kenaikan nilai NDVI berkisar antara 0.20 sampai Model observasi pertumbuhan tanaman padi dalam bentuk orde 3 dihasilkan bentuk persamaan sebagai berikut : Obs = x x x 3 R=95%, S= Untuk fase Vegetasi orde 2 dan orde 3 melalui tanpa estimasi Gambar-1c dan Gambar-1d memperlihatkan propil pertumbuhannya mirip dengan orde 2 dan orde 3 pada iterasi 5 dan iterasi 11 tanpa menggunakan estimasi. Bentuk persamaan orde 2 iterasi 5 tanpa menggunakan estimasi sebagai berikut : y = 8E-05 x x R 2 = dan bentuk persamaan orde 3 iterasi 11 tanpa menggunakan estimasi adalah : y = -8E-06x x x R 2 = Propil Pertumbuhan Padi dengan NDVI untuk Fase Generatif Hasil deteksi pertumbuhan padi dengan NDVI untuk fase generatif orde 2 pada iterasi 5 ditunjukkan pada Gambar 2-a. Gambar tersebut menunjukkan pola pertumbuhan tanaman padi berbentuk seperti ½ kubah. Fase perkembangan generatif tampak terbagi 2, yaitu masa pembentukan biji antara HST dengan penurunan nilai NDVI berkisar antara Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 16

23 , masa pematangan antara umur HST dengan penurunan nilai NDVI berkisar dari 0.55 hingga Selanjutnya tanaman padi akan panen dan kondisi lahan menjadi bera antara umur HST dengan nilai NDVI berkisar antara 0.45 hingga Model observasi pertumbuhan tanaman padi dalam bentuk orde 2 dihasilkan dalam bentuk persamaan : Obs = X X 2 R=85.02%, S= Untuk fase generatif orde 3 pada iterasi 11 ditunjukkan pada Gambar 2-b. Gambar tersebut menunjukkan pola pertumbuhan tanaman padi berbentukseperti ½ lonceng. Fase perkembangan generative juga tampak terbagi 2, yaitu masa pembentukan biji antara HST dengan penurunan nilai NDVI berkisar antara , masa pematangan antara umur HST dengan penurunan nilai NDVI berkisar dari 0.60 hingga Selanjutnya tanaman padi akan panen dan kondisi lahan menjadi bera antara umur HST dengan nilai NDVI berkisar antara 0.40 hingga Model observasi pertumbuhan tanaman padi dalam bentuk orde 2 dihasilkan dalam bentuk persamaan : Obs = X X X 3 R=85.63%, S= Untuk fase generatif orde 2 dan orde 3 melalui tanpa estimasi Gambar-2c dan Gambar-2d memperlihatkan propil pertumbuhannya mirip dengan orde 2 dan orde 3 pada iterasi 5 dan iterasi 11. Bentuk persamaan orde 2 melalui tanpa estimasi sebagai berikut : y = x x R 2 = dan bentuk persamaan orde 3 melalui tanpa estimasi adalah : y = 3E-06x x x R 2 = Propil Pertumbuhan Padi dengan EVI untuk Fase Vegetatif Hasil deteksipertumbuhan padi dengan EVI untuk fase Vegetasi orde 2 pada iterasi 8 ditunjukkan pada Gambar 3-a. Gambar tersebut menunjukkan pola pertumbuhan tanaman padi berbentuk garisagak melengkung. Pertumbuhan vegetatif tampak diikuti dengan kenaikan nilai EVI mulai dari 0 HST hingga mencapai nilai maksimum antara HST. 17 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

24 Fase pertumbuhan vegetatif tampak terbagi dua, yaitu vegetatif awal antara 0-20 HST yang masih didominasi oleh penggenangan air dengan nilai EVI berkisar , kemudian vegetatif naik diantara HST dengan kenaikan nilai EVI berkisar antara 0.20 sampai Model observasi pertumbuhan tanaman padi dalam bentuk orde 2 dihasilkan dalam bentuk persamaan : Obs = X X 2 S = ; R 2 = 92.82% Untuk fase Vegetasi orde 3 pada iterasi 8 ditunjukkan pada Gambar 3-b. Gambar tersebut menunjukkan pola pertumbuhan tanaman padi berbentuknya ½ lonceng. Pertumbuhan vegetatif tampak diikuti dengan kenaikan nilai EVI mulai dari 0 HST hingga mencapai nilai maksimum antara HST. Fase pertumbuhan vegetatif tampak terbagi dua, yaitu vegetatif awal antara 0-20 HST yang masih didominasi oleh penggenangan air dengan nilai EVI berkisar , kemudian vegetatif naik lagi dari HST dengan kenaikan nilai EVI berkisar antara 0.15 sampai Model observasi pertumbuhan tanaman padi dalam bentuk orde 3 dihasilkan bentuk persamaan sebagai berikut : Obs = X X X 3 S = ; R 2 = 93.16% Untuk fase Vegetasi orde 2 dan orde 3 melalui Add Trendline Gambar-3c dan Gambar-3d memperlihatkan propil pertumbuhannya mirip dengan orde 2 dan orde 3 pada iterasi 8 dan iterasi 16. Bentuk persamaan orde 2 Add Trendline sebagai berikut : y = x x R 2 = dan bentuk persamaan orde 3 Add Trendline adalah : y = x x x R 2 = Propil Pertumbuhan Padi dengan EVI untuk Fase Generatif Hasil deteksi pertumbuhan padi dengan EVI untuk fase generatif orde 2 pada iterasi 8 ditunjukkan pada Gambar 4-a. Gambar tersebut menunjukkan pola pertumbuhan tanaman padi berbentuk garis agak melengkung. Fase perkembangan generatif tampak terbagi 2, Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 18

25 yaitu masa pembentukan biji antara HST dengan penurunan nilai EVI berkisar antara , masa pematangan antara umur HST dengan penurunan nilai EVI berkisar dari 0.60 hingga Selanjutnya tanaman padi akan panen dan kondisi lahan menjadi bera antara umur HST dengan nilaievi berkisar antara 0.40 hingga Model observasi pertumbuhan tanaman padi dalam bentuk orde 2 dihasilkan dalam bentuk persamaan : Obs = x x2 S = ; R2 = 82.10% Untuk fase generatif orde 3 pada iterasi 11 ditunjukkan pada Gambar 4-b. Gambar tersebut menunjukkan pola pertumbuhan tanaman padi berbentuk seperti ½ lonceng. Fase perkembangan generative juga tampak terbagi 2, yaitu masa pembentukan biji antara HST dengan penurunan nilai EVI berkisar antara , masa pematangan antara umur HST dengan penurunan nilai EVI berkisar dari 0.65 hingga Selanjutnya tanaman padi akan panen dan kondisi lahan menjadi bera antara umur HST dengan nilai EVI berkisar antara 0.35 hingga Model observasi pertumbuhan tanaman padi dalam bentuk orde 2 dihasilkan dalam bentuk persamaan : Obs = x x x3 S = ; R2 = 80.99% Untuk fase generatif orde 2 dan orde 3 melalui Add Trendline Gambar-4c dan Gambar-4d memperlihatkan propil pertumbuhannya mirip dengan orde 2 dan orde 3 pada iterasi 17 dan iterasi 11. Bentuk persamaan orde 2 Add Trendline sebagai berikut : y = x x R2 = dan bentuk persamaan orde 3 Add Trendline adalah : y = 4E-06x x x R 2 = Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

26 Model Pertumbuhan Padi Fase Vegetatif Model Pertumbuhan Padi Fase Vegetatif Obs = X X 2 S = ; R 2 = 92.31% Obs = X X X 3 S = ; R 2 = 95.72% NDVI Obs FITS1 NDVI Obs FITS1 Umur HST Umur HST a. Hasil NDVI orde 2 Vegetatif setelah difilter dua kali dan dilakukan iterasi atau pengulangan 5 kali dengan menggunakan hasil strandart deviasi dari program MINITAB Obs = X X 2 S = ; R 2 = 92.31% Model Pertumbuhan Padi Fase Vegetatif b. Hasil NDVI orde 3 Vegetatif setelah difilter dua kali dan dilakukan iterasi atau pengulangan 11 kali dengan menggunakan hasil strandart deviasi dari program MINITAB Obs = X X X 3 S = ; R 2 = 95.72% Model Pertumbuhan Padi Fase Vegetatif NDVI (Normalized Difference Vegetation Index) y = 8E-05x x R 2 = Umur HST Obs Poly. (Obs) NDVI y = -8E-06x x x R 2 = Umur HST Obs Poly. (Obs) c. Hasil NDVI orde 2 Vegetatif setelah difilter dua kali dan dilakukan iterasi atau pengulangan 5 kali tanpa menggunakan estimasi dari program MINITAB. Estimasi langsung dari add trendline. y = 8E-05 x x R 2 = d. Hasil NDVI orde 3 Vegetatif setelah difilter dua kali dan dilakukan iterasi atau pengulangan 11 kali tanpa menggunakan estimasi dari program MINITAB. Estimasi langsung dari add trendline. y = -8E-06x x x R 2 = Gambar 6. Profil NDVI Fase Vegetatif pertumbuhan padi Orde 2 dengan iterasi 5 dan iterasi 5 tanpa menggunakan estimasi, serta Orde 3 dengan iterasi 11 dan iterasi 11 tanpa menggunakan estimasi. Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 20

27 Model Pertumbuhan Padi Fase Generatif Model Pertumbuhan Padi Fase Generatif NDVI (Normalized Difference Vegetation Index) Obs = X X 2 S = ; R 2 = 85.02% Obs FITS1 NDVI (Normalized Difference Vegetation Index) Obs = X X X 3 S = ; R 2 = 85.63% Obs FITS1 Umur HST Umur HST Hasil NDVI orde 2 Vegetatif setelah difilter dua kali dan dilalukan iterasi atau pengulangan 5 kali dengan menggunakan hasil strandart deviasi dari program MINITAB Obs = X X 2 S = ; R 2 = 85.02% Hasil NDVI orde 3 Generatif setelah difilter dua kali dan iterasi atau pengulangan 11 kali dengan menggunakan hasil strandart deviasi dari program MINITAB Obs = X X X 3 S = ; R2 = 85.63% Model Pertumbuhan Padi Fase Generatif Model Pertumbuhan Padi Fase Generatif NDVI (Normalized Difference Vegetation Index) y = x x R 2 = Obs Poly. (Obs) NDVI (Normalized Difference Vegetation Index) y = 3E-06x x x R 2 = Obs Poly. Umur HST Umur HST Hasil NDVI orde 2 Vegetatif setelah difilter dua kali dan dilalukan iterasi atau pengulangan 5 kali tanpa menggunakan estimasi dari program MINITAB. Estimasi langsung dari add trendline. y = x x R 2 = Hasil NDVI orde 3 Generatif setelah difilter dua kali dan dilaklukan iterasi atau pengulangan 11 kali tanpa menggunakan estimasi dari program MINITAB. Estimasi langsung dari add trendline. y = 3E-06x x x R 2 = Gambar 7. Profil NDVI Fase generatif pertumbuhan padi Orde 2 dengan iterasi 5 dan iterasi 5 tanpa menggunakan estimasi, serta Orde 3 dengan iterasi 11 dan iterasi 11 tanpa menggunakan estimasi. 21 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

28 Model Pertumbuhan Padi Fase Vegetatif Model Pertumbuhan Padi Fase Vegetatif Enhanced Vegetation Index (EVI) Obs = X X 2 S = ; R 2 = 92.82% Obs FITS1 Enhanced Vegetation Index (EVI) Obs = X X X 3 S = ; R 2 = 93.16% Obs FITS1 Umur HST (Hari Setelah Tanam) Umur HST (Hari Setelah Tanam) Hasil EVI orde 2 Vegetatif setelah difilter dua kali dan dilakukan iterasi atau pengulangan 8 kali dengan menggunakan hasil strandart deviasi dari program MINITAB Obs = X X 2 S = ; R 2 = 92.82% Hasil EVI orde 3 Vegetatif setelah difilter dua kali dan dilakukan iterasi atau pengulangan 8 kali dengan menggunakan hasil strandart deviasi dari program MINITAB Obs = X X X 3 S = ; R 2 = 93.16% Model Pertumbuhan Padi Fase Vegetatif Model Pertumbuhan Padi Fase Vegetatif Enhanced Vegetation Index (EVI) y = x x R 2 = Obs Poly. (Obs) Enhanced Vegetation Index (EVI) y = x x x R 2 = Obs Poly. (Obs) Umur HST (Hari Setelah Tanam) Umur HST (Hari Setelah Tanam) Hasil EVI orde 2 Vegetatif setelah difilter dua kali dan dilakukan iterasi atau pengulangan 8 kali tanpa menggunakan estimasi dari program MINITAB. Estimasi langsung dari add trendline. Hasil EVI orde 3 Vegetatif setelah difilter dua kali dan dilakukan iterasi atau pengulangan 8 kali tanpa menggunakan estimasi dari program MINITAB. Estimasi langsung dari add trendline. y = x x R 2 = y = x x x R2 = Gambar 8. Profil EVI Fase vegetatif Pertumbuhan padi Orde 2 dengan iterasi 5 dan iterasi 5 tanpa menggunakan estimasi, serta Orde 3 dengan iterasi 8 dan iterasi 8 tanpa menggunakan estimasi. Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 22

29 Model Pertumbuhan Padi Fase Generatif Model Pertumbuhan Padi Fase Generatif EVI (Enhanced Vegetation Index) Obs = x x 2 S = ; R 2 = 82.10% Umur HST (Hari Setelah Tanam) Obs FITS1 Enhanced Vegetation Index (EVI) Obs = x x x 3 S = ; R 2 = 80.99% Umur HST (Hari Setelah Tanam) Obs FITS1 Hasil EVI orde 2 Vegetatif setelah difilter dua kali dan dilalukan iterasi atau pengulangan 17 kali dengan menggunakan hasil strandart deviasi dari program MINITAB Obs = x x2 S = ; R2 = 82.10% Model Pertumbuhan Padi Fase Generatif Hasil NDVI orde 3 Generatif setelah difilter dua kali dan iterasi atau pengulangan 11 kali dengan menggunakan hasil strandart deviasi dari program MINITAB Obs = x x x3 S = ; R2 = 80.99% Model Pertumbuhan Padi Fase Generatif EVI (Enhanced Vegetation Index) y = x x R 2 = Umur HST (Hari Setelah Tanam) Obs Poly. (Obs) Enhanced Vegetation Index (EVI) y = 4E-06x x x R 2 = Umur HST (Hari Setelah Tanam) Obs Poly. (Obs) Hasil NDVI orde 2 Vegetatif setelah difilter dua kali dan dilalukan iterasi atau pengulangan 17 kali tanpa menggunakan estimasi dari program MINITAB. Estimasi langsung dari add trendline. y = x x R2 = Hasil NDVI orde 3 Generatif setelah difilter dua kali dan dilaklukan iterasi atau pengulangan 11 kali tanpa menggunakan estimasi dari program MINITAB. Estimasi langsung dari add trendline. y = 4E-06x x x R2 = Gambar 9. Profil EVI Fase generatif Pertumbuhan padi Orde 2 dengan iterasi 5 dan iterasi 5 tanpa menggunakan estimasi, serta Orde 3 dengan iterasi 11 dan iterasi 11 tanpa menggunakan estimasi. 23 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

30 Hasil analisis nilai NDVI dan EVI yang sudah difilter 2 kali dengan analisis orde 2 dan orde 3 disajikan sebagai berikut NDVI dengan hasil filter 2 kali dengan iterasi yang berbeda orde 2 dan orde 3 1. Model pertumbuhan padi untuk NDVI di orde 2 dengan iterasi 13 Obs = X X2 S = ; R 2 = 86.10% iterasi Model pertumbuhan padi untuk NDVI di orde 3 dengan iterasi 14 Obs = X X X 3 S = ; R 2 = 88.18% iterasi Model pertumbuhan padi untuk NDVI di orde 2 dengan iterasi 13 tanpa estimasi y = x x R 2 = iterasi Model pertumbuhan padi untuk NDVI di orde 3 dengan iterasi 14 tanpa estimasi y = 8E-07x x x R 2 = iterasi 14 EVI dengan hasil filter 2 kali dengan iterasi yang berbeda orde 2 dan orde 3 1. Model pertumbuhan padi untuk EVI di orde 2 dengan iterasi 16 Obs = X X 2 S = ; R 2 = % iterasi Model pertumbuhan padi untuk EVI di orde 3 dengan iterasi 12 Obs = X X X 3 S = ; R 2 = 86.13% iterasi Model pertumbuhan padi untuk EVI di orde 2 dengan iterasi 16 tanpa estimasi y = x x R 2 = iterasi Model pertumbuhan padi untuk EVI di orde 3 dengan iterasi 12 tanpa estimasi y = x x x R 2 = iterasi 12 Propil pertumbuhan untuk wilayah di PT Sang Hyang Seri, ditunjukkan pada Gambar-6dan Gambar-2. Gambar tersebut menunjukkan pola NDVI dan EVI tanaman padi pada umumnya Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 24

31 berbentuk kubah agak simetris.pertumbuhan vegetatif tampak diikuti dengan kenaikan nilai NDVI maupun EVI hingga mencapai nilai maksimum umumnya berkisar antara HST. Fase pertumbuhan vegetatif tampak terbagi tiga, yaitu vegetatif awal berkisar antara 0-20 HST yang masih didominasi oleh penggenangan air dengan kenaikan nilai NDVI maupun EVI sekitar 0.15 dan nilai NDVI dan EVI< 0.2, vegetatif dipercepat antara HST dengan kenaikan nilai NDVI dan EVI berkisar 0.42 dengan slop tajam, fase vegetatif diperlambat berkisar antara HST dengan kenaikan nilai NDVI dan EVI berkisar 0.12, karena mulai pembentukan malai. Sedangkan fase perkembangan generatif tampak terbagi 2, yaitu masa pembentukan biji berkisar antara HST dengan penurunan nilai NDVI dan EVI berkisar 0.25, masa pematangan berkisar antara umur HST dengan penurunan nilai NDVI dan EVI berkisar 0.3. Selanjutnya tanaman padi akan panen dan kondisi lahan menjadi bera dengan nilai NDVI dan EVI berkisar Pertumbuhan padi indek vegetasi NDVI dan EVI dari ke delapan model ditunjukkan pada Tabel-6 dan Tabel-7. Profil Pertumbuhan Padi Orde 2 Profil Pertumbuhan Padi Orde NDVI (Normalized D ifference Vegetation Index) Obs = X X 2 S = ; R 2 = 86.10% Obs FITS1 NDVI (Normalized Difference Vegetation Index) Obs = X X X 3 S = ; R 2 = 88.18% Obs FITS Umur HST (Hari Setelah Tanam) Umur HST (Hari Setelah Tanam) Obs = X X2 S = ; R2 = 86.10% iterasi 13 Profil Pertumbuhan Padi Orde 2 Obs = X X X 3 S = ; R 2 = 88.18% iterasi 14 Profil Pertumbuhan Padi Orde NDVI (Normalized Difference Vegetation Index) y = x x R 2 = Obs Poly. (Obs) NDVI (Normalized Difference Vegetation Index) y = 8E-07x x x R 2 = Obs Poly. (Obs) Umur HST (Hari Setelah Tanam) Umur HST (Hari Setelah Tanam) y = x x y = 8E-07x x x R 2 = iterasi 13 tanpa estimasi R 2 = iterasi 14 tanpa estimasi Gambar10.ModelNDVIPertumbuhan padi (Hasil filter ) 25 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

32 Profil Pertumbuhan Padi Orde 2 Profil Pertumbuhan Padi Orde Enhanced Vegetation Index (EVI) Obs = X X 2 S = ; R2 = 84.58% Obs FITS1 Enhanced Vegetation Index (EVI) Obs = X X X 3 S = ; R 2 = 86.13% Obs FITS Umur HST (Hari Setelah Tanam) Umur HST (Hari Setelah Tanam) Obs = X X 2 S = ; R 2 = % iterasi 16 Profil Pertumbuhan Padi Orde 2 Obs = X X X 3 S = ; R 2 = 86.13% iterasi 12 Profil Pertumbuhan Padi Orde Enhanced Vegetation Index (EVI) y = x x R 2 = Obs Poly. (Obs) Enhanced Vegetation Index (EVI) y = x x x R 2 = Obs Poly. (Obs) Umur HST (Hari Setelah Tanam) Umur HST (Hari Setelah Tanam) y = x x R 2 = iterasi 16 tanpa estimasi y = x x x R2 = iterasi 12 tanpa estimasi Gambar 11. Model EVIPertumbuhan padi (Hasil filter) Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 26

33 TABEL 7.Hasil penghitungan nilai NDVI dan EVI padi pada Orde 2 dan Orde 3. NDVI EVI HST Orde2 it13 Orde3 it14 Orde2 it13 tanpa estimasi Orde3 it14 tanpa estimasi Orde2 it16 Orde3 it12 Orde2 it16 tanpa estimasi Orde3 it12 tanpa estimasi TABEL 8. Rekapitulasi persamaan regresi, nilai R dan standard error hasil analisis. Indeks Vegetasi NDVI Fase Vegetatif Fase Generatif EVI Fase Vegetatif Fase Generatif ORDE 2 ORDE 3 Persamaan R S itera Obs = X X2 y = x x Obs = X X 2 y = x x % % si no etima si no etim asi Persamaan R S Iterasi Obs = X X X 3 % y = 8E-07x x x Obs = X X X 3 y = x x x % no etimas i Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

34 4.5. Validasi hasil Gambar 12. Citra Landsat-8 28 Agustus 2014 Gambar 13. Citra Landsat-8 13 September 2014 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 28

35 positif negatif Gambar 14. Perubahan indeks vegetasi daerah Karawang-Bekasi-Subang bulan Agustus- September 2014 Gambar 15. Peta umur tanaman padi di Karawang-Subang-Sukamandi pada bulan September Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

36 Gambar 16. Peta estimasi panen padi di Karawang-Subang-Sukamandi pada bulan September 2014 V. Kesimpulan dan saran 6.1. Kesimpulan Berdasarkan Tabel 8 diatas, dapat disimpulkan bahwa dari dua parameter yang diuji NDVI dan EVI, ternyata parameter NDVI mempunyai hubungan yang lebih erat dengan umur tanaman padi karena rata-rata R 2 nya lebih besar yaitu rata-rata 87,14% dan standar error yang lebih kecil 0,0525 dibandingkan dengan parameter EVI yang mempunyai rata-rata R 2 85,35% dan standard error Sementara itu dari dua model analisis, orde dua dan orde tiga untuk kedua parameter diatas, ternyata model orde tiga mempunyai nilai R 2 yang lebih besar 88,18% dan nilai standard error yang lebih kecil 0,047. Dengan demikian model prediksi umur yang lebih baik adalah persamaan regresi orde 3 antara umur dengan NDVI tanaman padi yang diekstrak dari citra Landsat 8 berikut:y = 8E- 07x x x dengan R 2 = dengan standar error 0, Saran Berdasarkan pembahasan dan kesimpulan tersebut, disarankan untuk dilakukan validasi hasil model prediksi umur ini secara luas untuk mengetahui tingkat kehandalannya. Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 30

37 DAFTAR PUSTAKA Bappenas, 2002, Does Indonesia Face a Food Security Time Bomb.Indonesian Food Policy Program. http//: Accessed November, 15th Baret, F. and Guyot, G., 1991, Potentials and limits of vegetation indices for LAI and APAR assessment.remote Sensing of Environment, 35, pp Currey, B., Fraser, A. S. and Bardsley, K. L. How useful is Landsat monitoring. Nature 1987, 328, David, D., Frolking, S., Li, C., 2003, Trends in Rice-Wheat Area in China.Field Crops Research. Dirgahayu, 1999.Aplikasi Model Pendugaan Umur Padi untuk Peramalan Luas Panen Padi di Pulau Jawa. Majalah LAPAN no 1, vol h Ehlers, M., Jadkowski, M. A., Howard, R. R. and Brostuen, D. E., 1990, Application of SPOT Data For Regional Growth Analysis and Local Planning. Photogrammetric Engineering and Remote Sensing, 56, pp Fang, H., Wu, B., Liu, H., and Huang, X., 1998, Using NOAA AVHRR and Landsat TM to estimate rice area year-byyear. International Journal of Remote Sensing, 19, pp Harris, P. M. and Ventura, S. J., 1995, TheIntegration of Geographic Data With Remotely Sensed Imagery to Improve Classification in an Urban Area. Photogrammetric Engineering and Remote Sensing, 61, pp Huete, A. R. and Escadafal, R., 1991, Assessment of Biophysical Soil Properties Through Spectral Decomposition Techniques. Remote Sensing of Environment 35, pp Huete, A. R. and Warrick, A. W., 1990, Assessment of Vegetation And Soil Water Regimes in Partial Canopies with Optical Remotely Sensed Data. Remote Sensing of Environment 32, pp Huete, A. R., 1988, A Soil-Adjusted Vegetation Index (SAVI). Remote Sensing of Environment, 25, pp IRRI, 1993, IRRI Rice Almanac. Manila7 International Rice Research Institute. Jingfeng Huang, et al., Remotely Sensed Rice Yield Prediction Using Multi-Temporal NDVI Data Derived from NOAA s-avhrr. Institute of Agricultural Remote Sensing & Information Application. diakses 22 Januari 2014 Kuroso, T., Fujita, M., and Chiba, K., 1997, Monitoring of Rice Fields Using Multi-Temporal ERS-1 C-band SAR Data.International Journal of Remote Sensing, 14, pp Kustiyo, 2003.Model Estimasi Fase Tumbuh dan Luas Panen Padi Sawah dengan Menggunakan Data Landsat-7. Tesis. Program Pasca Sarjana, Institut Pertanian Bogor. 104 p Le Toan, T., Ribbes, F., Floury, N., L., Kong, J., Korosu, T., and Fujita, M., 1997, Rice Crop Mapping and Monitoring Using ERS-1 Data Base on Experiment and Modeling Results. IEEE Transactions on Geosciences and Remote Sensing, 35, pp Lillesand, T.M. and Kiefer, R.W., 1994, Remote Sensing and Image Interpretation.Third Edition. John Wiley and Sons, New York. 750 pp. Meaille, R. and Wald, L., 1990, Using Geographic Information System and Satellite Imagery Within a Numerical Simulation of Regional Urban Growth. International Journal of Geographic Information Systems, 4, pp Naugle, B. I. and Lashlee, J. D., 1992, Alleviating Topographic Influences on Land-Cover Classifications for Mobility and Combat Modeling, Photogrammetric Engineering and Remote Sensing, 58, pp Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

38 Niel, T.G.V. and McVicar, T.R., 2001, Remote Sensing of Rice-Based Irrigated Agriculture: A Review. Available on RC- Rice-TRP pdf. Accessed 15 December Nuarsa I Wayan, Kanno, S., Sugimori, Y. and Nishio, F., 2005, Spectral Characterization of Rice Field Using Multi-Temporal Landsat ETM+ Data.International Journal of Remote Sensing and Earth Sciences. 2, pp Nuarsa I Wayan, Nishio, F., Hongo C., 2010.Development Of The Empirical Model For Rice Field Distribution Mapping Using Multi-Temporal Landsat Etm+ Data: Case Study In Bali Indonesia. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Science, Volume XXXVIII, Part 8, Kyoto Japan Oette, D. R., Warren B. C., Mercedes B., Maiersperger, T.K., and Kennedy, R.E., 2000, Land Cover Mapping in Agricultural Setting Using Multiseasonal Thematic Mapper Data. Remote Sensing of Environment, 76, pp Paine, D.P., 1981, Aerial Photography and Image Interpretation for Resource Management. John Wiley and Sons, New York. 412 pp. Panigrahy, S. and Sharma., S.A., 1997, Mapping of Crop Rotation Using Multidate Indian Remote Sensing Satellite Digital Data. ISPRS Journal of Photogrammetry & Remote Sensing, 52, pp Pons, X. and Sole-Sugranes, L. A Simple Radiometric Correction Model to Improve Automatic Mapping of Vegetation From Multispectral Satellite Data. Remote Sensing of Environment 1994, 48, Shao, Y., Fan, X., Liu, H., Xiao, J., Ross, S., Brisco, B., Brown, R. and Staples, G., Rice Monitoring and Production Estimation Using Multitemporal RADARSAT.Journal of Remote Sensing for Environment, 76, pp Shao, Y., Wang, C., Fan, X., and Liu, H., 1997, Evaluation of SAR image for Rice Monitoring and Land Cover Mapping.In Presented at Geomatics in Era of RADARSAT, Ottawa, Canada. Steininger, M. K., 1996, Tropical secondary forest regrowth in the Amazon: age, area and change estimation with Thematic Mapper data. International Journal of Remote Sensing, 17, pp Strahler, A. H., Boschetti, L., Foody, G.M., Friedl, M.A., Hansen, M.C., Herold, M., Mayaux, P., Morisette, J.T., Stehman, S.V. and Woodcock, C.E., 2006, Global Land Cover Validation: Recommendations for Evaluation and Accuracy Assessment of Global Land Cover Maps. Office for Official Publications of the European Communities. Validation_JeffMorisette.pdf.Accessed July 25, Uchida, S., 2010.Monitoring of Planting Paddy Rice With Complex Cropping Pattern In The Tropical Humid Climate Region Using Landsat and Modis Data. A Case of West Java, Indonesia.International Archives of the Photogrammetry, Remote Sensing and Spatial Information Science, Volume XXXVIII, Part 8, Kyoto Japan Wataru, T, Taikan, O., and Yoshifumi, Y., 2006, Investigating an Integrated Approach on Rice Paddy Monitoring Over Asia WithMODIS and AMSR-E. Proceedings of the Conference of the Remote Sensing Society of Japan, 40, pp Westmoreland, S. and Stow, D. A., 1992, Category Identification of Changed Land-Use Polygons in an Integrated Image Processing/Geographic Information System.Photogrammetric Engineering and Remote Sensing, 58, pp Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 32

39 Xiangming Xiao, et al., Mapping Paddy Rice Agriculture in Southern China Using Multitemporal Modis Images); Remote Sensing of Environment 95 (2005) ainstitute for the Study of Earth, Oceans and Space, University of New Hampshire, Durham, NH 03824, USA Xiao, X., Boles, S., Liu, J., Zhuang, D., Frolking, S., Li, C., Salas, W. and Moore, B., 2005, Mapping Paddy Rice Agriculture in Southern China Using Multi-Temporal MODIS Images.Remote Sensing of Environment, 95, pp Yoshinari Oguro, et al., Monitoring of Rice Field by Landsat-7 ETM+ and Landsat-5 TM Data.Center for Remote Sensing and Processing (CRISP), National University of Singapore, Singapore Institute of Surveyors and Valuares (SISV), Asian Assosciation and remote Sensing (AARS). 33 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

40 LAMPIRAN Lampiran 1. Citra Landsat-8 yang digunakan dalam penelitian 8 Juli Agustus Agustus September 2013 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 34

41 26 September Oktober Juli Agustus Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

42 Lampiran 2. Rataan nilai reflektan citra Landsat pada berbagai umur tanaman padi Umur (hari) Band1 Band2 Band3 Band4 Band5 Band6 Band Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 36

43 Umur (hari) Band1 Band2 Band3 Band4 Band5 Band6 Band Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

44 Umur (hari) Band1 Band2 Band3 Band4 Band5 Band6 Band Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 38

45 Umur (hari) Band1 Band2 Band3 Band4 Band5 Band6 Band Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

46 Umur (hari) Band1 Band2 Band3 Band4 Band5 Band6 Band Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 40

47 Umur (hari) Band1 Band2 Band3 Band4 Band5 Band6 Band Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

48 Lampiran 3. Rataan NDVI pada berbagai umur tanaman padi umur rataan1 umur rataan1 umur rataan Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 42

49 Lampiran 4.Laporan survey lapangan LAPORAN SURVEI LAPANGAN PEMANFAATAN DATA PENGINDERAAN JAUH RESOLUSI MENENGAH/TINGGI UNTUK ESTIMASI LUAS PANEN TANAMAN PADI DI SENTRA PRODUKSI PADI BIDANG SUMBERDAYA WILAYAH DARAT Peneliti Utama : Ir. I Made Parsa, MSi Peneliti : Drs. Nana Suwargana, M.Si Ir. Johanes Manalu, M.Si Dra. Sri Harini DJoko Santo Tjahyono PUSAT PEMANFAATAN PENGINDERAAN JAUH LEMBAGA PENERBANGAN DAN ANTARIKSA NASIONAL Jln. Kalisari No. 8 Pekayon, Pasar Rebo, Jakarta Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

50 Telp/Fax: (021) PENDAHULUAN Penginderaan jauh satelit telah diterapkan secara luas dan telah diakui sebagai alat yang ampuh dan efektif dalam mendeteksi penggunaan lahan dan perubahan penutupan lahan (Ehlers et al, 1990; Meaille dan Wald, 1990; Westmoreland dan Stow, 1992; Harris dan Ventura, 1995). Penginderaan jauh satelit menyediakan biaya - efektif multi-spektral dan data multitemporal (Paine, 1981).Citra satelit telah digunakan untuk memantau jenis tutupan lahan terbatas menurut klasifikasi spektral.selain itu, telah digunakan untuk memperkirakan karakteristik biofisik dari permukaan tanah melalui hubungan linear dengan reflektansi spektral atau indeks vegetasi (Steininger, 1996; Nuarsa et al, 2005). Studi menggunakan citra satelit untuk memantau pertumbuhan tanaman padi telah dilakukan (Shao et al, 1997; Kuroso et al, 1997; Le Toan sama sekali, 1997; Panigrahy dan Sharma, 1997; Oette et al, 2000; Shao et al, 2001; David et al, 2003). Beberapa penelitian sebelumnya telah menggunakan resolusi gambar global dan moderat seperti NOAA AVHRR dan MODIS untuk memantau sawah (Fang et al, 1998; Wataru et al, 2006; Xiao et al, 2005). Namun, penggunaan citra satelit resolusi spasial moderat dan global telah dibatasi terutama di lahan sawah yang kecil/sempit, karena ada banyak jenis tutupan lahan dalam satu pixel. Hal ini akan mengurangi penilaian akurasi (Strahler et al, 2006). Di sisi lain, pemanfaatan citra satelit resolusi spasial yang tinggi atau menengah telah terbatas, terutama selama periode tanam, karena sedikit citra yang tersedia selama 120 hari periode pertumbuhan padi (Currey et. Al., 1987).Landsat ETM+ memiliki resolusi temporal, spasial, dan spektral yang baik untuk pemantauan padi. Waktu pengamatan kembali dari Landsat ETM+ adalah 16 hari dengan resolusi spasial 30 m. Landsat ETM+ memiliki enam band dengan ukuran piksel yang sama. Hal ini menyebabkan bermanfaat untuk pengembangan algoritma untuk pemodelan padi. Dalam kaitannya menggunakan citra satelit resolusi spasial yang dibatasi oleh model lahan sawah yang kecil/sempit, karena banyaknya jenis tutupan lahan dalam satu pixel. Maka pemanfaatan citra satelit resolusi spasial yang tinggi atau menengah telah terbatas, terutama selama periode tanam, karena sedikit citra yang tersedia selama 120 hari periode pertumbuhan padi.namun citra Landsat ETM+ yang memiliki resolusi temporal, spasial, dan spektral yang baik untuk pemantauan padi diperlukan data/informasi dilapangan untuk Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 44

51 mendukung dalam tahapan pengolahan dan analisis data. Selama ini, sebelum melakukan pengolahan citra Landsat ETM+ telah melakukan komunikasi dan koordinasi dengan PT Sang Hyang Seri Sukamandi, Subang, Jawa Barat. Diantaranya telah terkumpulnya data untuk kalender tanam, realisasi tanam, dan panen. Namun disisi lain setelah dibaca dan dipelajari masih ada kesulitan dalam mencocokan jenis-jenis varietas di areal Blok masing-masing. Karena di dalam satu Blok terdapat tiga jenis varietas dengan tanggal realisasi tebar dan realisasi tanam yang berlainan. Oleh karena itu perlunya data lapangan untuk mencocokkan blok-blok yang ditanami jenis-jenis varietas yang dikorelasikan dengan citra Landsat-ETM+. Tujuan kegiatan survei ini adalah untuk verifikasi pengolahan citra Landsat ETM+ dengan data penunjang lapangan yang diperoleh dari PT. Sang Hyang Seri untuk mendukung : (1) mengembangkan indeks pertumbuhan vegetasi padi, (2) pemetaan distribusi padi dan umurnya, dan (3) perbandingan kuantitatif hasil analisis dengan data referensi dari area persawahan. Data sekunder blok kebun dan realisasi tanam/panen sudah diperoleh dari PT. Sang Hyang Seri tetapi setelah dicermati ternyata data tersebut tidak sinkron dan tidak lengkap karena: Nama blok pada peta TIDAK SAMA dengan nama blok pada statistik Realisasi tanam dan panen hanya untuk ±30% area Setelah dioverley dengan citra, banyak umur tanaman yang nampak TIDAK LOGIS karena tanaman berumur 2 hari/8 hari/20 hari nampak hijau sedangkan tanaman berumur 60 hari masih nampak biru (air), sementara tanaman berumur 30 hari nampak bera (merah) Satu blok dengan dua/lebih waktu tanam dimana dalam satu blok tanaman kenampakan tidak seragam (air, vegetasi dan bera) 45 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

52 Gambar 1. Blok tanam PT. Sang Hyang Seri dengan latar belakang citra Landsat-8 tanggal 8 Juli 2013 Keterangan: Blok yang ada angkanya adalah blok-blok yang ada data realisasi tanamnya Angka dalam blok menunjukkan umur tanaman padi yang dihitung dari waktu tanam ke tanggal aquisisi data Landsat Gambar 2. Blok tanam PT. Sang Hyang Seri dengan latar belakang citra Landsat-8 tanggal 10 September 2013 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 46

53 Keterangan: Blok yang ada angkanya adalah blok-blok yang ada data realisasi tanamnya Angka dalam blok menunjukkan umur tanaman padi yang dihitung dari waktu tanam ke tanggal aquisisi data Landsat Berkaitan dengan permasalahan yang telah diuraikan di atas, dipandang perlu untuk dilakukan survei lapangan untuk mengecek, mensinkronkan, dan melengkapi data sekunder mengenai realisasi tanam, panen, produksi, kerusakan/kegagalan panen untuk seluruh blok tanaman dalam kurun waktu Juli 2013 sampai Juli Selain itu dalam survey lapangan ini juga akan dilakukan pengukuran reflektan lahan sawah/tanaman padi pada berbagai fase yang ada di lapangan 2.1. Tujuan Survei Melakukan koordinasi dan diskusi dengan PT. Sang Hyang Seri, Subang, Jawa Barat). Melakukan pengumpulan data-data yang dibutuhkan untuk pembuatan model prediksi umur tanaman padi. Melakukan pengukuran reflektansi tanaman padi pada berbagai umur untuk pembangunan database 2.3. Sasaran survei : Tersedianya peta blok yang sinkron dengan data statistik Tersedianya data tebar/tanam dan panen untuk sebagian besar blok Tersedianya database reflektan tanaman padi/sawah pada berbagai umur tanaman/fase Tersedianya informasi koordinat lokasi dan dokumen foto kondisi tutupan tanaman padi di wilayah tersebut. 3. Metode dan Peralatan yang Digunakan 3.1. Lokasi Survei Penelitian ini dilakukan di PT. Sang Hyang Seri, Subang, Jawa Barat, berpusat pada lintang 06 19' 01" S ' 07" E (Gambar 1). Pemilihan lokasi studi ini dengan 47 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

54 pertimbangan untuk mempermudah perolehan data sekunder (jadwal tanam, umur tanaman tiap blok) yang dibutuhkan dalam pembangunan model. Area PT. ini meliputi areal seluas lebih dari 4000 ha. Gambar 3. Peta Lokasi penelitian PT. Sang Hyang Seri 3.2. Peralatan yang digunakan adalah: 1. GPS (Global Positioning System) dan Batrey Alkalin 2. Spektro radiometer 3. Kamera dijital 4. Print out citra citra Landsat-8 multiwaktu path/raw terkoreksi (Wilayah Sukamandi). 5. Alat tulis 3.3. Metode Survei Koordinasi dilakukan dengan PT. Sang Hyang Seri dimulai sebelum survei dilaksanakan agar rencana dan jalannya kegiatan dapat terlaksana dengan baik.koordinasi dilakukan dengan mempresentasikan tujuan, rencana survei dan kebutuhan informasi atau data. Selanjutnya melakukan diskusi untuk mendapat masukan, dan bila memungkinkan dapat membina kerjasama dengan PT. Sang Hyang Seri atau dinas terkait untuk Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 48

55 pemanfaatan data satelit resolusi tinggi untuk estimasi luas panen tanaman padi di sentra produksi padi. Selain pengumpulan data/informasi dengan mendatangi PT. Sang Hyang Seri,Jawa Barat atau dinas lain yang terkait, dilakukan juga pengukuran atau pengecekan langsung dilapangan. Informasi/data yang dikumpulkan dari dinas terkait adalah data realisasi umur masa tanam padi hingga masa panen serta mencocokan penanaman padi pada areal nomer blok-blok (dilapangan) dengan posisi nomer blok-blok yang diperoleh dari data citra Landsat. Pengambilan data lapangan adalah umur tanaman padi (saat mulai tanam hingga saat panen) dilakukan dengan menggunakan Spektroradiometer untuk mengukur spektral signature. Perbedaan tutupan tanaman padi, karena perbedaan umur terutama kondisi lebar daun yang terjadi di lokasi penelitian dicatat. Pengecekan tutupan tanaman padi dilakukan dengan mengidentifikasi kondisi tutupan tanaman padi di lokasi yang telah ditetapkan pada blok-blok tertentu (Gambar 2). Selanjutnya melakukan pengukuran koordinat lokasi dan pengambilan foto untuk merekam kondisi dan lebar tutupan tanaman padi di wilayah tersebut. Data-data tersebut akan dikorelasikan untuk menentukan estimasi luas panen tanaman padi disentra produksi padi yang kemudian dapat diterapkan pada citra satelit. Gambar 4. Areal Blok-blok tanaman Padi saat tanam dan panen 49 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

56 Tabel 1. Titik Koordinat lokasi pengecekan umur tanaman padi dan pengukuran reflektansi pada setiap blok tanaman padi. Varie Blo Luas Realisasi Reflektansi Keterangan N O Koord X Koord Y tas k tanam / No.Foto Ha Tgl Tgl nm 1 R1-line R2-line L A-line 2 R1-line R2-line L A-line 3 R1-line R2-line L A-line dst Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 50

57 4. Jadwal Pelaksanaan Survei Survei akan dilaksanakan selama lima hari mulai tanggal11 s/d 15 Agustus 2014 dengan jadwal pelaksanaan sebagai berikut: HARI KEGIATAN TEMPAT Pertama Kedua Ketiga Keempat Kelima Perjalanan Jakarta - Subang Koordinasi dengan Intansi terkait dan pengumpulan data Survei lapangan (pengecekan kondisi penutup tanaman padi) Pengukuran koordinat dan reflektan lahan sawah/tanaman padi pada berbagai fase dan dokumentasi lapangan Pengukuran koordinat dan reflektan lahan sawah/tanaman padi pada berbagai fase dan dokumentasi lapangan (lanjutan) Pengukuran koordinat dan reflektan lahan sawah/tanaman padi pada berbagai fase dan dokumentasi lapangan (lanjutan) Pengambilan dan dan pengecekan data statistik Perjalanan kembali ke Jakarta Jakarta Subang Kantor PT. Sang Hyang Seri Sukamandi-Subang Jawa Barat Kebun PT. Sang Hyang Seri, Sukamandi Subang, Jawa Barat (Kontak Person: Manager Kebun Hibrida, Bpk Agustinus BS,SP) Kebun PT. Sang Hyang Seri, Sukamandi Subang, Jawa Barat Kebun PT. Sang Hyang Seri,Sukamandi Subang, Jawa Barat Kantor PT. Sang Hyang Seri Sukamandi-Subang Jawa Barat 5. Personil Pelaksana Survei NO NAMA UNIT KERJA LEMBAGA 1. Ir. I Made Parsa, M.Si Pusfatja LAPAN 2. Drs. Nana Suwargana, M.Si Pusfatja LAPAN 3. Ir. Johanes Manalu, M.Si Pusfatja LAPAN 4. Dra. Sri Harini Pusfatja LAPAN 5. Djoko Santo Tjahyono Pusfatja LAPAN 6 Sopir Pusfatja LAPAN 51 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

58 6. Hasil Survei Sesuai jadwal yang telah direncanakan, Senin 11 Agustus siang telah dilakukan pertemuan dan diskusi tentang kegiatan litbang yang sedang dilaksanakan di Pusfatja dengan menejer kebun PT. Sang Hyang Seri dan telah disampaikan juga data pendukung mengenai peta blok dan realisasi tanam/panen tiap blok yang dibutuhkan dan kebutuhan kita untuk mengetahui kondisi tanaman di lapangan berdasarkan perbedaan umurnya untuk diukur reflektansinya menggunakan spektrometer. Koordinasi penyiapan data sekunder dilakukan untuk memperbaiki/sinkronisasi data yang telah dikirim oleh PT. Sang Hyang Seri sebelumnya.sementara untuk peninjauan lapangan, pengukuran reflektan objek lahan sawah/tanaman padi pada berbagai umur dilakukan pada hari kedua hingga kelima.pengamatan dan pengukuran lapangan pada hari kedua yang bertepatan dengan jadwal lintasan satelit Landsat, sementara pengamatan dan pengukuran hari berikutnya hanya bersifat melengkapi. Secara umum, hasil yang diperoleh dari survey lapangan ini meliputi: 1. Peta blok PT. Sang Hyang Seri yang sinkron dengan data statistik. Pada dasarnya peta blok ini sebenarnya sama dengan peta blok yang pernah dikirim oleh PT. Sang Hyang Seri, perbedaannya adalah pada nomor blok tidak mencantumkan nama wilayah didepan nomor bloknya, selengkapnya disajikan pada lampiran Data tebar/tanam dan panen untuk sebagian besar blok (contoh data realisasi tanam disajikan pada lampiran 2). Dalam kurun waktu Juli 2013 sampai Juli 2014 ada tiga kali realisasi tebar/tanam/panen yaitu MK 2013, MH 2013 dan MK Berdasarkan data yang ada, realisasi tanam terakhir untuk areal PT. Sang Hyang Seri adalah 5 Agustus Hasil pengukuran beberapa titik koordinat lokasi dan dokumen foto kondisi tutupan tanaman padi di area PT. Sang Hyang Seri meliputi 23 titik koordinat dengan informasi umur tanaman (terlampir pada lampiran 3). 4. Hasil pengukuran nilai reflektan tanaman padi/sawah pada beberapa tingkat umur yang ada di PT. Sang Hyang Seri yang meliputi umur 1 minggu sampai 105 hari serta kondisi selesai panen. Untuk kondisi tanaman padi yang baru ditanam dan lahan bera dilengkapi dari hasil pengukuran di luar area PT. Sang Hyang Seri. Hasil pengukuran nilai reflektan selengkapnya disajikan pada Lampiran 4. Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 52

59 8. Daftar Pustaka Bappenas, 2002, Does Indonesia Face a Food Security Time Bomb? Indonesian Food Policy Program. http//: Accessed November, 15th Baret, F. and Guyot, G., 1991, Potentials and limits of vegetation indices for LAI and APAR assessment.remote Sensing of Environment, 35, pp Currey, B., Fraser, A. S. and Bardsley, K. L. How useful is Landsat monitoring. Nature 1987, 328, David, D., Frolking, S., Li, C., 2003, Trends in Rice-Wheat Area in China.Field Crops Research. Ehlers, M., Jadkowski, M. A., Howard, R. R. and Brostuen, D. E., 1990, Application of SPOT data for regional growth analysis and local planning. Photogrammetric Engineering and Remote Sensing, 56, pp Fang, H., Wu, B., Liu, H., and Huang, X., 1998, Using NOAA AVHRR and Landsat TM to estimate rice area year-byyear. International Journal of Remote Sensing, 19, pp Harris, P. M. and Ventura, S. J., 1995, The integration of geographic data with remotely sensed imagery to improve classification in an urban area. Photogrammetric Engineering and Remote Sensing, 61, pp Huete, A. R. and Escadafal, R., 1991, Assessment of biophysical soil properties through spectral decomposition techniques.remote Sensing of Environment 35, pp Huete, A. R. and Warrick, A. W., 1990, Assessment of vegetation and soil water regimes in partial canopies with optical remotely sensed data. Remote Sensing of Environment 32, pp Huete, A. R., 1988, A soil-adjusted vegetation index (SAVI).Remote Sensing of Environment, 25, pp IRRI, 1993, IRRI Rice Almanac. Manila7 International Rice Research Institute. Jingfeng Huang, et al., Remotely Sensed Rice Yield Prediction Using Multi-Temporal NDVI Data Derived from NOAA s-avhrr. Institute of Agricultural Remote Sensing & Information Application. diakses 22 Januari Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

60 Lampiran 1. Peta blok kebun PT. Sang Hyang Seri Gambar blok kebun PT. Sang Hyang Seri, Sukamandi Subang Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 54

61 Lampiran 2a. Contoh data reaalisasi tanam benih sumber di PT. Sang Hyang Seri Sukamandi MT 2013/ 2014 Varietas Blok 55 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi Luas Realisasi tebar Realisasi tanam ( Ha ) Ha Tanggal Ha Tanggal Ciherang SWK/SS S14b /11/ /11/ Ciherang SWK/SS S15a /11/ /11/2013 Mekongga SWK/SS S15b /11/ /11/2013 Mekongga SWK/SS S16a /11/ /12/2013 Ciherang SWK/SS S16b /11/ /12/2013 Inpago 3 SHS SWK/SS S17a /11/ /12/2013 Inpari 13 SWK/SS S17b /11/ /12/2013 Mekongga SWK/SS S17c /11/ /12/2013 Ciherang SWK/SS S17d /11/ /12/2013 Inpara 2 SWK/SS S18a /11/ /12/2013 Cigeulis SWK/SS S18b /11/ /12/2013 IR64 SWK/SS S18c /11/ /12/2013 Inpari sidenuk SWK/SS S18d /11/ /12/2013 Sub jumlah PB42 SWK/SS S19a /11/ /11/2013 C. Muncul SWK/SS S19b /11/ /11/ Ciherang SWK/SS S19c /11/ /12/2013 Situbagendit SWK/SS S20a /11/ /12/2013 Inpari 10 SWK/SS S20b /11/ /12/2013 Mekongga SWK/SS S20c /11/ /12/ Ciherang SWK/SS S21a /11/ /12/2013 Sintanur SWK/SS S21b /11/ /12/2013 Ciherang SWK/SS S22a 30/11/ /12/2013

62 Varietas Blok Luas Realisasi tebar Realisasi tanam ( Ha ) Ha Tanggal Ha Tanggal Ciherang SWK/SS S22b /11/ /12/2013 Ciliwung SWK/SS S22c /11/ /12/2013 Sub jumlah Ciherang SWK/FS S22A /11/ /12/2013 PB42 SWK/FS S22B /11/ /12/2013 IR64 SWK/FS S22C /11/ /12/2013 C. Muncul SWK/FS S22D /11/ /12/2013 Mekongga SWK/FS S22E /11/ /12/2013 Batang piaman SWK/FS S22F /11/ /12/2013 Situbagendit SWK/FS S22G /11/ /12/2013 Inpago 3 SHS SWK/FS S22H /11/ /12/2013 Inpari sidenuk SWK/FS S22I /11/ /12/2013 Inpari 10 SWK/FS S22J /11/ /12/2013 Cigeulis SWK/FS S22K /11/ /12/2013 Inpara 2 SWK/FS S22L /11/ /12/2013 Inpari 13 SWK/FS S22M /11/ /12/2013 Inpari 3 SWK/FS S22N /11/ /12/2013 Cibogo SWK/FS S22O /11/ /12/2013 IR66 SWK/FS S22P /11/ /12/2013 Ciliwung SWK/FS S22Q /11/ /12/2013 Bestari SWK/FS S22R /11/ /12/2013 Memberamo SWK/FS S22S /11/ /12/2013 Cisokan SWK/FS S22T /11/ /12/2013 W. Apo Buru SWK/FS S22U 14/11/2013 4/12/2013 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 56

63 Varietas Blok Luas Realisasi tebar Realisasi tanam ( Ha ) Ha Tanggal Ha Tanggal Situpatenggang SWK/FS S22V /11/ /12/2013 Sintanur SWK/FS S22W /11/ /12/2013 Inpari sidenuk SWK/SS S22X /11/ /12/2013 Isolasi SWK/FS Sub jumlah Jml Benih Sumber Lampiran 2b. Data reaalisasi tanam benih padi Inbrida di PT. Sang Hyang Seri Sukamandi MT 2013/ 2014 Ciherang Varietas Blok Luas Realisasi tebar Realisasi tanam ( Ha ) Ha Tanggal Ha Tanggal SWK/ES L /11/ /12/2013 SWK/ES L /11/ /12/2013 Sub Jumlah Ciherang SWK/ES L /11/ /12/2013 SWK/ES L /11/ /12/2013 Sub Jumlah Mekongga SWK/ES LK /12/ /12/2013 SWK/ES LK /12/ /12/2013 SWK/ES LK /12/ /12/2013 SWK/ES LK /12/ /12/2013 SWK/ES LK /12/ /1/2014 SWK/ES LK /12/ /1/2013 Sub Jumlah Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

64 Varietas Blok Ciherang SWK/ES L Mekongga SWK/ES SWK/ES L23 L25 Luas Realisasi tebar Realisasi tanam ( Ha ) Ha Tanggal Ha Tanggal /12/ /12/ /12/ /12/ /12/ /1/2014 Sub Jumlah Mekongga SWK/ES L /12/ /1/2014 SWK/ES L /12/ /1/2014 Sub Jumlah Mekongga SWK/ES L /12/ /1/2014 SWK/ES L /12/ /1/2014 Sub Jumlah Jumlah As I Mekongga SWK/ES L /11/ /12/2013 SWK/ES L /11/ /12/2013 SWK/ES L /11/ /12/2013 SWK/ES L /11/ /12/2013 Sub Jumlah Mekongga SWK/ES L /11/ /12/2013 Ciherang SWK/ES L /11/ /12/2013 SWK/ES L /11/ /12/2013 SWK/ES L /11/ /12/2013 Sub Jumlah Ciherang SWK/ES L /11/ /12/2013 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 58

65 Varietas Blok Luas Realisasi tebar Realisasi tanam ( Ha ) Ha Tanggal Ha Tanggal 8.20 SWK/ES L /11/ /12/2013 SWK/ES SWK/ES L16 L /11/ /11/ Sub Jumlah /12/ /12/2013 Mekongga SWK/ES L22A /12/ /12/2013 SWK/ES L22B /12/ /12/2013 SWK/ES L /12/ /1/2014 SWK/ES L /12/ /1/2014 SWK/ES L /12/ /1/214 Sub Jumlah Mekongga SWK/ES L /12/ /1/2014 SWK/ES L /12/ /1/2014 SWK/ES L /12/ /1/2014 SWK/ES L /12/ /1/2014 SHS6 (boshima) Sub Jumlah Hibrida L36 kons /12/ /1/2014 Sub Jumlah Jumlah As II Mekongga SWK/ES B /11/ /11/2013 SWK/ES B /11/ /12/2013 SWK/ES B /11/ /12/2013 SWK/ES B /11/ /12/ Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

66 Varietas SWK/ES SWK/ES Blok B29 B30 Luas Realisasi tebar Realisasi tanam ( Ha ) Ha Tanggal Ha Tanggal /11/ /11/ /12/ /12/2013 Sub Jumlah Restorer B /11/ /12/2013 Sub Jumlah Mekongga SWK/ES S23B /11/ /12/2013 SWK/ES SWK/ES S24B S /11/ /11/ /12/ /12/2013 Sub Jumlah Mekongga Mekongga SWK/ES S SWK/ES S SWK/ES S SWK/ES S Sub Jumlah SWK/ES S SWK/ES S /12/ /12/ /12/ /1/ /12/ /1/ /12/ /1/ /12/ /1/ /12/ /1/2014 SWK/ES S /12/ /1/2014 SWK/ES S /12/ /1/2014 SWK/ES S /12/ /1/2014 Sub Jumlah Jumlah As IV Jumlah Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 60

67 Varietas Luas Realisasi tebar Realisasi tanam Blok ( Ha ) Ha Tanggal Ha Tanggal SWK Ciherang TGKB /11-15/12/ /12-4/1/2014 sidenuk KS/SS TGKT Inpago 3 SHS TGKT Ciherang KS/SS TGKB /12/ Inpari sidenuk TGKT /12/ /1/2014 Inpari 14-17/12/ /1/ /12/ /12/2013 PB42 TGKT /11/ /12/ Inpari 13 TGKT /12/ /1/ IR64 SKJB /11-6/12/ /12/2013 Inpago 3 SHS SKJB /11/ /12/ Inpara 2 SKJB /11/ /12/2013 Situbagendit SKJT /11-3/12/ /12/ /11- Situbagendit PSK /11/ /12/2013 Inpago 3 SHS IR B /10/ B /10/ B /10/ Sub Jumlah B /10/ B /10/ B /10/ /11/2013 9/11/2013 9/11/ /11/ /11/ /11/ Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

68 Luas Realisasi tebar Realisasi tanam Varietas Blok ( Ha ) Ha Tanggal Ha Tanggal Sub Jumlah Ciherang L2A /11/ L2B /11/2013 Sub Jumlah /11/ /11/2013 Cigeulis S22B /11/ '3/12/2013 B /11/ '3/12/2013 Ciherang Sub Jumlah BLC I - 30/10- IV /11/ Sub Jumlah /11/2013 Ciherang LK /9/ /11/2013 LK /9/ /11/2013 LK /9/ /11/2013 LK /9/ /11/2013 Sub Jumlah Mekongga B /10/ /11/2013 B /10/ /11/2013 B /10/ /11/2013 B /10/ /11/2013 B /10/ /11/2013 B /10/ /11/2013 B /10/ /11/2013 B /10/ /11/2013 Sub Jumlah Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 62

69 Ciherang Ciherang Inpari 10 Ciherang Varietas KS/SS Blok B16 B17 B18 B19 B20 B21 B22 B23 B24 63 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi Luas Realisasi tebar Realisasi tanam ( Ha ) Ha Tanggal Ha Tanggal Sub Jumlah S1 S2 S3 S Sub Jumlah KS/SS S Sub Jumlah 6.41 S6 S7 S /10/ /11/ /10/ /11/ /10/ /11/ /10/ /11/ /10/ /11/ /10/ /11/ /10/ /11/ /10/ /11/ /10/ /11/ /10/ /11/ /10/ /11/ /10/ /11/ /10/ /11/ /10/ /11/ /10/ /11/ /10/ /11/ /10/ /11/2013 S /10/ /11/2013 S /10/ /11/2013 S /10/ /11/2013

70 Mekongga Varietas Blok S12 S13 Luas Realisasi tebar Realisasi tanam ( Ha ) Ha Tanggal Ha Tanggal Sub Jumlah KS/SS S /10/ /11/ /10/ /11/ /10/ /11/2013 Sub Jumlah Inpari sidenuk L /11/ /12/2013 Sub Jumlah Jumlah Ciherang S /11/ /12/2013 Sub Jumlah Inpari sidenuk S24A /11/ /12/2013 Sub Jumlah Mekongga LK /11/ /12/2013 LK /11/ /12/2013 KS/SS LK /11/ /12/2013 Sub Jumlah Mekongga KS/SS LK /11/ /12/2013 KS/SS LK /11/ /12/2013 LK /11/ /12/2013 LK /11/ /12/2013 LK /11/ /12/2013 Sub Jumlah Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 64

71 Varietas Blok Luas Realisasi tebar Realisasi tanam ( Ha ) Ha Tanggal Ha Tanggal Mekongga LK /9/ /10/2013 LK /9/ /10/2013 LK /9/ /10/2013 LK /9/ /10/2013 LK /9/ /10/2013 LK /9/ /10/2013 LK /9/ /10/2013 LK /9/ /10/2013 LK /9/ /10/2013 LK /9/ /10/2013 Sub Jumlah Mekongga LK /9/ /10/2013 Sub Jumlah Mekongga LK /9/ /10/2013 LK /9/ /10/2013 LK /9/ /10/2013 Sub Jumlah Cigeulis S /11/ /12/2013 S /11/ /12/2013 Sub Jumlah Ciherang S /11/ /12/2013 S /11/ /12/2013 S /11/ /12/ Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

72 Varietas Blok Luas Realisasi tebar Realisasi tanam ( Ha ) Ha Tanggal Ha Tanggal 6.09 Sub Jumlah Inpari 13 LK /12/ /12/2013 LK /12/ /12/2013 Sub Jumlah IR64 LK /12/ /12/2013 LK /12/ /12/2013 LK /12/ /12/2013 Sub Jumlah Ciliwung LK /12/ /12/2013 LK /12/ /12/2013 Sub Jumlah Mekongga LK /11/ LK /11/ /12/ /12/2013 Sub Jumlah Mekongga LK /12/ /12/2013 LK /12/ /12/2013 Sub Jumlah Inpari 10 KS/SS L /11/ /12/2013 Sub Jumlah Cigeulis L /12/ /12/2013 L /12/ /12/2013 Sub Jumlah Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 66

73 Ciherang Mekongga Varietas Blok L1 L3 Luas Realisasi tebar Realisasi tanam ( Ha ) Ha Tanggal Ha Tanggal Sub Jumlah L37 L39 L /9/ /9/ /10/ /10/ /11/ /12/ /11/ /12/ /12/ /12/2013 Sub Jumlah Mekongga LK /12/ /12/2013 LK /12/ /12/2013 LK /12/ /12/2013 LK /12/ /12/2013 LK /12/ /12/2013 LK /12/ /12/2013 Sub Jumlah Mekongga L /11/ /12/2013 L /11/ /12/2013 L /11/ /12/2013 L /11/ /12/2013 L /11/ /12/2013 L /11/ /12/2013 L /11/ /12/2013 L /11/ /12/2013 Sub Jumlah Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

74 Varietas Blok Luas Realisasi tebar Realisasi tanam ( Ha ) Ha Tanggal Ha Tanggal Jumlah Jumlah KS, , , TOTAL, , , Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 68

75 HASIL RINCI PENGAMATAN LAPANGAN Id X Y Daerah survey KETERANGAN LOKASI Sukamandi, Subang Kantor dan disekitarnya semaksemak Di Kantor Pt. Shang Hyang Seri sedang diskusi dengan manager perkebunan 69 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

76 Id X Y Daerah survey KETERANGAN LOKASI Desa Ciasem Girang kecamatan Ciasem Sawah pada blok l34 (ber umur 1minggu), blok l32 (ber umur 2bln) persimpangan blok l34 dan blok l32 Di Desa Ciasem Girang kecamatan Ciasem Sector Lebak pada Blok l34 sawah berumur 1 minggu Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 70

77 Id X Y Daerah survey KETERANGAN LOKASI Desa Ciasem Girang kecamatan Blok l32 Sawah berumur 2 bulan Ciasem Desa Ciasem Girang Kecamatan Ciasem di Sector Lebak pada blok 32 sawah sudah berumur 2 bulan 71 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

78 Id X Y Daerah survey KETERANGAN LOKASI Desa Sukamandijaya Blok l20 92 hari, blok l21 (88hari Kecamatan Ciasem. 3bulan kurang 2hari) blok l20, dihadapan blok 121 Desa Sukamandijaya Kecamatan Ciasem. Blok l20 92 hari, blok l21 (88hari 3blb-2hr) Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 72

79 Id X Y Daerah survey KETERANGAN LOKASI Desa Sukamandijaya Sector Blanakan Blok b22, disebelahnya blok Kecamatan Ciasem. b23 Sawah hibrida Blok b22 2.5bl (45hr dari tanam) Pada blok b22 dan disebelahnya adalah blok23 jenis sawahnya adallah hibrida berumur 2.5bl (45hr dari tanam) 73 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

80 Id X Y Daerah survey KETERANGAN LOKASI Blok Balong Cariu 1 (BLC 1) mur Desa Rancajaya sawah 100hr dr tebar siap Kecamatan Patokbeusi. untuk di panen Desa Rancajaya Kecamatan Patokbeusi.. Balong Cariu 1 berumur 100 hari darri tebar Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 74

81 Id X Y Daerah survey KETERANGAN LOKASI Desa Rancajaya Kecamatan Patokbeusi. Sector Belanakan blok B 16 Sawah berumur 95 hari Desa Rancajaya Kecamatan Patokbeusi. Sawah berumur 95 hari 75 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

82 Id X Y Daerah survey KETERANGAN LOKASI Belanakan Blok B14 sawah 8 Desa Gempolsari Kecamatan berumur 102 hingga 105 hari Patokbeusi. Sebelah blokk b 14 adalah kebun pohon pisang Desa Gempolsari Kecamatan Patokbeusi. Sektor Belanakan blok b14 adalah lahan sawah yang berumur hari dari tebar Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 76

83 Id X Y Daerah survey KETERANGAN LOKASI Desa Sukamandijaya Kecamatan Di sebelah sawah Blok l2sb Ciasem. aalahan semak-semak Sektor Lembaga Blok l2ab berumur 98 hari Desa Sukamandijaya Kecamatan Ciasem Pengambilan titik di lembaga blok l2ab sawah berumur 98 hari 77 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

84 Id X Y Daerah survey KETERANGAN LOKASI Desa Sukahaji Kecamatan Blok Lk 21 sawah berumur 63 Ciasem hari dari tanam), blok lk Persimpangan sector Lekar sawah berumur 82 hari dan lk20 antara 3 blok lk19, lk20 dan lk21 sawah berumur 75 hari. Pengambilan titik di Desa Sukahaji Kecamatan Ciasem sektor lekar di persimpangan antara 3 blok lk 19 dan lk21 dan dihadapan blok ganjil blok 20 blok genap Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 78

85 Id X Y Daerah survey KETERANGAN LOKASI Desa Sukahaji Sektor Lekar lk34 dan lk36 Kecamatan Ciasem Desa Sukahaji Kecamatan Ciasem Sektor Lekar lk34 dan lk36 79 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

86 Id X Y Daerah survey KETERANGAN LOKASI Desa Sukahaji Kecamatan persimpangan antara Ciasem lk34,32 Pengambilan titik 12 di sektor lekar di persimpangan antara 34 dan dihadapan blok ganjil Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 80

87 Id X Y Daerah survey KETERANGAN LOKASI Desa Rawa Mekar Kecamatan Blanakan Sektor Situ Bagendit sb dan Sukajaya Barat kondisi padi belum malai Padi berumur 70 hari dari tebar atau 45 hari dari tanam Padi berumur 70 hari dari tebar atau 45 hari dari tanam. Desa Rawa Mekar Kecamatan Blanakan 81 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

88 Id X Y Daerah survey KETERANGAN LOKASI Desa Pinangsari, Kecamatan Ciasem Sektor Tegal Koneng Timur (tgkt) padi berumur 60 hari tebar.padi bunting berumur 3 bulan Desa Pinangsari, Kecamatan Ciasem Sektor Tegal Koneng Timur (tgkt) padi berumur 60 hari tebar. Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 82

89 Id X Y Daerah survey KETERANGAN LOKASI Desa Pinangsari, Kecamatan Ciasem Sektor Tegal Koneng Timur blok 22 (tgkt 22), 100m dari jbt, 25m kn sidenuk 54h tbr (20jn) Sektor Tegal Koneng Timur blok 22, 100m dari jbt, 25m kn sidenuk 54h tbr (20jn) 83 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

90 Id X Y Daerah survey KETERANGAN LOKASI Desa Sukahaji, Kecamatan Ciasem Sektor Tegal Koneng Barat (blok tgkb5), Varietas Ciherang padi berumur 85 hari dari tebar dan tanngal tebar 9 mei Desa Sukahaji, Kecamatan Ciasem Sektor Tegal Koneng Barat (blok tgkb5), Varietas Ciherang 85 hari Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 84

91 Id X Y Daerah survey KETERANGAN LOKASI Desa Sukahaji, Kecamatan Ciasem Sektor Tegal Koneng Barat (blok tgkb1-3), Varietas Ciherang tanggal tebar 19 mei. Desa Sukahaji, Kecamatan Ciasem Sektor Tegal Koneng Barat (blok tgkb1-3), Varietas Ciherang tanggal tebar 19 mei 75 hari tebar 85 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

92 Id X Y Daerah survey KETERANGAN LOKASI Desa Sukamandijaya, Kecamatan Ciasem Blok S15 bera kering berumput Sektor Sukamulya Blok S15 bera kering berumput Desa Sukamandijaya, Kecamatan Ciasem Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 86

93 Id X Y Daerah survey KETERANGAN LOKASI Kecamatan Patokbeusi Desa Rancamulya Blok S1 Panen basah bera basah Sektor Sukamulya Blok S1 kondisi sawah sudah panen basah bera 87 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

94 Id X Y Daerah survey KETERANGAN LOKASI Kecamatan Patokbeusi Desa Rancajaya Blok Balai Benih Kondisi sawah bera bakar Blok Balai Penelitian Benih Padi, bera terbakar Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 88

95 Id X Y Daerah survey KETERANGAN LOKASI Kecamatan Patokbeusi Desa Blok S6 baru panen sawah bera Rancajaya Kecamatan Patokbeusi Desa Rancajaya Blok S6, sedang panen 89 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

96 Id X Y Daerah survey KETERANGAN LOKASI Kecamatan Ciasem. Desa Sawah persiapan tanam dan Ciasem Hilir bera. Sawah persiapan tanam dan bera. Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 90

97 Id X Y Daerah survey KETERANGAN LOKASI Padi umur 1 minggu. Kecamatan Ciasem. Desa Ciasem Hilir Padi umur 1 minggu di Kecamatan Ciasem. Desa Ciasem Hilir 91 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

98 Lampiran 3. Grafik hasil pengukuran nilai reflektan tanaman padi/lahan sawah di PT. Sang Hyang Seri Sukamandi Selasa, 12 Agustus 2014 No Jam Blok Umur (hst) Grafik Reflektansi 1 09:27 L34 1 mg 2 09:39 L34 5mg 3 10:03 L32 7mg (44 h) 4 10:35 L21 88hr (59 h) Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 92

99 5 11:04 B23(sl 38)_Hi brida 45 hr 6 11:35 BLC1 100 hr 7 11:49 B16 95 hr 8 11:59 B hr 93 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

100 9 12:31 L2AB 105hr 10 12:56 LK21 63hr 11 13:19 LK34? Rabu, 13 Agustus 2014 No Jam Blok Umur Reflektansi 1 10:10 ST1 76hr Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 94

101 2 10:19 SB 70hr 3 10:38 TGKT2 60hr 4 11:02 TGKT2 2 54hr 5 11:32 TGKB 90hr 95 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

102 6 11:55 TGKB3 85hr Kamis, 14 Agustus 2014 No Jam Blok Umur Reflektansi 1 08:55 P1_ bera_kerin g 2 09:19 P2_ bera_basa h 3 10:11 P3_ bera_kr_tn h Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 96

103 4 10:40 P4(sb) _ panen Jumat, 15 Agustus 2014 (di luar area PT. Sang Hyang Seri) No Jam Blok Umur Reflektansi 1 09:04 Sawah bera, menjelang tanam 2 09:14 Swh_air 2 hari 3 09:24 Sawah_air 2 mg 97 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

104 4 09:31 Sawahair 2 mg Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 98

105 PUSAT PEMANFAATAN PENGINDERAAN JAUH