| dc.description.abstract | Indonesia merupakan salah satu produsen beras terbesar di dunia. Oleh seba
itu tanaman padi merupakan komoditas krusial bagi masyarakat Indonesia.
Sebagian besar masyarakat Indonesia mengkonsumsi beras sebagai bahan makanan
pokok. Seiring dengan laju pertumbuhan penduduk yang terus meningkat, maka
permintaan terhadap beras juga meningkat. Monitoring tanaman padi sangat
dibutuhkan dalam menjamin ketersediaan pangan nasional.
Teknologi remote sensing merupakan salah satu pendekatan yang dapat
digunakan dalam memantau fase pertumbuhan tanaman padi. Salah satu satelit yang
dapat dimanfaatkan untuk mendapatkan informasi tentang pase pertumbuhan
tersebut adalah Sentinel 2A. Beberapa keunggulan Satelit Sentinel 2A adalah
mempunyai resolusi sepasial yang cukup tinggi yaitu 10 x 10 m serta memiliki
resolusi temporal yang cukup rapat. Selain itu citra Sentinel 2A dapat diperoleh
secara gratis.
Parameter kehijauan tanaman padi atau indeks vegetasi yang diperoleh
melalui analisis citra satelit dapat digunakan untuk memperkirakan pase
pertumbuhan atau umur tanaman padi. Index vegetasi yang digunakan dalam
penelitian ini adalah Normalized Difference Vegetation Index (NDVI), Enhanced
Vegetation Index (EVI), dan Soil Adjusted Vegetation Index (SAVI). Tanaman padi
memiliki karakteristik tersendiri yang membedakan mereka dari tanaman lain. Pada
awal pertumbuhan, sawah akan tergenang sehingga indeks vegetasi yang dihasilkan
cenderung rendah dan bahkan minus, hal ini disebabkan oleh sawah yang
mengandung air dominan. Seiring dengan pertumbuhan padi, sawah akan
didominasi oleh daun padi, sehingga indeks vegetasi akan mulai meningkat karena
kandungan klorofil yang tinggi. Setelah tanaman padi mulai terisi hingga matang,
tingkat kehijauan akan berkurang karena sawah akan didominasi oleh padi yang
menguning. Fase pertumbuhan akan berakhir dengan panen dan lahan akan
dibiarkan kosong untuk jangka waktu tertentu. Fenomena ini akan menghasilkan
pola yang tetap untuk setiap musim.
Penelitian ini bertujuan untuk membangun algoritma untuk pengenalan pola
index vegetasi yang dihasilkan dari citra satelit Sentinel 2A, sehingga diharapkan
dari algoritma tersebut mampu memprediksi pase pertumbuhan tanaman padi.
Algoritma yang diperolah digunakan untuk memprediksi citra real time pada bulan
Januari 2019.
Penelitian ini dilakukan pada bulan Mei hingga September 2017. Data primer
diambil pada bulan Juni 2017 dalam bentuk gambar drone dan titik sampel dari 31
titik serta wawancara dengan petani di Desa Sukamekar, Kabupaten Karawang,
Jawa Barat. Data series citra Sentinel 2A dari Mei hingga September 2017 dijadikan
data untuk membangun model. Pra-pemrosesan dan pemrosesan gambar dilakukan
untuk mendapatkan indeks vegetasi, kemudian dilakukan analisis regresi dilakukan
di laboratorium GIS MIT Biotrop.
Metode yang digunakan dalam menentukan algoritma dimulai dari penentuan
index vegetasi pada tiap petak sawah. Dalam penentuan index vegetasi tiap petak
sawah menggunakan dua metode, (1) metode pertama dengan menghitung nilai
rata-rata index vegetasi pada tiap pixel yang ada di petak sawah, (2) metode kedua
dengan menghilangkan pixel yang bersentuhan dengan batas tiap petak sawah, lalu
hitung rata-rata nilai index vegetasi pada setiap pixel di petak sawah tersebut.
Kedua metode tersebut diterapkan pada pada enam series data citra Sentinel 2A.
Enam seri data citra Sentinel 2A dari bulan Mei hingga September 2019.
Seteleh dilakukan pra-pemprosesan dan pemprosesan gambar, diambil 186 data
sampel yang terbagi menjadi 31 titik sample untuk setiap seri. Data sampel
digunakan untuk membangun model.
Index vegetasi dari enam seri data sampel dianalisis dengan menggunakan
regresi polynomial ordo 2 dan ordo 3. Dari kedua model regresi ini dipilih model
regresi terbaik berdasarkan nilai kooefisien determinasi (R2) tertinggi. Persamaan
terbaik yang dihasilkan dari proses analisis regresi digunakan untuk membangun
rule base guna mendapatkan kelas fase tumbuh padi. Kelas fase tumbuh padi
berdasarkan nilai index vegetasi NDVI, EVI, dan SAVI diterapkan pada citra yang
mendekati real-time bulan Januari 2019.
Hasil prediksi pada citra yang mendekati real time menunjukkan fase
pertumbuhan padi pada bulan Januari 2019 dapat dibagi empat kelas: anakan,
puncak, panen dan bera. Sedangkan berdasarkan NDVI metode kedua, fase
pertumbuhan dibagi menjadi 3 kelas: anakan, puncak, dan bera. Berdasarkan EVI
dengan kedua metode menghasilkan fase pertumbuhan yang sama: anakan dan bera.
Sedangkan berdasarkan SAVI metode pertama, fase pertumbuhan bisa dibagi
menjadi tiga: anakan, puncak dan bera. Metode kedua pada SAVI, fase
pertumbuhan dibagi menjadi dua: anakan dan bera.
Hasil prediksi dari model divalidasi untuk memperoleh tingkat akurasi.
Validasi dilakukan pada bulan Februari 2019. Validasi dilakukan dengan cara turun
ke lapangan dan diambil sampel sebanyak 24 titik secara acak di lokasi penelitian
untuk melihat kesesuaian fase pertumbuhan padi. Hasil validasi menunjukkan
bahwa prediksi menggunakan NDVI metode pertama menghasilkan tingkat akurasi
sebesar 70% dan metode kedua 75%. Sedangkan dengan menggunakan EVI metode
pertama menghasilkan tingkat akurasi 50% dan metode kedua 55%. Berdasarkan
SAVI metode pertama menghasilkan tingkat akurasi 45% dan kedua 50%. Hasil
validasi dan tingkat akurasi menunjukkan model terbaik adalah dengan
menggunakan index vegetasi NDVI dengan menggunakan metode kedua. | id |
