BAB 3 KETERSEDIAAN TEKNOLOGI UNTUK DIVERSIFIKASI PANGAN
3.1. TEKNOLOGI ON-FARM
3.1.1. Teknologi Estimasi Peramalan Produksi Pangan
Remote Sensing
TEKNOLOGI menjadi bagian yang tidak
terpisahkan. Teknologi telah menjadi tren di setiap lini kehidupan. Tak terkecuali teknologi untuk mendukung sektor pangan. Dengan semakin maju dan berkembangnya teknologi tersebut membuat teknik pertanian menjadi lebih baik dan tentu menjadi lebih efisien. Salah satu teknologi yang diaplikasikan yakni
remote sensing.
Teknik penginderaan jauh telah menjadi sangat populer dalam estimasi luas tanaman dan produktivitas
selama beberapa dekade terakhir. Teknik remote sensing mempunyai kemampuan unik dalam perekaman data gelombang cahaya tampak dan juga gelombang cahaya
Teknik remote
sensing mempunyai
kemampuan unik
dalam perekaman
data gelombang
cahaya tampak dan
juga gelombang
cahaya tak tampak
DIVERSIFIKASI PANGAN KARBOHIDRAT 2016
sebab itu, dalam fenomena tertentu yang tidak dapat dilihat oleh manusia dapat diobservasi oleh teknik remote sensing.
Indonesia sejak tahun 1998 melalui Balai Besar Penelitian dan Pengembangan Sumber Daya Lahan Pertanian (BBSDLP- Kementan), secara aktif mengembangkan teknologi remote sensing dan GIS untuk monitoring fase tumbuh, estimasi luasan, dan prediksi produktivitas padi. Data yang digunakan bervariasi, mulai data optik seperti NOAA AVHRR, Landsat TM, SPOT, dan MODIS sampai dengan data radar, seperti ERS, JERS, dan RADARSAT.
Badan Pengkajian dan Penerapan Teknologi (BPPT) dengan proyek Satellite
Asessment of Rice in Indonesia (SARI) pada tahun 1998-2000 telah mencoba
menggunakan dua jenis data radar, yaitu ERS dan RADARSAT. Data radar mempunyai sensivitas yang baik terhadap perubahan permukaan lahan dan genangan air. Oleh sebab itu, tanaman padi yang mempunyai fase pertumbuhan relatif cepat dapat dimonitor dengan baik oleh data radar. Menggunakan data radar multiwaktu (multitemporal) memungkinkan untuk memonitor fase tumbuh padi.
Beberapa parameter yang memungkinkan tanda- tanda yang dapat teridentifikasi adalah jenis tanaman, tingkat kematangan (fase tumbuh), kerapatan tanaman, geometri tanaman, kesuburan tanaman, kandungan air tanaman, kandungan air tanah, temperatur tanah, dan lain-lain. Suatu analisis citra dapat mengorelasikan parameter spektral tertentu dengan satu dari sekian banyak karakter tanaman. Hal yang penting untuk diperhatikan adalah pemilihan sensor atau data satelit yang akan digunakan, termasuk kebutuhan skala dan resolusi agar hasilnya dapat optimal sesuai dengan tujuan survei pertanian.
Pada umumnya pemanfaatan data remote sensing yang digunakan untuk pemantauan luasan setiap fase pertumbuhan tanaman pertanian terutama tanaman setahun (annual crop) adalah sensor yang dibawa oleh satelit dengan tingkat kunjungan (revisit time) yang tinggi seperti NOAA, AVHRR, dan MODIS. Para ahli
remote sensing menciptakan berbagai indeks vegetasi (vegetation index) yaitu
Berbagai literatur
juga telah
menunjukkan
keberhasilan
pemanfaatan data
remote sensing
untuk memprediksi
produktivitas
tanaman pertanian
memanipulasi rasio antara band spektral merah dan band spektral infra merah dekat (near infra red) untuk dikorelasikan dengan fase-fase pertumbuhan tanaman. Indeks vegetasi yang secara luas digunakan untuk pemantauan tanaman pertanian terutama padi adalah Normalized Different Vegetation Index (NDVI), yaitu rasio selisih dan jumlah antara band infra merah dekat (IR) dan band merah (R):
R IR R IR NDVI + − = Keterangan
Padi ditanam bulan Mei Padi ditanam bulan Juni Padi ditanam bulan Juli
Gambar 3.1. Peta masa tanam padi dengan dengan data radar ERS-1
Nilai NDVI berkisar antara (-1) sampai dengan (+1), di mana kisaran umum untuk tanaman hijau antara 0,2 – 0,8. Pada fase awal tanam mempunyai nilai NDVI rendah (minus) karena keadaan sawah masih didominasi oleh air, kemudian mulai meningkat sampai dengan pembentukan bunga (heading time). Pada sawah, NDVI baru dapat diukur setelah tanaman padi mencapai umur 3-4 MST (Minggu Setelah Tanam), karena sebelum umur tersebut kenampakan tanaman padi di lahan sawah masih didominasi kenampakan genangan air (Malingreau, 1981). Nilai NDVI yang rendah berarti tingkat kehijauan tanamannya (aktivitas klorofil) juga rendah, sedangkan nilai yang semakin tinggi menunjukkan bahwa tanaman tersebut semakin lebat/hijau.
Berbagai literatur juga telah menunjukkan keberhasilan pemanfaatan data
remote sensing untuk memprediksi produktivitas tanaman pertanian. Seperti yang
DIVERSIFIKASI PANGAN KARBOHIDRAT 2016
band spektral dan indeks vegetasi dari data Landsat TM. Kemudian persamaan regresi korelasi tersebut digunakan untuk mengklasifikasi citra Lansat TM untuk menghasilkan peta produktivitas padi (Gambar 3).
Muthi et.al. mengorelasikan antara NDVI dengan produktivitas pada berbagai fase pertumbuhan padi dengan menggunakan data Landsat TM. Mereka mendapatkan hasil korelasi yang paling tinggi (R= 94) pada saat tanaman padi pada fase pembungaan. Jadi, data remote sensing dapat dimanfaatkan untuk meramal produktivitas padi kira-kira 2 bulan sebelum panen dilakukan. Namun demikian, keberhasilan korelasi antara data remote sensing dan produktivitas padi masih bersifat lokal, artinya persamaan korelasi di suatu tempat belum tentu cocok untuk dimanfaatkan pada daerah yang lain.
Berdasarkan pola pengenalan karakter spektral dan karakter agronomis tanaman padi, klasifikasi fase pertumbuhan padi berdasarkan analisis citra dapat dilakukan. Kemudian luas dari masing-masing fase pertumbuhan dihitung berdasarkan pixel-count, yaitu menghitung jumlah pixel yang terklasifikasi sebagai fase pertumbuhan tertentu dikalikan dengan ukuran pixel. Untuk mengetahui tingkat akurasi hasil klasifikasi, pada umumnya dicek dengan data rujukan (reference data) hasil survei lapangan atau sumber lain. Praktisi remote sensing menggunakan matrik yang disebut confusion matrix untuk menghitung akurasi keseluruhan dan kesalahan komisi.
Faktor-faktor yang mempengaruhi akurasi adalah adanya mix-pixel, yaitu dalam satu pixel bisa saja terdiri dari beberapa tutupan lahan. Kemiripan karakter spektral antara tutupan lahan yang satu dengan tutupan lahan yang lain juga berpengaruh terhadap hasil klasifikasi.
Keterangan:
Merah: kurang dari 4,5 ton/ha Kuning: 4,5-5,5 ton/ha
Biru : lebih besar dari 5,5 ton/ha
Warna lain: false color composite (band hijau, merah, dan infra merah)
Gambar 3.2. Peta produktivitas padi dari data satelit Landsat TM
Data penginderaan jauh juga digunakan untuk estimasi produktivitas tanaman dengan mengorelasikan antara produktivitas dan indeks vegetasi yang dibangun dari data remote sensing, misalnya Landsat TM atau data AVHRR. Data AVHRR yang diperoleh dari satelit NOAA memiliki resolusi spasial jauh lebih rendah, tetapi frekuensi pengambilan data jauh lebih sering dari Landsat TM, sehingga dapat berguna terutama untuk memantau perilaku musiman tanaman pertanian.