Bunga Rampai
Penginderaan Jauh Indonesia
2012
Pusat Penginderaan Jauh
Institut Teknologi Bandung
Bandung, Indonesia 40132ISBN 978-602-19911-2-1
Bunga Rampai Penginderaan Jauh Indonesia 2012 Diterbitkan di Bandung oleh Pusat Penginderaan Jauh, Institut Teknologi Bandung
Gedung Labtek IX-C, lt. 3
Jl. Ganesha No. 10, Bandung 40132 http://crs.itb.ac.id
email: office@crs.itb.ac.id
Editor : Ketut Wikantika, Lissa Fajri Yayusman Desain sampul : Achmad Ramadhani Wasil Cetakan Pertama : April 2013
Hak Cipta dilindungi undang-undang
Dilarang mengutip atau memperbanyak
sebagian atau seluruh isi buku ini tanpa seizin penerbit
UNDANG-UNDANG NOMOR 19 TAHUN 2002 TENTANG HAK CIPTA
1. Barang siapa dengan sengaja dan tanpa hak mengumumkan atau memperbanyak suatu ciptaan atau memberi izin untuk itu, dipidana dengan pidana penjara paling lama 7 (tujuh) tahun dan/atau denda paling banyak Rp 5.000.000.000,00 (lima miliar rupiah).
2. Barang siapa dengan sengaja menyiarkan, memamerkan, mengedarkan, atau menjual kepada umum suatu ciptaan atau barang hasil pelanggaran Hak Cipta atau Hak Terkait sebagaimana dimaksud pada ayat (1), dipidana dengan pidana penjara paling lama 5 (lima) tahun dan/atau denda paling banyak Rp 500.000.000,00 (lima ratus juta rupiah).
Kata Pengantar
Isu-isu mengenai lingkungan, pangan, kependudukan, dan berbagai isu lain yang berkaitan langsung dengan kelangsungan hidup manusia selalu penting untuk dipelajari secara seksama. Kebutuhan tersebut semakin menyadarkan betapa pentingnya informasi spasial yang dapat diperoleh dengan mudah, cepat, dan akurat untuk membangun suatu sistem pengambilan keputusan yang tepat dan efisien.
Penginderaan jauh yang merupakan teknologi berbasis geospasial dengan kemampuan memberi informasi mengenai gambaran di permukaan bumi dapat mempermudah manusia dalam mengambil keputusan terhadap berbagai fenomena yang terjadi di lingkungan sekitar. Teknologi penginderaan jauh yang semakin berkembang dengan diluncurkannya berbagai jenis satelit dan sensor memungkinkan semakin banyak aplikasi-aplikasi yang dapat didukung.
Buku dengan judul “Bunga Rampai Penginderaan Jauh Indonesia 2012” ini ditujukan sebagai sarana publikasi karya-karya ilmiah yang berkaitan dengan penginderaan jauh. Beragam karya ilmiah mengenai aplikasi dalam berbagai bidang baik lingkungan, pertanian, perikanan, dan bencana alam menjadi bagian dalam buku ini.
Harapan redaksi agar buku ini dapat dipergunakan sebagai salah satu acuan, petunjuk maupun sumber pengetahuan baru di bidang penginderaan jauh. Tentunya partisispasi dari para peneliti dan penulis lain juga dinantikan agar semakin banyak inovasi dan penyampaian ilmu pengetahuan mengenai penginderaan jauh khususnya di Indonesia di masa yang akan datang.
Daftar Isi
Kata Pengantar ... ii
Daftar Isi ... iv
Pengembangan Sistem Prediksi Produktifitas Padi dengan Pendekatan Integrasi Teknologi Hyperspectral Remote Sensing, Algoritma Genetika dan Model Pertumbuhan Ekonomi Pertanian berdasarkan Dinamika Nonlinier: ... 1
Estimasi Fase Pertumbuhan Padi Berbasis Area Frame dengan Citra Satelit Multisensor ... 23
Perekaman Spektral Daun Tanaman Padi Terakibat Organisme Pengganggu Tumbuhan Wereng Batang Coklat (WBC) ... 39
Estimasi dan Identfikasi Luas Lahan Sawah dari Citra Resolusi Tinggi
Menggunakan Metode Object Based Image Analysis ... 57
Model Analisis Citra Penginderaan Jauh untuk Pengelolaan Hutan Tanaman Industri ... 75
Analisis Ekologi Bentanglahan dalam Telaah Potensi Air Permukaan Berbasis Data Spasial ... 103
Peranan Teknologi Penginderaan Jauh bagi Penangkapan Ikan di Indonesia ... 123
Pemetaan Risiko Permukiman Akibat Banjir Lahar di Kecamatan Salam,
Magelang, Jawa Tengah ... 137
Pembentukan Model dan Parameter untuk Estimasi Kelapa Sawit Menggunakan Data Light Detection and Ranging (Lidar) ... 149
Perhitungan Biomassa dengan Metode Polarimetrik SAR Menggunakan Citra Alos Palsar ... 167
1
Pengembangan Sistem Prediksi Produktifitas
Padi dengan Pendekatan Integrasi Teknologi
Hyperspectral Remote Sensing, Algoritma
Genetika dan Model Pertumbuhan Ekonomi
Pertanian berdasarkan Dinamika Nonlinier:
-Sistem untuk Mendukung Program Ketahanan Pangan
Nasional
Pengembangan Sistem Prediksi Produktifitas Padi dengan
Pendekatan Integrasi Teknologi
Hyperspectral Remote Sensing
,
Algoritma Genetika dan Model Pertumbuhan Ekonomi
Pertanian berdasarkan Dinamika Nonlinier:
-Sistem untuk Mendukung Program Ketahanan Pangan Nasional
-Muhamad Sadly, S. Mulyono & A. Sulaiman
Pusat Teknologi Inventarisasi Sumberdaya Alam (PTISDA), Badan Pengkajian dan Penerapan Teknologi (BPPT)
Gedung II BPPT, lantai 19, Jl. M. H. Thamrin 8, Jakarta 10340 Telp. : (021) 3169700; Fax: (021) 3169720
Email: msadly2000@yahoo.com; muhamad.sadly@bppt.go.id; sidikm@gmail.com Abstrak
Dalam riset ini diusulkan suatu pendekatan baru (new approach) di dalam membangun model prediksi sistem penentuan produktifitas padi (Yield
Prediction) dalam rangka mendukung program ketahanan pangan nasional.
Teknologi Hyperspectral Remote Sensing diintegrasikan dengan Algoritma Genetika (GA) dan model pertumbuhan ekonomi pertanian berdasarkan dinamika
nonlinear dipilih sebagai pendekatan baru di dalam upaya memperbaiki metode
konvensional yang saat ini masih digunakan. Kelemahan utama dari metode konvensional adalah, perhitungan produktifitas padi masih dilakukan secara manual, akibatnya hasil yang diperoleh juga tidak optimal dan tidak praktis di dalam implementasinya. Model yang dikembangkan di sini dinamakan “Model prediksi HyperSRI”. Model pertumbuhan berdasarkan dinamika nonlinier akan tergantung terhadap parameter dan kondisi awal. Ketepatan penentuan kedua parameter tadi akan menetukan hasil model untuk prediksi jangka panjang. Penentuan tersebut dilakukan berdasarkan teknologi remote sensing hyperspectral dengan studi khusus daerah kabupaten Karawang. Genetic algorithms based new
sequence principal component regression (GA-NSPCR) yang dikombinasikan
dengan algoritma genetika yang digunakan untuk membangun model prediksi sekaligus untuk pemilihan fitur (band) yang optimal dari data penginderaan jauh hiperspektral. Model pertumbuhan ekonomi diturunkan dan dilakukan analisis standard berdasarkan kondisi kestabilan dan diselesaikan secara numerik. Dengan usulan ini, akan diperoleh model prediksi produktivitas padi yang lebih akurat dibanding dengan model konvensional yang selama ini digunakan. Kegunaan dari hasil riset ini sangat bermanfaat di dalam memberikan data dan informasi distribusi pertumbuhan padi (paddy growth stage distribution) dan prediksi produktivitas padi (Yield prediction) yang cepat, akurat, dan mudah untuk diakses. Sedangkan, kontribusi dari hasil riset ini bagi iptek adalah pengembangan model integrasi Teknologi Hyperspectral Remote Sensing diintegrasikan dengan Algoritma Genetika (GA) dan model pertumbuhan ekonomi pertanian
berdasarkan dinamika nonlinear untuk aplikasi dalam pengembangan sistem prediksi produktivitas padi yang mempunyai konsep Maju, Menguntungkan,
Sejahtera dan Lestari. Model yang dikembangkan memiliki ciri: intelligent
decision support system, cost minimizing objective function dan bermanfaat secara
ekonomi. Diharapkan sistem ini dapat menyediakan informasi yang tepat guna mengenai informasi distribusi pertumbuhan padi serta prediksi produktivitas padi yang mudah diakses, cepat dan akurat serta diharapkan bisa membantu meningkatkan pendapatan dan kesejahteraan masyarakat petani khususnya, perekonomian daerah dan devisa negara dari sektor industri pertanian. Sistem ini akan divalidasi dan diimplementasikan di wilayah Kabupaten Karawang, Provinsi Jawa Barat.
Kata Kunci : dinamika nonlinier, model pertumbuhan ekonomi, pertanian, hiperspektral, penginderaan jauh, algoritma genetika
Abstract
In this research proposed a new approach in the development of rice yield prediction system to support National Food Security Program. Hyperspectral remote sensing technology is integrated with Genetic Algorithm and agriculture economic growth model based on nonlinear dynamic decided as a new approach in order to improve the existing conventional method. The main problem of a conventional method is the estimation of rice productivity using manual system and the result obtained is not optimal and impractical in its implementation. Model developed called “HyperSRI Prediction model”. Agriculture economic growth model based on nonlinear dynamic depend on the initial parameter and condition. The suitable of both parameters are important factor for long term prediction. The deciding of parameters are based on hyperspectral remote sensing technique in Karawang District, West Java. Genetic algorithm based New Sequence Principle Component Regression (GA-NSPCR) combined with Genetic Algorithm is used to build the prediction model and also for optimal feature selection (optimal band selection) from hyperspectral data. Economic growth model based on stability condition and finalized by numerical approach. This model can provide the rice yield prediction model more accurate than conventional method. Also, HyperSRI Prediction Model is capable of providing technology solutions to address these issues in the conventional method. The benefit of this research can give data and information related to the paddy growth stage distribution and yield prediction easily accessible, fast and accurate. This model having having the concept: advanced, profitable, prosperity and sustainable. Model developed is indicated by the characteristics as intelligent decision support system, cost minimizing objective function and economic beneficial. Furthermore, this system can provide appropriate information of paddy growth stage distribution and yield prediction easily accessible, fast and accurate and also this model can help the agriculture society to increase their income, local economic, country foreign exchange from
fishery industry sector. The model will be validated and implemented in several regions in Indonesia, for example in the paddy field of Karawang District, West Java.
Keywords: nonlinear dynamic, economic growth model, agriculture,
hyperspectral, remote sensing, genetic algorithm
1. PENDAHULUAN
Salah satu produk pertanian dalam hal ini beras merupakan makanan pokok bagi sebagian besar negara Asia, termasuk Indonesia. Sebagai makanan pokok, pemenuhan kebutuhan beras bagi penduduk Indonesia mendapat perhatian khusus, karena hal ini menyangkut masalah stabilitas sosial, ekonomi dan politik. Segala daya upaya harus disiapkan oleh pemerintah dari semua lini terkait secara sinergi untuk mengupayakan stabilitas pemenuhan kebutuhan pokok akan pangan, mulai dari kebijakan pemerintah, payung hukum, kontrol sarana produksi pertanian di pasar, asistensi teknik, teknik estimasi produksi, distribusi panen, sampai pada kontrol harga jual di pasar. Sebagai negara agraris, luas daratan Indonesia hanya sepertiga dari total luas wilayah, sedangkan sisanya merupakan lautan. Luas daratan itu harus dibagi lagi untuk berbagai peruntukan, seperti hutan lindung, hutan produksi, permukiman, pasar, kawasan industri, fasilitas infrastruktur, dan lain-lain. Kebutuhan lahan untuk permukiman, sekolah, pasar, dan fasilitas infrastruktur terus meningkat sejalan dengan pertambahan penduduk yang kini telah mencapai sekitar 234.2 juta jiwa dan bertambah dengan laju 1,3% per tahun. Menurut Badan Pusat Statistik (Prihtiyani, dkk., 2011), kebutuhan beras penduduk Indonesia per kapita telah direvisi menjadi sebesar 113 kg per tahun, yang berarti kebutuhan beras nasional mencapai sekitar 27 juta ton beras pada tahun 2011.
Dari sekitar 21 juta hektar luas keseluruhan lahan pertanian Indonesia, 7,7 juta hektar merupakan lahan sawah padi (Tetanel). Di sisi lain, kemampuan produksi rerata lahan padi di Indonesia adalah 4,6 ton per hektar. Itu berarti kemampuan produksi padi untuk sekali tanam adalah 35,42 juta ton gabah kering giling atau setara dengan 21,25 juta ton beras. Bila diasumsikan secara pesimis rata-rata penanaman padi yang berhasil dilakukan dalam setahun adalah 1,5 kali tanam untuk setiap sentra produksi pertanian, maka produksi beras total Indonesia hampir mencapai 32 juta ton beras. Hal ini sangat memungkinkan Indonesia memiliki surplus beras sebesar 5 juta ton beras yang dapat digunakan sebagian untuk stok ketahanan pangan dan sebagian untuk keperluan ekspor. Akan tetapi ironisnya nilai impor beras semakin meningkat dari tahun ke tahun.
Masalah utama yang dihadapi pemerintah Indonesia adalah kesimpangsiuran dan ketidakjelasan informasi stok beras Indonesia, di mana masing-masing pihak memiliki data yang saling berbeda, seperti Badan Pusat Statistik (BPS), Kementerian Pertanian, dan Badan Urusan Logistik (BULOG). Dalam konteks ketahanan pangan, ketidaktersediaan informasi terkini tentang persedian beras
nasional serta tidak adanya sistem estimasi prediksi produksi padi nasional yang cepat, tepat, dan handal, sudah menimbulkan kerugian negara hingga triliunan rupiah setiap tahun yang hanya untuk impor beras. Melalui pemanfaatan remote
sensing, perlu untuk dilakukan penelitian untuk membangun suatu model prediksi
produksi beras di sentra produksi pertanian Indonesia yang cepat, tepat (lebih akurat), handal, serta mudah digunakan pada tingkat operasional.
Dalam riset ini diusulkan suatu pendekatan baru (new approach) di dalam membangun model prediksi sistem penentuan produktifitas padi (Yield
Prediction) dalam rangka mendukung program ketahanan pangan nasional.
Teknologi Hyperspectral Remote Sensing diintegrasikan dengan Algoritma Genetika (GA) dan Model pertumbuhan ekonomi pertanian berdasarkan dinamika
nonlinear dipilih sebagai pendekatan baru di dalam upaya memperbaiki metode
konvensional yang saat ini masih digunakan. Kelemahan utama dari metode konvensional adalah, perhitungan produktifitas padi masih dilakukan secara manual, akibatnya hasil yang diperoleh juga tidak optimal dan tidak praktis di dalam implementasinya. Model yang dikembangkan di sini dinamakan “Model
prediksi HyperSRI” (Nakariyakul dkk., 2003; Valls dkk., 2005; Mulyono dkk.,
2012)
Dalam perencanaan pembangunan diperlukan prediksi secara tepat tentang produksi beras beberapa tahun kedepan. Prediksi ini dilakukan dengan memperhitungkan beberapa faktor yang pada dasarnya faktor-faktor tersebut saling terkait satu sama lain. Pemahaman secara terintegrasi faktor-faktor tersebut hanya dapat dilakukan melalui suatu model dinamika. Model dinamika tersebut dapat dinyatakan dalam bentuk persamaan diferensial sehingga analisis sistem persamaan diferensial menjadi suatu keharusan. Tetapi tiga dasawarsa ini telah berkembang bahwa model ekonomi dibangun oleh sistem persamaan diferensial yang tak linier dimana belum ada solusi analitik yang general sehingga analisis sistem yang bersangkutan masih sangat terbuka. Ada banyak cara untuk menganalisis sistem ini. Pada dasarnya secara numerik kita bisa mencari solusi sistem persamaan diferensial ini tetapi ini merupakan pekerjaan brute force jika kita tidak dapat mengenali sistem secara baik. Hal yang sangat menarik adalah bahwa solusi sangat tergantung dari parameter yang terkandung dalam persamaan dan kondisi awal. Penentuan kondisi awal inilah dapat diperoleh secara tepat dengan menggunakan teknologi remote sensing hyperspectral (Vaiphasa dkk., 2004).
Dengan usulan ini, akan diperoleh model prediksi produktivitas padi yang lebih akurat dibanding dengan model konvensional yang selama ini digunakan. Model yang dikembangkan memiliki ciri: intelligent decision support system, cost
minimizing objective function dan bermanfaat secara ekonomi. Diharapkan sistem
ini dapat menyediakan informasi yang tepat guna mengenai informasi distribusi pertumbuhan padi serta prediksi produktivitas padi yang mudah diakses, cepat dan akurat serta diharapkan bisa membantu meningkatkan pendapatan dan kesejahteraan masyarakat petani khususnya, perekonomian daerah dan devisa
negara dari sektor industri pertanian. Sistem ini akan di validasi dan diimplementasikan di wilayah Kabupaten Karawang, Provinsi Jawa Barat.
2. PENGEMBANGAN MODEL PREDIKSI HYPERSRI: METODOLOGI
DAN HASIL
Metodologi yang akan dijabarkan berikut ini disusun secara hierarki sedemikian rupa agar didapatkan hasil kajian yang komprehensif, sistematik dari hulu yang berisi mengenai pengembangan metode baru di dalam membangun model prediksi sistem penentuan produktifitas padi (Yield Prediction) dalam rangka mendukung program ketahanan pangan nasional. Teknologi Hyperspectral
Remote Sensing diintegrasikan dengan Algoritma Genetika (GA) dan Model
pertumbuhan ekonomi pertanian berdasarkan dinamika nonlinear dipilih sebagai pendekatan baru di dalam upaya memperbaiki metode konvensional yang saat ini masih digunakan. Adapun detil metodologi dapat dijelaskan sebagai berikut: 2.1 Monitoring dan Prediksi Produktivitas Padi dengan Penginderaan Jauh
Hyperspectral dan Genetic Algorithm
Teknologi penginderaan jauh (Remote sensing technology) adalah teknologi untuk mengumpulkan informasi tentang permukaan bumi berdasarkan perekaman energi cahaya pantul dan pancaran cahaya objek dengan menggunakan sensor yang dipasang pada wahana satelit di luar angkasa. Dengan kemampuannya mengumpulkan informasi dalam cakupan area yang sangat luas dan cepat, maka membuat teknologi ini cepat berkembang dan mudah diaplikasikan untuk keperluan analisis dengan berbagai macam aplikasi.
Di awal perkembangannya, teknologi ini masih menggunakan beberapa sensor
(multispectral remote sensing) terutama untuk mendeteksi cahaya tampak (visible
light) dan cahaya dekat infra merah (near infrared) untuk pemantauan vegetasi
secara umum. Karena tuntutan kebutuhan akan pengamatan objek lain di permukaan bumi yang lebih rinci, maka diperlukan sensor yang mampu mendeteksi cahaya dengan jangkauan yang lebih luas dan dengan resolusi spektral yang sangat tinggi. Teknologi penginderaan jauh hiperspektral
(Hyperspectral Remote Sensing) yang merupakan pengembangan terbaru dari
teknologi penginderaan jauh memiliki beberapa keuntungan nyata dibandingkan dengan teknologi sebelumnya yaitu penginderaan jauh multispektral
(Multispectral Remote Sensing). Sensor remote sensing generasi baru ini
memiliki spectral band hingga ratusan buah dengan lebar pita (bandwidth) relatif sempit berkisar 5-10 nm. Dengan demikian membuat teknologi ini memungkinkan untuk dipelajari secara lebih rinci untuk pemantauan vegetasi pada umumnya, serta lebih spesifik untuk memantau pertumbuhan dan perkembangan kondisi tanaman padi. Teknologi ini memiliki potensi untuk memberikan informasi tentang tanaman pertanian secara kuantitatif dan cepat, tanpa merusak tanaman itu sendiri dalam area jangkauan yang sangat luas. Hal ini terjadi karena hyperspectral menyediakan informasi spektral yang mencirikan
unik dan mengidentifikasi bahan kimia, kelembaban, dan sifat fisik dari bagian-bagian konstituen dari suatu obyek masukan (Nakariyakul , 2003). Data
hyperspectral juga telah berhasil digunakan untuk melakukan klasifikasi seperti:
internal-almond yang rusak dari yang normal (Casasent, dkk., 2000), diskriminasi spesies mangrove tropis (Valphasa, dkk., 2004). Di satu sisi remote sensing
hyperspectral, dengan memanfaatkan dimensi yang tinggi ini (high spectral
resolution) terbuka peluang untuk menganalisa suatu objek dengan lebih rinci
lagi. Tetapi di sisi lain, hal ini juga akan menimbulkan permasalahan-permasalahan tersendiri dalam analisa. Salah satunya adalah diperlukannya metode baru yang efektif untuk memproses data dengan dimensi yang tinggi, yang sangat bergantung pada kemampuan dari memori dan kecepatan prosesor komputer. Selain itu untuk meningkatkan kestabilan numerik maupun algoritma diperlukan metode pemilihan fitur (feature selection) yang efektif.
Genetic algorithms based new sequence principal component regression
(GA-NSPCR) adalah metode regresi komponen utama yang dikombinasikan dengan algoritma genetika yang digunakan untuk membangun model prediksi sekaligus untuk pemilihan fitur (band) yang optimal dari data penginderaan jauh hiperspektral. Prediktor (variabel bebas) yang digunakan adalah nilai band spektral dari sekumpulan sampel data hipersepktral yang jumlahnya hingga ratusan band, yang disusun ke dalam bentuk matriks (spectral matrix). GA berfungsi untuk menentukan kromosom terbaik dengan teknik mutasi maupun perkawinan silang antar generasi, yang dievaluasi menggunakan regresi komponen utama. Agar dapat dianalisis menggunakan GA, terlebih dahulu seluruh band spektral ini dirubah ke dalam bentuk kromoson biner [0,1]. Dengan melalui sejumlah iterasi generasi, maka akan diperoleh kromoson yang terbaik, yaitu yang menunjukan jumlah band yang sedikit dan memiliki nilai galat yang kecil. Skema proses GA-NSPCR diperlihatkan pada Gambar 1. Sejalan dengan proses GA di atas, spectral matrix yang telah terbentuk ditransformasikan ke dalam ruang orthogonal untuk mendapatkan komponen utama (PC). Seluruh PC yang terbentuk dievaluasi tingkat korelasinya terhadap nilai sampel produktifitas padi (yield) secara linear sederhana (simple linear regression), dan disusun ulang yang dimulai dari nilai korelasi yang tertinggi. Dari susunan PC yang telah tersusun ulang tersebut, dipilih sebanyak 80% dari seluruh PC yang digunakan ke dalam analisis regresi linear ganda (multiple linear regression) untuk keperluan kalibrasi model menggunakan dataset sampel pelatihan (training dataset). Hasil kalibrasi model ini selanjutnya diuji kembali menggunakan dataset sampel pengujian (testing dataset), hingga diperoleh model prediksi terbaik. Model prediksi yang diperoleh dari GA-NSPCR selanjutnya diimplementasikan ke dalam citra hyperspectral HyMap untuk mengetahui peta sebaran prediksi produksi padi.
Gambar 1. Skema proses GA-NSPCR (S. Mulyono dkk.,2012)
Citra HyMap ini merupakan hasil airborne campaign di sekitar Kabupaten Karawang pada 14 Juli 2011, kerja sama antara Badan Pengkajian dan Penerapan Teknologi (BPPT) dengan Earth Remote Sensing Data Analysis Center
(ERSDAC) Jepang. Wilayah pengamatan mencakup 10 kecamatan, tetapi hanya ada 2 kecamatan yang tercakup secara penuh batas administrasi, sedangkan 8 kecamatan lainnya hanya tercakup sebagian. Hasil prediksi ini kemudian dibandingkan dengan data ubinan Desember tahun 2011 yang tersedia di Kantor Dinas Pertanian dan Peternakan Kabupaten Karawang. Sedangkan, Peta distribusi prediksi yield padi untuk kecamatan di Kabupaten Karawang diperlihatkan pada Gambar 2 sampai dengan 4.
Gambar 2. Peta distribusi prediksi yield padi untuk kecamatan (a) Lemahabang dan (b) Talagasari
Gambar 3. Peta distribusi prediksi yield padi untuk sebagian kecamatan (a) Banyusari dan (b) Cikampek
Gambar 4. Peta distribusi prediksi yield padi untuk sebagian kecamatan (a) Cilamayakulon dan (b) Klari
2.2 Model Pertumbuhan Ekonomi Pertanian Dengan Dinamika Nonlinier Apabila kita ingin mengetahui pertumbuhan ekonomi yang terjadi di suatu wilayah, indikator umum yang dapat digunakan adalah Produk Domestik Regional Bruto (PDRB). PDRB merupakan catatan tentang jumlah nilai rupiah dari barang dan jasa akhir yang dihasilkan oleh suatu perekonomian dalam suatu negara untuk waktu satu tahun (Perko, 1991; Martono, 2011). Ada tiga pendekatan yang dapat digunakan untuk menghitung PDRB suatu Negara atau wilayah, yaitu melalui pendekatan pendapatan, pendekatan pengeluaran, dan pendekatan produksi. Selama ini perhitungan nilai PDRB yang dilakukan oleh Badan Pusat Statistik (BPS) adalah PDRB dengan pendekatan produksi yang
(a) (b)
dibentuk dari sembilan sektor atau lapangan usaha, yaitu: ( 1) Pertanian, (2) Pertambangan dan Penggalian, (3) Industri Pengolahan, (4) Listrik, Gas dan Air Bersih, (5) Konstruksi/Bangunan, (6) Perdagangan, Hotel dan Restoran, (7) Pengangkutan dan Komunikasi, (8) Keuangan, Persewaan dan Jasa Perusahaan, dan (9) Jasa-Jasa. Kesembilan sektor pembentuk PDRB tersebut merupakan faktor-faktor penting yang mempengaruhi pertumbuhan ekonomi nasional maupun daerah. Dalam penerapannya ke skala Kabupaten misalnya maka yang dilakukan adalah perhitungan sektor yang dominan. Sebagai contoh untuk kabupaten Karawang sektor dominan adalah pertanian (dengan komoditi terutama beras) dan industri. Dengan memasukkan faktor jasa lingkungan maka bersama-sama dengan PDRB atau disebut PDRBD maka kita mempunyai tiga fungsi ekonomi. Dinamika yang dibangun oleh ke tiga fungsi tersebut akan membentuk persamaan diferensial dengan tiga fungsi yang tak diketahui dan umumnya dengan semakin meningkatnya kompleksitas maka fungsi akan semakin banyak (Alayarna dkk., 2004).
Telah dikemukakan di atas bahwa untuk studi kasus di kabupten Karawang maka sektor yang dominan adalah pertanian dan industri. Sektor pertanian menghasilkan produk yang sangat bagus di mana 60% digunakan untuk konsumsi atau pemenuhan kebutuhan di dalam dan sisanya 40% dijual keluar sehingga akan memberikan dampak pada pendapatan domestik bruto daerah (PDBD). Variabel atau fungsi ekonomi yang akan dibahas umumnya adalah total capital (K(t)), rate of interest (r(t)) dan harga komoditi pertanian (pa(t)). Pembangunan model
dimulai dengan mendifinisikan parameter atau fungsi yang memerikan dinamika system yaitu K(t), r(t), dan pa(t) yang menyatakan berturut-turut total modal
(capital), rata-rata interest dan harga dari komoditas pertanian. Indeks a
menyatakan pertanian (agriculture) dan indeks i menyatakan industri. Huruf L
dan N berturut-turut menyatakan total luas lahan dan kekuatan buruh (labor
force). Nj(t) dan Kj(t) adalah labor force dan stock modal yang dilakukan oleh
sektor ke j yaitu j=a,i. La(t) tataguna lahan dari sector pertanian, S(t) total
saving, Lh(t) adalah land use untuk housing, Fj(t) adalah output dan Cj(t)
konsumsi produksi. Sedangkan wj(t) dan R(t) adalah (rente upah) wage rate dan
rente.
Setelah parameter dan fungsi didefinisikan maka tibalah saatnya membangun model. Pada dasarnya model bisa apa saja tetapi umumnya sudah ada studi sebelumnya dan jika dirasa kurang akan dilakukan modifikasi. Studi terdahulu tidaklah salah karena berdasarkan hasil penelitian dan pengamatan yang terjadi tetapi dengan semakin kompleksnya permasalahan yang ada maka diperlukan modifikasi atau inovasi terhadap teori atau model terdahulu. Dalam penyusunan model perlu dilakukan asumsi-asumsi untuk memudahkan penyusunan model dan reabilitas di lapangan. Dalam hal ini diasumsikan bahwa proses produksi masing-masing sektor diperikan dalam fungsi produksi. Sebagai contoh produksi pertanian merupakan kombinasi dari modal, pekerja/buruh (labor force) dan lahan. Secara matematis fungsi produksi sektor pertanian dinyatakan sebagai berikut (Alayarna, dkk., 2004; Zhang, dkk., 2005),
(1)
dimana ma ≥ 0, α+β+ς=1, dengan parameter diatas adalah konstanta positif.
Suku H adalah input tenaga kerja (petani) yang berkualitas. Parameter ma/β
mengukur bagaimana keefektifan sektor pertanian dalam penggunaan modal manusia. Kondisi marginal untuk sector pertanian diberikan oleh (Alayarna, dkk., 2004; Zhang, dkk., 2005),
(2)
Sedangkan sektor industri yang dinyatakan dalam fungsi produksi industry diberikan dalam (Alayarna dkk., 2004; Zhang dkk., 2005),
(3)
dimana mi ≥ 0, α+β+ς=1, dengan parameter diatas adalah konstanta positif.
Dua input yaitu mesin dan kekuatan buruh dimasukkan pada perhitungan sebagai
produksi industri Dalam kasus ini perubahan lahan untuk industry diabaikan yang berarti industry tetap dan tidak mengalami perluasan daerah. Kondisi marginal sektor industri diberikan oleh (Alayarna, dkk., 2004; Zhang, dkk., 2005),
(4)
Persamaan (1) dan (3) menyatakan kelakuan produksi dari sektor pertanian dan industri Asumsikan bahwa lahan milik petani yang berarti bahwa pendapatan dari lahan akan di bagi diantara populasi. Asumsikan lagi bahwa marketnya homogen di setiap urban land dan rural land. Total revenue diberikan oleh R(t)L dan jika Y(t) menyatakan income dari household (rumah tangga) maka netto income
terdiri dari tiga bagian yaitu income upah (wage income), interest payment dan
revenue dari yang punya lahan yaitu ditulis (Alayarna, dkk., 2004; Zhang, dkk.,
2005),
(5)
Asumsikan bahwa utility level U(t) dari masing-masing household bergantung pada tingkat konsumsi dari komoditas industri dan pertanian masing-masing diberi simbol Ci(t) dan Ca(t) sedangkan kondisi housing Lh(t) dan saving S(t)
maka fungsi utilitas dinyatakan sebagai (Alayarna, dkk., 2004; Zhang, dkk., 2005), , (6)
a a a at
K
H
N
L
F
a a q m a
i i i m i i i it
N
H
N
F
a a a a a a a a a a aL
F
p
R
N
F
p
w
K
F
p
r
;
;
i i i i i iN
F
w
K
F
r
;
t rK wN RL Y
t CCLS
,
,
,
0
1 U a i hMasing-masing parameter menyatakan kecenderungan untuk mengkonsumsi pertanian yang bagus, komoditas industry dan housing sedangkan yang terakhir menyatakan kecenderungan untuk tetap kaya. Kendala budget untuk households
diberikan oleh(Alayarna, dkk., 2004; Zhang, dkk., 2005),
(7) Dimana RL menyatakan payment for housing. Dengan metode prinsip pengali Lagrange atau maximum diperoleh (Alayarna, dkk., 2004; Zhang, dkk., 2005),
(8)
Dimana persamaan ini menyatakan akumulasi kapital dari households. Lebih lanjut diasumsikan bahwa kapital, buruh, dan lahan full employed yaitu (Alayarna, dkk., 2004; Zhang, dkk., 2005),
(9) Dan produk industry semua terkonsumsi dan terinvestasi yang dinyatakan oleh (Alayarna, dkk., 2004; Zhang, dkk., 2005),
(10) Dan keseimbangan antara permintaan dan suplai untuk produk pertanian direpresentasikan oleh Ca=Fa.
Salah satu faktor penting dalam pertumbuhan ekonomi adalah human capital (H). Dalam ekonomi kabupaten Karawang maka faktor politik yang dianggap dapat menentukan pertumbuhan ekonomi adalah keterbukaan. Bagaimanapun juga interaksi dengan kabupaten lain terutama Jakarta dan pembangunan pesat dari sektor industri akan berdampak pada pertumbuhan ekonomi. Faktor ini akan memberikan tekanan pada perubahan lahan dari pertanian ke sektor pendukung industry dan lainnya. Meskipun pemerintah daerah telah menetapkan peraturan daerah tentang perubahan kawasan pertanian menjadi kawasan lainnya maka bukan tidak mungkin perubahan lahan pertanian akan tetap terjadi. Dalam upaya memahami optimalisasi lahan pertanian yang ada maka dinamika lahan tetap perlu dilakukan di mana lahan akan dikenai dua gaya utama yaitu gaya pengerak dan gaya pendorong atau gaya internal dan eksternal. Peningkatan faktor eksternal ini akan berkecenderungan mengurangi luas lahan（Zhang, 2005）. Dalam bahasa matematik faktor ekspansi dinyatakan oleh eksponensial pertumbuhan dan factor pengurang akibat umpan balik dinyatakan dalam bentuk nonlinier. Maka jika perubahan luas lahan kita nyatakan dalam variabel (L) maka dinamika perubahan lahan akan mempunyai bentuk metematis sebagai berikut,
(11)
K
Y
S
RL
C
C
p
a a
i
h
Y
t
K
t
K
t
Y
K
H
K
dt
dK
,
ˆ
L
L
L
N
N
N
K
K
K
i
a
i
a
h
a
i iS
K
K
F
C
L
L
q
K
H
T
dt
dL
a a x a
3
,
dimana Tx adalah parameter adjustment yang positif Suku eLa menyatakan
kekuatan internal dan suku La 3
menyatakan kekuatan eksternal. Jadi secara fisis menyatakan bahwa suku eLa memberikan kualitas pertanian dan keuntungan
sector pertanian meningkat sedangkan suku La 3
akan melawan ketertarikan orang untuk menjadi petani akibat factor eksternal yaitu industry dan lainnya. Secara umum jika kondisi kehidupan meningkat maka human capital akan naik maka masyarakat akan lebih terbuka sehingga efek eksternal makin kuat. Kecepatan adjustment merupakan aspek yang paling sulit ditentukan karena terpengaruh psikologi masyarakat yang umumnya sulit dikuantisasi. Fungsi q(K,H)
menyatakan efek K dan H pada luas lahan pertanian. Pada umumnya parameter ini positif tetapi tidak ada yang menjamin bahwa akan terus positif. Berdasarkan hipotesa tadi maka dinamika human kapital diperikan oleh (Alayarna, dkk., 2004; Zhang, dkk., 2005),
(12)
di mana konstanta yang muncul adalah parameter yang umumnya positif. Suku
δH manyatakan depresiasi dari human capital. Suku pertama dari persamaan (12) menyatakan bahwa jika system ekonomi menjadi lebih terbuka maka human capital akan naik. Tetapi efek interaksi dengan factor eksternal pada akumulasi human capital akan berkecenderungan untuk deklinasi jika human capital masyarakat telah sangat tinggi. Suku kedua menyatakan learning by doing dari sector pertanian dan suku ketiga menyatakan learning by doing dari sector industry (Zhang, dkk., 2005).
Sejauh ini maka fungsi atau variable yang menyusun system ekonomi ini ada delapan belas (17) yaitu K(t), H(t), Ka(t), Ki(t), Na(t), Ni(t), Lh(t), La(t), Fa(t), Ca(t),
Ci(t), S(t), U(t), r(t), w(t) dan pa(t). Fungsi-fungsi tersebut saling berinteraksi satu
sama lain sehingga akan membentuk system persamaan diferensial biasa terkopling dan nonlinier yang rumit. Dengan kata lain sangat sulit untuk mengekspresikan semua variable ekonomi secara lengkap. Dalam analisis biasanya peneliti hanya melihat beberap variabel saja , misalnya variable K,La
dan H saja yang memerikan capital household, lahan pertanian dan human
capital. Secara matematis untuk merubah delapan belas variabel menjadi tiga
variabel digunakan lemma. Berikut adalah lemma tersebut (Zhang dkk., 2005). Lemma. Untuk sembarang fungsi K(t) > 0, H(t) >0 dan X(t)> 0 pada suatu titik di suatu saat, variable lain di dalam system secara unik ditentukan sebagai fungsi dari K(t) dan H(t) melalui prosedur berikut ini: Ω(t) akan diwakili oleh Ka(t) dan
Ki(t) diwakili oleh Na(t) dan Ni(t) diwakili oleh Lh(t), Fa(t) menjadi pa(t)
sedangkan Fi(t) diwakili oleh r(t) dan w(t) sedangkan Ca(t) diwakili S(t) dan
Ci(t) diwakili U(t). Karena itu persamaan untuk K(t), H(t) dan X(t) memenuhi
system persamaan diferensial berikut (Alayarna, dkk., 2004; Zhang, dkk., 2005),
H
NH
F
N
NH
F
N
bH
aL
T
dt
dH
h i i i a a a a h a i
1
(13)
di mana ada relasi yang dbangun oleh lemma tersebut yaitu (Zhang dkk., 2005),
(14) dengan i i i a
1
,
1
Ini adalah menyerupai persamaan keadaan di dalam system termodinamika. Dengan lemma tersebut maka kita digaransi bahwa dengan hanya mengetahui variabel tersebut maka semua system ekonomi yang diperikan oleh delapan belas variebel tersebut dapat ditentukan. Jadi sistem ekonomi kita yang rumit tadi sudah diperikan secara lengkap oleh persamaan-(13).
3. ANALISIS DAN DISKUSI
Analisis hasil citra satelit dengan sensor hyperspectral dan perbandingannya dengan data di lapangan untuk kasus Kabupaten Karawang di sarikan dalam Tabel-1.
Dari Tabel 1 diketahui bahwa Kecamatan Lemahabang dan Talagasari yang tercakup secara penuh pada citra HyMap dapat memberikan hasil prediksi dengan akurasi di atas 90%. Sedangkan untuk kecamatan lain yang tidak tercakup secara penuh pada citra HyMap memberikan hasil dengan akurasi yang masih beragam antara 65,86% sampai dengan 95,46%. Selain karena daerah cakupan yang tidak penuh, hal ini disebabkan oleh faktor kondisi perawanan pada citra masih cukup dominan, sehingga mempengaruhi hasil prediksi panen padi khususnya di Kecamatan Cilamayakulon dan Tempuran.
H
NH
F
N
NH
F
N
bH
aL
T
dt
dH
H
K
q
L
L
T
dt
dL
K
H
K
Y
dt
dK
h i i i a a a a h a a x a i a
1
,
,
ˆ
3 0 1 ) , , ˆ ( 2 2 1 1 i j K Y K K Y K H H K Y f mj i i
K K Y K Y K K Y YK K i i a a
1 1 1 1 ;
N
N
N
Y
K
Y
N
N
a i i a a i
;
Tabel 1. Rekapitulasi prediksi panen di 10 Kecamatan Karawang
No SubDistrict Total Production [Ton]/ Harvested Area [Ton/Ha] Yield [Ton/Ha] Data from Dinas [Ton/Ha] Accuration 1 Lemahabang 27,553 / 4,142 6.65 6.14 91.73% 2 Talagasari 22,881 / 3,409 6.71 6.64 98.95% 3 Banyusari 6,068 / 986 6.15 6.47 95.00% 4 Cikampek 9,183 / 1,893 4.85 6.31 76.89% 5 Cilamaya Kulon 14,909 / 2,089 7.14 5.64 73.49% 6 Klari 27,094 / 4,875 5.56 6.06 91.76% 7 Majalaya 6,679 / 1,218 5.48 6.64 82.53% 8 Rawamerta 17,464 / 2,827 6.18 6.47 95.46% 9 Tempuran 21,962 / 2,946 7.46 5.56 65.85% 10 Tirtamulya 16,918 / 3,532 4.79 6.14 77.99% Total 170711 /27917 rata-rata 72.34%
Langkah pertama dalam menganalisis system dinamik adalah melihat kondisi setimbangnya (equilibrium condition). Kondisi kesetimbangan umumnya dicapai dengan mencari solusi steady dari persamaan-(13) yaitu,
(15)
Karena jumlah parameter lebih banyak dari jumlah persamaan maka solusi tak akan diperoleh. Salah satu cara adalah menspesifikasi parameter. Misalkan kita spesifikasi parameter b=0 maka persamaan-(14) menjadi,
(16)
dari persamaan tersebut maka titik kesetimbangan dapat ditentukan. Dengan mengunakan persamaan keadaan yaitu Y=K/λ maka luas lahan akan mempunyai tiga kemungkinan solusi keseimbangan. Sebagai contoh jika q(K,H)= υ1K + υ2H
maka titik keseimbangan dicapai dengan luas lahan La=±√ε/θ dan La= (υ1K +
υ2H)/ √ε/θ. Maka fungsi produksi Fa dan Fi akan stabil pada kondisi lahan
pertanian tetap. Jika perubahan lahan lambat maka akan diperoleh persamaan,
0
1
0
,
0
,
ˆ
3
H
NH
F
N
NH
F
N
bH
aL
H
K
q
L
L
K
H
K
Y
h i i i a a a a a a i a
0
0
,
0
,
ˆ
3
H
NH
F
N
NH
F
N
aL
H
K
q
L
L
K
H
K
Y
h i i i a a a a a a i a
Suku eLa dan γ2 menyatakan kekuatan internal: Kualitas dan
keuntungan sector pertanian , suku La 3
menyatakan kekuatan eksternal: industry dan lainnya. Jika γ > 2.35 sistem runtuh
Gambar 5. Diagram bifurkasi system diatas
Persamaan (13) dapat dikerjakan dengan pengetahuan funsi q(K,H). Jika kita mengambil bentuk fungsi tersebut adalah,
(17)
Yang menyatakan bahwa perubahan luas lahan dipengaruhi oleh kapital (K) diperoleh persamaan dinamika,
(18)
Persamaan tersebut dipecahkan menggunakan metode numerik yaitu menggunakan skema Runge-Kutta yang sudah digunakan secara luas dalam code Matlab ode45. Hasil plot dengan syarat awal (0.5, 0.3, 0.5) seta asumsi pertumbuhan faktor industri linier dinyatakan dalam Gambar 6.
N
K
H
K
q
(
,
)
H
NH
F
N
NH
F
N
bH
aL
T
dt
dH
N
K
L
L
T
dt
dL
K
RL
wN
rK
dt
dK
h i i i a a a a h a a x a a i a
1
1
3
Gambar 6. Hasil simulasi persamaan-13 dalam Matlab dengan syarat awal (0.5, 0.3, 0.5) dan koefisien atau parameter persamaan lamb=0.2; r=0.1; w=0.5; del=0.03; eps=0.8;
teta=0.35; nu=0.5; Tx=0.09; Th=0.07; a=0.9; ta=0.2; ti=0.5; epsa=0.6; epsi=0.45; Na=1; Ni=1; Fa=1; R=1; N=2; b=0.7; delh=del*eps; a) faktor pertumbuhan industri linier b) dengan memasukkan faktor teknologi, c). pertumbuhan industry eksponensial, d)
ada insentif terhadap lahan pertanian
Pada Gambar 6, Terlihat bahwa dengan asumsi pertumbuhan industri linier maka luas lahan dan modal akan mencapai kondisi tunak tetapi produksi masih bisa tumbuh. Jika memasukkan efek teknologi yang dimodelkan dengan hadirnya suku e^(0.05*t) di faktor pertumbuhan pertanian maka terlihat bahwa pertumbuhan dapat meningkat dua kali lipat pada saat modal dan luas lahan dalam kondisi tunak. Pembangunan pertanian bersifat menggunakan teknologi padat tenaga kerja dan secara relatif menggunakan sedikit kapital, meskipun ada investasi pada pembuatan jalan, saluran dan fasilitas pengairan, serta pengembangan teknologinya. Kenaikan produktivitas sektor pertanian memungkinkan penggunaan tenaga kerja lebih sedikit untuk menghasilkan kuantitas output bahan makanan yang sama. Dengan demikian sebagian dari tenaga kerja dapat dipindahkan ke sektor industri tanpa menurunkan output sektor pertanian. Di samping itu pembangunan atau kenaikkan produktivitas dan output total sektor pertanian akan menaikan pendapatan di sektor tersebut. Jadi perubahan yang terjadi pada sektor tenaga kerja dapat diatasi dengan teknologi pertanian atau mekanisasi pertanian.
(a) (b)
4. KEUNGGULAN DAN MANFAAT MODEL PREDIKSI HyperSRI Keunggulan utama dari sistem prediksi yang dikembangkan dalam kegiatan ini adalah mampu memberikan solusi teknologi untuk mengatasi permasalahan-permasalahan pada metode konvensional (yang merupakan salah satu peran BPPT). Keunikan dari system prediksi yang dikembangkan ditunjukkan dengan ciri-ciri sebagai sistim pendukung keputusan secara cerdas (intelligent decision
support system), fungsi obyektif meminimumkan biaya (cost minimizing objective
function), bermanfaat secara ekonomi, serta mempunyai konsep Maju,
Menguntungkan, Sejahtera dan Lestari. Lebih lanjut, prediksi tidak sepenuhnya
tergantung pada pengalaman dan pengetahuan operator. Dapat membantu pengguna/user di dalam menyusun perencanaan strategis di bidang pertanian, khususnya dalam program ketahanan pangan nasional. Dapat memberikan data dan informasi distribusi pertumbuhan tanaman padi dan prediksi produktivitas padi yang cepat, akurat, dan relatif mudah untuk diakses. Sistem ini dapat digunakan untuk Pemerintah dan instansi swasta dalam mengelola dan menyusun rencana strategis sumberdaya pertanian di Indonesia.
Dengan usulan ini, akan diperoleh model prediksi produktivitas padi yang lebih akurat dibanding dengan model konvensional yang selama ini digunakan. Kegunaan dari hasil riset ini sangat bermanfaat di dalam memberikan data dan informasi distribusi pertumbuhan padi (paddy growth stage distribution) dan prediksi produktivitas padi (Yield prediction) yang cepat, akurat, dan mudah untuk diakses. Sedangkan, kontribusi dari hasil riset ini bagi iptek adalah pengembangan model integrasi Teknologi Hyperspectral Remote Sensing
diintegrasikan dengan Algoritma Genetika (GA) dan Model pertumbuhan ekonomi pertanian berdasarkan dinamika nonlinear untuk aplikasi dalam pengembangan Sistem prediksi pproduktivitas padi yang mempunyai konsep
Maju, Menguntungkan, Sejahtera dan Lestari. Model yang dikembangkan
memiliki ciri: intelligent decision support system, cost minimizing objective
function dan bermanfaat secara ekonomi. Diharapkan sistem ini dapat
menyediakan informasi yang tepat guna mengenai informasi distribusi pertumbuhan padi serta prediksi produktivitas padi yang mudah diakses, cepat dan akurat serta diharapkan bisa membantu meningkatkan pendapatan dan kesejahteraan masyarakat petani khususnya, perekonomian daerah dan devisa negara dari sektor industri pertanian. Sistem ini akan di validasi dan diimplementasikan di wilayah Kabupaten Karawang, Provinsi Jawa Barat.
5. KESIMPULAN
Dalam riset ini telah diusulkan suatu pendekatan baru (new approach) di dalam membangun model prediksi sistem penentuan produktifitas padi (Yield
Prediction) dalam rangka mendukung program ketahanan pangan nasional.
Teknologi Hyperspectral Remote Sensing diintegrasikan dengan Algoritma Genetika (GA) dan Model pertumbuhan ekonomi pertanian berdasarkan dinamika
nonlinear dipilih sebagai pendekatan baru di dalam upaya memperbaiki metode konvensional yang saat ini masih digunakan. Model yang dikembangkan disini dinamakan “Model prediksi HyperSRI”. Model prediksi produksi panen padi
dengan metode GA-NSPCR telah diimplementasikan pada citra hyperspectral
HyMap untuk menghasilkan peta distribusi yield tanaman padi dengan akurasi yang cukup tinggi. Sedangkan citra yang mengadung faktor perawanan yang cukup dominan, perlu dilakukan perlakuan khusus terlebih dahulu agar tidak mempengaruhi hasil prediksi.
Hasil simulasi model menunjukkan bahwa berdasarkan data dari inderaja menunjukkan bahwa modal dan luas lahan akan mencapai kondisi tunak dimana pertumbuhan produksi masih dapat tumbuh. Dengan memasukkan faktor teknologi maka meskipun modal dan luas lahan berada dalam kondisi tunak tetapi pertumbuhan faktor produksi dapat naik beberapa kali lipat. Model ini masih dapat dikembangkan untuk memasukkan beberapa faktor dengan cara melakukan perubahan di lemma. Penentuan parameter yang sesuai masih perlu dilakukan untuk penyempurnaan model dinamika tesebut. Analisis kestabilan struktural berdasarkan teori cathastrope sedang dilakukan. Lebih lanjut, hasil riset ini sangat bermanfaat di dalam memberikan data dan informasi distribusi pertumbuhan padi
(paddy growth stage distribution) dan prediksi produktivitas padi (Yield
prediction) yang cepat, akurat, dan mudah untuk diakses.
Diharapkan sistem ini dapat menyediakan informasi yang tepat guna mengenai informasi distribusi pertumbuhan padi serta prediksi produktivitas padi yang mudah diakses, cepat dan akurat serta diharapkan bisa membantu meningkatkan pendapatan dan kesejahteraan masyarakat petani khususnya, perekonomian daerah dan devisa negara dari sektor industri pertanian. Sistem ini telah divalidasi dan diimplementasikan di wilayah Kabupaten Karawang, Provinsi Jawa Barat.
DAFTAR REFERENSI
Prihtiyani E., A. Mulyadi, 2011. Konsumsi Beras Turun 25,7 Kg Per Kapita, Harian Kompas.
Tetanel Y., Kedaulatan Pangan dan Nasib Pertanian Indonesia, Fakultas Pertanian Universitas Gajah Mada, Yogyakarta.
Khudori, 2007. Impor dan Statistik Beras, Koran Tempo.
Ruslan K., 2012. Menyoal Nilai Impor Beras Indonesia yang Telah Mencapai 7 Triliun Hingga Juli 2011, Kompasiana.
Jingfeng H., T. Shuchuan, O. A.Ismail, Wang Renchao, 2002. Rice yield estimation using remote sensing and simulation model, Journal of Zhejiang University Science, 3 (4): 461-466
Nakariyakul S., 2003. Hyperspectral Feature Selection for Detection of Chicken Skin Tumors, Electrical and Computer Engineering, Carnegie Mellon University, Pittsburgh.
Casasent D., and X. W. Chen, 2000. Waveband selection for hyperspectral data: optimal feature selection, Proc. SPIE, vol. 4203, pp. 27-36.
Vaiphasa Ch., and S. Ongsomwang, 2004. Hyperspectral Data for Tropical Mangrove Species Discrimination, Proceedings of the 25th ACRS Conference: p. 22-28. Casasent D., and X.W. Chen, 2004. Aflatoxin detection in whole corn kernels using
hyperspectral methods, Proc. SPIE 5271, 275; doi:10.1117/12.516135.
Camps-Valls G., and L. Bruzzone, 2005. Kernel Based Method for Hyperspectral Image Classification, IEEE Transactions on Geoscience and Remote Sensing, Vol. 43, no. 6.
Mulyono S., Student Member, IEEE, M. I. Fanany, Member IEEE, T. Basaruddin, 2012. Genetic Algorithm Based New Sequence of Principal Component Regression (GA-NSPCR) for Feature Selection and Yield Prediction Using Hyperspectral Remote Sensing Data, International Geoscience and Remote Sensing Symposium, IEEE 2012. Proceedings. IGARSS.
Chambers D., and J.T Guo, 2009. Natural Resources and Economic Growth: Some theory and evidence” , Annals of Economic and Finance , 10-2, 376-389.
Fauzy A., 2010. Ekonomi Sumberdaya Alam dan Lingkungan” Penerbit Gramedia, Jakarta.
Gilmore D., 1981. Catastrophe Theory for Scientist and Engineers” , Dover Publication, New York.
Marcouiller D.W., and S.C. Deller, 2009. Natural Resources Stocks, Flows and Regional Economic Change: seeing the forest and the trees” , Annals of Economic and Finance , 10-2, 376-389.
Perko L., 1991. Differential Equation and Dynamical Systems” , Springer Verlag, Berlin. Martono W., 2011. private communication.
Alayarna T., and D. F. Larson , 2004. Rural Development and Agricultural Growth in Indonesia, the Philiphines and Thailand “Asia Pacific Press, Canbera.
Zhang, Wei-Bin, 2005. Differential Equation, Bifurcation and Chaos in Economic” World Scientific , Singapore.
BIOGRAFI PENULIS
Dr. Muhamad Sadly
Dr. Muhamad Sadly lahir di Makassar (Sulawesi Selatan) pada 14 Desember 1963. Menamatkan SD, SMP dan SMA di Kota Makassar. Pendidikan Tinggi diawali di Universitas Indonesia Jurusan Teknik Elektro dan meraih gelar Insinyur UI tahun 1988. Meraih Master of
Engineering (M.Eng.) dari Department of Information and
Computer Sciences, Faculty of Engineering, Chiba
University, Japan pada Tahun 1996 dengan riset
pengembangan algoritma/model untuk aplikasi bidang penginderaan jauh. Memperoleh gelar Doktor pada tahun 2000 dari, Graduate
School of Science and Technology, Chiba University, Japan. Pada Bulan Maret
1989 diterima bekerja di Direktorat Inventarisasi Sumberdaya Alam (sekarang Pusat Teknologi Inventarisasi Sumberdaya Alam/PTSDA), Badan Pengkajian dan Penerapan Teknologi (BPPT). Pada Tahun 2004-2009 penulis menjabat sebagai Kepala Bidang Teknologi Pemodelan Sistem SDA pada Pusat Teknologi
Inventarisasi SDA (PTISDA), BPPT. Kemudian, pada tanggal 7 Agustus 2009, dilantik sebagai Direktur Pusat Teknologi Inventarisasi Sumberdaya Alam (PTISDA), BPPT. Penulis juga aktif pada beberapa organisasi profesi, baik skala nasional maupun skala internasional. Berbagai jejaring kerjasama luar negeri
(International Networking) bidang R & D dalam Penginderaan jauh telah
dibangun, diantaranya dengan Jepang, Belgy, U.S.A, dan Taiwan. Puluhan karya ilmiah telah di publikasikan, baik pada publikasi skala nasional maupun pada skala internasional. Penghargaan yang ia peroleh, antara lain: Piagam Satya Karya Satya X dan XX Tahun 1999 dan 2009; Sebagai Peneliti Utama (PU) pada Riset Unggulan Strategis Nasional (RUSNAS) Bidang Kelautan untuk Mendukung Kemandirian Agribisnis Budidaya Perikanan, dengan tema riset Aplikasi Penginderaan Jauh Untuk Identifikasi Ekosistem Terumbu Karang Dan Kesuburan Perairan di Kepulauan Bangka (2000-2001); Riset Unggulan Terpadu IX (RUT-IX), Bidang Informasi dan Mikroelektronika tentang “Perancangan Stasiun Bumi Penerima Data Satelit NOAA-AVHRR Dan Aplikasinya di Indonesia” (2002-2003). Sebagai Peneliti Utama Program Insentif Ristek (2007); Piagam Tanda Kehormatan dari Presiden RI “SATYALANCANA WIRA KARYA Tahun 2008; Masuk dalam “101 Indonesia Innovations pada tahun 2009”, Salah satu Inventor dan pemegang hak cipta (copyright) Perangkat Lunak “SIKBES-IKAN”.
Sidik Mulyono
Sidik Mulyono, Perekayasa Muda pada Pusat Teknologi Inventarisasi Sumberdaya Alam (PTISDA) – Badan Pengkajian dan Penerapan Teknologi (BPPT). Meraih S1 ( B.Eng.) dari College of Science and Technology, Nihon University, Japan dalam bidang Teknik Mesin pada tahun 1991. Meraih Master of Engineering (M.Eng.) dalam bidang Mechanical Engineering dari Collage of Science and Technology, Nihon University, Japan pada bulan Maret 1993.
Riset interes: Pengembangan model berbasis statistic dan non parametric untuk aplikasi pada penginderaan jauh, khususnya pada bidang pertanian. Saat ini, Sidik Mulyono sedang melakukan riset S3 di Fakulitas Ilmu Komputer Universitas Indonesia dengan focus pada pengembangan model prediksi berbasis teknologi penginderaan jauh jenis hiperspektral untuk melakukan prediksi produksi beras. Paper sudah banyak d publikasi dalam bentuk jurnal maupun prosiding skala nasional maupun internasional. Sebagai Chief Engineer (CE) pada project of Hyperspectral Remote Sensing Technology for mapping the Agricultural production centers, BPPT, 2011-2012.
Albert Sulaiman
Albert Sulaiman, Perekayasa muda di Pusat Teknologi Inventarisasi Sumberdaya Alam (PTISDA)- Badan Pengkajian dan Penerapan Teknologi (BPPT). Meraih S1 (Insinyur) dalam bidang sains atmosfir dan laut – Institut Teknologi Bandung (ITB) pada tahun 1994. Kemudian, meraih M.Sc dalam fisika terori (Theoretical Physics) - Universitas Indonesia pada tahun 2005. Saat ini Albert Sulaiman sedang mempersiapkan disertasi S3 dalam Fisika Teori, Institut Teknologi Bandung (ITB) dan akan meraih Doktor pada tahun 2012. Riset interes : ,pengembangan model matematika, seperti: nonlinear dynamical system, path integral, nonlinear wave, quantum dissipative system, statistical mechanics, advection-dispersion modeling, digital signal and image processing in natural phenomena. Hasil penelitiannya sudah banyak dipublikasi dalam beberapa jurnal internasional, diantaranya: international journal such as Physical Review, Physica D, Physica Scripta, International Journal of Modern Physics, Journal of Computational and Theoretical Nanoscience etc. A Sulaiman juga interes dalam bidang observasi laut menggunakan kapal riset dan observasi wilayah pesisir dan lautan. Ditengah kesibukan melakukan riset, Albert Sulaiman juga tidak lupa mengembangkan hobbinya bermain musik yang sudah ditekuninya sejak lama.
23
Estimasi Fase Pertumbuhan Padi Berbasis
Area Frame dengan Citra Satelit
Multisensor
La Ode Syamsul Iman, Diar Shiddiq, Bambang H.Trisasongko
Mahmud H. Raimadoya, Ernan Rustiadi, Baba Barus
Estimasi Fase Pertumbuhan Padi Berbasis
Area Frame
dengan
Citra Satelit Multisensor
La Ode Syamsul Iman1,2), Diar Shiddiq1,2), Bambang H.Trisasongko1,2,3), Mahmud H. Raimadoya1,2,4), Ernan Rustiadi1,2,3), Baba Barus1,2,3)
1)Tim Bimas-21, Institut Pertanian Bogor,
2)P4W, Divisi Sistem Informasi Wilayah LPPM IPB, 3)
Departemen Ilmu Tanah dan Sumberdaya Lingkungan,Fakultas Pertanian IPB, 4)Depertemen Teknik Sipil dan Lingkungan, Fakultas Teknologi Pertanian IPB
Kampus IPB Dramaga, Jalan Meranti, 16144 Jawa Barat Email: 1)odesyam74@gmail.com
Abstrak
Padi merupakan komoditas pertanian yang menjadi isu nasional dan tolok ukur ketahanan pangan. Dukungan basis data sawah dan padi yang baik akan sangat diperlukan untuk prediksi ketahanan pangan secara akurat dengan proses pemantauan dan pemutakhiran data yang terpantau secara kontinyu sebagai kunci penting dalam melakukan estimasi. Sistem estimasi produksi padi yang ada saat ini sudah dimulai sejak tahun 1970-an, penyempurnaan metode dengan teknologi terbaru terus dilakukan. Sesuai dengan perkembangannya, sistem estimasi produksi dahulu berbasis tabel (list frame) dimana memiliki banyak kelemahan, sehingga telah mulai ditinggalkan. Pilihan lain yang diketahui lebih baik dan dapat ditelusuri (di-verifikasi) dengan mudah adalah basis spasial (area frame) dengan memanfaatkan tekonologi penginderaan jauh multi sensor (optik dan radar), dimana pendekatan ini cukup representatif terhadap kondisi bio-fisik wilayah di Indonesia dengan tingkat ketelitian baik. Pemutakhiran data sawah merupakan faktor kunci melalui pendekatan pemanfaatan teknologi penginderaan jauh dan survei lapangan. Kombinasi teknik dan prosedur baku pengukuran data
(training set dan sampling test) merupakan poin utama proses validasi data dan
estimasi produksi dengan menggunakan citra multisensor. Tujuan penelitian ini mengidentifikasi fase pertumbuhan tanaman padi, dan aktual petak sawah baku di pantai utara Jawa. Hasil awal menunjukkan data MODIS deret waktu mampu menyajikan informasi dasar bagi akuisisi data dan analisis lanjutan pada skala yang lebih detil dan data SAR polarisasi ganda Envisat ASAR menunjukkan informasi yang bermanfaat untuk fase pertumbuhan padi dan fase bera berair yang mengindikasikan dimulainya periode baru penanaman padi.
Kata Kunci : fase pertumbuhan, SAR, MODIS, area frame
1. LATAR BELAKANG
Sistem estimasi produksi padi yang ada sekarang sudah dimulai sejak tahun 1970an, sehingga dirasakan perlu dilakukan upaya penyempurnaan metode
dengan teknologi terbaru. Sesuai dengan kondisi pada saat dikembangkan, sistem estimasi produksi dilakukan berbasis tabel (list frame). Sistem ini telah diketahui memiliki banyak kelemahan. Pilihan lain yang diketahui lebih baik dan dapat ditelusuri (diverifikasi) dengan mudah adalah dengan basis spasial (area
frame). Pendekatan ini menjadi terobosan dalam pengamatan luas areal pada
lahan pertanian termasuk lahan sawah. Upaya penyempurnaan lahan sawah baku di Pulau Jawa kontinyu dilakukan oleh Kementerian Pertanian.
Pemutakhiran data sawah dapat dilakukan dengan berbagai pendekatan. Salah satu pendekatan yang umum dilakukan adalah dengan survei lapangan. Pendekatan ini memiliki keunggulan tingkat kepercayaan tinggi. Namun demikian, luas lahan yang sangat besar dan tersebar di berbagai lokasi akan sangat menyulitkan, terutama pada wilayah non sentra produksi. Pendekatan lain yang dapat mendukung kegiatan pemutakhiran adalah dengan memanfaatkan data penginderaan jauh.
Dalam lingkup penelitian, berbagai data penginderaan jauh telah banyak dikaji. Pemetaan lahan sawah merupakan salah satu komponen yang dominan menjadi pusat perhatian, menggunakan berbagai sensor dan teknologi analisis citra. Memanfaatkan Landsat TM/ETM data (resolusi spasial 30 meter), Panuju, et al.,
2007a menunjukkan kinerja metode klasifikasi Decision Trees yang cukup konsisten pada dua lokasi pengamatan yang memiliki struktur kepemilikan lahan yang relatif berbeda. Dengan data yang sama, pendekatan klasifikasi tak terbimbing (unsupervised classification) juga telah diujicobakan (Panuju, et al.,
2007b). Pada kajian tersebut, dua metode kontemporer ditelaah, yaitu
Expectation Maximization dan Kohonen Networks, yang dibandingkan dengan
metode yang telah mapan yaitu K-Means.
Untuk berbagai kasus di Indonesia, masalah dinamika atmosfer seperti haze, awan dan kejadian lain yang dipengaruhi kegiatan manusia merupakan kendala yang sangat besar bagi aplikasi data penginderaan jauh untuk pertanian. Kejadian ini mengakibatkan ketidaktersediaan data, sehingga berakibat lemahnya sistem inventarisasi sumberdaya. Untuk berbagai kasus tersebut, penggunaan data Synthetic Aperture Radar (SAR) yang mampu meminimalkan interaksi dengan atmosfer sangat disarankan. Kendala tersebut dapat pula diminimalkan dengan penggunaan data multi-temporal.
Pemanfaatan data SAR untuk aplikasi pertanian lahan sawah telah dimulai di Indonesia. Raimadoya, et al.,2007 menggunakan citra Envisat ASAR Wide
Swath Mode (polarisasi tunggal) multi-temporal untuk mengidentifikasi
dinamika penanaman padi. Citra yang memiliki resolusi medium tersebut secara makro mampu menunjukkan wilayah yang aktif. Wilayah penanaman yang tidak aktif (memiliki hamburan balik radar yang relatif sama pada waktu yang berbeda) yang ditunjukkan dengan warna abu-abu (greyscale). Beberapa penelitian terkait pernah dilakukan oleh Wu, et al., 2011 dimana koefisien hamburan balik masih menjadi sarana yang baik dalam mempelajari estimasi biomasa tanaman padi, dan polarisasi HV menjadi penanda yang paling baik
