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

(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)

i Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi Untuk Estimasi Luas Panen Tanaman Padi Di Sentra Produksi Padi

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

(3)

ii Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi Untuk Estimasi Luas Panen Tanaman Padi Di Sentra Produksi Padi

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.

(4)

Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi Untuk Estimasi Luas Panen Tanaman Padi Di Sentra Produksi Padi

iii

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 1.000.000 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 1:100.000. 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 2014. 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-07x3 - 0.0004x2 + 0.036x - 0.3821 dengan nilai R2 = 0.8827 dan SE= 0,047. Hasil kegiatan ini masih perlu dilakukan validasi dan verifikasi untuk dapat diketahui tingkat kehandalannya sebelum dioperasionalkan

(5)

iv Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi Untuk Estimasi Luas Panen Tanaman Padi Di Sentra Produksi Padi

DAFTAR ISI

Hal

HALAMAN JUDUL

ii

RINGKASAN KEGIATAN

iii

DAFTAR ISI

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

Generatif

14 Validasi Hasil

28 KESIMPULAN DAN SARAN

30 Kesimpulan

30 Saran

30

(6)

(7)

1 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi Untuk Estimasi Luas Panen Tanaman Padi Di Sentra Produksi Padi

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

(8)

2 denganresolusi spasial 30 m. Landsat ETM+ memiliki enam band denganukuran piksel yang sama. Hal ini menyebabkan bermanfaat untuk pengembangan algoritma untuk pemodelan padi.

1.2. 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 (http://landsat.usgs.gov,diakses22 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.

(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 0.433–0.453 μm (*A) Band 1, Blue 30 m 0.450 - 0.515 μm Band 2,Blue 30 m 0.450–0.515 μm Band 2, Green 30 m 0.525 - 0.605 μm Band 3, Green 30 m 0.525–0.600 μm Band 3, Red 30 m 0.630 - 0.690 μm Band 4, Red 30 m 0.630–0.680 μm Band 4, Near-IR 30 m 0.775 - 0.900 μm Band 5, Near-IR 30 m 0.845–0.885 μm Band 5, SWIR-1 30 m 1.550 - 1.750 μm Band 6, SWIR-1 30 m 1.560–1.660 μm Band 7, SWIR-2 30 m 2.090 - 2.350 μm Band 7, SWIR-2 30 m 2.100–2.300 μm Band 8, Pan 15 m 0.520 - 0.900 μm Band 8, Pan 15 m 0.500–0.680 μm

Band 9, Cirrus 30 m 1.360–1.390 μm (*B) Band 6, LWIR 60 m 10.00–12.50 μm Band 10, LWIR-1 100 m 10.30–11.30 μm (*C) Band 11, LWIR-2 100 m 11.50–12.50 μm (*C)

Sumber: NASA, 2000, LDCM, 2011.

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.

2.2. 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

(10)

4 minggu setelah tanam. NVDI tanaman akan semakin turun seiring proses pematangan buah padi hingga panen pada umur 16-17 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: 0.45-0.5; 0.51-0.55; 0.56-0.60; 0.61-0.65; 0.66-0.70 dengan dan selisih maksimum dan saat tanam 0.40-0.50.

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

(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 0,7112.

3. 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 107° 38' 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 122064 yang diperoleh dari Pusat Data dan Teknologi Penginderaan Jauh LAPAN sebagaimana disajikan pada Tabel 2.

(12)

6 Tabel 2.Tanggal aquisisi data Landsat-8 yang digunakan dalam penelitian

No. Tanggal aquisisi No. Tanggal aquisisi

1. 8 Juli 2013 6. 12-Oktober-13

2. 9-Agustus-13 7. 11-Juli-14

3. 25-Agustus-13 8. 12-Agustus-14

4. 10-September-13 9. 28 Agustus-14

5. 26-September-13 10. 13 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.

(13)

3.3. METODE

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”

MULTITEMPORAL LANDSAT-8 IMAGES

RADIOMETRIC CORRECTION SPOT-6 DATA AND IN

SITU DATA SURVEYS (REFERENCE DATA)

REGRETION ANALYSIS BETWEEN R, DN, VEGETATION INDEK WITH AGE OF RICE PLANTS Y = f(x)

REFLECTAN, DIGITAL NUMBER, INDEX TRANSFORMATION: NDVI, RGVI

EVALUATION, BEST RELATIONSHIP: DETERMINATION COEFISIENT(R2), ANALYSIS OF VARIANS AND STANDARD ERROR ESTIMATION (SE)

MODEL VERIFICATION BY REFERENCE DATA (HARVEST TIME) MAPPING OF PADDY AGE (ANOTHER

ACQUISITIONDATE OF DATA)

AGE OF PADDY FIELD MAP

PADDY FIELD AGE MAPPING MODEL APPLICATION OF MODEL HARVEST AREA ESTIMATION DELINEATION OF BLOCK PLANT GROWTH PHASE (MODIS) 2013

(14)

8 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*(0.00002*i1-0.1))/X <0 then 0 else if

(10000*(0.00002*i1-0.1))/X >10000 then 10000 else

(10000*(0.00002*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 2013 50.41854707 0.770719541 9 Agustus 2013 54.32026145 0.812289833 25 Agustus 2013 57.81275738 0.846311794 10-Sep 61.46676836 0.878540212 26-Sep 64.55371078 0.902988462 12 Oktober 2013 66.19357644 0.91491442 11 Juli 2014 50.11639915 0.767348716 12 Agustus 2014 54.63494384 0.815480939 28-Aug-14 58.63494384 0.853868395 13-Sep-14 61.64070877 0.879986283

4. 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.

(15)

Gambar 3. Training sampel pada setiap umur tanaman pada data Landsat multitemporal

6. Ekstrak nilai spektralReflektan tiap band citra Landsat-8.

7. 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*(B5/10000- B4/10000)/(1+B5/10000+6*B4/10000- 7.5*B2/10000),1.5*(B5/10000-B4/10000)/(0.5+B5/10000+B4/10000)) (2) (3) 08072013 09082013 25082013 10092013 26092013 12102013 12072014 12082014

(16)

10 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 …….

10 … 17 18 19 … 120

8. 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 (R2), nilai signifikan darianalisis varians (ANOVA), dan estimasi standard error(SE), Jingfeng Huang, et al., 2013.

(5)

dimana y adalah umur padi dan x adalah nilai spektral padi.

(6)

(7)

9. Pemetaan sawah dan umur tanaman

Berdasarkan beberapa persamaan regresi diatas, dicari persamaan yang memberikan nilai R2 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

(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 2014

1 2 3 4 5 6 7 8 9 10 11 12

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

(18)

12 kajian. Selain data citra, juga diperoleh data sekunder berupa peta blok kebun, data realisasi tanam/panen untuk musim tanam 2013/2014.

4.2. 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.

4.3. 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.

(19)

Gambar 4. Sebaran frekuensi training sampel yang digunakan dalam penelitian

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.

Gambar 5. Profil reflektan tanaman padi pada berbagai umur di PT Sang Hyang Seri Subang

Umur (hari) Fr ek ue ns Umur (hari) In de ks ve ge ta

(20)

14 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.

4.4. 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.

(21)

TABEL 6. Hasil analisis indeks vegetasi NDVI dan EVI tanaman padi (data asli).

Indeks Vegetasi ORDE 2 ORDE 3

Persamaan R S iterasi Persamaan R S Iterasi

NDVI Fase Vegetatif 0.104 + 0.00602 X _{+ 0.000079 X}2 92.31% 0.0551194 5 0.194 - 0.0117 X + 0.000827 X2 - 0.000008 X3 95.72% 0.0422076 11 8E-05 x2_{+ 0.006 x} + 0.1036 0.9239 5 no etimasi -8E-06x3_{+ 0.0008x}2_{- 0.0117x} + 0.1941 0.9579 11 no etimasi Fase Generatif - 0.117 + 0.0223 X - 0.000163 X2 85.02% 0.0379837 5 - 1.86 + 0.0870 X - 0.000943 X2 + 0.000003 X3 85.63% 0.0414949 11 -0.0002x2_{+ 0.0223x} - 0.1172 0.852% 5 no etimasi 3E-06x3_{- 0.0009x}2_{+ 0.087x} - 1.8621 0.8582 11 no etimasi EVI Fase Vegetatif 0.0937 + 0.00222x +0.000143 x2 92.82% 0.056764 8 0.160052- 0.0111 X+ 0.000719X2 - 0.000006X3 93.16% 0.0555452 8 y = 0.0001x2 + 0.0022x + 0.0937 0.929 8 no etimasi -0.0000065x3 + 0.000719x2 0.0110853x + 0.160052 0.9326527 8 no etimasi Fase Generatif 0.110 + 0.0167 x - 0.000132 x2 82.10% 0.05323 - 2.71 + 0.117 x - 0.00128 x2 + 0.000004 x3 80.99% 0.0597425 11 -0.0001x2_{+ 0.0167x} + 0.1105 0.8231 17 no etimasi 4E-06x3_{- 0.0013x}2_{+ 0.1169x} - 2.7123 0.8122 11 no 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-1.

2. 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-2.

3. 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-3.

4. 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 55 – 60 HST. Fase pertumbuhan vegetatif tampak terbagi dua, yaitu vegetatif awal antara 0-20 HST yang

(22)

16 masih didominasi oleh penggenangan air dengan nilai NDVI berkisar 0.10-0.25, kemudian vegetatif naik diantara 20–60 HST dengan kenaikan nilai NDVI berkisar antara 0.25 sampai 0.70. Model observasi pertumbuhan tanaman padi dalam bentuk orde 2 dihasilkan dalam bentuk persamaan :

Obs = 0.104 + 0.00602 X + 0.000079 X2 R = 92.31%, S= 0.0551194

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 55 – 60 HST. Fase pertumbuhan vegetatif tampak terbagi dua, yaitu vegetatif awal antara 0-20 HST yang masih didominasi oleh penggenangan air dengan nilai NDVI berkisar 0.15-0.20, kemudian vegetatif naik dari 20 – 60 HST dengan kenaikan nilai NDVI berkisar antara 0.20 sampai 0.65. Model observasi pertumbuhan tanaman padi dalam bentuk orde 3 dihasilkan bentuk persamaan sebagai berikut :

Obs = 0.194 - 0.0117 x + 0.000827 x2 - 0.000008 x3 R=95%, S=0.0422076

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 x2 + 0.006 x + 0.1036 R2=0.9239

dan bentuk persamaan orde 3 iterasi 11 tanpa menggunakan estimasi adalah : y = -8E-06x3 + 0.0008x2 - 0.0117x + 0.1941

R2 = 0.9579

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 60 – 80 HST dengan penurunan nilai NDVI berkisar antara

(23)

0.65-0.55, masa pematangan antara umur 80 – 105 HST dengan penurunan nilai NDVI berkisar dari 0.55 hingga 0.45. Selanjutnya tanaman padi akan panen dan kondisi lahan menjadi bera antara umur 105 -120 HST dengan nilai NDVI berkisar antara 0.45 hingga 0.25. Model observasi pertumbuhan tanaman padi dalam bentuk orde 2 dihasilkan dalam bentuk persamaan :

Obs = - 0.117 + 0.0223 X - 0.000163 X2 R=85.02%, S=0.03799837

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 60 – 80 HST dengan penurunan nilai NDVI berkisar antara 0.55-0.60, masa pematangan antara umur 80 – 105 HST dengan penurunan nilai NDVI berkisar dari 0.60 hingga 0.40. Selanjutnya tanaman padi akan panen dan kondisi lahan menjadi bera antara umur 105 -120 HST dengan nilai NDVI berkisar antara 0.40 hingga 0.25. Model observasi pertumbuhan tanaman padi dalam bentuk orde 2 dihasilkan dalam bentuk persamaan :

Obs = - 1.86 + 0.0870 X - 0.000943 X2 + 0.000003 X3 R=85.63%, S=0.8582

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 = -0.0002x2 + 0.0223x - 0.1172 R2= 0.852

dan bentuk persamaan orde 3 melalui tanpa estimasi adalah : y = 3E-06x3 - 0.0009x2 + 0.087x - 1.8621

R2= 0.8582

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 55 – 60 HST.

(24)

18 Fase pertumbuhan vegetatif tampak terbagi dua, yaitu vegetatif awal antara 0-20 HST yang masih didominasi oleh penggenangan air dengan nilai EVI berkisar 0.10-0.20, kemudian vegetatif naik diantara 20– 60 HST dengan kenaikan nilai EVI berkisar antara 0.20 sampai 0.75. Model observasi pertumbuhan tanaman padi dalam bentuk orde 2 dihasilkan dalam bentuk persamaan :

Obs = 0.0937 + 0.00222 X + 0.000143 X2 S = 0.0567642 ; R2 = 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 55 – 60 HST. Fase pertumbuhan vegetatif tampak terbagi dua, yaitu vegetatif awal antara 0-20 HST yang masih didominasi oleh penggenangan air dengan nilai EVI berkisar 0.20-0.15, kemudian vegetatif naik lagi dari 20 – 60 HST dengan kenaikan nilai EVI berkisar antara 0.15 sampai 0.70. Model observasi pertumbuhan tanaman padi dalam bentuk orde 3 dihasilkan bentuk persamaan sebagai berikut :

Obs = 0.160 - 0.0111 X + 0.000719 X2 - 0.000006 X3 S = 0.0555452 ; R2= 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 = 0.0001x2 + 0.0022x + 0.0937 R2 = 0.929

dan bentuk persamaan orde 3 Add Trendline adalah :

y = -0.0000065x3 + 0.0007186x2 - 0.0110853x + 0.1600519 R2 = 0.9326527

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,

(25)

yaitu masa pembentukan biji antara 60 – 80 HST dengan penurunan nilai EVI berkisar antara 0.65-0.60, masa pematangan antara umur 80 – 105 HST dengan penurunan nilai EVI berkisar dari 0.60 hingga 0.40. Selanjutnya tanaman padi akan panen dan kondisi lahan menjadi bera antara umur 105 -120 HST dengan nilaiEVI berkisar antara 0.40 hingga 0.20. Model observasi pertumbuhan tanaman padi dalam bentuk orde 2 dihasilkan dalam bentuk persamaan :

Obs = 0.110 + 0.0167 x - 0.000132 x2 S = 0.0532307 ; 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 60 – 80 HST dengan penurunan nilai EVI berkisar antara 0.70-0.65, masa pematangan antara umur 80 – 105 HST dengan penurunan nilai EVI berkisar dari 0.65 hingga 0.35. Selanjutnya tanaman padi akan panen dan kondisi lahan menjadi bera antara umur 105 -120 HST dengan nilai EVI berkisar antara 0.35 hingga 0.25. Model observasi pertumbuhan tanaman padi dalam bentuk orde 2 dihasilkan dalam bentuk persamaan :

Obs = - 2.71 + 0.117 x - 0.00128 x2 + 0.000004 x3 S = 0.0597425 ; 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 = -0.0001x2 + 0.0167x + 0.1105 R2 = 0.8231

dan bentuk persamaan orde 3 Add Trendline adalah :

y = 4E-06x3 - 0.0013x2 + 0.1169x - 2.7123 R2 = 0.8122

(26)

20

Model Pertumbuhan Padi Fase Vegetatif

0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.65 0.70 0.75 0 5 10 15 20 25 30 35 40 45 50 55 60 Umur HST N D V I _Obs FITS1 Obs = 0.104 + 0.00602 X + 0.000079 X2 S = 0.0551194 ; R2_{= 92.31%}

0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.65 0.70 0.75 0 5 10 15 20 25 30 35 40 45 50 55 60 Umur HST N D V I _Obs FITS1 Obs = 0.194 - 0.0117 X + 0.000827 X2 - 0.000008 X3 S = 0.0422076 ; R2_{= 95.72%}

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

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 = 0.104 + 0.00602 X + 0.000079 X2 S = 0.0551194 ; R2 = 92.31%

Obs = 0.194 - 0.0117 X + 0.000827 X2 - 0.000008 X3 S = 0.0422076 ; R2 = 95.72%

y = 8E-05x2_{+ 0.006x + 0.1042} R2 = 0.9244 0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.65 0.70 0.75 0 5 10 15 20 25 30 35 40 45 50 55 60 Umur HST N D V I (N o rm a li z e d D if fe re n c e V e g e ta ti o n In d e x ) _Obs Poly. (Obs)

y = -8E-06x3_{+ 0.0008x}2_{- 0.0117x + 0.1941} R2 = 0.9579 0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.65 0.70 0.75 0 5 10 15 20 25 30 35 40 45 50 55 60 Umur HST N D V I _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.

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-05 x2 + 0.006 x + 0.1036

R2 = 0.9239

y = -8E-06x3 + 0.0008x2 - 0.0117x + 0.1941 R2 = 0.9579

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.

(27)

Model Pertumbuhan Padi Fase Generatif

0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.65 0.70 0.75 60 65 70 75 80 85 90 95 100 105 110 115 120 Umur HST N D V I (N o rm a li z e d D if fe re n c e V e g e ta ti o n In d e x ) Obs FITS1 Obs = - 0.117 + 0.0223 X - 0.000163 X2 S = 0.0379837 ; R2_{= 85.02%}

0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.65 0.70 0.75 60 65 70 75 80 85 90 95 100 105 110 115 120 Umur HST N D V I (N o rm a li z e d D if fe re n c e V e g e ta ti o n In d e x ) Obs FITS1 Obs = - 1.86 + 0.0870 X - 0.000943 X2 + 0.000003 X3 S = 0.0414949 ; R2_{= 85.63%}

Hasil NDVI orde 2 Vegetatif setelah difilter dua kali dan dilalukan iterasi atau pengulangan 5 kali dengan menggunakan hasil strandart deviasi dari

program MINITAB

Hasil NDVI orde 3 Generatif setelah difilter dua kali dan iterasi atau pengulangan 11 kali dengan menggunakan hasil strandart deviasi dari program

MINITAB Obs = - 0.117 + 0.0223 X - 0.000163 X2

S = 0.0379837 ; R2 = 85.02%

Obs = - 1.86 + 0.0870 X - 0.000943 X2 + 0.000003 X3 S = 0.0414949 ; R2 = 85.63%

y = -0.0002x2_{+ 0.0223x - 0.1172} R2_{= 0.852} 0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.65 0.70 0.75 60 65 70 75 80 85 90 95 100 105 110 115 120 Umur HST N D V I (N o rm a li z e d D if fe re n c e V e g e ta ti o n In d e x ) Obs Poly. (Obs)

y = 3E-06x3_{- 0.0009x}2_{+ 0.087x - 1.8621} R2_{= 0.8582} 0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.65 0.70 0.75 60 65 70 75 80 85 90 95 100 105 110 115 120 Umur HST N D V I (N o rm a li z e d D if fe re n c e V e g e ta ti o n In d e x ) Obs Poly.

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.

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 = -0.0002x2 + 0.0223x - 0.1172

R2 = 0.852

y = 3E-06x3 - 0.0009x2 + 0.087x - 1.8621 R2 = 0.8582

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 .

(28)

22

0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.65 0.70 0.75 0 5 10 15 20 25 30 35 40 45 50 55 60

Umur HST (Hari Setelah Tanam)

E n h a n c e d V e g e ta ti o n I n d e x ( E V I) Obs FITS1 Obs = 0.0937 + 0.00222 X + 0.000143 X2 S = 0.0567642 ; R2 = 92.82%

0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.65 0.70 0.75 0 5 10 15 20 25 30 35 40 45 50 55 60

E n h a n c e d V e g e ta ti o n I n d e x ( E V I) Obs FITS1 Obs = 0.160 - 0.0111 X + 0.000719 X2 - 0.000006 X3 S = 0.0555452 ; R2= 93.16%

Hasil EVI orde 2 Vegetatif setelah difilter dua kali dan dilakukan iterasi atau pengulangan 8 kali dengan menggunakan hasil strandart deviasi dari program MINITAB

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 = 0.0937 + 0.00222 X + 0.000143 X2 S = 0.0567642 ; R2 = 92.82%

Obs = 0.160 - 0.0111 X + 0.000719 X2 - 0.000006 X3 S = 0.0555452 ; R2 = 93.16%

y = 0.0001x2 + 0.0022x + 0.0937 R2 = 0.929 0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.65 0.70 0.75 0 5 10 15 20 25 30 35 40 45 50 55 60

E n h a n c e d V e g e ta ti o n I n d e x ( E V I) Obs Poly. (Obs)

y = -0.0000065x3_{+ 0.0007186x}2_{- 0.0110853x + 0.1600519} R2 = 0.9326527 0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.65 0.70 0.75 0 5 10 15 20 25 30 35 40 45 50 55 60

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 = 0.0001x2 + 0.0022x + 0.0937 R2 = 0.929

y = -0.0000065x3 + 0.0007186x2 - 0.0110853x + 0.1600519 R2 = 0.9326527

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 .

(29)

0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.65 0.70 0.75 60 65 70 75 80 85 90 95 100 105 110 115 120

E V I (E n h a n c e d V e g e ta ti o n I n d e x ) Obs FITS1 Obs = 0.110 + 0.0167 x - 0.000132 x2 S = 0.0532307 ; R2 = 82.10%

0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.65 0.70 0.75 60 65 70 75 80 85 90 95 100 105 110 115 120

Umur HST (Hari Se telah Tanam)

E n h a n c e d V e g e ta ti o n I n d e x ( E V I) Obs FITS1 Obs = - 2.71 + 0.117 x - 0.00128 x2_{+ 0.000004 x}3 S = 0.0597425 ; R2_{= 80.99%}

Hasil EVI orde 2 Vegetatif setelah difilter dua kali dan dilalukan iterasi atau pengulangan 17 kali dengan menggunakan hasil strandart deviasi dari

program MINITAB

Hasil NDVI orde 3 Generatif setelah difilter dua kali dan iterasi atau pengulangan 11 kali dengan menggunakan hasil strandart deviasi dari program

MINITAB Obs = 0.110 + 0.0167 x - 0.000132 x2

S = 0.0532307 ; R2 = 82.10%

Obs = - 2.71 + 0.117 x - 0.00128 x2 + 0.000004 x3 S = 0.0597425 ; R2 = 80.99%

y = -0.0001x2 + 0.0167x + 0.1105 R2 = 0.8231 0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.65 0.70 0.75 60 65 70 75 80 85 90 95 100 105 110 115 120

E V I (E n h a n c e d V e g e ta ti o n I n d e x ) Obs Poly. (Obs)

y = 4E-06x3 - 0.0013x2 + 0.1169x - 2.7123 R2 = 0.8122 0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.65 0.70 0.75 60 65 70 75 80 85 90 95 100105 110 115120

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.

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 = -0.0001x2 + 0.0167x + 0.1105

R2 = 0.8231

y = 4E-06x3 - 0.0013x2 + 0.1169x - 2.7123 R2 = 0.8122

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 .

(30)

24 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 = - 0.121 + 0.0226 X - 0.000163 X2 S = 0.0580254; R2 = 86.10% iterasi 13 2. Model pertumbuhan padi untuk NDVI di orde 3 dengan iterasi 14

Obs = - 0.382 + 0.0360 X - 0.000360 X2 + 0.000001 X3 S = 0.0475297 ; R2 = 88.18% iterasi 14

3. Model pertumbuhan padi untuk NDVI di orde 2 dengan iterasi 13 tanpa estimasi y = -0.0002x2 + 0.0235x - 0.1409

R2 = 0.8649 iterasi 13

4. Model pertumbuhan padi untuk NDVI di orde 3 dengan iterasi 14 tanpa estimasi y = 8E-07x3 - 0.0004x2 + 0.036x - 0.3821

R2 = 0.8827 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 = - 0.298 + 0.0272 X - 0.000194 X2 S = 0.0656194 ; R2 = 84.58 % iterasi 16 2. Model pertumbuhan padi untuk EVI di orde 3 dengan iterasi 12

Obs = 0.0385 + 0.00643 X + 0.000171 X2 - 0.000002 X3 S = 0.0697020 ; R2 = 86.13% iterasi 12

3. Model pertumbuhan padi untuk EVI di orde 2 dengan iterasi 16 tanpa estimasi y = -0.0002x2 + 0.0272x - 0.2981

R2 = 0.8479 iterasi 16

4. Model pertumbuhan padi untuk EVI di orde 3 dengan iterasi 12 tanpa estimasi y = -0.0000019x3 + 0.0001706x2 + 0.0064292x + 0.0384564

R2 = 0.8624293 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

(31)

berbentuk kubah agak simetris.Pertumbuhan vegetatif tampak diikuti dengan kenaikan nilai NDVI maupun EVI hingga mencapai nilai maksimum umumnya berkisar antara 60 – 70 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 20 – 45 HST dengan kenaikan nilai NDVI dan EVI berkisar 0.42 dengan slop tajam, fase vegetatif diperlambat berkisar antara 45 – 60 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 60 – 80 HST dengan penurunan nilai NDVI dan EVI berkisar 0.25, masa pematangan berkisar antara umur 80 – 105 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 0.17. Pertumbuhan padi indek vegetasi NDVI dan EVI dari ke delapan model ditunjukkan pada Tabel-6 dan Tabel-7.

Profil Pertumbuhan Padi Orde 2

0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.65 0.70 0.75 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95100105110115120

N D V I (N o rm a li z e d D if fe re n c e V e g e ta ti o n In d e x ) Obs FITS1 Obs = - 0.121 + 0.0226 X - 0.000163 X2 S = 0.0580254 ; R2 = 86.10%

0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.65 0.70 0.75 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100105110115120

N D V I (N o rm a li ze d D if fe re n c e V e g e ta ti o n In d e x ) Obs FITS1 Obs = - 0.382 + 0.0360 X - 0.000360 X2 + 0.000001 X3 S = 0.0475297 ; R2 = 88.18% Obs = - 0.121 + 0.0226 X - 0.000163 X2 S = 0.0580254 ; R2 = 86.10% iterasi 13 Obs = - 0.382 + 0.0360 X - 0.000360 X2 + 0.000001 X3 S = 0.0475297 ; R2 = 88.18% iterasi 14

y = -0.0002x2 + 0.0226x - 0.1212 R2 = 0.8619 0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.65 0.70 0.75 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95100105110115120

N D V I (N o rm a li z e d D if fe re n c e V e g e ta ti o n I n d e x ) Obs Poly. (Obs)

y = 8E-07x3 - 0.0004x2 + 0.036x - 0.3821 R2 = 0.8827 0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.65 0.70 0.75 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95100105110115120

N D V I (N o rm a li z e d D if fe re n c e V e g e ta ti o n In d e x ) Obs Poly. (Obs) y = -0.0002x2_{+ 0.0235x - 0.1409}

R2 = 0.8649 iterasi 13 tanpa estimasi

y = 8E-07x3_{- 0.0004x}2 _{+ 0.036x - 0.3821}

(32)

26

0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.65 0.70 0.75 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 105 110 115 120

E n h a n c e d V e g e ta ti o n I n d e x (E V I) Obs FITS1 Obs = - 0.298 + 0.0272 X - 0.000194 X2 S = 0.0656194 ; R2 = 84.58%

0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.65 0.70 0.75 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 8590 95100105110115120

E n h a n c e d V e g e ta ti o n I n d e x ( E V I) Obs FITS1 Obs = 0.0385 + 0.00643 X + 0.000171 X2 - 0.000002 X3 S = 0.0697020 ; R2 = 86.13% Obs = - 0.298 + 0.0272 X - 0.000194 X2 S = 0.0656194 ; R2 = 84.58 % iterasi 16 Obs = 0.0385 + 0.00643 X + 0.000171 X2 - 0.000002 X3 S = 0.0697020 ; R2 = 86.13% iterasi 12

y = -0.0002x2 + 0.0272x - 0.2981 R2 = 0.8479 0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.65 0.70 0.75 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 105110115 120

E n h a n c e d V e g e ta ti o n I n d e x (E V I) Obs Poly. (Obs)

y = -0.0000019x3 + 0.0001706x2 + 0.0064292x + 0.0384564 R2 = 0.8624293 0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.65 0.70 0.75 0 5 10 15 20 25 30 3540 4550 55 60 65 70 75 80 8590 95100105110115120

E n h a n c e d V e g e ta ti o n I n d e x ( E V I) Obs Poly. (Obs) y = -0.0002x2 + 0.0272x - 0.2981 R2 = 0.8479 iterasi 16 tanpa estimasi

y = -0.0000019x3 + 0.0001706x2 + 0.0064292x + 0.0384564

(33)

TABEL 7.Hasil penghitungan nilai NDVI dan EVI padi pada Orde 2 dan Orde 3.

HST NDVI EVI Orde2 it13 Orde3 it14 Orde2 it13 tanpa estimasi Orde3 it14 tanpa estimasi Orde2 it16 Orde3 it12 Orde2 it16 tanpa estimasi Orde3 it12 tanpa estimasi 0-5 0-0.01 0 0 0 0 0-0.08 0 0-0.08 5-15 0.18 0-0.08 0-0.18 0-0.8 0.05 0.17 0-0.08 0.17 15-20 0.27 0.20 0.26 0.20 0.17 0.22 0.17 0.23 20-45 0.56 0.60 0.56 0.60 0.53 0.50 0.53 0.51 45-60 0.65 0.66 0.65 0.67 0.68 0.63 0.64 0.64 60-70 0.66 0.67 0.66 0.68 0.65 0.68 0.65 0.67 70-80 0.65 0.62 0.65 0.67 0.68 0.65 0.64 0.65 80-105 0.44 0.40 0.45 0.40 0.43 0.35 0.40 0.36 105-120 0.23 24 0.24 0.24 0.16 0 0.16 0

TABEL 8. Rekapitulasi persamaan regresi, nilai R dan standard error hasil analisis.

Indeks Vegetasi ORDE 2 ORDE 3 Persamaan R S itera si Persamaan R S Iterasi NDVI Fase Vegetatif Obs = - 0.121 + 0.0226 X - 0.000163 X2 86.10% 0.058 0254 13 Obs = - 0.382 + 0.0360 X- 0.000360 X2 + 0.000001 X3 88.18 % 0.04 752 14 Fase Generatif y = -0.0002x2 + 0.0235x - 0.1409 0.8649 13 no etima si y = 8E-07x3 - 0.0004x2 + 0.036x - 0.3821 0.882 7 14 no etimas i EVI Fase Vegetatif Obs = - 0.298 + 0.0272 X - 0.000194 X2 84.58% 0.065 619 16 Obs = 0.0385 + 0.00643 X + 0.000171 X2 - 0.000002 X3 86.13 % 0.06 970 20 12 Fase Generatif y = -0.0002x2 + 0.0272x - 0.2981 0.8479 16 no etim asi y = -0.0000019x3 + 0.0001706x2 + 0.0064292x + 0.0384564 0.862 429 112

(34)

28 4.5. Validasi hasil

Gambar 12. Citra Landsat-8 28 Agustus 2014

(35)

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 2014

positif

(36)

30 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 R2nya lebih besar yaitu rata-rata 87,14% dan standar error yang lebih kecil 0,0525 dibandingkan dengan parameter EVI yang mempunyai rata-rata R2 85,35% dan standard error 0.067. Sementara itu dari dua model analisis, orde dua dan orde tiga untuk kedua parameter diatas, ternyata model orde tiga mempunyai nilai R2 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-07x3 - 0.0004x2 + 0.036x - 0.3821 dengan R2 = 0.8827 dengan standar error 0,0525

6.2. Saran

Berdasarkan pembahasan dan kesimpulan tersebut, disarankan untuk dilakukan validasi hasil model prediksi umur ini secara luas untuk mengetahui tingkat kehandalannya.

(37)

DAFTAR PUSTAKA

Bappenas, 2002, Does Indonesia Face a Food Security Time Bomb.Indonesian Food Policy Program. http//:www.macrofoodpolicy.com. Accessed November, 15th 2009.

Baret, F. and Guyot, G., 1991, Potentials and limits of vegetation indices for LAI and APAR assessment.Remote Sensing of Environment, 35, pp. 161-173.

Currey, B., Fraser, A. S. and Bardsley, K. L. How useful is Landsat monitoring. Nature 1987, 328, 587-590.

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 2 1-14 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. 175–180.

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. 521-525.

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. 993–998.

Huete, A. R. and Escadafal, R., 1991, Assessment of Biophysical Soil Properties Through Spectral Decomposition Techniques. Remote Sensing of Environment 35, pp. 149-159. 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. 115-167.

Huete, A. R., 1988, A Soil-Adjusted Vegetation Index (SAVI). Remote Sensing of Environment , 25, pp. 295-309.

IRRI, 1993, 1993–1995 IRRI Rice Almanac. Manila7 International Rice Research Institute. Jingfeng Huang, et al., 2013. Remotely Sensed Rice Yield Prediction Using Multi-Temporal

NDVI Data Derived from NOAA’s-AVHRR. Institute of Agricultural Remote Sensing & Information Application.www.plosone.org 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. 2953- 2965. 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. 41- 56.

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. 445–456.

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. 1217-1221.