View
19
Download
0
Category
Preview:
Citation preview
Pola Masa …, Naomi Angelia, FMIPA UI, 2016
Pola Masa Tanam dan Estimasi Produksi Tanaman Padi di Kabupaten Pandeglang dan Lebak
Naomi Angelia1, Tuty Handayani2, dan Jarot Mulyo Semedi3
Departemen Geografi. Fakultas MIPA, Universitas Indonesia, Kampus UI Depok, 16424, Indonesia
E-mail: naomi.angelia@ui.ac.id 1, tuty.handayani@ui.ac.id 2, jarot.mulyo@ui.ac.id 3
Abstrak
Perkembangan teknologi penginderaan jauh saat ini telah banyak dimanfaatkan untuk pemantauan masa tanam padi dengan menggunakan citra MODIS secara temporal dan indeks vegetasi. Tujuan dilakukan penelitian ini adalah untuk melakukan pemantauan masa tanam padi dan estimasi produksi padi tahun 2014 – 2016 di Kabupaten Pandeglang dan Kabupaten Lebak yang merupakan lumbung padi Provinsi Banten. Dalam penelitian ini digunakan indeks vegetasi OSAVI yang mengikutsertakan faktor koreksi dan memberikan variasi tanah lebih besar untuk tutupan vegetasi yang kerapatannya tidak tinggi. MODIS OSAVI yang sudah diklasifikasi kemudian dilakukan analisis regresi untuk mengidentifikasi kelas yang mewakili pola fenologi padi. Pola fenologi padi menunjukkan waktu tanam, dan waktu panen sehingga pola masa tanam padi dapat diketahui. Dari empat kelas yang menunjukkan tutupan lahan sawah, terdapat dua kelas yang menunjukkan dua kali panen dalam satu tahun dan tiga kali panen dalam satu tahun. Hasil perhitungan diperoleh estimasi luas panen sebesar 46.082,25 ha dan estimasi produksi padi sebesar 795.143,5 ton. Perhitungan ini telah divalidasi dengan data BPS dan memiliki tingkat kesalahan sebesar 33,8% untuk estimasi luas panen dan 35,6% untuk estimasi produksi padi. Besarnya standar eror estimasi ini dikarenakan resolusi spasial MODIS 1 pikselnya sebesar 250m x 250m. Sehingga lahan sawah yang memiliki luas kurang dari 250m x 250m akan terindentifikasi sebagai tutupan lahan lain. Pola masa tanam di kedua kabupaten ini telah diuji akurasi dan menghasilkan taraf akurasi keseluruhan sebesar 88,23%.
Planting Period Pattern and Estimation of Rice Crop Production in Pandeglang and Lebak Regency
Abstract
The development of remote sensing technology is now widely used for the monitoring of rice planting by using MODIS temporal imagery and vegetation index. The purpose of this research was to monitor the rice planting period and estimates of paddy production in 2014 - 2016 in Pandeglang and Lebak which is the granary of Banten province. This research used vegetation index OSAVI involving correction factor and provide greater variations in soil for vegetation cover density is not high. MODIS OSAVI already classified then performed a regression analysis to identify the class that represents rice phenological patterns. Rice phenological patterns indicate the time of planting and harvest time so that the pattern of the rice planting season can be known. Of the four classes showed wetland cover, there are two classes that showed two harvests in one year and three harvests in a year. The results of the calculation, the estimated harvested area of 46.082,25 hectares and paddy production estimate of 795.143,5 tons. This calculation has been validated by the BPS data and has an error rate of 33,8% for the estimation of crop area and 35,6% for estimate for rice production. The magnitude of the estimated standard error caused resolution spatial of MODIS has a pixel of 250m x 250m. So that the wetland has an area less than 250m x 250m will be identified as the other land cover. The planting period pattern in these two regency have tested produce a level of overall accuracy of 88.23%. Keywords: MODIS, algorithm OSAVI, phenology, planting period pattern, remote sensing
Pola Masa …, Naomi Angelia, FMIPA UI, 2016
Pendahuluan Secara umum, ketahanan pangan merupakan rangkaian dari tiga komponen utama
yaitu ketersediaan pangan, kemudahan memperoleh pangan (aksesibilitas) dan
pemanfaatan pangan (UU RI No 7 Tahun 1996). Salah satu pilar penting dalam
membangun ketahanan pangan adalah dengan adanya ketersediaan pangan. Di Indonesia,
faktor produksi beras menjadi salah satu indikator terpenting dalam ketersediaan
pangan. Hal ini dikarenakan padi merupakan salah satu komoditi pangan utama yang
penting bagi kelangsungan hidup manusia. Dimana hampir seluruh masyarakat di
Indonesia mengkonsumsi nasi sebagai makanan pokok.
Berdasarkan data Badan Pusat Statistik 2009 - 2011 yang diambil dari Berita
Resmi Statistik No. 69/11/Th. XIV, 1 November 2011, hingga saat ini lebih dari 50%
produksi padi nasional di Indonesia berasal dari Pulau Jawa. Menurut Direktorat
Pangan dan Pertanian Bappenas, produksi padi di Indonesia tahun 2012 mengalami
peningkatan. Dimana produksi padi nasional yang berasal dari Pulau Jawa meningkat
sebesar 53%. Oleh karena itu, salah satu upaya untuk menjaga dan meningkatkan
produksi padi khususnya di Pulau Jawa adalah dengan memantau pertumbuhan tanaman
padi dengan teknologi penginderaan jauh.
Domiri (2005) telah melakukan penelitian tentang model pertumbuhan tanaman padi
menggunakan data MODIS. Pemantauan pertumbuhan tanaman padi tersebut berdasarkan
prediksi tingkat kehijauan tanaman. Parameter tingkat kehijauan tanaman (vegetation index)
yang diturunkan melalui analisis citra satelit dapat digunakan untuk estimasi umur tanaman
padi. Selanjutnya dengan menghitung luas areal tanaman yang dimonitor pada citra satelit,
dapat diestimasi produksi padi yang akan dipanen di suatu wilayah (Wahyunto &
Hikmatullah, 2006). Data satelit penginderaan jauh yang dapat digunakan untuk
pemantauan tanaman padi dengan cakupan wilayah yang luas dan temporal yang tinggi
adalah data MODIS (Moderate Resolution Imaging Spectroradiometer) dari satelit
Terra-Aqua. MODIS merupakan salah satu sensor dari satelit Terra-Aqua yang
mempunyai resolusi spasial 250m, 500m dan 1000m dan resolusi temporal empat kali
dalam satu hari (Emyati, 2012). Salah satu indeks vegetasi yang dapat digunakan untuk
pemantauan tanaman padi yaitu OSAVI (Optimized Soil Adjusted Vegetation Index).
Indeks vegetasi OSAVI merupakan indeks vegetasi yang telah dikembangkan Rondeaux
(1996) dimana indeks vegetasi OSAVI mengikutsertakan faktor koreksi dan memberikan
variasi tanah lebih besar untuk tutupan vegetasi yang kerapatannya tidak terlalu tinggi.
Pola Masa …, Naomi Angelia, FMIPA UI, 2016
Sehingga pantulan nilai dari tanah dapat menjadi salah satu faktor yang mempengaruhi
keakurasian reflektansi dari vegetasi.
Dilihat dari data Badan Pusat Statistik Provinsi Banten (BPS), Kabupaten
Pandeglang dan Kabupaten Lebak memiliki luas lahan sawah dan produksi padi terbesar
di Provinsi Banten. Pada tahun 2013, luas lahan sawah Kabupaten Pandeglang mencapai
54.739 ha atau 27,86% dari total luas lahan di Provinsi Banten, disusul oleh Kabupaten
Lebak sebesar 46.213 ha atau sebesar 23,52%. Hasil dari penelitian ini diharapkan dapat
menjadi bahan acuan dan masukan bagi pemerintah daerah ataupun pemerintah pusat
dalam kegiatan perencanaan pertanian agar dapat tercapainya ketahanan pangan di
Indonesia, khususnya di Provinsi Banten.
Tinjauan Teoritis A. Syarat Tumbuh Tanaman Padi
Tanaman Padi merupakan tanaman pangan. Padi merupakan tanaman yang termasuk
genus Oryza L. yang meliputi kurang lebih 25 spesies, tersebar di daerah tropis dan daerah
subtropis, sperti Asia, Afrika, Amerika, dan Australia (BPTP). Berdasarkan Dinas
Pertanian dan Kehutanan, tanaman padi dibagi menjadi 3 jenis, yaitu padi sawah, padi
gogo dan padi rawa. Padi sawah adalah jenis padi yang paling banyak ditanam di Provinsi
Banten. Padi sawah memerlukan curah hujan antara 200 mm/bulan atau 1.500 – 2.000
mm/tahun dengan ketinggian tempat optimal 0 – 1.500 mdpl dan kemiringan lereng >
40%. Suhu optimal untuk pertumbuhan tanaman padi sawah yaitu 23°C dengan intensitas
sinar matahari penuh. Tanah yang baik untuk ditanami padi sawah yaitu tanah yang
mengandung pasir, debu dan lempung. Padi sawah memerlukan banyak air, pupuk dan
perlu ditanam dengan cara yang teratur. Padi sawah banyak ditanam di Utara Pulau Jawa
bagian Barat, karena wilayahnya relatif datar dan memiliki curah hujan yang tinggi.
B. Fenologi Tanaman Padi
Menurut Sari dkk. (2010), fenologi padi sawah dapat dideteksi dengan menggunakan
data citra satelit. Hasil deteksi fenologi padi sawah tersebut dapat digunakan untuk
mengestimasi tanggal tanam dan tanggal panen yang diperlukan dalam proses estimasi
produksi padi sawah. Dilihat dari Gambar 2.1 pertumbuhan tanaman padi dibagi ke dalam
tiga fase. Fase pertumbuhan tanaman padi yang pertama adalah fase vegetatif yaitu dari
tahap awal pertumbuhan sampai pembentukan malai. Kemudian fase kedua adalah fase
Pola Masa …, Naomi Angelia, FMIPA UI, 2016
Gambar 1 Fenologi Tanaman Padi
Sumber: Mosleh dkk (2014)
reproduksi yaitu dari tahap pembentukan malai sampai pembungaaan. Pada fase ini
tingkat kehijauan maksimum berada pada tahap pembungaan. Fase yang terakhir adalah
fase pematangan yaitu dari tahap pembungaan sampai gabah matang.
Pada daerah tropis, fase vegetatif
membutuhkan waktu 50 – 55 hari,
fase reproduktif membutuhkan
waktu 35 hari dan fase pematangan
sekitar 30 hari. Perbedaan masa
pertumbuhan ditentukan oleh
perubahan panjang waktu fase
vegetatif. Berdasarkan fase
pertumbuhan padi, warna hijau yang
dihasilkan oleh daun padi berada di
tahap inisiasi malai. Fase ini akan
terdeteksi pada satelit Terra MODIS sebagai nilai kehijauan tertinggi atau dalam kata lain
adalah dimana tanaman berada pada fase generatif. Warna menurun ketika tanaman padi
mulai berbunga dan kemudian dipanen (Zubaidah dkk, 2012).
C. Indeks Vegetasi
Indeks vegetasi adalah besaran nilai kehijauan vegetasi yang diperoleh dari
pengolahan sinyal dijital data nilai kecerahan (brightness) beberapa kanal data sensor
satelit. Untuk pemantauan vegetasi, dilakukan proses pembandingan antara tingkat
kecerahan kanal cahaya merah (red) dan cahaya inframerah dekat (Sudiana, 2008).
Seiiring perkembangan waktu makan dikembangkanlah suatu algoritma indeks vegetasi,
yaitu Soil Adjusted Vegetation Indices dimana algoritma ini bisa membedakan tingkat
kehijauan tanaman dengan tanah. Salah satunya yang termasuk dalam Soil Adjusted
Vegetation Indices adalah indeks vegetasi OSAVI (Optimized Soil Adjusted Vegetation
Index). Indeks vegetasi OSAVI dikemukan oleh Rondeaux, et al. (1996). Adapun
persamaan algoritmanya adalah sebagai berikut:
!"#$% =[!"#− !"#]
[!"#+ !"#+ !] ! (!+ !)
Indeks vegetasi OSAVI mempertimbangkan faktor koreksi yaitu L, dengan asumsi L
= 0 untuk tutupan vegetasi yang kerapatannya sangat tinggi, L = 1 untuk tutupan vegetasi
Pola Masa …, Naomi Angelia, FMIPA UI, 2016
yang kerapatannya yang sangat rendah. Nilai faktor koreksi untuk tutupan vegetasi yang
standar digunakan adalah 0,16. Rondeaux (1996) menetapkan bahwa nilai faktor koreksi
ini memberikan variasi tanah lebih besar daripada indeks vegetasi SAVI untuk tutupan
vegetasi yang rendah, sementara menunjukkan sensitivitas tinggi untuk menutupi vegetasi
yang lebih besar dari 50%. Indeks vegetasi ini paling baik digunakan di daerah dengan
vegetasi yang relatif jarang. Dibandingkan dengan indeks vegetasi lain yang termasuk
dalam soil adjusted vegetation indices, indeks vegetasi OSAVI memberikan hasil terbaik
untuk tutupan vegetasi yang bentuknya homogen seperti rumput-rumputan dan tanaman
pertanian.
Metodologi Metodologi yang dilakukan dalam penelitian ini terdiri dari tiga tahap, yaitu
pengumpulan data, pengolahan data dan analisis data. Pola masa tanam padi di Kabupaten
Pandeglang dan Lebak dapat dilihat dari tutupan lahan yang terdapat di Kabupaten
Pandeglang dan Lebak. Tutupan lahan yang ada dibagi menjadi tutupan lahan tanaman
padi. Tutupan lahan tanaman padi menunjukkan nilai kehijauan dari tanaman padi. Nilai
kehijauan tanaman padi tersebut mencerminkan fase pertumbuhan tanaman padi. Pada
fase pertumbuhan tanaman padi, pola nilai kehijauan tanaman padi menunjukkan waktu
tanam dan waktu panen, sehingga pola masa tanam di daerah penelitian ini dapat
diketahui. Nilai kehijauan tanaman padi dapat digunakan untuk menghitung luas area
sawah. Hasil kali antara produktivitas tanaman padi dengan luas area sawah maka
diperoleh estimasi produksi tanaman padi di Kabupaten Pandeglang dan Lebak (Gambar
2). Berikut adalah alur pikir dari penelitian ini:
Kabupaten Pandeglang dan Lebak
Tutupan Lahan
Pola Masa …, Naomi Angelia, FMIPA UI, 2016
Gambar 1. Alur Pikir Penelitian
A. Pengumpulan Data
Terdapat dua jenis data yang digunakan dalam penelitian ini, yaitu data sekunder dan
data primer. Data sekunder berupa data tabular yang didapat dari berbagai pihak instansi
ataupun berupa peta yang diolah. Data sekunder yang dibutuhkan dalam penelitian ini
antara lain Citra Terra MODIS dengan resolusi spasial 250 meter level 2G (MOD09GQ)
perekaman 1 Januari 2014 hingga 31 Januari 2016, peta rupa bumi Kabupaten
Pandenglang dan Kabupaten Lebak dari instasi BIG, peta penggunaan lahan Kabupaten
Pandeglang dan Kabupaten Lebak Tahun 2011 dari WEBGIS Departemen Kehutanan,
data produksi – produktivitas dan luas panen Kabupaten Pandeglang dan Lebak Tahun
2014 – 2016 dari BPS dan Dinas Pertanian Kabupaten Pandeglang dan Lebak, serta data
data aset sumber daya air dan pengairan Kabupaten Pandeglang dan Lebak dari Dinas
Pengairan dan Bina Marga Kabupaten Pandeglang dan Lebak. Data primer diperoleh
dengan melakukan survei lapang yang bertujuan untuk memvalidasi fase pertumbuhan
tanaman padi yang sudah diolah sebelumnya menggunakan indeks vegetasi OSAVI.
Metode pengambilan sampel dilakukan dengan menggunakan stratified random sampling
dan accidental sampling. Pengambilan sampel dilakukan secara acak dengan
memperhatikan tingkatan secara proporsional. Kemudian letak koordinat setiap titik
sampel diukur dengan GPS dan dilakukan wawancara dengan petani untuk memperoleh
informasi waktu tanam, waktu panen, varietas yang ditanam, umur padi saat survei
dilaksanakan
Luas Area Sawah
Estimasi Produksi Tanaman Padi di Kabupaten Pandenglang dan Lebak
Pola Masa Tanam Tanaman Padi di Kabupaten Pandenglang dan Lebak
Fase Pertumbuhan Tanaman Padi
Produktivitas Tanaman Padi
Nilai Kehijauan Tanaman Padi
Tutupan Lahan Tanaman Padi
Pola Masa …, Naomi Angelia, FMIPA UI, 2016
A. Pengolahan Data Pengolahan data citra pada proses pengolahan data adalah sebagai berikut:
a. Citra Terra MODIS 1 Januari 2014 – 31 Januari 2016 yang telah diunduh memiliki
format HDF kemudian dilakukan transformasi dari proyeksi sinusoidal ke proyeksi
proyeksi geografi dengan menggunakan tools modis conversion toolkit yang terdapat
pada software ENVI 5.3. Proyeksi tersebut dilakukan agar citra nantinya lebih mudah
dioverlay dengan data lain.
b. Cloud Masking, atau pemisahan awan dilakukan dengan cara membuat citra komposit
dengan metode maximum value composit. Pada tahap ini menggunakan tools band
math. Citra MODIS dirata-ratakan per 16 harian dengan asumsi pergerakan awan
hilang dalam waktu 16 hari dan tidak ada fase pertumbuhan padi di bawah 16 hari.
Dari tahap ini diperoleh 48 layer Citra MODIS 16 harian.
c. Kemudian Citra MODIS 48 layer 16 harian dikonversikan menjadi 8 bit unsigned. Hal
ini dilakukan agar nilai pada setiap piksel memiliki nilai positif dan mengindari nilai
pecahan. 8 bit unsigned memiliki rentang nilai 0 – 255.
d. Citra MODIS 48 layer 16 harian 8 bit unsigned diekstrak untuk mendapatkan nilai
OSAVI. Pada tahap ini menggunakan tools band math pada ENVI 5.3 dengan
memasukan algoritma OSAVI sebagai berikut:
!"#$% =[!"#− !"#]
[!"#+ !"#+ !,!"] ! (!+ !,!")
OSAVI = Optimized Soil Adjusted Vegetation Index
NIR = Reflektansi panjang gelombang inframerah dekat
Red = Reflektansi panjang gelombang merah
L = Faktor koreksi yang memiliki nilai sebesar 0,16
(Rondeaux et al., 1996)
e. Citra MODIS 48 layer 16 harian 8 bit unsigned yang telah diekstrak nilai OSAVI
selanjutnya disubset dengan adminstrasi daerah penelitian yaitu Kabupaten
Pandeglang dan Lebak.
f. Kemudian dilakukan tahap layer stacking. Dimana data citra MODIS OSAVI 48 layer
16 harian Kabupaten Pandeglang dan Lebak dijadikan satu layer menjadi MODIS
OSAVI multi bands.
Pola Masa …, Naomi Angelia, FMIPA UI, 2016
Unsupervised Classification dan Pengelompokan Fenologi
Pada tahap selanjutnya data yang ada dilakukan unsupervised classification untuk
mengelompokkan semua piksel menjadi kelas-kelas dengan menampakan karakteristik
spektral yang sama namun belum diketahui identitas tutupan lahannya. Nilai – nilai piksel
dikelompokan atas dasar perhitungan algoritma ISODATA pada software ERDAS
Imagine 2013. Pengelompokan data diawali dengan kelipatan 5 kelas yaitu dari 5 hingga
50 jumlah kelas. Dari jumlah kelas yang telah dihasilkan, maka ditentukan jumlah kelas
mana yang memiliki tingkat akurasi klasifikasi yang paling baik. Penentuan jumlah kelas
dengan akurasi yang paling baik adalah jumlah kelas yang memiliki average separability
yang terbesar dan nilai minimum separability yang terendah (de Bie, C. & A.G.Toxopeus,
2002).
Citra MODIS OSAVI yang telah terklasifikasi pada tahap sebelumnya memiliki
banyak kelas dan pola fenologi tutupan lahan. Sehingga perlu dilakukan tahap
pengelompokan pola untuk meminimalkan pola fenologi serta memudahkan dalam
mengidentifikasi. Pengelompokan pola fenologi dilakukan dengan cara mengidentifikasi
kesamaan pola fenologi antar kelas. Tahap ini dilakukan secara manual dengan
menggunakan Microsoft Excel. Tabel yang berisi nilai piksel dari setiap kelas dibuat
grafik, kemudian dikelompokan menjadi satu kelompok sesuai dengan pola yang serupa
sampai masing – masing kelompok menunjukan pola fenologi yang berbeda.
Kemudian tahap selanjutnya dilakukan regresi linear berganda. Regresi dilakukan
untuk mengidentifikasi kelompok mana yang mewakili pola fenologi tanaman padi.
Proses regresi dilakukan dengan menggunakan metode stepwise. Regresi dilakukan antara
luas panen per kecamatan dari BPS dengan luas tiap group kelompok fenologi per
kecamatan untuk mengetahui group yang signifikan terhadap luas panen. Hasil dari
regresi linear berganda menunjukkan group – group mana yang merepresentasikan
kelompok padi dan persamaan estimasi luasan panen yang terdiri dari koefisien group -
group yang signifikan sehingga dapat dihitung estimasi produksinya. Kemudian hasil
estimasi luasan panen dan estimasi produksi divalidasi dengan data sekunder yang
diperoleh dari BPS. Pola fenologi padi pada group – group yang signifikan, menunjukkan
waktu tanam dan waktu panen. Dengan mengetahui pola fenologi padi, maka pola masa
tanam dapat diketahui. Setelah itu dilakukan survei dan pengambilan data primer pada
penggunaan lahan sawah di Kabupaten Pandeglang dan Kabupaten Lebak. Hasil survei
lapang diuji akurasi dengan metode confusion matrix untuk mengetahui besar tingkat
Pola Masa …, Naomi Angelia, FMIPA UI, 2016
kesalahan citra MODIS dengan indeks
vegetasi OSAVI dalam menggambarkan
pola masa tanam tanaman padi.
B. Analisis Data
Analisis yang digunakan pada penelitian ini adalah analisis regresi linear berganda,
analisis temporal dan uji akurasi. Analisis regresi linear berganda digunakan untuk
mengukur pengaruh antara lebih dari satu variabel bebas terhadap variabel terikat, dimana
variabel terikatnya yaitu data luas panen sawah per kecamatan dan variabel bebasnya
yaitu group kelompok fenologi per kecamatan. Analisis regresi menghasilkan persamaan
estimasi area tanaman padi dan bila dikalikan dengan data produktivitas rata - rata di
daerah penelitian, maka dapat digunakan untuk menghitung besar estimasi produksi padi.
Analisis yang dilakukan selanjutnya adalah analisis spasial dan analisis temporal. Analisis
spasial dilakukan untuk mengetahui lokasi kelompok pola fenologi padi dan kaitannya
dengan kondisi daerah penelitian. Sedangkan analisis temporal dilakukan dengan
mengintepretasi pola fenologi padi dalam periode 16 harian untuk melihat waktu tanam
dan waktu panen sehingga dapat diketahui pola masa tanam padi. Kemudian dilakukan uji
akurasi dua kali, berdasarkan spasial dan temporal.
Hasil dan Pembahasan
A. Klasifikasi Fenologi Tanaman Padi
Citra komposit 16 harian sebanyak 48 layer dari Januari 2014 – Januari 2016 dilayer
stacking menjadi satu data. Data yang telah dijadikan satu tersebut kemudian dilakukan
subset berdasarkan dengan administrasi daerah penelitian, yaitu Kabupaten Pandeglang
dan Kabupaten Lebak. Selanjutnya dilakukan unsupervised classification dengan software
ERDAS Imagine 2013 dan mengklasifikasikan data dari 5 hingga 50 jumlah kelas dengan
kelipatan 5. Proses unsupervised classification dilakukan dengan iterasi maksimal sebesar
50. Jumlah kelas terbaik memiliki nilai minimum separability yang terendah dan nilai
average separability yang terbesar. Kemudian diperoleh 45 sebagai jumlah kelas terbaik
untuk klafisikasi tutupan lahan di daerah penelitian ini. Unsupervised Classfication
merupakan klasifikasi tutupan lahan secara umum, maka dari itu perlu dilakukan tahap
pengelompokan fenologi berdasarkan polanya.
Tabel 1. Unsupervised Classification dengan Kelipatan 5
Jumlah Kelas Average Minimum
Pola Masa …, Naomi Angelia, FMIPA UI, 2016
0
50
100
150
200
250
1 33
65
97
129
161
193
225
257
289
322
354
386
418
481
466
498
530
562
594
626
674
706
738
Niliai O
SAVI (8
bit)
Hari Ke-‐
Kelas 1 Kelas 2 Kelas 3 Kelas 4 Kelas 5 Kelas 6 Kelas 7 Kelas 8 Kelas 9 Kelas 10 Kelas 11 Kelas 12 Kelas 13 Kelas 14 Kelas 15 Kelas 16 Kelas 17 Kelas 18
2014 2015
Sumber: Pengolahan Data (2016)
Setelah diperoleh 45 kelas tutupan lahan, kemudian data 16 harian yang ada
pada 45 kelas tersebut dirata-ratakan per tahunnya. Setelah diperoleh nilai rata-rata
per tahun, selanjutnya nilai-nilai tersebut dimasukkan ke dalam grafik garis. Nilai-
nilai tersebut membentuk pola fenologi berdasarkan 16 harian. Pola inilah yang
nantinya akan diidentifikasi lebih lanjut mana yang merupakan fenologi padi dan
mana yang bukan. Dari pola tersebut dapat diketahui waktu tanam padi, dan waktu
panen. Pada Grafik 1. merupakan hasil unsupervised classification, dimana 45 kelas
merupakan jumlah kelas terbaik untuk klasifikasi tutupan lahan di daerah penelitian.
Tahap selanjutnya adalah melakukan pengelompokan fenologi. Proses pengelompokan fenologi dilakukan secara manual, yaitu dengan cara mengidentifikasi kesamaan pola fenologi antar kelas. Dimana kelas yang memiliki pola fenologi serupa digabung menjadi satu kelompok sampai masing-masing
kelompok menunjukkan pola fenologi yang berbeda. Dari 45 kelas hasil dari
unsupervised classification, diperoleh 20 kelompok yang menunjukkan pola fenologi
yang berbeda. Kelompok-kelompok ini nantinya akan dilakukan analisis regresi
untuk melihat kelompok mana merupakan pola fenologi tanaman padi.
Tabel 2. Pengelompokan Kelas Berdasarkan dengan Pola Serupa
5 65 52 10 102 47 15 164 50 20 221 35 25 215 48 30 276 55 35 308 39 40 378 50 45 656 40 50 508 45
No Group Kelas OSAVI No Group Kelas OSAVI
Grafik 1. 45 Kelas Unsupervised Classification
Pola Masa …, Naomi Angelia, FMIPA UI, 2016
0
50
100
150
200
250
1 17
33
49
65
81
97
113
129
145
161
177
193
209
225
241
257
273
289
306
322
338
354
Nilai O
SAVI (8
bit)
Hari Ke-‐ Group A Group B Group C Group D Group E Group F Group G Group H Group I Group J Group K Group L Group M Group N Group O Group P Group Q Group R Group S Group T
Sumber: Pengolahan Data (2016)
Grafik 2. 20 Group Pengelompokan Fenologi Sumber: Pengolahan Data (2016)
B. Identifikasi Fenologi Tanaman Padi
Setelah diklasifikasi berdasarkan unsupervised classification dan
pengelompokan pola, tahap selanjutnya adalah melakukan identifikasi kelompok
mana yang merupakan fenologi tanaman padi. Untuk mengidentifikasi kelompok
mana yang mewakili fenologi tanaman padi regresi. Regresi linear berganda
digunakan untuk mengukur pengaruh antara lebih dari satu variabel bebas terhadap
variabel terikat. Metode yang digunakan untuk regresi ini adalah metode stepwise.
Metode stepwise adalah metode dimana memasukkan prediktor secara bertahap
berdasarkan nilai F yang signifikan, yaitu dibawah 0,05. Proses memasukkan
prediktor dikombinasikan dengan mengeliminasi prediktor yang tidak signifikan.
Dari hasil regresi diatas didapatkan Model ke 4 sebagai group - group yang
1 A Kelas 1 11 K Kelas 18, 31, 35
2 B Kelas 2, 24 12 L Kelas 19
3 C Kelas 3, 36, 44 13 M kelas 20, 40
4 D Kelas 4,7 14 N Kelas 21, 25, 28, 43
5 E Kelas 5, 6, 9, 10, 16 15 O Kelas 23, 42
6 F Kelas 8, 12 16 P Kelas 26
7 G Kelas 11 17 Q Kelas 30
8 H Kelas 13, 14 18 R Kelas 32, 38
9 I Kelas 15, 27 19 S Kelas 37, 45
10 J Kelas 17, 22, 29, 33, 34 20 T Kelas 39, 41
Pola Masa …, Naomi Angelia, FMIPA UI, 2016
teridentifikasi sebagai tanaman padi adalah Group B, Group I, Group K, dan Group
Q (Tabel 3).
Tabel 3. Koefisien Korelasi Model R R Square Adjusted R
Square Std. Error of the Estimate
4 . 747d .557 .519 1299.55885
d.Predictors: (Constant), Group_Q, Group_B, Group_K, Group_I
Sumber: Pengolahan Data (2016) Analisis korelasi bertujuan untuk mengukur kekuatan hubungan linear antara
dua variabel atau lebih. Dari Tabel 3 diatas dapat terlihat bahwa nilai koefisien
korelasi (R) sebesar 0,747, yang berarti bahwa variabel luas panen dan kelompok
fenologi OSAVI memiliki hubungan linear yang sangat kuat. Berdasarkan tabel
diperoleh angka Adjusted R Square sebesar 0,557 atau 55,7%. Hal ini menunjukkan
bahwa luas panen berpengaruh sebesar 55,7% terhadap kelompok fenologi OSAVI.
Sedangkan sisanya sebesar 44,3% dipengaruhi oleh variabel atau faktor lain diluar
penelitian. Kemudian dilajutkan dengan melakukan Uji T. Uji T pada dasarnya
menunjukkan seberapa jauh pengaruh satu variabel bebas secara satu persatu dalam
menjelaskan variasi variabel terikat (Tabel 4).
Tabel 4. Uji Statistik T
Sumber: Pengolahan Data (2016)
Uji T dapat dilakukan dengan melihat p-value. Besar p-value harus lebih kecil
sama dengan α. Dengan nilai α sebesar 0,05 dan melihat p-value pada masing-masing
group, dimana pada masing- masing variabel bebas besar p-value lebih kecil
daripada α, maka dapat disimpulkan bahwa koefisien regresi dari Group Q, Group B,
Group K, dan Group I signifikan. Sehingga didapatkan model persamaannya, yaitu:
Model Unstandardized Coefficients t Sig.
B Std. Error
4 (Constant) 2599.332 223.909 11.609 .000
Group_Q 1.620 .248 6.534 .000
Group_B .611 .203 3.006 .004
Group_K .239 .103 2.311 .025
Group_I .237 .110 2.154 .037
Pola Masa …, Naomi Angelia, FMIPA UI, 2016
! = !.!"",!! + !,!"# !"#$% ! + !,!"" !"#$% ! + !,!"# !"#$%& + !,!"# (!"#$% !)
dimana,
Y : Luas Sawah
Group Q, B, K, I : Luasan masing-masing group
Maka, untuk mendapatkan besar estimasi luas sawah dari model persamaan
diatas adalah dengan menjumlahkan dan mengalikan antara koefisien yang diperoleh
dari uji T dengan luasan sawah per piksel per kecamatan pada masing – masing
group. Sehingga estimasi luas sawah yang diperoleh sebesar 46.082,25 Ha. Hasil
estimasi luas panen sawah diatas kemudian dibandingkan dengan data luas panen
yang diperoleh dari Badan Pusat Statistik. Dalam data BPS, besar luas panen jauh
lebih besar dikarenakan dalam perhitungannya, luas panen dikalikan dengan
banyaknya rata- rata panen dalam satu tahun di Kabupaten Pandeglang dan
Kabupaten Lebak. Oleh karena itu agar dapat dibandingkan dengan data luas panen
yang diperoleh dari BPS, maka hasil estimasi luas panen diatas harus dikalikan 3
sehingga menghasilkan 138.246,75 ha dari luas panen yang diperkirakan. Dengan
rata-rata produktivitas sebesar 5,75ton/ha dari varietas yang ditanam di daerah
penelitian, maka estimasi produksi dapat dihitung sebagai berikut:
!"#$%&"$ !"#$%&'( = !"#.!"#,!" !" ∗ !,!" !"#/!"
= !"#.!"#,! !"#
Besar estimasi luas panen dan estimasi produksi dari hasil citra tahun 2015
kemudian dibandingkan dengan besar luas panen dan produksi yang diperoleh dari
BPS dari tahun 2014. Hal ini dikarenakan data dari BPS mengenai Luas Panen dan
Produksi di Kabupaten Pandeglang dan Lebak tahun 2015 belum tersedia. Maka
perlu dilakukan perhitungan untuk mengestimasi luas panen dan produksi padi di
kedua kabupaten ini pada tahun 2015.
Tabel 5 Standar Eror Estimasi
Sumber: Badan Pusat Statistik Kabupaten Pandeglang dan Lebak
Standar Error Estimasi Tahun Luas Panen Produksi Padi
2011 70,15% 71,34% 2012 70,61% 68,70% 2013 67,77% 66,63% 2014 66,15% 65,40%
Pola Masa …, Naomi Angelia, FMIPA UI, 2016
Pada Tabel 5 dapat dilihat dimana tingkat kesalahan untuk estimasi luas panen
sebesar 33,85% dan 34,6% untuk estimasi produksi padi. Adapun perbedaan dalam
perhitungan estimasi luas area sawah dan produksi padi dikarenakan adanya bias
yang dihasilkan oleh olahan citra MODIS dengan indeks vegetasi OSAVI ini dapat
disebabkan oleh:
• Resolusi citra MODIS yang mencakup 250m x 250m untuk satu pikselnya, dimana
dalam 1 piksel luasnya sekitar 6 ha. Apabila pada daerah penelitian banyak terdapat
sawah yang luasnya kurang dari 6 ha maka tidak dapat diidentifikasi sebagai tutupan
lahan sawah, melainkan terdeteksi sebagai tutupan lahan lain.
• Varietas yang ditanam pada lahan sawah setiap tahunnya tidak sama. Perbedaan
kepemilikan lahan sawah mengakibatkan keputusan penggunaan varietas yang
ditanam setiap tahunnya berbeda. Sehingga angka produktifitas varietas yang ditanam
berbeda-beda setiap tahunnya. Perhitungan akan lebih akurat jika angka produktifitas
varietas setiap tahunnya diketahui. Sedangkan data yang diperoleh dari instansi terkait
merupakan angka produktifitas varietas secara umum.
C. Pola Masa Tanam di Daerah Penelitian
Pola fenologi berdasarkan indeks vegetasi OSAVI, memiliki bentuk pola
fenologi yang berbeda antara satu sama lain. Masing-masing dari pola fenologi
tersebut menunjukkan awal tanam, fase vegetatif, fase generatif dan waktu panen.
Pada pola fenologi tanaman padi, waktu awal tanam dan waktu panen dapat dilihat
berdasarkan nilai kehijauan terendah. Sedangkan nilai kehijauan tertinggi
menunjukkan fase generatif pada fenologi tanaman padi. Dengan mengetahui pola
fenologi padi, maka pola masa tanam padi di daerah penelitian dapat diketahui.
Grafik 3 merupakan pola dari group terpilih yang merupakan fenologi tanaman padi
di Kabupaten Pandeglang dan Kabupaten Lebak pada tahun 2014 – Januari 2016.
0
50
100
150
200
250
1 33
65
97
129
161
193
225
257
289
322
354
386
418
450
482
514
546
578
610
658
690
722
754
Nilai O
SAVI (8
bit)
Hari Ke-‐
Group B Group I Group K Group Q
2014 2015
Pola Masa …, Naomi Angelia, FMIPA UI, 2016
0
50
100
150
200
250
1 33
65
97
129
161
193
225
257
289
322
354
386
418
450
482
514
546
578
610
658
690
722
754
Nilai O
SAVI ( 8 bit)
Hari Ke-‐
0 50 100 150 200 250
1 33
65
97
129
161
193
225
257
289
322
354
386
418
450
482
514
546
578
610
658
690
722
754
Nilai O
SAVI (8
bit)
Hari Ke-‐
0 50 100 150 200 250
1 33
65
97
129
161
193
225
257
289
322
354
386
418
450
482
514
546
578
610
658
690
722
754
Nilai O
SAVI (8
bit)
Hari Ke-‐
0 50 100 150 200 250
1 33
65
97
129
161
193
225
257
289
322
354
386
418
450
482
514
546
578
610
658
690
722
754
Nilai O
SAVI (8
bit)
Hari Ke-‐
Grafik 3 Pola Fenologi Padi Berdasarkan Indeks Vegetasi OSAVI
Masa Tanam
Masa Tanam 2 Masa Tanam
Keterangan
Grafik 4 Pola Fenologi Padi Group B, I, K
Group B
Group I
Group K
Pola Masa …, Naomi Angelia, FMIPA UI, 2016
Berdasarkan kalender tanam yang diperoleh dari Badan Penelitian dan
Pengembangan Pertanian, awal tanam pertama di Kabupaten Pandeglang dimulai
pada minggu pertama bulan November. Awal tanam kedua dimulai pada minggu
pertama bulan Maret. Awal tanam ketiga dimulai pada minggu pertama bulan Juli.
Lahan sawah terlebih dahulu dilakukan pengeringan sebelum sawah siap untuk
diolah. Pengolahan tanah biasanya dilakukan pada minggu pertama atau minggu
kedua dari awal tanam. Sedangkan awal tanam pertama di Kabupaten Lebak dimulai
pada minggu pertama bulan Oktober. Awal tanam kedua dimulai pada minggu
kedua bulan Januari. Dari Tabel 6 dapat dilihat bahwa pada tahun 2014 dan 2015,
sawah yang diwakili group B, group I, dan group K memulai masa tanam pertama
pada tahun 2013. Group Q memulai masa tanam pertama pada akhir tahun 2013.
Tabel 6 Kalender Tanam Berdasarkan MODIS OSAVI
Sumber: Pengolahan Data (2016)
Gro
up
Masa Tanam Padi (MT) 2014
MT1 MT2 MT3 B (2013) - jan (I) feb (I) - mei (I) Palawija I (2013) - jan (II) feb (II) - mei (IV) Palawija K (2013) - jan (III) apr (I) - jul (IV) agus (III) - des (II) Q (2013) - apr (I) apr (II) - agus (II) okt (III) - feb (II) 2015
Gro
up
2015
MT1 MT2 MT3 B okt (II) 2014 - jan (IV) feb (II) - jun (I) Palawija I okt (III) 2014 - jan (IV) feb (I) - mei (I) Palawija K des (III) 2014 - mar (I) mar (II) - jul (II) agus (II) - nov (IV) Q mar (II) - agustus (III) okt (I) - jan (II) 2016 feb (I) 2016 - jun (II) 2016
Grafik 5 Pola Fenologi Padi Group Q
Masa Tanam
Masa Tanam 2 Masa Tanam
Keterangan
Pola Masa …, Naomi Angelia, FMIPA UI, 2016
Kelompok padi group B, I, K, dan
Q menunjukkan masa tanam padi
dalam setahun (Gambar 3). Group B
dan I menunjukkan dua masa tanam
padi, sedangkan group K dan Q
menunjukkan tiga masa tanam padi
Hal ini dapat dilihat dari Gambar 4
warna merah menunjukkan dua kali
panen setahun dan warna hijau
menunjukkan tiga kali panen
setahun. Adapun perbedaan lamanya
masa tanam dari masing-masing
kelompok dikarenakan perbedaan
varietas yang ditanam. Masing-masing varietas memiliki perbedaan umur panen. Namun
pada umumnya varietas padi yang digunakan di Kabupaten Pandeglang dan Kabupaten
Lebak memiliki umur panen dari 110 – 120 hari. Selain itu hal lain yang menyebabkan
perbedaan masa tanam antara group B dan I dengan group K dan Q dikarenakan group K
dan Q merupakan daerah yang paling dekat dengan sumber air.
Gambar 3 Peta Kelompok Padi (Group B, I, K, Q)
Sumber: Pengolahan Data (2016)
Pola Masa …, Naomi Angelia, FMIPA UI, 2016
Sumber air untuk irigasi
sawah berasal dari bendungan dan sungai – sungai yang mengairi Kabupaten Pandeglang
dan Lebak. Terdapat tiga bendungan utama pada Kabupaten Pandeglang, yaitu Situ
Cikedal dan Situ Gongong berada di Kecamatan Cikedal, dan Situ Cukang Sadang
berada di Kecamatan Pagelaran. Arah aliran sungai di Kabupaten Pandeglang dan Lebak
dibedakan menjadi dua, yaitu aliran dari arah timur yang kemudian bermuara di Selat
Sunda dan aliran dari arah utara yang bermuara di Samudera Hindia. Group B dan I
terdapat pada daerah yang cukup jauh dari bendungan dan hanya sebagian kecil
wilayahnya yang dilewati oleh aliran sungai (Gambar 5). Bila dilihat berdasarkan
dengan ketinggian wilayah group B banyak berada pada ketinggian wilayah > 1000
mdpl. Sedangkan group I banyak berada pada ketinggian wilayah 100 – 500 mdpl.
Group K dan Q berada di wilayah rendah dengan ketinggian 0 – 100 mdpl. Perbedaan
ketinggian wilayah mengakibatkan kurangnya sumber air yang digunakan untuk
pertanian. Dimana pada ketinggian 100 – 1000 mdpl sawah yang ada merupakan sawah
tadah hujan yang hanya memanfaatkan air hujan sebagai sumber air untuk mengairi
sawah. Sedangkan sawah irigasi lebih banyak terdapat di ketinggian 0 – 100 mdpl. D. Uji Akurasi
Untuk mengetahui seberapa besar akurat indeks vegetasi OSAVI dalam
menggambarkan fase pertumbuhan tanaman padi, maka dilakukan pengambilan data
Gambar 5 Peta Sumber Air Untuk Irigasi Sawah
Sumber: Pengolahan Data (2016)
Gambar 4 Peta Pengelompokan Berdasarkan Masa Tanam
Sumber: Pengolahan Data (2016)
Pola Masa …, Naomi Angelia, FMIPA UI, 2016
dengan melakukan survei lapangan di Kabupaten Pandeglang dan Kabupaten Lebak.
Survei lapangan dilakukan dengan mengambil titik – titik sampel secara acak bertingkat
pada setiap penggunaan lahan sawah. Dari setiap titik - titik sampel tersebut diperoleh
informasi mengenai, lokasi titik sampel, umur padi, dan varietas yang ditanam. Informasi
tersbut nantinya akan digunakan untuk melihat fase pertumbuhan padi di lapangan,
kemudian akan dibandingkan dengan fase pertumbuhan yang terlihat pada citra MODIS
OSAVI. Dari 41 titik sampel yang diambil pada saat survei lapangan, terdapat 17 titik
sampel yang bertampalan dengan distribusi kelompok padi Group B, I, K, dan Q.
Pengelompokan berdasarkan fase pertumbuhan dilakukan dengan melihat umur padi yang
diperoleh pada saat survei lapangan. Fase vegetatif adalah fase pertumbuhan padi pada
umur 1 – 60 hari setelah tanam. Lamanya fase vegetatif tergantung dengan varietas yang
ditanam. Sedangkan fase generatif adalah fase pertumbuhan padi pada umur setelah 60
hari. Pada fase generatif padi mulai keluar malai dan menguning, sampai akhirnya gabah
matang sempurna.
Dalam penelitian ini uji akurasi temporal dilakukan untuk mengetahui besar
akurasi citra MODIS dengan indeks vegetasi OSAVI dalam menggambarkan pola
masa tanam tanaman padi di Kabupaten Pandeglang dan Kabupaten Lebak. Uji
akurasi dilakukan dengan membuat matriks kesalahan. Akurasi yang dapat dihitung
antara lain User accuracy, producer accuracy dan overall accuracy. Berikut adalah
perhitungan uji akurasi temporal:
Tabel 7 Confusion Matrix
Data Hasil Pengolahan Citra MODIS OSAVI User's
Accuracy
Data Hasil Lapangan
Sampel Vegetatif Generatif Total Vegetatif 15 0 15 100% Generatif 2 0 4 0
Total 17 0 17
Producer's Accuracy 88,23% 0 88,23%
Pola Masa …, Naomi Angelia, FMIPA UI, 2016
Sumber: Pengolahan Data (2016)
Dari Tabel 7 diatas menunjukkan bahwa akurasi temporal dari keseluruhan
penelitian ini sebesar 88,23% dengan tingkat kesalahan sebesar 11,76%. Artinya
88,23% fase pertumbuhan pada hasil lapangan sama dengan fase pertumbuhan pada
citra MODIS OSAVI. Bila diuji akurasi secara spasial, perhitungan akurasi
dilakukan dengan menghitung antara jumlah sampel yang bertampalan dengan
kelompok padi dibagi dengan jumlah sampel keseluruhan yang diambil pada saat
survei lapangan. Hasil perhitungan uji akurasi spasial diatas menghasilkan nilai
sebesar 41,46%, artinya MODIS OSAVI memiliki akurasi sebesar 41,46% dalam
mengidentifikasi pola fenologi tanaman padi.
Kesimpulan Berdasarkan hasil interpretasi citra MODIS dengan indeks vegetasi OSAVI dapat
menggambarkan pola masa tanam padi di Kabupaten Pandeglang dan Kabupaten Lebak.
Pola masa tanam padi menunjukkan waktu awal tanam, fase vegetatif, fase generatif dan
waktu panen. Terdapat 2 pola masa tanam di kedua kabupaten ini, yaitu masa tanam
dengan 2 kali panen setahun (Group B dan Group I) dan masa tanam dengan 3 kali
panen setahun (Group K dan Group Q). Masa tanam dengan 2 kali panen dimulai dari
Oktober – Januari, dan Februari – Mei. Sedangkan masa tanam dengan 3 kali panen
dimulai dari Desember – Maret, April – Juli, dan Agustus – November. Adapun
perbedaan masa tanam di Kabupaten Pandeglang dan Kabupaten Lebak dikarenakan
irigasinya yang banyak di dataran rendah dibandingkan di dataran tinggi yang hanya
memanfaatkan hujan sebagai sumber air untuk pertaniannya.
Estimasi produksi padi dengan indeks vegetasi OSAVI menghasilkan nilai
sebesar 795.143,5 ton dan bila dibandingkan dengan data dari BPS memiliki akurasi
sebesar 66,15% untuk estimasi luas panen serta 65,40% untuk estimasi produksi.
Adapun perbedaan dalam perhitungan estimasi luas panen dan luas produksi padi yang
berbeda dari BPS dikarenakan resolusi spasial MODIS 1 pikselnya sebesar 250m x
250m. Sehingga lahan sawah yang memiliki luas kurang dari 250m x 250m akan
terindentifikasi sebagai tutupan lahan lain. Pola masa tanam di kedua kabupaten ini telah
diuji akurasi dengan menggunakan confussion matrix antara fase yang terlihat pada citra
Pola Masa …, Naomi Angelia, FMIPA UI, 2016
MODIS dengan aktual di lapangan dan menghasilkan taraf akurasi keseluruhan sebesar
88,23%.
Daftar Referensi Badan Pusat Statistik. (2011). Produksi padi, jagung, dan kedelai Angka Ramalan III (ARAM III) tahun 2011.
Berita Resmi Statistik No. 69/11/Th. XIV, 1 November 2011. Jakarta: Badan Pusat Statistik. http://bps.go.id/website/brs_ind/brsInd-20141008154626.pdf Diakses tanggal 15 November 2015 pukul 20:51 WIB
Domiri, D. D., Adhyani, N. L., & Nugraheni. (2005). Model Pertumbuhan Tanaman Padi menggunakan Data MODIS untuk Pendugaan Umur Padi Sawah. Pertemuan Ilmiah
Tahunan MAPIN XIV (hal. 17-24). Surabaya: LAPAN.
Emyati. (2012). Identifikasi Pola Tanam Padi Sawah Menggunakan Data Modis Multitemporal di Kabupaten Kebumen. Jurnal INDERAJA Vol.III, 4-9. Pusat Pemanfaatan Penginderaan Jauh LAPAN, Jakarta.
Mosleh, Mostafa K., Hassan, Q. K., Chowdhury, E. H., Application of Remote Sensors in Mapping Rice Area and Forecasting Its Production: A Review. (2014). Department of Geomatics Engineering, Schulich School of Engineering, University of Calgary.
Rondeaux, G., M. Steven, and F. Baret. "Optimization of Soil-Adjusted Vegetation Indices." Remote Sensing of Environment 55 (1996): 95-107.
Sari, D.K., Ismullah, I.H., Suladi, W.N., dan Harto, A.B., (2010). “Detecting Rice Phenology in Paddy Fields with Complex Cropping Pattern Using Time Series MODIS Data A Case study of Northern Part of West Java – Indonesia”, ITB Journal of Science, 42 A, No. 2, pp. 91-106.
Sudiana, D., Diasmara, E., (2008). Analisis Indeks Vegetasi Menggunakan Data Satelit NOAA/AVHRR dan Terra/Aqua MODIS. Seminar on Intellogent Technology and Its Applications 2008. Depok.
Undang – Undang RI No. 7 Tahun 1996 Tentang Pangan
Wahyunto, & Hikmatullah. (2006). Menduga Produksi Padi dengan Teknologi Citra Satelit. Bogor: Balai Besar Litbang Sumberdaya Lahan Pertanian.
Zubaidah, A., Dede D., Junita.M, Dini Oktavia A., (2012). “Pemantauan Fase Pertumbuhan Tanaman Padi Sawah Menggunakan Data MODIS Wilayah Provinsi Banten dan Jawa Barat”. Jurnal INDERAJA Vol.3 No.5 Desember 2012. LAPAN, Jakarta.
Recommended