cover depan dan belakang -...
TRANSCRIPT
2014
Pusat Pemanfaatan
Penginderaan Jauh
LAPAN
PEMANFAATAN DATA INDERAJA UNTUK
PEMANTAUAN FASE PERTUMBUHAN
TANAMAN PADI(STUDI KASUS PULAU
SULAWESI)
LAPORAN AKHIR KEGIATAN
TAHUN ANGGARAN 2014
PENELITIAN DAN PENGEMBANGAN PEMANFAATAN
DATA INDERAJA UNTUK PEMANTAUAN
FASE PERTUMBUHAN TANAMAN PADI
(STUDI KASUS PULAU SULAWESI)
LEMBAGA PENERBANGAN DAN ANTARIKSA NASIONAL
PUSAT PEMANFAATAN PENGINDERAAN JAUH
Jakarta 2014
ii Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi)
PENELITIAN DAN PENGEMBANGAN PEMANFAATAN
DATA INDERAJA UNTUK PEMANTAUAN
FASE PERTUMBUHAN TANAMAN PADI
(STUDI KASUS PULAU SULAWESI)
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:
Dr. Ir. Dede Dirgahayu, M.Si, Heru Noviar, S.Si, M.Si,
Silvia Anwar, ST, Krisna Indriawan
Editor, Penyunting, Desain, dan Layout:
Muhammad Priyatna, S.Si., MTI.
Jakarta, Desember 2014
Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi)
iii
RINGKASAN KEGIATAN
Produksi padi setiap tahunnya mengalami fluktuasi akibat adanya perubahan iklim.
Beberapa bencana yang diakibatkan oleh perubahan iklim adalah kekeringan,banjir, serta
serangan hama dan penyakit atau organisme pengganggu tanaman (OPT) di lahan sawah
terutama di Pulau Jawa yang merupakan pemasok terbesar produksi padi nasional.
Pemahaman masyarakat akan perubahan iklim perlu ditumbuhkan untuk meminimalisir
kerugian yang ditimbulkannya.
Iklim merupakan salah satu faktor eksternal yang mempengaruhi proses
pertumbuhan dan perkembangan tanaman padi disamping faktor internal (genetik). Salah
satu unsur cuaca atau iklim yang mempengaruhi pertumbuhan tanaman padi adalah curah
hujan sebagai pemasok air bagi tanaman padi yang mutlak diperlukan dalam pertumbuhan
dan perkembangannya. Oleh karena itu informasi curah hujan sangat diperlukan guna
mengoptimalisasikan penggunaan air pada setiap fase pertumbuhan padi untuk dapat
mencapai tingkat produksi yang maksimal.
Data satelit penginderaan jauh yang memiliki cakupan luas dan resolusi tinggi dapat
dimanfaatkan untuk mendukung program ketahanan pangan nasional. Beberapa hal yang
dapat dilakukan dengan data satelit penginderaan jauh adalah menghitung luas lahan
sawah, fase tanam/Tingkat Kehijauan Vegetasi (TKV), curah hujan, dan prediksi banjir serta
kekeringan.
Tujuan dari penelitian ini adalah untuk mengembangkan model identifikasi dan
menduga fase pertumbuhan dan umur tanaman padi sawah di Pulau Sulawesi berdasarkan
data MODIS dari satelit Terra/Aqua. Parameter utama yang digunakan adalah Indeks
Vegetasi menggunakan metode EVI (Enhanced Vegetation Index) dari data satelit
Terra/Aqua MODIS. Hasil dari penelitian ini diharapkan akan bermanfaat untuk masyarakat,
Pemerintah, dan dunia usaha dalam rangka mendukung Ketahanan Pangan nasional.
Untuk mencapai tujuan tersebut tahap pertama dibangun model deteksi tanaman
padi pada areal lahan sawah, kedua dibuat model fase pertumbuhan tanaman padi sawah.
Berdasarkan model-model tersebut, dapat diduga fase dan umur tanaman padi. Selanjutnya
iv Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi)
dapat dilakukan prediksi luas panen berdasarkan estimasi umur tanaman padi serta
estimasi produktivitas tanaman padi.
Hasil pengolahan data reflektansi dari MODIS 8 harian selama periode 2010 s/d 2012
menjadi nilai indek vegetasi (EVI ) dapat diperoleh profil pertumbuhan tanaman padi pada
periode tersebut untuk setiap piksel. Karakteristik tanaman padi yang dapat dideteksi
antara lain : memiliki 1 hingga 3 puncak, setiap kurva terjadi selama selang waktu 112-120
hari, EVI maksimum > 0.40, EVI minimum < 0.15 (fase air), selisih EVI maksimum dan EVI
minimum (saat tanam) berada pada > 0.30. Dengan menggunakan nilai-nilai tersebut
diatas, maka pada lahan sawah dapat dikelompokkan antara tanaman padi dan yang bukan
tanaman padi.
Hasil analisis spasial dan regresi terhadap data di Kabupaten Maros, Pare-Pare,
Pinrang, Sidrap, dan Wajo, Provinsi Suulawesi diperoleh 7 model pertumbuhan (berbentuk
pangkat 3 atau kubik) untuk tanaman padi yang memiliki nilai kisaran EVI maksimum 0.45-
0.50; 0.51-0.55; 0.56-0.60; 0.61-0.65; 0.66-0.70, dan >0.7 untuk setiap fase vegetatif dan
generatif. Tiga kelas yang dominan di Provinsi Sulawesi Selatan adalah kelas EVI Maksimum
0.56-0.60; 0.61-0.65
Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi)
v
PRAKATA
Berkat Rahmat Allah S.W.T laporan akhir tahun 2014 penelitian kami yang berjudul
“PENELITIAN DAN PENGEMBANGAN PEMANFAATAN DATA INDERAJA UNTUK
PEMANTAUAN FASE PERTUMBUHAN TANAMAN PADI (STUDI KASUS PULAU SULAWESI) “
dapat diselesaikan dengan baik.
Kami ucapkan terima kasih kepada para struktural eselon III, yaitu Bpk DR. Bambang
Trisakti, selaku Kabid SDWD Kapusfatja yang telah mendukung kegiatan penlitian ini.
Terima kasih pula kami sampaikan kepada para pejabat struktural eselon I, II, dan III di
lingkungan Kedeputian Penginderaan Jauh yang telah memberikan pengarahan, bimbingan
dan bantuan kepada kami, sehingga penelitian ini dapat berjalan dengan lancar. Kami
mengharapkan banyak masukan dari para narasumber untuk perbaikan laporan penelitian
ini, sehingga tujuan dan sasaran penelitian dapat tercapai pada laporan akhir nanti.
Jakarta, Desember 2014
Atas nama tim
Peneliti Utama
vi Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi)
DAFTAR ISI
RINGKASAN KEGIATAN iii PRAKATA vi DAFTAR ISI vii DAFTAR TABEL ix
DAFTAR GAMBAR ix
I. PENDAHULUAN 1
1.1.Latar Belakang 1
1.2. Perumusan Masalah 1
1.3. Kerangka Pemikiran 2
1.4.Hipotesis 3
1.5.Asumsi 4
II. TUJUAN DAN SASARAN PENELITI 5
2.1.Tujuan 5
2.2. Sasaran 5
2.3.ManfaatKegiatan 5
2.4. Ruang Lingkup Kegiatan 6
III. TINJAUAN PUSTAKA 7
3.1.Tahapan Pertumbuhan Tanaman Padi 7
3.2.Kronologis Penelitan Pemanfaatan Inderaja untuk Pemantauan Pertumbuhan
padi
7
IV. METODOLOGI 11
4.1. Data dan Alat 11
4.2. Metode Penelitian 11 4.2.1. Kriteria dan cara pengambilan sample 12 4.2.2. Pembuatan Profil Pertumbuhan Tanaman Padi 13 4.3. Analisis Statistik 18
4.3.1Model Pertumbuhan Tanaman Padi 18
4.4. Survey Lapangan 19
V. HASIL DAN PEMBAHASAN 20
5.1. Analisis Data EVI Multitemporal pertumbuhan padi di Sulawesi Selatan 20
5.2. Model Pertumbuhan Tanaman Padi 21
5.2. Aplikasi Model Pertumbuhan Tanaman Padi untuk Menduga Umur Padi 36
VI. KESIMPULAN DAN SARAN 40
6.1. Kesimpulan 40
6.2. Saran 40
DAFTAR PUSTAKA 41
LAMPIRAN 44
1 Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi)
I. PENDAHULUAN
1.1. Latar Belakang
Peningkatan produksi tanaman pangan khususnya tanaman padi perlu dilakukan oleh
pemerintah untuk mencapai swasembada pangan. Karena berdasarkan UU RI tahun No.
7 tahun 1996, dinyatakan bahwa ketahanan pangan adalah kondisi terpenuhinya pangan
bagi rumah tangga yang tercerminimum dari tersedianya pangan yang cukup, baik jumlah
maupun mutunya, aman, merata, dan terjangkau. Namun produksi padi disuatu negara
setiap tahunnya dapat mengalami fluktuasi akibat adanya bencana kekeringan dan
kebanjiran di lahan sawah. Bencana tersebut juga dapat terjadi Pulau Jawa yang
merupakan daerah pemasok terbesar produksi padi nasional. Dengan demikian perlu
adanya upaya yang dilakukan untuk mencapai swasembada pangan, yang salah satunya
adalah dengan melakukan pemantauan terhadap kondisi pertanaman padi di Pulau Jawa.
Dengan adanya pemantauan tersebut diharapkan pemerintah dapat segera mengambil
tindakan yang diperlukan dalam menjaga dan meningkatkan produksi padi nasional.
Salah satu metode pemantauan tanaman padi yang dapat dilakukan adalah dengan
memanfaatkan data satelit penginderaan jauh. Data satelit yang dapat digunakan untuk
pemantauan tanaman padi dengan cakupan wilayah yang luas dan temporal yang tinggi
adalah data MODIS dari satelit TERRA-AQUA. Dari data MODIS dapat diekstrak nilai indeks
vegetasi EVI (Enhanced Vegetation Index) seperti yang pernah dilakukan oleh Huete, et.al
(1997). Dengan menggunakan nilai EVI secara temporal diharapkan dapat dilihat dan
dicirikan fluktuasi pertumbuhan tanaman padi.
1.2 Perumusan Masalah
Berdasarkan UU RI No. 7 tahun 1996, Ketahanan Pangan adalah kondisi terpenuhinya
pangan bagi rumah tangga yang tercermin dari tersedianya pangan yang cukup, baik
jumlah maupun mutunya, aman, merata, dan terjangkau.Untuk mencapai kondisi
Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi) 2
tersebut, pemerintah terus berupaya untuk meningkatkan produksi tanaman pangan
khususnya tanaman padi.
Produksi padi setiap tahunnya mengalami fluktuasi akibat adanya perubahan
iklim.Beberapa bencana yang diakibatkan oleh perubahan iklim adalah dengan adanya
bencana kekeringan dan kebanjiran di lahan sawah terutama di Pulau Jawa yang
merupakan pemasok terbesar produksi padi nasional. Pemahaman masyarakat akan
perubahan iklim perlu ditumbuhkan untuk meminimalisir kerugian yang ditimbulkannya.
Iklim merupakan salah satu faktor eksternal yang mempengaruhi proses pertumbuhan
dan perkembangan tanaman padi disamping faktor internal (genetik). Salah satu unsur
cuaca atau iklim yang mempengaruhi pertumbuhan tanaman padi adalah curah hujan
sebagai pemasok air bagi tanaman padi yang mutlak diperlukan dalam pertumbuhan dan
perkembangannya.Oleh karenanya informasi curah hujan sangat diperlukan guna
mengoptimalisasikan penggunaan air pada setiap fase pertumbuhan padi untuk dapat
mencapai tingkat produksi yang maksimal.
1.3. Kerangka Pemikiran
Data satelit penginderaan jauh yang memiliki cakupan luas dan resolusi tinggi dapat
dimanfaatkan untuk mendukung program ketahanan pangan nasional.Beberapa hal yang
dapat dilakukan dengan data satelit penginderaan jauh adalah menghitung luas lahan
sawah, fase tanam/Tingkat Kehijauan Vegetasi (TKV), curah hujan, dan prediksi
banjir/kekeringan (Gambar 1-1).
3 Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi)
Gambar 1-1. Peran data penginderaan jauh dalam mendukung informasi yang diperlukan untuk
Ketahanan Pangan.
1.4. Hipotesis
Untuk penelitian ini, hipotesis yang diambil adalah:
� Kondisi pertumbuhan tanaman padi sawah dapat dideteksi menggunakan nilai-
nilai EVI. Kurva nilai-nilai EVI selama masa pertumbuhan tanaman padi sawah
mengikuti pola kurva normal. Dalam kondisi normal, puncak kurva
menggambarkan puncak fase pertumbuhan vegetatif, kemudian kurvanya
menurun sejalan dengan fase pertumbuhan generatif, karena tingkat
kehijauannya berkurang. Apabila terjadi gangguan terhadap pertumbuhan
tanaman padi, maka dapat diketahui berdasarkan perubahan pola kurva nilai EVI-
nya.
� Kondisi pertumbuhan tanamaan padi bisa berbeda,walaupun varietas dan
perlakuan budidaya sama, karena perbedaan kondisi lahan dan cuaca selama
pertumbuhan tanaman. Pertumbuhan vegetatif ditandai dengan perubahan
Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi) 4
posititif dari Indeks Vegetasi. Sebaliknya perkembangan tanaman pada fase
generatif diindikasikan dengan perubahan negatif dari Indeks vegetasi.
1.5. Asumsi
Perbedaan kondisi pertumbuhan tanaman akibat perbedaan varietas, kondisi kualitas
lahan dan lingkungan atmosfir ditunjukkan oleh perbedaan nilai EVI Maksimum yang
dapat dicapai tanaman padi selama pertumbuhan vegetatif.
5 Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi)
II. TUJUAN dan SASARAN PENELITIAN
2.1 Tujuan
Tujuan umum penelitian ini adalah membangunmodel spasial fase/umur pertumbuhan
tanaman padi untuk memprediksi waktu dan luas panen tanaman padi menggunakan
data satelit penginderaan jauh MODISTerra/Aqua.
Tujuan khusus kegiatan ini adalah
1. Melakukan pemantauan pertumbuhan tanaman (fase tanaman) di lahan sawah
dengan menggunakan data satelit penginderaan jauh, terutama di Pulau Sulawesi
2. Mengembangkan model pemantauan pertumbuhan lahan sawah dengan data
penginderaan jauh, di luar Jawa, antara lain pulau Sulawesi.
3. Menyampaikan informasi hasil pemantauan pertumbuhan tanaman dan potensi
gangguannya kepada instansi terkait baik secara langsung maupun lewat website.
2.2 Sasaran
Sasaran kegiatan ini adalah sebagai berikut:
1. Tersedianya hasil pemantauan pertumbuhan tanaman (fase tanaman) di lahan
sawah dengan menggunakan data satelit penginderaan jauh
2. Disampaikannya informasi hasil pemantauan pertumbuhan tanaman dan potensi
gangguannya kepada instansi terkait baik secara langsung maupun lewat website.
Keluaran kegiatan ini adalah sebagai berikut:
1. Informasi pertumbuhan tanaman (fase tanaman) di lahan sawah 8-harian dan
bulanan
2. Pengembangan model pemantauan pertumbuhan dan produksi lahan sawah
dengan data penginderaan jauh
3. Dokumen teknis laporan kegiatan
4. Paper ilmiah
2.3. Manfaat Kegiatan
Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi) 6
Kegiatan ini dapat digunakan sebagai
1. Mengetahui kondisi lahan sawah dan potensi gangguannya dapat digunakan
sebagai rekomendasi untuk menghindari kegagalan panen di lahan sawah
2. Sebagai acuan pemerintah melalui BPS dan Departemen Pertanian dalam
menyusun angka ramalan produksi padi
3. Rekomendasi pemberian air dan pupuk yang optimal berdasarkan perubahan
umur tanaman padi
2.4. Ruang Lingkup Kegiatan :
Lingkup kegiatan yang akan dikerjakan dalam kegiatan ini adalah sebagai berikut:
1. Pengolahan data lanjut dan standar
2. Pengolahan data untuk mendapatkan fase pertumbuhan tanaman
3. Pengolahan indek vegetasi dan curah hujan
4. Pengolahan data untuk prediksi curah hujan bulanan
5. Pembuatan peta dan informasi kondisi lahan sawah
6. Pengembangan model pemantauan
7. Survey lapangan
8. Validasi model
9. Upload informasi ke dalam website
10. Penyampaian informasi secara langsung ke BPS dan Deptan
7 Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi)
III. TINJAUAN PUSTAKA
3.1. Tahapan Pertumbuhan Tanaman Padi
Tanaman Padi mengalami beberapa kondisi / fase selama pertumbuhannya,
antara lain fase tebar-tanam, vegetatif, generatif-panen, dan bera. Secara detil
tahapan pertumbuhan tanaman padi adalah sebagai berikut :
1. tahap perkecambahan (20 - 17 hari sebelum tanam)
2. tahap bibit (17 - 4 hari sebelum tanam)
3. tahap anakan (2 -20 hari setelah tanam /hst)
4. tahap pemanjangan batang (22 - 32 hst)
5. tahap inisiasi malai (32 - 42 hst)
6. tahap perkembangan malai (40 - 52 hst)
7. tahap pembungaan (52 - 62 hst)
8. tahap pengisian biji (62 - 74)
9. tahap pengerasan biji (70 - 82 hst)
10. tahap biji masak (80 - 96 hst)
Pada fase tebar-tanam hingga tahap anakan didominasi oleh air selama sekitar 20 hari
Pada fase vegetatif dan generatif didominasi oleh tajuk tanaman dengan tingkat
kehijauan dan kerapatan yang berbeda yang berlangsung selama 80-90 hari
tergantung jenis varietasnya. Setelah itu tanaman padi dipanen dan diberakan selama
beberapa hari tergantung ketersediaan air.
3.2. Kronologis Penelitan Pemanfaatan Inderaja untuk Pemantauan Pertumbuhan padi
Sampai saat ini telah dihasilkan dan diterapkan beberapa metode yang digunakan
dalam mengumpulkan dan mengestimasi, luas tanam dan luas panen serta produksi padi
sawah. Badan Pusat Statistik bersama-sama Departemen Pertanian misalnya, selama
bertahun-tahun secara rutin dan periodik, telah menerapkan metode pelaporan lengkap
dalam menghasilkan angka luas tanam dan luas panen, serta metoda sampling “ubinan”
dalam menduga produktivitas padi menurut wilayah. Angka yang dilaporkan oleh para
Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi) 8
petugas mantri statistik dan mantri tani didasarkan pada tingkat pengetahuan mereka
tentang wilayah kecamatan masing-masing, oleh karena itu semakin kurang pengetahuan
petugas terhadap kecamatannya maka semakin rendah pula akurasi data yang
dilaporkannya demikian pula sebaliknya.Satu kecamatan dipantau oleh masing-masing
satu orang mantri tani dan satu orang mantri statistik.
Prediksi luas panen tanaman padi di Indonesia telah dilakukan oleh berbagai
instansi, antara lain oleh Badan Pusat Statistik atau BPS, Badan Urusan Logistik atau
BULOG (Mulyana et al, 1998), Departeman Pertanian (Napitupulu, 1998), dan LAPAN
(Dirgahayu, 1999). Peramalan luas panen dapat dibagi menjadi dua kelompok
berdasarkan metodologi yang digunakan. Kelompok pertama didasarkan pada metodologi
pengumpulan data secara berjenjang dengan struktur organisasi yang dimiliki, yaitu dari
tingkat desa, kecamatan, kabupaten, propinsi sampai pada tingkat nasional sehingga
informasi yang tekumpul memerlukan waktu yang cukup lama dan pelaksana yang cukup
banyak pada setiap jenjang. Lembaga yang mengembangkan teknik ini antara lain Badan
Pusat Statistik (BPS). Departemen Pertanian (DEPTAN), dan Badan Urusan Logistik
(BULOG).
Kelompok kedua lebih menekankan pada penggunaan citra atau peta dengan bantuan
teknologi penginderaan jauh sebagai dasar pendugaan areal produksi padi dan
pemantuan kondisi pertumbuhan serta masa panen tanaman padi. Kelompok yang
mengembangkan teknik ini antara lain Lembaga Penerbangan dan Antariksa Nasional
(LAPAN) dan Pusat Penelitian Tanah dan Agroklimat (Puslitanak).
Sebagian besar penelitian aplikasi inderaja terhadap tanaman padi adalah tentang
estimasi produktivitas dan jarang yang memprediksi luas panennya berdasarkan
pendugaan umur.Dirgahayu (2004) telah melakukan penelitian pendugaan umur tanaman
padi menggunakan data Landsat 7 ETM.Ekstraksi nilai reflektansi 7 kanal Landsat 7 ETM
dilakukan pada blok-blok tanam lahan sawah PT. Sang Hyang Seri, Subang, Jawa Barat.
Setiap blok memiliki jadwal tanam dan varietas padi yang berbeda, sehingga rata-rata
nilai reflektan tanaman padi pada umur yang berbeda dapat diketahui hanya dengan
menggunakan satu tanggal data Landsat 7 ETM. Penelitian menghasilkan 2 model
9 Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi)
pertumbuhan tanaman padi dalam bentuk spline kubik, baik pada fase vegetatif dan
generatif.Sejak bulai Mei 2003, data Landsat 7 ETM mengalami kerusakan (SLC-Off),
sehingga penelitian ini perlu dilakukan untuk tujuan pemantauan fase pertumbuhan dan
perkembangan tanaman padi menggunakan data MODIS (Moderate Resolution Imaging
Spectroradiometer).Data MODIS dibawa oleh satelit Terra/Aqua yang memiliki 7 kanal
spektral dengan resolusi 250 m dan 500 m serta frekuensi pengamatan harian cukup
andal digunakan untuk memantau pertumbuhan tanaman pangan, terutama padi.
Satelitini mulai operasioal sejak tanggal 18 Desember 1999 (Terra) dan 4 Mei 2002
(Aqua).LAPAN baru mampu merekam data satelit ini sejak Agustus 2004, sehingga perlu
dilakukan pengkajian dan penelitian untuk pengolahan data MODIS dan pemanfaatannya
dalam berbagai aspek aplikasi.Permasalahan yang belum bisa dieliminasi adalah
identifikasi pola tanam yang dilakukan di lapangan, terutama jika dilakukan kegiatan
pemantauan kondisi lahan dan tanaman setiap bulan.Selama ini model yang diterapkan
dengan asumsi bahwa semua lahan sawah ditnaami tanaman padi, padahal kenyataannya
tidak, terutuma pada periode musim kemarau (Mei – September).
Kustiyo (2003) melakukan penelitian tentang model estimasi fase tumbuh dan luas
panen padi sawah dengan menggunakan data Landsat-7. Hasil analiis menunjukkan
bahwafase 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. Hasil lebih baik jika dilakukan 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%. Dirgahayu dan Parwati (2007) telah
melakukan penelitian untuk menduga umur tanaman padi menggunakan Reflektansi
Landsat 7 dengan hasil cukup baik, sehingga dengan 1 data tunggal Landsat 7 dapat
membuat sebaran spasial umur padi.
Hasil penelitian pengembangan model pertumbuhan tanaman padi menggunakan
data EVI Modis multitemporal yang dilakukan oleh Dirgahayu (2010) di Karawang,
Subang, Indramayu Cirebon dan Kuningan menunjukkan bahwa nilai maksimum indek
Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi) 10
vegetasi (EVI = Enhance Vegetation Index) tanaman padi di pulau Jawa berbeda-beda
pada setiap wilayah sehingga untuk memetakan umur padi secara spasial harus
menggunakan 6 model fase pertumbuhan, baik dalam fase vegetatif maupun generatif.
Jadi agar lebih akurat maka harus digunakan 12 model untuk estimasi umur pada setiap
piksel berdasrkan kelas EVI Maksimum.
Nuarsa, et al., 2010 melakukan penelitian tentang “Pengembangan Model Empiris
Untuk Pemetaan Sebaran Padi Dengan Data Landsat Etm + Multi-Temporal 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+. Band 1, Band 2, dan Band 3 menunjukkan hubungan yang lemah
denganumur padi , karena koefisienya korelasinya rendah dan tidak nyata hasil ujinya.
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 padi. Hasil penelitian menunjukkanbahwa indeks
RGVImemberikan hubungan terbaik dengan koefisien R2 yang tinggi, diikuti dibandingkan
indek-indeks yang lain seperti TVI, NDVI, SAVI,IPVI, DVI, dan RVI
11 Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi)
IV. METODOLOGI
4.1. Data dan Alat
Data yang digunakan dalam penelitian adalah:
• Data satelit Terra/Aqua MODIS, 8-harian, 2007-2010 (sumber: LAPAN).
• Luas baku spasial lahan sawah (sumber: Departemen Pertanian dan LAPAN)
• Data jadwal tanam dan produksi padi (sumber: Departemen Pertanian)
• Data kekeringan (sumber: Departemen Pertanian)
• Data statistik tanaman padi (sumber: BPS)
Alat yang digunakan adalah perangkat lunak pengolahan citra, seperti ErMapper 7.0
ERDAS Imagine dan Arcview. Untuk menampilkan profil Indek Vegetasi dan hujan secara
interaktif serta analisis statistik data multitemporal, maka dibuat program aplikasi khusus
menggunakan perangkat lunak Visual C++, IDL 8.2 dan Visuall Basic VB6.0
4.2. Metode Penelitian
Tahapan penelitian yang dilakukan dalam penelitian ini secara garis besar terdiri
dari 2 tahap. Tahapan tersebut dapat dilihat pada diagram alir Gambar4-1 dan alir
Gambar 4-2 .
Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi) 12
4.2.1. Kriteria dan cara pengambilan sample
Gambar 4-1. Diagram alir metode penelitian
13 Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi)
4.2.2. Pembuatan Profil Pertumbuhan Tanaman Padi
Pertumbuhan tanaman padi dari mulai tanam (0 HST) hingga panen (120 HST)
dapat ditunjukan dengan perubahan tingkat kehijauan atau indeks vegetasi (EVI) selama
pertumbuhan dalam bentuk grafik atau profil EVI terhadap terhadap waktu. Untuk
membuat profil Indeks Vegetasi memerlukandua tahap kegiatan, yaitu pertama
penentuan area tanaman padi seperti yang digambarkan dalam Gambar 4-1. dan yang
kedua ektraksi statistik nilai EVI pada area tertentu yang memiliki kesamaan waktu tanam
dan klasifikasi lahan sawah padi seperti yang dapat dilihat pada Gambar 4-2.
Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi) 14
Gambar 4-2. Diagram alir metode penentuan Tanaman Padi dan non padi di lahan sawah
i
15 Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi)
Data yang dikumpulkan adalah data reflektan MODIS 8 harian dari tahun 2007-
2009. Kemudian dilakukan koreksi geomterik dan mozaiking dengan menggunakan
software MODIS tool dan ER-MAPPER. Setelah itu dilakukan pemisahan awan dengan
menggunakan software ER-MAPPER. Setelah data MODIS dikoreksi kemudian dilakukan
ektraksi nilai EVI dari data tersebut sehingga diperoleh data raster indeks vegetasi (IV)
MODIS 8 harian dari tahun 2007 sampai dengan 2009. Rumus yang digunakan untuk
ektraksi EVI yaitu (Huete, 1997):
xGLrCrCr
rrEVI
BluedNIR
dNIR
+−+
−=
2Re1
Re
... (1)
dimana L=1, C1 = 6, C2 = 7.5, and G (gain factor) = 2.5.
Kemudian data raster tersebut diperhalus (smoothing) untuk menghilangkan noise
(teutama awan) agar diperoleh profil EVI yang halus. Smoothing yang dilakukan adalah
dengan menggunakan moving median 3 dan rata-rata. Artinya setiap tiga data dicari nilai
mediannya kemudian dirata-ratakan. Kemudian hasil dari smoothing tersebut dioverlay
dengan lahan baku sawah dari data landsat sehingga diperoleh profil IV per piksel.
Selanjutnya dibuat program untukmenghitung parameter pertumbuhan tanaman
padi agar dapat membedakan tanaman padi dengan objek lainnya. Program tersebut
menghitung nilai minimum, maksimum, letak minimum, serta letak maksimum dari seri
data yang terkumpul. Dari nilai-nilai tersebut dapat dihitung awal tanam, panen dan nilai
statistiknya seperti nilai rata-rata, kovarian, slope dan skewness. Nilai-nilai tersebut dapat
dimanfaatkan dalam pengolahan data lebih lanjut untuk menentukan obyek yang diduga
tanaman padi. Jika IV dari EVI maksimum > 0.45, selisih EVI maksimum dan minimum
>0.35 dan rasio dari IV generatif dengan vegetatif > 0.75 maka areal tersebut merupakan
tanaman padi dan selainnya bukan tanaman padi.
Setelah tahap penentuan areal tanaman padi dilakukan tahap selanjutnya yaitu
penurunan model pertumbuhan tanaman padi. Tahapan pembuatan model pertumbuhan
tanaman padi dapat dilihat pada Diagram alir Gambar 4-3.
Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi) 16
Gambar 4-3. Diagram Alir Model Pertumbuhan Tanaman Padi
Keterangan Gambar:
17 Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi)
HST : Hari setelah tanam
EVI_ tanam : EVI saat tanam (0 HST) yang diperoleh dari 8 data EVI 8 harian
sebelum terjadinya EVI Maksimum
Letak Maksimum (LM) : letak data EVI saat terjadinya EVI maksimum (padi
berumur 60 HST)
EVI_Mx -Tnm : adalah nilai EVI maksimum dikurangi EVI saat tanam
Max-Tnm_id : adalah nilai kelas EVI maksimum dikurangi nilai EVI saat tanam
Max_id : adalah nilai kelas EVI maksimum
AT_id : adalah waktu awal tanam = LM – 8
Swh_id :adalah kelas padi yang diperoleh dari kelas nilai EVI maksimum
dikurangi nilai EVI saat tanam ditambah dengan tiga kali dari
pengurangan kelas EVI maksimum dengan 1
Padi_id :kelas padi dijumlah dengan 18 yang dikalikan dengan
pengurangan AT_id dengan 1
Dengan menggunakan parameter tanaman padi yang diperoleh kemudian
diturunkan model fase pertumbuhan. Untuk membuat model fase pertumbuhan tanaman
padi sebelumnya dilakukan rekode Citra EVI_Maksimum menjadi 6 kelas (Maksimum_Id),
rekode Citra Maksimum-Tanam menjadi 3 kelas (Mx-Tn_Id), overlay matriks antara
Maksimum_Id dengan Mx-Tn_Id untuk membuat citra Klasifikasi Padi sawah sebanyak 18
kelas.
Nilai atribut klasifikasi sawah (Swh_Id) dihitung dengan formula :
Swh_Id = Mx-Tn_Id + 3*( Maksimum_Id – 1) ... (2)
dimana: Swh_Id = Kelas padi
Mx-Tn_Id = Kelas EVI maksimum dikurang EVI saat tanam
Maksimum_Id = Kelas EVI maksimum
Selanjutnya klasifikasi tersebut dikonversi menjadi poligon. Ektraksi informasi awal tanam
padi dilakukan berdasarkan waktu terjadinya EVI Maksimum atau Letak Maksimum (LM).
EVI maksimum diasumsikan terjadi ketika padi berumur 60 HST (Hari Setelah Tanam),
yaitu setelah pembungaan dan saat terbentuknya bulir gabah. Dengan demikian awal
tanam (AT) padi pada data EVI 8 harian dapat diketahui dengan formula :
AT = LM – 60/8 = LM – 8 ... (3)
dimana: AT = awal tanam
LM = letak maksimum
Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi) 18
Selanjutnya citra AT dikonversi menjadi poligon. Untuk membuat profil pertumbuhan
tanaman padi EVI multitemporal berdasarkan piksel-piksel yang relatif homogen, maka
data EVI tersebut harus diekstrak berdasarkan poligon yang memiliki kelas padi dan awal
tanam yang sama. Poligon tersebut dapat terbentuk dengan cara mengoverlay vektor
poligon Klasifikasi Padi dengan nilai atribut Klas_id dan vektor polgon awal tanam (AT)
menggunakan Software ArcView. Nilai atribut padi (Padi_Id) dihitung dengan formula sbb
:
Padi_id = Swh_id + 18*(AT_id – 1 ) ... (4)
dimana : Padi_id = nilai atribut padi
Swh_id = nilai atribut kelas padi
AT_id = nilai atribut awal tanam (Julian date )
Selanjutnya vektor poligon tersebut dikonversi menjadi Region Raster oleh SW ErMapper
ke file EVI Multitemporal untuk dihitung nilai statistiknya (Mean dan Std) pada setiap
region dengan atribut Padi_Id. Kemudian dilakukan tabulasi nilai EVI berdasarkan umur
yang sama sehingga diperoleh profil EVI setiap kelas padi. Lalu dilakukan analisis regresi
sehingga dihasilkan model pertumbuhan tanaman padi.
4.3. Analisis Statistik
Analisis statistik yang digunakan untuk mengetahui hubungan antara EVI dengan
umur tanaman padi serta ketersediaan air dengan fase pertumbuhan adalah analisis
regresi dan korelasi. Analisis regresi dan korelasi akan dilakukan baik secara spasial
maupun temporal. Model regresi dalam analisis secara temporal akan ditentukan setelah
hasil ekstraksi data diplotkan dalam bentuk grafik serta setelah mengetahui hasil analisis
statistik.
4.3.1. Model Pertumbuhan Tanaman Padi
Time series EVI dari hasil ploting setiap training area dianalisis untuk menentukan
saat terjadinya fase vegetatif maksimum (60 hari), awal tanam, dan akhir tanam (fase
bera), sehingga dapat diketahui korespondensi antara umur tanaman padi dengan kisaran
nilai EVI serta untuk membuat profil pertumbuhan tanaman padi.
19 Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi)
Analisis korelasi dan regresi dilakukan untuk memperoleh model persamaan regresi
selama pertumbuhan tanaman padi fase vegetatif atau generatif Bentuk persamaan yang
akan dicoba adalah polinom orde 3 atau Spline Qubic dengan persamaan umum sebagai
berikut :
Y = b0 + b1X + b2*X2 + b3*X
3 ... (5)
X : waktu/umur tanaman padi (HST )
Y : merupakan parameter pertumbuhan tanaman seperti kehijaun tanaman atau
Indeks Vegetasi (IV) yang dapat ditunjukkan dengan EVI, sedangkan t adalah waktu
atau HST (hari setelah tanam). Transformasi EVI dapat dilakukan agar skala nilai EVI
yang semula berkisar antara -1 s/d +1 menjadi data 8 bit dengan kisaran nilai 0 – 255,
sehingga tidak berbeda jauh dengan kisaran umur (X) dari 0 s/d 120 HST (Hari Setelah
Tanam). Transformasi EVI menjadi Indeks vegetasi (IV) dalam 8 bit dilakukan dengan
formula :
IV = 128 + 125*EVI ... (6)
4.4. Survey Lapangan
Survey lapangan, pengumpulan data pendukung dan koordinasi antar instansi telah
dilaksanakan pada Tanggal 4-10September 2014.Wilayah yang menjadi tujuansurvey
lapangan, pengumpulan data pendukung, dan koordinasi antar instansiadalahMaros,
Pare-pare, Pinrang, Sidrap dan Wajo (Sulawesi Selatan). Selain mengamati kondisi lahan
sawah, kondisi tanaman padi dari segi fase dan umur , dilakukan pengukuran Reflektasi
tanaman padi yang memiliki variasi umur yang berbeda. Hasil survey secara lengkap
dapat dilihat dalam Lampiran.
Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi) 20
V. HASIL DAN PEMBAHASAN
5.1. Analisis Data EVI Multitemporal pertumbuhan padi di Sulawesi Selatan
Hasil analisis Statistik spasial terhadap data EVI Multitemporal selama 3 tahun (2010-
2012) di Provinsi Sulawesi Selatan menghasilkan Parameter Pertumbuhan Padi sebagai
berikut (Tabel 5-1).
Tabel 5-1. Parameter Biologi/Pertumbuhan Tanaman Padi di Sulawesi Selatan
EVI Min Max
Tanam -0.888 0.216
Max 0.408 0.888
Panen 0.217 0.344
Range Max-Tnm 0.304 0.696
MeanTP 0.312 0.648
MeanVeg 0.530 0.744
MeanGen 0.570 0.736
Citra komposit RGB yang tersusun dari Mean VI pada layar Red, EVI Maksimum pada layer
Gren, dan EVI Minimum pada layer Blu menghasilkan penampilan Citra komposit pada
Gambar 5-1.
21 Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi)
Gambar 5-1. Citra Komposit EVI Multitemporal dengan RGB (Mean, Max, Min)
5.2.Model Pertumbuhan Tanaman Padi
Dengan menggunakan parameter tanaman padi yang diperoleh pada Tabel 1
kemudian dapat diturunkan model fase pertumbuhan. Sebelumnya terlebih dahulu
dilakukan rekode Citra EVI_Maksimum menjadi 6 kelas (Maksimum_Id), rekode Citra
Maksimum-Tanam menjadi 3 kelas (Mx-Tn_Id), overlay matriks antara Maksimum_Id
dengan Mx-Tn_Id untuk membuat citra Klasifikasi Padi sawah sebanyak 18 kelas.
Kemudian dihitung nilai atribut klasifikasi sawah (Swh_Id) dengan menggunakan
persamaan (2). Hasil Rekode Maksimum_Id dan Mx-Tn_Id serta kombinasinya (overlay
matriks) dapat dilihat pada Tabel 1 . Kemudian hasil dari klasifikasi tersebut dikonversi
menjadi poligon.
Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi) 22
Tabel 5-2. Rekode EVI_Maksimum dan EVI Maksimum-EVI Tanam serta Hasil
Kombinasinya (Overlay Matriks )
EVI_Maksimum
Rekode
EVIMaksimum - Tanam
< 0.4 0.4-0.5 >0.5
1 2 3
0.40-0.45 1 1 2 3
0.45-0.50 2 4 5 6
0.51-0.55 3 7 8 9
0.56-0.60 4 10 11 12
0.61-0.65 5 13 14 15
0.66-0.70 6 16 17 18
> 0.7 7 19 20 21
Ektraksi informasi awal tanam (AT) padi dilakukan berdasarkan waktu terjadinya
EVI Maksimum atau Letak Maksimum (LM) dengan menggunakan persamaan (3).
Selanjutnya hasil AT dikonversi menjadi poligon. Kemudian dengan menggunakan piksel-
piksel yang memiliki kelas padi (Swh_Id) dan awal tanam (AT) yang relatif homogen
dibuat poligon dengan menggunakan Software ArcView. Kemudian dihitung nilai atribut
padi (Padi_Id) dengan menggunakan persamaan (4). Vektor poligon yang dihasilkan
kemudian dikonversi menjadi Region Raster dengan menggunakan software ErMapper ke
file EVI Multitemporal untuk dihitung nilai statistiknya (Mean dan Standar deviasinya)
pada setiap region dengan atribut Padi_Id. Selanjutnya hasil ektraksi EVI dengan awal
tanam yang berbeda-beda dikelompokkan berdasarkan umur padi yang sama (mengacu
pada letak EVI maksimum) dalam bentuk Tabel5-3.
23 Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi)
Tabel 5-3. Contoh Rekapitulasi hasil ektraksi Mean EVI pada region Padi_Id
No Umur Padi (HST ) EVI1 EVI2 ...... EVIn Keterangan
1 -12 Sebelum tanam
2 -4 Sebelum tanam
3 4 Vegetatif, bercampur air
4 12 Vegetatif, bercampur air
5 20 Vegetatif, bercampur air
6 28 Vegetatif
7 36 Vegetatif
8 44 Vegetatif
9 52 Vegetatif
10 60 Vegetatif Maksimum
11 68 Generatif
12 76 Generatif
13 84 Generatif
14 92 Generatif
15 100 Generatif
16 108 Generatif
17 116 Generatif
18 124 Bera
Keterangan :
EVI1, EVI2, ..., EVIn : EVI pada awal tanam ke 1,2,..,n
Contoh Hasil ektraksi EVI Multitemporal untuk periode 8 harian slama 3 tahun (2010-
2012) pada lahan sawah di wilayah Sulawesi Selatan bagian Utara yang meliputi
kabupaten Pinrang, Sidrap, Par-pare, Wajo, dan Soppeng dapat dilihat pada Tabel
Lampiran 1. Sedangkan distribusi spasial klasifikasi lahan sawah di wilayah tersebut dapat
dilihat pada Gambar5-2.
Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi) 24
Gambar5-2. Citra Klasifikasi Lahan Sawah berdasarkan Indeks Vegetasi (EVI) Maksimum
Dari distribusi spasial tersebut menunjukkan bahwa kelas yang dominan adalah kelas
yang memiliki kisaran EVI Maksimum : 0.55-0.60 atau termasuk kelas 7, 8 dan 9 pada
Tabel 5-1. Pesentase luas sawah di pulau Jawa berdasarkan kelas EVI maksimum dapat
dilihat pada Tabel5-3 dan grafik pada Gambar5-3.
Tabel5-4. Distribusi Luas Lahan Sawah di Sulawesi Selatan
Berdasarkan Kelas EVI Maksimum
Kelas EVI_Max Luas(Ha) Luas(%)
1 0.40-0.45 10,175 3%
2 0.46-0.50 31,881 11%
3 0.51-0.55 58,288 20%
4 0.56-0.60 78,531 27%
5 0.61-0.65 71,356 24%
6 0.66-0.70 43,275 15%
7 > 0.70 13,800 5%
Total 293,506
25 Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi)
Gambar5-3. Histogram EVI Maksimum di di Sulawesi Selatan
Gambar5-4. Presentase luas kelas padi sawah di di Sulawesi Selatan
Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi) 26
Gambar5-5. Luas (Ha) kelas padi sawah menurut Range EVI Max-Tanam di Sulawesi Selatan
Dari hasil Tabulasi EVI berdasarkan umur yang sama diperoleh bahwa untuk daerah lahan
sawah di wilayah Kabupaten Maros, Pangkajene, Barru, Pare-pare, Pinrang, Sidrap, Wajo,
dan Soppeng terdapat7 kelas.Hasil profil dan analisi regresi dari kelas tersebut adalah
sebagai berikut:
1. Untuk nilai EVI maksimum 0.40-0.45 dibuat profil fase pertumbuhan yang terlihat
pada Gambar 5-6.
27 Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi)
Gambar 5-6. Profil pertumbuhan tanaman padi yang memiliki EVI Max 0.40-0.45
Hasil analisis Regresi menghasilkan persamaan sebagai berikut :
Fase vegetatif:
YVeg = 0.13376 -0.00241 X + 0.00019 X2 -0.0000011 X
3 ... (7)
Fase generatif:
YGen = -0.77637 + 0.0523 X -0.00069X2+ 0.0000027 X
3 ... (8)
dimana : Y = EVI dan X = waktu (HST = hari setelah tanam)
2.Untuk nilai EVI maksimum 0.45-0.50 dibuat profil fase pertumbuhan yang terlihat
pada Gambar5-7.
Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi) 28
Profil Pertumbuhan Padi2 (Max : 0.45 - 0.50; Max-Min : 0.4 - 0.5)
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 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 105 110 115 120
Umur (HST = Hari Setelah Tanam)
EVI
Gambar5-7. Profil pertumbuhan tanaman padi yang memiliki EVI Max 0.45-0.50
Hasil analisis Regresi menghasilkan persamaan sebagai berikut :
Fase vegetatif:
YVeg= 0.12784 + 0.00707X -0.00004X2 -0.0000002X
3 ... (7)
Fase generatif:
YGen= 0.18685 + 0.02349X -0.00041X2+ 0.0000018X
3 ... (8)
dimana : Y = EVI danX = waktu (HST = hari setelah tanam)
3. Untuk nilai EVI maksimum 0.51-0.55 dibuat profil fase pertumbuhan yang terlihat pada
Gambar 5-4.
29 Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi)
Gambar 5-3. Profil pertumbuhan tanaman padi yang memiliki EVI Max 0.51-0.55
Hasil analisis Regresi menghasilkan persamaan sebagai berikut :
Fase vegetatif :
YVeg = 0.12398 + 0.00346 X+ 0.00018 X2 - 0.0000022X
3 ... (9)
Fase generatif:
YGen = 0.71441+ 0.0005 X -0.00008 X2 + 0.0000003 X
3 ... (10)
dimana : Y = EVI dan X = waktu (HST = hari setelah tanam)
4. Untuk nilai EVI maksimum 0.56-0.60 dibuat profil fase pertumbuhan seperti yang
terlihat pada Gambar5-5.
Profil Pertumbuhan Padi5 (Max : 0.51 - 0.55; Max-Min: 0.4 - 0.5)
0.00
0.10
0.15
0.20
0.25
0.30
0.35
0.40
0.45
0.50
0.55
0.60
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 105 110 115 120
Umur (HST = Hari Setelah Tanam)
EVI
Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi) 30
Gambar5-5. Profil pertumbuhan tanaman padi yang memiliki EVI Max 0.55-0.60
Hasil analisis Regresi menghasilkan persamaan sebagai berikut :
Fase vegetatif :
YVeg = 0.11859 + 0.0057 X + 0.0005 X2 - 0.000046 X
3 ... (11)
Fase generatif :
YGen = -1.13642 + 0.06559 X - 0.00078 X2 + 0.0000058 X
3 ... (12)
dimana : Y = 128 + 125*EVI dan X = waktu (HST = hari setelah tanam)
5. Untuk nilai EVI maksimum 0.61-0.65 dibuat profil fase pertumbuhan seperti yang terlihat pada
Gambar5-6.
4.
Profil Pertumbuhan Padi8 (Max : 0.56 - 0.60; Max-Min : 0.4 - 0.5)
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 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 105 110 115 120
Umur (HST = Hari Setelah Tanam)
EVI
Profil Pertumbuhan Padi11 (Max : 0.61 - 0.65; Max-Min : 0.4 - 0.5)
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 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 105 110 115 120
EVI
31 Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi)
Gambar5-6. Profil pertumbuhan tanaman padi yang memiliki EVI Max 0.60-0.65
Hasil analisis Regresi menghasilkan persamaan sebagai berikut :
YVeg = 0.08094 + 0.0026 X + 0.00037 X2 - 0.0000031 X
3 ... (13)
Fase generatif:
YGen = -2.20627 + 0.10280 X -0.00118 X2
+ 0.0000041 X3 ... (14)
dimana : Y = EVI dan X = waktu (HST = hari setelah tanam)
6. Untuk nilai EVI maksimum 0.66-0.7 dibuat profil fase pertumbuhan seperti yang terlihat
pada Gambar5-7.
Gambar5-7. Profil pertumbuhan tanaman padi yang memiliki EVI Max 0.65-0.70
Hasil analisis Regresi menghasilkan persamaan sebagai berikut :
Fase vegetati:
YVeg = 0.11121-0.00523 X + 0.00055 X2 -0.0000051 X
3 ... (15)
Fase generatif:
YGen = -1.40893 + 0.08608 X - 0.0011 X2 + 0.0000041 X
3 ... (16)
Profil Pertumbuhan Padi14 (Max : 0.66 - 0.70; Max-Min : 0.4 - 0.5)
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 95 100 105 110 115 120 Umur (HST = Hari Setelah Tanam)
EVI
Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi) 32
dimana : Y = EVI ; dan X = waktu (HST = hari setelah tanam)
7. Untuk nilai EVI maksimum > 0.7 dibuat profil pertumbuhan seperti yang terlihat pada
Gambar 5-8.
Gambar 5-8. Profil pertumbuhan tanaman padi yang memiliki EVI Max 0.65-0.70
Hasil analisis Regresi menghasilkan persamaan sebagai berikut :
Fase vegetati:
YVeg= 0.13376- 0.00241 X + 0.00019 X2 -0.0000011 X
3 ... (17)
Fase generatif:
YGen = -1.55683+ 0.09017 X - 0.0011 X2 + 0.000004 X
3 ... (18)
dimana : Y = 128 + 125*EVI dan X = HST (Hari setelah tanam)
Koefisien determinasi ( R2 ) dan standar eror (Se) untuk setiap persamaan secara detail
dapat dilihat pada Lampiran 1. Bentuk kurva hasil persamaan Regresi untuk 3 model
utama yang terbanyak di Provinsi Sulawesi Selatan dapat dilihat pada Gambar 5-9 sampai
dengan 5-11
Profil Pertumbuhan Padi17 (Max > 0.70; Max-Min : 0.4 - 0.5)
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 95 100 105 110 115 120
Umur (HST = Hari Setelah Tanam)
EVI
33 Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi)
Gambar 5=9. Kurva Persamaan Regresi Model Pertumbuhan Padi kelas 3, Fase Vegetatif
Gambar 5=10. Kurva Persamaan Regresi Model Pertumbuhan Padi kelas 3, Fase Generatif
Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi) 34
Gambar 5=11. Kurva Persamaan Regresi Model Pertumbuhan Padi kelas 4, Fase Vegetatif
Gambar 5=12. Kurva Persamaan Regresi Model Pertumbuhan Padi kelas 4, Fase Genratif
35 Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi)
Gambar 5=13. Kurva Persamaan Regresi Model Pertumbuhan Padi kelas 5, Fase Vegetatif
Gambar 5=13. Kurva Persamaan Regresi Model Pertumbuhan Padi kelas 5, Fase Genratif
Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi) 36
5.2. Aplikasi Model Pertumbuhan Tanaman Padi untuk Menduga Umur Padi
Pendugaan umur tanaman padi dapat dilakukan dengan menggunakan kedua
model pertumbuhan tanaman padi tersebut di atas berdasarkan parameter EVI, tetapi
diperlukan minimal 2 data multi temporal Data EVI MODIS untuk ditentukan terlebih
dahulu kondisi lahan sawah, apakah berada dalam dominasi air atau bera serta fase
pertumbuhan tanaman padi vegetatif dan generatif. Pendugaan umur tanaman padi
dengan menggunakan kedua model diatas memang cukup rumit, karena ada beberapa
tahapan proses yang harus dilakukan serta implementasi model yang berkebalikan.
Dalam prakteknya secara teknis untuk menerapkan model pertumbuhan tersebut harus
dibuat citra fase padi sebagai Masking untuk menduga umur tanaman padi dalam suatu
citra tunggal. Untuk membuat citra fase tersebut diperlukan minimal dua citra EVI pada 2
waktu yang berbeda (t dan t-1), misalnya dengan perbedaan waktu 10 hari. Kondisi fase
vegetatif (perubahan positif) dan generatif (perubahan negatif) lahan sawah yang
didominasi oleh vegetasi dapat dideteksi berdasarkan perubahan nilai EVI atau dEVI
dengan kriteria sebagai berikut:
dEVI(t) = EVI(t) –EVI(t-1)
(a) Fase dominan air, jika EVI(t) <= 0.10
(b) Fase bera, jika EVI(t) > 0.10 dan EVI(t) < 0.22
(c) Fase vegetatif jika nilai dEVI > 0
(d) Fase generatif jika nilai dEVI < 0
Fase pertumbuhan tanaman selanjutnya dapat dibagi lagi menjadi dua di setiap fase
Vegetatif daan generatif. Penentuan batas umur pada fase vegetatif dan generatif dapat
diketahui dengan memplot perubahan EVI (dEVI) terhadap waktu, seperti yang
ditunjukkan pada Gambar 5-14. Berdasarkan Gambar tersebut, maka penentuan kelas
Vegetatif 1 jika umur padi <= 40 HST, kelas Vegetatif 2 pada saat umur 41 hingga 64HST
(Vegetatif maksimum), Generatif 1 pada saat umur 96 HST, dan Kelas Generatif 2 pada
umur > 96 HST.
37 Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi)
Gambar 5=14. Kurva Perubahan EVI (dEVI) selama Pertumbuhan Padi
pada Fase Vegetatif dan Generatif
Umur tanaman padi dapat ditentukan berdasarkan kisaran nilai EVI yang diduga
berdasarkan persamaan pertama jika memenuhi kriteria a, dan c serta diduga berdasrkan
model persamaan kedua jika memenuhi kriteria d. Sebagai contoh jika ingin dibuat citra
spasial umur tanaman padi dengan selang 10 hariian, maka klasifikasi citra EVI menjadi
umur padi dapat dilakukan dengan kriteria seperti yang tercantum pada Tabel 5-4.
Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi) 38
Tabel 5-4. Kisaran EVI untuk menduga Umur Tanaman Padi
No Umur (HST) KISARAN EVI8 dIV
1 0-10 145 150 +
2 11-20 151 159 +
3 21-30 160 169 +
4 31-40 170 181 +
5 41-50 182 192 +
6 51-60 193 200 +
7 61-70 199 193 -
8 71-80 192 182 -
9 81-90 181 171 -
10 91-100 170 161 -
11 101-110 160 153 -
12 111-120 152 149 -
Keterangan : EVI8 = 128 + 125*EVI
Validasi model pertumbuhan dilakukan melalui hasil pengamatan survey lapangan di
KabupatenMaros, Pare-pare, Pinrang, Sidrap dan Wajo, Sulsel dapat dilihat Lampiran
39 Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi)
Gambar 5-9. Estimasi Umur Tanaman Padi AwalSeptember 2014 di Sulawesi Selatan
Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi) 40
VI. KESIMPULAN DAN SARAN
6.1. Kesimpulan
• Parameter Biologi/Pertumbuhan Tanaman Padi di Sulawesi Selatan yang mewakili
kondisi tanaman padi di Pulau Sulawesi dapat diektraksi dengan menggunakan
data EVI Modis Multitemporal, yaitu EVI Maksimum > 0.40, EVI saat tanam < 0.15,
dan Range EVI Maksimum-Tanam sebesar > 0.30.
• Hasil analisis spasial dan regresi terhadap data di Provinsi diperoleh 7 model
pertumbuhan untuk tanaman padi yang memiliki nilai kisaran EVI maksimum
0.40-0.45; 0.46-0.50; 0.51-0.55; 0.56-0.60; 0.61-0.65; 0.66-0.70, dan > 0.7 untuk
setiap fase vegetatif dan generatif.
6.2. Saran
� Penelitian lebih lanjut perlu dilakukan untuk menduga produktivitas tanaman padi
dengan menggunakan kombinasi air tersedia dari curah hujan dan air irigasi dan
indek vegetasi (EVI).
41 Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi)
DAFTAR PUSTAKA
Atekan, A. 2010. Estimasi Luas Panen dan Produksi Padi Sawah Melalui Analisis Citra Landsat 7
ETM+
pada Lahan Sawah Berbeda Bahan Induk (Studi Kasus di Kabupaten Ngawi, Jawa
Timur). Thesis Pasca Sarjana, IPB. Tidak dipublikasikan
Arvor, Damien dkk. 2008. Comparaison Of Multitemporal Modis-Evi Smoothing Algorithms And Its
Contribution To Crop Monitoring. The International Archives of the Photogrammetry,
Remote Sensing and Spatial Information Sciences. Vol. XXXVII. Part B7. Beijing
Falcon, W. P., R. L. Naylor, W. L. Smith, M. B. Burke, E. B. McCullough, 2004: Using climate models
to improve Indonesian food security.Bull IndonesianEcon Studies,40, 357-79.
Fontana, D.C, et all. 2007. Assessing the Relationship Between shire Winter Crop Yieldand
Seasonal Variability of the MODIS NDVI and EVI images. Applied GIS :an international,
refereed, open source journal. Vol 3, No 7, p 1-16. Australia
Ichikawa H. and T. Yasunari, 2006: Time–Space Characteristics of Diurnal Rainfall over Borneo and
Surrounding Oceans as Observed by TRMM-PR.Journal of Climate: Vol. 19, No. 7, pp. 1238–
1260.
Kogan, F.N., 1990: Remote sensing of weather impacts on vegetation innon-homogeneous areas.
Int. J. Remote Sens. 11 (8), 1405–1419.
Kogan, F.N., 1995: Application of vegetation index and brightnesstemperature for drought
detection. Adv. Space Res. 15 (11), 91–100.
Kogan, F.N., 2002: World droughts in the new millennium fromAVHRR-based Vegetation Health
Indices. Eos Trans. Am. Geophy.Union 83 (48), 562–563.
Kogan, F.N., A. Gitelson, Z. Edige, I. Spivak, L. Lebed, 2003: AVHRR-based spectral vegetation index
for quantitative assessmentof vegetation state and productivity: Calibration and
validation.Photogramm.Eng. Remote Sens. 69 (8),899–906.
McKee, T.B., N.J. Doesken, and J. Kleist, 1993: The relationship of drought frequency and duration
to time scales. Preprints, 8th
Conference on Applied Climatology, pp. 179–184. Am.
Meteorol. Soc.
Meneghini, R., J. A. Jones, T. Iguchi, K. Okamoto and J. Kwiatkowski, 2004: A Hybrid Surface
Reference Technique and Its Application to the TRMM Precipitation Radar.Journal of
Atmospheric and Oceanic Technology: Vol. 21, No. 11, pp. 1645–1658.
Mori S., H. Jun-Ichi, Y. I. Tauhid, M. D. Yamanaka, N. Okamoto, F. Murata, N. Sakurai,
H. Hashiguchi, and T. Sribimawati, 2004: Diurnal Land–Sea Rainfall Peak Migration over
Sumatera Island, Indonesian Maritime Continent, Observed by TRMM Satellite and
Intensive Rawinsonde Soundings.Monthly Weather Review: Vol. 132, No. 8, pp. 2021–2039.
Naylor, R.L., W.P. Falcon, D. Rochberg, and N. Wada, 2001: Using El Niño/SouthernOscillation
climate data to predict rice production in Indonesia, Climatic Change,50, 255–65.
Shige, S., Y. N. Takayabu, W.-K.Tao, and C.-L. Shie, 2007: Spectral Retrieval of Latent Heating
Profiles from TRMM PR Data. Part II: Algorithm Improvement and Heating Estimates over
Tropical Ocean Regions,Journal of Applied Meteorology and Climatology, 46(7), 1098-1124
Trenberth, K. E., 1997: The definition of El Niño. Bull. Amer. Meteor. Soc., 78,2771-2777.
Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi) 42
Undang-undang Republik Indonesia No. 7 Tahun 1996.
Wilhite, D. A., 1993: The enigma of drought. Drought Assessment, Management, and Planning:
Theory and Case Studies. D. A. Wilhite, Ed., Kluwer Academic, 3-15.
Wilhite, D. A., 2006: Drought monitoring and early warning: concepts, progress and future
challenges. World Meteorological Organization. WMO-No. 1006, ISBN 92-63-11006-9.
Wolff, D. B., D. A. Marks, E. Amitai, D. S. Silberstein, B. L. Fisher, A. Tokay, J. Wang and J. L. Pippitt,
2005: Ground Validation for the Tropical Rainfall Measuring Mission (TRMM).Journal of
Atmospheric and Oceanic Technology: Vol. 22, No. 4, pp. 365–380.
Xiao, Xiangming dkk. 2005. Mapping paddy rice agriculture in southern China using multi-
temporal MODIS images. Remote Sensing of Environment 95 (2005) 480–492. Science
Dirrect.
43 Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi)
Lampiran 1. Hasil Perhitungan Koefisien Regresi (b0,b1,b2,b3) ,Determinasi (R2 ), dan Standar
Kesalahan (Se) setiap Model Pertumbuhan Tanaman Padi
Tabel 1a. Fase Vegetatif
Klas EVI Max b0 b1 b2 b3 R2 Se
1 0.40-0.45 0.13376 -0.00241 0.00019 -0.0000011 95.5% 0.023
2 0.45-0.50 0.12784 0.00707 -0.00004 0.0000002 98.3% 0.016
3 0.50-0.55 0.12398 0.00346 0.00018 -0.0000022 94.2% 0.036
4 0.55-0.60 0.11859 -0.00570 0.00050 -0.0000046 98.8% 0.021
5 0.60-0.65 0.08094 -0.00260 0.00037 -0.0000031 95.9% 0.044
6 0.65-0.70 0.11121 -0.00523 0.00055 -0.0000051 99.1% 0.022
7 0.70-0.88 0.14583 -0.01036 0.00077 -0.0000073 97.4% 0.042
Tabel 1b. Fase Generatif
Klas EVI Max b0 b1 b2 b3 R2 Se
1 0.40-0.45 -0.77637 0.05230 -0.00069 0.0000027 97.3% 0.016
2 0.45-0.50 0.18685 0.02349 -0.00041 0.0000018 98.4% 0.016
3 0.50-0.55 0.71441 0.00050 -0.00008 0.0000003 96.0% 0.018
4 0.55-0.60 -1.13642 0.06559 -0.00078 0.0000028 96.8% 0.022
5 0.60-0.65 -2.20627 0.10280 -0.00118 0.0000041 98.9% 0.017
6 0.65-0.70 -1.40893 0.08608 -0.00110 0.0000041 98.5% 0.022
7 0.70-0.88 -1.55683 0.09017 -0.00110 0.0000040 97.5% 0.030
Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi) 44
LAMPIRAN
ANALISIS SIDIK RAGAM REGRESI ORDE 3 (KUBIK)
Kelas 1 : EVI Max 0.40-0.45
1a. Fase Vegetatif
Regression Analysis: EVI versus HST, HST2, HST3 The regression equation is
EVI = 0.134 - 0.00241 HST + 0.000187 HST2 - 0.000001 HST3
Predictor Coef SE Coef T P
Constant 0.133763 0.005883 22.74 0.000
HST -0.0024145 0.0006285 -3.84 0.000
HST2 0.00018662 0.00002074 9.00 0.000
HST3 -0.00000111 0.00000020 -5.43 0.000
S = 0.0229827 R-Sq = 95.5% R-Sq(adj) = 95.5%
Analysis of Variance
Source DF SS MS F P
Regression 3 4.2631 1.4210 2690.35 0.000
Residual Error 380 0.2007 0.0005
Total 383 4.4639
Source DF Seq SS
HST 1 4.0619
HST2 1 0.1857
HST3 1 0.0155
1.b. Fase Generatif
Regression Analysis: EVI versus HST, HST2, HST3 The regression equation is
EVI = - 0.776 + 0.0523 HST - 0.000689 HST2 + 0.000003 HST3
Predictor Coef SE Coef T P
Constant -0.7764 0.1847 -4.20 0.000
HST 0.052298 0.006130 8.53 0.000
HST2 -0.00068933 0.00006627 -10.40 0.000
HST3 0.00000267 0.00000023 11.41 0.000
S = 0.0157830 R-Sq = 97.3% R-Sq(adj) = 97.3%
Analysis of Variance
Source DF SS MS F P
45 Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi)
Regression 3 1.94967 0.64989 2608.91 0.000
Residual Error 218 0.05430 0.00025
Total 221 2.00397
Source DF Seq SS
HST 1 1.83737
HST2 1 0.07988
HST3 1 0.03241
Durbin-Watson statistic = 0.00404177
Kelas 2 : EVI Max 0.45-0.50
2a. Fase Vegetatif
Regression Analysis: EVI versus HST, HST2, HST3 The regression equation is
EVI = 0.128 + 0.00707 HST - 0.000039 HST2 + 0.000000 HST3
Predictor Coef SE Coef T P
Constant 0.127841 0.001907 67.05 0.000
HST 0.0070704 0.0003052 23.17 0.000
HST2 -0.00003865 0.00001103 -3.51 0.000
HST3 0.00000020 0.00000011 1.90 0.058
S = 0.0156371 R-Sq = 98.3% R-Sq(adj) = 98.3%
PRESS = 0.155067 R-Sq(pred) = 98.28%
Analysis of Variance
Source DF SS MS F P
Regression 3 8.8778 2.9593 12102.51 0.000
Residual Error 626 0.1531 0.0002
Total 629 9.0309
Source DF Seq SS
HST 1 8.8429
HST2 1 0.0340
HST3 1 0.0009
Durbin-Watson statistic = 0.00231194
2b. Fase Generatif
Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi) 46
Regression Analysis: EVI versus HST, HST2, HST3 The regression equation is
EVI = 0.199 + 0.0230 HST - 0.000400 HST2 + 0.000002 HST3
Predictor Coef SE Coef T P
Constant 0.1993 0.1212 1.64 0.101
HST 0.023033 0.004128 5.58 0.000
HST2 -0.00040039 0.00004565 -8.77 0.000
HST3 0.00000174 0.00000016 10.57 0.000
S = 0.0158602 R-Sq = 98.4% R-Sq(adj) = 98.4%
PRESS = 0.128071 R-Sq(pred) = 98.34%
Analysis of Variance
Source DF SS MS F P
Regression 3 7.5783 2.5261 10042.22 0.000
Residual Error 501 0.1260 0.0003
Total 504 7.7043
Source DF Seq SS
HST 1 7.3074
HST2 1 0.2428
HST3 1 0.0281
Durbin-Watson statistic = 0.000691273
3. Klas 3 : 0.50-0.55
3a. Fase Vegetatif
Regression Analysis: EVI versus HST; HST2; HST3 The regression equation is
EVI = 0.124 + 0.00346 HST + 0.000184 HST2 - 0.000002 HST3
Predictor Coef SE Coef T P
Constant 0.12398 0.01415 8.76 0.000
HST 0.003463 0.001949 1.78 0.080
HST2 0.00018424 0.00006893 2.67 0.010
HST3 -0.00000222 0.00000067 -3.29 0.002
S = 0.0362856 R-Sq = 94.2% R-Sq(adj) = 93.9%
PRESS = 0.0944998 R-Sq(pred) = 93.46%
Analysis of Variance
Source DF SS MS F P
Regression 3 1.36108 0.45369 344.58 0.000
Residual Error 64 0.08427 0.00132
Total 67 1.44534
47 Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi)
Source DF Seq SS
HST 1 1.33211
HST2 1 0.01467
HST3 1 0.01429
Durbin-Watson statistic = 0.0113093
3.b. Fase Generatif
Regression Analysis: EVI versus HST; HST2; HST3 The regression equation is
EVI = 0.714 + 0.0005 HST - 0.000076 HST2 + 0.000000 HST3
Predictor Coef SE Coef T P
Constant 0.7144 0.4288 1.67 0.102
HST 0.00050 0.01455 0.03 0.973
HST2 -0.0000759 0.0001610 -0.47 0.639
HST3 0.00000034 0.00000058 0.59 0.557
S = 0.0180981 R-Sq = 96.0% R-Sq(adj) = 95.7%
PRESS = 0.0180803 R-Sq(pred) = 95.15%
Analysis of Variance
Source DF SS MS F P
Regression 3 0.35796 0.11932 364.29 0.000
Residual Error 46 0.01507 0.00033
Total 49 0.37303
Source DF Seq SS
HST 1 0.35628
HST2 1 0.00156
HST3 1 0.00011
Durbin-Watson statistic = 0.0223522
4. Kelas 4 : EVI Max 0.55-0.60
4a. Fase Vegetatif
Regression Analysis: Obs versus HST_1, HST2_1, HST3_1 The regression equation is
EVI = 0.119 - 0.00570 HST + 0.000496 HST2 - 0.000005 HST3
Predictor Coef SE Coef T P
Constant 0.118592 0.003481 34.06 0.000
HST_1 -0.0056986 0.0004722 -12.07 0.000
HST2_1 0.00049638 0.00001672 29.69 0.000
Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi) 48
HST3_1 -0.00000463 0.00000016 -28.23 0.000
S = 0.0214903 R-Sq = 98.8% R-Sq(adj) = 98.8%
PRESS = 0.186847 R-Sq(pred) = 98.78%
Analysis of Variance
Source DF SS MS F P
Regression 3 15.0752 5.0251 10880.71 0.000
Residual Error 397 0.1833 0.0005
Total 400 15.2586
Source DF Seq SS
HST_1 1 14.6530
HST2_1 1 0.0542
HST3_1 1 0.3680
Durbin-Watson statistic = 0.256167
4.b. Fase Generatif
Regression Analysis: EVI versus HST, HST2, HST3 The regression equation is
EVI = - 1.24 + 0.0691 HST - 0.000821 HST2 + 0.000003 HST3
Predictor Coef SE Coef T P
Constant -1.2386 0.1902 -6.51 0.000
HST 0.069056 0.006479 10.66 0.000
HST2 -0.00082074 0.00007201 -11.40 0.000
HST3 0.00000289 0.00000026 11.04 0.000
S = 0.0222740 R-Sq = 96.8% R-Sq(adj) = 96.8%
PRESS = 0.200160 R-Sq(pred) = 96.76%
Analysis of Variance
Source DF SS MS F P
Regression 3 5.9834 1.9945 4020.04 0.000
Residual Error 396 0.1965 0.0005
Total 399 6.1799
Source DF Seq SS
HST 1 5.8995
HST2 1 0.0234
HST3 1 0.0605
Durbin-Watson statistic = 0.00100387
49 Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi)
5. Kelas 5 : 0.60-0.65
5a. Fase Vegetatif
Regression Analysis: EVI versus HST, HST2, HST3 The regression equation is
EVI = 0.0809 - 0.00260 HST + 0.000375 HST2 - 0.000003 HST3
Predictor Coef SE Coef T P
Constant 0.080942 0.006546 12.37 0.000
HST -0.0025985 0.0009439 -2.75 0.006
HST2 0.00037465 0.00003443 10.88 0.000
HST3 -0.00000313 0.00000034 -9.14 0.000
S = 0.0435223 R-Sq = 95.9% R-Sq(adj) = 95.9%
PRESS = 0.715398 R-Sq(pred) = 95.84%
Analysis of Variance
Source DF SS MS F P
Regression 3 16.4797 5.4932 2900.04 0.000
Residual Error 370 0.7009 0.0019
Total 373 17.1806
Source DF Seq SS
HST 1 16.0971
HST2 1 0.2245
HST3 1 0.1581
Durbin-Watson statistic = 0.000499614
5.b. Fase Generatif
Regression Analysis: EVI versus HST, HST2, HST3 The regression equation is
EVI = - 2.21 + 0.103 HST - 0.00118 HST2 + 0.000004 HST3
Predictor Coef SE Coef T P
Constant -2.2063 0.1781 -12.39 0.000
HST 0.102795 0.006032 17.04 0.000
HST2 -0.00117513 0.00006651 -17.67 0.000
HST3 0.00000407 0.00000024 17.03 0.000
S = 0.0165529 R-Sq = 98.9% R-Sq(adj) = 98.9%
PRESS = 0.0671528 R-Sq(pred) = 98.84%
Analysis of Variance
Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi) 50
Source DF SS MS F P
Regression 3 5.7006 1.9002 6935.06 0.000
Residual Error 237 0.0649 0.0003
Total 240 5.7655
Source DF Seq SS
HST 1 5.5781
HST2 1 0.0431
HST3 1 0.0794
Durbin-Watson statistic = 0.0016679
6. Kelas 6 :
6a. Fase Vegetatif
Regression Analysis: EVI versus HST, HST2, HST3 The regression equation is
EVI = 0.111 - 0.00523 HST + 0.000547 HST2 - 0.000005 HST3
Predictor Coef SE Coef T P
Constant 0.111211 0.005227 21.28 0.000
HST -0.0052274 0.0007326 -7.14 0.000
HST2 0.00054735 0.00002589 21.14 0.000
HST3 -0.00000511 0.00000025 -20.39 0.000
S = 0.0220975 R-Sq = 99.1% R-Sq(adj) = 99.1%
PRESS = 0.0931569 R-Sq(pred) = 99.05%
Analysis of Variance
Source DF SS MS F P
Regression 3 9.7445 3.2482 6651.98 0.000
Residual Error 183 0.0894 0.0005
Total 186 9.8339
Source DF Seq SS
HST 1 9.5221
HST2 1 0.0194
HST3 1 0.2030
Durbin-Watson statistic = 0.0018246
6.b. Fase Generatif
Regression Analysis: EVI versus HST, HST2, HST3 The regression equation is
EVI = - 1.41 + 0.0861 HST - 0.00110 HST2 + 0.000004 HST3
51 Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi)
Predictor Coef SE Coef T P
Constant -1.4089 0.2489 -5.66 0.000
HST 0.086079 0.008392 10.26 0.000
HST2 -0.00109756 0.00009223 -11.90 0.000
HST3 0.00000411 0.00000033 12.43 0.000
S = 0.0217811 R-Sq = 98.5% R-Sq(adj) = 98.4%
PRESS = 0.103598 R-Sq(pred) = 98.42%
Analysis of Variance
Source DF SS MS F P
Regression 3 6.4390 2.1463 4524.15 0.000
Residual Error 211 0.1001 0.0005
Total 214 6.5391
Source DF Seq SS
HST 1 6.3245
HST2 1 0.0412
HST3 1 0.0733
Durbin-Watson statistic = 0.00187140
7. Kelas 7 : EVI Max > 0.70
7a. Fase Vegetatif
Regression Analysis: EVI versus HST, HST2, HSt3 The regression equation is
EVI = 0.146 - 0.0104 HST + 0.000773 HST2 - 0.000007 HSt3
Predictor Coef SE Coef T P
Constant 0.145831 0.008440 17.28 0.000
HST -0.010356 0.001273 -8.13 0.000
HST2 0.00077349 0.00004664 16.58 0.000
HSt3 -0.00000731 0.00000046 -15.76 0.000
S = 0.0421176 R-Sq = 97.4% R-Sq(adj) = 97.4%
PRESS = 0.336751 R-Sq(pred) = 97.30%
Analysis of Variance
Source DF SS MS F P
Regression 3 12.1386 4.0462 2280.97 0.000
Residual Error 182 0.3228 0.0018
Total 185 12.4614
Source DF Seq SS
HST 1 11.6319
HST2 1 0.0659
HSt3 1 0.4408
Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi) 52
Durbin-Watson statistic = 0.00372833
7.b. Fase Generatif
Regression Analysis: EVI versus HST, HST2, HSt3 The regression equation is
EVI = - 1.56 + 0.0902 HST - 0.00110 HST2 + 0.000004 HSt3
Predictor Coef SE Coef T P
Constant -1.5568 0.3906 -3.99 0.000
HST 0.09017 0.01321 6.83 0.000
HST2 -0.0011034 0.0001456 -7.58 0.000
HSt3 0.00000398 0.00000052 7.60 0.000
S = 0.0295752 R-Sq = 97.5% R-Sq(adj) = 97.5%
PRESS = 0.143360 R-Sq(pred) = 97.38%
Analysis of Variance
Source DF SS MS F P
Regression 3 5.3293 1.7764 2030.91 0.000
Residual Error 156 0.1365 0.0009
Total 159 5.4657
Source DF Seq SS
HST 1 5.2788
HST2 1 0.0000
HSt3 1 0.0505
Durbin-Watson statistic = 0.00219359
53 Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi)
Lampiran 2. Hasil ektraksi EVI Multitemporal untuk periode tanam Oktober 2010 – Maret 2011 pada lahan sawah di wilayah Kabupaten Maros, Pare-pare,
Pinrang, SidRap, Wajo
Padi_Id COUNT Swh_Id AWL_TAN MX_ID MXTN_ID
7-Oct-
10
15-Oct-
10
23-Oct-
10
31-Oct-
10
8-Nov-
10
16-Nov-
10
24-Nov-
10
2-Dec-
10
10-Dec-
10
633 3 4 38 2 1 0.192 0.200 0.208 0.229 0.253 0.293 0.360 0.429 0.491
650 13 4 39 2 1 0.229 0.204 0.185 0.194 0.224 0.263 0.315 0.356 0.429
667 18 4 40 2 1 0.227 0.206 0.193 0.193 0.206 0.224 0.253 0.284 0.330
684 36 4 41 2 1 0.214 0.197 0.185 0.184 0.188 0.201 0.226 0.254 0.294
701 92 4 42 2 1 0.209 0.197 0.189 0.185 0.185 0.188 0.199 0.217 0.247
718 163 4 43 2 1 0.196 0.185 0.177 0.173 0.175 0.180 0.190 0.204 0.224
735 93 4 44 2 1 0.186 0.178 0.174 0.172 0.173 0.176 0.179 0.184 0.193
752 161 4 45 2 1 0.218 0.207 0.199 0.194 0.190 0.188 0.185 0.183 0.182
769 179 4 46 2 1 0.220 0.209 0.200 0.196 0.192 0.190 0.184 0.180 0.178
786 86 4 47 2 1 0.247 0.241 0.229 0.220 0.208 0.196 0.181 0.172 0.165
803 27 4 48 2 1 0.258 0.263 0.257 0.252 0.250 0.244 0.225 0.199 0.174
820 15 4 49 2 1 0.274 0.270 0.273 0.268 0.267 0.258 0.239 0.210 0.186
634 4 5 38 2 2 0.112 0.112 0.118 0.132 0.156 0.228 0.322 0.430 0.490
651 18 5 39 2 2 0.124 0.112 0.107 0.112 0.126 0.168 0.232 0.298 0.375
Penelitian Dan Pengembangan Pemanfaatan Data Inderaja Untuk Pemantauan
Fse Pertumbuhan Tanaman Padi(Studi Kasus Pulau Sulawesi) 54
668 31 5 40 2 2 0.144 0.123 0.115 0.113 0.119 0.135 0.175 0.222 0.282
685 39 5 41 2 2 0.159 0.138 0.128 0.125 0.128 0.138 0.175 0.211 0.247
702 50 5 42 2 2 0.177 0.154 0.134 0.126 0.122 0.125 0.140 0.157 0.176
719 123 5 43 2 2 0.185 0.165 0.145 0.133 0.125 0.123 0.126 0.132 0.143
736 115 5 44 2 2 0.170 0.153 0.139 0.130 0.123 0.119 0.117 0.118 0.122
753 254 5 45 2 2 0.167 0.154 0.143 0.133 0.125 0.119 0.114 0.109 0.108
770 551 5 46 2 2 0.176 0.163 0.150 0.138 0.128 0.119 0.109 0.103 0.099
787 558 5 47 2 2 0.180 0.168 0.157 0.149 0.141 0.132 0.119 0.106 0.096
804 370 5 48 2 2 0.203 0.184 0.170 0.162 0.155 0.147 0.132 0.112 0.095
821 248 5 49 2 2 0.198 0.179 0.165 0.159 0.156 0.150 0.137 0.116 0.095
637 5 8 38 3 2 0.134 0.134 0.138 0.157 0.208 0.299 0.410 0.486 0.531
654 17 8 39 3 2 0.156 0.147 0.145 0.156 0.180 0.234 0.318 0.389 0.469