cover depan dan belakang -...

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


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


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



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


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


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


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).



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



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.



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



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



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



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



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



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



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 .



4.2.1. Kriteria dan cara pengambilan sample

Gambar 4-1. Diagram alir metode penelitian



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.



Gambar 4-2. Diagram alir metode penentuan Tanaman Padi dan non padi di lahan sawah

i



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.



Gambar 4-3. Diagram Alir Model Pertumbuhan Tanaman Padi

Keterangan Gambar:



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



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.



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.



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.



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.



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.



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



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.



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



Gambar5-3. Histogram EVI Maksimum di di Sulawesi Selatan

Gambar5-4. Presentase luas kelas padi sawah di di Sulawesi Selatan



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.



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.



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


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.





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)


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


EVI





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.


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


EVI


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





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)


6. Untuk nilai EVI maksimum 0.66-0.7 dibuat profil fase pertumbuhan seperti yang terlihat

pada Gambar5-7.



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)


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



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.



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


EVI



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




Gambar 5=12. Kurva Persamaan Regresi Model Pertumbuhan Padi kelas 4, Fase Genratif




Gambar 5=13. Kurva Persamaan Regresi Model Pertumbuhan Padi kelas 5, Fase Genratif



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.



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.



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



Gambar 5-9. Estimasi Umur Tanaman Padi AwalSeptember 2014 di Sulawesi Selatan



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).



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.



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.



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



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


EVI = - 0.776 + 0.0523 HST - 0.000689 HST2 + 0.000003 HST3


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%


Source DF SS MS F P



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


EVI = 0.128 + 0.00707 HST - 0.000039 HST2 + 0.000000 HST3


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%


Source DF SS MS F P

Regression 3 8.8778 2.9593 12102.51 0.000


Total 629 9.0309

Source DF Seq SS

HST 1 8.8429

HST2 1 0.0340

HST3 1 0.0009


2b. Fase Generatif




EVI = 0.199 + 0.0230 HST - 0.000400 HST2 + 0.000002 HST3


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%


Source DF SS MS F P

Regression 3 7.5783 2.5261 10042.22 0.000


Total 504 7.7043

Source DF Seq SS

HST 1 7.3074

HST2 1 0.2428

HST3 1 0.0281


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


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%


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



Source DF Seq SS

HST 1 1.33211

HST2 1 0.01467

HST3 1 0.01429


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


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%


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


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


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



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%


Source DF SS MS F P

Regression 3 15.0752 5.0251 10880.71 0.000


Total 400 15.2586

Source DF Seq SS

HST_1 1 14.6530

HST2_1 1 0.0542

HST3_1 1 0.3680


4.b. Fase Generatif


EVI = - 1.24 + 0.0691 HST - 0.000821 HST2 + 0.000003 HST3


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%


Source DF SS MS F P

Regression 3 5.9834 1.9945 4020.04 0.000


Total 399 6.1799

Source DF Seq SS

HST 1 5.8995

HST2 1 0.0234

HST3 1 0.0605




5. Kelas 5 : 0.60-0.65

5a. Fase Vegetatif


EVI = 0.0809 - 0.00260 HST + 0.000375 HST2 - 0.000003 HST3


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%


Source DF SS MS F P

Regression 3 16.4797 5.4932 2900.04 0.000


Total 373 17.1806

Source DF Seq SS

HST 1 16.0971

HST2 1 0.2245

HST3 1 0.1581


5.b. Fase Generatif


EVI = - 2.21 + 0.103 HST - 0.00118 HST2 + 0.000004 HST3


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%




Source DF SS MS F P

Regression 3 5.7006 1.9002 6935.06 0.000


Total 240 5.7655

Source DF Seq SS

HST 1 5.5781

HST2 1 0.0431

HST3 1 0.0794


6. Kelas 6 :

6a. Fase Vegetatif


EVI = 0.111 - 0.00523 HST + 0.000547 HST2 - 0.000005 HST3


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%


Source DF SS MS F P

Regression 3 9.7445 3.2482 6651.98 0.000


Total 186 9.8339

Source DF Seq SS

HST 1 9.5221

HST2 1 0.0194

HST3 1 0.2030


6.b. Fase Generatif


EVI = - 1.41 + 0.0861 HST - 0.00110 HST2 + 0.000004 HST3




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%


Source DF SS MS F P

Regression 3 6.4390 2.1463 4524.15 0.000


Total 214 6.5391

Source DF Seq SS

HST 1 6.3245

HST2 1 0.0412

HST3 1 0.0733


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


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%


Source DF SS MS F P

Regression 3 12.1386 4.0462 2280.97 0.000


Total 185 12.4614

Source DF Seq SS

HST 1 11.6319

HST2 1 0.0659

HSt3 1 0.4408




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


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%


Source DF SS MS F P

Regression 3 5.3293 1.7764 2030.91 0.000


Total 159 5.4657

Source DF Seq SS

HST 1 5.2788

HST2 1 0.0000

HSt3 1 0.0505




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



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

PUSAT PEMANFAATAN PENGINDERAAN JAUH - 2014

cover depan dan belakang -...

Documents