Post on 07-Apr-2019
ANALISA ESTIMASI PRODUKSI PADI BERDASARKAN FASE
TUMBUH DAN MODEL PERAMALAN AUTOREGRESIF
INTEGRATED MOVING AVERAGE (ARIMA)
MENGGUNAKAN CITRA SATELIT LANDSAT 8
(Studi Kasus: Kabupaten Bojonegoro)
Vivi Diannita Sari (3510 100 022)
Jurusan Teknik Geomatika, Fakultas Teknik Sipil dan Perencanaan, Institut
Teknologi Sepuluh Nopember Kampus ITS Sukolilo, Surabaya, 60111,
Indonesia
TUGAS AKHIR
LATAR BELAKANG (I)
Kabupaten Bojonegoro sebagai penghasil padi andalan di Provinsi Jawa Timur. Tahun 2012,
Bulog Bojonegoro menjadi Bulog untuk subdivisi regional tertinggi di seluruh Indonesia.
(Toyudho dalam Tempo, 2012).
Padi merupakan tanaman penghasil beras yang banyak dibudidayakan di Indonesia.
Tingginya angka konsumsi beras nasional lantaran beras menjadi bagian yang tidak
dipisahkan dari budaya pangan nasional.
Konsumsi Indonesia =
102 kg/kapita/thn
Konsumsi dunia =
60 kg/kapita/tahun (Neraca, 2013)
Perlu adanya upaya untuk memantau kestabilan produksi pertanian secara berkala. Angka
ramalan produksi padi sangat diperlukan untuk mendukung kebijakan pemerintah dalam
penanganan isu pangan.
Namun kendala yang dihadapi saat ini adalah kesulitan dalam hal memantau perkembangan
tanaman padi ini secara cepat, akurat dan kontinu sehingga dapat memperkirakan
produktivitas pada suatu area yang diamati.
TEKNOLOGI
PENGINDERAAN JAUH
Analisis spasial secara
berulang, kontinu,
meliputi wilayah yang
relatif luas.
LATAR BELAKANG (II)
MODEL
PERAMALAN
ARIMA
PERUMUSAN MASALAH
Bagaimana mendapatkan indeks vegetasi terbaik
untuk penentuan fase tumbuh pada citra satelit
Landsat 8?
Bagaimana mendapatkan hasil peramalan
produktifitas padi Kabupaten Bojonegoro dengan
metode ARIMA serta perbandingannya dengan data
hasil panen sampel?
Bagaimana estimasi produksi padi Kabupaten
Bojonegoro untuk n minggu kedepan?
BATASAN MASALAH
Penentuan estimasi produktifitas padi ini berdasarkan
fase tumbuh, hasil panen sampel, hasil panen sampel
dan metode peramalan produktifitas padi tahun
1997-2013 menggunakan ARIMA.
Wilayah penelitian meliputi daerah persawahan
Kabupaten Bojonegoro.
Citra yang digunakan adalah citra satelit Landsat 8.
TUJUAN PENELITIAN
Untuk mendapatkan indeks vegetasi terbaik untuk
penentuan fase tumbuh pada citra satelit Landsat 8.
Untuk mendapatkan hasil peramalan produktifitas padi
Kabupaten Bojonegoro dengan metode ARIMA serta
hasil perbandingannya dengan data hasil panen
sampel.
Untuk mengetahui estimasi produksi padi Kabupaten
Bojonegoro untuk n minggu kedepan.
MANFAAT PENELITIAN
Manfaat yang ingin diperoleh dari penyusunan Tugas
Akhir ini adalah menghasilkan estimasi produktifitas
padi di Kabupaten Bojonegoro yang dapat
digunakan sebagai bahan pertimbangan dalam
pengambilan kebijakan terkait ketahanan pangan.
FASE TUMBUH PADI
Sumber: FAO, tanpa tahun
Tanaman padi biasanya
memerlukan waktu 3-6 bulan
untuk tumbuh mulai dari
pembenihan sampai dengan
panen, tergantung dari jenis
varitas padi dan kondisi tempat
tanaman padi tumbuh.
SATELIT PENGINDERAAN
JAUH LANDSAT 8
Kanal No. Kanal
Kisaran
Spektral
(nm)
Penggunaan Data GSD (resolusi
spasial)
Radiance
(W/m2srμm), typical SNR (typical)
1 Biru 433-453 Aerosol/coastal zone 30 m 40 130
2 Biru 450-515 Pigments/scatter/co
astal
30m (Kanal-
kanal warisan
TM)
40 130
3 Hijau 525-600 Pigments/coastal 30 100
4 Merah 630-680 Pigments/coastal 22 90
5 Infra Merah
Dekat (NIR) 845-885 Foliage/coastal 14 90
6 SWIR 2 1560-1660 Foliage 4.0 100
7 SWIR 3 2100-2300 Minerals/litter/ no
scatter 1.7 100
8 PAN 500-680 Image Sharpening 15 m 23 80
9 SWIR 1360-1390 Cirruscloud detection 30 m 6.0 130
Satelit Landsat 8 mulai diluncurkan pada 11 Februari - 10 April 2013.
Satelit ini menggantikan satelit Landsat 7 yang mengalami suatu
kerusakan pada Scan Line Corrector-nya pada Mei 2003. Level 1 T- Terrain Corrected Digital Number pada citra Landsat sebelumnya berkisar antara 0-255.
Landsat 8 memiliki interval DN 0-65535 karena memiliki sensitifitas
dengan kuantifikasi 16 bit.
INDEKS VEGETASI
Indeks Formula Referensi
NDVI NIR − RED
NIR + RED Rouse dkk, 1974
MSAVI 2NIR + 1 − (2𝑁𝐼𝑅 + 1)2−8(NIR − RED)
2 Qi dkk, 1994
Normalized Difference Vegetation Index (NDVI) dipilih karena
algoritma ini telah terbukti memiliki kemampuan untuk menonjolkan
fenomena yang terkait dengan kerapatan vegetasi dengan menekan
sumber-sumber variasi spektral lain. Nilai hasil perhitungan indeks
vegetasi ini berkisar antara +1 hingga -1.
Modified Soil Adjusted Vegetation Index (MSAVI) merupakan suatu
algoritma yang dikembangkan untuk mendapatkan nilai indeks
vegetasi dengan menghilangkan faktor tanah. Algoritma ini
merupakan optimalisasi dari transformasi Soil Adjusted Vegetation
Index (SAVI).
ARIMA
Tahap 1: Identifikasi model
Setelah data distasionerkan, tahap penting berikutnya dari identifikasi adalah
menentukan model ARIMA tentatif. Hal ini dilakukan dengan menganalisis
perilaku pola dari ACF dan PACF.
Tahap 2: Estimasi model
Setelah model tentatif ditentukan, parameter model tersebut harus diestimasikan.
Selain itu, residual mean kuadrat galat yang merupakan estimasi varian galat t
juga dihitung.
Tahap 3: Pemeriksaan model
Pemeriksaan model dilakukan dengan sistem trials and errors, dimana nilai MSE
yang dihasilkan dari berbagai macam kombinasi model ARIMA dapat diperoleh,
kemudian model ARIMA yang menghasilkan nilai MSE terkecil dipilih.
Tahap 4: Peramalan melalui model
Begitu didapat model yang memadai, ramalan satu atau beberapa periode
depan dapat dikerjakan.
*) Semakin banyak data tersedia, maka model ARIMA yang sama dapat
digunakan untuk menghasilkan ramalan dari titik awal yang lain.
-Hanke (2003)-
PENELITIAN TERDAHULU
Adapun penelitian terdahulu terkait estimasi produktifitas padi dan fase
tumbuh adalah sebagai berikut:
Kustiyo (2003) dalam penelitiannya menggunakan Landsat 7 untuk
melakukan estimasi fase tumbuh dan luas panen padi sawah. Saluran
multispectral digunakan untuk ekstraksi fase tumbuh padi sedangkan
gabungan multispectral dan pankromatik digunakan untuk ekstraksi
lahan sawah. Indek fase tumbuh digabung dengan NDVI (Normalized
Difference Vegetation Index) digunakan untuk menentukan enam kelas
fase tumbuh padi. Ketelitian klasifikasi fase tumbuh padi dihitung dengan
membandingkan citra hasil klasifikasi dengan data referensi yang
diperoleh dari data realisasi tebar/tanam.
Domiri, dkk (2005) dalam penelitiannya menggunakan data Modis
dalam menentukan model pertumbuhan tanaman padi untuk
pendugaan umur padi sawah. Penelitian ini menggunakan Enhanced
Vegetation Index (EVI) untuk mengestimasi umur padi jenis IR 64 sebagai
varietas dominan di pulau Jawa. Dihasilkan dua model fase
pertumbuhan yaitu fase vegetatif dengan peningkatan nilai EVI dan fase
generatif dengan indikasi penurunan nilai EVI dari dua data temporal EVI
MODIS.
Wijaya, Adi dan Suhartono (2012) dalam penelitiannya yang berjudul
“Peramalan Produksi Padi dengan ARIMA, Fungsi Transfer dan Adaptive
Neuro Fuzzy Inference System”. Data yang digunakan adalah data padi
sawah Propinsi Jawa Tengah, Kalimantan Selatan dan Sumatera Utara
subround I-III tahun 1983-2010. Tingkat akurasi peramalan yang
dihasilkan oleh setiap metode peramalan diukur dengan kriteria Mean
Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan
metode ANFIS merupakan metode peramalan luas panen padi sawah
terbaik propinsi Jawa Tengah dengan rata-rata nilai MAPE 6,89%.
Sedangkan peramalan produktifitas padi sawah, ARIMA merupakan
metode peramalan terbaik dengan rata-rata nilai MAPE 1,83%.
LOKASI PENELITIAN
(sumber: website www.bojonegorokab.go.id )
= Beberapa areal persawahan di Kabupaten Bojonegoro
TAHAPAN PENGOLAHAN
Citra
Terkoreksi
Citra
Landsat 8
Koreksi Geometrik
RMSE <1 pixel dan SoF <1
Peta vektor Kab.
Bojonegoro hasil digitasi
peta RBI skala 1:25.000 tidak
ya
Perhitungan Indeks
Vegetasi
Nilai Indeks
Vegetasi
Penentuan sampel
Survei Lapangan
Data koordinat
dan fase tumbuh
Analisis Regresi
Running Model pada Citra
Model Hubungan
Terbaik
Peta Distribusi Fase
Tumbuh Tanaman Padi
Cropping Daerah Persawahan
Konversi DN ke
Reflektan
Data Produktifitas Padi
Tahun 1997-2012
Persiapan Data untuk
Peramalan Metode ARIMA
Identifikasi Model Tentatif
(memilih p, d, q)
Uji Diagnosis,
Signifikansi <0.05
Data Peramalan Produktivitas
Padi per Hektar Tahun 2013
ya
tidak
Validasi Peramalan
Data Pengamatan
Hasil Panen Sampel
Model
Peramalan
Perhitungan Produktifitas Padi
Berdasarkan Fase Tumbuh
Data Estimasi Produktifitas Padi
Kab. Bojonegoro Tahun 2013
Estimasi Parameter Model
Cropping awan
Peta vektor Kab.
Bojonegoro hasil digitasi
peta RBI skala 1:25.000
Peta vektor sawah Kab.
Bojonegoro tahun 2012
PERSEBARAN PENGAMBILAN SAMPEL
HASIL ANALISIS REGRESI
y = -0,0138x2 + 0,1689x + 0,0613
R² = 0,7229
0
0,2
0,4
0,6
0,8
1
0 2 4 6 8 10
ND
VI
Fase Tumbuh
y = -0,0124x2 + 0,143x - 0,0796
R² = 0,879
0
0,1
0,2
0,3
0,4
0,5
0 2 4 6 8 10
MS
AV
I
Fase Tumbuh
NDVI lebih sensitif terhadap klorofil, sehingga
klorofil dapat membaurkan faktor kerapatan
daun. NDVI berkorelasi dengan indeks luasan
daun atau Leaf Area Index (LAI) (Xiao, dkk,
2002), akan tetapi NDVI memiliki batasan
meliputi tingkat kejenuhan di bawah tutupan
kanopi dan sensitif terhadap kondisi atmosfer
dan tutupan tanah (Huete, dkk, 2002 dan Xiao,
dkk, 2003).
MSAVI memang cukup baik digunakan untuk
estimasi kerapatan daun, sementara nilai
MSAVI ini masih sensitif terhadap pigmen
klorofil (Haboundane, 2004).
MSAVI tidak hanya dapat meningkatkan
sinyal tumbuhan, akan tetapi juga sangat
meminimalisir efek tutupan tanah (Kang,
1995).
ANALISA MODEL HUBUNGAN TERBAIK
Fase
Tumbuh
Fitting
Point Nilai Titik Pembulatan
1 1 0.055 0.06
2 1.5 0.10825 0.11
3 2.5 0.19825 0.2
4 3.5 0.26625 0.27
5 4.5 0.31225 0.31
6 5.5 0.33625 0.336
7 6.5 0.33825 0.338
8 7.5 0.31825 0.31
9 8.5 0.27625 0.27
9.5 0.21225 0.2
0
0,05
0,1
0,15
0,2
0,25
0 5 10
Ref
lek
tan
Fase Tumbuh
Reflektan
SWIR1
PETA DISTRIBUSI FASE TUMBUH PADI
PERAMALAN ARIMA PRODUKTIFITAS PADI
Time series plot deret input Box-Cox plot deret input
ACF Plot Produktivitas padi PACF Plot Produktivitas padi
PERAMALAN ARIMA PRODUKTIFITAS PADI
Tipe Koefisien Standard Error Koefisien T-Hitung P-Value
AR (1) 0,6244 0,1305 4,78 0,000
Hipotesis estimasi parameter model :
H0 : Φ = 0
H1 : Φ ≠ 0
Taraf signifikan : α = 0,05
Statistik Uji :
Lag 12 24 36 48
Chi-Square 9,5 13,9 28,5 37,1
Degree of Freedom 10 22 34 46
P-Value 0,485 0,905 0,733 0,821
Dari model ARIMA (1,0,0)3 menghasilkan P-value 0,000 kurang dari taraf signifikan 0,05, maka
model signifikan dan H0 ditolak.
White noise adalah suatu proses yang independen dan berdistribusi tertentu dengan mean
konstan, biasanya diasumsikan 0 dan variansi konstan (Salamah, dkk, 2003). Sehingga
digunakan hipotesis:
H0 : ρ = 0 (white noise)
H1 : ρ ≠ 0 (tidak white noise)
Taraf signifikan : α = 0,05
Statistik Uji :
Dapat dilihat bahwa nilai P-value pada
semua lag lebih dari taraf signifikan 0,05,
maka gagal tolak H0. Hal tersebut berarti
bahwa model telah memenuhi asumsi
white noise.
PERAMALAN ARIMA PRODUKTIFITAS PADI
Ramalan Batas Atas Batas Bawah
66,2078 55,6237 76,7919
Dengan demikian persamaan model untuk ARIMA musiman (1,0,0)3
adalah sebagai berikut:
(1 – Φ1B3) Zt = at
Zt – Φ1 Zt-3 = at
Zt = Φ1 Zt-3 . at
Keterangan:
Φ = Koefisien
t = Waktu
at = Error Model
PERBANDINGAN PERAMALAN DAN SAMPEL PANEN
10.000 m2
6,25 m2 x 3,62 kg = 5.792 kg
ARAM – N. Panen Sampel = 66,21 – 57,92 = 8,29 kuintal
selisih antara hasil dari nilai Angka Ramalan (ARAM) dan nilai panen
ESTIMASI PRODUKSI PADI BERDASARKAN FASE TUMBUH
No. Fase Tumbuh
Estimasi
Produksi Padi
(ton)
Perkiraan
Waktu Panen
(minggu)
1. Seedling 72.246,878 15
2. Tillering 169.595,385 13-14
3. Stem elongation 34.819,079 12-13
4. Panicle 15.886,495 10-11
5. Heading 8.882,041 9-10
6. Flowering 1.559,392 8-9
7. Milk grain 12.589,546 4-5
8. Dough grain 22.613,274 3-4
9. Mature grain 51.159,032 1-2