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