Sistem Informasi Geografis untuk Pemetaan dan Pemodelan Vegetasi

Pertanian menggunakan metode NDVI time series dan HyFIS models

(Studi Kasus: Kabupaten Magelang)

30000318410004, Ircham Ali

Magister Sistem Informasi Universitas Diponegoro

1. Pendahuluan

1.1. Latar Belakang

Ketahanan pangan bisa dicapai dengan swasembada pangan melalui pola

manajemen penggunaan lahan vegetasi secara efektif dan efisien (Van Noordwijk
et al., 2018). Vegetasi menurut Zwolicki et al., (2019) merupakan sumberdaya alam
utama yang dimiliki oleh makhluk hidup untuk memenuhi kebutuhan makanan dan
tempat bernaung bagi kehidupan hewan dan manusia. Pertanian merupakan
salahsatu vegetasi yang memiliki peranan penting dan menjadi modal dasar dalam
pembangunan Indonesia. Menurut penelitian dari Pei et al., (2018) wilayah
bervegetasi pertanian yaitu daerah yang arealnya diusahakan untuk budidaya
tanaman pangan, perkebunan dan holtikultura.

Perkembangan hasil pertanian di suatu wilayah memiliki kapasitas produksi

yang berbeda-beda (Len et al., 2018). Hasil pertanian pangan disejumlah daerah
yang berada diambang batas atau dibawah profitabilitas bisa disebut sebagai
masalah pertanian. Masalah tersebut memiliki beberapa faktor salah satunya yaitu
penentuan lahan pertanian. Sebagaimana penelitian dari Dang et al., (2018) yang
menyebutkan peningkatan permintaan pangan bisa diatasi dengan mengoptimalkan
kapasitas penyediaan beras melalui pemilihan lokasi dan praktik pertanian. Tren
teknologi untuk pertanian bisa menggunakan sistem informasi geografis (SIG).

Sistem informasi geografis menurut Hiloidhari et al., (2017) merupakan

sebuah tools yang digunakan untuk mengelola data spasial atau data bereferensi
geografis melalui tahapan input, manajemen, proses, dan output. Penerapan sistem
informasi geografis selain digunakan untuk memetakan lahan juga untuk
memodelkan lahan pertanian pada waktu mendatang (Buttafuoco & Luca, 2018).
Selain itu penerapan metode prediksi dan analisa data bisa dijadikan alat untuk
mengolah data bereferensi geografis untuk memetakan vegetasi pertanian produktif
pada suatu wilayah.

Salah satu metode untuk mendukung sistem informasi geografis pemetaan

vegetasi pertanian adalah Normalized Difference Vegetation Index (NDVI) time
series. Metode tersebut memiliki efektifitas dalam menilai dan mencocokkan nilai
spektral jenis dan kerapatan vegetasi dengan hasil analisis digital citra indeks
vegetasi yang cukup baik (Li et al., 2019). Pada penelitian Estel et al., (2015) untuk
memetakan lahan aktif dan lahan kosong pertanian menggunakan MODIS
Normalized Differenced Vegetation Index (NDVI) time series dengan hasil data
perkembangan dari tahun 2001-2012 lahan pertanian yang kosong (ditinggalkan)
berpotensi untuk produktif (tetap digunakan) sebagai lahan pertanian pangan
produktif.

Pada penelitian ini penerapan metode NDVI time series dikombinasikan

dengan topographic wetness index (TWI) sebagai variabel lingkungan untuk
menentukan indikator kelembaban tanah. Selain itu untuk proses pemodelan
menggunakan hybrid neural-fuzzy inference system (HyFIS), sistem pemodelan
fuzzy ini menggunakan aturan IF-THEN untuk memisahkan korelasi linear antara
variabel respon (hasil panen padi) dan variabel prediksi (variabel lingkungan
pertanian). Sebagaimana penelitian dari Dang et al., (2019) dengan kombinasi SIG
dengan HyFIS models mengasilkan akurasi tinggi dalam prediksi penentuan
produksi beras di Vietnam.

Oleh karena itu, penelitian ini mengusulkan sebuah sistem informasi

geografis (SIG) untuk memetakan vegetasi pertanian dalam sebuah studikasus
pertanian pangan. Pemanfaatan SIG yang dikombinasikan dengan metode NDVI
time series yang bertujuan untuk mengolah data menjadi informasi spasial dan
temporal yang konsisten dalam analisis vegetasi darat dalam kurun waktu tertentu.
Ditambah kebaruan dalam sistem pemodelan dengan hybrid neural-fuzzy inference
system (HyFIS) diharapkan menjadi sistem prediksi untuk memperkirakan
produktifitas pangan pertanian serta transformasi lahan pertanian berdasar hasil
pengolahan data kurun waktu (time series).

1.2. Tujuan Penelitian

Penelitian ini bertujuan untuk membangun sistem informasi geografis

pemetaan dan pemodelan vegetasi pertanian menggunakan metode Normalized
Differenced Vegetation Index (NDVI) time series dan HyFIS models. NDVI time
series diterapkan untuk menganalisa indeks vegetasi suatu lahan pertanian dalam
kurun waktu tertentu dan dikombinasikan sistem pemodelan hybrid neural-fuzzy
inference system (HyFIS) sebagai sistem prediksi-penentuan lahan pertanian
produktif.

1.3. Manfaat Penelitian

Manfaat dari penelitian sistem informasi geografis pemetaan dan pemodelan

vegetasi pertanian menggunakan NDVI time series dan HyFIS models yaitu untuk
mengoptimalkan informasi produksi pertanian dan memberikan rekomendasi lahan
produktif untuk tanaman pangan. Sistem informasi geografis ini diharapkan dapat
menjadi sistem pantau, analisa dan prediksi lahan bagi para petani maupun
pemerintah.

2. Landasan Teori

Geographic Information System atau sistem informasi geografis yang

dikembangkan sebagai alat dan pemodelan pertanian sangat membantu dalam
pendukung keputusan dalam mengoptimalkan produksi beras pertanian (Bejo &
Mustaffha, 2014). Remote Sensing dalam sistem informasi geografis yang dijadikan
sebagai model prediksi hasil padi di china menunjukan hubungan yang positif
antara hasil panen dengan prediksi yang dibuat dalam jangka waktu tertentu (time
series) (Huang et al, 2013).

Hybrid Neural-Fuzzy Inference System (HyFIS) sebagai metode pemodelan

dalam penelitian Bac et al., (2019) telah berhasil dalam mendefinisikan area yang
cocok untuk budidaya padi pada skala regional dan untuk memperkirakan potensi
hasil padi pada skala plot. Integrasi sistem informasi geografis (SIG) dengan hybrid
neural-fuzzy inference system (HyFIS) dalam penelitian Dang et al., (2019)
mengasilkan akurasi tinggi dalam prediksi penentuan produksi beras di Vietnam.
Ditambah referensi penelitian dari (Estel et al., 2015) yang telah sukses mengolah
data menggunakan metode Normalized Differenced Vegetation Index (NDVI) time
series menjadi informasi spasial dan temporal yang konsisten dalam analisis
vegetasi darat dalam kurun waktu tahun 2001-2012 di pertanian eropa.

Kebaruan dari penelitian yang direncanakan, memadukan sistem informasi

geografis berbasis website (Web-GIS) dengan pengolahan data menggunakan
metode NDVI time series sebagai analisa vegetasi pertanian pangan dalam kurun
waktu tertentu, ditambah dengan penerapan model hybrid neural-fuzzy inference
system (HyFIS) untuk sistem prediksi hasil produksi pertanian. Nilai tambah dari
sistem informasi geografis ini yaitu sebagai sistem pemantau kondisi vegetasi
pertanian, sistem analisis perkembangan kondisi lahan dalam time series, sistem
prediksi hasil pertanian, dan juga sebagai sistem rekomendasi penentuan vegetasi
pertanian yang produktif.

3. Referensi

Bac, K., Burkhard, B., Windhorst, W., & Müller, F. (2019). Application of a hybrid
neural-fuzzy inference system for mapping crop suitability areas and predicting rice
yields. Environmental Modelling and Software, 114(January), 166–180.
https://doi.org/10.1016/j.envsoft.2019.01.015
Bac, K., Windhorst, W., Burkhard, B., & Müller, F. (2018). A Bayesian Belief Network –
Based approach to link ecosystem functions with rice provisioning ecosystem
services. Ecological Indicators, (June 2017), 0–1.
https://doi.org/10.1016/j.ecolind.2018.04.055
Bejo, S. K., & Mustaffha, S. (2014). Application of Artificial Neural Network in
Predicting Crop Yield: A Review. (January).
Buttafuoco, G., & Luca, F. (2018). GIS and Soil. (2006). https://doi.org/10.1016/B978-0-
12-409548-9.09634-2
Estel, S., Kuemmerle, T., Alcántara, C., Levers, C., Prishchepov, A., & Hostert, P.
(2015). Remote Sensing of Environment Mapping farmland abandonment and
recultivation across Europe using MODIS NDVI time series. Remote Sensing of
Environment. https://doi.org/10.1016/j.rse.2015.03.028
Hiloidhari, M., Baruah, D. C., Singh, A., Kataki, S., Medhi, K., Kumari, S., … Shekhar,
I. (2017). Bioresource Technology Emerging role of Geographical Information
System ( GIS ), Life Cycle Assessment ( LCA ) and spatial LCA ( GIS-LCA ) in
sustainable bioenergy planning. Bioresource Technology, 242, 218–226.
https://doi.org/10.1016/j.biortech.2017.03.079
Huang, J., Wang, X., Li, X., Tian, H., & Pan, Z. (2013). Remotely Sensed Rice Yield
Prediction Using Multi- Temporal NDVI Data Derived from NOAA ’ s-AVHRR.
(December). https://doi.org/10.1371/journal.pone.0070816
Kim, J., & Kasabov, N. (1999). HyFIS : adaptive neuro-fuzzy inference systems and their
application to nonlinear dynamical systems. Neural Networks, 12, 1301–1319.
Len, J., Len, P., & Mikulska, K. (2018). The proposed algorithm for identifying
agricultural problem areas for the needs of their reasonable management under
land consolidation works.
Li, C., Li, H., Li, J., Lei, Y., Li, C., & Manevski, K. (2019). Using NDVI percentiles to
monitor real-time crop growth. Computers and Electronics in Agriculture,
162(December 2018), 357–363. https://doi.org/10.1016/j.compag.2019.04.026
Pei, F., Wu, C., Liu, X., Li, X., Yang, K., Zhou, Y., & Wang, K. (2018). Agricultural and
Forest Meteorology Monitoring the vegetation activity in China using vegetation
health indices. 248(101), 215–227. https://doi.org/10.1016/j.agrformet.2017.10.001
van Noordwijk, M., Duguma, L. A., Dewi, S., Leimona, B., Catacutan, D. C., Lusiana,
B., … Minang, P. A. (2018). SDG synergy between agriculture and forestry in the
food, energy, water and income nexus: reinventing agroforestry? Current Opinion in
Environmental Sustainability, 34, 33–42.
https://doi.org/10.1016/j.cosust.2018.09.003
Zwolicki, A., Convey, P., Survey, B. A., Kingdom, U., Distinctiveness, C., Biodiversity,
P., … Threats, O. (2019). High Arctic Vegetation. 1–15.
https://doi.org/10.1016/B978-0-12-409548-9.11771-3