UNIVERSITAS INDONESIA

FASE TUMBUH TANAM PADI MENGGUNAKAN INDEKS VEGETASI

UNTUK ESTIMASI PRODUKTIVITAS PADI DI KECAMATAN CIKAKAK,
KABUPATEN SUKABUMI

SKRIPSI

ALPHI KEMAL HISYAM

1606875503

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

PROGRAM STUDI GEOGRAFI
DEPOK
2020
 UNIVERSITAS INDONESIA

FASE TUMBUH TANAM PADI MENGGUNAKAN INDEKS VEGETASI

UNTUK ESTIMASI PRODUKTIVITAS PADI DI KECAMATAN CIKAKAK,
KABUPATEN SUKABUMI

SKRIPSI

Diajukan sebagai salah satu syarat memperoleh gelar

Sarjana Geografi

ALPHI KEMAL HISYAM

1606875503

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

PROGRAM STUDI GEOGRAFI
DEPOK
2020
 DAFTAR ISI
DAFTAR ISI............................................................................................................................. 2
BAB 1 PENDAHULUAN ........................................................................................................ 3
1.1 Latar Belakang ............................................................................................................ 3
1.2 Pertanyaan Penelitian .................................................................................................. 5
1.3 Tujuan Penelitian......................................................................................................... 5
1.4 Batasan Penelitian ....................................................................................................... 5
BAB 2 TINJAUAN PUSTAKA .............................................................................................. 7
2.1 Tanaman Padi .............................................................................................................. 7
2.2 Fase Tumbuh Tanam Padi ........................................................................................... 7
2.3 Pengindraan Jauh......................................................................................................... 8
2.4 Sentinel-2 .................................................................................................................... 9
2.5 Indeks Vegetasi ......................................................................................................... 10
2.6 Produktivitas Padi ..................................................................................................... 12
BAB 3 METODOLOGI PENELITIAN ............................................................................... 15
3.1 Alur Pikir ................................................................................................................... 15
3.2 Alur Kerja .................................................................................................................. 16
3.3 Variabel Penelitian .................................................................................................... 17
3.4 Pengumpulan Data .................................................................................................... 17
3.5 Pengolahan data......................................................................................................... 18
3.5.1 Indeks Vegetasi .................................................................................................. 18
3.5.2 Estimasi Produktivitas Padi ............................................................................... 21
3.6 Analisis Data ............................................................................................................. 21
DAFTAR PUSTAKA ............................................................................................................. 23
 BAB 1
PENDAHULUAN

1.1 Latar Belakang

Beras merupakan salah satu sumber makanan bagi setengah penduduk dunia, dan 9%
tutupan lahan di dunia merupakan padi (Maclean et al., 2002). Dan hasil panen tersebut
merupakan suatu masalah terpenting yang terkait dengan ketahanan pangan dan standar
kehidupan masyarakat (Wang et al., 2014). Padi sebagai tanaman pangan dikonsumsi
kurang lebih 90% dari keseluruhan penduduk Indonesia untuk makanan pokok sehari hari
(Saragih, 2001), Hingga tahun 2013 masalah ketahanan pangan khususnya beras menjadi
persoalan besar bangsa Indonesia. Pada tahun 2011, angka impor beras mencapai 1,6 juta
ton dan pada tahun 2012 meningkat menjadi 1,9 juta ton (Pujiasmanto, 2013). Pada tahun
2018 BPS mencatat bahwa penduduk Indonesia mengkonsumsi 1.55 Ton beras.
Berdasarkan data tersebut maka dapat dilihat bahwa kebutuhan akan beras di indonesia
sangatlah besar maka dari itu beras ditetapkan menjadi komoditas pangan utama selain
jagung, kedelai, daging dan tebu untuk diprioritaskan agar dapat mencapai tingkat
swasembada pangan nasional (Kementrian Pertanian, 2018).

Seiring dengan terus meningkatnya jumlah penduduk pada setiap tahunnya maka
kebutuhan akan lahan juga mengikuti pertumbuhan penduduk tersebut akibatnya terjadi
penciutan lahan sawah irigasi subur akibat konversi lahan untuk kepentingan non
pertanian, dan munculnya fenomena degradasi kesuburan menyebabkan peningkatan
produktivitas padi sawah irigasi cenderung melandai sehingga tidak mampu mengimbangi
laju peningkatan penduduk (Andriani, 2008). Maka dari itu diperlukan peningkatan
produktivitas padi untuk dapat menjamin ketahanan pangan dan meningkatkan
kesejahteraan petani (Satria, 2017). Selain itu beras juga merupakan daya tarik dalam
komoditas politik, oleh karena itu ketersediaan pangan merupakan salah satu fokus utama
dari pemerintah Indonesia. Kekurangan pangan bisa menyebabkan kerawanan ekonomi,
sosial, dan politik yang dapat menggoyahkan stabilitas nasional (Suryana, 2002).

Mengacu pada Badan Pusat Statistik (BPS) pada tahun 2015 sukabumi berada di
posisi kelima sebagai kabupaten dengan produktivitas beras tertinggi di Provinsi Jawa
Barat, dengan luas lahan padi sawah mencapai 64,028 pada tahun 2013 wajar saja jika
Kabupaten Sukabumi memiliki produktivitas padi yang cukup tinggi. Selain itu Kabupaten
Sukabumi di lewati beberapa sungai besar maka dari itu sawah sawah yang berada di
kabupaten Sukabumi ini sebgaian besar merupakan sawah irigasi. Kecamatan Cikakak
merupakan salah satu Kecamatan yang memiliki lahan sawah yang cukup besar mencapai
3.688 hektar dan sebagian besa merupakan sawah irigasi. Berdasarkan Rencana
Pembangunan Jangka Menengah Daerah Kabupaten Sukabumu (RPJMD, tahun 2016 –
2021) pemerintah sukabumi berencana untuk dapat mencapai ketahanan pangan dan
kedaulatan pangan oleh sebab itu maka pemerintah sukabumi menjadikan sektor pertanian
salah satu sektor yang menjadi prioritas dalam rencana tersebut.

Menurut Badan Pusat Statistik (BPS. 2018. Kecamatan Cikakak Dalam Angka
tahun 2018) masyarakat di Kecamatan Cikakak ini mayoritas bekerja sebagai petani
karena memang di wilayah terebut cukup banyak tersebar lahan pertanian, maka bisa
dilihat bahwa di Kecamatan Cikakak ini padi merupakan suatu komoditas yang menjadi
prioritas, dan oleh karena itu ketahanan pangan bisa di capai jika prakiraan serta
pengawasan hasil panen yang tepat waktu serta akurat sebelum panen memungkinkan
pihak yang bertanggung jawab untuk dapat membuat kebijakan pangan nasional lebih
masuk akal (Noureldin et al., 2013). Perakiraan atau estimasi dari hasil panen yang cepat
dan dapat di andalkan sebelum masa panen tersebut akan sangat membantu baik para
petani, pedagang, serta pemerintah dalam rangka mencapai ketahanan pangan (Yang et
al., 2019).

Pengindraan jauh merupakan suatu perangkat pengawasan yang presisi dan modern
untuk dapat mewujudkan pengolahan lahan, perhitungan variabilitas dari tanah, serta efek
perawatan dari tanaman yang baik (Huang et al., 2018). Parameter biologis tanaman yang
dapat diekstrak dari data pengindraan jauh tersebut antara lain nilai indeks vegetasi.
Dengan menggunakan data Indeks vegetasi temporal diharapkan dapat dideteksi dan
dicirikan fluktuasi pertumbuhan tanaman padi atau tanaman semusim lain di lahan sawah
(LAPAN, 2015). Dan dalam penelitian ini menggunakan citra sateit Sentinel – 2A karena
citra tersebut memang memiliki resolusi spasial yang bagus yaitu mencapai 10 x 10m dan
memiliki resolusi temporal yang cukup beragam (Drusch et al., 2012). Sedangkan untuk
indeks vegetasi yang di gunakan dalam penelitian ini yaitu NDVI, ARVI, dan MSAVI
kegunaan dari ketiga indeks egetasi itupun beragam. Untuk NDVI itu sendiri merupakan
indeks vegetasi yang paling banyak digunakan dalam penelitian serupa mengenai estimasi
produktivitas padi ataupun yang menggunakan metode indeks vegetasi yang sama,
sehingga menjadi tolak ukur untuk kedua indeks vegetasi lainnya. Sedangkan untuk indeks
 vegetasi ARVI digunakan karena mempertimbangkan tingkat aerosol yang di sebabkan
oleh PLTU Pelabuhan Ratu, dan untuk indeks vegetasi MSAVI di gunakan karena terdapat
lebih dari satu jenis tanah pada penggunaan lahan sawah oleh karena itu di harapkan
dengan di gunakannya metode MSAVI ini akan memperjelas hasil untuk melihat fase
pertumbuhan dengan keunggulan bisa mereduksi latar belakang tanah (Huete, 2011)

1.2 Pertanyaan Penelitian

Fase pertumbuhan padi dibutukan untuk dapat mengetahui usia tanam dari padi
tersebut dan untuk dapat melihat fase pertumbuhan padi tersebut digunakanlah indeks
vegetasi, dan terdapat tiga indeks vegetasi yang digunakan yaitu (NDVI, ARVI, dan
MSAVI) hasil perhitungan dari ketiga algoritma tersebut lalu di lakukan perbandingan
untuk dapat mengetahui mana algoritma yang memiliki hasil lebih baik sesuai dengan
keunggulannya masing – masing.

Setelah proses tersebut maka di lakukan perhitungan untuk estimasi produktivitas

padi di Kecamatan Cikakak, Kabupaten Sukabumi, Provinsi Jawa Barat. Maka dari itu
adapun pertanyaan dalam penelitian ini sebagai berikut :

1. Bagaimana distribusi spasial fase pertumbuhan padi sawah berdasarkan indeks

vegetasi di Kecamatan Cikakak?
2. Bagaimana estimasi produktivitas tanaman padi sawah di Kecamatan Cikakak?

1.3 Tujuan Penelitian

Tujuan dari penelitian ini antara lain :

1. Menganalisis distribusi spasial fase pertumbuhan padi sawah berdasarkan indeks

vegetasi di Kecamatan Cikakak
2. Menganalisis estimasi produktivitas padi sawah di Kecamatan Cikakak

1.4 Batasan Penelitian

Batasan dari penelitian ini antara lain :

1. Cakupan wilayah penelitian berada di Kecamatan Cikakak, Kabupaten Sukabumi

yang memiliki luas lahan pertanian sawah sebesar 3.688 Ha (BPS, 2015)
2. Produktivitas padi merupakan hasil persatuan lahan yang panen dari seluruh luas
lahan yang di panen (Aji et al., 2017)
3. Penlitian ini menggunakan citra satelit Sentinel-2 Level-2A
4. Indeks vegetasi yang digunakan dalam penelitian ini yaitu NDVI, ARVI, dan MSAVI
5. Penentuan produktivitas padi hanya di tentukan saat kondisi normal, tidak di
pengaruhi oleh faktor – faktor lain seperti kekeringan, hama, dan banjir
6. Fase tumbuh tanam padi mengacu pada ciri – ciri pada setiap fasenya yaitu fase
tanam, fase vegetatif, fase generatif, dan fase bera (Noer, 2008)
7. Unit analisis dalam penelitian ini adalah padi sawah yang berada di Kecamatan
cikakak, Kabupaten Sukabumi
 BAB 2
TINJAUAN PUSTAKA

2.1 Tanaman Padi

Padi tanaman pangan yang berasal dari benua asia dan afrika barat (Purwono,
2009) dan padi juga merupakan salah satu pangan yang kaya akan nilai gizi setiap harinya
manusia membutuhkan 0,88 Kg beras untuk dapat memenuhi kebutuhan kalorinya selain
itu beras mengandung zat makanan yaitu; karbohidrat, protein dan lemak. Serta
mengandung mineral seperti; kalsium, dan magnesium (Amirullah, 2008).

Untuk sawah irigasi, curah hujan tidak faktor pembatas tanaman padi, akan tetapi
pada sawah tadah hujan sangat bergantung terhadap curah hujan dan tanaman padi
membutuhkan curah hujan yang optimum >1.600 mm/tahun. Padi gogo memerlukan bulan
basah yang berurutan minimal 4 bulan. Bulan basah adalah bulan yang mempunyai curah
hujan >200 mm dan tersebar secara normal atau setiap minggu ada turun hujan sehingga
tidak menyebabkan tanaman stress karena kekeringan. Suhu yang optimum untuk
pertumbuhan tanaman padi berkisar antara 24 - 290 C (BKPPP, 2009)

Menurut Ina (2007) tanaman padi di golongkan menjadi dua bagian yaitu bagian
vegetatif dan bagian generatif untuk bagian vegetatif terdiri dari akar, batang, anakan dan
daun. Sedangkan untuk bagian genertif terdiri dari malai, buah padi, dan bentuk gabah.
Selain faktor – faktor yang di jelaskan sebelumnya mengenai kondisi yang ideal untuk
tumbuh kembang padi terdapat juga faktor – faktor yang berpotensi mempengaruhi
produksi padi jika tidak di tangani lebih lanjut. Faktornya pun cukup beragam selain curah
hujan dan musim adapun hama dan penyakit tanaman padi yang dapat mempengaruhi
produksi padi itu sendiri. Dan sebagian besar produksi padi di Indonesia berasal dari Padi
sawah dan hanya sebagian kecil saja yang berasal dari padi bukan sawah (Suwarno, 2010)

2.2 Fase Tumbuh Tanam Padi

Menurut (Moldenhauer, 2018) Fase pertumbuhan padi di bagi menjadi tiga fase
pertumbuhan, yaitu; Vegetatif, reproduktif, dan pematangan. Untuk suatu variaetas
berusia 120 hari yang tumbuh di daerah tropik, maka memiliki masa vegetatif 60 hari, fase
reproduktif 30 hari, dan fase pemasakan 30 hari (Arafah, 2009)

Fase pertumbuhan vegetatif di tandai dengan peningkatan tinggi yang secara bertahap
serta di ikuti dengan munculnya daun secara berkala (Moldenhauer, 2018) sedangkan fase
 reproduktif di tandai dengan memangjangnya ruas teraatas pada batang yang sebelumnya
tertumpuk rapat pada permukaan tanah dan fase pematangan di tandai dengan 4 tingkatan
yaitu; (1) Stadia masak susu. Tanaman padi berwarna hijau tetapi ruas batang bawah
berawarna kuning, (2) Stadia masak kuning. Semua bagian tanamanan mulai berwarna
kuning, (3) Stadia masak penuh. Bagian atas berwarna kuning dan batang sudah mulai
kering, (4) Stadia masak mati. Isi gabah keras dan kering serta mudah rontok

Stadia masak mati di mulai +- 6 hari semenjak stadia masak penuh di mulai (Arafah,
2009) sedangkan menurut Noer (2008) menyatakan bahwa fase-fase kondisi penutup lahan
selama masa pertumbuhan tanaman padi dapat dijelaskan sebagai berikut:

1. Fase awal pertumbuhan padi dimana lahan sawah didominasi oleh air karena
penggenangan (fase tanam).
2. Fase pertumbuhan vegetatif, ditandai dengan semakin lebatnya daun tanaman padi yang
menutupi seluruh lahan sawah. Pada fase ini penutupan lahan didominasi warna hijau.
3. Fase pertumbuhan generatif, kondisi lahan sawah yang semula di dominasi daun
berwarna hijau akan digantikan dengan butir-butir padi yang berwarna kuning.
4. Fase bera (panen) dimana lahan menjadi bera selama jangka waktu tertentu.

2.3 Pengindraan Jauh

Teknologi pengindraan jauh merupakan perangkat yang sudah cukup lama namun
mengalami banyak perkembangan dan banyak di pakai pada sebagian besar bidang
kehidupan (Indarto, 2017). Menurut Liu (2015) dengan perkembangan toknologi
pengindraan jauh yang sangat pesat membuat data pengindraan jauh sangat besar dan
dapat di gunakan untuk berbagai macam penelitian dan berbagai aplikasi. Maka dari itu
penelitian ini menggunakan pengindraan jauh untuk dapat melihat fase pertumbuhan padi.
Salah satu metode pemantauan tanaman padi atau tanaman semusim lainnya yang dapat
dilakukan adalah dengan memanfaatkan data satelit penginderaan jauh yang memiliki
resolusi temporal tinggi dan resolusi spasial yang memadai (LAPAN, 2015). Dengan
keunggulannya tersebut maka pengindraan jauh akan memudahkan peneliti atau
penggunanya untuk dapat memantau yang bersekala besar. Dan untuk penelitian mengenai
agrikultur akan memudahkan karena, pengindraan jauh merupakan suatu perangkat
pengawasan yang presisi dan modern untuk dapat mewujudkan pengolahan lahan,
perhitungan variabilitas dari tanah, serta efek perawatan dari tanaman yang baik (Huang
et al., 2018).
2.4 Sentinel-2
Sentinel 2 merupakan satelit multispektral yang bisa di gunakan untuk dapat
memetakan tutupan lahan, penggunaan lahan, dan perubahan penggunaan lahan selain itu
citra sentinel 2 ini dapat di gunakan untuk dapat melihat biogeophysical variabel seperti
tingkat klorofil pada daun atau vegetasi, tingkat kelembapan daun atau vegetasi, serta
indeks area vegetasi (Drusch et al., 2012). Dan berikut dapat dilihat pada tabel 2.1
kelengkapan yang dimiliki oleh Citra Sentinel-2

Tabel 2.1 Sepesifikasi Sentinel-2

Fitur Data Satuan

Tahun Peluncuran 2013 -

Estimasi Usia Satelit 15 Tahun

Waktu Kunjungan 5 Hari

Band Multispektral 13 -

Resolusi Spasial 10,20,60 Meter

Sumber: (European Space Agency, 2012)

Bisa di lihat pada tabel 2.1 resolusi spasial yang di miliki oleh sentinel-2 cukup baik
dengan jangankauan 10 m dan memiliki waktu kunjungan kembali yang cukup singkat
jika di bandingkan dengan satelit seperti Landsat dan SPOT yang memiliki waktu
kunjungan kembali di atas 10 hari sedangkan Sentinel hanya memerlukan 5 hari sehingga
memudahkakan peneliti untuk memiliki lebih banyak opsi untuk dapat melihat
perkembangan fase tumbuh tanam padi itu sendiri.

Dengan jumlah band multispektral yang dimiliki oleh citra sentinel-2 maka akan dapat
memudahkan peneliti untuk dapat menggunakan berbai macam indeks vegetasi atau
berbagai jenis metode, dan dapat dilihat pada tabel 2.2 band yang dimiliki oleh satelite
sentinel-2 beserta kelengkapannya. Dengan kelengkapan yang di miliki oleh Sentinel-2 ini
maka indeks vegetasi yang akan di gunakan dalam penelitian ini seperti NDVI, ARVI,
atau pun SAVI dapat di terapkan ke dalam citra ini karena memiliki apa yang metode
indeks vegetasi tersebut butuhkan.
 Tabel 2.2 Karakteristik Band Sentinel-2

Panjang Gelombang Resolusi

Band (nm) Spasial (m)
Band 1 – Coastal Aerosol 443,9 60
Band 2 – Blue 496,6 10
Band 3 – Green 560,0 10
Band 4 – Red 664,5 10
Band 5 – Vegetation Red Edge 703,9 20
Band 6 – Vegetation Red Edge 740,2 20
Band 7 – Vegetation Red Edge 782,5 20
Band 8 – NIR 835,1 10
Band 8A – Vegetation Red Edge 864,8 20
Band 9 – Water Vapour 945,0 60
Band 10 – SWIR – Cirrus 1373,5 60
Band 11 – SWIR 1613,7 20
Band 12 – SWIR 2202,4 20

Sumber: (European Space Agency, 2012)

2.5 Indeks Vegetasi

Menurut Dodi Sudiana (2008) Indeks vegetasi adalah besaran nilai kehijauan
vegetasi yang diperoleh dari pengolahan sinyal dijital data nilai kecerahan (brightness)
beberapa kanal data sensor satelit. Untuk pemantauan vegetasi, dilakukan proses
pembandingan antara tingkat kecerahan kanal cahaya merah (red) dan kanal cahaya
inframerah dekat (near infrared). Dengan indeks vegetasi maka dapat terlihat atau dapat
di pantau kondisi dari vegetasi itu sendiri berdasarkan algoritma dari indeks vegetasi yang
di gunakan.

Penelitian ini menggunakan tiga jenis indeks vegetasi yaitu NDVI, ARVI, dan MSAVI.
Masing masing dari indeks vegetasi tersebut memiliki fungsi yang berbeda – beda dengan
algoritma yang berbeda juga.
Normalized Difference Vegetation Index (NDVI) merupakan suatu metode yang
dapat di gunakan untuk membandingkan tingkatan kehijauan dari vegetasi menggunakan
citra satelit. Selain itu metode ini juga dapat di gunkan sebagai indikatr dari biomassa,
seperti tingkat kehijauan yang relati, serta menentukan kerapatan dari vegetasi pada suatu
wilayah yang di teliti, akan tetapi tidak berhubungan langsung dengan tingkatan air pada
wilayah tersebut (Hung, 2000) dan berikut ini merupakan perthitungan atau rumus
refelktan dari NDVI
𝑅𝑛𝑖𝑟 − 𝑅𝑟𝑒𝑑
NDVI =
𝑅𝑛𝑖𝑟 + 𝑅𝑟𝑒𝑑

dengan keterangan dimana RNIR merupakan relfletan dari NIR radiation dan RRed
merupakan refelktan dari red radiation. Dan dengan relektan tersebut bisa menampilakan
rentang nilai yang berbeda dari setiap usia pertumbuhan dari tanaman padi tersebut.

Atmospherically Resistant Vegetation Index (ARVI) merupakan suatu metode

yang dapat mereduksi pengaruh dari atmosfer dengan menggunakan band biru dalam
melakukan koreksi atmosfer dengan band merah dan merupakan metode yang melakukan
proses koreksi secara automatis pada citra yang di gunakan (Kaufman & Tanre, 1992) dan
dengan adanya koreksi atmosferik secara langsung maka di harapkan akan bisa
mendapatkan nilai yang cukup akurat untuk perhitungan estimasi produktifitas padi.
Untuk perhitungan atau algoritma yang di gunakan oleh metode ARVI yaitu;

ARVI = (𝜌𝑁𝐼𝑅 − 𝜌𝑟𝑏 )/(𝜌𝑁𝐼𝑅 + 𝜌𝑟𝑏 )

Dengan keterangan PNIR adalah reflectance dari near infrared, Prb equals Pr -y (pb - Pr), r
(gamma value) yang dimana merupakan pembobotan tergantung pada jenis dan tipe dari
aerosolnya, dan Pr serta Pb bergantung pada pantulan band biru dan band merah masing
masing.

Modified Soil Adjusted Vegetation Index (MSAVI) merupakan metode yang serupa
dengan NDVI namun dengan sedikit perkembangan yaitu dengan penambanhan variable
L sebagai pencerahan laar belakang tanah (Huete, 1988) dan dengan adanya penambahan
variable tersebut maka penggunaan MSAVI ini bertujuan untuk dapat melihat dengan
lebih jelas hasil dari pertumbuhan padi tersebut dengan tereduksinya pengaruh latar
belakang tanah tersebut. Berikut ini merupakan algoritma yang di gunakan dalam metode
MSAVI:

1 2
MSAVI = (2𝜌2 + 1 − √(2𝑝2 + 1) − 8(𝑝2 − 𝑝1 )
2

Dengan keterangan dimana NIR merupakan reflektan infra merah dekat dan RED
merupakan reflektan dari kanal atau band merah sedangkan L merupakan pencerahan latar
belakang tanah.
2.6 Produktivitas Padi
Produktivitas pertanian adalah hasil persatuan atau satu lahan yang panen dari
seluruh luas lahan yang dipanen (Aji, et al., 2017). Banyak faktor yang dapat
mempengaruhi produksi padi dari mulai faktor fisik dan manusianya. Faktor alam
merupakan salah satu faktoe yang sangat mengancam karena faktor alam tersebut masih
sulit untuk dapat di antisipasi. Sedangkan untuk faktor manusia yang bertugas dalam
memberikan pupuk atau pestisida tidak berpengaruh sebesar pengaruh alam atau fisik.
Nilai produktivitas di dapatkan dari luas panen di hitung dengan tinkat produktivitasnya.
Perhitungan estimasi di dapatkan dari nilai indeksvegetasi di bandingkan dengan hasil dari
wawancara langsung dengan petani setempat.

2.7 Penelitian Terdahulu

Pebelitian terdahulu merupakan penelitian yang berkaitan dengan topik penelitian ini
yaitu mengenai estimasi produktivitas dan penggunaan metode serupa seperti penggunaan
Citra Sentinel-2A serta penggunaan Index vegetasi seperti NDVI, ARVI, MSAVI serta
penelitian serupa yang berkaitan dengan estimasi produktivitas padi.

Table 2.3 Penelitian Terdahulu

Variable
Peneliti dan Judul Metode Hasil
Penelitian
Meiling Liu,
TiejunWang, Andrew
Citra Sentinel-2 menampilkan deteksi
K. Skidmore,
jarak lahan akurat beras di bawah tekanan Cd.
Xiangnan Liu (2018),
dari sungai, Gambar Sentinel-2 dengan informasi
Heavy metal-induced
curah hujan, CSVT tepi merah yang baik sangat bagus di
stress in rice crops
suhu gunakan untuk mengatasi respons status
detected using multi-
permukaan. vegetasi terhadap tekanan lingkungan
temporal
dan bahkan perubahan iklim.
Sentinel-2 satellite
images
Yaotong Cai, Hui Keseluruhan akurasi dan koefisien
Lin, Meng Zhang Kappa dari hasil klasifikasi masing-
(2019), Mapping masing lebih tinggi dari 95% dan 0,93,
penggunaan
paddy rice by the ketika menggunakan kombinasi fitur
dan tutupan
object-based random NDVI yang optimal dan metode RF berbasis
lahan, janis
forest method objek. Metode yang diusulkan dapat
padi
using time series memberikan dukungan teknologi untuk
Sentinel-1/Sentinel-2 pemetaan padi di daerah-daerah dengan
data banyak cuaca berawan dan hujan.
 Table 2.3 Lanjutan

Peneliti dan Judul Variable Penelitian Metode Hasil

Hengbiao
Zheng, Tao
Cheng, Xia
Yao, Xinqiang
Deng, Tren nilai NDVI dan
Yongchao Indeks vegetasi, luas hubungannya
NDVI
Tian, Weixing lahan sawah dengan fase
Cao (2016) Detection of Rice pertumbuhan padi
Phelology
Through Time Series
Analysis of Ground-Based
Spectral Index Data
Fase pertumbuhan
padi, Masa tanam Data citra satelit
Aulia Hafizh S, Agung Budi
dan panen, MODIS Level 1B
Cahyono, Agus Wibowo (2013),
mengetahui korelasi NDVI, dapat diolah dan
Penggunaan Algoritma NDVI dan
antara citra Modis, EVI dianalisa untuk
EVI Pada Citra Multispektral Untik
Aster, dan data menentukan
Analisa Pertumbuhan Padi
lapangan pendugaan umur padi
Fieldspectometer
Firda Khoirunnisa
Varietas padi, mendapatkan estimasi
(2019), Estimasi Produktivitas Padi
produktivitas padi, NDVI produktivitas tanaman
Menggunakan Citra Sentinel-2A di
fase padi padi
Kabupaten Subang dan Garut
Penggunaan indeks
vegetasi untuk dapat
Riko Yudistira, Arit Imanuel Meha, mengetahui perubahan
Sri Yulianto Joko Prasetyo (2018), NDVI, penggunaan lahan, dan
Perubahan Konversi Lahan Penggunaan Lahan, EVI, perubahan
Menggunakan NDVI, EVI, Curah Hujan, SAVI, berdasarkan nilai
SAVI dan PCA pada Citra Landsat PCA indeks vegetasi
8 di Kota Salatiga tersebut pada setiap
waktunya tidak
signifikan
Mosfata K. Mosleh, Quazi K. Naiknya suhu udara
Hassan, dan Ehsan H. Chowdhury NDVI, secara global akan
Indeks vegetasi, luas
(2015), Application of Remote EVI, memepengaruhi
lahan sawah
Sensing in Mapping Rice Area and LAI produktivitas tanaman
Forecasting Its Production padi
Estimasi luas lahan
sawah dari hasil
Jarot Mulyo Semedi (2012), Rice pengolahan data
Crop Spatial Distribution and Indeks vegetasi, luas dengan metode EVI
EVI
Production Estimation Using lahan sawah lebih kecil
MODIS EVI. dibandingkan estimasi
luas lahan sawah dari
data BPS
 Gambar 2.1 State of The Art

Gambar 2.1 merupakan ringkasan dari tabel 2.3 menjelaskan hubungan dari penelitian ini
dengan penelitian terdahulu, dengan pembaharuan yang di lakukan penelitian ini yang
mengacu pada penelitian terdahulu tersebut dari latar belakang penelitian ini yang di
hubungkan dengan penelittian terdahulu dan di sisi kanan gambar 2.1 merupakan tujuan
penelitian ini yang merupakan pembaharuan dari penelitian terdahulu.
 BAB 3
METODOLOGI PENELITIAN

3.1 Alur Pikir

Wilayah penelitian terletak pada Kecamatan Simpenan, Kabupaten Sukabumi.
Pemanfaatan dari citra satelite yaitu untuk mengidentfikasi fase tumbuh tanaman padi
dengan menggunakan indeks vegetasi pada wilayah penelitian. Untuk informasi lebih
lengkap dapat dilihat pada gambar 3.1 terdapat alur pikir penelitian.

Penelitian ini menggunakan tiga indeks vegetasi yaitu NDVI, ARVI, MSAVI
untuk dapat melihat indeks fase tanaman padi. Lalu indeks tersebut di gunakan untuk dapat
mengetahui usia tanaman padi, setelah itu usia tanaman padi di gunakan untuk dapat
mengetahui estimasi produktivitas padi di Kecamatan Cikakak, Kabupaten Sukabumi.
Lalu ada kondisi fisik yang wakilkan dengan ketinggian wilayah dan lereng yang di
gunakan untuk dapat melihat distribusi spasial musim tanam pada wilayah peneitian,
setelah itu di butuhkan data lapangan sebagai validasi data dari dinas terkait.

Gambar 3.1 Alur Pikir

3.2 Alur Kerja
Alur kerja dari penelitian ini dapat dilihat pada gambar 3.2

Gambar 3.2 Alur Kerja

Alur kerja pada penelitian ini memiliki 5 tahapan yang bertujuan untuk mencari
teori, metode dan variabel dari penelitian – penelitian terdahulu yang dapat mendukung
adanya penelitian ini. Setelah itu di lakukan pengumpulan data untuk dapat mendukung
penelitian ini data – data tersebut di dapatkan dari berbagai sumber seperti instansi terkait
dan hasil dari survey ke lapangan, setelah data – data tersebut terkumpul maka mulai di
 lakukan pengolahan dari data – data tersebut dengan metode indeks vegetasi untuk dapat
menghasilkan indeks fase tanam padi yang setelah itu di gunakan untuk mendapatkan fase
usia tanam padi. Setelah di lakukan pengolahan data tersebut di lakukan obervasi dan
validasi serta wawancara untuk me-validasi hasil yang di dapatkan sebelumnya. Dan
tahapan terakhir di lakukan analisis dari hasil – hasil pengolahan data tersebut.

3.3 Variabel Penelitian

Terdapat tiga variabel penelitian yang di gunakan dalam penelitian ini yaitu Fase usia
tanam, Produktivitas padi sawah, dan Indeks vegetasi, untuk lebih lengkapnya bisa di lihat
dalam tabel berikut:

Table 3.1 Variabel Penelitian

No Variabel Penelitian Definisi Satuan

Minggu
Fase tumbuh tanam padi mengacu pada ciri – ciri Setelah
pada setiap fasenya yaitu fase tanam, fase Tanam
1 Fase Usia Tanam
vegetatif, fase generatif, dan fase bera (Noer, (MST)
2008)

Produktivitas dalam pertanian yaitu suatu Ton/Ha

Produktivitas Padi perkalian antara efisiensi (usaha) dan kapasitas
3
Sawah tanah yaang dalam artian luas tanah di kaliakan
hasilpekesatuan luas (Mubyarto, 1989)
Nilai
Indeks vegetasi merupakan suatu pengukuran optis Indeks
tingkat kehijauan dari kanopi vegetasi, luas daun,
4 Indeks Vegetasi
sifat komposit klorofil, struktur dan tutupan kanopi
vegetasi (Huete, 2011)

Indeks Vegetasi yang di tertera pada tabel variabel dan di gunakan pada penlitian ini
NDVI, ARVI, dan MSAVI, nilai indeks dari indeks vegetasi tersebut akan di gunakan
sebagai penentu titik sampel dan juga melihat fase pertumbuhan dari padi sawah. Variabel
selanjutnya yaitu fase pertumuhan padi dengan satuan Minggu setelah tanam yang
nantinya akan di klasifikasikan sesuai dengan fase yang terbagi menjadi tiga. Variabel
yang ketiga yaitu produktivitas padi dengan satuan Ton/ha.

3.4 Pengumpulan Data

Barikut ini merupakan tabel data – data yang terkait dengan penelitian ini yang di
kumpulkan, untuk keterangan lebih lanjut dapat di lihat pada tabel 3.2
 Tabel 3.2 Data Yang Di kumpulkan

No. Data Bentuk Data Sumber

Pengolahan Citra Sentinel-
1 Indeks vegetasi Spasial
2
Batas Badan Informasi
2 Spasial
Administasi Geospasial
Survei (wawancara petani)
Usia Tanaman
3 Spasial dan klasifikasi dari nilai
Padi
Indeks Vegetasi
Badan Informasi
4 Ketinggian Spasial
Geospasial
Badan Informasi
5 Lereng Spasial
Geospasial
Produktivitas
6 Tabular Survei dan Dinas Pertanian
Padi

Dapat dilihat pada tabel 3.2 terdapat 5 data yang di butuhkan untuk penelitian ini yang
berasal dari berbagai macam sumber dan sebagian besar data yang di butuhkan berada di
lapangan dan apa yang di sajikan pada tabel 3.2 merupakan data yang di butuhkan pada
awal penelitian ini.

Penentuan titik sampel untuk pengambilan data di lapangan di lakukan dengan

menggunakan citra sentinel-2A dengan indeks vegetasi NDVI pada wilayah penelitian.
Metode sampling yang di gunakan yaitu proposive sampling yaitu dengan syarat titik
sampel yang di gunakan atau di teliti memiliki nilai indeks NDVI lebih dari 0,45 dan
tanaman padi yang memiliki nilai indeks tersebut sedang berada di fase vegetatif atau
dalam rentang umur 8-13 minggu setelah tanam. Setelah mendapatkan titik yang akan di
teliti maka di lakukan wawancara untuk validasi dan ploting titik sampel tersebut dengan
menggunakan aplikasi avenza maps. Selain itu wawancara yang di lakukan juga untuk
dapat mengetahui hasil lapangan mengenai produktivitas padi pada waktu tersebut yang
selanjutnya akan di gunakan untuk melakukan estimasi produktivitas padi titik atau
wilayah penelitian

3.5 Pengolahan data

3.5.1 Indeks Vegetasi
indeks vegetasi dapat di lakukan setelah adanya proses pengolahan citra, indeks
vegetasi di gunakan untuk dapat melihat fase tumbuh tanam padi dan indeks vegetasi yang
digunakan dalam penelitian ini yaitu Normalized Difference Vegetation Index (NDVI),
Atmospherically Resistant Vegetation Index (ARVI), dan Modified Soil Adjusted
Vegetation Index (MSAVI). Proses pengolahan data indeks vegetasi di lakukan dengan
menggunakan software Google Earth Engine. Google Earth Engine itu sendiri merupakan
platform berbasis cloud untuk dapat melakukan analisis geospasial skala planet yang
membawa kemampuan komputasi masif Google untuk menanggung berbagai masalah
sosial berdampak tinggi termasuk deforestasi, kekeringan, bencana, penyakit, keamanan
pangan, pengelolaan air, pemantauan iklim dan perlindungan lingkungan (Noel Gorelick,
2016). Selain itu pengolahan data yang di lakukan dengan Google Earth Engine cukup
berbeda jika di bandingkan dengan menggunakan ENVI dan ArcGis karena dengan
menggunakan GEE ini tidak di perlukan menunduh citra yang akan di gunakan sebelum
di proses, semua proses bisa di lakukan dengan GEE dari pemilihan data raster hingga
proses pengolahan citra sampai dengan perbandingan grafik hasil nilai indeks.
 Gambar 3.3 Proses Pengolahan Data

Untuk dapat mengolah menggunakan GEE (Google Earth Engine) tidak di perlukan untuk
menunduh aplikasinya atau software tersebut terlebih dahulu karena segala sesuatunya di
lakukan menggunakan WEB atau berbasis Cloud. Pertama tama setalah membuka halaman
 dari Google Earth Engine pilih opsi Code Editor untuk dapat melakukan proses
pengolahan citra, setlah membuka lama code editor masukan kalimat perintah yang
bertujuan untuk dapat membuka dan memilah data citra atau raster dari Sentinel-2 level-
2A yang akan di gunakan setalah itu unggah juga data SHP lahan padi sawah untuk bisa
langsung melakukan proses clip dengan memasukan kalimat perintah. Setalah selesai
memilah citra dan di lakukan clip dengan data SHP lahan sawah Kec.Cikakak akan di
lakukan proses pengolahan dengan menggunakan indeks vegetasi yaitu NDVI, ARVI dan
MSAVI. Setelah di lalukan proses pengolahan mengguanakan indeks vegetasi satu persatu
masukan perintah add map layer untuk menampilkan hasil pengolahan tersebut dan yang
terakhir di lakukan export image to drive atau mengunduh data raster yang kita proses
menggunakan indeks vegetasi tersbut.

3.5.2 Estimasi Produktivitas Padi

melakukan estimasi dari produksi padi dapat di lakukan dalam kurun waktu tiga
bulan sebelum panen berdasarkan usia padi yang telah di peroleh dari nilai indeks vegetasi
dari hasil analisa citra digital (Noer, 2008). Nilai NDVI, ARVI dan MSAVI yang telah di
dapatkan dari pengolahan algoritma pada citra akan di gunakan untuk dapat melakukan
estimasi produktivitas padi.

Produktivitas Padi (ton/ha) = a (NDVI) ± b

Perhitungan tersebut dapat di lakukan dengan hasil yang di dapatkan dari

wawancara yang di lakukan dengan petani. Lalu persamaan tersebut di gunakan untuk
dapat melihat korelasi dari produktivitas padi dengan nilai indeks vegetasi (NDVI, ARVI,
dan MSAVI) dengan koefisien determinasi (R²)

3.6 Analisis Data

Penelitian ini menggunakan analisis spasial, analisis temporal, analisis deskriptif,
dan analisis statistik.

1. Fase pertumbuhan padi sawah di analisis secara spasial, temporal dan deskriptif untuk
dapat melihat perbedaan usia tanaman padi di wilayah penelitian menggunakan indeks
vegetasi selain itu indeks vegetasi di gunakan untuk menenukan titik sampel yang
selanjutnya di lakukan validasi.
2. Estimasi produktivitas padi di analisis secara statistik infresial dan analisis statistik
deskriptif untuk dapat menghasilkan prediksi produksi padi untuk tahun selanjutnya
dengan mengacu pada data tahun sebelumnya, selain itu validasi data di titik sampel untuk
dapat memastikan data dari tahun sebelumnya.
DAFTAR PUSTAKA

Amirullah, A. (2008). Budidaya Padi. Jakarta: Garaha Ilmu,

Aji, B. J. P. S., Prasetyo, Y., Hani’ah. (2017). Analisis Tingkat Produksi Padi dan
Perhitungan Logistik Pangan Berdasarkan Metode EVI (Enhanced Vegetation Index)
dan NDVI (Normalized Difference Vegetation Index) Menggunakan Citra Sentinel
2-A Tahun 2016 (Studi Kasus: Kabupaten Klaten, Jawa Tengah). Jurnal Geodesi
Undip Vol.6, Nomor 4.

Andriani, Y. 2008. Budidaya Tanaman Padi Di Indonesia. Sastra Hudaya. Jakarta

Arafah. 2009. Pedoman Teknis Perbaikan Kesuburan Lahan Sawah Berbasis Jerami.
Jakarta: PT. Gramedia

Badan Ketahanan Pangan dan Penyuluhan Pertanian. (2009). Budidaya Tanaman Padi.
Badan Ketahanan Pangan dan Penyuluhan Pertanian Aceh dan Balai Pengkajian
Teknologi Pertanian NAD

Bima Satria, Erwin Masrul Harahap, Jamilah. (2017). Peningkatan Produktivitas Padi
Sawah (Oryza sativa L.) Melalui Penerapan Beberapa Jarak Tanam dan Sistem
Tanam. Program Studi Agroekoteknologi Fakultas Pertanian USU Medan 20155

BPS Kabupaten Sukabumi. (2018). Kabupaten Sukabumi dalam Angka 2018. Sukabumi:
Badan Pusat Statistik Kabupaten Sukabumi.

BPS Kecamatan Cikakak. (2018). Kecamatan Cikakak dalam Angka 2018. Sukabumi:
Badan Pusat Statistik.

Drusch, M. & 14 co-authors. (2012). Sentinel-2: ESA’s optical high-resolution mission

for GMES operational services, Rem. Sens. Env. (accepted).

Dodi Sudiana dan Elfa Diasmara. (2008). Analisis Indeks Vegetasi menggunakan Data
Satelit NOAA/AVHRR dan TERRA/AQUA-MODIS. Optoelectrotechnique and
Remote Sensing (OPRES) Research Group, Departemen Teknik Elektro, Fakultas
Teknik, Universitas Indonesia, Kampus Baru UI, Depok 16424
Yanbo Huang, CHEN Zhong-xin, YU Tao. (2018). Agricultural remote sensing big data:
Management and applications. Journal of Integrative Agriculture 17(9): 1915–1931

Huete, A., Didan, K., Leeuwen, W.V., Miura, T., Glenn, E. (2011). MODIS Vegetation
Indices. Land Remote Sensing and Global Environmental Change. Springer. New
York.

Huete, A. R. (1988). A soil-adjusted vegetation index (SAVI). Remote Sensing of

Environment. University of Technology Sydney

Ina Hasanah. (2007). Bercocok Tanam Padi. Jakarta. Azka Mulia Media

Indarto, (2017). Penginderaan Jauh: Metode Pengolahan dan Interpretasi Citra Satelit.
ANDI OFFSET, Yogyakarta

Karen Moldenhauer, Paul Counce, dan Jarrod Hardke. (2018). Rice Growth and
Development (Arkansas Rice Production Handbook). University of Arkansas
Division of Agriculture

Kementerian Pertanian. (2018). Rencana Kinerja Tahunan Badan Ketahanan Pangan

2018. Badan Ketahanan Pangan Kemeterian Pertanian.

Kaufman, Y. J. and D. Tanre, (1992): Atmospherically Resistant Vegetation Index (ARVI)

for EOS-MODIS. IEEEE Trans. Geosci. Remote Sensing, 30 (2), 261-270.

Lembaga Penerbangan dan Antariksa Nasional (LAPAN). (2015). Pendoman Pemantauan

Fase Pertumbuhan Tanaman Padi Menggunakan Satelit Pengindraan Jauh 2015.
Pusat Pemanfaatan pengindraan jauh.

Maclean, J.L., Dawe, D.C., Hettel, G.P. (2002). Rice almanac: Source book for the most
important economic activity on earth. Int. Rice Res. Inst.

Mubyarto. (1989), Pengantar Ekonomi Pertanian, Jakarta: Edisi Ke-tiga, LP3S.

Noel Gorelick, Matt Hancher, Mike Dixon, Simon Ilyushchenko, (2016). Google Earth
Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of
Environment RSE-10315; No of Pages 10
Noureldin, N.A., Aboelghar, M.A., Saudy, H.S., Ali, A.M., (2013). Rice yield forecasting
models using satellite imagery in Egypt. Egypt. J. Remote Sens. Space Sci. 16, 125
131.

Ngraho. (2007). Menanam Padi.

Pujiasmanto Bambang. (2013). Perkuat Ketahanan Pangan Nasional Kita. Naskah

Ketahanan Pangan pada Insiprasi Vol 4 No. 76

Purwono dan Heni Purnamawati. (2009). Budidaya 8 Jenis Tanaman Pangan Unggul.
Penebar Swadaya: Jakarta

Qi Yang, Jinye Han, Penghui Zhu., (2019). Deep convolutional neural networks for rice
grain yield estimation at the ripening stage using UAV-based remotely sensed images.
Field Crop Research. State Key Laboratory of Water Resources and Hydropower
Engineering Sciences, Wuhan University, Wuhan.

BAPPEDA Kabupaten Sukabumi. (2016). Rencana Pembangunan Jangka Menengah

Daerah 2016 – 2021. Peraturan Daerah Kabupaten Sukabumi.

Saragih, Bungaran. 2001. Suara dari Bogor: Membangun Sistem Agribisnis. Yayasan
USESE bekerjasama dengan Sucofindo. Bogor.

Suwarno. (2010). Meningkatkan Produksi Padi Menuju Ketahanan Yang Lestari. Pangan,
19(3), 233–243.

Suryana. A. (2002). Keragaan Perberasan Nasional. Dalam Pambudy et al.(Eds).Kebijakan

Perberasan di Asia. Regional Meeting in Bangkok. 1October 2002.

Shofiyati, R. (2011). Teknologi Pesawat Tanpa Awak Untuk Pemetaan dan Pemantauan
Tanaman Dan Lahan Pertanian. Informatika Pertanian, Vol. 20 No.2, Desember 2011:
58 – 64.

Utomo, B. (2017). Jurnal Drone Untuk Percepatan Pemetaan Bidang Tanah. Vol.18 No.
2. FHIS UNDIKSHA dan IGI.
Wang, L., Tian, Y., Yao, X., Zhu, Y., Cao, W. (2014). Predicting grain yield and protein
content in wheat by fusing multi-sensor and multi-temporal remote-sensing images.
Field Crops Res. 164, 178–188.

Wikantika. K. (2009). Unmanned Mapping Technology: Development and Applications.

Workshop Sehari “Unmanned Mapping Technology: Development and
Applications” (UnMapTech2008). Bandung, Indonesia. 9 Juni 2008