000 Buku Luaspanen Final

2014
Pusat Pemanfaatan
Penginderaan Jauh
LAPAN
PEMANFAATAN DATA PENGINDERAAN JAUH

RESOLUSI MENENGAH/TINGGI UNTUK
ESTIMASI LUAS PANEN TANAMAN PADI DI
SENTRA PRODUKSI PADI
LAPORAN AKHIR KEGIATAN
TAHUN ANGGARAN 2014
PEMANFAATAN DATA PENGINDERAAN JAUH RESOLUSI

MENENGAH/TINGGI UNTUK ESTIMASI LUAS PANEN
TANAMAN PADI DI SENTRA PRODUKSI PADI
LEMBAGA PENERBANGAN DAN ANTARIKSA NASIONAL
PUSAT PEMANFAATAN PENGINDERAAN JAUH
Jakarta 2014
i Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

Untuk Estimasi Luas Panen Tanaman Padi Di Sentra Produksi Padi
PEMANFAATAN DATA PENGINDERAAN JAUH RESOLUSI
MENENGAH/TINGGI UNTUK ESTIMASI LUAS PANEN
TANAMAN PADI DI SENTRA PRODUKSI PADI
Disusun oleh:

DEPUTI BIDANG PENGINDERAAN JAUH
(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:
Ir. I Made Parsa, M.Si, Drs. Nana Suwargana, M.Si
Ir. Johannes Manalu, M.Si, Dra. Sri Harini
Djoko Santo Cahyono
Editor, Penyunting, Desain, dan Layout:
Muhammad Priyatna, S.Si., MTI.
Jakarta, Desember 2014
ii Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

RINGKASAN KEGIATAN
Angka ramalan produksi tanaman pangan khususnya padi yang dikeluarkan oleh Badan Pusat
Statistik yang menurut undang-undang no 16 tahun 1997 bertugas dan bertanggung jawab
dalam penyediaan data statistic dasar tersebut seringkali disikapi kurang bijaksana oleh
lembaga pemerintah non kementerian. Angka ramalan tersebut sebenarnya dihasilkan dari
dua data utama yaitu data luas panen dan produktivitas (hasil per hektar). Dalam beberapa
tahun belakangan BPS juga telah menggunakan informasi spasial dari penginderaan jauh dari
Pusat Pemanfaatan Penginderaan Jauh (Pusfatja) untuk lebih memastikan angka ramalan
tersebut, Walaupun informasi spasial dimaksud masih terbatas pada tingkat skala 1.000.000
dan hanya untuk wilayah Jawa dan Bali. Kedepan, secara bertahap Pusfatja akan
meningkatkan informasi spasial ini baik dari sisi area maupun dari sisi kualitas/skala
informasinya. Dari sisi area, akan meliputi juga pulau Sumatera dan Sulawesi sedang kan dari
sisi kualitas informasi akan ditingkatkan menjadi skala 1:100.000. Mulai tahun 2014 Pusfatja
mulai melakukan penelitian dan pengembangan pemanfaatan penginderaan jauh resolusi
menengah/tinggi untuk estimasi luas panen padi di sentra produksi yang mengambil daerah
kajian di PT. Sang Hyang Seri Sukaman di-Subang. Kajian ini merupakan tindak lanjut dari
harapan kementerian Pertanian dan BPS untuk dapat memperoleh informasi mengenai
perkiraan panen padi dengan skala yang lebih baik/detil dari yang selama ini diterima. Data
yang digunakan dalam kajian ini adalah data Landsat-8 multitemporal, yaitu data tanggal 8
Juli 2013, 9 Agustus 2013, 25 Agustus 2013, 10 September 2013, 26 September 2013, 12
Oktober 2013, 11 Juli 2014, 12 Agustus 2014, 28 Agustus 2014, 13 September 2014. Selain
itu juga digunakan data realisasi tanam dan panen padi di PT. Sang Hyang Seri musim tanam
2013/2014.Tujuan kajian ini adalah untuk mengembangkan model prediksi umur tanaman
padi berdasarkan indek vegetasi (NDVI EVI) data Landsat multitemporal. Model ini
diharapkan dapat diimplementasikan untuk estimasi luas panen padi di sentra produksi guna
mendukung penetapan ARAM produksi yang dilakukanoleh BPS.Hasil kegiatan litbang ini
menunjukkan bahwa hubungan indek vegetasi dengan umur tan an padi adalah polynomial
orde 3 dengan persamaanya = 8E-07x3 - 0.0004x2 + 0.036x - 0.3821 dengan nilai R2 = 0.8827
dan SE= 0,047. Hasil kegiatan ini masih perlu dilakukan validasi dan verifikasi untuk dapat
diketahui tingkat kehandalannya sebelum dioperasionalkan
Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi iii

DAFTAR ISI
Hal
HALAMAN JUDUL ii
RINGKASAN KEGIATAN iii
DAFTAR ISI iv
PENDAHULUAN 1
Latar Belakang 1
Tujuan dan Sasaran 2
TINJAUAN PUSTAKA 2
Citra Landsat 2
Hasil Penelitian Terkait 3
WILAYAH STUDI, DATA, DAN METODE 5

Deskripsi Wilayah Studi 5
Data dan Bahan 5
Metode 7
HASIL DAN PEMBAHASAN 11

Inventarisasi Data 11
Konversi citra menjadi reflektan 12
Ploting data realisasi tanam 12
Profil Pertumbuhan Tanaman Padi Fase Vegetatif dan 14
Generatif
Validasi Hasil 28
KESIMPULAN DAN SARAN 30

Kesimpulan 30
Saran 30
DAFTAR PUSTAKA 31
iv Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

1. PENDAHULUAN
1.1. Latar belakang
Beras merupakan salah satu makanan pokok utama di dunia dan diperkirakanhanya
sekitar 15 % lahan sawah duniamempunyaitanah yang subur (IRRI, 1993). Di Indonesia, padi
merupakan salah satu tanaman pertanian yang paling penting karena beras adalah makanan
utama masyarakatIndonesia. Ketahanan pangan telah lama menjadi tujuan politik yang
penting di Indonesia. Tujuan ini paling sering dikaitkan dengan swasembada beras. Pada
pertengahan 1980-an Indonesia sempat mencapai 100 % swasembada beras. Namun,
pertumbuhan produksi padimelambat pada 1990-an, yang menyebabkan peningkatan impor
dan turunnya rasio swasembada. Selama dua tahun terakhir rasio swasembada beras tetap
sekitar 95 %, namun turun di bawah 90 % selama kekeringan El Niño 1998(Bappenas , 2002).
Penginderaan jauh satelit telah diterapkan secara luas dan telah diakui sebagai alat
yang ampuh dan efektif dalam mendeteksi penggunaan lahan dan perubahan penutupan
lahan (Ehlers et al, 1990; Meaille dan Wald, 1990; Westmoreland dan Stow, 1992; Harris
danVentura, 1995). Penginderaan jauh satelit menyediakan biaya - efektif multi-spektral dan
data multitemporal (Paine, 1981). Citra satelit telah digunakan untuk memantau jenis
tutupan lahan terbatas menurut klasifikasi spektral. Selain itu, telah digunakan
untukmemperkirakan karakteristik biofisik dari permukaan tanah melalui hubungan linear
dengan reflektansi spektral atau indeks vegetasi (Steininger, 1996; Nuarsa et al, 2005).
Studi menggunakan citra satelit untuk memantau pertumbuhan tanaman padi telah
dilakukan (Shao et al, 1997; Kuroso et al, 1997; Le Toan sama sekali, 1997; Panigrahy dan
Sharma, 1997; Oette et al, 2000; Shao et al, 2001; David et al, 2003). Beberapa penelitian
sebelumnyatelah menggunakan resolusi gambar global dan moderat seperti NOAA AVHRR
dan MODIS untuk memantau sawah (Fang et al, 1998; Wataru et al, 2006; Xiao et al, 2005).
Namun, penggunaan citra satelit resolusi spasial moderat dan globaltelah dibatasi terutama
di lahan sawah yang kecil/sempit, karena ada banyak jenis tutupan lahan dalam satu pixel.
Hal ini akan mengurangi penilaian akurasi (Strahler et al, 2006). Di sisi lain, pemanfaatan
citra satelit resolusi spasial yang tinggi atau menengah telah terbatas, terutama selama
periode tanam, karena sedikit citra yang tersedia selama 120 hari periode pertumbuhan padi
(Currey et. Al., 1987). Landsat ETM+ memiliki resolusi temporal, spasial, dan spektral yang
baik untuk pemantauan padi. Waktu pengamatan kembali dari Landsat ETM+ adalah 16 hari
1 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

denganresolusi spasial 30 m. Landsat ETM+ memiliki enam band denganukuran piksel yang
sama. Hal ini menyebabkan bermanfaat untuk pengembangan algoritma untuk pemodelan
padi.
1.2. Tujuan dan sasaran

Tujuan dari penelitian ini adalah: (1) untuk mengembangkan model prediksi umur
tanaman padi menggunakan indeks vegetasi padi (NDVI, EVI), (2) Validasi model untuk
pemetaan distribusi umur dan estimasi panen padi.Sasaran penelitian adalah tersedianya
model prediksi umur tanaman padi dan hasil validasinya.
2. TINJAUAN PUSTAKA
2.1. Citra Landsat
Data Landsat Continuity Mission (LDCM), kolaborasi antara NASA dan US Geological
Survey, akan memberikan resolusi moderat (15 m-100 m, tergantung pada frekuensi
spektral) pengukuran bumi secara terestrial dan polar pada gelombang visible, near-infrared,
short waveinfrared, dan thermal infrared. Data Landsat tersedia secara bebas dan dapat
digunakan untuk bidang pertanian, geologi, kehutanan, perencanaan wilayah, pendidikan,
pemetaan, dan penelitian perubahan global.
Payload satelit LDCM terdiri dari dua instrumen-ilmu Land Imager Operasional (OLI)
dan Sensor Inframerah Thermal (TIRS). Kedua sensor mempunyai resolusi spasial 30 meter
(terlihat, NIR, SWIR), 100 meter (termal), dan 15 meter (pankromatik). Ukuran sapuan LDCM
akan 185kmcross-track dengan 180kmsepanjang-track. Sensor OLI menyediakan dua
spektrum baru, salah satu dirancang khusus untuk mendeteksi awan cirrus dan yang lainnya
untuk pengamatan zona pesisir (http://landsat.usgs.gov,diakses22 Januari 2013). Jika
dibandingkan dengan Landsat -7 ETM+, Landsat-8 mempunyai jumlah kanal yang lebih
banyak dengan penambahan band untuk coastal, band cirrus dan band LWIR-2 (khusus
untuk band ini terjadi perubahan resolusi spasial menajdi 100 meter), selengkapnya disajikan
pada Tabel 1.
Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 2

Tabel 1. Perbandingan Spesifikasi kanal Landsat-7 ETM+ dan LDCM
Landsat-7 ETM+ LDCM
Band Resolusi Panjang Gel Band Resolusi Panjang Gel
Band 1, Coastal 30 m 0.433–0.453 μm (*A)
Band 1, Blue 30 m 0.450 - 0.515 μm Band 2,Blue 30 m 0.450–0.515 μm
Band 2, Green 30 m 0.525 - 0.605 μm Band 3, Green 30 m 0.525–0.600 μm
Band 3, Red 30 m 0.630 - 0.690 μm Band 4, Red 30 m 0.630–0.680 μm
Band 4, Near-IR 30 m 0.775 - 0.900 μm Band 5, Near-IR 30 m 0.845–0.885 μm
Band 5, SWIR-1 30 m 1.550 - 1.750 μm Band 6, SWIR-1 30 m 1.560–1.660 μm
Band 7, SWIR-2 30 m 2.090 - 2.350 μm Band 7, SWIR-2 30 m 2.100–2.300 μm
Band 8, Pan 15 m 0.520 - 0.900 μm Band 8, Pan 15 m 0.500–0.680 μm
Band 9, Cirrus 30 m 1.360–1.390 μm (*B)
Band 6, LWIR 60 m 10.00–12.50 μm Band 10, LWIR-1 100 m 10.30–11.30 μm (*C)
Band 11, LWIR-2 100 m 11.50–12.50 μm (*C)
Sumber: NASA, 2000, LDCM, 2011.
Salah satu cara untuk menyederhanakan hubungan antara perkembangan tanaman

dengan ciri reflektasinya adalah dengan mentransformasikan data reflektansi masing-masing
saluran menjadi satu atau lebih peubah baru, kemudian melihat hubungan antara fase
pertumbuhan tanaman dengan salah satu atau lebih peubah baru tersebut. Hubungan ini
digambarkan sebagai trajectory spectral temporal perkembangan tanaman.Indek vegetasi
merupakan salah satu peubah baru yang berhubungan dengan pertumbuhan tanaman yang
diturunkan dari reflektansi beberapa saluran spectral.Beberapa indek vegetasi berhubungan
erat dengan parameter fisik tanaman yang penting sehingga dapat digunakan untuk
menduga indek luas daun, persentase penutupan lahan, tinggi tanaman, biomasa hijau,
populasi/ kerapatan tanaman.Beberapa diantaranya mampu menghilangkan atau setidaknya
memperkecil gangguan radiometrik pada suatu liputan, dan memperkecil perbedaan
radiometrik antar liputan dan antar sensor, sehingga memungkinkan pengintegrasian data
spectral yang dikumpulkan pada waktu berbeda dan oleh sensor yang berbeda.
2.2. Hasil penelitian terkait

Salah satu indek vegetasi adalah Normalized Difference Vegetation Index (NDVI),
untuk data Landsat-7 NDVI dihitung dari nilai spectral saluran 3 dan saluran 4 dengan
formula (Uchida, S., 2010). Sementara itu indek lain yang pernah digunakan dengan input
citra Landsat-7 adalah RGVI (Nuarsa et al., 2010).
Hasil penelitian Dirgahayu, et al., 1990an menunjukkan bahwa pola perkembangan
indek vegetasi tanaman padi berbentuk kuadratik dimana pada awal pertumbuhannya NDVI
yang nilainya rendah akan semakin tinggi dan mencapai maksimum pada umur sekitar 12

minggu setelah tanam. NVDI tanaman akan semakin turun seiring proses pematangan buah
padi hingga panen pada umur 16-17 minggu setelah tanam.Penggunaan model ini untuk
prediksi luas panen berpotensi menyebabkan adanya kesalahan akibat adanya nilai NVDI
yang saling overlap. Penelitian selanjutnya menunjukkan bahwa model NDVI tanaman padi
menggunakan citra Modis berbentuk sigmoid
Penelitian Kustiyo tahun 2003 tentang model estimasi fase tumbuh dan luas panen
padi sawah dengan menggunakan data Landsat-7 diantaranya menyimpulkan bahwa:fase
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 tetapi dapat dipisahkan 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%.
Hasil penelitian pengembangan model pertumbuhan tanaman padi menggunakan
data EVI Modis multispectral yang dilakukan Dirgahayu, 2010 di Karawang, Subang,
Indramayu Cirebon dan Kuningan menunjukkan bahwa nilai maksimum indek vegetasi (EVI =
Enhance Vegetation Index) tanaman padi berbeda-beda pada setiap wilayah sehingga
diperoleh 8 model pertumbuhan untuk tanaman padi kelas 2,5,8, 10,11,12,14, dan 17 yang
memiliki nilai maksimum: 0.45-0.5; 0.51-0.55; 0.56-0.60; 0.61-0.65; 0.66-0.70 dengan dan
selisih maksimum dan saat tanam 0.40-0.50.
Hasil penelitian Nuarsa, et al., 2010 tentang “Pengembangan Model Empiris Untuk
Pemetaan Sebaran Padi Dengan Data Landsat Etm+ Multitemporal 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+ dengan nilaikoefisien (R2) masing-masing menjadi 0,8999, 0,8721, dan 0,6847.Band 1,
Band 2, dan Band 3 menunjukkan hubungan yang lemah denganumur padi dengan R2
masing-masing menjadi 0,3325, 0,0973, dan 0,3994. 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 ternyata indeks

RGVImemberikan hubungan terbaik denganR2 menjadi 0,9043, diikuti oleh TVI, NDVI,
SAVI,IPVI, DVI, dan RVI dengan R2 masing-masing menjadi 0,8888, 0,8473, 0,847,0,8465,
0,8307, dan 0,7112.
3. WILAYAH STUDI, DATA, DAN METODE

3.1. Deskripsi wilayah studi
Penelitian ini dilakukan di PT Sang Hyang Seri, Subang, Jawa Barat, berpusat pada
lintang 06° 19' 01" S 107° 38' 07"E (Gambar 1). Pemilihan lokasi studi ini dengan
pertimbangan untuk mempermudah perolehan data sekunder (jadwal tanam, umur
tanaman tiap blok) yang dibutuhkan dalam pembangunan model.PT Sang Hyang Seri, Subang
ini meliputi areal persawahan seluas sekitar 4450ha.
Gambar 1.Peta Lokasi Pelaksanaan Penelitian
3.2. Data dan Bahan

Data dan bahan yang digunakan dalam penelitian ini meliputi:
Citrasatelit resolusi menengah Landsat-8 multiwaktu path/raw 122064 yang
diperoleh dari Pusat Data dan Teknologi Penginderaan Jauh LAPAN sebagaimana
disajikan pada Tabel 2.

Tabel 2.Tanggal aquisisi data Landsat-8 yang digunakan dalam penelitian
No. Tanggal aquisisi No. Tanggal aquisisi
1. 8 Juli 2013 6. 12-Oktober-13
2. 9-Agustus-13 7. 11-Juli-14
3. 25-Agustus-13 8. 12-Agustus-14
4. 10-September-13 9. 28 Agustus-14
5. 26-September-13 10. 13 September-14
Informasi spasial fase pertumbuhan tanaman padi di Pantura (dari MODIS)

Data sekunder berupa data kalender tanam: realisasi tanam, dan waktu panen yang
diperoleh dari PT. Sang Hyang Seri Sukamandi, Jawa Barat.

3.3. METODE
GROWTH PHASE MULTITEMPORAL

(MODIS) 2013 LANDSAT-8 IMAGES
SPOT-6 DATA AND IN

RADIOMETRIC
SITU DATA SURVEYS
CORRECTION
(REFERENCE DATA)
DELINEATION OF REFLECTAN, DIGITAL NUMBER,

BLOCK PLANT INDEX TRANSFORMATION: NDVI, RGVI
REGRETION ANALYSIS BETWEEN R, DN, VEGETATION

INDEK WITH AGE OF RICE PLANTS Y = f(x)
EVALUATION, BEST RELATIONSHIP:

DETERMINATION COEFISIENT(R2), ANALYSIS OF
VARIANS AND STANDARD ERROR ESTIMATION (SE)
MAPPING OF PADDY AGE (ANOTHER

ACQUISITIONDATE OF DATA)
AGE OF PADDY FIELD MAP
MODEL VERIFICATION BY
REFERENCE DATA (HARVEST TIME)
PADDY FIELD AGE

MAPPING MODEL
APPLICATION OF MODEL
HARVEST AREA
ESTIMATION
Gambar 2. Diagram alir pelaksanaan penelitian “Pemanfaatan Data Penginderaan Jauh

Resolusi Menengah untuk Pengembangan Model Umur Tanaman Padi dan Penerapannya
untuk Estimasi Luas Panen di Sentra Produksi”

Tahapan pelaksanaan penelitian:
1. Penyiapan proposal/desain kegiatan riset
2. Inventarisasi dan pemesanan data satelit/citra Landsat-8 dan SPOT-6
3. Koreksi radiometrik dan konversi ke reflektan citra Landsat-8, dilakukan dengan
menggunakan persamaan if (10000*(0.00002*i1-0.1))/X <0 then 0 else if
(10000*(0.00002*i1-0.1))/X >10000 then 10000 else (10000*(0.00002*i1-
0.1))/X(USGS, 2014), (X=sin sudut sun elevation setiap citra Landsat-8). Sin α setiap
citra Landsat-8yang digunakan dalam penelitian ini disajikan pada Tabel 3
Tabel 3.Sun elevation dan sin α setiap citra Landsat-8 yang digunakan dalam
pembuatan model
Tanggal Aquisisi Sun Elevation Sin α

8 Juli 2013 50.41854707 0.770719541
9 Agustus 2013 54.32026145 0.812289833
25 Agustus 2013 57.81275738 0.846311794
10-Sep 61.46676836 0.878540212
26-Sep 64.55371078 0.902988462
12 Oktober 2013 66.19357644 0.91491442
11 Juli 2014 50.11639915 0.767348716
12 Agustus 2014 54.63494384 0.815480939
28-Aug-14 58.63494384 0.853868395
13-Sep-14 61.64070877 0.879986283
4. Sinkronisasi data lapangan (blok kebun, waktu tanam, panen, hasil perblok),
dilakukan terhadap data blok tanam dan realisasi tanam yang diperoleh dari PT Sang
Hyang Seri. Sinkronisasi ini bertujuan untuk memperoleh informasi mengenai umur
tanaman pada setiap tanggal citra Landsat yang akan dijadikan basis untuk
pengambilan sampel.
5. Pengambilan training sampel untuk tiap fase/umur tanaman padi (untuk tiap data
Landsat). Training sampel tiap data Landsat disajikan pada Gambar 3.

08072013 09082013 25082013 10092013
26092013 12102013 12072014 12082014
Gambar 3. Training sampel pada setiap umur tanaman pada data Landsat multitemporal
6. Ekstrak nilai spektralReflektan tiap band citra Landsat-8.

7. Transformasi beberapa indek vegetasi(Normalized Difference Vegetation Index) NDVI,
(EnhanceVegetation Index)EVI,(Rice GrowthVegetation Index) RGVI citra Landsat-8,
menggunakan persamaan berikut(Uchida, 2010)dan(Nuarsa, et al., 2010) yang telah
disesuaikansebagai berikut:
(1)
EVI=IF(OR(B2<B5,B3<B4),2.5*(B5/10000-
B4/10000)/(1+B5/10000+6*B4/10000-
7.5*B2/10000),1.5*(B5/10000-
B4/10000)/(0.5+B5/10000+B4/10000))
(2)
(3)

dimana:B2, B4, B5, B6, and B7 = band of Landsat-8,
Hasil ekstrak nilai spectral ini disajikan dalam bentuk tabel seperti disajikan pada Tabel 4.
Tabel 4.Format nilai spectral reflektan citra Landsat-8 tiap band
UMUR b1 b2 b3 b4 b5 b6 b7 PERHITUNGAN
Y x x x x x x x NDVI TVI RGVI …….
10
…
17
18
19
…
120
8. Analisis regresi antara umur tanaman dengan nilai spektral reflektan (band
tunggal/gabungan),serta antara umur tanaman dengan masing-masing indek
vegetasimenggunakan parameter statistik, yaitu:koefisien determinasi (R2), nilai
signifikan darianalisis varians (ANOVA), dan estimasi standard error(SE), Jingfeng
Huang, et al., 2013.
(5)
dimana y adalah umur padi dan x adalah nilai spektral padi.
(6)
(7)
9. Pemetaan sawah dan umur tanaman

Berdasarkan beberapa persamaan regresi diatas, dicari persamaan yang
memberikan nilai R2 tertinggi, dan nilai varians maupun strandard error terendah.
Persamaan ini adalah model terpilih yang akan digunakan untuk memetakan umur
tanaman padi (dengan input citra yang lain) sebagai verifikasi dari model. Simulasi
dilakukan dengan menggunakan citra 28 Agustus dan 13 September 2014
10. Estimasi luas panen
Model yang telah terverifikasi (no 8) kemudian digunakan untuk melakukan
pemetaan umur tanaman padi dengan input data/citra Landsat-8 terbaru. Peta umur
tanaman padi ini selanjutnya digunakan untuk estimasi luas panen dengan
memperhatikan varitas padi yang umum digunakan (umur tanaman).
Tabel5.Jadwal Pelaksanaan
Tahapan kegiatan Bulan ke- Tahun 2014

1 2 3 4 5 6 7 8 9 10 11 12
Koordinasi / Rapat Tim √ √ √ √ √ √ √ √ √ √ √ √
Kajian kepustakaan √ √ √ √ √ √ √ √ √ √
Pengumpulan data citra √ √ √ √ √ √ √ √ √
Pembuatan informasi spasial blok √ √
sawah
Pembuatan training sampel tiap fase √ √
pertumbuhan padi
Ekstrak indek vegetasi √ √
Analisis data √ √
Pembuatan Model pertumbuhan padi √
Survei Lapangan √ √
Verifikasi Model √ √ √
Penerapan Model untuk estimasi luas √ √ √
panen
Penyusunan JUKNIS √ √ √
Pembuatan laporan √ √ √ √ √ √ √ √ √ √ √ √
Kegiatan teknis pada bulan Oktober, meliputi:

1. Analisis regresi hubungan nilai reflektan dan indek (NDVI) dengan umur tanaman
2. Evaluasi homogenitas training sampel dan seleksi training sampel tiap umur tanaman
3. Simulasi pembuatan model umur untuk prediksi umur
4. HASIL DAN PEMBAHASAN

4.1. Inventarisasi data
Data yang berhasil diinventaris untuk mendukung kegiatan litbang ini meliputi citra
Landsat-8 tanggal aquisisi 8 Juli 2013, 9-Agustus 2013, 25Agustus 2013, 10September
2013, 26September 2013, 12Oktober 2013, 11Juli 2014, 12Agustus 2014, 28 Agustus
2014, 13 September 2014, sementara citra SPOT-6 belum tersedia untuk wilayah

kajian. Selain data citra, juga diperoleh data sekunder berupa peta blok kebun, data
realisasi tanam/panen untuk musim tanam 2013/2014.
4.2. Konversi citra menjadi reflektan

Citra yang diperoleh adalah citra format digital number (DN), sehingga dilakukan
konversi sekaligus standarisasi menggunakan formula yang dari USGS. Sebelum itu
dilakukan ekstrak nilai sun elevationsetiap data sebagai input konversi. Hasil konversi
reflektan ini kemudian dievaluasi nilai reflektannya dengan training sampel pada
setiap umur tanaman dan kemudian dihitung koefisien variansinya (standar deviasi
dibagi mean dikali 100%) dimana data yang digunakan hanya yang nilai koefisien
variansinya kurang dari 10%, yang artinya standar akurasinya 90%. Hasil evaluasi
menunjukkan bahwa umumnya nilai band 6 dan band 7 banyak yang mempunyai
nilai koefisien varian yang lebih besar dari 10 terutama pada umur tanaman rendah.
4.3. Ploting data realisasi tanam

Ploting data realisasi tanam dan panen yang diperoleh dari PT. Sang Hyang Seri
sebagai acuan untuk membuat training sampel tiap umur tanaman.
Training sampel dibuat terhadap seluruh citra Landsat dengan mengacu pada data
realisasi tanam yang disesuaikan dengan tanggal aquisisi citra. Berdasarkan penghitungan
sementara, training sampel pada seluruh citra berjumlah 2273 training sampel yang tersebar
dari umur 1 hingga 125 hari setelah tanam sebagaimana dapat dilihat pada Gambar 4.
Ekstrak nilai reflektan dari seluruh training sampel menghasilkan sebaran sebagaimana
disajikan pada Gambar 5, sedangkan nilai NDVI disajikan pada Gambar 6.Dari seluruh
training sampel tersebut dilakukan ekstrak nilai mean dan standar deviasinya sebagaimana
disajikan pada Lampiran 2 dan Lampiran 3.

Fr
ek
ue
ns
Umur (hari)
Gambar 4. Sebaran frekuensi training sampel yang digunakan dalam penelitian
Berdasarkan training sampel tersebut dilakukan ekstrak nilai reflektan, dan beberapa
indeks yaitu NDVI dan EVI.Nilai reflektan diseleksi berdasarkan homogenitasnya yang
dicerminkan oleh nilai koefisien variasinya dimana hanya menggunakan reflektan yang
mempunyai nilai kovar kurang dari 10.Profil nilai reflektan tanaman padi disajikan pada
grafik Gambar 5, sedangkan nilai rataan reflektan tanaman padi pada berbagai umur
disajikan pada Lampiran 2.
In
de
ks
ve
ge
ta
Umur (hari)
Gambar 5. Profil reflektan tanaman padi pada berbagai umur di PT Sang Hyang Seri Subang

Berdasarkan grafik tersebut, terlihat bahwa reflektan band 1,2,3,4,6, dan 7 mempunyai pola
yang mirip dimana secara umum semakin tinggi umur niai refektannya semakin besar
sedangkan band 5 polanya sangat berbeda dimana nilai reflektan tertinggi terjadi pada umur
sekitar 69 hari. Gambaran ini menunjukkan adanya indikasi bahwa band 5 dapat digunakan
untuk membedakan umur tanaman.
4.4. Profil Pertumbuhan Tanaman Padi Fase Vegetatif dan Generatif.

Pertumbuhan tanaman padi selama musim tanam sampai panen dan kondisi/fase bera
dapat dideteksi oleh data inderaja satelit.Hal tersebut dapat dilakukan karena perubahan
kondisi tanaman/parameter pertumbuhan tanaman seperti pertambahan tinggi, luas daun
dan kerapatan tajuk menyebabkan fluktuasi perubahan indeks vegetasi (NDVI).Pengaruh
kondisi cuaca seperti suhu, radiasi, kelembaban udara serta kondisi lahan sawah terhadap
pertumbuhan dan perkembangan tanaman padi dapat ditunjukkan oleh fluktuasi nilai indeks
vegetasi. Pengaruh atmosfir yang sangat signifikan, seperti proses absorbsi (uap air, CO2,
dan O3/Ozon) dan hamburan (scattering) atau aerosol dapat mengurangi atau menambah
nilai intensitas data citra, sehingga dapat berpengaruh terhadap reflektansi yang secara
keseluruhan disebut pengaruh atmosfer. Oleh karena itu,perlu dilakukan pengkoreksian
karena berkurangnya nilai NDVI akibat kandungan aerosol atmosfir yang terdeteksi oleh
kanal biru, oleh karena itu perlu dikoreksi dengan pembuatan model indeks vegetasi dengan
EVI (Enhanced Vegetation Index).
Untuk mengetahui profil pertumbuhan tanaman padi berdasarkan indeks vegetasi
diperlukan data Multi Temporal selama pertumbuhan tanaman padi. Data inderaja Landsat-
8 yang memiliki resolusi spasial 30 meter dan temporal 16 hari cukup untuk mendeteksi
kondisi lahan dan pertumbuhan tanaman padi. Lokasi penelitian adalah di Perum Sang
Hyang Seri, Subang, Jawa Barat.
Hasil analisis data asli NDVI dan EVI dijajikan pada Tabel 6.

TABEL 6. Hasil analisis indeks vegetasi NDVI dan EVI tanaman padi (data asli).
Indeks Vegetasi ORDE 2 ORDE 3
NDVI Persamaan R S iterasi Persamaan R S Iterasi

0.104 + 0.00602 X 0.194 - 0.0117 X + 0.000827 X2
Fase Vegetatif 92.31% 0.0551194 5 95.72% 0.0422076 11
+ 0.000079 X2 - 0.000008 X3
2 3 2
8E-05 x + 0.006 x 5 no -8E-06x + 0.0008x - 0.0117x 11 no
0.9239 0.9579
+ 0.1036 etimasi + 0.1941 etimasi
- 0.117 + 0.0223 X - 1.86 + 0.0870 X - 0.000943 X2
Fase Generatif 85.02% 0.0379837 5 85.63% 0.0414949 11
- 0.000163 X2 + 0.000003 X3
2 3 2
-0.0002x + 0.0223x 5 no 3E-06x - 0.0009x + 0.087x 11 no
0.852% 0.8582
- 0.1172 etimasi - 1.8621 etimasi
EVI
2
0.0937 + 0.00222x 92.82% 0.056764 8 0.160052- 0.0111 X+ 0.000719X - 93.16% 0.0555452 8
Fase Vegetatif +0.000143 x2 0.000006X3
y = 0.0001x2 + 0.0022x 0.929 8 no -0.0000065x3 + 0.000719x2 0.9326527 8 no
+ 0.0937 etimasi 0.0110853x + 0.160052 etimasi
2
0.110 + 0.0167 x 82.10% 0.05323 - 2.71 + 0.117 x - 0.00128 x 80.99% 0.0597425 11
Fase Generatif - 0.000132 x2 + 0.000004 x3
-0.0001x2 + 0.0167x 0.8231 17 no 4E-06x3 - 0.0013x2 + 0.1169x 0.8122 11 no
+ 0.1105 etimasi - 2.7123 etimasi
Propil pertumbuhan tanaman padi dapat diperlihatkan pada Gambar-1 sampai Gambar-4
dan model analisis dapat diuraikan sebagai berikut :
1. Model pertumbuhan padi fase vegetative untuk NDVI di orde 2 dengan iterasi 5 dan
iterasi 5 tanpa menggunakan estimasi, kemudian di orde 3 dengan iterasi 11 dan
iterasi 11 tanpa menggunakan estimasi, ditunjukkan pada Gambar-1.
2. Model pertumbuhan padi fase generative untuk NDVI di orde 2 dengan iterasi 5 dan
iterasi 5 tanpa menggunakan estimasi, kemudian di orde 3 dengan iterasi 11 dan
iterasi 11 tanpa menggunakan estimasi, ditunjukkan pada Gambar-2.
3. Model pertumbuhan padi fase vegetative untuk EVI di orde 2 dengan iterasi 8 dan
melalui Add Trendline, kemudian di orde 3 dengan iterasi 8 dan melalui Add
Trendline, ditunjukkan pada Gambar-3.
4. Model pertumbuhan padi fase generative untuk EVI di orde 2 dengan iterasi 17 dan
melalui Add Trendline, kemudian di orde 3 dengan iterasi 11 dan melalui Add
Trendline, ditunjukkan pada Gambar-4.
Pertumbuhan Padi dengan NDVI untuk Fase Vegetasi

Hasil deteksi pertumbuhan padi dengan NDVI untuk fase Vegetasi orde 2 pada iterasi
5ditunjukkan pada Gambar 1-a. Gambar tersebut menunjukkan pola pertumbuhan tanaman
padi berbentuknya lurus agak melengkung. Pertumbuhan vegetatif tampak diikuti dengan
kenaikan nilai NDVI mulai dari 0 HST hingga mencapai nilai maksimum antara 55 – 60 HST.
Fase pertumbuhan vegetatif tampak terbagi dua, yaitu vegetatif awal antara 0-20 HST yang

masih didominasi oleh penggenangan air dengan nilai NDVI berkisar 0.10-0.25, kemudian
vegetatif naik diantara 20–60 HST dengan kenaikan nilai NDVI berkisar antara 0.25 sampai
0.70. Model observasi pertumbuhan tanaman padi dalam bentuk orde 2 dihasilkan dalam
bentuk persamaan :
Obs = 0.104 + 0.00602 X + 0.000079 X2
R = 92.31%, S= 0.0551194
Untuk fase Vegetasi orde 3 pada iterasi 11ditunjukkan pada Gambar 1-b. Gambar tersebut
menunjukkan pola pertumbuhan tanaman padi berbentuknya ½ lonceng. Pertumbuhan
vegetatif tampak diikuti dengan kenaikan nilai NDVI mulai dari 0 HST hingga mencapai nilai
maksimum antara 55 – 60 HST. Fase pertumbuhan vegetatif tampak terbagi dua, yaitu
vegetatif awal antara 0-20 HST yang masih didominasi oleh penggenangan air dengan nilai
NDVI berkisar 0.15-0.20, kemudian vegetatif naik dari 20 – 60 HST dengan kenaikan nilai
NDVI berkisar antara 0.20 sampai 0.65. Model observasi pertumbuhan tanaman padi dalam
bentuk orde 3 dihasilkan bentuk persamaan sebagai berikut :
Obs = 0.194 - 0.0117 x + 0.000827 x2 - 0.000008 x3
R=95%, S=0.0422076
Untuk fase Vegetasi orde 2 dan orde 3 melalui tanpa estimasi Gambar-1c dan Gambar-1d
memperlihatkan propil pertumbuhannya mirip dengan orde 2 dan orde 3 pada iterasi 5 dan
iterasi 11 tanpa menggunakan estimasi . Bentuk persamaan orde 2 iterasi 5 tanpa
menggunakan estimasi sebagai berikut :
y = 8E-05 x2 + 0.006 x + 0.1036
R2=0.9239
dan bentuk persamaan orde 3 iterasi 11 tanpa menggunakan estimasi adalah :
y = -8E-06x3 + 0.0008x2 - 0.0117x + 0.1941
R2 = 0.9579
Propil Pertumbuhan Padi dengan NDVI untuk Fase Generatif

Hasil deteksi pertumbuhan padi dengan NDVI untuk fase generatif orde 2 pada iterasi 5
ditunjukkan pada Gambar 2-a. Gambar tersebut menunjukkan pola pertumbuhan tanaman
padi berbentuk seperti ½ kubah. Fase perkembangan generatif tampak terbagi 2, yaitu
masa pembentukan biji antara 60 – 80 HST dengan penurunan nilai NDVI berkisar antara

0.65-0.55, masa pematangan antara umur 80 – 105 HST dengan penurunan nilai NDVI
berkisar dari 0.55 hingga 0.45. Selanjutnya tanaman padi akan panen dan kondisi lahan
menjadi bera antara umur 105 -120 HST dengan nilai NDVI berkisar antara 0.45 hingga 0.25.
Model observasi pertumbuhan tanaman padi dalam bentuk orde 2 dihasilkan dalam bentuk
persamaan :
Obs = - 0.117 + 0.0223 X - 0.000163 X2
R=85.02%, S=0.03799837
Untuk fase generatif orde 3 pada iterasi 11 ditunjukkan pada Gambar 2-b. Gambar tersebut
menunjukkan pola pertumbuhan tanaman padi berbentukseperti ½ lonceng. Fase
perkembangan generative juga tampak terbagi 2, yaitu masa pembentukan biji antara 60 –
80 HST dengan penurunan nilai NDVI berkisar antara 0.55-0.60, masa pematangan antara
umur 80 – 105 HST dengan penurunan nilai NDVI berkisar dari 0.60 hingga 0.40. Selanjutnya
tanaman padi akan panen dan kondisi lahan menjadi bera antara umur 105 -120 HST
dengan nilai NDVI berkisar antara 0.40 hingga 0.25. Model observasi pertumbuhan tanaman
padi dalam bentuk orde 2 dihasilkan dalam bentuk persamaan :
Obs = - 1.86 + 0.0870 X - 0.000943 X2 + 0.000003 X3
R=85.63%, S=0.8582
Untuk fase generatif orde 2 dan orde 3 melalui tanpa estimasi Gambar-2c dan Gambar-2d
iterasi 11. Bentuk persamaan orde 2 melalui tanpa estimasi sebagai berikut :
y = -0.0002x2 + 0.0223x - 0.1172
R2= 0.852
dan bentuk persamaan orde 3 melalui tanpa estimasi adalah :
y = 3E-06x3 - 0.0009x2 + 0.087x - 1.8621
R2= 0.8582
Propil Pertumbuhan Padi dengan EVI untuk Fase Vegetatif

Hasil deteksipertumbuhan padi dengan EVI untuk fase Vegetasi orde 2 pada iterasi 8
padi berbentuk garisagak melengkung. Pertumbuhan vegetatif tampak diikuti dengan
kenaikan nilai EVI mulai dari 0 HST hingga mencapai nilai maksimum antara 55 – 60 HST.

Fase pertumbuhan vegetatif tampak terbagi dua, yaitu vegetatif awal antara 0-20 HST yang
masih didominasi oleh penggenangan air dengan nilai EVI berkisar 0.10-0.20, kemudian
vegetatif naik diantara 20– 60 HST dengan kenaikan nilai EVI berkisar antara 0.20 sampai
0.75. Model observasi pertumbuhan tanaman padi dalam bentuk orde 2 dihasilkan dalam
bentuk persamaan :
Obs = 0.0937 + 0.00222 X + 0.000143 X2
S = 0.0567642 ; R2 = 92.82%
Untuk fase Vegetasi orde 3 pada iterasi 8 ditunjukkan pada Gambar 3-b. Gambar tersebut
menunjukkan pola pertumbuhan tanaman padi berbentuknya ½ lonceng. Pertumbuhan
vegetatif tampak diikuti dengan kenaikan nilai EVI mulai dari 0 HST hingga mencapai nilai
maksimum antara 55 – 60 HST. Fase pertumbuhan vegetatif tampak terbagi dua, yaitu
vegetatif awal antara 0-20 HST yang masih didominasi oleh penggenangan air dengan nilai
EVI berkisar 0.20-0.15, kemudian vegetatif naik lagi dari 20 – 60 HST dengan kenaikan nilai
EVI berkisar antara 0.15 sampai 0.70. Model observasi pertumbuhan tanaman padi dalam
bentuk orde 3 dihasilkan bentuk persamaan sebagai berikut :
Obs = 0.160 - 0.0111 X + 0.000719 X2 - 0.000006 X3
S = 0.0555452 ; R2= 93.16%
Untuk fase Vegetasi orde 2 dan orde 3 melalui Add Trendline Gambar-3c dan Gambar-3d
iterasi 16. Bentuk persamaan orde 2 Add Trendline sebagai berikut :
y = 0.0001x2 + 0.0022x + 0.0937
R2 = 0.929
dan bentuk persamaan orde 3 Add Trendline adalah :
y = -0.0000065x3 + 0.0007186x2 - 0.0110853x + 0.1600519
R2 = 0.9326527
Propil Pertumbuhan Padi dengan EVI untuk Fase Generatif

Hasil deteksi pertumbuhan padi dengan EVI untuk fase generatif orde 2 pada iterasi 8
padi berbentuk garis agak melengkung. Fase perkembangan generatif tampak terbagi 2,

yaitu masa pembentukan biji antara 60 – 80 HST dengan penurunan nilai EVI berkisar antara
0.65-0.60, masa pematangan antara umur 80 – 105 HST dengan penurunan nilai EVI berkisar
dari 0.60 hingga 0.40. Selanjutnya tanaman padi akan panen dan kondisi lahan menjadi bera
antara umur 105 -120 HST dengan nilaiEVI berkisar antara 0.40 hingga 0.20. Model
observasi pertumbuhan tanaman padi dalam bentuk orde 2 dihasilkan dalam bentuk
persamaan :
Obs = 0.110 + 0.0167 x - 0.000132 x2
S = 0.0532307 ; R2 = 82.10%
Untuk fase generatif orde 3 pada iterasi 11 ditunjukkan pada Gambar 4-b. Gambar tersebut
menunjukkan pola pertumbuhan tanaman padi berbentuk seperti ½ lonceng. Fase
perkembangan generative juga tampak terbagi 2, yaitu masa pembentukan biji antara 60 –
80 HST dengan penurunan nilai EVI berkisar antara 0.70-0.65, masa pematangan antara
umur 80 – 105 HST dengan penurunan nilai EVI berkisar dari 0.65 hingga 0.35. Selanjutnya
tanaman padi akan panen dan kondisi lahan menjadi bera antara umur 105 -120 HST dengan
nilai EVI berkisar antara 0.35 hingga 0.25. Model observasi pertumbuhan tanaman padi
dalam bentuk orde 2 dihasilkan dalam bentuk persamaan :
Obs = - 2.71 + 0.117 x - 0.00128 x2 + 0.000004 x3
S = 0.0597425 ; R2 = 80.99%
Untuk fase generatif orde 2 dan orde 3 melalui Add Trendline Gambar-4c dan Gambar-4d
iterasi 11. Bentuk persamaan orde 2 Add Trendline sebagai berikut :
y = -0.0001x2 + 0.0167x + 0.1105
R2 = 0.8231
dan bentuk persamaan orde 3 Add Trendline adalah :
y = 4E-06x3 - 0.0013x2 + 0.1169x - 2.7123
R2 = 0.8122

Model Pertumbuhan Padi Fase Vegetatif Model Pertumbuhan Padi Fase Vegetatif
0.75 0.75
Obs = 0.104 + 0.00602 X + 0.000079 X2 Obs = 0.194 - 0.0117 X + 0.000827 X2 - 0.000008 X3
0.70 0.70
S = 0.0551194 ; R2 = 92.31% S = 0.0422076 ; R 2= 95.72%
0.65 0.65
0.60 0.60
0.55 0.55
0.50 0.50
0.45 0.45
NDVI
NDVI
0.40 Obs 0.40 Obs
0.35 FITS1 0.35 FITS1
0.30 0.30
0.25 0.25
0.20 0.20
0.15 0.15
0.10 0.10
0.05 0.05
0.00 0.00
0 5 10 15 20 25 30 35 40 45 50 55 60 0 5 10 15 20 25 30 35 40 45 50 55 60
Umur HST Umur HST
a. Hasil NDVI orde 2 Vegetatif setelah difilter dua kali dan b. Hasil NDVI orde 3 Vegetatif setelah difilter dua kali dan
dilakukan iterasi atau pengulangan 5 kali dengan dilakukan iterasi atau pengulangan 11 kali dengan
menggunakan hasil strandart deviasi dari program menggunakan hasil strandart deviasi dari program
MINITAB MINITAB
2 2 3
Obs = 0.104 + 0.00602 X + 0.000079 X Obs = 0.194 - 0.0117 X + 0.000827 X - 0.000008 X
S = 0.0551194 ; R2 = 92.31% S = 0.0422076 ; R2 = 95.72%
0.75 0.75
0.70
y = 8E-05x2 + 0.006x + 0.1042 0.70
NDVI (Normalized Difference Vegetation
0.65 y = -8E-06x3 + 0.0008x2 - 0.0117x + 0.1941

R 2 = 0.9244 0.65
R2 = 0.9579
0.60 0.60
0.55 0.55
0.50
0.50
0.45
0.45
Index)
0.40 Obs
NDVI
0.40 Obs
0.35 Poly. (Obs) 0.35 Poly. (Obs)
0.30
0.30
0.25
0.25
0.20
0.20
0.15
0.15
0.10
0.10
0.05
0.05
0.00
0.00
0 5 10 15 20 25 30 35 40 45 50 55 60
0 5 10 15 20 25 30 35 40 45 50 55 60
Umur HST
Umur HST
c. Hasil NDVI orde 2 Vegetatif setelah difilter dua d. Hasil NDVI orde 3 Vegetatif setelah difilter dua
kali dan dilakukan iterasi atau pengulangan 5 kali kali dan dilakukan iterasi atau pengulangan 11
tanpa menggunakan estimasi dari program kali tanpa menggunakan estimasi dari program
MINITAB. Estimasi langsung dari add trendline. MINITAB. Estimasi langsung dari add trendline.
y = 8E-05 x2 + 0.006 x + 0.1036 y = -8E-06x3 + 0.0008x2 - 0.0117x + 0.1941
R2 = 0.9239 R2 = 0.9579
Gambar 6. Profil NDVI Fase Vegetatif pertumbuhan padi Orde 2 dengan iterasi 5 dan iterasi 5
tanpa menggunakan estimasi, serta Orde 3 dengan iterasi 11 dan iterasi 11
tanpa menggunakan estimasi.

Model Pertumbuhan Padi Fase Generatif
0.75 0.75

0.70 0.70
0.65 0.65
0.60 0.60
0.55 0.55
0.50 0.50
0.45 0.45
Index)
Index)
0.40 Obs 0.40 Obs
0.35 Obs = - 0.117 + 0.0223 X - 0.000163 X2 FITS1 0.35 FITS1
0.30 S = 0.0379837 ; R2 = 85.02% 0.30

0.25 0.25
Obs = - 1.86 + 0.0870 X - 0.000943 X2 + 0.000003 X3
0.20 0.20 S = 0.0414949 ; R2 = 85.63%
0.15 0.15
0.10 0.10
0.05 0.05
0.00 0.00
60 65 70 75 80 85 90 95 100 105 110 115 120 60 65 70 75 80 85 90 95 100 105 110 115 120
Umur HST Umur HST
Hasil NDVI orde 2 Vegetatif setelah difilter dua kali Hasil NDVI orde 3 Generatif setelah difilter dua kali
dan dilalukan iterasi atau pengulangan 5 kali dan iterasi atau pengulangan 11 kali dengan
dengan menggunakan hasil strandart deviasi dari menggunakan hasil strandart deviasi dari program
program MINITAB MINITAB
Obs = - 0.117 + 0.0223 X - 0.000163 X2 Obs = - 1.86 + 0.0870 X - 0.000943 X2 + 0.000003 X3
S = 0.0379837 ; R2 = 85.02% S = 0.0414949 ; R2 = 85.63%
0.75 0.75
0.70 0.70
0.65 0.65
0.60 0.60
0.55 0.55
0.50 0.50
0.45 0.45
Index)
Index)
0.40 Obs 0.40

0.35 Poly. (Obs) 0.35
0.30 0.30
y = -0.0002x2 + 0.0223x - 0.1172 y = 3E-06x 3 - 0.0009x 2 + 0.087x - 1.8621
0.25 0.25
R2 = 0.852 R2 = 0.8582
0.20 0.20 Obs
0.15 0.15 Poly.

0.10 0.10
0.05 0.05
0.00 0.00
60 65 70 75 80 85 90 95 100 105 110 115 120 60 65 70 75 80 85 90 95 100 105 110 115 120
Umur HST Umur HST
Hasil NDVI orde 2 Vegetatif setelah difilter dua kali Hasil NDVI orde 3 Generatif setelah difilter dua
dan dilalukan iterasi atau pengulangan 5 kali tanpa kali dan dilaklukan iterasi atau pengulangan 11 kali
menggunakan estimasi dari program MINITAB. tanpa menggunakan estimasi dari program
Estimasi langsung dari add trendline. MINITAB. Estimasi langsung dari add trendline.
y = -0.0002x2 + 0.0223x - 0.1172 y = 3E-06x3 - 0.0009x2 + 0.087x - 1.8621
R2 = 0.852 R2 = 0.8582
Gambar 7. Profil NDVI Fase generatif pertumbuhan padi Orde 2 dengan iterasi 5 dan iterasi 5
tanpa menggunakan estimasi .

0.75 0.75
Obs = 0.0937 + 0.00222 X + 0.000143 X2 Obs = 0.160 - 0.0111 X + 0.000719 X2 - 0.000006 X3
0.70 0.70
S = 0.0567642 ; R2 = 92.82% S = 0.0555452 ; R2= 93.16%
0.65 0.65
Enhanced Vegetation Index (EVI)

0.60 0.60
0.55 0.55
0.50 0.50
0.45 0.45
0.40 Obs 0.40 Obs
0.35 FITS1 0.35 FITS1
0.30 0.30
0.25 0.25
0.20 0.20
0.15 0.15
0.10 0.10
0.05 0.05
0.00 0.00
0 5 10 15 20 25 30 35 40 45 50 55 60 0 5 10 15 20 25 30 35 40 45 50 55 60
Umur HST (Hari Setelah Tanam) Umur HST (Hari Setelah Tanam)
Hasil EVI orde 2 Vegetatif setelah difilter dua kali Hasil EVI orde 3 Vegetatif setelah difilter dua kali
dan dilakukan iterasi atau pengulangan 8 kali dan dilakukan iterasi atau pengulangan 8 kali
dengan menggunakan hasil strandart deviasi dari dengan menggunakan hasil strandart deviasi dari
program MINITAB program MINITAB
Obs = 0.0937 + 0.00222 X + 0.000143 X2 Obs = 0.160 - 0.0111 X + 0.000719 X2 - 0.000006 X3
S = 0.0567642 ; R2 = 92.82% S = 0.0555452 ; R2 = 93.16%
0.75 0.75
0.70 0.70 y = -0.0000065x 3 + 0.0007186x 2 - 0.0110853x + 0.1600519
y = 0.0001x2 + 0.0022x + 0.0937 R2 = 0.9326527
0.65 0.65
2
R = 0.929
0.60 0.60
0.55 0.55
0.50 0.50
0.45 0.45
0.40 Obs 0.40 Obs
0.35 Poly. (Obs) 0.35 Poly. (Obs)
0.30 0.30
0.25 0.25
0.20 0.20
0.15 0.15
0.10 0.10
0.05 0.05
0.00 0.00
0 5 10 15 20 25 30 35 40 45 50 55 60 0 5 10 15 20 25 30 35 40 45 50 55 60
Hasil EVI orde 2 Vegetatif setelah difilter dua kali Hasil EVI orde 3 Vegetatif setelah difilter dua kali
dan dilakukan iterasi atau pengulangan 8 kali dan dilakukan iterasi atau pengulangan 8 kali
tanpa menggunakan estimasi dari program tanpa menggunakan estimasi dari program
MINITAB. Estimasi langsung dari add trendline. MINITAB. Estimasi langsung dari add trendline.
y = 0.0001x2 + 0.0022x + 0.0937 y = -0.0000065x3 + 0.0007186x2 - 0.0110853x + 0.1600519
2
R = 0.929 R2 = 0.9326527
Gambar 8. Profil EVI Fase vegetatif Pertumbuhan padi Orde 2 dengan iterasi 5 dan iterasi 5
tanpa menggunakan estimasi , serta Orde 3 dengan iterasi 8 dan iterasi 8 tanpa
menggunakan estimasi .

Model Pertumbuhan Padi Fase Generatif Model Pertumbuhan Padi Fase Generatif
0.75 0.75
0.70 0.70
0.65 0.65
EVI (Enhanced Vegetation Index)

0.60 0.60
0.55 0.55
0.50 0.50
0.45 0.45
0.40 Obs 0.40 Obs
0.35 FITS1 0.35 FITS1
0.30 0.30
0.25 2 Obs = - 2.71 + 0.117 x - 0.00128 x 2 + 0.000004 x 3
Obs = 0.110 + 0.0167 x - 0.000132 x 0.25
S = 0.0597425 ; R2 = 80.99%
0.20 S = 0.0532307 ; R2 = 82.10%
0.20
0.15 0.15
0.10 0.10
0.05 0.05
0.00 0.00
60 65 70 75 80 85 90 95 100 105 110 115 120
60 65 70 75 80 85 90 95 100 105 110 115 120
Umur HST (Hari Setelah Tanam)
Umur HST (Hari Se telah Tanam)
Hasil EVI orde 2 Vegetatif setelah difilter dua kali Hasil NDVI orde 3 Generatif setelah difilter dua kali
dan dilalukan iterasi atau pengulangan 17 kali dan iterasi atau pengulangan 11 kali dengan
dengan menggunakan hasil strandart deviasi dari menggunakan hasil strandart deviasi dari program
program MINITAB MINITAB
Obs = 0.110 + 0.0167 x - 0.000132 x2 Obs = - 2.71 + 0.117 x - 0.00128 x2 + 0.000004 x3
S = 0.0532307 ; R2 = 82.10% S = 0.0597425 ; R2 = 80.99%
Model Pertumbuhan Padi Fase Generatif Model Pertumbuhan Padi Fase Generatif
0.75 0.75
0.70 0.70
0.65 0.65
EVI (Enhanced Vegetation Index)
0.60 0.60
0.55 0.55
0.50 0.50
0.45 0.45
0.40 0.40 Obs
Obs
0.35 0.35 Poly. (Obs)
Poly. (Obs)
0.30 0.30 y = 4E-06x 3 - 0.0013x 2 + 0.1169x - 2.7123
y = -0.0001x2 + 0.0167x + 0.1105 R2 = 0.8122
0.25 0.25
R 2 = 0.8231
0.20 0.20
0.15 0.15
0.10 0.10
0.05 0.05
0.00 0.00
60 65 70 75 80 85 90 95 100 105 110 115 120
60 65 70 75 80 85 90 95 100 105 110 115 120
Hasil NDVI orde 2 Vegetatif setelah difilter dua kali Hasil NDVI orde 3 Generatif setelah difilter dua
dan dilalukan iterasi atau pengulangan 17 kali tanpa kali dan dilaklukan iterasi atau pengulangan 11 kali
menggunakan estimasi dari program MINITAB. tanpa menggunakan estimasi dari program
Estimasi langsung dari add trendline. MINITAB. Estimasi langsung dari add trendline.
y = -0.0001x2 + 0.0167x + 0.1105 y = 4E-06x3 - 0.0013x2 + 0.1169x - 2.7123
R2 = 0.8231 R2 = 0.8122
Gambar 9. Profil EVI Fase generatif Pertumbuhan padi Orde 2 dengan iterasi 5 dan iterasi 5
tanpa menggunakan estimasi .

Hasil analisis nilai NDVI dan EVI yang sudah difilter 2 kali dengan analisis orde 2 dan orde 3
disajikan sebagai berikut
NDVI dengan hasil filter 2 kali dengan iterasi yang berbeda orde 2 dan orde 3
1. Model pertumbuhan padi untuk NDVI di orde 2 dengan iterasi 13
Obs = - 0.121 + 0.0226 X - 0.000163 X2
S = 0.0580254; R2 = 86.10% iterasi 13
2. Model pertumbuhan padi untuk NDVI di orde 3 dengan iterasi 14
Obs = - 0.382 + 0.0360 X - 0.000360 X2 + 0.000001 X3
S = 0.0475297 ; R2 = 88.18% iterasi 14
3. Model pertumbuhan padi untuk NDVI di orde 2 dengan iterasi 13 tanpa estimasi
y = -0.0002x2 + 0.0235x - 0.1409
R2 = 0.8649 iterasi 13
4. Model pertumbuhan padi untuk NDVI di orde 3 dengan iterasi 14 tanpa estimasi
y = 8E-07x3 - 0.0004x2 + 0.036x - 0.3821
R2 = 0.8827 iterasi 14
EVI dengan hasil filter 2 kali dengan iterasi yang berbeda orde 2 dan orde 3
1. Model pertumbuhan padi untuk EVI di orde 2 dengan iterasi 16
Obs = - 0.298 + 0.0272 X - 0.000194 X2
S = 0.0656194 ; R2 = 84.58 % iterasi 16
2. Model pertumbuhan padi untuk EVI di orde 3 dengan iterasi 12
Obs = 0.0385 + 0.00643 X + 0.000171 X2 - 0.000002 X3
S = 0.0697020 ; R2 = 86.13% iterasi 12
3. Model pertumbuhan padi untuk EVI di orde 2 dengan iterasi 16 tanpa estimasi
y = -0.0002x2 + 0.0272x - 0.2981
R2 = 0.8479 iterasi 16
4. Model pertumbuhan padi untuk EVI di orde 3 dengan iterasi 12 tanpa estimasi
y = -0.0000019x3 + 0.0001706x2 + 0.0064292x + 0.0384564
R2 = 0.8624293 iterasi 12
Propil pertumbuhan untuk wilayah di PT Sang Hyang Seri, ditunjukkan pada Gambar-6dan
Gambar-2. Gambar tersebut menunjukkan pola NDVI dan EVI tanaman padi pada umumnya

berbentuk kubah agak simetris.Pertumbuhan vegetatif tampak diikuti dengan kenaikan nilai
NDVI maupun EVI hingga mencapai nilai maksimum umumnya berkisar antara 60 – 70 HST.
Fase pertumbuhan vegetatif tampak terbagi tiga, yaitu vegetatif awal berkisar antara 0-20
HST yang masih didominasi oleh penggenangan air dengan kenaikan nilai NDVI maupun EVI
sekitar 0.15 dan nilai NDVI dan EVI< 0.2, vegetatif dipercepat antara 20 – 45 HST dengan
kenaikan nilai NDVI dan EVI berkisar 0.42 dengan slop tajam, fase vegetatif diperlambat
berkisar antara 45 – 60 HST dengan kenaikan nilai NDVI dan EVI berkisar 0.12, karena mulai
pembentukan malai. Sedangkan fase perkembangan generatif tampak terbagi 2, yaitu masa
pembentukan biji berkisar antara 60 – 80 HST dengan penurunan nilai NDVI dan EVI berkisar
0.25, masa pematangan berkisar antara umur 80 – 105 HST dengan penurunan nilai NDVI
dan EVI berkisar 0.3. Selanjutnya tanaman padi akan panen dan kondisi lahan menjadi bera
dengan nilai NDVI dan EVI berkisar 0.17. Pertumbuhan padi indek vegetasi NDVI dan EVI dari
ke delapan model ditunjukkan pada Tabel-6 dan Tabel-7.
Profil Pertumbuhan Padi Orde 2 Profil Pertumbuhan Padi Orde 3
0.75
0.70 0.75
NDVI (Normalized D ifference Vegetation In dex)
0.65 0.70
0.60 0.65
0.60
0.55
0.55
0.50
0.50
0.45
0.45
0.40 Obs
Index)
0.40 Obs
0.35 FITS1
Obs = - 0.121 + 0.0226 X - 0.000163 X 2 0.35 FITS1
0.30
S = 0.0580254 ; R 2 = 86.10% 0.30
2 3
0.25 Obs = - 0.382 + 0.0360 X - 0.000360 X + 0.000001 X
0.25
S = 0.0475297 ; R2 = 88.18%
0.20
0.20
0.15 0.15
0.10 0.10
0.05 0.05
0.00 0.00
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 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
Obs = - 0.121 + 0.0226 X - 0.000163 X2 Obs = - 0.382 + 0.0360 X - 0.000360 X2 + 0.000001 X3

S = 0.0580254 ; R2 = 86.10% iterasi 13 S = 0.0475297 ; R2 = 88.18% iterasi 14
0.75
0.70 0.75
ND VI (N ormalized D ifference Vegetation Index)
0.65 0.70
0.60 0.65
0.55 0.60
0.55
0.50
0.50
0.45
0.45
0.40 Obs
Index)
0.40 Obs
0.35 Poly. (Obs)
0.35 Poly. (Obs)
0.30
0.30
0.25 y = 8E-07x3 - 0.0004x2 + 0.036x - 0.3821
0.25
2
y= -0.0002x 2+ 0.0226x - 0.1212 R = 0.8827
0.20
R2 = 0.8619 0.20
0.15 0.15
0.10 0.10
0.05 0.05
0.00 0.00
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 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
y = -0.0002x2 + 0.0235x - 0.1409 y = 8E-07x3 - 0.0004x2 + 0.036x - 0.3821

2
R = 0.8649 iterasi 13 tanpa estimasi R2 = 0.8827 iterasi 14 tanpa estimasi
Gambar10.ModelNDVIPertumbuhan padi (Hasil filter )
0.75
0.75
0.70
0.70
0.65
Enhanced Vege tation Index
0.65
0.60
E nha nced V ege ta tion Inde x (E V I)

0.60
0.55 0.55
0.50 0.50
0.45 0.45
(EVI)
0.40 Obs 0.40 Obs

0.35 FITS1 0.35 FITS1
0.30 2 0.30
Obs = - 0.298 + 0.0272 X - 0.000194 X
0.25 S = 0.0656194 ; R2 = 84.58% 0.25 Obs = 0.0385 + 0.00643 X + 0.000171 X2 - 0.000002 X3
S = 0.0697020 ; R2 = 86.13%
0.20
0.20
0.15
0.15
0.10
0.10
0.05
0.05
0.00
10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 105 110 115 120 0.00
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
2 2 3
Obs = - 0.298 + 0.0272 X - 0.000194 X Obs = 0.0385 + 0.00643 X + 0.000171 X - 0.000002 X
S = 0.0656194 ; R2 = 84.58 % iterasi 16 S = 0.0697020 ; R2 = 86.13% iterasi 12
0.75
0.75
0.70
0.70
0.65
Enhanc ed Ve ge ta tion Index
0.65
0.60
E n ha n ced V e g etation In de x (E V I)
0.60
0.55 0.55
0.50 0.50
0.45 0.45
(EVI)
0.40 0.40
Obs Obs
0.35 Poly. (Obs) 0.35
Poly. (Obs)
0.30 0.30
0.25 0.25
2
y = -0.0002x + 0.0272x - 0.2981
0.20 0.20
R2 = 0.8479 3 2
y = -0.0000019x + 0.0001706x + 0.0064292x + 0.0384564
0.15 0.15 2
R = 0.8624293
0.10 0.10
0.05 0.05
0.00 0.00
10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 105 110 115 120
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
y = -0.0002x2 + 0.0272x - 0.2981 y = -0.0000019x3 + 0.0001706x2 + 0.0064292x +

2
R = 0.8479 iterasi 16 tanpa estimasi 0.0384564
R2 = 0.8624293 iterasi 12 tanpa estimasi
Gambar 11. Model EVIPertumbuhan padi (Hasil filter)

TABEL 7.Hasil penghitungan nilai NDVI dan EVI padi pada Orde 2 dan Orde 3.
NDVI EVI
HST Orde2 Orde3 Orde2 Orde3

Orde2 Orde3 it13 it14 Orde2 Orde3 it16 it12
it13 it14 tanpa tanpa it16 it12 tanpa tanpa
estimasi estimasi estimasi estimasi
0-5 0-0.01 0 0 0 0 0-0.08 0 0-0.08
5-15 0.18 0-0.08 0-0.18 0-0.8 0.05 0.17 0-0.08 0.17
15-20 0.27 0.20 0.26 0.20 0.17 0.22 0.17 0.23
20-45 0.56 0.60 0.56 0.60 0.53 0.50 0.53 0.51
45-60 0.65 0.66 0.65 0.67 0.68 0.63 0.64 0.64
60-70 0.66 0.67 0.66 0.68 0.65 0.68 0.65 0.67
70-80 0.65 0.62 0.65 0.67 0.68 0.65 0.64 0.65
80-105 0.44 0.40 0.45 0.40 0.43 0.35 0.40 0.36
105-120 0.23 24 0.24 0.24 0.16 0 0.16 0
TABEL 8. Rekapitulasi persamaan regresi, nilai R dan standard error hasil analisis.
Indeks ORDE 2 ORDE 3

Vegetasi
Persamaan R S itera Persamaan R S Iterasi
NDVI
si
Obs = - 0.121 + Obs = - 0.382 + 0.0360
Fase 0.058 2 88.18 0.04
0.0226 X - 86.10% 13 X- 0.000360 X + 14
Vegetatif 0254 3 % 752
0.000163 X2 0.000001 X
13 no 14 no
Fase y = -0.0002x2 + y = 8E-07x3 - 0.0004x2 0.882
0.8649 etima etimas
Generatif 0.0235x - 0.1409 + 0.036x - 0.3821 7
si i
EVI
Obs = - 0.298 + 84.58% 0.065 16 Obs = 0.0385 + 0.00643 86.13 0.06 12
Fase 0.0272 X - 619 X + 0.000171 X2 - % 970
Vegetatif 0.000194 X2 0.000002 X3 20
y = -0.0002x2 + 0.8479 16 y = -0.0000019x3 + 0.862 112
0.0272x - 0.2981 no 0.0001706x2 + 429
Fase etim 0.0064292x +
Generatif asi 0.0384564

4.5. Validasi hasil
Gambar 12. Citra Landsat-8 28 Agustus 2014
Gambar 13. Citra Landsat-8 13 September 2014

positif
negatif
Gambar 14. Perubahan indeks vegetasi daerah Karawang-Bekasi-Subang bulan Agustus-

September 2014
Gambar 15. Peta umur tanaman padi di Karawang-Subang-Sukamandi pada bulan

September 2014

Gambar 16. Peta estimasi panen padi di Karawang-Subang-Sukamandi pada bulan
September 2014
V. Kesimpulan dan saran
6.1. Kesimpulan
Berdasarkan Tabel 8 diatas, dapat disimpulkan bahwa dari dua parameter yang diuji NDVI
dan EVI, ternyata parameter NDVI mempunyai hubungan yang lebih erat dengan umur
tanaman padi karena rata-rata R2nya lebih besar yaitu rata-rata 87,14% dan standar error
yang lebih kecil 0,0525 dibandingkan dengan parameter EVI yang mempunyai rata-rata R2
85,35% dan standard error 0.067. Sementara itu dari dua model analisis, orde dua dan orde
tiga untuk kedua parameter diatas, ternyata model orde tiga mempunyai nilai R2 yang lebih
besar 88,18% dan nilai standard error yang lebih kecil 0,047.
Dengan demikian model prediksi umur yang lebih baik adalah persamaan regresi orde 3
antara umur dengan NDVI tanaman padi yang diekstrak dari citra Landsat 8 berikut:y = 8E-
07x3 - 0.0004x2 + 0.036x - 0.3821 dengan R2 = 0.8827 dengan standar error 0,0525
6.2. Saran
Berdasarkan pembahasan dan kesimpulan tersebut, disarankan untuk dilakukan validasi
hasil model prediksi umur ini secara luas untuk mengetahui tingkat kehandalannya.

DAFTAR PUSTAKA
Bappenas, 2002, Does Indonesia Face a Food Security Time Bomb.Indonesian Food Policy
Program. http//:www.macrofoodpolicy.com. Accessed November, 15th 2009.
Baret, F. and Guyot, G., 1991, Potentials and limits of vegetation indices for LAI and APAR
assessment.Remote Sensing of Environment, 35, pp. 161-173.
Currey, B., Fraser, A. S. and Bardsley, K. L. How useful is Landsat monitoring. Nature 1987,
328, 587-590.
David, D., Frolking, S., Li, C., 2003, Trends in Rice-Wheat Area in China.Field Crops Research.
Dirgahayu, 1999.Aplikasi Model Pendugaan Umur Padi untuk Peramalan Luas Panen Padi di
Pulau Jawa. Majalah LAPAN no 1, vol 2 1-14 h
Ehlers, M., Jadkowski, M. A., Howard, R. R. and Brostuen, D. E., 1990, Application of SPOT
Data For Regional Growth Analysis and Local Planning. Photogrammetric Engineering
and Remote Sensing, 56, pp. 175–180.
Fang, H., Wu, B., Liu, H., and Huang, X., 1998, Using NOAA AVHRR and Landsat TM to
estimate rice area year-byyear. International Journal of Remote Sensing, 19, pp. 521-
525.
Harris, P. M. and Ventura, S. J., 1995, TheIntegration of Geographic Data With Remotely
Sensed Imagery to Improve Classification in an Urban Area. Photogrammetric
Engineering and Remote Sensing, 61, pp. 993–998.
Huete, A. R. and Escadafal, R., 1991, Assessment of Biophysical Soil Properties Through
Spectral Decomposition Techniques. Remote Sensing of Environment 35, pp. 149-159.
Huete, A. R. and Warrick, A. W., 1990, Assessment of Vegetation And Soil Water Regimes in
Partial Canopies with Optical Remotely Sensed Data. Remote Sensing of Environment
32, pp. 115-167.
Huete, A. R., 1988, A Soil-Adjusted Vegetation Index (SAVI). Remote Sensing of Environment ,
25, pp. 295-309.
IRRI, 1993, 1993–1995 IRRI Rice Almanac. Manila7 International Rice Research Institute.
Jingfeng Huang, et al., 2013. Remotely Sensed Rice Yield Prediction Using Multi-Temporal
NDVI Data Derived from NOAA’s-AVHRR. Institute of Agricultural Remote Sensing &
Information Application.www.plosone.org diakses 22 Januari 2014
Kuroso, T., Fujita, M., and Chiba, K., 1997, Monitoring of Rice Fields Using Multi-Temporal
ERS-1 C-band SAR Data.International Journal of Remote Sensing, 14, pp. 2953- 2965.
Kustiyo, 2003.Model Estimasi Fase Tumbuh dan Luas Panen Padi Sawah dengan
Menggunakan Data Landsat-7. Tesis. Program Pasca Sarjana, Institut Pertanian Bogor.
104 p
Le Toan, T., Ribbes, F., Floury, N., L., Kong, J., Korosu, T., and Fujita, M., 1997, Rice Crop
Mapping and Monitoring Using ERS-1 Data Base on Experiment and Modeling
Results. IEEE Transactions on Geosciences and Remote Sensing, 35, pp. 41- 56.
Lillesand, T.M. and Kiefer, R.W., 1994, Remote Sensing and Image Interpretation.Third
Edition. John Wiley and Sons, New York. 750 pp.
Meaille, R. and Wald, L., 1990, Using Geographic Information System and Satellite Imagery
Within a Numerical Simulation of Regional Urban Growth. International Journal of
Geographic Information Systems, 4, pp. 445–456.
Naugle, B. I. and Lashlee, J. D., 1992, Alleviating Topographic Influences on Land-Cover
Classifications for Mobility and Combat Modeling, Photogrammetric Engineering and
Remote Sensing, 58, pp. 1217-1221.
Niel, T.G.V. and McVicar, T.R., 2001, Remote Sensing of Rice-Based Irrigated Agriculture: A
Review. Available on http://www.clw.csiro.au/publications/consultancy/2001/C RC-
Rice-TRP11050101.pdf. Accessed 15 December 2009.
Nuarsa I Wayan, Kanno, S., Sugimori, Y. and Nishio, F., 2005, Spectral Characterization of
Rice Field Using Multi-Temporal Landsat ETM+ Data.International Journal of Remote
Sensing and Earth Sciences. 2, pp. 65-71.
Nuarsa I Wayan, Nishio, F., Hongo C., 2010.Development Of The Empirical Model For Rice
Field Distribution Mapping Using Multi-Temporal Landsat Etm+ Data: Case Study In
Bali Indonesia. International Archives of the Photogrammetry, Remote Sensing and
Spatial Information Science, Volume XXXVIII, Part 8, Kyoto Japan 2010.
Oette, D. R., Warren B. C., Mercedes B., Maiersperger, T.K., and Kennedy, R.E., 2000, Land
Cover Mapping in Agricultural Setting Using Multiseasonal Thematic Mapper Data.
Remote Sensing of Environment, 76, pp. 139-155.
Paine, D.P., 1981, Aerial Photography and Image Interpretation for Resource Management.
John Wiley and Sons, New York. 412 pp.
Panigrahy, S. and Sharma., S.A., 1997, Mapping of Crop Rotation Using Multidate Indian
Remote Sensing Satellite Digital Data. ISPRS Journal of Photogrammetry & Remote
Sensing, 52, pp. 85-91.
Pons, X. and Sole-Sugranes, L. A Simple Radiometric Correction Model to Improve Automatic
Mapping of Vegetation From Multispectral Satellite Data. Remote Sensing of
Environment 1994, 48, 191-204.
Shao, Y., Fan, X., Liu, H., Xiao, J., Ross, S., Brisco, B., Brown, R. and Staples, G., 2001. Rice
Monitoring and Production Estimation Using Multitemporal RADARSAT.Journal of
Remote Sensing for Environment, 76, pp. 310–325.
Shao, Y., Wang, C., Fan, X., and Liu, H., 1997, Evaluation of SAR image for Rice Monitoring
and Land Cover Mapping.In Presented at Geomatics in Era of RADARSAT, Ottawa,
Canada.
Steininger, M. K., 1996, Tropical secondary forest regrowth in the Amazon: age, area and
change estimation with Thematic Mapper data. International Journal of Remote
Sensing, 17, pp. 9–27.
Strahler, A. H., Boschetti, L., Foody, G.M., Friedl, M.A., Hansen, M.C., Herold, M., Mayaux, P.,
Morisette, J.T., Stehman, S.V. and Woodcock, C.E., 2006, Global Land Cover
Validation: Recommendations for Evaluation and Accuracy Assessment of Global
Land Cover Maps. Office for Official Publications of the European
Communities.http://wgcv.ceos.org/docs/plenary/wgcv26/GlobalLandCover
Validation_JeffMorisette.pdf.Accessed July 25, 2009.
Uchida, S., 2010.Monitoring of Planting Paddy Rice With Complex Cropping Pattern In The
Tropical Humid Climate Region Using Landsat and Modis Data. A Case of West Java,
Indonesia.International Archives of the Photogrammetry, Remote Sensing and Spatial
Information Science, Volume XXXVIII, Part 8, Kyoto Japan
Wataru, T, Taikan, O., and Yoshifumi, Y., 2006, Investigating an Integrated Approach on Rice
Paddy Monitoring Over Asia WithMODIS and AMSR-E. Proceedings of the Conference
of the Remote Sensing Society of Japan, 40, pp. 173-174.
Westmoreland, S. and Stow, D. A., 1992, Category Identification of Changed Land-Use
Polygons in an Integrated Image Processing/Geographic Information
System.Photogrammetric Engineering and Remote Sensing, 58, pp. 1593–1599.

Xiangming Xiao, et al., 2004. Mapping Paddy Rice Agriculture in Southern China Using
Multitemporal Modis Images); Remote Sensing of Environment 95 (2005) 480–492.
aInstitute for the Study of Earth, Oceans and Space, University of New Hampshire,
Durham, NH 03824, USA
Xiao, X., Boles, S., Liu, J., Zhuang, D., Frolking, S., Li, C., Salas, W. and Moore, B., 2005,
Mapping Paddy Rice Agriculture in Southern China Using Multi-Temporal MODIS
Images.Remote Sensing of Environment, 95, pp. 480–492.
Yoshinari Oguro, et al., 2001. Monitoring of Rice Field by Landsat-7 ETM+ and Landsat-5 TM
Data.Center for Remote Sensing and Processing (CRISP), National University of
Singapore, Singapore Institute of Surveyors and Valuares (SISV), Asian Assosciation
and remote Sensing (AARS).

LAMPIRAN
Lampiran 1. Citra Landsat-8 yang digunakan dalam penelitian
8 Juli 2013 9 Agustus 2013
25 Agustus 2013 10 September 2013

26 September 2013 12 Oktober 2013
11 Juli 2014 12 Agustus 2014

Lampiran 2. Rataan nilai reflektan citra Landsat pada berbagai umur tanaman padi
Umur
(hari) Band1 Band2 Band3 Band4 Band5 Band6 Band7
1467.1 1313.8 1279.0 1303.8 1985.2 1428.2
1 1 9 0 9 2 2 697.22
1422.9 1269.1 1247.5 1293.5 2092.0 1679.2
2 4 9 6 8 1 1 842.06
1448.0 1262.6 1212.4 1162.0 1555.8
3 0 7 4 0 9 320.11 178.44
1428.0 1274.1 1272.0 1322.9 2036.7 1396.3
4 6 1 6 4 2 3 677.33
1531.4 1381.7 1333.4 1391.0 1894.5 1132.0
5 4 8 4 0 6 0 553.33
1530.7 1326.3 1187.3 1066.4 1898.3 1548.6
6 8 3 3 4 3 7 842.11
1372.0 1210.8 1207.6 1211.1 1929.9 1302.2
7 6 3 1 1 4 8 615.67
1414.1 1259.2 1249.0 1313.5 2011.0 1660.7
8 1 2 6 6 0 8 844.83
1449.9 1303.6 1287.6 1288.8 1456.3
9 4 7 7 3 3 317.28 193.11
1492.1 1342.9 1331.0 1326.0 1904.6 1023.1
10 3 6 2 2 2 1 517.29
1318.7 1165.0 1168.5 1008.5 1519.0
11 8 0 6 6 0 402.33 227.56
1442.7 1237.2 1122.3 1016.1 1350.5
12 8 2 3 1 6 395.00 208.56
1499.6 1336.1 1288.2 1209.2 1556.4
14 1 5 8 2 4 641.24 364.29
1470.1 1270.8 1181.8 1099.3 1694.6 1122.6
15 7 9 9 3 7 1 563.78
1242.7 1023.6 3122.1 1157.5
16 8 7 866.15 650.17 3 2 486.12
1395.3 1204.8 1121.5 2248.0 1091.2
18 3 9 6 976.89 0 2 548.33
1478.9 1320.9 1288.3 1217.5 1799.9
20 0 9 0 7 6 777.54 415.12
1440.7 1228.8 1118.7 1298.4
21 0 9 4 962.56 4 446.37 220.44
1386.6 1191.8 1116.1 1625.5
22 3 5 9 972.19 6 463.89 241.56
1453.2 1275.6 1215.2 1091.2 1510.2
23 8 7 8 8 8 437.00 222.11
1415.7 1221.4 1162.5 1003.7 2140.2 1034.1
24 4 4 6 8 2 9 471.52

Umur
1539.4 1358.8 1268.6 1191.0 2153.2 1276.5
25 9 9 0 4 9 1 630.29
1410.1 1205.6 1112.2 1854.3
26 6 4 0 970.24 3 864.47 424.78
1390.9 1171.5 1046.9 1816.6
27 8 0 4 839.83 5 663.57 329.37
1514.3 1308.2 1183.6 1020.5 2326.4 1475.7
28 3 4 5 6 3 0 780.54
1390.0 1185.7 1067.6 1922.6
29 2 0 1 865.53 3 765.42 386.19
1402.3 1182.2 1028.5 1283.3
30 3 2 6 840.33 3 402.89 201.44
1316.8 1103.2 2508.4 1263.1
31 5 1 994.55 762.18 8 9 567.91
1403.0 1180.1 1059.6 2421.6 1178.2
32 3 0 8 833.52 2 0 531.58
1389.5 1169.6 1039.0 2275.6 1156.7
33 4 4 6 806.11 5 5 552.81
1323.8 1091.9 2631.9 1262.1
34 1 9 939.04 679.71 9 9 568.06
1398.1 1183.7 1063.6 2003.7
35 1 6 9 862.12 7 826.42 389.90
1435.0 1234.3 1126.1 1966.7 1067.3
36 3 2 9 988.37 8 3 523.47
1358.0 1138.0 1015.4 2334.7 1012.0
37 0 1 7 761.32 4 7 481.79
1362.6 1155.4 1039.3 2013.6
38 2 6 7 853.77 1 957.19 464.79
1357.1 1135.6 1015.5 2504.6 1183.1
39 1 7 9 766.11 5 0 551.17
1335.6 1111.9 2579.0 1169.5
40 0 8 986.25 730.51 0 2 531.08
1456.9 1237.8 1072.1 2175.6
41 4 3 9 848.54 1 954.85 494.41
1300.5 1082.5 2536.5 1217.4
42 8 1 958.09 713.66 4 5 566.68
1308.9 1308.9 1080.4 2925.3 1439.7
43 3 3 2 963.01 684.14 0 2
1342.2 1119.3 2707.6 1270.9
44 6 5 991.99 729.89 7 9 589.11
1269.7 1041.3 2675.4 1154.5
45 8 5 903.25 632.59 6 2 511.66
1312.1 1080.3 2788.5 1261.2
46 6 9 947.63 670.56 0 0 563.68
Umur
1286.3 1059.6 2944.8 1317.1
47 2 8 951.98 662.69 9 3 593.94
1408.8 1186.7 1058.5 2830.1 1471.5
48 2 8 3 817.47 1 2 692.35
1290.6 1064.3 2818.4 1267.3
49 8 2 931.03 656.58 6 7 562.69
1235.2 1001.2 2955.9 1261.1
50 3 9 839.94 557.47 7 2 541.49
1349.4 1101.0 3298.9 1431.8
51 7 6 927.39 627.88 7 1 597.76
1300.0 1070.5 2703.9 1207.0
52 4 5 926.60 672.77 9 9 547.57
1273.8 1034.8 3189.2 1382.1
53 1 5 884.91 593.76 8 1 587.17
1305.0 1064.1 3267.7 1460.0
54 7 9 888.94 610.26 7 7 628.61
1263.0 1026.7 3143.3 1314.6
55 4 6 869.20 583.95 4 3 556.73
1256.2 1025.0 3192.1 1407.1
56 0 1 863.43 603.53 2 1 610.75
1267.7 1041.6 2937.7 1345.8
57 4 1 909.66 639.08 3 2 589.08
1240.6 1005.3 3200.9 1356.2
58 6 1 847.69 565.22 1 4 584.60
1269.8 1033.4 3287.4 1401.6
59 7 0 868.77 581.76 4 9 590.07
1292.7 1071.1 3036.6 1471.2
60 9 4 937.10 691.63 4 5 674.66
1272.5 1042.5 3010.4 1372.0
61 6 8 893.67 630.19 4 2 615.61
1277.6 1057.3 3110.9 1521.2
62 1 0 939.98 675.15 9 7 691.10
1280.3 1055.7 3112.1 1402.3
63 4 7 929.36 660.41 8 6 624.37
1237.8 1014.6 3230.8 1406.4
64 9 0 885.53 612.50 8 7 608.42
1322.8 1103.7 3183.3 1442.4
65 0 0 984.59 713.31 9 7 659.46
1361.5 1133.5 3314.5 1537.7
66 2 6 993.00 732.36 3 3 692.83
1255.5 1029.1 3123.0 1367.5
67 2 1 900.79 615.68 9 9 602.29
1268.5 1051.8 2951.6 1378.7
68 9 1 931.44 683.31 7 2 637.07
Umur
1310.0 1068.1 3672.7 1537.6
69 4 8 908.96 602.07 0 6 645.47
1299.8 1078.4 2947.0 1347.6
70 1 9 942.61 694.63 5 2 622.01
1286.7 1066.7 3188.2 1458.7
71 9 0 944.05 685.10 8 1 661.48
1313.3 1090.2 3329.7 1515.3
72 7 0 974.67 692.72 6 2 683.78
1230.1 1015.2 3134.6 1415.1
73 3 0 897.56 659.62 8 2 674.17
1288.9 1058.6 3327.4 1485.0
74 8 4 916.81 641.66 7 8 652.53
1282.5 1073.0 2920.7 1498.1
75 7 4 972.09 736.49 2 6 711.78
1300.4 1089.7 2890.3 1558.7
76 7 0 966.41 766.81 6 4 762.25
1296.4 1078.9 3076.3 1433.5
77 3 1 951.95 698.05 5 7 656.95
1256.5 1043.8 2963.7 1596.9
78 0 6 939.10 709.29 0 9 774.79
1201.4 3068.3 1450.1
79 3 984.47 865.11 611.14 3 8 657.14
1272.4 1062.9 2959.8 1557.9
80 5 4 959.18 741.73 8 6 755.83
1316.8 1106.0 1009.4 3274.3 1590.9
81 0 2 4 758.93 9 1 751.09
1328.4 1118.9 1003.8 3208.9 1638.3
82 1 8 7 780.75 6 9 799.51
1248.2 1040.4 2966.6 1528.2
83 6 4 939.11 725.55 3 3 720.41
1298.4 1086.6 3317.1 1540.1
84 9 5 999.47 740.66 1 4 739.68
1316.6 1114.5 1027.2 3154.5 1777.1
85 4 5 1 819.44 4 3 860.56
1305.7 1101.3 1002.2 3053.5 1646.7
86 3 7 7 799.24 4 7 811.12
1285.5 1077.5 3179.0 1639.0
87 6 0 982.53 746.99 2 6 771.75
1344.1 1143.1 1038.7 3051.4 1660.5
88 8 9 4 862.06 8 4 849.24
1333.4 1110.4 3048.0 1407.4
89 3 8 976.19 737.88 0 7 636.60
1399.8 1197.2 1066.0 2844.5 1707.6
90 3 6 9 901.47 2 0 860.55
Umur
1414.2 1198.9 1050.6 3071.7 1722.1
91 2 0 2 840.07 7 4 835.28
1432.0 1219.4 1072.7 2893.6 1642.6
92 7 2 6 872.56 7 5 814.58
1315.2 1115.8 2751.7 1648.6
93 6 6 992.01 836.05 4 4 841.19
1324.4 1152.8 1073.5 1079.8 2503.5 2010.5 1165.1
94 2 1 0 1 3 0 9
1415.0 1220.2 1087.7 1002.9 2666.8 2011.8 1118.4
95 8 9 8 9 6 1 8
1499.7 1306.2 1181.8 1053.3 2864.2 2116.6 1116.8
96 9 9 8 6 2 9 7
1338.5 1153.0 1065.7 2819.9 1913.4 1046.9
97 8 0 7 953.41 4 3 9
1366.9 1187.7 1084.4 1028.1 2709.7 2102.9 1214.8
98 5 5 7 5 6 4 9
1404.5 1222.4 1136.1 1096.9 2402.3 1731.0
99 0 1 5 6 3 7 999.31
1426.9 1247.7 1142.6 1078.4 2590.4 2023.0 1154.4
100 9 3 3 3 9 7 4
1387.0 1210.6 1130.3 1042.0 2950.2 2338.3 1259.9
101 9 7 4 8 3 7 6
1426.7 1236.5 1113.3 2789.0 1944.5 1052.8
102 3 6 5 997.80 8 6 7
1387.5 1218.1 1136.4 1129.5 2682.8 2421.6 1454.7
103 7 7 9 5 7 2 2
1386.2 1204.7 1102.9 1028.6 2682.6 2010.4 1140.2
104 6 1 8 3 0 7 9
1239.9 1045.6 3175.1 1663.9
105 0 5 969.04 764.20 0 3 816.98
1417.7 1241.9 1152.9 1083.8 2874.2 2379.8 1335.0
106 7 6 5 3 8 7 8
1327.4 1142.9 1064.7 3054.1 2221.2 1215.8
107 4 7 8 951.80 9 8 6
1320.0 1134.6 1045.9 2828.6 1975.4 1052.4
108 8 9 9 923.19 9 0 6
1293.0 1135.7 1059.6 1105.1 2399.5 2479.2 1568.6
109 9 6 9 0 9 1 1
1299.9 1087.3 2659.5 1572.3
110 3 7 992.07 789.22 6 3 777.93
1503.4 1326.2 1210.9 1224.8 2266.3 2141.0 1343.0
111 1 2 4 3 9 9 6
1679.2 1480.3 1295.5 1234.4 2306.6 2128.6 1229.6
112 2 9 6 4 1 7 7
Umur
1300.5 1140.4 1091.3 1171.6 2487.2 2684.9 1717.2
113 0 4 9 7 8 4 8
1360.1 1213.9 1172.9 1300.1 2371.5 2397.5 1575.8
114 9 3 3 9 9 9 2
1479.7 1325.3 1255.5 1348.8 2622.5 2885.4 1875.0
115 8 3 6 1 6 4 0
1415.6 1235.2 1142.5 1134.2 2188.0 2027.0 1272.1
116 8 9 2 1 8 0 7
1389.7 1227.4 1175.5 1209.0 2765.8 2895.6 1721.0
117 0 8 9 0 5 3 0
1346.6 1175.1 1072.3 1094.0 1976.3 1841.9 1166.7
118 7 1 9 6 9 2 5
1336.2 1157.6 1071.1 1044.9 2407.6 2092.9 1236.2
119 4 9 8 6 2 1 2
1413.1 1251.3 1172.1 1181.6 2026.0 1798.4 1130.3
120 1 3 1 1 0 4 3
1338.7 1177.8 1119.8 1148.5 2604.4 2547.4 1552.8
121 8 0 0 6 2 2 7
1336.7 1158.7 1062.1 1056.7 2319.4 1973.2 1187.8
122 4 4 5 8 4 2 5
1346.2 1150.1 1591.6
123 2 1 997.86 964.81 1 879.72 544.53
1445.5 1248.7 1097.5 1058.0 1777.8 1141.1
124 6 8 6 7 9 1 664.22
1408.0 1225.0 1089.0 1069.5 1927.0 1549.5
125 7 0 0 9 4 9 970.15

Lampiran 3. Rataan NDVI pada berbagai umur tanaman padi
umur rataan1 umur rataan1 umur rataan1
1 0.213 44 0.473 85 0.577
2 0.148 45 0.582 86 0.570
3 0.270 46 0.573 87 0.619
4 0.169 47 0.554 88 0.555
5 0.109 48 0.481 89 0.599
6 0.149 49 0.582 90 0.503
7 0.207 50 0.626 91 0.553
8 0.200 51 0.615 92 0.518
9 0.109 52 0.502 93 0.531
10 0.172 53 0.675 94 0.403
11 0.306 54 0.650 95 0.453
12 0.231 55 0.655 96 0.456
13 0.145 56 0.626 97 0.504
14 0.205 57 0.585 98 0.443
15 0.191 58 0.674 99 0.393
16 0.406 59 0.680 100 0.379
18 0.251 60 0.611 101 0.458
20 0.224 61 0.644 102 0.428
21 0.218 62 0.613 103 0.376
22 0.220 63 0.630 104 0.411
23 0.210 64 0.647 105 0.539
24 0.343 65 0.631 106 0.394
25 0.254 66 0.612 107 0.533
26 0.323 67 0.650 108 0.445
27 0.314 68 0.572 109 0.353
28 0.317 69 0.707 110 0.515
29 0.327 70 0.558 111 0.303
30 0.302 71 0.621 112 0.303
31 0.480 72 0.632 113 0.433
32 0.417 73 0.565 114 0.324
33 0.365 74 0.650 115 0.362
34 0.460 75 0.585 116 0.334
35 0.380 76 0.581 117 0.394
36 0.332 77 0.627 118 0.225
37 0.422 78 0.605 119 0.360
38 0.384 79 0.661 120 0.304
39 0.480 80 0.587 121 0.388
40 0.504 81 0.616 122 0.307
41 0.365 82 0.587 123 0.281
42 0.466 83 0.596 124 0.294
43 0.591 84 0.625 125 0.245

Lampiran 4.Laporan survey lapangan
LAPORAN SURVEI LAPANGAN
PEMANFAATAN DATA PENGINDERAAN JAUH RESOLUSI MENENGAH/TINGGI UNTUK

ESTIMASI LUAS PANEN TANAMAN PADI DI SENTRA PRODUKSI PADI
BIDANG SUMBERDAYA WILAYAH DARAT
Peneliti Utama : Ir. I Made Parsa, MSi

Peneliti : Drs. Nana Suwargana, M.Si
Ir. Johanes Manalu, M.Si
Dra. Sri Harini
DJoko Santo Tjahyono

Jln. Kalisari No. 8 Pekayon, Pasar Rebo, Jakarta 13710

Telp/Fax: (021) 8722733
1. PENDAHULUAN
Penginderaan jauh satelit telah diterapkan secara luas dan telah diakui sebagai alat
yang ampuh dan efektif dalam mendeteksi penggunaan lahan dan perubahan penutupan
lahan (Ehlers et al, 1990; Meaille dan Wald, 1990; Westmoreland dan Stow, 1992; Harris dan
Ventura, 1995). Penginderaan jauh satelit menyediakan biaya - efektif multi-spektral dan
data multitemporal (Paine, 1981).Citra satelit telah digunakan untuk memantau jenis
tutupan lahan terbatas menurut klasifikasi spektral.Selain itu, telah digunakan untuk
memperkirakan karakteristik biofisik dari permukaan tanah melalui hubungan linear dengan
reflektansi spektral atau indeks vegetasi (Steininger, 1996; Nuarsa et al, 2005).
Studi menggunakan citra satelit untuk memantau pertumbuhan tanaman padi telah
dilakukan (Shao et al, 1997; Kuroso et al, 1997; Le Toan sama sekali, 1997; Panigrahy dan
Sharma, 1997; Oette et al, 2000; Shao et al, 2001; David et al, 2003). Beberapa penelitian
sebelumnya telah menggunakan resolusi gambar global dan moderat seperti NOAA AVHRR
dan MODIS untuk memantau sawah (Fang et al, 1998; Wataru et al, 2006; Xiao et al, 2005).
Namun, penggunaan citra satelit resolusi spasial moderat dan global telah dibatasi terutama
di lahan sawah yang kecil/sempit, karena ada banyak jenis tutupan lahan dalam satu pixel.
Hal ini akan mengurangi penilaian akurasi (Strahler et al, 2006). Di sisi lain, pemanfaatan
citra satelit resolusi spasial yang tinggi atau menengah telah terbatas, terutama selama
periode tanam, karena sedikit citra yang tersedia selama 120 hari periode pertumbuhan padi
(Currey et. Al., 1987).Landsat ETM+ memiliki resolusi temporal, spasial, dan spektral yang
baik untuk pemantauan padi. Waktu pengamatan kembali dari Landsat ETM+ adalah 16 hari
dengan resolusi spasial 30 m. Landsat ETM+ memiliki enam band dengan ukuran piksel yang
sama. Hal ini menyebabkan bermanfaat untuk pengembangan algoritma untuk pemodelan
padi.
Dalam kaitannya menggunakan citra satelit resolusi spasial yang dibatasi oleh model
lahan sawah yang kecil/sempit, karena banyaknya jenis tutupan lahan dalam satu pixel.
Maka pemanfaatan citra satelit resolusi spasial yang tinggi atau menengah telah terbatas,
terutama selama periode tanam, karena sedikit citra yang tersedia selama 120 hari periode
pertumbuhan padi.Namun citra Landsat ETM+ yang memiliki resolusi temporal, spasial, dan
spektral yang baik untuk pemantauan padi diperlukan data/informasi dilapangan untuk

mendukung dalam tahapan pengolahan dan analisis data. Selama ini, sebelum melakukan
pengolahan citra Landsat ETM+ telah melakukan komunikasi dan koordinasi dengan PT Sang
Hyang Seri Sukamandi, Subang, Jawa Barat. Diantaranya telah terkumpulnya data untuk
kalender tanam, realisasi tanam, dan panen. Namun disisi lain setelah dibaca dan dipelajari
masih ada kesulitan dalam mencocokan jenis-jenis varietas di areal Blok masing-masing.
Karena di dalam satu Blok terdapat tiga jenis varietas dengan tanggal realisasi tebar dan
realisasi tanam yang berlainan. Oleh karena itu perlunya data lapangan untuk mencocokkan
blok-blok yang ditanami jenis-jenis varietas yang dikorelasikan dengan citra Landsat-ETM+.
Tujuan kegiatan survei ini adalah untuk verifikasi pengolahan citra Landsat ETM+ dengan
data penunjang lapangan yang diperoleh dari PT. Sang Hyang Seri untuk mendukung : (1)
mengembangkan indeks pertumbuhan vegetasi padi, (2) pemetaan distribusi padi dan
umurnya, dan (3) perbandingan kuantitatif hasil analisis dengan data referensi dari area
persawahan.
Data sekunder blok kebun dan realisasi tanam/panen sudah diperoleh dari PT. Sang
Hyang Seri tetapi setelah dicermati ternyata data tersebut tidak sinkron dan tidak lengkap
karena:
• Nama blok pada peta TIDAK SAMA dengan nama blok pada statistik
• Realisasi tanam dan panen hanya untuk ±30% area
• Setelah dioverley dengan citra, banyak umur tanaman yang nampak TIDAK LOGIS
karena tanaman berumur 2 hari/8 hari/20 hari nampak hijau sedangkan tanaman
berumur 60 hari masih nampak biru (air), sementara tanaman berumur 30 hari
nampak bera (merah)
• Satu blok dengan dua/lebih waktu tanam dimana dalam satu blok tanaman
kenampakan tidak seragam (air, vegetasi dan bera)

Gambar 1. Blok tanam PT. Sang Hyang Seri dengan latar belakang citra Landsat-8 tanggal 8
Juli 2013
Keterangan:
• Blok yang ada angkanya adalah blok-blok yang ada data realisasi tanamnya
• Angka dalam blok menunjukkan umur tanaman padi yang dihitung dari waktu tanam ke
tanggal aquisisi data Landsat
Gambar 2. Blok tanam PT. Sang Hyang Seri dengan latar belakang citra Landsat-8 tanggal 10
September 2013
Keterangan:
• Blok yang ada angkanya adalah blok-blok yang ada data realisasi tanamnya
• Angka dalam blok menunjukkan umur tanaman padi yang dihitung dari waktu tanam ke
tanggal aquisisi data Landsat
Berkaitan dengan permasalahan yang telah diuraikan di atas, dipandang perlu untuk
dilakukan survei lapangan untuk mengecek, mensinkronkan, dan melengkapi data sekunder
mengenai realisasi tanam, panen, produksi, kerusakan/kegagalan panen untuk seluruh blok
tanaman dalam kurun waktu Juli 2013 sampai Juli 2014. Selain itu dalam survey lapangan ini
juga akan dilakukan pengukuran reflektan lahan sawah/tanaman padi pada berbagai fase
yang ada di lapangan
2.1. Tujuan Survei

• Melakukan koordinasi dan diskusi dengan PT. Sang Hyang Seri, Subang, Jawa Barat).
• Melakukan pengumpulan data-data yang dibutuhkan untuk pembuatan model
prediksi umur tanaman padi.
• Melakukan pengukuran reflektansi tanaman padi pada berbagai umur untuk
pembangunan database
2.3. Sasaran survei :

• Tersedianya peta blok yang sinkron dengan data statistik
• Tersedianya data tebar/tanam dan panen untuk sebagian besar blok
• Tersedianya database reflektan tanaman padi/sawah pada berbagai umur
tanaman/fase
• Tersedianya informasi koordinat lokasi dan dokumen foto kondisi tutupan tanaman
padi di wilayah tersebut.
3. Metode dan Peralatan yang Digunakan

3.1. Lokasi Survei
Penelitian ini dilakukan di PT. Sang Hyang Seri, Subang, Jawa Barat, berpusat pada
lintang 06° 19' 01" S 107° 38' 07" E (Gambar 1). Pemilihan lokasi studi ini dengan

pertimbangan untuk mempermudah perolehan data sekunder (jadwal tanam, umur
tanaman tiap blok) yang dibutuhkan dalam pembangunan model. Area PT. ini meliputi areal
seluas lebih dari 4000 ha.
Gambar 3. Peta Lokasi penelitian PT. Sang Hyang Seri
3.2. Peralatan yang digunakan adalah:

1. GPS (Global Positioning System) dan Batrey Alkalin
2. Spektro radiometer
3. Kamera dijital
4. Print out citra citra Landsat-8 multiwaktu path/raw 122-064 terkoreksi (Wilayah
Sukamandi).
5. Alat tulis
3.3. Metode Survei

Koordinasi dilakukan dengan PT. Sang Hyang Seri dimulai sebelum survei
dilaksanakan agar rencana dan jalannya kegiatan dapat terlaksana dengan baik.Koordinasi
dilakukan dengan mempresentasikan tujuan, rencana survei dan kebutuhan informasi atau
data. Selanjutnya melakukan diskusi untuk mendapat masukan, dan bila memungkinkan
dapat membina kerjasama dengan PT. Sang Hyang Seri atau dinas terkait untuk

pemanfaatan data satelit resolusi tinggi untuk estimasi luas panen tanaman padi di sentra
produksi padi.
Selain pengumpulan data/informasi dengan mendatangi PT. Sang Hyang Seri,Jawa
Barat atau dinas lain yang terkait, dilakukan juga pengukuran atau pengecekan langsung
dilapangan. Informasi/data yang dikumpulkan dari dinas terkait adalah data realisasi umur
masa tanam padi hingga masa panen serta mencocokan penanaman padi pada areal nomer
blok-blok (dilapangan) dengan posisi nomer blok-blok yang diperoleh dari data citra Landsat.
Pengambilan data lapangan adalah umur tanaman padi (saat mulai tanam hingga saat
panen) dilakukan dengan menggunakan Spektroradiometer untuk mengukur spektral
signature. Perbedaan tutupan tanaman padi, karena perbedaan umur terutama kondisi
lebar daun yang terjadi di lokasi penelitian dicatat. Pengecekan tutupan tanaman padi
dilakukan dengan mengidentifikasi kondisi tutupan tanaman padi di lokasi yang telah
ditetapkan pada blok-blok tertentu (Gambar 2). Selanjutnya melakukan pengukuran
koordinat lokasi dan pengambilan foto untuk merekam kondisi dan lebar tutupan tanaman
padi di wilayah tersebut. Data-data tersebut akan dikorelasikan untuk menentukan estimasi
luas panen tanaman padi disentra produksi padi yang kemudian dapat diterapkan pada citra
satelit.
Gambar 4. Areal Blok-blok tanaman Padi saat tanam dan panen

Tabel 1. Titik Koordinat lokasi pengecekan umur tanaman padi dan pengukuran
reflektansi pada setiap blok tanaman padi.
Varie Blo Lu- Realisasi Reflektansi Keterangan
N Koord X Koord Y tas k as tanam /
O No.Foto
Ha Tgl Tgl nm
1 R1-line
R2-line L37 21.
25
A-line
2 R1-line
R2-line L39 19.
20
A-line
3 R1-line
R2-line L41 18.
32
A-line
dst

4. Jadwal Pelaksanaan Survei
Survei akan dilaksanakan selama lima hari mulai tanggal11 s/d 15 Agustus 2014 dengan
jadwal pelaksanaan sebagai berikut:
HARI KEGIATAN TEMPAT

Pertama • Perjalanan Jakarta - Subang • Jakarta – Subang
• Koordinasi dengan Intansi terkait • Kantor PT. Sang Hyang Seri
dan pengumpulan data Sukamandi-Subang Jawa Barat
Kedua • Survei lapangan (pengecekan • Kebun PT. Sang Hyang Seri,
kondisi penutup tanaman padi) Sukamandi Subang, Jawa Barat
• Pengukuran koordinat dan (Kontak Person: Manager Kebun
reflektan lahan sawah/tanaman Hibrida, Bpk Agustinus BS,SP)
padi pada berbagai fase dan
dokumentasi lapangan
Ketiga • Pengukuran koordinat dan • Kebun PT. Sang Hyang Seri,

reflektan lahan sawah/tanaman Sukamandi Subang, Jawa Barat
dokumentasi lapangan (lanjutan)
Keempat • Pengukuran koordinat dan • Kebun PT. Sang Hyang
reflektan lahan sawah/tanaman Seri,Sukamandi Subang, Jawa Barat
dokumentasi lapangan (lanjutan)
Kelima • Pengambilan dan dan • Kantor PT. Sang Hyang Seri
pengecekan data statistik Sukamandi-Subang Jawa Barat
• Perjalanan kembali ke Jakarta
5. Personil Pelaksana Survei
NO NAMA UNIT KERJA LEMBAGA

1. Ir. I Made Parsa, M.Si Pusfatja LAPAN
2. Drs. Nana Suwargana, M.Si Pusfatja LAPAN
3. Ir. Johanes Manalu, M.Si Pusfatja LAPAN
4. Dra. Sri Harini Pusfatja LAPAN
5. Djoko Santo Tjahyono Pusfatja LAPAN
6 Sopir Pusfatja LAPAN

6. Hasil Survei
Sesuai jadwal yang telah direncanakan, Senin 11 Agustus siang telah dilakukan pertemuan
dan diskusi tentang kegiatan litbang yang sedang dilaksanakan di Pusfatja dengan menejer
kebun PT. Sang Hyang Seri dan telah disampaikan juga data pendukung mengenai peta blok
dan realisasi tanam/panen tiap blok yang dibutuhkan dan kebutuhan kita untuk mengetahui
kondisi tanaman di lapangan berdasarkan perbedaan umurnya untuk diukur reflektansinya
menggunakan spektrometer. Koordinasi penyiapan data sekunder dilakukan untuk
memperbaiki/sinkronisasi data yang telah dikirim oleh PT. Sang Hyang Seri
sebelumnya.Sementara untuk peninjauan lapangan, pengukuran reflektan objek lahan
sawah/tanaman padi pada berbagai umur dilakukan pada hari kedua hingga
kelima.Pengamatan dan pengukuran lapangan pada hari kedua yang bertepatan dengan
jadwal lintasan satelit Landsat, sementara pengamatan dan pengukuran hari berikutnya
hanya bersifat melengkapi. Secara umum, hasil yang diperoleh dari survey lapangan ini
meliputi:
1. Peta blok PT. Sang Hyang Seri yang sinkron dengan data statistik. Pada dasarnya peta
blok ini sebenarnya sama dengan peta blok yang pernah dikirim oleh PT. Sang Hyang
Seri, perbedaannya adalah pada nomor blok tidak mencantumkan nama wilayah didepan
nomor bloknya, selengkapnya disajikan pada lampiran 1.
2. Data tebar/tanam dan panen untuk sebagian besar blok (contoh data realisasi tanam
disajikan pada lampiran 2). Dalam kurun waktu Juli 2013 sampai Juli 2014 ada tiga kali
realisasi tebar/tanam/panen yaitu MK 2013, MH 2013 dan MK 2014. Berdasarkan data
yang ada, realisasi tanam terakhir untuk areal PT. Sang Hyang Seri adalah 5 Agustus
2014.
3. Hasil pengukuran beberapa titik koordinat lokasi dan dokumen foto kondisi tutupan
tanaman padi di area PT. Sang Hyang Seri meliputi 23 titik koordinat dengan informasi
umur tanaman (terlampir pada lampiran 3).
4. Hasil pengukuran nilai reflektan tanaman padi/sawah pada beberapa tingkat umur yang
ada di PT. Sang Hyang Seri yang meliputi umur 1 minggu sampai 105 hari serta kondisi
selesai panen. Untuk kondisi tanaman padi yang baru ditanam dan lahan bera dilengkapi
dari hasil pengukuran di luar area PT. Sang Hyang Seri. Hasil pengukuran nilai reflektan
selengkapnya disajikan pada Lampiran 4.

8. Daftar Pustaka
Bappenas, 2002, Does Indonesia Face a Food Security Time Bomb? Indonesian Food Policy
Program. http//:www.macrofoodpolicy.com. Accessed November, 15th 2009.
Baret, F. and Guyot, G., 1991, Potentials and limits of vegetation indices for LAI and APAR
assessment.Remote Sensing of Environment, 35, pp. 161-173.
Currey, B., Fraser, A. S. and Bardsley, K. L. How useful is Landsat monitoring. Nature 1987,
328, 587-590.
David, D., Frolking, S., Li, C., 2003, Trends in Rice-Wheat Area in China.Field Crops Research.
Ehlers, M., Jadkowski, M. A., Howard, R. R. and Brostuen, D. E., 1990, Application of
SPOT data for regional growth analysis and local planning. Photogrammetric
Fang, H., Wu, B., Liu, H., and Huang, X., 1998, Using NOAA AVHRR and Landsat TM to
estimate rice area year-byyear. International Journal of Remote Sensing, 19, pp. 521-
525.
Harris, P. M. and Ventura, S. J., 1995, The integration of geographic data with remotely
sensed imagery to improve classification in an urban area. Photogrammetric
Huete, A. R. and Escadafal, R., 1991, Assessment of biophysical soil properties through
spectral decomposition techniques.Remote Sensing of Environment 35, pp. 149-159.
Huete, A. R. and Warrick, A. W., 1990, Assessment of vegetation and soil water regimes in
partial canopies with optical remotely sensed data. Remote Sensing of Environment 32,
pp. 115-167.
Huete, A. R., 1988, A soil-adjusted vegetation index (SAVI).Remote Sensing of Environment ,

25, pp. 295-309. IRRI, 1993, 1993–1995 IRRI Rice Almanac. Manila7 International Rice
Research Institute.
Jingfeng Huang, et al., 2013. Remotely Sensed Rice Yield Prediction Using Multi-Temporal
NDVI Data Derived from NOAA’s-AVHRR. Institute of Agricultural Remote Sensing &
Information Application.www.plosone.org diakses 22 Januari 2014.

Lampiran 1. Peta blok kebun PT. Sang Hyang Seri
Gambar blok kebun PT. Sang Hyang Seri, Sukamandi Subang

Lampiran 2a. Contoh data reaalisasi tanam benih sumber di PT. Sang Hyang Seri Sukamandi
MT 2013/ 2014
Luas Realisasi tebar Realisasi tanam

Varietas Blok
( Ha ) Ha Tanggal Ha Tanggal
Ciherang SWK/SS S14b 3.95 3.95 4/11/2013 3.95 24/11/2013
7-
Ciherang SWK/SS S15a 10.00 10.00 8/11/2013 10.00 27-28/11/2013
Mekongga SWK/SS S15b 5.72 5.72 9/11/2013 5.72 29/11/2013
Mekongga SWK/SS S16a 8.50 8.50 11/11/2013 8.50 2/12/2013
Inpago 3 SHS SWK/SS S17a 2.00 2.00 14/11/2013 2.00 6/12/2013
Inpari 13 SWK/SS S17b 2.00 2.00 14/11/2013 2.00 6/12/2013
Mekongga SWK/SS S17c 5.00 5.00 15/11/2013 5.00 7/12/2013
Ciherang SWK/SS S17d 4.67 4.67 16/11/2013 4.67 8/12/2013
Inpara 2 SWK/SS S18a 2.00 2.00 18/11/2013 2.00 10/12/2013
Cigeulis SWK/SS S18b 1.00 1.00 18/11/2013 1.00 10/12/2013
IR64 SWK/SS S18c 6.00 6.00 19/11/2013 6.00 11/12/2013
Inpari sidenuk SWK/SS S18d 6.57 6.57 20/11/2013 6.57 12/12/2013
Sub jumlah 63.41 63.41 63.41
PB42 SWK/SS S19a 2.00 2.00 7/11/2013 2.00 28/11/2013
C. Muncul SWK/SS S19b 2.00 2.00 7/11/2013 2.00 28/11/2013

21-
Ciherang SWK/SS S19c 10.40 10.40 22/11/2013 10.40 12-13/12/2013
Situbagendit SWK/SS S20a 2.00 2.00 23/11/2013 2.00 14/12/2013
Inpari 10 SWK/SS S20b 1.00 1.00 25/11/2013 1.00 16/12/2013
Mekongga SWK/SS S20c 12.42 12.42 26/11/2013 12.42 17/12/2013

27-
Ciherang SWK/SS S21a 10.74 10.74 28/11/2013 10.74 18-19/12/2013
Sintanur SWK/SS S21b 1.50 1.50 29/11/2013 1.50 20/12/2013

Ciherang SWK/SS S22a 30/11/2013 20/12/2013

Varietas Blok
1.75 1.75 1.75
Ciliwung SWK/SS S22c 1.70 1.70 29/11/2013 1.70 20/12/2013
Sub jumlah 50.28 50.28 50.28
Ciherang SWK/FS S22A 0.75 0.75 13/11/2013 0.75 3/12/2013
PB42 SWK/FS S22B 0.10 0.10 13/11/2013 0.10 3/12/2013
IR64 SWK/FS S22C 0.15 0.15 13/11/2013 0.15 3/12/2013
C. Muncul SWK/FS S22D 0.10 0.10 13/11/2013 0.10 3/12/2013
Mekongga SWK/FS S22E 0.20 0.20 13/11/2013 0.20 3/12/2013
Batang piaman SWK/FS S22F 0.05 0.05 13/11/2013 0.05 3/12/2013
Situbagendit SWK/FS S22G 0.10 0.10 13/11/2013 0.10 3/12/2013
Inpago 3 SHS SWK/FS S22H 0.05 0.05 13/11/2013 0.05 3/12/2013
Inpari sidenuk SWK/FS S22I 0.10 0.10 13/11/2013 0.10 3/12/2013
Inpari 10 SWK/FS S22J 0.05 0.05 13/11/2013 0.05 3/12/2013
Cigeulis SWK/FS S22K 0.05 0.05 13/11/2013 0.05 3/12/2013
Inpara 2 SWK/FS S22L 0.05 0.05 13/11/2013 0.05 3/12/2013
Inpari 13 SWK/FS S22M 0.05 0.05 14/11/2013 0.05 4/12/2013
Inpari 3 SWK/FS S22N 0.05 0.05 14/11/2013 0.05 4/12/2013
Cibogo SWK/FS S22O 0.05 0.05 14/11/2013 0.05 4/12/2013
IR66 SWK/FS S22P 0.05 0.05 14/11/2013 0.05 4/12/2013
Ciliwung SWK/FS S22Q 0.05 0.05 14/11/2013 0.05 4/12/2013
Bestari SWK/FS S22R 0.05 0.05 14/11/2013 0.05 4/12/2013
Memberamo SWK/FS S22S 0.05 0.05 14/11/2013 0.05 4/12/2013
Cisokan SWK/FS S22T 0.03 0.03 14/11/2013 0.03 4/12/2013

W. Apo Buru SWK/FS S22U 14/11/2013 4/12/2013

Varietas Blok
0.02 0.02 0.02
Situpatenggang SWK/FS S22V 0.05 0.05 14/11/2013 0.05 4/12/2013
Sintanur SWK/FS S22W 0.05 0.05 14/11/2013 0.05 4/12/2013
Inpari sidenuk SWK/SS S22X 1.00 1.00 14/11/2013 1.00 4/12/2013
Isolasi SWK/FS 0.50 0.50 0.50
Sub jumlah 3.750 3.750 3.750

Jml Benih
Sumber 117.44 117.44 117.44
Lampiran 2b. Data reaalisasi tanam benih padi Inbrida di PT. Sang Hyang Seri Sukamandi MT
2013/ 2014

Varietas Blok
Ciherang
SWK/ES L13 16.73 16.73 22/11/2013 16.73 14/12/2013
SWK/ES L15 17.29 17.29 26/11/2013 17.29 19/12/2013
Sub Jumlah 34.02 34.02 34.02
Ciherang SWK/ES L17 17.50 17.50 27/11/2013 17.50 28/12/2013

L19 16.22 16.22
SWK/ES 16.22 30/11/2013 29/12/2013
Sub Jumlah 33.72 33.72 33.72

Mekongga LK28 2.95 2.95 24/12/2013
SWK/ES 2.95 2/12/2013
LK30 8.93 8.93 24/12/2013
SWK/ES 8.93 2/12/2013
LK32 10.34 10.34
SWK/ES 10.34 5/12/2013 27/12/2013
LK34 12.93 12.93 31/12/2013
SWK/ES 12.93 9/12/2013
LK36 11.69 11.69
SWK/ES 11.69 12/12/2013 8/1/2014
LK38 11.50 11.50
SWK/ES 11.50 14/12/2013 15/1/2013
Sub Jumlah 58.34 58.34 58.34

Varietas Blok
16.92 16.92
Ciherang SWK/ES L21 16.92 3/12/2013 24/12/2013
Mekongga L23 20.10 7/12/2013 20.10 29/12/2013
SWK/ES 20.10
L25 17.70 9/12/2013 17.70 6/1/2014
SWK/ES 17.70
Sub Jumlah 54.72 54.72 54.72

Mekongga L27 18.83 10/12/2013 18.83 9/1/2014
SWK/ES 18.83
L29 19.60 12/12/2013 19.60 4/1/2014
SWK/ES 19.60
Sub Jumlah 38.43 38.43 38.43

Mekongga L31 20.78 13/12/2013 20.78 7/1/2014
SWK/ES 20.78
L33 19.50 17/12/2013 19.50 8/1/2014
SWK/ES 19.50
Sub Jumlah 40.28 40.28 40.28
Jumlah As I 259.51 259.51 259.51
Mekongga L5 15.01 15.01

SWK/ES 15.01 11/11/2013 2/12/2013
SWK/ES L7 14.22 14.22 14/11/2013 14.22 4/12/2013
SWK/ES L9 14.07 14.07 16/11/2013 14.07 6/12/2013
SWK/ES L11 17.75 17.75 19/11/2013 17.75 9/12/2013
Sub Jumlah 61.05 61.05 61.05

Mekongga L4 8.76 12/11/2013 8.76 3/12/2013
SWK/ES 8.76
Ciherang L6 8.52 14/11/2013 8.52
SWK/ES 8.52 4/12/2013
L8 8.02 8.02
SWK/ES 8.02 16/11/2013 8/12/2013
L10 8.30 8.30
SWK/ES 8.30 19/11/2013 11/12/2013
33.60 33.60
Sub Jumlah 33.60
Ciherang SWK/ES L12 8.20 21/11/2013 8.20 13/12/2013
Varietas Blok
8.20
SWK/ES L14 8.40 8.40 23/11/2013 8.40 15/12/2013
L16 8.33 8.33
SWK/ES 8.33 26/11/2013 18/12/2013
L18 12.60 12.60
SWK/ES 12.60 28/11/2013 21/12/2013
Sub Jumlah 37.53 37.53 37.53

Mekongga L22A 1.13 1.13
SWK/ES 1.13 4/12/2013 28/12/2013
L22B 7.66 7.66
SWK/ES 7.66 4/12/2013 28/12/2013
L24 14.15 14.15
SWK/ES 14.15 8/12/2013 5/1/2014
L26 16.90 16.90
SWK/ES 16.90 8/12/2013 7/1/2014
L28 16.49 16.49
SWK/ES 16.49 10/12/2013 9/1/214
Sub Jumlah 56.33 56.33 56.33

Mekongga L30 14.43 12/12/2013 14.43 10/1/2014
SWK/ES 14.43
L32 13.35 14/12/2013 13.35 12/1/2014
SWK/ES 13.35
L34 11.60 16/12/2013 11.60 14/1/2014
SWK/ES 11.60
L36 6.64 18/12/2013 6.64 8/1/2014
SWK/ES 6.64
Sub Jumlah 46.02 46.02 46.02

SHS6 Hibrida
L36
(boshima) kons 2.00 2.00 18/12/2013 2.00 9/1/2014
Sub Jumlah 2.00 2.00 2.00
Jumlah As II 236.53 236.53 236.53
Mekongga B25 9.44 9.44

SWK/ES 9.44 5/11/2013 26/11/2013
B26 9.23 9.23
SWK/ES 9.23 11/11/2013 2/12/2013
B27 9.66 9.66
SWK/ES 9.66 14/11/2013 4/12/2013
SWK/ES B28 9.09 18/11/2013 9.09 10/12/2013
Varietas Blok
9.09
B29 9.78 9.78
SWK/ES 9.78 20/11/2013 12/12/2013
B30 7.06 7.06
SWK/ES 7.06 22/11/2013 14/12/2013
Sub Jumlah 54.26 54.26 54.26

B30
Restorer 2.00 2.00 20/11/2013 2.00 12/12/2013
Sub Jumlah 2.00 2.00 2.00

Mekongga S23B 11.97 11.97
SWK/ES 11.97 23/11/2013 15/12/2013
S24B 13.54 13.54
SWK/ES 13.54 26/11/2013 18/12/2013
22-
S25 14.44 30/11/2013 14.44
SWK/ES 14.44 23/12/2013
Sub Jumlah 39.95 39.95 39.95

Mekongga S26 12.63 2/12/2013 12.63 30/12/2013
SWK/ES 12.63
S27 12.12 6/12/2013 12.12 4/1/2014
SWK/ES 12.12
S28 11.79 10/12/2013 11.79 8-9/1/2014
SWK/ES 11.79
S29 11.81 12/12/2013 11.81 13/1/2014
SWK/ES 11.81
48.35 48.35
Sub Jumlah 48.35
Mekongga S32 4.15 16/12/2013 4.15 12/1/2014
SWK/ES 4.15
S33 9.62 16/12/2013 9.62 12/1/2014
SWK/ES 9.62
SWK/ES S34 11.62 11.62 15/12/2013 11.62 11/1/2014
SWK/ES S35 11.72 11.72 13/12/2013 11.72 8/1/2014
SWK/ES S36 11.85 11.85 11/12/2013 11.85 7/1/2014
Sub Jumlah 48.96 48.96 48.96

Jumlah As
193.52 193.52
IV 193.52
Jumlah 689.56 689.56
Varietas Blok
SWK 689.56
22/11- 14/12-
Ciherang KS/ES TGKB 252.88 252.88 15/12/2013 252.88 4/1/2014
Ciherang KS/SS TGKB 48.64 48.64 17/12/2013 48.64

Inpari
sidenuk KS/ES TGKT 33.42 33.42 12/12/2013 33.42 2/1/2014
Inpari 14-
sidenuk KS/SS TGKT 60.00 60.00 17/12/2013 60.00 3-4/1/2013
Inpago 3 4- 26-
SHS KS/ES TGKT 121.53 121.53 15/12/2013 121.53 30/12/2013
PB42 KS/ES TGKT 62.00 62.00 30/11/2013 62.00 22/12/2013

14-
Inpari 13 KS/ES TGKT 27.36 27.36 17/12/2013 27.36 3-4/1/2013
605.83 605.83 605.83

23/11- 15-
IR64 KS/ES SKJB 97.03 97.03 6/12/2013 97.03 26/12/2013
Inpago 3
SHS KS/ES SKJB 20.72 20.72 30/11/2013 20.72 22/12/2013
11- 1-
Inpara 2 KS/ES SKJB 88.72 88.72 17/11/2013 88.72 7/12/2013
24/11- 16-
Situbagendit KS/ES SKJT 92.00 92.00 3/12/2013 92.00 25/12/2013
10- 30/11-
Situbagendit KS/ES PSK 172.57 172.57 24/11/2013 172.57 14/12/2013
471.04 471.04 471.04

Inpago 3
B4 6.30 6.30
SHS KS/ES 6.30 20/10/2013 9/11/2013
B6 9.84 9.84
KS/ES 9.84 20/10/2013 9/11/2013
B8 11.91 11.91
KS/ES 11.91 20/10/2013 9/11/2013
28.05 28.05
Sub Jumlah 28.05
B10 10.80 10.80
IR64 KS/ES 10.80 23/10/2013 13/11/2013
B12 8.64 8.64
KS/ES 8.64 23/10/2013 13/11/2013
B14 7.12 7.12
KS/ES 7.12 23/10/2013 13/11/2013
Varietas Blok
Sub Jumlah 26.56 26.56 26.56
25/11/2013
Ciherang KS/ES L2A 1.35 1.35 4/11/2013 1.35
L2B 6.37 6.37 25/11/2013
KS/ES 6.37 4/11/2013
Sub Jumlah 7.72 7.72 7.72
Cigeulis KS/ES S22B 5.26 5.26 12/11/2013 5.26 '3/12/2013
KS/ES B31 2.55 2.55 12/11/2013 2.55 '3/12/2013
Sub Jumlah 7.81 7.81 7.81

BLC I - 30/10- 19-
Ciherang KS/ES IV 81.45 81.45 2/11/2013 81.45 22/11/2013
Sub Jumlah 81.45 81.45 81.45

14/11/2013
Ciherang KS/ES LK1 8.74 8.74 24/9/2013 8.74
LK2 14.89 14.89 14/11/2013
KS/ES 14.89 24/9/2013
LK3 17.67 17.67 14/11/2013
KS/ES 17.67 24/9/2013
LK4 18.43 18.43 14/11/2013
KS/ES 18.43 24/9/2013
Sub Jumlah 59.73 59.73 59.73

B1 6.32 19/10/2013 6.32 8/11/2013
Mekongga KS/ES 6.32
B3 12.57 19/10/2013 12.57 8/11/2013
KS/ES 12.57
B5 12.79 19/10/2013 12.79 8/11/2013
KS/ES 12.79
B7 12.17 19/10/2013 12.17 8/11/2013
KS/ES 12.17
B9 13.34 19/10/2013 13.34 8/11/2013
KS/ES 13.34
B11 14.16 22/10/2013 14.16 11/11/2013
KS/ES 14.16
B13 14.63 22/10/2013 14.63 11/11/2013
KS/ES 14.63
B15 17.45 22/10/2013 17.45 11/11/2013
KS/ES 17.45
Sub Jumlah 103.43 103.43 103.43
Varietas Blok
B16 17.75 27/10/2013 17.75 17/11/2013
Ciherang KS/ES 17.75
B17 14.54 27/10/2013 14.54 17/11/2013
KS/ES 14.54
B18 10.26 27/10/2013 10.26 17/11/2013
KS/SS 10.26
B19 7.76 29/10/2013 7.76 19/11/2013
KS/ES 7.76
B20 4.58 29/10/2013 4.58 19/11/2013
KS/ES 4.58
B21 5.79 29/10/2013 5.79 19/11/2013
KS/ES 5.79
B22 9.79 29/10/2013 9.79 19/11/2013
KS/ES 9.79
B23 10.78 29/10/2013 10.78 19/11/2013
KS/ES 10.78
B24 10.48 29/10/2013 10.48 19/11/2013
KS/ES 10.48
91.73 91.73
Sub Jumlah 91.73
S1 14.63 16/10/2013 14.63 5/11/2013
Ciherang KS/ES 14.63
S2 13.54 16/10/2013 13.54 5/11/2013
KS/ES 13.54
S3 7.18 16/10/2013 7.18 5/11/2013
KS/ES 7.18
S4 6.78 16/10/2013 6.78 5/11/2013
KS/ES 6.78
42.13 42.13
Sub Jumlah 42.13
S5 6.41 17/10/2013 6.41 6/11/2013
Inpari 10 KS/SS 6.41
6.41 6.41
Sub Jumlah 6.41
S6 5.97 21/10/2013 5.97 10/11/2013
Ciherang KS/ES 5.97
S7 6.27 21/10/2013 6.27 10/11/2013
KS/ES 6.27
S8 8.39 21/10/2013 8.39 10/11/2013
KS/ES 8.39
S9 11.74 21/10/2013 11.74 10/11/2013
KS/ES 11.74
KS/ES S10 13.34 13.34 21/10/2013 13.34 10/11/2013
KS/ES S11 16.34 25/10/2013 16.34 15/11/2013
Varietas Blok
16.34
S12 16.25 25/10/2013 16.25 15/11/2013
KS/ES 16.25
S13 16.02 25/10/2013 16.02 15/11/2013
KS/ES 16.02
94.32 94.32
Sub Jumlah 94.32
S14 11.38 27/10/2013 11.38 17/11/2013
Mekongga KS/SS 11.38
11.38 11.38
Sub Jumlah 11.38
Inpari
sidenuk KS/ES L20 11.70 11.70 15/11/2013 11.70 5/12/2013
Sub Jumlah 11.70 11.70 11.70
Jumlah 4 572.42 572.42 572.42
Ciherang KS/ES S37 11.53 11.53 19/11/2013 11.53 9/12/2013
Sub Jumlah 11.53 11.53 11.53

Inpari
sidenuk KS/ES S24A 5.15 5.15 17/11/2013 5.15 7/12/2013
Sub Jumlah 5.15 5.15 5.15

LK12 10.24 10.24
Mekongga KS/ES 10.24 17/11/2013 7/12/2013
LK14 12.57 12.57
KS/ES 12.57 17/11/2013 7/12/2013
LK16 13.55 13.55
KS/SS 13.55 24/11/2013 14/12/2013
Sub Jumlah 36.36 36.36 36.36

LK18 13.64 13.64
Mekongga KS/SS 13.64 24/11/2013 14/12/2013
12.68 12.68
KS/SS LK20 12.68 24/11/2013 14/12/2013
9.66 9.66
KS/ES LK22 9.66 25/11/2013 15/12/2013
6.80 6.80
KS/ES LK24 6.80 25/11/2013 15/12/2013
KS/ES LK26 2.37 2.37 25/11/2013 2.37 15/12/2013
Sub Jumlah 45.15 45.15 45.15

Varietas Blok
Mekongga KS/ES LK5 5.46 5.46 23/9/2013 5.46 13/10/2013
KS/ES LK7 5.89 5.89 23/9/2013 5.89 13/10/2013
KS/ES LK9 6.39 6.39 23/9/2013 6.39 13/10/2013
KS/ES LK11 10.39 10.39 23/9/2013 10.39 13/10/2013
KS/ES LK13 12.87 12.87 23/9/2013 12.87 13/10/2013
KS/ES LK15 12.39 12.39 24/9/2013 12.39 14/10/2013
KS/ES LK17 9.84 9.84 24/9/2013 9.84 14/10/2013
KS/ES LK19 6.98 6.98 24/9/2013 6.98 14/10/2013

LK21 16.15 29/9/2013 16.15
KS/ES 16.15 19/10/2013
LK23 15.62 29/9/2013 15.62
KS/ES 15.62 19/10/2013
101.98 101.98
Sub Jumlah 101.98
LK25 12.67 29/9/2013 12.67
Mekongga KS/ES 12.67 19/10/2013
Sub Jumlah 12.67 12.67 12.67
Mekongga KS/ES LK6 3.75 3.75 23/9/2013 3.75 13/10/2013
KS/ES LK8 4.97 4.97 23/9/2013 4.97 13/10/2013
KS/ES LK10 6.99 6.99 23/9/2013 6.99 13/10/2013
Sub Jumlah 15.71 15.71 15.71
Cigeulis KS/ES S30 7.16 7.16 19/11/2013 7.16 9/12/2013
KS/ES S31 5.16 5.16 19/11/2013 5.16 9/12/2013
Sub Jumlah 12.32 12.32 12.32

Ciherang KS/ES S38 11.89 11.89 21/11/2013 11.89 12/12/2013
KS/ES S39 10.39 10.39 21/11/2013 10.39 12/12/2013

KS/ES S40 6.09 21/11/2013 6.09 12/12/2013
Varietas Blok
6.09
Sub Jumlah 28.37 28.37 28.37

LK39 6.32 6.32
Inpari 13 KS/ES 6.32 7/12/2013 29/12/2013
LK41 9.81 9.81
KS/ES 9.81 7/12/2013 29/12/2013
Sub Jumlah 16.13 16.13 16.13
IR64 KS/ES LK43 12.27 12.27 7/12/2013 12.27 29/12/2013
KS/ES LK45 13.64 13.64 8/12/2013 13.64 30/12/2013
KS/ES LK47 13.35 13.35 8/12/2013 13.35 30/12/2013
Sub Jumlah 39.26 39.26 39.26
Ciliwung KS/ES LK49 13.12 13.12 9/12/2013 13.12 30/12/2013
KS/ES LK51 12.30 12.30 9/12/2013 12.30 30/12/2013
Sub Jumlah 25.42 25.42 25.42

18/12/2013
Mekongga KS/ES LK40 12.96 12.96 28/11/2013 12.96
18/12/2013
KS/ES LK42 11.82 11.82 28/11/2013 11.82
Sub Jumlah 24.78 24.78 24.78
Mekongga KS/ES LK44 12.84 12.84 1/12/2013 12.84 23/12/2013
KS/ES LK46 9.37 9.37 1/12/2013 9.37 23/12/2013
Sub Jumlah 22.21 22.21 22.21

L35 17.89 22/11/2013 17.89
Inpari 10 KS/SS 17.89 12/12/2013
17.89 17.89
Sub Jumlah 17.89
Cigeulis KS/ES L43 15.21 15.21 2/12/2013 15.21 24/12/2013
2/12/2013
KS/ES L45 13.50 13.50 13.50 24/12/2013
Sub Jumlah 28.71 28.71 28.71

Varietas Blok
L1 14.51 24/9/2013 14.51
Ciherang KS/ES 14.51 14/10/2013
L3 15.67 24/9/2013 15.67
KS/ES 15.67 14/10/2013
30.18 30.18
Sub Jumlah 30.18
L37 21.25 26/11/2013 21.25 16/12/2013
Mekongga KS/ES 21.25
L39 19.20 28/11/2013 19.20 18/12/2013
KS/ES 19.20
L41 18.32 2/12/2013 18.32 24/12/2013
KS/ES 18.32
Sub Jumlah 58.77 58.77 58.77

LK27 15.42 1/12/2013 15.42 23/12/2013
Mekongga KS/ES 15.42
LK29 14.67 1/12/2013 14.67 23/12/2013
KS/ES 14.67
LK31 13.05 1/12/2013 13.05 23/12/2013
KS/ES 13.05
LK33 10.25 5/12/2013 10.25 26/12/2013
KS/ES 10.25
LK35 7.37 5/12/2013 7.37 26/12/2013
KS/ES 7.37
LK37 5.57 5/12/2013 5.57 26/12/2013
KS/ES 5.57
Sub Jumlah 66.33 66.33 66.33

L38 7.92 22/11/2013 7.92 12/12/2013
Mekongga KS/ES 7.92
L40 8.89 22/11/2013 8.89 12/12/2013
KS/ES 8.89
L42 9.45 22/11/2013 9.45 12/12/2013
KS/ES 9.45
L44 10.75 29/11/2013 .75 19/12/2013
KS/ES 10.75
L46 15.85 29/11/2013 5.85 19/12/2013
KS/ES 15.85
KS/ES L48 13.94 13.94 29/11/2013 3.94 19/12/2013
L50 9.06 29/11/2013 9.06 19/12/2013
KS/ES 9.06
L52 2.88 29/11/2013 2.88 19/12/2013
KS/ES 2.88
Sub Jumlah 78.74 78.74
Varietas Blok
78.74
Jumlah 5 77.66 677.66 677.66
Jumlah KS ,326.95 2,326.95 2,326.95
TOTAL ,016.51 3,016.51 3,016.51

HASIL RINCI PENGAMATAN LAPANGAN
Id X Y Daerah survey KETERANGAN LOKASI

1 794344 9298965 Sukamandi, Subang Kantor dan disekitarnya semak-
semak
Di Kantor Pt. Shang Hyang Seri sedang diskusi dengan manager perkebunan

Sawah pada blok l34 (ber umur
Desa Ciasem Girang
2 792781 9300721 1minggu), blok l32 (ber umur 2bln)
kecamatan Ciasem
persimpangan blok l34 dan blok l32
Di Desa Ciasem Girang kecamatan Ciasem Sector Lebak pada Blok l34 sawah berumur 1 minggu

Desa Ciasem Girang kecamatan Blok l32 Sawah berumur 2 bulan
3 792969 9300654
Ciasem
Desa Ciasem Girang Kecamatan Ciasem di Sector Lebak pada blok 32 sawah sudah berumur 2 bulan

Desa Sukamandijaya Blok l20 92 hari, blok l21 (88hari
4. 792403 9299820 Kecamatan Ciasem. 3bulan kurang 2hari) blok l20,
dihadapan blok 121
Desa Sukamandijaya Kecamatan Ciasem. Blok l20 92 hari, blok l21 (88hari 3blb-2hr)

Desa Sukamandijaya Sector Blanakan Blok b22, disebelahnya blok
5. 791314 9297974 Kecamatan Ciasem. b23 Sawah hibrida Blok b22 2.5bl (45hr dari
tanam)
Pada blok b22 dan disebelahnya adalah blok23 jenis sawahnya adallah hibrida berumur 2.5bl (45hr
dari tanam)

Blok Balong Cariu 1 (BLC 1) mur
Desa Rancajaya
6 790346 9297069 sawah 100hr dr tebar siap
Kecamatan Patokbeusi.
untuk di panen
Desa Rancajaya Kecamatan Patokbeusi.. Balong Cariu 1 berumur 100 hari darri tebar

Desa Rancajaya Kecamatan Sector Belanakan blok B 16
7 790390 9297064
Patokbeusi. Sawah berumur 95 hari
Desa Rancajaya Kecamatan Patokbeusi. Sawah berumur 95 hari

Belanakan Blok B14 sawah
Desa Gempolsari Kecamatan berumur 102 hingga 105 hari.
8 790313 9297042
Patokbeusi. Sebelah blokk b 14 adalah
kebun pohon pisang
Desa Gempolsari Kecamatan Patokbeusi. Sektor Belanakan blok b14 adalah lahan sawah yang berumur
102 - 105 hari dari tebar

9. 791007 9298250 Desa Sukamandijaya Kecamatan Di sebelah sawah Blok l2sb
Ciasem. aalahan semak-semak
Sektor Lembaga Blok l2ab berumur
98 hari
Desa Sukamandijaya Kecamatan Ciasem Pengambilan titik di lembaga blok l2ab sawah berumur
98 hari

Desa Sukahaji Kecamatan Blok Lk 21 sawah berumur 63
Ciasem hari dari tanam), blok lk19
10 791150 9300726
Persimpangan sector Lekar sawah berumur 82 hari dan lk20
antara 3 blok lk19, lk20 dan lk21 sawah berumur 75 hari.
Pengambilan titik di Desa Sukahaji Kecamatan Ciasem sektor lekar di persimpangan antara 3 blok
lk 19 dan lk21 dan dihadapan blok ganjil blok 20 blok genap

11 791467 9301658 Desa Sukahaji Sektor Lekar lk34 dan lk36
Kecamatan Ciasem
Desa Sukahaji Kecamatan Ciasem Sektor Lekar lk34 dan lk36

12 791378 9301451 Desa Sukahaji Kecamatan persimpangan antara
Ciasem lk34,32
Pengambilan titik 12 di sektor lekar di persimpangan antara 34 dan dihadapan blok ganjil

Desa Rawa Mekar Sektor Situ Bagendit sb dan Sukajaya Barat kondisi
13 790622 9302692 Kecamatan padi belum malai Padi berumur 70 hari dari tebar
Blanakan atau 45 hari dari tanam
Padi berumur 70 hari dari tebar atau 45 hari dari tanam. Desa Rawa Mekar Kecamatan Blanakan

Sektor Tegal Koneng Timur (tgkt) padi
Desa Pinangsari,
14 790380 9303070 berumur 60 hari tebar.Padi bunting
Kecamatan Ciasem
berumur 3 bulan
Desa Pinangsari, Kecamatan Ciasem Sektor Tegal Koneng Timur (tgkt) padi berumur 60 hari tebar.

Sektor Tegal Koneng Timur blok 22 (tgkt
Desa Pinangsari, Kecamatan
15 789611 9304266 22), 100m dari jbt, 25m kn sidenuk 54h
Ciasem
tbr (20jn)
Sektor Tegal Koneng Timur blok 22, 100m dari jbt, 25m kn sidenuk 54h tbr (20jn)

Sektor Tegal Koneng Barat (blok tgkb5),
Desa Sukahaji, Kecamatan
16 788947 9302254 Varietas Ciherang padi berumur 85 hari
Ciasem
dari tebar dan tanngal tebar 9 mei
Desa Sukahaji, Kecamatan Ciasem Sektor Tegal Koneng Barat (blok tgkb5), Varietas Ciherang 85 hari

Sektor Tegal Koneng Barat (blok
Desa Sukahaji,
17 788650 9301936 tgkb1 -3), Varietas Ciherang
Kecamatan Ciasem
tanggal tebar 19 mei.
Desa Sukahaji, Kecamatan Ciasem Sektor Tegal Koneng Barat (blok tgkb1 -3), Varietas Ciherang
tanggal tebar 19 mei 75 hari tebar

18 792473 9297146 Desa Sukamandijaya, Blok S15 bera kering
Kecamatan Ciasem berumput
Sektor Sukamulya Blok S15 bera kering berumput Desa Sukamandijaya, Kecamatan Ciasem

19 790343 9295482 Kecamatan Patokbeusi Blok S1 Panen basah bera
Desa Rancamulya basah
Sektor Sukamulya Blok S1 kondisi sawah sudah panen basah bera

20 Kecamatan Patokbeusi Blok Balai Benih Kondisi sawah bera
791573 9296394
Desa Rancajaya bakar
Blok Balai Penelitian Benih Padi, bera terbakar

21 791175 9296116 Kecamatan Patokbeusi Desa Blok S6 baru panen sawah bera
Rancajaya
Kecamatan Patokbeusi Desa Rancajaya Blok S6, sedang panen

Kecamatan Ciasem. Desa Sawah persiapan tanam dan
22 800124 9301814
Ciasem Hilir bera.
Sawah persiapan tanam dan bera.

23 800034 9301986 Padi umur 1 minggu. Kecamatan Ciasem. Desa Ciasem Hilir
Padi umur 1 minggu di Kecamatan Ciasem. Desa Ciasem Hilir

Lampiran 3. Grafik hasil pengukuran nilai reflektan tanaman padi/lahan sawah di PT. Sang
Hyang Seri Sukamandi
Selasa, 12 Agustus 2014
No Jam Blok Umur (hst) Grafik Reflektansi

1 09:27 L34 1 mg
2 09:39 L34 5mg
3 10:03 L32 7mg

(44 h)
4 10:35 L21 88hr (59 h)

5 11:04 B23(sl 45 hr
38)_Hi
brida
6 11:35 BLC1 100 hr
7 11:49 B16 95 hr
8 11:59 B14 105 hr

9 12:31 L2AB 105hr
10 12:56 LK21 63hr
11 13:19 LK34 ?
Rabu, 13 Agustus 2014
No Jam Blok Umur Reflektansi

1 10:10 ST1 76hr

2 10:19 SB 70hr
3 10:38 TGKT2 60hr
4 11:02 TGKT2 54hr

2
5 11:32 TGKB 90hr

6 11:55 TGKB3 85hr
Kamis, 14 Agustus 2014

1 08:55 P1_ bera_kerin
g
2 09:19 P2_ bera_basa

h
3 10:11 P3_ bera_kr_tn

h

4 10:40 P4(sb) panen
_
Jumat, 15 Agustus 2014 (di luar area PT. Sang Hyang Seri)

1 09:04 Sawah
bera,
menjelang
tanam
2 09:14 Swh_air 2
hari
3 09:24 Sawah_air
2 mg

4 09:31 Sawahair 2
mg

PUSAT PEMANFAATAN PENGINDERAAN JAUH - 2014

000 Buku Luaspanen Final

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

000 Buku Luaspanen Final

Diunggah oleh

Hak Cipta:

Format Tersedia

2014

PEMANFAATAN DATA PENGINDERAAN JAUH

PEMANFAATAN DATA PENGINDERAAN JAUH RESOLUSI

LEMBAGA PENERBANGAN DAN ANTARIKSA NASIONAL

PUSAT PEMANFAATAN PENGINDERAAN JAUH

i Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

PUSAT PEMANFAATAN PENGINDERAAN JAUH

DR. Bambang Trisakti

Editor, Penyunting, Desain, dan Layout:

Muhammad Priyatna, S.Si., MTI.

Jakarta, Desember 2014

ii Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi iii

WILAYAH STUDI, DATA, DAN METODE 5

HASIL DAN PEMBAHASAN 11

KESIMPULAN DAN SARAN 30

iv Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

1 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

1.2. Tujuan dan sasaran

Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 2

Salah satu cara untuk menyederhanakan hubungan antara perkembangan tanaman

2.2. Hasil penelitian terkait

3 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 4

3. WILAYAH STUDI, DATA, DAN METODE

Gambar 1.Peta Lokasi Pelaksanaan Penelitian

3.2. Data dan Bahan

5 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

Informasi spasial fase pertumbuhan tanaman padi di Pantura (dari MODIS)

Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 6

GROWTH PHASE MULTITEMPORAL

SPOT-6 DATA AND IN

DELINEATION OF REFLECTAN, DIGITAL NUMBER,

REGRETION ANALYSIS BETWEEN R, DN, VEGETATION

EVALUATION, BEST RELATIONSHIP:

MAPPING OF PADDY AGE (ANOTHER

AGE OF PADDY FIELD MAP

PADDY FIELD AGE

Gambar 2. Diagram alir pelaksanaan penelitian “Pemanfaatan Data Penginderaan Jauh

7 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

Tanggal Aquisisi Sun Elevation Sin α

Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 8

26092013 12102013 12072014 12082014

6. Ekstrak nilai spektralReflektan tiap band citra Landsat-8.

9 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

dimana y adalah umur padi dan x adalah nilai spektral padi.

9. Pemetaan sawah dan umur tanaman

Tahapan kegiatan Bulan ke- Tahun 2014

Kegiatan teknis pada bulan Oktober, meliputi:

4. HASIL DAN PEMBAHASAN

11 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

4.2. Konversi citra menjadi reflektan

4.3. Ploting data realisasi tanam

Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 12

Gambar 4. Sebaran frekuensi training sampel yang digunakan dalam penelitian

13 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

4.4. Profil Pertumbuhan Tanaman Padi Fase Vegetatif dan Generatif.

Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 14

NDVI Persamaan R S iterasi Persamaan R S Iterasi

Pertumbuhan Padi dengan NDVI untuk Fase Vegetasi

15 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi

Propil Pertumbuhan Padi dengan NDVI untuk Fase Generatif

Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 16

Propil Pertumbuhan Padi dengan EVI untuk Fase Vegetatif