10
BAB III BAHAN DAN METODE
3.1. Waktu dan Tempat Penelitian Penelitian ini dimulai pada bulan Maret 2011 dan berakhir pada bulan Oktober 2011. Penelitian ini terdiri atas pengamatan di lapang dan analisis data spasial. Pengamatan di lapang dilakukan sebanyak 2 kali yang berlokasi di PT Sang Hyang Seri dan Balai Besar Penelitian Padi, Subang (Gambar 1). Kabupaten Subang merupakan salah satu pemasok utama padi di Pulau Jawa. Dengan melakukan pemantauan padi di lokasi ini, diharapkan hasilnya dapat mewakili keadaan produksi padi pada cakupan yang lebih luas yaitu Pulau Jawa. Analisis data spasial dilakukan di Bagian Penginderaan Jauh dan Informasi Spasial, Departemen Ilmu Tanah dan Sumberdaya Lahan, Fakultas Pertanian, Institut Pertanian Bogor.
Gambar 1. Peta Lokasi Penelitian
11
3.2. Bahan dan Alat Penelitian Bahan yang digunakan dalam penelitian ini adalah citra ALOS PALSAR yang diakuisisi pada tanggal 27 Maret 2007 dan 30 Maret 2009 dengan resolusi spasial 28 meter. Selain data PALSAR, digunakan juga citra ALOS AVNIR-2 yang diakuisisi pada tanggal 12 Desember 2008 dan 30 Juni 2009 dengan resolusi spasial 10 meter. Data penunjang lainnya meliputi data jalan dan sungai Kabupaten Subang yang sudah terkoreksi geometri, data temperatur rata-rata dan curah hujan wilayah Sukamandi Subang tahun 2007-2010 (Badan Meteorologi Klimatologi dan Geofisika, Balai Besar Wilayah II, Stasiun Klimatologi Dramaga Bogor), dan data realisasi tebar tanam produksi benih padi PT Sang Hyang Seri tahun 2007-2011. Adapun peralatan yang digunakan pada penelitian ini adalah GPS (Global Positioning, System), kamera digital, dan seperangkat komputer dengan perangkat lunak Map Ready 2.3, ENVI 4.5 beserta toolbox tambahan, ArcGIS 9.3, Microsoft Word XP, dan Microsoft Excel XP.
3.3. Metode Penelitian Pelaksanaan penelitian ini dibagi menjadi 4 tahap, yaitu : 1) Persiapan, 2) Pengumpulan data, 3) Survey lapang, 4) Analisis data. Secara terinci tahapan tersebut dijelaskan sebagai berikut:
3.3.1. Persiapan Pada tahap ini dilakukan studi pustaka tentang penginderaan jauh, radar, citra PALSAR, citra AVNIR-2 dan lain-lain. Studi pustaka penting dilakukan untuk mempelajari sumber-sumber yang dapat menunjang pelaksanaan penelitian dan memahami metode yang telah berkembang dalam kaitannya dengan penelitian ini. Pustaka penunjang yang diperlukan antara lain: buku teks, berbagai jurnal ilmiah, dan prosiding seminar yang terkait dengan tujuan penelitian. Selain itu juga dilakukan eksplorasi beberapa perangkat lunak yang digunakan dalam penelitian ini yaitu Map Ready 2.3, ENVI 4.5, dan ArcGIS 9.3.
12
3.3.2. Pengumpulan Data Pada tahapan ini dilakukan pengumpulan data yang diperlukan untuk penelitian yaitu meliputi citra ALOS PALSAR yang diakuisisi pada tanggal 27 Maret 2007 dan 30 Maret 2009 serta citra ALOS AVNIR-2 yang diakuisisi tanggal 28 Desember 2008, semuanya diperoleh dari Japan Aerospace Exploration Agency (JAXA). Selain itu juga dikumpulkan data jalan dan sungai Kabupaten Subang dari Peta Rupa Bumi Indonesia BAKOSURTANAL, data temperatur rata-rata dan curah hujan wilayah Sukamandi Subang tahun 2007-2010 (Badan Meteorologi Klimatologi dan Geofisika, Balai Besar Wilayah II, Stasiun Klimatologi Dramaga Bogor), data realisasi tebar tanam produksi benih padi PT Sang Hyang Seri tahun 2007-2011, dan data laporan panen padi swakelola dan kerjasama produksi inhibrida dan hibrida tahun 2007-2011. Beberapa data tambahan dan foto-foto terkait dengan penelitian juga diperoleh dari hasil survei lapang dan dari sumber-sumber terkait lainnya.
3.3.3. Survey Lapang Kegiatan survey lapang meliputi pengamatan pada beberapa blok lahan sawah PT. Sang Hyang Seri yang dilakukan pada tanggal 28 Juli 2011 dan 26 Oktober 2011. Data sekunder yang dikumpulkan adalah data realisasi tebar tanam produksi padi PT Sang Hyang Seri dan data laporan panen padi swakelola dan kerjasama produksi inbrida dan hibrida tahun 2007-2011.
3.3.4. Analisis Data Langkah awal pada tahapan ini adalah mengekspor citra ALOS PALSAR dan ALOS AVNIR-2 dengan menggunakan perangkat lunak MapReady 2.3 ke dalam format data yang dapat dibaca oleh ENVI 4.5 dan ArcGIS 9.3. Pra-proses pada citra ALOS PALSAR akan menghasilkan nilai koefisien hamburan balik (backscatter sigma nought σo) dalam besaran decibel (db). Dari proses ini diperoleh 3 polarisasi linier yaitu VV, HV, dan HH. Pada citra ALOS AVNIR-2, konversi nilai digital number (DN) ke dalam nilai radiansi (Radiance) perlu dilakukan mengingat data radiansi merupakan bentuk data yang lebih formal untuk analisis biofisik.
13
Proses dilanjutkan dengan layer stacking dan koreksi geometri citra pada perangkat lunak ArcGIS 9.3 dengan menggunakan acuan peta jalan dan sungai Kabupaten Subang. Koreksi geometri merupakan proses pengoreksian posisi objek pada citra yang tidak sama dengan posisi geografis permukaan bumi yang terjadi karena pengaruh distorsi geometrik selama proses akuisisi citra tersebut. Analisis citra pada ALOS AVNIR-2 dilakukan dengan menghitung nilai NDVI untuk menduga nilai indeks vegetasi sebagai upaya untuk mengetahui perbedaan fase pertumbuhan pada setiap blok padi sawah. Analisis statistika pada koefisien hamburan balik dan NDVI (Normalized Difference Vegetation Index) dilakukan pada data contoh. Persamaan umum dari NDVI adalah: NDVI = Keterangan: ρNIR = nilai reflektan kanal spektral infra merah dekat ρRED = nilai reflektan kanal spektral merah Nilai NDVI merupakan suatu persamaan yang paling umum digunakan untuk mencari nilai indeks vegetasi dimana NDVI memiliki sensitivitas yang tinggi terhadap perubahan kerapatan tajuk vegetasi dibandingkan dengan indeks vegetasi lainnya (Zhou et al., 2001). Proses pengambilan contoh (training set) dilakukan pada semua tersebut dengan memilih region of interest (ROI) sebanyak 75 piksel pada setiap umur padi. Proses dilanjutkan dengan analisis statistika dengan mencari persamaan linier dan polinomial dari setiap scatterplot. Keberhasilan analisis kemudian ditelaah dengan menghitung nilai R2 dari persamaan linier dan polinomial tersebut. Tahapan selanjutnya adalah analisis keterpisahan kelas menggunakan Transformed Divergence (TD). Transformed divergence (TD) merupakan nilai yang menunjukkan tingkat keterpisahan spektral antar data. Dasar perhitungan pada metode TD adalah nilai sampel dari region of interest (ROI) data dan memiliki selang nilai 0-2. Nilai TD lebih dari 1,9 menunjukkan keterpisahan yang baik antar kelas data yang kita gunakan dalam suatu penelitian (Panuju et al., 2010). Jika nilai TD rendah, maka keterpisahan spektral antar kelas juga kecil. Berikut adalah persamaan TD (Jensen, 1996) :
14
di mana TDcd merupakan parameter TD dan Dcd adalah parameter yang diperoleh dari persamaan berikut: Dcd = 0.5tr[(Vc-Vd)(Vd-1-Vc-1)] + 0.5tr[(Vc-1+Vd-1)(Mc-Md)(Mc-Md)T] Keterangan: tr
= fungsi teras (trace) dalam fungsi matriks
Vc dan Vd
= matriks kovarian dari 2 kelas (c dan d)
Mc dan Md
= nilai rataan vektor untuk kelas c dan d
Tahapan selanjutnya adalah proses klasifikasi citra ALOS AVNIR-2 dan ALOS PALSAR tahun 2009. Penelitian ini menggunakan pendekatan klasifikasi pohon keputusan untuk memetakan berbagai fase pertumbuhan padi. Klasifikasi pohon keputusan merupakan teknik klasifikasi terbimbing yang memanfaatkan ekstraksi informasi dari data training dalam konteks yang umum menuju ke cakupan yang lebih spesifik atau khusus. Penggunaan teknik klasifikasi pohon keputusan telah ditelaah dalam berbagai kajian mengingat kemampuannya dalam menangani missing data akibat gangguan sensor atau atmosfer. Terdapat beberapa algoritma yang ditemukan pada literatur ilmiah antara lain QUEST, CART, CHAID, CRUISE, ID3, dan C4. Namun demikian, pada penelitian ini hanya digunakan 2 algoritma saja yaitu QUEST (Quick, Unbiased, Efficient Statistical Trees) dan CRUISE (Clasiffication Rule with Unbiased Interaction Selection and Estimation). QUEST merupakan algoritma pemisahan biner decision tree untuk klasifikasi dan data mining. Menurut Loh dan Shih (1997), atribut yang mempunyai perkiraan perubahan yang sama terpilih untuk
pemisahan suatu
tangkai pohon jika semua atribut tidak informatif berkaitan dengan atribut kelas. CRUISE merupakan versi multivariate decision tree lain yang dapat menggunakan unbiased multiway splits dan dapat menyatukan model tangkai pohon bivariate linear discriminant (Kim dan Loh, 2003). Model ini memiliki prediksi dengan tingkat ketelitian setidaknya setingkat dengan algoritma QUEST. Perangkat lunak yang digunakan untuk mengolah algoritma QUEST dan CRUISE adalah ENVI 4.5. Hasil pohon keputusan tersebut selanjutnya diterapkan sehingga
15
menghasilkan citra hasil klasifikasi untuk masing-masing algoritma. Proses pengujian hasil klasifikasi dengan mengambil masing-masing 75 piksel dari setiap fase pertumbuhannya.
