TUGAS AKHIR
ANALISA ESTIMASI PRODUKSI PADI BERDASARKAN FASE TUMBUH DAN MODEL PERAMALAN AUTOREGRESIF INTEGRATED MOVING AVERAGE (ARIMA) MENGGUNAKAN CITRA SATELIT LANDSAT 8 (Studi Kasus: Kabupaten Bojonegoro)
Vivi Diannita Sari (3510 100 022) Jurusan Teknik Geomatika, Fakultas Teknik Sipil dan Perencanaan, Institut Teknologi Sepuluh Nopember Kampus ITS Sukolilo, Surabaya, 60111, Indonesia
LATAR BELAKANG (I) Padi merupakan tanaman penghasil beras yang banyak dibudidayakan di Indonesia. Tingginya angka konsumsi beras nasional lantaran beras menjadi bagian yang tidak dipisahkan dari budaya pangan nasional.
Konsumsi Indonesia = 102 kg/kapita/thn Konsumsi dunia = 60 kg/kapita/tahun (Neraca, 2013)
Kabupaten Bojonegoro sebagai penghasil padi andalan di Provinsi Jawa Timur. Tahun 2012, Bulog Bojonegoro menjadi Bulog untuk subdivisi regional tertinggi di seluruh Indonesia. (Toyudho dalam Tempo, 2012).
LATAR BELAKANG (II) Perlu adanya upaya untuk memantau kestabilan produksi pertanian secara berkala. Angka ramalan produksi padi sangat diperlukan untuk mendukung kebijakan pemerintah dalam penanganan isu pangan.
Namun kendala yang dihadapi saat ini adalah kesulitan dalam hal memantau perkembangan tanaman padi ini secara cepat, akurat dan kontinu sehingga dapat memperkirakan produktivitas pada suatu area yang diamati.
TEKNOLOGI PENGINDERAAN JAUH Analisis spasial secara berulang, kontinu, meliputi wilayah yang relatif luas.
MODEL PERAMALAN ARIMA
PERUMUSAN MASALAH
Bagaimana mendapatkan indeks vegetasi terbaik untuk penentuan fase tumbuh pada citra satelit Landsat 8? Bagaimana mendapatkan hasil peramalan produktifitas padi Kabupaten Bojonegoro dengan metode ARIMA serta perbandingannya dengan data hasil panen sampel? Bagaimana estimasi produksi padi Kabupaten Bojonegoro untuk n minggu kedepan?
BATASAN MASALAH
Penentuan estimasi produktifitas padi ini berdasarkan fase tumbuh, hasil panen sampel, hasil panen sampel dan metode peramalan produktifitas padi tahun 1997-2013 menggunakan ARIMA. Wilayah penelitian meliputi daerah persawahan Kabupaten Bojonegoro. Citra yang digunakan adalah citra satelit Landsat 8.
TUJUAN PENELITIAN
Untuk mendapatkan indeks vegetasi terbaik untuk penentuan fase tumbuh pada citra satelit Landsat 8. Untuk mendapatkan hasil peramalan produktifitas padi Kabupaten Bojonegoro dengan metode ARIMA serta hasil perbandingannya dengan data hasil panen sampel. Untuk mengetahui estimasi produksi padi Kabupaten Bojonegoro untuk n minggu kedepan.
MANFAAT PENELITIAN
Manfaat yang ingin diperoleh dari penyusunan Tugas Akhir ini adalah menghasilkan estimasi produktifitas padi di Kabupaten Bojonegoro yang dapat digunakan sebagai bahan pertimbangan dalam pengambilan kebijakan terkait ketahanan pangan.
FASE TUMBUH PADI Tanaman padi biasanya memerlukan waktu 3-6 bulan untuk tumbuh mulai dari pembenihan sampai dengan panen, tergantung dari jenis varitas padi dan kondisi tempat tanaman padi tumbuh.
Sumber: FAO, tanpa tahun
SATELIT PENGINDERAAN JAUH LANDSAT 8
Satelit Landsat 8 mulai diluncurkan pada 11 Februari - 10 April 2013. Satelit ini menggantikan satelit Landsat 7 yang mengalami suatu kerusakan pada Scan Line Corrector-nya pada Mei 2003. Level 1 T- Terrain Corrected Digital Number pada citra Landsat sebelumnya berkisar antara 0-255. Landsat 8 memiliki interval DN 0-65535 karena memiliki sensitifitas dengan kuantifikasi 16 bit.
1
Biru
Kisaran Spektral (nm) 433-453
2
Biru
450-515
3 4
525-600 630-680 845-885
Foliage/coastal
6
Hijau Merah Infra Merah Dekat (NIR) SWIR 2
Aerosol/coastal zone Pigments/scatter/co astal Pigments/coastal Pigments/coastal
1560-1660
7
SWIR 3
2100-2300
8 9
PAN SWIR
500-680 1360-1390
Foliage Minerals/litter/ no scatter Image Sharpening Cirruscloud detection
Kanal No.
5
Kanal
Penggunaan Data
GSD (resolusi spasial)
Radiance (W/m2srμm), typical
SNR (typical)
30 m
40
130
40
130
30 22
100 90
14
90
4.0
100
1.7
100
23 6.0
80 130
30m (Kanalkanal warisan TM)
15 m 30 m
INDEKS VEGETASI Indeks
Formula
Referensi
NDVI
NIR − RED NIR + RED
Rouse dkk, 1974
MSAVI
2NIR + 1 − (2𝑁𝐼𝑅 + 1)2 −8(NIR − RED) 2
Qi dkk, 1994
Normalized Difference Vegetation Index (NDVI) dipilih karena algoritma ini telah terbukti memiliki kemampuan untuk menonjolkan fenomena yang terkait dengan kerapatan vegetasi dengan menekan sumber-sumber variasi spektral lain. Nilai hasil perhitungan indeks vegetasi ini berkisar antara +1 hingga -1. Modified Soil Adjusted Vegetation Index (MSAVI) merupakan suatu algoritma yang dikembangkan untuk mendapatkan nilai indeks vegetasi dengan menghilangkan faktor tanah. Algoritma ini merupakan optimalisasi dari transformasi Soil Adjusted Vegetation Index (SAVI).
ARIMA Tahap 1: Identifikasi model Setelah data distasionerkan, tahap penting berikutnya dari identifikasi adalah menentukan model ARIMA tentatif. Hal ini dilakukan dengan menganalisis perilaku pola dari ACF dan PACF. Tahap 2: Estimasi model Setelah model tentatif ditentukan, parameter model tersebut harus diestimasikan. Selain itu, residual mean kuadrat galat yang merupakan estimasi varian galat t juga dihitung. Tahap 3: Pemeriksaan model Pemeriksaan model dilakukan dengan sistem trials and errors, dimana nilai MSE yang dihasilkan dari berbagai macam kombinasi model ARIMA dapat diperoleh, kemudian model ARIMA yang menghasilkan nilai MSE terkecil dipilih. Tahap 4: Peramalan melalui model Begitu didapat model yang memadai, ramalan satu atau beberapa periode depan dapat dikerjakan. *) Semakin banyak data tersedia, maka model ARIMA yang sama dapat digunakan untuk menghasilkan ramalan dari titik awal yang lain. -Hanke (2003)
PENELITIAN TERDAHULU Adapun penelitian terdahulu terkait estimasi produktifitas padi dan fase tumbuh adalah sebagai berikut: Kustiyo (2003) dalam penelitiannya menggunakan Landsat 7 untuk melakukan estimasi fase tumbuh dan luas panen padi sawah. Saluran multispectral digunakan untuk ekstraksi fase tumbuh padi sedangkan gabungan multispectral dan pankromatik digunakan untuk ekstraksi lahan sawah. Indek fase tumbuh digabung dengan NDVI (Normalized Difference Vegetation Index) digunakan untuk menentukan enam kelas fase tumbuh padi. Ketelitian klasifikasi fase tumbuh padi dihitung dengan membandingkan citra hasil klasifikasi dengan data referensi yang diperoleh dari data realisasi tebar/tanam. Domiri, dkk (2005) dalam penelitiannya menggunakan data Modis dalam menentukan model pertumbuhan tanaman padi untuk pendugaan umur padi sawah. Penelitian ini menggunakan Enhanced Vegetation Index (EVI) untuk mengestimasi umur padi jenis IR 64 sebagai varietas dominan di pulau Jawa. Dihasilkan dua model fase pertumbuhan yaitu fase vegetatif dengan peningkatan nilai EVI dan fase generatif dengan indikasi penurunan nilai EVI dari dua data temporal EVI MODIS.
Wijaya, Adi dan Suhartono (2012) dalam penelitiannya yang berjudul “Peramalan Produksi Padi dengan ARIMA, Fungsi Transfer dan Adaptive Neuro Fuzzy Inference System”. Data yang digunakan adalah data padi sawah Propinsi Jawa Tengah, Kalimantan Selatan dan Sumatera Utara subround I-III tahun 1983-2010. Tingkat akurasi peramalan yang dihasilkan oleh setiap metode peramalan diukur dengan kriteria Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan metode ANFIS merupakan metode peramalan luas panen padi sawah terbaik propinsi Jawa Tengah dengan rata-rata nilai MAPE 6,89%. Sedangkan peramalan produktifitas padi sawah, ARIMA merupakan metode peramalan terbaik dengan rata-rata nilai MAPE 1,83%.
LOKASI PENELITIAN
(sumber: website www.bojonegorokab.go.id )
= Beberapa areal persawahan di Kabupaten Bojonegoro
TAHAPAN PENGOLAHAN Citra Landsat 8 Peta vektor Kab. Bojonegoro hasil digitasi peta RBI skala 1:25.000
Data Produktifitas Padi Tahun 1997-2012
Penentuan sampel
Data Pengamatan Hasil Panen Sampel
Koreksi Geometrik tidak Persiapan Data untuk Peramalan Metode ARIMA
RMSE <1 pixel dan SoF <1 ya Citra Terkoreksi
Survei Lapangan Identifikasi Model Tentatif (memilih p, d, q)
Konversi DN ke Reflektan Perhitungan Indeks Vegetasi Nilai Indeks Vegetasi
Estimasi Parameter Model
Data koordinat dan fase tumbuh
tidak
Analisis Regresi Uji Diagnosis, Signifikansi <0.05
Model Hubungan Terbaik
Peta vektor sawah Kab. Bojonegoro tahun 2012
Running Model pada Citra
ya
Cropping awan
Model Peramalan
Cropping Daerah Persawahan
Peta Distribusi Fase Tumbuh Tanaman Padi
Data Peramalan Produktivitas Padi per Hektar Tahun 2013
Perhitungan Produktifitas Padi Berdasarkan Fase Tumbuh
Data Estimasi Produktifitas Padi Kab. Bojonegoro Tahun 2013
Validasi Peramalan
PERSEBARAN PENGAMBILAN SAMPEL
HASIL ANALISIS REGRESI 1
NDVI
0,8 0,6 0,4
y = -0,0138x2 + 0,1689x + 0,0613 R² = 0,7229
0,2 0 0
2
4 6 Fase Tumbuh
8
10
NDVI lebih sensitif terhadap klorofil, sehingga klorofil dapat membaurkan faktor kerapatan daun. NDVI berkorelasi dengan indeks luasan daun atau Leaf Area Index (LAI) (Xiao, dkk, 2002), akan tetapi NDVI memiliki batasan meliputi tingkat kejenuhan di bawah tutupan kanopi dan sensitif terhadap kondisi atmosfer dan tutupan tanah (Huete, dkk, 2002 dan Xiao, dkk, 2003).
0,5
MSAVI
0,4 0,3 0,2
y = -0,0124x2 + 0,143x - 0,0796 R² = 0,879
0,1 0 0
2
4 6 Fase Tumbuh
8
10
MSAVI memang cukup baik digunakan untuk estimasi kerapatan daun, sementara nilai MSAVI ini masih sensitif terhadap pigmen klorofil (Haboundane, 2004). MSAVI tidak hanya dapat meningkatkan sinyal tumbuhan, akan tetapi juga sangat meminimalisir efek tutupan tanah (Kang, 1995).
ANALISA MODEL HUBUNGAN TERBAIK 0,25
Reflektan
0,2 0,15 Reflektan SWIR1
0,1 0,05 0 0
5 Fase Tumbuh
10
Fase Tumbuh
Fitting Point
Nilai Titik
Pembulatan
1
1
0.055
0.06
2
1.5
0.10825
0.11
3
2.5
0.19825
0.2
4
3.5
0.26625
0.27
5
4.5
0.31225
0.31
6
5.5
0.33625
0.336
7
6.5
0.33825
0.338
8
7.5
0.31825
0.31
9
8.5
0.27625
0.27
9.5
0.21225
0.2
PETA DISTRIBUSI FASE TUMBUH PADI
PERAMALAN ARIMA PRODUKTIFITAS PADI
Time series plot deret input
Box-Cox plot deret input
ACF Plot Produktivitas padi
PACF Plot Produktivitas padi
PERAMALAN ARIMA PRODUKTIFITAS PADI
Hipotesis estimasi parameter model : H0 : Φ = 0 H1 : Φ ≠ 0 Taraf signifikan : α = 0,05 Statistik Uji : Tipe
Koefisien
Standard Error Koefisien
T-Hitung
P-Value
AR (1)
0,6244
0,1305
4,78
0,000
Dari model ARIMA (1,0,0)3 menghasilkan P-value 0,000 kurang dari taraf signifikan 0,05, maka model signifikan dan H0 ditolak. White noise adalah suatu proses yang independen dan berdistribusi tertentu dengan mean konstan, biasanya diasumsikan 0 dan variansi konstan (Salamah, dkk, 2003). Sehingga digunakan hipotesis: H0 : ρ = 0 (white noise) H1 : ρ ≠ 0 (tidak white noise) Taraf signifikan : α = 0,05 Statistik Uji : Lag Chi-Square Degree of Freedom P-Value
12 9,5 10 0,485
24 13,9 22 0,905
36 28,5 34 0,733
48 37,1 46 0,821
Dapat dilihat bahwa nilai P-value pada semua lag lebih dari taraf signifikan 0,05, maka gagal tolak H0. Hal tersebut berarti bahwa model telah memenuhi asumsi white noise.
PERAMALAN ARIMA PRODUKTIFITAS PADI Dengan demikian persamaan model untuk ARIMA musiman (1,0,0)3 adalah sebagai berikut: (1 – Φ1B3) Zt = at Zt – Φ1 Zt-3 = at Zt = Φ1 Zt-3 . at Keterangan: Φ = Koefisien t = Waktu at = Error Model
Ramalan
Batas Atas
Batas Bawah
66,2078
55,6237
76,7919
PERBANDINGAN PERAMALAN DAN SAMPEL PANEN
10.000 m2 x 3,62 kg = 5.792 kg 6,25 m2
selisih antara hasil dari nilai Angka Ramalan (ARAM) dan nilai panen
ARAM – N. Panen Sampel = 66,21 – 57,92 = 8,29 kuintal
ESTIMASI PRODUKSI PADI BERDASARKAN FASE TUMBUH
No.
Fase Tumbuh
1.
Seedling
2.
Tillering
3.
Estimasi Produksi Padi (ton)
Perkiraan Waktu Panen (minggu)
72.246,878
15
169.595,385
13-14
Stem elongation
34.819,079
12-13
4.
Panicle
15.886,495
10-11
5.
Heading
8.882,041
9-10
6.
Flowering
1.559,392
8-9
7. 8. 9.
Milk grain Dough grain
12.589,546 22.613,274
Mature grain
51.159,032
4-5 3-4 1-2