ANALISA KESEHATAN TANAMAN PADI BERDASARKAN NILAI NORMALIZED DIFFERENCE VEGETATION INDEX (NDVI) MENGGUNAKAN CITRA ASTER (STUDI KASUS : KABUPATEN INDRAMAYU - JAWA BARAT)

Authors

  • Prasetyo Rahaldi Institut Teknologi Sepuluh Nopember
  • Hepi Hapsari Handayani Institut Teknologi Sepuluh Nopember
  • Agus Wibowo Badan Nasional Penanggulangan Bencana

Keywords:

tanaman padi, NDVI, citra ASTER, field spectrometer, pustaka spektral

Abstract

Padi merupakan salah satu tanaman budidaya yang terpenting karena merupakan makanan pokok bagi 90% penduduk Indonesia. Oleh sebab itu dibutuhkan analisa yang cepat dan akurat mengenai kesehatan tanaman padi. Dalam Penelitian ini NDVI atau Normalized Difference Vegetation Index merupakan metode yang digunakan dalam membandingkan tingkat kehijauan vegetasi yang berasal dari citra ASTER. Dari nilai NDVI tersebut dapat diketahui klasifikasi kesehatan tanaman padi. Dalam penelitian ini klasifikasi kesehatan tanaman padi dibagi menjadi  4 kelas. Kesehatan sangat baik terdapat pada rentang nilai NDVI 0.721-0.92, untuk kesehatan baik rentang nilai NDVI antara 0.421-0.72, dan nilai NDVI kesehatan normal terdapat pada rentang 0.221-0.42, sedangkan kesehatan buruk nilai NDVI 0.11-0.22. Selain itu juga menggunakan data Field Spectrometer sebanyak 14 titik sebagai data lapangan yang digunakan untuk proses validasi. Validasi ini mempunyai koefisien korelasi (R) sebesar 0.829. Sehingga dapat dikatakan antara nilai hasil prediksi dan hasil pengukuran lapangan berkolerasi sebesar 82,9 %. Dengan data citra ASTER juga dihasilkan pustaka spektral dan peta kesehatan tanaman padi, dalam pustaka spektral semakin sehat tanaman nilai Digital Number pada band 2 semakin kecil. Sedangkan band 3 banyak dipantulkan atau tidak digunakan sehingga nilai Digital Number pada tanaman padi yang semakin sehat, nilainya semakin tinggi. Sedangkan dalam peta kesehatan tanaman padi klasifikasi kesehatan buruk luas areanya 3.949.560 Ha. Pada klasifikasi kesehatan normal luas areanya 14.877.315 Ha. Sedangkan pada klasifikasi kesehatan baik luas areanya 9.846.833 Ha dan pada klasifikasi kesehatan sangat baik luas areanya 8.922.892.

Author Biographies

Prasetyo Rahaldi , Institut Teknologi Sepuluh Nopember

Department of Geomatics Engineering

Hepi Hapsari Handayani , Institut Teknologi Sepuluh Nopember

Department of Geomatics Engineering

Agus Wibowo, Badan Nasional Penanggulangan Bencana

Badan Nasional Penanggulangan Bencana

References

Danoedoro, Projo. 1996. Pengolahan Citra Digital (Teori dan Aplikasi Dalam Penginderaan Jauh). Fakultas Geografi UGM: Yogyakarta

Darmawan, A. 2012. Pembangunan Model Hyperspectral Untuk Estimasi Produktivitas Vegetasi Padi Berdasarkan Metode Derivatif Regresi Linier. ITS 2012

Dyah, R. Panuju, Febria Heidina, Bambang H. Trisasongko, Boedi Tjahjonol, A. Kasno, Aufa H.A. Syafril. 2009. Variasi Nilai Indeks Vegetasi MODIS pada Siklus Pertumbuhan Padi. Faperta.

Febrianto, Adi. 2007. Interpretasi citra satelit SPOT 5 untuk Pemetaan penggunaan lahan Kecamatan Semarang Barat Kota Semarang. Semarang : Studi Geografi-Universitas Negeri Semarang

Furqon. 1999. Statistika Terapan Untuk Penelitian.Bandung : Penerbit CV Alfabeta

Huete, A., Didan, K., Miura, T., Rodriguez, E.P., Gao, X., and Ferreira, L.G. 2002. Overview of The Radiometric and Biophysical Performance of The MODIS Vegetation Indices. Remote Sensing of Environment 83: 195–213

Jensen, J. R., 1986. Introductory Digital Image Processing. A Remote Sensing Perspective. London: Prentice Hall: 95-104.

Lembaga Penerbangan dan Antariksa Nasional, Penginderaan Jauh dan Interpretasi Citra. LAPAN.

Lillesand Th.M. and Kiefer, R.W. 1994. Remote Sensing and Image Interpretation. John Willey and Sons. USA: New York.

Lillesand, Thomas M, Ralph W Kiefer. 1990. Penginderaan Jauh dan Interpretasi Citra. Yogyakarta : Gajah Mada University Press.

Malingreau J.P. 1981. Remote Sensing for Monitoring Rice Production in the Wet Tropics: Approach and Implication. Symposium on Application of Remote Sensing for Rice Production. India: Hyderabad.

Martin, S. 2004. An Introduction to Ocean Remote Sensing. United Kingdom : University of Cambridge.

Purwadhi, F. dan Sri Hardiyati. 2001. Interpretasi Citra Digital . PT.Gramedia Widiasarana Indonesia: Jakarta.

Siddik Thoha, Achmad. 2008. Karakteristik Citra Satelit. Medan: Fakultas Pertanian-Universitas Sumatera Utara.

Sukmono, Abdi. 2012. Algoritma Estimasi Kandungan Klorofil Tanaman Padi Dengan Data Airbone Hypersectral. Surabaya: ITS 2012.

Thenkabail, P.S., R.B. Smith, and E. De Pauw., 2001. “Hyperspectral vegetation indidces and their relationships with agricultural crop characteristics”. Remote Sensing of Environment, 71, pp.158-182.

Thiruvengadachari and R. Skathivadivel. 1997. Satellite Remote Sensing for Assessment of Irrigation System Performance : A Case Study in India. Sri Langka: International Irrigation Management Institute.

Wass, H.J.D. dan Nababan, B., 2010. “Pemetaan Dan Analisis Index Vegetasi Mangrove Di Pulau Saparua”, Maluku Tengah. E-Jurnal Ilmu dan Teknologi Kelautan Tropis 2, 1:50-58.

Wibowo, Agus. 2011. Pengembangan Metode Estimasi Kandungan Air Kanopi Daun (Canopy Water Content) Tanaman Padi dengan Data Hyperspektral. ITS 2011.

Yoshida, S. 1981. “Fundamental of rice crop science”. Philipina: The International Rice Research Institute.

Dikunjungi pada tanggal 2 Juli 2012, Jam 18.00 WIB.

Dikunjungi pada tanggal 27 Juni 2012, Jam 20.00 WIB.

. Dikunjungi pada tanggal 12 Maret 2012, jam 09.00WIB.

Dikunjungi pada tanggal 30 Juni 2012, Jam 18.30 WIB.

Downloads

Published

2024-07-02

How to Cite

Rahaldi , P. ., Handayani , H. H. ., & Wibowo, A. . (2024). ANALISA KESEHATAN TANAMAN PADI BERDASARKAN NILAI NORMALIZED DIFFERENCE VEGETATION INDEX (NDVI) MENGGUNAKAN CITRA ASTER (STUDI KASUS : KABUPATEN INDRAMAYU - JAWA BARAT). GEOID, 8(2), 107–117. Retrieved from https://journal.its.ac.id/index.php/geoid/article/view/1370

Issue

Section

Articles