ANALISA ESTIMASI PRODUKSI PADI BERDASARKAN FASE TUMBUH DAN MODEL PERAMALAN AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) MENGGUNAKAN CITRA SATELIT LANDSAT 8 (STUDI KASUS: KABUPATEN BOJONEGORO)
Keywords:
ARIMA, fase tumbuh padi, Landsat 8, produktivitas padiAbstract
Kabupaten Bojonegoro sebagai penghasil padi andalan di Provinsi Jawa Timur, memiliki misi mewujudkan mimpi menjadi lumbung pangan nasional. Pada tahun 2012, Bulog Bojonegoro menjadi Bulog untuk subdivisi regional tertinggi di seluruh Indonesia. Melihat potensi tersebut, maka perlu adanya upaya untuk memantau kestabilan produksi pertanian secara berkala. Dengan mengintegrasikan teknologi penginderaan jauh menggunakan citra satelit Landsat 8 untuk mengidentifikasi fase tumbuh dan model peramalan Autoregressive Integrated Moving Average (ARIMA) untuk meramalkan produktivitas padi, diharapkan mampu memberikan solusi dan kemudahan dalam pemantauan secara berulang dan kontinu dengan cakupan wilayah yang luas. Identifikasi fase tumbuh dilakukan dalam 9 fase. Dari proses regresi linier antara fase tumbuh tanaman padi dengan nilai indeks vegetasi yang digunakan, diperoleh nilai koefisien determinasi (R2) untuk algoritma NDVI sebesar 0,7229 dan algoritma MSAVI sebesar 0,879. Digunakan nilai reflektan dari gelombang band SWIR2 (1.57 m-1.65 m) untuk membantu membedakan tiap fase tumbuh dari hasil identifikasi algoritma MSAVI dimana untuk pada fase 3, 4, 5 mempunyai reflektan SWIR2 di atas 0,15, sedangkan fase 7, 8, 9 mempunyai reflektan SWIR2 di bawah 0,15.
Proses peramalan produktivitas padi diperoleh model ARIMA musiman (1,0,0)3. Sehingga dapat diketahui Angka Ramalan (ARAM) produktivitas padi untuk subround III tahun 2013 adalah sebesar 66,21 kuintal per hektar. Hasil estimasi tertinggi sebesar 169.595,385 ton untuk fase tillering (panen 15 minggu kedepan) dan sebesar 72.246,878 ton untuk fase seedling (panen 13-14 minggu kedepan). Sehingga dapat dilihat bahwa pada saat penelitian dilakukan, Kabupaten Bojonegoro berada pada musim tanam.
References
Departemen Pertanian RI. 27 Maret 2013. “Diversifikasi Pangan Harus Digenjot”. . Dikunjungi pada tanggal 8 Oktober 2013, jam 16:35.
Fadhillah, N. 2009. “Perbandingan Metode Pemulusan Eksponensial Winter Aditif dan Box-Jenkins (ARIMA) sebagai Metode Peramalan Curah Hujan Di Kulon Progo D.I. Yogyakarta”. Skripsi Universitas NegeriYogyakarta.
Haboudane, Driss dkk. (2004), Hyperspectral Vegetation Indices and Novel Algorithm for Predicting Green LAI of Crop Canopie : Modelling and Validation in the Context of Precision Agriculture. Jurnal Remote Sensing and Environment Vol 90 hal 337-352.
Huete, A., dkk. 2002. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment, 83, 195–213.
Kang, Chi Hong. 1996. Methods for Collecting Vegetation Information in Loess Plateau. Act a Botanica Sinica Beijing, 38 (1): 40-44.
Maretha, Dedy. 2008. “Peramalan Produksi dan Konsumsi Kedelai Nasional serta Implikasinya terhadap Strategi Pencapaian Swasembada Kedelai Nasional”. Skripsi Institut Pertanian Bogor.
Purwadhi, F. H. 2001. Interpretasi Citra Digital. Jakarta: PT Gramedia Widiasarana Indonesia.
Salamah, Mutiah, dkk. 2003. Buku Ajar: Analisis Time Series. Surabaya: FMIPA Lembaga Penelitian ITS
Sukmono, Abdi. 2013. “Model Estimasi Kandungan Klorofil dan Kerapatan Daun Tanaman Padi dengan Citra Hyperspectral Berbasis Spektral In Situ”. Surabaya: Thesis Institut Teknologi Sepuluh Nopember.
USGS. 2013. . Dikunjungi tanggal 18 Nopember 2013, jam 11:32.
Xiao, X., dkk. 2002. Landscape-scale characterization of cropland in China using Vegetation and Landsat TM images. International Journal of Remote Sensing, 23, 3579– 3594.
Xiao, X., dkk. 2003. Sensitivity of vegetation indices to atmospheric aerosols: Continental-scale observations in Northern Asia. Remote Sensing of Environment, 84, 385– 392.
Xiao, X., dkk. 2005. Mapping paddy rice agriculture in southern China using multi-temporal MODIS images. Remote Sensing of Environment, 95, 480–492.
