PENGGUNAAN SI STEM I NFORMASI GEOGRAFI S (SI G)CI TRA SATELI T MODI S-TERRA DALAM PERENCANAAN PRODUKSI PADI

DI PROVI NSI SUMATERA UTARAOleh: Edi/127003006

Perencanaan Pembangunan Wilayah dan Perdesaan USU

I . PENDAHULUAN

Sistim Informasi Geografis (SIG) merupakan salah satu disiplin ilmu berbasis

teknologi informasi yang berkembang begitu cepat akhir-akhir ini. Ide

penyampaian informasi pada setiap titik koordinat bumi ini, semakin melejit

seiring dengan perkembangan teknologi perekaman informasi melalui satelit.

Hasil perekaman informasi terkait dengan kondisi fisik suatu wilayah melalui

satelit, meskipun tidak sempurna, telah banyak digunakan untuk mensubstitusi

perekaman informasi melalui survai lapangan yang butuh waktu lebih lama dan

biaya yang relatif juga lebih mahal. Integrasi data satelit dan model produktivitas

tanaman merupakan metode analisis kuantitatif yang penting untuk menduga

hasil panen pada skala lokal dan regional. Data penginderaan jauh praktis

digunakan untuk permodelan tanaman dengan kondisi kanopi yang selalu

dinamis berubah dalam waktu dan ruang.

Aplikasi SIG di bidang pertanian misalnya untuk prediksi produksi tanaman,

pemetaan perwilayahan komoditi dan identifikasi penyebaran pupuk. Di bidang

kehutanan, untuk pemetaan hutan, evaluasi lahan kritis, perencanaan

penebangan pohon untuk industri hutan, perencanaan refo-restasi, dan

visualisasi bentangan lahan. Untuk konservasi, SIG digunakan untuk pemetaan

habitat flora dan fauna dan perencanaan kawasan konservasi. Modeling produksi

tanaman merupakan salah satu contoh aplikasi SIG di bidang pertanian yang

akan di uraikan lebih lanjut dalam tulisan ini. Permodelan dengan menggunakan

SIG menawarkan suatu mekanisme yang mengintegrasikan berbagai jenis data

(biofisik) yang dikembangkan atau digunakan dalam penelitian pertanian.

Monitoring kondisi tanaman pertanian sepanjang musim tanaman serta prediksi

potensi hasil panen berperan penting dalam menganalisis produksi musiman dan

fase produksi padi. Informasi hasil panen yang akurat dan terkini sangat

dibutuhkan oleh Kementerian Pertanian/Dinas/ Instansi terkait. Modeling

agroekosistem berbasis SIG merupakan metode powerful di mana dapat

membantu pengelola/pengambil keputusan di bidang pertanian untuk

menganalisis secara langsung bukan hanya pengaruh lingkungan biofisik

terhadap produksi tanaman tetapi juga menganalisis pengaruh sistem budidaya

terhadap hasil panen.

Program Revitalisasi Pertanian, Perikanan dan Kehutanan yang dicanangkan

pemerintah sebagai salah satu strategi mengurangi kemiskinan dan

pengangguran, dengan jelas telah menempatkan pertanian sebagai salah satu

sektor unggulan. Perbaikan mutu, kuantitas dan kontinuitas produk pertanian

merupakan target yang harus dicapai sebagai salah satu indikator keberhasilan

program tersebut. Tantangan yang dihadapi dalam upaya mencapai target di

atas di antaranya musim panas yang berkepanjangan (kekeringan),

berkurangnya kesuburan tanah, serangan hama dan penyakit serta gulma. Dari

uraian sebelumnya jelas terlihat bagaimana potensi teknologi penginderaan jauh

dalam mendeteksi kondisi biofisik tanaman, tanah, bahkan memberikan informasi

cuaca (satelit cuaca) yang cepat, murah, detail dan up-to-date. Selain itu,

prediksi hasil panen untuk skala lokal dapat diperoleh langsung lewat data

penginderaan jauh. Walaupun untuk prediksi hasil pada skala yang lebih luas

(regional), dibutuhkan adanya integrasi dengan SIG karena menggunakan

parameter yang lebih kompleks.

Adopsi teknologi geospasial merupakan salah satu management option

dalam mencapai keberhasilan program revitalisasi bidang pertanian. Dari uraian

di atas, jelas terlihat potensi pemanfaatan data penginderaan jauh dan SIG di

bidang pertanian contohnya untuk memantau pertumbuhan dan prediksi hasil

panen. Data penginderaan jauh yang di integrasikan dengan GIS berperan

penting dalam perencanaan dan pengelolaan sumberdaya pertanian di mana

akan menghasilkan keputusan/kebijakan yang lebih realistik dan akurat.

Vegetasi yang sehat mengandung klorofil dalam jumlah besar, substansi

yang memberikan vegetasi warna hijau khas. Mengacu pada tanaman sehat,

pantulan (reflektan) biru dan merah mempunyai spektrum rendah karena klorofil

menyerap energi. Sebaliknya, pantulan di daerah spektral hijau dan near-

inframerah tinggi. Tanaman stres atau rusak mengalami penurunan kandungan

klorofil dan perubahan struktur daun internal. Penurunan kandungan klorofil juga

menyebabkan penurunan kemampuan dalam memantulkan pada bagian yang

hijau dan kerusakan daun internal menurunkan kemampuan memantulkan pada

near-inframerah. Penurunan pemantulan daerah spectral hijau dan inframerah

merupakan deteksi dini stres tanaman. Tanaman sehat memiliki nilai TKV tinggi

karena pantulan cahaya inframerah tinggi, dan memantulkan cahaya merah yang

relatif rendah. Fenologi dan kekuatan merupakan faktor utama dalam

mempengaruhi TKV. Contoh, perbedaan antara tanaman pada lahan irigasi dan

lahan non irigasi. Tanaman yang diairi tampak hijau terang dan cerah. Semakin

gelap area lahan maka semakin kering dengan indeks vegetasi yang semakin

kecil (Campbell, 1987).

Vegetasi dapat stres atau kurang sehat karena perubahan dalam berbagai

faktor lingkungan. Faktor-faktor ini termasuk kekurangan air, konsentrasi unsur-

unsur beracun/herbisida dan infestasi oleh serangga/virus. Spektral reflektansi

vegetasi berubah sesuai dengan struktur dan kesehatan tanaman. Secara

khusus, pengaruh klorofil dalam pigmen daun mengontrol respon vegetasi

terhadap radiasi dalam panjang gelombang terlihat. Tanaman menjadi sakit,

struktur sel dari tumbuhan dan mengubah tanda tangan spektral suatu kelompok

tumbuhan atau tanaman akan berubah. Refleksi maksimum radiasi

elektromagnetik dari vegetasi terjadi pada panjang gelombang inframerah dekat

(near-infrared). Vegetasi memiliki karakteristik tinggi pada reflektansi dekat-

inframerah dan pantulan merah rendah. Pemantauan udara menggunakan pita

spektrum sempit antara 0,4 dan 0,9 µm merupakan petunjuk memburuknya

kesehatan tanaman sebelum terlihat perubahan pada tanaman itu sendiri

(Sanderson, 2006).

Vegetation Index adalah ukuran empiris keberadaan suatu vegetasi pada

permukaan. Indeks vegatasi diperoleh dari respon spectral merah (0.6 - 0.7µm)

dan spektral inframerah dekat (0.7 – 1.1µm). Indeks vegetasi MODIS

menghasilkan nilai spasial dan perbandingan temporal dari kondisi vegetasi

secara global sehingga dapat digunakan untuk kegiatan pemantauan aktivitas

fotosintesis vegetasi daratan dalam mendukung proses perkembangan, deteksi

perubahan dan interpretasi biofisika (Huete et al, 1999).

Tingkat kehijauan vegetasi ditentukan dengan melakukan Reclassification

dari hasil perhitungan EVI, EVA dan TKV (Tingkat Kehijauan Vegetasi) dengan

memperhitungkan nila

Sumatera Utara dikla

sedang dan tinggi, se

bera, air dan awan.

nilai histogram dan standart deviasi. Kerapa

iklasifikasikan menjadi 7 klas yaitu sangat r

sedangkan yang tidak termasuk klas kehijau

.

Gambar 1. Kerangka Pemikiran

patan vegetasi di

t rendah, rendah,

ijauan disebut klas

I I . KOMPONEN SI STEM I NFORMASI GEOGRAFI S

Komponen utama dalam geografis information system (GIS) adalah

seperti dalam gambar dibawah ini:

Gambar 2. Komponen Sistem Informasi Geografis

2.1. Sumberdaya Manusia

Komponen manusia memegang peranan yang sangat menentukan, karena

tanpa manusia maka sistem tersebut tidak dapat diaplikasikan dengan baik.

Jadi manusia menjadi komponen yang mengendalikan suatu sistem sehingga

menghasilkan suatu analisa yang dibutuhkan.

2.2. Software

Dalam pembuatan GIS di perlukan software yang menyediakan fungsi tool

yang mampu melakukan penyimpanan data, analisis dan menampilkan

informasi geografis. Dengan demikian, elemen yang harus terdapat dalam

komponen software GIS adalah:

- Tool untuk melakukan input dan transformasi data geografis

- Sistem Manajemen Basis Data (DBMS)

- Tool yang mendukung query geografis, analisa dan visualisasi

- Graphical User Interface (GUI) untuk memudahkan akses pada tool

geografi.

Inti dari software GIS adalah software GIS itu sendiri yang mampu

menyediakan fungsi-fungsi untuk penyimpanan, pengaturan, link, query dan

analisa data geografi. Beberapa contoh software GIS adalah ArcView,

MapInfo, ArcInfo untuk SIG; CAD system untuk entry graphic data; ERDAS,

ILWISS, ENVI, dan ER-MAPPER untuk proses remote sensing data. Modul

dasar perangkat lunak SIG: modul pemasukan dan pembetulan data, modul

penyimpanan dan pengorganisasian data, modul pemrosesan dan penyajian

data, modul transformasi data, modul interaksi dengan pengguna (input

query).

2.3. Hardware

GIS membutuhkan komputer untuk penyimpanan dan pemproresan data.

Ukuran dari sistem komputerisasi bergantung pada tipe GIS itu sendiri. GIS

dengan skala yang kecil hanya membutuhkan PC (personal computer) yang

kecil dan sebaliknya. Ketika GIS yang di buat berskala besar di perlukan

spesifikasi komputer yang besar pula serta host untuk client machine yang

mendukung penggunaan multiple user. Hal tersebut disebabkan data yang

digunakan dalam GIS baik data vektor maupun data raster penyimpanannya

membutuhkan ruang yang besar dan dalam proses analisanya membutuhkan

memori yang besar dan prosesor yang cepat. Untuk mengubah peta ke

dalam bentuk digital diperlukan hardware yang disebut digitizer.

2.4. Data dan Sumber Data

SIG merupakan perangkat pengelolaan basis data (DBMS = Data Base

Management System) dimana interaksi dengan pemakai dilakukan dengan

suatusistem antar muka dan sistem query dan basis data dibangun untuk

aplikasi multiuser. SIG merupakan perangkat analisis keruangan (spatial

analysis) dengan kelebihan dapat mengelola data spasial dan data non-

spasial sekaligus.

Syarat pengorganisasian data: Volum kecil dengan klasifikasi data yang baik;

Penyajian yang akurat; Mudah dan cepat dalam pencarian kembali (data

retrieval) dan penggabungan (proses komposit).

Gambar 3. Syarat pengorganisasian data

Jenis data adalah sebagai berikut: data lokasi, koordinat lokasi, nama lokasi,

lokasi topologi (letak relatif: sebelah kiri danau A, sebelah kanan pertokoan B),

data non-lokasi, curah hujan, jumlah panen, variabel (tanah), kelas (alluvial),

nilai luas (10 ha), jenis (pasir), data dimensi waktu (temporal), data non-lokasi di

lokasi bersangkutan dapat berubah dengan waktu (misal: data curah hujan bulan

Desember akan berbeda dengan bulan Juli), data penginderaan jarak jauh:

MODIS Terra & Aqua, Landsat, Alos, Aster, IKONOS, Quickbird, Spot dan

Worldview.

I I I . PERMASALAHAN DAN KENDALA

Berbagai permasalahan dan kendala dihadapi dalam pengembangan SIG,

sebagai berikut:

3.1. Keterbatasan Sumberdaya Manusia

Perlunya dukungan dan komitmen berbagai pihak, baik di tingkat

pemerintah, pemerintah daerah provinsi, pemerintah daerah kabupaten dan

kota, untuk menyiapkan sumberdaya manusia yang mewadahi baik kualitas

maupun kuantitas terkait dengan penyediaan dan pengelolaan,

pendistribusian/penyebarluasan dan pelaksanaan data sharing serta untuk

menangani data citra satelit secara berkala dalam memberikan informasi

terkait SIG. Permasalahan yang sering terjadi dibeberapa daerah adalah:

- Sumberdaya manusia yang terlatih dalam pengelolaan SIG terutama

dalam mengoperasikan ER Mapper dan Arcgis 3.3 sangat terbatas.

kalaupun ada yang terlatih biasanya tidak mentrasfer ilmunya kepada

yang lain, sehingga ketika terjadi mutasi staf bersangkutan maka harus

dilakukan pelatihan terhadap staf yang baru.

- Kurangnya komitmen atasan atau pimpinan.

- Keterbatasan anggaran.

3.2. Software

a. ER MAPPER

Sampai saat ini telah banyak software pengolah citra, diantaranya: ER

Mapper, ERDAS Imagine, Idrisi Kilimanjaro, ENVI, CVIP tools, PCI,

ILLWIS, dan lain-lain. Masing-masing software tersebut memiliki

kelebihan dan kekurangan. Kelebihan ER Mapper yaitu kemampuannya

menghemat tempat pada hard disk dan setiap hasil proses dapat

langsung dilihat tampilannya pada layar monitor. Selain dua hal

tersebut kelebihan ER Mapper adalah dalam fungsi koreksi geometrik,

dimana terdapat fasilitas image to image rectification yang memudahkan

dalam mengambil titik control bumi (GCP).

ERMAPPER didesain khusus untuk pengolahan data masalah-

masa kebumian, dimana aplikasi dari ER MAPPER ini juga meliputi

industri - industri yang bergerak di bidang kebumian. Bidang - bidang

yang dapat menggunakan aplikasi ER MAPPER antara lain adalah :

Pemantauan lingkungan

Manajemen perencanaan kota

Manajemen sumber daya hutan

Eksplorasi kelautan

ER MAPPER dan perangkat lunak pengolahan citra lainnya telah

mengalami berbagai macam perkembangan. ER MAPPER didesain untuk

selalu mengikuti kemajuan teknologi, baik perangkat keras, system

operasi dan kemajuan IT (Information Technology). Dari segi

penyimpan data ER MAPPER membutuhkan space yang lebih kecil, yaitu

sekitar 300 MB untuk data asli dan sekitar 30 KB untuk aplikasi

pengolahan. Selain itu, koreksi geometric dan pembuatan komposit citra

jauh lebih mudah dilakukan di ER MAPPER.

Kelemahan ER Mapper adalah penggunaannya yang sulit bagi pemula

karena menggunakan rumus-rumus yang relatif rumit dan

penggabungan data citra dengan data polygon relat if sulit dan

membutuhkan pengalaman. Kelemahan lainnya dalam penggunaan

software adalah masalah lisensi. Mahalnya harga dan sulitnya

mendapatkan sebagian software pengolah peta menyebabkan operator

menggunakan yang tidak berlisensi dengan keterbatasan fitur dalam

aplikasi.

b. ARCGI S 3.3

Kelemahan Argis 3.3 adalah tidak dapat dioperasikan pada Windows

System 64 dan hanya dapat dioperasikan pada Windows System 32.

Kadang-kadang terdapat permasalahan pada Windows System 32, tetapi

permasalahan ini dapat diatasi dengan teknik tertentu, yaitu dengan

cara melakukan klik kanan pada file SETUP Properties Klik

Compatibility Checklist Run this programs in compatibility mode

for Checklist Windows XP (Service Pack 3) OK:, sebagaiman pada

gambar dibawah ini.

Gambar 4. Cara Mengatasi permasalahan kompatibilitas pada Arcgis 3.3

Mahalnya harga software pengolah peta berlisensi menyebabkan

operator menggunakan yang tidak berlisensi dengan keterbatasan fitur

dalam aplikasi. Misalnya ESRI telah merelease Argis 10.1 yang

mempunyai fitur yang relatif mudah digunakan oleh operator.

3.3. Hardware

ER Mapper dan Arcgis 3.3 pada umumnya sudah dapat dijalankan pada

workstation dengan sistem operasi unix atau PC dengan sistem operasi windows

NT atau window 7, RAM 2 GB, Hardisk 500 GB. Tidak ada permasalahan

hardware yang berarti dalam pengoperasian ER Mapper dan Arcgis 3.3 karena

spesifikasi computer dan laptop dewasa ini sudah sangat memadai, kalaupun ada

permasalahan hanya pada laptop mini (NETBOOK) prosessor Intel Atom lambat

karena memang tidak diperuntukkan untuk pengelolaan gambar dan pengolah

gambar terutama untuk aplikasi GIS.

3.4. Data dan Sumber Data

a. Peta Dasar dan Tutupan Lahan

Ketersediaan peta dasar sangat terbatas, khususnya peta dasar,

peta kontur, dan peta tutupan lahan (landcover) untuk provinsi,

kabupaten, dan kota, terlebih apabila untuk perencanaan yang sifatnya

rinci/detail. Peta dasar yang berkualitas dan mempunyai standar yang

sama akan merupakan faktor yang sangat penting untuk merealisasikan

sinergi dan integrasi perencanaan pembangunan antar sektor. Bila

memungkinkan, peta dasar tersebut bisa didapatkan secara gratis.

Pengelola data spasial tersebar sesuai dengan wilayah provinsi,

kabupaten dan kota, kondisi ini memerlukan infrastruktur yang

memadai, terutama terkait dengan upaya distribusi dan pemutakhiran

data spasial. Oleh karena itu, pengintegrasian data spasial di seluruh

wilayah menjadi sangat mahal dan lambat.

b. Citra Satelit Terra-Modis

MODIS, Moderate Resolution Imaging Spectroradiometer adalah salah

satu instrument utama yang dibawa Earth Observing System (EOS)

Terra satellite. MODIS digunakan untuk mengamati, meneliti dan

menganalisa lahan, lautan, atmosfir bumi dan interaksi di dalamnya.

MODIS memiliki dua satelit yang berbeda yaitu satelit Aqua (citranya

disebut dengan Aqua MODIS) dan satelit Terra (citranya disebut

dengan Terra MODIS).

Permasalahan dalam penggunaan citra ini adalah mempunyai resolusi

spasial yang rendah berkisar dari 250-1000, sehingga detail permukaan

bumi tidak dapat terpantau dengan baik, tutupan awan menghalangi

pemantauan daratan pengolahan data lebih kompleks.

I V. DATA DAN METODE

Alat yang digunakan dalam pengolahan citra satelit ini adalah seperangkat

laptop, data, software Modis Tools, ER-MAPPER 7.0, Arc GIS 3.3, Microsoft Office

untuk pengolahan dan analisis data.

Bahan yang digunakan dalam makalah ini terdiri dari data citra satelit

Data citra satelit MODIS (Moderate Resolution Imaging Spectroradiometer)

reflektan kanal 1-2 resolusi 250 m (MODQ1), reflektan kanal 3-7 resolusi 500 m

(MODA1), data yang digunakan periode data tanggal 12 Desember 2012 -15 Mei

2013 dalam hal ini diambil data pada minggu kedua setiap bulannya, Data Digital

Elevation Model (DEM)/Shuttle Radar Topography Mission (SRTM) resolusi spasial

3 detik atau setara dengan 90 meter yang di peroleh dari NASA, data

administrasi Sumatera Utara dari Bakosurtanal.

Tahap Perolehan Data MODIS-Terra dilakukan koreksi geometrik dengan

metode Image to Map Registration. Kemudian dilakukan interpretasi untuk

mendapatkan informasi Tingkat Kehijauan Vegetasi (TKV). Tidak semua

parameter yang digunakan dalam penelitian ini dapat disadap dari citra, ada

beberapa parameter yang menggunakan data tutupan lahan (landcover) tahun

2007, dan peta dasar. Tahapan proses yang dilakukan dalam tingkat kehijauan

vegetasi di Provinsi Sumatera Utara adalah:

- Pengolahan data MODIS yaitu dengan melakukan konversi data MODIS dari

format HDF ke format geotiff, pemilihan kanal spektral band resampling pixel

dari 500 m menjadi 250 m, ditentukan proyeksi peta Geographic dan Datum

WGS84, b) Pengolahan data MODIS dengan ER-Mapper dengan beberapa

tahap, yaitu a) tahap penggabungan BAND 1-7.

- Cropping atau pemotongan citra dapat dilakukan dengan mengurangi jumlah

pixel, merubah koordinat atau dengan zoom langsung. Komposit Citra untuk

mendapatkan tampilan yang baik dan informatif dari citra, kita dapat

melakukannya dengan komposit citra. Beberapa contoh kombinasi band RGB

menggunakan data MODIS yang teridir dari NCC (Natural Colour Composit),

kombinasi band 6, 2, 1, TCC (True Colour Composit), kombinasi band 1, 4,

3, FCC (False Colour Composit), kombinasi band 5, 7, 1.

- Koreksi geometric, yaitu untuk mendapatkan citra yang akurat, dimana

posisinya sama dengan posisi di bumi. Koreksi geometric dilakukan dengan

mengambil titik control bumi/ Ground Control Point (GCP). Pengambilan titik

control bumi ini dapat dilakukan dengan mengambil titik pada peta rupa

bumi, citra terkoreksi atau data lapangan.

- Klasifikasi terbimbing (supervised classification) dengan menentukan klas

berdasarkan kelas kehijauan vegetasi atau pengolahan Enhance Vegetation

Index (EVI) dan Tingkat Kehijauan Vegetasi (TKV)

- Pengolahan Data MODIS dengan Arc-Gis 3.3, yaitu: image analysis, overlay

citra dan peta dasar serta layout hasil.

V. HASI L DAN PEMBAHASAN

5.1. Karakteristik Fase Pertumbuhan Tanaman Padi

Lahan sawah memiliki karakteristik yang khas yang membedakannya

dengan tanaman lainnya. Pada awal pertumbuhan tanaman padi, areal sawah

selalu digenangi air sehingga kenampakan yang dominan yaitu air (fase air).

Seiring dengan pertumbuhannya kondisi lahan sawah akan berubah didominasi

oleh daun padi. Pada saat puncak pertumbuhan vegetatif, tingkat kehijauan

tinggi disebabkan oleh kandungan klorofil tinggi. Setelah masa tersebut, tingkat

kehijauan akan menurun, lalu timbul bunga-bunga padi sampai menguning.

Fase pertumbuhan akan diakhiri dengan masa panen dan lahan dibiarkan

kosong selama jangka waktu tertentu (bera) tergantung pada pola tanam

dari satu wilayah. Sehubungan dengan itu, maka fase pertumbuhan tanaman

padi dapat dikelompokkan kedalam 4 kategori, yaitu fase air, fase pertumbuhan

vegetatif, fase pertumbuhan generatif dan fase bera (Wahyunto 2006). Dengan

mempelajari karakteristik spektral dari fase pertumbuhan tanaman padi dari awal

tanam hingga fase siap panen sebagai acuan dalam mengenali pertumbuhan

tanaman padi tersebut dapat dilakukan pemantauan menggunakan citra satelit.

Pemantauan itu diarahkan untuk melihat umur tanaman padi, luas areal panen

serta melihat pola spasial distribusi selama masa tanam. Dengan menggunakan

citra satelit dari beberapa tanggal perekaman, pemantauan terhadap

pertumbuhan tanaman dapat dilakukan lebih akurat dan tepat waktu.

5.2. Pola Hubungan Nilai TKV terhadap Pertumbuhan Tanaman PadiSawah

Penggunaan nilai tingkat kehijauan vegetasi (TKV) digunakan sebagai

parameter untuk memantau kehijauan tanaman terkait dengan tingkat

produksinya. Secara rinci sering digunakan untuk mendapatkan informasi

mengenai pertumbuhan tanaman, penutupan lahan, perkiraan panen pada

tanaman padi, pendugaan produksi pada tanaman padi serta perkiraan luasan

produksi padi.

Makalah ini mencoba mengkaji penggunaan data TKV MODIS-Terra untuk

menganalisis tren perubahan fenologi pada tanaman padi sawah. Dengan

menganalisa tren fenologi pada tanaman padi, maka dapat diduga masa panen

padi dan hal-hal yang terkait dengan produktivitasnya. Selain itu, dapat juga

digunakan untuk perbandingan dua masa tanam dari tanaman padi. Berdasarkan

skala klasifikasi indeks kehijauan, maka nilai tersebut menunjukkan bahwa

Provinsi Sumatera Utara memiliki tingkat vegetasi yang cukup tinggi. Selain

untuk pemantauan vegetasi, secara spesifik data tingkat kehijauan vegetasi

(TKV) juga dapat digunakan untuk menganalisis tren perubahan fenologi

tanaman padi. Nilai indeks vegetasi yang didapatkan berkisar dari 0 hingga 0.8

yang menunjukkan tingkat kehijauan vegetasi yang cukup tinggi.

1. Perkiraan Panen Padi

Nilai TKV memiliki kisaran antara -1 sampai 1. Dimana semakin tinggi

nilai TKV, maka tanaman padi akan semakin mendekati fase siap panen. Nilai

indeks vegetasi yang semakin mendekati + 1 (0.8-0.9) menunjukkan bahwa

kerapatan daun yang tinggi. Nilai TKV dari saat tanaman padi berumur 3 - 4 MST

(Minggu Setelah Tanam) sampai 16 MST menunjukkan bentuk kurva dengan

puncaknya (parabolik) saat padi pada umur (fase) vegetatif optimum padi

bunting (umur sekitar 70-80 hari setelah tanam atau sekitar 10-11 MST).

Begitu juga sebaliknya, dengan semakin rendahnya nilai TKV, maka

menunjukkan bahwa tanaman berada pada fase tidak produktif (bera).

Berdasarkan hal tersebut, maka nilai TKV dapat digunakan untuk menentukan

perkiraan panen dari tanaman padi. Berdasarkan pengolahan data TKV Deseber

2012 – Mei 2013, maka dapat dihubungkan dengan umur padi. Sehingga,

dapat diketahui hubungan antara TKV dan umur padi pada saat memasuki

panen.

Hasil analisis terhadap pertumbuhan sawah di wilayah Provinsi Sumatera

Utara menunjukkan bahwa nilai TKV dari awal tanam hingga memasuki fase

vegetatif optimum berlangsung pada umur 70-90 hari setelah tanam dan

mencapai fase bera pada umur 120 hari setelah tanam bahwa nilai TKV padi

akan mencapai puncak sekitar 70 hari setelah tanam, kemudian nilai TKV akan

menurun seiring dengan bertambahnya umur tanaman. Berikut ini

perkembangan fase pertumbuhan tanaman padi di Provinsi Sumatera Utara

periode Bulan Desember 2012 – Mei 2013.

Gambar 5. Tingkat Kehijauan Vegetasi di Provinsi Sumatera Utara Tahun 2013

Setelah melewati fase generatif tersebut, maka dapat diketahui bahwa

masa panen akan datang satu bulan berikutnya (dengan nilai TKV yang tinggi

yang berkisar antara (0.7 – 0.8). Setelah tanaman padi mengalami masa panen

pada umur 90 hari, maka tren- nya akan menurun hingga umur tanaman padi

120 hari. Fase inilah yang disebut dengan fase bera. Pada saat fase ini, nilai TKV-

pun mengalami penurunan hingga kembali pada fase awal (fase air), hal ini

disebabkan oleh jumlah tanaman padi (vegetasi) yang menurun akibat telah

dipanen, sehingga bentukan permukaan lahan adalah non-vegetasi dan akan

kembali didominasi oleh permukaan air.

2. Pendugaan Produksi Padi

Tanaman padi akan mengalami pertumbuhan optimum pada umur 9-12

minggu setelah tanam. Pada tahap inilah yang disebut sebagai fase generatif,

dimana mulai bermunculan butir-butir padi yang menguning. Berdasarkan fase

pertumbuhan padi seperti gambar dibawah, dapat diketahui bahwa padi mulai

berproduksi umur 60 hari. Hal ini membuktikan bahwa padi mengalami fase

generatif pada umur 9 – 12 minggu.

Fase air terjadi apabila nilai TKV negatif. Hal ini menunjukkan bahwa nilai

TKV akan negatif jika permukaan lahan berupa air atau tidak bervegetasi.

Sedangkan nilai TKV tertinggi menunjukkan bahwa wilayah memiliki tingkat

kehijauan yang tinggi yang menutupi seluruh lahan sawah. Pada fase ini,

penutupan lahan didominasi oleh warna biru.

Fase pertumbuhan vegetatif, ditandai dengan semakin lebatnya daun

tanaman padi yang menutupi seluruh lahan sawah. Pada fase ini, penutupan

lahan didominasi oleh warna hijau. Berdasarkan gambar, dapat diketahui bahwa

sebagian besar telah beranjak dari fase air, dimana mulai terbentuk kehijauan

dari tanaman. Fase inilah yang disebut sebagai fase vegetatif. Fase

pertumbuhan generatif, dimana lahan sawah yang semula didominasi daun

yang berwarna biru laut akan digantikan dengan warna hijau tua. Fase panen

atau bera merupakan fase dimana lahan sawah menjadi bera dibiarkan kosong

selama jangka waktu tertentu.

Berikut ini perkembangan fase pertumbuhan tanaman padi di Provinsi

Sumatera Utara periode Bulan Desember 2012 – Mei 2013.

Gambar 6. Fase Pertumbuhan Padi di Provinsi Sumatera Utara Tahun 2013

VI . KESI MPULAN

1. Melalui analisis citra satelit khususnya MODIS-Terra, maka dapat

diestimasi umur tanaman padi yang bermanfaat dalam

memperkirakan waktu panen serta luas arealnya.

2. Dari data yang diperoleh terlihat bahwa tingkat kehijauan (nilai TKV)

mempunyai korelasi yang positif dengan fase pertumbuhan tanaman

padi, sehingga hasil pemetaan dari nilai sebaran indeks tersebut

dapat dijadikan acuan dalam analisis visual pertumbuhan padi

dalam satu musim tanam.

3. Fase pertumbuhan padi menunjukkan bahwa masa tanam terjadi

sekitar bulan Oktober dan masa panen sebagian besar terjadi pada

bulan April dan Mei.

DAFTAR PUSTAKA

Anonymous, 2012. Modul Pengenalan ER-Mapper dan Arcgis untuk PengelolaanSumberdaya Lahan Pertanian. Bidang Lingkungan dan Mitigasi BencanaKededeputian Bidang Penginderaan Jauh. Lembaga Penerbangan danAntariksa Nasional (LAPAN). Jakarta.

Campbell, J.B. 1987. Introduction to Remote Sensing. The Guilford Press, NewYork.

Huete A, Didan K, Miura T, Rodriquez E, Gao X, Ferreira L, 2002. Overview of theradiometric and biophysical performance of the MODIS vegetation indices.Rem Sens Environ 83:195–213.

Pradipta, D., 2012. Analisis Data Time Series Ndvi-Spot Vegetation UntukTanaman Padi (Studi Kasus: Kabupaten Karawang). Skripsi IPB Bogor.

Sanderson, R. 2006. Introduction to Temote Sensing. New Mexico StateUniversity.

Wahyunto, W dan B Heryanto, 2006. Pendugaan Produktivitaas Tanaman PadiSawah Melalui Analisis Citra Satelit. IPB Bogor.