1

Aplikasi i-Sky Innovation Untuk Pemantauan Tanaman Padi

Sidik Mulyono

Pusat Teknologi Pengembangan Sumberdaya Wilayah, Badan Pengkajian dan PenerapanTeknologi

email: sidik.mulyono@bppt.go.id

Abstrak:

Perkembangan emisi gas rumah kaca telah menimbulkan peningkatan suhu dipermukaan bumi, yang berdampak pada mencairnya es di kutub, meningkatnya curah hujan,kejadian cuaca ekstrim, serta pergeseran musim. Selain faktor alam, perubahan iklim (climatechange) ini juga dipicu oleh pertumbuhan populasi global dan pertumbuhan industri, yangdapat mengancam ketahanan pangan dunia. Pertanian merupakan salah satu sektor yangpaling rentan terhadap perubahan iklim ini. Berbagaimacam upaya telah dilakukan agaraktifitas pertanian dapat berkesinambungan (climate-smart agriculture), sehingga mampumeningkatkan produktifitas pertanian, beradaptasi, mengurangi pengaruh gas rumah kaca,dan meningkatkan ketahanan pangan nasional.

Di Indonesia, perubahan iklim ini telah mengubah musim tanam menjadi lebih pendek,serta menimbulkan ancaman kegagalan panen akibat musim kemarau yang berkepanjanganserta serangan hama dan penyakit. Dalam makalah ini akan dibahas upaya adaptasiperubahan iklim melalui pembangunan model prediksi kebutuhan air dan pupuk sawah padidengan aplikasi teknologi inderaja. Model ini menggunakan prinsip siklus fenologi tanamanpadi yang diperoleh dari nilai normalized difference vegetation index (NDVI) citra satelitModerate Resolution Imaging Spectradiometer (MODIS) dipadukan dengan metode heuristikyang disebut dengan i-Sky (eye in the sky) innovation atau inovasi mata di langit. Denganinovasi ini memungkinkan kita dapat mengetahui sedini mungkin dampak perubahan iklim,seperti kegagalan panen. Informasi yang diperoleh dari model prediksi ini diharapkan dapatmenjadi acuan bagi para pengambil kebijakan di daerah dalam mengantisipasi kondisiterburuk dampak dari perubahan iklim.

Kata kunci: perubahan iklim, teknologi inderaja, MODIS, NDVI

1. Latar Belakang

Perubahan iklim (climate change) telah menyebabkan terjadinya kekacauan polamusim, khususnya di Indonesia. Cuaca yang tidak menentu membuat para petani sulit dalammemperkirakan waktu untuk mengelola lahan dan memanen. Perpaduan antara meningkatnyasuhu rata-rata dengan siklus hidrologi yang terganggu, menyebabkan musim kemaraumenjadi lebih panjang dan musim hujan menjadi lebih pendek tetapi dengan intensitas tinggi,serta mengakibatkan berkurangnya kelembaban tanah. Akibatnya akan timbul berbagaiancaman bencana bagi sektor pertanian. Ancaman bencana yang paling sering merugikansektor pertanian adalah hidrometeorologi (banjir, kekeringan dan angin puting beliung), yangberdampak serius terhadap lingkungan, produktivitas pertanian dan ketahanan pangannasional.

Karena pertanian merupakan salah satu sektor yang paling rentan terhadap perubahaniklim ini, maka sektor ini perlu melakukan berbagaimacam upaya agar aktifitas pertanian

2

dapat berkesinambungan (climate-smart agriculture), sehingga mampu meningkatkanproduktifitas pertanian, beradaptasi, mengurangi pengaruh gas rumah kaca, danmeningkatkan ketahanan pangan nasional. Perubahan iklim akan berdampak pada pergeseranmusim, yakni semakin singkatnya musim hujan namun dengan curah hujan yang lebih besar.Sehingga, pola tanam juga akan mengalami pergeseran. Disamping itu kerusakan pertanamanterjadi karena intensitas curah hujan yang tinggi yang berdampak pada banjir dan tanahlongsor serta angin.

Di sisi lain, penentuan jadwal penanaman padi pada umumnya dipengaruhi oleh faktoralam, seperti kondisi cuaca, suhu udara, dan ketersediaan air. Akan tetapi, khusus diIndonesia, faktor alam tersebut tidak menjadi acuan utama untuk menentukan jadwalpenanaman padi, melainkan tergantung dari jadwal aliran irigasi yang ditetapkan olehpemerintah daerah untuk setiap wilayah, yaitu dengan menerapkan sistem golongan air.Selain itu, jadwal penanaman padi juga dipengaruhi oleh hal-hal yang bersifat kearifan lokalpara petani setempat. Kondisi seperti ini mengakibatkan pola tanam padi di Indonesiamenjadi bersifat kompleks, karena jadwal kalender tanam untuk setiap daerah berbeda,bahkan di satu daerah yang samapun sering terjadi perbedaan jadwal tanam yang sangatsignifikan. Hal ini dapat terdeteksi dengan mudah melalui pengenalan fenologi tanaman padidi setiap lokasi (Gambar 1 (a) dan (b)). Oleh karena itu, kompleksitas ini menjadi kendaladalam memperoleh informasi yang benar yang dapat digunakan untuk melakukan analisissecara kuantitatif, termasuk dalam menentukan luas baku sawah di Indonesia. Gambar inijuga sekaligus membuktikan bahwa salah satu dampak dari perubahan iklim adalah terjadinyapergeseran jadual tanam untuk setiap musim yang sama di area yang sama.

(a)

(b)Gambar 1. Kompleksitas pola tanam yang terlihat dari ketidakteraturan fenologi tanaman

padi di Kabupaten (a) Karawang dan (b) Indramayu (Sidik Mulyono, 2015)

3

i-Sky (eye in the sky) Innovation merupakan salah satu dari 107 inovasi Indonesia yangmemperoleh penghargaan dari Business Innovation Center (BIC) tahun 2015, yaitu inovasibaru dalam melakukan prediksi maupun pemantauan pertumbuhan tanaman padi berbasisdata besar penginderaan jauh (remote sensing big data technology) atau disingkat menjadiinderaja, baik dengan resolusi temporal tinggi maupun resolusi spasial tinggi, yang dipadukandengan metode heuristik secara cepat dan akurat, dalam rangka menghadapi tantangankompleksitas pertanian di Indonesia akibat perubahan iklim,. Dengan memanfaatkan variabelspektral dari data besar inderaja tersebut, dapat dilakukan prediksi produksi panen padi diseluruh lahan persawahan Indonesia yang lebih cepat, tepat, handal, serta mudah digunakanpada tingkat operasional, dibanding dengan metode konvensional di atas. Selain itu,informasi yang dihasilkan berupa prediksi fase tumbuh tanaman padi ini sangat bermanfaatuntuk mengetahui kapan panen akan berlangsung, sehingga dari informasi tersebutpemerintah dapat mengatur suatu sistem strategi antisipasi penyiapan air irigasi, bibittanaman, pupuk, persediaan beras serta sistem penyaluranya secara nasional. Teknologi inisudah divalidasi dengan data lapangan, dan menghasillkan akurasi sebesar 89,58%.

2. i-Sky innovation untuk pemantauan tanaman padi

Satelit remote sensing di angkasa, sebagai mata di langit (eye in the sky) memberikaninformasi tentang intensitas pantulan cahaya matahari di muka bumi yang ditunjukkan dalamnilai reflektansi cahaya dengan rentang panjang gelombang mulai dari cahaya tampak hingga(visible light) hingga cahaya dekat infra merah (near infra red light). Nilai reflektansi iniakan berbeda untuk setiap objek di bumi, dengan demikian informasi ini dapat digunakanuntuk mengenali objek padi sekaligus memantau pertumbuhan padi. Yaitu denganmenggunakan indeks kehijauan atau NDVI (normalized difference vegetation index) dalamkurun waktu tertentu, maka akan diperoleh kurva kosinus terbalik yang menunjukkan polafenologi tanaman padi.

Gambar 2. Pendekatan kurva fenologi dalam mendeteksi fase tumbuh tanaman padi

Gambar 2 menjelaskan kedudukan dari masing-masing fase tumbuh tanaman padi padakurva fenologi menggunakan data citra satelit secara runtun waktu. Garis hijau, merah, danungu pada gambar ini masing-masing menunjukkan profil NDVI, turunan pertama dari profilNDVI, dan turunan kedua dari profil NDVI. Metode yang digunakan adalah algoritma

4

heuristik berbasis indeks spektral (SHM-5) untuk mendeteksi 5 fase tumbuh utama tanamanpadi, seperti yang ditunjukkan pada Gambar 3.

Untuk dapat membangun metode heuristik ini, diperlukan data citra MODIS 250 mdalam runtun waktu tertentu. Mengingat siklus tanaman padi di Indonesia adalah sekitar 120hari, dan dengan mempertimbangkan perbedaan jadwal tanam sekitar ±20%, maka runtunwaktu yang ideal untuk digunakan dalam deteksi fase tumbuh padi adalah sebanyak 1,4 kalidari masa siklus tanam, yaitu 168 hari. Dengan demikian jumlah runtun waktu data MODISuntuk komposit 8 harian yang diperlukan adalah sebanyak 21 set.

Pertama-tama dihitung nilai NDVI dari citra MODIS sebanyak 21 set ini denganmenggunakan persamaan (1).

(1)

dimana masing-masing adalah nilai reflektansi permukaan dari pita red dan nearinfrared, yang terdapat di dalam citra MODIS 250m. Setelah terbentuk kurva runtun waktuNDVI, kemudian kedua kurva tersebut dihaluskan menggunakan metode penghalusanSavizki-Golay dengan polinomial pangkat 4. Kurva NDVI yang telah dihaluskan kemudiandimasukkan ke dalam algoritma SHM-5 untuk mendeteksi fase tumbuh tanaman padi. Hasilpendeteksian fase tumbuh ini disimpan ke dalam bentuk data kubik. Dalam hal ini seluruhdata diolah menggunakan program IDL, dan seluruh hasil disimpan ke dalam format bandsequential (BSQ), dengan demikian seluruh hasil dapat ditampilkan berdasarkan runtunwaktu yang diharapkan.

Gambar 3. Algoritma SHM-5 untuk mendeteksi 5 fase tumbuh tanaman padi

5

Adapun penjelasan untuk lima fase tumbuh tanaman padi adalah sebagai berikut.

a. Fase Persiapan Lahan (plowing stage)

Biasanya pada fase ini, para petani melakukan persiapan lahan dengan cara mengairisawah, membersihkan gulma, dan meratakan permukaan tanah dengan cara membajak.Oleh karena itu, pada fase ini objek didominasi oleh air dan lumpur, dan diindikasikandengan nilai turunan pertama dari profil EVI bernilai negatif.

b. Fase Vegetatif (vegetative stage)

Fase ini diawali dengan proses pemindahan bibit padi dari persemaian ke lahan sawah,lalu diikuti dengan pertumbuhan anakan dan pertumbuhan tunas hingga daun merimbunmenutupi seluruh permukaan sawah, sehingga objek air dan tanah sudah tidak terlihatlagi, yang diindikasinya dengan nilai turunan pertama dari profil EVI bernilai positif.

c. Fase Reproduktif (reproductive stage)

Fase ini ditandai dengan aktifitas reproduksi tanaman padi, yaitu batang yang mulaimengandung malai, diikuti dengan keluarnya malai dari dalam batang hingga berbunga,yang diindikasikan dengan nilai turunan pertama dari profil EVI bernilai positif.

d. Fase Pematangan (ripening stage)

Bunga padi yang telah keluar berkembang menjadi bulir padi yang mengandungsaripati beras, diikuti oleh proses pelayuan daun dan menguning, dan turunan pertamaprofil EVI berubah menjadi negatif. Fase ini akan berakhir ketika bulir padi sudahmulai mengeras.

e. Fase Panen dan Pasca Panen (harvesting & post harvested stage)

Fase panen akan terjadi saat bulir padi mulai matang dan mengeras, serta daun hampirmenguning seluruhnya, yaitu posisi titik ini dekat dengan titik minimum turunanpertama dari profil NDVI, atau nilai NDVI yang berada antara 0.4 dan 0.5. Karenamasa panen ini cukup singkat, maka kejadian ini akan jarang terekam oleh citraMODIS 500 m dengan komposit 8 harian. Oleh karena itu, fase panen digabung denganfase pasca panen.

Hasil pendeteksian lima fase tumbuh tanaman padi menggunakan algoritma SHM-5 initelah divalidasi terhadap data hasil pengamatan lapangan. Hasil validasi pendeteksian fasetumbuh tanaman padi terhadap data pengamatan lapangan ini dibuat ke dalam bentukconfusion matrix 5x5 (Tabel 1) dan nilai akurasi kappa mencapai 89.58%.

Tabel 1. Confusion matrix untuk validasi algoritma SHM-5

Field Campaign

A B C D E

Alg

orit

hmof

SHM

-5 1 29 3 0 1 0

2 1 25 1 0 0

6

3 0 2 26 1 0

4 0 0 1 20 1

5 0 0 0 7 5

7

Gambar 4. Deteksi fase tumbuh tanaman padi menggunakan algoritma SHM-5 untuksegmen Indramayu

8

Gambar 5. Deteksi fase tumbuh tanaman padi menggunakan algoritma SHM-5 untuksegmen Karawang

4. Algoritma untuk Mendeteksi Lahan Sawah

Dari penelitian sebelumnya tentang pendeteksian lahan sawah, Son et al. (2014),Khobkhun et al. (2013), dan Gumma et al. (2011) melakukan pendeteksian lahan sawah (1kali panen, 2 kali panen, dan 3 kali panen) dan objek non sawah dengan menggunakanfenologi NDVI secara runtun waktu selama 46 rangkaian citra MODIS (setara dengansetahun), yaitu dengan mengidentifikasi jumlah puncak kurva NDVI yang muncul dalamkurun waktu setahun tersebut dengan pola tanam yang hampir seragam. Pada sub-babsebelumnya, telah dibahas algoritma untuk menentukan fase tumbuh tanaman padimenggunakan SHM-5. Dengan menggunakan fenologi runtun waktu tertentu, maka algoritmaheuristik ini juga dapat digunakan untuk menentukan sawah. Prinsip dasar penentuan objeksawah adalah dengan memeriksa keberadaan seluruh fase berturut-turut dalam suatu fenologiruntun waktu 168 hari (8 hari x 21 set citra). Apabila dalam satu piksel dalam kurun waktutersebut terdapat seluruh fase tumbuh (vegetatif, reproduktif, pematangan, panen, danpengolahan lahan), maka piksel tersebut diindikasikan sebagai sawah. Sementara itu, yangmembedakan sawah irigasi dan sawah tadah hujan adalah fase penggenangan air pada saatpersiapan lahan yang tidak terdapat pada sawah tadah hujan. Algoritma pendeteksian sawahdapat dilihat pada Gambar 6. Secara visual dapat dijelaskan dalam Gambar 7 untuk contohobjek sawah dan Gambar 8 untuk contoh objek bukan sawah.

Untuk keperluan eksperimen, digunakan 21 set citra MODIS 500 m dari tanggal 15April 2010 sampai dengan 22 September 2010 untuk beberapa kabupaten yang mewakilisentra produksi beras di provinsi Jawa Barat. Hasil pendeteksian sawah di 10 kabupaten inilalu divalidasi menggunakan tabel luas baku sawah tahun 2010 dari Pusat Data dan InformasiKementerian Pertanian yang telah dipaduserasikan dengan data Badan Pertanahan Nasional(BPN) (Tabel 2), hasil validasi ditunjukkan pada Gambar 9, 10, dan 11.

9

Gambar 6. Algoritma pendeteksian lahan sawah irigasi (teknis dan non-teknis) dan sawahtadah hujan

Gambar 7. Contoh objek sawah yang dideteksi menggunakan algoritma SHM-5

10

Tabel 2. Luas baku sawah berdasarkan data PusdatinKementerian Pertanian dan BPN tahun 2010

No KabupatenLuas Sawah (Ha) Total luas sawah

(ha)Irigasi Non Irigasi

1 Karawang 99,625 4,592 104,217

2 Subang 84,350 7,642 91,991

3 Indramayu 113,176 5,591 118,767

4 Sumedang 16,953 13,405 30,358

5 Majalengka 36,513 14,449 50,962

6 Sukabumi 14,364 40,974 55,338

7 Tasikmalaya 13,422 30,519 43,941

8 Cirebon 53,506 766 54,272

9 Cianjur 29,535 36,698 66,233

10 Garut 23,316 22,527 45,843

Tabel 3. Luas baku sawah hasil algoritma SHM-5

No KabupatenLuas Sawah (Ha)

Total luas sawah(ha)Irigasi Tadah

hujan1 Karawang 100,600 20,275 120,875

2 Subang 74,825 28,525 103,350

3 Indramayu 10,5050 34,475 139,525

4 Sumedang 2,250 5,950 8,200

5 Majalengka 4,850 21,675 26,525

Gambar 8. Contoh objek bukan sawah yang dideteksi menggunakan algoritma SHM-5

11

6 Sukabumi 11,050 7,850 18,900

7 Tasikmalaya 4,725 11,325 16,050

8 Cirebon 31,875 12,775 44,650

9 Cianjur 18,525 19,650 38,175

10 Garut 12,500 10,225 22,725

Gambar 9. Hasil validasi baku sawah irigasi

Gambar 10. Hasil validasi baku sawah non irigasi

R2 = 0.9526RMSE = 20828.6

R2 = 0.2011RMSE = 27114.3

12

Gambar 11. Hasil validasi baku sawah total

Dari gambar tersebut diketahui bahwa akurasi pendeteksian sawah irigasi, sawah nonirigasi, dan total sawah menggunakan algoritma SHM-5 masing-masing adalah 95.26%,20.11%, 95.70%, dengan nilai galat masing-masing adalah 20828.6 ha, 27114.3 ha, dan33001.4 ha. Pendeteksian sawah irigasi menggunakan algoritma ini terlihat sangat baik, akantetapi pendeteksian sawah non-irigasi ini terlihat masih rendah akurasinya. Hal ini dapatdisebabkan citra MODIS yang digunakan adalah resolusi spasial 250x250 m2 atau setaradengan 6.25 ha sawah, sedangkan kebanyakan sawah non-irigasi di pulau Jawa tidakmemiliki luas seperti itu untuk setiap lokasi, sehingga citra MODIS tidak mampu mendeteksisawah non-irigasi dengan tepat. Di sisi lain, pendeteksian untuk sawah pada umumnya dapatdilakukan dengan baik menggunakan algoritma SHM-5 ini, walaupun untuk memperolehnilai sesungguhnya di lapangan, perlu dikalibrasi secara linier dengan persamaan berikut ini.

(2)

dimana dan menunjukkan prediksi luas sawah di lapangan dan deteksi luas

sawah menggunakan algoritma SHM-5.

5. Kesimpulan

i-Sky Innovation merupakan inovasi baru dalam melakukan prediksi maupunpemantauan pertumbuhan tanaman padi berbasis data besar penginderaan jauh, yangdipadukan dengan metode heuristik secara cepat dan akurat, dalam rangka menghadapitantangan kompleksitas pertanian di Indonesia akibat perubahan iklim. Denganmemanfaatkan variabel spektral dari data besar inderaja tersebut, dapat dilakukan prediksiproduksi panen padi di seluruh lahan persawahan Indonesia, serta sekaligus dapat mendeteksisawah terkini. Dibanding dengan metode konvensional, metode ini sangat efektif karena tidakmembutuhkan operator di lapangan, lebih cepat, tepat, handal, serta mudah digunakan padatingkat operasional. Selain itu, informasi yang dihasilkan berupa prediksi fase tumbuhtanaman padi ini sangat bermanfaat untuk mengetahui kapan panen akan berlangsung,

R2 = 0.9570RMSE = 33001.4

13

sehingga dari informasi tersebut pemerintah dapat mengatur suatu sistem strategi antisipasipenyiapan air irigasi, bibit tanaman, pupuk, persediaan beras serta sistem penyaluranya secaranasional. Adapun keunggulan dari teknologi ini adalah sebagai berikut:

a. Cepat dan akuratPengamatan dapat dilakukan sekaligus dalam cakupan area yang sangat luas, dan hasilprediksi telah divalidasi menggunakan data lapangan. Selain itu jumlah fase tumbuhpadi ini terbagi ke dalam 5 kelas, sehingga prediksi waktu panen lebih dapatdipertanggung-jawabkan.

b. HandalSelama ini, kendala yang paling utama dalam pemanfaatan citra satelit adalah tutupanawan, yang dapat mengakibatkan kesalahan fatal dalam analisis. Karena inovasi inimenggunakan teknik penghalusan di dalam pembentukan kurva fenologi, makapengaruh awan dapat diabaikan dan tetap dapat menghasilkan prediksi panen yangakurat.

c. Sekaligus mendeteksi sawah terkiniDengan teknik khusus, dari informasi fase tumbuh ini dapat diperoleh informasi lahansawah terkini.

d. KonsistenKarena metode prediksi yang digunakan adalah menggunakan pendekatan profilfenologi, maka hasil prediksi untuk setiap waktu akan terjamin konsisten secaraurutan fase tumbuh.

Gambar 12. i-Sky innovation

i-Sky innovation ini selain dimanfaatkan untuk pertanian padi, juga dapat digunakanuntuk memantau komoditas pertanian lainnya, seperti pertanian jagung, kedelai; perkebunankayu, sawit, teh, kakao, dll. Turunan dari informasi fase tumbuh ini adalah berupa informasi

14

mengenai kebutuhan air irigasi, pupuk, dan bibit dalam waktu dekat, sehingga mampumenghadapi tantangan perubahan iklim secara cepat. Informasi lainnya adalah berupa waktupanen serta potensi produksi mendatang, serta prediksi gagal panen melalui pendeteksianfenologi tanaman padi.

Daftar Pustaka

Sidik Mulyono, Aplikasi Data Penginderaan Jauh untuk Deteksi Fase Tumbuh Padi denganMetode Heuristik dan Prediksi Panen Padi dengan Pembelajaran Mesin, DisertasiDoktor Fakultas Ilmu Komputer Universitas Indonesia, 2015

Sidik Mulyono, M. Sadly, M. Ivan Fanany, T. Basaruddin, A New Heuristic Decision Treeand Time-invariant Detection of Paddy Growth Stages from MODIS Data, Journal ofTheoritical and Applied Information Technology 2015

Sidik Mulyono, Harisno, Mahfudz Amri, M. Ivan Fanany, T. Basaruddin, Kernel-basedRegularized Learning for Time-Invariant Detection of Paddy Growth Stages fromMODIS Data, Asian Conference on Intelligent Information and Database Systems 2015

Business Innovation Center, Indonesia 107 Innovations, ISBN: 978 – 602 – 95290 – 6 – 7,Edisi 1 2015

N.T. Son, Chi-Farn Chen, Cheng-Ru Chen, Huynh-Ngoc Duc, Ly-Yu Chang, A Phenology-Based Classification of Time-Series MODIS Data for Rice Crop Monitoring in MekongDelta, Vietnam, Remote Sensing Open Access 2014, 6, 135-156;doi:10.3390/rs6010135

Murali Krishna Gumma, Andrew Nelson, Prasad S. Thenkabail, and Amrendra N. Singh,Mapping rice areas of South Asia using MODIS multitemporal data, Journal of appliedremote sensing 053547-1, Vol. 5, 2011

Boonyasith Khobkhun, Akara Prayote, Preesan Rakwatin, and Natasha Dejdumrong, Ricephenology monitoring using PIA time series MODIS imagery, 10th Internationalconference computer graphics, Imaging and visualization, 2013

Arief Anshory Yusuf & Herminia Francisco, Climate Change Vulnerability Mapping forSoutheast Asia, Economy and Environment Program for Southeast Asia 2009.

Gerald C. Nelson, Mark W. Rosegrant, Jawoo Koo, Richard Robertson, Timothy Sulser,Tingju Zhu, Claudia Ringler, Siwa Msangi, Amanda Palazzo, Miroslav Batka, MariliaMagalhaes, Rowena Valmonte-Santos, Mandy Ewing, and David Lee, CLIMATECHANGE Impact on Agriculture and Costs of Adaptation, International Food PolicyResearch Institute Washington, D.C. 2009