PPT Laporan Pendahuluan mengenau program tanaman padi_Rev.pptx

PPT Laporan Pendahuluan

1. Pemantauan Tanaman Padi di Kabupaten Badung Menggunakan Teknologi Pengideraan Jarak Jauh (Remote Sensing) dan Sistem Informasi Geografis Laporan Pendahuluan Oleh: Tim Fakultas Pertanian dan Bisnis Universitas Mahasaraswati Denpasar 1

2. Ketua : Dr.Eng . Putu Edi Yastika, S.Si ., M.Eng., M.Si . Anggota : Dr.Listihani , SP., M.Si . Dr. Ir. I Made Sukerta , M.Si . Luh Putu Yuni Widiyanti , S.P., M.Si . .I Putu Gede Budayasa , SST.Par ., M.T.I Dr.Eng . I GD Yudha Partama , S.Si ., M.Si ., M.Eng. I Dewa Gede Agung Pandawana , S.Kom ., M.Si . Cokorda Javandira , S.P., M.P. Ramdhoani , S.Si ., M.Si . 2

3. Penurunan Produksi Beras Pertumbuhan Ekonomi dan Pariwisata di Badung yang Pesat Peningkatan Jumlah Penduduk ( tetap maupun sementara ) Peningkatan Kebutuhan Beras Peningkatan Kebutuhan Lahan Peningkatan Alih Fungsi Lahan (sawah/ lahan pertanian menjadi area terbangun ) Produksi Beras yang Fluktuaktif Tingkat Kesehatan Tanaman Padi Mempengaruhi Produksi Padi / Beras Sebagai Kebutuhan Pokok Masyarakat Indonesia Termasuk Badung . Kebijakan dalam Menjaga Kestabilan Pasokan Beras Pemantauan Luas Lahan Tanaman Padi (sawah) Pemetaan Produktivitas Padi Pemantauan Kualitas Tanaman Padi “ Pemantauan Tanaman Padi di Kabupaten Badung Menggunakan Teknologi Penginderaan Jarak Jauh (Remote Sensing) dan Sistem Informasi Geografis .” Butuh Metode Pemantauan yang Cepat dan Akurat untuk Cakupan Wilayah yang Luas Latar Belakang 3

4. Berapa luasan area lahan pertanian padi di Kabupaten Badung berdasarkan pantauan hasil penginderaan jarak jauh secara time-series ? 01 02 Bagaimana merancang dan mengembangkan sebuah Sistem Informasi Geografis (SIG) yang efektif untuk memantau dan memberikan informasi kualitas tanaman padi di Kabupaten Badung ? 03 Bagaimana kualitas tanaman padi serta estimasi hasil produksi gabah yang dihasilkan di Kabupaten Badung dengan menggunakan teknologi penginderaan jarak jauh berbasis Image Processing? Rumusan Masalah 4

5. Memetakan dan memonitor luasan area lahan pertanian padi dengan akurat untuk memahami sebaran tanaman padi di wilayah Kabupaten Badung 01 02 Merancang dan mengembangkan sebuah website Sistem Informasi Geografis (SIG) yang mudah digunakan dan berfungsi sebagai sumber data penting tentang pertanian padi, membantu para pemangku kepentingan dalam pengambilan keputusan dan perencanaan pertanian 03 Untuk mengetahui kualitas tanaman padi serta estimasi produksi gabah di Kabupaten Badung dengan menggunakan teknologi penginderaan jarak jauh berupa citra satelit dan drone. Maksud dan Tujuan 5

6. Sasaran Memberikan akses informasi kepada petani dan stake holder terkait untuk memantau , meningkatkan hasil panen dan efektivitas pertanian padi , memberikan data aktual kepada Pemerintah Kabupaten Badung untuk merancang kebijakan pertanian yang lebih baik , mendukung penelitian lebih lanjut dalam pengembangan pertanian yang lebih efisien dan tepat guna , meningkatkan kesadaran masyarakat tentang pentingnya pertanian padi dan keberlanjutan sumber daya alam di Kabupaten Badung 6

7. Ruang Lingkup Mengidentifikasi luasan area lahan pertanian padi di Kabupaten Badung berdasarkan pantauan hasil penginderaan jarak jauh secara time series . Menganalisis kualitas tanaman padi serta estimasi hasil produksi gabah yang dihasilkan di Kabupaten Badung dengan menggunakan teknologi penginderaan jarak jauh berbasis Image Processing, mencakup analisis faktor-faktor yang mempengaruhi ketahanan pangan , seperti produktivitas pertanian , akses ke pangan , dan ketahanan pangan rumah tangga . Merancang dan mengembangkan sebuah Sistem InformasiGeografis (SIG) yang efektif untuk memantau dan memberikaninformasi kualitas tanaman padi di Kabupaten Badung 7

8. Tinjauan Pustaka Tanaman Padi dan Fase Pertumbuhannya 8 Tanaman padi mengalami tiga fase pertumbuhan : Fase vegetatif , dari awal pertumbuhan hingga pembentukan bakal malai (primordia); Fase reproduktif , dari pembentukan primordia hingga pembungaan ; Fase pematangan , dari pembungaan hingga gabah matang (Inoue et al., 2013)

9. Tinjauan Pustaka Hama dan Penyakit Padi wereng batang coklat wereng daun hijau blast ( Magnaporthe oryzae) hawar daun bakteri penyakit tungro Belalang Tikus 9

10. Penginderaan Jauh / Inderaja /RS Ilmu dan seni untuk memperoleh informasi tentang suatu obyek , daerah , atau fenomena melalui analisis data yang diperoleh dengan suatu alat tanpa kontak langsung dengan obyek , daerah , atau fenomena yang dikaji . Lilesand (2004) Remote sensing (eng), Teledetection ( france ), Fernerkundung (Germany), Sesoriamento Remota (Portugal), Distantionaya (Russia) dan Perception Remota (Spain). 10 Tinjauan Pustaka

11. Komponen Penginderaan Jauh Tenaga Obyek Sensor Detektor Wahana Tenaga Alami Tenaga Buatan Alat yang digunakan untuk menerima tenaga pantulan maupun pancaran radiasi Alat perekam yang terdapat pada sensor untuk merekam tenaga pantulan atau pancaran Sarana untuk membawa sensor ( pesawat terbang, balon udara , crane, drone, satellite) Semua benda di permukaan bumi 11

12. 12

13. Prinsip Kerja Penginderaan Jauh A : Sumber energi B : Radiasi dan Afmosfir C: Interaksi dengan Target D: Perekaman oleh Sensor E: Transmisi , Penerimaan , dan Pemrosesan F: Interprtasi dan Analisis G: Aplikasi / Pemanfaatan 13

14. Spektrum Gelombang Elektromagnetik © Canada Centre for Remote Sensing 14

15. Panjang Gelombang yang Digunakan 15

16. Interaksi dengan Target 16 diffuse Specular

17. Kurva Pantulan Spektral 17

18. Produk Penginderaan Jauh 4 5 2 40 91 68 50 44 54 78 5 6 6 49 98 63 62 63 71 76 6 4 8 85 123 65 73 79 70 78 4 4 6 69 120 94 100 100 80 71 5 7 6 17 53 81 91 67 44 26 5 5 4 3 20 43 31 16 6 1 2. Citra Digital 1. Gambar Visual; 18

19. Resolusi Spasial Luasan di lapangan yang mewakili 1 piksel pada citra . Semakin tinggi resolusi spasial semakin rinci atau detail obyek yang ditampilkan . Citra Resolusi Spasial NOAA 1 Km Landsat ETM+ 30 meter Landsat OLI 30 meter Ikonos 1 meter SPOT 10 dan 20 meter Quick Bird 0,5 meter Sentinel-2 MSI 10 meter 19

20. Resolusi Temporal Waktu yang diperlukan untuk merekam daerah yang sama di permukaan bumi ; Pada sistem yang sama semakin tinggi resolusi temporal semakin rendah resolusi spasial citra ; Citra Resolusi Temporal NOAA 15 6 jam Landsat ETM + 16 hari Ikonos 3 hari SPOT 26 hari Quick Bird 4 hari Orb View 3 hari Sentinel-2 10 hari 20

21. Resolusi Radiometrik Kemampuan sensor untuk menangkap perbedaan sinyal pantulan atau pancaran objek ; Semakin tinggi resolusi radiometrik citra semakin mudah objek dibedakan ; Citra Resolusi Radiometrik Landsat MSS 7 bit = 2 7 = 128 Landsat ETM 8 bit = 2 8 = 256 Ikonos 11 bit = 2 11 = 2048 21

22. Resolusi Spektral 22 Resolusi Spektral adalah kemampuan sensor untuk membedakan objek berdasarkan pantulan atau pancaran objek Berkaitan dengan jumlah dan lebar saluran /band/ kanal Semakin banyak jumlah saluran dan semakin sempit saluran , resolusi spectral semakin baik Citra Jumlah Saluran / Kanal /Band Ikonos 5 saluran Landsat ETM+ 8 Saluran Sentinel-2 12 Saluran

23. 23 Klasifikasi/Interpretasi Citra Tujuan  ( secara otomatis ) mengkategorikan semua piksel dalam suatu gambar ke dalam kelas – kelas tertentu ( yaitu yang telah ditentukan sebelumnya ) Klasifikasi tematik mengalokasikan piksel ke kelas berdasarkan fungsi properti spektral ( atau hamburan balik ).

24. 24 Machine Learning Machine Learning (ML), sebagai salah satu subdisiplin Kecerdasan Buatan /Artificial Intellegence (AI), menekankan pada pengembangan algoritma dan studi statistik untuk memungkinkan sistem melakukan pembelajaran dari data, mampu menggeneralisasi informasi yang tidak terlihat , serta melaksanakan tugas-tugas tanpa memerlukan instruksi eksplisit . ML telah banyak diaplikasikan dibidang pengideraan jauh untuk menganalisis berbagai macam citra satelit . Salah satu metode yang paling sering digunakan adalah metode Random Forest (RF). Random Forest bekerja dengan membangun beberapa decision tree dan menggabungkannya demi mendapatkan prediksi yang lebih stabil dan akurat . ‘ Hutan ’ yang dibangun oleh Random Forest adalah kumpulan decision tree di mana biasanya dilatih dengan metode bagging.

25. Klorofil dalam daun menyerap radiasi Panjang gelombang merah dan biru , tetapi memantulkan panjang gelombang hijau sehigga daun tampak “ berwarna hijau “. Struktur internal daun yang sehat bertindak sebagai reflektor difusi Panjang gelombang inframerah-dekat (NIR) yang sangat baik . Jika mata kita peka terhadap inframerah-dekat , pepohonan akan tampak sangat terang kepada kita pada panjang gelombang ini . Mengukur dan memantau reflektansi NIR adalah salah satunya cara untuk menentukan seberapa sehat ( atau tidak sehat ) vegetasi tersebut . Indeks Vegetasi Indeks Vegetasi (IV), sering disebut sebagai Vegetation Index (VI), adalah nilai kecerahan digital yang dihitung matematis untuk mengukur kandungan biomasa atau kondisi vegetasi . 25

26. Indeks Vegetasi Indeks Vegetasi NDVI adalah hasil kombinasi teknik pembagian dan teknik pengurangan citra . Dihasilkan dari perbedaan reflektansi antara daerah inframerah dekat (NIR) dan merah (Red). Nilai NDVI berkisar dari -1 hingga +1. Nilai positif menunjukkan vegetasi yang sehat , sementara nilai negatif menunjukkan permukaan non- vegetasi seperti air atau tanah terbuka .   1.Normalized Difference Vegetation Index (NDVI): Indeks EVI dikembangkan untuk mengatasi beberapa keterbatasan NDVI,   Leaf Water Content Index (LWCI) adalah suatu indeks yang digunakan untuk mengukur tingkat kelembapan atau kadar air pada daun tanaman .   2. Enhanced Vegetation Index (EVI): 3. Leaf Water Content Index (LWCI): 26

27. WEB GIS 27 Web GIS ( Sistem Informasi Geografis Berbasis Web ) : evolusi dari SIG tradisional yang memanfaatkan internet untuk menyajikan , berbagi , dan mengelola data geografis

28. 01/ Lokasi dan Waktu 02/ Alat dan Bahan 03/ Jenis dan Sumber Data 04/ Jenis dan Sumber Data METODOLOGI 05/ Pengumpulan Data dan Analisisis Data 28

29. Lokasi penelitian ini adalah seluruh wilayah Kabupaten Badung , kecuali Kecamatan Kuta Selatan. Badung terletak di sepanjang poros tengah hingga selatan Pulau Bali, memiliki koordinat astronomis antara 8°14' hingga 8°50' lintang selatan dan 115°5' hingga 115°14' bujur timur s Luas wilayahnya mencapai 418,52 km², dibagi menjadi enam kecamatan , dengan Kecamatan Petang sebagai yang paling luas (115 km²) dan Kecamatan Kuta sebagai yang paling kecil (17,52 km²). Lokasi Kegiatan Peta administrasi Kabupaten Badung yang menjadi lokasi penelitian ( petatematikindo , 2024) 29

30. Waktu Kegiatan 30

31. Alat dan Bahan Perangkat keras : 1 Set Komputer 1 Set Drone Kamera , Hand GPS 3 set alat pengubinan 1 set alat ukur kadar air gabah Alat Tulis Kantor. Perangkat lunak : ArcGIS/QGIS Ms. Office Perangkat perancang grafis Agisoft Google Earth Engine. 31

32. Jenis dan Sumber Data Data In-Situ : data lapangan diperoleh dengan cara survey Data Akses dan Ketahanan Pangan : Data ini diperoleh dengan menyebarkan kuesioner dengan Google Form (https://forms.gle/CaMcPmZbZXafCNo76) Data Satelit : menggunakan citra-citra optis dari Sentinel-2 dan Landsat-8/9 Data Spasial dan Statistik : Polygon batas aministrasi Kabupaten Badung yang diperoleh dan Badan Informasi Geospasial Indonesia (BIG). Data produksi padi di Kabupaten Badung pada tahun 2019, 2020, 2021, 2022, dan 2023 dari BPS dan Dinas Pertanian . Data Ubinan di seluruh Kabupaten Badung pada tahun 2019, 2020, 2021, 2022, 2023, dan 2024, oleh Dinas Pertanian Kab . Badung . Data jumlah penduduk dan Kepala Keluarga di Kabupaten Badung pada tahun terkahir , dari Dinas Dukcapil Kabupaten Badung . 32

33. 33 Data Satelit yang Digunakan Sentinel-2 MSI (ESA) LANDSAT 8/9 OLI (NASA) Schematic View of the Deployed Sentinel-2 Spacecraft [Credits: EADS Astrium ]

34. Langkah Kerja dan Diagram Alir Pengolahan Data 34

35. Analisis Data Pemetaan Sawah Time-series Untuk membangun peta sawah time-series yang akurat , pada penelitian ini akan mengaplikasikan metode Random Forest (RF). Ilustrasi Majority Filtering pada Data Raster Hasil Klasifikasi 35 Sebelum penerapan metode RF pada citra , terlebih dahulu dibuat citra mozaik dan cloud masking untuk menghilangkan efek tutupan awan . Koleksi citra pada periode 1 tahun dibagi menjadi 5 kelompok , setiap kelompok memiliki periode 3-4 bulan . Citra kemudian diseleksi hanya dengan menggunakan citra dengan tutupan awan di bawah 30%.Setelah itu , citra diklasifikasikan ke dalam 7 kelas . Proses ini diulang untuk semua kelompok , sehingga pada tahapan ini akan didapatkan 5 peta tutupan lahan yang selanjutnya diberi label T1, T2, T3, T4, dan T5. Proses klasifikasi dilanjutkan dengan majority filtering untuk meningkatkan akurasi dari hasil klasifikasi . Majority filtering dilakukan dengan menerapkan logika matematika pixel by pixel pada peta T1, T2, T3, T4, dan T5. Proses diulang untuk tiap tahun .

36. Analisis Data Pemantauan Kesehatan Padi dan Pendugaan Umur Padi 36 Tingkat stres pada tanaman padi dalam penelitian ini diukur menggunakan Rice Stress Index (RSI) ( Sukmono et al., 2013) Indeks RSI ini diperoleh melalui integrasi antara Leaf Water Content Index (LWCI) dan Enhanced Vegetation Index (EVI), dimana LWCI digunakan untuk mengenali stres berdasarkan tingkat kelembaban dan biomassa daun , sementara EVI mengidentifikasi stres berdasarkan tingkat kehijauan daun .   Kelas Nilai NDVI Tingkat Kehijauan / kondisi lahan Umur Tanaman (MST) 1 < -0,03 Tidak bervegetasi / terbuka /air <3 2 -0,03 s/d 0,15 Kehijauan sangat rendah 3 - <4 3 0,15 s/d 0,25 Kehijauan rendah 4 - 6 4 0,26 s/d 0,35 Kehijauan sedang 6 – 8 5 0,35 s/d 0,61 Kehijauan tinggi 8 - 14 Setelah vegetative optimum nilai NDVI akan turun sesuai dengan tingkat kematangan bulir Wahyunto et al, 2006 Pendugaan umur padi akan menggunakan Nilai NDVi dengan kelas-kelas sebagai berikut : * Fase yang digunakan untuk analisa stres yaitu fase vegetatif dan generatif . ** rentang 0.82 - 0.87 diklasifikasikan potensial stress, rentang 0.7 -0.82 diklasifikasikan tidak ada stres rentang 0.5- 0.7 diklasifikasikan sangat sehat .

37. Ilustrasi Penentuan Lokasi Titik Observasi 37 Estimasi Produktivitas Padi 1. Setiap area perwakilan (minimal 3 x 3 pixel) yang mewakili desa-desa di wilayah penelitian dilakukan pengukuran NDVI. (23 Titik /7desa) 2. Pengukuran NDVI dilakukan pada tanaman padi yang berumur 10-11 MST atau fase awal pembungaan -bunting. 3. Model estimasi produksi dibangun berdasarkan hubungan antara nilai NDVI dan produktivitas . 4. NDVI diambil dari citra satelit , sementara data produktivitas diperoleh dari hasil ubinan di lapangan . 5. Di wilayah yang telah diukur nilai NDVI- nya , dilakukan pengukuran produktivitas padi menggunakan ubinan berukuran 2,5 x 2,5 m, kemudian hasilnya diubah menjadi satuan ton/ha. 6. Faktor-faktor yang mempengaruhi kondisi lahan seperti tanah , ketersediaan air, dan manajemen dianggap tercermin dalam tingkat kehijauan tanaman yang diukur dengan NDVI. Model regresi linear digunakan dengan metode pendugaan Ordinary Least Square (OLS) , dengan formula: Analisis Data Produktivitas (t/ha)= a (NDVI) + b dimana : a = konstanta b = konstanta Dari persamaan tersebut diperoleh koefisien determinasi (R2) yang Menunjukkan korelasi antara produktivitas padi dengan nilai NDVI

38. Analisis Data Uji akurasi 38   Dimana: N = jumlah sampel , Z 2 = 2 ( standar normal menyimpang untuk tingkat kepercayaan 95%), p = akurasi yang diharapkan , 85% q =100 - 85, E 2 = adalah kesalahan yang diijinkan 5% Untuk mengukur ketelitian hasil klasifikasi menggunakan Confusion Matrix sebagai uji akurasi . Confusion Matrix adalah pengukuran performa untuk masalah klasifikasi machine learning dimana keluaran dapat berupa dua kelas atau lebih . Confusion Matrix adalah tabel dengan 4 kombinasi berbeda dari nilai prediksi dan nilai aktual . Ada empat istilah yang merupakan representasi hasil proses klasifikasi pada confusion matrix yaitu True Positif , True Negatif , False Positif , dan False Negatif . N Aktual : Positif (1) Aktual : Negatif (0) Prediksi : Positif (1) True Positif (TP) False Positif (FP) Prediksi : Negatif (0) False Negatif (FN) True Negatif (TN) OA = (TP+TN) / (TP+FP+FN+TN) Jumlah titik sampel dihitung sbb :

39. tampilan awal dari WebGIS SIPADU Halaman Peta Lahan Padi informasi peta kebumian dan peta lahan padi di wilayah Kabupaten Badung . Rancang Tampilan Web GIS Halaman Home Halaman Detail Informasi Padi memuat informasi detail dari lahan padi di wilayah Kabupaten Badung 01 02 03 39

40. Dokumentasi Kegiatan Pedahuluan 02 03 40

41. Matur Suksma 41

42. 42

43. 43

44. INTERAKSI DENGAN ATMOSFER Hamburan Releyigh ( molekul ) Hamburan Mie (aerosol) Hamburan Geometrik ( butiran es ) 44

45. Nilai Citra Digital 45

46. Resolusi Radiometrik Jumlah Shades atau tingkat kecerahan pada panjang gelombang tertentu . Perubahan terkecil dalam tingkat intensitas yang dapat dideteksi oleh sistem penginderaan 46

47. • Example: Black and white image - Single sensing device - Intensity is sum of intensity of all visible wavelengths Can you tell the color of the platform top? How about her sash? Spectral Resolution 0.4 m m 0.7 m m Black & White Images Blue + Green + Red 47

48. Spectral Resolution ( Con’t ) Example: Color image - Color images need least three sensing devices, e.g., red, green, and blue; RGB Using increased spectral resolution (three sensing wavelengths) adds information In this case by “sensing” RGB can combine to get full color rendition 0.4 m m 0.7 m m Color Images Blue Green Red 48

49. PENGGUNAAN PENGINDERAAN JAUH Land; Cryosphere ; Ocean ; Atmosphere; Coastal; 49

50. SISTEM PASIF SISTEM AKTIF Sentinel-2, ASTER, Landsat, AVHRR, etc LIDAR, RADAR, and SONAR 50