Perpustakaan Digital ITB

Tanaman padi merupakan salah satu tanaman pertanian yang menjadi makanan pokok hampir seluruh penduduk Indonesia (Buhaira, 2009). Karena itu untuk dapat melakukan perencanaan pertanian yang baik perlu dilakukan prediksi terhadap produktivitas tanaman padi. Prediksi produksi tanaman padi bukanlah merupakan hal yang mudah karena seringkali terjadi salah perhitungan terhadap luas lahan, waktu panen dan produksinya yang berdampak terhadap ketidaktepatan dalam pengambilan keputusan yang terkait dengan pengelolaan kebutuhan beras nasional. Untuk dapat mengatasi permasalahan tersebut diperlukan pendekatan alternatif yang dapat mencakup wilayah/area yang luas, waktu yang cepat, akurat dan terkini. Salah satu pendekatan alternatif berbasis geospasial adalah teknologi penginderaan jauh hiperspektral yang dapat memberikan informasi lebih detil untuk membedakan fase tumbuh tanaman padi dan estimasi produksinya untuk menunjang pengambilan keputusan dalam ketahanan pangan nasional. Jenis tanaman padi yang digunakan dalam penelitian ini adalah varietas ciherang yang tumbuh di daerah Karawang, Jawa Barat, Indonesia. Data yang digunakan dalam penelitian ini adalah data yang diperoleh dari sensor airborne hymap dan data dari groundspectrometer. Tesis ini membahas tentang pemantauan fase tumbuh tanaman padi menggunakan data Hymap pada fase booting. Data Hymap tersebut kemudian diolah dengan menggunakan metoda spectral mixture analysis (SMA) guna melakukan identifikasi serta menentukan proporsi spasialnya yang disebut endmember sehingga dihasilkan citra hasil klasifikasi fase booting. Endmember yang digunakan sebagai input pada metoda SMA dalam penelitian ini adalah reference endmember dan image endmember sehingga menghasilkan dua citra hasil klasifikasi fase booting yaitu klasifikasi berdasarkan image endmember dan klasifikasi berdasarkan reference endmember. Uji akurasi hasil klasifikasi reference endmember memiliki nilai overall accuracy sebesar 45% dan nilai kappa 44%, sedangkan uji akurasi hasil klasifikasi image endmember memiliki nilai overall accuracy sebesar 35% dan nilai kappa sebesar 21%. Model regresi yang terbentuk dari reference endmember adalah Yield = 1434.860 - 811.589SMA_RE. Sedangkan model regresi yang terbentuk dari image endmember adalah Yield = 1386.942 - 854.806SMA_IE. Model SMA ini dapat digunakan untuk prediksi produktivitas tanaman padi.