Analisis Pola Rotasi Tanam Padi Menggunakan Model Fusi Spasial Temporal ESTARFM Pada Citra Landsat 8 Dan MODIS
Abstract
Luas dan rotasi tanam merupakan variabel kunci dalam estimasi produksi padi yang dapat dianalisis melalui penginderaan jauh dengan pendekatan temporal. Meskipun demikian, penginderaan jauh menghadapi kendala biaya ketika dibutuhkan citra dengan resolusi temporal yang tinggi sekaligus resolusi spasial yang memadai. Oleh karena itu diperlukan metode yang dapat meningkatkan aspek resolusi temporal citra penginderaan jauh. Penelitian ini bertujuan untuk menganalisis kemampuan algoritma Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model (ESTARFM) dalam menghasilkan informasi temporal tambahan untuk mengenali pola rotasi tanam padi. Metode yang digunakan adalah pemodelan ESTARFM pada citra Landsat 8 dan citra MODIS untuk menghasilkan citra fusi dengan resolusi spasial setara Landsat 8 dan resolusi temporal yang ditingkatkan dari MODIS. Uji akurasi nilai indeks NDVI (Normalized Difference Vegetation Index) pada citra fusi hasil ESTARFM dilakukan dengan menghitung RMSE dari perbandingan nilai NDVI antara citra fusi tersebut dan citra Landsat 8 pada waktu citra yang sama. Dihasilkan nilai RMSE 0,017165 (baik). Analisis pola rotasi tanam padi melalui grafik nilai mean indeks NDVI dengan penambahan citra fusi hasil ESTARFM menghasilkan pendetailan fase pertumbuhan tanaman padi. Kesimpulan penelitian ini adalah pemodelan ESTARFM mampu menghasilkan citra fusi spasial temporal dengan akurasi yang memadai serta mendukung identifikasi fase pertumbuhan tanaman padi secara detail, sehingga berpotensi memperkuat penyediaan informasi produksi padi berbasis penginderaan jauh.
Full text article
References
Fatikhunnada, A., Liyantono, Solahudin, M., Buono, A., Kato, T., & Seminar, K. B. (2020). Assessment of pre-treatment and classification methods for Java paddy field cropping pattern detection on MODIS images. Remote Sensing Applications: Society and Environment, 17, 100281. https://doi.org/10.1016/j.rsase.2019.100281
Feng Gao, Masek, J., Schwaller, M., & Hall, F. (2006). On the blending of the Landsat and MODIS surface reflectance: Predicting daily Landsat surface reflectance. IEEE Transactions on Geoscience and Remote Sensing, 44(8), 2207–2218. https://doi.org/10.1109/TGRS.2006.872081
Ilham Ramadhan, Muhammad Muhammad, Try Rizwar, & Muhammad Faiz Habibullah. (2025). Mengapa Indonesia Masih Harus Mengimpor Beras di Tengah Upaya Swambada. Jurnal Sadewa : Publikasi Ilmu Pendidikan, pembelajaran dan Ilmu Sosial, 3(1),350–355. https://doi.org/10.61132/sadewa.v3i1.1552
Jarihani, A., McVicar, T., Van Niel, T., Emelyanova, I., Callow, J., & Johansen, K. (2014). Blending Landsat and MODIS Data to Generate Multispectral Indices: A Comparison of “Index-then-Blend” and “Blend-then-Index” Approaches. Remote Sensing, 6(10), 9213–9238. https://doi.org/10.3390/rs6109213
Kementerian Pertanian. (2020). Outlook Padi: Komoditas Pertanian Subsektor Tanaman Pangan. Pusat Data Dan Sistem Informasi Pertanian, 1–94. https://satudata.pertanian.go.id/details/publikasi/198
Khasanah, N. N., & Gunanto, E. Y. A. (2024). Pengaruh Luas Panen Padi, Produktivitas Lahan, Pertumbuhan Harga Beras dan Jumlah Penduduk terhadap Ketersediaan Beras di Indonesia tahun 1990-2022. Diponegoro Journal of Economics, 13(2), 67–79. https://doi.org/10.14710/djoe.44900
Kong, J., Ryu, Y., Huang, Y., Dechant, B., Houborg, R., Guan, K., & Zhu, X. (2021). Evaluation of four image fusion NDVI products against in-situ spectral-measurements over a heterogeneous rice paddy landscape. Agricultural and Forest Meteorology, 297, 108255. https://doi.org/10.1016/j.agrformet.2020.108255
Li, R., Xu, M., Chen, Z., Gao, B., Cai, J., Shen, F., … Chen, D. (2021). Phenology-based classification of crop species and rotation types using fused MODIS and Landsat data: The comparison of a random-forest-based model and a decision-rule-based model. Soil and Tillage Research, 206, 104838. https://doi.org/10.1016/j.still.2020.104838
Pemerintah Pastikan Impor Beras Dilakukan Hanya untuk Menjaga Stabilitas Pasokan dan Harga Pangan (2023, November 20). Badang Pangan Nasional (Bapanas). Diambil dari https://badanpangan.go.id/blog/post/pemerintah-pastikan-impor-beras-dilakukan-hanya-untuk-menjaga-stabilitas-pasokan-dan-harga-pangan
Rizkika, K. (2018). Analisis Fusi Data Multi Sensor Menggunakan Algoritma Spatial And Temporal Adaptive Reflectance Fusion Model (Studi Kasus: Worldview-3 dan Landsat 8) (Skripsi). Institut Teknologi Sepuluh Nopember, Surabaya.
Safii, M., Wahyudi, M., Solikhun, Zarlis, M., & Effendi, S. (2019). Food Self-sufficiency Decision Support Model Based on Provinces in Indonesia Using the Clustering Method. Journal of Physics: Conference Series, 1255(1), 012068. https://doi.org/10.1088/1742-6596/1255/1/012068
Sengkarut data beras Indonesia: Kenapa terjadi, apa dampaknya bagi ketahanan pangan dan solusinya. (2023, Februari 8). The Conversation. Diambil dari https://theconversation.com/sengkarut-data-beras-indonesia-kenapa-terjadi-apa-dampaknya-bagi-ketahanan-pangan-dan-solusinya-198415
Shobur, M., Nyoman Marayasa, I., Bastuti, S., Muslim, A. C., Pratama, G. A., & Alfatiyah, R. (2025). Enhancing food security through import volume optimization and supply chain communication models: A case study of East Java’s rice sector. Journal of Open Innovation: Technology, Market, and Complexity, 11(1), 100462. https://doi.org/10.1016/j.joitmc.2024.100462
Sisheber, B., Marshall, M., Mengistu, D., & Nelson, A. (2022). Tracking crop phenology in a highly dynamic landscape with knowledge-based Landsat–MODIS data fusion. International Journal of Applied Earth Observation and Geoinformation, 106, 102670. https://doi.org/10.1016/j.jag.2021.102670
Xiao, D., Niu, H., Guo, F., Zhao, S., & Fan, L. (2022). Monitoring irrigation dynamics in paddy fields using spatiotemporal fusion of Sentinel-2 and MODIS. Agricultural Water Management, 263, 107409. https://doi.org/10.1016/j.agwat.2021.107409
Zhu, X., Chen, J., Gao, F., Chen, X., & Masek, J. G. (2010). An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions. Remote Sensing of Environment, 114(11), 2610–2623. https://doi.org/10.1016/j.rse.2010.05.032
Authors
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.