Analisis Usia Tebu Terhadap Pola Nilai GNDVI (Green Normalized Difference Vegetation Index) Berdasarkan Data Citra Landsat-8

Bowo Eko Cahyono, Agung Tjahjo Nugroho, Niken Dwi Wulandari

Abstract


Tebu adalah salah satu tanaman yang dapat memproduksi gula serta bioenergi bagi lingkungan yang masa tanamnya selama ±12 bulan. Kondisi pertumbuhan tanaman tebu berdasarkan usia tanamnya dapat dipantau dengan menggunakan teknologi penginderaan jauh. Penelitian ini bertujuan untuk mengetahui pola reflektansi spektra yang dinyatakan melalui indeks vegetasi GNDVI. Penelitian ini menghubungkan nilai GNDVI terhadap usia tanaman tebu dengan menggunakan data citra Landsat 8 tahun 2019-2020 di Kabupaten Jember yang terbagi menjadi 11 lokasi lahan. Tahap awal yang dilakukan yaitu mengumpulkan data citra lalu dikoreksi radiometrik ToA. Selanjutnya menghitung nilai GNDVI pada lokasi lahan tebu yang ditinjau. Nilai GNDVI dari setiap lokasi lahan ini dihitung nilai mediannya dan dibuat grafik hubungan antara nilai GNDVI terhadap usia tanam tebu. Dari hasil penelitian didapatkan pola nilai GNDVI terhadap usia tebu berbentuk kurva parabolik. Hasil dari pola tersebut menunjukkan bahwa nilai GNDVI berada pada maksimum di usia sekitar 8, 9, dan 10, dimana nilai GNDVInya dalam rentang 0.43 sampai 0.54. Secara rata-rata hubungan usia tebu dengan nilai GNDVI dinyatakan dengan persamaan   dimana X dan Y berturut-turut adalah usia tebu dan nilai GNDVI dengan puncak nilai GNDVI berada pada bulan ke 9. Secara umum dapat dikatakan bahwa semakin besar usia tebu maka semakin besar nilai GNDVI hingga pada keadaan maksimum dan kembali menurun.


Keywords


GNDVI; Landsat 8; parabolik; penginderaan jauh; tebu

References


BALITTAS. 2022. Kebutuhan Air Tanaman Tebu [Online]. Jakarta: Balai Penelitian Tanaman Pemanis dan Serat - BALITBANGTAN. Available: http://balittas.litbang.pertanian.go.id/index.php/id/publikasi/60-info-teknologi/380-kebutuhan-air-tanaman-tebu [Accessed 30 Oktober 2022.

Cahyono, B. E., Nugroho, A. T., & Arifilla, A. (2019). Analisis Usia Tanaman Padi Berdasarkan Nilai NDVI Menggunakan Citra Landsat 8 (Studi Kasus: Desa Rambigundam Kecamatan Rambipuji Jember). Jurnal Teras Fisika, 2(1), 9–13. https://doi.org/https:// doi.org/10.20884/1.jtf.2019.2.1.1245

Cahyono, B. E., Nugroho, A. T. & Husen, J. 2018. Karakteristik Time Series Reflektansi Tanaman Padi Varietas Ciherang Dengan Analisis RGB Citra Fotografi. Jurnal Fisika Flux, 15, 59-65.

Cahyono, B. E., Nugroho, A. T. & Rizkiyani, M. 2017. Detection of Paddies Reflectance Values to classify their Ages using RGB Photograph Images. International Journal of Advanced Engineering Research and Science (IJAERS), 4, 46-50.

Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., & Gattelli, M. (2015). Evaluating multispectral images and vegetation indices for precision farming applications from UAV images. Remote Sensing, 7(4), 4026–4047. https://doi.org/10.3390/rs70404026

Catur, U., Susanto, Yudhatama, D., & Mukhoriyah. (2015). Identifikasi lahan tambang timah menggunakan metode klasifikasi terbimbing maximum likelihood pada citra Landsat 8. Majalah Globe, 17(1), 9–15.

Duveiller, G., López-Lozano, R., & Baruth, B. (2013). Enhanced processing of 1-km spatial resolution fAPAR time series for sugarcane yield forecasting and monitoring. Remote Sensing, 5(3), 1091–1116. https://doi.org/10.3390/rs5031091

Gitelson, A. A., Kaufman, Y. J., & Merzlyak, M. N. (1996). Use of a green channel in remote sensing of global vegetation from EOS- MODIS. Remote Sensing of Environment, 58(3), 289–298. https://doi.org/10.1016/S0034-4257(96)00072-7

Lillesand, Kiefer, & Chipman. (2015). Remote Sensing and Image Interpretation. 7th Edition. In Photogrammetric Engineering & Remote Sensing (Vol. 81, Nomor 8). https://doi.org/10.14358/pers.81.8.615

Morel, J., Bégué, A., Todoroff, P., Martiné, J. F., Lebourgeois, V., & Petit, M. (2014). Coupling a sugarcane crop model with the remotely sensed time series of fIPAR to optimise the yield estimation. European Journal of Agronomy, 61, 60–68. https://doi.org/10.1016/j.eja.2014.08.004

Mulianga, B., Bégué, A., Simoes, M., & Todoroff, P. (2013). Forecasting regional sugarcane yield based on time integral and spatial aggregation of MODIS NDVI. Remote Sensing, 5(5), 2184–2199. https://doi.org/10.3390/rs5052184

Parman, S. (2010). Deteksi Perubahan Garis Pantai Melalui Citra Penginderaan Jauh di Pantai Utara Semarang Demak. Jurnal Geografi, 7(1), 30–38.

Rahman, M. M., & J. Robson, A. (2016). A Novel Approach for Sugarcane Yield Prediction Using Landsat Time Series Imagery: A Case Study on Bundaberg Region. Advances in Remote Sensing, 05(02), 93–102. https://doi.org/10.4236/ars.2016.52008

Rahman, M. M., Muir, J., & Robson, A. J. (2017). Multi-temporal Landsat algorithms for the yield prediction of sugarcane crops in Australia. 7th Asian-Australasian Conference on Precision Agriculture, October. https://doi.org/http://doi.org/10.5281/zenodo.891091

Robson, A., Abbott, C., Lamb, D., & Bramley, R. (2012). Developing sugar cane yield prediction algorithms from satellite imagery. 34th Annual Conference of the Australian Society of Sugar Cane Technologists 2012, ASSCT 2012, 34, 452–462.

Som-Ard, J., Atzberger, C., Izquierdo-Verdiguier, E., Vuolo, F. & Immitzer, M. 2021. Remote Sensing Applications in Sugarcane Cultivation: A Review. Remote Sensing, 13, 4040.

Susantoro, T. M., Wikantika, K., Harto, A. B. & Suwardi, D. 2019. Monitoring Sugarcane Growth Phases Based on Satellite Image Analysis (A Case Study in Indramayu and its Surrounding, West Java, Indonesia. HAYATI: Journal of Biosciences, 26, 117-128.

Windiastika, G. 2019. Good Agriculture Practice (GAP) Tanaman Tebu (Saccharum officinarum L.) [Online]. Pasuruan: Dinas Pertanian Kaabupaten Pasuruan. Available: http://disperta.pasuruankab.go.id/artikel-919-good-agriculture-practice-gap-tanaman-tebu-saccharum-officinarum-l-.html [Accessed 31 Oktober 2022.

Zhao, D., & Li, Y. R. (2015). Climate Change and Sugarcane Production: Potential Impact and Mitigation Strategies. International Journal of Agronomy, 2015. https://doi.org/10.1155/2015/547386




DOI: https://doi.org/10.24198/jt.vol16n3.2

Refbacks

  • There are currently no refbacks.


Indexed by:

 

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License (CC BY-SA 4.0)