Beras merupakan komoditas penting dan strategis bagi masyarakat Indonesia dalam mempertimbangkan makanan, dalam hal ini beras merupakan kebutuhan pokok. Penelitian ini bertujuan untuk mengetahui fase pertumbuhan padi sawah dan perkiraan produktivitas padi di Kabupaten Jatisari, Kabupaten Karawang. Penelitian ini menggunakan dua algoritma untuk menentukan fase pertumbuhan tanaman padi, yaitu Normalized Difference Vegetation Index (NDVI) dan Atmosphericically Resistant Vegetation Index (ARVI). Algoritma NDVI umumnya digunakan dalam beberapa penelitian yang berkaitan dengan fase pertumbuhan tanaman padi dan produktivitasnya, penggunaan algoritma ARVI dalam penelitian ini disesuaikan dengan area penelitian karena nilai ARVI menurut EOS (Earth Observing System) digunakan untuk daerah dengan kandungan aerosol atmosfer tinggi (hujan, kabut, debu, asap, dan polusi udara). Sehingga penggunaan algoritma ARVI lebih efektif daripada algoritma NDVI di daerah penelitian ini. Dalam memproses data, kami menggunakan Google Earth Engine (GEE) sebagai alat. Dan untuk uji validasi dalam penelitian ini digunakan Confussion Matrix yang mencakup akurasi keseluruhan, akurasi produsen, dan akurasi pengguna. Berdasarkan nilai NDVI dan ARVI, Kecamatan Jatisari memiliki dua fase tanam yaitu dengan satu kali panen dan dua kali panen. Dan hasil penelitian ini adalah persamaan regresi linier dengan rumus, Produktivitas (ton / ha) = 6.9513 (NDVI) + 3.3384, dengan variasi nilai koefisien (R2) = 0,898 dan Produktivitas (ton / ha) ) = 3,9849 (ARVI) + 7,3992, dengan variasi nilai koefisien (R2) = 0,6505. Dan untuk estimasi produktivitas padi di Kabupaten Jatisari memiliki rata-rata, 7,55 ton / ha dengan akurasi 93,29% untuk NDVI dan 90,43% untuk ARVI. Ditemukan bahwa algoritma NDVI lebih efektif untuk menentukan fase pertumbuhan tanaman padi dibandingkan dengan algoritma ARVI. Dan penelitian ini membuktikan bahwa faktor atmosfer tidak terlalu berpengaruh di Kabupaten Jatisari.
Rice is an important and strategic commodity for the Indonesian peoples staple food, in this case rice is a basic need. Technology-based monitoring is needed such as remote sensing for rice plants in Indonesia. This study aimed to determine the growth phase of wetland rice and estimated rice productivity in Jatisari District, Karawang Regency. This research used two algorithms to determine the growth phase of rice plants, they were Normalized Difference Vegetation Index (NDVI) and Atmospherically Resistant Vegetation Index (ARVI). NDVI algorithm was commonly used in several studies related to the growth phase of rice plants and their productivity, the use of the ARVI algorithm in this study was adjusted to the study area because the ARVI value according to EOS (Earth Observing System) is used for areas with high atmospheric aerosol content (rain, fog, dust, smoke and air pollution). So that the use of the ARVI algorithm is more effective than the NDVI algorithm in this research area. In processing data we use Google Earth Engine (GEE) as tool. And for the validation test in this study used Confussion Matrix which includes overall accuracy, producer accuracy, and user accuracy. This accuracy test is considered the most suitable because the data used are pixel and object based. Based on NDVI and ARVI values, Jatisari District has two planting phases, namely one harvest and two harvests. And the results of this research are a linear regression equation with the formula, Productivity (ton / ha) = 6,9513(NDVI ) + 3,3384, with the variation of the coefficient value (R2) = 0,898 and Productivity (ton/ha) = 3,9849(ARVI) + 7,3992, with the variation of the coefficient value (R2) = 0,6505. And for the estimation of rice productivity in Jatisari District had an average, 7,55 ton/ha with an accuracy of 83,29% for NDVI and 90,43% for ARVI. Found that the NDVI algorithm is more effective to determine the growth phase of rice plant compared to the ARVI algorithm. And this research proves that atmospheric factors are not very influential in Jatisari District.
Seiring berjalannya waktu, jumlah penduduk di Indonesia semakin meningkat setiap tahunnya. Permasalahan tersebut menjadi penyebab terjadinya perubahan fungsi lahan menjadi permukiman atau lahan terbangun untuk kebutuhan bertempat tinggal dan ekonomi. Perubahan tersebut umumnya terjadi pada lahan pertanian sehingga mengancam ketahanan pangan di masa yang akan datang. Kecamatan Cilaku sebagai salah satu lumbung padi di Kabupaten Cianjur bagian utara terus mengalami penurunan luas lahan sawah akibat konversi lahan menjadi lahan terbangun. Salah satu upaya yang dapat dilakukan untuk menekan dan membatasi perubahan lahan sawah menjadi non sawah yaitu dengan menetapkan lahan sawah berkelanjutan dalam rangka mewujudkan ketahanan pangan nasional. Penelitian ini bertujuan untuk memprediksi perubahan lahan sawah dengan kriteria keberlanjutan akibat perluasan permukiman di Kecamatan Cilaku tahun 2032. Prediksi ini menggunakan model Artificial Neural Network (ANN) dan Cellular Automata (CA) dengan 2 skenario. Data yang digunakan pada penelitian ini adalah citra Sentinel-2B tahun 2022, citra Landsat 7 tahun 2002 dan 2012, serta data hasil wawancara dengan petani di Kecamatan Cilaku. Hasil penelitiian menunjukkan bahwa prediksi lahan sawah berkelanjutan beserta cadangannya pada tahun 2032 mengalami penyusutan luas akibat pertumbuhan permukiman.
Over time, the population in Indonesia is increasing every year. These problems are the cause of changes in land use into settlements or built-up land for housing and economic needs. These changes generally occur in agricultural land that threatens food security in the future. Cilaku District as one of the rice barns in the northern part of Cianjur Regency continues to experience a decrease in the area of âârice fields due to land conversion into built-up land. One such effort that can be done to limit the conversion of rice fields into non-rice fields is to stipulate sustainable rice fields in order to achieve national food security. This study aims to predict changes in rice fields with sustainability criteria due to the expansion of settlements in Cilaku District in 2032. This prediction uses Artificial Neural Network and Cellular Automata models with 2 scenarios. The data used in this study are Sentinel-2B images in 2022, Landsat 7 images in 2002 and 2012, and also data from interviews with farmers in Cilaku District. The results of the study indicate that the prediction of sustainable rice fields and their reserves in 2032 will decrease in the area due to the growth of settlements.
]