DOI: https://doi.org/10.14710/elipsoida.2021.13875

REGRESI SPASIAL UNTUK PREDIKSI PENDAPATAN PETANI BERDASARKAN RELASI INDEKS VEGETASI, HASIL PANEN PADI, DAN PERUBAHAN JUMLAH HUJAN

1Program Studi Teknik Geodesi dan Geomatika, Fakultas Teknik, Universitas Lampung, Indonesia

2Program Studi Teknik Geodesi dan Geomatika Fakultas Teknik Universitas Lampung, Indonesia

3Program Studi Pendidikan Geografi Fakultas Keguruan dan Ilmu Pendidikan Universitas Lampung, Indonesia

Received: 22 Oct 2021; Accepted: 22 Nov 2021; Published: 4 Dec 2021.

Citation Format:
Abstract

Menjadi petani di Negara beriklim tropis seperti Indonesia, kemampuan memahami kondisi iklim sebagai faktor utama yang dapat membantu menentukan keberhasilan budidaya pertanian yang dilakukan. Tidak terkecuali pada petani padi sawah, kondisi iklim berupa pergantian musim berpengaruh pada terjadinya fluktuasi jumlah curah  hujan dan menjadi penentu baik atau tidaknya tumbuh tanaman padi. Studi ini fokus untuk mengkaji relasi spasial dari adanya perubahan jumlah hujan yang didapat dari hasil interpolasi inverse distance weighted (IDW) dan  perubahan indeks vegetasi dari normalized difference vegetation index (NDVI) dari multi-temporal citra Sentinel 2, terhadap jumlah hasil panen padi petani yang diperoleh dari hasil wawancara. Relasi dari ketiganya akan menghasilkan suatu prediksi pendapatan petani dalam setiap musim tanam berdasarkan model regresi tunggal dan berganda. Hasil dari kajian ini diperoleh adanya variasi nilai akurasi prediksi pendapatan petani yang bertambah baik berdasarkan nilai root mean square error (RMSE), yakni 0.18-0.19 untuk relasi berganda antara hasil panen padi terhadap jumlah curah hujan dan NDVI, dan 0.535-0.659 untuk model regresi tungal terhadap NDVI. Dari nilai RMSE terbaik, diperoleh prediksi pendapatan petani padi berkisar antara Rp. 2.4– 4.7 juta per ¼ hektar di setiap musim tanamnya.

Fulltext View|Download

Article Metrics:

Article Info
Section: Articles
Language : ID
Recent articles
PENGGUNAAN METODE INVERSE DISTANCE WEIGHTED (IDW) UNTUK PEMETAAN ZONA NILAI TANAH (STUDI KASUS: KELURAHAN GEDONG MENENG, BANDAR LAMPUNG) REGRESI SPASIAL UNTUK PREDIKSI PENDAPATAN PETANI BERDASARKAN RELASI INDEKS VEGETASI, HASIL PANEN PADI, DAN PERUBAHAN JUMLAH HUJAN PEMETAAN TEMATIK DAN TATA RUANG KEPULAUAN LENGKAP BERBASIS SISTEM INFORMASI GEOGRAFIS AGAR TERCAPAINYA MANAJEMEN PERTANAHAN More recent articles
  1. Alitawan, A. A. I., & Sutrisna, I. K. (2017). Faktor-Faktor yang Mempengaruhi Pendapatan Petani Jeruk pada Desa Gunung Bau Kecamatan Kintamani Kabupaten Bangli. E-Jurnal Ekonomi Pembangunan Universitas Udayana, 6(5), 165350
  2. Ariyono, A., Nurmalina, R., & Harmini. (2013). Analisis Pendapatan Usahatani Padi dan Sistem Pemasaran Beras. Forum Agribisnis, 3(1), 1–16. https://doi.org/https://doi.org/10.29244/fagb.3.1.1-16
  3. Banyo, Y. E., Ai, N. S., Siahaan, P., & Tangapo, A. M. (2013). Konsentrasi Klorofil Daun Padi Pada Saat Kekurangan Air. Ilmiah Sains, 13(1), 1–8
  4. Bou Dib, J., Alamsyah, Z., & Qaim, M. (2018). Land-use change and income inequality in rural Indonesia. Forest Policy and Economics, 94(June), 55–66. https://doi.org/10.1016/j.forpol.2018.06.010
  5. BPS. (2021). Kecamatan Purbolinggo Dalam Angka 2021. BPS Kabupaten Lampung Timur
  6. ESA. (2019). Spatial Resolution. https://sentinel.esa.int/web/sentinel/user-guides/sentinel-2-msi/resolutions/spatial
  7. FAO. (2006). Food Security. In Policy Brief (Vol. 43, Issue 2). https://doi.org/10.1016/j.jneb.2010.12.007
  8. Finger, R., & El Benni, N. (2011). Spatial analysis of income inequality in agriculture. Economics Bulletin, 31(3), 2138–2150
  9. Graber, D. R., Jones, W. J., & Johnson, J. A. (2005). Human and ecosystem health: The environment-agriculture connection in developing countries. Journal of Agromedicine, 9(2), 129–146. https://doi.org/10.1300/J096v09n02_08
  10. Hendri, L. W., Ismono, R. H., & Situmorang, S. (2020). Analisis Pendapatan Dan Keberlanjutan Usahatani Padi Sawah Organik Dan Anorganik Di Kabupaten Pringsewu Provinsi Lampung. Jurnal Ilmu Ilmu Agribisnis, 8(4), 547–554. https://doi.org/10.23960/jiia.v8i4.4697
  11. Hernawati, R., Harto, A. B., & Sari, D. K. (2018). Pemetaan Pola Tanam dan Kalender Tanam Padi Sawah menggunakan Teknik Penginderaan Jauh. Reka Geomatika, 2017(2). https://doi.org/10.26760/rg.v2017i2.1768
  12. Listiani, R., Setiadi, A., & Santoso, S. I. (2019). Analisis Pendapatan Usahatani Pada Petani Padi Di Kecamatan Mlonggo Kabupaten Jepara. Agrisocionomics: Jurnal Sosial Ekonomi Pertanian, 3(1), 50–58. https://doi.org/10.14710/agrisocionomics.v3i1.4018
  13. Mulkal, M., Risawandi, R., & Aflah, N. (2019). Inverse Distance Weight Spatial Interpolation for Topographic Surface 3D Modelling. TECHSI - Jurnal Teknik Informatika, 11(3), 385. https://doi.org/10.29103/techsi.v11i3.1934
  14. Nio, S. A., & Torey, P. (2013). Karakter morfologi akar sebagai indikator kekurangan air pada tanaman. Jurnal Bios Logos, 3(1), 9. https://doi.org/10.35799/jbl.3.1.2013.3466
  15. Nuarsa, I. W., Nishio, F., & Hongo, C. (2011). Relationship between Rice Spectral and Rice Yield Using Modis Data. Journal of Agricultural Science, 3(2), 80–88. https://doi.org/10.5539/jas.v3n2p80
  16. Nurmanaf, A.R.; Mayrowani, H.; Jamal, E. (2001). Evaluasi sosial ekonomi multifungsi lahan sawah. Prosiding Seminar Nasional Multifungsi Lahan Sawah, 121–136
  17. Panek, E., & Gozdowski, D. (2020). Analysis of relationship between cereal yield and NDVI for selected regions of Central Europe based on MODIS satellite data. Remote Sensing Applications: Society and Environment, 17(December 2019), 100286. https://doi.org/10.1016/j.rsase.2019.100286
  18. Piñeiro, V., Arias, J., Dürr, J., Elverdin, P., Ibáñez, A. M., Kinengyere, A., Opazo, C. M., Owoo, N., Page, J. R., Prager, S. D., & Torero, M. (2020). A scoping review on incentives for adoption of sustainable agricultural practices and their outcomes. Nature Sustainability, 3(10), 809–820. https://doi.org/10.1038/s41893-020-00617-y
  19. Purnamawati, I. G. A., Yuniarta, G. A., & Herliyani, E. (2021). Local Agricultural Products Strategy to Improve Resilience in a New Adaptation Era. Ekuitas: Jurnal Pendidikan Ekonomi, 9(1), 18. https://doi.org/10.23887/ekuitas.v9i1.32918
  20. Rouse, J. W., Haas, R. H., Scheel, J. A., & Deering, D. W. (1974). Monitoring vegetation systems in the great plains with ERTS. 3rd Earth Resource Technology Satellite Symposium, 1, 309–317. https://doi.org/19740022614
  21. Surmaini, E., Hadi, T. W., Subagyono, K., & Puspito, N. T. (2014). Penentuan Nilai Ambang Curah Hujan untuk Deteksi Dini Kekeringan pada Tanaman Padi Sawah : Studi Kasus Provinsi Jawa Barat dan Sulawesi Selatan Rainfall Threshold Assessment for Early Detection of Drought on Rice Paddies : Case Study in West Java and Sout. Jurnal Tanah Dan Iklim, 38(2), 79–87. https://doi.org/10.21082/jti.v38n2.2014.79-87
  22. Vroege, W., Meraner, M., Polman, N., Storm, H., Heijman, W., & Finger, R. (2020). Beyond the single farm – A spatial econometric analysis of spill-overs in farm diversification in the Netherlands. Land Use Policy, 99(October 2019), 105019. https://doi.org/10.1016/j.landusepol.2020.105019
  23. Yang, X., Wang, B., Chen, L., Li, P., & Cao, C. (2019). The different influences of drought stress at the flowering stage on rice physiological traits, grain yield, and quality. Scientific Reports, 9(1), 1–12. https://doi.org/10.1038/s41598-019-40161-0

Last update:

No citation recorded.

Last update:

No citation recorded.