Kristiawati, Wanda and Dr. Ir. Sudarto, and Aditya Nugraha Putra. (2020) Estimasi Biomassa Tanaman Nanas (Ananas Comosus, L. Merr) Menggunakan Remote Sensing Di Pt. Great Giant Pineapple, Lampung. Sarjana thesis, Universitas Brawijaya.
Abstract
Nanas merupakan komoditas buah yang menempati peringkat keempat tertinggi dari segi produksi di Indonesia setelah pisang, mangga, dan jeruk. Produksi nanas di Indonesia pada tahun 2018 mencapai 1.805.506 ton dengan peningkatan produksi mencapai ±13,46% setiap tahunnya (Hadiati dan Indriyani, 2008). Salah satu produsen nanas terbesar di Indonesia adalah PT. Great Giant Pineapple (PT. GGP). Selain nanas, PT. GGP juga memproduksi komoditas lainnya, seperti pisang, jambu, dan singkong. Namun, komoditas yang difokuskan oleh PT. GGP adalah tanaman nanas. Keberadaan PT. GGP sebagai perusahaan budidaya dan pengolahan produk nanas ikut mendongkrak produksi nanas di Indonesia sejak tahun 1979. Oleh karena itu, PT. GGP mampu mendominasi produksi nanas sebesar 33,65% dari total produksi nasional (Respati, 2016). Produksi nanas dipengaruhi oleh berbagai indikator dan salah satunya adalah biomassa. Biomassa adalah hasil dari produk fotosintesis yang diubah menjadi karbohidrat dan akan dimobilisasikan ke seluruh tubuh tanaman. Monitoring biomassa sangat penting dilakukan untuk memprediksi pertumbuhan dan performa tanaman. Penerapan teknologi remote sensing dapat digunakan untuk menganalisis biomassa tanaman nanas karena unggul dari segi biaya yang murah dengan cakupan areal yang luas. Penggunaan Unmanned Aerial Vehicle (UAV) dalam remote sensing akan menghasilkan foto udara. Foto udara dapat ditransformasikan menjadi indeks vegetasi. Indeks vegetasi memanfaatkan cahaya merah dan NIR yang dipantulkan oleh tanaman serta ditangkap oleh sensor UAV. Tanaman menyerap cahaya merah dengan kuat untuk proses fotosintesis, sedangkan cahaya NIR dipantulkan oleh tanaman karena adanya penghamburan internal pada sisi dinding sel dalam daun. Transformasi indeks vegetasi dalam remote sensing dapat digunakan untuk mengestimasi biomassa tanaman nanas, seperti Generalized Difference Vegetation Index (GDVI), Normalized Difference Vegetation Index (NDVI), Optimize Soil Adjusted Vegetation Index (OSAVI), dan Transformed Difference Vegetation Index (TDVI). Penelitian ini dilaksanakan mulai bulan Juli sampai dengan September 2019 di Perkebunan Nanas PT. GGP, Terbanggi Besar, Lampung Tengah, Lampung. Tanaman nanas yang diteliti memiliki varietas GP3 dan berasal dari bibit sucker. Sucker merupakan bibit yang paling banyak digunakan di PT. GGP dan berasal dari tunas tanaman nanas yang tumbuh pada ketiak daun. Daya tumbuh sucker lebih cepat dibandingkan dua bibit lainnya yang digunakan oleh PT. GGP, yaitu crown dan nursery. Lokasi penelitian dibagi berdasarkan delapan fase pembungaan (forcing) pada saat lima bulan sebelum forcing hingga dua bulan setelah forcing. Forcing merupakan kegiatan mengatur pembungaan menggunakan zat etilen atau mematahkan fase vegetatif menjadi generatif. Analisis biomassa tanaman nanas ditentukan berdasarkan berat kering tanaman serta hasil transformasi indeks vegetasi (GDVI, NDVI, OSAVI, dan TDVI). Uji statistik yang dilakukan yaitu uji korelasi dan regresi sehingga mendapatkan formula yang dapat digunakan untuk ii mengestimasi biomassa tanaman nanas. Langkah selanjutnya adalah uji validasi untuk mengetahui apakah data aktual dengan data pendugaan memiliki hasil yang berbeda nyata atau tidak. Hasil analisis statistik antara biomassa dengan keempat indeks vegetasi menunjukkan arah hubungan yang positif dengan kategori lemah dan kuat. Hasil uji validasi menggunakan uji T dua sampel berpasangan menunjukkan bahwa antara data biomassa hasil pengukuran di lapangan dan data estimasi tidak memiliki perbedaan yang signifikan. Formula regresi terbaik setiap fasenya dapat digunaakan untuk mengestimasi biomassa tanaman nanas. Indeks vegetasi yang terpilih pada saat lima bulan sebelum forcing, empat bulan sebelum forcing, tiga bulan sebelum forcing, dan satu bulan setelah forcing yaitu GDVI; pada saat dua bulan sebelum forcing, satu bulan sebelum forcing, dan dua bulan setelah forcing yaitu OSAVI; sedangkan pada saat fase forcing yaitu TDVI. Formula regresi yang terpilih pada saat lima bulan sebelum forcing yaitu Y=30.08(GDVI)–20.48 dengan R2=50.70%; pada saat empat bulan sebelum forcing yaitu Y=56.00(GDVI)–44.30 dengan R2=40.60%; pada saat tiga bulan sebelum forcing yaitu Y=67.20(GDVI)–51.30 dengan R2=28.20%; pada saat dua bulan sebelum forcing yaitu Y=25.43(OSAVI)+1.48 dengan R2=45.20%; pada saat satu bulan sebelum forcing yaitu Y=54.90(OSAVI)–7.55 dengan R2=29.80%; pada saat fase forcing yaitu Y=38.90(TDVI)–22.80 dengan R2=17.60%; pada saat satu bulan setelah forcing yaitu Y=67.90(GDVI)–40.70 dengan R2=30.10%; dan pada saat dua bulan setelah forcing yaitu Y=47.10(OSAVI)+4.28 dengan R2=21.70%
English Abstract
Pineapple is a fruit commodity that ranks fourth highest in terms of production in Indonesia after banana, mango, and orange. Pineapple production in Indonesia in 2018 reaches 1,805,506 tons with increased production reaching ±13.46% annually (Hadiati and Indriyani, 2008). One of the biggest pineapple producers in Indonesia is Great Giant Pineapple Co. (GGP Co.). In addition to pineapple, GGP Co. also produces other commodities, such as banana, guava, and cassava. However, the commodity focused by GGP Co. is the pineapple plant. The existence of GGP Co. as a company in the cultivation and processing of pineapple products has been boosting the pineapple production in Indonesia since 1979. Thus, GGP Co. is able to dominate the amount of pineapple production up to 33.65% of the total national production (Respati, 2016). Pineapple production is influenced by many things and one of them is biomass. Biomass is the result of photosynthetic products which will be converted into carbohydrates and will be mobilized throughout the body of the plant. Biomass monitoring is very important to predict plant growth and performance. The application of remote sensing technology can be used to analyze the biomass of pineapple plants because it excels in terms of cheap cost with a wide coverage area. The use of Unmanned Aerial Vehicle (UAV) in remote sensing will result in aerial photographs. Aerial photographs can be transformed into a vegetation index. The vegetation index utilizes the red light and NIR that reflected by the plant and captured by the UAV sensors. The plants absorb the red light strongly for the photosynthesis process, while the NIR light is reflected by the plant because of its internal scattering on the side of the wall in the leaf. The vegetation index transformation in remote sensing can be used to estimate the biomass of pineapple plants, such as Generalized Difference Vegetation Index (GDVI), Normalized Difference Vegetation Index (NDVI), Optimize Soil Adjusted Vegetation Index (OSAVI), and Transformed Difference Vegetation Index (TDVI). This research was held from July to September 2019 in the Pineapple Plantation GGP Co., Terbanggi Besar City, Central Lampung District, Lampung Province. The studied pineapple plants have a variety of GP3 and are derived from sucker seeds. Sucker is the most widely used seedlings in GGP Co. and comes from the shoots of pineapple plants that grow on the armpit leaves. Power grows sucker faster than the other two seedlings used by GGP Co., namely crown and nursery. The location of the research is divided by the eight flowering phases (forcing) at five months before forcing to two months after forcing. Forcing is an activity to regulate the flowering using ethylene substance or break the vegetative phase into generative. The biomass analysis of pineapple plants is determined based on the dry weight of plants as well as the transformation of vegetation index (GDVI, NDVI, OSAVI, and TDVI). The statistical tests conducted are correlation and regression tests so that it obtains a regression formula that can be used to estimate pineapple plant biomass. The next step is the validation test to find out whether the data on field measurement results with the estimated data or otherwise. iv The results of statistical analysis between biomass and the four vegetation indexes showed a positive relationship with the weak and strong categories. The validation test results using a paired two-samples T-test showed that the biomass data between the measurement results in the field and the estimated data had no significant differences. The best regression formula of every phases can be used to estimate the biomass of pineapple plants. The vegetation index was selected at the time of five months before forcing, four months before forcing, three months before forcing, and one month after forcing that was GDVI; at the time of two months before forcing, one month before forcing, and two months after forcing was OSAVI; while the forcing phase is TDVI. The regression formula that was selected at the time of five months before forcing is Y=30.08(GDVI)–20.48 with R2=50.70%; at four months before forcing is Y=56.00(GDVI)–44.30 with R2=40.60%; at three months before forcing Y=67.20(GDVI)–51.30 with R2=28.20%; at the time of two months before forcing is Y=25.43(OSAVI)+1.48 with R2=45.20%; at the time of one month before forcing is Y=54.90(OSAVI)–7.55 with R2=29.80%; at the forcing phase is Y=38.90(TDVI)– 22.80 with R2=17.60%; at the time of one month after forcing is Y=67.90(GDVI)–40.70 with R2=30.10%; and at the time of two months after forcing is Y=47.10(OSAVI)+4.28 with R2 = 21.70%
Other obstract
-
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | 0520040125 |
| Subjects: | 600 Technology (Applied sciences) > 631 Specific techniques; apparatus, equipment materials > 631.4 Soil science |
| Divisions: | Fakultas Pertanian > Ilmu Tanah |
| Depositing User: | Nur Cholis |
| Date Deposited: | 28 Apr 2023 02:03 |
| Last Modified: | 08 Oct 2024 06:29 |
| URI: | http://repository.ub.ac.id/id/eprint/198438 |
![[thumbnail of Wanda Kristiawati.pdf]](http://repository.ub.ac.id/style/images/fileicons/text.png) |
Text
Wanda Kristiawati.pdf Download (21MB) |
Actions (login required)
 |
View Item |