Penerapan Segmentasi Citra untuk Estimasi Produksi Padi menggunakan Citra Sentinel-2 di Kecamatan Kepanjen, Kabupaten Malang pada Tahun 2025

Shalahudin Bintang Baihaqy, Dr. Sigit Heru Murti Budi Santosa, S.Si., M.Si.

2026 | Skripsi | KARTOGRAFI DAN PENGINDRAAN JAUH

Produksi padi memiliki peran strategis dalam menjaga ketahanan pangan nasional, khususnya di wilayah sentra produksi seperti Kecamatan Kepanjen, Kabupaten Malang, Jawa Timur, yang berkontribusi besar terhadap status Kabupaten Malang sebagai salah satu lumbung padi nasional. Namun, metode pendataan produksi padi secara konvensional yang mengandalkan survei ubinan di lapangan memerlukan waktu, biaya, dan tenaga yang tidak sedikit sehingga kurang mampu merepresentasikan kondisi pertanaman padi secara menyeluruh. Estimasi produksi padi yang akurat dan efisien dapat didukung melalui pemanfaatan data penginderaanjauh, seperti citra Sentinel-2, yang mampu memantau pertumbuhan tanaman padi dari fase awal hingga panen secara spasial dan temporal. 

Penelitian ini menggunakan dua citra Sentinel-2 Level-2A perekaman 29 April 2025 dan 14 Oktober 2025, yang masing-masing mewakili Musim Tanam I dan Musim Tanam II, untuk mengestimasi produksi padi di wilayah kajian. Metode yang diterapkan meliputi klasifikasi penutup lahan berbasis Object-Based Image Analysis (OBIA) multi level untuk memisahkan lahan sawah dari penutup lahan lainnya sekaligus mengidentifikasi fase pertumbuhan padi (genangan, vegetatif, generatif, dan bera) melalui segmentasi citra bertingkat yang mempertimbangkan karakteristik spektral, tekstur, dan bentuk objek. Selanjutnya dilakukan transformasi empat indeks vegetasi (NDVI, MSAVI, mSR, dan EVI2), dan survei lapangan terhadap 102 petani melalui wawancara, serta pemodelan regresi linier untuk memprediksi produktivitas padi berdasarkan nilai indeks vegetasi. 

Hasil klasifikasi penutup lahan menunjukkan Overall Accuracy sebesar 84,60?ngan indeks Kappa 0,787 pada Musim Tanam I dan 78,73?ngan indeks Kappa 0,728 pada Musim Tanam II, mengindikasikan jika pendekatan OBIA multi level mampu memisahkan lahan sawah dan fase pertumbuhan padi dengan akurasi yang cukup baik. Model regresi terbaik adalah NDVI untuk Musim Tanam I (R² =0,737) dan MSAVI untuk Musim Tanam II (R² = 0,808), dengan Standard Error of Estimate berturut-turut sebesar 2,961 ton/ha dan 2,584 ton/ha. Total estimasi luas panen dan produksi padi pada kedua musim tanam masing-masing sebesar 2.917,64 ha dan 21.791,15 ton.

Rice production plays a strategic role in maintaining national food security, particularly in key production areas such as Kepanjen District, Malang Regency, East Java, which contributes significantly to Malang Regency's status as one of Indonesia's national rice granaries. However, conventional rice production data collection methods that rely on crop-cutting surveys in the field require considerable time, cost, and labor, making them less able to represent the overall condition of rice cultivation. Accurate and efficient rice production estimation can be supported through the use of remote sensing data, such as Sentinel-2 imagery, which is capable of monitoring rice plant growth from the early stage to harvest both spatially and temporally. 

This study used two Sentinel-2 Level-2A images acquired on 29 April 2025 and 14 October 2025, representing the first and second planting seasons, respectively, to estimate rice production in the study area. The applied methods included multilevel Object-Based Image Analysis (OBIA) land cover classification to distinguish paddy fields from other land covers while simultaneously identifying rice growth phases (flooded, vegetative, generative, and fallow) through multilevel image segmentation that considers the spectral, textural, and shape characteristics of objects. This was followed by the transformation of four vegetation indices (NDVI, MSAVI, mSR, and EVI2), a field survey of 102 farmers through interviews, and linear regression modeling to predict rice productivity based on vegetation index values. 

The land cover classification results showed an Overall Accuracy of 84.60% with a Kappa index of 0.787 for the first planting season and 78.73% with a Kappa index of 0.728 for the second planting season, indicating that the multi-level OBIA approach was able to distinguish paddy fields and rice growth phases with reasonably good accuracy. The best regression models were NDVI for the first planting season (R² = 0.737) and MSAVI for the second planting season (R² = 0.808), with Standard Errors of Estimate of 2.961 ton/ha and 2.584 ton/ha, respectively. The total estimated harvested area and rice production across both planting seasons were 2,917.64 ha and 21,791.15 tons.

Kata Kunci : Citra Sentinel-2, Estimasi Produksi Padi, Multi-Level Object-Based Image Analysis, Transformasi Indeks Vegetasi, Fase Tanam Padi