pusat pemanfaatan penginderaan jauhpusfatja.lapan.go.id/files_uploads_ebook/publikasi/buku...

2015

PUSAT PEMANFAATAN PENGINDERAAN JAUH

LAPAN

LITBANG PEMANFAATAN PENGINDERAAN JAUH UNTUK IDENTIFIKASI PERKEBUNAN

i

LAPORAN KEGIATAN LITBANGYASA

LITBANG PEMANFAATAN DATA PENGINDERAAN JAUH

UNTUK IDENTIFIKASI PERKEBUNAN Oleh:

Ita Carolita Jansen Sitorus Johanes Manalu Gagat Nugroho I.Made Parsa Dede Dirgahayu Nursanti Bidawi Hasyim

PUSAT PEMANFAATAN PENGINDERAAN JAUH LEMBAGA PENERBANGAN DAN ANTARIKSA NASIONAL Jl. Kalisari No. 8 Pekayon, Pasar Rebo, Jakarta 13710 Telp. (021) 8710065 Faks. (021) 8722733

iii

KATA PENGANTAR

Undang-undang No. 21 tahun 2013 mengamanatkan kepada Lembaga Penerbangan dan Antariksa Nasional (LAPAN) untuk menetapkan metode dan kualitas pengolahan data penginderaan jauh. Sehubungan dengan hal tersebut, maka dilakukan kegiatan penelitian, pengembangan, dan perekayasaan (litbangyasa) pemanfaatan penginderaan jauh sebagai dasar dalam penentuan metode dan kualitas pengolahan data. Kegiatan litbangyasa tersebut tentunya tidak dilakukan dalam waktu setahun atau dua tahun sehingga metode dan kualitas data langsung ditetapkan, namun memerlukan proses dan waktu yang cukup panjang. Agar setiap kegiatan untuk menuju hal tersebut terdokumentasi dengan baik, maka disusunlah buku laporan setiap tahunnya.

Puji syukur ke hadirat Allah SWT, penyusunan buku hasil litbangyasa dengan judul Litbang Pemanfaatan Data Penginderaan Jauh untuk Identifikasi Perkebunan telah diselesaikan dengan baik. Buku ini disusun sebagai bukti pertanggungjawaban hasil kegiatan litbangyasa yang dibiayai oleh DIPA Pusat Pemanfaatan Penginderaan Jauh. Buku ini intinya terdiri dari 6 Bab yang memuat (1) Pendahuluan, (2) Tujuan dan Sasaran, (3) Tinjauan Pustaka, (4) Bahan dan Metode, (5) Hasil dan Pembahasan, dan (6) Kesimpulan dan Saran. Buku ini disertai dengan lampiran-lampiran yang mendukung hasil kegiatan tersebut.

Dalam penyusunan buku ini tentunya melibatkan tim litbangyasa yang bekerja selama tahun 2015, narasumber baik dari tim litbangyasa yang lain dan perguruan tinggi, dan juga pihak-pihak lain yang terkait. Masukan-masukan dan hasil-hasil diskusi memperkaya kegiatan ini sehingga mendapatkan hasil yang semakin baik. Kepada pihak-pihak terkait yang telah membantu kegiatan ini, saya selaku Kepala Pusat Pemanfaatan Penginderaan Jauh mengucapkan terima kasih yang sebesar-besarnya. Kepada tim litbangyasa yang telah melakukan kegiatan litbangyasa ini, selain buku ini diharapkan juga dipublikasikan hasil temuan-temuan yang sudah didapatkan dalam media yang lain seperti Jurnal, baik nasional maupun internasional.

Akhir kata, tak ada gading yang tak retak, buku ini tentunya tidak sempurna,

namun ini akan menjadi dokumen yang penting dalam kegiatan penelitian dan

pengembangan selanjutnya. Kritik dan saran terkait penyusunan buku ini dapat

disampaikan langsung, baik secara lisan maupun tulisan. Hal ini akan dapat

membantu agar penyusunan buku berikutnya menjadi lebih baik.

Jakarta, 14 Desember 2015 Kepala Pusat Pemanfaatan Penginderaan Jauh,

Dr. M. Rokhis Khomarudin

v

DAFTAR ISI Halaman:

KATA PENGANTAR iii

DAFTAR ISI v

DAFTAR GAMBAR vi

DAFTAR TABEL vii

I. PENDAHULUAN 1

1.1. Kelapa Sawit 1

1.2. Problem dalam Pengembangan Area Kelapa Sawit 5

1.3. Teknologi Penginderaan Jauh untuk Pemetaan Perkebunan Kelapa Sawit dan Manajemen Perkebunan Kelapa Sawit

5

1.4. Pemanfaatan Data Penginderaan Jauh utuk Pemeliharaan Lingkungan

7

1.5. Analisa Tekstur 7

1.6. Tujuan dan Sasaran 8

II. METODE PENELITIAN 9

2.1. Lokasi Penelitian 9

2.2. Metode 10

III. HASIL DAN PEMBAHASAN 11

3.1. Pengumpulan Data 11

3.2. Pengolahan Data 13

IV. KEGIATAN TERKAIT DAN SOSIALISASI 32

4.1. Sosialisasi dengan PPKS dan PTP N 3 32

4.2. Pertemuan dengan JAXA dan Stakeholder 33

4.3 Pertemuan dengan CSIRO dan team SAFE LAPAN 34

4.4 Workshop SAFE pada APRSAF-22 di Denpasar, Bali 34

V. KESIMPULAN DAN SARAN 36

DAFTAR PUSTAKA 36

vi

DAFTAR GAMBAR

Halaman:

Gambar 1. Pohon Kelapa Sawit 1

Gambar 2. Produktivitas kelapa sawit berdasarkan umur 4

Gambar 3. Hubungan antara umur kelapa sawit dan IRI (kiri) dan Hubungan antara umur kelapa sawit dan kanal 5 LS TM(kanan)

6

Gambar 4. Skema Penggunaan Data Penginderaan Jauh untuk Sertifikasi RSPO

7

Gambar 5. Diagram Alir Penelitian 10

Gambar 6. Citra SPOT area Kab. Tana Laut Kalimantan Selatan 11

Gambar 7. Citra Landsat-8 area Medan dan Tebing Tinggi 12

Gambar 8. Citra SPOT6 area Medan dan Tebing Tinggi 12

Gambar 9. Citra Pleaides area Medan dan Tebing Tinggi 13

Gambar 10. Citra NDVI untuk area kajian Medan dan Tebing Tinggi 14

Gambar 11. Citra NDVI untuk perkebunan di Medan dengan beberapa level umur

14

Gambar 12. Data Landsat Band 653(RGB) tanggal, 21 Agustus 2015

15

Gambar 13. Hasil Segmentasi dengan skala parameter 100, shape=

0.5 dan colour=0.5

16

Gambar 14. Hasil klasifikasi khusus tanaman sawit 16

Gambar 15. Hasil klasifkasi penutupan lahan dengan LS8 area

perkebunan kelapa sawit di Kabupaten Tana Laut,

Kalimantan Selatan

17

Gambar 16. Kondisi kelapa sawit dan citra SPOT6 untuk setiap usia

17

Gambar 17. Pengamatan dan Pengukuran di lapangan 18

Gambar 18. Kondisi kelapa sawit dan citra SPOT6 untuk setiap usia

23

Gambar 19. Karakteristik spectral setiap kanal SPOT6 terhadap perbedaan

24

Gambar 20. Profil Pertumbuhan Kelapa Sawit dengan SPOT6

Tebing Tingi Sumatera Utara

25

Gambar 21. Hasil Ekstraksi Parameter Texture SPOT 6-P 27

Gambar 22. asil klasifikasi maximum likelihood dengan 3 parameter tekstur

28

Gambar 23a. Hasil klasifikasi maximum likelihood dengan 8 parameter tekstur

29

vii

Gambar 23b. Hasil klasifikasi minimum distance dengan 8 parameter tekstur

30

Gambar 24. Koordinasi dan sosialisasi di PTP N 13 32

Gambar 25. Di Dinas Perkebunan Propinsi Sumatera Utara 32

Gambar 26. Dengan Dr. Lal, Mr Hamamoto, Deputi dan

KAPUSFATJA serta peneliti yang terkait

33

Gambar 27. Diskusi dengan CSIRO 34

Gambar 28. Peserta Worskhop SAFE, APRSAF 22, Denpasar Bali,

30 Nov 2015

35

Gambar 29. Suasana Worskhop SAFE, APRSAF 22, Denpasar Bali, 30 Nov 2015

35

DAFTAR TABEL

Halaman

Tabel 1. Paramater Tekstur 8

Tabel 2. Nilai NDVI untuk beberapa level umur kelapa sawit 13

Tabel 3. Tabel Titik Survei Pada perkebunan Sawit PTPN- IV Sumatera Utara

18

Tabel 4. Hubungan antara ukuran kernel dengan akurasi klasifikasi berbasis tekstur

31

1

LITBANG PEMANFAATAN DATA PENGINDERAAN JAUH UNTUK IDENTIFIKASI PERKEBUNAN

Ita Carolita*), Jansen Sitorus, Johanes Manalu, Gagat Nugroho,

I.Made Parsa, Dede Dirgahayu, Nursanti, Bidawi Hasyim

Pusat Pemanfaatan Penginderaan Jauh LAPAN *)E-mail: [email protected]

I. PENDAHULUAN

1.1. Kelapa Sawit Kelapa sawit (Elaeis guineensis Jack.) merupakan salah satu tanaman pohon

tropis yang paling penting di dunia. Kelapa sawit berbentuk pohon . Tingginya dapat mencapai 24 meter. Akar serabut tanaman kelapa sawit mengarah ke bawah dan samping. Selain itu juga terdapat beberapa akar napas yang tumbuh mengarah ke samping atas untuk mendapatkan tambahan aerasi. Seperti jenis palma lainnya, daunnya tersusun majemuk menyirip. Daun berwarna hijau tua dan pelepah berwarna sedikit lebih muda. Penampilannya agak mirip dengan tanaman salak, dengan duri yang tidak terlalu keras dan tajam. Batang tanaman diselimuti bekas pelepah hingga umur 12 tahun. Setelah umur 12 tahun pelapah yang mengering akan terlepas sehingga penampilan menjadi mirip dengan kelapa. Gambar 1 adalah gambar stuktrur pohon kelapa sawit.

Gambar 1. Pohon Kelapa Sawit

Jumlah pelepah, panjang pelepah, dan jumlah anak daun tergantung pada umur tanaman. Tanaman yang berumur tua, jumlah pelepah dan anak daun lebih banyak.

2

Begitu pula pelepah akan lebih panjang dibanding dengan tanaman yang masih muda. Saat tanaman berumur sekitar 10 – 13 tahun dapat ditemukan daun yang luas permukaannya mencapai 10 – 15 m2 (Binama, 2005). Luas permukaan daun akan berinteraksi dengan tingkat produktifitas tanaman. Semakin luas permukaan atau semakin banyak jumlah daun maka produksi akan meningkat karena proses fotosintesis akan berjalan dengan baik. (M. Zainal Aririn, 2010)

Ada dua jenis minyak sawit, inti sawit dan minyak buah kelapa sawit, dan menggunakan mereka sebagai sumber makanan, dalam industri oelochemical dan sektor biofuel tergantung pada kategorisasi ini. Minyak inti sawit diperoleh dari biji atau kernel dalam shell mesocarp keras yang menghasilkan sekitar 80% asam lemak jenuh (oleat) dan terutama digunakan dalam pembuatan sabun, deterjen dan perlengkapan lainnya dalam industri oleokimia (Basiron, 2007; Hartder, et al, 1997). Panen dimulai pada tahun kedua dan berlanjut sampai 30 tahun, yang menghasilkan sebagian besar minyak per satuan luas tanaman kelapa sawit. Usia merupakan variabel penting dalam model peramalan panen (Foong 1982)-dimana panen meningkat dengan usia sampai dengan tahun tujuh atau delapan dan kemudian menurun (Corley dan Gray 1976).

Dunia produksi minyak kelapa sawit telah meningkat spektakuler dalam 20 tahun terakhir, terutama di Malaysia dan Indonesia. Pada perkebunan komersial, kelapa sawit ditanam di blok usia seragam dan kepadatan. Perusahaan perkebunan memiliki peta usia blok kelapa sawit, akan tetapi informasi spasial ini tidak mudah diakses untuk tujuan penilaian dampak lingkungan atau besar daerah hasil peramalan

Kelapa sawit merupakan tanaman monokotil, yaitu batangnya tidak mempunyai kambiaum dan umunya tidak bercabang. Batang berfungsi sebagai penyangga tajuk serta menyimpan dan mengangkut bahan makanan. Tanaman yang masih muda, batangnya tidak terlihat karena tertutup oleh pelepah daun. Pertambahan tinggi batang terlihat jelas setelah tanaman berumur 4 tahun. Tinggi batang bertambah 25-45 cm/tahun. Jika kondisi lingkungan sesuai, pertumbuhan tinggi batang dapat mencapai 100 cm/tahun. Tinggi maksimum yang ditanam di perkebunan antara 15-18 m, sedangkan yang di alam mencapai 30 m dengan pertumbuhan batang tergantung pada jenis tanaman, kesuburan lahan, dan iklim setempat (Fauzi, dkk, 2004).

Buah kelapa sawit yang disebut juga Tandan Buah Segar (TBS) merupakan nilai ekonomis yang utama dari kelapa sawit. Buah sawit terdiri dari kulit (eksocrap), serabut (mesocrap), cangkang (endocrap) dan inti (kernel). Produk utama dari bauah sawit adalah minyak dari mesocrap (yang disebut dengan minyak sawit) dan minyak dari inti sawit. Rasio minyak inti sawit terhadap berat TBS (yang disebut rendemen CPO) sekitar 20-25% sedangkan ratio inti sawit terhadap berat tandan (rendemen inti) sekitar 4-7% (Wahyono, dkk, 1996).

Tanaman kelapa sawit normal yang telah berbuah akan menghasilkan kira-kira 20-22 tandan/tahun dan semakin tua produktivitasnya menurun menjadi 12-14 tandan/tahun. Pada tahun-tahun pertama tanaman kelapa sawit berbuah pada tanaman yang sehat berat tandannya berkisar antara 3-6 kg. Tanaman semakin tua, berat tandan pun bertambah, yaitu antara 25-35 kg/tandan (Tim Penulis PS, 1997).

Perkembangan buah telah diteliti oleh banyak ahli. Endosperm masih berupa cairan sampai dengan periode 60-70 hari setelah anthesis (hsa) dan mulai mengental pada periode l.k. 100 hsa. Berat minyak perinti menunjujjan kenaikan yang tetap pada periode 70-140 hsa. Berat kering ini meningkat dan proporsi

3

kandungan minyak terhadap biji kering kira-kira mulai konstan pada periode >110 hsa (Pahan, 2006).

Tanaman kelapa sawit membutuhkan intensitas cahaya matahari yang cukup tinggi untuk melakukan fotosintesis, kecuali pada kondisi juvenile di pre nursery. Pada kondisi langit cerah di daerah zona katulistiwa, intensitas cahaya matahari bervariasi 1.410-1.540 J/cm2/hari. Intensitas cahaya matahari sebesar 1.410 terjadi pada bulan Juli dan Desember, sedangkan 1.540 terjadi pada bulan Maret dan September. Dengan semakin menjauhnya suatu daerah dari khatulistiwa – misalnya pada daerah 10o LU – intensitas cahaya akan turun dan berkisar 1.218-1.500 J/cm2/hari. Intensitas 1.218 terjadi pada bulan Desember, sedangkan 1.500 terjadi pada periode Maret-September (Pahan, 2006).

Ketinggian (altitude) 0-600 m di atas permukaan laut (dpl). Optimum 0-200 m dpl. Berdasarkan survei pada kasus tertentu dapat disarankan sampai altitude 850 dpl (Wahyono, dkk, 1996).

Jika tanah kekurangan air (kekeringan) maka akar tanaman akan sulit menyerap mineral dalam tanah sebab dengan adanya air, unsur-unsur hara dapat larut dan tersedia bagi tanaman. Faktor-faktor kelembapan udara juga sangat berpengaruh terhadap pertumbuhan kelapa sawit. Sedangkan faktor-faktor yang mempengaruhi kelembapan antara lain curah hujan, suhu, dan penyinaran matahari. Kelembapan optimum bagi kelapa sawit berkisar 80%-90% (Risza, 1994).

Kecepatan angin 5-6 km/jam sangat baik untuk membantu proses penyerbukan. Angin yang terlalu kencang akan menyebabkan tanaman baru doyong atau miring (Lubis, 1992).

Curah hujan optimum yang diperlukan tanaman kelapa sawit rata-rata 2000-2500 mm/tahun dengan distribusi merata sepanjang tahun tanpa bulan kering yang berkepanjangan. Curah hujan yang merata ini dapat menurunkan penguapan dari tanah dan tanaman kelapa sawit. Air merupakan pelarut unsur-unsur hara di dalam tanah. Sehingga dengan bantuan air, unsur tersebut menjadi tersedia bagi tanaman. Bila tanah dalam keadaan kering, akar tanaman sulit menyerap ion mineral dari dalam tanah. Oleh sebab itu, musim kemarau yang berkepanjangan akan menurunkan produksi (Tim Penulis PS, 1997).

Selain curah hujan dan sinar matahari yang cukup, tanaman kelapa sawit memerlukan suhu yang optimum sekitar 24-280C untuk tumbuh dengan baik. Meskipun demikian, tanaman masih bisa tumbuh pada suhu terendah 180C dan tertinggi 320C. Beberapa faktor yang mempengaruhi tinggi rendah suhu adalah lama penyinaran dan ketinggian tempat. Makin lama penyinaran atau makin rendah suatu tempat makin tinggi suhunya (Fauzi, dkk, 2004).

Kecocokan tanah untuk kelapa sawit dipengaruhi karakteristik fisik dan kimia. Informasi terperinci pada banyak jenis tanah dan kandungan tanah diluar lingkup ini dan pembaca adalah referensi bagi salah satu dari beberapa kemunculan yang baik pada lahan. Tinjauan ulang yang biasa dari jenis tanah ditemukan pada daerah kelapa sawit di seluruh dunia yang telah dibuat (Turner and Gillbanks, 1974).

Dalam hal tanah, tanaman kelapa sawit tidak menuntut pernyataan terlalu banyak karena dapat tumbuh pada berbagai jenis tanah (podsolik, latosol, hidromorfik kelabu, alluvial, atau regosol). Meskipun demikian, kemampuan produksi kelapa sawit pada masing-masing tanah tidaklah sama (Tim Penulis PS, 1997).

Kelapa sawit dapat tumbuh padea berbagai jenis tanah seperti podsolik, latosol, hidromorfik kelabu (HK), regosol, andosol, organosol, dan alluvial. Solum tebal 80

4

cm. solum yang tebal akan merupakan media yang baik bagi perkembangan akar sehingga efisiensi penyerapan hara tanaman akan lebih baik. (Lubis, 1992).

Tanaman kelapa sawit tidak memerlukan tanah dengan sifat yang istimewa sebab kekurangan suatu unsur hara dapat diatasi dengan pemupukan. Walaupun demikian tanah yang mengandung unsur hara dalam jumlah besar sangat baik untuk pertumbuhan vegetatif dan generatif tanaman, sedangkan keasaman tanah menentukan ketersediaan dan keseimbangan unsur hara dalam tanah. Kelapa sawit dapat tumbuh pada pH tanah antara 4,0-6,5 sedangkan pH optimumnya adalah 5-5,5 (Fauzi, dkk, 2004).

Sifat fisik tanah ditentukan oleh tekstur, struktur, kemiringan tanah, tebalnya lapisan tanah, kedalaman permukaan air tanah. Kelapa sawit menghendaki tanah yang subur, gembur, memiliki solum yang tebal, tanpa lapisan padas, datar dan drainasenya baik (Risza, 1994).

Tanaman kelapa sawit membutuhkan drainase tanah yang baik untuk menunjang pertumbuhan dan produktifitas kelapa sawit yang tinggi. Kondisi tanah yang berdrainase buruk menyebabkan akan terhambat respirasi dan penyerapan unsur hara oleh akar tanaman, sedangkan pada tanah yang berdrainase terlalu cepat dapat mengurangi kemampuan tanah dalam menahan air (Wahyono, dkk,

1996). Kecenderungan praktik pertanian (perkebunan) yang semakin terdesak ke arah

lahan yang “marjinal” dan semakin menjauh dari daerah pemukiman tradisional menuntut perkembangan teknologi (baca: Rupiah) untuk mengatasi kondisi ke-marjinalan lahan dan perkembangan infrastruktur wilayah baru tersebut. Dengan demikian, pemanfaatan lahan selain mengacu pada konsep kelas kesesuaian lahan, juga harus mempertimbangkan pengembangan infrastruktur (oleh pemerintah) di masa yang akan datang (Pahan, 2006).

Produktivitas kelapa sawit meningat berdasarkan usianya, sampai pada usia tertentu produktivitas (sekitar 12 atau 13 tahun) menjadi menurun. Grafik pada Gambar 2 berikut adalah grafik yang menunjukkan produktivias kelapa sawit (dalam ton/ha) berdasarkan umur (dalam tahun), sumber data dari Kementrian Pertanian, 2014

Gambar 2. Produktivitas kelapa sawit berdasarkan umur

0

10

20

30

40

0 10 20 30

productivity (ton/ha)

productivity (ton/ha)

5

1.2. Problem dalam Pengembangan Area Kelapa Sawit

Karena permintaan pasar untuk produk minyak sawit meningkat dan masyarakat mencari pilihan yang menguntungkan untuk kelangsungan hidup ekonomi, daerah di bawah kelapa sawit telah sangat meningkat di hampir semua negara penghasil utama. Ada kekhawatiran tentang pertumbuhan penyediaan produksi minyak sawit dan layanan ekosistem mengatur pada skala yang berbeda. Selain itu, di Asia Tenggara, di mana lebih dari 80% minyak sawit global diproduksi (Corley) ada laporan luas mengenai dampak ekologi ekspansi kelapa sawit (F),. deforestasi adalah salah satu kekhawatiran terbesar tentang ekspansi minyak dunia (T) dalam Chemura.

Selain itu, konversi hutan, terutama di ekosistem lahan gambut, memberikan kontribusi signifikan terhadap emisi gas rumah hijau (Fitzherbet, 2008; Laurance, 2010). Selanjutnya, tiga hutan tropis yang penting dalam retensi air dan proses hydorlogical lainnya serta untuk evapotranspirasi yang membuat daerah tropis lembab (Tan, et al, 2009). Konversi lahan untuk hasil kelapa sawit di kehilangan akses ke jasa hutan yang merupakan bagian dari kehidupan masyarakat di sekitar hutan (Friends of the Earth, 2007, WWF, 2007), lebih lanjut, isu-isu sosial yang berkaitan dengan tanah transfer dan sistem penguasaan daripada datang dengan akuisisi dan / atau penjualan potongan besar tanah adat kepada perusahaan kelapa sawit menjadi perhatian (Achten, et.al, 2010; Friends of the Earth, 2007)

1.3. Teknologi Penginderaan Jauh untuk Pemetaan Perkebunan Kelapa Sawit dan Manajemen Perkebunan Kelapa Sawit

Teknologi Satelit penginderaan jauh menggunakan teknik penginderaan jauh optik dan radar telah berhasil digunakan dalam berbagai aplikasi yang berhubungan dengan studi sumber daya bumi dan pemantauan lingkungan. Beberapa keuntungan dari teknik ini adalah efektivitas biaya, cakupan yang luas, dekat akuisisi data real-time dan kemampuan perekaman berulang dengan waktu yang teratur. Penginderaan Jauh memiliki potensi signifikan untuk membantu pemantauan kelapa sawit dan upaya prediksi. Penginderaan jauh juga memberikan kemungkinan untuk memberikan metode dengan biaya yang efektif untuk untuk memetakan kelapa sawit serta memberikan penilaian secara khusus praktek manajemen dan deskripsi pertumbuhan kelapa sawit.

Hasil Penelitian Mc. Morrow

Data spektral adalah enam band TM reflektif dan tiga indeks spektral . Hubungan negatif nonlinear antara variabel spektral dan usia dibandingkan dengan tren yang diterbitkan di daerah daun , batang tinggi dan persen tutupan tajuk kelapa sawit dan hutan tanaman lainnya .

Koefisien korelasi antara usia log dan log cahaya yang moderat dan sangat signifikan ( p < 0,01 ) untuk band-band 2-5 dan 7 ( 0,214-0,776 ) di skala pixel , dan peningkatan pada skala berdiri ( r2 = 0,985 untuk log pita 5 , p < 0,01 ) .

Hubungan yang kuat untuk band inframerah pertengahan , terutama pita 5 ( r2 = 0,585 , p < 0,01 ) dan indeks inframerah ( IRI ) , indeks perbedaan normalisasi band 4 dan 5 ( r2 = 0,48 , p < 0,01 ) . Model regresi linier langsung dan terbalik untuk usia log dengan log band dan log usia dengan IRI kuadrat ( IRIsq ) dibangun pada kedua skala . Gambar 5 dan 6 menunjukkan hasil penelitian Mc. Morrow hubungan antara umur kelapa sawit dan kanal LS TM.

6

Gambar 3. Hubungan antara umur kelapa sawit dan IRI (kiri) dan hubungan antara umur kelapa sawit dan kanal 5 LS TM (kanan)

Hasil Penelitian Chemura

Chemura melakukan penelitian dengan menggunakan data resolusi sangat tinggi. Hubungan linier antara umur tanaman kelapa sawit dengan luas tajuk sampai dengan umur kelapa sawit 13 tahun, berdasarkan penelitian Chemura dalam ISPRS Journal of Photogrammetry and Remote Sensing, 2014, adalah sebagai berikut:

Age(year) = 0,59 + 0,15*CPA(m2) (1)

dimana: CPA : Crown Projection Area (Luas Tajuk) Korelasi antara umur dan luas tajuk sampai umur 13 tahun cukup baik (R2=0,88), sedangkan diatas 13 tahun CPA nya konstan sehingga tidak dapat ditentukan umurnya.

Hasil Penelitian Jansen Sitorus

Pengkajian dilakukan dengan menggunakan data satelit Landsat pada areal perkebunan PTPN V Pekan baru. Dari hasil overlay areal perkebunan dengan data Landsat dapat dianalisis reflektansi spektral maupun indeks spektral setiap tingkatan umur tanaman. Selanjutnya dapat dikembangakan model empiris hubungan umur dengan parameter yang dapat diturunkan dari data Landsat. Model yang dikembangkan di uji pada perkebunan sawit PTPN VII Lampung. Hasilnya menunjukkan pada umur dibawah 3 tahun model tidak bagus digunakan, karena pada umur tersebut kondisi penutup lahan sangat bervariasi, antara lain kanopi tanaman yang berdekatan belum menyambung sehingga reflektansi yang diterima satelit bukan hanya dari sawit, juga vegetasi tanaman sela yang sangat heterogen pertumbuhannya. Pada umur masa remaja sampai menjelang dewasa (3 - 14 tahun) model cukup bagus digunakan, sedangkan usia dewasa sampai tua (> 14 Tahun)

7

model tidak cukup bagus dalam memprediksi umur tanaman sawit. Penelitian oleh LAPAN (Sitorus, Jansen) di perkebunan kelapa sawit di Lampung Sumatera Indonesia menunjukkan bahwa koefisien regresi antara Landsat spektral band dan usia kelapa sawit adalah 69%. Band 5 dari Landsat, IRI (indeks Red Infra), dan MIRII (Infra red Tengah) dari Landsat memberikan korelasi terbesar dengan usia kelapa sawit.

1.4. Pemanfaatan Data Penginderaan Jauh utuk Pemeliharaan Lingkungan

RSPO (Roundtable on Sustainable Palm Oil) adalah asosiasi yang terdiri dari berbagai organisasi sector industri kelapa sawit (perkebunan, pemrosesan, distributor, industri manufaktir, investor, akademisi dan LSM bidamg lingkugan) yang bertujua mengembangkan dan mengimplementasikan standar global untuk produksi minyak kelapa sawit berkelanjutan. RSPO didirikan tahun 2004 berpusat di Swiss, dan kesekretariatan ada di Malaysia dan kantor cabang di Jakarta. Dalam melaksanakan sertifikasi untuk perusahaan kelapa sawit, RSPO juga menggunakan data penginderaan jauh, seperti pada gambar 4 berikut.

Gambar 4. Skema Penggunaan Data Penginderaan Jauh untuk Sertifikasi RSPO

1.5. Analisa Tektur

Tekstur merupakan karakteristik intrinsic dari suatu citra yang terkait dengan tingkat kekasaran, granularitas dan keteraturan susunan struktur pikes. Aspek tekstural dari suatu citra dapat dimanfaatkan sebagai dasar dari segmentasi, klasifikasi maupun interpretasi citra.Tekstur dapat didefensikan sebagai fungsi dari variasi spasial intensitas piksel (nilai keabuan) dalam citra.

Analisa tekstur data satelit resolusi tinggi dapat diterapkan untuk berbagai aplikasi terkait vegetasi, seperti tree crown structure mapping (St-Onge &

8

Cavayas, 1997), leaf-area-index (LAI) retrieval (Colombo et al., 2003), dan dekomposisi atau ekstraksi species tanaman atau ekstraksi (Franklin et al., 2001; Katoh, 2004; Wang et al., 2004). Secara umum, study sebelumnya dengan menggunakan analisa tekstur menunjukkan adanya kenaikan ketelititan hasil klasifikasi sebesar by 10% - 20% (Franklin et al, 2000). Tabel berikut adalah table penjelasan tentang parameter tekstur.

Tabel 1. Paramater Tekstur

(Sumber :Haralick Et Al., 1973; Oliver And Quegan, 1998)

1.6. Tujuan dan Sasaran

Penelitian ini bertujuan untuk : 1. Investigasi nilai spektral dan textur untuk data optik resolusi menengah dan tinggi 2. Mengembangkan model deteksi perkebunan kelapa sawit dengan menggunakan

data optic menengah dan tinggi 3. Mengembangkan model estimasi umur kelapa sawit, dengan menggunakan data

optic resolusi menengah dan tinggi

9

Sedangkan sasaran dari penelitian ini adalah untuk : 1. Mendapatkan hasil analisa tekstur di daerah perkebunan kelapa sawit. 2. Mendapatkan model untuk mendeteksi perkebunan kelapa sawit dengan data

optic resolusi menengah dan tinggi 3. Mendapatkan model pendugaan umur kelapa sawit dengan data resolusi

menengah dan tinggi.

II. METODE PENELITIAN

2.1. Lokasi Penelitian. Kegiatan penelitian ini berlokasi di Kabupaten Pelaihari Kalimantan Selatan

serta Kabupaten Tebing Tinggi Sumatera Utara. Perkebunan kelapa sawit di Pelaihari (luas: 3406 ha) milik PTP N 13, dan

Pelaihari Plasma (luas: 2102 ha) di Kab.Tanah Laut Kalimantan Selatan. Kabupaten Tanah laut merupakan salah satu wilayah di Provinsi Kalimantan Selatan yang secara geografis terletak pada koordinat 3°30’33” – 4°11’38” LS dan 114°30’20” – 115°23’31” BT, dengan Ibukota Kabupaten berada di Kota Pelaihari yang berjarak sekitar 60 km dari Kota Banjarmasin sebagai Ibukota Provinsi Kalimantan Selatan

Topografi Kabupaten Tanah Laut umumnya merupakan daerah dataran tinggi dan bergunung-gunung yang terdapat dibagian Utara dan Timur, yaitu tersebar di Kecamatan Pelaihari, Jorong, Batu Ampar, Tambang Ulang dan Kintap, sedangkan dibagian Selatan dan Barat merupakan daerah dataran rendah, pantai, dan rawa-rawa yaitu terdapat di Kecamatan Kurau, Takisung dan Panyipatan.

Perkebunan kelapa sawit milik PTP N3 terletak di sekitar Medan dan Tebing Tinggi. Tebing Tinggi beriklim tropis dataran rendah. Ketinggian 26 – 24 meter di atas permukaan laut dengan topografi mendatar dan bergelombang. Temperatur udara cukup panas yaitu berkisar 25° – 27 °C. Sebagaimana kota di Sumatera Utara, curah hujan per tahun rata-rata 1.776 mm/tahun dengan kelembaban udara 80%-90%.

10

2.2. Metode

Sedangkan metode yang digunakan adalah dengan mengikuti bagan alir sebagai berikut :

Gambar 5. Diagram Alir Penelitian

Data SPOT yang diperoleh mempunyai kanal Pankromatik dengan resolusi 1.5 m dan kanal MS dengan resolusi 6.5 m. Untuk mendapatkan citra yang mengoptimalkan kedua resolusi tersebut dilakukan Pan Sharpening.

Pada penelitian ini, selain akan menggunakan analisa spectral, juga akan digunakan analisa tekstur. Analisis Tekstur berfokus kepada sifat-sifat statistik dan struktur dari kenampakan pola spasial pada citra digital (Haralick et al., 1973; Haralick, 1986). Analisa tekstur sudah berhasil diaplikasikan untuk kehutanan dan vegetasi dengan berbagai macam jenis data, termasuk citra yang berbasiskan data lapangan. (Tsheko, 2002), aerial photographs (Hudak & Wessman, 1998), multispectral images (Asner et al., 2002; Franklin et al., 2000; de Wasseige & Defourny, 2002) and radar images (Costa, 2004; Haack & Bechdol, 2000; Hess et al., 2003). Data LS8 diklasifikasi dengan menggunakan klasifikasi by pixel, sedangkan data SPOT-6 diklasifikasi dengan klasifikasi by obyect, dan dengan klasifikasi tekstur.

Data lapangan yang dikumpulkan pada penelitian ini selain untuk verifikasi hasil klasifikasi, bertujuan untuk mendapatkan model dari : 1. Pemetaan areal kelapa sawit dengan menggunakan data LS8 dan SPOT6

11

2. Pola pertumbuhan kelapa sawit berdasarkan NDVI (untuk data LANDSAT) 3. Pendugaan umur kelapa sawit berdasarkan nilai sepktral dan NDVI (LANDSAT

dan SPOT)

III. HASIL DAN PEMBAHASAN 3.1. Pengumpulan Data

Gambar berikut menunjukkan citra SPOT6 Tana Laut KalSel, citra Landsat 8, SPOT 6 dan Pleiades Sumatera Utara, dan area kajian perkebunan PTP N 2 dan PTPN 3 (Medan dan Tebing Tinggi dan sekitarnya).

Gambar 6. Citra SPOT area Kab. Tana Laut Kalimantan Selatan

12

Gambar 7. Citra Landsat-8 area Medan dan Tebing Tinggi

Gambar 8. Citra SPOT6 area Medan dan Tebing Tinggi

13

Gambar 9. Citra Pleaides area Medan dan Tebing Tinggi

3.2. Pengolahan Data 3.2.1. Anlisa Indeks Vegetasi

Analisa NDVI bertujuan untuk mengetahui nilai kehijauan kelapa sawit berdasarkan umur (level). Formula NDVI adalah:

(NIR – VIS R) / (NIR + VIS R) (2)

Dimana, NIR = kanal 5 pada LS8, dan VIS R = kanal 4 pada Landsat 8

Gambar 10 memperlihatkan citra NDVI untuk area kajian, dan Gambar 11 untuk

area perkebunan dengan beberapa level umur. Dari hasil analisa NDVI pada data Landsat 8, diperoleh nilai NDVI untuk beberapa tingkat umur kelapa sawit (Table 2)

Tabel 2. Nilai NDVI untuk beberapa level umur kelapa sawit

No Level (umur) kelapa sawit Nilai NDVI

1 Baru dibuka 128 - 130

2 Muda1 130 – 135

3 Muda2 136 - 140

4 Sedang 141 - 144

6 Tua 145 - 147

Dengan demikian, jika dilakukan survey lapangan, dapat dilakukan analisa

dengan umur kuantitatif yang lebih tepat dan akurat untuk menghasilkan model pertumbuhan kelapa sawit.

14

255

0

Gambar 10. Citra NDVI untuk area kajian Medan dan Tebing Tinggi

Gambar 11. Citra NDVI untuk perkebunan di Medan dengan beberapa level umur

15

3.2.2. Segmentasi dan Klasifikasi Citra

Teknik klasifikasi untuk citra penginderaan jauh secara umum dibedakan menjadi dua yaitu klasifikasi visual dan klasifikasi digital. Klasifikasi visual dilakukan dengan interpretasi dan delineasi citra secara langsung, sedangkan klasifikasi digital dilakukan dengan metode supervised/unsupervised (didasarkan nilai digital citra) menggunakan perangkat lunak tertentu. Masing-masing teknik klasifikasi tersebut mempunyai keunggulan dan kelemahannya, walaupun hingga saat ini masih menjadi perdebatan. Saat ini metode klasifikasi digital telah berkembang sehingga meminimalkan kelemahannya (yang hanya didasarkan nilai digital) dengan menambahkan beberapa parameter lain. Metode ini dikenal dengan klasifikasi digital berbasis objek, yang merupakan salah satu metode klasifikasi pada tutupan lahan yang menggunakan tree algorithm. Metode klasifikasi ini menggunakan tiga parameter utama sebagai pemisah objek, yaitu scale, warna, compactness.

Klasifikasi digital ini memiliki keunggulan pada pemisahan antar objek yang sangat akurat dan presisi. Selain itu klasifikasi ini melakukan klasifikasi berdasarkan segmentasi objek, bukan berdasarkan piksel, klasifikasi digital ini juga memiliki kelebihan dalam efisiensi waktu pengerjaan. Segmentasi objek dapat dibagi menjadi beberapa jenis yaitu chessboard, quad tree, multiresolusi, spectral difference.

Algoritma segmentasi digunakan untuk membagi seluruh citra yang diwakili oleh level piksel atau kenampakan objek-objek dari suatu daerah menjadi kenampakan objek-objek yang lebih kecil. Ecognition/Definiens memiliki beberapa pendekatan yang berbeda dalam segmentasi mulai dari algoritma yang sangat sederhana seperti segmentasi Chessboard dan segmentasi Quad Tree Based hingga metode tahap lanjut seperti segmentasi Multiresolusi atau segmentasi Filter Contrast.

Proses segmentasi dilakukan dengan skala parameter 100, color 0,5 shape 0.9 terhadap citral Landsat daerah perkebunan PTPN 3 di Sumatera Utara. Gambar 12 dan 13 berikut adalah citra satelit Landsat dan Hasil segmentasi sesuai skala parameter seperti disebutkan diatas.

Gambar 12.Data Landsat Band 653(RGB) tanggal, 21 Agustus 2015

16

Gambar 13. Hasil Segmentasi dengan skala parameter 100, shape= 0.5 dan colour=0.5

Selanjutnya Poligon yang diperoleh dari hasil segmentasi diklasifikasi secara

visual dengan menggunakan Software ArcView, khusus tanaman sawit, yang bukan sawit disebut sebagai bukan sawit. Kelas tanaman sawit dikelaskan sebagai 1. Lahan baru dibuka atau clearing, 2 . Sawit muda 3. Sawit remaja, 3. Sawit dewasa 4. Sawit tua dan 5. Non sawit seperti belukar, sawah tidak dikelaskan.

Gambar 14. Hasil klasifikasi khusus tanaman sawit.

3.2.3. Klasifikasi Terbimbing

Selain menggunakaan segementasi, dilakukan juga klasifikasi digital dengan

mengguakan metode klasifikasi maksimum likelihood. Data yang digunakan adalah data SPOT-6 di Kabupaten Tana Laut Kalimantan Selatan. Gambar 15 berikut menunjukkan hasil klasifikasi tersebut.

17

Gambar 15. Hasil klasifkasi penutupan lahan dengan LS8 area perkebunan kelapa

sawit di Kabupaten Tana Laut, Kalimantan Selatan

3.2.4. Pengukuran Spektral dan Pengumpulan Data Sekunder. Untuk mendapatkan hasil dengan ketelitian yang baik serta untuk mendapatkan

model pertumbuhan, dilakukan pengamatan dan pengukuran di lapangan. Dalam hal ini tim LAPAN dibantu oleh tim dari PTPN3 dan PPKS (gambar 16)

Gambar 16. Tim dari LAPAN, PTPN 3 dan PPKS

18

Pengukuran lapangan dilakukan dengan mengecek area perkebunan kelapa sawit untuk setiap level umur. Pengukuran spectral dilakukan dengan mengukur spectral daun kelapa sawit untuk setiap level umur. Daun kelapa sawit yang diukur untuk setiap pengukuran spectral adalah 1 tandan. Tandan daun diletakkan di atas permukaan rumput.

Pengukuran posisi lokasi dilakukan dengan menggunakan GPS Trimble Juno series. Gambar 17 berikut menunjukkan pengukuran dan pengamatkan di lapangan, sedangkan gambar 18 adalah hasil pengukuran dan contoh kelapa sawit umur 1 tahun dan 22 tahun.

Pengukuran Spektral

Pengukuran Spektral

Pengukuran Posisi dan lokasi

Pengukuran lingkar pohon

Gambar 17. Pengamatan dan Pengukuran di lapangan

Tabel 3. Tabel Titik Survei Pada perkebunan Sawit PTPN- IV Sumatera Utara.

No Lintang Bujur Tahun tanam sawit

1 3.893333333 99.23005555563 2002

2 3.893333333 99.23005555563. 2011

3 3.837777778 99.23558333333 2005

19

4 3.808611111 99.24130555563 2004

5 3.928055556 99.23194444443 2006

6 4.027500000 99.22241666673 2010

7 3.647777778 99.19236111113 1995

8 3.670000000 99.19438888893 1994

9 3.201944444 99.17533333333 2007

10 3.948055556 99.16630555563 2013

11 3.711944444 99.14794444443 2001

12 3.737777778 99.15047222223 1993

13 3.555555556 99.15319444443 2003

14 3.561944444 99.15377777783 2014

15 3.490277778 99.11863888893 2012

16 3.877777778 98.91488888893 2000

17 3895833333_ 98.91472222223 1996

Overlay titik sampel dengan citra SPOT akuisisi 11 Februari 2015 menghasilkan

tanaman sawit dari berbagai umur . Gambar 18 berikut adalah table citra spot dari berbagai umur. Gambar berikut adalah kenampakan pada citra SPOT-6 Kombinasi Band (RGB) 342 dari setiap umur tanaman sawit.

20

Umur

(tahun)

Citra MSS SPOT6

Citra Pankromatik

Kondisi di lapangan

1

2

3

4

5

21

8

9

10

11

12

22

13

14

15

19

20

23

21

22

Gambar 18. Kondisi kelapa sawit dan citra SPOT6 untuk setiap usia.

Pada citra SPOT-6 tanaman kelapa sawit terlihat secara individu, dan jarak antara canopy tanaman terlihat masih jauh. Pada usia 3 tahun dan 4 tahun kelapa

sawit sudah tinggi sekitar 3-4 meter, dan jumlah daun semakin banyak. Sehingga jarak antara canopy tanaman terlihat lebih dekat. Pada citra SPOT-6 pohon kelapa

sawit usia 3-4 tahun masih terlihat secara indvidu, namun dengan jarak antara canopy yang lebih dekat. Selanjutnya pada usia 7 dan 8 tahun, pohon kelapa sawit semakin tinggi, dapat mencapai 5-6 meter, dan jumlah daun semakin banyak. Hal ini menyebabkan daun menjadi lebih rimbun dan semaikin menutupi vegetasi di bawahnya, serta jarak antara canopy semakin dekat. Pada usia ini kenampakan pada citra SPOT-6 pohon kelapa sawit masih terlihat secara individu namun lebih rapat dibandingkan usia 3-4 tahun. Pada usia 8 dan 9 tahun, tanaman kelapa sawit semakin tinggi dengan ketinggian dapat mencapai lebih dari 10 meter. Jumlah daun semakin banyak sehingga terihat lebih rimbun dan bagian bawah dari pohon semakin tidak terkena sinar matahari, warna daun menjadi hijau tua. Hal ini menyebabkan kenampakan pada citra memberikan warna hijau tua atau cenderung lebih gelap, untuk usia 9 tahun. Pada citra SPOT-6 tanaman kelapa sawit sudah sulit dipisah secara individu, karena sudah sangat dekat antar satu canopy pohon dengan canopy lainnya. Terakhir, untuk level usia lebih dari 12 tahun, kelapa sawit

semakin tinggi, melebihi 10 m. Sebagian daun-daun mulai tua dan ada yang kering dan rontok, tetapi secara umum masih rimbun. Ini menyebabkan kenampakan pada citra SPOT-6 ada warna kehitam-hitaman di antara canopy yang disebabkan karena efek bayangan pohon yang semakin tinggi dan daun berwarna hijau tua.

3.2.5. Analisa Spektral dan Model Pertumbuhan dengan Data SPOT 6

Analisa spectral dilakukan untuk melihat sensitivitas setiap kanal SPOT 6 terhadap perbedaan respon yang dihasilkan karena perbedaan umur kelapa sawit. Data umur diperoleh dari pengamatan dan pengukuran di lapangan. Gambar 19 berikut adalah gambar yang menunjukkan hasil analisa spectral setiap kanal SPOT

24

6. Dari gambar terlihat semua kanal memberikan respon yang berbeda untuk setiap umur kelapa sawit, tetapi tidak signifikan. Kanal 4 ( dalam hal ini kanal NIR dengan panjang gelombang 0,760 - 0,890 µm) memberikan nilai signifikansi yang cukup besar (55%) untuk perbedaan nilai spektralnya.

Untuk mendapatkan suatu nilai yang dapat memberikan perbedaan yang cukup signifikan, dilakukan pembuatan indeks, dalam hal ini adalah indeks vegetasi.

Gambar 19. Karakteristik spectral setiap kanal SPOT6 terhadap perbedaan umur.

Selanjutnya dengan indeks ini, dibuat model pertumbuhan untuk umur dari 1 tahun sampai dengan 22 tahun. Dari analisa regresi diperoleh persamaan (formula) untuk profil pertumbuhan kelapa sawit seperti berikut (gambar 20), dimana R2 mencapai 0.675

25

Gambar 20 . Profil Pertumbuhan Kelapa Sawit dengan SPOT6 Pelaihari Tebing Tinggi Sumatera Utara

Dari hasil perhitungan analisa statisitk regresi, persamaan yang diperoleh

adalah : y = -0.0004x2 + 0.0107x + 0.3912, dimana x adalah umur dan Y adalah NDVI SPOT dengan R² = 0.675 yang menunjukkan bahwa usia tanaman kelapa sawit memberikan sumbangan 68% terhadap keragaman nilai NDVI, sehingga secara umum pola pertumbuhan yang ditinjau dari NDVI dengan persamaan tersebut dapat digunakan di PTP N 3.

Pola grafik ini dapat digunakan oleh managemen PTP N 3 dalam menduga usia tanaman kelapa sawit, dengan mengetahui nilai NDVI yang diperolah dari citra Landsat-8 (yang direpresentasi oleh nilai sumbu Y), maka akan diketahui usianya (yang direpresentasi oleh nilai pada sumbu X nya). Persamanaan akan menjadi lebih baik jika sampel yang diukur serta penggunaan citra satelit lebih banyak digunakan.

3.2.6. Klasifikasi Dengan Analisa Tekstur

Data SPOT yang diperoleh mempunyai kanal Pankromatik dengan resolusi 1.5 meter dan kanal MS dengan resolusi 6.5 m.

Dari hasil pengamatan dan pengukuran di lapangan, serta kenampakan pada citra satelit MS dan Pankromatik SPOT 6, tampak terlihat dengan jelas bahwa perbedaan umur pada kelapa sawit memberikan teksur yang berbeda pada citra. Oleh karena itu dilakukan klasifikasi dengan menggunakan analisa tekstur. Analisa tekstur dilakukan dengan menggunakan parameter tekstur seperti pada table

26

Gambar berikut (gambar 21) menunjukkan hasil dari klasifikasi extraksi textur data SPOT 6 untuk daerah kelapa sawit di Pelaihari Kalimantan Selatan. Pada kegiatan ini dilakukan ektrasksi 8 parameter tekstur. Selanjutnya dilakukan klasifikasi dengan menggunakan hasil extraksi tersebut. Gambar 21 berikut adalah gambar hasil ekstraksi tekstur dari parameter-paramter tersebut.

Data Pankromatik SPOT6

Correlation

Dissimiliarity

Entropy

Homogenity

Mean

27

Angular Second moment

Variance

Gambar 21.Hasil Ekstraksi Paramter Texture SPOT 6-P

Sedangkan gambar 22 menunjukkan hasil klasifikasi metode maximum likelihood untuk penggunaan lahan untuk 3 parameter tekstur dengan kernel 3, 13 dan 27. Klasifikasi ini dibuat dengan 8 kelas terdiri dari beberapa kelas kelapa sawit dengan beberapa level usia dan kelas lainnya (semak, belukar).

Data Pannkromatik SPOT6

Parameter 3 teksur, kernel 3

28



Gambar 22. Hasil klasifikasi maximum likelihood dengan 3 parameter tekstur

Sedangkan gambar 23a menunjukkan hasil klasifikasi metode maximum likelihood dengan menggunakan 8 parameter tekstur, untuk kernel 3, 5,7,9,13,15,19 dan 21





29





Gambar 23a. Hasil klasifikasi maximum likelihood dengan 8 parameter tekstur

Sedangkan gambar 23b adalah hasil klsifikasi dengan metode minimum distance, dengan kernel 3, 7, 13, 15, 17, 19, 21



30






Keterangan kelas untuk setiap klasifikasi

Gambar 23b. Hasil klasifikasi minimum distance dengan 8 parameter tekstur

Dari hasil analisa akurasi klasifikasi dengan koefisien kappa, diperoleh table

akurasi untuk setiap jenis klasifiskasi seperti table 4.

31

Tabel 4. Hubungan antara ukuran kernel dengan akurasi klasifikasi berbasis tekstur

Ukuran kernel

Paparellipiped (dengan tekstur

8 parameter)

Minimum Distance (dengan tekstur 8

parameter)

Maximum Likelihood

(dengan tekstur 8 parameter)

Maximum Likelihood

(dengan tekstur 3 parameter)

3 17.48 30.72 28.86 11.58

5

- (tidak diklasifikasi) 28.86 7

41.17 39.74

9

- (tidak diklasifikasi) 45.10 13

47.90 51.34 28.77

15

49.48 54.40 17

50.48 55.30

19

28.45 58.22 21 51.30 57.23 31.79

Dari table tersebut dapat disimpulkan bahwa akurasi klasifikasi berbasis tekstur dengan menggunakan tekstur lengkap (8 parameter) lebih tinggi daripada klasifikasi dengan tekstur terpilih (homogeneity, contrast, dan entropy). Berdasarkan pola akurasi data yang dihasilkan, akurasi klasifikasi yang dicapai oleh metode Maximum Likelihood lebih tinggi daripada metode Pararellipiped dan Minimum Distance. Secara umum, nilai akurasi klasifikasi cenderung meningkat hingga ukuran kernel tertentu, lalu relatif stabil, kemudian cenderung menurun pada ukuran kernel yang terlalu besar. Hal ini menunjukkan terjadinya fenomena law of deminishing return pada ukuran kernel rendah ke tinggi secara berurutan.

32

IV. KEGIATAN TERKAIT DAN SOSIALISASI 4.1. Sosialisasi dengan PPKS dan PTP N 3

Koordinasi dilakukan dengan berdiskusi dengan manager PPKS Medan dan PTP Nusantara 3 di Tebing Tinggi Popinsi Sumatera Utara dan Kepala DINAS PERKEBUNAN SUMUT. Pada kesempatan tersebut disampaikan bahwa PTP N3 dan Dinas Perkebunan SUMUT berharap dapat melakukan kajian dan kerjsama dengan LAPAN untuk pemanfaatan data pengindearan jauh. Gambar 24 dan 25 berikut adalah saat pelaksanaan sosalisasi dan koordinasi di PTPN3 dan di Dinas Perkebunan SUMUT.

Gambar 24. Koordinasi dan sosialisasi di PTP N 13

Gambar 25. di Dinas Perkebunan Propinsi Sumatera Utara

33

4.2. Pertemuan dengan JAXA dan Stakeholder

Pertemuan dilakukan di ruang rapat di PUSTEKDATA LAPAN Pekayon pada tanggal 15 Oktober 2015. Adapun tujuan dari pertemuan adalah Mendapatkan masukan untuk penelitian pemetaan dan monitoring pertumbuhan kelapa sawit dengan menggunakan data Optik dan SAR. Pertemuaan juga untuk menajamkan proposal SAFE dari SDWD untuk pemanfaatan data SAR dan Optic untuk aplikasi perkebunan kelapa sawit .

Pertemuan dihadiri oleh Mr. Hamamoto dan Dr. Lal Samarakoon sebagai perwakikan dari JAXA, dan dari pengguna yakni dari Dirjenbun dan KLKH.

Gambar 26. Dengan Dr. Lal, Mr Hamamoto, Deputi dan KAPUSFATJA serta peneliti yang

terkait

Kesimpulan dari pertemuan ini adalah:

1. Dirjenbun Kementrian Pertanian menyampaikan kebutuhan akan informasi tentang umur tebu adalah hal yang penting, karena umur tebu mencerminkan hasil( produksi) yang akan diperoleh.

2. Selama ini Kementan mendapatkan data umur kelapa sawit dari hasil pengukuran/pengamatan secara konvensional, dan hasilnya tidak ber-akurasi tinggi.

3. Pemilihan jenis data untuk implementasi secara operasional harus dipertimbangkan, karena perkebunan kelapa sawit milik rakyat biasanya berukuran sekitar 2 Ha.

4. Baik KLKH maupun Kementan akan mengimlementasikan hasil kajian secara berkala, dengan pemesanan data kepada LAPAN, dan diharapkan penigkatan pendapatan dari pajak juga dapat diperoleh, sehingga pemesanan data dapat dilakukan dengan baik. Implementasi akan dilakukan di bawah supervise LAPAN

34

4.3. Pertemuan dengan CSIRO dan Tim SAFE LAPAN

Tujuan pertemuan ini adalah untuk 1. Mempertajam proposal SAFE (Space Application for Environment) judul :

Mapping dan Monitoring Kelapa Sawit dengan SAR dan Optic. 2. Mendapatkan metode yang terbaik untuk monitoring dengan SAR.

Beberapa masukan:

Dapat digunakan metode analisa tekstur dengan segala arah (orientation)

Dapat dicari suatu index untuk membedakan usia kelapa sawit setelah melalui masa puncak

Dapat digunakan gabungan spektral dan tekstur untuk mendapatkan hasil klasifikasi yang lebih baik.

Dapat dicoba DSM (digital elevation model) -GEM (Ground elevation model) untuk medapatkan tinggi pohon kelapa sawit

Gambar 27. Diskusi dengan CSIRO

4.4. Workshop SAFE pada APRSAF-22 di Denpasar, Bali. Worskhop dilakukan di hotel Discovery Kartika, Denpsar Bali, pada tanggal 30

November 2015. Chairman dan Co-chairman dari Workshop ini adalah Dr. Rokhis Komarudin (LAPAN), dan Dr. Lal Samarakoon (AIT). Worskhop merupakan bagian dari APRSAF-22, bertujuan sebagai pertemuan untuk menyampaikan hasil progress dari prototype yang sedang dikrjakan, dan untuk menseleksi propotype baru yang diusulkan. Ada 4 negara yang mengajukan protoype baru, dan semua prototype dinyatakan diterima sebagai proptype baru. Dari Indonesia (LAPAN) protoype yang disampaikan oleh peneliti (Ita Carolita) adalah : Mapping and Monitoring Oil Palm Plantation Using Optical and SAR Space Borne Data. Stake holders untuk prototype

ini KLKH dan Kementrian Pertanian, serta PTPN. Sedangkan partners untuk prototype ini adalah : IPB dan PPKS Medan. Foto berikut adalah foto suasana workshop SAFE.

35

Gambar 28.Peserta Worskhop SAFE, APRSAF 22, Denpasar Bali, 30 Nov 2015

Gambar 29. Suasana Worskhop SAFE, APRSAF 22, Denpasar Bali, 30 Nov 2015

Kesimpulan dari pertemuan ini adalah:

1. Tujuan dari prototype ini harus focus ke masalah modeling dan monitoring kelapa sawit berdasarkan usia. Masalah biomass dihilangkan saja.

2. Penggunaan data SAR untuk vegetasi harus memperhatikan masalah di pinggir/lereng pegunungan/perbukitan

3. Pada dasarnya penelitian untuk hal lain (seperti kebakaran yang disebabkan kelapa sawit) untuk Fire Early Warning System harus dimulai.

4. Partner lain yang diusulkan adalah University of Tokyo.

5. Kerjasama penelitian dapat dilakukan dengan UPM Malaysia (Prof. Rashid) dan tim penelitian kelapa sawit dari Malaysia (Mr. Najib).

36

V. KESIMPULAN DAN SARAN

1. Dari hasil perhitungan analisa statisitk regresi, persamaan yang diperoleh adalah:

y = -0.0004x2 + 0.0107x + 0.3912, dimana, x adalah umur dan Y adalah NDVI SPOT dengan R² = 0.675 yang menunjukkan bahwa usia tanaman kelapa sawit memberikan sumbangan 68% terhadap keragaman nilai NDVI, sehingga secara umum pola pertumbuhan yang ditinjau dari NDVI dengan persamaan tersebut dapat digunakan di PTP N 3.

2. Akurasi klasifikasi berbasis tekstur dengan menggunakan tekstur lengkap (8 parameter) lebih tinggi daripada klasifikasi dengan tekstur terpilih (homogeneity, contrast, dan entropy). Berdasarkan pola akurasi data yang dihasilkan, akurasi klasifikasi yang dicapai oleh metode Maximum Likelihood lebih tinggi daripada metode Pararellipiped dan Minimum Distance. Secara umum, nilai akurasi klasifikasi cenderung meningkat hingga ukuran kernel tertentu, lalu relatif stabil, kemudian cenderung menurun pada ukuran kernel yang terlalu besar

DAFTAR PUSTAKA Avtar,R. Ishi,R. Kobayashii,H. Fadaeii,H. Suzuki,R. dan Herath,S. 2013. Efficiency of

multi-frequency, multi-polarized SAR data to monitor growth stages of oil palm plants in Sarawak, Malaysia 978-1-4799-1114-1/ 13/$31.00 ©20 13 IEEE 2137 IGARSS

Basiron, Y 2007. Palm oil production trought sustainable plantation European Journal of Lipid Sciences and Technoolgy, 109, 289-129.

Chemura, A. 2012. Determining Oil Palm Age from High Resolution Satellite Imagery, Faculty of Geo-Informatio Science and Earth Observation, University

of Twente, The Netherland Corley, R. H. V 2009. How much palm oil do we need?. Environmental Science and

Policy,12(2), 134-139

Daniele J. Marceau, Philip J. Howart, Jean-Marie M. Dubois, Denis J Graton. 1990. Evaluation of the Grey-Level CoOccurrence MatrixMethod For Land-Cover Classification Using SPOT Imagery. IEEE TRANSACTIONS ON

GEOSCIENCE AND REMOTE SENSING, VOL. 28, NO. 4, JULY, p 513-519 Haralick, R, Shanmugam,K, Dinstein Itshak, 1973. Textural Features for Image

Classificarion, IEEE Transactions on Systems, Man and Cybernetics, Vol.

SMC-3, No 6, November. Pp 610 -612 Hardter, R. Chow. W.Y & Hock, O.S 1997. Intensive& plantation cropping, a source

of suitanable food andenergy production in tropical rain forest areas of southeast Asia,Forest Ecology and Management, 93, 93-102

Hua Su, Yunpeng Wang, Jie Xiao, Lili Li ……Improving MODIS sea ice detectability using gray level co-occurrence matrix texture analysis method: A case study in

37

the Bohai Sea. ISPRS Journal of Photogrammetry and Remote Sensing

Journal, homepage: www.elsevier.com/ locate/ isprsjprs. p 13-20 Jinxiu Liu, Huiping Liu, Ying Lv, Xiaojuan Xue 2014. Classification of high resolution

imagery based on fusion of multiscale texture features. 35th

InternationalSymposiumonRemoteSensingofEnvironment(ISRSE35) IOP Publishing IOP Conf.Series:EarthandEnvironmentalScience 17 012217doi:10.1088/1755-1315/17/1/012217

McMorrow, J. …… Linear regression modelling for the estimation of oil palm age from Landsat TM, School of Geography, University of Manchester, Oxford Road, Manchester, M13 9PL, England, UK.

Kamiran, N dan Sarker, M.L.R. 2014. Exploring the Potential of High Resolution Remote Sensing Data for Mapping Vegetation and the Age Groups of Oil palm Plantation, 2,1 8th International Symposium of the Digital Earth (ISDE8) IOP

Publishing. IOP Conf. Series: Earth and Environmental Science 18 012181 doi:10.1088/1755 1315/18/1/012181

Nordin, L. APPLICATION OF AIRSAR DATA TO OIL PALM TREE CHARACTERIZATION, Malaysian Centre For Remote Sensing (MACRES) 13

Tun Ismail Rd., Kuala Lumpur, MALAYSIA Lukman, F.M., dan Poeloengan, Z., 1996, Application of remote sensing technique

for oil palm plantation, management, Proc. of the 1997 PORIM International

Palm Oil Congress - Competitiveness for the 21st Century, p460– 467. McMorrow, 1995. Linear regression modelling for the estimation of oil palm age from

Landsat TM, School of Geography, University of Manchester, Oxford Road,

Manchester, M13 9PL, England Santos dan Joseph P. Messina; ……Multi-Sensor Data Fusion for Modeling African

Palm in the Ecuadorian Amazon Carolina Salunkhe, D. K., Chavan, J. K., Adsule, R. N. & Kadam,S.S. 1992.World Oilseeds:

Chemistry, Technology, and Utilization. New York. Silleos, Nikolaos, 2006. Vegetation Indices: Advances Made in Biomass Estimation

and Vegetation Monitoring in the Last 30 Years. Geocarto International, Vol.

21, No. 4, December 2006 E-mail: [email protected] Published by Geocarto International Centre, G.P.O. Box 4122, Hong Kong

Sitorus, J. 2004, Develoment of Model for Prediction of Oil Palm Age using Satellite data. Journal Penginderaan Jauh Vol 1 No 1, tahun 2004.

Maurer, T. 2013. HOW TO PAN-SHARPEN IMAGES USING THE GRAM-SCHMIDT PAN-SHARPEN, International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences,Volume XL-1/W1, ISPRS Hannover Workshop 2013, 21 – 24 May 2013, Hannover, Germany

Wahid, B.O., Nordiana, A.A., and Tarmizi, A.M., 2005, Satellite Mapping of Oil Palm Land Use, MPOB Information Series, MPOB TT No. 255, ISSN 1511 – 7871

PUSAT PEMANFAATAN PENGINDERAAN JAUH - 2015

pusat pemanfaatan penginderaan jauhpusfatja.lapan.go.id/files_uploads_ebook/publikasi/buku...

Documents