APLIKASI PENGINDERAAN JAUH UNTUK ESTIMASI PRODUKSI TANAMAN KARET (Hevea Brasiliensis) DI KOTA SALATIGA, JAWA TENGAH Wenang Anurogo
[email protected] Sigit Heru Murti BS
[email protected] Abstract This study aimed to: (a) Assess the ability of ASTER imagery to identify rubber, (b) Determine the best transformation of the vegetation index to estimate the production of rubber and (c) Examine the estimation of production is done with remote sensing data with existing data in the field . Coverage area of this research is on a rubber plantation in the Getas village, District Tembir, Salatiga in Central Java. The results of the correlation relationship between the value of the index transformation SAVI vegetation canopy width indicates that the two variables are related to one another. This is indicated by the value of R ² in the two variables correlation results for 0.709. The accuracy rate of the study was determined using the standard error (SE). Value of the standard error (SE) is applied to booth transformation is used. SE values for the transformation of the vegetation index SAVI is 0.7118. Key word: Remote Sensing, Transformation Vegetation Index, Estimated Production, Rubber Plant. Abstrak Penelitian ini bertujuan untuk : (a) Mengkaji kemampuan citra ASTER untuk mengidentifikasi tanaman karet, (b) Menetukan transformasi indeks vegetasi yang terbaik untuk mengestimasi produksi tanaman karet dan (c) Menguji hasil estimasi produksi yang dilakukan dengan data penginderaan jauh dengan data yang ada dilapangan. Cakupan wilayah pada penelitian ini berada pada perkebunan karet di Desa Getas, Kecamatan Tembir, Kota Salatiga Jawa Tengah. Hasil korelasi hubungan antara nilai indeks transformasi vegetasi SAVI dengan lebar kanopi menunnjukkan bahwa kedua variabel tersebut saling berhubungan satu sama lain. Hal ini ditunjukkan dengan besarnya nilai R² pada hasil korelasi kedua variabel tersebut sebesar 0.709. Tingkat akurasi penelitian ditentukan dengan menggunakan standard error (SE). Nilai standard error (SE) ini diberlakukan untuk kedua transformasi yang digunakan. Nilai SE untuk transformasi indeks vegetasi SAVI sebesar 0.7118. Nilai SE untuk transformasi indeks vegetasi MSAVI sebesar 0.7201. Kata kunci : Penginderaan Jauh, Transformasi Indeks Vegetasi, Estimasi Produksi, Tanaman Karet
PENDAHULUAN Tanaman karet merupakan salah satu komoditi perkebunan yang memiliki peranan penting dalam kehidupan perekonomian Indonesia. Indonesia merupakan negara dengan perkebunan karet terluas dunia. Luas areal karet di Indonesia telah mencapai 3.262.291 hektar. Dari total areal perkebunan karet di Indonesia tersebut 84,5% diantaranya merupakan kebun milik rakyat, 8,4% milik swasta dan hanya 7,1% yang merupakan milik negara ( Setiawan et al, 2007). Menurut Setiawan (2007), rendahnya produktivitas karet alam Indonesia disebabkan sebagian besar atau lebih 84% perkebunan karet yang ada merupakan perkebunan karet rakyat yang tidak dikelola secara profesional. Pengembangan perkebunan karet memberikan peranan penting bagi perekonomian nasional, yaitu sebagai sumber devisa, sumber bahan baku industri, sumber pendapatan dan kesejahteraan masyarakat serta sebagai pengembangan pusatpusat pertumbuhan perekonomian di daerah dan sekaligus berperan dalam pelestarian fungsi lingkungan hidup. Sistem wanatani karet adalah suatu sistem vegetasi multistrata kompleks yangbanyak ditemukan di Indonesia (Gouyon et al., 2000). Sistem pengelolaan sumberdaya alam ini, yang selain memiliki nilai produksi juga memiliki nilaikonservasi, cukup mendapat perhatian dari para ahli.Nilai konservasi lingkungan terwujud dalam keragaman hayati yang cukup tinggi jika dibandingkan dengankebun karet monokultur meskipun belum setinggi hutan alami (Williams et al.,2001a; Joshi et al., 2003). Aplikasi satelit penginderaan jauh telah mampu memberikan data/informasi tentang sumberdaya alam dataran dan sumberdaya alam kelautan secara teratur dan periodik. Salah satu keuntungan dari data citra satelit untuk deteksi dan inventarisasi sumberdaya lahan pertanian adalah setiap lembar (scene) citra ini mencakup wilayah yang sangat luas yaitu sekitar 60–180 km2. Dengan mengamati daerah yang sangat luas sekaligus, beserta keadaanlahan yang mencakup topografi/relief, pertumbuhan tanaman/vegetasi dan fenomena alam yang terekam dalam citra memberi peluang untuk mengamati, mempelajari pengaruh iklim, vegetasi, litologi dan topografi terhadap penyebaransumberdaya lahan dan lahan pertanian (Puslit. Tanah dan Agroklimat, 2000). Penginderaan jauh dalam kaitannya dengan studi vegetasi dewasa ini bisa digunakan untuk mengetahui kondisi, jumlah dan ketersediaan tanaman (vegetasi) dalam kaitannya dengan mengetahui (memprediksi) hasil produksi dari suatu tanaman. Data satelit penginderaan jauh ini sangat berpotensi untuk dipergunakan dalam kajian kondisi hutan, perkebunan dan sekitarnya, dengan informasinya terbaru dan akurat serta cakupannya luas dapat membantu dalam melakukan kajian tentang hutan dan perkebunan. Pengelolaan budidaya non kehutanan seperti perkebunan yang berada di daerah sekitar kawasan hutan memilikitujuan meningkatkan pendapatan nasional khususnya di sektor perkebunan. Sensor Citra ASTER memungkinkan untuk memperoleh informasi tentang kenampakan objek yang tampak pada permukaan bumi. Salah satu kenampakan objek yang dapat dikaji dengan menggunakan citra ini adalah objek vegetasi. Penggunaan transformasi indeks vegetasi dengan menggunakan transformasi matematis dapat mengetahui setiap nilai spectral dari vegetasi dan menonjolkan nilai spectral tersebut dengan menghilangkan nilai pantulan spectral dari objek bukan vegetasi. Studi
tentang kerapatan vegetasi atau Leaf Area Index, biomassa, umur tegakan, konsentrasi klorofil, dan kandungan klorofil dapat dikaji dengan menggunakan transformasi indeks vegetasi tersebut (Danoedoro, 1996). Pada bidang pertanian dan perkebunan (khususnya untuk kajian agroforestri dalam penelitian ini), transformasi indeks vegetasi dapat digunakan untuk melakukan estimasi suatu komoditas tanaman dengan menggunakan data penginderaan jauh tersebut. Berdasarkan pada uraian yang telah dijelaskan di atas maka tujuan dari penelitian ini adalah : 1. Mengkaji kemampuan citra ASTER untuk mengidentifikasi tanaman karet 2. Menetukan transformasi indeks vegetasi yang terbaik untuk mengestimasi produksi tanaman karet 3. Menguji hasil estimasi produksi yang dilakukan dengan data penginderaan jauh dengan data yang ada dilapangan
METODE PENELITIAN Metode penelitian merupakan langkah – langkah yang harus dilakukan dalam pengumpulan, pengolahan dan analisis data untuk mendeskripsikan pemecahan masalah penelitian. Metode yang digunakan dalam penelitian ini adalah gabungan interpretasi citra penginderaan jauh, sistem informasi geografi, dan pengukuran lapangan. Untuk mencari estimasi produksi tanaman karet, hal pertama yang harus dilakukan adalah mencari lebar diameter batang dari citra ASTER. Untuk mencari lebar diameter batang menggunakan korelasi antara indeks vegetasi dengan lebar tutupan kanopi untuk mencari lebar batang tanaman karet, dan juga dengan menghitung biomassa dari tanaman tersebut sehingga hasil perhitungan lebar batang tanaman tersebut bisa lebih akurat. Sedangkan untuk data yang tidak bisa disadap dari ctra penginderaan jauh, maka menggunakan data sekunder yang didapatkan dari instansi terkait. Indeks vegetasi merupakan suatu angka yang menyatakan besaran nilai atau tingginya suatu fenomena yang terkait dengan karakteristik vegetasi. Transformasi indeks vegetasi dapat dairtikan sebagai suatu transfomasi mengubah nilai piksel pada citra, sehingga menghasilkan suatu citra baru dengan nilai piksel yang merepresentasikan variasi fenomena vegetasi yang terkait dengan aspek kerapatan, kandungan biomassa, kandungan klorofil, dan sebagainya (Danoedoro, 1966). Transformasi indeks vegetasi yang digunakan adalah : MSAVI (Modified Soil Adjusted Vegetation Index) MSAVI merupakan suatu transformasi indeks vegetasi yang dikembangkan dari transformasi NDVI untuk meminimalkan pengaruh pantulan tanah pada NDVI seperti formulasi MSAVI = {2(NIR) + 1 - √{2(NIR) + 1}² - 8{(NIR) – Red}/2
SAVI (Soil – Adjusted Vegetation Index) Transformasi indeks vegetasi ini didesain untuk meminimalisir efek dari pantulan tanah yang mana pada citra menjadi latar belakang (back ground) dari objek vegetasi dengan formulasi SAVI = (NIR) – Red / {(NIR) + Red + L}
Menurut Huete, 1988, asumsi yang digunakan berdasarkan pada feature space hasil pemlotan piksel – piksel pada saluran merah dan saluran inframerah dekat. Huete menyatakan bahwa garis vegetasi tidak selalu berpangkal pada suatu titik dan hal ini salah satunya disebabkan oleh pengaruh pantulan tanah. Untuk meminimalisir pengaruh tersebut, diberikan factor L pada formulasi indeks vegetasi. Nilai untuk factor L ini bervariasi, untuk tutupan vegetasi yang tinggi, nilai L adalah 0,0 dan untuk tutupan vegetasi yang rendah nilai L adalah 1,0. Sedangkan untuk vegetasi ukuran sedang, maka nilai L adalah 0,5. Keberadaan objek tanah ini akan memberikan kontribusi sebagai latar belakang terhadap pantulan vegetasi, sehingga berpengaruh terhadap nilai pantulan yang terekam pada data digital penginderaan jauh (Howard, 1996). Penggunaan transformasi indeks vegetasi SAVI ini diharapkan dapat mengurangi pengaruh objek tanah tersebut. Estimasi produksi tanaman karet dengan menggunakan data pengingderaan jauh dilakukan dengan ekstraksi data penginderaan jauh. Banyak atau sedikitnya produksi tanaman karet pada dasarnya dipengaruhi oleh besar kecilnya lebar diameter batang. Untuk mencari lebar diameter batang dari data penginderaan jauh dapat diketahui melalui lebar besaran kanopi yang ada pada tumbuhan karet tersebut. Dari besaran kanopi pada tumbuhan tersebut digunakan asumsi bahwa semakin lebar diameter tutupan kanopi yang ada pada tumbuhan karet, maka akan semakin besar pula lebar diameter batang karena pada umumnya pertambahan lebar diameter batang tegak lurus dengan lebar diameter tutupan kanopinya. Secara teoritis, tanaman karet yang berumur kurang dari 7 tahun belum dapat disadap getahnya. Setelah 7 tahun keatas, hasil sadapan karet akan naik terus sampai dengan produksi maksimum pada sekitar umur 15 – 17 tahun. Setelah itu produksi tanaman karet akan menurun (Danimiharja, 1978). 100% 50% 0% muda
dewasa
tua
produksi
Gambar 3.5 pola hubungan produksi tanaman karet dengan umur (Draper and Smith, 1981) Hubungan korelasi antara besarnya batang tanaman karet dengan umur ditunjukkan dalam sebuah diagram fungsi yang mana terliahat hubungan yang sangat signifikan antara lebar batang tanaman karet dengan umur (Aima,1991)
hubungan besar batang dengan umur
300 200
100 0 5
Keterangan
10
15
20
25
30
X : lebar batang (cm) Y : umur tanaman (tahun)
Gambar 3.6 pola hubungan besar batang tanaman karet dengan umur (Aima, 1991) Analisis korelasi dan regresi ini digunakan dalam mencari hubungan antara transfomasi indeks vegetasi yang dugunakan dengan data hasil produksi tanaman karet yang didapatkan dari lapangan, sehingga apabila melalui pendekatan statistik tersebut ditemukan hasil korelasi yang kuat anatar kedua variable tersebut, berarti ada hubungan yang kuat antara transformasi indeks vegetasi yang digunakan dengan produksi tanaman karet. Tahapan pasca lapangan merupakan tahapan setelah kerja lapangan yang kemudian data yang dperoleh dari lapangan tersebut dilakukan analisis statistik. Analisis data statistic ini berupa analisis korelasi dan regresi.Analisis korelasi digunakan untuk mengetahui arah dan kekuatan hubungan antara variabel x (lebar tutupan kanopi) dengan variabel y (nilai kecerahan piksel), sedangkan Analisis regresi digunakan untuk mengetahui besarnya pengaruh yang diakibatkan oleh perubahan pada setiap satuan variabel y. Koefisien korelasi (r) digunakan untuk mengetahui hubungan antara kedua variabel tersebut.
Citra ASTER
Peta RupaBumi Indonesia
Koreksi Radiometrik dan Geometrik
Peta admin daerah penelitian Citra ASTER Terkoreksi
Transformas iIndeks Vegetasi SAVI dan MSAVI
Klasifikasi multispektral
Interpretasi Visual
Peta Tentative penutuplahan
Citra transformasi indeks vegetasi SAVI dan MSAVI
Peta Tentative Batas Kebun Tanaman Karet
Pengambilan sampel dan lapangan
Data lapangan
Peta Batas Kebun tanaman karet
Analisis korelasi dan regresi
Peta Estimasi Produksi Tanaman Karet
Data lapangan produksi tanaman karet
DAERAH PENELITIAN Secara administratif penelitian kebun karet ini daerah Tembir di Kota Salatiga Provinsi Jawa Tengah dengan koordinat Universal Transverse Mercator 444,800.391 mT – 9,194,335.339 mU. Secara administratif Kota Salatiga terbagi menjadi 4 kecamatan dan 22 kelurahan. Luas wilayah Kota Salatiga pada tahun 2009 tercatat sebesar 5.678,110 hektar atau 56.781 km². Batas daerah penelitian Tembir secara langsung berbatasan dengan Kabupaten Semarang Jawa Tengah dan kecamatan disekitarnya, HASIL DAN PEMBAHASAN Proses penyadapan citra yang pertama kali dilakukan adalah analisis penutup lahan menggunakan klasifikasi multispektral. Klasifikasi multispektral ditujukan untuk mempermudah pengkelasan objek-objek yang terdapat pada citra yang memiliki kesmaan kemiripan nilai spektral. Klasifikasi multispektral yang digunakan untuk memperoleh inforamasi penutup lahan ini adalah klasifikasi multispektral terselia (supervised) dengan metode maximum likelihood. Metode maximum likelihood mengkelaskan piksel pada citra berdasarkan besaranya probabilitas suatu piksel untuk masuk kedalam suatu kelas tertentu. Kelas penutuplahan yang dicari adalah kelas penutuplahan yang bertujuaan untuk membedakan antara objek vegetasi dan objek non vegetasi. Objek vegetasi ini sangat menonjol sekali pada citra ASTER komposit 321 dengan dominan warna vegetasi adalah warna merah, sehingga hasil dari klasifikasi multispektral yang dilakukan bisa dibandingkan dengan hasil komposit warna tersebut, dengan membandingkan pola persebaran warna pada masing – masing tampilan. Input kelas dari klasifikasi maximum likelihood ini adalah training area yang digunakan untuk mengambil sampel yang dijadikan sebagai dasar dalam pembuatan kelas untuk hasil klasifikasi. Training area ini diambil dari Region of Interest (ROI) dengan mengambil sampel tiap objek yang ada pada satu scene citra daerah kajian. Hasil uji akurasi klasifikasi penutup lahan dengan kondisi sebenarnya dilapangan menghasilkan persentase ketelitian sebesar 82%. Tingkat akurasi ini masih dibawah nilai presentase akurasi yang ditetapkan bahwa nilai besaran ketelitian akurasi haruslah diatas 85%. Akan tetapi hasil klasifikasi ini masih bisa dikatakan baik dikarenakan nilai total akurasi hasil interpretasi mendekati nilai 85%. Interpretasi visual pada data penginderaan jauh ini ditujukan untuk mendapatkan informasi tentang penutup lahan yang ada pada daerah kajian, sehingga dapat membantu dalam menentukan daerah kajian (dalam hal ini batas kebun) dan dapat pula membantu untuk dasar penentuan dalam pengambilan training area. Interpretasi visual ini dilakukan dengan menggunakan citra ASTER dengan komposit 321, dan untuk membantu dalam mempermudah identifikasi objek, maka digunakan bantuan dari gambar google earth. Citra ASTER komposit 321 merupakan komposit citra aster yang menonjolkan kenampakan vegetasi karena pada saluran (band) 3 atau inframerah dekat, vegetasi mempunyai pantulan spektral yang tinggi sehingga pada komposit citra ASTER 321, vegetasi akan menonjol dengan warna merah. Sedangkan gambar dari google earth digunakan untuk membatasi batas kebun karet yang menjadi kajian dari penelitian ini. Gambar dari google earth setelah dilakukan proses penyamaan datum lokal (georeferencing), digunakan untuk melihat kenampakan
visual dari perkebunan karet, karena perkebunan karet jika dilihat dari atas mengelompok sehingga memiliki pola yang mudah di identifikasi sehingga akan lebih memudahkan dalam menginterpretasi secara visual. Satuan pemetaan penelitian ini didapatkan dari penutup lahan yang telah dibuat yang digabungkan dengan data hasil interpretasi visual, sehingga menghasilkan batas daerah penelitian yang berupa batas perkebunan karet yang terdapat didaerah Tembir, Salatiga. Batas perkebunan karet yang telah didapatkan tersebut, dibagi lagi menjadi satuan pemetaan yang lebih kecil berdasarkan umur tanam dari tanaman karet, sehingga batas satuan pemetaan yang digunakan dalam pengambilan sempel adalah batas satuan umur tanam tanaman karet yang ada di perkebunan Tembir. Pengambilan sempel dilakukan dengan cara purposive sampling yakni tiap kelas diambil sempel berdasarkan tujuan. Pengambilan sampel di tiap kelas yang mempunyai tahun tanam yang sama dengan asumsi bahwa pada tahun tanam yang sama, pohon tersebut mempunyai produksi yang sama, sehingga dari seluruh daerah yang dikaji, diambil 42 sampel yang diukur dan digunakan untuk merepresentasikan seluruh daerah perkebunan karet tersebut. Survey lapangan ini bertujuan untuk menguji tingkat kesamaan antara data yang telah kita olah pada saat sebelum lapangan dan untuk mengambila data yang diperlukan yang mana data tersebut tidak bisa diketahui langsung dari citra dan hanya bisa didapatkan melalui pengukuran langsung ataupun mengambil data yang sudah ada dari instansi atau dinas terkait. Survey lapangan pada penelitian ini terutama untuk menguji tingkat akurasi penutuplahan yang sudah dibuat dari ekstraksi citra penginderaan jauh, yang mana tingkat akurasi yang dibutuhkan haruslah diatas 80% supaya peta tentatif penutuplahan yang dibuat bisa digunakan untuk proses selanjutnya. Hal ini disebabkan karena citra yang digunakan merupakan citra yang direkam pada bulan mei 2007, sehingga dikhawatirkan informasi penutuplahan yang dihasilkan telah mengalami perubahan. Pengambilan sampel ini selain berdasarkan satuan pemetaan yang telah dibuat, juga didasari dengan interpretasi visual kerapatan kanopi dilihat dari gambar google earth, dengan pertimbangan bahwa dimungkinkan bahwa semakin tanaman karet tersebut berada pada usia produktif maksimal, maka seakin besar pula lebar tutupan kanopi yang ada, sehingga akan lebih mempermudah dalam analisis pasca lapangan untuk mencari hubungan dengan produksi tnaman karet. Survey lapangan ini juga ditujukan untuk mengukur produksi dan produktifitas tanaman karet dan mengukur informasi yang dibutuhkan untuk mendapatkan kedua data tersebut yakni tinggi pohon, jumlah pohon tiap sampel, keliling batang, dan diameter tajuk. Semua data tersebut digunakan untuk mencari produktifitas tanaman karet pada tiap sampel di tiap satu satuan pemetaan. Data yang diambil pada saat pengukuran lapangan, selain yang berkorelasi dengan citranya langsung, pengukuran lapangan ini juga menggambil data produktifitas pada tiap tahun tanam yang dijadikan sebagai satuan pemetaan. Survey lapangan ini bertujuan untuk menguji tingkat kesamaan antara data yang telah kita olah pada saat sebelum lapangan dan untuk mengambila data yang diperlukan yang mana data tersebut tidak bisa diketahui langsung dari citra dan hanya bisa didapatkan melalui pengukuran langsung ataupun mengambil data yang sudah ada dari instansi atau dinas terkait. Survey lapangan pada penelitian ini terutama
untuk menguji tingkat akurasi penutuplahan yang sudah dibuat dari ekstraksi citra penginderaan jauh, yang mana tingkat akurasi yang dibutuhkan haruslah diatas 80% supaya peta tentatif penutuplahan yang dibuat bisa digunakan untuk proses selanjutnya. Hal ini disebabkan karena citra yang digunakan merupakan citra yang direkam pada bulan mei 2007, sehingga dikhawatirkan informasi penutuplahan yang dihasilkan telah mengalami perubahan. Pengambilan sampel ini selain berdasarkan satuan pemetaan yang telah dibuat, juga didasari dengan interpretasi visual kerapatan kanopi dilihat dari gambar google earth, dengan pertimbangan bahwa dimungkinkan bahwa semakin tanaman karet tersebut berada pada usia produktif maksimal, maka seakin besar pula lebar tutupan kanopi yang ada, sehingga akan lebih mempermudah dalam analisis pasca lapangan untuk mencari hubungan dengan produksi tnaman karet. Survey lapangan ini juga ditujukan untuk mengukur produksi dan produktifitas tanaman karet dan mengukur informasi yang dibutuhkan untuk mendapatkan kedua data tersebut yakni tinggi pohon, jumlah pohon tiap sampel, keliling batang, dan diameter tajuk. Semua data tersebut digunakan untuk mencari produktifitas tanaman karet pada tiap sampel di tiap satu satuan pemetaan. Data yang diambil pada saat pengukuran lapangan, selain yang berkorelasi dengan citranya langsung, pengukuran lapangan ini juga menggambil data produktifitas pada tiap tahun tanam yang dijadikan sebagai satuan pemetaan. Korelasi dan regresi ini merupakan analisis yang digunakan untuk mengetahui hubungan antara variabel – variabel yang digunakan dalam penelitian. Analisis ini dilakukan untuk mengetahui seberapa besar variabel – variabel tersebut saling berpengaruh antara satu dengan yang lainnya. Nilai minimal dari hubungan antara variabel tersebut telah ditetapkan kedalam sebuah tabel appendix, dimana nilai minimal yang dapat ditoleransi dlam menunjukkan hubungan antar variabel tersebut tergantung dari jumlah sampel yang digunakan untuk membangun sebuah model korelasi dan regresi. Penelitian ini menggunakan 21 sampel dari total 42 sampel yang diambil untuk membangun sebuah model korelasi dan regresi. Sedangkan sisa dari sampel yang tidak digunakan untuk membangun model, digunakan untuk mebangun sebuah uji akurasi data lapangan yang telah diambil. Model korelasi yang dibangun yang pertama adalah hubungan antara lebar tutupan kanopi (kerapatan kanopi) dengan nilai dari kedua transformasi indeks vegetasi yang digunakan. Nilai – nilai dari transformasi indeks vegetasi tersebut dilihat dari citra hasil transformasi kedua indeks pada masing – masing satuan sampel yang diambil, dengan berdasarkan pada nilai indeks vegetasi yang terdapat pada setiap koordinat sampel yang telah diambil. Hasil korelasi hubungan antara nilai indeks transformasi vegetasi SAVI dengan lebar kanopi menunnjukkan bahwa kedua variabel tersebut saling berhubungan satu sama lain. Hal ini ditunjukkan dengan besarnya nilai R² pada hasil korelasi kedua variabel tersebut sebesar 0.709. Nilai tersebut termasuk besar dan dapat diterima jika dilihat dari jumlah sampel yang digukana untuk membangun model ini. Jumlah sampel yang digunakan untuk membangun model ini sebanyak 22 sampel, sedangkan pada tabel diagram pendix disebutkan bahwa dengan jumlas sampel 22, nilai minimum besarnya R² yang dapat digunakan adalah 0.32, sehingga
dengan hasil nilai R² sebesar 0.709, maka nilai tersebut bisa dikatakan cukup bagus dan kedua variabel tersebut saling berhubungan.
savi kanopi 12
y = 36.139x - 4.2365 R² = 0.7098
10
8 savi kanopi
6
4 2
Linear (savi kanopi)
0
0
0.5
Gambar. 5.10. matriks 2 dimensi hubungan antara SAVI dengan lebar kanopi Model kedua ini hampir sama dengan model yang dibuat pertama, akan tetapi dengan variabel X yang berbeda. Apabila model yang pertama menggunakan variabel X adalah nilai indeks vegetasi SAVI, maka model yang kedua ini menggunakan variabel X adalah nilai indeks vegetasi MSAVI. Akan tetapi masih menggunakan variabel Y yang sama yaitu nilai kerapatan kanopi. Besarnya hubungan antara MSAVI dengan lebar tutupan kanopi ini jika dilihat dari nilai R² bisa dikatakan lebih rendah dengan hubungan antara SAVI dengan lebar tutupan kanopi. Hal ini mungkin disebabkan karena perbedaan kedua nilai indeks vegetasi tersebut, yang mana nilai dari indeks vegetasi MSAVI lebih kecil dibandingkan dengan nilai dari indeks vegetasi SAVI. Nilai tersebut mungkin dipengaruhi oleh ganguan pantulan spektral tanah yang lebih besar. Nilai transformasi indeks vegetasi tersebut akan berbeda apabila diterapkan pada objek yang berbeda pula, yang mana dalam kasus ini pada tumbuhan tanaman karet, hubungan antara nilai indeks vegetasi SAVI menunjukkan hubungan yang legih bagus apabila dibandingkan dengan nilai indeks vegetasi MSAVI.
msavi kanopi 12
y = 25.977x + 0.3034 R² = 0.5861
10 8
msavi kanopi
6 4 2 0 0
0.2
0.4
Linear (msavi kanopi)
Gambar. 5.11. matriks 2 dimensi hubungan antara MSAVI dengan lebar kanopi Model ketiga yang dibangun adalah korelasi antara lebar tutupan kanopi dengan volume batang. Model hubungan antara lebar tutupan kanopi dengan volume batang ini dilakukan untuk mengambil informasi yang dapat diturunkan dari citra penginderaan jauh tentang informasi besarnya volume batang, yang mana pada kasus penelitian ini, produksi dari tanaman karet dihasilkan dari batang tanaman karet tersebut. hubungan antara lebar tutupan kanopi dengan volume batang menunjukkan hubungan yang sangat kuat. Dilihat dari nilai R² yang mencapai hingga nilai 0.816. Hal ini menunjukkan bahwa hubungan antara kedua variabel tersebut sangatlah kuat. Rumusan model regresi tersebut kemudian dimasukkan kedalam peta kerapatan kanopi pada setiap transformasi indeks vegetasi sehingga menghasilkan 2 citra volume batang dari transformasi SAVI dan MSAVI.
kanopi volume batang 100000
y = 14092x - 68626 R² = 0.8165 kanopi volume apik
80000 60000 40000
20000 0 0
5
10
15
Linear (kanopi volume apik)
Gambar. 5.20. matriks 2 dimensi hubungan antara volume batang dengan lebar kanopi
Uji akurasi dilakukan supaya diketahui seberapa besar kesalahan yang diahasilkan dari data lapangan yang telah diambil yang telah dilakuakan pemodelan. Uji akurasi ini dilakukan pada variabel yang berhubungan langsung dengan variabel dari data penginderaan jauh untuk memastikan apakah informasi yang diturunkan dari data penginderaan jauh tersebut dapat digunakan. Variabel yang dilakukan uji akurasi adalah tutupan kanopi dengan nilai seluruh transformasi indeks vegetasi yang digunakan. Hal ini dilakukan dengan asumsi bahwa semakin besar tutupan kanopinya, maka akan semakin besar pula volume batang yang dihasilkan oleh tanaman karet, sehingga uji akurasi dilakukan pada variabel tutupan kanopi dengan nilai seluruh indeks vegetasi yang digunakan. Uji akurasi ini menggunakan standard error yang digunakan untuk menilai seberapa besar tingkat kesalahan yang terdapat pada data yang diteliti. Hasil dari nilai uji akurasi Y1 (diameter kanopi) dengan nilai indeks vegetasi SAVI dan MSAVI menghasilkan nilai SE sebesar 0.7118 untuk SAVI dan 0.7201 untuk MSAVI. Nilai SE tersebut bisa dibilang sangat kecil untuk tingkat kesalahan dari data yang digunakan. Nilai ini menunjukkan bahwa pada setiap nilai yang dihasilkan pada penelitian tersebut, hanya mengalami pergeseran sebesar 0.7 pada setiap model transformasi yang dibuat. Sehingga apabila dilihat dari nilai tersebut, maka data diameter kanopi yang dihasilkan berkisar lebih besar atau lebih kecil dari nilai dari masing – masing SE yang dihasilkan. Sehingga dari nilai standard error yang tidak terlalu besar tersebut, membuktikan bahwa data tersebut bisa digunakan. Produktifitas tanaman karet dihasilkan berdasarkan data produsi tanaman karet yang sudah dihitung dilapangan. Data ini dihitung tiap satu satuan sampel dari keseluruhan yang diambil, sehingga data produktifitas ini merupakan data yang diekstrak melalui data produksi tanaman karet pada setiap satuan area sampel. Data produksi yang digunakan merupakan data produksi tanaman karet rata – rata yang dihasilkan pada setiap satu satuan sampel. Data produksi tersebut kemudian dihubungkan dengan volume batang yang telah dihitung sehingga dapat diketahui nilai produksi tanaman karet pada setiap volume batang yang telah dihitung. Nilai produksi tersebut merupakan nilai rata – rata produksi tiap pohon tanaman karet yang diambil dari data lapangan, sehinngga nilai produktivitas tanaman karet pada setiap satuan luas sampel dapat dihitung dengan melihat jumlah pohon pada setiap satu satuan sampel Data produktivitas tanaman karet ini adalah data yang diekstrak dari besarnya volume batang dan dihubungkan dengan data produksi tiap pohon. Sehingga estimasi produksi tanaman karet ini dihasilkan berdasarkan nilai dari volume batang dan jumlah pohon pada tiap sampel yang dijadikan sebagai faktor pengali dalam mencari nilai produktivitas tersebut. Dari hasil pengukuran langsung dilapangan, didapatkan bahwa setiap tahun tanam yang dijadikan sebagai satuan pemetaan ini mempunyai nilai produksi total per satuan wilayah masing – masing. Apabila dilihat dari tabel produkstifitas tiap sampel, dapat diketahui bahwa produktifitas tanaman karet yang terdapat di perkebunan getas mempunyai nilai total sebesar 167778 kg/tahun (dihitung samapi dengan oktober 2012). Nilai produktifitas tiap satuan pemetaan juga bermacam – macam. Dari hasil pengukuran diketahui bahwa pada tahun tanam yang
berbeda, didapati pula jumlah produksi tanaman karet yang berbeda pula. Hal ini disebabkan karena jenis klon dan metode pengambilan getah yang berbeda yang diterapkan pada masing – masing tahun tanam sehingga mengakibatkan perbedaan nilai produktifitas pada tahun tanam yang sama. Dilihat dari hasil tabel produktifitas, nilai produktifitas tanaman karet ini berada pada julat produksi maksimum pada tahun tanam 1995 dan 1996. Hal ini menunjukkan bahwa umur keemasan tanaman karet dalam memproduksi getah adalah pada umur 17 dan 18 tahun. Setelah itu beberapa dari tanaman karet tersebut kebanyakan mengalami penurunan tingkat produksi sampai habis masa produksi tanaman tersebut. KESIMPULAN 1. Kemampuan citra ASTER dalam melakukan identifikasi tanaman karet agak sulit dilakukan apabila hanya menggunakan klasifikasi secara multispektral saja, hal ini disebabkan karena untuk klasifikasi multispektral yang digunakan, menggunakan input nilai piksel sebagai dasar acuan untuk melakukan klasifikasi, sehingga penentuan identifikasi untuk tanaman karet dibantu menggunakan interpretasi secara manual dengan menggunakan data lain. 2. Transformasi yang paling baik digunakan untuk melakukan estimasi produksi tanaman karet adalah transformasi MSAVI, hal ini biasa dilihat dari hasil akhir yang mana pada peta transformasi indeks vegetasi MSAVI mempunyai nilai persebaran vegetasi yang lebih detail dibandingkan dengan transformasi indeks vegetasi SAVI 3. Hasil estimasi produksi diuji dengan menggunakan standard error. Tingkat akurasi dari estimasi produksi yang dilakukan dengan menggunakan kedua transformasi indeks vegetasi bisa dikatakan cukup akurat. Hal ini bisa dilihat dari nilai standard error yang dihasilkan, untuk standard error yang dihasilkan dengan menggunakan transformasi indeks vegetasi SAVI sebesar 0.711, sedangkan untuk standard error yang dihasilkan dengan menggunakan transformasi indeks vegetasi MSAVI sebesar 0.720. Nilai tersebut menunjukkan bahwa pada setiap masing – masing model transformasi yang dibuat, mengalami nilai pergeseran sekitar 0.7 baik lebih besar maupun lebih kecil. Produktifitas tanaman karet yang terdapat di perkebunan getas mempunyai nilai total sebesar 167.778 kg/tahun
DAFTAR PUSTAKA Aima, Havidz. 1991. analisis peremajaan karet rakyat dikabupaten salorangun bangko propinsi jambi, Jambi Danoedoro, Projo, 1996.Pengolahan Citra Digital – Teori dan Aplikasinya dalam Bidang Penginderaan Jauh.Yogyakarta, Fakultas Geografi, UGM Dulbahri. 1985. Interpretasi Citra Untuk survey Vegetasi.Yogyakarta, Puspics Fakultas Geografi UGM Goenandi, D.H. 1991. Kesesuaian Lahan untuk Tanaman Karet Berdasarkan Faktor Agrokliamat di Indonesia. Pusat Penelitian Perkebunan Bogor. Bogor, Jawa Barat Herumukti, Sigt, 2001. Pengaruh Lereng dan Koreksinya Tehadap Nilai Spektral Tanaman Karet dan Tnaman Campuran pada Citra Landsat Thematic Mapper Kasus di Kota Semarang Bagian Barat, Yogyakarta : Fakulatas Geografi, UGM Howard, John A, 1996. Penginderaan Jauh untuk Sumberdaya Hutan – Teori dan Aplikasinya.Yogyakarta, Gadjah Mada University Press. Jensen, R John, 2005. Introduction Digital Image Prrocessing : A Remote Sensing Perspective (Third Edition). University Of Shouth Carolina, USA Kuchler, A W, 1967. Vegetation Mapping, Kansas, USA Lillesand, Thomas M and Ralph W Kiefer. 1990. Penginderaan Jauh dan Interpretasi Citra. Yogyakarta: Gadjah Mada University Press. Lo, C.P,. 1986. Penginderan Jauh Terapan. Jakarta: UI- Press.