LajuGandharum Analisa tekstur sawit
2 m panchromatic FORMOSAT-2 image
Filtered panchromatic image by high
pass filter (test image)
Reference image
ERDAS Imagine modeler
Texture information
Gambar 3
Alur Ekstraksi Informasi Tekstur yang Ditrepkan pada Kanal Pankromatic
Citra FORMOSAT-2.
2.5 Uji akurasi
Untuk mengetahui seberapa akurat hasil klasifikasi citra yang telah dilakukan, uji akurasi
dilakukan melalui matriks kesalahan (error matrix). Untuk bisa melaksanakan itu diperlukan dua
data yakni: image hasil klasifikasi yang akan diuji akurasinya dan data lapangan (ground truth
data) sebagai referensi. Data lapangan studi ini diperoleh dari kombinasi data survai lapang, peta
usia tanam sawit yang diperoleh dari PTPN VIII, citra Google Earth. Nilai uji akurasi hasil matriks
kesalahan adalah Overall Accuracy, User Accuracy dan Producer Accuracy, selain itu diihung
pula nilai Kappa-nya.
3.
Hasil dan Pembahasan
3.1 Hasil Klasifikasi Kanal Multispektral
Klasifikasi citra terbimibing menggunakan metode maximum likelihood telah diterapkan pada 4
kanal multispektral citra FORMOSAT-2. Pada awalnya klasifikasi menggunakan 44 training area
(TA) yang mewakili 7 tutupan lahan yang ada di kebun sawit Cimulang, mereka adalah: 4 TA
mewakili tanaman sawit yang ditanam pada 2002, 12 TA mewakili sawit tahun 2003, 6 TA
mewakili sawit tahun 2004, 10 TA mewakili sawit tahun 2005, 5 TA mewakili rerumputan, 4 TA
mewakili sawit muda yang didominasi rerumputan dan 3 TA mewakili non vegetasi.
Menggunakan 44 training area ini, citra multispektral diklasifikasi menjadi 44 kelas. Kelas-kelas ini
kemudian dikelompokan kembali menjadi 7 kelas tutupan lahan. Walaupun telah dikelompokkan
menjadi 7 kelas, namun beberapa kelas ternyata tidak sempurna terklasifikasi, utamanya antar
kelas beda usia tanaman sawit. Hal ini dikarenakan sidik jadi dan pemisahan antar kelas ini
terlalu dekat satu dengan yang lainnya. Karenanya kemudian beberapa kelas tanam tersebut
kemudian digabungkan kelasnya. Kelas tanam sawit 2002, 2003, dan 2004 digabungkan menjadi
satu menjadi kelas tanam Sawit Dewasa, kelas tanam sawit 2005 dikelaskan menjadi Sawit
Muda, kelas sawit muda yang didominasi dengan rerumputan dan kelas rerumputan dikelaskan
menjadi kelas Rumput, sedangkan kelas non vegetasi tetap.
Dari uji akurasi klasifikasi didapat bahwa user accuracy terkecil didapatkan oleh kelas Sawit
Dewasa (33,3%) sementara yang tertinggi diterima oleh kelas Sawit Muda (92,3%). Nilai producer
accuracy terendah 63% ada pada kelas Sawit Muda, sedang nilai tertingginya diterima oleh kelas
VI-85
non vegetasi (78,8%). Adapun nilai overall accuracy sebesar 66,4% sedang nilai Kappa-nya
adalah 0,48.
3.2 Hasil klasifikasi kombinasi kanal multispektral dan informasi tekstur
Menggunakan 5 referensi image dimana tiap referensi image mewakili satu pola tanam sawit
pada citra pankromatik 2 m, maka 5 layer informasi teksturpun dihasilkan dari proses ekstraksi
tekstur menggunakan metode image matching by correlation. Lima layer informasi tekstur dan
referensi imagenya ditunjukkan pada Gambar 4.
Dari Gambar 4 dapat dilihat bahwa secara umum mereka memiliki dua warna yang bertolak
belakang, yakni putih terang dan gelap. Putih terang mengindikasikan bahwa pada wilayahwilayah ini ada hubungan yang kuat antara test-image dan referensi-imagenya (pola tanam sawit
dan usianya mempunyai kemiripan yang mendekati sama), sedangkan warna gelap adalah
sebaliknya (korelasinya rendah).
Lima layer informasi tekstur yang disajikan pada Gambar 4 adalah hasil terbaik dari hasil uji coba
algoritma. Senyatanya untuk menghasilkan 5 hasil ini beberapa kali proses telah dilakukan. Jika
percobaan hasilnya tidak baik, maka referensi-image dipindah/digeser, kemudian proses
dijalankan kembali hingga menghasilkan informasi tekstur yang baik. Baik di sini adalah jika hasil
outputnya nampak warna putih-terang yang terkonsentrasi di suatu wilayah, tidak gelap atau
terang namun terpencar-pencar seperti noise. Dari uji coba yang dilakukan, nampanya lebih
mudah memperoleh informasi tekstur yang cerah pada wilayah-wilayah Sawit Dewasa dibanding
pada wilayah Sawit Muda maupun yang lainnya.
Lima layer informasi tekstur hasil proses ekstraksi di sini kemudian ditambahkan ke 4 kanal
multipektral citra FORMOSAT-2, sehingga menghasilkan 9 layer gabungan antara layer tekstur
dan kanal multispektral. Citra gabungan ini selanjutnya siap diklasifikasi menggunakan metode
klasifikasi terbimbing maximum likelihood dengan menggunakan prosedur yang sama dengan
klasfikasi citra pada point 3.1. Uji akurasipun dilakukan dengan menggunakan matriks kesalahan,
hasilnya adalah sebagai berikut: user accuracy terendahnya adalah 46,2 % (kelas Sawit Dewasa)
sedangkan tertingginya adalah 88,3% (kelas Sawit Muda); untuk producer accuracy, nilai
terendahnya adalah 58,9% (kelas Sawit Dewasa), tertingginya adalah 81,2% (kelas Sawit Muda).
Adapun overall accuracy-nya adalah sebesar 76.8%, sedang nilai Kappanya 0,6.
VI-86
Gambar 3
Gambar A, B, C, D and E adalah Informasi Tekstur yang Diekstrak Menggunakan
Referensi-image.
Warna putih terang mengindikasikan hubungan yang kuat antara referensi –image dengan testimagenya
3.3 Perbandingan
Sesuai judulnya bagian ini akan membandingkan hasil dua klasifikasi yang dihasilkan pada seksi
3.1 dan 3.2. Untuk memudahkan, secara visual perbandingan hasil dua klasifikasi dapat dilihat
pada Gambar 5. Secara kasat mata dari Gambar 4 dapat dilihat bahwa gambar A (hasil klasifikasi
kanal multispektral) nampak lebih kasar dibanding gambar B (hasil klasifikasi kombinasi kanal
multispektral dan informasi tekstur). Jika Gambar A dan B dibandingkan dengan Gambar C (peta
ground truth) maka bisa disimpulkan bahwa hasil B lebih baik dari A. Walau demikian menurut
Verbyla (1995) pengamatan visual tidak lah cukup, perlu pengamatan secara kuantitatif.
Pengamatan kuantitatif ini dilakukan dengan membandingkan hasil uji akurasi ke dua klasifikasi.
Perbandingan ini disajikan pada Tabel 1.
Dari Tabel 1 dapat dilihat bahwa nilai uji akurasi pada citra hasil klasifikasi kombinasi kanal
multispektral plus informasi tekstur menghasilkan nilai yang lebih baik (overall accuracy dan nilai
Kappanya adalah 76,8% dan 0,6) dibandingkan dengan hasil klasifikasi yang hanya
memanfaatkan kanal multspektral saja (overall accuracy dan nilai Kappanya adalah 66,4% dan
0,48, dimana selisih overall accuracy-nya adalah sebesar 10,4% lebih baik, sedangkan nilai
Kappanya berbeda 0,12 lebih baik.
VI-87
a
b
Sawit Dewasa
Sawit Muda
Rumput
Non-Vegetasi
Gambar 5. .
c
Gambar 5
Tabel 1
(a) Hasil Klasifikasi Kanal Multispektral FORMOSAT-2, (b) Hasil Klasifikasi Final
Kombinasi Kanal Multispektral Plus Informasi Tekstur, (c) Peta Ground Truth
Perbandingan dan Perbedaan Uji Akurasi Hasil Klasifikasi
Multispectral bands
Multispectral plus texture information
Cover Types
PA (%)
UA (%)
PA (%)
UA (%)
MA
66.6
33.3
58.9
46.2
IM
63.0
92.3
81.2
88.3
GR
76.0
78.3
79.5
81.3
NV
78.8
36.0
73.7
57.9
Overall Accuracy (%)
66.4
76.8
Kappa
0.48
0.60
PA = producer’s accuracy, UA = user’s accuracy, MA = Sawit Dewasa, IM = Sawit Muda, GR = Rumput, NV = Non
vegetasi
4.
Kesimpulan
Studi ini mempunyai beberapa kesimpulan sebagai berikut:
(1) Sawit adalah salah satu sektor penting yang mendukung perekonomian Indonesia. Total
ekpor CPO dan turunannya pada tahun 2007 mencapai 17 juta ton, atau setara dengan
nilai 6,2 milyar dollar Amerika. Perkebunan sawit telah mengokupasi lahan seluas 6.78
juta hektar pada 2007, dan terus berkembang hingga saat ini. Okupasi lahan untuk
perkebunan sawit ini telah membawa masalah lingkungan seperti deforestasi.
(2) Pengelolaan perkebunan sawit berkelanjutan adalah kunci penting dalam upaya
memenuhi kepentingan ekonomi sekaligus perfihak pula pada lingkungan. Kecanggihan
dan kehandalan teknologi seperti remote sensing dapat diadopsi untuk mendukung
pengelolaan perkebunan sawit berkelanjutan. Dalam upaya untuk itu, studi ini telah
mampu menggunakan citra resolusi tinggi FORMOSAT-2 (8 m untuk 4 kanal
multispektral dan 2 m untuk 1 kanal pankromatik) untuk mengklasifikasi tahap usia tanam
sawit di perkebunan sawit Cimulang, Bogor. Klasifikasi citra dilakukan dengan
memanfaatkan kanal multispektral dan kombinasi kanal multispektral plus informasi
VI-88
teksturnya. Klasifikasi citra terbimbing menggunakan teknik maximum likelihood dan
ekstraksi informasi tekstur menggunakan teknik used image matching by correlation.
(3) Tanaman sawit yang ditanam di perkebunan mempunyai pola tanam berbentuk segitiga
sama sisi yang jarak antar tanamannya sebesar 9 m. Jika dilihat dari atas pola tanam ini
memiliki sedikit perbedaan dalam sudut orientasi (arah), perbedaan ini menyesuaikan
dengan bentuk medan wilayah kebun sawit tersebut. Perbedaan arah pola tanam ini
dapat dilihat secara visual pada citra pankromatik FORMOSAT-2 yang beresolusi 2 m.
Dengan kondisi ini, ekstraksi tekstur pola tanam sawit dapat dilakukan secara otomatis
dengan menjalankan algoritma image matching by correlation pada kanal pankromatik
citra FORMOSAT-2 yang sebelumnya telah difilter oleh filter high pass. Metoda ini
berhasil sukses mengekstrak informasi tekstur dari beberapa pola tanam sawit yang
berbeda arah tanamnya di perkebunan Cimulang.
(4) Studi ini menghasilkan overall accuracy (OA) dari hasil klasifikasi kanal multispektral citra
FORMOSAT-2 sebesar 66,37% dan nilai kappanya 0,48. Sementara OA 76,8% dan nilai
kappa 0,66 diperoleh dari hasil final klasifikasi citra FORMOSAT-2 yang
mengkombinasikan informasi tekstur citra dengan kanal multispektralnya.
Membandingkan hasil dua klasifikasi tersebut dapat dikatakan bahwa dengan
menambahkan informasi tekstur pada kanal multispektral FORMOSAT-2 dapat
meningkatkan OA sebesar 10.4% dan nilai kappanya 0,12.
(5) Citra resolusi tinggi FORMOSAT-2 dapat digunakan untuk memetakan perbedaan tahap
usia tanam sawit guna mendukung program pengelolaan perkebunan sawit
berkelanjutan.
5.
Referensi
Berbergolu, S. and Curran, P.J. (2005): Remote Sensing Image Analysis: Including the Spatial Domain,
Merging Spectral and Textural Information for Classifying Remotely Sensed Images, Springer Science and
Business Media, p113-136.
Chang, K.T. (2008): Introduction to Geographic Information Systems, Fourth Edition, Mc. Graw Hill
International Editions.
Chen, D., Stow, D.A., and Gong, P. (2004): Examining the effect of spatial resolution and texture window
size on classification accuracy: An urban environment case, International Journal of Remote Sensing 25,
p2177-2192.
Coburn, C.A. and Roberts, A.C.B. (2004): A Multiscale Texture Analysis Procedure for Improved Forest
Stand Classification, International Journal Remote Sensing, Vol. 25, No. 20, p4287-4308.
Colchester, M. (2006): Indonesia: Oil palm expansion for biofuel bringing more exploitation than
development, Bulletin of World Rainforest Movement No. 112, 2006, Cited: May 4, 2010, URL:
http://www.wrm.org.uy/bulletin/112/Indonesia.html
Corley, R.H.V. and Tinker, P.B. (2003): The Oil Palm, Fourth edition, Blackwell Science Ltd., Oxford.
EconomyWatch,
Indonesia
Economy,
Cited:
April
18,
2010,
URL:
http://www.economywatch.com/world_economy/indonesia/
Fedepalma, The Oil Palm, Cited: April 19, 2010, URL: http://www.fedepalma.org/oil_palm.htm
Gibson, P.J. (2000): Introductory Remote Sensing: Principles and Concepts, Routledge, London.
Gonzales R. C., and Woods, R. E. (2002): Digital Image Processing, Second Edition, Prentice Hall, New
Jersey.
Jensen, J.R. (2005): Introductory Digital Image Processing. A Remote Sensing Perspective, 3rd Edition,
Pearson Prentice Hall.
Liu, C.C. et al. (2007): Image processing of FORMOSAT-2 data for monitoring the South Asia tsunami,
International Journal of Remote Sensing, Vol. 28, Nos. 13–14, 2007, p3093–3111.
Lillesand T., Kiefer R. W., and Chipman J. (2007): Remote Sensing and Image Interpretation, Fifth Edition,
Wiley.
Lukman, F. M., and 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,J.M.(1995):Relation of oil palm spectral response to stand age, Int. J.Remote Sensing, 16: 32033209.
Nordin, L., Shahruddin, A., and Mariamni, H. (2002): Application of AIRSAR Data to Oil Palm Tree
Characterization, MACRES Bulletin, ISSN No: 1511-7748, Kuala Lumpur.
VI-89
Perkebunan
Nusantara
VIII,
Profile,
Cited:
April
20,
2010,
URL:http://www.pn8.co.id/pn8_eng/index.php?option=com_content&task=category§ionid=4&id=13&Item
id=28
Sukamto. (2008): 58 Kiat Meningkatkan Produktivitas dan Mutu Kelapa Sawit, Penebar Swadaya, Jakarta.
Sunarko. (2009): Budi Daya dan Pengelolaan Kebun Kelapa Sawit dengan Sistem Kemitraan, Agromedia
Pustaka, Jakarta.
Taiwan’s NSPO (National Space Organization), Space Programs, FORMOSAT-2, Program Description,
Cited: April 25, 2010, URL: http://www.nspo.org.tw/2008e/projects/project2/intro.htm
VI-90
Filtered panchromatic image by high
pass filter (test image)
Reference image
ERDAS Imagine modeler
Texture information
Gambar 3
Alur Ekstraksi Informasi Tekstur yang Ditrepkan pada Kanal Pankromatic
Citra FORMOSAT-2.
2.5 Uji akurasi
Untuk mengetahui seberapa akurat hasil klasifikasi citra yang telah dilakukan, uji akurasi
dilakukan melalui matriks kesalahan (error matrix). Untuk bisa melaksanakan itu diperlukan dua
data yakni: image hasil klasifikasi yang akan diuji akurasinya dan data lapangan (ground truth
data) sebagai referensi. Data lapangan studi ini diperoleh dari kombinasi data survai lapang, peta
usia tanam sawit yang diperoleh dari PTPN VIII, citra Google Earth. Nilai uji akurasi hasil matriks
kesalahan adalah Overall Accuracy, User Accuracy dan Producer Accuracy, selain itu diihung
pula nilai Kappa-nya.
3.
Hasil dan Pembahasan
3.1 Hasil Klasifikasi Kanal Multispektral
Klasifikasi citra terbimibing menggunakan metode maximum likelihood telah diterapkan pada 4
kanal multispektral citra FORMOSAT-2. Pada awalnya klasifikasi menggunakan 44 training area
(TA) yang mewakili 7 tutupan lahan yang ada di kebun sawit Cimulang, mereka adalah: 4 TA
mewakili tanaman sawit yang ditanam pada 2002, 12 TA mewakili sawit tahun 2003, 6 TA
mewakili sawit tahun 2004, 10 TA mewakili sawit tahun 2005, 5 TA mewakili rerumputan, 4 TA
mewakili sawit muda yang didominasi rerumputan dan 3 TA mewakili non vegetasi.
Menggunakan 44 training area ini, citra multispektral diklasifikasi menjadi 44 kelas. Kelas-kelas ini
kemudian dikelompokan kembali menjadi 7 kelas tutupan lahan. Walaupun telah dikelompokkan
menjadi 7 kelas, namun beberapa kelas ternyata tidak sempurna terklasifikasi, utamanya antar
kelas beda usia tanaman sawit. Hal ini dikarenakan sidik jadi dan pemisahan antar kelas ini
terlalu dekat satu dengan yang lainnya. Karenanya kemudian beberapa kelas tanam tersebut
kemudian digabungkan kelasnya. Kelas tanam sawit 2002, 2003, dan 2004 digabungkan menjadi
satu menjadi kelas tanam Sawit Dewasa, kelas tanam sawit 2005 dikelaskan menjadi Sawit
Muda, kelas sawit muda yang didominasi dengan rerumputan dan kelas rerumputan dikelaskan
menjadi kelas Rumput, sedangkan kelas non vegetasi tetap.
Dari uji akurasi klasifikasi didapat bahwa user accuracy terkecil didapatkan oleh kelas Sawit
Dewasa (33,3%) sementara yang tertinggi diterima oleh kelas Sawit Muda (92,3%). Nilai producer
accuracy terendah 63% ada pada kelas Sawit Muda, sedang nilai tertingginya diterima oleh kelas
VI-85
non vegetasi (78,8%). Adapun nilai overall accuracy sebesar 66,4% sedang nilai Kappa-nya
adalah 0,48.
3.2 Hasil klasifikasi kombinasi kanal multispektral dan informasi tekstur
Menggunakan 5 referensi image dimana tiap referensi image mewakili satu pola tanam sawit
pada citra pankromatik 2 m, maka 5 layer informasi teksturpun dihasilkan dari proses ekstraksi
tekstur menggunakan metode image matching by correlation. Lima layer informasi tekstur dan
referensi imagenya ditunjukkan pada Gambar 4.
Dari Gambar 4 dapat dilihat bahwa secara umum mereka memiliki dua warna yang bertolak
belakang, yakni putih terang dan gelap. Putih terang mengindikasikan bahwa pada wilayahwilayah ini ada hubungan yang kuat antara test-image dan referensi-imagenya (pola tanam sawit
dan usianya mempunyai kemiripan yang mendekati sama), sedangkan warna gelap adalah
sebaliknya (korelasinya rendah).
Lima layer informasi tekstur yang disajikan pada Gambar 4 adalah hasil terbaik dari hasil uji coba
algoritma. Senyatanya untuk menghasilkan 5 hasil ini beberapa kali proses telah dilakukan. Jika
percobaan hasilnya tidak baik, maka referensi-image dipindah/digeser, kemudian proses
dijalankan kembali hingga menghasilkan informasi tekstur yang baik. Baik di sini adalah jika hasil
outputnya nampak warna putih-terang yang terkonsentrasi di suatu wilayah, tidak gelap atau
terang namun terpencar-pencar seperti noise. Dari uji coba yang dilakukan, nampanya lebih
mudah memperoleh informasi tekstur yang cerah pada wilayah-wilayah Sawit Dewasa dibanding
pada wilayah Sawit Muda maupun yang lainnya.
Lima layer informasi tekstur hasil proses ekstraksi di sini kemudian ditambahkan ke 4 kanal
multipektral citra FORMOSAT-2, sehingga menghasilkan 9 layer gabungan antara layer tekstur
dan kanal multispektral. Citra gabungan ini selanjutnya siap diklasifikasi menggunakan metode
klasifikasi terbimbing maximum likelihood dengan menggunakan prosedur yang sama dengan
klasfikasi citra pada point 3.1. Uji akurasipun dilakukan dengan menggunakan matriks kesalahan,
hasilnya adalah sebagai berikut: user accuracy terendahnya adalah 46,2 % (kelas Sawit Dewasa)
sedangkan tertingginya adalah 88,3% (kelas Sawit Muda); untuk producer accuracy, nilai
terendahnya adalah 58,9% (kelas Sawit Dewasa), tertingginya adalah 81,2% (kelas Sawit Muda).
Adapun overall accuracy-nya adalah sebesar 76.8%, sedang nilai Kappanya 0,6.
VI-86
Gambar 3
Gambar A, B, C, D and E adalah Informasi Tekstur yang Diekstrak Menggunakan
Referensi-image.
Warna putih terang mengindikasikan hubungan yang kuat antara referensi –image dengan testimagenya
3.3 Perbandingan
Sesuai judulnya bagian ini akan membandingkan hasil dua klasifikasi yang dihasilkan pada seksi
3.1 dan 3.2. Untuk memudahkan, secara visual perbandingan hasil dua klasifikasi dapat dilihat
pada Gambar 5. Secara kasat mata dari Gambar 4 dapat dilihat bahwa gambar A (hasil klasifikasi
kanal multispektral) nampak lebih kasar dibanding gambar B (hasil klasifikasi kombinasi kanal
multispektral dan informasi tekstur). Jika Gambar A dan B dibandingkan dengan Gambar C (peta
ground truth) maka bisa disimpulkan bahwa hasil B lebih baik dari A. Walau demikian menurut
Verbyla (1995) pengamatan visual tidak lah cukup, perlu pengamatan secara kuantitatif.
Pengamatan kuantitatif ini dilakukan dengan membandingkan hasil uji akurasi ke dua klasifikasi.
Perbandingan ini disajikan pada Tabel 1.
Dari Tabel 1 dapat dilihat bahwa nilai uji akurasi pada citra hasil klasifikasi kombinasi kanal
multispektral plus informasi tekstur menghasilkan nilai yang lebih baik (overall accuracy dan nilai
Kappanya adalah 76,8% dan 0,6) dibandingkan dengan hasil klasifikasi yang hanya
memanfaatkan kanal multspektral saja (overall accuracy dan nilai Kappanya adalah 66,4% dan
0,48, dimana selisih overall accuracy-nya adalah sebesar 10,4% lebih baik, sedangkan nilai
Kappanya berbeda 0,12 lebih baik.
VI-87
a
b
Sawit Dewasa
Sawit Muda
Rumput
Non-Vegetasi
Gambar 5. .
c
Gambar 5
Tabel 1
(a) Hasil Klasifikasi Kanal Multispektral FORMOSAT-2, (b) Hasil Klasifikasi Final
Kombinasi Kanal Multispektral Plus Informasi Tekstur, (c) Peta Ground Truth
Perbandingan dan Perbedaan Uji Akurasi Hasil Klasifikasi
Multispectral bands
Multispectral plus texture information
Cover Types
PA (%)
UA (%)
PA (%)
UA (%)
MA
66.6
33.3
58.9
46.2
IM
63.0
92.3
81.2
88.3
GR
76.0
78.3
79.5
81.3
NV
78.8
36.0
73.7
57.9
Overall Accuracy (%)
66.4
76.8
Kappa
0.48
0.60
PA = producer’s accuracy, UA = user’s accuracy, MA = Sawit Dewasa, IM = Sawit Muda, GR = Rumput, NV = Non
vegetasi
4.
Kesimpulan
Studi ini mempunyai beberapa kesimpulan sebagai berikut:
(1) Sawit adalah salah satu sektor penting yang mendukung perekonomian Indonesia. Total
ekpor CPO dan turunannya pada tahun 2007 mencapai 17 juta ton, atau setara dengan
nilai 6,2 milyar dollar Amerika. Perkebunan sawit telah mengokupasi lahan seluas 6.78
juta hektar pada 2007, dan terus berkembang hingga saat ini. Okupasi lahan untuk
perkebunan sawit ini telah membawa masalah lingkungan seperti deforestasi.
(2) Pengelolaan perkebunan sawit berkelanjutan adalah kunci penting dalam upaya
memenuhi kepentingan ekonomi sekaligus perfihak pula pada lingkungan. Kecanggihan
dan kehandalan teknologi seperti remote sensing dapat diadopsi untuk mendukung
pengelolaan perkebunan sawit berkelanjutan. Dalam upaya untuk itu, studi ini telah
mampu menggunakan citra resolusi tinggi FORMOSAT-2 (8 m untuk 4 kanal
multispektral dan 2 m untuk 1 kanal pankromatik) untuk mengklasifikasi tahap usia tanam
sawit di perkebunan sawit Cimulang, Bogor. Klasifikasi citra dilakukan dengan
memanfaatkan kanal multispektral dan kombinasi kanal multispektral plus informasi
VI-88
teksturnya. Klasifikasi citra terbimbing menggunakan teknik maximum likelihood dan
ekstraksi informasi tekstur menggunakan teknik used image matching by correlation.
(3) Tanaman sawit yang ditanam di perkebunan mempunyai pola tanam berbentuk segitiga
sama sisi yang jarak antar tanamannya sebesar 9 m. Jika dilihat dari atas pola tanam ini
memiliki sedikit perbedaan dalam sudut orientasi (arah), perbedaan ini menyesuaikan
dengan bentuk medan wilayah kebun sawit tersebut. Perbedaan arah pola tanam ini
dapat dilihat secara visual pada citra pankromatik FORMOSAT-2 yang beresolusi 2 m.
Dengan kondisi ini, ekstraksi tekstur pola tanam sawit dapat dilakukan secara otomatis
dengan menjalankan algoritma image matching by correlation pada kanal pankromatik
citra FORMOSAT-2 yang sebelumnya telah difilter oleh filter high pass. Metoda ini
berhasil sukses mengekstrak informasi tekstur dari beberapa pola tanam sawit yang
berbeda arah tanamnya di perkebunan Cimulang.
(4) Studi ini menghasilkan overall accuracy (OA) dari hasil klasifikasi kanal multispektral citra
FORMOSAT-2 sebesar 66,37% dan nilai kappanya 0,48. Sementara OA 76,8% dan nilai
kappa 0,66 diperoleh dari hasil final klasifikasi citra FORMOSAT-2 yang
mengkombinasikan informasi tekstur citra dengan kanal multispektralnya.
Membandingkan hasil dua klasifikasi tersebut dapat dikatakan bahwa dengan
menambahkan informasi tekstur pada kanal multispektral FORMOSAT-2 dapat
meningkatkan OA sebesar 10.4% dan nilai kappanya 0,12.
(5) Citra resolusi tinggi FORMOSAT-2 dapat digunakan untuk memetakan perbedaan tahap
usia tanam sawit guna mendukung program pengelolaan perkebunan sawit
berkelanjutan.
5.
Referensi
Berbergolu, S. and Curran, P.J. (2005): Remote Sensing Image Analysis: Including the Spatial Domain,
Merging Spectral and Textural Information for Classifying Remotely Sensed Images, Springer Science and
Business Media, p113-136.
Chang, K.T. (2008): Introduction to Geographic Information Systems, Fourth Edition, Mc. Graw Hill
International Editions.
Chen, D., Stow, D.A., and Gong, P. (2004): Examining the effect of spatial resolution and texture window
size on classification accuracy: An urban environment case, International Journal of Remote Sensing 25,
p2177-2192.
Coburn, C.A. and Roberts, A.C.B. (2004): A Multiscale Texture Analysis Procedure for Improved Forest
Stand Classification, International Journal Remote Sensing, Vol. 25, No. 20, p4287-4308.
Colchester, M. (2006): Indonesia: Oil palm expansion for biofuel bringing more exploitation than
development, Bulletin of World Rainforest Movement No. 112, 2006, Cited: May 4, 2010, URL:
http://www.wrm.org.uy/bulletin/112/Indonesia.html
Corley, R.H.V. and Tinker, P.B. (2003): The Oil Palm, Fourth edition, Blackwell Science Ltd., Oxford.
EconomyWatch,
Indonesia
Economy,
Cited:
April
18,
2010,
URL:
http://www.economywatch.com/world_economy/indonesia/
Fedepalma, The Oil Palm, Cited: April 19, 2010, URL: http://www.fedepalma.org/oil_palm.htm
Gibson, P.J. (2000): Introductory Remote Sensing: Principles and Concepts, Routledge, London.
Gonzales R. C., and Woods, R. E. (2002): Digital Image Processing, Second Edition, Prentice Hall, New
Jersey.
Jensen, J.R. (2005): Introductory Digital Image Processing. A Remote Sensing Perspective, 3rd Edition,
Pearson Prentice Hall.
Liu, C.C. et al. (2007): Image processing of FORMOSAT-2 data for monitoring the South Asia tsunami,
International Journal of Remote Sensing, Vol. 28, Nos. 13–14, 2007, p3093–3111.
Lillesand T., Kiefer R. W., and Chipman J. (2007): Remote Sensing and Image Interpretation, Fifth Edition,
Wiley.
Lukman, F. M., and 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,J.M.(1995):Relation of oil palm spectral response to stand age, Int. J.Remote Sensing, 16: 32033209.
Nordin, L., Shahruddin, A., and Mariamni, H. (2002): Application of AIRSAR Data to Oil Palm Tree
Characterization, MACRES Bulletin, ISSN No: 1511-7748, Kuala Lumpur.
VI-89
Perkebunan
Nusantara
VIII,
Profile,
Cited:
April
20,
2010,
URL:http://www.pn8.co.id/pn8_eng/index.php?option=com_content&task=category§ionid=4&id=13&Item
id=28
Sukamto. (2008): 58 Kiat Meningkatkan Produktivitas dan Mutu Kelapa Sawit, Penebar Swadaya, Jakarta.
Sunarko. (2009): Budi Daya dan Pengelolaan Kebun Kelapa Sawit dengan Sistem Kemitraan, Agromedia
Pustaka, Jakarta.
Taiwan’s NSPO (National Space Organization), Space Programs, FORMOSAT-2, Program Description,
Cited: April 25, 2010, URL: http://www.nspo.org.tw/2008e/projects/project2/intro.htm
VI-90