See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/323122375

PERBANDINGAN CITRA LANDSAT 8 OLI DAN SENTINEL 2-A UNTUK ESTIMASI

STOK KARBON KELAPA SAWIT (ELAIS GUINEENSIS JACQ) DI WILAYAH PT.
PERKEBUNAN NUSANTARA VII UNIT REJOSARI, NATAR, KA....

Article · February 2018

DOI: 10.24895/SNG.2017.2-0.393

CITATIONS READS

0 484

2 authors:

Astri Haniefah Ruwanda Prasetya

Gadjah Mada University Gadjah Mada University
1 PUBLICATION   0 CITATIONS    5 PUBLICATIONS   0 CITATIONS   

SEE PROFILE SEE PROFILE

All content following this page was uploaded by Astri Haniefah on 20 July 2018.

The user has requested enhancement of the downloaded file.

Perbandingan Citra Landsat 8 OLI dan Sentinel 2-A untuk Estimasi Stok Karbon ......................................................... (Astriani dkk.)

PERBANDINGAN CITRA LANDSAT 8 OLI DAN SENTINEL 2-A UNTUK

ESTIMASI STOK KARBON KELAPA SAWIT (ELAIS GUINEENSIS
JACQ) DI WILAYAH PT. PERKEBUNAN NUSANTARA VII UNIT
REJOSARI, NATAR, KABUPATEN LAMPUNG SELATAN
(The Comparison of Landsat 8 OLI and Sentinel 2-A to Estimate Oil Palm-Elais guineensis
jacq Carbon Stock in PT. Perkebunan Nusantara VII, Rejosari, Natar, South Lampung)

Haniefah Astriani, Kurniawan Budi Santoso, Na’ima Arifatha, Ruwanda

Prasetya, Satrio Dwi Utomo, Viky Citrasari Juniandari, Muhammad Kamal
Program Studi Kartografi dan Penginderaan Jauh, Departemen Sains Informasi Geografi, Fakultas Geografi
UGM
Sekip Utara, Sleman, Yogyakarta 55281
E-mail: Haniefahastri@gmail.com

ABSTRAK
Perkebunan kelapa sawit merupakan salah satu lokasi penyimpan stok karbon. Stok karbon berfungsi
untuk menjaga keseimbangan ekosistem guna mengurangi dampak pemanasan global. Perkembangan
teknologi menyebabkan pengukuran stok karbon dapat dilakukan menggunakan penginderaan jauh
menggunakan berbagai citra dengan resolusi spasial berbeda. Tujuan dari penelitian ini adalah untuk
membandingkan kemampuan Citra Landsat 8 OLI dan Citra Sentinel 2-A untuk estimasi stok karbon kelapa
sawit di wilayah PT. Perkebunan Nusantara VII unit Rejosari, Lampung. Nilai stok karbon diperoleh dengan
menghubungkan nilai indeks vegetasi citra penginderaan jauh dengan nilai biomassa hasil pengukuran
lapangan dan mengkonversi hasil nilai biomassa menjadi nilai stok karbon. Estimasi stok karbon dilakukan
dengan menggunakan Citra Landsat 8 OLI dan Sentinel 2-A menggunakan indeks vegetasi NDVI, MSAVI,
dan RVI. Berdasarkan pemodelan diperoleh nilai akurasi terbesar pada indeks vegetasi NDVI untuk Citra
Sentinel 2-A yaitu sebesar 37,4 % dan indeks vegetasi RVI untuk Citra Landsat 8 OLI yaitu sebesar 31,2 %.
Persamaan untuk mengestimasi nilai biomassa adalah y = 0.6386x0.0413 untuk indeks NDVI Citra Sentinel
2-A dan y = 5.3767x0.1195 untuk indeks vegetasi RVI Citra Landsat 8 OLI. Model terbaik terdapat pada
Citra Sentinel dengan indeks vegetasi NDVI dengan nilai akurasi sebesar 37,40% dan nilai R ² sebesar
0,4501. Nilai karbon stok total dari pemilihan indeks vegetasi dan citra terbaik sebesar 23.042,305 kg/ha.

Kata kunci: stok karbon, biomassa, penginderaan jauh, kelapa sawit, indeks vegetasi.

ABSTRACT
Oil palm plantation is considered as one of locations to store carbon stock. Carbon stock itself serves to
maintain stability of ecosystem in case of reducing global warning effects. Through technology development,
values of carbon stock amount can be estimated with remote sensing system using different imageries with
different spatial resolutions. This research provides comparisons of capabilities between Landsat 8 OLI
imagery and Sentinel 2-A for estimating the amount of oil palm plantation’s carbon stock at PT. Perkebunan
Nusantara VII Rejosari unit, Lampung. The amount of carbon stock can be estimated through statistical
approach between vegetation indexes such as NDVI, SAVI, and RVI implemented in both imageries and field
measurements by converting the biomass value into carbon stock value. Based on spatial modelling, the
highest accuracy value on NDVI vegetation index for Sentinel 2-A image was 37.4% and RVI vegetation
index for Landsat 8 OLI image was 31.2%. The equation for estimating the biomass value is
y=0.6386x0.0413 for NDVI vegetation index in Sentinel 2-A and y=5.3767x0.1195 for RVI vegetation index
in Landsat 8 OLI image. The best model is acquired from sentinel image with NDVI vegetation index, which
has 37.40% accuracy and 0.4501 for R² value. Total estimated amount of carbon stock which can be
restored in the plantation was estimated as 23.042,305 kg / ha.

Keywords: biomass, stock carbon, remote sensing, multi resolution imagery, oil palm.

PENDAHULUAN
Karbon merupakan salah satu unsur bukan logam ketika di atmosfer yang membentuk karbon
dioksida (CO2) ketika bersentuhan dengan oksigen. Unsur karbon yang berlebihan di atmosfer

21
 Seminar Nasional Geomatika 2017: Inovasi Teknologi Penyediaan Informasi Geospasial untuk Pembangunan Berkelanjutan

menyebabkan banyak permasalahan, terutama pemanasan global dan masalah kesehatan

pernafasan. Penyimpan stok karbon terbesar di bumi salah satunya adalah vegetasi karena
mampu menyimpan CO2 dalam jumlah besar, sehingga keberadaan vegetasi dinilai penting untuk
mengurangi dampak pemanasan global. Keberadaan vegetasi di Indonesia cukup banyak dengan
luas wilayah hutan mencapai 120,773 juta Ha di tahun 2014, lahan perkebunan pada tahun 2014
mencapai 21,44 juta Ha, dan lahan pertanian di tahun 2013 mencapai 8,112 juta hektar (BPS,
2014). Lahan perkebunan menjadi salah satu area bervegetasi penyumbang karbon. Salah satu
perkebunan yang cukup dominan di Indonesia adalah perkebunan kelapa sawit, dengan jumlah
luasan perkebunan kelapa sawit di Indonesia mencapai 11,3 juta Ha atau 50% dari luas lahan
perkebunan yang ada (Dirjen Perkebunan, 2015). Di Indonesia, perkebunan kelapa sawit
didominasi di wilayah Sumatera dan Kalimantan yang memiliki lahan masing masing sebesar 7,139
juta Ha dan 3,639 juta Ha (Dirjen Perkebunan, 2015). Perkebunan kelapa sawit PTPN VII Unit
Lampung merupakan salah satu perkebunan terbesar di lampung dengan luas lahan mencapai
4.984 Ha. Area yang cukup luas tersebut menjadikan lahan perkebunan kelapa sawit memiliki
potensi sebagai penyimpan kadar stok karbon yang relatif besar.
Pengukuran stok karbon dilakukan menggunakan pendekatan pengukuran biomassa pohon.
Pengukuran biomassa vegetasi dapat dilakukan dengan dua metode yakni destruktif dan non
destruktif. Metode destruktif dilakukan dengan menghitung secara langsung kandungan biomassa
melalui pengeringan seluruh bagian tumbuhan hasil penebangan di lapangan. Metode ini cukup
akurat untuk menghitung stok karbon, tetapi memerlukan biaya mahal dan memerlukan banyak
waktu. Selain itu area yang dilakukan pengukuran hanya mencakup area kecil, sumberdaya dan
tenaga yang dibutuhkan juga lebih besar pada area yang luas. (Sutaryo, 2009). Sekitar 56% dari
biomassa tanaman adalah karbon (Yulianti, 2009).
Perkembangan teknologi khususnya penginderaan jauh memungkinkan untuk mengkaji stok
karbon pada suatu wilayah. Penginderaan jauh memiliki potensi yang besar untuk pengembangan
metode pengukuran stok karbon dalam hal efektivitas biaya, waktu dan pengukuran yang lebih
mudah (Skole and Tucker 1993, Skole et al. 1994, Brown 1993; Thenkabail et al., 2004).
Penggunaan penginderaan jauh untuk estimasi stok karbon telah banyak digunakan seiring
dengan peningkatan resolusi spasial dan dinilai cukup efektif untuk pengukuran stok karbon
vegetasi. Estimasi biomassa dilakukan dengan menghubungkan antara biomassa pohon dengan
transformasi indeks vegetasi pada citra. Penelitian ini bertujuan untuk mengevaluasi kemampuan
data penginderaan jauh sebagai salah satu alternatif untuk estimasi karbon stok kelapa sawit.

METODE
Lokasi Penelitian

Penelitian ini berada di wilayah PT. Perkebunan Nusantara VII Unit Usaha Rejosari berada di
Desa Rejosari, Kecamatan Natar, Kabupaten Lampung Selatan, Provinsi Lampung. Jarak Unit
Usaha Rejosari dari ibu kota provinsi 27 km. PT. Perkebunan Nusantara memiliki luas sebesar
4.984,41 Ha.

Gambar 1. Peta area kajian penelitian.

22
Perbandingan Citra Landsat 8 OLI dan Sentinel 2-A untuk Estimasi Stok Karbon ......................................................... (Astriani dkk.)

Alat dan Bahan

Alat
a. Perangkat lunak Envi 5
b. ArcGIS 10.3
c. Ms. Office 2013 untuk pengolahan dan analisis data
d. Laptop Lenovo G40 AMD E1 untuk pengolahan data dan penulisan laporan
e. Abney level
f. Tali rafia
g. GPS Garmin
h. Ceklist lapangan
Bahan
a. Peta Rupabumi Indonesia lembar 1110-41 Gedungtataan skala 1:25.000
b. Citra Sentinel 2A-MSI perekaman 22 Juni 2016
c. Citra Landsat 8 OLI Path 124 row 64 perekaman 21 Juni 2016
d. Peta blok umur kelapa sawit PTPN VII unit Rejosari

Tahap Penelitian

Koreksi Citra

Koreksi radiometrik, atmosferik, dan geometrik citra dilakukan terhadap Citra Landsat 8 OLI
dan Sentinel 2-A. Koreksi radiometrik dilakukan untuk mereduksi distorsi atmosferik seperti adanya
hamburan maupun pantulan oleh gas-gas di atmosfer. Koreksi atmosferik dilakukan dengan
melihat nilai minimum pada tiap band (dark substrat) dan menggunakan nilai tersebut sebagai
nilai offset akibat pengaruh atmosfer. Hasil akhir dari koreksi atmosfer adalah band dengan nilai
pantulan minimal adalah nol. Koreksi geometrik dilakuan dengan menggunakan metode image to
map dengan transformasi GCP mengikuti persamaan orde 1, orde 2, orde 3 berdasarkan dari
kondisi relief dari permukaan obyek yang diamati. Peta yang dijadikan acuan adalah Peta RBI
Lembar 1110 - 41 Gedungtataan skala 1:50.000. Pemotongan citra bertujuan untuk memotong
citra sesuai dengan batasan wilayah kajian penelitian sehingga analisis dapat lebih difokuskan
pada wilayah tersebut.

Transformasi Citra

Penelitian ini menggunakan tiga macam indeks vegetasi untuk dicari besar korelasinya dengan
hasil pengukuran biomassa di lapangan, yaitu Normalized Difference Vegetation Index (NDVI),
Ratio Vegetation Index (RVI), Modified Soil-Adjusted Vegetation Index (MSAVI). Rumus untuk
menentukan NDVI, RVI, MSAVI dapat dilihat pada Rumus 1, Rumus 2 dan Rumus 3.
NDVI = (NIR – Red) / (NIR + Red) ..................................................................................... (1)
RVI = NIR/Red ................................................................................................................. (2)
MSAVI = ½ * ((2*(NIR+1)) – (((2*NIR)+1)2 – 8 (NIR-Red))1/2) ........................................... (3)
Keterangan:
NIR= Saluran inframerah dekat citra
Red= Saluran merah citra

Penentuan Sampel dan Ukuran Plot

Sampel model ditentukan menggunakan stratified sampling dengan mempertimbangan nilai

indeks vegetasi yang mewakili tiap umur satuan lahan. Sampel validasi ditentukan menggunakan
random sampling untuk mendapatkan sampel secara umum di wilayah kajian. Menurut McCoy
(2005) penentuan ukuran sampel dapat menggunakan Rumus 4.

23
 Seminar Nasional Geomatika 2017: Inovasi Teknologi Penyediaan Informasi Geospasial untuk Pembangunan Berkelanjutan

A = P (1 + 2 L) ................................................................................................................ (4)
Keterangan:
A = ukuran plot sampel di lapangan
P = resolusi spasial (ukuran piksel)
L = RMSE (Root Mean Square Error)

Penentuan Nilai Biomassa dan Karbon

Pendugaan biomassa di atas permukaan dihitung menggunakan persamaan alometrik dengan

parameter tinggi tegakan dan berat jenis spesies tertentu yang berbeda satu sama lain. Rumus
alometrik yang digunakan (Lubis, 2011):
Y = 0,002382xD2,3385xH0,9411 ............................................................................................. (5)
Keterangan:
Y =karbon biomassa kering (kg/pohon)
D =diameter batang dengan pelepah setinggi dada yang diukur tegak lurus batang (cm)
H =tinggi bebas percabangan tanaman kelapa sawit (m)

Konversi Nilai Biomassa ke Nilai Stok Karbon

Menurut Yulianti (2009), konversi biomassa menjadi kandungan C dapat dilakukan dengan
menggunakan faktor konversi sebesar 54,14%. Hasil konversi tersebut berupa nilai stok karbon
per tegakan kelapa sawit dengan satuan kg/ha.

Analisis Statistik

Uji normalitas data dilakukan dengan Kolmonogorov Smirnov dengan membandingkan nilai
difference (Dn) hasil perhitungan dengan nilai yang ada di tabel nilai kritis uji Kolmonogorov
Smirnov. Data tersebut dapat dikatakan normal apabila nilai hitung lebih kecil dibandingkan nilai di
tabel. Uji korelasi bertujuan untuk mengetahui hubungan antar dua variabel yakni hubungan
antara nilai stok karbon di lapangan dengan kenampakan di citra. Penilaian korelasi dapat
dilakukan dengan menggunakan tabel r product moment yang mempertimbangkan jumlah sampel.
Analisis dapat dilanjutkan apabila nilai rhitung> rtabel. Uji regresi dapat dilakukan dengan persamaan
model linear dan non-linear. Model non-linear dilakukan dengan metode eksponen dan power.
Pemilihan model terbaik dapat dilakukan dengan melihat konsistensi setiap model yang ada.
Konsistensi dilihat berdasarkan nilai koefisien determinasi (R2). Uji akurasi dilakukan dengan
melihat nilai standard error of estimate (SEE) dan dengan melihat grafik 1:1 plot. SEE
merepresentasikan kesalahan pada setiap sampel, semakin kecil nilai SE, maka semakin kecil
kesalahan estimasi.

Diagram Alir

Gambar 2. Diagram alir penelitian.

24
Perbandingan Citra Landsat 8 OLI dan Sentinel 2-A untuk Estimasi Stok Karbon ......................................................... (Astriani dkk.)

HASIL DAN PEMBAHASAN

Penentuan nilai stok karbon yang ada di PT. Perkebunan Nusantara VII menggunakan
pemodelan dengan menggunakan indeks vegetasi RVI, MSARVI, dan NDVI pada Citra Landsat 8
Oli dan Sentinel 2A. Estimasi stok karbon dilakukan menggunakan analisis regresi antara nilai
indeks vegetasi hasil transformasi Citra Landsat 8 OLI dan Sentinel 2A dengan nilai hasil
perhitungan biomassa di lapangan melalui persamaan alometrik penelitian yang telah ada
sebelumnya. Analisis regresi membutuhkan data dengan distribusi normal, sehingga sebelum
dilakukan analisis regresi dibutuhkan normasilasasi data terlebih dahulu.
Metode yang digunakan untuk normalisasi data adalah metode kolmogorov smirnov. Hasil
proses normalisasi data menggunakan metode kolmogrov smirnov pada masing-masing indeks
Citra Landsat 8 dan Sentinel 2A menunjukkan bahwa Citra Landsat 8 memiliki nilai normal terbesar
sebesar 0,112 sedangkan Citra Sentinel 2A memiliki nilai normal terbesar sebesar 0,139 sehingga
nilai pada kedua citra tersebut dapat dikatakan berdistribusi normal karena kurang dari 0,34 untuk
alfa 0,05 dengan jumlah sampel 16.
Nilai r atau nilai korelasi menjadi acuan apakah variabel dapat digunakan untuk memprediksi
nilai variabel terikat dengan analisis regresi atau tidak. Pencarian nilai korelasi untuk menjelaskan
kuat lemahnya hubungan antar data yang akan dianalisis. Apabila nilai korelasi kurang dari batas
minimal nilai r maka variabel bebas tidak layak untuk memprediksi nilai variabel terikat. Batas
minimal nilai r bergantung pada jumlah sampel masing-masing regresi. Tabel.1 menunjukkan nilai
korelasi antara indeks vegetasi dan nilai biomassa. Semakin mendekati nilai 1 berarti semakin kuat
hubungan antara indeks vegetasi yang digunakan dengan nilai biomassa. Hasil korelasi antara
indeks vegetasi MSAVI pada Citra Sentinel dengan nilai biomassa di lapangan menunjukkan
hubungan paling kuat dengan nilai 0.6931 dibandingkan kedua hubungan yang lain. Hal yang
perlu diperhatikan sebelum analisis lebih lanjut ialah nilai korelasi yang kuat belum tentu
menunjukkan nilai akurasi yang tinggi.

Tabel 1. Nilai korelasi antara Indeks Vegetasi dan Biomassa.

Sentinel 2A
MSAVI RVI NDVI Biomassa
MSAVI 1
RVI 0.4905 1
NDVI 0.4788 0.9925 1
Biomassa 0.6931 0.5898 0.6013 1

Landsat 8 OLI
MSAVI RVI NDVI Biomassa
MSAVI 1
RVI 0.6668 1
NDVI 0.6724 0.9948 1
Biomassa 0.5536 0.4666 0.4655 1
Sumber: Analisis Data, 2017

Tabel tersebut menunjukkan bahwa menggunakan citra yang berbeda akan menghasilkan nilai
korelasi yang berbeda pula. Nilai korelasi antara nilai biomassa di lapangan dengan indeks vegetasi
yang digunakan dapat dilihat berdasarkan perhitungan statistika, semakin besar nilai korelasi maka
semakin kuat hubungan yang dimiliki. Dibandingkan dengan citra Sentinel, Citra Landsat
menghasilkan hubungan yang lebih rendah. Hal tersebut dapat disebabkan karena resolusi Landsat
lebih rendah sehingga untuk identifikasi obyek relatif lebih lemah dibandingkan citra Sentinel.
Seperti pada citra Sentinel, hubungan yang paling kuat ialah antara indeks vegetasi MSAVI
dengan nilai biomassa dengan nilai 0,553. Meskipun lebih tinggi dibandingkan hubungan pada citra
Landsat, hubungan pada Citra Sentinel masih dikategorikan dalam hubungan cukup kuat. MSAVI
baik korelasinya karena secara teori indeks tersebut dibangun untuk mengatasi kasus-kasus
khusus yang tidak bisa diatasi oleh indeks NDVI. Selain itu, MSAVI dikembangkan untuk
mengurangi pengaruh tanah yang kemungkinan tampak pada sekumpulan vegetasi.

25
 Seminar Nasional Geomatika 2017: Inovasi Teknologi Penyediaan Informasi Geospasial untuk Pembangunan Berkelanjutan

Citra Sentinel dapat lebih baik dalam hal identifikasi obyek di lapangan karena bias dan error
pada Citra Sentinel relatif lebih kecil dibandingkan citra Landsat. Korelasi biomassa dengan indeks
vegetasi NDVI menghasilkan hubungan yang kuat pada beberapa penelitian karena biomassa
terkait dengan tingkat kehijauan daun (Aparicio et al, 2002). Citra Landsat membutuhkan ukuran
sampel lebih besar yang mana semakin besar ukuran sampel maka semakin banyak pula pohon
kelapa sawit yang dapat diidentifikasi. Hal tersebut yang menjadi kelemahan dari indeks vegetasi
NDVI, karena di hutan atau perkebunan, korelasi antara biomassa dengan citra sulit untuk
ditemukan (Lu et al, 2002).

Tabel 2. Hasil analisis regresi antara indeks vegetasi dan biomassa.

SENTINEL MSAVI RVI NDVI
POWER Y = 3.3633x18.942 Y = 3.3306x2.1401 Y = 4169.4x10.904
LINEAR Y = 7283.8x – 8946.8 Y = 92.283x – 425.3 Y = 5884.8x – 4304.1
EKSPONENSIAL Y = 3E-06e14.485x Y = 59.043e0.2039x Y = 0.0089e13.286x

LANDSAT MSAVI RVI NDVI

POWER Y = 16.661x18.953 Y = 66.898x1.7627 Y = 44004x12.804
LINEAR Y = 97971x - 127375 Y = 873.6x – 4885.7 Y = 106890x – 85233
EKSPONENSIAL Y = 4E – 05e13.834x Y = 1311.1e0.1195x Y = 0.0206e14.701x
Sumber: Analisis data, 2017

Hal yang penting dalam analisis regresi yaitu penentuan variabel dependent (variabel terikat)
yaitu nilai DN pada transformasi indeks vegetasi citra dan variabel independent (variabel bebas)
berupa hasil perhitungan nilai biomassa. Asumsi yang digunakan pada penggunaan variabel ini
yaitu keadaan lapangan (nilai stok karbon) mempengaruhi nilai DN pada hasil indeks citra.
Penggunaan banyak bentuk persamaan regresi bertujuan untuk melihat nilai R² sehingga dapat
ditentukan model terbaik dalam estimasi stok karbon kelapa sawit. Hasil analisis regresi
menggunakan empat bentuk persamaan yakni linier, eksponensial, dan power ditunjukkan pada
Tabel 2.
Tabel 3. Nilai R2 hasil analisis regresi antara indeks vegetasi dan biomassa.
Citra Sentinel 2A
Regresi/Transformasi MSAVI RVI NDVI
Indeks
POWER 0.4616 0.4317 0.4501
LINEAR 0.4804 0.3479 0.3616
EXPONEN 0.4604 0.4115 0.4465

Citra Landsat
Regresi/Transformasi MSAVI RVI NDVI
Indeks
POWER 0.3132 0.2106 0.211
LINEAR 0.3066 0.2178 0.2167
EXPONEN 0.3136 0.2096 0.211
Sumber: Analisis data, 2017

Analisis regresi yang dilakukan antara nilai setiap transformasi indeks vegetasi dan biomassa
menghasilkan nilai output yang beragam yang secara lengkap ditampilkan pada Tabel 3.
Berdasarkan analisis regresi diperoleh nilai koefisien determinasi terbesar untuk estimasi stok
karbon kelapa sawit di PT. Perkebunan Nusantara VII unit Rejosari adalah Citra Sentinel dengan
indeks vegetasi MSAVI dengan nilai R² 0,4804. Penentuan model terbaik tidak bisa hanya
ditentukan berdasarkan nilai R² atau R tertinggi. Nilai R² tinggi belum tentu memiliki akurasi tinggi
untuk hasil pemodelan. Tingkat akurasi sendiri digunakan untuk mengetahui tingkat kesalahan dan
ketelitian dari model yang telah di bangun. kemudian dilakukan uji akurasi berdasarkan standar
error of estimate.

26
Perbandingan Citra Landsat 8 OLI dan Sentinel 2-A untuk Estimasi Stok Karbon ......................................................... (Astriani dkk.)

Tabel 4. Perhitungan standard error of estimate pengukuran lapangan stok karbon.

Citra/ Model Transformasi Sentinel 2A Landsat 8 OLI
RVI 36.91% 31.20%
NDVI 37.40% 31.11%
MSAVI 36.80% 9.52%
Sumber: Analisis data, 2017

Hasil pengukuran standar terror of estimate menunjukkan bahwa pada penggunaan data Citra
Sentinel akurasi terbaik didapatkan oleh model transformasi indeks vegetasi NDVI sebesar
37.40%. Nilai akurasi 37.40% berarti tingkat ketelitian estimasi stok karbon 37.40% per piksel.
Nilai akurasi untuk model menggunakan Citra Sentinel dengan indeks vegetasi MSAVI sebesar
36.8% yang artinya estimasi stok karbon kelapa sawit di PT. Perkebunan Nusantara VII unit
Rejosari dengan model ini akan menghasilkan ketelitian sebesar 36.8%. Nilai ini tergolong masih
sangat rendah untuk memodelkan suatu fenomena di permukaan bumi. Sementara itu untuk
model dengan Citra Sentinel menggunakan indeks vegetasi NDVI menghasilkan nilai akurasi
sebesar 37.40%. Nilai ini tidak berbeda jauh dengan model dari Citra Sentinel dengan indeks
MSAVI tetapi nilai ini merupakan nilai akurasi tertinggi dari hasil pemodelan untuk masing-masing
citra dan indeks vegetasi. Perhitungan standar terror of estimate secara lengkap berada pada
Tabel 4.
Nilai akurasi yang rendah ini disebabkan oleh beberapa faktor salah satunya saat pengambilan
data di lapangan seperti jumlah dan sebaran sampel. Jumlah sampel untuk model tergolong
sangat sedikit hanya 16 sampel. Keterbatasan waktu menjadi penghalang bagi peneliti untuk
mendapatkan jumlah sampel yang ideal di lapangan. Hasil pemodelan yang dibangun akan jauh
lebih representatif jika sampel yang digunakan lebih banyak dan tersebar merata hampir di seluruh
lokasi perkebunan. Selain itu, kondisi yang beraneragam di dalam satu plot sampel seperti adanya
pohon yang mengalami rontok pelepah, pohon yang terserang penyakit, dan lebatnya semak di
perkebunan juga menjadi penyebab nilai akurasi yang rendah. Semakin tinggi nilai akurasi maka
semakin baik hasil estimasi dari model yang didapat. Untuk itu model terbaik yang digunakan
dalam penelitian ini adalah model dari Citra Sentinel menggunakan indeks vegetasi NDVI.

Gambar 2. Peta hasil estimasi nilai biomassa pada citra sentinel dengan transformasi indeks NDVI.

Berdasarkan nilai regresi yang menjelaskan hubungan antara nilai Biomassa dengan Citra
Sentinel dengan tranformasi indeks NDVI, dilakukan estimasi untuk menghitung keseluruhan nilai
stok karbon yang dapat dimuat di PT Perkebunan Nusantara VII unit Rejosari. Gambar 2.
merupakan peta hasil akhir dari perhitungan dan model estimasi stok karbon terbaik, dimana rona
hijau yang semakin gelap akan menujukkan nilai stok karbon yang relatif lebih tinggi dibandingkan
rona hijau yang lebih cerah. Hasil perhitungan menunjukkan bahwa nilai estimasi stok karbon di
PT. Perkebunan Nusantara VII Unit Rejosari Lampung adalah 23.042,305 kg/ha.

27
 Seminar Nasional Geomatika 2017: Inovasi Teknologi Penyediaan Informasi Geospasial untuk Pembangunan Berkelanjutan

KESIMPULAN

Berdasarkan hasil penelitian diketahui bahwa Citra Landsat 8 OLI dan Sentinel 2A dapat
digunakan untuk estimasi stok karbon pada vegetasi khususnya kelapa sawit. Citra Sentinel 2A
menghasilkan nilai akurasi yang lebih baik dibandingkan Citra Landsat 8 OLI karena adanya
perbedaan resolusi spasial. Nilai akurasi yang diperoleh tergolong dalam kelas rendah akibat dari
berbagai permasalahan perolehan data lapangan sehingga dibutuhkan pendekatan lain dalam
perolehan data lapangan yang lebih akurat. Hasil akhir nilai stok karbon di PT Perkebunan
Nusantara VII unit Rejosari yang didapatkan sebesar 23.042,305 kg/Ha.

UCAPAN TERIMA KASIH

Penulis mengucapkan puji syukur kepada Allah SWT yang telah melimpahkan karunianya
sehingga penelitian dapat terlaksana dengan baik. Tidak lupa kami ucapkan terima kasih kepada
Bapak Muhammad Kamal, M.GIS., Ph.D., selaku dosen pembimbing penelitian yang telah
meluangkan waktunya untuk membimbing, memberikan arahan, masukan, ilmu, dan motivasi
kepada penulis sehingga dapat menyelesaikan penelitian ini. Penulis juga mengucapkan terima
kasih kepada:
1. Dosen departemen Sains Informasi Geografis yang telah membantu dan mendampingi
selama kegiatan penelitian berlangsung maupun pasca kegiatan.
2. PTPN VII selaku instansi tempat kami melakukan penelitian dan memberikan beberapa
data.
3. Petugas PTPN VII yang senantiasa menemani kami dalam pengambilan data di lapangan.
4. Teman-teman Kartografi dan Penginderaan Jauh Universitas Gadjah Mada yang memberika
masukan dan saran atas penelitian yang kami lakukan.
DAFTAR PUSTAKA

Aparicio, N., D. Villegas, J.L. Araus, J. Casadesus. C. Royo, 2002. Relationship between Growth Traits and
Spectral Vegetation Indices in Durum Wheat. Crop Science. No 42: 1547-1555.
Badan Pusat Statistik. 2014. Statistik Indonesia 2014. Jakarta : BPS.
Brown, S., 1993, Tropical forest and the global carbon cycle: the need for sustainable landuse patterns .
Agriculture, Ecosystems and Environment, 46, 31–44.
Dirjen Perkebunan. 2015. Statistik Perkebunan Indonesia 2014-206 Kelapa Sawit. Jakarta; Kementrian
Pertanian, Dirjen Perkebunan.
Lu, D. S., Mausel, P., Brondi´zio, E. S., and Moran, E., 2002, Change detection of successional and mature
forests based on forest stand characteristics using multitemporal TM data in the Altamira, Brazil . XXII
FIG International Congress, ACSM–ASPRS Annual Conference Proceedings, Washington, DC, USA.
Lubis, A.R. 2011. Pendugaan Cadangan Karbon Kelapa Sawit Berdasarkan Persamaan Alometrik di Lahan
Gambut Kebun Meranti Paham, PT Perkebunan Nusantara IV, Kabupaten Labuhan Batu, Sumatera
Utara. Bogor: Fak Pertanian IPB.
Skole, D. L., and Tucker, C. J., 1993, Tropical deforestation and habitat fragmentation in the Amazon:
satellite data from 1978 to 1988. Science, 260, 1905–1910.
Skole, D. L., Chomentowski, W. H., Salas, W. A., and Nobre, A. D. 1994. Physical and human dimensions of
deforestation in Amazonia. Bioscience, 44, 314–322.
Thenkabail, P. S. 2004. Inter-sensor relationships between IKONOS and Landsat-7 ETMz NDVI data in three
ecoregions of Africa. International Journal of Remote Sensing, 25, 389–408.
Yulianti, Nina. 2009. Cadangan Karbon Lahan Gambut dari Agroekosistem Kelapa SawitPTPN IV Ajamu,
Kabupaten Labuhan Batu, Sumatera Utara. Bogor: Sekolah Pascasarjana IPB.

28

View publication stats