134 68 PB
134 68 PB
Abstrak
Identifikasi umur kelapa sawit dapat dilakukan dengan memanfaatkan teknologi penginderaan
jauh menggunakan citra sensor aktif yang memiliki keunggulan dapat beroperasi siang atau
malam dan tidak terpengaruh masalah tutupan awan atau kabut. Adanya perbedaan umur kelapa
sawit memengaruhi adanya perbedaan luas kanopi yang menyebabkan terjadinya variasi
kekasaran permukaan kanopi sehingga tingkat hamburan balik yang dipancarkan sensor
berbeda-beda. Penelitian ini menganalisa keeratan hubungan (korelasi) antara nilai hamburan
balik Citra Sentinel-1 dan umur kelapa sawit serta mengkelaskan kelapa sawit berdasarkan
umurnya menggunakan data Citra SAR Sentinel-1 dengan dual polarisasi (VV dan VH) mode
Interferometric Wide Swath (IW) dan basemap umur kelapa sawit di lokasi kajian. Metodologi
penelitian mencakup kegiatan pre-processing (kalibrasi radiometrik, terrain flattened gamma,
filtering dan koreksi geometrik), klasifikasi menggunakan algoritma SVM (Support Vector
Machines), uji akurasi menggunakan matrik konfusi serta analisa statistik dengan menghitung
koefisien korelasi. Hasil penelitian membuktikan bahwa umur kelapa sawit dan nilai hamburan
balik citra Sentinel-1 memiliki hubungan yang kurang erat, karena pada polarisasi VV koefisien
korelasinya hanya sebesar 0,531% (sedang) dan untuk polarisasi VH sebesar 0,599% (sedang).
Selain itu, hasil uji akurasi klasifikasi menggunakan matriks konfusi memperlihatkan bahwa
skenario dengan lebih dari satu variabel menghasilkan tingkat akurasi yang lebih baik.
Kata Kunci: Algoritma SVM (Support Vector Machines), Hamburan Balik , Penginderaan
Jauh Sensor Aktif, Sentinel-1, Umur Kelapa Sawit
ABSTRACT
Identification of oil palm age can be done using remote sensing technology, using an active
sensor image that have ability to operate day or night and not affected by cloud cover or fog.
The existence of differences in oil palms age affects the differences in the canopy area and the
differences in canopy area which causes variations in the surface roughness of the canopy so
that the level of back scattering emitted by the sensor is different. This research analyzes the
closeness of the relationship (correlation) between the backscatterring value of Sentinel-1 Image
and the oil palm age and the oil palms were classified based on their age using SAR Sentinel-1
imagery data with dual-polarization mode (VV and VH) Interferometric Wide Swath (IW) and
base map of oil palms age at the research location. Methodology in this research consists of pre-
processing process (radiometric calibration, terrain flattened gamma, filtering, and geometric
correction), classification using the SVM (Support Vector Machines) algorithm, the accuracy
test used confusion matrix method and statistical analysis by calculating the correlation
coefficient. The results showed that the age of oil palm and the backscattering value of Sentinel-
1 images had a less close relationship, because the VV polarization is only 0.531% (moderate)
and for VH polarization is 0.599% (moderate). In addition, the results of the classification
55
Nadya Rulian, Analisa Hamburan Balik Citra Sentinel-1 untuk Pemantauan Umur Tanaman Kelapa Sawit
classification test using a confusion matrix show that scenarios with more than one variable
produce a better level of accuracy.
Keywords: Active Sensor Remote Sensing, Backscatter, Oil Palm Age, Sentinel-1, SVM
(Support Vector Machines) Algorithm
56
Nadya Rulian, Analisa Hamburan Balik Citra Sentinel-1 untuk Pemantauan Umur Tanaman Kelapa Sawit
b. Citra sensor aktif yang digunakan adalah tergantung pemilihan citra juga metode
Citra Sentinel-1. pengolahan dan analisa yang diterapkan.
c. Data utama yang digunakan adalah nilai
hamburan balik citra Sentinel-1. Hamburan Balik
d. Beberapa variabel seperti kesehatan Nilai hamburan balik (backscatter) sangat
tanaman, jenis tanah, pola tanam, jenis penting pada data SAR karena nilai tersebut
pupuk, dan pengelolaan perkebunan dapat menjadi representasi dari sifat objek
lainnya dianggap sama untuk semua area yang direkam. Setiap piksel dalam gambar
karena seluruh variabel ini memiliki radar mewakili jumlah energi yang kompleks
korelasi besar dengan kanopi. yang dipantulkan kembali ke satelit. Area
e. Metode analisa yang digunakan adalah yang tampak gelap di citra menunjukkan
analisa korelasi. pantulan balik yang lemah sedangkan area
LANDASAN TEORI yang cerah menunjukkan pantulan balik yang
kuat. Pantulan balik ini dipengaruhi dua
parameter, yaitu parameter radar dan
Pemantauan Kelas Umur Kelapa Sawit parameter medan. Adanya dua parameter ini
Secara umum, produksi tanaman sawit memberikan nilai hamburan balik yang
akan berkaitan dengan umur tanaman. diterima sensor bervariasi. Koefisien
Semakin tua umur pohon kelapa sawit maka hamburan balik radar memberikan informasi
semakin tidak produktif lagi sehingga tentang permukaan objek, hal hal yang
diperlukan peremajaan pohon kelapa sawit. memengaruhi nilai hamburan balik pencitraan
Dalam merealisasikan rencana peremajaan radar yaitu: A. Parameter Pengamatan Radar
pohon kelapa sawit, PTPN sebagai penangung (1. Frekuensi, 2. Polarisasi, 3. Pengaruh sudut
jawab pengelola perkebunan nasional datang) dan B. Parameter Permukaan Objek
memerlukan data sebaran umur tanam pohon (1. Kekasaran permukaan, 2. Pengaruh
kelapa sawit yang perlu dilakukan kelembaban).
peremajaan.
Perkiraan usia yang akurat dari perkebunan Citra Sentinel-1
kelapa sawit juga dapat bermanfaat sebagai Citra sentinel-1 berasal dari satelit
fasilitas pendukung pengelolaan lahan European Space Agency (ESA) dengan nama
pertanian dengan tersedianya peta satelit sentinel-1 yang diluncurkan pada 3
penggunaan lahan secara nasional yang April 2014. Tujuan dan misinya adalah untuk
dilakukan oleh PTPN. Kelas umur kelapa menyediakan kontinuitas Data Band-C SAR
sawit dapat diketahui menggunakan dua setelah ERS-2 dan berakhirnya misi Envisat.
metode, yakni metode terestris dan Adanya sensor Synthetic Aperture Radar
penginderaan jauh. Secara terestris, umur (SAR) C-band dengan frekuensi 5,405 Hz
kelapa sawit dapat diketahui dengan cara memungkinkan citra yang dihasilkan terbebas
menghitung jumlah pelepah. Metode ini dari awan dan dapat merekam objek siang
memiliki kelebihan di antaranya hasil yang ataupun malam. Citra ini merupakan hasil
didapatkan lebih akurat akan tetapi konstelasi dari 2 satelit yang mampu merekam
memerlukan waktu yang lebih lama juga seluruh permukaan bumi dalam waktu 6 hari.
membutuhkan banyak sumber daya manusia. Satelit sentinel-1 beroperasi dengan single
Metode yang kedua adalah dengan polarisasi (HH atau VV) dan dual polarisasi
menggunakan teknologi penginderaan jauh. (HH+HV, VV+VH) untuk mode SM, IW dan
Metode ini didasarkan pada nilai piksel yang EW (Ikhwandito, dkk., 2018).
didapat karena adanya interaksi antara sensor
penginderaan jauh dengan tajuk pohon kelapa Analisa Korelasi
sawit. Metode ini dapat digunakan untuk Korelasi adalah derajat hubungan linier
mengetahui kelas umur kelapa sawit secara (searah bukan timbal balik) antara dua
cepat dan efektif, juga tidak membutuhkan parameter atau lebih dalam istilah statistik.
banyak sumber daya manusia, akan tetapi Sehingga, dengan adanya analisa korelasi
hasilnya atau keakuratan hasil pengamatan dapat diketahui ada atau tidak adanya
hubungan antar variabel. Nilai koefisien
2
ISSN 2776-9283 DATUM
Journal of Geodesy and Geomatics
Vol. 1 / No. 2 Desember 2021 (55-66)
Citra
Terkoreksi
METODOLOGI PENELITIAN
Konversi nilai
menjadi satuan dB
Alat dan Bahan
Segmentasi
Adapun alat dan bahan yang
Uji Separabilitas
digunakan antara lain :
1. Alat Klasifikasi
Basemap
Alat yang digunakan untuk mendukung PTPN VII Pemotongan Citra
Unit Rejosari
penelitian ini meliputi perangkat keras dan
Selesai
perangkat lunak, diantaranya :
a. Laptop Gambar 1. Diagram Alir Tahap Pengolahan
b. Perangkat lunak Sentinel Aplication Citra (Sumber: Hasil Analisa
Platform (SNAP) Desktop-Sentinel-1 Data, 2020)
Toolbox (S1Tbx) 7.0, untuk pengolahan
data Sentinel-1 1. Koreksi Radiometrik
c. Perangkat lunak GIS Koreksi radiometrik meliputi dua tahap,
d. Perangkat lunak pengolah angka yakni kalibrasi radiometrik dan terrain
e. Perangkat lunak pengolah kata flattening gamma. Kalibrasi radiometrik
mengubah Digital Number (DN) menjadi
2. Bahan koefisien hamburan balik (beta nought). Nilai
Adapun bahan-bahan yang diperlukan ini kemungkinan masih terpengaruh bentuk
dalam penelitian ini adalah : topografi sehingga harus dilakukan proses
a. Data DEMNAS terain flattening gamma. Selain itu, apabila
b. Citra Sentinel-1 wilayah PT. Perkebunan klasifikasi tutupan lahan diterapkan pada
Nusantara VII Unit Rejosari, Natar, medan yang bervariasi, klasifikasi yang
Kabupaten Lampung Selatan yang dihasilkan kurang akurat. Hal ini dikarenakan
diunduh di https://scihub.copernicus.eu/. variasi medan tidak hanya mempengaruhi
posisi target di permukaan bumi tetapi juga
kecerahan radar yang dikembalikan. Apalagi
Nadya Rulian, Analisa Hamburan Balik Citra Sentinel-1 untuk Pemantauan Umur Tanaman Kelapa Sawit
mengingat bahwa setiap citra radar bukan berdasarkan pada perhitungan jarak Jeffries
hanya sekedar gambar tetapi juga berisi Matusita dan Transform Divergence, di mana
informasi mengenai backscatter value objek. semakin mendekati dua maka nilai hasil uji
2. Filtering memperlihatkan tingkat keterpisahan terbaik.
Tahap filtering bertujuan untuk mereduksi 7. Klasifikasi
gangguan (noise) berupa bintik (speckle) yang Teknik klasifikasi yang digunakan adalah
terdistribusi secara acak. Adanya bintik dapat klasifikasi terbimbing, Support Vending
memberikan pengaruh terhadap interpretasi Machine (SVM). Pemilihan klasifikasi
citra dan nilai hamburan balik piksel citra, dilakukan dengan pertimbangan bahwa
sehingga perlu dilakukan penyaringan. berdasarkan penelitian Navaro, dkk (2019)
Teknik filtering yang diterapkan adalah dan Ban (2013) dalam Zhou dkk., (2017)
adaptive filters Gamma Map kernel 7x7. dikemukakan bahwa SVM paling efektif
Kernel terbaik di dasarkan pada nilai hasil dari untuk proses klasifikasi data SAR (Zhou et al.,
perhitungan matriks piksel tetangga bukan 2017). Proses ini mengkelaskan piksel sesuai
berdasarkan ukuran kernel yang dipilih. dengan training area yang telah diambil
Filtering ini digunakan karena memiliki nilai sebelumnya sehingga menghasilkan data hasil
TCR yang tinggi, NM mendekati satu, nilai klasifikasi.
STM rendah dan nilai EI yang mendekati satu 8. Uji Akurasi
(Mashaly dkk., 2010). Tahap uji akurasi menghitung keakuratan
3. Koreksi Geometrik hasil klasifikasi dengan keadaan di lapangan.
Koreksi geometrik Range Doppler Terrain Dalam pengambilan jumlah pengambilan titik
Correction merupakan teknik koreksi uji akurasi menggunakan metode multinomial
geometrik yang digunakan untuk mereduksi distribution.
kesalahan geometrik akibat adanya layover,
shadow dan foreshortening yang timbul B. Pengolahan Data untuk Mencari Korelasi
karena teknik perekaman menyamping SAR. 1. Pembuatan Sampel
Selain itu, tahap ini juga mengubah koordinat Sample area yang diambil dapat
yang sebelumnya dalam bentuk 2D menjadi mendefinisikan sebuah daerah contoh/obyek.
3D (sistem koordinat peta). Pembuatan sampel dilakukan pada citra yang
4. Konversi Satuan Koefisien Backscatter (γ telah dipotong sesuai daerah kajian guna
°) menjadi Satuan Desibel (dB) mendapatkan nilai backscatter yang kemudian
Nilai piksel hasil koreksi geometrik yakni dapat dikorelasikan dengan kelas umur kelapa
koefisien backscatter (gamma nought) masih sawit.
dalam bentuk skala linier sehingga perlu 2. Ekstraksi Nilai Hamburan Balik
diubah kedalam satuan baku atau dalam Nilai yang diekstrak merupakan nilai
bentuk nilai skala logaritmik (satuan desibel). hamburan balik pada setiap sampel yang telah
5. Segmentasi diambil dalam satuan desibel. Nilai inilah
Tahap ini meminimalkan heterogenitas yang kemudian akan dikorelasikan dengan
dan memaksimalkan homogenitas. Tahap ini kelas umur kelapa sawit pada analisa korelasi.
dapat meminimalkan efek dari salt and pepper 3. Analisis Hubungan Hamburan Balik
pada citra SAR karena pada segmentasi dapat dengan kelas Umur Kelapa Sawit
membantu mengelompokkan objek Analisa statistik yang digunakan berupa
berdasarkan fitur spektral, topografi, tekstur analisa korelasi Pearson. Analisa korelasi
dan geometri obyek. digunakan untuk mengetahui kekuatan atau
6. Uji Separabilitas keeratan hubungan antar variabel. Variabel
Uji separabilitas (Separability Test) yang digunakan antara lain nilai hamburan
memberikan informasi terkait tingkat balik pada tiap plot sampel dan kelas umur
keterpisahan nilai spektral antar objek kelapa sawit pada tiap plot sampel.
(Wulansari, 2017), dengan mengetahui
tingkat keterpisahannya dapat memudahkan HASIL DAN PEMBAHASAN
menentukan kelas terbaik untuk
mengklasifikasikan kelapa sawit pada area
kajian berdasarkan kelas umurnya. Uji ini
4
ISSN 2776-9283 DATUM
Journal of Geodesy and Geomatics
Vol. 1 / No. 2 Desember 2021 (55-66)
Analisa Hamburan Balik Citra Sentinel-1 kedua polarisasi berbeda, akan tetapi pola dari
pada Lokasi Kajian grafik nilai backscatter nya hampir sama.
(a) (b)
Gambar 2.Citra Sentinel-1 Daerah Kajian
Polarisasi VH (a) Citra Sentinel-
1 Daerah Kajian Polarisasi VV Gambar 3. Grafik Nilai Hamburan Balik citra
(b) (Sumber: Hasil Analisa GIS, SAR Sentinel-1 (Sumber: Hasil
2020) Analisa Statistik, 2020)
Analisa Teknik Klasifikasi
Polarisasi VV dan VH memiliki rentang nilai A. Analisa Keterpisahan Kelas
yang berbeda sehingga menghasilkan citra Analisis separabilitas (keterpisahan kelas)
pada lokasi kajian dengan tingkat kecerahan memberikan gambaran tingkat keterpisahan
yang berbeda, polarisasi VH memiliki rona
kelas berdasarkan ROI (Region of Interest)
yang lebih gelap dibandingkan polarisasi VV
(gambar 2). Nilai hamburan balik merupakan yang diambil. Semakin tinggi tingkat
representasi dari kekuatan pantulan yang keterpisahannya (mendekati 2) maka semakin
dihasilkan sensor saat mengenai permukaan jelas perbedaan antara kelas kelas tersebut.
objek sehingga citra yang dihasilkan memiliki Berdasarkan analisa separabilitas seperti pada
tingkat kecerahan yang berbeda. Saat sensor tabel 2, pada semua skenario menggunakan
mengenai permukaan kanopi, sinyal radar ROI yang telah diambil, kelas terbaik untuk
menyebar kesegala arah (diffuse reflection) mengkelaskan sawit berdasarkan umurnya
yang mana sebagian akan kembali ke sensor. yaitu: sawit remaja (10-17 tahun), sawit
Adanya kekasaran permukaan kanopi dewasa (18-24 tahun) dan sawit tua (>24
mengakibatkan sinyal yang dipantulkan tahun).
menyebar dan nilai hamburan balik yang
diperoleh berbeda-beda. Pada tanaman kelapa Tabel 2. Tabel Tingkat Keterpisahan Kelas
sawit, permukaan kanopi kelapa sawit kelas (Sumber: Hasil Analisa GIS, 2020)
umur yang berbeda memiliki kekasaran yang Tingkat Keterpisahan
berbeda, karena setiap bertambahnya umur Jeffries- Transformed
kelapa sawit struktur dan kerapatan kanopi Matusita Divergence
bertambah. Melalui kanopi pohonlah dapat 10-17 dan 18-24 1.89651226 1.92782419
dibedakan sawit remaja, dewasa hingga tua. 10-17 dan >24 1.72519478 1.73909353
Nilai piksel (db) hasil olahan citra SAR 18-24 dan >24 0.78796612 0.92448440
Sentinel-1 pada daerah kajian memperlihatkan
adanya perbedaan nilai hamburan balik pada
setiap kelas blok tanam kelapa sawit yang B. Analisa Sebaran Kelapa Sawit
ditandai dengan adanya variasi kecerahan. berdasarkan Umur
Selain itu, berdasarkan hasil grafik pada
gambar 3 diketahui bahwa nilai hamburan Tahap klasifikasi terbimbing menggunakan
balik cenderung fluktuatif sesuai dengan umur algoritma SVM (Support Vector Machine)
kelapa sawit. Meskipun keduanya disusun enam skenario yang digunakan
memperlihatkan adanya variasi hamburan sebagai masukan seperti pada tabel 3.
balik dan juga penurunan nilai hamburan Keenam skenario tersebut menggunakan
balik, pada kedua polarisasi (gambar 3)
terlihat bahwa rentang nilai hamburan balik
Nadya Rulian, Analisa Hamburan Balik Citra Sentinel-1 untuk Pemantauan Umur Tanaman Kelapa Sawit
C. Uji Akurasi
Uji akurasi menggunakan matriks konfusi
menghasilkan ketelitian produser dan
koefisien kappa. Jumlah sampel yang
Gambar 4. Grafik Luas Lahan masing- digunakan berjumlah 79 sampel. Jumlah
masing Kelas (Sumber: Hasil Analisa
tersebut didapat dari perhitungan
Statistik, 2020)
menggunakan rumus multinomial distribution
dengan perhitungan sebagai berikut:
Berdasarkan enam skenario klasifikasi
tersebut dihasilkan peta sebaran kelas umur 6,2514 𝘹 0,348974 𝘹 1 − 0,348974
kelapa sawit di PTPN VII Unit Rejosari Natar 𝑛=
0,152
dengan skala 1:42.000. Selain itu,
𝑛 = 63 sampel
berdasarkan hasil klasifikasi diketahui bahwa
area perkebunan kelapa sawit seluas 42978,8
ha. Citra hasil klasifikasi SVM (Support Nilai 6,2514 didapat dari tabel chi square
Vector Machine) dengan enam skenario dengan derajat kebebasan 1 kemudian nilai
mengkelaskan umur kelapa sawit kedalam 0,3489 didapat dari kelas khusus yang
tiga kelas yakni, kelas umur 10-17 tahun, mencakup area terluas dalam hasil klasifikasi.
kelas umur 18-24 tahun dan kelas umur lebih Dalam penelititian ini diketahui bahwa pada
dari 24 tahun. Dari hasil klasifikasi dapat hasil klasifikasi, kelapa sawit pada rentang
diturunkan informasi mengenai luas masing umur di atas 24 tahun memiliki persentase
masing kelas pada setiap skenario. Kelapa area terluas sebesar 34,89%. Sedangkan nilai
sawit di area perkebunan PTPN VII Unit 0,15 merupakan tingkat ketidakpercayaan
Rejosari didominasi oleh kelapa sawit dengan yang diasumsikan sebesar (15%). Meskipun
kelas umur di atas 24 tahun dengan rata-rata jumlah sampel yang diperlukan hanya 63
persentase di atas ±34,89% dan kelapa sawit sampel uji, peneliti menambahkan jumlah
pada rentang kelas umur 18-24 tahun memiliki titik uji menjadi 79 titik uji. Berdasarkan hasil
total luas yang paling rendah dengan rata rata perhitungan matriks konfusi (tabel 4)
persentase sebesar ± 23,35%. Berdasarkan diketahui bahwa skenario empat
luasan yang didapat seperti pada gambar 4 (variabel:polarisasi VV, VH, VV/VH)
dapat diketahui pula bahwa total luas area memiliki tingkat ketelitian yang lebih tinggi
yang dihasilkan masing masing kelas pada dengan akurasi produser sebesar 48.1013%
skenario tiga, empat, lima dan enam tidak dan koefisien kappa sebesar 0.3061
terlalu menunjukkan perbedaan, sedangkan dibandingkan dengan tingkat ketelitian
skenario satu dan dua memperlihatkan skenario lainnya. Selain itu, dapat diketahui
perbedaan luas yang cukup signifikan. pula skenario 1 (VV) memiliki tingkat
ketelitian yang paling rendah dengan
persentase ketelitian sebesar 32.9114% dan
Tabel 3. Variabel Masukan untuk Klasifikasi koefisien kappa 0.0790 dibandingkan dengan
(Sumber: Hasil Analisa GIS, 2020) tingkat ketelitian skenario lainnya. Skenario
Skenario J.Variabel Deskripsi Variabel dengan lebih dari satu variabel
6
ISSN 2776-9283 DATUM
Journal of Geodesy and Geomatics
Vol. 1 / No. 2 Desember 2021 (55-66)
memperlihatkan tingkat ketelitian yang lebih titik uji akurasi sedikit bergeser saat di plot di
baik dibandingkan dengan skenario dengan lapangan. Selain itu, adanya interaksi antara
satu variabel masukan. Hal ini membuktikan gelombang elektromagnetik dengan tanaman
bahwa tingkat akurasi peta sebaran kelas umur yang tumbuh pada sela-sela kelapa sawit dan
klasifikasi kelapa sawit dengan lebih dari satu juga interaksi gelombang elektromagnetik
variabel menghasilkan tingkat ketelitian yang dengan tanah memengaruhi nilai hamburan
lebih baik. Tingkat akurasi yang rendah dapat balik yang kembali ke sensor.
diakibatkan karena adanya pengaruh dari
resolusi citra Sentinel-1 sehingga penempatan
Tabel 4. Hasil Uji Akurasi (Sumber: Hasil Analisa GIS, 2020)
Akurasi Produser
Nama Variabel Koefisien Kappa
(%)
Skenario 1 VV 32.9114 0.0790
Skenario 2 VH 36.7089 0.1398
Skenario 3 VV, VH 48.1013 0.3049
Skenario 4 VV, VH, (VV/VH) 48.1013 0.3061
Skenario 5 VV, VH, (VV-VH) 45.5696 0.2685
Skenario 6 VV, VH, (VV/VH), (VV-VH) 48.1013 0.3019
Analisa Korelasi Nilai Hamburan Balik kelapa sawit) kurang dapat dijelaskan melalui
Citra Sentinel-1 dengan Kelas Umur varians yang terjadi pada variabel independen
Tanaman Kelapa Sawit (hamburan balik). Selain itu, hal ini berarti
varians yang terjadi pada nilai kelas umur
Nilai hamburan balik dan kelas umur kelapa sawit 53% dapat dijelaskan melalui
tanaman kelapa sawit dijadikan masukan nilai hamburan balik yang didapatkan atau
dalam analisis korelasi Pearson. nilai hamburan balik 53% ditentukan oleh
umur tanaman kelapa sawit itu sendiri dan
47% lainnya ditentukan oleh faktor lain.
Tabel 5. Nilai Analisa Deskriptif (Sumber: Tanda negatif pada nilai yang dihasilkan
Hasil Analisa GIS, 2020) menyatakan bahwa semakin tua umur kelapa
Polarisasi Deskripsi Nilai sawit makan semakin kecil nilai hamburan
VV Koefisien Korelasi -0,531 balik yang dihasilkan. Selain itu terjadi
VH Koefisien Korelasi -0,599 tingkat signifikansi 2 arah yakni adanya
kemungkinan hubungan dua arah antar
A. Polarisasi VV variabel masukan (hamburan balik citra
Hasil analisis korelasi Pearson (tabel 5) Sentinel-1 polarisasi VV dan umur kelapa
memperlihatkan bahwa adanya korelasi yang sawit).
sedang antara kelas umur kelapa sawit dan
B. Polarisasi VH
juga nilai hamburan balik citra Sentinel-1
Hasil analisis korelasi Pearson (tabel 5)
polarisasi VV. Nilai korelasi Pearson sebesar
memperlihatkan bahwa adanya korelasi yang
0,531 memperlihatkan bahwa berdasarkan
kuat antara umur tanaman kelapa sawit dan
sampel yang telah diambil sebanyak 54
juga nilai hamburan balik citra Sentinel-1
sampel secara keseluruhan menunjukkan
polarisasi VV. Nilai korelasi Pearson yang
korelasi yang sedang antar dua variabel karena
tidak mendekati 1 (0,599) memperlihatkan
koefisien korelasi yang sedang berada pada
bahwa secara keseluruhan menunjukkan
rentang 0,4 -0,7. Hal ini berarti varians yang
korelasi yang sedang antar dua variabel karena
terjadi pada variabel dependen (kelas umur
koefisien korelasi yang sedang berada pada
Nadya Rulian, Analisa Hamburan Balik Citra Sentinel-1 untuk Pemantauan Umur Tanaman Kelapa Sawit
Badan Air
SIMPULAN
2
ISSN 2776-9283 DATUM
Journal of Geodesy and Geomatics
Vol. 1 / No. 2 Desember 2021 (55-66)
Zhou, T., Pan, J., Zhang, P., Wei, S., & Han, T.
(2017). Mapping Winter Wheat with Multi-
Temporal SAR and Optical Images in an
Urban Agricultural Region. 1–16.
https://doi.org/10.3390/s17061210