Intansania Nurmalasari
intansania14@gmail.com
Abstract
Remote sensing nowadays improves rapidly, from the proliferation of new image
and freely accessible to anyone to the variety of advantage that can be applied in
many aspects including gardening. This study employed Sentinel-2A remote
sensing imagery data by calculating the mapping accuracy on tea by using
confusion matrix to understand the relation between several transformation
vegetation index (ARVI, SAVI and NDVI) with tea leaf productivity. The accuracy
result of production estimation in tea leaf from the utilization of the 2016 Sentinel-
2A imagery are 58.84% with RMSE value 201,105 kg/ha. The Sentinel-2A imagery
is capable of correlating the result of production estimation of tea leaf that is based
on ARVI index with regression correlation of 63%. Thus, it indicates a strong
correlation between two variables. The total production or the whole production
estimation product of at Kemuning tea plantation in October 2016 is 215,041 tons.
Keywords: Remote sensing, Sentinel-2A imagery, Production Estimation
Abstrak
Penginderaan jauh saat ini telah berkembang sangat pesat, mulai dari bertambahnya
citra baru dan gratis untuk diakses siapa saja hingga pemanfaatanya yang kian
bervariasi untuk diaplikasian dalam berbagai bidang tak terkecuali bidang
perkebunan. Tujuan dari penelitian ini ialah 1) mengkaji akurasi pemodelan hasil
estimasi produksi pucuk teh berbasis transformasi indeks vegetasi (NDVI, SAVI,
ARVI), 2) mengkaji kemampuan Citra Sentinel- 2A dalam mengkorelasikan antara
variabel estimasi produksi (kerapatan tajuk dan pantulan spektral tanaman teh)
dengan beberapa transformasi indeks vegetasi dan 3) mengestimasi produksi pucuk
teh di perkebunan teh Kemuning tahun 2016. Hasil akurasi perhitungan estimasi
produksi pucuk teh yang didapatkan dari pemanfaatan citra Sentinel-2A tahun 2016
ialah sebesar 58.84% dengan RMSE sebesar 201,105 kg/ha. Citra Sentinel-2A
mampu mengkorelasikan hasil estimasi produksi pucuk teh dengan beberapa
transformasi indeks vegetasi. Korelasi regresi tertinggi yakni pada produktivitas
pucuk teh di lapangan dengan transformasi indeks vegetasi ARVI dengan korelasi
regresi sebesar 63% yang mengindikasikan hubungan yang kuat antar dua variabel
tersebut. Produksi total atau keseluruhan estimasi produksi pucuk teh perkebunan
Kemuning bulan oktober tahun 2016 ialah sebesar 215,041 ton.
1
PENDAHULUAN perkebunan kelapa sawit, sementara
perkebunan-perkebunan teh yang lain telah
Penginderaan Jauh merupakan menghentikan produksi tehnya untuk
sebuah ilmu dan seni untuk memperoleh kemudian diganti dengan memproduksi
informasi mengenai obyek, area atau sayuran atau produk pertanian lain yang
kejadian (Lillesand, et al. 2004). lebih menguntungkan, meskipun ada
Penginderaan Jauh secara sederhana penurunan luas lahan jumlah produksi teh
merupakan teknik pengambilan obyek di tetap relatif stabil. Hal ini mengindikasikan
permukaan bumi dari udara dengan bahwa perkebunan-perkebunan teh yang
memanfaatkan bantuan sensor. Saat ini tersisa menjadi lebih produktif. Provinsi-
Penginderaan Jauh dapat dikatakan semakin provinsi yang memproduksi teh paling
berkembang pesat. Mulai dari banyak di Indonesia adalah: Jawa Barat
bertambahnya Citra baru dan gratis untuk (menyumbang sekitar 70% dari produksi
diakses siapa saja hingga pemanfaatanya teh nasional), Jawa Tengah dan Sumatra
yang kian bervariasi untuk diaplikasikan Utara.
atau dimanfaatkan di berbagai tema atau Kebun Teh Kemuning merupakan
bidang. kawasan perkebunan teh yang berada di
Penginderaan Jauh sangat lereng Gunung Lawu kabupaten
bermanfaat dalam mengurangi kegiatan Karanganyar. Luas lahan yang aktif
survey terestrial saat melakukan berproduksi pada perkebunan ini adalah
inventarisasi dan monitoring sumberdaya 392 hektar, dari total luas 437 hektar,
alam dan lingkungan. Penginderaan Jauh sisanya untuk pabrik pengolahan teh,
makin banyak dimanfaatkan karena pembibitan, emplasemen dan rumah dinas
berbagai macam alasan diantaranya karena atau rumah tinggal, dengan
dapat menggambarkan obyek di permukaan mempertimbangkan luas perkebunan dan
bumi dengan wujud dan letak obyek yang persebaran lokasi perkebunan teh
mirip dengan aktualnya, selain itu gambar diperlukan data Penginderaan Jauh yang
juga dapat memberikan efek tiga dimensi mampu merekam dengan cakupan yang
jika dilihat dengan stereoskop. sangat luas. Data Penginderaan Jauh yang
Penginderaan Jauh juga dimanfaatkan di dimaksud adalah Citra Sentinel 2-A.
berbagai bidang mulai dari bidang Pemanfaatan Citra Sentinel-2A
meteorologi dan klimatologi, bidang yang merupakan satelit pencitraan optik
kependudukan, kehutanan, bidang kelautan Eropa yang diluncurkan pada tahun 2015.
(oseanografi), penggunaan lahan dan masih Satelit Sentinel-2A diluncurkan sebagai
banyak lagi. bagian dari program Copernicus European
Sektor pertanian mempunyai Space Agency (ESA). Alasan peneliti
peranan yang penting dalam kegiatan memanfaatkan Citra ini tidak lain ialah
perekonomian di Indonesia, hal ini dapat karena Citra Sentinel 2-A free atau dapat
dilihat dari kontribusinya terhadap Produk didapatkan secara gratis di situs ESA, selain
Domestik Bruto (PDB) yang cukup besar itu resolusi spektralnya yang menghasilkan
yaitu sekitar 13,52 persen pada tahun 2015 multispektral dengan 13 saluran yang
atau merupakan urutan kedua setelah sektor mencakup sensor tampak, inframerah dekat,
industri pengolahan (BPS, 2015). Teh juga dan inframerah gelombang pendek serta
salah satu komoditi ekspor Indonesia yang resolusi spasialnya yang dapat dikatakan
cukup penting sebagai penghasil devisa cukup tinggi yaitu 10 meter pada band
negara sesudah minyak dan gas. Indonesia merah, biru, hijau dan inframerah dekat.
adalah produsen teh terbesar ketujuh di Indeks vegetasi yang dimanfaatkan
dunia, akan tetapi karena prospek bisnis dalam penilitian ini yaitu : NDVI
yang menguntungkan dari kelapa sawit, (Normalized Difference Vegetation Index),
hasil produksi teh telah menurun di SAVI (Soil Adjusted Vegetation Index) dan
beberapa tahun terakhir karena beberapa ARVI (Atmospherically Resistant
perkebunan teh telah berubah menjadi Vegetation Index). Alasan pemilihan NDVI
2
sebagai transformasi yang dimanfaatkan overestimate atau underestimate. Metode
dalam penelitian ini ialah, karena dari obyektif melibatkan observasi dan
banyaknya penelitian yang memanfaatkan pengukuran langsung untuk mengurangi
tranformasi NDVI menyimpulkan bahwa kesalahan. Kecenderungan hasil panen
NDVI ialah transformasi yang paling baik tanaman pertanian adalah fluktuatif yang
untuk mendeteksi adanya vegetasi dipengaruhi oleh keadaan cuaca. Metode
(kerapatan vegetasi), sedangkan alasan berdasarkan data meteorologi ini
pemanfaatan SAVI ialah karena indeks ini memperbaiki teknik perolehan estimasi
menekan faktor tanah sehingga didapatkan hasil pertanian.
nilai piksel yang menonjolkan vegetasi
daripada tanahnya. Pemilihan indeks METODE PENELITIAN
vegetasi ARVI ialah karena indeks ini
menekan faktor atau pengaruh atmosfer, Lokasi penelitian yang diambil
sehingga diharapkan untuk memiliki nilai adalah perkebunan Teh Kemuning,
piksel murni dari tanaman teh. Karanganyar, Jawa Tengah. Daerah kajian
Perhitungan produksi tahunan dapat dalam penelitian merupakan daerah yang
dibedakan menjadi beberapa tahap: berbatasan langsung dengan Gunung Lawu.
peramalan panen berdasarkan hasil tahun Luas perkebunan teh Kemuning
kemarin, peramalan panen berdasarkan luas diperkirakan seluas ±437 hektar. Alasan
lahan yang diolah dan estimasi produksi per peneliti memilih lokasi di Perkebunan teh
hektar, dan bila perlu dihitung ulang Kemuning ialah karena medan yang
berdasarkan jumlah komoditas yang tergolong cukup mudah untuk dilalui
berhasil terjual (Sigit, 2014). Pemanfaatan karena perkebunanya yang berasosiasi
Citra Penginderaan Jauh untuk kajian dengan jalan raya (aksesbilitas relatif
pertanian menggunakan informasi spektral mudah), selain itu luas area perkebunan
pada panjang gelombang tampak dan yang tidak terlalu luas dan variasi lerengnya
inframerah dekat (Wang dan Weng, 2014). yang tidak begitu beragam dapat
Daun yang sehat tampak hijau pada memudahkan dalam pengambilan data
pandangan mata manusia. Jika daun sakit sampel lapangan sekaligus perhitungan
dan produksi klorofil menurun, maka produktivitas pucuk teh.
berkurangnya pigmen klorofil Penelitian ini menggunakan
menyebabkan berkurangnya serapan pada pendekatan spektral dalam melakukan
panjang gelombang merah dan biru (Swain estimasi produksi, sedangkan untuk
dan Dafis, 1978). Estimasi hasil produksi perhitungan estimasi produksi
berperan penting pada kajian pertanian. menggunakan beberapa transformasi atau
Beberapa faktor yang berkaitan dengan algoritma yaitu : NDVI, SAVI dan ARVI
produksi pertanian adalah topografi, yang kemudian dilakukan regresi dengan
karakteristik tanah, pemupukan, rotasi produktivitas dilapangan dengan metode
tanam, pembibitan, pengontrol rumput liar regresi linier, untuk mengetahui tingkat
dan hama, pengairan, serta cuaca (Wang akurasi yang diperoleh klasifikasi lahan
dan Weng, 2014). perkebunan teh dilakukan uji akurasi
Metode yang digunakan untuk dengan eror matrix dibandingkan dengan
estimasi produksi adalah metode data survey lapangan
konvensional, metode obyektif, dan metode Pada tahap pengolahan data pra
berdasarkan data meteorologi (Thiede, lapangan ini dilakukan pembuatan peta-peta
1981). Metode konvensional atau subjektif tentatif parameter yang akan digunakan
menghasilkan data melalui tahapan untuk menunjang kegiatan lapangan. Pada
ketentuan pengolahan area, estimasi hasil tahap ini dilakukan ekstraksi infromasi
panen per satuan waktu per area dan parameter dari Citra Sentinel 2-A dan data-
mengalikan hasil panen (Fauziana, 2016). data sekunder lainnya. Peta-peta tentatif
Kelemahan dari metode ini adalah parameter yaitu peta perkebunan teh, peta
menghasilkan kesalahan, berupa jenis tanah, dan peta kontur. Selanjutnya
3
tahap yang perlu dilakukan ialah melakukan
koreksi geometrik dan radiometrik. Koreksi ......................(1)
radiometrik merupakan koreksi perbaikan
akibat cacat atau kesalahan radiometrik, Rentang nilai NDVI adalah antara -
yaitu kesalahan pada sistem optik, 1.0 hingga +1.0. Nilai yang lebih besar dari
kesalahan karena gangguan energi radiasi 0.1 biasanya menandakan peningkatan
elektromagnetik pada atmosfer, dan derajat kehijauan dan intensitas dari
kesalahan karena pengaruh sudut elevasi vegetasi. Nilai diantara 0 dan 0.1 umumnya
matahari yang dapat menyebabkan nilai merupakan karakteristik dari bebatuan dan
spektral pada suatu obyek menjadi tidak lahan kosong, dan nilai yang kurang dari 0
murni oleh sebab itu perlu dilakukan kemungkinan mengindikasikan awan es,
koreksi radiometrik untuk meminimalisir awan uap air dan salju. Permukaan vegetasi
gangguan atmosfer. memiliki rentang nilai NDVI 0.1 untuk
Tahap selanjutnya yang dilakukan lahan savanna (padang rumput) hingga 0.8
pada penelitian ini ialah melakukan untuk daerah hutan hujan tropis.
klasifikasi multispektral. Klasifikasi terselia
ini diakukan untuk memperoleh tutupan
lahan berupa lahan perkebunan teh dan non .............(2)
teh. Algoritma klasifikasi yang Indeks ini adalah perangkat
dimanfaatkan dalam penelitian ini ialah tambahan untuk NDVI yang relatif tahan
algoritma kemungkinan maksimum terhadap faktor atmosfer (misalnya,
(maximum likelihood algorithm). aerosol) yang memanfaatkan pantulan biru
Algoritma ini dipilih karena dirasa untuk mengoreksi pantulan merah pada
algoritma yang paling mapan secara hamburan atmosfer. y adalah gamma
statistik (Projo,2012). konstan yang merupakan fungsi bobot yang
Indeks vegetasi yang dianfaatkan bergantung pada jenis aerosol. Nilai indeks
dalam penelitian ini ada tiga yaitu : NDVI, ini berkisar dari -1 sampai 1, dengan nilai-
SAVI dan ARVI. Transformasi NDVI nilai pixel yang lebih tinggi sesuai dengan
mampu menonjolkan aspek kerapatan kesehatan dan kehijauan vegetasi.
vegetasi (Projo, 2012) sehingga dapat
digunakan untuk membuat peta kerapatan
vegetasi. Transformasi NDVI dilakukan ...........................(3)
berdasarkan hasil klasifikasi multispektral
yang telah dilakukan sebelumnya. Indeks vegetasi tanah ini
disesuaikan dan mirip dengan NDVI, tetapi
Tabel 1. Pembagian obyek menekan efek piksel tanah dan
menggunakan faktor penyesuaian kanopi
berdasarkan nilai NDVI latar belakang (L), yang merupakan fungsi
Daerah Pembagian Nilai NDVI dari kerapatan vegetasi dan sering
membutuhkan pengetahuan sebelumnya
Awan Es, Awan air, salju <0 dari jumlah vegetasi. Huete (1988)
Batuan dan lahan kosong 0 – 0.1 menunjukkan nilai optimal L = 0,5 untuk
memperhitungkan orde pertama variasi
Padang rumput dan semak 0.2 – 0.3 latar belakang tanah. Indeks ini paling baik
belukar digunakan di daerah dengan vegetasi yang
Hutan daerah hangat dan 0.4 – 0.8 relatif jarang di mana tanah terlihat melalui
hutan hujan kanopi.
Pengambilan sampel pada
tropis
penelitian ini dilakukan dengan cara
Sumber : Meylia, dalam Wikan, 2015 stratified random sampling. Stratified
random merupakan teknik pengambilan
sampel berdasarkan pertimbangan
4
klasifikasi atau strata tertentu. Klasifikasi didapatkan dari data perusahaan pengelola
yang digunakan yaitu beberapa parameter perkebunan.
yang mempegaruhi pertumbuhan tanaman
(𝑌−𝑌 ′ )²
teh, yang salah satunya adalah ketinggian. 𝑅𝑀𝑆𝐸 = √∑𝑛𝑖=1 .......................................(5)
𝑁
7
ini didesain untuk memenimalisir pantulan
tanah yang pada Citra menjadi latar
belakang (back ground) dari obyek vegetasi
untuk meminimalisir faktor tersebut
diberikan faktor L pada formulasi indeks
vegetasi. Nilai faktor L ini bervariasi untuk
tutupan tinggi nilai L adalah 0,0 dan untuk
tutupan vegetasi yang rendah nilai L adalah
Gambar 7. Grafik hubungan antara nilai 1,0 sedangkan untuk vegetasi ukuran
NDVI dengan produktvititas sedang nilai L adalah 0,5. Keberadaan
tanaman teh obyek tanah akan memberikan pengaruh
Pengaruh NDVI terhadap sebgai latar belakang terhadap pantulan
produkstivitas pucuk teh adalah sedang. vegetasi, sehingga memberikan pengaruh
terhadap nilai pantulan yang terekam pada
Hubungan tersebut dapat dilihat pada
Citra Penginderaan Jauh.
gambar 7 dimana hubungan NDVI dengan
produktivitas sebesar 46 %. Hubungan yang
terjadi antar kedua variabel yang masuk
dalam kategori sedang dapat terjadi karena
beberapa penyebab yaitu adanya pohon
pelindung yang dimungkinkan
mempengaruhi nilai NDVI serta pola
pemetikan dan pemangkasan. Permasalahan
yang muncul saat di lapangan adalah
Gambar 4.14 Hubungan antara indeks
pemetikan terkadang tidak sesuai dengan vegetasi ARVI dengan produktivitas
jadwal pemetikan yang seharusnya setiap tanaman teh
13 hari sekali, karena ada beberapa kendala
terkadang pemetikan dapat terjadi di area Pengaruh atau hubungan
yang sama lebih dari 13 hari, selain itu transformasi indeks ARVI dengan
jumlah tenaga kerja di perkebunan sangat Produktivitas tanaman teh dapat dikatakan
mempengaruhi, jumlah petani teh antar blok kuat, hal ini terlihat pada gambar 4.7 yang
berbeda walaupun areanya sama atau menunjukan hubungan diantara keduanya
bahkan lebih luas. sebesar 63%. Transformasi indeks ARVI
secara teoritis menekan faktor atmosfer
(mengurangi pengaruh atmosfer) dengan
memperkirakan fraksi vegetasi dengan
sensitivitas rendah untuk atmosfer.
Transformasi indeks ARVI sendiri
merupakan perangkat tambahan untuk
NDVI yang relatif tahan terhadap faktor
atmosfer misalnya aerosol dengan
memanfaatkan pantulan biru untuk
Gambar 8. Grafik hubungan indeks mengoreksi pantulan merah pada hamburan
atmosfer. Jika dibandingkan dari nilai
vegatasi SAVI dengan produktivitas
korelasi regresi sebelumnya yaitu NDVI
tanaman teh
dan SAVI, nilai ARVI merupakan nilai
Hubungan tansformasi indeks SAVI yang korelasinya dengan paling tinggi. Hal
dengan produktivitas tanaman teh dapat ini menunjukan meskipun transformasi
dikatakan sedang pada tahap ini, hal ini ARVI menggunakan saluran biru yang peka
dapat terlihat pada hasil korelasi regresi terhadap gangguan atmosfer, tidak
sebesar 50%. Transformasi indeks vegetasi menjamin akan besarnya akurasi yang
8
dihasilkan karena kepekaan saluran indeks transformasi vegetasi ARVI dengan
terhadap obyek yang direkam dan kerapatan vegetasi teh di lapangan.
kombinasi saluran juga dapat Uji akurasi dilakukan untuk
mempengaruhi hasil. mengetahui tingkat ketelitian estimasi
Mengestimasi produksi pucuk teh produksi pucuk teh. Hasil uji akurasi
dengan memanfaatkan nilai transformasi didapatkan dengan membandingkan nilai
indeks vegetasi dapat dikatakan cukup baik. produktivitas dari perkebunan teh di
Hal ini dikarenakan nilai indeks vegetasi itu lapangan dengan hasil estimasi
sendiri mencerminkan kerapatan vegetasi produktivitas pucuk teh. Produktivitas
yang ada di lapangan, dan kerapatan lapangan paling tinggi adalah sebesar 670
vegetasi berbanding lurus dengan kg/ha sedangkan produktivitas terendah
produktivitas pucuk teh. Ketika kerapatan berada pada angka 190 kg/ha sedangkan
vegetasi tinggi dapat diasumsikan bahwa hasil estimasi produktivitas tanaman teh
keadaan tanaman dalam kondisi baik untuk tertinggi ialah 459 kg/ha dan angka
produksi. Sampel yang dimanfaatkan dalam terendah ialah 170 kg/ha. Selisih rata-rata
penelitian ini sebenarnya adala 60 sampel sampel uji akurasi produktivitas pucuk teh
akan tetapi sebanyak 12 sampel merupakan ini ialah 151 kg/ha .Pemodelan hasil
obyek non teh berupa : ladang, sawah dan produktivitas perkebunan Kemuning
lahan terbuka, oleh sebab itu dari 48 sampel Karanganyar menghasilkan RMSE sebesar
yang merupakan obyek teh, sebanyak 30 201.105 kg/ha dengan akurasi 58.84 %.
sampel dimanfaatkan untuk pembuatan Pemodelan dan uji akurasi telah
model, sedangkan 18 sampel dimanfaatkan dilakukan pada tahap sebelumnya, untuk
untuk uji akurasi dapat mengetahui hasil estimasi produksi
Terdapat beberapa data yang dapat pucuk teh keseluruhan yang ada di
diamati, hal itu berupa titik koordinat perkebunan teh Kemuning, Karanganyar
sampel, nilai transformasi indeks NDVI, perlu adanya pemanfaatan data Citra
SAVI dan ARVI per sampel, kerapatan Penginderaan Jauh yakni Citra Sentinel 2-A
tajuk serta produktivitas pucuk teh dalam yang kemudian dengan bantuan software
satuan kg/ha. Kerapatan teh terendah adalah pengolahan Citra dapat dianalisis dan
60 % dan tertinggi adalah 100 %. Produksi dihitung jumlah keseluruhan produksi
pucuk teh tertinggi pada area kajian pucuk teh pada area kajian. Setelah
penelitian adalah 670 kg/ha. Nilai antar diketahui berapa hasil estimasi produksi
transformasi indeks vegetasi tentu saja pucuk teh dengan memanfaatkan data
memperlihatkan nilai yang berbeda satu Penginderaan Jauh, tahap selanjutnya
sama lain mulai dari nilai terendah hingga adalah uji validasi hasil produksi estimasi
tertinggi, begitu juga dengan nilai dengan hasil produksi di lapangan yang
kerapatanya. telah dilakukan rekapitulasi dan datanya
NDVI merupakan indeks vegetasi tersedia di kantor PT. Sari Rumpun
yang sederhana untuk mengetahui Kemuning. Berikut merupakan hasil
kerapatan kerapatan suatu vegetasi tanpa realisasi produksi pucuk teh perkebunan teh
mempehatikan keadaan atmosfer sehingga Kemuning pada bulan oktober 2016.
dapat saja memperlihatkan nilai NDVI yang
berbeda walaupun kerapatanya sama. Hal Tabel 2. Realisasi produksi per blok bulan
ini berbeda dengan transformasi nilai oktober tahun 2016
indeks ARVI yang memperhatikan kondisi
atmosfer, dari ketiga indeks transformasi
yang digunakan transformasi indeks ARVI
lah yang menunjukan nilai korelasi regresi
yang paling baik diantara dua lainya, oleh
sebab itu pada tahap ini akan dijelaskan
akan dijelaskan bagaimana hubungan nilai
9
Dilihat dari data yang telah ada, per hari, mulai pukul 06.00 -12.00 WIB.
untuk hasil panen produksi pucuk teh pada Terdapat 27 blok kebun teh, dan setiap
bulan oktober 2016 sebesar 291,964 ton, mandor memiliki tanggung jawab atas dua -
sedangkan hasil perhitungan estimasi tiga blok kebun teh untuk memastikan
sebesar 215,041 ton. Jika dilihat dari data target produksi pucuk teh sesuai dengan
perusahaan dan hasil estimasi produksi target yang telah ditetapkan oleh
pucuk teh, dapat dikatakan hasil perusahaan.
estimasinya underestimate. Selisih hasil
estimasi dengan data perusahaan memang KESIMPULAN
cukup besar yakni 76,923 ton dan
akurasinya sebesar 74%. Hasil estimasi Berdasarkan hasil penelitian yang telah
produksi didapatkan dari hasil keseluruhan dilakukan dapat diambil beberapa
piksel yang merupakan obyek teh yang kesimpulan antara lain sebagai berikut :
kemudian diinputkan ke dalam persamaan 1. Akurasi perhitungan hasil estimasi
korelasi-regresi nilai ARVI (persamaan produksi pucuk teh di sebagian
regresi yang paling tinggi dibanding NDVI Kabupaten Karanganyar menggunakan
dan SAVI) dengan produktivitas pucuk teh Citra Sentinel-2A tahun 2016 sebesar
saat pengambilan data lapangan, 58,84 %, dengan RMSE sebesar
persamaanya ialah : y = 2483,4x - 1737,2. 201,105 kg/ha
Setelah persamaan tersebut dimanfaatkan 2. Citra Sentinel-2A dapat dikatakan
untuk mengetahui hasil keseluruhan mampu dalam mengkorelasikan hasil
estimasi produktivitas pucuk teh dengan estimasi produksi pucuk teh dengan
satuan kg/ha barulah semua hasil dijumalh beberapa transformasi indeks vegetasi.
dan hasil dari estimasi dibagi dengan 100. Hal ini didasarkan pada hasil korelasi
Angka 100 didapatkan dari luas 1 hektar regresi antara produktivitas pucuk teh
yang berarti 10.000 m² dibagi dengan 100 di lapangan dengan beberapa
m² (sesuai dengan ukuran resolusi spasial transformasi indeks.
Citra Sentinel 2-A yakni 10 meter). Dalam a. Hasil korelasi regresi
tabel dapat dilihat pada blok A6 yang produktivitas pucuk teh
berisikan angka 0 yang berarti blok A6 tidak dengan transfomasi indeks
menghasilkan pucuk teh selama bulan vegetasi NDVI sebesar 46%
oktober karena mengalami pemangkasan. b. Hasil korelasi regresi
Hasil estimasi yang cenderung produktivitas pucuk teh
underestimate dapat disebabkan oleh dengan transfomasi indeks
kesalahan dalam memprediksi jumlah vegetasi SAVI sebesar 50%
pemanenan, karena saat dilakukan c. Hasil korelasi regresi
wawancara dengan narasumber memang produktivitas pucuk teh
proses panen di area yang sama terjadi dengan transfomasi indeks
setiap 13-14 hari sekali akan tetapi saat di vegetasi ARVI sebesar 63%
lapangan terkadang tidak sesuai dengan Hasil dari korelasi regresi produktivitas
konsep yang ada, dan proses pemetikan pucuk teh dengan transformasi indeks
dapat sesuai dengan target yang telah vegetasi NDVI dan SAVI memliki
ditentukan dan begitupun juga sebaliknya. hubungan antar variabel yang sedang,
Hasil dari pemetikan pucuk teh di sedangkan pada ARVI memiliki
kebun oleh para petani atau pemetik teh hubungan yang kuat.
selanjutnya akan diserahkan ke perwakilan 3. Pemodelan spasial untuk produksi
mandor (penanggung jawab) kebun per pucuk teh di perkebunan teh Kemuning
blok perkebunan untuk dihitung beratnya. Karanganyar, diperoleh nilai produksi
Petani teh mendapatkan upah sebesar Rp sebesar 215,041 ton sedangkan data
8.00,00 – Rp 1.200,00 per satu kilogram teh yang tersedia di PT. Rumpun Sari
yang telah dipetik. Rata-rata untuk setiap Kemuning pada bulan oktober 2016
petani teh dapat memetik 20 kg – 30 kg teh hasil produksinya ialah sebsear
10
291,964 ton. Akurasi yang dihasikan Swain. P .H. And Davis, S.M., 1978.
dari uji validasi ini ialah sebesar 74 %. Remote Sensing : The Quantitative
Approach, New York: Mcgraw-Hill.
SARAN Thiede, G., 1981, Methods of Corp
Production Forecasting in The Ecc-
1. Penggunaan data masih terbatas Present And Expected Trends in
dikarenakan ketersediaan Citra Sentinel- Corp Production, in Appication Of
2A yang bebas awan pada area yang Remote Sensing to Agricultural
dekat dengan gunung masih sangat Production Forecasting (Ed: Berg,
minim. A.), A.A. Belkema, Rotterdam
2. Keterbatasan tenaga, waktu dan biaya Wikan, Muhamad. 2015. Pemanfaatan
membuat perhitungan produktivitas Penginderaan Jauh untuk Kajian
lapangan menjadi tidak optimal. Tutupan Lahan sebelum dan Pasca
Erupsi Gunung Merapi tahun 2010.
Skripsi. Yogyakarta ; Fakutas
DAFTAR PUSTAKA Geografi UGM
BPS. 2015. Statistik Teh Indonesia 2015.
Jakarta ; Badan Pusat Statistik
Projo Danoedoro, Projo. 2012. Pengantar
Penginderaan Jauh Digital.
Yogyakarta.
Fatmawati Fauziana, 2016 .Pemodelan
Spasial Citra SPOT-7 untuk estmasi
produksi pucuk teh (Camellia sinensis
(L).O. Kuntze) di Perkebunan Teh PT
Pagilaran Kabupaten Batang, Jawa
Tengah. Thesis. Yoguakarta ;
Fakultas Geografi UGM
Huete, A. "A Soil-Adjusted Vegetation
Index (Savi)." Remote Sensing Of
Environment 25 (1988): 295-309.
Lillesand, T.M. & Kiefer, R.W.1990.
Penginderaan Jauh dan Interpretasi
Citra (Terjemahan Dulbahri, Dkk).
Yogyakarta: Gadjah Mada University
Press.
Herumurti, Sigit. 2013. Pemodelan Spasial
Untuk Estimasi Produksi Padi Dan
Tembakau Berdasarkan Citra
Multiresolusi (Kasus Untuk Produksi
Padi Di Kabupaten Wonosobo Dan
Sragen, Serta Produksi Tembakau Di
Kabupaten Temanggung, Provinsi
Jawa Tengah). Disertasi. Yogyakarta
; Fakutas Geografi UGM
Sabins, F. R. 1997. Remote Sensing
Principles and Interpretation. San
Fransisco: .W.H. Freeman and
Company.
Sugiyono. 2010. Metode Penelitian
Kuantitatif. Jakarta : Rajawali
11