Evaluasi kondisi kebun kelapa sawit (Elaeis Guineensis Jacq)

Menggunakan Citra Landsat 8 Berdasarkan NDVI (Normalized

Difference Vegetation Index )

Oleh:

APRI MANDANI
20.05.061

PENGELOLAAN PERKEBUNAN DIPLOMA-IV

POLITEKNIK LPP YOGYAKARTA
2023
 BAB 1
PENDAHULUAN
A. Latar Belakang
Negara Indonesia merupakan salah satu Negara yang paling banyak
membudidayakan tanaman kelapa sawit dalam sektor pertanaian. Pada Tahun
2014 Indonesia memiliki luas perkebunan kelapa sawit 10,96 juta hektar
dengan produktivitas CPO 3,73 ton/ha, sedangkan Malaysia memilki luas areal
perkebunan kelapa sawit 4,5 juta hektar dengan pengahasilan sebesar 4,82
ton/ha. Hal ini menjadikan Indonesia mampu melampaui produksi kelapa sawit
Malaysia, tetapi ekspor Malaysia masih lebih besar. Pada 2016 luas areal
perkebunan kelapa sawit mencapai 11.672.861 hektar (Direktorat Jenderal
Perkebunan, 2015). Untuk memperbesar peluang produksi kelapa sawit maka
di perlukan sebuah inovasi besar dalam prosesnya salah satunya yaitu inovasi
teknologi dalam proses budidaya kelapa sawit
Pemanfaatan teknologi yang dapat digunakan dalam perkebunan kelapa
sawit salah satunya yaitu teknologi pengindraan jauh.Pemanfaatan teknologi
penginderaan jarak jauh menggunakan citra satelit atau drone merupakan salah
satu cara untuk mengetahui dan memonitor kondisi kebun kelapa sawit secara
efektif untuk area yang luas (Chong et al., 2017; Foong et al., 2019). Menurut
Lillesand et al. (2015) penginderaan jarak jauh merupakan teknik untuk
mendapatkan data secara efisien. Hal ini disebabkan karena tidak memerlukan
waktu yang lama untuk memperoleh data dan tidak harus datang secara
langsung ke lokasi untuk mendapatkan datanya (Foong et al., 2019; Pohl et al.,
2016;).
Teknologi penginderaan jauh merupakan teknologi yang memiliki
potensi yang besar untuk dikembangkan dan digunakan untuk menekan biaya
operasional dan meningkatkan efisiensi kerja lapangan. Saat ini teknologi
penginderaan jauh sudah berkembang sangat pesat, sehingga dapat mendeteksi
sebaran vegetasi pada suatu wilayah, pola sebaran vegetasi, kerapatan vegetasi,
luas vegetasi dan tingkat kesehatan vegetasi dari warna daun (Amanda, 2014)
 NDVI atau Normalized Difference Vegetation Index merupakan
metode yang dapat digunakan untuk membandingkan tingkat kehijauan
vegetasi yang berasal dari citra satelit. Nilai pada NDVI adalah dari -1 hingga
+1. Tanda minus (-) menunjukkan objek air atau lahan berair dan basah
sedangkan tanda positif (+) menunjukan objek vegetasi. Hasil dari perhitungan
didapat denganmengekstrak nilai spektral band infra merah dengan band merah
pada hasilrekaman citra satelit. Nilai - nilai NDVI adalah parameter dasar
diturunkan dari data penginderaan jauh optik seperti citra satelit Landsat
Thematic Mapper (TM) yang digunakan untuk mendeteksi nilai kehijauan
vegetasi (Jensen, 2007).Dalam penelitian ini memanfaatkan foto penampakan
dari citra Landsat 8 digunakan untuk memonitoring kesehatan tanaman kelapa
sawit berdasarkan warna pada tajuk dengan menggunakan analisa NDVI.
NDVI dapat membandingkan tingkat kehijauan vegetasi (kandungan klorofil)
pada tumbuhan (Jensen, 2007)

B. Rumusan Masalah
Pengetahuan mengenai kondisi kesehatan tanaman kelapa sawit
merupakan kegiatan yang sangat penting dilakukan untuk mengetahui kondisi
kesehatan tanamanyang dibudidayakan. Pada masa sekarang ini monitoring
kondisi kesehatan tanaman kelapa sawit masih dilakukan secara manual
sehingga memakan waktu yang banyak dengan hasil yang tingkat subjektifitas
tinggi. Dengan perkembangan teknologi penginderaan jauh, sekarang ini kita
dapat memonitoring kesehatan tanaman kelapa sawit dengan cepat secara
global dengan tingkat subjektifitas yang rendah karena menggunakan kamera
multispectral

C. Tujuan
1. Mendeteksi dan menganalisa kondisi kesehatan tanaman kelapa sawit
secara Aktual
2. Menganalisa dan membandingkan hasil analisis NDVI dengan data Leaf
Sampling Unit unsur Nitrogen.
 3. Membuat peta kesehatan tanaman kelapa sawit dengan Citra Landsat 8

D. Manfaat Penelitian
1. Dapat memberikan informasi mengenai tingkat kesehatan tanaman kelapa
sawit skala luas.
2. Dapat memberikan informasi hubungan antara nilai NDVI dengan data
Leaf Sampling Unit unsur Nitrogen.
3. Dapat menjadi acuan evaluasi, perencanaan dan pengambilan keputusan
terhadap pemeliharaan tanaman kelapa sawit
 Bab II
Tinjauan Pustaka

Saat ini, baik petani pekebun maupun perusahan berfokus pada tanaman
kelapa sawit sebagai tanaman perkebunan. Buah kelapa sawit yang disebut
tandan buah segar (TBS) adalah hasil panen utama dari tanaman kelapa sawit.
Badan Pengelola Dana Perkebunan (BPDP) mencatat luas areal kelapa sawit ±
11.26 juta hektar pada tahun 2015 dengan jumlah tanaman tidak menghasilkan
(TTM) dan tanaman rusak (TR) ± 206 501 pada tahun 2015 hingga tahun 2017
(BPDP Sawit 2017) Setelah ditanam, tanaman kelapa sawit berbunga dan
memproduksi buah pada usia dua hingga tiga tahun. Setelah penyerbukan, buah
kelapa sawit akan menjadi masak sekitar lima hingga enam bulan kemudian.
Sukadi (2014)
Tanah adalah salah satu faktor yang mempengaruhi produksi kelapa sawit.
Beberapa jenis tanah yang cocok untuk kelapa sawit include latosol, podzolik,
alluvial, dan gambut (Saputra, 2011). Selain itu, syarat untuk tumbuh kelapa
sawit adalah drainase yang baik, permukaan air tanah yang cukup dalam, pH
tanah antara 4-6, dan tanah yang tidak berbatu (Pusri dkk., 2014).
Kandungan nitrogen (N) memengaruhi pertumbuhan tinggi tanaman dan
pembentukan klorofil (Pitojo, 1995 dalam Gunawan, 2014). Fluktuasi produksi
kelapa sawit juga berkorelasi dengan jumlah curah hujan. Untuk tanaman kelapa
sawit, curah hujan ideal adalah antara 2,000 and 2,500 mm per tahun dan tersebar
merata sepanjang tahun. Karena tanaman kelapa sawit lebih tahan terhadap angin
kencang daripada tanaman lain, kondisi angin tidak memengaruhinya (Saputra,
2011).
Pada perkebunan kelapa sawit, tingkat kerapatan tanaman kelapa sawit
biasanya dihitung dengan melakukan sensus tanaman di kebun (Yuniasih et al.,
2022). Sedangkan untuk mengetahui tingkat kesehatan tanaman pada umumnya
dilakukan pengambilan sampel daun dari beberapa pohon untuk diuji di
laboratorium menggunakan analisis Leaf Sampling Unit (LSU) untuk
memberikan informasi kandungan makro dan mikro nutrien yang terdapat
di dalam daun (Rahmawati & Santoso, 2017). Pemanfaatan penginderaan jarak
jauh seperti citra satelit dapat digunakan untuk memonitor dan mengevaluasi
kondisi tanaman kelapa sawit serta dapat digunakan untuk mengestimasi
produktivitas kelapa sawit (Chong et al., 2017; Taufik et al.,2021)
Penginderaan jauh adalah disiplin ilmu dan teknologi yang digunakan untuk
mendapatkan informasi tentang suatu objek, area, atau fenomena dengan using
alat tanpa melakukan kontak langsung dengan objek, area, atau fenomena yang
dikaji . Data penginderaan jauh dapat berupa grafik, gambar, atau citra. Data
dianalisis untuk mendapatkan informasi tentang hal-hal yang dilihat atau diteliti.
Analisis dan interpretasi data adalah proses mengubah data menjadi informasi.
Data rujukan seperti peta tematik, data statistik, dan data lapangan
diperlukan untuk analisis data penginderaan jarak jauh. Informasi tentang
bentang lahan, jenis penutup lahan, kondisi lokasi, dan kondisi sumber daya
termasuk dalam analisis yang dihasilkan. Interpretasi gambar satelit dan picture
udara memberikan informasi tentang jenis penutupan lahan. Dalam aplikasi
penginderaan jauh, jenis penutupan lahan adalah parameter fisik yang sangat
bermanfaat untuk berbagai jenis analisis dan evaluasi.
Dengan data penginderaan jauh, penutupan lahan dapat dengan mudah
diperoleh, yang menghemat waktu dan biaya. Foto satelit adalah salah satu jenis
data penginderaan jauh. Karena mudah diakses dan berguna untuk
menginterpretasikan penutupan lahan area yang luas, citra satelit Landsat adalah
salah satu yang paling banyak digunakan dalam aplikasi Penginderaan Jauh.
Salah satu bentuk data Penginderaan Jauh adalah citra satelit. Citra dari
satelit Landsat merupakan salah satu citra satelit yang banyak digunakan dalam
aplikasi Penginderaan Jauh karena cukup baik dalam interpretasi penutupan
lahan daerah yang luas dan mudah didapatkan. Satelit Landsat terbaru yang
diluncurkan adalah Landsat 8.
Satelit Landsat 8 telah berhasil diluncurkan NASA pada tanggal 11 Februari
2013 lalu bertempat di Vandenberg Air Force Base, California. Periode checkout
sekitar 100 hari setelah peluncuran memungkinkan pesawat ruang angkasa untuk
melakukan manuver orbit, menginisialisasi sistem, mengoordinasikan aktivitas,
dan pindah ke grid WRS-2, 438 mil di atas Bumi, ketika checkout selesai USGS
mengambil kendali. Data Landsat 8 akan tersedia untuk di-download tanpa biaya
dari Glovis, Earth Explorer atau Viewer Landsat Look.Sensor utama dari
Landsat 8 adalah Operational Land Imager (OLI) yang memiliki fungsi untuk
mengumpulkan data di permukaan bumi dengan spesifikasiresolusi spasial dan
spektral yang berkesinambungan dengan data Landsat sebelumnya. OLI
dirancang dengan sistem perekaman sensor push-broom dengan empat teleskop
pemantul, performa signal-to-noise yang lebih baik, dan penyimpanan dalam
format kuantifikasi 12-bit. OLI merekam citra pada spectrum panjang
gelombang tampak, inframerah dekat, dan inframerah tengah yang memiliki
resolusi spasial 30 meter, serta saluran pankromatik yang memiliki resolusi
spasial 15 meter (USGS, 2013).
Thermal Infrared Sensor (TIRS) adalah sensor kedua yang tersemat dalam
Landsat 8. TIRS digunakan untuk mengindera suhu dan aplikasi lainnya, seperti
pemodelan evapotranspirasi untuk memantau penggunaan air pada lahan
teririgasi. TIRS merekam citra/gambar dengan dua saluran inframerah termal
dan memiliki masa pakai 3 tahun. TIRS memiliki resolusi spasial 100 meter dan
terdaftar pada sensor OLI untuk menghasilkan citra/gambar dan bidang yang
dikalibrasi secara radiometrik dan geometris, dikoreksi dengan tingkat koreksi
1T dan disimpan dalam sistem 16-bit (USGS, 2013).
Citra satelit Landsat 8 memiliki sensor Onboard Operational Land Imager
(OLI) dan Thermal Infrared Sensor (TIRS). Landsat ini memiliki 11 band, 9
band di antaranya berada di OLI dan 2 band lainnya berada di TIRS. Landsat 8
ini dapat digunakan untuk mengetahui tingkat kerapatan dan luasan vegetasi.
NDVI (Normalized Difference Vegetation Index) adalah perhitungan citra
yang digunakan untuk mengetahui tingkat kehijauan, yang sangat baik sebagai
awal dari pembagian daerah vegetasi. NDVI dapat menunjukkan parameter yang
berhubungan dengan parameter vegetasi, antara lain, biomasa dedaunan hijau,
daerah dedaunan hijau yang merupakan nilai yang dapat diperkirakan untuk
pembagian vegetasi (Indrayanti, 2013). Seperti perhitungan pada citra rasio,
pada citra yang dinormalisasi menggunakan data dari channel 1 dan channel 2.
Channel 1 berada pada bagian dari spektrum dimana klorofil menyebabkan
adanya penyerapan terhadap radiasi cahaya yang datang yang dilakukan saat
fotosintesis, sedangkan channel 2 terdapat dalam daerah spectral dimana struktur
daun spongymesophyll menyebabkan adanya pantulan terhadap radiasi cahaya.
Perbedaan respon dari kedua channel ini dapat dilihat dengan transformasi rasio
perbandingan satu channel dengan channel yang lain.
Normalize Difference Vegetation Index (NDVI) merupakan indeks
kehijauan atau aktivitas fotosintesis vegetasi, dan salah satu indeks vegetasi yang
paling sering digunakan. NDVI didasarkan pada pengamatan bahwa permukaan
yang berbeda-beda merefleksikan berbagai jenis gelombang cahaya yang
berbeda-beda. Vegetasi yang aktif melakukan fotosintesis akan menyerap
sebagian besar gelombang merah sinar matahari dan memantulkan gelombang
inframerah dekat lebih tinggi. Vegetasi yang sudah mati atau stres (kurang sehat)
lebih banyak mencerminkan gelombang merah dan lebih sedikit pada
gelombang inframerah dekat (Wulandari, 2020).
Indeks Normalized Difference Vegetation Index (NDVI) merupakan salah
satu bentuk indeks vegetasi yang sering digunakan untuk mengevaluasi dan
memonitor kondisi tanaman (Cahyono et al., 2019; Yuniasih, 2017). Indeks
NDVI menghitung rasio nilai spektral dari band merah dan inframerah dekat
hasil pantulan dari tanaman (Yuniasih et al., 2022).
Perbandingan antara kedua channel merupakan pertimbangan yang
digunakan untuk mengurangi variasi yang disebabkan oleh topografi dari
permukaan bumi. Hal ini merupakan kompensasi dari variasi pancaran sebagai
fungsi dari elevasi matahari di berbagai wilayah yang berbeda dalam sebuah citra
satelit. Perbandingan ini tentunya tidak menghilangkan efek additive yang
disebabkan oleh atmospheric attenuation, tetapi komponen dasar untuk NDVI
dan vegetasi saling berhubungan. Latar belakang daratan berfungsi sebagai
pemantul sinyal yang terpisah dari vegetasi, dan berinteraksi dengan vegetasi
melalui hamburan yang sangat banyak dari energy.
 Menurut Fadlin dkk (2020) Secara matematis NDVI dihitung melalui
kombinasi matematis antara band merah / Red dan band infra merah dekat /
Near-Infrared Radiation (NIR).
NDVI= NIR−RED : NIR+RED NDVI = NIR−RED
Keterangan : NIR :Nilai reflektansi dari saluran inframerah dekat
RED :Nilai reflektansi dari saluran merah
 DAFTAR PUSTAKA
Amanda, JG. 2014. Analisa Indeks Vegetasi Menggunakan Citra Satelit Landsat 7
dan Landsat 8 Menggunakan Metode K-Means di Kawasan Gunung
Sinabung. Jurnal ICM .
[BPDP Sawit] Badan Pengelola Dana Perkebunan Kelapa Sawit 2017. Program
Peremajaan Perkebunan Kelapa Sawit Rakyat. Pusat Penelitian Kelapa
Sawit (IOPRI) . Jakarta.
Chong, K. L., Kanniah, K. D., Pohl, C., & Tan, K. P. (2017).A review of remote
sensing applications for oil palm studies. Geo-Spatial Information
Science, 20(2), 184–200.
Direktorat Jendral Perkebunan. 2015. Statistik Perkebunan Kelapa Sawit
Indonesia Tahun 2014 - 2016. Direktorat Jendral Perkebunan,
Departemen Pertanian. Jakarta.
Fadlin Feri, Nia Kurniadin dan F.V. Astrolabe Sian Prasetya. 2020. Analisis
Indeks Kekritisan Lingkungan di kota Makassar Menggunakan Citra
Satelit Landsat 8 OLI/TIRS. Elipsoida : Jurnal Geodesi dan
Geomatika. Vol. 03. No. Hal 55-63. ISSN : 2621-9883. Semarang :
Teknik Geodesi UNDIP
Indrayanti, M. A. 2013. Transformasi NDVI. Diakses Pada 17 Juli 2014, Dari
http://www.academia.edu
Indarti, D., dkk. 2014. Outlook Komoditi Kelapa Sawit. Jakarta: Pusat Data Dan
Sistem Informasi Pertanian
Jensen, Jhon R. 2007. Remote Sensing of the Environment: An Earth Resource
Perspective.
Lillesand, T. M., Kiefer, R. W., & Chipman. (2015). RemoteSensing and Image
Interpretation.Wiley.
Pusri, M. c. 2014. Kelapa Sawit (Elaeis guineensis Jacq.). Diakses Pada 8 Juni
2015, Dari http://migroplus.com/brosur/Budidaya%20sawit.pdf
Rahmawati, L., & Santoso, E. P. (2017). Penerapan Metode LSU (Leaf Sampling
Unit) Untuk Analisis Kandungan Unsur Hara pada Sampel Daun
 Kelapa Sawit (Elaeis guineensisJacq.). Jurnal Budidaya Tanaman
Perkebunan Politeknik Hasnur, 03(1), 59–66.
Sukadi. 2014. Teknik Memanen Kelapa Sawit. Kalimantan Selatan: Balai Besar
Pelatihan Pertanian Binuang.
Saputra, R. A. 2011. Evaluasi Pemupukan Pada Kelapa Sawit (Elais guineensis
Jacq.) Di Kebun Radang Seko Banjar Balam, PT Tunggal Perkasa
Plantations, Indragiri Hulu, Riau. Bogor: Institut Pertanian Bogor.
USGS. 2013. Using the USGS Landsat 8 Product. Diambil kembali dari USGS
LandsatMissions:http://landsat.usgs.gov/Landsat8_Using_Product.php
Wulandari, Noviliasari., Dkk. 2020. Penggunaan Metode NDVI (Normalized
Difference Vegetation Index) dan SAVI (Soil Adjusted Vegetation
Index) Untuk Mengetahui Ketersediaan Ruang Terbuka Hijau
Terhadap Pemenuhan Kebutuhan Oksigen. Malang: Fakultas Teknik
Sipil dan Perencanaan, Institut Teknologi Nasional Malang
Yuniasih, B., Adji, A. R. P., & Budi, B. (2022). Evaluation of Pre-Replanting Oil
Palm Plant Health using the NDVI Index from Landsat 8 Satellite
Imagery. Jurnal Teknik Pertanian Lampung (Journal of Agricultural
Engineering), 11(2), 304–313.