Perpustakaan Digital ITB

Perkebunan kelapa sawit di Indonesia merupakan penghasil devisa terbesar, namun menurut Kementerian Pertanian Republik Indonesia (2019) hasil devisa yang diperoleh pada tahun 2019 mengalami penurunan hampir 20%. Hal tersebut menurut Direktorat Jenderal Perkebunan Kementrian Pertanian faktor menurunnya produktivitas kelapa sawit dikarenakan banyaknya kelapa sawit tua dan terserang penyakit. Presiden Republik Indonesia telah mencanangkan Rencana Aksi Nasional Perkebunan Kelapa Sawit Berkelanjutan Tahun 2019-2024 yang tertuang dalam Inpres (Instruksi Presiden) Nomor 6 Tahun 2019. Sesuai dengan Inpres tersebut, untuk mengoptimalkan produktivitas kelapa sawit perlu didukung oleh komponen penguatan data, penguatan koordinasi, dan infrastruktur. Hal ini telah didukung oleh kebijakan satu peta dan penyelenggaraan informasi geospasial tematik (IGT) tutupan lahan perkebunan kelapa sawit yang dituangkan berdasarkan Keputusan Menteri Pertanian Republik Indonesia Nomor 833/KPTS/SR.020/M/12/2019, tentang penetapan luas tutupan kelapa sawit. Data fenologi merupakan parameter utama dari produktivitas kelapa sawit. Fenologi kelapa sawit memiliki banyak keunggulan dalam mengelola keberlanjutan perkebunan kelapa sawit, diantaranya dalam pendugaan panen, produksi tandan buah, taksiran pajak kelapa sawit, penanaman kembali, pemupukan, dan deteksi penyakit kelapa sawit. Salah satu teknologi untuk membuat model fenologi kelapa sawit yang berkembang saat ini memanfaatkan penggunaan teknologi pengindraan jauh. Pengindraan jauh teknik Synthetic Aperture Radar (SAR) dapat mengekstraksi parameter biofisik yang digunakan untuk pembuatan model fenologi kelapa sawit. Dewasa ini metode regresi machine learning dapat digunakan untuk membuat model matematis dengan banyak parameter. Tujuan dari penelitian ini adalah mengkaji parameter biofisik dari hasil ekstraksi data Sentinel-1 dengan menggunakan teknik polarimetri dan interferometri dan menyusun model fenologi kelapa sawit dengan akurasi tinggi menggunakan teknik regresi Machine Learning. Lokasi penelitian terletak di perkebunan kelapa sawit PT. Perkebunan Nusantara (PTPN) III, Sei Dadap, Kabupaten Asahan, Provinsi Sumatera Utara dengan luas area 6.075 ha. Tahapan penelitian terdiri dari dua tahap. Tahap pertama menentukan parameter biofisik dengan teknik polarimetri dan interferometri. Data citra yang digunakan ii adalah Citra Sentinel-1A dengan perekaman tanggal 14 November 2022 dan 26 November 2022. Data lainnya berupa data DEM Nasional dan data lapangan diantaranya updating blok tahun tanam kelapa sawit, data tinggi kanopi pohon, dan pengambilan sampel dengan foto udara menggunakan drone. Data blok tahun tanam kelapa sawit meliputi tahun tanam 2022, 2021, 2019, 2016, 2015, 2014, 2013, 2012, 2011, 2006, 2005, 2004, 2003, 2002, 2001, dan 2000. Total jumlah sampel sebanyak 160 sampel, terdiri 10 sampel pada masing-masing blok tahun tanam. Tahap kedua merupakan pembangunan model menggunakan regresi machine learning, diantaranya Multiple Linear Regression, Polinomial Regression, dan Gaussian Process Regression. Hasil penelitian menghasilkan tujuh parameter biofisik berdasarkan data SAR. Berdasarkan hasil pengujian parameter biofisik berdasarkan data SAR yang paling berpengaruh adalah CHM dengan r = 0,97, Texture Entropy dengan r = 0,73, AGB dengan r = 0,53, backscatter VV dengan r = 0,51, backscatter VH dengan r = 0,40, RVI dengan r = -0.10, dan Texture Energy dengan r = -0,71. Ketujuh parameter biofisik yang dihasilkan selanjutnya dibangun model fenologi kelapa sawit berdasarkan masing-masing parameter biofisik dengan algoritma Multiple Linear Regression (MLR), Polinomial Regression derajat 1 (Poli 1), derajat 2 (Poli 2), dan derajat 3 (Poli 3), serta Gaussian Process Regression (GPR). Dari masing-masing model tersebut dihasilkan akurasi terbaik, diantaranya MLR untuk parameter CHM, ENT, VV, AGB, VH, RVI, ENE dengan R2 = 0,98 dan RMSE = 1,04 tahun, Poli 1 untuk parameter CHM, ENT, VV, AGB, VH, RVI, ENE dengan R2 = 0,93 dan RMSE 2,31 tahun, Poli 2 untuk Parameter CHM dengan R2 = 0,93 dan RMSE = 2,39 tahun, Poli 3 untuk Parameter CHM dengan R2 = 0,94 dan RMSE = 2,25 tahun, dan GPR untuk Parameter CHM dan ENT dengan R2 = 0,70 dan RMSE = 4,91 tahun. Hasil penelitian ini disimpulkan model fenologi kelapa sawit yang terbaik adalah menggunakan algoritma Multiple Linear Regression dengan model matematis ???? (????????????????) = ?42.57 + (0.96 ? ????????????????) + (1.19 ? ????????????????) + (7.36 ? ???????????????? ) ? (1.94 ? ????????????) ? (1.06 ? ????????????) ? (83.49 ? ????????????????) + (2.46 ? ???????????????? ), dimana R2 = 0,98 dan RMSE sebesar 1,04 tahun. Meskipun penelitian ini menghasilkan model fenologi dengan tingkat akurasi yang baik menggunakan multiple linear regression, namun hasil penelitian ini belum dapat diimplementasikan pada tingkat nasional karena adanya varietas jenis kelapa sawit dan variasi kondisi lapangan, seperti kondisi cuaca, kelembaban, jenis tanah, dan topografi yang berbeda.