Identifikasi Replanting Kelapa Sawit di Indonesia Menggunakan Analisis Perubahan Global Canopy Height Tahun 2019-2020
Keywords:
Replanting kelapa sawit , Global Canopy Height, deteksi perubahan, Google Earth EngineAbstract
Informasi spasial yang akurat mengenai sebaran replanting kelapa sawit sangat penting untuk mendukung pengelolaan perkebunan yang efektif dan perencanaan Program Peremajaan Sawit Rakyat (PSR) di Indonesia sebagai produsen kelapa sawit terbesar di dunia. Metode konvensional berbasis survei lapangan tidak efisien untuk diterapkan pada skala nasional, sehingga diperlukan pendekatan penginderaan jauh yang lebih skalabel. Penelitian ini menerapkan analisis perubahan tinggi kanopi (ΔH = H₂₀₂₀ − H₂₀₁₉) dari dua produk Global Canopy Height (GCH) tahun 2019 resolusi 30 meter dan tahun 2020 resolusi 10 meter menggunakan pendekatan ambang batas statistik (μ ± σ) pada platform Google Earth Engine (GEE). Klasifikasi perubahan menghasilkan tiga kelas, yaitu replanting, stagnan, dan pertumbuhan, dengan kelas stagnan mendominasi sebesar 71%, diikuti pertumbuhan sebesar 15%, dan replanting sebesar 14%. Sebaran kelas replanting teridentifikasi di berbagai provinsi sentra produksi kelapa sawit, antara lain Riau, Sumatra Utara, Sulawesi Tenggara, dan Kalimantan Tengah. Validasi menggunakan confusion matrix menghasilkan nilai Overall Accuracy (OA) sebesar 60% dan Koefisien Kappa (κ) sebesar 0,4, yang menunjukkan bahwa analisis perubahan GCH multitemporal merupakan pendekatan yang andal dan skalabel untuk pemantauan replanting kelapa sawit skala nasional.
References
[1] Z. R. M. Dona Marcelina, Evi Yulianti, “Penerapan Metode Forward Chaining pada Sistem Pakar Diagnosa Penyakit Tanaman Kelapa Sawit,” Jurnal Ilmiah Informatika Global, vol. 13, no. 1, hlm. 1, 2022, doi: 10.51211/biict.v10i1.2301.
[2] Kementerian Pertanian, “Peraturan Menteri Pertanian Republik Indonesia Republik Indonesia No. 03 tahun 2022 tentang Pengembangan,Peremajaan, serta Sarana dan Prasarana Perkebunan Kelapa Sawit,” Jurnal Peraturan, no. 185, hlm. 185, 2022.
[3] USAD, “Indonesia Palm Oil: Historical Revisions Using Satellite-Derived Methodology,” United States Department of Agriculture Foreign Agricultural Service Report, vol. 19, no. June 2019, hlm. 1–9, 2023, [Daring]. Tersedia pada: https://ipad.fas.usda.gov/highlights/2012/08/Mexico_corn/
[4] R. H. V. Corley dan P. B. Tinker, The oil palm. 2021. doi: 10.1017/cbo9781316530122.010.
[5] A. Ismail dan M. Noor Mamat, “the Optimal Age of Oil Palm Replanting,” Oil Palm Industry Economic Journal, vol. 21, no. 1, hlm. 11–18, 2002, [Daring]. Tersedia pada: http://palmoilis.mpob.gov.my/publications/OPIEJ/opiejv2n1-2.pdf
[6] Permentan, “Peraturan Menteri Pertanian Republik I,” Peraturan Menteri Pertanian Republik Indonesia Nomor: 18/Permentan/KB.330/5/2016 Tentang Pedoman Peremajaan Perkebunan Kelapa Sawit, vol. Nomor 65, no. 879, hlm. 2004–2006, 2016, [Daring]. Tersedia pada: https://ejournal.unisi.ac.id/index.php/jai/article/download/2454/1354
[7] A. Descals, D. L. A. Gaveau, S. Wich, Z. Szantoi, dan E. Meijaard, “Global mapping of oil palm planting year from 1990 to 2021,” Earth Syst. Sci. Data, vol. 16, no. 11, hlm. 5111–5129, 2024, doi: 10.5194/essd-16-5111-2024.
[8] K. P. Tan, K. D. Kanniah, dan A. P. Cracknel, “Use of UK-DMC 2 and ALOS PALSAR for studying the age of oil palm trees in southern peninsular Malaysia,” Jurnal Internasional Penginderaan Jauh, vol. 34, no. 20, hlm. 7424–7446, 2013, [Daring]. Tersedia pada: https://www.tandfonline.com/doi/abs/10.1080/01431161.2013.822601
[9] H. M. Rizeei, H. Z. M. Shafri, M. A. Mohamoud, B. Pradhan, dan B. Kalantar, “Oil Palm Counting and Age Estimation from WorldView-3 Imagery and LiDAR Data Using an Integrated OBIA Height Model and Regression Analysis,” vol. 2018, 2018, doi: 10.1155/2018/2536327.
[10] R. Hernawati, K. Wikantika, S. Darmawan, A. B. Harto, J. T. Sri Sumantyo, dan S. Safitri, “Phenology Model of Oil Palm Plantation Based on Biophysical Parameter on Sentinel-1A Using Multiple Linear Regression (MLR),” Journal of the Indian Society of Remote Sensing, vol. 52, no. 12, hlm. 2845–2866, 2024, doi: 10.1007/s12524-024-01973-4.
[11] L. B. Nurulhakim, R. Hernawati, S. Darmawan, dan A. P. Sutrisno, “Estimation of Oil Palm Age Using Global Canopy Height Data for Smart Agriculture in Indonesia,” dalam 24th International Workshop for Young Scientists BioPhys Spring 2025, 2025, hlm. 24–25.
[12] J. Zang, W. Ni, dan Y. Zhang, “Spatially-explicit mapping annual oil palm heights in peninsular Malaysia combining ICESat-2 and stand age data,” Remote Sens. Environ., vol. 295, 2023, doi: 10.1016/j.rse.2023.113693.
[13] K. Lahssini, N. Baghdadi, G. le Maire, I. Fayad, dan L. Villard, “Canopy height mapping in French Guiana using multi-source satellite data and environmental information in a U-Net architecture,” Frontiers in Remote Sensing, vol. 5, no. November, hlm. 1–21, 2024, doi: 10.3389/frsen.2024.1484900.
[14] P. Potapov dkk., “Mapping global forest canopy height through integration of GEDI and Landsat data,” hlm. 1–30, 2021.
[15] N. Lang, W. Jetz, K. Schindler, dan J. D. Wegner, “A high-resolution canopy height model of the Earth,” Nat. Ecol. Evol., vol. 7, no. November, 2023, doi: 10.1038/s41559-023-02206-6.
[16] P. A. Rogerson, “Change detection thresholds for remotely sensed images,” J. Geogr. Syst., vol. 4, no. 1, hlm. 85–97, 2002, doi: 10.1007/s101090100076.
[17] D. Lu, P. Mausel, E. Brondízio, dan E. Moran, “Change detection techniques,” Int. J. Remote Sens., vol. 25, no. 12, hlm. 2365–2401, 2004, [Daring]. Tersedia pada: https://www.tandfonline.com/doi/full/10.1080/0143116031000139863
[18] J. R. Jensen, Introductory Digital Image Processing: A Remote Sensing Perspective. 2005. [Daring]. Tersedia pada: https://archive.org/details/introductorydigi0000jens_o3p5/page/n7/mode/2up
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Yuliana Kartika Titu Kaka, Rika Hernawati, Soni Dermawan, Dhimas Wiratmoko (Author)
This work is licensed under a Creative Commons Attribution 4.0 International License.
