Model Estimasi Produktivitas Kelapa Sawit Menggunakan Metode Regresi Multilinear Nilai NDVI dan CHIRPS Serta Metode Holt-winter

Abstract

Kelapa sawit memiliki peran penting dalam perekonomian Indonesia melalui peningkatan produksi dan ekspor kelapa sawit. Namun, pengelolaan dan prediksi produktivitas di perkebunan kelapa sawit yang semakin luas menghadirkan tantangan signifikan. Metode estimasi saat ini memerlukan banyak sumber daya dan waktu. Penelitian ini mengusulkan penerapan teknik pengindraan jauh, khususnya melalui Google Earth Engine dan citra satelit Landsat 8, untuk estimasi produktivitas kelapa sawit yang lebih efisien. Menggunakan model regresi multilinear yang mengintegrasikan Normalized Difference Vegetation Index (NDVI) dan data curah hujan dari dataset CHIRPS, data produktivitas historis juga diinkorporasikan menggunakan pendekatan eksponensial smoothing Holt-Winter. Penelitian ini bertujuan untuk meningkatkan pengelolaan perkebunan kelapa sawit dengan memanfaatkan teknologi pengindraan jauh dan analisis data cuaca. Hasil penelitian menunjukkan bahwa kedua metode tersebut efektif dalam memprediksi produktivitas, meskipun masing-masing memiliki keunggulan dan kelemahan. Model regresi multilinear untuk model umum dengan akumulasi data tahunan menggunakan dataset curah hujan bergeser 12 bulan mencapai R² sebesar 0,855, RMSE sebesar 0,291 ton/ha/tahun, dan MAPE sebesar 3,145%, dan kombinasi AK12_M3 adalah yang terbaik untuk pemodelan setiap blok. Sementara itu, metode Holt-Winter untuk model universal serta model setiap blok, menggunakan pendekatan musiman 4 bulan, menghasilkan hasil terbaik dengan R² sebesar 0,83, RMSE sebesar 0,153 ton/ha/bulan, dan MAPE sebesar 5,840%. Penelitian ini berkontribusi pada metodologi estimasi produktivitas kelapa sawit dan mendorong implementasi teknologi pengindraan jauh untuk meningkatkan efisiensi dan produktivitas perkebunan, serta membuka peluang penelitian lebih lanjut untuk meningkatkan akurasi prediksi.

Palm oil plays a crucial role in Indonesia's economy through the increased production and export of oil palm. However, managing and predicting productivity in expanding oil palm plantations presents significant challenges. Current estimation methods are resource-intensive and time-consuming. This study advocates the application of remote sensing techniques, particularly through Google Earth Engine and Landsat 8 satellite imagery, for efficient oil palm productivity estimation. Using a multilinear regression model that integrates the Normalized Difference Vegetation Index (NDVI) and rainfall data from the CHIRPS dataset, historical productivity data is also incorporated using the holt-Winter exponential smoothing approach. The research aims to enhance oil palm plantation management by harnessing remote sensing technology and weather data analysis. The results indicate that both methods are effective in predicting productivity, although each has its advantages and disadvantages. The multilinear regression model for the universal model with annual data accumulation using the 12-month shifting rainfall dataset achieved an R² of 0.855, RMSE of 0,291 tons/ha/year, and MAPE of 3,145%, and the AK12_M3 combination was the best for modeling each block. Meanwhile, the holt-Winter method for the universal model as well as each block model, using a 4-month seasonal approach, produced the best results with an R² of 0.83, RMSE of 0,153 tons/ha/month, and MAPE of 5,840%. This research contributes to the methodology of palm oil productivity estimation and encourages the implementation of remote sensing technology to improve the efficiency and productivity of plantations, as well as opens further research opportunities to enhance prediction accuracy.