Perkebunan sebagai sub-sektor yang penting bagi perekonomian lokal dan nasional memerlukan perhatian yang khusus, mengingat lokasi lahannya yang seringkali berbatasan dengan kawasan konservasi. Keterbatasan data dan informasi pada daerah batas (forest fringe) seringkali memantik perdebatan multi-sektoral. Oleh karena itu, penyediaan data dan informasi spasial memegang peranan penting bagi pengembangan wilayah yang mempertimbangkan kebutuhan ekonomi lokal dan kelestarian sumberdaya dan sekaligus upaya perlindungan lingkungan.
Lokasi perkebunan yang jauh dari pengamatan dan cenderung terpencil menjadikan data penginderaan jauh sebagai tumpuan utama bagi perolehan data dan informasi. Kemampuan data penginderaan jauh dalam meliputi wilayah yang luas merupakan keuntungan yang tidak dapat sepenuhnya dipenuhi dari metode survei lainnya. Kemampuan menyediakan data secara teratur menjadikan data penginderaan jauh ideal untuk pemantauan secara multi-temporal atau deret waktu. Dengan demikian, penyediaan informasi berbasis data penginderaan jauh sangat krusial dikembangkan untuk bidang perkebunan dan pertanian secara umum.
Meskipun aplikasi penginderaan jauh telah berkembang, upaya untuk meningkatkan akurasi pemetaan masih terus dilakukan. Hal ini sangat relevan pada komoditas yang memiliki kemiripan spektral dengan tutupan lahan hutan dan hutan tanaman, sehingga sulit dipisahkan dan menghasilkan akurasi yang belum optimal. Pemanfaatan pendekatan analisis terbaru seperti machine learning atau deep learning secara parsial telah dibuktikan mampu berperan dalam pembangunan model pemisahan kelas tutupan lahan. Dengan demikian, pemisahan kelas yang baik pada wilayah perkebunan karet misalnya, dapat dilakukan dengan memanfaatkan model yang tepat dan optimal.
Komponen atribut dari peta tutupan lahan perkebunan saat ini cenderung sangat terbatas. Informasi yang penting untuk manajemen kebun atau pengambilan kebijakan, seperti informasi umur tanaman dan/atau produktivitas, seringkali tidak tersedia. Data umur tanaman yang tersaji secara spasial untuk estimasi produktivitas perkebunan karet belum tersedia dan masih memerlukan pengembangan di ranah sains. Estimasi umur berbasis pendekatan klasifikasi telah dipelajari oleh Trisasongko (2017) yang telah diperluas dengan pendekatan deret waktu (Beckschäfer, 2017). Pada konteks perkebunan besar, baik negara maupun swasta, informasi ini umumnya dapat diperoleh dari peta blok. Namun demikian, untuk kebun yang dikelola petani, informasi ini dapat dikatakan tidak tersedia. Data gap tersebut dapat berpengaruh pada berbagai informasi turunan, termasuk data peremajaan kebun dan produksi agregat yang diperlukan untuk perencanaan bidang perkebunan yang lebih baik.
Tujuan utama dari kegiatan ini adalah memperbarui data spasial dan atribut perkebunan dengan memanfaatkan data penginderaan jauh resolusi tinjau dan sangat tinggi. Kajian ini mengindikasikan perlu tersedianya informasi pada dua skala data. Skala menengah atau detil dapat diturunkan dari citra penginderaan jauh aspek publik seperti Landsat atau Sentinel-2. Data pada skala ini sangat bermanfaat untuk penyajian secara umum (global) tentang sebaran wilayah perkebunan secara umum, dalam konteks informasi tutupan lahan. Informasi dasar seperti perkebunan besar dan monokultur dapat disajikan pada data ini yang sangat diperlukan untuk tujuan yang umum. Kajian ini membuktikan bahwa citra Landsat sangat bermanfaat dalam pembangunan data tutupan lahan ini. Akurasi tutupan lahan yang diperoleh dari kajian ini adalah sekitar 86% dengan memanfaatkan metode RF. Akurasi kelas terendah diperoleh kelas kebun campuran, yaitu sekitar 76%, yang membuktikan tingkat kesulitan yang tinggi dalam memetakan kebun campuran pada wilayah rural.
Perkebunan pala/pinang di Desa Kiarasari, Kecamatan Sukajaya
Pembangunan informasi spasial pada skala sangat detail memberikan ruang yang lebih presisi dan terukur pada peta jalan perencanaan dokumentasi masterplan yang akan dibuat. Sebagian besar informasi dapat diinterpretasikan langsung dari peta citra yang dihasilkan, meskipun masih terjadi misinterpretasi pada lokasi kebun polikultur (tumpangsari) seperti pada kasus tumpangsari pala dan pinang.
Untuk kebutuhan perolehan informasi perkebunan yang dikelola oleh rakyat, kajian ini mengindikasikan perlunya pembangunan basis data berdasarkan citra resolusi sangat tinggi. Berbagai opsi menunjukkan pentingnya akuisisi data UAV untuk percepatan perolehan data, dibandingkan dengan pembelian data satelit pada kelas resolusi yang setara. Pembangunan sistem akuisisi data yang baru menjadi sangat krusial untuk beberapa komoditas. Pala, misalnya, telah ditunjukkan sulit untuk diidentifikasi pada UAV dengan sensor RGB. Demikian juga halnya dengan komoditas kopi. Tanaman kopi yang masih sangat muda sangat sulit diidentifikasi oleh data UAV; pada data akuisisi di Malasari, kemiripan yang tinggi dijumpai dengan tanaman alpukat.
Pada masa mendatang, perlu disiapkan beberapa hal penting untuk menunjang pendokumentasian perkebunan secara spasial;
- Sumber daya manusia (SDM) yang terampil dalam akuisisi data UAV
- Penelitian mendasar tentang metode deteksi berbagai komoditas perkebunan
- Penelitian kaji terap metode deteksi pada suatu komoditas perkebunan
- Transfer teknologi yang berkesinambungan