Pengolahan Data

Pembentukan Model dan Parameter untuk Estimasi Kelapa Sawit Menggunakan Data Light Detection and Ranging (Lidar)

3. DATA DAN PENGOLAHAN DATA 1 Data

3.2 Pengolahan Data

Proses pengolahan data terbagi dalam beberapa tahap yakni: 3.2.1 Proses Pengolahan Data LiDAR

Proses pengolahan LiDAR dilakukan dalam perangkat lunak Bentley Microstation TerraSolid yang memiliki ekstensi Terra Scan, Terra Photo dan Terra Model. Tahap pengolahan data LiDAR yang pertama dilakukan ialah: 1. Tiling

Proses pembagian data tersebut dalam grid yang lebih kecil agar software dapat lebih mudah memproses jutaan titik.

2. Klasifikasi Ground Points

Proses klasifikasi dilakukan untuk memisahkan antara point cloud hasil pemantulan dari suatu jenis objek dengan jenis objek lainnya, maupun dengan hasil pemantulan dari permukaan tanah (Sithole,2005).

Dalam makalah ini, point clouds akan terbagi menjadi 4 kelas yakni ground, low vegetation, medium vegetation dan high vegetation. Tahapan klasifikasi dilakukan melalui dua metode klasifikasi, yaitu secara semi-otomatis dan manual.

a. Klasifikasi Semi-otomatis

Dalam klasifikasi semi otomatis terdapat proses penentuan batas-batas parameter pada area studi yang diperlukan dan harus ditentukan sendiri oleh pengguna. Tahap klasifikasi yang pertama adalah ground filtering. Pada tahap ini dilakukan pemisahan antara ground point dengan titik-titik lainnya. Klasifikasi ini merupakan bagian yang penting karena DTM yang akurat hanya dapat diperoleh apabila titik-titik lainnya telah dihilangkan dari ground points.

Untuk mengidentifikasi ground points ke dalam kelasnya, sangatlah penting untuk memahami karakteristik fisik dari ground points yang terklasifikasikan dalam beberapa parameter dalam perangkat lunak Bentley Microstation Terrasolid, yakni :

 Maximum building size :

Ukuran panjang atau lebar terbesar dari semua bangunan yang ada pada area survey. Namun, pada area studi tidak terdapat bangunan apapun.

 Terrain angle :

Batas kecuraman dari sudut kemiringan terbesar yang diperbolehkan bagi dua buah titik yang berketetanggaan untuk dapat dianggap sebagai satu kelas permukaan tanah pada proses pengidentifikasian.

 Iteration angle :

Sudut maksimum antar titik atau perubahan sudut kemiringan maksimum antara dua iterasi selama analisis permukaan tanah. Biasanya antara 4 ^o -10 ^o.

 Iteration distance:

Jarak maksimum antara dua titik yang akan diklasifikasikan, tegak lurus dengan model permukaan tanah yang sudah ada. Disebut juga jarak maksimum antar dua titik. Biasanya antara 0,5 meter - 1,5 meter. Parameter klasifikasi ground points terdapat pada tabel 1.

Tabel 1. Parameter klasifikasi point cloud kelas ground

Parameter tersebut didapat dari beberapa literatur (Meng, 2010) serta uji statistik trial and error. Ilustrasi parameter diatas ditunjukan pada gambar 3 di bawah ini:

Gambar 3. Ilustrasi parameter klasifikasi kelas ground Terrain Angle 77o

Itteration Angle 8^o Itteration

Distance ^{1,5 m} Max Building Size 26 m

Proses klasifikasi diawali dengan membentuk model awal permukaan tanah di mana titik inisial berupa titik-titik dengan elevasi terendah dan berdasarkan jarak sesuai parameter maximum building size.

Setelah itu dilakukan uji kesesuaian titik-titik yang berada pada model permukaan tanah yang sudah ada terhadap ketiga parameter lainnya. Apabila memenuhi, maka titik tersebut akan dimasukkan ke dalam kelas permukaan tanah atau ground point.

b. Klasifikasi Manual

Klasifikasi dengan cara manual dilakukan untuk memeriksa data point cloud hasil klasifikasi dari proses automatic classification. Sering kali terjadi kesalahan klasifikasi (misclassified).

Karena itu, diperlukan pengecekan dan klasifikasi secara manual untuk memastikan semua data berada pada kelas yang sesuai dengan melakukan visualisasi tampak samping (cross section atau side seeing).

c. Klasifikasi Low, Medium, High Vegetation

Parameter tinggi vegetasi rendah, sedang dan tinggi relatif dari ground ditunjukkan pada Tabel 2. Parameter di bawah ini hasil uji statistik trial dan error serta studi referensi mengenai parameter tinggi klasifikasi vegetasi.

Tabel 2. Parameter tinggi klasifikasi kelas vegetasi

3.

Ras

terisasi DTM dan DSM

Selanjutnya kelas-kelas point cloud tersebut akan di-generate untuk diperoleh raster dua dimensi dari DTM dan DSM. Point clouds kelas ground akan menjadi Digital Terrain Model (DTM). Sedangkan kelas DSM akan dibentuk dari high vegetation (point cloud kanopi pohon yang memiliki tinggi terbesar dari permukaan tanah).

4. Mengekstrak Canopy Height Model (CHM)

CHM didapat dari proses pengurangan nilai piksel pada raster (raster DSM yang dikurangi oleh raster DTM). CHM yang didefinisikan sebagai sebaran perbedaan tinggi antara permukaan kanopi pohon dan permukaan tanah, yaitu ketinggian pohon.

Hasil statistik dari ketinggian pohon tersebut dapat digunakan sebagai parameter untuk melakukan pendeteksian dan perhitungan jumlah kelapa sawit.

3.2.2 Proses Pendeteksian Pohon

Tahap proses pendeteksian pohon secara otomatis terdiri dari beberapa tahap yakni:

1. Penentuan Parameter Identifikasi Pohon

Dalam proses pendeteksian pohon oleh perangkat lunak Terrasolid terdapat beberapa parameter yang harus ditentukan yakni:

 Minimum Height (tinggi minimal satu pohon) : 3 meter

 Maximum Height (tinggi maksimal suatu pohon) : 16 meter.

 Width Variation (variasi lebar kanopi pohon) : 10 % - 30%

Parameter tersebur didapat dari hasil CHM (Canopy Height Model) pada proses pengolahan data LiDAR. Dalam proses ini, data point clouds akan dilihat berdasarkan range tinggi minimum dan maksimumnya, apakah sebaran point clouds tersebut terkategorikan sebagai suatu pohon.

2. Pembentukan sampel model individu pohon

Pembentukan model individu pohon kelapa sawit tersebut dibentuk dari pengambilan sampel satu individu pohon pada data point cloud-nya. Pada Gambar 4 (kiri) ditunjukkan hasil cross section point cloud satu individu pohon, setelah itu dibuat pemodelan satu bentuk kelapa sawit mengikuti sebaran point cloud yang membentuk pohon tersebut.

Setelah di-generate maka bentuk tersebut akan direfleksikan secara otomatis hingga membentuk satu model bentuk pohon (kanan).

Gambar 4. Point cloud dan sampel model individu pohon

3.2.3 Proses Validasi Hasil Pendeteksian Pohon

Hasil pendeteksian pohon secara otomatis tersebut akan divalidasi dalam beberapa proses yakni:

1. Estimasi range jumlah pohon kelapa sawit pada area seluas 20 ha. Biasanya kelapa sawit ditanam dengan jarak tanam 9x9x9 meter, sehingga dalam 1 ha terdapat 130-145 pohon, (Badan Pusat Statistik Sawit, 2012). Dari total ± 20 Ha dan dengan total lahan kosong seluas ± 0,67 Ha. Maka total jumlah pohon diestimasikan berada pada range: 2512 – 2764 pohon sawit.

2. Tiling

Membagi orthophoto tersebut menjadi 20 tiles yaitu 5 kolom secara horizontal dan 4 baris secara vertical.

3. Export & Convert

Export hasil deteksi pohon (otomatis) dan convert shapefilenya yang berupa titik centroid & poligon setiap individu pohon yang terdeteksi secara otomatis.

Membuat Titik Validasi

Titik validasi berupa titik centroid dan poligon yang tersebar merata pada kanan-kiri (atas & bawah) dan tengah.

4. Deteksi Visual

Mendeteksi secara visual apakah pada sebaran poligon titik validasi tadi terdapat juga poligon hasil deteksi otomatis.

5. Bandingkan

 Lebar Kanopi dan Tinggi Pohon

Setiap individu pohon yang berhasil terdeteksi memiliki informasi tinggi dan perimeter (keliling pohon) yang dapat dihitung diameternya dari rumus keliling lingkaran.

 Jumlah pohon dalam beberapa sampel tiles

Bandingkan jumlah pohon dari hasil deteksi otomatis dan manual pada tiga jenis tile yang karakteristik pohonnya rapat sekali, cukup rapat dan teratur, renggang sekali juga terdapat lahan kosong.

4. PEMBAHASAN

4.1 Analisis Hasil Proses Pengolahan Data LiDAR

Setelah seluruh point clouds terklasifikasi ke dalam kelas yang sesuai. Tabel 3 merupakan hasil statistik klasifikasi kelas point clouds:

Tabel 3. Hasil statistik klasifikasi point clouds

Class Description Points

1 Default 0 2 Ground 136.420 3 Low Vegetation 10.274 4 Medium Vegetation 8.100 5 High Vegetation 445.451 6 Building 0 Total points 600.245

Parameter proses pengklasifikasian point clouds harus tepat (sesuai dengan karakteristik lahan area penelitian) dan juga dengan melakukan uji statistik dan trial error. Ketika input parameter telah memberikan hasil statistik yang terbaik, maka perlu dilakukan pengecekan point clouds dengan draw section dan mem-brush manual sehingga point terklasifikasi dengan baik. Hasil DTM dihasilkan terdapat pada gambar sebagai berikut:

Gambar 5. Hasil Digital Terrain Model

Gambar 6. Hasil Digital Surface Model

Gambar 7. Hasil Canopy Height Model

Tinggi rata-rata sebaran pohon yang ditunjukkan pada CHM yakni 12,5 meter, dengan nilai range antara -0,5676 meter hingga 17,8 meter dan tinggi minimum 3 meter. Ketika mengekstrak CHM terdapat tinggi pohon yang minus, dilihat dari