PENERAPAN ALGORITME
GRABCUT
UNTUK MENDUGA
BIOMASSA MENGGUNAKAN SEGMENTASI NILAI DBH PADA
TEGAKAN
PINUS MERKUSII
DEDE NUR FITRIANSYAH
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Penerapan Algoritme
Grabcut untuk Menduga Biomassa Menggunakan Segmentasi Nilai DBH pada
Tegakan Pinus merkusii adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.
ABSTRAK
DEDE NUR FITRIANSYAH. Penerapan Algoritme Grabcut untuk Menduga Biomassa Menggunakan Segmentasi Nilai DBH pada Tegakan Pinus merkusii. Dibimbing oleh MUHAMMAD ASHYAR AGMALARO.
Biomassa merupakan sumber energi terbaharui yang penting untuk masa depan. Informasi tentang karbon yang dihasilkan oleh tegakan hutan dapat diperoleh dengan memperkirakan biomassa hutan. Salah satu metode yang digunakan untuk menduga biomassa adalah penggunaan persamaan allometrik melalui diameter breast height (DBH) dengan pengukuran tidak destruktif. Pinus merkusii merupakan tumbuhan pinus asli Indonesia yang banyak memiliki manfaat. Karakteristik Pinus merkusii adalah tumbuh besar, tinggi, dan sangat cocok digunakan untuk menduga biomassa tegakan. Pengukuran DBH secara digital didapatkan melalui pemrosesan citra dengan menggunakan segementasi algoritme grabcut. Tujuan penelitian ini adalah menghitung biomassa pada tegakan Pinus merkusii pada plot contoh di Taman Wisata Alam Gunung Pancar. Hasil dari penelitian ini adalah total biomassa pada pengukuran DBH secara digital dan secara konvensional. Hasil pengukuran DBH secara digital sebesar 5239.19 kg/ha sedangkan secara konvensional sebesar 6809.35 kg/ha. Korelasi pengukuran DBH adalah 0.944809.
Kata kunci: Algoritme Grabcut , Biomassa, DBH, Pinus merkusii.
ABSTRACT
DEDE NUR FITRIANSYAH. Implementing Grabcut Algorithm for Estimating Biomass Using Segmentation of DBH Value in Stands of Pinus merkusii. Supervised by MUHAMMAD ASHYAR AGMALARO.
Biomass is an important renewable energy source for the future. Information about the carbon produced by forest stands can be obtained by estimating forest biomass. One method used to estimate the biomass is use of allometric equations via diameter breast height (DBH) with a non-destructive measurement. Pinus merkusii is a plant native from Indonesia that has many benefits. Characteristics Pinus are big, tall, and suitable for estimating biomass of stands. DBH measurements are digitally obtained through image processing by using segmentation of grabcut algorithm. This research aims to calculate the biomass at the stands of Pinus on sample plots in Taman Wisata Gunung Alam Pancar. The result from this research is the total biomass on DBH measurements digitally and conventionally. DBH measurement results digitally was 5239.19 kg/ha, while conventionally it was 6809.35 kg/ha. Correlation of DBH measurement was 0.944809.
Skripsi
sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer
pada
Departemen Ilmu Komputer
PENERAPAN ALGORITME
GRABCUT
UNTUK MENDUGA
BIOMASSA MENGGUNAKAN SEGMENTASI NILAI DBH PADA
TEGAKAN
PINUS MERKUSII
DEDE NUR FITRIANSYAH
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Judul Skripsi : Penerapan Algoritme Grabcut untuk Menduga Biomassa Menggunakan Segmentasi Nilai DBH pada Tegakan Pinus merkusii
Nama : Dede Nur Fitriansyah
NIM : G64110045
Disetujui oleh
Muhammad Ashyar, SSi MKom Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi MKom Ketua Departemen
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala rahmat dan karunia-Nya penulis dapat menyelesaikan penyusunan skripsi ini. Shalawat beserta salam semoga senantiasa tercurahkan kepada Nabi Muhammad shollallahu ‘alaihi wa sallam, kepada keluarganya, kepada sahabatnya, dan kepada umatnya hingga akhir zaman. Judul dalam penelitian ini adalah Penerapan Algoritme Grabcut untuk Menduga Biomassa Menggunakan Segmentasi Nilai DBH pada Tegakan Pinus merkusii.
Penulis menyadari bahwa dalam proses penulisan skripsi ini banyak mengalami kendala, namun berkat bantuan, bimbingan, kerja sama dari berbagai pihak dan berkah dari Allah subhanahu wa ta'ala sehingga kendala-kendala tersebut dapat diatasi. Untuk itu penulis menyampaikan ungkapan terima kasih kepada Uce Supriadi selaku ayah, Jamilah selaku ibu serta seluruh keluarga atas segala doa dan kasih sayangnya. Serta ucapan terima kasih dan penghargaan kepada Bapak Muhammad Ashyar Agmalaro, SSi MKom selaku pembimbing yang telah dengan sabar, tekun, tulus dan ikhlas meluangkan waktu, tenaga, dan pikiran untuk memberikan bimbingan, motivasi, arahan, dan saran-saran yang sangat berharga kepada penulis selama menyusun skripsi. Terima kasih tak lupa saya sampaikan juga kepada sahabat-sahabat seperjuangan dan satu bimbingan saya, yaitu Lutfi Muzaqi dan Timotius Devin yang selalu menemani dan mendukung saya, dan juga Farino yang telah membantu saya dalam memecahkan hal-hal yang saya belum mengerti dalam pengerjaan skripsi ini. Terima kasih juga saya ucapkan kepada seluruh teman-teman Ilmu Komputer IPB angkatan 48. Ucapan Terima kasih juga saya tujukan kepada Bapak Aziz Kustiyo, SSi MKom dan Bapak Toto Haryanto, SKom MSi selaku penguji atas segala masukan dan saran yang telah diberikan. Semoga karya ilmiah ini bermanfaat.
DAFTAR ISI
Diameter Breast Height (DBH) 3
Pinus merkusii 3
Kamera Pinhole 4
Algoritme Grabcut 5
METODE PENELITIAN 5
Lokasi dan Waktu Penelitian 5
Alat dan Bahan 5
Akuisisi Citra dan Praproses 9
Segmentasi Algoritme Grabcut 10
Threshold dan Morphological Operation 14
DAFTAR TABEL
1 T-link weight 12
2 Biomassa pohon Pinus merkusii 18
DAFTAR GAMBAR
1 Pengukuran DBH pohon di lapangan 4
2 Model kamera pinhole 4
3 Tahapan penelitian 6
4 Skema plot contoh 7
5 Plot Contoh Pinus merkusii 9
6 Kamera pinhole dengan proyeksi objek 10
7 (a) Citra gambar rectangle, (b) Hasil segmentasi citra 11
8 (a) Cluster pixel pada kelas background , (b) Cluster pixel pada kelas
foreground 11
9 (a) Graf dengan T-link dan N-link , (b) Segmentasi graph cut 13 10 (a) Citra gambar threshold, (b) Citra gambar morfologi 14 11 (a) Citra gambar draw object, (b) Citra gambar DBH 17
12 Hasil DBH 18
13 Hasil biomassa 19
DAFTAR LAMPIRAN
1 Peralatan penelitian 22
PENDAHULUAN
Latar Belakang
Peningkatan laju emisi gas rumah kaca seperti CO2 secara global
menimbulkan ancaman terhadap iklim dunia. Berdasarkan prakiraan tahun 2000, lebih dari 20 juta ton metrik CO2 diperkirakan akan dilepaskan ke atmosfer setiap
tahun (Saxena et al. 2007). Penggunaan biomassa sebagai sumber energi yang terbaharui dengan jumlah CO2 yang bersih mampu bertindak sebagai netral karbon.
Informasi tentang karbon yang dihasilkan oleh suatu vegetasi atau tegakan hutan dapat diperoleh dengan memperkirakan dari biomassa hutan, karena hutan mempunyai kemampuan menyerap CO2 dari udara dan menyimpannya dalam
biomassa hutan.
Pinus merkusii merupakan satu-satunya jenis pinus yang tumbuh asli di Indonesia, yang mampu mempercepat reboisasi dan rehabilitasi lahan-lahan kosong dalam kawasan hutan. Selain itu hampir semua bagian pohonnya dapat dimanfaatkan, pohon pinus juga memiliki karakteristik tumbuh besar dan tinggi (Siregar 2005). Hal ini sesuai dengan karakteristik pohon pinus, karena sebagian besar kandungan biomassa pohon terletak pada bagian kayu ± 60 % dan bagian daun ± 3-5 % dari total biomassa pohon pada bagian atas tanah (Total Above Ground Biomass) hutan tertutup (Brown 1997). Metode umum yang digunakan untuk menduga biomassa hutan adalah melalui persamaan allometrik yang menghubungkan biomassa pohon individu yang didapatkan dengan pengukuran tidak destruktif (Ketterings et al. 2001).
Biomassa dalam penelitian ini adalah biomassa total pohon yang diduga dari dimensi pohon yaitu diameter pohon. Hal ini sesuai dengan yang dinyatakan oleh Brown (1997) bahwa diameter breast height (DBH) merupakan data inventarisasi yang baik untuk menduga biomassa. Oleh karena itu, DBH dapat digunakan sebagai parameter dalam menduga nilai biomassa yaitu menggunakan model allometrik biomassa pohon Pinus merkusii pada lokasi lain yang memiliki karakteristik pohon untuk jenis dan tipe ekologi yang sama.
Dalam menghitung diameter secara konvensional digunakan sebuah alat phiban untuk mengukur diameter dan meteran untuk mengukur tinggi pohon (Hardjana 2014), proses tersebut membutuhkan waktu yang cukup lama. Pada penelitian ini dilakukan perhitungan diameter melalui pemrosesan citra yang diambil menggunakan sebuah kamera DSLR, sehingga nantinya akan memudahkan peneliti dalam mengukur diameter dan proses perhitungan biomassa pada tahap selanjutnya. Hernández-Vela et al. (2012) menyajikan metode Grabcut dengan menggabungkan tracking dan segmentasi. Grabcut digunakan untuk deteksi histogram of oriented gradient (HOG) berbasis subjek, deteksi wajah, dan model warna kulit pada manusia.
2
mencari area kontur Pinus merkusii untuk mendapatkan diameter breast height (DBH). Kemudian, nilai biomassa dihitung pada masing-masing pohon.
Perumusan Masalah
Berdasarkan latar belakang di atas, perumusan masalah dalam penelitian ini adalah:
1 Bagaimana menerapkan algoritme Grabcut pada segmentasi citra Pinus merkusii?
2 Bagaimana menghitung diameter breast height (DBH) melalui pemrosesan citra pada tegakan Pinus merkusii?
3 Bagaimana menghitung biomassa pada tegakan Pinus merkusii dengan data DBH hasil inventarisasi?
Tujuan Penelitian
Tujuan dalam penelitian ini adalah:
1 Menggunakan algoritme Grabcut pada proses segmentasi citra Pinus merkusii 2 Melakukan perhitungan diameter melalui pemrosesan citra sehingga didapatkan
diameter breast height (DBH).
3 Melakukan perhitungan biomassa pada tegakan Pinus merkusii dengan data DBH hasil inventarisasi.
Manfaat Penelitian
Manfaat penelitian ini diharapkan mampu mempermudah perhitungan biomassa melalui metode non-destructive sampling menggunakan persamaan allometrik dari DBH hasil inventarisasi secara digital.
Ruang Lingkup Penelitian
3
TINJAUAN PUSTAKA
Biomassa
Menurut Brown (1997), biomassa adalah total jumlah materi hidup di atas permukaan pada suatu pohon dan dinyatakan dengan satuan ton berat kering per satuan luas. Secara garis besar biomassa dibagi menjadi dua, yaitu biomassa di atas permukaan tanah (Total Above Ground Biomass) dan biomassa di bawah permukaan tanah ( Total Under Ground Biomass).
Secara umum ada dua metode dalam penghitungan biomassa, yaitu pengambilan contoh pohon dengan cara ditebang (destructive sampling) dan pengambilan contoh pohon dengan cara tidak ditebang (non-destructive sampling) (Hardjana 2014). Terdapat dua pendekatan biomassa di atas permukaan tanah melalui metode non-destructive sampling, yaitu melalui persamaan allometrik dan biomass expansion factor (BEF) (Sutaryo 2009).
Menurut Sutaryo (2009), allometrik didefinisikan sebagai suatu studi dari suatu hubungan antara pertumbuhan dan ukuran salah satu bagian organisme dengan pertumbuhan atau ukuran dari keseluruhan organisme. Persamaan allometrik digunakan untuk mengekstrapolasi cuplikan data ke area yang lebih luas. Dalam studi biomassa hutan atau pohon, persamaan allometrik digunakan untuk mengetahui hubungan antara ukuran pohon (diameter atau tinggi) dengan berat (kering) pohon secara keseluruhan.
Biomass expansion factor (BEF) didefinisikan sebagai rasio antara total kepadatan biomassa kering dari pohon di atas permukaan tanah dengan DBH minimum 10 cm atau lebih untuk kepadatan biomassa kering dari inventarisasi volume (Brown 1997). Suatu Expansion factor akan menggandakan suatu jumlah nominal tertentu, yaitu volume dan biomassa, yang mencakup satu atau beberapa bagian pohon ke jumlah nominal lainnya terhadap keseluruhan pohon. Dengan kata lain Expansion factor akan menggandakan nilai biomassa batang menjadi biomassa keseluruhan pohon (Sutaryo 2009).
Diameter Breast Height (DBH)
Diameter setinggi dada atau DBH merupakan karakteristik pohon yang penting yang digunakan sebagai standar metode untuk mengukur dimensi pohon. DBH juga diterapkan sebagai analisis, teknik, model, dan evaluasi untuk memantau pertumbuhan pohon dan membandingkan dimensi pohon yang berbeda (Sönmez 2009). DBH diukur pada ketinggian kurang lebih 1.3 m di atas permukaan tanah (BPPK 2013). Ilustrasi pengukuran DBH pada berbagai kondisi kedudukannya di lapangan terlihat pada Gambar 1.
Pinus merkusii
4
penghasil kayu, produksi getah, dan konservasi lahan. Hampir semua bagian pohonnya dapat dimanfaatkan, antara lain bagian batangnya dapat disadap untuk diambil getahnya. Ciri-ciri Pinus merkusii adalah batang lurus, bulat, kulit luar kasar dan umumnya tidak bercabang. Daun bentuk jarum dan tajuk berbentuk kerucut. Pinus juga mempunyai nama daerah damar batu, damar bunga, hunyam, kayu sala, kayu sugi, tusam, uyam (Sumatra), dan pinus (Jawa). Batang pinus berukuran sedang sampai besar, tinggi pohon 20–40 m dan diameter pohon dapat mencapai 100 cm (Siregar 2005).
Kamera Pinhole
Kamera pinhole adalah model kamera sederhana yang digunakan dalam proyeksi titik objek 3D pada titik gambar 2D (Wibirama 2011). Sebuah pinhole adalah dinding imajiner dengan sebuah titik lubang di tengah yang menghalangi semua sinar kecuali yang melewati titik di tengah tersebut. Dalam model sederhana ini, cahaya dibayangkan sebagai masukan dari objek yang jauh, tetapi hanya sinar tunggal yang masuk. Kemudian, sinar tersebut diproyeksikan ke dalam permukaan yang disebut image plane (Bradski dan Kaehler 2008). Model kamera pinhole diilustrasikan pada Gambar 2.
Gambar 1 Pengukuran DBH pohon di lapangan
5
Algoritme Grabcut
Grabcut adalah teknik segmentasi citra 2D yang inovatif yang dikembangkan oleh Rother et al. (2004). Grabcut merupakan penyempurnaan dari kombinasi metode Graph cut dengan model statistik dari foreground dan background di struktur ruang warna. Grabcut juga merupakan segmentasi dengan sedikit interaksi dari manusia. Interaksi dilakukan hanya dengan menggambar rectangle disekitar foreground, diikuti dengan menyunting sedikit pada citra. Rother et al. (2004) memaparkan langkah-langkah dalam proses algoritme grabcut.
Algoritme grabcut
I. Inisialisasi Trimap T dengan notasi manual.
II. Inisialisasi αi = 0 untuk i ∈ TB danαi =1 untuk TU ∪ TF.
III. Inisialisasi setiap background dan foreground GMM dari set αi = 0 danαi = 1 menggunakan algoritme clustering.
IV. Tandai kompenen GMM pada setiap pixel dengan persamaan Gaussian. V. Pelajari parameter GMM dari data z.
VI. Lakukan segmentasi menggunakan graph cut. VII. Ulangi langkah III-VI hingga konvergen.
METODE PENELITIAN
Lokasi dan Waktu Penelitian
Penelitian ini dilakukan di Taman Wisata Alam Gunung Pancar, Kecamatan Citeurep, Kabupaten Bogor, Provinsi Jawa Barat. Secara geografis kawasan ini terletak antara 106°52’-106°54’ BT dan 6°34’-6°36’ LS. Gunung Pancar terletak pada ketinggian 300-800 m dengan luas 447.5 ha. Kemiringan tanah berada pada 5 sampai 15 derajat. Penelitian dilakukan pada plot area yang telah ditentukan dengan luas 0.02 ha dengan mengambil tegakan pohon Pinus merkusii sebagai lokasi objek penelitian. Waktu penelitian dilakukan pada tanggal 30 Juni 2015.
Alat dan Bahan
Alat yang digunakan dalam penelitian ini adalah sebuah kamera DSLR Canon EOS 60D yang terpasang pada sebuah tripod untuk mengambil citra gambar. Kemudian, dua buah measurement tape untuk mengukur ketinggian dan veterban untuk pengukuran DBH secara konvensional. Bahan yang digunakan yaitu tegakan batang utama Pinus merkusii. Alat dan bahan dalam penelitian ini selengkapnya dapat dilihat pada Lampiran 1.
Data Penelitian
6
Jarak pengambilan data dari objek ke kamera dan ketinggian tripod telah ditentukan terlebih dahulu. Data tersebut akan digunakan dalam pemrosesan citra untuk mendapatkan nilai DBH dalam perhitungan biomassa.
Tahapan Penelitian
Tahapan Penelitian yang dilakukan dalam menduga biomassa pada penelitian ini dapat dilihat pada Gambar 3.
Gambar 3 Tahapan penelitian Studi Kasus
Studi kasus dalam menangani biomassa perlu dilakukan, karena setiap tipe ekologi dan geografis pada tiap tempat berbeda. Pada kasus ini pendugaan biomassa menggunakan metode non-destructive sampling melalui persamaan allometrik yang telah dikembangkan. Peneliti melakukan survei lokasi di Wisata Alam Gunung Pancar dan membuat bentuk plot contoh pada lokasi.
Bujursangkar atau persegi panjang adalah bentuk plot yang disarankan dalam membuat plot contoh. Pembuatan plot contoh dilakukan di tengah-tengah blok tegakan dan tidak terbuka secara penuh, hal ini untuk menghidari efek tepi (bounder effect) (Hardjana 2014). Pada Gambar 4 terlihat ilustrasi skema dalam membuat plot contoh pada tegakan. Handayani (2003) dalam penelitiannya membuat ukuran plot contoh dengan besar 0.02 ha, 0.04 ha, dan 0.1 ha dalam kelas umur yang berbeda. Persamaan allometrik yang digunakan pada penelitian ini adalah model allometrik yang dibuat oleh Hendra (2002) yang dirujuk dari Handayani (2003) dan Siahaan (2003).
Akuisisi Citra dan Praproses
Akuisisi citra dilakukan di Taman Wisata Alam Gunung Pancar terdiri dari dua tahap, secara digital dan secara konvensional. Secara digital menggunakan kamera DSLR Canon EOS 60D yang dipasang pada sebuah tripod untuk mendapatkan citra gambar pohon Pinus merkusii. Kriteria dalam pengambilan citra gambar yaitu jarak 3.8 m dari objek ke lensa kamera dan tinggi 1.25 m dari atas
7
permukaan tanah pohon Pinus merkusii. Penyesuaian pengambilan citra gambar dilakukan pada kondisi tanah yang tidak rata dan miring.
Secara konvensional menggunakan measurement tape dan veterban dalam pengukuran keliling pohon. Measurement tape digunakan untuk mengukur ketinggian pohon pada 1.3 m dari atas permukaan tanah pohon, sedangkan veterban digunakan untuk mengukur diameter pada ketinggian 1.3 m pada batang pohon Pinus merkusii. Proses ini dilakukan pada sebelas pohon Pinus merkusii pada plot area dengan luas 0.02 ha.
Segmentasi Algoritme Grabcut
Data berupa citra gambar batang utama pohon Pinus merkusii yang diperoleh pada tahapan akuisisi citra dan praproses secara digital, kemudian dilakukan proses segmentasi. Segmentasi citra bertujuan untuk memisahkan foreground dan background citra. Algoritme yang digunakan pada proses segmentasi citra adalah algoritme grabcut. Dalam algoritme grabcut terjadi dua proses penting yaitu color clustering dan graph cut.
Proses color clustering dilakukan pada dua set komponen (2K) pada kumpulan pixel citra. Langkah-langkah untuk melakukan algoritme clustering yang dipublikasikan oleh Orchard dan Bouman (1991) sebagai berikut:
Algoritme clustering
I. Mula-mula inisialisasi set cluster 1 (C1) pada trimapunknown dan trimap
foreground
II. Hitung rata-rata dari C1 (µ1), matriks kovarian dari C1 (∑1)
III. Untuk i=2 pada K lakukan
(i) Temukan set Cn yang memiliki eigenvalue terbesar dan simpan pada
eigenvector (en)
(ii) Bagi Cn ke dalam dua set, Ci = { x ∈ Cn : enT zn≤ enTµn} dan Cn* =
Cn − Ci. Dimana zn adalah nilai pixel RGB.
(iii) Hitung µn*, ∑n*, µi, ∑i.
IV. Lakukan hingga C = 5 pada setiap komponen.
Langkah selanjutnya adalah pencarian probabilitas pada masing-masing pixel disetiap komponen dengan menggunakan persamaan Gaussian (Persamaan 1). Setelah semua pixel terkumpul bersama dengan tepat dilakukan proses graph cut. Segmentasi graph cut berdasarkan Boykov dan Jolly (2001) terdiri dari N-link dan T-link. Pada N-link (Persamaan 2) akan dicari bobot antara pixel m dengan pixel n dalam 8-neighborhood. Pada T-link (Persamaan 3) akan dicari nilai bobot D(m).
8
Threshold dan Morphological Operation
Hasil dari proses segmentasi citra dilakukan proses threshold. Threshold yang digunakan adalah threshold binary. Citra yang dihasilkan berupa citra gambar yang memiliki dua warna yaitu putih dan hitam. Citra berwarna putih sebagai objek dan hitam sebagai background. Kemudian, dilakukan operasi morfologi pada citra gambar binary untuk mendapatkan bentuk citra pohon Pinus merkusii yang diinginkan. Tipe operasi morfologi yang digunakan adalah dilasi. Dilasi menyebabkan ukuran objek semakin membesar.
Batas Wilayah Objek
Citra yang didapatkan dari tahapan threshold dan morphological operation, kemudian dilakukan pencarian kontur pada boundary objek. Kontur adalah kumpulan titik-titik yang saling terhubung yang membentuk suatu objek. Pencarian kontur digunakan untuk mendeteksi dengan benar objek batang pohon Pinus merkusii. Setelah mendapatkan kontur, objek tersebut dilakukan drawing rectangle untuk melabeli kontur yang didapatkan. Drawing digunakan untuk memudahkan dalam proses perhitungan DBH secara digital.
Perhitungan Biomassa
Tahapan ini akan mencari nilai diameter breast height (DBH) dengan metode digital dan konvensional. Nilai DBH tersebut akan digunakan untuk menghitung biomassa total pohon Pinus merkusii pada plot contoh. Perhitungan biomassa menggunakan persamaan Allometrik (Persamaan 4) yang dikembangkan oleh Hendra (2002) yang dirujuk dari Handayani (2003) dan Siahaan (2003).
B = 0.206D2.26 (4) Dimana D adalah nilai DBH yang didapatkan dari metode digital dan konvensional. Kemudian, hasil dari pengukuran DBH tersebut dicari nilai korelasinya.
Lingkungan Pengembangan
Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk penelitian ini adalah sebagai berikut:
Perangkat keras:
1 Processor Intel Core i3 2350M 2 Hardisk 500 Gb
9
4 Nvidia Geforce 610M 2Gb Perangkat lunak:
1 Sistem Operasi Windows 8 64bit 2 Codeblock 13.12
3 Bahasa pemrograman C++ 4 OpenCV 2.4.9
HASIL DAN PEMBAHASAN
Studi Kasus
Setelah dilakukan studi kasus terhadap lokasi Taman Wisata Alam Gunung Pancar, peneliti membuat plot contoh berbentuk segiempat pada lokasi. Plot contoh tersebut terletak di tengah-tengah area tegakan Pinus merkusii. Hal ini dilakukan agar hasilnya dapat mewakili tegakan dari segi keseragaman kondisi pertumbuhan dilokasi dan juga keamanan plot sehingga memudahkan jika sewaktu-waktu ada peninjauan kembali atau penelitian terkait pada lokasi tersebut. Gambar 5 adalah sketsa plot contoh di lokasi penelitian. Plot contoh tersebut mempunyai panjang diagonal sisi sebesar 10 m dengan luas 0.02 ha. Jumlah pohon Pinus merkusii pada lokasi penelitian sebanyak 11 dengan jarak tanam antar pohon ± 2 m.
Akuisisi Citra dan Praproses
Akuisisi citra dilakukan dalam dua tahap yaitu secara digital dan konvensional. Praproses dilakukan untuk menentuk jarak antara objek ke kamera, tinggi tripod, dan tinggi objek dalam proses akuisisi citra. Teknik pengambilan citra gambar ini menggunakan teknik triangle similarity melalui proyeksi kamera pinhole .Tahapan pertama secara digital menggunakan kamera Canon EOS 60D yang dipasang pada sebuah tripod, tahapan ini menghasilkan citra gambar RGB dengan format JPG.
Gambar 6 menjelaskan pengambilan citra pohon Pinus merkusii yang dimodelkan pada teknik kamera pinhole yang diproyeksikan pada sumbu kartesius
20 M
Gambar 5 Plot Contoh Pinus merkusii Keterangan:
10
(x,y). C adalah posisi lensa dari kamera yang dimodelkan sebagai pusat proyeksi sumbu, h adalah tinggi nyata objek, d adalah jarak antara objek ke titik lensa kamera,
f adalah panjang fokus lensa, dan p adalah tinggi citra gambar dalam sensor size
kamera. Sensor size pada kamera canon EOS 60D memiliki ukuran sebesar 22.30 x 14.90 mm. Pada dasarnya kamera pinhole bekerja seperti mata manusia, merepresentasikan objek tiga dimensi (x,y,z) dalam dua dimensi sebagai citra gambar (x,y). Dalam kasus ini contoh yang diambil adalah proyeksi tinggi objek h dalam tinggi citra gambar dengan ukuran sensornya.
Dalam penelitian ini tripod akan diatur dengan tinggi 1.25 m, hal ini dilakukan agar dalam pengambilan citra posisi fokus gambar berada pada daerah tinggi sekitar ± 1.25 m . Tinggi pohon Pinus merkusii yang akan dicapture adalah 1.70 m, tinggi tersebut telah mewakili DBH karena DBH memiliki tinggi kisaran ± 1.30 m. Informasi yang didapat pada kamera canon EOS 60D adalah panjang fokus sebesar 50 mm dengan aperture 1.8. Penggunaan aperture yang kecil menghasilkan gambar citra yang fokus pada batang utama pohon Pinus merkusii, sedangkan daerah di luar sekitar batang menjadi blur. Dari Gambar 6 terdapat dua buah triangle similirarity yang sebangun, sehingga untuk mencari d jarak antara objek ke titik lensa kamera adalah:
d = f ×hp (5)
d=50 mm+1700 mm22.3 mm = 3811.60 mm
Kriteria pengambilan setiap citragambar pohon Pinus merkusii diambil pada jarak kurang lebih 3.80 m dan tinggi tripod 1.25 m menghasilkan citra gambar sebanyak 11 gambar yang mempuyai ukuran 400×720 pixel. Citra gambar tersebut selanjutnya akan diproses pada segmentasi algoritme grabcut.
Tahapan kedua secara konvensional akan diukur keliling setiap pohon. Alat yang digunakan adalah measurement tape dan veterban. Mula-mula measurement tape mengukur ketinggian pohon pada 1.3 m, kemudian pada ketinggian tersebut diukur kelilingnya menggunakan veterban dengan cara merangkul pohon. Hasil yang didapatkan berupa data keliling pohon Pinus merkusii yang akan dihitung diameternya pada tahapan perhitungan biomassa.
Segmentasi Algoritme Grabcut
Segmentasi citra dilakukan untuk memisahkan foreground dan background citra, proses ini dilakukan menggunakan algoritme grabcut. Ada tiga hal penting dalam penerapan algoritme grabcut pada citra gambar yaitu foreground,
11
background, dan unknown pixel. Foreground adalah hasil dari tahapan ini yang akan digunakan pada tahapan selanjutnya berupa latar depan atau objek yang diinginkan, background adalah latar belakang yang akan dipisahkan dari
foreground, unknown pixel adalah bagian yang disegmentasi yang akan menjadi
foreground atau background. Proses algoritme grabcut ini mengikuti pemaparan
Rother et al. (2004) dalam jurnalnya yang merujuk pada algoritme clustering oleh Orchard dan Bouman (1991) dan graph cut oleh Boykov dan Jolly (2001).
(a) (b)
Setelah masukan citra gambar dibaca, kemudian peneliti memilih sebuah wilayah rectangle di sekitar objek, contohnya seperti pada Gambar 7 (a). Pixel yang berada di luar wilayah rectangle akan ditandai sebagai trimapbackground, sedangkan pixel yang berada di dalam rectangle akan ditandai sebagai trimapunknown pixel. Komputer akan membuat sebuah segmentasi awal, dengan menempatkan sementara unkown pixel pada kelas foreground dan menempatkan semua pixel background pada kelas background. Selanjutnya akan dibuat dua komponen dari gaussian mixture model (GMM) untuk tiap wilayah, yaitu
matteforeground dan mattebackground. Wilayah tersebut akan dibagi menjadi
cluster pada masing-masing pixel berdasarkan distribusi nilai RGB.
(a) (b)
Pada Gambar 8 (a) dan (b) terlihat bahwa setiap pixel yang berada pada Pada Gambar 8 (a) dan (b) terlihat bahwa setiap pixel yang berada pada
trimapbackground dan trimapunknown akan dikelompokkan bersama pada kelas
background dan foreground. Proses ini akan mengkelompokkan setiap pixel pada Cn
C1 C2 C3
Kelas Background
C1 C2 C3 Cn
Kelas Foreground Gambar 7 (a) Citra gambar rectangle, (b) Hasil segmentasi citra
12
masing-masing kelas menggunakan algoritme clustering yang dipaparkan oleh Orchard dan Bowman (1991). Setiap komponen GMM merepresentasikan tiap cluster yang berbeda, cluster yang baru akan terbentuk berdasarkan komponen GMM. Proses cluster ini dilakukan hingga jumlah cluster yang diinginkan tercapai. Jumlah cluster yang disarankan adalah C=5 pada masing-masing kelas mattebackground dan matteforeground. Ini adalah proses awal inisialisasi pixel dalam cluster.
Rother et al. (2004) menggunakan algoritme clustering tambahan untuk mengecek probabilitas suatu pixel dalam cluster yang telah dibuat. Proses ini dilakukan pada masing-masing pixel di cluster C1sampai C5di mattebackground
dan matteforeground. Hal ini dilakukan agar semua pixel terkumpul bersama
dengan tepat pada cluster. Proses ini menggunakan persamaan Gaussian (Persamaan 1). Mula-mula setiap pixel yang berada pada matteforeground akan ditandai sebagai komponen GMM foreground, demikian pula pada mattebackground akan ditandai sebagai komponen GMM background. Setelah itu dihitung probabilitas pixel pada setiap cluster. Pixel yang memiliki probabilitas tertinggi akan berpindah kelas pada cluster tesebut. Proses ini berhenti sampai semua pixel berhasil dikelompokkan dengan tepat.
Proses selanjutnya pada penerapan graph cut. Proses graph cut terjadi pada trimapunknown, tepatnya pada bagian tepi objek yang disegmentasi. Dalam sebuah graph setiap pixel terhubung dengan 8 pixel tetangganya yang disebut N-link. Setiap
pixel juga ditandai sebagai node yang terhubung dengan background node dan
foreground node, disebut sebagai T-link. Bobot dari T-link tergantung pada status
trimap. Pada Tabel 1 dijelaskan keterhubungan pixel m pada trimap terhadap T-link .
Tabel 1 T-link weight
Tipe pixel T-link background T-link foreground m ∈ trimapforeground
Pixel yang berada pada trimapforeground hanya terhubung pada foreground node, begitu juga dengan pixel pada trimapbackground. Pada trimapunknown akan dicari nilai D(m) pada T-link (Persamaan 3) yang memiliki probabilitas tertinggi pada lima cluster yang didapatkan pada proses clustering pada setiap T-link. D(m) yang memiliki probabilitas terendah akan dipotong. Pixel yang berhasil dipotong pasti memiliki bobot yang lebih besar dari pada 8-neighborhood dimana � = ∑ � ,� . T-link Graf yang berhasil disegmentasi adalah graf yang memiliki
pixel yang hanya terhubung pada foreground node atau background node saja.
Proses ini dilakukan hingga konvergen. Gambar 9 (a) adalah ilustrasi graf yang memiliki T-link dan N-link, sedangkan Gambar 9 (b) adalah ilustrasi graf yang berhasil disegmentasi.
13
(a) (b)
El,10,GC_INIT_WITH_RECT) dan akan disimpan pada grabResult. Perintah
GC_INIT_WITH_RECT menyatakan bahwa wilayah yang di luar rectangle itu pasti
background dan di dalam rectangle itu mungkin foreground. Nilai 10 adalah
argumen berapa kali dilakukan iterasi pada fungsi grabcut hingga konvergen.
Gambar 7 (b) adalah keluaran dari tahapan segmentasi citra. Terlihat bahwa batang dari objek yaitu pohon Pinus merkusii berhasil dipisahkan dari backgroundnya. Hasil yang didapatkan masih belum maksimal karena terlihat beberapa bagian kecil background yang tidak berhasil diseleksi di sekitar tepi foreground. Hal ini terjadi karena distribusi warna pixel yang merata sehingga warna tersebut dianggap sama. Pada bagian bawah gambar ada bagian background yang tidak berhasil dieleminasi, ini juga terjadi karena model dari foreground dan background diidentifikasi sama. Terlihat adanya sebaran cahaya pada bagian bawah objek. Hasil dari pemrosesan citra pada setiap tahap dapat dilihat pada Lampiran 2.
#masukan array citra
Mat src2;
src.copyTo(src2);
#inisialisasi ukuran rectangle
Rect rect(80,0,src2.cols-180,src2.rows);
#keluaran array hasil segmentasi
Mat grabResult;
14
Threshold dan Morphological Operation
Keluaran citra pada segmentasi citra, kemudian dilakukan threshold. Tipe
threshold yang digunakan adalah binary. Dalam OpenCV threshold binary
diimplementasikan ke dalam kode berikut:
Citra channel RGB hasil dari tahapan segmentasi citra dikonversi ke dalam citra
grayscale melalui peritah cvtColor(foreground,src_gray,COLOR_BGR2GRAY);.
Kemudian, dilakukan threshold binary pada citra dengan perintah threshold
(src_gray,thresh_dst,0,255,THRESH_BINARY), Penjelasan sebagai berikut:
thresh_dst(x,y) = { 255 0 jika src_gray( lainnyax,y) > 0
src_gray adalah masukan citra dari proses segmentasi citra, thresh_dst adalah
keluaran array dari threshold binary, 0 adalah threshold value jika tidak memenuhi syarat threshold, 255 adalah threshold value jika pixel src_gray (x,y) lebih besar dari 0. Hasil dari proses threshold binary ditampilkan pada Gambar 10 (a).
(a) (b)
Setelah mendapatkan citra binary, dilakukan operasi morfologi. Operasi morfologi yang dilakukan adalah dilasi. Dilasi dilakukan untuk menebal boundary pada pada foreground atau objek. Hal ini dilakukan karena bagian kulit pada batang
#fungsi threshold
Mat threshold(Mat &foreground){
#masukan keluaran array citra
Mat src_gray; Mat thresh_dst;
#grayscale citra
cvtColor( foreground, src_gray, COLOR_BGR2GRAY );
#threshold binary
threshold(src_gray,thresh_dst,0,255,THRESH_BINARY); return thresh_dst; }
15
sebagian ada yang terkikis akibat tidak berhasil diseleksi menjadi foreground. Implementasi kode operasi morfologi pada OpenCV sebagai berikut:
Perintah getStructuringElement()adalah perintah untuk membuat kernel dengan kriteria yang diinginkan, kernel adalah ukuran matriks elemen. Tipe morfologi yang digunakan adalah bentuk rectangle dengan Size(5,5) dan Point(2,2). Size adalah ukuran struktur elemen dan Point adalah lokasi titik operasi dilasi dalam sumbu kartesius (x,y). Nilai dilation_size telah ditentukan sebesar 2. Contoh keluaran yang dihasilkan dalam proses morfologi ditampilkan pada Gambar 10 (b). Tahapan ini menghasilkan citra gambar binary dengan single channel 8 bit.
Batas Wilayah Objek
Dalam mencari sebuah kontur pada objek, sebuah citra harus dalam keadaan binary. Citra binary dari hasil tahapan sebelumnya merupakan citra gambar yang bersih dari noise. Citra tersebut akan dicari kontur pada boundary atau batas tepi objek, kontur akan mendeteksi pixel putih sebagai objek dan pixel hitam sebagai backgroud. Dalam hal ini setiap blob atau gumpalan putih akan dideteksi sebagai objek. Untuk menandakan bahwa blob yang terdeteksi kontur merupakan sebuah objek maka digunakan drawing pada kontur tersebut. Dalam OpenCV mencari kontur diimplementasikan ke dalam potongan kode berikut:
#fungsi dilasi
Mat dilateElement = getStructuringElement(morphology_type, Size(2*dilation_size+1,2*dilation_size+1), Point(dilation _size,dilation_size));
#operasi dilasi
dilate(thresh_dst,dilate_dst,dilateElement);
return dilate_dst; }
#fungsi find kontur
Mat findingContours(Mat &morph_dst, Mat &src){ Mat src3;
16
Setiap kontur memiliki size yang dapat dihitung melalui area pada kontur. Dalam mencari area kontur dilakukan iterasi pada size kontur. Dalam kasus ini kriteria kontur yang dicari adalah kontur yang mempunyai area yang terbesar. Karena kontur terbesar merupakan objek yang dideteksi sebagai pohon Pinus merkusii dalam citra. Pada potongan kode di atas, mencari area kontur terdapat pada fungsi contourArea(). Setelah mendapatkan kontur terbesar, dilakukan drawing rectangle pada boundary luar kontur. Drawing dilakukan untuk melabeli objek dari hasil pencarian kontur. Drawing juga memudahkan dalam proses perhitungan DBH pada tahapan selanjutnya. Drawing object diimplementasikan ke dalam kode berikut:
Sebelum melakukan proses drawing dilakukan terlebih dahulu proses scaling. Karena tinggi objek nyata tidak akan sama dengan tinggi pada citra gambar, maka perlu dilakukan scaling pada tinggi rectangle. Dalam kasus ini tinggi yang akan diukur ditentukan yaitu 1.30 m dan akan di scaling pada frame sebesar 400×720 pixel. Proses perhitungan scaling sebagai berikut:
h = 1300 × c a (6)
h = 1300 × 3.7795275598 = 614.17 pixel
a adalah nilai konversi milimeter (mm) ke pixel yaitu 3.779527559 , c adalah nilai konstanta , h adalah tinggi pada citra gambar dalam pixel. Hasil yang didapatkan yaitu rectangle pada citra akan didrawing pada ketinggian 614.17 pixel, sedangkan #operasi kontur
largest_area = contourArea(Mat(contours[i]),false); if(largest_area > large_area){
Mat drawing = Mat::zeros (morph_dst.size(), CV_8UC3);
for( size_t largest_area = 0; largest_area < contours.size(); largest_area++){
Scalar color = Scalar(0,0,255); Scalar color1 = Scalar(255,255,255);
17
lebarnya mengikuti boundary kontur citra pohon Pinus merkusii. Hasil dari tahapan ini terlihat pada Gambar 11 (a).
(a) (b)
Perhitungan Biomassa
Pengukuran DBH dilakukan dalam dua tahap yaitu secara digital melalui dan secara konvensional. Secara digital melalui pemrosesan citra dari citra gambar sedangkan secara konvensional melalui perhitungan diameter dari keliling pohon Pinus merkusii yang telah didapatkan pada akuisisi citra. Setelah mendapatkan DBH dilakukan perhitungan biomassa dengan menggunakan persamaan allotmerik (4) pada sebelas pohon Pinus merkusii.
Gambar 11 (b) menjelaskan perhitungan DBH secara digital pada ketinggian kurang lebih 1.30 m atau 614 pixel. Saat tinggi berada pada 614 pixel, dilakukan iterasi dari titik rectangle awal sampai titik akhir lebar rectangle. Hasil dari iterasi tersebut akan dikonversi ke dalam DBH nyata. Pertama hasil pengukuran DBH dikalikan dengan 0.026458333, nilai konversi pixel ke cm. Kemudian, dikalikan dengan nilai konstanta 8. Hasil DBH nyata dalam satuan cm.
Pada perhitungan DBH secara konvensional memakai rumus keliling lingkaran k = πd , dimana π = 3.142857 dan d adalah DBH, sehingga nilai d akan didapatkan. Dari hasil DBH kedua metode tersebut, kemudian dihitung biomassa tiap pohon menggunakan persamaan allometrik B=0.206D2.26, dimana B adalah biomassa dan D adalah DBH dalam cm. Sehingga nilai total biomassa pada plot area dengan luas 0.02 ha akan didapatkan. Hasil pengukuran DBH dan perhitungan biomassa terlampir pada Tabel 2. Hasil perbandingan untuk perhitungan DBH dan biomassa secara konvensional dan digital ditunjukkan pada Gambar 12 dan 13. Contoh perhitungan biomassa pada pohon ke-1 dengan DBH digital sebagai berikut:
B = 0.206 × �2.26
B = 0.206 × 34.292.26 = 607.21 kg
18
19
Gambar 13 Hasil biomassa
Selisih DBH pada Gambar 12 juga mempengaruhi hasil biomassa yang terlampir pada Gambar 13, terlihat adanya juga perbedaan pada tiap biomassa pohon. Dari hasil biomassa tersebut didapatkan total biomassa DBH konvensional sebesar 6809.35 kg/ha dan DBH digital sebesar 5239.19 kg/ha. Selisih dari total biomassa tersebut adalah 1570.16 kg/ha.
SIMPULAN DAN SARAN
Simpulan
Hasil dari penelitian ini adalah perhitungan biomassa secara digital dan konvensional dengan total biomassa sebesar 5239.19 kg/ha dan 6809.35 kg/ha. Perhitungan dilakukan pada sebelas pohon Pinus merkusii pada plot contoh 0.02 ha, sehingga hasil ini mampu menduga biomassa pada plot contoh tegakan Pinus merkusii. Hal ini ditunjang dengan korelasi yang positif yang didapat dari perhitungan DBH sebesar 0.944809.
Saran
20
DAFTAR PUSTAKA
Boykov YY, Jolly MP. 2001. Interactive graph cuts for optimal boundary & region segmentation of objects in N-D images. Di dalam: Proceedings Eighth IEEE International Conference on Computer Vision. ICCV 2001; 2001 Jul 7-14 ; Vancouver, British Columbia, Canada. Los Alamitos California (CA): IEEE Computer Society. hlm 105-112.
Brown BS. 1997. Estimating Biomass and Biomass Change of Tropical Forests: A Primer. Rome (IT): Food and Agriculture Organization of the United Nations. Bradski G, Kaehler A. 2008. Learning OpenCV. Ed ke-1. Loukides M, editor.
Sebastopol (US): O’Reilly.
Handayani R. 2003. Prospek Pengelolaan Hutan Tanaman Pinus merkusii untuk Tujuan Perdagangan Karbon di KPH Bogor Perum Perhutani Unit III Jawa Barat [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Hardjana AK. 2014. Panduan Pengukuran Karbon Tegakan Tanaman Meranti: Implementasi Dalam Gambar. Pambudhi F, editor. Samarinda (ID): Balai Besar Penelitian Dipterokarpa.
Hendra R. 2002. Model Pendugaan Biomassa Pohon Pinus merkusii di KPH Cianjur PT. PERHUTANI Unit III Jawa Barat [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Hernández-Vela A, Reyes M, Ponce V, Escalera S. 2012. Grabcut-based human segmentation in video sequences. Sensors. 12(12):15376-15393. doi:10.3390/s121115376.
[BPPK] Badan Penelitian dan Pengembangan Kehutanan. 2013. Pedoman Penggunaan Model Alometrik Untuk Pendugaan Biomassa dan Stok Karbon Hutan di Indonesia. Bogor (ID): Pusat Penelitian dan Pengembangan Konservasi dan Rehabilitasi.
Ketterings QM, Coe R, van Noordwijk M, Ambagau’ Y, Palm CA. 2001. Reducing uncertainty in the use of allometric biomass equations for predicting above-ground tree biomass in mixed secondary forests. Forest Ecology and Management. 146(1-3):199-209. doi:10.1016/s0378-1127(00)00460-6. Orchard MT, Bouman CA. 2006. Color quantization of images. IEEE Transactions
on Signal Processing. 39(12):2677-2690.
Rother C, Kolmogorov V, Blake A. 2004. "Grabcut" : Interactive Foreground Extraction Using Iterated Graph. ACM Transactions on Graphics. 23(3): 309-314. doi:10.1145/1015706. 1015720.
Siahaan H. 2003. Pendugaan Kandungan Biomassa dan Karbon Pada Tanaman Pinus merkusii di RPH Cianten, BKPH Leuwiliang, Jawa Barat [skripsi]. Bogor (ID): Institut Pertanian Bogor
Saxena RC, Adhikari DK, Goyal HB. 2009. Biomass-based energy fuel through biochemical routes: A review. Renewable and Sustainable Energy Reviews. 13(1):167-178. doi:10.1016/j.rser.2007.07.011.
Siregar EBM. 2005. Pemuliaan Pinus Merkusii. LP-Foresty [Internet]. [di unduh 2015 Maret 12]. Tersedia pada: http://repository.usu.ac.id/handle/12345678 9/1042
21
Wibirama S. 2011. Fundamental Techniques for 3D Computer Vision: A Tutorial for Entry Level Researcher. Yogyakarta (ID): Universitas Gadjah Mada. Sutaryo D. 2009. Penghitungan Biomassa: Sebuah Pengantar Untuk Studi Karbon
22
Tripod Veterban
Kamera Canon EOS 60D Measurement tape
23
Lampiran 2 Hasil tahapan penelitian
Pohon
ke- Citra gambar asli Citra segmentasi
Citra threshold
dan morfologi Citra hasil 1
2
3
24
Lampiran 2 Lanjutan
Citra gambar asli Citra segmentasi Citra threshold
dan morfologi Citra hasil 5
6
7
25
Lampiran 2 Lanjutan Pohon
ke- Citra gambar asli Citra segmentasi
Citra threshold
dan morfologi Citra hasil 9
10
26
RIWAYAT HIDUP
Penulis dilahirkan di Kota Toli-Toli Provinsi Sulawesi Tengah pada tanggal 15 Maret 1994. Penulis adalah anak terakhir dari lima bersaudara, anak dari pasangan Uce Supriadi dan Jamilah
