Bab III Pelaksanaan Penelitian
III.1 Bahan dan Alat Penelitian
Bahan dan alat yang digunakan dalam penelitian ini adalah ;
III.1.1 Bahan penelitian
1. Citra Ikonos tipe Geo pansharpened wilayah perkebunan kelapa sawit PT. Hindoli (A Cargill Company) yang terletak di Kecamatan Sungai Lilin, Kabupaten Musi Banyuasin, Propinsi Sumatera Selatan.
Gambar III.1. Lokasi penelitian Gambar III.2 Citra Ikonos awal
2. Peta dalam bentuk hard copy perkebunan kelapa sawit PT. Hindoli (A Cargill Company) dengan skala 1 : 60.000 beserta data atributiknya seperti yang terdapat pada rangkuman areal kebun perusahaan (Summary Area Statement per 31 Desember 2002).
Gambar III.3. Peta kebun Wajib Pajak
3. Softcopy hasil penelitian atas objek yang sama dengan judul tesis “Analisis Keakuratan Peta Hasil Interpretasi Citra Ikonos Dalam Mengidentifikasi Objek PBB Sektor Perkebunan Kelapa Sawit” oleh Isman Hariyanto, Program Studi Magister Teknik Geodesi dan Geomatika, Bidang Pengutamaan Administrasi Pertanahan, ITB, 2006 yang terdiri atas :
- Hasil digitasi on screen peta kebun PT. Hindoli (A Cargill Company). - Hasil digitasi on screen Citra Ikonos berdasarkan interpretasi visual. - Hasil digitasi on screen peta BPN dan data atributiknya
III.1.2 Peralatan Penelitian
Alat yang digunakan dalam penelitian ini :
Note Book Compaq seri V3430 TU dengan spesifikasi teknis : Processor Intel Core 2 Duo Speed clock 1,73 GHz, RAM type DDR2 1GB, Harddisk kapasitas 80 GB, Memori Video Graphics Array (VGA) kapasitas 128 MB.
Printer inkjet warna merek Canon Pixma ip 1600.
Sistem operasi komputer Microsoft Windows XP Sp2 digunakan untuk menjalankan program sistem dan aplikasi yang terpasang.
Microsoft Office 2007 dengan komponennya Ms. Word, Ms. Excel, dan Ms. Powerpoint, digunakan untuk penulisan laporan penelitian, proses pengolahan statistik data dan pembuatan presentasi.
Er Mapper versi 7.0 dan ENVI 4.2 digunakan untuk proses pengolahan citra MapInfo Professional release 8.5
III.2 Pelaksanaan Penelitian
Tahap ini merupakan bagian utama dalam penelitian yang mempunyai pengaruh sangat besar terhadap hasil analisis secara keseluruhan dan kesimpulan yang diperoleh. Kegiatan yang dilakukan adalah :
III.2.1 Pra Pengolahan Citra Ikonos
Pra pengolahan citra yang dilakukan adalah pengecekan radiometrik, pemotongan citra dan penajaman citra.
III.2.1.1 Pengecekan Koreksi Radiometrik
Citra Ikonos PT. Hindoli (A Cargill Company) yang digunakan dalam penelitian telah dilakukan pengolahan pada tanggal 12 September 2003 dengan tipe dataset ERStorage. Dengan demikian diasumsikan telah dilakukan koreksi-koreksi radiometrik, astronomik, dan geometrik oleh Departemen Kehutanan maupun oleh Space Imaging sesuai dengan standar dan spesifikasi pemesanan citra. Proses pengecekan radiometrik disajikan pada lampiran A.
III.2.1.2 Pemotongan Citra (Cropping)
Pemotongan citra dilakukan untuk memperoleh citra areal kebun yang menjadi wilayah penelitian yaitu Kebun Sungai Tungkal dan Kebun Sungai Pelepah sehingga proses pengolahan citra menjadi lebih cepat. Pemotongan citra menggunakan ER Mapper 7.0 secara lengkap pada lampiran B.
III.2.1.3 Penajaman Citra
Penajaman citra diperlukan untuk memudahkan interpretasi digital dalam pembentukan training area maupun interpretasi visual dalam hal penghitungan pohon sawit. Penajaman yang dilakukan menggunakan filter spasial misalnya dengan high pass filter Sharpen 11 x 11 kernel. Proses penajaman disajikan pada lampiran C.
III.2.2 Pengolahan Citra Interpretasi Digital III.2.2.1 Training Area
Rujukan yang digunakan untuk pembentukan training area adalah :
Peta perkebunan kelapa sawit PT. Hindoli (A Cargill Company) Interpretasi visual yang dilakukan oleh Isman Hariyanto, 2006
terhadap kelas-kelas areal perkebunan kelapa sawit sebagaimana disajikan pada lampiran D.
Pembentukan kelas-kelas areal perkebunan kelapa sawit berdasarkan pada Keputusan Dirjen Pajak Nomor KEP-16/PJ.6/1998.
III.2.2.2 Skema Klasifikasi
Skema klasifikasi yang terbentuk seperti pada Tabel III.1 berikut :
Tabel III.1 Skema klasifikasi penelitian
Nomor
Kelas Label Kelas Definisi
1 Sawit_kelas_a Pohon sawit umur 1 tahun Subkelas 1 Lahan_klas_a Lahan disekeliling sawit_ kelas_a
2 Sawit_kelas_b Pohon sawit umur 2 tahun Subkelas 2 Lahan_klas_b Lahan disekeliling sawit_ kelas_b
3 Sawit_kelas_c Pohon sawit umur 3 tahun Subkelas 3 Lahan_kelas_c Lahan disekeliling sawit_ kelas_c
4 Sawit_kelas_d Pohon sawit umur 4 tahun Subkelas 4 Lahan_kelas_d Lahan disekeliling sawit_ kelas_d
5 Kelas_e Areal emplasemen
6 Kelas_f Areal sudah diolah belum ditanami
Subkelas 6 Kelas_f_lahan Lahan tanah disekitar kelas_f
7 Kelas_g Areal belum diolah
8 Bangunan Atap bangunan
9 Batas_blok Batas blok/jalan raya
Kelas Awan merupakan penambahan kelas hasil pengamatan terhadap citra yang menunjukkan penampakan awan yang cukup besar, sehingga dipandang perlu dibuat kelas tersendiri namun akan dibuatkan sampel seperlunya.
Dengan demikian skema klasfikasinya adalah : Jumlah Kelas 9 dengan sub kelas 5
Tingkat kepastian (level of confidence) 95%
Kelas tertentu meliputi 45% (Kelas D) dari area peta (Πi = 45%). Hasil pembentukan training area seperti disajikan pada lampiran E.
III.2.2.3 Desain Sampling
Desain Sampling terdiri dari : unit sampling, jumlah sampel, dan pemilihan skema sampling ;
III.2.2.3.1 Unit Sampling
Unit Sampling yang dilakukan berupa poligon terhadap setiap kelas yang ada pada skema klasifikasi. Poligon dibuat dengan hati-hati disesuaikan dengan batas-batas dari masing-masing objek kelas.
III.2.2.3.2 Jumlah Sampel
Penentuan jumlah sampel yang diambil ditentukan menggunakan pendekatan statistik dengan Ditribusi Multinomial, sesuai dengan rumus II.3 maka jumlah sampel yang diperoleh adalah : 761 sampel atau 84 sampel perkelas.
III.2.2.3.3 Pemilihan Skema Sampling
Sesuai dengan apa yang disimpulkan Congalton (1988) dimana hanya sampling acak sederhana dan acak bertahap menyajikan hasil yang memuaskan, maka pada penelitian ini dipilih skema sampling acak sederhana. Pemilihan skema sampling tersebut karena bersifat sederhana dan tidak memerlukan pengetahuan yang mendalam terhadap area penelitian.
III.2.2.4 Klasifikasi Multispektral
Klasifikasi multispektral berdasarkan kemiripan maksimum (máximum likelihood) dilakukan menggunakan software ER Mapper. Setelah hasil klasifikasi diperoleh maka perlu dilakukan penggabungan subkelas dengan kelasnya kembali agar lebih memudahkan penghitungan luas piksel-piksel dalam kelas yang sama. Proses penggabungan subkelas tersebut sebagaimana terdapat pada lampiran F.
III.2.2.5 Uji Ketelitian Klasifikasi
Tahap uji klasifikasi dilakukan dengan melakukan uji ketelitian dari hasil klasifikasi dengan rumus II.1 dan II.2. Uji klasifikasi memberikan gambaran akurasi dari klasifikasi citra yang telah dilakukan. Selanjutnya dilakukan analisa atas hasil uji klasifikasi tersebut.
III.2.3 Interpretasi Visual Citra Ikonos
Interpretasi visual citra Ikonos yang dilakukan adalah penghitungan pohon kelapa sawit. Penghitungan dilakukan dengan menggunakan software ER Mapper ditujukan untuk mencari rata-rata hitung dari luas yang dibutuhkan untuk satu pohon kelapa sawit. Dengan rata-rata hitung tersebut maka diharapkan dapat dicari luasan suatu región/blok kelas tanaman kelapa sawit dengan mengalikan jumlah pohon dengan rata-rata hitungnya (Luas = jumlah pohon dalam satu región/blok X rata-rata hitung luas/pohon).
Penghitungan dilakukan secara semi otomatis menggunakan software ER Mapper, dengan cara merubah pohon sawit menjadi titik (point), seperti pada gambar III.4. Proses penghitungan pohon disajikan pada lampiran G .
Gambar III.4 Hasil penghitungan pohon sawit berupa titik (point)
Prestasi yang dicapai dalam penghitungan pohon secara semi otomatis adalah 150 -180 hektar per HK (Hari Kerja = 8 jam kerja sehari). Bandingkan apabila aktiva tetap kelapa sawit dilakukan verifikasi penghitungan langsung di lapangan maka akan memakan banyak tenaga dan relatif amat lambat yaitu ± 15 hektar/HK dengan biaya sekitar Rp. 2.600/ha dengan hasil yang tidak bisa diverifikasi (Thiagarajan,S, 2003). Semua hasil perhitungan ini dapat diverifikasi apabila terjadi perselisihan dengan Wajib Pajak dan menjadi bukti dalam penelitian sehingga kepastian hukum dapat terjamin.
III.3 Proses Analisis Data
Proses analisis data terbagi menjadi tiga yaitu analisis data hasil klasifikasi multispektral, analisis uji statistik data hasil penghitungan pohon kelapa sawit, dan deskriptif analisis terhadap fakta yang ada menyangkut nilai pasar atau nilai wajar aktiva tetap.
III.3.1 Analisis Data Hasil Klasifikasi Multispektral
Data hasil klasifikasi multispektral dilakukan analisis luas berdasarkan pembagian areal perkebunan kelapa sawit sesuai KEP-16/PJ.6/1998. Selain itu analisis juga didasarkan pada kriteria tutupan lahan (land cover) dan penggunaan lahan (land use) dalam penentuan luas yang dibandingkan dengan hasil interpretasi visual dan peta WP.
III.3.1.1 Analisis Beda Luas Berdasarkan Tutupan Lahan (Land Cover)
Luas masing-masing kelas hasil klasifikasi dibandingkan dengan luas menurut peta WP per-regionnya, sehingga diketahui selisih luas diantara keduanya. Batas toleransi selisih luas digunakan standar sesuai KEP-533/PJ/2000 yaitu 10%.
Pembandingan luas hasil klasifikasi dengan luas menurut peta WP dilakukan dengan overlay hasil klasifikasi citra dengan hasil digitasi peta WP menggunakan software ENVI 4.2. Proses overlay tersebut dilakukan di ENVI 4.2 yang menyediakan fasilitas ROI (Region Of Interest) dimana dengan ROI tersebut langsung dapat diketahui jumlah piksel yang terdapat pada suatu poligon (proses selengkapnya disajikan pada lampiran H). Contoh data statistik dari suatu blok hasil overlay adalah seperti pada gambar dibawah ini :
Dimana DN merupakan nomor kelas klasifikasi, dan Npts adalah jumlah piksel dari kelas. Untuk lebih jelas diuraikan pada Tabel III.3 di bawah ini :
Tabel III.2 Hasil statistik ROI Blok A3 Nomor
Kelas
Nama Kelas Npts/Piksel (m²) Total Persentase 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. Kelas A Kelas B Kelas C Kelas D Awan Bangunan Kelas E Kelas F lahan Kelas F Lahan kelas C Lahan kelas B Batas blok Kelas G 2.742 2.464 2.290 161.419 1.303 0 0 0 0 0 0 62 2.305 2.742 5.206 7.496 168.915 170.218 170.218 170.218 170.218 170.218 170.218 170.218 170.280 172.585 1,5888 1,4277 1,3269 93,5301 0,7550 0 0 0 0 0 0 0,0359 1,3356
III.3.1.2Analisis Beda Luas Berdasarkan Penggunaan Lahan (Land Use)
Klasifikasi citra memberikan hasil secara detail tutupan lahan (land cover) dari areal kebun. Sementara peta WP maupun interpretasi visual lebih menggunakan prinsip penggunaan lahan (land use) dalam pelaksanaannya. Untuk itu hasil klasifikasi perlu diperlakukan sesuai dengan prinsip penggunaan lahannya.
Cara yang digunakan adalah dari setiap blok hasil klasifikasi ditentukan kelas mayoritas dari blok tersebut sesuai dengan skema sampling. Kelas mayoritas akan mewakili blok dan total luasan blok menjadi total luasan kelas mayoritas. Seperti contoh berikut ini.
Hasil statistik blok tersebut sesuai dengan Tabel III.3 dibawah ini :
Tabel III.3 Hasil statistik Blok A1
Blok Kelas Jumlah Piksel (m²) %
A1 A B C D Awan G 2.987 2.188 1.022 244.683 6.968 2.438 1,15 0.84 0,39 94,01 2,67 0,94 Jumlah 260.286 100
Menurut penggunaan lahannya (land use) maka blok A1 merupakan blok kelas D dengan luas 260.286 m².
Apabila dalam satu blok terdapat satu atau lebih kelas (menurut peta WP/interpretasi visual) maka kelas mayoritas ditentukan atas masing-masing region kelas tersebut seperti contoh dibawah ini :
Gambar III.7 Hasil klasifikasi Blok C14
Sementara hasil digitasi peta WP/interpretasi visual Blok C14 terbagi menjadi beberapa region kelas seperti tampak pada gambar berikut :
Setalah dilakukan overlay maka hasil statistik masing-masing region kelas seperti tabel dibawah ini ;
Tabel III.4 Hasil statistik Blok C14 dan pengkelasan menurut peta WP
Blok Menurut
Hasil Klasifikasi Peta WP
Region Kelas Jumlah Piksel (m²) Region Luas (m²)
C14 Kelas A Kelas B Kelas C Kelas D Bangunan Kelas E Kelas F Batas blok Kelas G 1.625 29.166 9.688 3.838 1 744 5 225 114 Kelas B 45.474 Jumlah 45.406 C14 Kelas A Kelas B Kelas C Kelas D Awan Kelas F Batas blok Kelas G 1.580 1.122 6.058 935 1 1.656 13 2.930 Kelas B 14.270 Jumlah 14.295 C14 Kelas A Kelas B Kelas C Kelas D Awan Kelas E Kelas F Batas blok Kelas G 5.649 58.808 42.531 30.560 11 843 214 1.912 2.044 Kelas C 142.617 Jumlah 142.572 C14 Kelas A Kelas B Kelas C Kelas D Awan Bangunan Kelas E Kelas F Batas blok Kelas G 990 3.192 6.398 26.179 3 8 92 45 1.023 2.531 Kelas D 40.437 Jumlah 40.461
Apabila telah diperoleh kelas mayoritas dari setiap region sampel, selanjutnya kelas mayoritas tersebut dibandingkan dengan pengkelasan menurut peta WP. Apabila sesuai/sama antara kelas mayoritas dengan menurut peta WP diberikan notasi 1, sedangkan apabila tidak sesuai/sama diberikan notasi 0, seperti contoh tabel III.5 dibawah ini.
Tabel III.5 Contoh pemberian notasi sama/tidak sama antar kelas menurut peta WP dan hasil klasifikasi
BLOK
Region kelas menurut
Notasi Peta WP Hasil Klasifikasi
A1 C14 C14 C14 C14 D B B C D D B C B D 1 1 0 0 1
Dengan cara yang sama proses tersebut dilakukan juga antara hasil klasifikasi dengan hasil interpretasi visual.
III.3.2 Uji Statistik Rata-rata Hitung Luas/Pohon
Proses uji statistik rata-rata hitung luas/pohon dimulai dengan menetapkan sampel penghitungan pohon perkelasnya. Lokasi sampel dipilih secara acak sederhana (simple random sampling). Peta lokasi sampel sebagaimana terdapat pada lampiran I. Hasil penghitungan rata-rata hitung luas/pohon perkelas tanaman menurut data sampel seperti pada tabel berikut :
Tabel III.6 Rata-rata hitung luas/pohon perkelas tanaman sawit
KELAS Region Jumlah Pohon Luas Region Rata - rata
No. Sawit Peta WP hitung ( x̄ ) Standar deviasi (Pohon) (m²) (m²/pohon) (m²) 1 2 3 4 5 6 7 1 A G14 404 49,006 82.50 26.95 2 A J2a 500 41,462 3 A K10 233 16,819 4 A M13a 906 44,903 5 A P2 + P2b 535 60,484 Jumlah 2,578 212,674 82.50 ---1 B B9 525 46,942 77.56 5.29 2 B B12b 230 19,628 3 B C16 1,557 129,082 4 B C22 617 45,597 5 B D7 185 15,354 6 B D14 476 35,098 7 B E11 479 34,864 8 B E23 53 4,198 9 B F1a 148 10,948 10 B G7 1,078 76,221 11 B J3A 667 50,384 12 B J24 716 53,875 13 B K1 927 74,027 14 B M7a 1,103 80,173 15 B O1 1,057 85,068 9,818 761,459 77.56 ---1 C B4 94 7,288 75.42 3.39 2 C C20 246 18,543 3 C D21 422 34,746 4 C E6 916 71,913 5 C E18 316 22,239 6 C F18B 188 13,809 7 C G10 399 28,562 8 C I4 562 40,121 9 C J27 458 35,138 10 C K13 832 59,994 11 C L6 389 31,434 12 C M13 1,108 84,519 13 C O3 98 7,266 14 C P4 568 41,769 15 C P13 106 8,155 Jumlah 6,702 505,496 75.42 ---1 D A1 3,462 263,647 74.45 2.66 2 D B2 546 42,710 3 D C13 1,559 118,423 4 D C9 2,965 226,512 5 D D20 557 43,525 6 D D3 1,798 136,130 7 D D5 3,216 243,217 8 D E26 607 45,876 9 D F11a 1,821 137,307 10 D F15 1,910 143,462 11 D F18 2,120 161,040 12 D G2 2,793 202,101 13 D G4a 75 5,989 14 D H2 1,442 101,875 15 D I6 926 65,885 16 D J5 716 55,044 17 D J21 3,401 243,169 18 D N7 1,750 123,972 19 D O9 508 36,204 20 D P4 1,318 97,128 Jumlah 33,490 2,493,216 74.45
---Setelah diperoleh rata-rata hitung luas/pohon maka dilakukan penghitungan pohon dilokasi lain sebagai data uji. Selanjutnya dilakukan penghitungan luas region dengan mengalikan jumlah pohon hasil penghitungan dengan rata-rata hitung luas/pohon (Luas region = jumlah pohon X rata-rata hitung luas/pohon). Luas yang diperoleh kemudian dibandingkan dengan luas region menurut peta WP dan dilakukan uji statistik.
Analisis uji statistik untuk mengukur signifikansi perbedaan luas menurut peta WP dengan luas hasil perkalian jumlah pohon per-region dengan rata-rata hitung luas/pohon menggunakan uji t dua pihak ( two tail test) dengan taraf signifikansi 5%, dan tingkat kepercayaan 95%. Hasil uji t-test akan membuktikan beda luas bisa diterima atau tidak.
Hipotesis yang diajukan adalah :
H₀ = Luas menurut peta WP tidak berbeda signifikan dengan luas hasil perkalian jumlah pohon dengan rata-rata hitung luas/pohon.
Ha = Luas menurut peta WP berbeda signifikan dengan luas hasil perkalian jumlah pohon dengan rata-rata hitung luas/pohon.
III.4 Proses Kajian Teknis Pemanfaatan NJOP Sebagai Nilai Pasar atau Nilai Wajar Aktiva Tetap
Penelitian terhadap penerapan NJOP sebagai nilai pasar atau nilai wajar aktiva tetap dalam proses penilaian kembali aktiva tetap berbentuk deskriptif analitis yaitu dengan menyajikan berbagai fakta, ketentuan dan, peraturan yang ada lalu melakukan kajian atas masalah. Metode yang digunakan adalah studi literatur atas ketentuan dan peraturan perundang-undangan serta fakta yang ada. Proses penarikan kesimpulan secara sederhana tergambar pada gambar III.9 berikut ;
Bab IV Analisis dan Pembahasan KETENTUAN / TEORI FAKTA / OBSERVASI INTRODUKSI MASALAH KESIMPULAN
