PERHITUNGAN
POHON
KELAPA
SAWIT
PADA
CITRA
FOTO
UDARA
YANG
BERBASIS BENTUK MAHKOTA POHON
BERBASIS
BENTUK
MAHKOTA
POHON
Nama
Mahasiswa
:
Soffiana Agustin
NRP
5105 201 015
NRP :
5105
201
015
Pembimbing:
Prof
.
Ir.
Handayani
Tjandrasa, M.Sc,
Ph.D
1
Latar
Belakang
• Indonesia adalah salah satu penghasil minyak sawit terbesar di Dunia.
• 2009, produksi minyak kelapa sawit Indonesia diperkirakan mencapai 20 juta ton dan ekspornya akan mencapai 15,5
juta hingga 16,5 juta ton termasuk biodiesel. Pada 2008,
ekspor minyak sawit Indonesia mencapai 14,29 juta ton
[http://www.tempointeraktif.com/hg/bisnis/2009/06/04/br k,20090604‐180125,id.html]
• Pohon Kelapa sawit menjadi primadona di Indonesia
hi l dil k k h l h l li i li i sehingga perlu dilakukan hal‐hal atau penelitian‐penelitian untuk menunjang program pemerintah yaitu menjadikan Indonesia sebagai penghasil terbesar nomor satu di dunia.
Perumusan
Masalah
1. Pengurangan gangguan pada
citra sehingga citra
sedapat mungkin menjadi ideal.
sedapat mungkin menjadi ideal.
2. Pembedaaan antara
obyek dan
latar yang
tampak
pada
citra foto
udara.
3. Pembedaaan antara pohon kelapa sawit dan non
kelapa sawit secara otomatis.
4. Ekstraksi informasi mahkota pohon kelapa sawit.
5. Pendeteksian mahkota pohon pada citra foto udara.
6. Menghitung jumlah pohon yang
ada pada citra
tersebut secara otomatis.
3
Batasan
Masalah
1. Pohon
kelapa
sawit
yang
diteliti
adalah
pohon kelapa sawit dengan usia 3
‐
5
pohon
kelapa
sawit
dengan
usia
3
‐
5
tahun
pada
citra
foto
udara
perkebunan
Kelapa
Sawit
yang
diliput
pada
ketinggian
800
– 1000
meter
pada
waktu pagi hingga siang hari dalam
waktu
pagi
hingga
siang
hari
dalam
Tujuan
Penelitian
1. Merancang dan mengimplementasikan metode
pengolahan citra untuk menghitung jumlah
pengolahan citra untuk menghitung jumlah
pohon kelapa sawit .
2. Metode yang
disusun didasarkan pada
pendeteksian bentuk mahkota pohon dipadukan
dengan metode Intensity
‐
Weighted
Centroid.
3. Bentuk mahkota pohon kelapa sawit didapat
dengan memadukan operasi morfologi dan nilai
kebulatan.
5
Kontribusi
1. Melakukan
operasi
normalisasi
intensitas
it
d
b ik
it
citra
pada
proses
perbaikan
citra.
2. Penggabungan
operasi
morfologi
dengan
nilai
kebulatan
dalam
mengekstraksi
informasi
objek.
3 Menghitung jumlah pohon kelapa sawit
3. Menghitung
jumlah
pohon
kelapa
sawit
KAJIAN
PUSTAKA
1. Culvenor 1998,
– Melakukan penelitian untuk pemetaan dan
monitoring struktur atribut hutan dari waktu ke waktu menggunakan penggambaran kanopi secara otomatis
pada citra resolusi spasial yang tinggi.
2. Höyhtä dan Holm
2000
M l k k li i i k ki
– Melakukan penelitian mengenai kemungkinan penggunaan Citra Foto Udara Digital untuk monitoring hutan dengan biaya rendah dengan melakukan mosaik
7
3. Batishko
2003
– Melakukan penelitian klasifikasi obyek secara cepat berdasarkan bentuk menggunakan metode analisa Fourier dan Fast Fourier.
4. Wanasuria,
2003
– Melakukan penelitian tentang penghitungan jumlah
k i dil k k d l i
tegakan sawit dilakukan dengan cara manual, yaitu
dengan menghitung satu per satu tegakan melalui
citra pada layar monitor komputer
– Citra satelit Ikonos untuk mendukung pengelolaan
5. Le
Wang,
Peng
Gong
dan
Gregory
S.
Biging,2004
M d k i i di id l b d k
– Mendeteksi individual tree crownberdasarkan
bentuknya dengan metode edge detectionyang diikuti
dengan transformasi watershed.
6. Anjin
Chang,
Jung
Ok
Kim,
Kiyun
Ryu
dan
Yong
Il
Kim,
2008
M hi j l h h i di k d
– Menghitung jumlah pohon pinus di korea dengan
menggunakan data citra foto udara dan LiDAR
menggunakan metode watershed, region growing dan
morfologi.
9
7. Min
‐
Hsin Chen,
Chi
‐
Farn Chen,
Shu
‐
Min
Ma,
2006
2006
–
Melakukan
survey
untuk
mengidentifikasi
potensi
alami
hutan
dengan
jalan
mendeteksi
tree
crown
berdasarkan
bentuk.
–
Konsep
yang
digunakan
adalah
morphology
yang
diterapkan
pada
citra
foto
udara
beresolusi
tinggi
Landasan
Teori
•
Operasi
Pengurangan
(
Píxel
Substraction
)
•
Ekualisasi
histogram
(
Histogram
Equalization
)
•
Penentuan
Nilai
Ambang
(
Thresholding
)
•
Operasi
Morfologi
(
Morphology
)
•
Regional
descriptor
•
Intensity
– Weighted
Centroid
11
PROSES
YANG
DILAKUKAN
1. Pengubahan
citra
RGB
ke
bentuk
abu
‐
abu
(
l )
(grayscale)
2. Pemrosesan
data
awal
(pre
‐
processing)
3. Segmentasi
4. Pendeteksian
mahkota
pohon
(tree
crown)
2.
Pengolahan
Data
Awal
(
Pre
‐
Processing
)
13
Normalisasi
Intensitas
Citra abu‐abu dengan
efek iluminasi
Operasi Morfologi yang diterapkan
Citra baru dengan objek yang dapat dikenali yang tidak merata
y g p
pada citra abu‐abu dengan lebih baik
3.
Segmentasi
1. Thresholding
2. Operasi
Morfologi
–
Menentukan
Structuring
Element
(bentuk
dan
ukuran)
–
Mengisi
gap
(Image
Filling)
–
Mengoperasikan jenis morfologi yang dipilih
Mengoperasikan
jenis
morfologi
yang
dipilih
15
4.
Pendeteksian
Bentuk
mahkota
Pohon
(Tree
Crown)
1. Pemberian
Label
(Labelling)
2. Menghitung
banyaknya
piksel
penyusun
objek
(area)
3. Menghitung
jumlah
piksel
pada
daerah
perbatasan
antara
objek
dengan
latar
(perimeter)
(perimeter)
4. Menghitung
rasio
kebulatan
objek
5. Menapis
objek
pada
citra
berdasarkan
nilai
Pemberian
Label
(
Labelling
)
17
Pemberian
Label
(
Labelling
)
Pemberian
Label
(
Labelling
)
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 19Pemberian
Label
(
Labelling
)
2 2 2 2 2 2 2 2 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
Pemberian
Label
(
Labelling
)
2 2 2 2 2 2 2 2 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 3 3 3 3 3 3 3 3 21Pemberian
Label
(
Labelling
)
2 2 2 2 2 6 6 6 2 2 2 2 2 6 6 6 6 6 2 2 6 6 6 6 1 1 1 4 6 6 1 1 1 1 1 4 4 4 1 1 1 1 1 4 5 1 1 1 1 1 5 5 5 1 1 1 1 5 5 5 5
Menghitung
Luasan
Objek
(
Area
)
2 2 2 2 2 6 6 6 Area = 22 2 2 2 2 2 6 6 6 6 6 2 2 6 6 6 6 1 1 1 4 6 6 1 1 1 1 1 4 4 4 1 1 1 1 1 4 5 1 1 1 1 1 5 5 5 1 1 1 1 5 5 5 5 3 5 5 7 7 3 3 3 7 7 7 3 3 3 3 7 7 23Keliling
(
Perimeter
)
2 2 2 2 2 6 6 6 Perimeter = 13 2 2 2 2 2 6 6 6 6 6 2 2 6 6 6 6 1 1 1 4 6 6 1 1 1 1 1 4 4 4 1 1 1 1 1 4 5 1 1 1 1 1 5 5 5 1 1 1 1 5 5 5 5 3 5 5 7 7 3 3 3 7 7 7 3 3 3 3 7 7Menghitung
Rasio
Kebulatan
•
Rasio
kebulatan
=
4
*
pi
*
luasan
/
keliling
^
2
25
Penapisan
Bentuk
dan
Penghitungan
Pohon
Kelapa
Sawit
• Sawit meragukan adalah objek yang
diperkirakan sebagai pohon kelapa
it t t i i b t k sawit tetapi mempunyai bentuk
mahkota pohon yang lebih besar dari
mahkota pohon sawit sehat atau
objek tersebut mempunyai bentuk
yang agak kurang bulat (bisa karena
berhimpit dengan objek sawit lain) • Sawit sehat adalah objek yang diduga
kuat sebagai pohon kelapa sawit S i k d l h bj k did • Sawit rusak adalah objek yang diduga
sebagai pohon kelapa sawit tetapi
Penandaan
Pohon
Kelapa
Sawit
•
Tiap
objek
yang
dikenali
sebagai
pohon
kelapa
sawit
akan
diberi
tanda
dengan
menggambarkan
tanda
titik
(.)
berwarna
kuning
Æ
sawit
sehat
•
Sawit rusak akan diberi tanda silang (x)
Sawit
rusak
akan
diberi
tanda
silang
(x)
berwarna
merah
•
Sawit
meragukan
akan
diberi
tanda
asterik
(*)
berwarna
biru.
27
Uji
Coba
dan
Analisa
Hasil
•
Data
yang
digunakan:
–
Foto
udara
perkebunan
kelapa
sawit
PT.
KSP
Inti,
Pontianak,
Kalimantan
Barat
–
Berbentuk
citra
digital
True
Color
Small
Format
–
Disimpan
dalam
bentuk
file
bertipe
.jpg
–
ukuran
256x256
piksel
p
–
Citra
diliput
pada
ketinggian
800
– 1000
meter
1.
Uji
Konversi
RGB
ke
Grayscale
29
2.
Uji
Pengolahan
Data
Awal
1. Perbaikan Citra
A. Normalisasi Intensitas
B. Ekualisasi Histogram
2. Inversi Citra
2.
Uji
Pengolahan
Data
Awal
1. Perbaikan Citra
A. Normalisasi Intensitas
31
2.
Uji
Pengolahan
Data
Awal
1. Perbaikan Citra
A. Normalisasi Intensitas
33
2.
Uji
Pengolahan
Data
Awal
1. Perbaikan Citra
2.
Uji
Pengolahan
Data
Awal
1. Perbaikan Citra
B. Ekualisasi Histogram
35
2.
Uji
Pengolahan
Data
Awal
2. Inversi Citra
2.
Uji
Pengolahan
Data
Awal
2. Inversi Citra
3. Median
Filtering
(3
x
3)
373.
Uji
Segmentasi
1. Uji
Thresholding
Citra:
22.jpg
41
•
Opening
tanpa
Filling
•
Opening
dengan Filling
43
Uji
Deteksi
Bentuk
Mahkota
Pohon
Uji
Deteksi
Bentuk
Mahkota
Pohon
(22.jpg)
45
Perhitungan
dan
Penandaan
Objek
Sawit
Kesimpulan
•
Akurasi
hasil
perbandingan
antara
perhitungan
dengan interpretasi manual dengan hasil program
dengan
interpretasi
manual
dengan
hasil
program,
rata
‐
rata
98,1%
.
•
Akurasi
hasil
perhitungan
pada
objek
berupa
sawit
dengan
usia
yang
terlalu
muda
sekitar
82%
terjadi
karena
bentuk
objek
yang
terlalu
kecil.
•
Citra dengan efek iluminasi tidak merata dapat
•
Citra
dengan
efek
iluminasi
tidak
merata
dapat
menimbulkan
kesalahan
hasil
interpretasi,
hal
ini
diatasi
dengan
normalisasi
intensitas
dengan
peningkatan
keakuratan
sekitar
2%
hingga
7%.
47
•
Pemilihan
nilai
threshold
yang
tepat
akan
hi h il
hit
j
l h
mempengaruhi
hasil
perhitungan
jumlah
pohon
kelapa
sawit.
•
Hasil
perhitungan
dari
penelitian
ini
terbukti
dapat
mempersingkat
waktu
dalam
menentukan
jumlah
j
pohon
p
kelapa
p
sawit
pada
p
perkebunan
dan
dapat
digunakan
sebagai
alat
Saran
•
Perhitungan
pohon
kelapa
sawit
pada
citra
f t
d
b b i b
t k
hk t
h
i i
foto
udara
berbasis
bentuk
mahkota
pohon
ini
perlu
ada
pengembangan
metode
yang
mampu
menghitung
jumlah
pohon
kelapa
sawit
dengan
usia
yang
lebih
tua
karena
pohon
kelapa
sawit
yang
lebih
tua
(10
‐
15
tahun)
mempunyai
bentuk
yang
lebih
kompleks.
49
DAFTAR
PUSTAKA
• Anjin Chang, Jung Ok Kim, Kiyun Ryu, Young II Kim, (2008),
Comparison of Methods to Estimate Individual Tree Attributes Comparison of Methods to Estimate Individual Tree Attributes
Using Color Aerial Photographs and LiDAR Data, Issue1,
Volume 4, January 2008, ISSN: 1790‐5052
• Batishko. C.R., (2003)a, Automated Object Shape Recognition,
PNNL Sensors and Electronics, U.S. Department of Energy,
Washington.
• Batishko C R (2003)b Rapid Screening of MicroorganismsBatishko. C.R., (2003)b, Rapid Screening of Microorganisms,
PNNL Sensors and Electronics, U.S. Department of Energy,
• Culvenor, D.S., Coops, N. C., Preston, R., and Tolhurst, K. G.,
(1998), A spatial clustering approach to automated tree crown (1998), A spatial clustering approach to automated tree crown
delineation. In:Proceedings Automated Interpretation of High
Spatial Resolution Digital Imagery for Forestry, Victoria, British
Columbia.
• Höyhtä, T., dan Holm, M., (2000), Possibilities of Digital Aerial
Imagery for Forest Monitoring, Stora Enso Forest Conlulting
Oyy Ltd,, Imatra.
51
• Le Wang Peng Gong dan Gregory S. Biging, (2004), Individual
Tree‐Crown Deleneation and Treetop Detection in High‐
Tree Crown Deleneation and Treetop Detection in High Spatial‐Resolution Aerial Imagery, Photogrammetric
Enineering & Remote Sensing Vol. 70, No.3, Maret 2004 • Min‐Hsin Chen, Chi‐Farn Chen, Shu‐Min Ma, Shape Based
TreeCrown Detection and Deleneation In High Spatial
Resolution aerial Imagery
• Wanasuria S Fathoni A Nugroho E dan Helmi M (2003)Wanasuria S., Fathoni A., Nugroho E., dan Helmi M., (2003),
Penggunaan Citra Satelit IKONIS untuk Mendukung
Pengelolaan Perkebunan Kelapa Sawit, Proceding PIT XII