PERHITUNGAN POHON KELAPA SAWIT PADA CITRA FOTO UDARA YANG. Nama Mahasiswa : Soffiana Agustin. Pembimbing: Prof. Ir. Handayani Tjandrasa, M.Sc, Ph.

(1)

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.

(2)

Perumusan

Masalah

1. Pengurangan gangguan pada

citra sehingga citra

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

(3)

Tujuan

Penelitian

1. Merancang dan mengimplementasikan metode

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

(4)

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)

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

–

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

(6)

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)

(7)

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

(8)

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)

4. Menghitung

rasio

kebulatan

objek

5. Menapis

objek

pada

citra

berdasarkan

nilai

(9)

Pemberian

Label

(

Labelling

)

17

Pemberian

Label

(

Labelling

)

(10)

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 19

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

(11)

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 21

Pemberian

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

(12)

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 23

Keliling

(

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 7

(13)

Menghitung

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

(14)

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

(15)

1. Uji

Konversi

RGB

ke

Grayscale

29

2. Uji

Pengolahan

Data

Awal

1. Perbaikan Citra

A. Normalisasi Intensitas

B. Ekualisasi Histogram

2. Inversi Citra

(16)

2. Uji

Pengolahan

Data

Awal

1. Perbaikan Citra

A. Normalisasi Intensitas

31

(17)

2. Uji

Pengolahan

Data

Awal

1. Perbaikan Citra

A. Normalisasi Intensitas

33

2. Uji

Pengolahan

Data

Awal

1. Perbaikan Citra

(18)

2. Uji

Pengolahan

Data

Awal

1. Perbaikan Citra

B. Ekualisasi Histogram

35

2. Uji

Pengolahan

Data

Awal

2. Inversi Citra

(19)

2. Uji

Pengolahan

Data

Awal

2. Inversi Citra

3. Median

Filtering

(3

x

3)

37

3. Uji

Segmentasi

1. Uji

Thresholding

(20)

(21)

Citra:

22.jpg

41

(22)

• Opening

tanpa

Filling

• Opening

dengan Filling

43

Uji

Deteksi

Bentuk

Mahkota

Pohon

(23)

Uji

Deteksi

Bentuk

Mahkota

Pohon

(22.jpg)

45

Perhitungan

dan

Penandaan

Objek

Sawit

(24)

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

(25)

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,

(26)

• 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

(27)