28
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).
29
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
30
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.
31
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 1
Label Kelas Sawit_kelas_a
Subkelas 1 Lahan_klas_a 2
Sawit_kelas_b
Subkelas 2 Lahan_klas_b 3
Sawit_kelas_c
Subkelas 3 Lahan_kelas_c 4
Sawit_kelas_d
Subkelas 4 Lahan_kelas_d
Definisi Pohon sawit umur 1 tahun Lahan disekeliling sawit_ kelas_a Pohon sawit umur 2 tahun Lahan disekeliling sawit_ kelas_b Pohon sawit umur 3 tahun Lahan disekeliling sawit_ kelas_c Pohon sawit umur 4 tahun 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
10
Awan
Awan
32
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 batasbatas 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.
33
III.2.2.4 Klasifikasi
Klasifikasi Multispektral 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 .
34
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.
35
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 :
Gambar III.5
Hasil statistik ROI Blok A3
36
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 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13.
Nama Kelas 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
Npts/Piksel (m²) 2.742 2.464 2.290 161.419 1.303 0 0 0 0 0 0 62 2.305
Total 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
Persentase 1,5888 1,4277 1,3269 93,5301 0,7550 0 0 0 0 0 0 0,0359 1,3356
III.3.1.2 Analisis 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.
Gambar III.6. Hasil klasifikasi Blok A1
37
Hasil statistik blok tersebut sesuai dengan Tabel III.3 dibawah ini :
Tabel III.3 Hasil statistik Blok A1 Blok A1
Kelas A B C D Awan G Jumlah
Jumlah Piksel (m²) 2.987 2.188 1.022 244.683 6.968 2.438 260.286
% 1,15 0.84 0,39 94,01 2,67 0,94 100
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 :
Gambar III.8 Peta hasil digitasi peta WP/interpretasi visual Blok C14
38
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 Region Kelas
C14
C14
C14
C14
Kelas A Kelas B Kelas C Kelas D Bangunan Kelas E Kelas F Batas blok Kelas G Jumlah Kelas A Kelas B Kelas C Kelas D Awan Kelas F Batas blok Kelas G Jumlah Kelas A Kelas B Kelas C Kelas D Awan Kelas E Kelas F Batas blok Kelas G Jumlah Kelas A Kelas B Kelas C Kelas D Awan Bangunan Kelas E Kelas F Batas blok Kelas G Jumlah
Peta WP
Jumlah Piksel (m²)
Region
Luas (m²)
1.625 29.166 9.688 3.838 1 744 5 225 114 45.406 1.580 1.122 6.058 935 1 1.656 13 2.930 14.295 5.649 58.808 42.531 30.560 11 843 214 1.912 2.044 142.572 990 3.192 6.398 26.179 3 8 92 45 1.023 2.531 40.461
Kelas B
45.474
Kelas B
14.270
Kelas C
142.617
Kelas D
40.437
39
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 Region kelas menurut BLOK
Notasi Peta WP
Hasil Klasifikasi
A1
D
D
1
C14
B
B
1
C14
B
C
0
C14
C
B
0
C14
D
D
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 :
40
Tabel III.6 Rata-rata hitung luas/pohon perkelas tanaman sawit KELAS
Region
No. 1 1 2 3 4 5
2 A A A A A
3 G14 J2a K10 M13a P2 + P2b
Jumlah 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
B B B B B B B B B B B B B B B
B9 B12b C16 C22 D7 D14 E11 E23 F1a G7 J3A J24 K1 M7a O1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
C C C C C C C C C C C C C C C
B4 C20 D21 E6 E18 F18B G10 I4 J27 K13 L6 M13 O3 P4 P13
Jumlah 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
D D D D D D D D D D D D D D D D D D D D Jumlah
A1 B2 C13 C9 D20 D3 D5 E26 F11a F15 F18 G2 G4a H2 I6 J5 J21 N7 O9 P4
Jumlah Pohon Sawit (Pohon) 4
Luas Region Peta WP (m²) 5
Rata - rata hitung ( x̄ ) (m²/pohon) 6
404 500 233 906 535
49,006 41,462 16,819 44,903 60,484
2,578
212,674
82.50
525 230 1,557 617 185 476 479 53 148 1,078 667 716 927 1,103 1,057
46,942 19,628 129,082 45,597 15,354 35,098 34,864 4,198 10,948 76,221 50,384 53,875 74,027 80,173 85,068
77.56
9,818
761,459
77.56
94 246 422 916 316 188 399 562 458 832 389 1,108 98 568 106
7,288 18,543 34,746 71,913 22,239 13,809 28,562 40,121 35,138 59,994 31,434 84,519 7,266 41,769 8,155
75.42
6,702
505,496
75.42
3,462 546 1,559 2,965 557 1,798 3,216 607 1,821 1,910 2,120 2,793 75 1,442 926 716 3,401 1,750 508 1,318 33,490
263,647 42,710 118,423 226,512 43,525 136,130 243,217 45,876 137,307 143,462 161,040 202,101 5,989 101,875 65,885 55,044 243,169 123,972 36,204 97,128 2,493,216
74.45
Standar deviasi (m²) 7
82.50
74.45
26.95
--5.29
--3.39
--2.66
---
41
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 ;
INTRODUKSI MASALAH
KETENTUAN / TEORI
KESIMPULAN
+ FAKTA / OBSERVASI
Gambar III.9 Proses penarikan kesimpulan kajian teknis Bab IV Analisis dan Pembahasan