62
DAFTAR PUSTAKA
1.
Congalton,R.G, (1988), A Comparison of Sampling Scheme Used in generating Matrices Error for Assesing the Accuracy of maps generated from Remotely Sensed Data, Photogrammetric Engineering and Remote Sensing, Vol.54, No.5, hal 587-592.
2.
Congalton,R.G, (1991), Assessing the Accuracy of Remotely Sensed Data : Principles and Practises, Lewish Publisher, New York, NY.
3.
Danoedoro, P., (1996), Pengolahan Citra Digital Teori dan Aplikasinya Dalam Bidang Penginderaan Jauh, Fakultas Geografi Universitas Gadjah Mada, Yogyakarta.
4.
Depkeu RI. (2002), Surat Keputusan Menteri Keuangan Nomor : 486/KMK.03/2002 tanggal 28 Nopember 2002, tentang Penilaian Kembali Aktiva Tetap Perusahaan untuk Tujuan Perpajakan, Jakarta.
5.
Ditjen Pajak (2002), Keputusan Direktur Jenderal Pajak Nomor : KEP519/PJ./2002 tanggal 2 Desember 2002 tentang Tata Cara dan Prosedur Pelaksanaan Penilaian Kembali Aktiva Tetap Perusahaan Untuk Tujuan Perpajakan, Jakarta
6.
Ditjen Pajak. (1999), Keputusan Surat Edaran Direktur Jenderal Pajak Nomor : SE-25/PJ.6/2006, Tanggal 20 Juli 2006 tentang Tata Cara Pembentukan/ Penyempurnaan ZNT/NIR, Jakarta.
7.
Ditjen Pajak. (1999), Surat Edaran Direktur Jenderal Pajak Nomor : SE21/PJ.6/1999, Tanggal 23 April 1999 tentang Petunjuk Pelaksanaan KEP16/PJ.6/1998 Khusus Untuk Pengenaan PBB Sektor Perkebunan, Jakarta.
8.
Ditjen Pajak. (1999), Surat Edaran Direktur Jenderal Pajak Nomor : SE30/PJ.6/1999, Tanggal 17 Mei 1999 tentang Penjelasan Pengenaan PBB Sektor Pedesaan dan Perkotaan dan Penyempurnaan Tata Cara Pengenaan PBB Sektor Perkebunan Serta Usaha Bidang Perikanan, Jakarta.
9.
Ditjen Pajak. (2000), Keputusan Direktur Jenderal Pajak Nomor : KEP533/PJ/2000, Tanggal 20 Desember 2000 tentang Petunjuk Pelaksanaan Pendaftaran, Pendataan dan Penilaian Objek dan Subjek PBB Dalam Rangka Pembentukan dan atau Pemeliharaan Basis Data Sistem Manajemen Informasi Objek Pajak (SISMIOP), Jakarta.
10. Hariyanto, Isman, (2006), Analisis Keakuratan Peta Hasil Interpretasi Citra Ikonos Dalam Mengidentifikasi Obyek PBB Sektor Perkebunan Kepala Sawit, Tesis Magister, Institut Teknologi Bandung, Bandung.
63
11. Ikatan Akuntan Indonesia, (2002), Standar Akuntansi Keuangan, Salemba Empat, Jakarta 12. Lillesand, Thomas M. dan Ralph W. Kiefer (1993), Penginderaan Jauh dan Interpretasi Citra, terjemahan, Dulbahri dkk, Gadjah Mada University Press, Yogyakarta. 13. Lubis,A.U, (1992), Kelapa Sawit (elaeis Guineensis Jacq) di Indonesia, Pusat Penelitian Perkebunan Marihat – Bandar Kuala, Pematang Siantar, Sumatera Utara 14. Nugroho, Edi dan Helmi, M., (2003), Pemetaan Vegetasi Menggunakan Citra Penginderaan Jauh : Penerapannya di Bidang Perkebunan, Prosiding Lokakarya, Pekanbaru. 15. Prahasta, E., (2001), Konsep-konsep Dasar Sistem Informasi Geografis, Informatika, Bandung. 16. Prahasta, E., (2002), Sistem Informasi Geografis : Tutorial ArcView, Informatika, Bandung. 17. Purwadhi, F.S.H., (2001), Interpretasi Citra Digital, Gramedia Widiasarana Indonesia, Jakarta. 18. Ruslan, (2003), Pemanfaatan Data Citra Satelit Ikonos untuk Penentuan Jenis Penggunaan Bangunan dan Luas Obyek PBB, Tesis Magister, Program Pasca Sarjana UGM, Yogyakarta. 19. Sabri, Luknis, 2006, Statistik Kesehatan, PT. Rajagrafindo Persada, Jakarta. 20. Sanjoto, Fadjar, (2003), Pengukuran Luas Bidang Tanah pada Citra Ikonos (Studi Kasus di Wilayah Kerja Kantor Pelayanan Pajak Bumi dan Bangunan Jakarta Selatan II), Tesis Magister, Universitas Gajah Mada, Yogyakarta. 21. Santoso, Singgih, (2001), Aplikasi Excel Dalam Statistik Bisnis; Gramedia, Jakarta. 22. Setia Nugraha, Anung, (2004), Pemanfaatan Citra Landsaat TM 7+ Untuk Pendataan PBB sektor Perkebunan (Studi Kasus Perkebunan Kelapa Sawit di KPP Palembang), Tesis S2 UGM, Yogyakarta. 23. Space Imaging, (2006), Ikonos Imagery Products and Product Guide, http://www.spaceimaging.com. 24. Wanasuria, Suih,dkk,2003, Penggunaan Citra Satelit Ikonos dan GIS dalam Manajemen Perkebunan Kelapa Sawit untuk Meningkatkan Potensi Produksi TBS, Prosiding Lokakarya, Pekanbaru.
LAMPIRAN
64
LAMPIRAN A
Proses Pengecekan Koreksi Radiometrik
1. Buka file citra yang akan dilakukan pengecekan radiometrik. Pengecekan dilakukan dengan program ER Mapper melalui menu pull down View => algorithm
=>
load
data
set,
maka
akan
muncul
kotak
dialog
2. Menampilkan nilai terendah dan tertinggi piksel, klik pada
kemudian akan
muncul histogram citra pada Band1: Red Layer sebagai berikut :
Gambar Histogram Saluran1 : Red Layer 3. Kemudian klik Limits => Limits to Actual, apabila aktual input limits terbaca 0 to 255 maka citra tersebut tidak perlu dilakukan koreksi radiometrik. Pada gambar, nilai minimum piksel adalah 0 untuk itu tidak perlu dilakukan koreksi radiometrik. 4. Lakukan langkah 2 untuk saluran lain yaitu Band 2 dan Band 3.
65
Lampiran B Langkah Pemotongan (Cropping) Citra 1. Pembuatan areal kebun yang menjadi daerah penelitian menggunakan software Map Info 8.5. Batas kebun dibuat dengan digitasi hasil overlay peta kebun Wajib Pajak yang telah melalui proses scanning. Hasil dari digitasi kemudian disimpan sebagai file batas kebun pemotong citra. 2. Setelah itu pada Map Info 8.5 klik menu Tools universal translator. Pada Menu Universal Translator source:
Format pilih MapInfo Tab, sedangkan
File : isi dengan nama file batas kebun pemotong citra. Pada bagian Destination, format: dipilih ESRI Shape dan directory diisi tempat akan melakukan penyimpanan.
Hasil dari proses ini adalah file batas kebun
pemotong citra_region 3.
Menggunakan ER Mapper tampilkan citra yang akan dilakukan pemotongan. Klik Utilities File Maintenance Datasets Save a Subset an Image. Pada Image Subset Wizard Bar, isi Input image dengan nama file citra awal. Output Image dengan nama file hasil pemotongan. Start Row dan Start Column diisi dengan koordinat pixel daerah penelitian sebelah kiri atas, sedangkan End Row dan End Column diisi dengan koordinat pixel daerah penelitian kanan bawah, seperti pada gambar dibawah ini ;
4. Langkah berikutnya pemotongan citra untuk memperoleh citra dengan batas kebun yang telah dibuat pada nomor 2 diatas. Pilih menu Utilities Import Vektor & GIS format ESRI Shape file Import. Muncul Import Shape File
66
Bar, Input file name isi dengan file bataskebuncitra_region.shp, dan output file name diisi dengan direktori tempat penyimpanan. Map Projection dipilih SUTM 48 dan geodetic datum dipilih WGS84. Hasilnya adalah file batas kebun pemotong citra berubah menjadi bataskebuncitra_region.erv. 5. Kemudian dari menu Edit pilih Annote vektor layer, maka muncul kotak dialog New map composition. Pilih Raster Region, selanjutnya buka file bataskebuncitra_region.erv klik OK. 6. Pada menu Tools klik Save As Raster Region Save To File isikan dengan nama file hasil pemotongan sesuai dengan batas kebun daerah penelitian. 7. Menu pulldown bar View algorithma Klik
Kotak dialog formula
editor Standardinside region polygon test . Muncul Formula
If
(INREGION(r1)) THEN Input else null. Ganti null dengan 255, Klik Regions kemudian pada REGION1 pilih Region_0 selanjutnya klik apply changes. Hal tersebut dilakukan juga pada band lain.
8. Terakhir simpan file dengan memilih Save As pada menu File.
67
Lampiran C Proses Penajaman Citra Menggunakan Filter Spasial 1. Buka file citra. 2. Pada
menu
toolbar
klik
maka
akan
muncul
window. 3. Pada filter filename pilih kernel
filter high_pass
4. Lakukan hal yang sama pada Band green dan blue.
Sharpen_11x11.ker
filter
68
Lampiran D Hasil Interpretasi Visual Areal Klasifikasi (Hariyanto, 2006) 1. Interpretasi batas areal kebun Deskripsi
Kunci Utama Interpretasi
Batas areal kebun menunjukkan batas kepemilikan kebun wajib pajak. Dari batas kebun tersebut akan diperoleh luas keseluruhan kebun. Bentuk Batas areal kebun dikenali dari bentuknya yang memanjang sepanjang tepi areal kebun. Bentuk cenderung lurus pada batas kebun berupa jalan atau bukaan lahan sedangkan pada batas alam seperti parit bentuknya berkelok – kelok. Warna Warna cerah pada batas jalan, gelap pada batas alam dan adanya perbedaan tekstur pada bukaan lahan.
Kenampakan di citra Batas kebun berupa jalan
Batas kebun berupa batas alam
Batas kebun berupa perbedaan penggunaan lahan
2. Interpretasi batas blok / afdeling Deskripsi Batas blok / afdeling dibuat untuk membagi luas seluruh kebun menjadi bagian yang lebih kecil dengan maksud untuk memudahkan dalam perencanaan dan pengawasan areal kebun. Batas kebun biasanya berupa jalan kebun. Batas blok dilakukan digitasi untuk mempersempit luas bidang pada saat klasifikasi. Kunci Bentuk Batas blok atau kebun dikenali dari bentuknya Utama yang memanjang di dalam areal kebun dan Interpretasi cenderung lurus. Warna Warna pada batas blok sama dengan warna jalan yaitu cerah. Kenampakan Garis putih menunjukkan batas blok di citra kebun, sekaligus juga menunjukkan jalan yang ada di dalam lokasi perkebunan.
69
3. Interpretasi Areal Kebun 3.1. Kebun Klasifikasi A Deskripsi
Kunci Utama Interpretasi
Kenampakan kebun dengan umur 1 tahun hampir tidak terlihat pola tanaman. Hanya berupa titik – titik kecil sehingga terkadang sulit dibedakan dengan Klasifikasi F. Kecerahan citra tergantung dari tanah tempat penanaman sawit tersebut. Luas yang dihasilkan akan dilakukan analisis interpretasi visual. Warna Warna pada areal kelapa sawit umur 1 tahun cenderung mengikuti warna tanah. Tekstur Tekstur pada obyek masih halus karena belum tampaknya tanaman secara jelas. Pola Adanya kenampakan pola tanaman yang teratur walaupun masih belum tampak jelas.
Kenampakan di citra
Areal tanam pada tanah yang mulai bersemak
Areal tanam pada tanah yang bersemak
Areal tanam pada tanah yang bersih
3.2. Kebun Klasifikasi B Deskripsi
Kunci Utama Interpretasi
Kenampakan kebun dengan umur 2 tahun sudah terlihat berupa titik – titik kecil yang teratur. Kecerahan citra masih tergantung dari tanah tempat penanaman sawit tersebut. Luas yang dihasilkan akan dilakukan analisis interpretasi visual. Tekstur Tekstur pada obyek masih halus tapi sudah menunjukan pola yang sedikit kasar. Warna Masih mengikuti warna tanahnya Pola Pola tanam kelapa sawit yang teratur mulai nampak
Kenampakan di citra
Beberapa sampel kenampakan kebun klasfikasi B pada beberapa tanah yang berbeda kondisinya
70
3.3. Kebun Klasifikasi C Deskripsi
Kunci Utama Interpretasi
Kenampakan kebun dengan umur 3 tahun terlihat mulai rapat dengan titik – titik mulai membesar dan teratur. Kecerahan citra sudah dipengaruhi warna dari tanaman kelapa sawit. Tekstur Tekstur pada areal ini sudah mulai kasar disebabkan karena semakin besarnya diameter tanaman sehinga terlihat lebih rapat. Pola Pola jarak tanam kelapa sawit nampak teratur dengan lebih jelas terlihat. Warna Warna tanaman sudah mulai mempengaruhi kenampakan di citra
Kenampakan di citra Warna hijau tanaman berada diantara warna gelap tanah
Warna hijau tanaman nampak berupa bintik – bintik diantara gelapnya areal tanamnya. Kenampakan citra semakin cerah pada tanah yang bersemak.
3.4. Kebun Klasifikasi D Deskripsi Kecerahan citra pada kebun dengan umur 4 tahun sangat dipengaruhi oleh warna tanaman. Tanaman nampak rapat, teratur dan terlihat seperti bintang Kunci Tekstur Tekstur nampak kasar dengan tanaman yang jelas Utama Pola Pola tanam nampak rapi dan teratur Interpretasi Warna Warna tanaman sangat mendominasi kenampakan pada citra dengan variasi warna hijau, kuning & merah Bentuk Bentuk tanaman nampak bulat dengan tajuk berbentuk seperti bintang. Kenampakan di citra Kelapa sawit tua dengan warna kemerahan.
Tanaman nampak rapat tapi belum nampak kemerahan Kerapatan tanaman nampak rapat
71
3.5. Kebun Klasifikasi E Deskripsi
Areal emplasemen merupakan tempat dimana bangunan – bangunan milik perusahaan tersebut didirikan. Biasanya areal ini dilakukan pematangan tanah yang lebih baik dari areal kebun. Misalnya adanya pengurugan, pemadatan, maupun perkerasan. Luas yang dihasilkan akan dilakukan analisis interpretasi visual.
Kunci Utama Interpretasi
Tekstur
Tekstur dari areal ini halus
Warna
Warna dari areal emplasemen terlihat cerah
Asosiasi
Kenampakan areal emplasemen ini terlihat dengan adanya kenampakan bangunan berupa kotak – kotak kecil yang teratur.
Kenampakan di citra Sebagian areal emplasemen di kebun Sungai Pelepah
3.6. Kebun Klasifikasi F Deskripsi
Kebun Klasifikasi F berupa areal kosong yang siap ditanami. Pada citra terdapat sedikit areal tersebut. Kenampakannya pada citra dimungkinkan sama dengan areal klasifikasi A. Luas yang dihasilkan akan dilakukan analisis interpretasi visual.
Kunci Utama Interpretasi
Tekstur
Tekstur sangat halus
Warna
Warna dipengaruhi warna asli tanah serta kondisi tanah masih bersemak atau bersih.
Kenampakan di citra Nampak warna tanah hitam dan tanah bersemak warna hijau
72
3.7. Kebun Klasifikasi G Deskripsi
Kunci Utama Interpretasi
Kebun klasifikasi G merupakan areal cadangan sehingga keberadaan tanaman asli masih nampak pada areal ini. Biasanya masih berupa hutan atau belukar. Kenampakan dan kecerahan pada citra tergantung dari tanaman yang ada pada areal ini. Luas yang dihasilkan akan dilakukan analisis interpretasi visual. Tekstur Tekstur tergantung tanaman yang ada biasanya kasar. Warna Warna juga tergantung tanaman yang ada biasanya warna hijau cerah. Pola
Kenampakan di citra
Pola tanaman rapat dan tidak teratur pada lahan berupa hutan. Areal hutan sebagai lahan cadangan
4. Interpretasi Bangunan Deskripsi
Kunci Utama Interpretasi
Bangunan emplasemen berada pada areal emplasemen. Biasanya berada pada suatu lokasi tertentu dan tidak menyebar. Deliniasi bangunan dilakukan untuk menentukan jenis, jumlah dan luas dari bangunan tersebut. Sedangkan mengenai kondisi fisik bangunan sulit dilakukan interpretasi. Bentuk Bentuk bangunan umumnya berbentuk persegi panjang. Ukuran Besar kecilnya bangunan pada citra menunjukkan jenis penggunaan bangunan (JPB). Pola Pola teratur umumnya ditunjukan pada bangunan untuk JPB perumahan Asosiasi Kenampakan bangunan kantor biasanya terdapat kenampakan obyek lain seperti mobil tiang bendera dll.
Kenampakan di citra
Pola teratur pada perumahan karyawan
Bentuk memanjang sebagai bentuk gudang/bengkel /pabrik
Bangunan perkantoran diasosiasikan dengan kenampakan mobil
73
Lampiran E Kenampakan Training Area pada Citra Ikonos
No
Nama Kelas
1.
Sawit Kelas A
2.
Sawit Kelas B
3.
Sawit Kelas C
4.
Sawit Kelas D
5.
Lahan Kelas A
6.
Lahan Kelas B
Kenampakan Objek
74
7.
Lahan Kelas C
8.
Lahan Kelas D
9.
Batas blok
10.
Kelas E
11.
Bangunan
12.
Kelas F
13.
Kelas G
14
Awan
75
Lampiran F Proses Penggabungan Subkelas Kedalam Kelasnya 1.
Buka file hasil klasifikasi
2.
Klik Edit Algorithm
pada toolbar, kemudian akan tampil algorithm
window.
,
Klik
maka
muncul
window. 3.
Kemudian klik
, lakukan pada subkelas lain.
Formula
Editor
76
LAMPIRAN G Proses Penghitungan Pohon Secara Semi Otomatis 1. Buka File citra yang akan dilakukan penghitungan pohon. Tampilan citra dapat dipertajam dengan menggunakan filter high-pass Sharpen 11 x 11 kernel 2. Pada menu klik algorithm
kemudian Edit Add vector layer Annotation
layer. Akan muncul algorithm window.
3. Klik
akan
muncul
warning
massage
window
dan
Tools. 4. Klik Page Setup, kemudian atur page setup sesuai dengan keinginan, setelah itu pada menu tools klik point
, maka penghitungan pokok pohon dengan
77
mengubahnya ke dalam bentuk bentuk point/titik dapat dilakukan. Agar point/titik mempunyai warna sesuai dengan keinginan dapat merubah defaultnya dari warna putih menjadi sesuai keinginan pada algorithm window dengan mengklik
.
5. Simpan file penghitungan pohon dalam bentuk Vektor File dengan mengklik pada Tools,
Untuk mengetahui jumlah objek pokok pohon secara semi otomatis dapat diketahui dengan mengklik Map Compostion Information pada Tools
Contoh hasil penghitungan suatu blok dan tampilan vektor filenya.
Jumlah pohon pada blok tersebut sebanyak 3.462 pohon.
.
78
Lampiran H Overlay Hasil Klasifikasi dengan Peta WP/Interpretasi Visual 1.
Pada ENVI 4.2 klik File
open external file
IP Software
(hal ini karena proses pembentukan training area
ER Mapper
dan klasifikasi
multispektral telah dilakukan di ERMapper). 2.
Setelah file terbuka pada classified window klik Overlay
vektors, maka
akan muncul Vektor Parameters windows.
Pada Vektor Parameters klik File
Open vektor File, buka file hasil
digitasi citra. 3.
Setelah itu pada classified windows klik Overlay
Region of Interest, akan
muncul ROI Tool. 4.
Kembali ke Vektor Parameter window klik file ROIs
Export Active layer to
Convert each record of an EVF layer to a new ROI. Maka pada
ROI Tool akan muncul blok-blok ROI sebanyak blok pembagian peta wp maupun interpretasi visual.
79
Untuk mengetahui statistik masing-masing blok tandai blok dimaksud kemudian klik Stats
, maka akan muncul data ROI tersebut.
80
81
Lampiran J
Hasil Uji t - test dengan Ms. Excel
Kelas A t-Test: Paired Two Sample for Means Luas hsl interpretasi visual Mean 33574.83333 Variance 654792047 Observations 6 Pearson Correlation 0.986892595 Hypothesized Mean Difference 0 df 5 t Stat 0.088875278 P(T<=t) one-tail 0.466315547 t Critical one-tail 2.015048372 P(T<=t) two-tail 0.932631093 t Critical two-tail 2.570581835
Luas hsl penghitungan rata-rata pohon 33371.25 460308729.4 6
Kelas B t-Test: Paired Two Sample for Means Luas hsl interpretasi visual Mean 63668.875 Variance 1905456706 Observations 24 Pearson Correlation 0.993941572 Hypothesized Mean Difference 0 df 23 t Stat -1.638051955 P(T<=t) one-tail 0.057510344 t Critical one-tail 1.713871517 P(T<=t) two-tail 0.115020689 t Critical two-tail 2.068657599
Luas hsl penghitungan rata-rata pohon 65282.89833 1928870774 24
Kelas C t-Test: Paired Two Sample for Means Luas hasil interpretasi Mean 95745.62264 Variance 5936717624 Observations 53 Pearson Correlation 0.997876598 Hypothesized Mean Difference 0 df 52 t Stat -1.520331841 P(T<=t) one-tail 0.067242666 t Critical one-tail 1.674689154 P(T<=t) two-tail 0.134485331 t Critical two-tail 2.006646761
Luas hsl penghitungan rata-rata pohon 96903.31585 6279224833 53
Kelas D t-Test: Paired Two Sample for Means Luas hasil interpretasi Mean 121761.907 Variance 7387175475 Observations 86 Pearson Correlation 0.997210965 Hypothesized Mean Difference 0 df 85 t Stat 1.42312615 P(T<=t) one-tail 0.07917982 t Critical one-tail 1.6629785 P(T<=t) two-tail 0.158359639 t Critical two-tail 1.988267868
Luas hsl penghitungan rata-rata pohon 120757.0343 7573168942 86
82
Lampiran K Data Uji Statistik t-test dan Selisih Batas Toleransi 10% KELAS
REGION
No.
1 2 3 4 5 6
A A A A A A
G5a G6a J2 M13 M6 a P2a
Jumlah KELAS
B B B B B B B B B B B B B B B B B B B B B B B B
REGION
B10 C15 C13 C22B D15 D16 D17 D18 D19 D20 D21 D8 E12 E17 E18 E19 E19B E20 E21 E22 E5 E6 F1 F2
Jumlah KELAS
REGION
No.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
C C C C C C C C C C C C C C C C C C
237 237 625 462 95 771 2,427
No.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Jumlah Pohon Sawit (Pohon)
B11 C13 C14 C15 C16 C17 C3 D11 D12 D13 D14 D15 D16 D18 D3 D3a D4a D4a
Jumlah Pohon Sawit (Pohon) 96 764 358 123 698 1,728 671 867 1,340 124 649 1,635 326 1,228 2,352 1,298 750 389 397 1,104 966 554 499 1,285 20,201 Jumlah Pohon Sawit (Pohon) 732 1,333 2,016 1,620 207 510 30 3,366 1,618 2,325 2,103 1,720 469 1,775 237 1,111 68 73
Luas Region Peta WP (m²) 15,620 12,489 58,845 43,843 5,688 64,964
Rata - rata Luas Region Hasil hitung ( x̄ ) Penghitungan rata-rata (m²/pohon) hitung luas/pohon (m²) 82.50 82.50 82.50 82.50 82.50 82.50
201,449 Luas Region Peta WP (m²) 8,112 57,789 28,935 8,952 51,606 124,901 49,927 63,703 116,726 9,051 46,948 118,596 23,247 89,713 181,866 97,243 57,160 28,145 30,679 78,118 68,793 41,487 37,019 109,337
19,552.50 19,552.50 51,562.50 38,115.00 7,837.50 63,607.50 200,228
Rata - rata Luas Region Hasil hitung ( x̄ ) Penghitungan rata-rata (m²/pohon) hitung luas/pohon (m²)
7,445.76 59,255.84 27,766.48 9,539.88 54,136.88 134,023.68 52,042.76 67,244.52 103,930.40 9,617.44 50,336.44 126,810.60 25,284.56 95,243.68 182,421.12 100,672.88 58,170.00 30,170.84 30,791.32 85,626.24 74,922.96 42,968.24 38,702.44 99,664.60 1,528,053 76.73 1,566,789.56 Luas Region Rata - rata Luas Region Hasil Peta WP hitung ( x̄ ) Penghitungan rata-rata (m²) (m²/pohon) hitung luas/pohon (m²) 61,538 95,231 144,282 124,150 16,892 39,583 2,449 247,287 135,011 183,944 160,823 130,282 35,013 142,138 20,457 84,880 5,013 5,873
77.56 77.56 77.56 77.56 77.56 77.56 77.56 77.56 77.56 77.56 77.56 77.56 77.56 77.56 77.56 77.56 77.56 77.56 77.56 77.56 77.56 77.56 77.56 77.56
75.42 75.42 75.42 75.42 75.42 75.42 75.42 75.42 75.42 75.42 75.42 75.42 75.42 75.42 75.42 75.42 75.42 75.42
55,207.44 100,534.86 152,046.72 122,180.40 15,611.94 38,464.20 2,262.60 253,863.72 122,029.56 175,351.50 158,608.26 129,722.40 35,371.98 133,870.50 17,874.54 83,791.62 5,128.56 5,505.66
Selisih luas (m²)
% Selisih
-3,932.50 -7,063.50 7,282.50 5,728.00 -2,149.50 1,356.50
-25.18 -56.56 12.38 13.06 -37.79 2.09
1,221.50
0.61
Selisih luas (m²)
% Selisih
666.24 -1,466.84 1,168.52 -587.88 -2,530.88 -9,122.68 -2,115.76 -3,541.52 12,795.60 -566.44 -3,388.44 -8,214.60 -2,037.56 -5,530.68 -555.12 -3,429.88 -1,010.00 -2,025.84 -112.32 -7,508.24 -6,129.96 -1,481.24 -1,683.44 9,672.40
8.21 -2.54 4.04 -6.57 -4.90 -7.30 -4.24 -5.56 10.96 -6.26 -7.22 -6.93 -8.76 -6.16 -0.31 -3.53 -1.77 -7.20 -0.37 -9.61 -8.91 -3.57 -4.55 8.85
-38,736.56
-2.54 % Selisih
Selisih luas (m²) 6,330.56 -5,303.86 -7,764.72 1,969.60 1,280.06 1,118.80 186.40 -6,576.72 12,981.44 8,592.50 2,214.74 559.60 -358.98 8,267.50 2,582.46 1,088.38 -115.56 367.34
10.29 -5.57 -5.38 1.59 7.58 2.83 7.61 -2.66 9.62 4.67 1.38 0.43 -1.03 5.82 12.62 1.28 -2.31 6.25
83
Lampiran K (lanjutan) KELAS
REGION
No.
19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53
C C C C C C C C C C C C C C C C C C C C C C C C C C C C C C C C C C C Jumlah KELAS
D9 E10 E11 E12 E13 E14 E16 E17 E5 E6A E7 E7A E8 E8A E9 F10 F11 F12 F13 F14 F15 F16 F20 F21 F22 F23 F5 F6 F7A F8 F8A F9A C4 G11b G8 REGION
No.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
D D D D D D D D D D D D D D D D D D D D D D D
A2 A3 A4 A5 A7 B1 B10 B11 B3 B4 B5 B6 B7 B8 B9 C10 C11 C12 C14 C17 C18 C19 C3
Jumlah Pohon Sawit (Pohon) 2,743 440 1,523 1,928 3,093 2,915 2,123 538 1,691 808 257 1,460 2,176 81 1,088 1,337 994 543 164 760 105 189 1,817 3,623 3,657 3,447 916 153 55 2,309 704 1,381 79 342 1,345 67,365 Jumlah Pohon Sawit (Pohon) 4,380 2,281 3,540 3,622 2,047 147 2,982 3,786 1,074 1,357 1,913 2,488 2,906 3,081 2,406 3,173 2,027 2,007 504 509 285 164 322
Luas Region Peta WP (m²) 200,526 33,501 119,798 145,388 220,485 217,198 149,345 38,032 128,955 59,691 18,916 113,481 159,271 5,719 85,158 93,514 69,679 38,470 11,924 55,517 7,480 13,930 127,420 255,875 264,441 258,645 78,719 11,373 4,112 171,815 51,222 97,748 6,100 25,103 101,121 5,012,980 Luas Region Peta WP (m²) 311,216 169,655 260,112 256,780 161,444 11,214 235,373 282,624 85,368 104,919 147,004 179,418 214,791 225,899 189,379 243,726 155,628 156,498 39,105 38,338 20,956 11,927 25,616
Rata - rata Luas Region Hasil hitung ( x̄ ) Penghitungan rata-rata (m²/pohon) hitung luas/pohon (m²) 75.42 75.42 75.42 75.42 75.42 75.42 75.42 75.42 75.42 75.42 75.42 75.42 75.42 75.42 75.42 75.42 75.42 75.42 75.42 75.42 75.42 75.42 75.42 75.42 75.42 75.42 75.42 75.42 75.42 75.42 75.42 75.42 75.42 75.42 75.42
206,877.06 33,184.80 114,864.66 145,409.76 233,274.06 219,849.30 160,116.66 40,575.96 127,535.22 60,939.36 19,382.94 110,113.20 164,113.92 6,109.02 82,056.96 100,836.54 74,967.48 40,953.06 12,368.88 57,319.20 7,919.10 14,254.38 137,038.14 273,246.66 275,810.94 259,972.74 69,084.72 11,539.26 4,148.10 174,144.78 53,095.68 104,155.02 5,958.18 25,793.64 101,439.90 5,080,668
Rata - rata Luas Region Hasil hitung ( x̄ ) Penghitungan rata-rata (m²/pohon) hitung luas/pohon (m²) 74.45 74.45 74.45 74.45 74.45 74.45 74.45 74.45 74.45 74.45 74.45 74.45 74.45 74.45 74.45 74.45 74.45 74.45 74.45 74.45 74.45 74.45 74.45
326,091.00 169,820.45 263,553.00 269,657.90 152,399.15 10,944.15 222,009.90 281,867.70 79,959.30 101,028.65 142,422.85 185,231.60 216,351.70 229,380.45 179,126.70 236,229.85 150,910.15 149,421.15 37,522.80 37,895.05 21,218.25 12,209.80 23,972.90
Selisih luas (m²) -6,351.06 316.20 4,933.34 -21.76 -12,789.06 -2,651.30 -10,771.66 -2,543.96 1,419.78 -1,248.36 -466.94 3,367.80 -4,842.92 -390.02 3,101.04 -7,322.54 -5,288.48 -2,483.06 -444.88 -1,802.20 -439.10 -324.38 -9,618.14 -17,371.66 -11,369.94 -1,327.74 9,634.28 -166.26 -36.10 -2,329.78 -1,873.68 -6,407.02 141.82 -690.64 -318.90 -67,688.30 Selisih luas (m²) -14875.00 -165.45 -3441.00 -12877.90 9044.85 269.85 13363.10 756.30 5408.70 3890.35 4581.15 -5813.60 -1560.70 -3481.45 10252.30 7496.15 4717.85 7076.85 1582.20 442.95 -262.25 -282.80 1643.10
% Selisih
-3.17 0.94 4.12 -0.01 -5.80 -1.22 -7.21 -6.69 1.10 -2.09 -2.47 2.97 -3.04 -6.82 3.64 -7.83 -7.59 -6.45 -3.73 -3.25 -5.87 -2.33 -7.55 -6.79 -4.30 -0.51 12.24 -1.46 -0.88 -1.36 -3.66 -6.55 2.32 -2.75 -0.32 -1.35 % Selisih -4.78 -0.10 -1.32 -5.02 5.60 2.41 5.68 0.27 6.34 3.71 3.12 -3.24 -0.73 -1.54 5.41 3.08 3.03 4.52 4.05 1.16 -1.25 -2.37 6.41
84
Lampiran K (lanjutan) KELAS
REGION
No.
24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86
D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D Jumlah
C4 C5 C6 C7 C8 D10 D12 D14 D15 D16 D21 D4 D4a D6 D7 D8 D9 E10 E11 E15 E16 E17 E18 E19b E20a E21 E22 E23 E24 E25 E4 E5 E5a E7 E8a E9 E9a F1 F10 F10a F11a F12 F12a F13 F16 F17 F19 F21 F4 F5 F6 F7 F8a F9a G1 G2 G3 G4 H3 H4 I4 I5 O10
Jumlah Pohon Sawit (Pohon) 558 1,125 1,652 2,001 2,467 3,227 1,319 280 740 1,192 1,654 2,741 171 3,275 3,079 1,606 609 2,777 922 257 698 1,171 220 302 352 2,347 2,283 2,198 2,255 2,239 270 87 201 1,252 719 1,082 259 148 884 968 578 2,941 37 2,483 2,487 2,157 3,170 86 1,530 1,374 2,262 994 243 183 363 2,793 3,515 3,042 3,223 3,521 2,212 1,424 285 139,491
Luas Region Rata - rata Luas Region Hasil Peta WP hitung ( x̄ ) Penghitungan rata-rata (m²) (m²/pohon) hitung luas/pohon (m²) 42,116 74.45 41,543.10 85,520 74.45 83,756.25 121,018 74.45 122,991.40 154,202 74.45 148,974.45 190,186 74.45 183,668.15 240,391 74.45 240,250.15 106,421 74.45 98,199.55 20,301 74.45 20,846.00 56,884 74.45 55,093.00 94,218 74.45 88,744.40 137,648 74.45 123,140.30 204,743 74.45 204,067.45 14,179 74.45 12,730.95 243,688 74.45 243,823.75 226,410 74.45 229,231.55 126,611 74.45 119,566.70 46,560 74.45 45,340.05 214,994 74.45 206,747.65 73,360 74.45 68,642.90 17,991 74.45 19,133.65 50,605 74.45 51,966.10 93,753 74.45 87,180.95 16,089 74.45 16,379.00 23,407 74.45 22,483.90 26,991 74.45 26,206.40 198,583 74.45 174,734.15 170,169 74.45 169,969.35 186,723 74.45 163,641.10 165,822 74.45 167,884.75 164,288 74.45 166,693.55 19,968 74.45 20,101.50 6,628 74.45 6,477.15 15,172 74.45 14,964.45 98,533 74.45 93,211.40 59,567 74.45 53,529.55 87,011 74.45 80,554.90 19,021 74.45 19,282.55 11,583 74.45 11,018.60 64,123 74.45 65,813.80 69,903 74.45 72,067.60 43,745 74.45 43,032.10 209,176 74.45 218,957.45 2,984 74.45 2,754.65 182,821 74.45 184,859.35 188,335 74.45 185,157.15 163,276 74.45 160,588.65 234,305 74.45 236,006.50 6,449 74.45 6,402.70 111,006 74.45 113,908.50 100,953 74.45 102,294.30 175,324 74.45 168,405.90 77,052 74.45 74,003.30 17,081 74.45 18,091.35 13,218 74.45 13,624.35 26,022 74.45 27,025.35 202,101 74.45 207,938.85 249,151 74.45 261,691.75 218,365 74.45 226,476.90 226,388 74.45 239,952.35 247,171 74.45 262,138.45 157,744 74.45 164,683.40 105,939 74.45 106,016.80 20,548 74.45 21,218.25 10,471,524 10,385,105
Selisih luas (m²) 572.90 1763.75 -1973.40 5227.55 6517.85 140.85 8221.45 -545.00 1791.00 5473.60 14507.70 675.55 1448.05 -135.75 -2821.55 7044.30 1219.95 8246.35 4717.10 -1142.65 -1361.10 6572.05 -290.00 923.10 784.60 23,848.85 199.65 23,081.90 -2062.75 -2405.55 -133.50 150.85 207.55 5321.60 6037.45 6456.10 -261.55 564.40 -1690.80 -2164.60 712.90 -9781.45 229.35 -2038.35 3177.85 2687.35 -1701.50 46.30 -2902.50 -1341.30 6918.10 3048.70 -1010.35 -406.35 -1003.35 -5837.85 -12540.75 -8111.90 -13564.35 -14967.45 -6939.40 -77.80 -670.25 86,419
% Selisih 1.36 2.06 -1.63 3.39 3.43 0.06 7.73 -2.68 3.15 5.81 10.54 0.33 10.21 -0.06 -1.25 5.56 2.62 3.84 6.43 -6.35 -2.69 7.01 -1.80 3.94 2.91 12.01 0.12 12.36 -1.24 -1.46 -0.67 2.28 1.37 5.40 10.14 7.42 -1.38 4.87 -2.64 -3.10 1.63 -4.68 7.69 -1.11 1.69 1.65 -0.73 0.72 -2.61 -1.33 3.95 3.96 -5.92 -3.07 -3.86 -2.89 -5.03 -3.71 -5.99 -6.06 -4.40 -0.07 -3.26 0.83
85
Lampiran L No. 1.
2. a. b. c. d. e. f. g. h. i. j. k. l. 3
Contoh Penghitungan Nilai Pasar atau Nilai Wajar Aktiva Tetap Perkebunan Kelapa Sawit. Peruntukan Objek
Areal Kebun Kelapa Sawit Tanaman berumur 1 tahun Tanaman berumur 2 tahun Tanaman berumur 3 tahun Tanaman berumur 4 tahun Areal Emplasemen Pabrik Perkantoran Gudang Tangki Pipa Perumahan (Pabrik) Perumahan (Estate) Sarana OR/Rekreasi Bangunan Poliklinik Bangunan Sosial Landasan pesawat udara jalan diperkeras di lokasi perkebunan Lain-lain Areal Lainnya Areal sudah diolah tapi belum ditanami Areal belum diolah Rawa, cadas, jurang Areal yang tidak dapat ditanami NJOP BUMI
II. BANGUNAN Peruntukan Objek No. 1 Pabrik 2 Perkantoran 3 Gudang 4 Tangki 5 Pipa 6 Perumahan (Pabrik) 7 Perumahan (Pabrik) 8 Perumahan (Estate)/Perkebunan 9 Sarana OR/Rekreasi 10 Bangunan Poliklinik 11 Bangunan Sosial 12 Landasan pesawat udara 13 Jalan diperkeras di lokasi perkebunan 14 Lain-lain NJOP BANGUNAN
Luas Tanah (m²)
SIT (Rp/m²)
195,398 1,642,022 5,123,078 10,365,851
398 574 797.6 1039
Jumlah Rp
Kelas Tanah
77,768,404 942,520,628 4,086,167,013 10,768,046,019
Nilai (Rp/m²)
Jumlah Rp
Jumlah Keseluruhan Rp
A.36 A.36 A.36 A.36
14,000 14,000 14,000 14,000
2,735,572,000 22,988,308,000 71,723,092,000 145,121,914,000
2,813,340,404 23,930,828,628 75,809,259,013 155,889,960,019
22,923,000 58,644,000 621,189,000 -
22,923,000 58,644,000 621,189,000 -
849 2,172 23,007 -
-
-
A.34 A.34 A.34 A.34 A.34 A.34 A.34 A.34 A.34 A.34 A.34 A.34
27,000 27,000 27,000 27,000 27,000 27,000 -
-
-
-
A.34
-
A.37
10,000
10,219,980,000
10,260,246,721
A.37 A.41 A.42
10,000 2,450 1,700
35,158,130,000 0 0
35,158,130,000 -
1,021,998 3,515,813 0 21,890,188
Luas Tanah (m²) 849 2,172 23,007 26,028
39
40,266,721
0 0 0
-
15,914,768,785
Nilai Bangunan / m² 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
-
288,649,752,000
Kelas
NJOP Bangunan
A.11 A.11 A.11 A.11 A.11 A.11 A.11 A.11 A.11 A.11 A.11 A.11 A.11 A.11 A.11 --
Rp/m² 225,000 225,000 225,000 225,000 225,000 225,000 225,000 225,000 225,000 225,000 225,000 225,000 225,000 225,000 225,000 --
Jumlah Keseluruhan Rp 191,025,000 488,700,000 5,176,575,000 5,856,300,000
-
304,564,520,785
