8/6/2010
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 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 sehingga hi perlu l dilakukan dil k k hal‐hal h l h l atau penelitian‐penelitian li i li i untuk menunjang program pemerintah yaitu menjadikan Indonesia sebagai penghasil terbesar nomor satu di dunia.
2
1
8/6/2010
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 bentuk softcopy small format true color
4
2
8/6/2010
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 citra pada proses perbaikan citra. it d b ik it 2. Penggabungan operasi morfologi dengan nilai kebulatan dalam mengekstraksi informasi objek. 3 Menghitung jumlah pohon kelapa sawit 3. Menghitung jumlah pohon kelapa sawit setelah objek terdeteksi dan memberi tanda berdasarkan kategorinya. 6
3
8/6/2010
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 Melakukan l k k penelitian li i mengenaii kemungkinan k ki 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 tegakan sawit dilakukan dengan cara manual, yaitu k i dil k k d l i dengan menghitung satu per satu tegakan melalui citra pada layar monitor komputer – Citra satelit Ikonos untuk mendukung pengelolaan perkebunan kelapa sawit.
8
4
8/6/2010
5. Le Wang, Peng Gong dan Gregory S. Biging,2004 –M Mendeteksi individual tree crown d k i i di id l b d berdasarkan k bentuknya dengan metode edge detection yang diikuti dengan transformasi watershed.
6. Anjin Chang, Jung Ok Kim, Kiyun Ryu dan Yong Il Kim, 2008 –M Menghitung jumlah pohon pinus di korea dengan hi j l h h i di k d 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 dan penapisan nilai nodularity.
10
5
8/6/2010
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 ( (grayscale) l ) 2. Pemrosesan data awal (pre‐processing) 3. Segmentasi 4. Pendeteksian mahkota pohon (tree crown) 5. Menghitung jumlah pohon kelapa sawit
12
6
8/6/2010
2. Pengolahan Data Awal (Pre‐Processing)
13
Normalisasi Intensitas Citra abu‐abu dengan efek iluminasi yang tidak merata
Operasi Morfologi yyang diterapkan g p pada citra abu‐abu
‐
Citra baru dengan objek yang dapat dikenali dengan lebih baik
=
14
7
8/6/2010
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 area dan rasio kebulatan 16
8
8/6/2010
Pemberian Label (Labelling)
17
Pemberian Label (Labelling)
1
18
9
8/6/2010
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
20
10
8/6/2010
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
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
6
6
6
6
6
6
6
6
6
6
6
6
6
4 4
4
4
4
5
5 3 3
3
3
3
3
3
5
5
5
5
5
5
5
5 7
3
6
7
7
7
7
7
7 22
11
8/6/2010
Menghitung Luasan Objek (Area) Area = 22
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
6
6
6
6
6
6
6
6
6
6
6
6
6
4 4
4
4
4
5
5 3 3
3
3
3
3
3
6
5
5
5
5
5
5
5
5 7
3
7
7
7
7
7
7 23
Keliling (Perimeter) Perimeter = 13
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
6
6
6
6
6
6
6
6
6
6
6
6
6
4 4
4
4
4
5
5 3 3
3
3
3
3
3
5
5
5
5
5
5
5
5 7
3
6
7
7
7
7
7
7 24
12
8/6/2010
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 sawit tetapi mempunyai bentuk it t t i ib t k 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 Sawit rusak adalah objek yang diduga k d l h bj k did sebagai pohon kelapa sawit tetapi mempunyai mahkota pohon lebih kecil dibandingkan dengan sawit sehat
26
13
8/6/2010
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 pada waktu pagi hingga siang hari
28
14
8/6/2010
1. Uji Konversi RGB ke Grayscale
29
2. Uji Pengolahan Data Awal 1. Perbaikan Citra A. Normalisasi Intensitas B. Ekualisasi Histogram
2. Inversi Citra 3. Median Filtering (3 x 3)
30
15
8/6/2010
2. Uji Pengolahan Data Awal 1. Perbaikan Citra A. Normalisasi Intensitas
31
2. Uji Pengolahan Data Awal
32
16
8/6/2010
2. Uji Pengolahan Data Awal 1. Perbaikan Citra A. Normalisasi Intensitas
33
2. Uji Pengolahan Data Awal 1. Perbaikan Citra B. Ekualisasi Histogram
34
17
8/6/2010
2. Uji Pengolahan Data Awal 1. Perbaikan Citra B. Ekualisasi Histogram
35
2. Uji Pengolahan Data Awal 2. Inversi Citra 3. Median Filtering (3 x 3)
36
18
8/6/2010
2. Uji Pengolahan Data Awal 2. Inversi Citra 3. Median Filtering (3 x 3)
37
3. Uji Segmentasi 1. Uji Thresholding 2. Uji Operasi Morfologi
38
19
8/6/2010
39
40
20
8/6/2010
Citra: 22.jpg
41
• Opening tanpa Filling
• Opening dengan Filling
42
21
8/6/2010
• Opening tanpa Filling
• Opening dengan Filling
43
Uji Deteksi Bentuk Mahkota Pohon (1.jpg)
44
22
8/6/2010
Uji Deteksi Bentuk Mahkota Pohon (22.jpg)
45
Perhitungan dan Penandaan Objek Sawit 1.jpg
22.jpg
46
23
8/6/2010
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 mempengaruhi hasil perhitungan jumlah hi h il hit j l h pohon kelapa sawit. • Hasil perhitungan dari penelitian ini terbukti dapat mempersingkat waktu dalam menentukan jumlah pohon kelapa sawit pada j p p p perkebunan dan dapat digunakan sebagai alat monitoring (pengontrol) kesehatan kebun 48
24
8/6/2010
Saran • Perhitungan pohon kelapa sawit pada citra f t d foto udara berbasis bentuk mahkota pohon ini b b i b t k hk t h i i 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 Microorganisms, Batishko C R (2003)b Rapid Screening of Microorganisms PNNL Sensors and Electronics, U.S. Department of Energy, Washington.
50
25
8/6/2010
• 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 Oy Ltd, Imatra. y ,
51
• Le Wang Peng Gong dan Gregory S. Biging, (2004), Individual Tree‐Crown Tree Crown Deleneation and Treetop Detection in High 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 MAPIN, ITB, Bandung. 52
26
8/6/2010
53
27