8/6/2010
1
PERHITUNGAN POHON KELAPA SAWIT PADA CITRA FOTO UDARA YANG
BERBASIS BENTUK MAHKOTA POHONBERBASIS BENTUK MAHKOTA POHON
Nama Mahasiswa : Soffiana Agustin
NRP 5105 201 015NRP : 5105 201 015
Pembimbing: Prof . Ir. Handayani Tjandrasa, M.Sc, Ph.D
1
Latar Belakang
• Indonesia adalah salah satu penghasil minyak sawitterbesar di Dunia.
• 2009, produksi minyak kelapa sawit Indonesia diperkirakanmencapai 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/brk,20090604‐180125,id.html]
• Pohon Kelapa sawit menjadi primadona di Indonesia hi l dil k k h l h l li i li isehingga perlu dilakukan hal‐hal atau penelitian‐penelitian
untuk menunjang program pemerintah yaitu menjadikanIndonesia sebagai penghasil terbesar nomor satu di dunia.
2
8/6/2010
2
Perumusan Masalah
1. Pengurangan gangguan pada citra sehingga citrasedapat mungkin menjadi ideal.sedapat mungkin menjadi ideal.
2. Pembedaaan antara obyek dan latar yang tampakpada 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 3‐5pohon 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 dalamwaktu pagi hingga siang hari dalam bentuk softcopy small format true color
4
8/6/2010
3
Tujuan Penelitian
1. Merancang dan mengimplementasikan metodepengolahan citra untuk menghitung jumlahpengolahan citra untuk menghitung jumlahpohon kelapa sawit .
2. Metode yang disusun didasarkan padapendeteksian bentuk mahkota pohon dipadukandengan metode Intensity‐Weighted Centroid.
3. Bentuk mahkota pohon kelapa sawit didapatdengan memadukan operasi morfologi dan nilaikebulatan.
5
Kontribusi
1. Melakukan operasi normalisasi intensitas it d b ik itcitra pada proses perbaikan citra.
2. Penggabungan operasi morfologi dengan nilai kebulatan dalam mengekstraksi informasi objek.
3 Menghitung jumlah pohon kelapa sawit3. Menghitung jumlah pohon kelapa sawit setelah objek terdeteksi dan memberi tandaberdasarkan kategorinya.
6
8/6/2010
4
KAJIAN PUSTAKA
1. Culvenor 1998,– Melakukan penelitian untuk pemetaan danmonitoring struktur atribut hutan dari waktu ke waktumenggunakan penggambaran kanopi secara otomatis pada citra resolusi spasial yang tinggi.
2. Höyhtä dan Holm 2000M l k k li i i k ki– Melakukan penelitian mengenai kemungkinanpenggunaan Citra Foto Udara Digital untukmonitoring hutan dengan biaya rendah denganmelakukan mosaik
7
3. Batishko 2003– Melakukan penelitian klasifikasi obyek secara cepatberdasarkan bentuk menggunakan metode analisaFourier dan Fast Fourier.
4. Wanasuria, 2003– Melakukan penelitian tentang penghitungan jumlah
k i dil k k d l itegakan sawit dilakukan dengan cara manual, yaitu dengan menghitung satu per satu tegakan melalui citra pada layar monitor komputer
– Citra satelit Ikonos untuk mendukung pengelolaan perkebunan kelapa sawit.
8
8/6/2010
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 crown berdasarkan bentuknya dengan metode edge detection yang diikuti dengan transformasi watershed.
6. Anjin Chang, Jung Ok Kim, Kiyun Ryu dan Yong Il Kim, 2008M 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, 20062006– Melakukan survey untuk mengidentifikasi potensi alami hutan dengan jalan mendeteksi tree crownberdasarkan bentuk.
– Konsep yang digunakan adalah morphology yang diterapkan pada citra foto udara beresolusi tinggi dan penapisan nilai nodularity.
10
8/6/2010
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)
5. Menghitung jumlah pohon kelapa sawit
12
8/6/2010
7
2. Pengolahan Data Awal (Pre‐Processing)
13
Normalisasi Intensitas
Citra abu‐abu dengan efek iluminasi
Operasi Morfologiyang diterapkan
Citra baru dengan objekyang dapat dikenali
yang tidak meratay g ppada citra abu‐abu dengan lebih baik
‐ =
14
8/6/2010
8
3. Segmentasi
1. Thresholding
2. Operasi Morfologi– Menentukan Structuring Element (bentuk dan ukuran)
– Mengisi gap (Image Filling)
– Mengoperasikan jenis morfologi yang dipilihMengoperasikan 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 area dan rasio kebulatan
16
8/6/2010
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
20
8/6/2010
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 3 321
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
3 5 5 7 7
3 3 3 7 7 7
3 3 3 3 7 722
8/6/2010
12
Menghitung Luasan Objek (Area)
2 2 2 2 2 6 6 6Area = 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 7 723
Keliling (Perimeter)
2 2 2 2 2 6 6 6Perimeter = 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 7 724
8/6/2010
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 ksawit 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 mempunyai mahkota pohon lebih kecil dibandingkan dengan sawit sehat
26
8/6/2010
14
Penandaan Pohon Kelapa Sawit
• Tiap objek yang dikenali sebagai pohon kelapa sawit akan diberi tanda dengan menggambarkan tanda titik (.) berwarna kuning 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 pikselp
– Citra diliput pada ketinggian 800 – 1000 meter pada waktu pagi hingga siang hari
28
8/6/2010
15
1. Uji Konversi RGB ke Grayscale
29
2. Uji Pengolahan Data Awal
1. Perbaikan CitraA. Normalisasi Intensitas
B. Ekualisasi Histogram
2. Inversi Citra
3. Median Filtering (3 x 3)
30
8/6/2010
16
2. Uji Pengolahan Data Awal
1. Perbaikan CitraA. Normalisasi Intensitas
31
2. Uji Pengolahan Data Awal
32
8/6/2010
17
2. Uji Pengolahan Data Awal
1. Perbaikan CitraA. Normalisasi Intensitas
33
2. Uji Pengolahan Data Awal
1. Perbaikan CitraB. Ekualisasi Histogram
34
8/6/2010
18
2. Uji Pengolahan Data Awal
1. Perbaikan CitraB. Ekualisasi Histogram
35
2. Uji Pengolahan Data Awal
2. Inversi Citra
3. Median Filtering (3 x 3)
36
8/6/2010
19
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
8/6/2010
22
• Opening tanpa Filling • Opening dengan Filling
43
Uji Deteksi Bentuk Mahkota Pohon (1.jpg)
44
8/6/2010
23
Uji Deteksi Bentuk Mahkota Pohon (22.jpg)
45
Perhitungan dan Penandaan Objek Sawit
1.jpg 22.jpg
46
8/6/2010
24
Kesimpulan
• Akurasi hasil perbandingan antara perhitungan dengan interpretasi manual dengan hasil programdengan 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 hmempengaruhi hasil perhitungan jumlah
pohon kelapa sawit.
• Hasil perhitungan dari penelitian ini terbukti dapat mempersingkat waktu dalam menentukan jumlah pohon kelapa sawit pada j p p pperkebunan dan dapat digunakan sebagai alat monitoring (pengontrol) kesehatan kebun
48
8/6/2010
25
Saran
• Perhitungan pohon kelapa sawit pada citra f t d b b i b t k hk t h i ifoto 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 AttributesComparison 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, Washington.
50
8/6/2010
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 Oy Ltd, Imatra.y ,
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 HighSpatial‐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