Pos

Canopy Height Model (Chm) Menggunakan Survei Fotogrametri Untuk Perhitungan Tinggi Pohon

Oleh : Rabby Awalludin, ST

Kemunculan fotogrametri dengan menggunakan pesawat nirawak (UAV) menjadi jalan baru penggunaan metode fotogrametri dalam analisis lingkungan seperti lingkungan hutan dan daerah sulit terjamah oleh metode akuisisi lainnya. Jika dibandingkan dengan pengukuran fotogrametri dengan kamera metric dan penerbangan dengan ketinggian tinggi maupun dengan survey berbasis LiDAR, metode ini tetap memiliki resolusi spasial dan temporal yang tinggi [1].

CHM atau Canopy Height Model merupakan representasi dari tinggi pohon pada wilayah pengukuran. Tinggi pohon diukur melalui jarak antara ground (permukaan) dengan titik tertinggi pohon. Untuk daerah dengan tutupan lahan yang secara keseluruhannya merupakan pepohonan, tidak diperlukan tindakan lebih lanjut sebelum CHM dikalkulasi. Beda hal jika terdapat perumahan atau bangunan dalam area tersebut, untuk kondisi ini diperlukan pembersihan terlebih dahulu data tersebut.

Muncul pertanyaan, apa saja yang dapat kita lakukan dengan adanya CHM ini? Banyak pemanfaatan yang dilakukan oleh berbagai pihak dalam berbagai fungsi pemetaan dan analisis spasial (keruangan). Beberapa diantaranya sebagai berikut [2]:

  1. Evaluasi resiko tinggi vegetasi terhadap saluran listrik
  2. Memantau penebangan dan pemulihan hutan
  3. Menilai kesesuaian habitat untuk satwa liar
  4. Mengidentifikasi lokasi pohon-pohon yang memenuhi syarat masuk dalam kategori pohon besar (klasifikasi pohon hutan)
  5. Mengevaluasi pertumbuhan dan perkembangan pohon hutan industri

CHM merupakan hitungan turunan dari Digital Elevation Model (DEM) dan Digital Surface Model (DSM). Nilai CHM dapat diketahui dengan banyak cara, salah satunya adalah dengan melakukan pengurangan nilai DSM oleh DEM. DSM yang merupakan representasi dari nilai ketinggian keseluruhan objek di permukaan bumi dihilangkan permukaan tanahnya (ground) oleh DEM sehingga dihasilkan nilai ketinggian dari objek yang dihitung nol dari permukaan tanah. Secara singkat perhitungan nilai CHM dilakukan dengan cara berfikir seperti berikut:

DSM – DEM = CHM

Sebelum dapat menghasilkan nilai CHM dari DSM dan DEM, tentunya terdapat beberapa langkah dan metode yang harus dipenuhi terlebih dahulu. Sebelum menghasilkan nilai DSM, diperlukan data PointCloud, yang dapat dihasilkan dengan menggunakan metode fotogrametri maupun LiDAR. Secara singkat dengan menggunakan metode fotogrametri dapat dijelaskan sebagai berikut [3]:

Dilakukan aerial triangulation untuk mendapatkan nilai posisi dan ketinggian objek dari foto-foto yang diambil dengan menggunakan metode fotogrametri. Hasil ini berupa Sparse Point Cloud yang merupakan titik jarang yang merepresentasikan posisi suatu objek.


Nilai titik jarang tersebut kemudian diperbanyak sehingga menghasilkan titik-titik dengan kerapatan padat yang disebut dengan istilah Dense Point Cloud.

Interpolasi Dense Point Cloud yang menghasilkan Digital Surface Model (DSM)

Dilakukan proses klasifikasi, otomatis maupun manual yang menghasilkan data ketinggian Ground (DEM)

Kombinasi antara DSM dan DEM sehingga menghasilkan CHM

Perhitungan nilai CHM dapat dilakukan dengan menggunakan perangkat lunak ArcGIS, Global Mapper, Simactive, dan perangkat lunak pengolahan data spasial lainnya. Perhitungan dilakukan secara otomatis dengan menggunakan bahasa pemrograman yang terdapat pada masing-masing perangkat lunak.

Nilai ketelitian dari tinggi pohon yang diperoleh dengan menggunakan CHM dapat diperoleh dengan cara membandingkan beberapa sampel yang sama antara CHM dan data lapangan yang dipilih secara acak. Nilai ketelitian dari CHM sangat berpengaruh terhadap beberapa faktor, diantaranya:

·         Nilai GSD (Ground Sample Distance)

Seperti yang kita ketahui bersama, nilai GSD merupakan ukuran resolusi piksel dari hasil foto udara, baik foto udara dengan kamera metrik maupun foto udara dengan kamera non metrik. Model permukaan bumi terbentuk dari data elevasi digital dalam tiga dimensi (X, Y, Z). Data elevasi digital ini disimpan dalam format piksel grid (raster). Setiap piksel mempunyai nilai elevasi yang mewakili ketinggian titik di permukaan bumi. Semakin besar nilai GSD pada foto udara, maka resolusi spasial yang dihasilkan akan semakin rendah, dan tingkat kedetailan dari objek-objek pada foto udara akan semakin berkurang [4]. Jika GSD yang digunakan besar (resolusi rendah), nilai tinggi yang direpresentasikan oleh CHM menjadi buruk. Hal ini dipengaruhi dengan besarnya GSD, nilai tertinggi sebenarnya dari pohon tidak dapat didefinisikan dengan jelas. Sehingga representasi hasil tinggi kurang atau tidak mendekati nilai tinggi sebenarnya di lapangan.

·         Kualitas GCP

Kualitas Ground Control Point atau GCP juga ikut andil dalam ketelitian dari CHM yang dihasilkan. GCP berpengaruh dalam menentukan kedekatan posisi termasuk posisi horizontal dan vertikal dari objek pengamatan dalam hal ini pohon. Semakin baik kualitas GCP, maka akan semakin baik pula posisi dari objek pengamatan, yang secara langsung juga berpengaruh terhadap nilai CHM yang dihasilkan.

 ·         Nilai Pembanding

Nilai ketelitian hasil suatu metode didapatkan dengan membandingkan dengan hasil metode lainnya. Namun nilai pembanding tersebut harus memiliki nilai yang lebih dipercaya sehingga jika hasil metode yang dibandingkan semakin mendekati pembanding, maka metode tersebut dapat digunakan. Misalkan nilai CHM dibandingkan dengan hasil pengukuran lapangan. Metode perhitungan yang dilakukan dalam pengukuran lapangan haruslah metode yang memiliki nilai kepercayaan yang dapat dipertanggungjawabkan dengan baik.

Jonathan Lisein, Stephanie Bonnet and Philippe Lejeune dari Universitas Liege – Gembloux Agro-Biotech melakukan penelitian mengenai ketelitian CHM dengan menggunakan metode fotogrametri dengan pesawat nirawak (UAV) yang dibandingkan dengan pengukuran tinggi di lapangan [3] . Didapatkan hasil seperti pada tabel berikut :

Resolusi/GSDRMSE
25cm2.1m

Dari hasil yang didapatkan, dapat ditarik kesimpulan berupa:

  1. Penggunaan DEM dengan resolusi rendah dan akurasi yang tidak diketahui merusak nilai presisi dari DSM itu sendiri.
  2. Rekonstruksi Tiga Dimensi pohon rapat dengan menggunakan foto bergantung pada kuat dan arah angin yang menyebabkan pergerakan daun, serta pengulangan bentuk pada kanopi hutan yang padat dan berdaun lebar, keduanya dapat menghambat/membingungkan dalam proses pembentukan dense point cloud.
  3. Hasil co-registrasi DSM dan DTM untuk kawasan hutan tidak ketat secara ilmiah, karena kurangnya visibilitas tanah (tinggi vegetasi = 0) pada DSM.
  4. Penggunaan fotogrametri untuk kawasan hutan rentan terhadap error, karena nilai tanah dibawah pohon tidak terlihat.

Kerapatan point cloud dapat mempengaruhi ketelitian dari nilai tinggi yang dihasilkan. Dapat terlihat pada gambar berikut:

Sumber : www.mpdi.com

Secara keseluruhan, metode menentukan ketinggian pohon (CHM) dengan menggunakan metode survei fotogrametri cukup efektif dan efisien jika dilakukan untuk menghasilkan data dengan ketelitian yang cukup baik. Untuk dapat memastikan layak atau tidaknya metode ini dilakukan, diperlukan pemilihan metoda akuisisi dan pengolahan data yang tepat seperti proses klasifikasi point cloud, spesifikasi alat, nilai GSD yang digunakan, metode pembanding yang digunakan, penggunaan parameter dalam pengolahan data pada perangkat lunak pengolahan data yang digunakan, dsb.

Sumber Referensi :

[1] Watts A.C., Ambrosia V.G., Hinkley E.A. [2012]. Unmanned Aircraft Systems in Remote Sensing and Scientific Research: Classification and Considerations of Use. Remote Sensing 4 (6), 1671–1692.

[2] https://www.earthdefine.com/spatialcover_chm/

 [3] https://orbi.uliege.be//bitstream/2268/129781/1/ModeleNumCanopee_drone_poster.pdf

 [4] https://www.handalselaras.com/ground-sampling-distance-gsd/

PRESISI VS AKURASI PADA DATA LIDAR

Tike Aprillia Hartini

Keyword: presisi, akurasi, LiDAR (Light Detection and Ranging).

Dalam melakukan suatu pengukuran, untuk memastikan hasil ukuran yang didapatkan baik atau tidak digunakan istilah presisi dan akurasi. Presisi adalah tingkat konsistensi dari pengamatan yang ditentukan dari besarnya perbedaan dalam nilai data yang dihasilkan. Presisi sangat ditentukan oleh kestabilan kondisi pengamatan, kualitas alat, kemampuan dari pengamat, dan prosedur pengamatan. Sedangkan akurasi adalah tingkat kedekatan dari nilai pengamatan dengan nilai sebenarnya. Nilai sebenarnya dari suatu pengukuran tidak pernah dapat ditentukan, sehingga akurasi selalu tidak diketahui. [1] Namun, untuk mendekati nilai yang dianggap benar sering kali digunakan nilai rata-rata dari keseluruhan data yang diukur. Sehingga, hasil pengukuran akan memiliki tingkat akurasi yang tinggi apabila mendekati nilai rata-rata. Perbedaan presisi dan akurasi dapat dilihat pada ilustrasi di bawah ini:

Gambar 1. Akurasi dan Presisi.[1]

(1a) Akurat dan Presisi, (1b) Akurat, (1c) Presisi, (1d) Tidak Akurat dan Tidak  Presisi.

Presisi dan akurasi pun sering dikaitkan dengan kesalahan sistematis dan kesalahan acak. Kesalahan sistematis adalah kesalahan dengan kecenderungan menggeser semua pengukuran secara sistematis, sehingga nilai rata-rata secara konstan bergeser atau bervariasi dan dapat diprediksi perubahannya serta dapat dikoreksi. Sedangkan kesalahan acak adalah kesalahan dengan variasi nilai kesalahannya tidak terduga dan tidak dapat dikoreksi. Kesalahan acak ini dapat disebabkan karena faktor lingkungan di tempat pengukuran, seperti terjadi kebisingan, adanya kabut, dan getaran sehingga mempengaruhi hasil pengukuran. Apabila hasil pengukuran memiliki nilai akurasi yang rendah, maka kemungkinan besar terdapat kesalahan sistematis pada alat pengukuran. Sehingga diperlukan kalibrasi pada alat tersebut. Apabila hasil pengukuran memiliki nilai presisi yang rendah, kemungkinan besar terdapat kesalahan acak pada pengukuran yang dilakukan.

Dalam pengukuran LiDAR, presisi dan akurasi dapat dilihat dari sebaran data point cloud yang dihasilkan antar jalur terbang. Keakuratan data LiDAR dapat dilihat dari tingkat kedekatan point cloud dengan posisi aktual dari lingkungan yang dijelaskan. Sedangkan kepresisian dari data LiDAR dapat dilihat dari tingkat kekonsistenan point cloud antar jalur terbang pada titik yang sama. Sehingga, untuk mendapatkan nilai presisi ini harus dilakukan pengukuran lebih pada suatu objek. Oleh karena itu, pada saat melakukan akuisisi data lidar diperlukan pertampalan antar jalur terbang (sidelap dan overlap). Data LiDAR yang memiliki tingkat presisi yang tinggi akan menghasilkan point cloud yang lebih tipis karena memiliki jarak antar point cloud yang kecil dan memiliki sedikit noise.[2] Ilustrasi dari akurasi dan presisi dari data LiDAR dapat dilihat pada Gambar 2.

Gambar 2. Akurasi dan Presisi.[2]

Sehingga untuk mendapatkan hasil pengukuran yang mendekati nilai sebenarnya, kesalahan sistematik maupun acak harus dihindari agar tingkat akurasi dan presisi dari data yang dihasilkan memiliki kualitas yang baik. 

DAFTAR REFERENSI:

[1] Ghilani, Charles D dan Wolf, Paul R. 2006. Adjusment Computations Spatial Data Analysis. United States of America.

[2] Accuracy vs Precision. https://www.yellowscan-lidar.com/knowledge/wait-accuracy-vs-precision-isnt-rocket-science/?utm_source=hs_email&utm_medium=email&utm_content=81181499&_hsenc=p2ANqtz-9lnwORNL6_GfpxQre3qYVG3_Ykh7ZPDIctygB9BjeMocx-SeKScUmQ1DfHAia-2NGsymbjAHnuo2GoSb_CU-52hPyIMZV-oNjj-oPVj6w23CPnSpk&_hsmi=81181499, diakses pada tanggal 3 Februari 2020.

Aplikasi Survei Fotogrametri Menggunakan UAV Pada Hutan Tanaman Industri

Oleh: Rabby Awalludin

Dewasa ini perkembangan teknologi mendorong manusia untuk mengubah cara pandang dan pemikirannya terhadap pemanfaatan yang tepat guna terhadap teknologi itu sendiri. Pemanfaatan tepat guna ini tentunya bertujuan untuk meningkatkan efektifitas dan efisiensi pekerjaan yang dilakukan. Beberapa hal yang awal mulanya dilakukan secara manual dengan waktu pengerjaan yang lama, kini mulai berangsur-angsur tergantikan dengan metode baru, yang mana metode ini mulai menerapkan otomatisasi menggunakan teknologi yang berkembang saat ini.

Tak terkecuali dalam sektor pertanian dan perkebunan hutan tanaman industri, penerapan teknologi berbasis digital juga sangat diperlukan saat ini demi peningkatan hasil produksi. Area yang sangat luas dengan tuntutan produksi yang cepat, mendorong teknologi masuk untuk menggantikan cara-cara lama yang sebelumnya dilakukan secara manual. Metode lama yang umum digunakan memanfaatkan kemampuan subjektif manusia yang mana penilaian subjektif tersebut cenderung berpeluang besar menyebabkan kesalahan-kesalahan blunder.  Kesalahan blunder merupakan hasil dari kesalahan yang disebabkan kecerobohan (kekurang hati-hatian) pengamat dalam mengamati/menganalisis objek. Oleh karena itu, dibutuhkan kemampuan teknologi untuk dapat melengkapi kekurangan-kekurangan yang mungkin saja terjadi jika menggunakan metode-metode lama tersebut.  

Analisis yang dilakukan pada tanaman hutan industri seperti perhitungan jumlah pohon, penilaian subjektif manusia terhadap kesehatan tanaman, perhitungan tinggi pohon, dan analisis objek lainnya akan sangat bergantung terhadap kemampuan analisis dari si pengamat itu sendiri. Sehingga untuk meningkatkan akurasi dari data analisis yang dihasilkan, maka diperlukan kemampuan teknologi yang mumpuni dan dapat diandalkan. Kebutuhan tersebut sekarang dapat teratasi dengan memanfaatkan metode pemetaan yang menggunakan wahana terbang yang dikenal dengan teknologi pemetaan menggunakan metode fotogrametri.

Fotogrametri Dalam Pemetaan

Fotogrametri merupakan suatu metode yang dapat menghasilkan data dan informasi dari objek fisik di permukaan bumi dengan menggunakan kamera yang dipasang pada wahana terbang. Metoda ini sangat menjanjikan saat ini dengan berbagai kelebihan yang dimilikinya. Beberapa keuntungan yang diberikan adalah sebagai berikut:

  1. Cakupan area yang luas
  2. Waktu yang singkat
  3. Cost rendah
  4. Akses yang mudah dari udara
  5. Menggambarkan detail yang besar

Dengan berbagai keunggulan yang telah disebutkan diatas, teknologi survei ini menjadi primadona dalam dunia pemetaan saat ini. Teknologi ini dapat menghasilkan peta foto yang sangat membantu dalam analisis-analisis spasial yang dibutuhkan dalam berbagai bidang seperti pertambangan, perminyakan, hutan industri, dsb. Selain itu hasil dari fotogrametri juga dapat menyajikan informasi berupa tinggi suatu objek, baik tinggi tanaman maupun topografis daerah yang dipetakan. Sektor industri yang saat ini cukup banyak memanfaatkan teknologi ini adalah industri kelapa sawit dan beberapa tanaman industri lainnya seperti akasia dan eukaliptus.

Penggunaan fotogrametri dalam pemetaan dengan pesawat tanpa awak atau drone atau yang lebih dikenal dengan sebutan UAV (Unmanned Aerial Vehicle) berkembang pesat pada dekade ini. UAV merupakan wahana terbang yang dikontrol oleh seorang pilot melalui remote control, dimana pilot tersebut dapat melakukan kontrol terhadap wahana terbang tanpa harus naik diatasnya. Berdasarkan jenis alat penggeraknya, UAV dapat dibagi menjadi dua jenis, yaitu UAV Fixed Wing dan UAV Multirotor. UAV jenis Fixed Wing dilengkapi dengan sayap di kedua sisinya. UAV jenis ini sendiri memiliki beberapa bentuk dan ukuran, bergantung pada kegunaannya masing masing. Tenaga penggerak yang digunakan bersumber dari baterai dan dapat pula dengan menggunakan bahan bakar. UAV Multirotor adalah UAV yang menggunakan baling-baling (propellers) pada tiap lengannya. UAV jenis ini biasa dikenal dengan nama Multicopter dan untuk penamaan UAV jenis ini sendiri disesuaikan dengan banyaknya propeller atau baling-baling yang digunakan. UAV jenis ini menggunakan sumber tenaga berupa baterai dan merupakan jenis UAV terbanyak yang dijual di pasaran saat ini.

Penggunaan jenis UAV dalam pemetaan fotogrametri dipengaruhi oleh beberapa faktor seperti luasan area pengukuran, tinggi terbang, kondisi topografi wilayah dan ketepatan waktu yang dibutuhkan.  Pada tabel berikut akan dijabarkan kelebihan yang terdapat pada masing-masing UAV.

Kapabilitas Fixed Wing dan Multirotor

No.KapabilitasFixed WingsMultirotor
1Panjang line terbang (1 misi)± 60km±8km
2Tinggi Aman Maksimal300m150m
3Kecepatan Terbangcepat5-8m/s
4Lahan datar luasbutuhKurang butuh
5Kestabilan Terbang+
6Cakupan Wilayah (1 misi)besarkecil

Berdasarkan tabel diatas, jika melakukan survei fotogrametri dengan area yang luas serta waktu pengerjaan yang sedikit akan sangat efektif jika menggunakan UAV Fixed Wings. Namun jika membutuhkan hasil peta foto dengan nilai GSD yang kecil, maka sebaiknya menggunakan UAV multirotor.

Jenis-jenis UAV

Fotogrametri Pada Hutan Tanaman Industri

Berdasarkan data Kementrian Pertanian Republik Indonesia, total luasan lahan perkebunan kelapa sawit di Indonesia berada pada kisaran 14 juta hektar dengan laju pertumbuhan dari tahun 2016 ke tahun 2017 adalah sebesar 25,4%. Dikutip dari ekonomi.kompas.com, Dirjen Perkebunan Kementrian Pertanian, Bambang, pernah mengatakan bahwa tingkat produksi dari perkebunan sawit di Indonesia masih dibawah standar dengan rata-rata tingkat produksi  3,6 ton per hektar. Selain itu, masih ada potensi yang dapat dikembangkan untuk sektor ini di Indonesia. Dalam proses peningkatan produksi tentu diperlukan beberapa tindakan tepat guna. Peningkatan tingkat produksi dapat dilakukan dengan melakukan monitoring secara berkala guna melihat pertumbuhan dan perkembangan yang baik dari hutan kelapa sawit itu sendiri.

Secara manual, proses monitoring dilakukan dengan menerjunkan langsung pekerja dengan jumlah yang  banyak. Selain itu dengan luasan area yang besar ditambah dengan metoda yang dilakukan manual, penyajian data tentunya akan memakan waktu yang lama dan sangat riskan mengandung kesalahan-kesalahan. Untuk dapat mengurangi kemungkinan kesalahan serta pengefisienan waktu, saat ini fotogrametri dapat menjadi pilihan yang tepat.  Untuk pengerjaan dengan luasan area yang besar serta kepentingan peningkatan produksi hasil dibutuhkan teknologi seperti fotogrametri yang dapat menyajikan sumber data tepat guna sesuai dengan kebutuhan tersebut. Metode dengan teknologi fotogrametri dapat menghasilkan representasi gambar tegak suatu wilayah dalam bentuk peta foto (orthophoto) yang akan sangat membantu dalam proses analisis-analisis yang dibutuhkan seperti penentuan jumlah pohon, wilayah tanam kosong, kesehatan tanaman, dsb. 

Orthophoto atau peta foto awalnya dibuat dengan melakukan proses align atau penggabungan data citra foto yang sebelumnya telah diakuisisi. Kemudian proses align tersebut menghasilkan data sparse point cloud yang merupakan titik-titik jarang yang merepresentasikan titik objek yang memiliki kesamaan posisi dari tiap raw data foto yang berdekatan. Kemudian dilanjutkan dengan menghasilkan foto tegak/orthophoto yang selanjutnya akan dimanfaatkan dalam proses digitasi.

Digitasi merupakan proses mengkonversi data raster menjadi data vektor dimana pada data hasil digitasi tersebut dapat disertakan atribut atau informasi tambahan dari objek yang dimaksud. Pada saat ini, proses digitasi dapat dilakukan dengan menggunakan komputer yang lebih populer dengan sebutan Digitasi on Screen.  Sejauh ini penggunaan hasil dari teknologi fotogrametri dalam industri kelapa sawit adalah dalam analisis menghitung jumlah pokok pohon, kesehatan tanaman, blank spot (area tanam kosong), tinggi pohon dan kondisi topografis wilayah perkebunan. Proses digitasi untuk mendapatkan hasil analisis saat ini umumnya dilakukan secara manual on screen oleh interpretasi manusia dari peta foto (ortophoto/foto tegak) yang dihasilkan.  Jika dibandingkan dengan metoda lama dengan keharusan pengamat terjun langsung ke lapangan guna melakukan analisis, tentu saja metode fotogrametri ini sangat membantu dari segi efektifitas waktu survei dan efisiensi anggaran yang diperlukan. Selain itu, tingkat produksi pekerja menjadi lebih cepat dan efisien sehingga delivery data dapat lebih cepat dilakukan.

Secara garis besar tahapan pengolahan data pada proses penghitungan jumlah pohon sawit dengan metoda manual on screen adalah sebagai berikut:

Orthophoto dapat dihasilkan dengan menggunakan beberapa software pengolahan data foto seperti Agisoft Photoscan, Pix4DMapper, DroneDeploy, APS Menci, dsb. Kemudian dari hasil pengolahan orthophoto tersebut dilakukan pemotongan citra sesuai dengan yang luasan wilayah yang diinginkan. Proses interpretasi merupakan proses dimana objek yang terlihat pada orthophoto dibagi berdasarkan penampakan visualnya yang kemudian ditandai dengan melakukan proses digitasi. Sehingga akhirnya nanti didapatkan sebaran pohon dan analisis lainnya. Beberapa perangkat lunak yang umum digunakan dalam proses digitasi manual on screen adalah ArcGIS, qGIS, GlobalMapper, dsb.

Hasil Digitasi Pohon

Selain menggunakan cara digitasi manual on screen, penghitungan jumlah pohon dan analisis lainnya juga dapat dilakukan secara otomatis dengan memanfaatkan teknologi kecerdasan buatan. Tentu saja untuk dapat menghasilkan perangkat kecerdasan buatan membutuhkan waktu yang cukup lama dan data orthophoto yang banyak. Dalam hal ini kecerdasan buatan didesain untuk mengidentifikasi objek yang dianalisis terlebih dahulu melalui hasil digitasi manual on screen. Penggunaan kecerdasan buatan dapat mempercepat proses digitasi dan analisis lainnya karena semua proses dijalankan dengan prinsip otomatis.  Dari segi akurasi atau angka kepercayaan, metoda otomatis masih kurang dibandingkan dengan metoda manual on screen. Namun untuk meningkatkan angka kepercayaan dari data yang dihasilkan metoda otomatis, dapat dilakukan penggabungan antara metode digitasi manual on screen dan digitasi otomatis. Berikut tabel beberapa perbandingan antara metode otomatis dan manual on screen:

Aspek PenilaianOtomatisManual
Waktu+
Akurasi+
Identifikasi Pohon Belum Tumbuh+

Selain dengan menggunakan perangkat lunak dengan kecerdasan buatan yang dibuat sendiri, analisis juga dapat dilakukan dengan memanfaatkan perangkat lunak pengolahan data yang dikhususkan untuk analisis sebaran pohon sawit seperti software berbayar eCognition Oil Palm Application.

Fotogrametri Pada Hutan Industri Akasia, Eukaliptus, Dll

Hasil produksi maksimal yang berlimpah merupakan target utama bagi setiap perusahaan yang bergerak dibidang perkebunan tanaman industri. Untuk mencapai tujuan itu, tentunya perlu dilakukan langkah-langkah tepat guna yang meningkatkan keefisienan dan keefektifan jalannya proses hingga kegiatan produksi dilaksanakan. Penggunaan metode lama dengan prinsip sampling memiliki kemungkinan kesalahan yang besar, sehingga tidak dapat digunakan sebagai patokan atau dasar dari perhitungan perkiraan jumlah hasil produksi yang didapatkan.

Selain industri kelapa sawit, pemanfaatan teknologi fotogrametri juga dapat dilakukan pada tanaman industri lain seperti hutan tanaman industri akasia, eucalyptus, pinus, cemara dsb.  Beberapa analisis yang dapat dilakukan dengan menggunakan orthophoto hasil dari metode fotogrametri diantaranya adalah analisis titik tanam kosong (blankspot), jarak tanam, wilayah banjir, menghitung jumlah pohon, analisis pohon liar yang tumbuh di area tanam hingga sebaran gulma di area tanam.

Blank spot merupakan daerah kosong yang berada dalam kawasan tanam yang tidak ditumbuhi oleh tanaman inti. Blankspot menjadi indikator penentu maksimal atau kurang maksimalnya pemanfaatan luasan lahan yang dapat ditanami. Selain itu, blank spot juga dapat terjadi akibat matinya tanaman sebelum tumbuh dan berkembang sehingga menyebabkan kosongnya wilayah tersebut. Hal ini tentu harus dihindari untuk memaksimalkan produksi yang dihasilkan. Blankspot dapat dengan mudah dianalisis dengan melihat tampakan atas area tanam yang dapat dihasilkan dari survei fotogrametri (orthophoto).

Daerah banjir (flood area) dapat menjadi salah satu penyebab matinya tanaman sebelum tumbuh dan berkembang. Dengan analisis yang didapat dari proses digitasi on screen, flood area akan dapat dengan cepat ditangani. Selain flood area, keberadaan gulma juga dapat menjadi faktor penghambat pertumbuhan dan perkembangan tanaman, bahkan juga dapat menyebabkan tanaman mati sebelum tumbuh. Menurut Nasution (1986):”Gulma merupakan tumbuh-tumbuhan yang tumbuh pada tempat yang tidak diinginkan sehingga menimbulkan kerugian bagi kehidupan manusia. Kerugian yang ditimbulkan antara lain pengaruh persaingan (kompetisi) mengurangi ketersediaan unsur hara tanaman mendorong efek allelophaty “. Zat allelophaty merupakan zat yang bersifat racun bagi tanaman sehingga harus ditanggulangi dengan cepat sebelum berefek besar. Dengan hasil fotogrametri, keberadaan gulma dan sebarannya dapat dengan mudah dianalisis sehingga dapat dilakukan tindak lanjut yang efektif dan efisien.

Sama halnya dengan tanaman kelapa sawit, otomatisasi dengan menggunakan kecerdasan buatan juga dapat dimanfaatkan untuk hutan tanaman industri lainnya. Namun lagi-lagi dibutuhkan waktu yang cukup lama dan data yang banyak untuk membiasakan kecerdasan buatan ini melakukan analisis terhadap objek seperti tanaman inti, daerah banjir, tanaman liar, blank spot, jalan, dan sebagainya secara otomatis.

Selain dengan menggunakan orthophoto, analisis lain dapat dilakukan dengan menggunakan data DEM yang juga dihasilkan dari olahan data fotogrametri. Digital Elevation Model (DEM) adalah gambaran model relief rupabumi tiga dimensi (3D) yang menyerupai keadaan sebenarnya di dunia nyata (real world) divisualisasikan dengan bantuan teknologi komputer grafis dan teknologi virtual reality. Terdapat tiga jenis data elevasi (ketinggian) yang dapat dijadikan sebagai data dasar analisis, yaitu data CHM (Canopy Height Model), DSM (Digital Surface Model), dan data DTM (Digital Terrain Model). CHM merepresentasikan ketinggian suatu objek dari permukaan bumi. Data ini diperoleh dengan melakukan proses pemotongan data DSM oleh data DTM. DSM merupakan bentuk digital dari permukaan tanah (termasuk objek diatasnya) sedangkan DTM merupakan representasi dari dari permukaan tanah yang tidak mengikutsertakan objek-objek yang berada diatasnya. Nilai tinggi objek yang dihasilkan CHM memungkinkan dilakukannya analisis mengenai apakah suatu tanaman memiliki tinggi rata-rata yang sama dengan tinggi tanaman yang seumuran dengannya yang kemudian data tersebut dapat dijadikan sebagai dasar analisis, apakah suatu tanaman tumbuh dan berkembang sesuai dengan rata-rata pertumbuhan dan perkembangan tanaman yang seumuran dengannya pada umumnya.

Perbedaan Kenampakan DTM dan DSM
Sumber: gisresources.com

Selain dengan menggunakan orthophoto RGB dan data elevasi seperti DTM, CHM, DSM, analisis mengenai tanaman hutan industri juga dapat dilakukan dengan menggunakan orthophoto hasil dari pengambilan data dengan menggunakan kamera dengan sensor multispektral.

Sumber Referensi :

https://ekonomi.kompas.com/read/2018/02/26/203000426/kementerian-pertanian–lahan-sawit-indonesia-capai-14-03-juta-hektare diakses pada 20/10/2019, 15:09 WIB.

https://docplayer.info/47906778-Teknik-digitasi-oleh-edi-sugiarto-s-kom-m-kom.html  diakses pada 20/10/2019, 15:09 WIB.

Purwanto, TH. 2015. “Digital Terrain Modelling,” Univ. Gadjah Mada.

http://www.gisresources.com/confused-dem-dtm-dsm/ diakses pada 20/10/2019, 17:02 WIB.

https://pertanian.pontianakkota.go.id/artikel/48-gulma-dan-cara-menanggulanginya.html  diakses pada 21/10/2019, 08:31 WIB.

Citra Multispektral UAV Untuk Monitoring Kesehatan Vegetasi

Oleh : Rabby Awalludin

Data penginderaan jauh dengan resolusi tinggi sangat dibutuhkan akhir-akhir ini oleh pemerintah maupun swasta di Indonesia. Pemanfaatannya sangat beragam seperti penyedian peta skala rinci dalam mendukung pembangunan pedesaan, pengembangan wilayah perkotaan, perencanaan pembangunan jalan dan bangunan, analisis kepadatan kota, sebaran vegetasi perkotaan, hingga monitoring perkebunan. Data-data tersebut umumnya dapat diperoleh melalui satelit komersial seperti WorldView, GeoEye, IKONOS, dsb. Namun ketersedian data tersebut terkadang tidak sesuai dengan alokasi waktu yang dianggarkan dalam proyek, karena hasil citra sangat bergantung pada kondisi awan dan biasanya delivery order memakan waktu yang cukup lama. Bahkan untuk beberapa daerah terkadang tidak memiliki data citra satelit sama sekali.

Seiring perkembangan teknologi, dengan keberadaan pesawat tanpa awak (UAV) kini kebutuhan akan citra dengan resolusi tinggi dapat dengan mudah terpenuhi. Pesawat tanpa awak yang kini popular dengan sebutan UAV merupakan mesin terbang yang dikendalikan oleh seorang pilot yang berada di permukaan bumi secara manual maupun otomatis.  Terdapat dua variasi kontrol UAV, variasi pertama yaitu dikontrol melalui pengendali jarak jauh dan variasi kedua adalah pesawat yang terbang secara mandiri berdasarkan program yang dimasukan ke dalam pesawat sebelum terbang. UAV memungkinkan terpenuhinya kebutuhan peta foto yang tidak dipotret oleh satelit, serta dapat diambil sesuai dengan waktu-waktu yang diinginkan. Penggunaan UAV memungkinkan tidak terdapatnya isu awan pada peta foto yang dihasilkan, ini tentunya menjadi poin plus yang membuat UAV menjadi lebih populer saat ini.

Sudah menjadi rahasia umum dimana Indonesia merupakan negara agraris dengan luas hutan tanaman industri yang besar. Secara tidak langsung sektor ini juga ikut andil dalam menumpu pertumbuhan perekonomian di Indonesia. Peningkatan produksi tentu saja menjadi tujuan utama demi memperbesar keuntungan yang diperoleh dari hasil industri.  Peningkatan jumlah produksi ini haruslah berimbang dengan kegiatan perawatan dan monitoring yang dilakukan.  Kegiatan monitoring dan perawatan ini bertujuan untuk mengontrol pertumbuhan dan perkembangan dari tanaman itu sendiri. Untuk menjawab kebutuhan tersebut, fotogrametri dengan wahana UAV memungkinkan pengambilan gambar dengan menggunakan kamera multispektral yang mana citra ini dapat dimanfaatkan untuk beberapa keperluan sebagai berikut:

  • Monitoring kesehatan tanaman
  • Penyelidikan kesuburan tanah dengan mengidentifikasi kemunculan hama
  • Penanda awal munculnya titik api
  • Dapat dijadikan pendeteksi praktik pencurian kayu yang dilakukan pada malam hari
  • Pendeteksian korban bencana alam yang sulit dijangkau
  • Mendeteksi panas pada komponen listrik secara lebih rinci, yang dapat meminimalisasi timbulnya kerusakan yang parah

Apa yang dimaksud dengan kamera atau sensor multispektral? Berbeda dengan sensor kamera pada umumnya. Sensor kamera pada umumnya merupakan sensor kamera dengan gelombang cahaya visible yang terdiri dari 3 kanal gelombang cahaya yaitu merah, hijau dan biru. Sedangkan untuk kamera sensor multispektral memiliki kanal tambahan seperti Near InfraRed dan beberapa kanal lainnya.  Hasil citra yang dihasilkan oleh kamera multispektral merupakan sebuah gambar yang memiliki data dengan frekuensi yang sangat detail yang disuguhkan dalam spektrum elektromagnetik. Panjang gelombang elektromagnetiknya dibagi ke dalam beberapa filter dengan menggunakan instrumen yang sensitif dengan panjang gelombang, termasuk frekuensi penglihatan manusia (visible). Frekuensi penglihatan manusia berada pada panjang gelombang 400 hingga 700 nm. Ini menyebabkan manusia hanya dapat melihat dan membedakan warna mulai dari ungu hingga merah. Kamera multispektral memungkinkan manusia untuk menggunakan spektrum cahaya lain yang sangat bermanfaat bagi berbagai macam kebutuhan manusia. Berikut beberapa pembagian kanal gelombang cahaya yang ada pada sensor multispektral:

Kanal Biru

Gelombang ini memiliki panjang energi 450-520 nm yang biasa digunakan untuk pencitraan gambar yang ada di atmosfer dan bawah air dengan tingkat kedalaman hingga 50 meter

Kanal Hijau

Gelombang ini memiliki panjang energi dari 520-600 nm yang biasa digunakan untuk pencitraan gambar agrikultural dan struktur bawah air dengan kedalaman hingga 30 meter

Kanal Merah

Memiliki panjang energi 600-690 nm, yang banyak digunakan untuk pencitraan benda-benda buatan manusia, objek di bawah air dengan kedalam 9 m, pertambangan, dan agrikultural

Kanal Near Infrared (NIR)

Spektrum ini memiliki panjang energi 750-900 nm, banyak digunakan untuk kebutuhan agrikultural.

Kanal Mid Infrared (MIR)

Panjang energi dari gelombang ini adalah 1550-1750 nm, yang banyak diaplikasikan pada kebutuhan agrikultural, tingkat kesuburan tanah, dan upaya pemadaman titik api di hutan

Kanal Far Infrared (FIR)

Memiliki panjang gelombang 2080-2350 nm yang banyak digunakan untuk pengontrolan kesuburan tanah, pertambangan, dan pemadaman titik api di hutan

 Kanal Thermal Infrared

Gelombang ini memiliki panjang energi 10400-125000 nm, banyak digunakan untuk kebutuhan pertambangan, upaya pemadaman titik api di hutan, dan penelitian di malam hari.

Beberapa kamera dengan sensor multispektral yang biasa digunakan pada survey fotogrametri adalah sebagai berikut:

  1. Parot Sequoia, merupakan kamera multispektral pertama yang memberikan pengukuran reflektansi absolut tanpa perlu menggunakan target kalibrasi radiometrik. Berkat pipeline pemrosesan radiometrik Pix4D yang baru, Parrot Sequoia + memungkinkan evaluasi yang lebih konsisten terhadap data yang dikumpulkan dan meningkatkan pengalaman pengguna dengan menghilangkan kebutuhan akan target kalibrasi radiometrik. Berat 135gr.
  2. RedEdge, menyediakan banyak pilihan untuk integrasi dari yang berdiri sendiri (di mana Anda hanya menyediakan daya ke kamera) untuk sepenuhnya terintegrasi. Integrasi lanjutan memanfaatkan antarmuka fleksibel termasuk pemicu Ethernet, serial, RTK, dan PWM / GPIO, untuk integrasi yang mulus dengan drone apa pun. Berat 170gr.
(a) Parot Sequioa, (b) Micrasense RedEdge
Sumber: fulldronesolutions.com

Beberapa kanal yang ada kamera multispektral Micasense RedEdge dan tampilan raw data foto yang dihasilkan dapat dilihat pada tabel berikut.

Terlihat cukup jelas pada contoh-contoh citra pada tabel diatas. Kenampakan abu-abu pada objek pohon terdapat pada citra dengan kanal hijau, NIR dan RedEdge yang menandakan bahwa berkas sinar ketiganya dipantulkan sebagian oleh vegetasi pohon tersebut. Pada kanal merah dan biru, kenampakan objek vegetasi pohon berwarna hitam gelap yang mengindikasikan bahwa berkas sinar pada kanal ini terserap (terabsorbsi) dengan baik oleh vegetasi pohon.

Seperti yang dibahas sebelumnya, hasil dari kamera dengan sensor multispektral dapat digunakan sebagai dasar analisis dari monitoring kesehatan vegetasi (tanaman hijau). Penggunaan kanal untuk keperluan analisis ini biasanya adalah kanal hijau, merah, biru dan Near Infrared (NIR). Kamera digital yang umum saat ini ditengah masyarakat merupakan kamera yang bekerja pada kanal visible (biru, hijau, dan merah) dengan hasilnya merupakan citra seperti yang terlihat oleh mata normal manusia. Kemudian ditambahkan kanal baru yang peka terhadap zat hijau daun yaitu kanal NIR.  Penambahan ini dilakukan agar dapat dengan mudah melakukan analisis terhadap tingkat kehijauan vegetasi atau tanaman hijau pada hasil citra.

Karakteristik pantulan spektral dari vegetasi (tanaman) dipengaruhi oleh kandungan pigmen daun, material organik, air, dan karakteristik struktural daun seperti bentuk dan luas daun (Huete and Glenn, 2011). Spektral merupakan interaksi antara energi elektromagnetik (EM) dengan suatu objek. Objek dimuka bumi memiliki ciri dan karakteristik yang berbeda satu dengan lainnya sehingga kemampuan dalam memantulkan cahayanya pun berbeda.  Berdasarkan karakteristik pantulan spektralnya, dapat dibagi dua, yaitu spektrum tampak (visible spektrum) dan spektrum NIR. 

Kurva Reflektansi
Sumber: raharjabayu.wordpress.com

Berdasarkan kurva diatas, kanal merah dan biru lebih banyak terserap dari pada dipantulkan pada objek vegetasi sehingga kurang baik jika digunakan sebagai analisis vegetasi. Berbanding terbalik dengan kanal NIR yang pada tanaman hijau lebih banyak dipantulkan daripada diserap, terlihat dari nilai reflektan yang besar. Maka dapat disimpulkan bahwa semakin tinggi nilai reflektan dari kanal NIR suatu objek tanaman hijau, maka semakin sehat tanaman hijau tersebut.

Identifikasi kesehatan tanaman hijau tidak cukup hanya dengan menggunakan citra hasil dari kamera multispektral. Terdapat suatu metode lanjutan lain yang menggunakan citra multispektral sebagai data dasar dalam analisisnya. Metode tersebut adalah Normalized Difference Vegetation Index atau yang lebih populer dengan sebutan NDVI. 

Sumber Referensi:

https://www.fulldronesolutions.com diakses pada 17/10/2019 pukul 09:30 WIB

http://jogjasky.com/kamera-multispectral/ diakses pada 17/10/2019 pukul 09:50 WIB

Uktoro I. Arief. 2017. Jurnal Agroteknose. Volume VIII No. II Tahun 2017 ANALISIS CITRA DRONE UNTUK MONITORING KESEHATAN TANAMAN KELAPA SAWIT

http://raharjabayu.wordpress.com diakses pada 17/10/2019 pukul 11:10 WIB