Main Article Content
Abstract
Tujuan penelitian ini adalah identifikasi dan penghitungan kanopi pohon secara otomatis dan membandingkan hasil penghitungan kanopi pohon secara manual dan secara otomatis. Penelitian dilakukan dengan melakukan kuantifikasi dari aspek: rona, tekstur, bentuk, area, dan efek iluminasi. Kanopi dan latar dipisahkan melalui proses morfologi citra. Citra penginderaan jauh yang digunakan adalah foto udara format kecil yang diakuisisi menggunakan Kamera Nikon D1X yang terintegrasi dengan Global Positioning System (GPS) sehingga tiap lembar foto memiliki koordinat geografis yang berguna pada proses pereferensian geografis dan mozaik citra. Mozaik citra dilakukan dengan menggunakan poerangkat lunak EnzoMozaic. Penelitian dilakukan melalui dua tahap utama, yaitu: penyusunan model citra dan tahap implementasi.
Penghitungan pada Area 1 yang lebih didominasi oleh tegakan sawit dengan umur sekitar 13 tahun atau dalam kategori sawit tua, secara akumulasi menghasilkan akurasi yang lebih tinggi (96,85%) dibanding Area 2 (76,51%) yang didominasi oleh tegakan sawit dengan umur sekitar 5 tahun. Perbedaan hasil akurasi penghitungan pada Area 2 diakibatkan faktor tekstur latar yang kasar dan faktor iluminasi yang tinggi tetapi pada blok dengan tekstur dan efek iluminasi yang sedang kesalahan hasil penghitungan otomatis tidak lebih dari 1% yaitu: 0,24% pada Area2_27 (Area 2 blok 27) dan dengan delineasi kanopi yang baik pula. Penghitungan pada Area 1 secara akumulatif lebih tinggi dikarenakan pada tegakan sawit yang tua faktor latar sudah hampir tidak berpengaruh kecuali secara parsial, sekalipun lebih tinggi pada Area 1 tidak dapat dilakukan delineasi kanopi secara baik karena bentuk kanopi sudah tidak mengumpul lagi (sudah tua). Perbedaan utama pada penghitungan yang memiliki akurasi yang tinggi (>90%) pada Area 1 dan (<80%) Area 2 dan pada Area 2 dapat dilakukan delineasi kanopi dengan baik sedangkan Area 1 tidak. Penelitian ini juga menghasilkan peningkatan kecepatan kerja dibanding penghitungan langsung dilapangan dengan 5,2 m2/detik, penghitungan manual dari citra 52 m2/detik (Wanasuria, 2003) menjadi 1Ha /detik.
Kata kunci: kanopi, sawit, otomatisasi, pengolahan citra, computer vision, morphology
Penghitungan pada Area 1 yang lebih didominasi oleh tegakan sawit dengan umur sekitar 13 tahun atau dalam kategori sawit tua, secara akumulasi menghasilkan akurasi yang lebih tinggi (96,85%) dibanding Area 2 (76,51%) yang didominasi oleh tegakan sawit dengan umur sekitar 5 tahun. Perbedaan hasil akurasi penghitungan pada Area 2 diakibatkan faktor tekstur latar yang kasar dan faktor iluminasi yang tinggi tetapi pada blok dengan tekstur dan efek iluminasi yang sedang kesalahan hasil penghitungan otomatis tidak lebih dari 1% yaitu: 0,24% pada Area2_27 (Area 2 blok 27) dan dengan delineasi kanopi yang baik pula. Penghitungan pada Area 1 secara akumulatif lebih tinggi dikarenakan pada tegakan sawit yang tua faktor latar sudah hampir tidak berpengaruh kecuali secara parsial, sekalipun lebih tinggi pada Area 1 tidak dapat dilakukan delineasi kanopi secara baik karena bentuk kanopi sudah tidak mengumpul lagi (sudah tua). Perbedaan utama pada penghitungan yang memiliki akurasi yang tinggi (>90%) pada Area 1 dan (<80%) Area 2 dan pada Area 2 dapat dilakukan delineasi kanopi dengan baik sedangkan Area 1 tidak. Penelitian ini juga menghasilkan peningkatan kecepatan kerja dibanding penghitungan langsung dilapangan dengan 5,2 m2/detik, penghitungan manual dari citra 52 m2/detik (Wanasuria, 2003) menjadi 1Ha /detik.
Kata kunci: kanopi, sawit, otomatisasi, pengolahan citra, computer vision, morphology