DAFTAR PUSTAKA. 2. Congalton,R.G, (1991), Assessing the Accuracy of Remotely Sensed Data : Principles and Practises, Lewish Publisher, New York, NY.

Transkripsi

1 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 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 : KEP- 519/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 : SE- 21/PJ.6/1999, Tanggal 23 April 1999 tentang Petunjuk Pelaksanaan KEP- 16/PJ.6/1998 Khusus Untuk Pengenaan PBB Sektor Perkebunan, Jakarta. 8. Ditjen Pajak. (1999), Surat Edaran Direktur Jenderal Pajak Nomor : SE- 30/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 : KEP- 533/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.

2 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, Wanasuria, Suih,dkk,2003, Penggunaan Citra Satelit Ikonos dan GIS dalam Manajemen Perkebunan Kelapa Sawit untuk Meningkatkan Potensi Produksi TBS, Prosiding Lokakarya, Pekanbaru.

3 LAMPIRAN

4 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.

5 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

6 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 Standard inside 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.

7 67 Lampiran C Proses Penajaman Citra Menggunakan Filter Spasial 1. Buka file citra. 2. Pada menu toolbar klik maka akan muncul filter window. 3. Pada filter filename pilih kernel filter high_pass Sharpen_11x11.ker 4. Lakukan hal yang sama pada Band green dan blue.

8 68 Lampiran D Hasil Interpretasi Visual Areal Klasifikasi (Hariyanto, 2006) 1. Interpretasi batas areal kebun Deskripsi Kunci Utama Interpretasi Kenampakan di citra 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. 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 Utama Interpretasi Bentuk Batas blok atau kebun dikenali dari bentuknya yang memanjang di dalam areal kebun dan cenderung lurus. Warna Warna pada batas blok sama dengan warna jalan Kenampakan di citra yaitu cerah. Garis putih menunjukkan batas blok kebun, sekaligus juga menunjukkan jalan yang ada di dalam lokasi perkebunan.

9 69 3. Interpretasi Areal Kebun 3.1. Kebun Klasifikasi A Deskripsi Kunci Utama Interpretasi Kenampakan di citra 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. 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 di citra 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 Pola Masih mengikuti warna tanahnya Pola tanam kelapa sawit yang teratur mulai nampak Beberapa sampel kenampakan kebun klasfikasi B pada beberapa tanah yang berbeda kondisinya

10 Kebun Klasifikasi C Deskripsi Kunci Utama Interpretasi Kenampakan di citra 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 Pola terlihat lebih rapat. Pola jarak tanam kelapa sawit nampak teratur dengan lebih jelas terlihat. Warna Warna tanaman sudah mulai mempengaruhi kenampakan di citra Warna hijau tanaman berada diantara warna gelap tanah Kenampakan citra semakin cerah pada tanah yang bersemak. Warna hijau tanaman nampak berupa bintik bintik diantara gelapnya areal tanamnya 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 Kenampakan di citra Bentuk Bentuk tanaman nampak bulat dengan tajuk berbentuk seperti bintang. Kelapa sawit tua dengan warna kemerahan. Tanaman nampak rapat tapi belum nampak kemerahan Kerapatan tanaman nampak rapat

11 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 Warna Asosiasi Tekstur dari areal ini halus Warna dari areal emplasemen terlihat cerah 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 Kenampakan di citra Tekstur Warna Tekstur sangat halus Warna dipengaruhi warna asli tanah serta kondisi tanah masih bersemak atau bersih. Nampak warna tanah hitam dan tanah bersemak warna hijau

12 Kebun Klasifikasi G Deskripsi Kunci Utama Interpretasi Kenampakan di citra 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 Pola tanaman rapat dan tidak teratur pada lahan berupa hutan. Areal hutan sebagai lahan cadangan 4. Interpretasi Bangunan Deskripsi 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. Kunci Utama Interpretasi Kenampakan di citra 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. Pola teratur pada perumahan karyawan Bentuk memanjang sebagai bentuk gudang/bengkel /pabrik Bangunan perkantoran diasosiasikan dengan kenampakan mobil

13 73 Lampiran E Kenampakan Training Area pada Citra Ikonos No Nama Kelas Kenampakan Objek 1. Sawit Kelas A 2. Sawit Kelas B 3. Sawit Kelas C 4. Sawit Kelas D 5. Lahan Kelas A 6. Lahan Kelas B

14 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

15 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 Formula Editor window. 3. Kemudian klik, lakukan pada subkelas lain.

16 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

17 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 pohon.

18 78 Lampiran H Overlay Hasil Klasifikasi dengan Peta WP/Interpretasi Visual 1. Pada ENVI 4.2 klik File open external file IP Software ER Mapper (hal ini karena proses pembentukan training area 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 Export Active layer to ROIs 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.

19 79 Untuk mengetahui statistik masing-masing blok tandai blok dimaksud kemudian klik Stats, maka akan muncul data ROI tersebut.

20 80

21 81 Lampiran J Hasil Uji t - test dengan Ms. Excel Kelas A t-test: Paired Two Sample for Means Luas hsl interpretasi visual Luas hsl penghitungan rata-rata pohon Mean Variance Observations 6 6 Pearson Correlation Hypothesized Mean Di 0 df 5 t Stat P(T<=t) one-tail t Critical one-tail P(T<=t) two-tail t Critical two-tail Kelas B t-test: Paired Two Sample for Means Luas hsl interpretasi visual Luas hsl penghitungan rata-rata pohon Mean Variance Observations Pearson Correlation Hypothesized Mean Di 0 df 23 t Stat P(T<=t) one-tail t Critical one-tail P(T<=t) two-tail t Critical two-tail Kelas C t-test: Paired Two Sample for Means Luas hasil interpretasi Luas hsl penghitungan rata-rata pohon Mean Variance Observations Pearson Correlation Hypothesized Mean Di 0 df 52 t Stat P(T<=t) one-tail t Critical one-tail P(T<=t) two-tail t Critical two-tail Kelas D t-test: Paired Two Sample for Means Luas hasil interpretasi Luas hsl penghitungan rata-rata pohon Mean Variance Observations Pearson Correlation Hypothesized Mean Di 0 df 85 t Stat P(T<=t) one-tail t Critical one-tail P(T<=t) two-tail t Critical two-tail

22 82 Lampiran K Data Uji Statistik t-test dan Selisih Batas Toleransi 10% KELAS REGION Jumlah Pohon Luas Region Rata - rata Luas Region Hasil % No. Sawit Peta WP hitung ( x ) Penghitungan rata-rata Selisih luas Selisih (Pohon) (m²) (m²/pohon) hitung luas/pohon (m²) (m²) 1 A G5a , , , A G6a , , , A J , , , A M , , , A M6 a 95 5, , , A P2a , , , Jumlah 2, , ,228 1, KELAS REGION Jumlah Pohon Luas Region Rata - rata Luas Region Hasil % No. Sawit Peta WP hitung ( x ) Penghitungan rata-rata Selisih luas Selisih (Pohon) (m²) (m²/pohon) hitung luas/pohon (m²) (m²) 1 B B , , B C , , , B C , , , B C22B 123 8, , B D , , , B D16 1, , , , B D , , , B D , , , B D19 1, , , , B D , , B D , , , B D8 1, , , , B E , , , B E17 1,228 89, , , B E18 2, , , B E19 1,298 97, , , B E19B , , , B E , , , B E , , B E22 1,104 78, , , B E , , , B E , , , B F , , , B F2 1, , , , Jumlah 20,201 1,528, ,566, , KELAS REGION Jumlah Pohon Luas Region Rata - rata Luas Region Hasil % No. Sawit Peta WP hitung ( x ) Penghitungan rata-rata Selisih luas Selisih (Pohon) (m²) (m²/pohon) hitung luas/pohon (m²) (m²) 1 C B , , , C C13 1,333 95, , , C C14 2, , , , C C15 1, , , , C C , , , C C , , , C C3 30 2, , C D11 3, , , , C D12 1, , , , C D13 2, , , , C D14 2, , , , C D15 1, , , C D , , C D18 1, , , , C D , , , C D3a 1,111 84, , , C D4a 68 5, , C D4a 73 5, ,

23 83 Lampiran K (lanjutan) KELAS REGION Jumlah Pohon Luas Region Rata - rata Luas Region Hasil % No. Sawit Peta WP hitung ( x ) Penghitungan rata-rata Selisih luas Selisih (Pohon) (m²) (m²/pohon) hitung luas/pohon (m²) (m²) 19 C D9 2, , , , C E , , C E11 1, , , , C E12 1, , , C E13 3, , , , C E14 2, , , , C E16 2, , , , C E , , , C E5 1, , , , C E6A , , , C E , , C E7A 1, , , , C E8 2, , , , C E8A 81 5, , C E9 1,088 85, , , C F10 1,337 93, , , C F , , , C F , , , C F , , C F , , , C F , , C F , , C F20 1, , , , C F21 3, , , , C F22 3, , , , C F23 3, , , , C F , , , C F , , C F7A 55 4, , C F8 2, , , , C F8A , , , C F9A 1,381 97, , , C C4 79 6, , C G11b , , C G8 1, , , Jumlah 67,365 5,012,980 5,080,668-67, KELAS REGION Jumlah Pohon Luas Region Rata - rata Luas Region Hasil % No. Sawit Peta WP hitung ( x ) Penghitungan rata-rata Selisih luas Selisih (Pohon) (m²) (m²/pohon) hitung luas/pohon (m²) (m²) 1 D A2 4, , , D A3 2, , , D A4 3, , , D A5 3, , , D A7 2, , , D B , , D B10 2, , , D B11 3, , , D B3 1,074 85, , D B4 1, , , D B5 1, , , D B6 2, , , D B7 2, , , D B8 3, , , D B9 2, , , D C10 3, , , D C11 2, , , D C12 2, , , D C , , D C , , D C , , D C , , D C , ,

24 84 Lampiran K (lanjutan) KELAS REGION Jumlah Pohon Luas Region Rata - rata Luas Region Hasil % No. Sawit Peta WP hitung ( x ) Penghitungan rata-rata Selisih luas Selisih (Pohon) (m²) (m²/pohon) hitung luas/pohon (m²) (m²) 24 D C , , D C5 1,125 85, , D C6 1, , , D C7 2, , , D C8 2, , , D D10 3, , , D D12 1, , , D D , , D D , , D D16 1,192 94, , D D21 1, , , D D4 2, , , D D4a , , D D6 3, , , D D7 3, , , D D8 1, , , D D , , D E10 2, , , D E , , D E , , D E , , D E17 1,171 93, , D E , , D E19b , , D E20a , , D E21 2, , , , D E22 2, , , D E23 2, , , , D E24 2, , , D E25 2, , , D E , , D E5 87 6, , D E5a , , D E7 1,252 98, , D E8a , , D E9 1,082 87, , D E9a , , D F , , D F , , D F10a , , D F11a , , D F12 2, , , D F12a 37 2, , D F13 2, , , D F16 2, , , D F17 2, , , D F19 3, , , D F , , D F4 1, , , D F5 1, , , D F6 2, , , D F , , D F8a , , D F9a , , D G , , D G2 2, , , D G3 3, , , D G4 3, , , D H3 3, , , D H4 3, , , D I4 2, , , D I5 1, , , D O , , Jumlah 139,491 10,471,524 10,385,105 86,

25 85 Lampiran L Contoh Penghitungan Nilai Pasar atau Nilai Wajar Aktiva Tetap Perkebunan Kelapa Sawit. No. Peruntukan Objek Luas Tanah SIT Jumlah Kelas Nilai Jumlah Jumlah Keseluruhan (m²) (Rp/m²) Rp Tanah (Rp/m²) Rp Rp 1. Areal Kebun Kelapa Sawit Tanaman berumur 1 tahun 195, ,768,404 A.36 14,000 2,735,572,000 2,813,340,404 Tanaman berumur 2 tahun 1,642, ,520,628 A.36 14,000 22,988,308,000 23,930,828,628 Tanaman berumur 3 tahun 5,123, ,086,167,013 A.36 14,000 71,723,092,000 75,809,259,013 Tanaman berumur 4 tahun 10,365, ,768,046,019 A.36 14, ,121,914, ,889,960, Areal Emplasemen a. Pabrik A.34 27, b. Perkantoran A.34 27,000 22,923,000 22,923,000 c. Gudang 2, A.34 27,000 58,644,000 58,644,000 d. Tangki A.34 27, e. Pipa A.34 27, f. Perumahan (Pabrik) 23, A.34 27, ,189, ,189,000 Perumahan (Estate) A g. Sarana OR/Rekreasi A h. Bangunan Poliklinik A i. Bangunan Sosial A j. Landasan pesawat udara A k. jalan diperkeras di lokasi A perkebunan l. Lain-lain A Areal Lainnya Areal sudah diolah tapi belum 1,021, ,266,721 A.37 10,000 10,219,980,000 10,260,246,721 ditanami Areal belum diolah 3,515, A.37 10,000 35,158,130,000 35,158,130,000 Rawa, cadas, jurang 0 0 A.41 2, Areal yang tidak dapat - 0 A.42 1, ditanami NJOP BUMI 21,890,188 15,914,768, ,649,752, ,564,520,785 II. BANGUNAN Peruntukan Objek Luas Tanah Nilai Bangunan / m² Kelas NJOP Bangunan Jumlah Keseluruhan No. (m²) Rp/m² Rp 1 Pabrik - 0 A ,000-2 Perkantoran A , ,025,000 3 Gudang 2,172 0 A , ,700,000 4 Tangki - 0 A ,000-5 Pipa - 0 A ,000-6 Perumahan (Pabrik) 23,007 0 A ,000 5,176,575,000 7 Perumahan (Pabrik) 0 A ,000-8 Perumahan (Estate)/Perkebunan - 0 A ,000-9 Sarana OR/Rekreasi - 0 A , Bangunan Poliklinik - 0 A , Bangunan Sosial - 0 A , Landasan pesawat udara - 0 A , Jalan diperkeras di lokasi - 0 A ,000 - perkebunan 0 A , Lain-lain - 0 A ,000 - NJOP BANGUNAN 26, ,856,300,000