28 Bab III Pelaksanaan Penelitian III.1 Bahan dan Alat Penelitian Bahan dan alat yang digunakan dalam penelitian ini adalah ; III.1.1 Bahan penelitian 1. Citra Ikonos tipe Geo pansharpened wilayah perkebunan kelapa sawit PT. Hindoli (A Cargill Company) yang terletak di Kecamatan Sungai Lilin, Kabupaten Musi Banyuasin, Propinsi Sumatera Selatan. Gambar III.1. Lokasi penelitian Gambar III.2 Citra Ikonos awal 2. Peta dalam bentuk hard copy perkebunan kelapa sawit PT. Hindoli (A Cargill Company) dengan skala 1 : 6. beserta data atributiknya seperti yang terdapat pada rangkuman areal kebun perusahaan (Summary Area Statement per 31 Desember 22).
29 Gambar III.3. Peta kebun Wajib Pajak 3. Softcopy hasil penelitian atas objek yang sama dengan judul tesis Analisis Keakuratan Peta Hasil Interpretasi Citra Ikonos Dalam Mengidentifikasi Objek PBB Sektor Perkebunan Kelapa Sawit oleh Isman Hariyanto, Program Studi Magister Teknik Geodesi dan Geomatika, Bidang Pengutamaan Administrasi Pertanahan, ITB, 26 yang terdiri atas : - Hasil digitasi on screen peta kebun PT. Hindoli (A Cargill Company). - Hasil digitasi on screen Citra Ikonos berdasarkan interpretasi visual. - Hasil digitasi on screen peta BPN dan data atributiknya III.1.2 Peralatan Penelitian Alat yang digunakan dalam penelitian ini : Note Book Compaq seri V343 TU dengan spesifikasi teknis : Processor Intel Core 2 Duo Speed clock 1,73 GHz, RAM type DDR2 1GB, Harddisk kapasitas 8 GB, Memori Video Graphics Array (VGA) kapasitas 128 MB. Printer inkjet warna merek Canon Pixma ip 16. Sistem operasi komputer Microsoft Windows XP Sp2 digunakan untuk menjalankan program sistem dan aplikasi yang terpasang. Microsoft Office 27 dengan komponennya Ms. Word, Ms. Excel, dan Ms. Powerpoint, digunakan untuk penulisan laporan penelitian, proses pengolahan statistik data dan pembuatan presentasi. Er Mapper versi 7. dan ENVI 4.2 digunakan untuk proses pengolahan citra MapInfo Professional release 8.5
3 III.2 Pelaksanaan Penelitian Tahap ini merupakan bagian utama dalam penelitian yang mempunyai pengaruh sangat besar terhadap hasil analisis secara keseluruhan dan kesimpulan yang diperoleh. Kegiatan yang dilakukan adalah : III.2.1 Pra Pengolahan Citra Ikonos Pra pengolahan citra yang dilakukan adalah pengecekan radiometrik, pemotongan citra dan penajaman citra. III.2.1.1 Pengecekan Koreksi Radiometrik Citra Ikonos PT. Hindoli (A Cargill Company) yang digunakan dalam penelitian telah dilakukan pengolahan pada tanggal 12 September 23 dengan tipe dataset ERStorage. Dengan demikian diasumsikan telah dilakukan koreksi-koreksi radiometrik, astronomik, dan geometrik oleh Departemen Kehutanan maupun oleh Space Imaging sesuai dengan standar dan spesifikasi pemesanan citra. Proses pengecekan radiometrik disajikan pada lampiran A. III.2.1.2 Pemotongan Citra (Cropping) Pemotongan citra dilakukan untuk memperoleh citra areal kebun yang menjadi wilayah penelitian yaitu Kebun Sungai Tungkal dan Kebun Sungai Pelepah sehingga proses pengolahan citra menjadi lebih cepat. Pemotongan citra menggunakan ER Mapper 7. secara lengkap pada lampiran B. III.2.1.3 Penajaman Citra Penajaman citra diperlukan untuk memudahkan interpretasi digital dalam pembentukan training area maupun interpretasi visual dalam hal penghitungan pohon sawit. Penajaman yang dilakukan menggunakan filter spasial misalnya dengan high pass filter Sharpen 11 x 11 kernel. Proses penajaman disajikan pada lampiran C.
31 III.2.2 Pengolahan Citra Interpretasi Digital III.2.2.1 Training Area Rujukan yang digunakan untuk pembentukan training area adalah : Peta perkebunan kelapa sawit PT. Hindoli (A Cargill Company) Interpretasi visual yang dilakukan oleh Isman Hariyanto, 26 terhadap kelas-kelas areal perkebunan kelapa sawit sebagaimana disajikan pada lampiran D. Pembentukan kelas-kelas areal perkebunan kelapa sawit berdasarkan pada Keputusan Dirjen Pajak Nomor KEP-16/PJ.6/1998. III.2.2.2 Skema Klasifikasi Skema klasifikasi yang terbentuk seperti pada Tabel III.1 berikut : Tabel III.1 Skema klasifikasi penelitian Nomor Kelas Label Kelas Definisi 1 Sawit_kelas_a Pohon sawit umur 1 tahun Subkelas 1 Lahan_klas_a Lahan disekeliling sawit_ kelas_a 2 Sawit_kelas_b Pohon sawit umur 2 tahun Subkelas 2 Lahan_klas_b Lahan disekeliling sawit_ kelas_b 3 Sawit_kelas_c Pohon sawit umur 3 tahun Subkelas 3 Lahan_kelas_c Lahan disekeliling sawit_ kelas_c 4 Sawit_kelas_d Pohon sawit umur 4 tahun Subkelas 4 Lahan_kelas_d Lahan disekeliling sawit_ kelas_d 5 Kelas_e Areal emplasemen 6 Kelas_f Areal sudah diolah belum ditanami Subkelas 6 Kelas_f_lahan Lahan tanah disekitar kelas_f 7 Kelas_g Areal belum diolah 8 Bangunan Atap bangunan 9 Batas_blok Batas blok/jalan raya 1 Awan Awan
32 Kelas Awan merupakan penambahan kelas hasil pengamatan terhadap citra yang menunjukkan penampakan awan yang cukup besar, sehingga dipandang perlu dibuat kelas tersendiri namun akan dibuatkan sampel seperlunya. Dengan demikian skema klasfikasinya adalah : Jumlah Kelas 9 dengan sub kelas 5 Tingkat kepastian (level of confidence) 95% Kelas tertentu meliputi 45% (Kelas D) dari area peta (Π i = 45%). Hasil pembentukan training area seperti disajikan pada lampiran E. III.2.2.3 Desain Sampling Desain Sampling terdiri dari : unit sampling, jumlah sampel, dan pemilihan skema sampling ; III.2.2.3.1 Unit Sampling Unit Sampling yang dilakukan berupa poligon terhadap setiap kelas yang ada pada skema klasifikasi. Poligon dibuat dengan hati-hati disesuaikan dengan batasbatas dari masing-masing objek kelas. III.2.2.3.2 Jumlah Sampel Penentuan jumlah sampel yang diambil ditentukan menggunakan pendekatan statistik dengan Ditribusi Multinomial, sesuai dengan rumus II.3 maka jumlah sampel yang diperoleh adalah : 761 sampel atau 84 sampel perkelas. III.2.2.3.3 Pemilihan Skema Sampling Sesuai dengan apa yang disimpulkan Congalton (1988) dimana hanya sampling acak sederhana dan acak bertahap menyajikan hasil yang memuaskan, maka pada penelitian ini dipilih skema sampling acak sederhana. Pemilihan skema sampling tersebut karena bersifat sederhana dan tidak memerlukan pengetahuan yang mendalam terhadap area penelitian.
33 III.2.2.4 Klasifikasi Multispektral Klasifikasi multispektral berdasarkan kemiripan maksimum (máximum likelihood) dilakukan menggunakan software ER Mapper. Setelah hasil klasifikasi diperoleh maka perlu dilakukan penggabungan subkelas dengan kelasnya kembali agar lebih memudahkan penghitungan luas piksel-piksel dalam kelas yang sama. Proses penggabungan subkelas tersebut sebagaimana terdapat pada lampiran F. III.2.2.5 Uji Ketelitian Klasifikasi Tahap uji klasifikasi dilakukan dengan melakukan uji ketelitian dari hasil klasifikasi dengan rumus II.1 dan II.2. Uji klasifikasi memberikan gambaran akurasi dari klasifikasi citra yang telah dilakukan. Selanjutnya dilakukan analisa atas hasil uji klasifikasi tersebut. III.2.3 Interpretasi Visual Citra Ikonos Interpretasi visual citra Ikonos yang dilakukan adalah penghitungan pohon kelapa sawit. Penghitungan dilakukan dengan menggunakan software ER Mapper ditujukan untuk mencari rata-rata hitung dari luas yang dibutuhkan untuk satu pohon kelapa sawit. Dengan rata-rata hitung tersebut maka diharapkan dapat dicari luasan suatu región/blok kelas tanaman kelapa sawit dengan mengalikan jumlah pohon dengan rata-rata hitungnya (Luas = jumlah pohon dalam satu región/blok X rata-rata hitung luas/pohon). Penghitungan dilakukan secara semi otomatis menggunakan software ER Mapper, dengan cara merubah pohon sawit menjadi titik (point), seperti pada gambar III.4. Proses penghitungan pohon disajikan pada lampiran G.
34 Gambar III.4 Hasil penghitungan pohon sawit berupa titik (point) Prestasi yang dicapai dalam penghitungan pohon secara semi otomatis adalah 15-18 hektar per HK (Hari Kerja = 8 jam kerja sehari). Bandingkan apabila aktiva tetap kelapa sawit dilakukan verifikasi penghitungan langsung di lapangan maka akan memakan banyak tenaga dan relatif amat lambat yaitu ± 15 hektar/hk dengan biaya sekitar Rp. 2.6/ha dengan hasil yang tidak bisa diverifikasi (Thiagarajan,S, 23). Semua hasil perhitungan ini dapat diverifikasi apabila terjadi perselisihan dengan Wajib Pajak dan menjadi bukti dalam penelitian sehingga kepastian hukum dapat terjamin. III.3 Proses Analisis Data Proses analisis data terbagi menjadi tiga yaitu analisis data hasil klasifikasi multispektral, analisis uji statistik data hasil penghitungan pohon kelapa sawit, dan deskriptif analisis terhadap fakta yang ada menyangkut nilai pasar atau nilai wajar aktiva tetap. III.3.1 Analisis Data Hasil Klasifikasi Multispektral Data hasil klasifikasi multispektral dilakukan analisis luas berdasarkan pembagian areal perkebunan kelapa sawit sesuai KEP-16/PJ.6/1998. Selain itu analisis juga didasarkan pada kriteria tutupan lahan (land cover) dan penggunaan lahan (land use) dalam penentuan luas yang dibandingkan dengan hasil interpretasi visual dan peta WP.
35 III.3.1.1 Analisis Beda Luas Berdasarkan Tutupan Lahan (Land Cover) Luas masing-masing kelas hasil klasifikasi dibandingkan dengan luas menurut peta WP per-regionnya, sehingga diketahui selisih luas diantara keduanya. Batas toleransi selisih luas digunakan standar sesuai KEP-533/PJ/2 yaitu 1%. Pembandingan luas hasil klasifikasi dengan luas menurut peta WP dilakukan dengan overlay hasil klasifikasi citra dengan hasil digitasi peta WP menggunakan software ENVI 4.2. Proses overlay tersebut dilakukan di ENVI 4.2 yang menyediakan fasilitas ROI (Region Of Interest) dimana dengan ROI tersebut langsung dapat diketahui jumlah piksel yang terdapat pada suatu poligon (proses selengkapnya disajikan pada lampiran H). Contoh data statistik dari suatu blok hasil overlay adalah seperti pada gambar dibawah ini : Gambar III.5 Hasil statistik ROI Blok A3
36 Dimana DN merupakan nomor kelas klasifikasi, dan Npts adalah jumlah piksel dari kelas. Untuk lebih jelas diuraikan pada Tabel III.3 di bawah ini : Nomor Kelas 1. 2. 3. 4. 5. 6. 7. 8. 9. 1. 11. 12. 13. Nama Kelas Tabel III.2 Hasil statistik ROI Blok A3 Kelas A Kelas B Kelas C Kelas D Awan Bangunan Kelas E Kelas F lahan Kelas F Lahan kelas C Lahan kelas B Batas blok Kelas G Npts/Piksel (m²) 2.742 2.464 2.29 161.419 1.33 62 2.35 Total 2.742 5.26 7.496 168.915 17.218 17.218 17.218 17.218 17.218 17.218 17.218 17.28 172.585 Persentase 1,5888 1,4277 1,3269 93,531,755,359 1,3356 III.3.1.2 Analisis Beda Luas Berdasarkan Penggunaan Lahan (Land Use) Klasifikasi citra memberikan hasil secara detail tutupan lahan (land cover) dari areal kebun. Sementara peta WP maupun interpretasi visual lebih menggunakan prinsip penggunaan lahan (land use) dalam pelaksanaannya. Untuk itu hasil klasifikasi perlu diperlakukan sesuai dengan prinsip penggunaan lahannya. Cara yang digunakan adalah dari setiap blok hasil klasifikasi ditentukan kelas mayoritas dari blok tersebut sesuai dengan skema sampling. Kelas mayoritas akan mewakili blok dan total luasan blok menjadi total luasan kelas mayoritas. Seperti contoh berikut ini. Gambar III.6. Hasil klasifikasi Blok A1
37 Hasil statistik blok tersebut sesuai dengan Tabel III.3 dibawah ini : Tabel III.3 Hasil statistik Blok A1 Blok Kelas Jumlah Piksel (m²) % A1 A B C D Awan G 2.987 2.188 1.22 244.683 6.968 2.438 1,15.84,39 94,1 2,67,94 Jumlah 26.286 1 Menurut penggunaan lahannya (land use) maka blok A1 merupakan blok kelas D dengan luas 26.286 m². Apabila dalam satu blok terdapat satu atau lebih kelas (menurut peta WP/interpretasi visual) maka kelas mayoritas ditentukan atas masing-masing region kelas tersebut seperti contoh dibawah ini : Gambar III.7 Hasil klasifikasi Blok Sementara hasil digitasi peta WP/interpretasi visual Blok terbagi menjadi beberapa region kelas seperti tampak pada gambar berikut : Gambar III.8 Peta hasil digitasi peta WP/interpretasi visual Blok
38 Setalah dilakukan overlay maka hasil statistik masing-masing region kelas seperti tabel dibawah ini ; Tabel III.4 Hasil statistik Blok dan pengkelasan menurut peta WP Blok Hasil Klasifikasi Menurut Peta WP Region Kelas Jumlah Piksel (m²) Region Luas (m²) Kelas A Kelas B Kelas C Kelas D Bangunan Kelas E Kelas F Batas blok Kelas G 1.625 29.166 9.688 3.838 1 744 5 225 114 Jumlah 45.46 Kelas A 1.58 Kelas B 1.122 Kelas C 6.58 Kelas D 935 Awan 1 Kelas F 1.656 Batas blok 13 Kelas G 2.93 Jumlah 14.295 Kelas A 5.649 Kelas B 58.88 Kelas C 42.531 Kelas D 3.56 Awan 11 Kelas E 843 Kelas F 214 Batas blok 1.912 Kelas G 2.44 Jumlah 142.572 Kelas A 99 Kelas B 3.192 Kelas C 6.398 Kelas D 26.179 Awan 3 Bangunan 8 Kelas E 92 Kelas F 45 Batas blok 1.23 Kelas G 2.531 Jumlah 4.461 Kelas B 45.474 Kelas B 14.27 Kelas C 142.617 Kelas D 4.437
39 Apabila telah diperoleh kelas mayoritas dari setiap region sampel, selanjutnya kelas mayoritas tersebut dibandingkan dengan pengkelasan menurut peta WP. Apabila sesuai/sama antara kelas mayoritas dengan menurut peta WP diberikan notasi 1, sedangkan apabila tidak sesuai/sama diberikan notasi, seperti contoh tabel III.5 dibawah ini. Tabel III.5 Contoh pemberian notasi sama/tidak sama antar kelas menurut peta WP dan hasil klasifikasi BLOK Region kelas menurut Peta WP Hasil Klasifikasi Notasi A1 D D 1 B B 1 B C C B D D 1 Dengan cara yang sama proses tersebut dilakukan juga antara hasil klasifikasi dengan hasil interpretasi visual. III.3.2 Uji Statistik Rata-rata Hitung Luas/Pohon Proses uji statistik rata-rata hitung luas/pohon dimulai dengan menetapkan sampel penghitungan pohon perkelasnya. Lokasi sampel dipilih secara acak sederhana (simple random sampling). Peta lokasi sampel sebagaimana terdapat pada lampiran I. Hasil penghitungan rata-rata hitung luas/pohon perkelas tanaman menurut data sampel seperti pada tabel berikut :
4 Tabel III.6 Rata-rata hitung luas/pohon perkelas tanaman sawit KELAS Region Jumlah Pohon Luas Region Rata - rata No. Sawit Peta WP hitung ( x ) Standar deviasi (Pohon) (m²) (m²/pohon) (m²) 1 2 3 4 5 6 7 1 A G14 44 49,6 82.5 26.95 2 A J2a 5 41,462 3 A K1 233 16,819 4 A M13a 96 44,93 5 A P2 + P2b 535 6,484 Jumlah 2,578 212,674 82.5 --- 1 B B9 525 46,942 77.56 5.29 2 B B12b 23 19,628 3 B C16 1,557 129,82 4 B C22 617 45,597 5 B D7 185 15,354 6 B D14 476 35,98 7 B E11 479 34,864 8 B E23 53 4,198 9 B F1a 148 1,948 1 B G7 1,78 76,221 11 B J3A 667 5,384 12 B J24 716 53,875 13 B K1 927 74,27 14 B M7a 1,13 8,173 15 B O1 1,57 85,68 9,818 761,459 77.56 --- 1 C B4 94 7,288 75.42 3.39 2 C C2 246 18,543 3 C D21 422 34,746 4 C E6 916 71,913 5 C E18 316 22,239 6 C F18B 188 13,89 7 C G1 399 28,562 8 C I4 562 4,121 9 C J27 458 35,138 1 C K13 832 59,994 11 C L6 389 31,434 12 C M13 1,18 84,519 13 C O3 98 7,266 14 C P4 568 41,769 15 C P13 16 8,155 Jumlah 6,72 55,496 75.42 --- 1 D A1 3,462 263,647 74.45 2.66 2 D B2 546 42,71 3 D C13 1,559 118,423 4 D C9 2,965 226,512 5 D D2 557 43,525 6 D D3 1,798 136,13 7 D D5 3,216 243,217 8 D E26 67 45,876 9 D F11a 1,821 137,37 1 D F15 1,91 143,462 11 D F18 2,12 161,4 12 D G2 2,793 22,11 13 D G4a 75 5,989 14 D H2 1,442 11,875 15 D I6 926 65,885 16 D J5 716 55,44 17 D J21 3,41 243,169 18 D N7 1,75 123,972 19 D O9 58 36,24 2 D P4 1,318 97,128 Jumlah 33,49 2,493,216 74.45 ---
41 Setelah diperoleh rata-rata hitung luas/pohon maka dilakukan penghitungan pohon dilokasi lain sebagai data uji. Selanjutnya dilakukan penghitungan luas region dengan mengalikan jumlah pohon hasil penghitungan dengan rata-rata hitung luas/pohon (Luas region = jumlah pohon X rata-rata hitung luas/pohon). Luas yang diperoleh kemudian dibandingkan dengan luas region menurut peta WP dan dilakukan uji statistik. Analisis uji statistik untuk mengukur signifikansi perbedaan luas menurut peta WP dengan luas hasil perkalian jumlah pohon per-region dengan rata-rata hitung luas/pohon menggunakan uji t dua pihak ( two tail test) dengan taraf signifikansi 5%, dan tingkat kepercayaan 95%. Hasil uji t-test akan membuktikan beda luas bisa diterima atau tidak. Hipotesis yang diajukan adalah : H₀ = Luas menurut peta WP tidak berbeda signifikan dengan luas hasil perkalian jumlah pohon dengan rata-rata hitung luas/pohon. H a = III.4 Luas menurut peta WP berbeda signifikan dengan luas hasil perkalian jumlah pohon dengan rata-rata hitung luas/pohon. Proses Kajian Teknis Pemanfaatan NJOP Sebagai Nilai Pasar atau Nilai Wajar Aktiva Tetap Penelitian terhadap penerapan NJOP sebagai nilai pasar atau nilai wajar aktiva tetap dalam proses penilaian kembali aktiva tetap berbentuk deskriptif analitis yaitu dengan menyajikan berbagai fakta, ketentuan dan, peraturan yang ada lalu melakukan kajian atas masalah. Metode yang digunakan adalah studi literatur atas ketentuan dan peraturan perundang-undangan serta fakta yang ada. Proses penarikan kesimpulan secara sederhana tergambar pada gambar III.9 berikut ; INTRODUKSI MASALAH KETENTUAN / TEORI + FAKTA / OBSERVASI KESIMPULAN Gambar III.9 Proses penarikan kesimpulan kajian teknis Bab IV Analisis dan Pembahasan