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 : 60.000 beserta data atributiknya seperti yang

terdapat pada rangkuman areal kebun perusahaan (Summary Area Statement

per 31 Desember 2002).

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, 2006 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 V3430 TU dengan spesifikasi teknis : Processor Intel

Core 2 Duo Speed clock 1,73 GHz, RAM type DDR2 1GB, Harddisk kapasitas

80 GB, Memori Video Graphics Array (VGA) kapasitas 128 MB.

� Printer inkjet warna merek Canon Pixma ip 1600.

� Sistem operasi komputer Microsoft Windows XP Sp2 digunakan untuk

menjalankan program sistem dan aplikasi yang terpasang.

� Microsoft Office 2007 dengan komponennya Ms. Word, Ms. Excel, dan Ms.

Powerpoint, digunakan untuk penulisan laporan penelitian, proses pengolahan

statistik data dan pembuatan presentasi.

� Er Mapper versi 7.0 dan ENVI 4.2 digunakan untuk proses pengolahan citra

� MapInfo Professional release 8.5

30

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 2003 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 7.0 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, 2006

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

10 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 (Πi = 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 batas-

batas 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 150

-180 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. 2.600/ha dengan hasil yang tidak bisa diverifikasi

(Thiagarajan,S, 2003). 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/2000 yaitu 10%.

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 :

Tabel III.2 Hasil statistik ROI Blok A3

Nomor Kelas

Nama Kelas Npts/Piksel (m²)

Total Persentase

1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13.

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

2.742 2.464 2.290

161.419 1.303

0 0 0 0 0 0

62 2.305

2.742 5.206 7.496

168.915 170.218 170.218 170.218 170.218 170.218 170.218 170.218 170.280 172.585

1,5888 1,4277 1,3269

93,5301 0,7550

0 0 0 0 0 0

0,0359 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 1.022

244.683 6.968 2.438

1,15 0.84 0,39

94,01 2,67 0,94

Jumlah 260.286 100

Menurut penggunaan lahannya (land use) maka blok A1 merupakan blok kelas D

dengan luas 260.286 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 C14

Sementara hasil digitasi peta WP/interpretasi visual Blok C14 terbagi menjadi

beberapa region kelas seperti tampak pada gambar berikut :

Gambar III.8 Peta hasil digitasi peta WP/interpretasi visual Blok C14

38

Setalah dilakukan overlay maka hasil statistik masing-masing region kelas seperti

tabel dibawah ini ;

Tabel III.4 Hasil statistik Blok C14 dan pengkelasan menurut peta WP

Blok Menurut

Hasil Klasifikasi Peta WP

Region Kelas Jumlah Piksel (m²) Region Luas (m²)

C14 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

Kelas B 45.474

Jumlah 45.406 C14 Kelas A

Kelas B Kelas C Kelas D Awan Kelas F Batas blok Kelas G

1.580 1.122 6.058

935 1

1.656 13

2.930

Kelas B 14.270

Jumlah 14.295 C14 Kelas A

Kelas B Kelas C Kelas D Awan Kelas E Kelas F Batas blok Kelas G

5.649 58.808 42.531 30.560

11 843 214

1.912 2.044

Kelas C 142.617

Jumlah 142.572 C14 Kelas A

Kelas B Kelas C Kelas D Awan Bangunan Kelas E Kelas F Batas blok Kelas G

990 3.192 6.398

26.179 3 8

92 45

1.023 2.531

Kelas D 40.437

Jumlah 40.461

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 0, 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

Notasi

Peta WP

Hasil Klasifikasi A1 C14 C14 C14 C14

D

B

B

C

D

D

B

C

B

D

1 1 0 0 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 :

40

Tabel III.6 Rata-rata hitung luas/pohon perkelas tanaman sawit

KELAS Region Jumlah Pohon Luas Region Rata - rata No. Sawit Peta WP hitung ( x̄ ) Standar deviasi

(Pohon) (m²) (m²/pohon) (m²)1 2 3 4 5 6 7

1 A G14 404 49,006 82.50 26.95 2 A J2a 500 41,462 3 A K10 233 16,819 4 A M13a 906 44,903 5 A P2 + P2b 535 60,484

Jumlah 2,578 212,674 82.50 ---

1 B B9 525 46,942 77.56 5.29 2 B B12b 230 19,628 3 B C16 1,557 129,082 4 B C22 617 45,597 5 B D7 185 15,354 6 B D14 476 35,098 7 B E11 479 34,864 8 B E23 53 4,198 9 B F1a 148 10,948

10 B G7 1,078 76,221 11 B J3A 667 50,384 12 B J24 716 53,875 13 B K1 927 74,027 14 B M7a 1,103 80,173 15 B O1 1,057 85,068

9,818 761,459 77.56 ---

1 C B4 94 7,288 75.42 3.39 2 C C20 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 13,809 7 C G10 399 28,562 8 C I4 562 40,121 9 C J27 458 35,138

10 C K13 832 59,994 11 C L6 389 31,434 12 C M13 1,108 84,519 13 C O3 98 7,266 14 C P4 568 41,769 15 C P13 106 8,155

Jumlah 6,702 505,496 75.42 ---

1 D A1 3,462 263,647 74.45 2.66 2 D B2 546 42,710 3 D C13 1,559 118,423 4 D C9 2,965 226,512 5 D D20 557 43,525 6 D D3 1,798 136,130 7 D D5 3,216 243,217 8 D E26 607 45,876 9 D F11a 1,821 137,307

10 D F15 1,910 143,462 11 D F18 2,120 161,040 12 D G2 2,793 202,101 13 D G4a 75 5,989 14 D H2 1,442 101,875 15 D I6 926 65,885 16 D J5 716 55,044 17 D J21 3,401 243,169 18 D N7 1,750 123,972 19 D O9 508 36,204 20 D P4 1,318 97,128

Jumlah 33,490 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.

Ha = Luas menurut peta WP berbeda signifikan dengan luas hasil perkalian jumlah pohon dengan rata-rata hitung luas/pohon.

III.4 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 ;

Bab IV Analisis dan Pembahasan

KETENTUAN /

TEORI

FAKTA / OBSERVASI

INTRODUKSI

MASALAH

KESIMPULAN

+

Gambar III.9 Proses penarikan kesimpulan kajian teknis