Post on 27-Feb-2020
1
PROPOSAL PENELITIAN
MODEL SISTEM CERDAS UNTUK DETEKSI AWAL PENEBANGAN LIAR
PADA DAERAH ALIRAN SUNGAI JENEBERANG
EXPERT SYSTEM MODELINGFOR EARLY DETECTION OF ILLEGAL LOGGING
AT RIVER FLOW AREA JENEBERANG
Syafruddin SyarifP0800310028
Promotor dan Kopromotor:Prof. Dr. Ir. H.Nadjamuddin Harun, MSProf. Dr. Ir. H.Muhammad Tola, M.EngProf. Dr. M.Wihardi Tjaronge, ST., M.Eng
PROGRAM DOKTOR TEKNIK SIPIL PROGRAM PASCA SARJANAUNIVERSITAS HASANUDDIN
2012
2
BAB IPENDAHULUAN
A. Latar BelakangPerkembangan dan pembangunan kota di Indonesia kian pesat, dapat dilihat dari
tingkat pertumbuhan ekonomi dan sarana-prasarana yang ada di kota tersebut.
Perkembangan kota ini terkadang tidak memperhatikan dampak lingkungan yang
ditimbulkan, misalnya banyak bangunan yang dibangun dengan tidak
memperhatikan AMDAL (Analisis Mengenai DAmpak Lingkungan). Pemanfaatan
lahan yang digunakan untuk membangun Mall, Ruko, dan perkantoran telah
membuat sebagian besar lahan di kota yang dulunya menjadi lahan resapan air dan
lahan hijau terbuka telah tersulap menjadi gedung-gedung, yang otomatis akan
berpengaruh akan lingkungan sekitar.
Berbagai masalah timbul akibat dari pembangunan kota yang tidak
memperhatikan dampak lingkungan yang mungkin akan terjadi, diantaranya adalah
banjir, pemanasan global, dan yang terpenting adalah berkurangnya volume
oksigen (O2). Pembangunan perumahan dan pembukaan lahan di kota-kota,
dilakukan dengan penebangan pohon, illegal logging, telah membuat daerah yang
dulunya memiliki banyak pepohonan yang berfungsi sebagai paru-paru kota dan
penyimpan cadangan air tanah, kini telah menyusut jumlahnya.
Selama lebih dari tiga dekade, sektor kehutanan telah menjadi penopang utama
pembangunan nasional, melalui perannya sebagai penghasil devisa, pembangkit
aktivitas sektor lain, dan pendorong utama pertumbuhan ekonomi nasional. Namun
3
pada sisi lain, pemanfaatan sumberdaya hutan telah menyebabkan timbulnya
berbagai permasalahan sosial, ekonomi, dan lingkungan. [Yusran, 2010]
Dalam dekade terakhir ini issu kerusakan hutan Indonesia cukup menarik
perhatian publik nasional maupun internasional dan telah menimbulkan kesadaran
dan spirit bagi berbagai kalangan masyarakat akan pentingnya menata dan
memulihkan kembali kualitas hutan Indonesia. Kerusakan hutan telah divonis
masyarakat sebagai penyebab terjadinya bencana alam berupa banjir dan
tanah longsor pada musim hujan dan kekeringan pada musim kemarau, serta
perubahan iklim dan pemanasan global. Bahkan dunia internasional menjadikan
isu degradasi hutan Indonesia sebagai bagian penting dari negosiasi dalam rangka
pengembangan kerjasama bilateral ataupun multilateral.
Proses degradasi sumberdaya hutan telah menimbulkan keprihatinan bersama
dan mengakibatkan bencana bagi kehidupan yang berdampak negatif secara luas
pada aspek lingkungan, ekonomi, kelembagaan, dan sosial politik yang telah
melampaui batas negara. Laju kerusakan hutan periode 1985-1997 mencapai rata-
rata 1,6 juta ha per tahun, periode 1997-2000 mencapai rata-rata sebesar 2,83 juta
ha per tahun, dan periode 2003-2006, mencapai kurang-lebih 761.197 ribu ha per
tahun. Sampai dengan tahun 2002 tercatat luas kawasan hutan yang terdegradasi
seluas 59,7 juta ha, sedangkan luas lahan kritis di dalam dan di luar kawasan hutan
tercatat seluas 42,1 juta ha (Departemen Kehutanan RI, 2006). Berdasarkan data
Word Deforestation Decreases yang dirilis oleh FAO tahun 2010, Brasil dan
Indonesia merupakan dua dari 233 negara yang paling tinggi mengalami deforestasi
dan degradasi sumberdaya hutan (Departemen Kehutanan RI, 2010). Jika
4
kecenderungan ini tetap berlangsung, maka hutan tropis Indonesia yang memiliki
keanekaragaman yang tinggi diprediksi akan lenyap dalam beberapa tahun yang
akan datang.
Tingginya laju kerusakan hutan tersebut disebabkan oleh berbagai faktor antara
lain kesalahan pengelolaan, illegal logging, kebakaran hutan dan lahan, konflik
lahan hutan, pertambangan, perambahan, konversi kawasan hutan untuk
penanganan lain yang tidak memenuhi kaidah yang berlaku, serta lemahnya upaya
penegakan hukum terhadap kejahatan kehutanan. Menurut data Departemen
Kehutanan RI (2010), kegiatan yang mempunyai andil dalam peningkatan laju
deforestasi tersebut adalah perladangan, pembangunan pertanian/pangan dan
perkebunan (22%), pembangunan infrastruktur (16%), kegiatan illegal dalam
kawasan hutan akibat open access (semak belukar) (61%), pemukiman dan
transmigrasi (0,4%), pertambangan (0,6%). Nampak bahwa kegiatan illegal dalam
kawasan hutan akibat open access mempunyai sumbangan tertinggi, disebabkan
antara lain karena belum tercapainya kemantapan kawasan hutan Indonesia.
Degradasi hutan akibat illegal logging dipacu oleh kesenjangan bahan baku industri
sekitar 35-40 juta m3. Industri pengolahan kayu mengakui ketergantungan mereka
terhadap kayu illegal yang jumlahnya diperkirakan sekitar 65% dari pasokan kayu
total. Kerugian financial akibat praktek-praktek illegal logging dan peredaran kayu
illegal di Indonesia diperkirakan mencapai Rp. 82 milyar per hari atau menurut Bank
Dunia (2002) diperkirakan sebesar $ 600 juta per tahun (sekitar 4 kali anggaran
tahunan sector kehutanan), yang antara lain karena tidak terpungutnya PSDH dan
DR (Departemen Kehutanan, 2007).
5
Penebangan Liar (PL) akan memberikan dampak, baik ekonomi maupun ekologi.
Dari sektor ekonomi kerugian Negara yang diakibatkan adalah berkurangnya
pendapatan Negara atas pajak dari nilai kayu tersebut. Dalam skala yang lebih luas
adalah hilangnya kesempatan untuk memanfaatkan keragaman produk di masa
depan. Kerugian yang lebih besar yang tidak bisa dinilai adalah kerugian karena
terganggunya fungsi lingkungan, kerugian yang paling besar adalah hilangnya
tegakan hutan yang akan berakibat pada rusaknya lingkungan, terjadinya
perubahan iklim, menurunnya produktifitas lahan, erosi dan banjir, kerusakan
habitat, serta hilangnya keaneka ragaman hayati.
Hasil penelitian sebelumnya adalah penelitian Pemanfaatan Jaringan Syaraf
Tiruan untuk Klasifikasi jenis tanaman pertanian pada foto udara format kecil, telah
dilakukan oleh [Harintaka, Imam Baskoro, 2006], Generalisasi jumlah kelas (dari
sembilan kelas, kemudian enam kelas dan menjadi hanya lima kelas) berdasarkan
nilai separability index antar daerah contoh mampu mengenali pengelompokan jenis
tanaman berdasarkan kesamaan spectral dengan nilai ketelitian keseluruhan
sebesar 84,28% dan harga Kappa sebesar 0,78. Penelitian yang akan dilakukan
adalah menambah data tambahan pada proses pelatihan, antara lain data tekstur,
sehingga diharapkan mampu mengenali jenis tanaman dengan lebih detail.
Penelitian Deteksi Kerusakan Hutan dengan pemotretan dari udara
menggunakan Jaringan Syaraf Tiruan (Detecting Forest Damage in Cir Aerial
Photographs Using a Neural Network), telah dilakukan oleh [Damir Klobucar, dkk
2010], penelitian ini berhasil dengan memanfaatkan CIR (color infrared). Penelitian
yang akan dilakukan adalah selain deteksi kerusakan hutan, diharapkan juga dapat
6
mendeteksi jika terjadi penebangan pohon dengan menggunakan data citra satelit
Landsat atau data citra dari Google.
Penelitian Sistem Penilaian Resiko tingkat bahaya kebakaran hutan berbasis
Jaringan Syaraf Tiruan (JST), telah dilakukan oleh [Addy Suyatno, 2011].
Berdasarkan hasil penelitian melalui tahapan pelatihan dan pengujian diperoleh JST
mampu melakukan identifikasi dengan baik yang ditunjukkan dengan 100% hasil
pengujian data yang dilatihkan dan 97% hasil pengujian data yang belum pernah
dilatihkan. Anomali cuaca (cuaca ekstrim) sangat berpengaruh pada perhitungan,
karena mayoritas masukan data bersumber dari kondisi cuaca. Resiko tingkat
bahaya kebakaran dapat dinilai berdasarkan komputasi sederhana untuk
mendapatkan hasil yang cepat, tepat dan akurat. Dengan metode yang sama
diharapkan dapat mendeteksi jika terjadi penebangan liar pada kawasan hutan.
B. Rumusan MasalahPermasalahan yang dijadikan obyek penelitian dan pengembangan masalah ini
adalah sebagai berikut :
1. Bagaimana menghitung luas suatu wilayah hutan dari citra satelit.
2. Bagaimana mengolah dan mengoreksi data dari citra satelit pada Matlab.
3. Bagaimana mengubah data citra satelit menjadi sinyal berbentuk
histogram dengan berbagai macam metode cerdas.
4. Bagaimana membandingkan data citra dengan berbagai macam metode
Cerdas untuk memperoleh metode yang optimal untuk deteksi awal
terjadinya penebangan liar.
7
5. Bagaimana membangun Model Sistem Cerdas untuk deteksi awal
terjadinya penebangan liar pada suatu kawasan.
C. Batasan MasalahUntuk kemudahan dan lebih terperincinya pembahasan penulisan, permasalahan
yang dibahas dalam penelitian ini dibatasi pada:
1. Menentukan luas wilayah cakupan hutan pada DAS Jeneberang.
2. Mengolah data citra satelit hutan sebagai luas lahan hijau, dan
mengoreksi data citra satelit pada Matlab.
3. Mengubah data citra satelit menjadi sinyal berbentuk histogram dengan
berbagai macam metode cerdas.
4. Membandingkan data citra dengan bebagai macam metode cerdas untuk
memperoleh metode yang optimal untuk deteksi dini terjadinya
penebangan liar.
5. Membangun Model Sistem Cerdas untuk deteksi awal terjadinya
penebangan liar pada kawasan hutan DAS Jeneberang kabupaten Gowa.
D. Tujuan Penelitian
Adapun tujuan yang ingin dicapai dalam penelitian ini adalah sebagai berikut:
1. Menganalisis karakteristik sarana prasarana kawasan hutan pada DAS
Jeneberang Kabupaten Gowa berdasarkan klasifikasi penggunaan lahan.
2. Mengklasifikasikan penggunaan lahan dengan menggunakan beberapa
metode sistem cerdas.
8
3. Menganalisis data citra satelit dengan beberapa metode sistem cerdas untuk
menentukan satu metode cerdas.
4. Menentukan satu model metode cerdas untuk menentukan metode optimasi
yang dapat mendeteksi secara dini terjadinya penebangan liar.
5. Menggunakan model hasil optimisasi secara real time yang dapat mendeteksi
secara dini terjadinya penebangan liar.
E. Manfaat Penelitian
Penelitian ini diharapkan dapat memberikan manfaat, antara lain:
1. Sebagai bahan informasi dan pertimbangan bagi pemerintah untuk menindak
suatu pelanggaran, jika terjadi pelanggaran pada kawasan hutan yaitu
terjadinya penebangan pohon secara liar pada suatu kawasan hutan lindung.
2. Sebagai bahan referensi bagi pengembangan sumber daya air, yaitu dengan
mempertahankan fungsi hutan pada DAS Jeneberang Kabupaten Gowa,
maka ketersediaan sumber air pada daerah ini tetap dapat mensuplay
kebutuhan air bersih untuk Kabupaten Gowa dan Kota Makassar.
F. Lingkup Penelitian
Penelitian ini merupakan penelitian di bidang infrastruktur dengan menitik
beratkan pada studi pengembangan sarana prasarana kawasan hutan
Kabupaten Gowa, dengan konsep multi fungsi hutan sehingga dapat mendeteksi
secara dini jika terjadi penebangan pohon secara liar. Sarana prasarana
kawasan hutan yang akan diteliti adalah mempertahankan fungsi kawasan hutan
9
pada Kabupaten Gowa sehingga suplay air di kabupaten Gowa dan ke kota
Makassar untuk kebutuhan air bersih tetap terjaga.
Gambar 1 memperlihatkan Citra Daerah Aliran Sungai Jeneberang.
Gambar 1. Citra DAS Jeneberang
G. Kebaruan Hasil Penelitian
Adapun kebaruan hasil penelitian adalah membangun suatu metode
cerdas yang dapat mendeteksi lebih awal jika terjadi penebangan liar dalam
suatu kawasan hutan lindung, khususnya pada DAS Jeneberang kabupaten
Gowa.
Beberapa metode cerdas yang diteliti untuk deteksi citra hutan adalah
dengan menggunakan metode JST (Jaringan Syaraf Tiruan) atau NN (Neural
Network), HMM (Hidden Markov Model), NF (Neuro-Fuzzy), untuk Deteksi Citra,
Deteksi penebangan liar menggunakan proses Matching dengan Metode
10
Discrete Cosine Transform (DCT), dan Deteksi kegiatan penebangan liar secara
dini dengan Metode Support Vector Machine (SVM).
Metode cerdas tersebut adalah hasil optimasi dari beberapa metode
cerdas yang diuji yaitu Metode Hidden Markov Model (HMM), Metode Neuro-
Fuzzy (NF), Metode Jaringan Syaraf Tiruan_JST (Neural Network_NN), Metode
Discrete Cosine Transform (DCT), dan Metode Support Vector Machine (SVM).
H. Sistematika Penulisan
Sistematika penulisan proposal Disertasi ini terbagi dalam tiga bab dengan
harapan maksud dan tujuan dari penulisan ini dapat terangkum secara
keseluruhan. Pembagian bab tersebut adalah sebagai berikut:
Bagian pertama adalah pendahuluan merupakan bab yang membahas tentang
latar belakang dan urgensi dasar penelitian, rumusan masalah, batasan
masalah, tujuan penelitian, manfaat penelitian, lingkup penelitian dan kebaruan
hasil penelitian serta sistematika penulisan.
Bagian kedua adalah tinjauan pustaka merupakan bab yang membahas tentang
teori dasar yang relevan dengan konsep terkait, yaitu menguraikan tentang
konsep terkait yang dapat menunjang kegiatan penelitian, baik menyangkut teori
umum, peraturan atau undang-undang, maupun materi penelitian terdahulu yang
terkait dengan tujuan penelitian ini, serta menjelaskan kerangka pikir konsep
penelitian.
Bab ketiga adalah metode penelitian merupakan bab yang menguraikan tentang
jenis penelitian, lokasi penelitian, populasi dan teknik penentuan sampel, teknik
11
dan alat pengumpulan data, teknik analisis data dan defenisi operasional.
Adapun metode-metode yang digunakan dalam menganalisis data citra satelit
hutan, yaitu: Deteksi tepi citra menggunakan Hidden Markov Mode (HMM)l,
Identifikasi penebangan liar dengan Neuro-Fuzzy (NF), Deteksi Citra dengan
Metode Jaringan Syaraf Tiruan - JST (Neural Network - NN), Deteksi
penebangan liar menggunakan proses Matching dengan Metode Discrete Cosine
Transform (DCT), dan Deteksi kegiatan penebangan liar secara dini dengan
Metode Support Vector Machine (SVM).
12
BAB IITINJAUAN PUSTAKA
A. Penelitian Terkait
Penelitian tentang Tehnik mendeteksi lahan longsor menggunakan citra
SPOT multiwaktu: Studi kasus di Teradomari, Tochio dan Shidata Mura, Niigata,
Jepang telah dilakukan oleh [I Nengah Surati Jaya, 2005].
a) Metode yang paling efektif dalam mendeteksi lahan longsor menggunakan
citra SPOT multiwaktu adalah metode komponen utama dengan melakukan
thresholding citra sintetik kestabilan kehijauan (stable greenness), perubahan
kehijauan (delta greenness) dan perubahan kecerahan (delta brightness) yang
diperoleh dari identifikasi eigenvector-nya; Metode ini menghasilkan akurasi 88%
untuk daerahTeradomari dan 91% untuk daerah Tochio dan Shitada Mura.
b) Metode Disparitas Indeks Vegetasi (VIDN) relatif kurang akurat dibandingkan
Metode Komponen Utama, yaitu hanya menghasilkan akurasi sebesar 62.5%
untuk daerah Teradomari dan 64% untuk Tochio dan Shitada Mura.
c) Metode klasifikasi konvensional dengan Algoritma Peluang Maksimum
menghasilkan akurasi pengguna (user’s accuracy) deteksi lahan longsor hanya
56,9% di Teradomari, sementara akurasi pembuatnya (producer’s accuracy)
cukup besar yaitu 100%.
Sedangkan akurasi pengguna di Tochio dan Shitada Mura hanya 63,7%
sedangkan akurasi pembuatnya 98,3%.
d) Karena sifat-sifat spektral dan spasialnya, citra multiwaktu SPOT2 dan SPOT5
13
cukup layak digunakan untuk mendeteksi lahan longsor, khususnya yang
mempunyai luasan lebih besar dari 100 m2.
e) Deteksi longsor menggunakan citra satelit SPOT lebih efisien 1/2, 7 kali lipat
dibandingkan hanya meggunakan survei lapangan
Penelitian Pengembangan Model Multinomial Neural Network dalam konteks
klasifikasi penutup lahan, telah dilakukan oleh [Wiweka dan Wawan Setiawan,
2005]. Pengklasifikasi model multinomial cocok untuk diterapkan pada citra optik
dan Synthetic Aperture Radar (SAR). Hasil ini menguatkan penelitian [Murni,
(1997)], bahwa citra optik dan SAR mengandung bagian homogen dan tekstur.
Pengklasifikasi model multinomial merupakan metode pengklasifikasi yang
bersifat sensor independent classifier yang menghasilkan akurasi lebih baik dari
pengklasifikasi Model Gaussian pada kasus yang serupa. Model multinomial
memiliki tingkat generalisasi relatif tinggi dan signifikan pada α 0.05 dan 0.025,
namun membutuhkan sampel pelatihan yang sedikit besar. Pengklasifikasi model
multinomial dapat meningkatkan akurasi klasifikasi citra sensor optik sampai
sekitar 13.35% dan citra sensor SAR sampai 15.62%. Metodologi pengklasifikasi
yang diusulkan merupakan mekanisme optimal untuk citra penginderaan jarak
jauh dan bersifat sensor independent classifier pada lingkungan optik dan SAR.
Pengklasifikasi yang diusulkan sebagai metode alternatif dari pengklasifikasi
Model Gaussian yang memiliki masalah antara lain waktu, kebergantungan
sensor, dan tingkat akurasi.
Penelitian Pemanfaatan Jaringan Syaraf Tiruan untuk Klasifikasi jenis
tanaman pertanian pada foto udara format kecil, telah dilakukan oleh [Harintaka,
14
Imam Baskoro, 2006], Generalisasi jumlah kelas (dari sembilan kelas, kemudian
enam kelas dan menjadi hanya lima kelas) berdasarkan nilai separability index
antar daerah contoh mampu mengenali pengelompokan jenis tanaman
berdasarkan kesamaan spectral dengan nilai ketelitian keseluruhan sebesar
84,28% dan harga Kappa sebesar 0,78. Berdasarkan hasil penelitian ini maka
disarankan untuk menambah data tambahan pada proses pelatihan, antara lain
data tekstur, sehingga diharapkan mampu mengenali jenis tanaman dengan
lebih detail.
Pemanfaatan Jaringan Syaraf Tiruan untuk klasifikasi tanaman belukar
(Application of artificial neural networks in image recognition and classification of
crop and weeds), telah dilakukan oleh [C. C. Yang, dkk, 2000], memperoleh nilai
ketelitian 60% sampai 80%.
Penelitian Klasifikasi dan Penggunaan Lahan pada Multispectral Image
dari Landsat Thematic Mapper menggunakan Probabilistic Neural Network
(PNN), telah dilakukan oleh [Agus Baskoro, Marimin, dan Dianan Putri, 2004].
Keakuratan hasil klasifikasi PNN pada multispectral image yang diteliti
menggunakan Matlab Neural Network Toolbox paling tinggi sebesar 64,26%
yang dicapai pada saat jumlah training 84 pixel dan besar smoothing parameter
(h) = 0.9. Sedangkan kasus bunga iris klasifikasi mencapai 97,33%. Jika
dibandingkan dengan metode statistic analisa diskriminan, dihasilkan akurasi
sebesar 54,3%, maka untuk kasus multispectral image metode JST. PNN
bekerja lebih baik, karena akurasi yang dihasilkan mencapai 64,26%.
15
Pemilihan data training akan lebih baik jika merupakan daerah yang homogen.
Untuk kasus penutup lahan, area contoh yang diambil tipe penutup lahan yang
sama pada lokasi yang berbeda dapat saja menunjukkan spectral pencari yang
berbeda, begitu juga sebaliknya.
Penelitian Pengenalan Objek klasifikasi Signature menggunakan Dynamic
Time Warping (Use of Dynamic Time Warping for Object Shape Classification
Through Signature), telah dilakukan oleh [Santosh K.C., 2010]. Penelitian ini
berhasil mengenali objek 2D, tetapi untuk pengenalan objek 3D diperlukan
penambahan data objek yang lebih banyak.
B. Pengolahan Citra
Pengolahan citra adalah ilmu untuk memanipulasi gambar, yang melingkupi
teknik-teknik untuk memperbaiki atau mengurangi kualitas gambar, menampilkan
bagian tertentu dari gambar, membuat sebuah gambar yang baru dari beberapa
bagian gambar yang sudah ada, dan beberapa teknik manipulasi gambar lainnya.
Suatu citra yang mempunyai kontras rendah dapat dihasilkan dari sumber citra
dengan proses pencahayaan atau penerangan yang rendah atau karena adanya
kesalahan setting pada saat pengambilan citra berlangsung.
Citra digital merupakan suatu array dua dimensi atau suatu matriks yang
elemen elemennya menyatakan tingkat keabuan dari elemen gambar. Secara
konseptual citra (ƒ) bisa dianggap sebagai fungsi riil yang terdefinisi pada domain
riil juga. Jadi untuk kasus dua dimensi citra, citra dapat ditulis sebagai berikut:
f(x, y)→ R
16
di mana:
x, y Є R, dengan R adalah himpunan bilangan riil, sehingga citra tersebut bisa
dinyatakan ƒ (x, y), maka proses image enhancement berbasis transformasi citra
pada penelitian ini dilakukan dengan:
a. Mentrasformasikan citra asal ke dalam domain yang sesuai bagi proses
image enhancement ini
b. Melakukan proses enhancement pada domain tersebut.
c. Mengambil citra kedalam domain spasial untuk ditampilkan atau untuk
diproses lebih lanjut.
[Aniati Murni] dalam buku Pengantar Pengolahan Citra memuat tentang
pengolahan citra yaitu image enhancement serta tentang transformasi fourier.
[Riyanto Sigit, ST dan kawan-kawan] dalam buku Step by Step Pengolahan
Citra Digital, memuat tentang pengolahan citra untuk mengubah citra warna yaitu
gray-scale dan thresholding serta tentang image enhancement yaitu histogram
serta pembuatan histogram citra.
[M. Syamsa Ardisasmita] dalam makalahnya Segmentasi dan Rekonstruksi
Citra Organ Dalam Tiga Dimemsi Menggunakan Matematika Morfologi dan
Triagulasi Delaunay. Disini dilakukan eksperimen dalam visualisasi anatomi
patologi sistem pencitraan medis dalam 3 (tiga) dimensi yang berguna untuk
perencanaan pembedahan dan perhitungan dosis radiasi pasien.
[Setyo Nugroho] dalam makalahnya berjudul Penerapan Metode
Transformasi Fourier Untuk Perbaikan Citra Digital yang membahas mengenai
perbaikan kualitas suatu citra dengan metode frequency domain dan
17
diimplementasikan dengan program matlab. Disini dilakukan eksperimen untuk
memperoleh informasi citra, menampilkan citra, melakukan transformasi fourier
pada citra dan menampilkan spektrum fourier dari citra serta menampilkan citra
digital hasil dari proses. Setelah dilakukan proses perbaikan citra tersebut, maka
citra yang dijadikan sampel terjadi pengurangan noise. Atau dapat dikatakan
dengan dilakukan pemrosesan citra digital dengan metode frequency domain
dapat melakukan perbaikan pada citra yang tercemari oleh noise tertentu.
C. Kerangka PikirAdapun teknologi yang digunakan dalam penelitian ini adalah sebagai
berikut:
1. Sistem telemetri pengambilan data: satelit Landsat.
2. Deteksi tepi Citra dengan Metode Hidden Markov Model (HMM).
3. Program akan membandingkan fitur warna citra masukan dengan fitur-fitur
warna dalam database utama dengan Metode Neuro- Fuzzy (NF)
4. Deteksi Citra dengan Metode Jaringan Syaraf Tiruan (JST) atau Neural
Network (NN) .
5. Deteksi Citra Penebangan Liar menggunakan proses matching dengan
Metode Discrete Cosine Transform (DCT) adalah suatu teknik pemilihan
index untuk menentukan lokasi hutan berdasarkan tingkat kerusakannya.
6. Deteksi Kegiatan dengan Metode Support Vector Machine (SVM) untuk
deteksi awal kegiatan Penebangan Liar.
18
Gambar 2 memperlihatkan diagram alir kerangka pikir penelitian
Gambar 2 Diagram alir kerangka pikir penelitian
19
BAB IIIMETODOLOGI PENELITIAN
A. Jenis Penelitian
Penelitian ini merupakan penlitian eksperimental dan simulasi, mengkaji
sebaran sarana prasarana kawasan hutan pada DAS Jeneberang, mengkaji
data citra Google atau LANDSAT pada kawasan hutan Kabupaten Gowa.
B. Waktu dan Lokasi Penelitian
Lokasi penelitian ini difokuskan pada kawasan hutan pada DAS Jeneberang
Kabupaten Gowa. Penentuan lokasi penelitian tersebut adalah berdasarkan
banyaknya perumahan pemukiman yang berkembang di wilayah suburban,
yang mengakibatkan inefesiensi pemanfaatan fungsi hutan dan
menyebabkan banjir akibat berkurangnya area resapan air.
Penelitian dilaksanakan selama kurang lebih 12 bulan, yaitu Mei 2012
(seminar proposal) sampai dengan April 2013.
Oktober 2011, Konperensi Internasional ICSANE 2011 di Bali.
Nov. 2011 – April 2012, Pengumpulan data sekunder.
Mei 2012 Seminar Proposal. Merancang perangkat lunak system..Juni 2012 Perancangan flow diagram & Melakukan uji coba model cerdas secara keseluruhan (HMM, JST-NN, NF, DCT, & SVM)
Juli 2012 Merancang MODEL SISTEM CERDAS (MSC)
Agustus-September 2012 Hasil Desain Model Sistem Cerdas MSC_Jurnal Nasional Terakreditasi
20
September 2012 Konperensi Internasional di Bali
Sept. - Nop. 2012 Mengintegrasikan seluruh perangkat sistem
Nop. 2012 Konperensi Internasional di Makassar
Nop. 2012 – Jan. 2013 Melakukan pengukuran citra dengan beberapa metode cerdas dari jarak jauh pada skala laboratorium.
Feb. 2013 Uji coba dan Simulasi untuk menentukan metode optimasi.
Maret 2013 Menentukan Model Sistem Cerdas Deteksi Awal Penebangan Liar pada Daerah Aliran Sungai Jeneberang (EXPERT SYSTEM MODELING FOR EARLY DETECTION OF ILLEGAL LOGGING FOREST AT RIVER FLOW AREA JENEBERANG) Jurnal Terakreditasi Nasional atau Jurnal Internasional.
April 2013 Ujian Seminar Hasil (Insya ALLAH)
Juni 2013 Ujian Disertasi Doktor (Ujian Tutup)Juli 2013 Ujian Promosi Doktor
C. Populasi dan Sampel
1. Populasi penelitian adalah seluruh kawasan hutan pada DAS Jeneberang
kabupaten Gowa.
2. Sampel penelitian adalah data citra satelit kawasan hutan lindung
kabupaten Gowa tahun 2007 sampai 2011 yang diperoleh dari Google
atau Landsat..
D. Bahan dan Alat
Peralatan yang digunakan dalam pelaksanaan penelitian adalah peta
udara atau citra satelit (Citra Google atau Citra LANDSAT), peta guna lahan,
kamera digital, computer dan alat tulis, serta program Matlab.
21
E. Jenis dan Sumber Data
Data yang digunakan dalam penelitian adalah sesuai dengan tujuan
penelitian, yaitu:
1. Untuk tujuan menganalisis karakteristik sarana prasarana
kawasan hutan pada DAS Jeneberang terhadap klasifikasi
penggunaan lahan, adalah data penutupan lahan Kabupaten
Gowa.
2. Untuk tujuan mengklasifikasikan penggunaan lahan dengan
menggunakan beberapa metode sistem cerdas, menguji data
citra satelit dengan Pengujian Metode Cerdas HMM, NF, JST
(NN), DCT dan SVM.
3. Untuk tujuan menganalisis data citra satelit dengan beberapa
metode sistem cerdas guna menentukan satu metode,
dibutuhkan program Matlab atau program tambahan.
4. Untuk tujuan menentukan satu metode cerdas untuk
mendapatkan metode optimasi yang dapat mendeteksi secara
dini terjadinya penebangan liar (illegal logging), dibutuhkan data
citra satelit secara real time.
F. Teknik Pengumpulan Data
Teknik pengumpulan data yang digunakan dalam penelitian ini:
1. Observasi atau pengamatan langsung di lokasi penelitian yaitu di
kawasan hutan pada kabupaten Gowa yang berhubungan dengan daerah
aliran sungai Jeneberang.
22
2. Pengumpulan data citra satelit kawasan hutan pada DAS Jeneberang
kabupaten Gowa tahun 2007 sampai tahun 2011.
3. Studi dokumentasi, yaitu mempelajari dokumen-dokumen dan literatur
yang berhubungan dengan permasalahan penelitian.
G. Teknik Analisis Data
Secara umum penelitian ini melakukan pembahasan masukan program image
enhancement dan menerapkan hasil perbaikan citra dalam suatu bentuk
program, dengan beberapa tahapan yaitu:
1. Dilakukan penginputan citra yang asli yang belum mengalami
perbaikan.
2. Dilakukan proses konversi citra pada matlab.
3. Setelah pegolahan citra dilakukan proses perbaikan kualitas citra yaitu
thresholding citra yaitu pengaturan derajat keabuan dan filtering atau
penyaringan informasi spektral sehingga dihasilkan citra baru yang
mempunyai variasi nilai spektral yang berbeda dari citra asli.
4. Pengujian Metode Cerdas; HMM (Hidden Markov Model) untuk deteksi
tepi citra, Neuro-Fuzzy (NF) dan Jaringan Syaraf Tiruan (JST) untuk
deteksi citra, serta DCT (Discrete Cosine Transform) untuk proses
Matching dan SVM (Support Vector Machine) untuk deteksi kegiatan
Penebangan Liar.
5. Pemilihan Metode Optimasi dari Metode-Metode Cerdas yang diuji.
6. Menentukan Model Cerdas untuk Deteksi Kegiatan Penebangan Liar.
23
H. Defenisi Operasional
Parameter yang dipergunakan dalam penelitian ini adalah sebagai berikut:
1. Mengidentifikasi masalah, Penebangan Liar memberikan dampak, baik
ekonomi maupun ekologi. Dari sektor ekonomi, kerugian negara yang
diakibatkan berkurangnya pendapatan negara atas pajak-pajak dari nilai
kayu tersebut. Dalam skala yang lebih luas adalah hilangnya kesempatan
untuk memanfaatkan keragaman produk di masa depan. Kerugian yang
lebih besar yang tidak bisa dinilai adalah kerugian karena terganggunya
fungsi lingkungan, kerugian yang paling besar hilangnya tegakan
hutan yang akan berakibat pada rusaknya lingkungan, terjadinya
perubahan iklim, menurunnya produktivitas lahan, erosi dan banjir,
kerusakan habitat, serta hilangnya keaneka ragaman hayati.
2. Merancang perangkat lunak system,
Perangkat lunak system yang dirancang berfungsi untuk penafsiran citra
dan warna. Penafsiran citra secara visual memliki arti hubungan interaktif
(langsung) dari penafsir dengan citra, artinya ada proses perunutan dari
penafsir untuk mengenali obyek hingga proses pen_deliniasian batas
obyek untuk medefinisikan obyek tersebut. Penafsiran citra secara manual
pada awalnya dengan cara deliniasi obyek pada citra cetak kertas
(hardcopy) yang telah dilakukan preprocessing lebih dulu. Perkembangan
teknologi hardware dan software memungkinkan penafsiran langsung di
komputer dengan metode on screen digitize. Meskipun memanfaatkan
komputer. Metode ini masih termasuk interpretasi secara manual. Teknik
24
penafsiran citra penginderaan jauh dilakukan dengan menggunakan
komponen penafsiran warna.
Warna merupakan unsur pengenal utama atau primer terhadap suatu
obyek pada citra penginderaan jauh. Fungsi utama adalah untuk
identifikasi batas obyek pada citra. Warna merupakan wujud yang tampak
mata dengan menggunakan spectrum sempit, lebih sempit dari spectrum
elektromagnetik tampak.
3. Perancangan flow diagram (wiring diagram) sistem monitoring paramater
o lingkungan hutan dengan teknologi satelit Landsat yang diperoleh
dari Google.
Seperti terlihat pada Gambar 3, sistem ini diawali dengan pembacaan
sampel citra hutan masukan yang berasal dari Google Earth. Setelah itu,
sampel citra tersebut dipotong untuk memperoleh sampel citra yang tidak
berisi keterangan dari Google Earth. Tahapan berikutnya adalah
pengklasifikasian sampel citra. Setelah itu mencari nilai rata-rata (mean)
komponen green dan blue pada setiap sampel citra yang kemudian
dijadikan sebagai parameter masukan bagi sistem NeuroFuzzy. Data latih
yang terdiri dari mean green dan blue kemudian di-training dengan
menggunakan metode Neuro Fuzzy. Kemudian mengidentifikasi data uji
pada testing Neuro Fuzzy. Terakhir adalah menampilkan hasil.
Alur dan Arsitektur Sistem sebagai berikut:
Klasifikasi Blok Pre-processing
Pemotongan Gambar/Cropping
Sampel Citra Hutan
Menghitung nilai rata-rata masing-masing komponen G dan B
Data Latih
Training
Tampilkan Hasil
Data Uji
Testing
Selesai
Mulai
Blok Neuro Fuzzy
25
Gambar 3 Flowchart Perangkat Lunak Sistem
4. Melakukan uji coba model sistem cerdas secara keseluruhan (HMM, NF,
JST atau NN, DCT, & SVM),
Uji coba dilakukan setelah program aplikasi setiap model sistem cerdas
telah dibuat.
5. Membuat MODEL sistem neuro fuzzy.
Rule Awal
Pembelajaran Hybrid
Fungsi Keanggotaan Awal
Data Latih
Data Uji
Selesai
Mulai
Rule Akhir
Fungsi Keanggotaan Akhir
Defuzzifikasi
Tanpa Penebangan Liar1,5<x≤3
Penebangan Liar0<x≤1,5
26
Contoh aturan pada suatu model fuzzy menunjukkan bagaimana suatu
sistem beroperasi. Perbedaan logika fuzzy dengan neuro fuzzy terletak
pada teknik pembuatan rule-nya. Pada logika fuzzy, logika rule dibuat
sendiri sedangkan pada neuro fuzzy, rule tercipta akibat proses
pembelajaran (learning) oleh sistem itu sendiri.
Gambar 4. Flowchart Proses Neuro Fuzzy
6. Mengintegrasikan seluruh perangkat sistem ,
27
7. Melakukan pengukuran citra dengan beberapa metode cerdas dari jarak
jauh pada skala laboratorium,
8. Uji coba dan Simulasi untuk menentukan Metode Optimasi.
9. Membuat Model Sistem Cerdas hasil optimisasi yang dapat mendeteksi
terjadinya penebangan liar pada suatu kawasan hutan lindung pada DAS
Jeneberang kabupaten Gowa.
Gambar 5 memperlihatkan Citra Kawasan Hutan sekitar DAS Jeneberang
Gambar 5. Citra Kawasan Hutan pada DAS Jeneberang
28
DAFTAR PUSTAKA
Addy Suyatno, 2011, Sistem Penilaian Resiko Tingkat Bahaya Kebakaran Hutan Berbasis Jaringan Syaraf Tiruan, semnasIF2011, UPN “Veteran” Yogyakarta, 2 July 2011, ISSN: 1979-2328
Agus Buono, Marimin, Diana Putri, 2004, Klasifikasi Penutup dan Penggunaan Lahan pada MultispectralImage dari Landsat Thematic Mapper Menggunakan Probabilistic Neural Network,Jurnal Ilmiah – Ilmu Komputer, Vol. 2 No. 2, Nopember 2004: pp. 1-13
C.C. Yang, S.O. Prasher, J. A. Landry, H.S. Ramaswamy, and A.Ditommaso, 2000, Application of Artificial Neural Networksin image recognition and classification of crop and weeds,Canadian Agricultural Engineering, Vol. 42, No.3: pp. 147-152.
Damir Klobucar, Renata Pernar, Sven Loncaric, Mako Subasic, Ante Seletkovic, Mario Ancic, 2010, Detecting Forest Damage in Cir Aerial Photographs Using a Neural Network, Original scientific paper – Izvorni znanstveni, Croat. j. for.eng. 31(2010)2: pp 157-163.
Danneberg, Roger. B., et al, 2007. A comparative evaluation of search techniques for query-by-humming using the MUSART testbed. Journal of the American Society for Information Science and Technology, vol. 58, no. 2, pp.687–701, diakses Januari 15, 2011 dari h tt p :/ / c i t e se e rx. i s t .psu . e d u / v i e wdo c / down l o a d ? doi=10.1.1.70.4028 & r e p =r e p1 &t y p e =pdf
Dickerson, Kyle Britton, 2009, Musical query-by-content using self- organizing maps. Thesis. Brigham Young University. diakses November 2010 dari h tt p :// c o n te n t d m . li b . b y u . e d u / E T D /im a g e / et d2995 . pdf
Harintaka, Imam Baskoro., 2006, Kajian Pemanfaatan Jaringan Syaraf Tiruan untuk Klasifikasi Jenis Tanaman Pertanian Foto Udara Format Kecil, Media Teknik No.4 Tahun XXVIII Edisi Nopember 2006, No.ISSN: 0216- 3012: pp. 3-10.
I Nengah Surati Jaya, 2005, Teknik Mendeteksi Lahan Longsor Menggunakan Citra SPOT Multiwaktu: Studi Kasus di Teradomari, Tochio dan Shitada Mura, Niigata, J epang (Landslide Detection Technique using Multidate SPOT Imageries: A Case Study in Teradomari, Tochio and Shitada Mura, Niigata, Japan), Jurnal Manajemen Hutan Tropika Vol. X No. 1: pp. 31-48
29
Kusuma, Wahyu & Irwan Arifin, 2006, Analisis penyamaan pitch interval sinyal melodi senandung untuk pencarian lagu. Seminar Ilmiah Nasional Komputer dan Sistem Inteligen (KOMMIT 2006). diakses Januari 2011, http://repository.gunadarma.ac.id:8000/Representasi_Chord_Wahyu_Kusuma_dkk_edit_835.pdf
Muller, Meinard., 2007, Information retrieval for music and motion. Berlin:Springer.
N.Mokhtar, H. Arof and M. Iwahashi, 2010, One Dimensionalimage processing for eye tracking using derivative dynamic TimeWarping, (Full length Research paper), Scientific Research and Essay, Vol.5(19): pp 2947-2955, 4 October 2010, ISSN: 1992-2248@2010 Academic Journals.
Santosh K. C., 2010, Use of Dynamic Time Warping for object shape classification Through Signature, Kathmandu University, Journal of Science, Engineering and Technology, Vol. 6 No.1, March 2010: 33-49
Somya Adwan, Hamzah Arof, 2011, Dynamic Time Warping Approach Toward Face Patterns Detection, International Journal of Academic Research, vol.3 No.1, January 2011, part 1
Syafruddin Syarif, Pingkan W., Trimurti F. R., Ady W. Paundu, 2011, Pemanfaatan Adaptive Neuro Fuzzy Inference System Untuk Identifikasi Penebangan Liar, pp. 245-252, Prosiding Konferensi Nasional Forum Teknik Elektro Indonesia (FORTEI) 2011
Wiweka dan Wawan Setiawan, 2005, Pengembangan Model Multinomial Neural Network Dalam Konteks Klasifikasi Penutup Lahan, Pertemuan Ilmiah Tahunan MAPIN XIV – Pemanfaatan Efektif Penginderaan Jauh untuk Peningkatan Kesejahteraan Bangsa, ITS.
Yacouba Diallo, Guangdao Hu, Xingping Wen, 2009, Aplications of Remote Sensing in land use/land cover Change Detection in Puer and Simao Counties, Yunnan Province, Journal of American Science, 5(4), 157-166. http://www.americanscience.org
Yusran, 2010, Evaluasi Kebijakan Kehutanan Nasional dan Implikasinya Terhadap Kelestarian Sumberdaya Hutan, Pidato Penerimaan Jabatan Guru Besar dalam Bidang Kebijakan dan Perundang-Undangan Kehutanan, pada Fakultas Kehutanan Universitas Hasanuddin.
30
LAMPIRAN: Rencana Kegiatan Disertasi Model Sistem Cerdas untuk Deteksi Awal Penebangan Liar kawasan Hutan pada Daerah Aliran Sungai
No Kegiatan Judul Waktu /Penerbit Keterangan
1 Seminar Nasional
Pemanfaatan Adaptive Neuro Fuzzy Inference System Untuk Identifikasi Penebangan Liar, pp. 245-252 [Syafruddin Syarif, Pingkan W., Trimurti F. R., Ady W. Paundu]
Prosiding Konferensi Nasional Forum Teknik Elektro Indonesia (FORTEI) 2011 ISBN: 978-602-8509-16-9
SUDAH
2 Jurnal
Model Sistem Cerdas untuk Deteksi Awal Penebangan Liar pada DAS Jeneberang
Mei 2012 Teknik Sipil Fakultas Teknik UNHAS
Proses Penerbitan
3 Seminar Proposal
Model Sistem Cerdas untuk Deteksi Awal Penebangan Liar pada DAS Jeneberang Mei 2012
Ujian,
22 Mei-2012
4 Jurnal Nasional Terakreditasi
Model Cerdas Deteksi Awal Penebangan Liar (MCDAPeL) Kawasan Hutan pada Daerah Aliran Sungai
September 2012 Belum
5 Jurnal Penelitian Sistem Cerdas Deteksi Citra DenganMetode Discrete Cosine Transform
Oktober 2012 Fakultas Teknik Unhas. Belum
6 Konferensi Internasional (MICEEI 2012)
Illegal Logging Detection with Neural Network Backpropagation Method Nopember 2012 Belum
7 Jurnal Internasional
Expert System Modeling for Early Detection Of Illegal Logging Forest at River Flow Area
Maret 2013 Belum
8 Seminar Hasil
Model Sistem Cerdas untuk Deteksi Awal Penebangan Liar kaw. hutan pada DAS April 2013 Belum
9 Ujian Tutup
Model Sistem Cerdas untuk Deteksi Awal Penebangan Liar kawasan Hutan pada Juni 2013 Belum
31
Daerah Aliran Sungai
DAFTAR ISI
hal.
HALAMAN JUDUL
DAFTAR ISI ..................................................................................................... 1
Bab I PENDAHULUAN ................................................................................ 2
A. Latar belakang ................................................................................ 2B. Rumusan Masalah ..................................................................... 6C. Batasan Masalah ..................................................................... 7D. Tujuan Penelitian ..................................................................... 7E. Manfaat Penelitian ..................................................................... 8F. Lingkup Penelitian ..................................................................... 8G. Konstribusi Hasil Penelitian ………………………………………… 9H. Sistematika Penulisan .................................................................... 10
Bab II TINJAUAN PUSTAKA ..................................................................... 12
A. Penelitian Terkait ..................................................................... 12 B. Pengolahan Citra ..................................................................... 15C. Kerangka Pikir ………………………….…………………………….. 17
Bab III METODOLOGI PENELITIAN ......................................................... 19
A. Jenis Penelitian ............................................................................... 19B. Waktu dan Lokasi Penelitian ......................................................... 19C. Populasi dan Sampel .................................................................... 20D. Bahan dan Alat ............................................................................... 20E. Jenis dan Sumber Data.................................................................... 21F. Teknik Pengumpulan Data ......................................................... 21G. Teknik Analisis Data ..................................................................... 22H. Defenisi Operasional ..................................................................... 23
DAFTAR PUSTAKA ………………….…………………………….… 28
LAMPIRAN …………………………………………………………………………… 30
32