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