Penerapan Algoritme Grabcut Untuk Menduga Biomassa Menggunakan Segmentasi Nilai Dbh Pada Tegakan Pinus Merkusii.

PENERAPAN ALGORITME GRABCUT UNTUK MENDUGA
BIOMASSA MENGGUNAKAN SEGMENTASI NILAI DBH PADA
TEGAKAN PINUS MERKUSII

DEDE NUR FITRIANSYAH

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2015

PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Penerapan Algoritme
Grabcut untuk Menduga Biomassa Menggunakan Segmentasi Nilai DBH pada
Tegakan Pinus merkusii adalah benar karya saya dengan arahan dari komisi
pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi
mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan
maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan
dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, September 2015
Dede Nur Fitriansyah
NIM G64110045

ABSTRAK
DEDE NUR FITRIANSYAH. Penerapan Algoritme Grabcut untuk Menduga
Biomassa Menggunakan Segmentasi Nilai DBH pada Tegakan Pinus merkusii.
Dibimbing oleh MUHAMMAD ASHYAR AGMALARO.
Biomassa merupakan sumber energi terbaharui yang penting untuk masa
depan. Informasi tentang karbon yang dihasilkan oleh tegakan hutan dapat
diperoleh dengan memperkirakan biomassa hutan. Salah satu metode yang
digunakan untuk menduga biomassa adalah penggunaan persamaan allometrik
melalui diameter breast height (DBH) dengan pengukuran tidak destruktif. Pinus
merkusii merupakan tumbuhan pinus asli Indonesia yang banyak memiliki manfaat.
Karakteristik Pinus merkusii adalah tumbuh besar, tinggi, dan sangat cocok
digunakan untuk menduga biomassa tegakan. Pengukuran DBH secara digital
didapatkan melalui pemrosesan citra dengan menggunakan segementasi algoritme
grabcut. Tujuan penelitian ini adalah menghitung biomassa pada tegakan Pinus

merkusii pada plot contoh di Taman Wisata Alam Gunung Pancar. Hasil dari
penelitian ini adalah total biomassa pada pengukuran DBH secara digital dan secara
konvensional. Hasil pengukuran DBH secara digital sebesar 5239.19 kg/ha
sedangkan secara konvensional sebesar 6809.35 kg/ha. Korelasi pengukuran DBH
adalah 0.944809.
Kata kunci: Algoritme Grabcut , Biomassa, DBH, Pinus merkusii.

ABSTRACT
DEDE NUR FITRIANSYAH. Implementing Grabcut Algorithm for Estimating
Biomass Using Segmentation of DBH Value in Stands of Pinus merkusii.
Supervised by MUHAMMAD ASHYAR AGMALARO.
Biomass is an important renewable energy source for the future. Information
about the carbon produced by forest stands can be obtained by estimating forest
biomass. One method used to estimate the biomass is use of allometric equations
via diameter breast height (DBH) with a non-destructive measurement. Pinus
merkusii is a plant native from Indonesia that has many benefits. Characteristics
Pinus are big, tall, and suitable for estimating biomass of stands. DBH
measurements are digitally obtained through image processing by using
segmentation of grabcut algorithm. This research aims to calculate the biomass at
the stands of Pinus on sample plots in Taman Wisata Gunung Alam Pancar. The

result from this research is the total biomass on DBH measurements digitally and
conventionally. DBH measurement results digitally was 5239.19 kg/ha, while
conventionally it was 6809.35 kg/ha. Correlation of DBH measurement was
0.944809.
Keywords: Biomass, DBH, Grabcut Algorithm , Pinus merkusii.

PENERAPAN ALGORITME GRABCUT UNTUK MENDUGA
BIOMASSA MENGGUNAKAN SEGMENTASI NILAI DBH PADA
TEGAKAN PINUS MERKUSII

DEDE NUR FITRIANSYAH

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer
pada
Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR
BOGOR
2015

Penguji: 1 Aziz Kustiyo, SSi MKom
2 Toto Haryanto, SKom MSi

Judul Skripsi

Nama
NIM

: Penerapan Algoritme Grabcut untuk Menduga Biomassa
Menggunakan Segmentasi Nilai DBH pada Tegakan Pinus
merkusii
: Dede Nur Fitriansyah
: G64110045

Disetujui oleh

Muhammad Ashyar, SSi MKom
Pembimbing

Diketahui oleh

Dr Ir Agus Buono, MSi MKom
Ketua Departemen

Tanggal Lulus:

PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala rahmat dan karunia-Nya penulis dapat menyelesaikan penyusunan skripsi
ini. Shalawat beserta salam semoga senantiasa tercurahkan kepada Nabi
Muhammad shollallahu ‘alaihi wa sallam, kepada keluarganya, kepada
sahabatnya, dan kepada umatnya hingga akhir zaman. Judul dalam penelitian ini
adalah Penerapan Algoritme Grabcut untuk Menduga Biomassa Menggunakan
Segmentasi Nilai DBH pada Tegakan Pinus merkusii.
Penulis menyadari bahwa dalam proses penulisan skripsi ini banyak
mengalami kendala, namun berkat bantuan, bimbingan, kerja sama dari

berbagai pihak dan berkah dari Allah subhanahu wa ta'ala sehingga kendalakendala tersebut dapat diatasi. Untuk itu penulis menyampaikan ungkapan
terima kasih kepada Uce Supriadi selaku ayah, Jamilah selaku ibu serta seluruh
keluarga atas segala doa dan kasih sayangnya. Serta ucapan terima kasih dan
penghargaan kepada Bapak Muhammad Ashyar Agmalaro, SSi MKom selaku
pembimbing yang telah dengan sabar, tekun, tulus dan ikhlas meluangkan waktu,
tenaga, dan pikiran untuk memberikan bimbingan, motivasi, arahan, dan saransaran yang sangat berharga kepada penulis selama menyusun skripsi. Terima
kasih tak lupa saya sampaikan juga kepada sahabat-sahabat seperjuangan dan satu
bimbingan saya, yaitu Lutfi Muzaqi dan Timotius Devin yang selalu menemani dan
mendukung saya, dan juga Farino yang telah membantu saya dalam memecahkan
hal-hal yang saya belum mengerti dalam pengerjaan skripsi ini. Terima kasih juga
saya ucapkan kepada seluruh teman-teman Ilmu Komputer IPB angkatan 48.
Ucapan Terima kasih juga saya tujukan kepada Bapak Aziz Kustiyo, SSi MKom
dan Bapak Toto Haryanto, SKom MSi selaku penguji atas segala masukan dan
saran yang telah diberikan. Semoga karya ilmiah ini bermanfaat.
Bogor, September 2015
Dede Nur Fitriansyah

DAFTAR ISI
DAFTAR TABEL
DAFTAR GAMBAR

DAFTAR LAMPIRAN
PENDAHULUAN
Latar Belakang

viii
viii
viii
1
1

Perumusan Masalah

2

Tujuan Penelitian

2

Manfaat Penelitian

2

Ruang Lingkup Penelitian

2

TINJAUAN PUSTAKA
Biomassa

3
3

Diameter Breast Height (DBH)

3

Pinus merkusii

3

Kamera Pinhole

4

Algoritme Grabcut

5

METODE PENELITIAN
Lokasi dan Waktu Penelitian

5
5

Alat dan Bahan

5

Data Penelitian

5

Tahapan Penelitian

6

Lingkungan Pengembangan

8

HASIL DAN PEMBAHASAN
Studi Kasus

9
9

Akuisisi Citra dan Praproses

9

Segmentasi Algoritme Grabcut

10

Threshold dan Morphological Operation

14

Batas Wilayah Objek

15

Perhitungan Biomassa

17

SIMPULAN DAN SARAN
Simpulan

19
19

Saran
DAFTAR PUSTAKA

19
20

DAFTAR TABEL
1 T-link weight
2 Biomassa pohon Pinus merkusii

12
18

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

Pengukuran DBH pohon di lapangan
Model kamera pinhole
Tahapan penelitian
Skema plot contoh
Plot Contoh Pinus merkusii
Kamera pinhole dengan proyeksi objek
(a) Citra gambar rectangle, (b) Hasil segmentasi citra
(a) Cluster pixel pada kelas background , (b) Cluster pixel pada kelas
foreground
(a) Graf dengan T-link dan N-link , (b) Segmentasi graph cut
(a) Citra gambar threshold, (b) Citra gambar morfologi
(a) Citra gambar draw object, (b) Citra gambar DBH
Hasil DBH
Hasil biomassa

4
4
6
7
9
10
11
11
13
14
17
18
19

DAFTAR LAMPIRAN
1 Peralatan penelitian
2 Hasil tahapan penelitian

22
23

PENDAHULUAN
Latar Belakang
Peningkatan laju emisi gas rumah kaca seperti CO2 secara global
menimbulkan ancaman terhadap iklim dunia. Berdasarkan prakiraan tahun 2000,
lebih dari 20 juta ton metrik CO2 diperkirakan akan dilepaskan ke atmosfer setiap
tahun (Saxena et al. 2007). Penggunaan biomassa sebagai sumber energi yang
terbaharui dengan jumlah CO2 yang bersih mampu bertindak sebagai netral karbon.
Informasi tentang karbon yang dihasilkan oleh suatu vegetasi atau tegakan hutan
dapat diperoleh dengan memperkirakan dari biomassa hutan, karena hutan
mempunyai kemampuan menyerap CO2 dari udara dan menyimpannya dalam
biomassa hutan.
Pinus merkusii merupakan satu-satunya jenis pinus yang tumbuh asli di
Indonesia, yang mampu mempercepat reboisasi dan rehabilitasi lahan-lahan kosong
dalam kawasan hutan. Selain itu hampir semua bagian pohonnya dapat
dimanfaatkan, pohon pinus juga memiliki karakteristik tumbuh besar dan tinggi
(Siregar 2005). Hal ini sesuai dengan karakteristik pohon pinus, karena sebagian
besar kandungan biomassa pohon terletak pada bagian kayu ± 60 % dan bagian
daun ± 3-5 % dari total biomassa pohon pada bagian atas tanah (Total Above
Ground Biomass) hutan tertutup (Brown 1997). Metode umum yang digunakan
untuk menduga biomassa hutan adalah melalui persamaan allometrik yang
menghubungkan biomassa pohon individu yang didapatkan dengan pengukuran
tidak destruktif (Ketterings et al. 2001).
Biomassa dalam penelitian ini adalah biomassa total pohon yang diduga dari
dimensi pohon yaitu diameter pohon. Hal ini sesuai dengan yang dinyatakan oleh
Brown (1997) bahwa diameter breast height (DBH) merupakan data inventarisasi
yang baik untuk menduga biomassa. Oleh karena itu, DBH dapat digunakan sebagai
parameter dalam menduga nilai biomassa yaitu menggunakan model allometrik
biomassa pohon Pinus merkusii pada lokasi lain yang memiliki karakteristik pohon
untuk jenis dan tipe ekologi yang sama.
Dalam menghitung diameter secara konvensional digunakan sebuah alat
phiban untuk mengukur diameter dan meteran untuk mengukur tinggi pohon
(Hardjana 2014), proses tersebut membutuhkan waktu yang cukup lama. Pada
penelitian ini dilakukan perhitungan diameter melalui pemrosesan citra yang
diambil menggunakan sebuah kamera DSLR, sehingga nantinya akan memudahkan
peneliti dalam mengukur diameter dan proses perhitungan biomassa pada tahap
selanjutnya. Hernández-Vela et al. (2012) menyajikan metode Grabcut dengan
menggabungkan tracking dan segmentasi. Grabcut digunakan untuk deteksi
histogram of oriented gradient (HOG) berbasis subjek, deteksi wajah, dan model
warna kulit pada manusia.
Citra yang digunakan merupakan tegakan Pinus merkusii di atas permukaan
tanah yang terletak pada Taman Wisata Alam Gunung Pancar. Citra tersebut
diambil menggunakan kamera DLSR. Selanjutnya dilakukan proses segmentasi
menggunakan algoritme Grabcut untuk memisahkan foreground dan background
citra. Hasil proses segmentasi dilakukan threshold binary lalu dilakukan proses
morfologi untuk mendapatkan bentuk citra yang sesuai. Tahap selanjutnya yaitu

2

mencari area kontur Pinus merkusii untuk mendapatkan diameter breast height
(DBH). Kemudian, nilai biomassa dihitung pada masing-masing pohon.

Perumusan Masalah
Berdasarkan latar belakang di atas, perumusan masalah dalam penelitian ini
adalah:
1 Bagaimana menerapkan algoritme Grabcut pada segmentasi citra Pinus
merkusii?
2 Bagaimana menghitung diameter breast height (DBH) melalui pemrosesan citra
pada tegakan Pinus merkusii?
3 Bagaimana menghitung biomassa pada tegakan Pinus merkusii dengan data
DBH hasil inventarisasi?

Tujuan Penelitian
Tujuan dalam penelitian ini adalah:
1 Menggunakan algoritme Grabcut pada proses segmentasi citra Pinus merkusii
2 Melakukan perhitungan diameter melalui pemrosesan citra sehingga didapatkan
diameter breast height (DBH).
3 Melakukan perhitungan biomassa pada tegakan Pinus merkusii dengan data
DBH hasil inventarisasi.

Manfaat Penelitian
Manfaat penelitian ini diharapkan mampu mempermudah perhitungan
biomassa melalui metode non-destructive sampling menggunakan persamaan
allometrik dari DBH hasil inventarisasi secara digital.

Ruang Lingkup Penelitian
Dalam penelitian ini objek yang digunakan adalah tegakan pohon Pinus
merkusii yang terletak pada Taman Wisata Alam Gunung Pancar, Kecamatan
Citeureup, Kabupaten Bogor, Provinsi Jawa Barat. Pengambilan data dengan
memilih plot contoh pada tegakan Pinus merkusii dengan luas 0.02 ha. Tegakan
pada plot contoh memiliki rata-rata umur pohon yang sama sehingga besar dan
tinggi pohonnya seragam. Pengambilan citra difokuskan pada tegakan batang
utama pohon Pinus merkusii di atas permukaan tanah.

3

TINJAUAN PUSTAKA
Biomassa
Menurut Brown (1997), biomassa adalah total jumlah materi hidup di atas
permukaan pada suatu pohon dan dinyatakan dengan satuan ton berat kering per
satuan luas. Secara garis besar biomassa dibagi menjadi dua, yaitu biomassa di atas
permukaan tanah (Total Above Ground Biomass) dan biomassa di bawah
permukaan tanah ( Total Under Ground Biomass).
Secara umum ada dua metode dalam penghitungan biomassa, yaitu
pengambilan contoh pohon dengan cara ditebang (destructive sampling) dan
pengambilan contoh pohon dengan cara tidak ditebang (non-destructive sampling)
(Hardjana 2014). Terdapat dua pendekatan biomassa di atas permukaan tanah
melalui metode non-destructive sampling, yaitu melalui persamaan allometrik dan
biomass expansion factor (BEF) (Sutaryo 2009).
Menurut Sutaryo (2009), allometrik didefinisikan sebagai suatu studi dari
suatu hubungan antara pertumbuhan dan ukuran salah satu bagian organisme
dengan pertumbuhan atau ukuran dari keseluruhan organisme. Persamaan
allometrik digunakan untuk mengekstrapolasi cuplikan data ke area yang lebih luas.
Dalam studi biomassa hutan atau pohon, persamaan allometrik digunakan untuk
mengetahui hubungan antara ukuran pohon (diameter atau tinggi) dengan berat
(kering) pohon secara keseluruhan.
Biomass expansion factor (BEF) didefinisikan sebagai rasio antara total
kepadatan biomassa kering dari pohon di atas permukaan tanah dengan DBH
minimum 10 cm atau lebih untuk kepadatan biomassa kering dari inventarisasi
volume (Brown 1997). Suatu Expansion factor akan menggandakan suatu jumlah
nominal tertentu, yaitu volume dan biomassa, yang mencakup satu atau beberapa
bagian pohon ke jumlah nominal lainnya terhadap keseluruhan pohon. Dengan kata
lain Expansion factor akan menggandakan nilai biomassa batang menjadi biomassa
keseluruhan pohon (Sutaryo 2009).

Diameter Breast Height (DBH)
Diameter setinggi dada atau DBH merupakan karakteristik pohon yang
penting yang digunakan sebagai standar metode untuk mengukur dimensi pohon.
DBH juga diterapkan sebagai analisis, teknik, model, dan evaluasi untuk memantau
pertumbuhan pohon dan membandingkan dimensi pohon yang berbeda (Sönmez
2009). DBH diukur pada ketinggian kurang lebih 1.3 m di atas permukaan tanah
(BPPK 2013). Ilustrasi pengukuran DBH pada berbagai kondisi kedudukannya di
lapangan terlihat pada Gambar 1.

Pinus merkusii
Pinus merkusii merupakan satu-satunya jenis pinus yang tumbuh asli di
Indonesia. Pinus merkusii termasuk dalam jenis pohon serba guna yang terusmenerus dikembangkan dan diperluas penanamannya pada masa mendatang untuk

4

Gambar 1 Pengukuran DBH pohon di lapangan
penghasil kayu, produksi getah, dan konservasi lahan. Hampir semua bagian
pohonnya dapat dimanfaatkan, antara lain bagian batangnya dapat disadap untuk
diambil getahnya. Ciri-ciri Pinus merkusii adalah batang lurus, bulat, kulit luar
kasar dan umumnya tidak bercabang. Daun bentuk jarum dan tajuk berbentuk
kerucut. Pinus juga mempunyai nama daerah damar batu, damar bunga, hunyam,
kayu sala, kayu sugi, tusam, uyam (Sumatra), dan pinus (Jawa). Batang pinus
berukuran sedang sampai besar, tinggi pohon 20–40 m dan diameter pohon dapat
mencapai 100 cm (Siregar 2005).

Kamera Pinhole
Kamera pinhole adalah model kamera sederhana yang digunakan dalam
proyeksi titik objek 3D pada titik gambar 2D (Wibirama 2011). Sebuah pinhole
adalah dinding imajiner dengan sebuah titik lubang di tengah yang menghalangi
semua sinar kecuali yang melewati titik di tengah tersebut. Dalam model sederhana
ini, cahaya dibayangkan sebagai masukan dari objek yang jauh, tetapi hanya sinar
tunggal yang masuk. Kemudian, sinar tersebut diproyeksikan ke dalam permukaan
yang disebut image plane (Bradski dan Kaehler 2008). Model kamera pinhole
diilustrasikan pada Gambar 2.

Gambar 2 Model kamera pinhole

5

Algoritme Grabcut
Grabcut adalah teknik segmentasi citra 2D yang inovatif yang dikembangkan
oleh Rother et al. (2004). Grabcut merupakan penyempurnaan dari kombinasi
metode Graph cut dengan model statistik dari foreground dan background di
struktur ruang warna. Grabcut juga merupakan segmentasi dengan sedikit interaksi
dari manusia. Interaksi dilakukan hanya dengan menggambar rectangle disekitar
foreground, diikuti dengan menyunting sedikit pada citra. Rother et al. (2004)
memaparkan langkah-langkah dalam proses algoritme grabcut.
Algoritme grabcut
I. Inisialisasi Trimap T dengan notasi manual.
II. Inisialisasi αi = 0 untuk i ∈ TB dan αi =1 untuk TU ∪ TF.
III. Inisialisasi setiap background dan foreground GMM dari set αi = 0 dan αi
= 1 menggunakan algoritme clustering.
IV. Tandai kompenen GMM pada setiap pixel dengan persamaan Gaussian.
V. Pelajari parameter GMM dari data z.
VI. Lakukan segmentasi menggunakan graph cut.
VII. Ulangi langkah III-VI hingga konvergen.

METODE PENELITIAN
Lokasi dan Waktu Penelitian
Penelitian ini dilakukan di Taman Wisata Alam Gunung Pancar, Kecamatan
Citeurep, Kabupaten Bogor, Provinsi Jawa Barat. Secara geografis kawasan ini
terletak antara 106°52’-106°54’ BT dan 6°34’-6°36’ LS. Gunung Pancar terletak
pada ketinggian 300-800 m dengan luas 447.5 ha. Kemiringan tanah berada pada 5
sampai 15 derajat. Penelitian dilakukan pada plot area yang telah ditentukan dengan
luas 0.02 ha dengan mengambil tegakan pohon Pinus merkusii sebagai lokasi objek
penelitian. Waktu penelitian dilakukan pada tanggal 30 Juni 2015.
Alat dan Bahan
Alat yang digunakan dalam penelitian ini adalah sebuah kamera DSLR Canon
EOS 60D yang terpasang pada sebuah tripod untuk mengambil citra gambar.
Kemudian, dua buah measurement tape untuk mengukur ketinggian dan veterban
untuk pengukuran DBH secara konvensional. Bahan yang digunakan yaitu tegakan
batang utama Pinus merkusii. Alat dan bahan dalam penelitian ini selengkapnya
dapat dilihat pada Lampiran 1.
Data Penelitian
Data yang diolah adalah sebelas citra gambar dan data keliling tegakan batang
utama Pinus merkusii pada area plot contoh di Taman Wisata Alam Gunung Pancar.

6

Jarak pengambilan data dari objek ke kamera dan ketinggian tripod telah ditentukan
terlebih dahulu. Data tersebut akan digunakan dalam pemrosesan citra untuk
mendapatkan nilai DBH dalam perhitungan biomassa.
Tahapan Penelitian
Tahapan Penelitian yang dilakukan dalam menduga biomassa pada penelitian
ini dapat dilihat pada Gambar 3.

Mulai

Studi
Kasus

Perhitungan
Biomassa

Akuisisi Citra
dan Praproses

Segmentasi
Algoritme Grabcut

Batas Wilayah
Objek

Threshold dan
Morphological
Operation

Selesai
Gambar 3 Tahapan penelitian
Studi Kasus
Studi kasus dalam menangani biomassa perlu dilakukan, karena setiap tipe
ekologi dan geografis pada tiap tempat berbeda. Pada kasus ini pendugaan biomassa
menggunakan metode non-destructive sampling melalui persamaan allometrik
yang telah dikembangkan. Peneliti melakukan survei lokasi di Wisata Alam
Gunung Pancar dan membuat bentuk plot contoh pada lokasi.
Bujursangkar atau persegi panjang adalah bentuk plot yang disarankan dalam
membuat plot contoh. Pembuatan plot contoh dilakukan di tengah-tengah blok
tegakan dan tidak terbuka secara penuh, hal ini untuk menghidari efek tepi (bounder
effect) (Hardjana 2014). Pada Gambar 4 terlihat ilustrasi skema dalam membuat
plot contoh pada tegakan. Handayani (2003) dalam penelitiannya membuat ukuran
plot contoh dengan besar 0.02 ha, 0.04 ha, dan 0.1 ha dalam kelas umur yang
berbeda. Persamaan allometrik yang digunakan pada penelitian ini adalah model
allometrik yang dibuat oleh Hendra (2002) yang dirujuk dari Handayani (2003) dan
Siahaan (2003).
Akuisisi Citra dan Praproses
Akuisisi citra dilakukan di Taman Wisata Alam Gunung Pancar terdiri dari
dua tahap, secara digital dan secara konvensional. Secara digital menggunakan
kamera DSLR Canon EOS 60D yang dipasang pada sebuah tripod untuk
mendapatkan citra gambar pohon Pinus merkusii. Kriteria dalam pengambilan citra
gambar yaitu jarak 3.8 m dari objek ke lensa kamera dan tinggi 1.25 m dari atas

7

Gambar 4 Skema plot contoh
permukaan tanah pohon Pinus merkusii. Penyesuaian pengambilan citra gambar
dilakukan pada kondisi tanah yang tidak rata dan miring.
Secara konvensional menggunakan measurement tape dan veterban dalam
pengukuran keliling pohon. Measurement tape digunakan untuk mengukur
ketinggian pohon pada 1.3 m dari atas permukaan tanah pohon, sedangkan veterban
digunakan untuk mengukur diameter pada ketinggian 1.3 m pada batang pohon
Pinus merkusii. Proses ini dilakukan pada sebelas pohon Pinus merkusii pada plot
area dengan luas 0.02 ha.
Segmentasi Algoritme Grabcut
Data berupa citra gambar batang utama pohon Pinus merkusii yang diperoleh
pada tahapan akuisisi citra dan praproses secara digital, kemudian dilakukan proses
segmentasi. Segmentasi citra bertujuan untuk memisahkan foreground dan
background citra. Algoritme yang digunakan pada proses segmentasi citra adalah
algoritme grabcut. Dalam algoritme grabcut terjadi dua proses penting yaitu color
clustering dan graph cut.
Proses color clustering dilakukan pada dua set komponen (2K) pada
kumpulan pixel citra. Langkah-langkah untuk melakukan algoritme clustering yang
dipublikasikan oleh Orchard dan Bouman (1991) sebagai berikut:
Algoritme clustering
I. Mula-mula inisialisasi set cluster 1 (C1) pada trimapunknown dan trimap
foreground
II. Hitung rata-rata dari C1 (µ 1), matriks kovarian dari C1 (∑1)
III. Untuk i=2 pada K lakukan
(i) Temukan set Cn yang memiliki eigenvalue terbesar dan simpan pada
eigenvector (en)
(ii) Bagi Cn ke dalam dua set, Ci = { x ∈ Cn : enT zn ≤ enT µ n } dan Cn* =
Cn − Ci. Dimana zn adalah nilai pixel RGB.
(iii) Hitung µ n*, ∑n*, µ i, ∑i.
IV. Lakukan hingga C = 5 pada setiap komponen.
Langkah selanjutnya adalah pencarian probabilitas pada masing-masing pixel
disetiap komponen dengan menggunakan persamaan Gaussian (Persamaan 1).
Setelah semua pixel terkumpul bersama dengan tepat dilakukan proses graph cut.
Segmentasi graph cut berdasarkan Boykov dan Jolly (2001) terdiri dari N-link dan
T-link. Pada N-link (Persamaan 2) akan dicari bobot antara pixel m dengan pixel n
dalam 8-neighborhood. Pada T-link (Persamaan 3) akan dicari nilai bobot D(m).

8

fi x = f(x | µi ,∑i) =
N(m,n) =

Dimana = 50 , �=

1

2

2‖zm -zn ||

1
1

d
2

(2π) | ∑i |2

dist(m,n)

e-

(-

e

T
(x-µi ) ∑i-1 (x-µi )
)
2

||zm -zn ||

(1)
(2)

, dan dist fungsi jarak.

D(m = - log ∑ki=1 πi

1
√det∑i

(-

e

T
(x-µi ) ∑i-1 (x-µi )
)
2

(3)

Threshold dan Morphological Operation
Hasil dari proses segmentasi citra dilakukan proses threshold. Threshold yang
digunakan adalah threshold binary. Citra yang dihasilkan berupa citra gambar yang
memiliki dua warna yaitu putih dan hitam. Citra berwarna putih sebagai objek dan
hitam sebagai background. Kemudian, dilakukan operasi morfologi pada citra
gambar binary untuk mendapatkan bentuk citra pohon Pinus merkusii yang
diinginkan. Tipe operasi morfologi yang digunakan adalah dilasi. Dilasi
menyebabkan ukuran objek semakin membesar.
Batas Wilayah Objek
Citra yang didapatkan dari tahapan threshold dan morphological operation,
kemudian dilakukan pencarian kontur pada boundary objek. Kontur adalah
kumpulan titik-titik yang saling terhubung yang membentuk suatu objek. Pencarian
kontur digunakan untuk mendeteksi dengan benar objek batang pohon Pinus
merkusii. Setelah mendapatkan kontur, objek tersebut dilakukan drawing rectangle
untuk melabeli kontur yang didapatkan. Drawing digunakan untuk memudahkan
dalam proses perhitungan DBH secara digital.
Perhitungan Biomassa
Tahapan ini akan mencari nilai diameter breast height (DBH) dengan metode
digital dan konvensional. Nilai DBH tersebut akan digunakan untuk menghitung
biomassa total pohon Pinus merkusii pada plot contoh. Perhitungan biomassa
menggunakan persamaan Allometrik (Persamaan 4) yang dikembangkan oleh
Hendra (2002) yang dirujuk dari Handayani (2003) dan Siahaan (2003).
B = 0.206D2.26

(4)

Dimana D adalah nilai DBH yang didapatkan dari metode digital dan konvensional.
Kemudian, hasil dari pengukuran DBH tersebut dicari nilai korelasinya.
Lingkungan Pengembangan
Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk
penelitian ini adalah sebagai berikut:
Perangkat keras:
1 Processor Intel Core i3 2350M
2 Hardisk 500 Gb
3 RAM dual 2x2 Gb

9

4 Nvidia Geforce 610M 2Gb
Perangkat lunak:
1 Sistem Operasi Windows 8 64bit
2 Codeblock 13.12
3 Bahasa pemrograman C++
4 OpenCV 2.4.9

HASIL DAN PEMBAHASAN
Studi Kasus
Setelah dilakukan studi kasus terhadap lokasi Taman Wisata Alam Gunung
Pancar, peneliti membuat plot contoh berbentuk segiempat pada lokasi. Plot contoh
tersebut terletak di tengah-tengah area tegakan Pinus merkusii. Hal ini dilakukan
agar hasilnya dapat mewakili tegakan dari segi keseragaman kondisi pertumbuhan
dilokasi dan juga keamanan plot sehingga memudahkan jika sewaktu-waktu ada
peninjauan kembali atau penelitian terkait pada lokasi tersebut. Gambar 5 adalah
sketsa plot contoh di lokasi penelitian. Plot contoh tersebut mempunyai panjang
diagonal sisi sebesar 10 m dengan luas 0.02 ha. Jumlah pohon Pinus merkusii pada
lokasi penelitian sebanyak 11 dengan jarak tanam antar pohon ± 2 m.

20 M

Keterangan:
= Pohon Pinus merkusii
Gambar 5 Plot Contoh Pinus merkusii

Akuisisi Citra dan Praproses
Akuisisi citra dilakukan dalam dua tahap yaitu secara digital dan
konvensional. Praproses dilakukan untuk menentuk jarak antara objek ke kamera,
tinggi tripod, dan tinggi objek dalam proses akuisisi citra. Teknik pengambilan citra
gambar ini menggunakan teknik triangle similarity melalui proyeksi kamera
pinhole .Tahapan pertama secara digital menggunakan kamera Canon EOS 60D
yang dipasang pada sebuah tripod, tahapan ini menghasilkan citra gambar RGB
dengan format JPG.
Gambar 6 menjelaskan pengambilan citra pohon Pinus merkusii yang
dimodelkan pada teknik kamera pinhole yang diproyeksikan pada sumbu kartesius

10

Gambar 6 Kamera pinhole dengan proyeksi objek
(x,y). C adalah posisi lensa dari kamera yang dimodelkan sebagai pusat proyeksi
sumbu, h adalah tinggi nyata objek, d adalah jarak antara objek ke titik lensa kamera,
f adalah panjang fokus lensa, dan p adalah tinggi citra gambar dalam sensor size
kamera. Sensor size pada kamera canon EOS 60D memiliki ukuran sebesar 22.30 x
14.90 mm. Pada dasarnya kamera pinhole bekerja seperti mata manusia,
merepresentasikan objek tiga dimensi (x,y,z) dalam dua dimensi sebagai citra
gambar (x,y). Dalam kasus ini contoh yang diambil adalah proyeksi tinggi objek h
dalam tinggi citra gambar dengan ukuran sensornya.
Dalam penelitian ini tripod akan diatur dengan tinggi 1.25 m, hal ini
dilakukan agar dalam pengambilan citra posisi fokus gambar berada pada daerah
tinggi sekitar ± 1.25 m . Tinggi pohon Pinus merkusii yang akan dicapture adalah
1.70 m, tinggi tersebut telah mewakili DBH karena DBH memiliki tinggi kisaran ±
1.30 m. Informasi yang didapat pada kamera canon EOS 60D adalah panjang fokus
sebesar 50 mm dengan aperture 1.8. Penggunaan aperture yang kecil menghasilkan
gambar citra yang fokus pada batang utama pohon Pinus merkusii, sedangkan
daerah di luar sekitar batang menjadi blur. Dari Gambar 6 terdapat dua buah
triangle similirarity yang sebangun, sehingga untuk mencari d jarak antara objek
ke titik lensa kamera adalah:
d= f×

h
p

d = 50 mm +

(5)
1700 mm
22.3 mm

= 3811.60 mm

Kriteria pengambilan setiap citra gambar pohon Pinus merkusii diambil pada jarak
kurang lebih 3.80 m dan tinggi tripod 1.25 m menghasilkan citra gambar sebanyak
11 gambar yang mempuyai ukuran 400×720 pixel. Citra gambar tersebut
selanjutnya akan diproses pada segmentasi algoritme grabcut.
Tahapan kedua secara konvensional akan diukur keliling setiap pohon. Alat
yang digunakan adalah measurement tape dan veterban. Mula-mula measurement
tape mengukur ketinggian pohon pada 1.3 m, kemudian pada ketinggian tersebut
diukur kelilingnya menggunakan veterban dengan cara merangkul pohon. Hasil
yang didapatkan berupa data keliling pohon Pinus merkusii yang akan dihitung
diameternya pada tahapan perhitungan biomassa.

Segmentasi Algoritme Grabcut
Segmentasi citra dilakukan untuk memisahkan foreground dan background
citra, proses ini dilakukan menggunakan algoritme grabcut. Ada tiga hal penting
dalam penerapan algoritme grabcut pada citra gambar yaitu foreground,

11

background, dan unknown pixel. Foreground adalah hasil dari tahapan ini yang
akan digunakan pada tahapan selanjutnya berupa latar depan atau objek yang
diinginkan, background adalah latar belakang yang akan dipisahkan dari
foreground, unknown pixel adalah bagian yang disegmentasi yang akan menjadi
foreground atau background. Proses algoritme grabcut ini mengikuti pemaparan
Rother et al. (2004) dalam jurnalnya yang merujuk pada algoritme clustering oleh
Orchard dan Bouman (1991) dan graph cut oleh Boykov dan Jolly (2001).

(a)

(b)

Gambar 7 (a) Citra gambar rectangle, (b) Hasil segmentasi citra
Setelah masukan citra gambar dibaca, kemudian peneliti memilih sebuah
wilayah rectangle di sekitar objek, contohnya seperti pada Gambar 7 (a). Pixel yang
berada di luar wilayah rectangle akan ditandai sebagai trimapbackground,
sedangkan pixel yang berada di dalam rectangle akan ditandai sebagai
trimapunknown pixel. Komputer akan membuat sebuah segmentasi awal, dengan
menempatkan sementara unkown pixel pada kelas foreground dan menempatkan
semua pixel background pada kelas background. Selanjutnya akan dibuat dua
komponen dari gaussian mixture model (GMM) untuk tiap wilayah, yaitu
matteforeground dan mattebackground. Wilayah tersebut akan dibagi menjadi
cluster pada masing-masing pixel berdasarkan distribusi nilai RGB.
Kelas Background

C1

C2

C3

(a)

Kelas Foreground

Cn

C1

C2

C3

Cn

(b)

Gambar
(a) Cluster
pada
kelasbahwa
background
(b) Cluster
pixel pada
Pada 8Gambar
8 (a) pixel
dan (b)
terlihat
setiap ,pixel
yang berada
pada kelas
foreground
Pada Gambar 8 (a) dan (b) terlihat bahwa setiap pixel yang berada pada
trimapbackground dan trimapunknown akan dikelompokkan bersama pada kelas
background dan foreground. Proses ini akan mengkelompokkan setiap pixel pada

12

masing-masing kelas menggunakan algoritme clustering yang dipaparkan oleh
Orchard dan Bowman (1991). Setiap komponen GMM merepresentasikan tiap
cluster yang berbeda, cluster yang baru akan terbentuk berdasarkan komponen
GMM. Proses cluster ini dilakukan hingga jumlah cluster yang diinginkan tercapai.
Jumlah cluster yang disarankan adalah C=5 pada masing-masing kelas
mattebackground dan matteforeground. Ini adalah proses awal inisialisasi pixel
dalam cluster.
Rother et al. (2004) menggunakan algoritme clustering tambahan untuk
mengecek probabilitas suatu pixel dalam cluster yang telah dibuat. Proses ini
dilakukan pada masing-masing pixel di cluster C1 sampai C5 di mattebackground
dan matteforeground. Hal ini dilakukan agar semua pixel terkumpul bersama
dengan tepat pada cluster. Proses ini menggunakan persamaan Gaussian
(Persamaan 1). Mula-mula setiap pixel yang berada pada matteforeground akan
ditandai sebagai komponen GMM foreground, demikian pula pada
mattebackground akan ditandai sebagai komponen GMM background. Setelah itu
dihitung probabilitas pixel pada setiap cluster. Pixel yang memiliki probabilitas
tertinggi akan berpindah kelas pada cluster tesebut. Proses ini berhenti sampai
semua pixel berhasil dikelompokkan dengan tepat.
Proses selanjutnya pada penerapan graph cut. Proses graph cut terjadi pada
trimapunknown, tepatnya pada bagian tepi objek yang disegmentasi. Dalam sebuah
graph setiap pixel terhubung dengan 8 pixel tetangganya yang disebut N-link. Setiap
pixel juga ditandai sebagai node yang terhubung dengan background node dan
foreground node, disebut sebagai T-link. Bobot dari T-link tergantung pada status
trimap. Pada Tabel 1 dijelaskan keterhubungan pixel m pada trimap terhadap Tlink .
Tabel 1 T-link weight
Tipe pixel
m ∈ trimapforeground
m ∈ trimapbackground
m ∈ trimapfounknown

T-link background
0
L(m)
Dback(m)

T-link foreground
L(m)
0
Dfore(m)

Pixel yang berada pada trimapforeground hanya terhubung pada foreground
node, begitu juga dengan pixel pada trimapbackground. Pada trimapunknown akan
dicari nilai D(m) pada T-link (Persamaan 3) yang memiliki probabilitas tertinggi
pada lima cluster yang didapatkan pada proses clustering pada setiap T-link. D(m)
yang memiliki probabilitas terendah akan dipotong. Pixel yang berhasil dipotong
pasti memiliki bobot yang lebih besar dari pada 8-neighborhood dimana �
=
∑� � , . T-link Graf yang berhasil disegmentasi adalah graf yang memiliki
pixel yang hanya terhubung pada foreground node atau background node saja.
Proses ini dilakukan hingga konvergen. Gambar 9 (a) adalah ilustrasi graf yang
memiliki T-link dan N-link, sedangkan Gambar 9 (b) adalah ilustrasi graf yang
berhasil disegmentasi.
Kode di bawah merupakan implementasi algoritme grabcut dalam OpenCV.
Sebuah masukan citra ditandai sebagai src2. Masukan dari proses akan
dikomputasi melalui peritah grabCut(src2,grabResult,rect,bgModel,fgMod

13

(a)

(b)

Gambar 9 (a) Graf dengan T-link dan N-link , (b) Segmentasi graph cut
El,10,GC_INIT_WITH_RECT) dan akan
GC_INIT_WITH_RECT menyatakan bahwa

disimpan pada grabResult. Perintah
wilayah yang di luar rectangle itu pasti
background dan di dalam rectangle itu mungkin foreground. Nilai 10 adalah
argumen berapa kali dilakukan iterasi pada fungsi grabcut hingga konvergen.
#masukan array citra
Mat src2;
src.copyTo(src2);
#inisialisasi ukuran rectangle
Rect rect(80,0,src2.cols-180,src2.rows);
#keluaran array hasil segmentasi
Mat grabResult;
#array model
Mat bgModel,fgModel;
#Segmentasi Grabcut
grabCut(src2,grabResult,rect,bgModel,fgModel,10,GC_INIT_WITH_RECT);
;
compare(grabResult,GC_PR_FGD,grabResult,CMP_EQ);
#hasil keluaran citra
Mat foreground(src2.size(),CV_8UC1,Scalar(255,255,255));
src2.copyTo(foreground,grabResult);
#gambar rectangle
rectangle(src2,Point(rect.x,rect.y),Point(rect.x+rect.width,rect
.y+rect.height),Scalar(0,0,255),2,8,0);

Gambar 7 (b) adalah keluaran dari tahapan segmentasi citra. Terlihat bahwa
batang dari objek yaitu pohon Pinus merkusii berhasil dipisahkan dari
backgroundnya. Hasil yang didapatkan masih belum maksimal karena terlihat
beberapa bagian kecil background yang tidak berhasil diseleksi di sekitar tepi
foreground. Hal ini terjadi karena distribusi warna pixel yang merata sehingga
warna tersebut dianggap sama. Pada bagian bawah gambar ada bagian background
yang tidak berhasil dieleminasi, ini juga terjadi karena model dari foreground dan
background diidentifikasi sama. Terlihat adanya sebaran cahaya pada bagian bawah
objek. Hasil dari pemrosesan citra pada setiap tahap dapat dilihat pada Lampiran 2.

14

Threshold dan Morphological Operation
Keluaran citra pada segmentasi citra, kemudian dilakukan threshold. Tipe
threshold yang digunakan adalah binary. Dalam OpenCV threshold binary
diimplementasikan ke dalam kode berikut:
#fungsi threshold
Mat threshold(Mat &foreground){
#masukan keluaran array citra
Mat src_gray;
Mat thresh_dst;
#grayscale citra
cvtColor( foreground, src_gray, COLOR_BGR2GRAY );
#threshold binary
threshold(src_gray,thresh_dst,0,255,THRESH_BINARY);
return thresh_dst; }

Citra channel RGB hasil dari tahapan segmentasi citra dikonversi ke dalam citra
grayscale melalui peritah cvtColor(foreground,src_gray,COLOR_BGR2GRAY);.
Kemudian, dilakukan threshold binary pada citra dengan perintah threshold
(src_gray,thresh_dst,0,255,THRESH_BINARY), Penjelasan sebagai berikut:
255
jika src_gray(x,y) > 0
thresh_dst(x,y) = {
0
lainnya

adalah masukan citra dari proses segmentasi citra, thresh_dst adalah
keluaran array dari threshold binary, 0 adalah threshold value jika tidak
memenuhi syarat threshold, 255 adalah threshold value jika pixel src_gray
(x,y) lebih besar dari 0. Hasil dari proses threshold binary ditampilkan pada
Gambar 10 (a).
src_gray

(a)

(b)

Gambar 10 (a) Citra gambar threshold, (b) Citra gambar morfologi
Setelah mendapatkan citra binary, dilakukan operasi morfologi. Operasi
morfologi yang dilakukan adalah dilasi. Dilasi dilakukan untuk menebal boundary
pada pada foreground atau objek. Hal ini dilakukan karena bagian kulit pada batang

15

sebagian ada yang terkikis akibat tidak berhasil diseleksi menjadi foreground.
Implementasi kode operasi morfologi pada OpenCV sebagai berikut:
#fungsi dilasi
Mat dilation (Mat &thresh_dst){
#keluaran dilasi
Mat dilate_dst;
#tipe morfologi
if(morphology_elem == 0 ){
morphology_type = MORPH_RECT;}
else if( morphology_elem == 1 ){
morphology_type = MORPH_CROSS;}
else if( morphology_elem == 2){
morphology_type = MORPH_ELLIPSE;}
#operasi kernel
Mat dilateElement = getStructuringElement(morphology_type,
Size(2*dilation_size+1,2*dilation_size+1), Point(dilation
_size,dilation_size));
#operasi dilasi
dilate(thresh_dst,dilate_dst,dilateElement);
return dilate_dst;
}

Perintah getStructuringElement()adalah perintah untuk membuat kernel
dengan kriteria yang diinginkan, kernel adalah ukuran matriks elemen. Tipe
morfologi yang digunakan adalah bentuk rectangle dengan Size(5,5) dan Point(2,2).
Size adalah ukuran struktur elemen dan Point adalah lokasi titik operasi dilasi dalam
sumbu kartesius (x,y). Nilai dilation_size telah ditentukan sebesar 2. Contoh
keluaran yang dihasilkan dalam proses morfologi ditampilkan pada Gambar 10 (b).
Tahapan ini menghasilkan citra gambar binary dengan single channel 8 bit.

Batas Wilayah Objek
Dalam mencari sebuah kontur pada objek, sebuah citra harus dalam keadaan
binary. Citra binary dari hasil tahapan sebelumnya merupakan citra gambar yang
bersih dari noise. Citra tersebut akan dicari kontur pada boundary atau batas tepi
objek, kontur akan mendeteksi pixel putih sebagai objek dan pixel hitam sebagai
backgroud. Dalam hal ini setiap blob atau gumpalan putih akan dideteksi sebagai
objek. Untuk menandakan bahwa blob yang terdeteksi kontur merupakan sebuah
objek maka digunakan drawing pada kontur tersebut. Dalam OpenCV mencari
kontur diimplementasikan ke dalam potongan kode berikut:
#fungsi find kontur
Mat findingContours(Mat &morph_dst, Mat &src){
Mat src3;
src.copyTo(src3);
Mat contour_masukan;
int large_area=0;
int largest_contour=0;
double largest_area;
vector< vector > contours;
vector< Vec4i > hierarchy;

16

#operasi kontur
findContours(morph_dst,contours,hierarchy,CV_RETR_CCOMP,
CHAIN_APPROX_SIMPLE, Point(0,0));
Rect boundRect;
#mencari kontur terbesar
for(size_t i = 0; i< contours.size(); i++){
largest_area = contourArea(Mat(contours[i]),false);
if(largest_area > large_area){
large_area = largest_area;
largest_contour = i;
boundRect = boundingRect(Mat(contours[i]));
}
}

Setiap kontur memiliki size yang dapat dihitung melalui area pada kontur.
Dalam mencari area kontur dilakukan iterasi pada size kontur. Dalam kasus ini
kriteria kontur yang dicari adalah kontur yang mempunyai area yang terbesar.
Karena kontur terbesar merupakan objek yang dideteksi sebagai pohon Pinus
merkusii dalam citra. Pada potongan kode di atas, mencari area kontur terdapat pada
fungsi contourArea(). Setelah mendapatkan kontur terbesar, dilakukan drawing
rectangle pada boundary luar kontur. Drawing dilakukan untuk melabeli objek dari
hasil pencarian kontur. Drawing juga memudahkan dalam proses perhitungan DBH
pada tahapan selanjutnya. Drawing object diimplementasikan ke dalam kode
berikut:
#fungsi drawing
Mat drawing = Mat::zeros (morph_dst.size(), CV_8UC3);
for( size_t largest_area = 0; largest_area < contours.size();
largest_area++){
Scalar color = Scalar(0,0,255);
Scalar color1 = Scalar(255,255,255);
#tinggi citra (pixel)
boundRect.y = 103.32671;
#operasi drawing
drawContours(drawing,contours,largest_contour,color1,CV_FILL
ED,8, vector(),0,Point());
drawing.copyTo(contour_masukan,drawing);
#operasi rectangle
rectangle(src3,Point(boundRect.x,boundRect.y),Point(boundRec
t.x+boundRect.width,boundRect.y+boundRect.height),color,2,8,
0);
}

Sebelum melakukan proses drawing dilakukan terlebih dahulu proses scaling.
Karena tinggi objek nyata tidak akan sama dengan tinggi pada citra gambar, maka
perlu dilakukan scaling pada tinggi rectangle. Dalam kasus ini tinggi yang akan
diukur ditentukan yaitu 1.30 m dan akan di scaling pada frame sebesar 400×720
pixel. Proses perhitungan scaling sebagai berikut:
h=

1300 × a

c
1300 × 3.779527559

(6)

= 614.17 pixel
h=
8
a adalah nilai konversi milimeter (mm) ke pixel yaitu 3.779527559 , c adalah nilai
konstanta , h adalah tinggi pada citra gambar dalam pixel. Hasil yang didapatkan
yaitu rectangle pada citra akan didrawing pada ketinggian 614.17 pixel, sedangkan

17

lebarnya mengikuti boundary kontur citra pohon Pinus merkusii. Hasil dari tahapan
ini terlihat pada Gambar 11 (a).

(a)

(b)

Gambar 11 (a) Citra gambar draw object, (b) Citra gambar DBH

Perhitungan Biomassa
Pengukuran DBH dilakukan dalam dua tahap yaitu secara digital melalui dan
secara konvensional. Secara digital melalui pemrosesan citra dari citra gambar
sedangkan secara konvensional melalui perhitungan diameter dari keliling pohon
Pinus merkusii yang telah didapatkan pada akuisisi citra. Setelah mendapatkan
DBH dilakukan perhitungan biomassa dengan menggunakan persamaan allotmerik
(4) pada sebelas pohon Pinus merkusii.
Gambar 11 (b) menjelaskan perhitungan DBH secara digital pada ketinggian
kurang lebih 1.30 m atau 614 pixel. Saat tinggi berada pada 614 pixel, dilakukan
iterasi dari titik rectangle awal sampai titik akhir lebar rectangle. Hasil dari iterasi
tersebut akan dikonversi ke dalam DBH nyata. Pertama hasil pengukuran DBH
dikalikan dengan 0.026458333, nilai konversi pixel ke cm. Kemudian, dikalikan
dengan nilai konstanta 8. Hasil DBH nyata dalam satuan cm.
Pada perhitungan DBH secara konvensional memakai rumus keliling
lingkaran k = πd , dimana π = 3.142857 dan d adalah DBH, sehingga nilai d akan
didapatkan. Dari hasil DBH kedua metode tersebut, kemudian dihitung biomassa
tiap pohon menggunakan persamaan allometrik B = 0.206D2.26 , dimana B adalah
biomassa dan D adalah DBH dalam cm. Sehingga nilai total biomassa pada plot
area dengan luas 0.02 ha akan didapatkan. Hasil pengukuran DBH dan perhitungan
biomassa terlampir pada Tabel 2. Hasil perbandingan untuk perhitungan DBH dan
biomassa secara konvensional dan digital ditunjukkan pada Gambar 12 dan 13.
Contoh perhitungan biomassa pada pohon ke-1 dengan DBH digital sebagai
berikut:
B = 0.206 × �2.26
B = 0.206 × 34.292.26 = 607.21 kg

18

Tabel 2 Biomassa pohon Pinus merkusii
Konvensional

Pohon
ke-

Digital

1

Keliling
(cm)
122.40

DBH
(cm)
38.96

Biomassa
(kg)
810.33

DBH
(cm)
34.29

Biomassa
(kg)
607.21

2

100.30

31.92

516.47

29.21

422.63

3

120.70

38.42

785.17

33.87

590.54

4

108.80

34.63

620.91

31.54

502.68

5

104.20

33.16

562.93

30.69

472.58

6

103.20

32.84

550.72

29.63

436.49

7

120.80

38.45

786.56

33.20

564.46

8

104.20

33.16

562.93

30.69

472.58

9

118.90

37.84

758.64

33.23

565.62

10

94.20

29.98

448.23

27.09

356.46

11

90.20

28.71

406.46

23.07

247.94

Total biomassa (kg/ha)

6809.35

konvensional

5239.19

digital

Diameter (cm)

50
40
30
20
10
0
1

2

3

4

5

6

7

8

9

10

11

Pohon keGambar 12 Hasil DBH
Dari Gambar 12 terlihat adanya selisih perbedaan pada DBH tiap pohon,
selisih terbesar terletak pada pohon ke-11 dengan selisih 5.64 cm. Perbedaan selisih
yang terjadi karena pengaruh ketebalan kulit pohon Pinus mercusii pada
pengukuran konvensional. Mengakibatkan pengukuran yang didapatkan melalui
pengukuran digital menghasilkan nilai yang lebih kecil. Dari pengukuran DBH
didapatkan korelasi sebesar 0.944809. Korelasi tersebut menunjukan korelasi yang
positif searah karena adanya pola yang sama pada penurunan dan kenaikan pada
tiap pohon.

19

konvensional

digital

Biomassa (kg)

1000
800

600
400
200
0
1

2

3

4

5

6

7

8

9

10

11

Pohon keGambar 13 Hasil biomassa
Selisih DBH pada Gambar 12 juga mempengaruhi hasil biomassa yang
terlampir pada Gambar 13, terlihat adanya juga perbedaan pada tiap biomassa
pohon. Dari hasil biomassa tersebut didapatkan total biomassa DBH konvensional
sebesar 6809.35 kg/ha dan DBH digital sebesar 5239.19 kg/ha. Selisih dari total
biomassa tersebut adalah 1570.16 kg/ha.

SIMPULAN DAN SARAN
Simpulan
Hasil dari penelitian ini adalah perhitungan biomassa secara digital dan
konvensional dengan total biomassa sebesar 5239.19 kg/ha dan 6809.35 kg/ha.
Perhitungan dilakukan pada sebelas pohon Pinus merkusii pada plot contoh 0.02
ha, sehingga hasil ini mampu menduga biomassa pada plot contoh tegakan Pinus
merkusii. Hal ini ditunjang dengan korelasi yang positif yang didapat dari
perhitungan DBH sebesar 0.944809.
Saran
Penelitian ini masih memiliki kekurangan pada hasil pengkuran DBH digital
yang memiliki selisih dengan pengukuran DBH konvensional. Sebaiknya data yang
digunakan tegakan Pinus merkusii dengan umur pohon yang muda pada rentang 5
sampai 10 tahun, karena pohon tersebut memiliki ketebalan kulit yang kecil. Selain
itu plot contoh yang digunakan harus lebih besar dari rentang 0.05 ha sampai 1 ha
pada kelas umur pohon yang berbeda-beda. Penelitian ini juga dapat dilanjutkan
dengan pengambilan objek citra pohon Pinus merkusii secara real time dalam
menduga biomassa tegakan.

20

DAFTAR PUSTAKA
Boykov YY, Jolly MP. 2001. Interactive graph cuts for optimal boundary & region
segmentation of objects in N-D images. Di dalam: Proceedings Eighth IEEE
International Conference on Computer Vision. ICCV 2001; 2001 Jul 7-14 ;
Vancouver, British Columbia, Canada. Los Alamitos California (CA): IEEE
Computer Society. hlm 105-112.
Brown BS. 1997. Estimating Biomass and Biomass Change of Tropical Forests: A
Primer. Rome (IT): Food and Agriculture Organization of the United Nations.
Bradski G, Kaehler A. 2008. Learning OpenCV. Ed ke-1. Loukides M, editor.
Sebastopol (US): O’Reilly.
Handayani R. 2003. Prospek Pengelolaan Hutan Tanaman Pinus merkusii untuk
Tujuan Perdagangan Karbon di KPH Bogor Perum Perhutani Unit III Jawa
Barat [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Hardjana AK. 2014. Panduan Pengukuran Karbon Tegakan Tanaman Meranti:
Implementasi Dalam Gambar. Pambudhi F, editor. Samarinda (ID): Balai
Besar Penelitian Dipterokarpa.
Hendra R. 2002. Model Pendugaan Biomassa Pohon Pinus merkusii di KPH
Cianjur PT. PERHUTANI Unit III Jawa Barat [skripsi]. Bogor (ID): Institut
Pertanian Bogor.
Hernández-Vela A, Reyes M, Ponce V, Escalera S. 2012. Grabcut-based human
segmentation in video sequences. Sensors. 12(12):15376-15393.
doi:10.3390/s121115376.
[BPPK] Badan Penelitian dan Pengembangan Kehutanan. 2013. Pedoman
Penggunaan Model Alometrik Untuk Pendugaan Biomassa dan Stok Karbon
Hutan di Indonesia. Bogor (ID): Pusat Penelitian dan Pengembangan
Konservasi dan Rehabilitasi.
Ketterings QM, Coe R, van Noordwijk M, Ambagau’ Y, Palm CA. 2001. Reducing
uncertainty in the use of allometric biomass equations for predicting aboveground tree biomass in mixed secondary forests. Forest Ecology and
Management. 146(1-3):199-209. doi:10.1016/s0378-1127(00)00460-6.
Orchard MT, Bouman CA. 2006. Color quantization of images. IEEE Transactions
on Signal Processing. 39(12):2677-2690.
Rother C, Kolmogorov V, Blake A. 2004. "Grabcut" : Interactive Foreground
Extraction Using Iterated Graph. ACM Transactions on Graphics. 23(3): 309314. doi:10.1145/1015706. 1015720.
Siahaan H. 2003. Pendugaan Kandungan Biomassa dan Karbon Pada Tanaman
Pinus merkusii di RPH Cianten, BKPH Leuwiliang, Jawa Barat [skripsi].
Bogor (ID): Institut Pertanian Bogor
Saxena RC, Adhikari DK, Goyal HB. 2009. Biomass-based energy fuel through
biochemical routes: A review. Renewable and Sustainable Energy Reviews.
13(1):167-178. doi:10.1016/j.rser.2007.07.011.
Siregar EBM. 2005. Pemuliaan Pinus Merkusii. LP-Foresty [Internet]. [di unduh
2015 Maret 12]. Tersedia pada: http://repository.usu.ac.id/handle/12345678
9/1042
Sönmez T. 2009. Diameter at breast height-crown diameter prediction models for
picea orientalis. African Journal of Agricultural Research. 4(3):215-219.

21

Wibirama S. 2011. Fundamental Techniques for 3D Computer Vision: A Tutorial
for Entry Level Researcher. Yogyakarta (ID): Universitas Gadjah Mada.
Sutaryo D. 2009. Penghitungan Biomassa: Sebuah Pengantar Untuk Studi Karbon
dan Perdagangan Karbon. Bogor (ID): Wetlands International Indonesia
Programme.

22

Lampiran 1 Peralatan penelitian

Tripod

Veterban

Kamera Canon EOS 60D

Measurement tape

23

Lampiran 2 Hasil tahapan penelitian
Pohon
ke1

2

3

4

Citra gambar asli

Citra segmentasi

Citra threshold
dan morfologi

Citra hasil

24

Lampiran 2 Lanjutan
Citra gambar asli
5

6

7

8

Citra segmentasi

Citra threshold
dan morfologi

Citra hasil

25

Lampiran 2 Lanjutan
Pohon
ke9

10

11

Citra gambar asli

Citra segmentasi

Citra threshold
dan morfologi

Citra hasil

26

RIWAYAT HIDUP
Penulis dilahirkan di Kota Toli-Toli Provinsi Sulawesi Tengah pada tanggal
15 Maret 1994. Penulis adalah anak terakhir dari lima bersaudara, anak dari
pasangan Uce Supriadi dan Jamilah
Penulis menempuh awal pendidikan di Taman Kanak-kanak Pertiwi di Tolitoli pada tahun 1997 hingga 1999. Penulis melanjutkan pendidikan sekolah dasar
pada tahun 1999 hingga 2005 dan lulus di SD Neglasari di Bogor. Kemudian
penulis melanjutkan pendidikan Sekolah Menengah Pertama di SMPN 6 Bogor dari
tahun 2005 hingga 2008. Penulis menempuh pendidikan Sekolah Menengah Atas
di SMA Negeri 5 Bogor pada tahun 2008 hingga 2011. Kemudian penulis
melanjutkan pendidikan perguruan tinggi di Institut Pertanian Bogor, Fakultas
Matematika dan Ilmu Pengetahuan Alam, Departemen Ilmu Komputer dari tahun
2011 hingga 2015.