62

DAFTAR PUSTAKA

1. Congalton,R.G, (1988), A Comparison of Sampling Scheme Used in generating Matrices Error for Assesing the Accuracy of maps generated from Remotely Sensed Data, Photogrammetric Engineering and Remote Sensing, Vol.54, No.5, hal 587-592.

2. Congalton,R.G, (1991), Assessing the Accuracy of Remotely Sensed Data : Principles and Practises, Lewish Publisher, New York, NY.

3. Danoedoro, P., (1996), Pengolahan Citra Digital Teori dan Aplikasinya

Dalam Bidang Penginderaan Jauh, Fakultas Geografi Universitas Gadjah Mada, Yogyakarta.

4. Depkeu RI. (2002), Surat Keputusan Menteri Keuangan Nomor :

486/KMK.03/2002 tanggal 28 Nopember 2002, tentang Penilaian Kembali Aktiva Tetap Perusahaan untuk Tujuan Perpajakan, Jakarta.

5. Ditjen Pajak (2002), Keputusan Direktur Jenderal Pajak Nomor : KEP-519/PJ./2002 tanggal 2 Desember 2002 tentang Tata Cara dan Prosedur Pelaksanaan Penilaian Kembali Aktiva Tetap Perusahaan Untuk Tujuan Perpajakan, Jakarta

6. Ditjen Pajak. (1999), Keputusan Surat Edaran Direktur Jenderal Pajak Nomor : SE-25/PJ.6/2006, Tanggal 20 Juli 2006 tentang Tata Cara Pembentukan/ Penyempurnaan ZNT/NIR, Jakarta.

7. Ditjen Pajak. (1999), Surat Edaran Direktur Jenderal Pajak Nomor : SE-21/PJ.6/1999, Tanggal 23 April 1999 tentang Petunjuk Pelaksanaan KEP-16/PJ.6/1998 Khusus Untuk Pengenaan PBB Sektor Perkebunan, Jakarta.

8. Ditjen Pajak. (1999), Surat Edaran Direktur Jenderal Pajak Nomor : SE-30/PJ.6/1999, Tanggal 17 Mei 1999 tentang Penjelasan Pengenaan PBB Sektor Pedesaan dan Perkotaan dan Penyempurnaan Tata Cara Pengenaan PBB Sektor Perkebunan Serta Usaha Bidang Perikanan, Jakarta.

9. Ditjen Pajak. (2000), Keputusan Direktur Jenderal Pajak Nomor : KEP-533/PJ/2000, Tanggal 20 Desember 2000 tentang Petunjuk Pelaksanaan Pendaftaran, Pendataan dan Penilaian Objek dan Subjek PBB Dalam Rangka Pembentukan dan atau Pemeliharaan Basis Data Sistem Manajemen Informasi Objek Pajak (SISMIOP), Jakarta.

10. Hariyanto, Isman, (2006), Analisis Keakuratan Peta Hasil Interpretasi Citra Ikonos Dalam Mengidentifikasi Obyek PBB Sektor Perkebunan Kepala Sawit, Tesis Magister, Institut Teknologi Bandung, Bandung.

63

11. Ikatan Akuntan Indonesia, (2002), Standar Akuntansi Keuangan, Salemba Empat, Jakarta

12. Lillesand, Thomas M. dan Ralph W. Kiefer (1993), Penginderaan Jauh dan Interpretasi Citra, terjemahan, Dulbahri dkk, Gadjah Mada University Press, Yogyakarta.

13. Lubis,A.U, (1992), Kelapa Sawit (elaeis Guineensis Jacq) di Indonesia, Pusat Penelitian Perkebunan Marihat – Bandar Kuala, Pematang Siantar, Sumatera Utara

14. Nugroho, Edi dan Helmi, M., (2003), Pemetaan Vegetasi Menggunakan Citra Penginderaan Jauh : Penerapannya di Bidang Perkebunan, Prosiding Lokakarya, Pekanbaru.

15. Prahasta, E., (2001), Konsep-konsep Dasar Sistem Informasi Geografis, Informatika, Bandung.

16. Prahasta, E., (2002), Sistem Informasi Geografis : Tutorial ArcView, Informatika, Bandung.

17. Purwadhi, F.S.H., (2001), Interpretasi Citra Digital, Gramedia Widiasarana Indonesia, Jakarta.

18. Ruslan, (2003), Pemanfaatan Data Citra Satelit Ikonos untuk Penentuan Jenis Penggunaan Bangunan dan Luas Obyek PBB, Tesis Magister, Program Pasca Sarjana UGM, Yogyakarta.

19. Sabri, Luknis, 2006, Statistik Kesehatan, PT. Rajagrafindo Persada, Jakarta.

20. Sanjoto, Fadjar, (2003), Pengukuran Luas Bidang Tanah pada Citra Ikonos (Studi Kasus di Wilayah Kerja Kantor Pelayanan Pajak Bumi dan Bangunan Jakarta Selatan II), Tesis Magister, Universitas Gajah Mada, Yogyakarta.

21. Santoso, Singgih, (2001), Aplikasi Excel Dalam Statistik Bisnis; Gramedia, Jakarta.

22. Setia Nugraha, Anung, (2004), Pemanfaatan Citra Landsaat TM 7+ Untuk Pendataan PBB sektor Perkebunan (Studi Kasus Perkebunan Kelapa Sawit di KPP Palembang), Tesis S2 UGM, Yogyakarta.

23. Space Imaging, (2006), Ikonos Imagery Products and Product Guide, http://www.spaceimaging.com.

24. Wanasuria, Suih,dkk,2003, Penggunaan Citra Satelit Ikonos dan GIS dalam Manajemen Perkebunan Kelapa Sawit untuk Meningkatkan Potensi Produksi TBS, Prosiding Lokakarya, Pekanbaru.

LAMPIRAN

64

LAMPIRAN A Proses Pengecekan Koreksi Radiometrik

1. Buka file citra yang akan dilakukan pengecekan radiometrik. Pengecekan

dilakukan dengan program ER Mapper melalui menu pull down View =>

algorithm => load data set, maka akan muncul kotak

dialog

2. Menampilkan nilai terendah dan tertinggi piksel, klik pada kemudian akan

muncul histogram citra pada Band1: Red Layer sebagai berikut :

Gambar Histogram Saluran1 : Red Layer

3. Kemudian klik Limits => Limits to Actual, apabila aktual input limits terbaca 0

to 255 maka citra tersebut tidak perlu dilakukan koreksi radiometrik. Pada

gambar, nilai minimum piksel adalah 0 untuk itu tidak perlu dilakukan koreksi

radiometrik.

4. Lakukan langkah 2 untuk saluran lain yaitu Band 2 dan Band 3.

65

Lampiran B Langkah Pemotongan (Cropping) Citra

1. Pembuatan areal kebun yang menjadi daerah penelitian menggunakan

software Map Info 8.5. Batas kebun dibuat dengan digitasi hasil overlay peta

kebun Wajib Pajak yang telah melalui proses scanning. Hasil dari digitasi

kemudian disimpan sebagai file batas kebun pemotong citra.

2. Setelah itu pada Map Info 8.5 klik menu Tools � universal translator. Pada

Menu Universal Translator source: Format pilih MapInfo Tab, sedangkan

File : isi dengan nama file batas kebun pemotong citra. Pada bagian

Destination, format: dipilih ESRI Shape dan directory diisi tempat akan

melakukan penyimpanan. Hasil dari proses ini adalah file batas kebun

pemotong citra_region

3. Menggunakan ER Mapper tampilkan citra yang akan dilakukan pemotongan.

Klik Utilities � File Maintenance � Datasets � Save a Subset an Image.

Pada Image Subset Wizard Bar, isi Input image dengan nama file citra awal.

Output Image dengan nama file hasil pemotongan. Start Row dan Start

Column diisi dengan koordinat pixel daerah penelitian sebelah kiri atas,

sedangkan End Row dan End Column diisi dengan koordinat pixel daerah

penelitian kanan bawah, seperti pada gambar dibawah ini ;

4. Langkah berikutnya pemotongan citra untuk memperoleh citra dengan batas

kebun yang telah dibuat pada nomor 2 diatas. Pilih menu Utilities �Import

Vektor & GIS format � ESRI Shape file � Import. Muncul Import Shape File

66

Bar, Input file name isi dengan file bataskebuncitra_region.shp, dan output file

name diisi dengan direktori tempat penyimpanan. Map Projection dipilih

SUTM 48 dan geodetic datum dipilih WGS84. Hasilnya adalah file batas

kebun pemotong citra berubah menjadi bataskebuncitra_region.erv.

5. Kemudian dari menu Edit pilih Annote vektor layer, maka muncul kotak

dialog New map composition. Pilih Raster Region, selanjutnya buka file

bataskebuncitra_region.erv klik OK.

6. Pada menu Tools klik Save As � Raster Region � Save To File isikan

dengan nama file hasil pemotongan sesuai dengan batas kebun daerah

penelitian.

7. Menu pulldown bar View� algorithma � Klik � Kotak dialog formula

editor � Standard�inside region polygon test . Muncul Formula If

(INREGION(r1)) THEN Input else null. Ganti null dengan 255, Klik Regions

kemudian pada REGION1 pilih Region_0 selanjutnya klik apply changes. Hal

tersebut dilakukan juga pada band lain.

8. Terakhir simpan file dengan memilih Save As pada menu File.

67

Lampiran C Proses Penajaman Citra Menggunakan Filter Spasial

1. Buka file citra.

2. Pada menu toolbar klik maka akan muncul filter

window.

3. Pada filter filename pilih kernel filter high_pass Sharpen_11x11.ker

4. Lakukan hal yang sama pada Band green dan blue.

68

Lampiran D Hasil Interpretasi Visual Areal Klasifikasi (Hariyanto, 2006)

1. Interpretasi batas areal kebun

Deskripsi Batas areal kebun menunjukkan batas kepemilikan kebun wajib pajak. Dari batas kebun tersebut akan diperoleh luas keseluruhan kebun.

Kunci Utama Interpretasi

Bentuk Batas areal kebun dikenali dari bentuknya yang memanjang sepanjang tepi areal kebun. Bentuk cenderung lurus pada batas kebun berupa jalan atau bukaan lahan sedangkan pada batas alam seperti parit bentuknya berkelok – kelok.

Warna Warna cerah pada batas jalan, gelap pada batas alam dan adanya perbedaan tekstur pada bukaan lahan.

Kenampakan di citra

Batas kebun berupa jalan

Batas kebun berupa batas alam

Batas kebun berupa perbedaan penggunaan lahan

2. Interpretasi batas blok / afdeling Deskripsi Batas blok / afdeling dibuat untuk membagi luas seluruh kebun

menjadi bagian yang lebih kecil dengan maksud untuk memudahkan dalam perencanaan dan pengawasan areal kebun. Batas kebun biasanya berupa jalan kebun. Batas blok dilakukan digitasi untuk mempersempit luas bidang pada saat klasifikasi.

Kunci Utama Interpretasi

Bentuk Batas blok atau kebun dikenali dari bentuknya yang memanjang di dalam areal kebun dan cenderung lurus.

Warna Warna pada batas blok sama dengan warna jalan yaitu cerah.

Kenampakan di citra

Garis putih menunjukkan batas blok kebun, sekaligus juga menunjukkan jalan yang ada di dalam lokasi perkebunan.

69

3. Interpretasi Areal Kebun

3.1. Kebun Klasifikasi A

Deskripsi Kenampakan kebun dengan umur 1 tahun hampir tidak terlihat pola tanaman. Hanya berupa titik – titik kecil sehingga terkadang sulit dibedakan dengan Klasifikasi F. Kecerahan citra tergantung dari tanah tempat penanaman sawit tersebut. Luas yang dihasilkan akan dilakukan analisis interpretasi visual.

Kunci Utama Interpretasi

Warna Warna pada areal kelapa sawit umur 1 tahun cenderung mengikuti warna tanah.

Tekstur Tekstur pada obyek masih halus karena belum tampaknya tanaman secara jelas.

Pola Adanya kenampakan pola tanaman yang teratur walaupun masih belum tampak jelas.

Kenampakan di citra

Areal tanam pada tanah yang mulai

bersemak

Areal tanam pada tanah yang bersemak

Areal tanam pada tanah yang bersih

3.2. Kebun Klasifikasi B

Deskripsi Kenampakan kebun dengan umur 2 tahun sudah terlihat berupa titik – titik kecil yang teratur. Kecerahan citra masih tergantung dari tanah tempat penanaman sawit tersebut. Luas yang dihasilkan akan dilakukan analisis interpretasi visual.

Kunci Utama Interpretasi

Tekstur Tekstur pada obyek masih halus tapi sudah menunjukan pola yang sedikit kasar.

Warna Masih mengikuti warna tanahnya Pola Pola tanam kelapa sawit yang teratur mulai

nampak Kenampakan di citra

Beberapa sampel kenampakan kebun klasfikasi B pada beberapa

tanah yang berbeda kondisinya

70

3.3. Kebun Klasifikasi C

Deskripsi Kenampakan kebun dengan umur 3 tahun terlihat mulai rapat dengan titik – titik mulai membesar dan teratur. Kecerahan citra sudah dipengaruhi warna dari tanaman kelapa sawit.

Kunci Utama Interpretasi

Tekstur Tekstur pada areal ini sudah mulai kasar disebabkan karena semakin besarnya diameter tanaman sehinga terlihat lebih rapat.

Pola Pola jarak tanam kelapa sawit nampak teratur dengan lebih jelas terlihat.

Warna Warna tanaman sudah mulai mempengaruhi kenampakan di citra

Kenampakan di citra

Warna hijau tanaman berada diantara warna gelap tanah

Warna hijau tanaman nampak berupa bintik – bintik diantara gelapnya areal tanamnya.

Kenampakan citra semakin cerah pada tanah yang bersemak.

3.4. Kebun Klasifikasi D Deskripsi Kecerahan citra pada kebun dengan umur 4 tahun sangat

dipengaruhi oleh warna tanaman. Tanaman nampak rapat, teratur dan terlihat seperti bintang

Kunci Utama Interpretasi

Tekstur Tekstur nampak kasar dengan tanaman yang jelas Pola Pola tanam nampak rapi dan teratur Warna Warna tanaman sangat mendominasi kenampakan

pada citra dengan variasi warna hijau, kuning & merah

Bentuk Bentuk tanaman nampak bulat dengan tajuk berbentuk seperti bintang.

Kenampakan di citra

Kelapa sawit tua dengan warna kemerahan.

Tanaman nampak rapat tapi belum nampak kemerahan

Kerapatan tanaman nampak rapat

71

3.5. Kebun Klasifikasi E

Deskripsi Areal emplasemen merupakan tempat dimana bangunan – bangunan milik perusahaan tersebut didirikan. Biasanya areal ini dilakukan pematangan tanah yang lebih baik dari areal kebun. Misalnya adanya pengurugan, pemadatan, maupun perkerasan. Luas yang dihasilkan akan dilakukan analisis interpretasi visual.

Kunci Utama Interpretasi

Tekstur Tekstur dari areal ini halus

Warna Warna dari areal emplasemen terlihat cerah

Asosiasi Kenampakan areal emplasemen ini terlihat dengan adanya kenampakan bangunan berupa kotak – kotak kecil yang teratur.

Kenampakan di citra

Sebagian areal emplasemen di kebun Sungai Pelepah

3.6. Kebun Klasifikasi F

Deskripsi Kebun Klasifikasi F berupa areal kosong yang siap ditanami. Pada citra terdapat sedikit areal tersebut. Kenampakannya pada citra dimungkinkan sama dengan areal klasifikasi A. Luas yang dihasilkan akan dilakukan analisis interpretasi visual.

Kunci Utama Interpretasi

Tekstur Tekstur sangat halus

Warna Warna dipengaruhi warna asli tanah serta kondisi tanah masih bersemak atau bersih.

Kenampakan di citra

Nampak warna tanah hitam dan tanah bersemak warna hijau

72

3.7. Kebun Klasifikasi G

Deskripsi Kebun klasifikasi G merupakan areal cadangan sehingga keberadaan tanaman asli masih nampak pada areal ini. Biasanya masih berupa hutan atau belukar. Kenampakan dan kecerahan pada citra tergantung dari tanaman yang ada pada areal ini. Luas yang dihasilkan akan dilakukan analisis interpretasi visual.

Kunci Utama Interpretasi

Tekstur Tekstur tergantung tanaman yang ada biasanya kasar.

Warna Warna juga tergantung tanaman yang ada biasanya warna hijau cerah.

Pola Pola tanaman rapat dan tidak teratur pada lahan berupa hutan.

Kenampakan di citra

Areal hutan sebagai lahan cadangan

4. Interpretasi Bangunan

Deskripsi Bangunan emplasemen berada pada areal emplasemen. Biasanya berada pada suatu lokasi tertentu dan tidak menyebar. Deliniasi bangunan dilakukan untuk menentukan jenis, jumlah dan luas dari bangunan tersebut. Sedangkan mengenai kondisi fisik bangunan sulit dilakukan interpretasi.

Kunci Utama Interpretasi

Bentuk Bentuk bangunan umumnya berbentuk persegi panjang.

Ukuran Besar kecilnya bangunan pada citra menunjukkan jenis penggunaan bangunan (JPB).

Pola Pola teratur umumnya ditunjukan pada bangunan untuk JPB perumahan

Asosiasi Kenampakan bangunan kantor biasanya terdapat kenampakan obyek lain seperti mobil tiang bendera dll.

Kenampakan di citra

Pola teratur pada

perumahan karyawan

Bentuk memanjang sebagai bentuk gudang/bengkel

/pabrik

Bangunan perkantoran

diasosiasikan dengan kenampakan mobil

73

Lampiran E Kenampakan Training Area pada Citra Ikonos

No Nama Kelas Kenampakan Objek

1. Sawit Kelas A

2. Sawit Kelas B

3. Sawit Kelas C

4. Sawit Kelas D

5. Lahan Kelas A

6. Lahan Kelas B

74

7. Lahan Kelas C

8. Lahan Kelas D

9. Batas blok

10. Kelas E

11. Bangunan

12. Kelas F

13. Kelas G

14 Awan

75

Lampiran F Proses Penggabungan Subkelas Kedalam Kelasnya

1. Buka file hasil klasifikasi

2. Klik Edit Algorithm pada toolbar, kemudian akan tampil algorithm

window. Klik , maka muncul Formula Editor

window.

3. Kemudian klik , lakukan pada subkelas lain.

76

LAMPIRAN G Proses Penghitungan Pohon Secara Semi Otomatis

1. Buka File citra yang akan dilakukan penghitungan pohon. Tampilan citra dapat

dipertajam dengan menggunakan filter high-pass Sharpen 11 x 11 kernel

2. Pada menu klik algorithm kemudian Edit Add vector layer Annotation

layer. Akan muncul algorithm window.

3. Klik akan muncul warning massage window dan

Tools.

4. Klik Page Setup, kemudian atur page setup sesuai dengan keinginan, setelah itu

pada menu tools klik point , maka penghitungan pokok pohon dengan

77

mengubahnya ke dalam bentuk bentuk point/titik dapat dilakukan. Agar

point/titik mempunyai warna sesuai dengan keinginan dapat merubah

defaultnya dari warna putih menjadi sesuai keinginan pada algorithm window

dengan mengklik .

5. Simpan file penghitungan pohon dalam bentuk Vektor File dengan mengklik

pada Tools,

Untuk mengetahui jumlah objek pokok pohon secara semi otomatis dapat

diketahui dengan mengklik Map Compostion Information pada Tools .

Contoh hasil penghitungan suatu blok dan tampilan vektor filenya.

Jumlah pohon pada blok tersebut sebanyak 3.462 pohon.

78

Lampiran H Overlay Hasil Klasifikasi dengan Peta WP/Interpretasi Visual

1. Pada ENVI 4.2 klik File open external file IP Software ER Mapper

(hal ini karena proses pembentukan training area dan klasifikasi

multispektral telah dilakukan di ERMapper).

2. Setelah file terbuka pada classified window klik Overlay vektors, maka

akan muncul Vektor Parameters windows.

Pada Vektor Parameters klik File Open vektor File, buka file hasil

digitasi citra.

3. Setelah itu pada classified windows klik Overlay Region of Interest, akan

muncul ROI Tool.

4. Kembali ke Vektor Parameter window klik file Export Active layer to

ROIs Convert each record of an EVF layer to a new ROI. Maka pada

ROI Tool akan muncul blok-blok ROI sebanyak blok pembagian peta wp

maupun interpretasi visual.

79

Untuk mengetahui statistik masing-masing blok tandai blok dimaksud kemudian

klik Stats , maka akan muncul data ROI tersebut.

80

81

Lampiran J Hasil Uji t - test dengan Ms. Excel

Kelas At-Test: Paired Two Sample for Means

Luas hsl interpretasi visual Luas hsl penghitungan rata-rata pohonMean 33574.83333 33371.25Variance 654792047 460308729.4Observations 6 6Pearson Correlation 0.986892595Hypothesized Mean Difference 0df 5t Stat 0.088875278P(T<=t) one-tail 0.466315547t Critical one-tail 2.015048372P(T<=t) two-tail 0.932631093t Critical two-tail 2.570581835

Kelas Bt-Test: Paired Two Sample for Means

Luas hsl interpretasi visual Luas hsl penghitungan rata-rata pohonMean 63668.875 65282.89833Variance 1905456706 1928870774Observations 24 24Pearson Correlation 0.993941572Hypothesized Mean Difference 0df 23t Stat -1.638051955P(T<=t) one-tail 0.057510344t Critical one-tail 1.713871517P(T<=t) two-tail 0.115020689t Critical two-tail 2.068657599

Kelas Ct-Test: Paired Two Sample for Means

Luas hasil interpretasi Luas hsl penghitungan rata-rata pohonMean 95745.62264 96903.31585Variance 5936717624 6279224833Observations 53 53Pearson Correlation 0.997876598Hypothesized Mean Difference 0df 52t Stat -1.520331841P(T<=t) one-tail 0.067242666t Critical one-tail 1.674689154P(T<=t) two-tail 0.134485331t Critical two-tail 2.006646761

Kelas Dt-Test: Paired Two Sample for Means

Luas hasil interpretasi Luas hsl penghitungan rata-rata pohonMean 121761.907 120757.0343Variance 7387175475 7573168942Observations 86 86Pearson Correlation 0.997210965Hypothesized Mean Difference 0df 85t Stat 1.42312615P(T<=t) one-tail 0.07917982t Critical one-tail 1.6629785P(T<=t) two-tail 0.158359639t Critical two-tail 1.988267868

82

Lampiran K Data Uji Statistik t-test dan Selisih Batas Toleransi 10%

KELAS REGION Jumlah Pohon Luas Region Rata - rata Luas Region Hasil %No. Sawit Peta WP hitung ( x̄ ) Penghitungan rata-rata Selisih luas Selisih

(Pohon) (m²) (m²/pohon) hitung luas/pohon (m²) (m²)

1 A G5a 237 15,620 82.50 19,552.50 -3,932.50 -25.182 A G6a 237 12,489 82.50 19,552.50 -7,063.50 -56.563 A J2 625 58,845 82.50 51,562.50 7,282.50 12.384 A M13 462 43,843 82.50 38,115.00 5,728.00 13.065 A M6 a 95 5,688 82.50 7,837.50 -2,149.50 -37.796 A P2a 771 64,964 82.50 63,607.50 1,356.50 2.09

Jumlah 2,427 201,449 200,228 1,221.50 0.61

KELAS REGION Jumlah Pohon Luas Region Rata - rata Luas Region Hasil %No. Sawit Peta WP hitung ( x̄ ) Penghitungan rata-rata Selisih luas Selisih

(Pohon) (m²) (m²/pohon) hitung luas/pohon (m²) (m²)

1 B B10 96 8,112 77.56 7,445.76 666.24 8.212 B C15 764 57,789 77.56 59,255.84 -1,466.84 -2.543 B C13 358 28,935 77.56 27,766.48 1,168.52 4.044 B C22B 123 8,952 77.56 9,539.88 -587.88 -6.575 B D15 698 51,606 77.56 54,136.88 -2,530.88 -4.906 B D16 1,728 124,901 77.56 134,023.68 -9,122.68 -7.307 B D17 671 49,927 77.56 52,042.76 -2,115.76 -4.248 B D18 867 63,703 77.56 67,244.52 -3,541.52 -5.569 B D19 1,340 116,726 77.56 103,930.40 12,795.60 10.96

10 B D20 124 9,051 77.56 9,617.44 -566.44 -6.2611 B D21 649 46,948 77.56 50,336.44 -3,388.44 -7.2212 B D8 1,635 118,596 77.56 126,810.60 -8,214.60 -6.9313 B E12 326 23,247 77.56 25,284.56 -2,037.56 -8.7614 B E17 1,228 89,713 77.56 95,243.68 -5,530.68 -6.1615 B E18 2,352 181,866 77.56 182,421.12 -555.12 -0.3116 B E19 1,298 97,243 77.56 100,672.88 -3,429.88 -3.5317 B E19B 750 57,160 77.56 58,170.00 -1,010.00 -1.7718 B E20 389 28,145 77.56 30,170.84 -2,025.84 -7.2019 B E21 397 30,679 77.56 30,791.32 -112.32 -0.3720 B E22 1,104 78,118 77.56 85,626.24 -7,508.24 -9.6121 B E5 966 68,793 77.56 74,922.96 -6,129.96 -8.9122 B E6 554 41,487 77.56 42,968.24 -1,481.24 -3.5723 B F1 499 37,019 77.56 38,702.44 -1,683.44 -4.5524 B F2 1,285 109,337 77.56 99,664.60 9,672.40 8.85

- Jumlah 20,201 1,528,053 76.73 1,566,789.56 -38,736.56 -2.54

KELAS REGION Jumlah Pohon Luas Region Rata - rata Luas Region Hasil %No. Sawit Peta WP hitung ( x̄ ) Penghitungan rata-rata Selisih luas Selisih

(Pohon) (m²) (m²/pohon) hitung luas/pohon (m²) (m²)

1 C B11 732 61,538 75.42 55,207.44 6,330.56 10.292 C C13 1,333 95,231 75.42 100,534.86 -5,303.86 -5.573 C C14 2,016 144,282 75.42 152,046.72 -7,764.72 -5.384 C C15 1,620 124,150 75.42 122,180.40 1,969.60 1.595 C C16 207 16,892 75.42 15,611.94 1,280.06 7.586 C C17 510 39,583 75.42 38,464.20 1,118.80 2.837 C C3 30 2,449 75.42 2,262.60 186.40 7.618 C D11 3,366 247,287 75.42 253,863.72 -6,576.72 -2.669 C D12 1,618 135,011 75.42 122,029.56 12,981.44 9.62

10 C D13 2,325 183,944 75.42 175,351.50 8,592.50 4.6711 C D14 2,103 160,823 75.42 158,608.26 2,214.74 1.3812 C D15 1,720 130,282 75.42 129,722.40 559.60 0.4313 C D16 469 35,013 75.42 35,371.98 -358.98 -1.0314 C D18 1,775 142,138 75.42 133,870.50 8,267.50 5.8215 C D3 237 20,457 75.42 17,874.54 2,582.46 12.6216 C D3a 1,111 84,880 75.42 83,791.62 1,088.38 1.2817 C D4a 68 5,013 75.42 5,128.56 -115.56 -2.3118 C D4a 73 5,873 75.42 5,505.66 367.34 6.25

83

Lampiran K (lanjutan)KELAS REGION Jumlah Pohon Luas Region Rata - rata Luas Region Hasil %

No. Sawit Peta WP hitung ( x̄ ) Penghitungan rata-rata Selisih luas Selisih(Pohon) (m²) (m²/pohon) hitung luas/pohon (m²) (m²)

19 C D9 2,743 200,526 75.42 206,877.06 -6,351.06 -3.1720 C E10 440 33,501 75.42 33,184.80 316.20 0.9421 C E11 1,523 119,798 75.42 114,864.66 4,933.34 4.1222 C E12 1,928 145,388 75.42 145,409.76 -21.76 -0.0123 C E13 3,093 220,485 75.42 233,274.06 -12,789.06 -5.8024 C E14 2,915 217,198 75.42 219,849.30 -2,651.30 -1.2225 C E16 2,123 149,345 75.42 160,116.66 -10,771.66 -7.2126 C E17 538 38,032 75.42 40,575.96 -2,543.96 -6.6927 C E5 1,691 128,955 75.42 127,535.22 1,419.78 1.1028 C E6A 808 59,691 75.42 60,939.36 -1,248.36 -2.0929 C E7 257 18,916 75.42 19,382.94 -466.94 -2.4730 C E7A 1,460 113,481 75.42 110,113.20 3,367.80 2.9731 C E8 2,176 159,271 75.42 164,113.92 -4,842.92 -3.0432 C E8A 81 5,719 75.42 6,109.02 -390.02 -6.8233 C E9 1,088 85,158 75.42 82,056.96 3,101.04 3.6434 C F10 1,337 93,514 75.42 100,836.54 -7,322.54 -7.8335 C F11 994 69,679 75.42 74,967.48 -5,288.48 -7.5936 C F12 543 38,470 75.42 40,953.06 -2,483.06 -6.4537 C F13 164 11,924 75.42 12,368.88 -444.88 -3.7338 C F14 760 55,517 75.42 57,319.20 -1,802.20 -3.2539 C F15 105 7,480 75.42 7,919.10 -439.10 -5.8740 C F16 189 13,930 75.42 14,254.38 -324.38 -2.3341 C F20 1,817 127,420 75.42 137,038.14 -9,618.14 -7.5542 C F21 3,623 255,875 75.42 273,246.66 -17,371.66 -6.7943 C F22 3,657 264,441 75.42 275,810.94 -11,369.94 -4.3044 C F23 3,447 258,645 75.42 259,972.74 -1,327.74 -0.5145 C F5 916 78,719 75.42 69,084.72 9,634.28 12.2446 C F6 153 11,373 75.42 11,539.26 -166.26 -1.4647 C F7A 55 4,112 75.42 4,148.10 -36.10 -0.8848 C F8 2,309 171,815 75.42 174,144.78 -2,329.78 -1.3649 C F8A 704 51,222 75.42 53,095.68 -1,873.68 -3.6650 C F9A 1,381 97,748 75.42 104,155.02 -6,407.02 -6.5551 C C4 79 6,100 75.42 5,958.18 141.82 2.3252 C G11b 342 25,103 75.42 25,793.64 -690.64 -2.7553 C G8 1,345 101,121 75.42 101,439.90 -318.90 -0.32

Jumlah 67,365 5,012,980 5,080,668 -67,688.30 -1.35

KELAS REGION Jumlah Pohon Luas Region Rata - rata Luas Region Hasil %No. Sawit Peta WP hitung ( x̄ ) Penghitungan rata-rata Selisih luas Selisih

(Pohon) (m²) (m²/pohon) hitung luas/pohon (m²) (m²)

1 D A2 4,380 311,216 74.45 326,091.00 -14875.00 -4.782 D A3 2,281 169,655 74.45 169,820.45 -165.45 -0.103 D A4 3,540 260,112 74.45 263,553.00 -3441.00 -1.324 D A5 3,622 256,780 74.45 269,657.90 -12877.90 -5.025 D A7 2,047 161,444 74.45 152,399.15 9044.85 5.606 D B1 147 11,214 74.45 10,944.15 269.85 2.417 D B10 2,982 235,373 74.45 222,009.90 13363.10 5.688 D B11 3,786 282,624 74.45 281,867.70 756.30 0.279 D B3 1,074 85,368 74.45 79,959.30 5408.70 6.34

10 D B4 1,357 104,919 74.45 101,028.65 3890.35 3.7111 D B5 1,913 147,004 74.45 142,422.85 4581.15 3.1212 D B6 2,488 179,418 74.45 185,231.60 -5813.60 -3.2413 D B7 2,906 214,791 74.45 216,351.70 -1560.70 -0.7314 D B8 3,081 225,899 74.45 229,380.45 -3481.45 -1.5415 D B9 2,406 189,379 74.45 179,126.70 10252.30 5.4116 D C10 3,173 243,726 74.45 236,229.85 7496.15 3.0817 D C11 2,027 155,628 74.45 150,910.15 4717.85 3.0318 D C12 2,007 156,498 74.45 149,421.15 7076.85 4.5219 D C14 504 39,105 74.45 37,522.80 1582.20 4.0520 D C17 509 38,338 74.45 37,895.05 442.95 1.1621 D C18 285 20,956 74.45 21,218.25 -262.25 -1.2522 D C19 164 11,927 74.45 12,209.80 -282.80 -2.3723 D C3 322 25,616 74.45 23,972.90 1643.10 6.41

84

Lampiran K (lanjutan)KELAS REGION Jumlah Pohon Luas Region Rata - rata Luas Region Hasil %

No. Sawit Peta WP hitung ( x̄ ) Penghitungan rata-rata Selisih luas Selisih(Pohon) (m²) (m²/pohon) hitung luas/pohon (m²) (m²)

24 D C4 558 42,116 74.45 41,543.10 572.90 1.3625 D C5 1,125 85,520 74.45 83,756.25 1763.75 2.0626 D C6 1,652 121,018 74.45 122,991.40 -1973.40 -1.6327 D C7 2,001 154,202 74.45 148,974.45 5227.55 3.3928 D C8 2,467 190,186 74.45 183,668.15 6517.85 3.4329 D D10 3,227 240,391 74.45 240,250.15 140.85 0.0630 D D12 1,319 106,421 74.45 98,199.55 8221.45 7.7331 D D14 280 20,301 74.45 20,846.00 -545.00 -2.6832 D D15 740 56,884 74.45 55,093.00 1791.00 3.1533 D D16 1,192 94,218 74.45 88,744.40 5473.60 5.8134 D D21 1,654 137,648 74.45 123,140.30 14507.70 10.5435 D D4 2,741 204,743 74.45 204,067.45 675.55 0.3336 D D4a 171 14,179 74.45 12,730.95 1448.05 10.2137 D D6 3,275 243,688 74.45 243,823.75 -135.75 -0.0638 D D7 3,079 226,410 74.45 229,231.55 -2821.55 -1.2539 D D8 1,606 126,611 74.45 119,566.70 7044.30 5.5640 D D9 609 46,560 74.45 45,340.05 1219.95 2.6241 D E10 2,777 214,994 74.45 206,747.65 8246.35 3.8442 D E11 922 73,360 74.45 68,642.90 4717.10 6.4343 D E15 257 17,991 74.45 19,133.65 -1142.65 -6.3544 D E16 698 50,605 74.45 51,966.10 -1361.10 -2.6945 D E17 1,171 93,753 74.45 87,180.95 6572.05 7.0146 D E18 220 16,089 74.45 16,379.00 -290.00 -1.8047 D E19b 302 23,407 74.45 22,483.90 923.10 3.9448 D E20a 352 26,991 74.45 26,206.40 784.60 2.9149 D E21 2,347 198,583 74.45 174,734.15 23,848.85 12.01 50 D E22 2,283 170,169 74.45 169,969.35 199.65 0.1251 D E23 2,198 186,723 74.45 163,641.10 23,081.90 12.36 52 D E24 2,255 165,822 74.45 167,884.75 -2062.75 -1.2453 D E25 2,239 164,288 74.45 166,693.55 -2405.55 -1.4654 D E4 270 19,968 74.45 20,101.50 -133.50 -0.6755 D E5 87 6,628 74.45 6,477.15 150.85 2.2856 D E5a 201 15,172 74.45 14,964.45 207.55 1.3757 D E7 1,252 98,533 74.45 93,211.40 5321.60 5.4058 D E8a 719 59,567 74.45 53,529.55 6037.45 10.1459 D E9 1,082 87,011 74.45 80,554.90 6456.10 7.4260 D E9a 259 19,021 74.45 19,282.55 -261.55 -1.3861 D F1 148 11,583 74.45 11,018.60 564.40 4.8762 D F10 884 64,123 74.45 65,813.80 -1690.80 -2.6463 D F10a 968 69,903 74.45 72,067.60 -2164.60 -3.1064 D F11a 578 43,745 74.45 43,032.10 712.90 1.6365 D F12 2,941 209,176 74.45 218,957.45 -9781.45 -4.6866 D F12a 37 2,984 74.45 2,754.65 229.35 7.6967 D F13 2,483 182,821 74.45 184,859.35 -2038.35 -1.1168 D F16 2,487 188,335 74.45 185,157.15 3177.85 1.6969 D F17 2,157 163,276 74.45 160,588.65 2687.35 1.6570 D F19 3,170 234,305 74.45 236,006.50 -1701.50 -0.7371 D F21 86 6,449 74.45 6,402.70 46.30 0.7272 D F4 1,530 111,006 74.45 113,908.50 -2902.50 -2.6173 D F5 1,374 100,953 74.45 102,294.30 -1341.30 -1.3374 D F6 2,262 175,324 74.45 168,405.90 6918.10 3.9575 D F7 994 77,052 74.45 74,003.30 3048.70 3.9676 D F8a 243 17,081 74.45 18,091.35 -1010.35 -5.9277 D F9a 183 13,218 74.45 13,624.35 -406.35 -3.0778 D G1 363 26,022 74.45 27,025.35 -1003.35 -3.8679 D G2 2,793 202,101 74.45 207,938.85 -5837.85 -2.8980 D G3 3,515 249,151 74.45 261,691.75 -12540.75 -5.0381 D G4 3,042 218,365 74.45 226,476.90 -8111.90 -3.7182 D H3 3,223 226,388 74.45 239,952.35 -13564.35 -5.9983 D H4 3,521 247,171 74.45 262,138.45 -14967.45 -6.0684 D I4 2,212 157,744 74.45 164,683.40 -6939.40 -4.4085 D I5 1,424 105,939 74.45 106,016.80 -77.80 -0.0786 D O10 285 20,548 74.45 21,218.25 -670.25 -3.26

Jumlah 139,491 10,471,524 10,385,105 86,419 0.83

85

Lampiran L Contoh Penghitungan Nilai Pasar atau Nilai Wajar Aktiva Tetap Perkebunan Kelapa Sawit.

No. Luas Tanah SIT Jumlah Kelas Nilai Jumlah Jumlah Keseluruhan(m²) (Rp/m²) Rp Tanah (Rp/m²) Rp Rp

1. Areal Kebun Kelapa SawitTanaman berumur 1 tahun 195,398 398 77,768,404 A.36 14,000 2,735,572,000 2,813,340,404 Tanaman berumur 2 tahun 1,642,022 574 942,520,628 A.36 14,000 22,988,308,000 23,930,828,628 Tanaman berumur 3 tahun 5,123,078 797.6 4,086,167,013 A.36 14,000 71,723,092,000 75,809,259,013 Tanaman berumur 4 tahun 10,365,851 1039 10,768,046,019 A.36 14,000 145,121,914,000 155,889,960,019

2. Areal Emplasemena. Pabrik - - - A.34 27,000 - - b. Perkantoran 849 - - A.34 27,000 22,923,000 22,923,000 c. Gudang 2,172 - - A.34 27,000 58,644,000 58,644,000 d. Tangki - - - A.34 27,000 - - e. Pipa - - - A.34 27,000 - - f. Perumahan (Pabrik) 23,007 - - A.34 27,000 621,189,000 621,189,000

Perumahan (Estate) - - - A.34 - - - g. Sarana OR/Rekreasi - - - A.34 - - - h. Bangunan Poliklinik - - - A.34 - - - i. Bangunan Sosial - - - A.34 - - - j. Landasan pesawat udara - - - A.34 - - - k. jalan diperkeras di lokasi - - - A.34 - - -

perkebunanl. Lain-lain - - - A.34 - - - 3 Areal Lainnya

Areal sudah diolah tapi belum 1,021,998 39 40,266,721 A.37 10,000 10,219,980,000 10,260,246,721 ditanamiAreal belum diolah 3,515,813 0 - A.37 10,000 35,158,130,000 35,158,130,000 Rawa, cadas, jurang 0 0 A.41 2,450 0 - Areal yang tidak dapat - 0 A.42 1,700 0 - ditanamiNJOP BUMI 21,890,188 15,914,768,785 288,649,752,000 304,564,520,785

II. BANGUNANLuas Tanah Kelas NJOP Bangunan Jumlah Keseluruhan

No. (m²) Rp/m² Rp1 Pabrik - A.11 225,000 - 2 Perkantoran 849 A.11 225,000 191,025,000 3 Gudang 2,172 A.11 225,000 488,700,000 4 Tangki - A.11 225,000 - 5 Pipa - A.11 225,000 - 6 Perumahan (Pabrik) 23,007 A.11 225,000 5,176,575,000 7 Perumahan (Pabrik) A.11 225,000 - 8 Perumahan (Estate)/Perkebunan - A.11 225,000 - 9 Sarana OR/Rekreasi - A.11 225,000 - 10 Bangunan Poliklinik - A.11 225,000 - 11 Bangunan Sosial - A.11 225,000 - 12 Landasan pesawat udara - A.11 225,000 - 13 Jalan diperkeras di lokasi - A.11 225,000 -

perkebunan A.11 225,000 - 14 Lain-lain - A.11 225,000 -

NJOP BANGUNAN 26,028 -- -- 5,856,300,000

000

Nilai Bangunan / m²

000000000

Peruntukan Objek

Peruntukan Objek

0

00

0