NORMALIZED DIFFERENCE VEGETATION INDEKS (NDVI)

I. Tujuan
1. Dapat Mengoperasikan Software ArcGIS
2. Melakukan proses transformasi NDVI dan mengetahui kerapatannya
3. Melakukan pemetaan indeks vegetasi

II. Alat dan Bahan
1. Perangkat keras PC (Personal Computer) atau Laptop
2. Perangkat Lunak ArcGIS
3. Citra Landsat 8 Tahun 2013 (Kanal 5, 4, dan 8)

III. Dasar Teori
Indeks vegetasi atau normalized difference vegetation indeks (NDVI)
adalah kajian ilmu geografi sains yang terus mengalami perkembangan yang
dapat digunakan untuk kajian ilmu lain. Indeks vegetasi atau normalized
difference vegetation indeks (NDVI) adalah indeks yang menggambarkan
tingkat kehijauan suatu tanaman. Indeks vegetasi merupakan kombinasi
matematis antara band merah dan band NIR yang telah lama digunakan
sebagai indikator keberadaan dan kondisi vegetasi (Lillesand dan Kiefer,
1997). Untuk kemudian dengan mudah dapat dijabarkan bahwa indeks
vegetasi atau normalized difference vegetation indeks (NDVI) suatu tingkat
kehijauan dari tanaman. Indeks vegetasi atau normalized difference
vegetation indeks (NDVI) dapat diketahui dengan memanfaatkan sifat unik
dari tanaman (vegetasi) yakni memancarkan dan menyerap gelombang untuk
kemudian dapat dibedakan dengan obyek lainnya yang tidak memiliki sifat
unik seperti vegetasi. Metode ini merupakan dasar untuk membedakan obyek
vegetasi dengan obyek lainnya selain vegetasi.

Gambar 1. Menunjukan Kekuatan Klorofil Menyerap Cahaya Inframerah
Dekat

Pada Gambar 1 dapat ditunjukkan bahwa pigmen dalam daun tanaman
(klorofil) dapat menyerap cahaya tampak (0,4-0,7 m) yang digunakan dalam
fotosintesis. Di sisi lain, struktur sel daun sangat mencerminkan cahaya
inframerah dekat (0,7-1,1 m). Semakin banyak daun tanaman, semakin
panjang gelombang cahaya yang terpengaruh.
Kemudian dapat ditunjukan juga bahwa perbedaan yang mencolok antara
kekuatan vegetasi dengan tanah (soil) dalam memantulkan gelombang
electromagnetic, sehingga dapat dijadikan sebagai konsep indeks vegetasi
bahwa setiap objek memiliki kemampuan (karakter spektral) yang berbeda-
beda dalam memantulkan gelombang electromagnetic.


Gambar 2. Menunjukkan Karakter yang Berbeda yang Ditunjukkan oleh
Vegetasi dan Tanah dalam Memantulkan Gelombang Elektromagnetik

Untuk selanjutnya adalah menentukan besaran indek vegetasi yang
merupakan besaran nilai vegetasi yang diperoleh dari pengolahan sinyal
digital data nilai kecerahan sebeberapa kanal data sensor satelit. Dengan
demikian NDVI pada dasarnya yaitu membandingkan antara kanal infranerah
dan kanal inframerah dekat sehingga diperoleh fenomena penyerapan cahaya
merah (infranerah) dan pemantulan cahaya merah dekat (near- infranerah)
oleh klorofil membuat nilai kecerahan yang diterima sensor satelit akan jauh
berbeda. Dengan konsep ini maka dikembangkannya suatu algoritma indeks
vegetasi yaitu,

NDVI =
[NIRRED]
[NIR+RED]


Indeks vegetasi yang ditunjukkan persamaan di atas mempunyai nilai
minimum yakni -1 yang menunjukan bahwa kondisi wilayah tidak
bervegetasi. Sebaliknya bahwa indeks vegetasi yang memiliki nilai 1
menunjukkan bahwa kondisi wilayah bervegetasi. Nilai indeks vegetasi yang
diperoleh dapat diklasifikasikan kembali oleh NASA berupa
pengklasifikasian warna yang merupakan wilayah bervegetasi atau tidak.


Gambar 3. Pengklasifikasian Warna Wilayah Bervegetasi dan Non-Vegetasi
(NASA)

Dari gambar 3 tampak bahwa wilayah yang berada pada 0.4 merupakan
wilayah yang lebat akan vegetasi dan dapat diperkirakan bahwa vegetasi di
wilayah ini merupakan kawasan hutan yang lebat dan subur. Sebaliknya pada
wilayah 0.2 ke kiri merupakan klasifikasi wilayah yang tidak bervegetasi dan
merupakan kawasan batuan atau perairan.

IV. Langkah Kerja
1. Langkah pertama yaitu menampilkan batas administrasi Kabupaten
Sleman RBI 2004 dan citra landsat 8 Kabupaten Sleman pada kanal 5,4,
dan 8. Kanal 5 pada landsat 8 yakni kanal NIR (Near Infrared) yang
mempunyai resolusi spasial 30 m. Kemudian kanal 4 yakni Red
mempunyai resolusi spasial 30 m. Selanjutnya kanal 8 yakni Pancromatic
yang mempunyai resolusi spasial 15 m.


2. Maka akan muncul seperti gambar di atas ini. Kemudian Clip dengan cara
bersamaan ketiga citra tersebut dengan cara ArcToolbox Data
Management Tools Raster - Raster Processing Clip. Klik kanan pada
Clip lalu klik kiri Batch.

3. Klik tanda + 2 kali, yang berarti kita hendak memotong citra 3 kali.
Kemuidan isikan sesuai dengan table di bawah ini

I nput Raster Rectangle Output Raster
Dataset
Output Extent No Data
Value
Use I nput
for Clipping
Geometry
Maintain
Clipping
Extent
Klik kanan-
browse-cari
citra landsat
Band 8
Default Klik kanan-
browse-Pilih
foldermu-beri
nama B8_Sleman
Klik kanan-
browse-Pilih
Kab_Sleman
_RBI2004.shp
Default Klik 2 kali-
centang-OK
Default
* Band 5 * *
B5_Sleman
* * * *
* Band 4 * *
B4_Sleman
* * * *
* berarti sama dengan table di atasnya



4. Klik OK. Tunggu sampai proses selesai maka ketiganya akan terpotong
sampai tampak seperti di bawah ini.

5. Langkah selanjutnya yaitu meregistrasi citra landsat 8 tersebut ke dalam
koordinat WGS 1984 UTM Zone 49S dengan cara ArcToolbox Data
Management Tools Projections and Transformations - Raster Project
Raster. Bila sudah ketemu kemudian klik kanan dan pilih Batch.

6. Klik tanda + 2 kali, yang berarti kita hendak meregistrasi ketiga citra.
Kemuidan isikan sesuai dengan table di bawah ini

I nput
Raster
Output Raster
Dataset
Output
Coordinat
System
Resampling
Teqnique
Geographic
Transforma
tions
Registration
Point
I nput
Coordinat
System
Klik kanan-
browse-cari
citra landsat
Band 8
Klik kanan-browse-
Pilih foldermu-beri
nama
B8_Sleman_49S
Klik 2 kali-cari
WGS_1984_UT
M_Zone_49S
Klik 2 kali-
Cubic
Default Default Default
* Band 5 *
B5_Sleman_49S
*

* * * *
* Band 4 *
B4_Sleman_49S
*

* * * *
* berarti sama dengan table di atasnya



7. Jika telah selesai maka klik OK lalu close ArcMap lalu buka kembali dan
kemudian add data batas admin Kabupaten Sleman, serta ketiga citra
yang sudak teregistrasi WGS 1984 Zone 49 S agar sesuai dengan
koordinat yang mengacu.
8. Kemudian langkah 8 yakni mencari NDVI (Normalized Difference
Vegetation Index). Cari pada ArcToolbox Spatial Analyst Tools Map
Algebra Raster Calculator.

9. Pada langkah ini kita akan melakukan perhitungan data raster dari data
pixel yang terkandung di dalam citra tersebut sesuai rumus yang terdapat
di halaman sebelumnya yang jika dikonversikan ke dalam algoritma pada
ArcMap menjadi Float(Band5-Band4)/(Band5+Band4) .
10. Double klik pada Float maka akan muncul seperti gambar di bawah ini,

11. Double klik pada band 5 kemudian kurangi band 4, selanjutnya bagikan
dengan pertambahan antara band 5 dan 4. Pada ArcMap maka kurag lebih
algoritmanya seperti di bawah ini,
Float("Citra Landsat 8 Sleman\b5_sleman_49s" - "Citra Landsat 8
Sleman\b4_sleman_49s") / ("Citra Landsat 8 Sleman\b5_sleman_49s" +
"Citra Landsat 8 Sleman\b4_sleman_49s")
Tentukan Outpotnya pada Output Raster kemudian beri nama NDVI. Klik
OK dan tunggu sampai proses selesai.


12. Jika telah selesai maka akan tampak seperti di bawah ini,

13. Lakukan pengkelasan data NDVI ini menurut table yang ditetapkan oleh
USGS. Caranya klik kanan pada layer NDVI Properties Symbology
Classified Classify. Isikan Break Values seperti table di bawah ini.


Daerah Pembagian Nilai NDVI
Awan es, awan air, salju < 0
Batuan dan lahan kosong 0 0.1
Padang rumput dan semak belukar 0.2 0.3
Hutan daerah hangat dan hutan hujan tropis 0.4 0.8




14. Kemudian lakukan pengkelasan kembali pada NDVI dengan cara
ArcToolbox Spatial Analyst Tools Reclass Reclassify. Langkah ini
digunakan untuk mengetahui tingkat kerapatan vegetasi yang ada di suatu
daerah yakni dengan beberapa kategori seperti di bawah ini,


Tingkat Kerapatan Vegetasi NDVI
Jarang 0.1 - 0.15
Sedang 0.16 0.2
Padat >0.21
Sumber: Dewanti, 1999 dan Anshar & Syam, 2001


15. Isikan Input Raster dengan data NDVI yang telah diperoleh sebelumnya.
Kemudian klik Classify bagi menjadi 3 kategori isikan pada Break
Values sebesar 0.15, 0.2, dan > 0.21. Pilih Outputnya dan beri nama
NDVI_Reclass. OK tunggu sampai berhasil.


16. Kemudian dari ini kita dapat mengkonversikannya menjadi data vector
dengan cara ArcToolbox Conversion Tools From Raster Raster to
Polygon.

17. Isikan Input Rasternya dengan data Reclassify tadi, kemudian Output
polygon Featurenya tempatkan pada foldermu dan beri nama
Kerapatan_Vegetasi_Sleman_Tahun_2013. Biarkan yang lainnya default.
OK tunggu sampai prosesnya berhasil.


18. Isikan attribute sesuai dengan pengkelasan dari Dewanti, 1999 dan
Anshar & Syam, 2001 dengan cara Open Atribute Table kemudian buat
tael baru dengan add field beri nama Ker_Veg dengan typenya text.
Kemudian OK.
19. Setelah itu Select by Atribute kemudian pilih dari GRIDCODE yang
pertama yakni jarang dengan cara rumus seperti ini. "GRIDCODE" = 1.
Lalu Apply. Seperti pada gambar di bawah ini,


20. Setelah Polygon yang terdapat pada GRIDCODE 1 terpilih semua maka
saatnya mengisikan data kerapatan vegetasi pada tabel Ker_Veg yang
telah dibuat tadi dengan cara klik kanan pada kepala tabel Ker_Veg
pilih Field Calculator isikan "Jarang". Langkah ini dapat dilihat pada
gambar di bawah ini.




21. Klik OK tunggu sampai proses selesai dan cek tabel Ker_Veg dengan
GRIDCODE 1 sudah terisi dengan Jarang,? Jika sudah maka saatnya
isikan tabel Ker_Veg dengan GRIDCODE 2 dan GRIDCODE 3.
22. Jika sudah selesai maka akan tampak seperti di bawah ini,

V. Tugas
1. Lakukan seperti langkah di atas secara sistimatis.
2. Buat Peta Kerapatan Vegetasi Kabupaten Sleman sesuai table
pengklasifikasian dari Dewanti, 1999 dan Anshar & Syam, 2001.