Transformasi NDVI
Transformasi NDVI
PENDAHULUAN
NIR/R (TM4/TM3), dengan range nilai 0 sampai 8, tanah sampai vegetasi, area vegetasi
ditunjukkan oleh warna putih
NIR/R (stretched) dengan range nilai 16 sampai 254, diberikan peralihan kehalusan diantara tipe
permukaan
2.2 Indeks Vegetasi
Dalam aplikasi penginderaan jauh, indeks vegetasi merupakan cerminan tingkat kehijauan
vegetasi yang juga dapat digunakan sebagai parameter kondisi kekeringan. Indeks vegetasi dapat
berubah disebabkan oleh kondisi ketersediaan air akibat pergantian musim. Kondisi indeks vegetasi
rendah mengakibatkan penurunan produksi pangan, kebakaran, dan lain sebagainya. Untuk
mengantisipasi akibat buruk tersebut, upaya pemantauan indeks vegetasi perlu dilakukan.
Indeks vegetasi merupakan nilai yang diperoleh dari gabungan beberapa spektral band spesifik
dari citra penginderaan jauh. Gelombang indeks vegetasi diperoleh dari energi yang dipancarkan oleh
vegetasi pada citra penginderaan jauh untuk menunjukkan ukuran kehidupan dan jumlah dari suatu
tanaman. Tanaman memancarkan dan menyerap gelombang yang unik sehingga keadan ini dapat di
hubungakan dengan pancaran gelombang dari objek-objek yang lain sehingga dapat di bedakan antara
vegetasi dan objek selain vegetasi (Horning, 2004).
Tanaman hidup menyerap gelombang tampak (visible) biru dan merah serta memantulkan
gelombang hijau, oleh karena itulah kenapa mata manusia melihat daun-daun tanaman yang hidup
adalah berwarna hijau. Akan tetapi ada satu jenis gelombang lain yang juga di pantulkan oleh tanaman
selain gelombang hijau, akan tetapi gelombang ini tidak dapat di lihat oleh mata (invisible),
gelombang ini adalah gelombang infra merah dekat.
3. Pilih New dengan klik ikon atau dengan pilih menu File > New untuk membuat dan
menampilkan citra yang akan dikoreksi
4. Pilih dan klik Edit Algorithma pada toolbar yang terdapat di Kotak Er Mapper , arahkan
kursor pada Pseudo Layer dan klik ikon Copy , lalu Paste . Ini digunakan untuk
memasukkan 2 band yang ada pada citra Landsat 7.
Gambar 3.4 Area Citra yang Akan Dikoreksi (kiri), dan Tampilan Area pada Peta RBI
(kanan)
7. Ganti nama Pseudo Layer sesuai band yang digunakan agar memudahkan dalam pendefinisian
tiap band dan akan tampil seperti gambar berikut.
Gambar 3.8 Kotak Dialog Save As ER Mapper Dataset (kiri), dan Proses Penyimpanan
(kanan)
11. Setelah file tersimpan, lakukan koreksi geometrik dengan pilih menu Process > Geocoding
Wizard
2. Lalu klik pada menu utama. Maka citra akan mengalami penajaman secara otomatis,
seperti di bawah ini :
Lalu mengatur jumlah kelas dan batas range kelas, sesuai dengan kelas kerapatan vegetasi
mangrove
Setelah OK maka akan muncul hasil klasifikasi kerapatan mangrove seperti gambar di bawah
ini :
Gambar 3.35 Hasil Klasifikasi Landsat 7
ANALISA
Nilai tingkat kerapatan vegetasi mangrove diperoleh dari klasifikasi nilai transformasi indeks
vegetasi NDVI yang telah dilakukan pada citra Landsat 7 dan Landsat 8. Klasifikasi nilai
kerapatan mangrove didasarkan pada tabel di bawah ini :
Hasil transformasi indeks vegetasi citra Landsat 7 dan 8 didapatkan nilai digital citra yang
bervariasi. Transformasi NDVI landsat 7 menghasilkan citra dengan nilai digital -0,6
0,97778, nilai tersebut berdasarkan kriteria kerapatan mangrove menyebar untuk semua
kerapatan. Sedangkan untuk landsat 8 dengan nilai digital -1 1, juga menyebar untuk semua
kerapatan.
Hasil transformasi NDVI untuk vegetasi mangrove pada citra landsat 7 diperoleh nilai digital
kelas kerapatan jarang dengan kisaran -0,6 0,15, kerapatan sedang dengan kisaran 0,16 0,2
dan kerapatan rapat dengan kisaran 0,21 0,9778. Nilai digital tersebut ditentuakan
berdasarkan kriteria kerapatan mangrove. Berdasarkan data tersebut dapat disimpulkan kondisi
mangrove di Sinjai sebelum tahun 2013 baik dengan nilai rasio maksimum 0,9778, karena
rasio nilai NDVI -1 sampai dengan 1. Begitu juga dengan citra landsat 8 diperoleh nilai digital
kelas kerapatan jarang dengan kisaran -1 0,15, kerapatan sedang dengan kisaran 0,16 0,2
dan kerapatan rapat dengan kisaran 0,21 1. Nilai digital tersebut ditentuakan berdasarkan
kriteria kerapatan mangrove. Berdasarkan data tersebut dapat disimpulkan kondisi mangrove
di Sinjai pada tahun 2013 sangat baik dengan nilai rasio maksimum 1, karena nilai maksimal
NDVI adalah 1.
BAB IV
PENUTUP
4.1 Kesimpulan
Dari praktikum yang telah dilakukan dapat ditarik kesimpulan :
1. Dengan proses transformasi NDVI dapat diperoleh nilai digital citra yang akan
membedakan kawasan vegetasi mangrove dan bukan, yaitu pada rentang -1 sampai
1.
2. Pada citra landsat 7, setelah proses transformasi NDVI didapatkan nilai kerapatan
vegetasi mangrove sebagai berikut :
Rentang Indeks Vegetasi Kerapatan
- 0,6 0,15 Jarang
0,16 0,2 Sedang
0,21 0,97778 Rapat
Dari tabel di atas dapat disimpulkan bahwa vegetasi mangrove di Kabupaten Sinjai
sebelum tahun 2013 baik dengan rasio maksimum 0,97778.
3. Pada citra landsat 8, setelah proses transformasi NDVI didapatkan nilai kerapatan
vegetasi mangrove sebagai berikut :
Rentang Indeks Vegetasi Kerapatan
- 1 0,15 Jarang
0,16 0,2 Sedang
0,21 1 Rapat
Dari tabel di atas dapat disimpulkan bahwa vegetasi mangrove di Kabupaten Sinjai
pada tahun 2013 baik dengan rasio maksimum 1.
4.2 Saran
Dari praktikum yang telah dilakukan saran yang diberikan antara lain :
1. Dalam proses koreksi geometric lebih diperhatikan dalam penempatan GCP, agar
RMS yang dihasilkan seminimal mungkin
2. Dalam proses transformasi NDVI lebih diperhatikan tentang band masing masing
citra serta dalam hal penyimpanan hasil transformasi.
3. Lebih ulet dan tekun dalam melaksanakan proses transformasi NDVI karena bisa
saja dilakukan berulang ulang.
HASIL PERBANDINGAN ANTARA CITRA LANDSAT 7 SEBELUM DAN SESUDAH
TERKOREKSI GEOMETRIK