LAPORAN PRAKTIKUM

PENGINDERAAN JAUH

PERCOBAAN IV
INDEKS VEGETASI DAN TRANSFORMASI NDVI

OLEH :

NAMA : LINGGA ENDAR WIJAYA

NIM : J1D115006
ASISTEN : APRIADI

KEMENTERIAN RISET, TEKNOLOGI DAN PENDIDIKAN TINGGI

UNIVERSITAS LAMBUNG MANGKURAT
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
PROGRAM STUDI S-1 FISIKA
BANJARBARU

2018
 LEMBAR PENGESAHAN PRAKTIKUM
PENGINDERAAN JAUH

Nama : Lingga Endar Wijaya

NIM : J1D115006
Judul Percobaan : Indeks Vegetasi Dan Transportasi NDVI
Tanggal Percobaan : 13 April 2018
Fakultas : Matematika dan Ilmu Pengetahuan Alam
Program Studi : S-1 Fisika
Asisten : Apriadi

Nilai Banjarbaru, 2018

Asisten,

(Apriadi)
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Tingkat kerapatan vegetasi dapat dikaji melalui penggunaan teknologi yang
saat ini terus berkembang. Vegetasi memiliki ciri khas spektral yang unik sehingga
dapat dianalisis dengan berbagai cara untuk mendapatkan indeks yang mewakili
kondisi dari vegetasi. Teknologi tersebut adalah teknologi penginderaan jauh
(remote sensing) dan sistem informasi geografis (SIG). Metode pengukuran
vegetasi menggunakan citra satelit memanfaatkan reflektansi dari fitur lanskap
(Lufilah, 2017).
Teknologi penginderaan jauh merupakan pengembangan dari teknologi
pemotretan udara yang mulai diperkenalkan pada akhir abad ke 19. Manfaat potret
udara dirasa sangat besar dalam perang dunia pertama dan kedua, sehingga cara ini
dipakai dalam eksplorasi ruang angkasa. Sejak saat itu istilah penginderaan jauh
(remote sensing) dikenal dan menjadi populer dalam dunia pemetaan. Eksplorasi
ruang angkasa yang berlangsung sejak tahun 1960 an antara lain diwakili oleh
satelit-satelit Gemini, Apollo, Sputnik, Solyus. Kamera presisi tinggi mengambil
gambar bumi dan memberikan informasi berbagai gejala dipermukaan bumi seperti
geologi, kehutanan, kelautan dan sebagainya. Teknologi pemotretan dan
perekaman permukaan bumi berkembang lebih lanjut dengan menggunakan
berbagai sistim perekam data seperti kamera majemuk, multispectral scanner,
vidicon, radiometer, spectrometer yang berlangsung sampai sekarang. Pada tahun
1972 satelit Earth Resource Technology Satellite-1 (ERTS-1), sekarang dikenal
dengan Landsat, untuk pertama kali diorbitkan Amerika Serikat. Satelit ini dikenal
sebagai satelit sumber alam karena fungsinya adalah untuk memetakan potensi
sumber alam dan memantau kondisi lingkungan. Para praktisi dari berbagai bidang
ilmu mencoba memanfaatkan data Landsat untuk menunjang program pemetaan,
yang dalam waktu pendek disimpulkan bahwa data satelit tersebut potensial untuk
menunjang program pemetaan dalam lingkup area yang sangat luas. Sukes program
Landsat diikuti oleh negara-negara lain dengan diorbitkannya berbagai satelit
sejenis seperti SPOT oleh Perancis, IRS oleh India, MOSS dan Adeos oleh Jepang,
ERS-1 oleh MEE (Masyarakat Ekonomi Eropa) dan Radarsat oleh Kanada
(Danoedoro, 2009).
Hutan merupakan salah satu sumber daya alam yang mempunyai peranan
penting sebagai modal dasar pembangunan Indonesia. Hutan yang terdapat di
Indonesia dapat berupa hutan alami maupun hutan buatan. Vegetasi yang terdapat
di hutan beranekaragam yang dipengaruhi oleh jenis hutan itu, seperti hutan buatan
: mempunyai vegetasi yang seragam, jarak tanamnya sama dan teratur, tersusun dari
satu jenis vegetasi ataupun dalam satu petak hutan terdapat satu jenis pohon dengan
umur dan ukuran yang sama dan masing-masing pohon tumbuh dengan pola yang
teratur; hutan alami : mempunyai keragaman vegetasi yang bervariasi dalam hal
jenis vegetasi, umur tegakan, kerapatan, kelembaban, maupun faktor fisik yang
lain. Sampai saat ini masalah pengelolaan hutan di Indonesia merupakan suatu hal
yang kompleks dan rumit. Karena dalam kegiatan pengelolaan hutan diperlukan
suatu survei yang berulang-ulang, yang pada kenyataannya tidak dapat
dilaksanakan secara rutin dan konvensional. Hal tersebut disebabkan survei
lapangan dan survei udara membutuhkan biaya yang sangat besar dan waktu yang
lama, khusunya untuk kawasan hutan dengan luasan yang besar serta keadaan
medan yang sulit dan tidak mudah untuk dijangkau (Arnanto, 2013).
Transformasi NDVI adalah salah satu teknik yang telah digunakan secara luas
untuk berbagai aplikasi penginderaan jauh. Menurut Ray (1995), NDVI merupakan
indeks vegetasi sederhana namun memilikisensifitas yang paling tinggi terhadap
perubahan kerapatan tajuk vegetasidibanding indeks vegetasi lainnya. Selain
keunggulannya dalam membedakankerapatan vegetasi, nilai NDVI juga berasosiasi
dengan persentase permukaankedap air pada tiap-tiap piksel (Wibowo, 2010).

1.2 Tujuan Percobaan

Adapun tujuan dari percobaan ini antara lain :
1. Menganalisis vegetasi
2. Menganalisis lahan terbuka hijau
 BAB II
TINJAUAN PUSTAKA

Indeks vegetasi atau VI (vegetation index), dianalisa berdasarkan nilai-nilai

kecerahan digital, dilakuakan untuk percobaan mengukur biomassa atau vegetatif.
Sebuah VI terbentuk dari kombinasi dari beberapa nilai spektral dengan
menambahkan, dibagi, atau dikalikan dengan cara yang dirancang untuk
menghasilkan nilai tunggal yang menunjukkan jumlah atau kekuatan vegetasi
dalam pixel. Tingginya nilai dari VI mengidentifikasi piksel ditutupi oleh
besarnya proporsi vegetasi sehat. Bentuk paling sederhana dari VI adalah rasio
antara dua nilai digital dari band spektral yang terpisah. Beberapa rasio band
didefinisikan dengan menerapkan pengetahuan tentang perilaku spektral vegetasi
hidup. Rasio band antara pengukuran reflektansi di bagian terpisah spektrum.
Rasio efektif dalam meningkatkan atau mengungkapkan informasi laten saat ada
hubungan terbalik antara dua tanggapan spektral dengan biofisik yang sama
fenomena. Jika dua fitur memiliki perilaku spektral yang sama, rasio memberikan
sedikit tambahan informasi, tetapi jika mereka memiliki respon spektral sangat
berbeda, rasio antara dua nilai memberikan nilai tunggal yang singkat
mengungkapkan kontras antara dua Reflectances (Campbell, 2011).
Perkembangan teknologi penginderaan jauh dewasa ini ataupun dimasa
mendatang memberikan kemungkinan untuk memperoleh data yang relatif baru,
cepat, dan akurat. Peluncuran berbagai macam satelit oleh negara-negara maju
semakin memacu perkembangan penginderaan jauh sebagai salah satu alat untuk
memperoleh data inventarisasi sumberdaya alam yang handal. Adanya satelit-
satelit Landsat, SPOT, ERS-1, NOAA, dan lain-lain yang mengorbit di bumi
dengan berbagai jenis sensor, resolusi spektral, dan resolusi spasial sangat
menguntungkan para pemakai data satelit sesuai dengan kebutuhannya. Penajaman
kontras diterapkan untuk memperoleh kesan kontras citra yang lebih tinggi. Hal ini
dapat dilakukan dengan mentransformasi seluruh nilai kecerahan. Hasilnya berupa
citra dengan nilai maksimum awal, dan nilai minimum baru yang (pada umumnya)
lebih rendah dari nilai minimum awal. Secara visual, hasil ini berupa citra baru yang
variasi hitam-putihnya lebih menonjol, sehingga tampak lebih tajam dan
memudahkan proses interpretasi. Algoritma penajaman kontras ini dapat
dikelompokkan menjadi dua : perentangan kontras (contrast stretching) dan
ekualisasi histogram (histogram equalization). Indeks vegetasi merupakan suatu
algoritma yang diterapkan terhadap citra (biasanya multisaluran), untuk
menonjolkan aspek kerapatan vegetasi ataupun aspek yang berkaitan dengan
kerapatan, misalnya biomassa, Leaf Area Index (LAI), konsentrasi klorofil, dan
ebagainya. Secara praktis, indeks vegetasi ini merupakan suatu transformasi
matematis yang melibatkan beberapa saluran sekaligus, dan menghasilkan citra
baru yang lebih representatif dalam menyajikan fenomena vegetasi (Arnanto,
2013).
Transformasi NDVI adalah salah satu teknik yang telah digunakan secara
luasuntuk berbagai aplikasi penginderaan jauh. Menurut Ray (1995) dalam Mirza
(2005), NDVI merupakan indeksvegetasi sederhana namun memiliki sensifitas
yang paling tinggi terhadap perubahan kerapatan tajuk vegetasi dibanding indeks
vegetasi lainnya.Selain keunggulannya dalam membedakan kerapatan vegetasi,
nilai NDVI juga berasosiasi dengan persentase permukaankedap air pada tiap-tiap
piksel. Tutupan permukaan kedap air dengan persentase rendah akan memiliki nilai
NDVI tinggi karena adanya tutupan vegetasi yang dominan, demikian juga
sebaliknya. Hubungan antara nilai NDVI dengan kerapatan vegetasi dan persentase
tutupan permukaan kedap air serta hubungan antaranilai koefisien aliran dengan
kerapatanvegetasi dan persentase tutupan permukaankedap air menjadi ide utama
dalam penelitian ini, yaitu penentuan nilai koefisien aliran menggunakan
pendekatan transformasi. Hubungan antara nilai NDVI dengan persentase tutupan
permukaan kedap air menjadi fokus penelitian ini. Transformasi NDVI dilakukan
terhadap citra Landsat ETM+, sedangkan persentase tutupan permukaan kedap air
diperoleh melalui pengukuran pada citra Quickbird. Penelitian ini diterapkan di
DAS Citarum Hulu dengan pertimbangan bahwa kondisi dan komposisi tutupan
lahan serta ketersediaan data curah hujan dan data debit alirannya dipandang sesuai
untuk evaluasi hasil estimasi NDVI. Pendekatan ini sangat sederhana dan tanpa
mempertimbangkan faktor topografi, timbunan permukaan, infiltrasi dan intensitas
hujan. Secara konseptual penentuan nilai koefisien aliran menggunakan pendekatan
transformasi NDVI ini menyediakan alternatif teknik estimasi yang lebih cepat,
murah dan sesuaiuntuk DAS yang cukup luas (Wibowo, 2010).
Penelitian ini dilakukan untuk menganalisis tingkat kerapatan vegetasi
penyusun RTH di DKI Jakarta menggunakan data citra satelit Landsat 8 dengan
metode Normalized Difference Vegetation Index (NDVI). NDVI merupakan
metode standar dalam membandingkan tingkat kehijauan vegetasi pada data citra
satelit. NDVI dapat digunakan sebagai indikator biomassa, tingkat kehijauan
(greenness) relatif, dan untuk menentukan status (kesehatan/kerapatan) vegetasi
pada suatu wilayah, namun tidak berhubungan langsung dengan ketersediaan air
tanah di wilayah tersebut (Lufilah, 2017).
Kerapatan vegetasi adalah satu aspek yang mempengaruhi karakteristik
vegetasi dalam citra. Kerapatan vegetasi umumnya diwujudkan dalam bentuk
persentase untuk mengetahui tingkat suatu kerapatan vegetasi. Siti Imami (1998
dalam Ahmad Fadly, 2005) telah mengadakan penelitian untuk mengetahui sejauh
mana hubungan kerapatan vegetasi terhadap pantulan spektralnya dengan analisis
digital. Pada data Landsat ditemukan korelasi positif sebesar >0,9 antar indeks
vegetasi dengan kerapatan vegetasi hutan daerah penelitian. Indeks vegetasi
merupakan suatu algoritma yang ditetapkan terhadap citra (biasanya pada citra
multisaluran) untuk menonjolkan aspek kerapatan vegetasi ataupun aspek lain yang
berkaitan dengan kerapatan, misalnya biomassa, Leaf Area Index (LAI),
konsentrasi klorofil, dan sebagainya. Secara praktis, indeks vegetasi ini merupakan
suatu transformasi matematis yang melibatkan beberapa saluran sekaligus, dan
menghasilkan citra baru yang lebih representative dalam menyajikan fenomena
vegetasi. Nilai indeks vegetasi yang digunakan dalam penelitian ini adalah hasil
dari pengolahan citra menggunakan transformasi. Normalized Difference
Vegetation Index (NDVI). Nilai indeks vegetasi ini dihitung sebagai rasio antara
pantulan yang terukur dari band merah (R) dan band infra-merah (didekati oleh
band NIR). Penggunaan kedua band ini banyak dipilih sebagai parameter indeks
vegetasi karena hasil ukuran dari band ini dipengaruhi oleh penyerapan klorofil,
peka terhadap biomassa vegetasi, serta memudahkan dalam pembedaan antara
lahan bervegetasi, lahan terbuka, dan air (Aftriana, 2013).
 Normalized Difference Vegetation Index (NDVI) merupakan kombinasi
antara teknik penisbahan dengan tehnik pengurangan citra. Transformasi NDVI ini
merupakan salah satu produk standar NOAA (National Oceanic and Atmospheric
Administration), satelit cuaca yang berorbit polar namun memberi perhatian khusus
pada fenomena global vegetasi. Berbagai penelitian mengenai perubahan liputan
vegetasi di benua Afrika banyak menggunakan transformasi ini. Formulasinya
adalah sebagai berikut :
(𝑠𝑎𝑙𝑢𝑟𝑎𝑛 𝐼𝑅 𝑑𝑒𝑘𝑎𝑡 − 𝑠𝑎𝑙𝑢𝑟𝑎𝑛 𝑚𝑒𝑟𝑎ℎ)
𝑁𝐷𝑉𝐼 =
(𝑠𝑎𝑙𝑢𝑟𝑎𝑛 𝐼𝑅 𝑑𝑒𝑘𝑎𝑡 + 𝑠𝑎𝑙𝑢𝑟𝑎𝑛 𝑚𝑒𝑟𝑎ℎ)
Citra hasil transformasi digunakan sebagai acuan dalam penetuan titik-titik sampel.
Terlihat jelas pengelompokan nilai indeks vegetasi dan masing-masing
pengelompokan nilai tersebut diambil sampel untuk identifikasi parameternya,
yaitu jenis, kerapatan tegakan, maupun umur vegetasi. Hasil pengamatan titik
sampel dilapangan kemudian dinyatakan secara kuantitatif dan dikaitkan dengan
nilai-nilai indeks vegetasi pada posisi piksel yang sama. Nilai indeks vegetasi yang
paling tinggi dalam citra diwakili oleh warna merah dan makin rendah berwarna
hijau hingga warna biru yang mewakili nilai piksel terendah. Dari parameter jenis
vegetasi didapatkan hasil bahwa pinus mempunyai nilai indeks vegetasi rata-rata
paling tinggi yaitu 0,592082, kemudian akasia mempunyai nilai indeks vegetasi
rata-rata 0,396662, bambu mempunyai nilai indeks vegetasi rata-rata 0,476632,
puspa mempunyai nilai indeks vegetasi rata-rata 0,543649, dan nilai terendah
terdapat pada lahan yang tak bervegetasi dengan rata-rata nilai indeks vegetasi
0,034276 (Arnanto, 2013).
 BAB III
METODE PENELITIAN

3.1 Waktu Dan Tempat

Waktu dilaksanakannya praktikum kali ini adalah Kamis, 12 April 2018
pukul 14.00 WITA-selesai, bertempat di Laboratorium Geofisika, Fakultas
Matematika dan Ilmu Pengetahuan Alam Universitas Lambung Mangkurat,
Banjarbaru.

3.2 Alat Dan Bahan

Alat dan bahan yang digunakan pada praktikum ini adalah sebagai berikut:
1. Data shp kabupaten
2. Landsat 5 dan Landsat 8
3. Aplikasi ENVI 5.1
4. Aplikasi ArcGis 10.3

3.3 Prosedur Percobaan

Prosedur percobaan pada praktikum ini adalah sebagai berikut :
1. Memasukkan citra yang telah di koreksi radiometric.
2. Membuka ‘Band Ratio’ dilanjutkan dengan ‘Band Math’ untuk
memasukkan rumus NDVI kemudian simpan.
3. Membuka program ArcGis.
4. Memasukkan file NDVI dan memasukkan shp yang sudah di potong ke
dalam ArcGis.
5. Membuka arc toolbox > spasial analysis tools > extract by mark > input
raster > clip > save.
6. Mengklasifikasikan objek dengan membuka arc toolbox > spasial analysis
tool > reclass > reclasssify.
7. Merubah jumlah classify menjadi 5 klasifikasi, kemudian simpan.
 BAB IV
HASIL DAN PEMBAHASAN

4.1 Data Hasil Pengamatan

Gambar 4.1 File citra Landsat Kabupaten Tabalong yang telah dikoreksi
radiometrik

4.2 Data Hasil Analisis

Gambar 4.2 File citra Landsat Kabupaten Tabalong yang telah di tranformasi
NDVI
 Gambar 4.3 Peta Indeks Vegetasi Kabupaten Tabalong

4.3 Pembahasan
Pada praktikum ini yaitu membahas tentang indeks vegetasi dan tranformasi
NDVI. NDVI sendiri adalah Normalized Difference Vegetation Index yaitu suatu
metode standar dalam membandingkan tingkat kehijauan vegetasi pada data citra
satelit. Dengan memasukkan rumus NDVI makan akan terlihat perbandingan
tingkat kehijauan pada citra.
Langkah pertama yang dilakukan adalah memasukkan data citra landsat 5
yang sudah di koreksi radiometrik pada program ENVI. Citra tersebut selanjutnya
akan diproses dengan memasukkan rumus NDVI pada band math. Hasilnya citra
akan menjadi bewarna hitam putih sepeti gambar 4.2. Selanjutnya citra tersebut
dimasukkan ke program ArcGis untuk di klasifikasi. Hal pertama yang dilakukan
adalah dengan mengabungkan citra yang sudah di proses di ENVI digabungkan
dengan shp kabuaten tapin yang sudah di potong dengan mengklik ‘extract by
mask’. Untuk mengklasifikasikannya yaitu dengan cara mengklik ‘reclass’ pada
‘spasial analysis tool’. Kemudian mengubah jumlah klasifikasi menjadi 5 yang
artinya vegetasi pada citra akan digolongkan sebagai banyak 5 warna hijau. Hasil
yang didapat adalah seperti gambar 4.3.
 BAB V
PENUTUP

5.1 Kesimpulan
Kesimpulan dari praktikum ini adalah sebagai berikut :
1. Vegetasi yang dianalisa menghasilkan permbandingan warna hijau pada
citra.
2. Vegetasi diklasifikasikan sebanyak 5 kelas yaitu jarang, ringan,
rindang, sedang lebat.

5.2 Saran
Pada praktikum ini diharapkan agar praktikan lebih berkonsentrasi dalam
mengklasifikasikan menggunakan program ArcGis dan mengingat langkah-
langkah percobaan nya agar tidak terjadi kesalahan.
 DAFTAR PUSTAKA

Aftriana, C. V. 2013. Analisis Perubahan Kerapatan Vegetasi Kota Semarang

Menggunakan Bantuan Teknologi Penginderaan Jauh. Universitas
Negeri Semarang : Semarang.
Arnanto, A. 2013. Pemanfaatan Transformasi Normalized Difference Vegetation
Index (Ndvi) Citra Landsat Tm Untuk Zonasi Vegetasi Di Lereng Merapi
Bagian Selatan. Jurnal Geomedia . Vol. 11 : No. 2.
Campbell J.B, Wynne R.H. 2011. Introduction to Remote Sensing (5th Ed.). New
York: The Guilford Press.
Danoedoro, P. 2009. Petunjuk Praktikum Pemrosesan Citra Digital. Yogyakarta:
Fakultas Geografi. Universitas Gadjah Mada.

Lufilah, S. N. 2017. Pemanfaatan Citra Landsat 8 Untuk Analisis Indeks Vegetasi

Di Dki Jakarta. Jurnal Landskap Indonesia. Vol. 9 : No. 1.
Wibowo, H, M. Pramono H, Surhayadi. 2010. Transformasi Ndvi Untuk Estimasi
Nilai Koefisien Alirankasus Di Das Citarum Hulu. Jurnal LIMNOTEK.
Vol. 17 : No. 2.