Bahan Ajar PJ Terapan

KEMENTERIAN RISET, TEKNOLOGI DAN PENDIDIKAN TINGGI
UNIVERSITAS NEGERI SEMARANG (UNNES)

Kantor: Rektorat UNNES Kampus Sekaran, Gunungpati, Semarang 50229
Rektor: (024)8508081 Fax (024)8508082, Warek I: (024) 8508001
Website: www.unnes.ac.id - E-mail: rektor@mail.unnes.ac.id
FORMULIR MUTU
BAHAN AJAR/DIKTAT
No. Dokumen No. Revisi Hal Tanggal Terbit
FM-01-AKD-07 02 1dari 20 27 Februari 2017

BAHAN AJAR/DIKTAT

PENGINDERAAN JAUH TERAPAN

KODE MK : 15P01545
3 SKS

S1 PENDIDIKAN GEOGRAFI
FAKULTAS ILMU SOSIAL
UNIVERSITAS NEGERI SEMARANG
TAHUN 2019
FORMULIR MUTU
BAHAN AJAR/DIKTAT

VERIFIKASI BAHAN AJAR

Pada hari ini kamis tanggal 16 bulan Februari tahun 2017 Bahan Ajar Mata
Kuliah Penginderaan Jauh Terapan Program Studi S1 Pendidikan Geografi
Fakultas Ilmu Sosial telah diverifikasi oleh Ketua Jurusan/ Ketua Program
Studi Geografi.

Semarang, 16 Februari 2017
Ketua Prodi Tim Penulis

Dr. Tjaturahono Budi S, M.Si Wahid Akhsin Budi NS, M.Sc

FORMULIR MUTU
BAHAN AJAR/DIKTAT
PRAKATA

Puji syukur kami panjatkan ke hadirat Allah SWT karena atas rahmat dan
karuniaNya kami bisa menyelesaikan bahan ajar mata kuliah Penginderaan
Jauh Terapan. Bahan ajar ini dibuat agar dapat dimanfaat oleh mahasiswa
Program Studi S1 Pendidikan Geografi yang menempuh mata kuliah
Penginderaan Jauh Terapan dengan beban 3 SKS.

Bahan ajar ini diharapkan dapat digunakan sebagai pedoman bagi mahasiswa
dalam belajar Penginderaan Jauh Terapan, dimana mata kuliah ini
merupakan lanjutan dari mata kuliah Penginderaan Jauh Dasar. Dalam
Penginderaan Jauh Terapan disini diharapkan dapat memberikan
pengetahuan dan keterampilan dalam pengolahan citra secara digital
maupun visual untuk dimanfaatkan dalam pembuatan media pembelajaran.

Bahan ajar ini masih perlu adanya perbaikan. Oleh karena itu, kritik dan
saran kami butuhkan untuk perbaikan bahan ajar ini berikutnya.

Semarang, 16 Februari 2017

Penulis

FORMULIR MUTU
BAHAN AJAR/DIKTAT
DESKRIPSI MATA KULIAH

1. Nama MK : Penginderaan Jauh Terapan
2. Kode MK : 15P01545
3. Program Studi : S1 Pendidikan Geografi
4. Dosen Pengampu : Dr. Tjaturahono Budi Sanjoto, M.Si, Wahid Akhsin BNS, M.Sc
5. Semester/ SKS : 6/3 SKS
6. Deskripsi MK : Mata kuliah Penginderaan Jauh Terapan memberikan
pengetahuan dan keterampilan kepada mahasiswa terkait dengan pengolahan
citra satelit yang merupakan produk penginderaan jauh secara digital untuk
dapat dimanfaatkan dalam pengembangan media pembelajaran
7. Capaian Pembelajaran Lulusan (CPL) :
Sikap
Menunjukkan sikap bertanggungjawab atas pekerjaan di bidang keahliannya
secara mandiri;

Pengetahuan
a. Mampu menjelaskan konsep dan metode perolehan data dan informasi
geosfer dengan menggunakan teknologi geospasial dalam pembelajaran di
sekolah dan penelitian geografi;
b. Mampu menganalisis karakteristik wilayah dan pewilayahan (regionalisasi)
berdasarkan prinsip dan pendekatan Geografi;

Keterampilan Umum
a. Mampu menunjukkan kinerja mandiri, bermutu, dan terukur mampu
mengkaji implikasi pengembangan atau implementasi ilmu, teknologi yang
memperhatikan dan menerapkan nilai humaniora sesuai dengan keahliannya
berdasarkan kaidah, tata cara dan etika ilmiah dalam rangka menghasilkan
solusi, gagasan, desain atau kritik seni;
b. Mampu menyusun deskripsi saintifik hasil kajian tersebut di atas dalam
bentuk skripsi atau laporan tugas akhir dan mengunggahnya dalam laman
perguruan tinggi;
c. Mampu mengambil keputusan secara tepat dalam konteks penyelesaian
masalah di bidang keahliannya, berdasarkan hasil analisis informasi dan data;

Keterampilan Khusus
Mampu mengolah, menganalisis, menyajikan data dan informasi geosfer
dengan menggunakan teknologi geospasial untuk pembelajaran dan penelitian
geografi;
8. Capaian Pembelajaran Mata Kuliah (CPMK) : Mahasiswa diharapkan memiliki

pengetahuan dan keterampilan dalam pengolahan citra satelit secara digital
untuk dapat dimanfaatkan dalam pengembangan media pembelajaran.
FORMULIR MUTU
BAHAN AJAR/DIKTAT
DAFTAR ISI

VERIVIKASI BAHAN AJAR ..................................................................................................................................
PRAKATA ....................................................................................................................................................................
DESKRIPSI MATA KULIAH .................................................................................................................................
DAFTAR ISI ................................................................................................................................................................

BAB I SISTEM PENGINDERAAN JAUH DIGITAL ............................................................................
1.1 Pengolahan Citra Digital .........................................................................................................
1.2 Resolusi Sensor ...........................................................................................................................
1.3 Karakteristik Citra Satelit.......................................................................................................

BAB II KOREKSI CITRA .................................................................................................................................
2.1 Radiometrik ...................................................................................................................................
2.2 Geometrik ........................................................................................................................................
2.3 Atmosferik .....................................................................................................................................

BAB III KLASIFIKASI MULTISPEKTRAL ...............................................................................................
3.1 Klasifikasi Supervised ..............................................................................................................
3.2 Klasifikasi Unsupervised ........................................................................................................

BAB IV INDEKS VEGETASI ............................................................................................................................
4.1 NDVI ...................................................................................................................................................
4.2 SAVI.....................................................................................................................................................
4.3 MSAVI ................................................................................................................................................

DAFTAR PUSTAKA ...............................................................................................................................................

FORMULIR MUTU
BAHAN AJAR/DIKTAT
BAB I
SISTEM PENGINDERAAN JAUH DIGITAL

A. Deskripsi Singkat
Pada bagian ini berisi terkait ulasan singkat terkait pengolahan citra
digital, karakteristik citra satelit dan resolusi sensor.

B. Capaian Pembelajaran Mata Kuliah
Mahasiswa memahami dan dapat menjelaskan langkah-langkah
pengolahan citra digital, karakteristik citra satelit dan resolusi sensor.

C. Isi Materi Perkuliahan
Pengolahan Citra Digital
Pengolahan citra digital rnerupakan serangkaian perlakuan terhadap
citra menggunakan teknik-teknik yang dikenal dalam bidang
penginderaan jauh (digital image processing), dimana di dalamnya
bisa saja terdapat proses restorasi citra (koreksi atmosferik dan
koreksi geometrik), penajaman citra dan pemfilteran spasial,
transformasi citra, klasifikasi citra, dan lain-lain serta output.

Citra Digital
Citra adalah gambaran kenampakan permukaan (dekat permukaan)
bumi, dan yang diperoleh melalui proses perekaman pantulan atau
pancaran gelornbang elektrornagnetik secara serentak dengan sensor
pelarik yang terpasang pada suatu wahana, baik itu pesawat udara
maupun wahana ruang angkasa (sering disebut dengan satelit). Citra
digital merupakan citra yang diperoleh, disimpan, dimanipulasi, dan
ditampilkan dengan basis logika biner. Berbagai jenis citra seperti
yang dimaksud di atas contohnya : citra SPOT, Landsat MSS, Landsat
TM, Landsat ETM, Citra Radar (contoh: SIR-B, Radarsat), NOAA, GMS,
MOS,1, NIMBUS, HCMM, SEASAT, IKONOS dan lain-lain.

FORMULIR MUTU
BAHAN AJAR/DIKTAT
Resolusi Citra
Konsep-konsep resolusi yang perlu diketahui dalam pengolahan citra
digital karena terkait dengan citra yang akan diolah adalah resolusi
resolusi spektral, resolusi radiometrik, dan resolusi temporal.
§ Resolusi spasial adalah ukuran terkecil objek yang masih dapat
dideteksi oleh suatu sistern pencitraan. Sebagai contoh resolusi
spasial citra Landsat TM 30 m (khusus saluran 6 resolusi
spasialnya 120 m).
§ Resolusi spektral adalah kemampuan suatu sistem optik
elektronik unfuk membedakan informasi (objek) berdasarkan
jumlah saluran spektralnya.
§ Resolusi radiometrik adalah kemarnpuan sensor dalam rnencatat
respon spektral objek.
§ Resolusi temporal adalah kemampuan suatu sistem penginderaan
jauh untuk rnerekam ulang daerah yang sarna.

-

FORMULIR MUTU
BAHAN AJAR/DIKTAT
BAB II
KOREKSI CITRA

Pada bagian ini berisi terkait ulasan singkat terkait jenis-jenis koreksi
yang dilakukan dalam pengolahan citra dan langkah-langkah yang
dilakukan dalam melakukan koreksi citra

Mahasiswa memahami dan dapat menjelaskan serta terampil dalam
melakukan koreksi citra dalam pengolahan citra digital.

Koreksi Radiometrik Citra
Koreksi radiometik dilakukan dengan tujuan untuk memperbaiki kualitas
visual citra dan sekaligus memperbaiki nilai-nilai piksel yang tidak sesuai
dengan nilai pantulan atau pancaran spektral objek yang sebenarnya.
Kesalahan radiometrik yang terjadi pada saat perekaman dapat
disebabkan dari faktor internal sensor dan faktor eksternal sensor
(Danoedoro, 2012).

§ Kesalahan dari faktor internal sensor
Kesalahan yang terjadi karena inkonsistensi detektor dalam
menangkap informasi dari objek pada saat proses perekaman,
sehingga nilai piskel mempunyai nilai jauh lebih tinggi atau lebih
rendah dari yang seharusnya. Contoh kesalahan yang disebabkan oleh
faktor internal sensor antara lain:
- Drop out pada baris yang disebabkan oleh detektor yang tidak
berfungsi secara tiba-tiba pada saat proses perekaman.
- Stripping yang disebabkan oleh inkonsistensi detektor pada saat
proses perekaman, sehingga citra yang dihasilkan sebagian
tertutup oleh garis-garis.

§ Kesalahan dari faktor eksternal sensor
Kesalahan yang terjadi karena adanya pengaruh gangguan dari
atmostir pada saat proses perekaman. Contoh kesalahan yang
disebabkan oleh faktor eksternal sensor antara lain:
FORMULIR MUTU
BAHAN AJAR/DIKTAT
- Partikel-partikel dalam atmosfir terkadang menyerap radiasi

pantulan objek atau menghamburkannya, sehingga dapat
merubah nilai piksel yang diterima oleh sensor;
- Tutupan awan dan gangguan kabut yang menutupi daerah yang
ada dibawahnya pada saat proses perekaman, sehingga dapat
menyulitkan pada saat pengenalan atau intepretasi objek pada
citra.

Kesalahan radiometrik di atas dapat diminimalisasi dengan cara
melakukan koreksi radiometrik pada citra yang akan digunakan. Menurut
Danoedoro ( 2012) koreksi radiometrik dapat dilakukan dengan beberapa
metode, antara lain:
§ Penyesuaian histogram
Metode penyesuaian histogram dilakukan dengan hanya melihat
histogram pada setiap saluran. Dari histogram dapat diketahui nilai
piksel terendah pada saluran tersebut. Metode ini menggunakan
asumsi bahwa dalam proses koding digital oleh sensor, objek yang
memberikan respons spektral paling lemah seharusnya bernilai 0.
Apabila nilai piksel terendah lebih dari 0, maka nilai tersebut dihitung
sebagai offset, besarnya nilai offset tersebut menunjukan besarnya
gangguan oleh atmosfir, sehingga koreksi dilakukan dengan
mengurangi nilai keseluruhan pada saluran tersebut dengan offsetnya.
§ Penyesuain regresi
Penyesuain regresi dilakukan dengan memplot nilai-nilai piksel hasil
dari pengamatan pada beberapa saluran sekaligus. Hal ini dapat
diterpakan apabila ada saluran yang relatif bebas dari gangguan
sehingga dapat digunakan sebagai saluran rujukan untuk mengoreksi
saluran-saluran yang lainnya.
§ Penggunaan feature space
Metode ini memanfaatkan gambaran dari feature space dari hasil
pengeplotan piksel-piksel pada saluran hijau melawan inframerah
dekat (garis vegetasi) dan saluran merah melawan inframerah dekat
(garis tanah). Hasil dari pengeplotan keseluruhan piksel akan
memberikan kenampakan imajiner kedua garis tersebut. Asumsi yang
digunakan bahwa pertemuan kedua garis tersebut harus bertemu di
titik koordinat (0,0). Apabila pertemuan kedua garis tersebut tidak
berada di titik koordinat (0,0) maka terdapat nilai offset pada kedua
FORMULIR MUTU
BAHAN AJAR/DIKTAT
saluran tersebut. Dengan cara ini akan mendapatkan dua macam nilai
offset sehingga perlu dirata-rata. Hasil rata-rata menunjukan besarnya
nilai offset pada kedua saluran dan digunakan untuk mengurangi nilai
piksel kedua saluran tersebut.

Koreksi Atmosferik Citra
Koreksi atmosferik bertujuan untuk mengembalikan nilai spektral citra
agar sesuai dengan nilai pantulan objek yang sebenarnya di permukaan
bumi. Koreksi atmosferik perlu dilakukan karena secara teoritik pada saat
proses perekaman seharusnya nilai spektral yang terekam oleh sensor
memiliki nilai pantulan yang sama dengan objek di permukaan bumi.
Namun dalam proses perekaman nilai spektral yang terekam oleh sensor
mengandung bias yang disebabkan adanya hamburan, pantulan dan
serapan oleh partikel uap air, debu dan aerosol, sehingga perlu dilakukan
koreksi atmosferik untuk mendapatkan nilai spektral yang sama dengan
nilai pantulan obyek di permukaan bumi. Koreksi atmosferik dilakukan
dengan mengonversi nilai Digital Number (DN) menjadi nilai at-sensor
reflectance, selanjutnya dari nilai at-sensor reflectance dikonversi menjadi
nilai at-surface reflectance.

Koreksi Geometrik Citra
Koreksi geometrik bertujuan untuk menempatkan kembali posisi piksel
yang sedemikian rupa, sehingga pada citra digital yang sudah terkoreksi
dapat dilihat gambaran objek di permukaan bumi yang terekam oleh
sensor. Hasil dari transformasi ini merupakan pengubahan bentuk citra
dari bujur sangkar menjadi jajaran genjang (Danoedoro, 1996). Menurut
Jensen, (2005), terdapat dua langkah utama yang dapat dilakukan dalam
koreksi geometrik, yaitu:

§ Interpolasi spasial
Interpolasi spasial berkaitan dengan koreksi posisi geometrik piksel
yang terdapat pada citra agar sesuai dengan kondisi yang sebenarnya
dipermukaan bumi. Metode ini dilakukan dengan menentukan
beberapa GCP (ground control points) yang tersebar merata di seluruh
citra. Penentuan GCP dapat berasal dari citra yang sudah terkoreksi,
peta RBI atau pengukuran koordinat langsung di lapangan dengan
FORMULIR MUTU
BAHAN AJAR/DIKTAT
GPS. Berdasarkan jumlah GCP yang digunakan, interpolasi spasial

dapat dibedakan menjadi tiga macam, yaitu:
- Transformasi Affine, transformasi ini diperuntukan pada daerah
yang memiliki topografi yang datar. GCP yang dibutuhkan
minimal 4 GCP.
- Transformasi orde 2, transformasi ini diperuntukan pada daerah
yang memiliki topografi sedang. GCP yang dibutuhakan minimal
6 GCP.
- Transformasi orde 3, transformasi ini diperuntukan pada daerah
yang memiliki variasi topografi yang bermacam-macam (dari
datar sampai tinggi). GCP yang dibutuhkan minimal 10 GCP.

§ Interpolasi intensitas
Interpolasi intensitas berkaitan dengan proses resampling untuk
menentukan kembali nilai piksel yang telah tegeser pada saat
interpolasi spasial. Berdasarkan jumlah piksel yang digunakan sebagai
acuan, interpolasi intensitas dapat dibedakan menjadi tiga macam,
yaitu:
- Interpolasi nearest neighbour, dalam menentukan nilai piksel
baru beracuan pada nilai piksel yang terdekat dari posisi pada
saat sebelum interpolasi spasial.
- Interpolasi bilinear, dalam menentukan nilai piksel baru
beracuan pada 4 nilai piksel yan terdekat dari posisi pada saat
sebelum interpolasi spasial.
- Interpolasi cubic-convolution, dalam menentukan nilai piksel
baru beracuan pada 16 nilai piksel terdekat dari posisi pada saat
sebelum interpolasi spasial.

D. Rangkuman
Koreksi citra merupakan suatu operasi pengondisian supaya citra yang akan
digunakan benar-benar memberikan informasi yang akurat secara geometris
dan radiometris. Dalam usaha untuk mendapatkan kualitas citra yang baik
koreksi yang digunakan dapat dibedakan menjadi tiga jenis, yaitu koreksi
radiometrik, koreksi atmosferik dan koreksi geometrik.
E. Pertanyaan/Diskusi
-
FORMULIR MUTU
BAHAN AJAR/DIKTAT
BAB III
KLASIFIKASI MULTISPEKTRAL

Pada bagian ini berisi terkait ulasan singkat terkait salah satu metode
yang digunakan untuk mendapatkan data citra secara digital yaitu
klasifikasi multispektral yang terbagi menjadi klasifikasi supervised dan
klasifikasi unsupervised.

Mahasiswa memahami dan dapat menjelaskan serta terampil dalam
melakukan melakukan klasifikasi multispektral dengan berbagai sumber
data yang digunkan.

Klasifikasi multispetkral merupakan suatu algoritma yang dirancang
untuk menurunkan informasi tematik dengan cara mengelompokan
fenomena-fenomena berdasarkan kriteria tertentu. Dalam klasifikasi
multispektral hanya ada satu kriteria yang digunakan, yaitu nilai spektral
(atau nilai kecerahan) pada beberapa saluran sekaligus. Asumsi paling
awal yang mendasari dalam klasifikasi multispektral ialah bahwa tiap
objek dapat dibedakan berdasarkan nilai spektralnya (Danoedoro, 1996).
Cara kerja algoritma klasifikasi multispektral pada prinsipnya adalah
menandai tiap jenis objek hingga terlihat berbeda satu dari yang lain,
berdasarkan ciri-ciri nilai spektralnya sekaligus pada beberapa saluran.
Melalui feature space, pengelompokan objek ini dapat dilihat secara visual
dan menerjemahkan kenampakan visual tersebut menjadi parameter-
parameter statistik yang dimengerti oleh komputer, dan kemudian
dieksekusi (Danoedoro, 2012).
Tahap awal yang dilakukan dalam proses klasifikasi multispektral adalah

pengambilan sampel (training area). Jumlah training area untuk tiap kelas
penutup lahan paling sedikit n+1 (Richard, 2006). Pada Software ENVI 4.5
sampel area didefinisikan sebagai ROI (Region of Interest) dipilih
berdasarkan kenampakan warna obyek pada citra komposit. ROI ini
dijadikan sebagai acuan untuk mengambil dan statistik piksel pada
saluran-saluran yang digunakan dalam citra komposit. Kontrol atas
FORMULIR MUTU
BAHAN AJAR/DIKTAT
ketelitian sampel antar ROI dilakukan secara statistik dengan menguji

tingkat homogenitas sampel. Secara grafis kriteria sampel yang baik yaitu
mengelompok sacaear solid pada feature space, nilai simpangan bakunya
kecil dan diwakili oleh warna yang homogen. Proses klasifikasi
multispektral dengan bantuan komputer masih dapat dibedakan menjadi
dua jenis, berdasarkan otomasinya. Keduanya ialah klasifikasi terselia
(supervised classification) dan klasifikasi tak terselia (unsupervised
classification).

Gambar Kurva Karakteristik Spektral Tutupan Lahan Perkotaan
(Sumber : Rashed dan Jurgens, 2010)

Supervised Classification
Klasifikasi terselia meliputi sekumpulan algoritma yang didasari oleh
pemasukan contoh dari objek (berupa nilai spektral/piksel) oleh
operator. Contoh dari objek ini disebut dengan sampel, dan lokasi
geografis sekelompok piksel sampel ini disebut sebagai training area
(Danoedoro, 2012). Dalam klasifikasi terselia sebelum pengambilan
sampel operator harus mempersiapkan terlebih dahulu sistem
klasifikasi yang akan diterapkan. Selain sistem klasifikasi yang akan
diterapkan, hal penting yang harus dipertimbangkan adalah kriteria
sampel dan algoritma klasifikasi yang akan digunakan. Kriteria sampel
yang diambil haruslah sampel yang mempunyai nilai piksel yang relatif
FORMULIR MUTU
BAHAN AJAR/DIKTAT
sama (homogen), sedangkan pengambilan sampel dianjurkan agar

tersebar merata di seluruh citra, agar mendapatkan hasil klasifikasi
yang dapat mewakili kondisi yang sebenarnya.
Salah satu algoritma klasifikasi terselia yang banyak digunakan adalah

algoritma maximum likelihood. Algoritma ini secara statsistik
merupakan algoritma yang paling mapan. Asumsi yang digunakan
dalam algoritma ini bahwa objek yang homogen selalu menampilkan
histogram yang terdistribusi normal (bayesian). Pada algoritma ini
setiap piksel akan dikelaskan sebagai obyek tertentu berdasarkan pada
bentuk, ukuran dan orientasi sampel pada feature space bukan
berdasarkan pada jarak jarak euklidiannya. Algoritma maximum
likelihood merupakan algoritma yang mempertimbangkan variabel
statistik yang paling banyak dibandingkan dengan algoritma yang lain,
sehingga algoritma ini akan berfungsi dengan baik apabila bentuk
histogram pada saluran-saluran yang dilibatkan menunjukan bentuk
yang terdistribusi normal (Danoedoro, 1996).

Gambar Konsep Klasifikasi Maximum Likehood
(Sumber : Gabriel, 2005)
Unsupervised Classification
Pada klasifikasi tak terselia operator tidak melakukan campur tangan
tetapi secara otomatis diputuskan oleh komputer (kalaupun ada, proses
interaksi ini sangat terbatas). Proses ini sendiri adalah suatu proses
FORMULIR MUTU
BAHAN AJAR/DIKTAT
iterasi, sampai menghasilkan pengelompoakan akhir gugus-gugus

spektral (Danoedoro, 2012).

Dalam sistem klasifikasi multispektral informasi yang langsung didapat
dari citra adalah terkait dengan penutup lahan (land cover), dan bukan
penggunaan lahan. Aspek penggunaan lahan secara deduktif dapat
diturunkan dari informasi dengan penggabungan informasi penutup
lahan dengan hasil cek lapangan. Oleh karena itu sistem klasifikasi yang
disiapkan harus berisi klas-klas penutup lahan bukan penggunaan
lahan karena aspek penggunaan lahan tidak dapat dipresentasikan
secara langsung melalui nilai piksel (Danoedoro, 2012). Dalam
pemilihan sistem klasifikasi penutup lahan yang akan digunakan sangat
dipengaruhi oleh tujuan akhir dari kajian serta tingkat kedetailan
informasi yang dibutuhkan.

D. Rangkuman
Salah satu metode yang dapat digunakan untuk mendapatkan data dari citra
satelit secara digital adalah dengan klasifikasi multispektral. Dimana dengan
melakukan klasifikasi multispektral kita bisa mendapatkan gamabaran
penutup lahan di suatu wilayah. Acuan yang digunakan alam metode ini
adalah warna obyek atau nilai spektral dari masing-masing obyek.
E. Pertanyaan/Diskusi
Menutrut saudara, dasar pemilihan metodedalam melakukan klasifikasi
multispektral didasari oleh faktor apa, dan bagaimana cara melakukan uji
akurasi dari peta penutup lahan yang disusun dari hasil klasifikasi tersebut.

FORMULIR MUTU
BAHAN AJAR/DIKTAT
BAB IV
INDEKS VEGETASI

Pada bagian ini berisi terkait ulasan singkat terkait indeks vegetasi dan
jenis-jenis indeks vegetasi serta penerapan algoritmanya dalam
pengolahan citra secara digital.

Mahasiswa memahami dan dapat menjelaskan serta terampil mengolah
citra dengan untuk mendapatkan gambaran/informasi vegetasi di suatu
wilayah dengan pendekatan indeks vegetasi

Indeks vegetasi adalah suatu ukuran yang menyatakan besar atau
tingginya suatu fenomena yang terkait dengan karakteristik vegetasi.
Transformasi indeks vegetasi dapat diartikan sebagai suatu transformasi
pengubahan nilai piksel citra digital dari beberapa saluran yang
menghasilkan citra dengan nilai piksel baru yang mempresentasikan
variasi fenomena vegetasi yang terkait dengan aspek kerapatan,
kandungan biomassa, kandungan klorofil, dan sebagainya, dengan
menekan sumber-sumber variasi spektral yang lain (Danoedoro,1996).
Normalized Difference Vegetation Index (NDVI)

Normalized Difference Vegetation Index (NDVI) merupakan kombinasi
antara teknik penisbahan degan teknik pengurangan citra. NDVI
mampu menonjolkan aspek kerapatan vegetasi (Danoedoro, 1996).
Saluran yang digunakan pada transformasi ini adalah saluran merah
dan inframerah. Kedua saluran ini dipilih karena memiliki kepekaan
yang berbeda terhadap vegetasi. Klorofil a dan b merupakan pigmen
penting dari tanaman menyerap cahaya biru dan merah. Klorofil a pada
panjang gelombang 0,43 – 0,66 µm dan klorofil b pada panjang
gelombang 0,45 – 0,65 µm (Jensen, 2005). Hal tersebut mengakibatkan
pada saluran merah besarnya nilai reflectance vegetasi sangat rendah.
Berbeda dengan band merah, pada band inframerah dekat nilai

pantulan vegetasi sehat meningkat tajam. Menurut Jensen (2005)
FORMULIR MUTU
BAHAN AJAR/DIKTAT
sepanjang julat inframerah dekat ini cahaya matahari yang diterima

oleh tanaman mengandung sebagian besar energi matahari. Jika
tanaman menyerap energi tersebut seperti pada panjang gelombang
tampak maka tanaman akan terlalu panas, sehingga protein yang ada di
dalamnya akan rusak. Nilai yang dihasilkan transformasi indeks
vegetasi NDVI berkisar antara -1 sampai dengan +1. Semakin tinggi
nilai NDVI (mendekati angka +1) maka akan semakin tinggi kerapatan
vegetasi.
( r nir - r red )
NDVI =
( r nir + r red )
Keterangan :
r nir = Saluran infra merah dekat
r red = Saluran merah
Soil Adjusted Vegetation Index (SAVI)

Soil-adjusted vegetation index dikembangkan sebagai modifikasi dari
Normalized Difference Vegetation Index untuk mengkoreksi pengaruh
kecerahan tanah apabila di daerah yang memiliki tutupan vegetasi yang
rendah.
SAVI memiliki struktur yang mirip dengan NDVI tetapi dengan
penambahan “faktor koreksi kecerahan tanah”
SAVI = (1 + L)( r nir - r red )
r nir + r red + L
Keterangan :
r nir = Saluran infra merah dekat
r red = Saluran merah
L = Faktor tanah (0,25; 0,50; dan 1,0)
NIR adalah nilai reflektansi band inframerah dekat, RED adalah

reflektansi dari band merah, dan L adalah faktor koreksi kecerahan
tanah. Nilai L bervariasi, tergantung jumlah atau tutupan vegetasi hijau:
di daerah vegetasi yang sangat tinggi, L = 0; dan di daerah tanpa
vegetasi hijau, L = 1. Umumnya, L = 0,5 bekerja dengan baik dalam
FORMULIR MUTU
BAHAN AJAR/DIKTAT
kebanyakan situasi dan juga sebagai nilai default yang digunakan.

Ketika L = 0, maka SAVI = NDVI.
Huete, (1988) dalam Fadaei, H., et all, (2010) bahwa Soil Adjusted
Vegetation Index (SAVI) adalah rumusan paling baik untuk untuk
penutupan yang rendah. Rumus SAVI yang ditunjukkan pada
persamaan 2 menjelaskan faktor L yaitu sebagai konstanta sensivitas
indeks vegetasi dari reflektansi penutupan tanah.

Modified soil-adjusted vegetation index (MSAVI)
Modified soil-adjusted vegetation index (MSAVI) dan revisi setelahnya
MSAVI2 adalah indeks vegetasi tanah disesuaikan yang bertujuan untuk
mengatasi beberapa keterbatasan NDVI bila diterapkan ke daerah-
daerah permukaan tanah terbuka dengan derajat tinggi. Permasalahan
dengan soil-adjusted vegetation index (SAVI) adalah diperlukannya
penentuan faktor koreksi kecerahan tanah (L) melalui trial and error
berdasarkan jumlah vegetasi di daerah penelitian. Hal ini tidak hanya
menyebabkan mayoritas orang hanya menggunakan nilai default L = 0,5
tetapi juga menimbulkan masalah secara logika berputar-putar untuk
mengetahui jumlah/tutupan vegetasi karena Anda harus menemukan
nilai tersebut sebelum Anda dapat menerapkan SAVI yang seharusnya
memberikan informasi seberapa banyak vegetasi yang ada. Qi dkk.
(1994a) mengembangkan MSAVI dan kemudian MSAVI2 (Qi dkk.
1994b) yang lebih handal dan sederhana dalam menghitung faktor
koreksi kecerahan tanah. Rumus untuk menghitung MSAVI sendiri sama
dengan rumus untuk menghitung SAVI:

RED adalah reflektansi band merah dari sensor, NIR adalah reflektansi
band inframerah dekat, dan L adalah faktor koreksi kecerahan tanah.
Perbedaan antara SAVI dan MSAVI terletak pada bagaimana
menghitung L. Dalam metode SAVI, L diestimasikan berdasarkan
seberapa banyak tutupan vegetasi yang ada (tapi itu umumnya nilai 0,5
FORMULIR MUTU
BAHAN AJAR/DIKTAT
dibiarkan saja dengan jalan kompromi). MSAVI menggunakan rumus

berikut untuk menghitung L:
di mana s adalah kemiringan garis tanah dari plot nilai kecerahan band
merah berbanding inframerah dekat.
Gambar Perbandingan Pengolahan Indeks Vegetasi dengan Metode NDVI

& MSAVI
Gambar diatas merupakan contoh MSAVI dihitung dari citra Landsat

TM5 6 Mei 2007 untuk sebagian dari area Craters of Moon National
Monument di Idaho bagian selatan. Perhatikan bahwa meskipun nilai
NDVI dan MSAVI cukup mirip di citra, citra MSAVI mendefinisikan lebih
baik dibanding NDVI pada perbedaan tutupan semak antara area
padang rumput (sebagai akibat dari kebakaran dua tahun sebelumnya,
bagian bawah citra) dan area yang tidak terbakar (tengah-tengah citra).

FORMULIR MUTU
BAHAN AJAR/DIKTAT

DAFTAR PUSTAKA
1. Danoedoro, P. 1996. Pengolahan Citra Digital Teori dan Aplikasinya dalam Bidang
Penginderaan Jauh. Yogyakarta.
2. _________. 2012. Pengantar Penginderaan Jauh Digital. Yogyakarta.
3. Howard, John A, 1996, Remote Sensing of Forest Resources: Theory and
Application, (Diterjemahkan oleh Hartono, Dulbahri, Suharyadi, Danoedoro, dan
Jatmiko). Chapman & Hall, London.
4. Jensen, J. R. 2005. Introductory Digital Image Processing, A remote sensing
perspective, 3rdedn, Pearson Prentice Hall, Sydney.
5. Lillesand, T. M and Keifer, R. W. 1994. Remote Sensing and Image Interpretation.
3rd. Edition. John Wiley and Sons, Inc. Canada.
6. _________. R. W. 1997. Penginderaan Jauh dan Interpretasi Citra. (Diterjemahkan
oleh Dulbahri, Prapto Suharsono, Hartono, dan Suharyadi). Yogyakarta : Gadjah
Mada University Press.
7. McCoy, R. M. 2005. Field Methods in Remote Sensing, The Guilford Press, New
York.
8. Purwadhi, Sri H. dan Tjaturrahono B.S. 2008. Pengantar Interpretasi Citra
Penginderaan Jauh. Lembaga Penerbangan dan Antariksa Nasional dan UNNES.
9. Purwadhi, Sri H. 2001. Interpretasi Pengolahan Citra Digital. Jakarta: Grasindo
Prahasta, E. 2008.
10. Remote Sensing : Praktis Penginderaan Jauh dan Pengolahan Citra Digital
Dengan Perangkat Lunak ER Mapper. Bandung : Informatika
11. Rohmin Dahuri, Rais Jacub, Sapta Putra Ginting, M.J Sitepu, Pengelolaan Sumber
Daya Wilayah Pesisir dan Lautan Secara Terpadu, (Jakarta : Pradnya Paramita,
1996).

Bahan Ajar PJ Terapan

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Bahan Ajar PJ Terapan

Diunggah oleh

Hak Cipta:

Format Tersedia

KEMENTERIAN RISET, TEKNOLOGI DAN PENDIDIKAN TINGGI

UNIVERSITAS NEGERI SEMARANG (UNNES)

PENGINDERAAN JAUH TERAPAN

DESKRIPSI MATA KULIAH

8. Capaian Pembelajaran Mata Kuliah (CPMK) : Mahasiswa diharapkan memiliki

- Partikel-partikel dalam atmosfir terkadang menyerap radiasi

GPS. Berdasarkan jumlah GCP yang digunakan, interpolasi spasial

Tahap awal yang dilakukan dalam proses klasifikasi multispektral adalah

ketelitian sampel antar ROI dilakukan secara statistik dengan menguji

sama (homogen), sedangkan pengambilan sampel dianjurkan agar

Salah satu algoritma klasifikasi terselia yang banyak digunakan adalah

iterasi, sampai menghasilkan pengelompoakan akhir gugus-gugus

Normalized Difference Vegetation Index (NDVI)

Berbeda dengan band merah, pada band inframerah dekat nilai

sepanjang julat inframerah dekat ini cahaya matahari yang diterima

Soil Adjusted Vegetation Index (SAVI)

NIR adalah nilai reflektansi band inframerah dekat, RED adalah

kebanyakan situasi dan juga sebagai nilai default yang digunakan.

dibiarkan saja dengan jalan kompromi). MSAVI menggunakan rumus

Gambar Perbandingan Pengolahan Indeks Vegetasi dengan Metode NDVI

Gambar diatas merupakan contoh MSAVI dihitung dari citra Landsat

Anda mungkin juga menyukai