MODUL PENGOLAHAN DATA

PENGINDERAAN JAUH

MODUL 5 : TRANSFORMASI SPEKTRAL UNTUK

BIDANG PERKOTAAN DAN KEHUTANAN

PUSAT PENELITIAN PENGINDERAAN JAUH DAN

INFORMASI GEOSPASIAL
INSTITUT TEKNOLOGI SUMATERA 74 | P a g e
 MODUL PENGOLAHAN DATA
PENGINDERAAN JAUH

MODUL 4

TRANSFORMASI SPEKTRAL

4.1. INDEKS PERKOTAAN

1. Indeks Perkotaan (Urban Index)

Citra indeks perkotaan dihasilkan dari proses tranformasi citra dengan tujuan untuk
menonjolkan objek lahan terbangun. Tranformasi indeks perkotaan menggunakan saluran
inframerah dekat dan inframerah tengah. Untuk menyusun citra indeks perkotaan
menggunakan pengembangan persamaan tranformasi spektral yang dikembangkan oleh
Kawamura et al. (1996).

UI =

Dimana:
UI = indeks perkotaan (Urban Index)
B7 = citra Landsat saluran 7 (inframerah tengah II)
B4 = citra Landsat saluran 4 (inframerah dekat)

2. Normalized Difference Built-up Index (NDBI)

NDBI atau indek lahan terbangun merupakan suatu algoritma untuk menunjukkan
kerapatan lahan terbangun/bare soil. NDBI sangat sensitif terhadap lahan terbangun atau
lahan terbuka. Algoritma ini dipilih karena merupakan transformasi yang paling sering di
digunakan untuk mengkaji indeks lahan terbangun. Formula NDBI adalah sebagai berikut
adalah sebagai berikut:
NDBI =

NDBI = indeks lahan terbangun NDBI

SWIR-1 =Kanal Shortwave Infrared
NIR = Kanal Near-Infrared

75 | P a g e
 MODUL PENGOLAHAN DATA
PENGINDERAAN JAUH

4.2. INDEKS VEGETASI

1. Normalized Difference Vegetation Index (NDVI)

Normalized Difference Vegetation Index (NDVI) adalah perhitungan citra yang
digunakan untuk mengetahui tingkat kehijauan. NDVI dapat menunjukkan parameter
yang berhubungan dengan parameter vegetasi yaitu biomassa, daerah dedaunan hijau
yang merupakan nilai yang dapat diperkirakan untuk pembagian vegetasi.

Untuk menghitung NDVI dengan rumus:

yang ditulis dalam software NDVI = (float(b4)-float(b3))/(float(b4)+float(b3))

Gambar 1.1 Hasil Transformasi NDVI

76 | P a g e
 MODUL PENGOLAHAN DATA
PENGINDERAAN JAUH

Gambar 1.2 Nilai Piksel Hasil Transformasi NDVI

77 | P a g e
 MODUL PENGOLAHAN DATA
PENGINDERAAN JAUH

Gambar 1.3 Histogram Hasil Transformasi NDVI

Dari hasil transformasi menggunakan metode NDVI diperoleh nilai berkisar antara -1
sampai 1. Dari hasil analisis indeks yang berada antara -1 hingga 0 merupakan obyek non
vegetasi sedangkan indeks antara 0,2 hingga 0,8 adalah vegetasi.

Density Slice Of Ndvi Image

Tabel 1.1 Kerapatan Vegetasi

Nilai Piksel Persentase

.4074 40%
0.4688 45%
0.3647 35%
0.3884 40%
0.4454 45%
0.4054 45%
0.2951 30%
0.2037 20%
0.3514 35%
0.4483 45%
0.3645 35%
0.2083 20%
0.4019 40%
0.2542 25%
0.3578 35%
0.2708 25%
0.2093 20%
0.4095 40%
0.3878 35%
0.2586 25%

78 | P a g e
 MODUL PENGOLAHAN DATA
PENGINDERAAN JAUH

0.376 40%
0.322 35%
Gambar 1.4 Regresi Kerapatan Vegetasi

Gambar 1.5 Hasil analisis Kerapatan Vegetasi

Untuk mengetahui kerapatan vegetasi dalam bentuk persentase dapat dihitung

menggunakan regresi linear yang dapat dimasukkan dalam software ENVI 4.5 yaitu ((float (b1)-
0.107)/0,849))*100, sehingga menghasilkan tinggi rendahnya kerapatan vegetasi.

79 | P a g e
 MODUL PENGOLAHAN DATA
PENGINDERAAN JAUH

Gambar 1.6 Histogram Kerapatan Vegetasi

Gambar 1.7 Density Slice Of Ndvi Image

80 | P a g e
 MODUL PENGOLAHAN DATA
PENGINDERAAN JAUH

Gambar 1.8 Nilai Piksel Berdasarkan Density Slice

Dalam pengklasifikasian nilai NDVI kemudian dicari nilai terbesar dan terkecilnya
serta dibuat 5 kelas untuk menentukan klasifikasi kerapatan vegetasi. Untuk membagi
klasifikasi tersebut dapat menggunakan tool density slice dari NDVI dibagi menjadi 5
kelas, kelas 1 memiliki interval -0.5056 hingga -0.2045 dengan warna merah, kelas 2
memiliki interval nilai -0.2045 hingga 0.0966 dengan warna hijau, kelas 3 memiliki
interval 0.0966 hingga 0.3978 dengan warna biru, kelas 4 memiliki nilai interval 0.3978
hingga 0.6989 dengan warna kuning dan kelas 5 memiliki interval 0.6989 hinggal 1.000
dengan warna cyan. Dari hasil pengklasifikasian tersebut menunjukkan bahwa kelas 3
mendominasi daerah dimana vegetasi tersebut mempunyai kerapatan yang rendah.
Vegetasi yang memiliki kerapatan sedang ditunjukkan pada kelas 4 dan vegetasi
kerapatan tinggi pada kelas 5. Namun untuk vegetasi kerapatan tinggi memiliki
persentase yang sangat sedikit.

2. Simple Ratio (SR)

81 | P a g e
 MODUL PENGOLAHAN DATA
PENGINDERAAN JAUH

Simple Ratio (SR) merupakan indeks vegetasi yang paling lama dan terkenal. Simple
Ratio (SR) adalah rasio dari pantulan yang paling tinggi. nilai dari SR antara 0 sampai
lebih dari 30, sedangkan julat yang umum untuk vegetasi hijau antara 2 hingga 8. Untuk
menghitung SR dirumuskan dengan:

SR = NIR/Red dalam software ditulis SR = (float(b4))/(float(b3))

Gambar 1.8 Hasil Transformasi SR

82 | P a g e
 MODUL PENGOLAHAN DATA
PENGINDERAAN JAUH

Gambar 1.9 Nilai Piksel Transformasi SR

Berdasarkan hasil transformasi indeks vegetasi dengan menggunakan Simple Ratio

(SR) menjelaskan bahwa rasio dari pantulan antara 0 hingga 4.115.

3. Enhanced Vegetation Index (EVI)

Enhanced Vegetation Index (EVI) merupakan salah satu pengembangan indeks
vegetasi yang lebih tahan terhadap pengaruh komposisi aerosol atmosfer dan pengaruh
variasi warna tanah,sehingga tahan terhadap distorsi atmosfer, EVI menggunakan
informasi kanal cahaya biru. Algoritma EVI juga dirancang agar memiliki sensitifitas
yang lebih baik terhadap citra daerah sangat hijau.
Untuk menghitung EVI dirumuskan:

83 | P a g e
 MODUL PENGOLAHAN DATA
PENGINDERAAN JAUH

Dalam software ENVI 4.5 ditulis dengan:

2.5*((float(b4)-float(b3))/((float(b4))+(6*float(b3))-(7.5*float(b1))+1))

Gambar 1.11 Hasil Transformasi EVI

84 | P a g e
 MODUL PENGOLAHAN DATA
PENGINDERAAN JAUH

Gambar 1.12 Nilai Piksel Transformasi EVI

Gambar 1.13 Histogram Enhanced Vegetation Index (EVI)

85 | P a g e
 MODUL PENGOLAHAN DATA
PENGINDERAAN JAUH

Berdasarkan nilai histogram di atas, nilai hasil transformasi Enhanced Vegetation Index
(EVI) berkisar antara -595 hingga 480. Namun nilai yang terdapat dalam histogram tersebut
tidak sesuai dengan indeks EVI. Ketidaksesuian ini sering terjadi namun tidak berpengaruh
terhadap hasil transformasi.

4. Atmospherically Resistant Vegetation Index (ARVI)

Atmospherically Resistant Vegetation Index (ARVI) merupakan penajaman NDVI yang
biasanya indeks ini tetap untuk faktor-faktor atmosfer. Sebagai contoh aerosol, ARVI
menggunakan pantulan di biru untuk memperbaiki pantulan merah. Ini lebih berguna untuk
wilayah yang memiliki aerosol atmosfer yang tinggi termasuk wilayah tropis yang telah
terkontaminasi oleh asap dari kebakaran hutan yang berkepanjangan. Nilai dari indeks berkisar
anatara -1 hingga 1. Untuk menghitung EVI dirumuskan:

Dalam software ENVI 4.5 ditulis dengan:

ARVI = (float(b4)-2*float(b3)+float(b1))/(float(b4)+2*float(b3)-float(b1))

Gambar 1.15 Nilai Piksel Transformasi ARVI

86 | P a g e
 MODUL PENGOLAHAN DATA
PENGINDERAAN JAUH

Gambar 1.14 Hasil Transformasi ARVI

Gambar 1.16 Histogram Transformasi ARVI

87 | P a g e
 MODUL PENGOLAHAN DATA
PENGINDERAAN JAUH

Hasil transformasi Atmospherically Resistant Vegetation Index (ARVI) yang dapat dilihat
pada histogram dengan nilai maksimum -43 dan nilai minimum 49. Namun nilai yang terdapat
dalam histogram tersebut tidak sesuai dengan indeks ARVI. Perbandingan Transformasi
NDVI, SR, EVI, dan ARVI.

NDVI SR

EVI ARVI

88 | P a g e
 MODUL PENGOLAHAN DATA
PENGINDERAAN JAUH

Gambar 1.17 Perbandingan Transformasi NDVI, SRI, EVI, dan ARVI

Transformasi NDVI memanfaatkan beberapa saluran dari citra satelit Landsat 7 yaitu band
3 (saluran merah) dan band 4 (saluran inframerah dekat). Kelebihan kedua saluran ini untuk
identifikasi vegetasi adalah obyek akan memberikan tanggapan spektral yang tinggi (Swain,
1978). Perhitungan perbandingan sifat respon obyek terhadap pantulan sinar merah dan
Inframerah dekat dapat menghasilkan nilai dengan karakteristik khas yang dapat digunakan
untuk memperkirakan kerapatan atau kondisi kanopi/kehijauan tanaman.

Seperti yang ditampilkan pada gambar 1.1 yang merupakan hasil dari transformasi
Normalized Difference Vegetation Index (NDVI). Tampilan tersebut membantu untuk melakukan
analisis untuk kerapatan vegetasi. Nilai indeks pada NDVI antara -1 sampai 1, namun dalam
pembedaan obyek mempunyai nilai indeks yang berbeda. Untuk obyek vegetasi mempunyai
range antara 0,2 hingga 0,8 sedangkan untuk obyek non vegetasi berkisar antara -1 hingga 0.

Untuk mengetahui kerapatan vegetasi dapat dihitung dengan regresi linier dimana:
y = ax + b
y = 1.068x - 0.023

diperoleh nilai R² = 0.959

x = y-b/a

Dari hasil regresi tersebut dianalisis sehingga memperoleh persentase kerapatan vegetasi.
Pada gambar 1.6, nilai pada histogram menunjukkan bahwa nilai minimum adalah -120
sedangkan nilai maksimum hingga 115. Dari histogram tersebut menjelaskan bahwa semakin
tinggi nilai tiap pikselnya maka kerapatan vegetasi akan semakin tinggi. Demikian sebaliknya
apabila nilai pikselnya rendah maka kerapatan vegetasi juga rendah. Untuk mengetahui
persentase kerapatan vegetasi juga harus melakukan cek lapangan sehingga mendapatkan nilai
yang akurat. Sebelum diklasifikasikan, perbedaan antara daerah vegetasi dan non-vegetasi tidak
begitu jelas karena terdapat warna kelabu. Oleh karena itu perlu terlebih dahulu mencari batas
antara vegetasi dan non-vegetasi.

89 | P a g e
 MODUL PENGOLAHAN DATA
PENGINDERAAN JAUH

Setelah dilakukan transfromasi NDVI, vegetasi yang rapat ditandai dengan warna putih
yang berona cerah. Transformasi Simple Ratio (SR) memiliki nilai indeks antara 0 hingga lebih
dari 30. Berdasarkan hasil analisis pada gambar 1.10, histogram tersebut menunjukkkan nilai
indeks antara 0 hingga 4.115. Dari transformasi SR ini apabila nilai rasio dari indeks tersebut
mendekati nilai 30, maka vegetasi akan semakin rapat. Namun pada histogram tersebut
menggambarkan indeks nilai yang sangat rendah. Pada citra hasil transformasi SR vegetasi
tampak berwarna putih cerah sedangkan non vegetasi berwarna hitam.

Transformasi NDVI memanfaatkan beberapa saluran dari citra satelit Landsat 7 yaitu band
3 (saluran merah) dan band 4 (saluran inframerah dekat). Kelebihan kedua saluran ini untuk
identifikasi vegetasi adalah obyek akan memberikan tanggapan spektral yang tinggi (Swain,
1978). Perhitungan perbandingan sifat respon obyek terhadap pantulan sinar merah dan
Inframerah dekat dapat menghasilkan nilai dengan karakteristik khas yang dapat digunakan
untuk memperkirakan kerapatan atau kondisi kanopi/kehijauan tanaman.

Seperti yang ditampilkan pada gambar 1.1 yang merupakan hasil dari transformasi
Normalized Difference Vegetation Index (NDVI). Tampilan tersebut membantu untuk melakukan
analisis untuk kerapatan vegetasi. Nilai indeks pada NDVI antara -1 sampai 1, namun dalam
pembedaan obyek mempunyai nilai indeks yang berbeda. Untuk obyek vegetasi mempunyai
range antara 0,2 hingga 0,8 sedangkan untuk obyek non vegetasi berkisar antara -1 hingga 0.

Untuk mengetahui kerapatan vegetasi dapat dihitung dengan regresi linier dimana:
y = ax + b
y = 1.068x - 0.023
diperoleh nilai R² = 0.959
x = y-b/a
dari hasil regresi tersebut dianalisis sehingga memperoleh persentase kerapatan vegetasi.
Pada gambar 1.6, nilai pada histogram menunjukkan bahwa nilai minimum adalah -120
sedangkan nilai maksimum hingga 115. Dari histogram tersebut menjelaskan bahwa semakin
tinggi nilai tiap pikselnya maka kerapatan vegetasi akan semakin tinggi. Demikian sebaliknya
apabila nilai pikselnya rendah maka kerapatan vegetasi juga rendah. Untuk mengetahui

90 | P a g e
 MODUL PENGOLAHAN DATA
PENGINDERAAN JAUH

persentase kerapatan vegetasi juga harus melakukan cek lapangan sehingga mendapatkan nilai
yang akurat. Sebelum diklasifikasikan, perbedaan antara daerah vegetasi dan non-vegetasi tidak
begitu jelas karena terdapat warna kelabu. Oleh karena itu perlu terlebih dahulu mencari batas
antara vegetasi dan non-vegetasi. Setelah dilakukan transfromasi NDVI, vegetasi yang rapat
ditandai dengan warna putih yang berona cerah.

Transformasi Simple Ratio (SR) memiliki nilai indeks antara 0 hingga lebih dari 30.
Berdasarkan hasil analisis pada gambar 1.10, histogram tersebut menunjukkan nilai indeks antara
0 hingga 4.115. Dari transformasi SR ini apabila nilai rasio dari indeks tersebut mendekati nilai
30, maka vegetasi akan semakin rapat. Namun pada histogram tersebut menggambarkan indeks
nilai yang sangat rendah. Pada citra hasil transformasi SR vegetasi tampak berwarna putih cerah
sedangkan non vegetasi berwarna hitam.

Transformasi Enhanced Vegetation Index (EVI) memiliki nilai indeks berkisar antara -1
sampai 1 sedangkan nilai vegetasi antara 0.2 sampai 0.8. Pada gambar 1.11 dapat dilihat bahwa
vegetasi pada citra hasil transormasi EVI ditunjukkan dengan warna putih hingga abu-abu berona
gelap, sedangkan non vegetasi ditunjukkan dengan warna putih dengan rona sangat cerah.
Klasifikasi vegetasi dan non vegetasi dalam EVI berbeda dengan SR dilihat dari warna yang
mendominasi daerah vegetasi dan non vegetasi.

Atmospherically Resistant Vegetation Index (ARVI) merupakan penerapan normalisasi

terhadap radiansi di saluran biru, merah dan inframerah. Pengembangan indeks ini dikarenakan
banyak indeks vegetasi lain yang ternyata sensitif terhadap efek atmosfer (Danoedoro,2012).
Dalam histogram yang digambarkan pada gambar 1.16 nilainya berkisar antara -43 hingga 49.
Dari hasil trasnformasi seperti yang terlihat pada 1.14, klasifikasi vegetasi dengan warna putih,
sedangkan non vegetasi berwarna abu-abu hingga hitam.

Perbandingan antara keempat trasformasi tersebut dalam kemudahan untuk melakukan

klasifikasi vegetasi dan non vegetasi. NDVI mempuyai kelebihan untuk mengklasifikasikan
vegetasi dan non vegetasi karena dapat secara jelas membedakan tingkat kerapatan vegetasi.
Seperti yang digambarkan pada gambar 1.17, begetasi dengan kerapatan tinggi memiliki rona
yang cerah dan berwarna putih sehingga mudah untuk diinterpretasi. Namun untuk SR, EVI dan

91 | P a g e
 MODUL PENGOLAHAN DATA
PENGINDERAAN JAUH

ARVI, ambang untuk pembedaan kelas antara vegetasi dan non vegetasi yang tidak terlalu tegas.
Hal ini menyebabkan indeks NDVI lebih baik digunakan untuk mengetahui tingkat kerapatan
vegetasi dibandingkan dengan SR, EVI dan ARVI.

REFERENSI

Danoedoro, P., 2012, Pengantar Penginderaan Jauh Digital, Yogyakarta: AndiOffset.

Danoedoro, Projo, 1999. Pedoman Praktikum Penginderaan Jauh Dasar. Fakultas Geografi
Universitas Gadjah Mada : Yogyakarta.

Jensen, J. R. (2014). Remote Sensing of the Environment An Earth Resource Perspective,

United States: Pearson Education Limited.

Kiefer, dan Lillesand. 1990. Penginderaan Jauh dan Interpretasi Citra (Diterjemahkan oleh
Dulbahri, Prapto Suharsono, Hartono, dan Suharyadi) Yogyakarta: Gadjah Mada
University Press.

92 | P a g e