LAPORAN PRAKTIKUM PENGINDERAAN JAUH DASAR

ACARA VI
IDENTIFIKASI SUHU PERMUKAAN

Dosen Pembimbing:
Ike Sari Astuti, S.P, M.Nat.Res.St., Ph.D

Nama : Muhammad Faiz Mustafa Kamal

NIM : 180722639516
Off ; H/2018
Asisten : Dimas Ari Wibowo

UNIVERSITAS NEGERI MALANG

FAKULTAS ILMU SOSIAL
JURUSAN GEOGRAFI
S1 GEOGRAFI
2019
I. TUJUAN
a. Mahasiswa dapat melakukan ekstraksi data suhu permukaan dari cira landsat 8.
b. Mahasiswa dapat menjelaskan sebaran suhu permukaan suatu wilayah.
c. Mahasiswa dapat mengidentifikasi perbedaan suhu di suatu objek yang berbeda

II. ALAT DAN BAHAN

a. Alat Praktikum
 ENVI 5
 Microsoft Word
b. Bahan Praktikum
 Citra Landsat 8 OLI/TIRS

III. DASAR TEORI

Suhu permukaan (Land Surface Temperature) didefinisikan sebagai

suhu permukaan rata-rata yang dalam penginderaan jauh digambarkan dalam
satuan piksel dengan berbagai tipe. Besarnya suhu permukaan dipengaruhi oleh
panjang gelombang yang diterima oleh bumi dari matahari. Spektrum
gelombang yang paling sensitif terhadap suhu permukaan adalah inframerah
termal (Fawzi, 2014).

Menurut Copernicus Global Land Services, LST didapatkan dari nilai

gabungan temperature tanah dan vegetasi yang merespon dengan cepat radiasi
dari matahari. Besarnya radiasi matahari yang masuk dipengaruhi oleh tutupan
awan, aerosol yang ada di atmosfer, dan sudut datang dari matahari itu sendiri.
Radiasi matahari memengaruhi tanah dan vegetasi, kemudian pada akhirnya
akan memengaruhi suhu udara disekitarnya.

Menurut Lillesand dan Kiefer 1997 (dalam Nugraha, 2015)

menyinggung tentang hukum pergeseran Wien bahwa, pancaran energi
maksimum dari suatu benda hitam bertemperatur 300ᵒK akan terjadi pada julat
panjang gelombang 8 – 14 µm. Temperatur ambient dari permukaan bumi
adalah sekitar 300ᵒK, sehingga penginderaan jauh di permukaan bumi
menggunakan sensor thermal akan lebih bermanfaat bila memakai julat
panjang gelombang tersebut. Pada intinya nilai LST didapatkabn dari nilai
emisivitas yang dikeluarkan oleh setiap objek yang ada di permukaan bumi.
 Semua benda di permukaan bumi merupakan sumber radiasi walaupun
besar dan komposisi spektralnya berbeda dengan radiasi matahari. Oleh karena
itu, semua benda diatas suhu nol derajat kelvin dapat memancarkan radiasi
elektromagnetik secara terus menerus (Nurrachman, 2013). Hal tersebutlah yang
mendasari perbedaan LST pada setiap lokasi karena LST itu sendiri dapat
dipengaruhi oleh tutupan lahan masing-masing.

Penginderaan jauh dapat diaplikasikan dalam mengetahui nilai LST pada

suatu wilayah. Dengan menggunakan citra tertentu yang memiliki band termal,
nilai LST dapat diketahui melalui algoritma tertentu. Salah satu citra satelit yang
dapat digunakan dalam mengetahui LST adalah Landsat 8. Citra satelit ini
membawa dua buah saluran thermal yang ada pada sensor TIRS yaitu pada
saluran 10 dan saluran 11 yang masing memiliki panjang gelombang yang
berbeda. Panjang gelombang pada band 10 berada pada panjang
gelombang 10,5 mikro meter sampai dengan 11,5 mikro meter sedangkan pada
band 11 yang berada di panjang gelombang antara 11,5 mikro meter sampai
dengan 12,5 mikro meter (Shomat, 2015).

Aplikasi penginderaan jauh dalam menentukan nilai LST dapat

digunakan dalam berbagai kepentingan. Dalam proses analisis spasial, LST
dapat memberikan gambaran jenis penggunaan lahan pada setiap wilayah. LST
yang tinggi akan cenderung ditemukan pada daerah yang terbangun, sedangkan
daerah dengan tutupan vegetasi yang tinggi akan memiliki nilai LST yang lebih
rendah (Julkarnaim, 2016). Dengan demikian jika dilakukan secara kontinyu,
LST juga dapat memebrikan gambaran perubahan penggunaan lahan si suatu
wilayah. LST juga dapat digunakan dalam memetakan daerah yang rawan
mengalami kekeringan (Apriliyanti dan Zainuddin, (2017).

IV. LANGKAH KERJA

1. Menampilkan citra Landsat 8 OLI/TTIRS band 10 kedalam ENVI. Klik File

> Pilih Open As > Generic Formats > TIFF/GeoTIFF
2. Arahkan menuju direktori penyimpanan, pilih file citra Landsat 8 OLI?TIRS
band 10, kemudian klik Open.
3. Tunggu hingga tampilan citra muncul pada aplikasi ENVI
4. Ketik Band Math pada kolom pencarian Toolbox > Klik Band Math >
Kemudian masukan rumus (3.3420E-04*B10+0.10000) sebagaimana yang
tertera pada metadata citra Landsat band 10 pada kolom Enter an Expression.

5. Setelah rumus ditulis, selanjutnya Klik Add to List hingga rumus tersebut
tertera pada kolom bagian atas.
6. Klik OK pada kotak dialog Bamd Math, kemudian Klik B10 (undefined) lalu
klik Map Variable to Input File.

7. Pilih Landsat 8 Band 10 pada kolom Select Input File yang tertera di kotak
dialog baru, kemudian Klik OK.
8. Klikm Choose pada kotak dialog baru, kemudian tentukan lokasi
penyimpanan, dan beri nama file “B10radiance”, lalu Klik OK dan tunggu
hingga proses loading selesai.

9. Lakukan proses seperti sebelumnya dengan memasukkan rumus

(1321.0789/alog(7748853/B10+1)) pada kolom Enter an Expression dan
Namakan file hasil “BT10KELVIN”
10. Konversi kelvin ke celcius dengan memasukkan rumus (B10-273.15) pada
Band Math, kemudian jadikan B10radiance sebagai citra dasar, dan namakan
hasilnya dengan “BT10CELCIUS”
11. Ketik Raster Color Slice pada kolom spencarian Toolbox, kemudian klik
Raster Color Slice > Pilih Band Math pada kotak dialog yang muncul > Klik
OK.
 12. Klik New Default Color Slice > Ubah num slice menjadi 5 > Ubah color
model menjadi RGB > Ubah data min menjadi 11 dan max menjadi 44 > Klik
OK.

13. Untuk merubah warna, klik kanan pada kolom berwarna, kemudian pilih edit
color > color model RGB, lalu klik OK.

V. HASIL PRAKTIKUM
a. Citra hasil praktikum LST (Kelvin)

b. Citra hasil praktikum LST (Celcius)

 c. Raster Color Slice

VI. PEMBAHASAN

Suhu permukaan atau LST merupakan salah satu contoh penerapan

penginderaan jauh untuk berbagai keperluan. Secara prinsip, LST diambil dari
nilai emisi dari setiap objek yang ada di permukaan bumi, sehingga dalam
penginderaan jauhpun ynag digunakan adalah radian dari citra Landsat band 10.
Penggunaan citra Landsat 8 pada praktikum kali ini dikarenakan citra Landsat 8
mampu menangkap spektrum inframerah termal yang berada pada band 10 dan
11. Radiasi yang diemisikan oleh objek berupa gelombang panjang dengan
energi yang rendah, sehingga hanya mampu ditangkap oleh sensor yang
memiliki band khusus.

Besaran nilai LST dipengaruhi oleh tutupan lahan pada suatu wilayah.
Daerah yang telah terbangun seperti wilayah perkotaan akan cenderung
memiliki nilai LST yang tinggi jika dibandingkan dengan daerah yang ditutupi
oleh vegetasi. Karakteristik material bangunan yang mudah mebgemisikan
panas akan meningkatkan nilai tangkapan radian pada sensor. Selain itu wilayah
perkotaan terkenal dengan aktivitas yang tinggi, sehingga nilai LST wilayah kota
semakin tinggi. Hal tersebut dapat dilihat pada peta LST sebagian wilayah Jawa
Timur yang menunjukan kawasan perkotaan di Surabaya dan sekitarnya
memiliki nilai LST yang tinggi.
 Wilayah yang tertutup vegetasi memiliki nilai LST yang rendah karena
sifat vegetasi itu sendiri yang menyerap panas dalam proses fotosintesisnya.
Rendahnya intensitas kegiatan manusia menjadikan kawasan ini memiliki nilai
LST yang rendah, terlihat pada peta LST sebagian wilayah Jawa Timur dimana
kawasan pegunungan memiliki nilai LST yang lebih rendah jika dibandingkan
dengan kawasan terbangun.

LST dapat digunakan untuk menganalisis perubahan tutupan lahan pada

suatu wilayah jika dilakukan secara kontinyu dalam jangka waktu panjang.
Selian itu LST juga dapat digunakan untuk menentukan lokasi panas bumi dan
penentuan daerah rawan kekeringan. Dengan analisis LST kali ini, dapat
dimaknai bahwa pemanfaatan penginderaan jauh sangatlah luas dan mencakup
banyak bidang.

VII. KESIMPULAN

1. LST dalam penginderaan jauh merupakan suhu permukaan rata-rata dalam

satuan piksel dengan berbagai tipe.
2. Besarnya suhu permukaan dipengaruhi oleh panjang gelombang yang
diterima oleh bumi dari matahari.
3. Spektrum gelombang yang paling sensitif terhadap suhu permukaan adalah
inframerah termal
4. Landsat 8 OLI/TIRS memiliki band inframerah termal pada band ke 10 dan
11 yang dapat digunakan dalam analisis LST.
5. Besaran LST dapat dipengaruhi oleh banyak hal, dan salah satu diantaranya
adalah tutupan lahan yang memiliki nilai emisivitas berbeda-beda.
6. Wilayah perkotaan memiliki nilai LST yang lebih tinggi jika dibandingkan
dengan wilayah yang masih terdapat banyak vegetasi.
VIII. DAFTAR PUSTAKA

Apriliyanti, Titi., dan Muhammad Zainuddin. 2017. Pemetaan Potensi

Kekeringan Lahan se-pulau Batam menggunakan Teknik Sistem
Informasi Geografis (SIG) dan Penginderaan Jauh. Majalah Geografi
Indonesia, 1(31) 90-94 dari
https://journal.ugm.ac.id/mgi/article/viewFile/24251/15953
Fawzi, N.I. (2014). Pemetaan Emisivitas Permukaan Menggunakan Indeks
Vegetasi. Majalah Ilmiah Volume 6,Nomor 3,Tahun 2017,(ISSN:2337-
845X) 76 Jurnal Geodesi Undip Juli 2018 Globe 16, 133–139
Julkarnaim, Janata. 2016. Skripsi: Analisis Hubungan Penutup Lahan dengan
Suhu Permukaan Lahan Menggunakan Penginderaan Jauh di
Kabupaten Klaten Tahun 2016. Surakarta: UMS
Nugraha, A.S.A,. 2015. Land Surface Temperature with Landsat 7 ETM+.
Sleman : Universitas Gadjah Mada
Nurrachman, Fauzan. 2013. Pendugaan Nilai Suhu Permukaan Berdasarkan
Data TERRA-MODIS L1B SRTM 90m. Bogor : IPB
Shomat, Fadhlurahmah. 2015. Ekstrak LST (Land Surface Temperature)
LANDSAT 8 dengan SWA (Split Window Algoritm). Sleman : UGM