LAPORAN PRAKTIKUM IV

PENGINDRAAN JAUH II
GOOGLE EARTH ENGINE
(MELAKUKAN NDVI)

Tanggal Penyerahan : 8 Desember 2020

Disusun Oleh :

Arin Afina Sulia / 232018015

Kelas B

Nama Asisten :

Moch. Iqbal Fauzan (23-2017-001)

Anggita Pratiwi Sutrisno (23-2017-033)

LABORATORIUM FOTOGRAMETRI
JURUSAN TEKNIK GEODESI
FAKULTAS TEKNIK SIPIL DAN PERENCANAAN
INSTITUT TEKNOLOGI NASIONAL
BANDUNG
2020
 PRATIKUM PENGINDERAAN JAUH II

DAFTAR ISI

DAFTAR ISI ........................................................................................................... i

Daftar Gambar ...................................................................................................... ii

Daftar Tabel.......................................................................................................... iii

BAB I PENDAHULUAN .......................................................................................1

1.1. Maksud dan Tujuan ...................................................................................... 1

1.2. Waktu dan Tempat Pelaksanaan Praktikum ................................................. 1

BAB II DASAR TEORI .........................................................................................2

2.1. Google Earth Engine .................................................................................... 2

2.2. Kerapatan Vegetasi ...................................................................................... 3

2.3. NDVI ............................................................................................................ 4

BAB III PELAKSANAAN PRAKTIKUM .........................................................5

3.1. Langkah – Langkah NDVI ........................................................................... 5

BAB IV HASIL DAN ANALISIS .........................................................................9

4.1. Hasil ............................................................................................................. 9

4.2. Analisis ......................................................................................................... 9

BAB V KESIMPULAN ......................................................................................10

5.1. Kesimpulan ............................................................................................. 10

DAFTAR PUSTAKA

Arin Afina Sulia / 232018015 / B i

 PRATIKUM PENGINDERAAN JAUH II

Daftar Gambar
Gambar 1. Hasil NDVI .......................................................................................... 9

Arin Afina Sulia / 232018015 / B ii

 PRATIKUM PENGINDERAAN JAUH II

Daftar Tabel

Tabel 1. Nilai Kerapatan NDVI.............................................................................. 4

Tabel 2. Langkah-Langkah NDVI.......................................................................... 5

Arin Afina Sulia / 232018015 / B iii

 PRATIKUM PENGINDERAAN JAUH II

BAB I
PENDAHULUAN
1.1. Maksud dan Tujuan
Adapun maksud dari praktikum ini adalah sebagai berikut :
1. Mahasiswa mengerti, memahami dan mengetahui pengertian dari
Google Earth Engine, Kerapatan Vegetasi dan NDVI.
2. Mahasiswa mengerti, memahami dan mengetahui cara melakukan
NDVI dengan menggunakan Google Earth Engine.
3. Mahasiswa mengerti, memahami dan mengetahui Fungsi dari
Melakukan NDVI pada Google Earth Engine.

Adapun tujuan dari praktikum ini adalah sebagai berikut :

1. Mahasiswa mampu untuk mendeskripsikan dan menganalisis pengertian
dariGoogle Earth Engine, Kerapatan Vegetasi dan NDVI.
2. Mahasiswa mampu untuk mendeskripsikan dan menganalisis cara
melakukan NDVI dengan menggunakan Google Earth Engine.
3. Mahasiswa mampu untuk mendeskripsikan dan menganalisis fungsi
dari dari Melakukan NDVI pada Google Earth Engine.

1.2.Waktu dan Tempat Pelaksanaan Praktikum

Adapun waktu dan tempat pelaksanaan praktikum “Prepocession Image”
ini dilaksanakan pada :
Hari, Tanggal : Rabu, 25 November 2020.
Waktu : Pukul 16.00 WIB-selesai.
Tempat : Kediaman masing- masing (Via daring)

Arin Afina Sulia / 232018015 / B 1

 PRATIKUM PENGINDERAAN JAUH II

BAB II
DASAR TEORI
2.1. Google Earth Engine
Google Earth Engine (GEE) adalah platform berbasis cloud yang
memudahkan untuk mengakses dan memproses kumpulan data geospasial
yang sangat besar untuk analisis dan pengambilan keputusan. Platform ini
memungkinkan pengguna untuk membuat dan menjalankan algoritma
khusus dan komputasi yang cepat sehingga memungkinkan melakukan
analisis skala global dengan mudah. Setelah algoritma dikembangkan di
Google Earth Engine, pengguna dapat menghasilkan produk data yang
sistematis dengan menggunakan aplikasi yang interaktif. Pengguna dapat
melakukan analisis data geospasial yang kompleks seperti analisis overlay,
perhitungan matriks, perhitungan peta, pemrosesan citra, analisis time-
series, konversi raster & vektor, statistik, dan sebagainya. sistem GEE,
tanpa perlu melakukan pengembangan aplikasi, pemrograman web, atau
HTML. Pengguna memungkinkan untuk melakukan pemetaan dan
monitoring vegetasi dari tahun ketahun dengan akurat dan cepat.
Kelebihan Google Earth Engine, sebagai berikut :
1. Memiliki akses terhadap data citra satelit dan data lainnya dengan
jumlah yang sangat besar (petabyte), dan terus diupdate.
2. Processing data berjalan secara cloud dan parallel di server Google.
3. Memilki algoritma-algoritma data processing yang cukup banyak dan
terus disempurnakan oleh Google Engineer dan diuji oleh komunitas,
sehingga algoritma tersebut menjadi semakin baik dan teruji.
4. Dipakai oleh peneliti, akademisi dan berbagai lembaga di dunia untuk
berbagai aplikasi.
5. Dengan Application Programming Interface (API) yang tersedia
untuk Java Script dan Python, memungkinkan pengguna untuk
melakukan pengolahan data yang lebih kompleks sesuai dengan
kebutuhannya.
6. Dukungan dokumentasi yang cukup lengkap bagi para pemula untuk
meggunakan platform ini.

Arin Afina Sulia / 232018015 / B 2

 PRATIKUM PENGINDERAAN JAUH II

2.2. Kerapatan Vegetasi

Vegetasi menurut Maarel (2005) merupakan didefinisikan sebagai
suatu sistem yang terdiri dari sekelompok be-sar tumbuhan yang tumbuh dan
menghuni suatu wilayah. Vegetasi juga didefi-nisikan sebagai keseluruhan
tumbuhan dari suatu area yang berfungsi sebagai area penutup lahan, yang
terdiri dari beberapa jenis seperti herba, perdu, pohon, yang hidup
bersamasama pada suatu tempat dan saling berinteraksi antara satu dengan
yang lain, serta lingkungannya dan memberikan kenampakan luar vege-tasi
(Agustina, 2008; Maryantika, 2010; Susanto, 2012).
Vegetasi memegang peran penting pada banyak proses yang
berlangsung di ekosistem yang diantaranya diungkapkan oleh Smith, et .al
(2000) antara lain: (a) penyimpanan dan daur nutrisi; (b) penyim panan
karbon; (c) purifikasi air; serta (d) keseimbangan dan penyebaran komponen
penting penyusun ekosistem seperti detri-vor, polinator, parasit, dan predator.
Pe-rubahan vegetasi menurut Stirling dan Wilsey (2001) berpengaruh penting
terha-dap stabilitas, produktivitas, struktur tro-fik, serta perpindahan
komponen ekosis-tem. Oleh karena itu, monitoring terhadap perubahan
struktur dan komposisi vegetasi harus dilakukan secara berkala agar diketahui
kondisi umum ekosistem di se-kitarnya. Salah satu cara untuk memantau
perubahan struktur dan komposisi vegetasi dilakukan melalui analisis
vegetasi.
Kerapatan vegetasi inilah yang akan menciptakan kenyamanan dan
kesejukan pada suatu penggunaan lahan. Semakin tinggi kerapatan vegetasi
pada suatu lahan, maka akan semakin rendah suhu permukaan disekitar lahan
tersebut, begitu juga sebaliknya .Kondisi dan keberadaan vegetasi di
perkotaan dapat diketahui dengan berbagai teknik, salah satunya dengan
menggunakan teknik pengindraan jauh dengan memanfaatkan metode indeks
kerapatan vegetasi . Tingkat kerapatan vegetasi ditentukan oleh nilai indeks
NDVI (Normalized Difference Vegetation Index) yang diturunkan dari data
Citra Landsat diperoleh dari perhitungan saluran Near Infrared (NIR) dengan
saluran Red yang dipantulkan oleh tumbuhan. Nilai indeks vegetasi
diantaranya dapat memberikan informasi mengenai presentasi kerapatan
vegetasi, indeks tanaman hidup (Leaf Area Index), fraksi radiasi aktif untuk

Arin Afina Sulia / 232018015 / B 3

 PRATIKUM PENGINDERAAN JAUH II

penyerapan fotosintesis (fAPAR), kapasitas fotosintesis dan estimasi

penyerapan CO2. (Hernawati, 2017)

2.3.NDVI
Normalize Difference Vegetation Index (NDVI) merupakan indeks
kehijauan atau aktivitas fotosintesis vegetasi, dan salah satu indeks vegetasi
yang paling sering digunakan. NDVI didasarkan pada pengamatan bahwa
permukaan yang berbeda-beda merefleksikan berbagai jenis gelombang
cahaya yang berbeda-beda. Ouput dari NDVI berupa file/layer citra baru.
Nilai dari NDVI dapat berkisar dari -1 sampai 1.

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.

(𝑁𝐼𝑅−𝑅𝐸𝐷)
NDVI =
(𝑁𝐼𝑅+𝑅𝐸𝐷)

Tabel 1. Nilai kerapatan NDVI

Arin Afina Sulia / 232018015 / B 4

 PRATIKUM PENGINDERAAN JAUH II

BAB III
PELAKSANAAN PRAKTIKUM
3.1. Langkah – Langkah NDVI
Langkah-langkah untuk melakukan NDVI pada Google Earth Engine,
sebagai berikut :

Table 2. Langkah-Langkah NDVI

No Gambar Penjelasan
1. Masuk ke Google
Earth Engine,
kemudian buatlah
file baru dengan
cara klik new >
Repository.

2. Setelah itu Klik

OK.

3. Tampilkan wilayah
yang akan
digunakan dalam
proses NDVI.
Pada praktikum ini
saya mengambil
wilayah Jakarta.

Arin Afina Sulia / 232018015 / B 5

 PRATIKUM PENGINDERAAN JAUH II

4. Pada code
editor.copy kan
script berikut :
var dataset =
ee.ImageCollection('LANDSAT/LC08/
C01/T1_ANNUAL_NDVI')
.filterDate('2019-01-01', '2019-12-31');
var colorized = dataset.select('NDVI');
var colorizedVis = {
min: 0.0,
max: 1.0,
palette: [
'FFFFFF', 'CE7E45', 'DF923D',
'F1B555', 'FCD163', '99B718',
'74A901',
'66A000', '529400', '3E8601', '207401',
'056201', '004C00', '023B01',
'012E01', '011D01', '011301'
],
};
var colorized =
dataset.sum().clip(table)
Map.addLayer(colorized, colorizedVis,
'Colorized');

5. Membuat Geometri
dengan cara
mengklik bagian
yang dilingkari
warna merah.

6. Buat geometri pada

area/wilayah yang
akan dilakukan
NDVI.

7. Pada code editor,

ubah variable
geometri (var
geometry) menjadi
variable daerah
yang digunakan.
Contoh:
var Jakarta

Arin Afina Sulia / 232018015 / B 6

 PRATIKUM PENGINDERAAN JAUH II

Filter tanggal untuk

meminimalisir
kenampakan awan
8. Pada variable
colorized ubah
clip(table) menjadi
clip(daerah yang
digunakan).
Contoh:
clip(Jakarta)

9. Kemudian klik Run

atau Ctrl+Enter
untuk menjalankan
script.
Tunggu hingga
muncul tampilan
seperti gambar di
samping.

10. Uncheck pada

Geometry Imports
untuk
menghilangkan
warna merah pada
area yang
dilakukan NDVI.

Arin Afina Sulia / 232018015 / B 7

 PRATIKUM PENGINDERAAN JAUH II

11. Untuk melihat nilai

NDVI, klik kolom
Inspector,
kemudian klik
daerah pada peta
yang ingin dilihat
nilai NDVI.
Maka pada kolom
Inspector akan
muncul nilai NDVI
daerah yang dipilih.
Klik Save untuk
menyimpannya.

Arin Afina Sulia / 232018015 / B 8

 PRATIKUM PENGINDERAAN JAUH II

BAB IV
HASIL DAN ANALISIS
4.1. Hasil
Hasil NDVI yang didapat dengan menggunakan Google Earth Engine,
sebagai berikut :

Gambar 1. Hasil NDVI

4.2.Analisis
Dari hasil NDVI yang sudah dilakukan pada Google Earth Engine dan
setelah mencoba melihat nilai NDVI pada beberapa wilayah Jakarta diperoleh
bahwa kerapatan NDVI pada wilayah ini sangat rendah yaitu berada di kelas
0.1-0.5 tetapi ada beberapa wilayah Jakarta yang menempati kelas sedang,
dapat dilihat pada hasil NDVI ada (bagian yang berwarna hijau) hanya
sedikit yang berarti minimnya vegetasi pada wilayah tersebut.

Arin Afina Sulia / 232018015 / B 9

 PRATIKUM PENGINDERAAN JAUH II

BAB V
KESIMPULAN
5.1. Kesimpulan
Google Earth Engine (GEE) adalah platform yang dirancang untuk
menyimpan dan memproses kumpulan data yang sangat besar (pada skala
petabyte) untuk analisis dan pengambilan keputusan akhir. Menyusul
ketersediaan gratis seri Landsat pada tahun 2008, Google mengarsipkan
semua kumpulan data dan menautkannya ke mesin komputasi untuk
penggunaan sumber terbuka. Arsip data saat ini mencakup data dari satelit
lain, serta kumpulan data vektor berbasis Sistem Informasi Geografis (GIS),
sosial, demografis, cuaca, model ketinggian digital, dan lapisan data iklim..
Semakin tinggi kerapatan vegetasi pada suatu lahan, maka akan
semakin rendah suhu permukaan disekitar lahan tersebut, begitu juga
sebaliknya .Kondisi dan keberadaan vegetasi di perkotaan dapat diketahui
dengan berbagai teknik, salah satunya dengan menggunakan teknik
pengindraan jauh dengan memanfaatkan metode indeks kerapatan vegetasi .
Tingkat kerapatan vegetasi ditentukan oleh nilai indeks NDVI (Normalized
Difference Vegetation Index) yang diturunkan dari data Citra Landsat
diperoleh dari perhitungan saluran Near Infrared (NIR) dengan saluran Red
yang dipantulkan oleh tumbuhan. Nilai indeks vegetasi diantaranya dapat
memberikan informasi mengenai presentasi kerapatan vegetasi, indeks
tanaman hidup (Leaf Area Index), fraksi radiasi aktif untuk penyerapan
fotosintesis (fAPAR), kapasitas fotosintesis dan estimasi penyerapan CO2.
(Hernawati, 2017)
Indeks Vegetasi adalah pengukuran optis tingkat kehijauan (greenness)
kanopi vegetasi, sifat komposit dari klorofil daun, luas daun, struktur dan
tutupan kanopi vegetasi (Huete, 2011). Indeks vegetasi telah banyak
digunakan dalam berbagai penelitian tentang vegetasi skala global. Indeks
Vegetasi dapat secara efektif digunakan untuk pemetaan kekeringan,
penggurunan (desertifikasi) dan penggundulan hutan (Horning, 2010).Ada
banyak Algoritma indeks vegetasi yang pernah dikembangkan untuk
pengukuran Index Vegetasi.

Arin Afina Sulia / 232018015 / B 10

 PRATIKUM PENGINDERAAN JAUH II

Pada wilayah JAkarta memiliki kerapatan vegetasi yang sangat rendah

yaitu berada di kelas 0.1-0.5 tetapi ada beberapa wilayah Jakarta yang
menempati kelas sedang, dapat dilihat pada hasil NDVI ada (bagian yang
berwarna hijau) hanya sedikit yang berarti minimnya vegetasi pada wilayah
tersebut.

Arin Afina Sulia / 232018015 / B 11

 PRATIKUM PENGINDERAAN JAUH II

DAFTAR PUSTAKA

Gorelick, Noel, et al. "Google Earth Engine: Planetary-scale geospatial analysis for
everyone." Remote sensing of Environment 202 (2017): 18-27.

Octarina, Tania Maria, et al. "Penginderaan Jauh Pemrosesan Data Satelit Landsat
8 Untuk Deteksi Genangan." J. Ilm. Merpati Univ. Udayana 7.1 (2019):
77-85.

Rahayu, C. D., & Candra, D. S. (2014). Koreksi radiometrik citra landsat-8 kanal
Multispektral menggunakan Top of Atmosphere (ToA) untuk mendukung
klasifikasi penutup lahan. In Seminar Nasional Penginderaan Jauh.
Google Earth Engine Applications. (2019). In Google Earth Engine Applications.
MDPI. https://doi.org/10.3390/books978-3-03897-885-5 (Diakses pada
tanggal 22 November 2020).

Analisis Ketersediaan Ruang Terbuka Hijau Dengan Metode Normalize Difference

Vegetation Index dan Soil Adjusted Vegetation Index Menggunakan Citra
Satelit Sentinel-2A. Jurnal Geodesi Undip. Vol 7(1).

Arin Afina Sulia / 232018015 / B 12