LAPORAN PRAKTIKUM KE-5

INDEX VEGETASI DAN CITRA RADAR

MNH SENIN SORE

Ayu Oktavia Sianturi

E14190044

Koordinator:

1. Dr. Nining Puspaningsih, M,Si

2. Qori Pebrial Ilham, S.Hut., M,Si
3. Uus Syaiful, S.Hut

Asisten:

1. Khadijah Nurul Lathifah E14180085

2. Nadian Amarullah E14180078
3. Abdur Rohman Awwab E14180087

LABORATORIUM FISIK REMOTE SENSING DAN GIS

DEPARTEMEN MANAJEMEN HUTAN
FAKULTAS KEHUTANAN DAN LINGKUNGAN
INSTITUT PERTANIAN BOGOR
2022
 KATA PENGANTAR

Puji syukur praktikan panjatkan kepada Allah subhanahu wa ta’ala atas

segala limpahan rahmat, kemudahan, dan karunia-Nya sehingga praktikan dapat
menyelesaikan Laporan Praktikum koreksi geometrik yang merupakan sesuai yang
diharapkan.
Proses pengerjaan laporan ini, praktikan melakukan berbagai studi literatur
yang dibantu dengan bimbingan, arahan dan pengetahuan dari beberapa pihak
hingga praktikan mampu menyelesaikan laporan ini dengan baik. Maka dari itu,
praktikan mengucapkan terima kasih yang sebesar-besarnya kepada semua pihak
yang telah membantu dalam penyelesaian laporan praktikum ini, dan terutama
rasa terimakasih yang sebesar-besarnya kepada dosen pengajar praktikum yaitu
kepada bapak Uus Saepul Mukarom, S.Hut dan para Asisten Praktikum yang
selalu memberikan arahan dan bimbingan selama praktikum berlangsung.
Praktikan berharap laporan praktikum ini dapat bermanfaat bagi pembaca,
menambah pengetahuan dan mempermudah percobaan yang hendak dilakukan.
Akhirnya praktikan menyadari bahwa banyak terdapat kekurangan dalam
penulisan laporan praktikum ini, baik dari materi maupun teknik penyajiannya,
mengingat kurangnya pengetahuan dan pengalaman praktikan. Oleh karena itu
praktikan mengharapkan kritik dan saran yang konstruktif demi kesempurnaan
laporan praktikum ini untuk ke depannya.

i
 DAFTAR ISI
KATA PENGANTAR ............................................................................. i
DAFTAR ISI .......................................................................................... ii
DAFTAR TABEL.................................................................................... iii
DAFTAR LAMPIRAN............................................................................ iv
BAB I PENDAHULUAN ....................................................................... 1
1.1. Latar Belakang............................................................................. 1
1.2. Tujuan ......................................................................................... 1
BAB II METODOLOGI…………………..................................................... 2
2.1 Waktu dan Tempat...................................................................... 2
2.2. Alat dan Bahan………................................................................... 2
2.3. Prosedur Kerja............................................................................. 2
BAB III HASIL DAN PEMBAHASAN…………....................................... 21
3.1. Hasil…………….............................................................................. 21
3.2. Pembahasan………….................................................................... 22
BAB IV PENUTUP………………………....................................................... 25
4.1. Kesimpulan…............................................................................... 25
4.2. Saran…………………….................................................................... 25
DAFTAR PUSTAKA............................................................................... 26
LAMPIRAN ........................................................................................... 27

ii
 DAFTAR LAMPIRAN

Lampiran 1 Link video pengerjaan…………….………………………………………………… 12

iii
 DAFTAR GAMBAR

Gambar 1 Display Hasil Software……………………………….……………..………………….. 21

Gambar 2 Display Hasil Model Maker……………………….………………………………….. 21
Gambar 3 Display Citra HH/HV…………………………….…………………………………….. 21
Gambar 4 Display Citra HH+HV……………………………….……………………………….... 22
Gambar 5 Display Citra HH-HV…………………………………………………………………… 22
Gambar 6 Layer stacking HH, HV, HH/HV…………………………………………………… 22

iv
 BAB 1
PENDAHULUAN
1.1. Latar Belakang
Penginderaan jauh (inderaja) merupakan ilmu dan seni untuk memperoleh
informasi tentang suatu objek, daerah, atau fenomena melalui analisis data
yang diperoleh dengan suatu alat tanpa kontak langsung dengan objek,
daerah, atau fenomena yang dikaji (Lilesand et al. 2004). Teknologi inderaja,
dalam hal ini citra satelit beresolusi tinggi, dipandang sebagai metode yang
tepat untuk memperoleh data tutupan atau penggunaan lahan. Objek
penginderaan jauh adalah semua benda yang ada di permukaan bumi, seperti
tanah, gunung, air, vegetasi, dan hasil budidaya manusia, kota, lahan
pertanian, hutan atau benda-benda yang di angkasa seperti awan.
Pengolahan data penginderaan jauh akan menghasilkan informasi perubahan
luas hutan dalam bentuk peta (Somantri 2009).
Identifikasi objek dengan menggunakan teknologi penginderaan jauh
dilaksanakan dengan beberapa pendekatan antara lain karakteristik spektral
citra, visualisasi, floristik, geografi dan phsygonomik (Dasuka et al. 2016).
Pada citra satelit, identifikasi objek lebih banyak didasarkan atas
karakteristik spektral. Obyek yang berbeda akan memberikan pantulan
spektral yang berbeda pula, bahkan obyek yang sama dengan kondisi dan
kerapatan yang berbeda akan memberikan nilai spektral yang berbeda
(Danoedoro 1996). Oleh karena itu pemantauan nilai indeks vegetasi
menggunakan resolusi spasial yang tinggi dibutuhkan. Pemantauan nilai
indeks vegetasi dapat digunakan asalkan citra tersebut memiliki kanal-kanal
yang dibutuhkan dalam algoritma perhitungan indeks vegetasi. Pemanfaatan
citra satelit dengan resolusi spasial yang tinggi sangat diperlukan didaerah
perkotaan yang mempunyai tingkat keragaman tutupan lahan yang heterogen
dan daerah yangmemiliki potensi sumberdaya tinggi (Hidayah dan Wiyanto
2013).

1.2. Tujuan
Praktikum ini bertujuan agar mahasiswa dapat memahami memahami dan
membedakan Vegetasi dan Non Vegetasi dengan menggunakan “Indeks
Vegetasi”, mampu membuat model Maker sendiri dengan Fungsi yang
tersedia, mampu mengaplikasikan rumus yang telah tersedia dengan Model
Maker danmenganalisisnya lebih lanjut dan dapat memahami Kanal / Band
apa saja yag harus ada untuk membuat Indeks Vegetasi dengan berbagai
macam rumus Indeks Vegetasi.Registrasi (mencocokan) posisi citra dengan
citra lain atau mentransformasikan system koordinat citra multispectral atau
multitemporal.

1
 BAB II
METODE
2.1. Waktu dan Tempat
Praktikum “Index vegetasi dan citra radar” dilaksanakan secara daring
melalui media Zoom Meeting. Waktu pelaksanaan praktikum pada tanggal
21 Februari 2022, pukul 15.00-18.00 WIB. Praktikum dilaksanakan di
rumah praktikan masing-masing.

2.2. Alat dan Bahan

Alat yang digunakan dalam praktikum ini adalah laptop dengan aplikasi
ERDAS IMAGINE 2015, Microsoft Word, dan alat tulis. Bahan yang
digunakan pada praktikum ini adalah panduan praktikum berupa Power
Point, citra Landsat 8 OLI.

2.3. Prosedur Kerja

Index Vegetasi
1. Membuka aplikasi ERDAS IMAGINE 2015

2. Memasukkan data citra yang akan dibuat nilai index vegetasi dengan
kombinasi band 6-5-2

3. Memilih menu Raster >> Unsupervised >> NDVI/Indices

2
4. Pada Setelah membuka toolbox Indices, akan terlihat toolbox,
selanjutnya input data >> menggunakan Landsat 8 MS >> dengan
Index NDVI >> masukkan output juga

5. Membuka file hasilproses dengan nama file NDVI dengan tampilan

display pseudocolor

3
6. Klik kanan pada file NDVI dan pilih display atribute table

4
7. Membagi kelas NDVI berdasarkan beberapa literaturehasil penelitian 4
kelas dan memberi warna yang berbeda dengan cara Membuat kriteria
berdasarkan kelas nilai NDVI >> buka atribute NDVI>> pilih menu
raster >> tabel >> criteria >> Setelah selesai close tabel atribute NDVI
selanjutnya simpan YES
a. Non vegetasi = < 0.2343 warna merah
b. Vegetasi jarang = >= 0.2343 dan <= 0.2813 warna chartreuse
c. Vegetasi sedang = > 0.2813 dan <= 0.3143 warna green
d. Vegetasi lebat = > 0.3143 warna dark green

5
8. Untuk menghilangkan warna dark green di pinggiran, maka
mengubahwarna pada pixel value yang terbesar menjadi warna putih

6
9. Membuat model maker, pilih menu toolbox >> model maker

10. Buat model maker

7
11. Masukkan input dan rumus pada model

8
12. Save as model yang sudah dibuat

13. Tampilkan display model NDVI dan bandingkan dengan display NDVI
hasil software. Beri dulu warna pada display model NDVI dengan cara
yang sama pada nomor 7

9
14. Lihat hasil pixel vegetasi rapat, sedang, jarang, dan bukan vegetasi pada
NDVI model

10
Citra Radar
1. Buka software Erdas Imagine 2015

11
2. Pilih menu Toolbox – Model maker

3. Buat sketsa model

12
4. Input data pada masing-masing model

13
14
5. Tunggu hingga proses selesai 100%

6. Open file yang telah diproses pada model maker dengan membandingkan
dengan citra radar HH dan HV

7. Lakukan hal yang sama untuk citra radar HH-HV dan HH+HV namun
mengganti rumus menjadi dalam bentuk (-) dan (+)

15
8. Lakukan layer stack pada tiga layer yaitu HH, HV dan gabungannya

16
9. Tunggu hingga proses selesai

17
10. Olah citra radar dengan menggunakan model maker pada menu toolbox

11. Buat sketsa model

12. Input data pada masing-masing model

18
19
13. Open file yang sudah diproses lalu bandingkan dengan citra sebelumnya

20
 BAB III
HASIL DAN PEMBAHASAN

3.1. Hasil

Gambar 1 Display hasil software

Gambar 2 Display hasil model maker

Gambar 3 Display citra HH/HV

21
 Gambar 4 Display citra HH+HV

Gambar 5 Display citra HH-HV

Gambar 6 Layer stacking HH, HV, HH/HV

3.2. Pembahasan
Indeks vegetasi merupakan suatu algoritma yang diterapkan terhadap
citra satelit untuk menonjolkan aspek kerapatan vegetasi ataupun aspek lain
yang berkaitan dengan kerapatan. Beberapa contoh objek yang ditonjolkan
adalah biomassa, Leaf Area Index (LAI), dan konsentrasi klorofil. Secara
singkat, indeks vegetasi merupakan suatu transformasi matematis yang
22
melibatkan beberapa saluran sekaligus untuk menghasilkan citra baru yang
lebih representatif dalam menyajikan aspek-aspek yang berkaitan dengan
vegetasi. Pada umunya, respon spektral citra satelit memiliki sensivitas
terhadap kerapatan vegetasi (indeks luas dan daun), tajuk pohon dan
kandungan air di daun tumbuhan. Pertambahan kerapatan vegetasi akan
terjadi dari lahan terbuka menjadi tahap suksesi, akan tetapi pantulan dalam
spektrum sinar tampak berkurang karena adanya penambahan luasan daun
dan penyerapan (Hernandi et al. 2013). Hubungan antara respon spektral
pada spektrum sinar tampak dan inframerah dengan kerapatan vegetasi
dapat dijelaskan dengan suatu indeks yang disebut indeks vegetasi.
Pengertian lainnya, Indeks vegetasi merupakan suatu formulasi pengolahan
data inderaja secara digital yang dapat diarahkan secara khusus untuk
mengkaji informasi tematik dari lahan bervegetasi (Waas dan Nababan
2010).
Selanjutnya dapat diketahui pula bahwa metode analisa indeks vegetasi
ada beberapa macam antara lain NDVI (Normalized Difference Vegetation
Index), GI (Green Indeks) dan WI (Wetness Index). Indeks vegetasi adalah
kombinasi matematis antara band merah dengan band Near Infra-Red
(NIR) yang telah lama digunakan sebagai indikator kondisi vegetasi dan
keberadaan yang sering dikenal dengan sebutan Normalized Difference
Vegetation Index (NDVI). Transformasi green index (GI) dikenal pula
dengan transformasi indeks kehijauan, dengan anggapan semakin
rapat vegetasi akan memberikan nilai indeks yang tinggi.
Sedangkan transfromasi WI dikenal pula dengan indeks kebasahan, dengan
anggapan bahwa semakin padat vegetasi akan memberikan indeks
kebasahan yang tinggi, karena daun dari vegetasi mengandung air.
Cairan dalam daun tersebutyang akan memberikan
indeks vegetasi (Purwanto 2015). Selain itu, metode lain yang digunakan
untuk mendapatkan nilai indeks vegetasi adalah Simple Ratio Vegetation
Index (SRVI), Simple Difference Vegetation Index (SDVI), Transformed
Vegetation Index (TVI), Renormalized Difference Vegetation Index (RDVI),
dan Green Normalized Difference Vegetation Index (GNDVI). Metode skala
lanskap (NDVI) adalah metode yang memperhitungkan besaran nilai
kehijauan vegetasi yang diperoleh dari pengolahan sinyal digital data nilai
kecerahan (brightness) beberapa kanal data sensor satelit dari citra satelit.
Pada dasarnya, NDVI mengukur kemiringan antara nilai asli band merah
dan band infra merah di angkasa dengan nilai band merah dan infra merah
yang ada dalam tiap piksel citra. Nilai NDVI berkisar dari -1 sampai
dengan 1 dengan klasifikasi -1 sampai 0 termasuk ke dalam kelompok bukan
vegetasi dan 0 sampai dengan 1 termasuk kelompok vegetasi (Philiani 2018).
Menurut Danoedoro (1996), NDVI merupakan kombinasi antara teknik
penisbahan dengan teknik 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. Dalam
pengolahannya, NDVI menggunakan rumus algoritma yang membutuhkan
pembagian antara nilai (band NIR - band RED) dengan nilai (band NIR +
band RED).
Citra Radar merupakan sistem penginderaan jauh aktif yang memiliki
sumber energi sendiri dalam proses pencitraannya. Dengan demikian, secara
23
umum sistem radar mampu menghasilkan produk yang diharapkan dalam

24
berbagai kondisi cuaca. Kekurangan citra radar dalam aplikasinya yang
sangat terasa adalah hanya memiliki kanal tunggal. Hal ini mengakibatkan
tampilan permukaan bumi pada citra Radar hanya hitam-putih (tidak
berwarna). Citra radar digunakan untuk pembuatan peta wilayah dimensi
yang biasanya relative bersih dari gangguan atmosfer.
Pengamatan vegetasi umumnya dilakukan dengan membandingkan
tingkat kecerahan saluran merah dengan saluran infra merah dekat. Pada
lahan bervegetasi maka penyerapan cahaya merah oleh klorofil dan
pemantulan cahaya infaramerah dekat oleh jaringan mesofil yang terdapat
pada daun akan membuat nilai kecerahan yang diterima sensor satelit pada
kanal-kanal akan jauh berbeda (Que et al. 2019). Berdasarkan hasil tabel
nilai indeks vegetasi dengan 6 model yang digunakan, nilai indeks vegetasi
yang tinggi memberikan gambaran bahwa di areal yang diamati terdapat
vegetasi yang mempunyai tingkat kehijauan tinggi, seperti areal hutan rapat
dan lebat. Sebaliknya nilai indeks vegetasi yang rendah merupakan vegetasi
sangat jarang atau kemungkinan besar bukan objek vegetasi yaitu berupa
pemukiman, lahan kosong terbuka ataupun perairan (Wass dan Nababan
2010). Tampilan hasil pixel yang didapatkan NDVI pada vegetasi lebat
sebesar 0,387; hasil vegetasi sedang sebesar 0,296 dan hasil pixel vegetasi
jarang sebesar 0,283, sedangkan hasil pixel non vegetasi sebesar 0,104.
Rentang nilai NDVI yaitu dari - 0,253793 hingga 0,834773.
Citra radar aceh yang digunakan dalam praktikum pengelolaan citra
radar ini menunjukkan citra radar yang kontras dan jelas untuk dianalisis.
Adapun pengolahan citra radar ini dilakukan dengan proses model maker
dan klasifikasi menurut nilai RVI. Citra radar dapat dilihat secara jelas
apabila telah dilaukan layer stack untuk membuat band sintesis. Namun,
pada praktikum ini data klasifikasi menurut nilai RVI tidak dapat dilakukan
karena terhambat oleh factor teknis dari praktikum dan device yang
terkendala dalam proses pengolahan di Erdas Imagine 2015. Sehingga,
output yang dapat dihasilkan dari citra radar ini berupa display citra radar
yang telah melalui proses layer stack.

25
 BAB IV
PENUTUP

1.1. Kesimpulan
Nilai indeks vegetasi adalah metode yang memperhitungkan besaran
nilai kehijauan vegetasi yang diperoleh dari pengolahan sinyal digital data
nilai kecerahan (brightness) beberapa kanal data sensor satelit dari citra
satelit. Pada dasarnya, NDVI mengukur kemiringan antara nilai asli band
merah dan band infra merah di angkasa dengan nilai band merah dan infra
merah yang ada dalam tiap piksel citra. Pembuatan model maker
menggunakan rumus Normalized Difference Vegetation Index (NDVI),
Simple Ratio Vegetation Index (SRVI), Simple Difference Vegetation Index
(SDVI), Transformed Vegetation Index (TVI), Renormalized Difference
Vegetation Index (RDVI), dan Green Normalized Difference Vegetation
Index (GNDVI). Gambar display model maker memiliki kelas warnauntuk
non vegetasi berwarna merah, vegetasi jarang berwarna charreuse, vegetasi
sedang berwarna hijau, dan vegetasi lebat berwarna hijau tua.
Citra Radar merupakan sistem penginderaan jauh aktif yang memiliki
sumber energi sendiri dalam proses pencitraannya. Citra radar digunakan
untuk membuat gambar 2 dimensi peta suatu wilayah demi mendapatkan
informasi- informasi yang dibutuhkan.

1.2. Saran
Diperlukannya praktik langsung di lab untuk memaksimalkan
pemahaman praktikan akan perhitungan dan materi index vegetasi dan citra
radar juga untuk membantu mahasiswa yang terkendala dalam proses
penginstallan aplikasi ERDAS IMAGINE 2015 dikarenakan kendala device
atau alasan lain.

26
 BAB V
DAFTAR PUSTAKA

Danoedoro P. 1996. Pengolahan Citra Digital Teori dan Aplikasinya Dalam

Bidang Penginderaan Jauh. Yogyakarta (ID): Universitas Gadjah Mada.
Dasuka YP, Sasmito B, Haniah H. 2016. Analisis sebaran jenis vegetasi hutan alami
menggunakan sistem penginderaan jauh (Studi Kasus: Jalur Pendakian Wekas
dan Selo). Jurnal Geodesi Undip. 5(2): 1-8.
Hernandi K, Sukojo BM, Parwati E. 2013. Studi tingkat kerapatan mangrove
menggunakan indeks vegetasi. Jurnal teknik pomits. 4(4): 1-6.
Hidayah Z, Wiyanto DB. 2013. Analisa temporal perubahan luas hutan mangrove
di Kabupaten Sidoarjo dengan memanfaatkan data citra satelit. Jurnal Bumi
Lestari. 13 (2): 318-326.
Lilesand TM, Kiefer W, Chipman JW. 2004. Remote Sensing and Image
Interpretation (Fifth Edition). New York (USA): John Wiley & Sons, Inc.
Philiani I. 2018. Pemetaan vegetasi hutan mangrove menggunakan metode
Normalized Difference Vegetation Index (NDVI) di Desa Arakan, Minahasa
Selatan, Sulawesi Utara. Surya Octagon Interdisciplinary Journal of
Technology. 1(2): 211-222.
Purwanto A. 2015. Pemanfaatan citra Landsat 8 untuk identifikasi Normalized
Difference Vegetation Index (NDVI) di kecamatan silat hilir Kabupaten Kapuas
Hulu. Jurnal Pendidikan. 13(1): 27-36.
Somantri L. 2009. Teknologi Penginderaan Jauh (Remote Sensing). Bandung
(ID): Universitas Pendidikan Indonesia.
Que VKS, Prasetyo SYJ, Fibriani C. 2019. Analisis perbedaan indeks vegetasi
normalized difference vegetation index (ndvi) dan normalized burn ratio (nbr)
Kabupaten Pelawanan menggunakan citra satelit landsat 8. Indonesian Journal
of Modeling ang Computing. 1(1): 1-7.
Waas HJ, Nababan B. 2010. Pemetaan dan analisis indeks vegetasi mangrove di
Pulau Saparua, Maluku Tengah. Jurnal Ilmu dan Kelautan Tropis. 50-58.

27
28