ANALISIS INDEKS NDWI DAN INDEKS NDVI PADA DESA

JARING HALUS, KECAMATAN SECANGGANG,

KABUPATEN LANGKAT

(Dosen Pengampu: Dr. Erni Jumilawaty, M.Si)

DISUSUN OLEH:

Mia Audina Rahmat Nasution

217004018

MAGISTER PENGELOLAAN SUMBERDAYA ALAM

DAN LINGKUNGAN
SEKOLAH PASCASARJANA
UNIVERSITAS SUMATERA UTARA
2022
 PENDAHULUAN

1. Latar belakang

Perubahan tutupan lahan dapat diakibatkan oleh beberapa faktor seperti berubah
karena adanya pengaruh aktifitas manusia maupun berubah secara alami.
Perubahan tutupan lahan tidak dapat dihindari, begitupun di kawasan pesisir. Faktor
yang berperan penting dalam penggunaan lahan lebih banyak dipengaruhi oleh
aktivitas manusia. Misalnya dari hutan menjadi lahan pertanian atau perkebunan
dan dari lahan pertanian menjadi kawasan pemukiman dan industry (Asra,
Mappiasse, and Nurnawati 2020). Perubahan dapat juga terjadi karena adanya
keinginan manusia untuk memenuhi kebutuhannya semakin meningkat seiring
dengan bertambahnya penduduk maupun meningkatnya mutu kehidupan manusia.

Salah satu metode untuk pemantauan data perubahan penutupan lahan yaitu metode
penginderaan jauh (Zurqani et al. 2019). Teknologi penginderaan jauh telah banyak
digunakan dalam memberikan informasi spasial yang beragam di permukaan bumi
seperti pemantauan terumbu karang, suhu, penutupan lahan dan lain sebagainya.
Namun selama ini dalam pemrosesan data geospasial atau dengan metode
penginderaan jauh masih menggunakan metode konvensional seperti kalsifikasi
berbasis pixel dengan bantuan software yang mempunyai kelemahan pada
pemrosesan datanya yang lama dan membutuhkan komputer dengan performa
tinggi (Skole and Tucker 1993). Hal ini tentu membutuhkan biaya yang cukup besar
serta waktu yang relatif lama, khususnya ketika menganalisis dengan cakupan
wilayah yang luas.

Peran teknologi informasi tak pernah lepas dalam segala aspek kehidupan
masyarakat sehari-hari. Dalam pengembangannya, teknologi informasi
dimanfaatkan sebagai sistem informasi geografi. Sistem Informasi Geografi (SIG)
adalah suatu sistem informasi yang dirancang untuk bekerja dengan data yang
bereferensi spasial atau berkoordinat geografi. Data referensi geografi tersebut
diperoleh dengan menggunakan metode penginderaan jauh. Penginderaan jauh
adalah ilmu dan seni untuk memperoleh informasi tentang suatu obyek, daerah, atau
fenomena melalui analisis data yang diperoleh dengan suatu alat tanpa kontak
langsung dengan obyek, daerah, atau fenomena yang dikaji.

Tujuan pokok dari pemanfaatan Sistem Informasi Geografis adalah untuk

mempermudah mendapatkan informasi yang telah diolah dan tersimpan sebagai
atribut suatu lokasi atau obyek. Aplikasi SIG dapat digunakan untuk berbagai
kepentingan selama data yang diolah memiliki referensi geografi, maksudnya data
tersebut terdiri dari fenomena atau objek yang dapat disajikan dalam bentuk fisik
serta memiliki lokasi keruangan (Tangibali, 2017).

2. Tujuan Penelitian
Adapun tujuan dari studi ini adalah sebagai berikut:
1. Untuk menghitung Indeks NDWI (Normalized Difference Wetness Index) Desa
Jaring Halus.
2. Untuk menghitung Indeks NDVI (Normalized Difference Vegetation Index)
Desa Jaring Halus.
 TINJAUAN PUSTAKA

1. Penutupan Lahan
Menurut Undang-Undang Nomor 11 tahun 2020 tentang cipta kerja menjelaskan
bahwa penutupan lahan adalah penutupan lahan oleh beberapa vegetasi dengan
komposisi kerapatan tertentu, sehingga dapat tercipta fungsi hutan antara iklim
mikro, tata Kelola air, dan tempat hidup mahkluk hidup dalam satu ekosistem di
hutan. Tutupan lahan merupakan kenampakan material fisik dari permukaan bumi.
Tutupan lahan dapat menggambarkan keterkaitan antara proses alami dengan
proses sosial di area tersebut. Tutupan lahan dapat menyediakan informasi yang
sangat penting untuk berbagai keperluan Pemodelan maupun pemantauan serta
dapat digunakan untuk memahami fenomena alam yang terjadi pada permukaan
bumi (Gong et al. 2013).

2. Google Earth Engine (GEE)

Google Earth Engine merupakan layanan pemprosesan atau analisis data geospasial
menggunakan sistem repository yang dimiliki oleh google dan didukung oleh
sistem berbasis cloud. Untuk menjalankan sistem yang ada di Google earth engine
menggunakan bahasa pemrograman javascript dan python (Google Developers
n.d.).
Google earth engine menawarkan konsep baru pada dunia geospasial dimana
pengguna atau peneliti tidak perlu lagi mengunduh citra yang dibutuhkan secara
manual namun user atau peneliti dapat mengakses data yang dimiliki oleh
repository google.

3. Citra Sentinel
Citra Sentinel adalah citra multispektral dan juga citra yang mempunyai saluran
radar dengan luas sapuan yang cukup luas. Citra Sentinel memiliki 5 jenis citra,
yaitu Citra Sentinel 1, 2, 3, 4, dan 5. Citra Sentinel-1 merupakan citra yang
diluncurkan oleh European Space Agency (ESA) yang memiliki dua satelit, yaitu
Sentinel-1A dan Sentinel-1B dan dapat digunakan untuk melakukan pemetaan radar
yang dipakai untuk mengatasi penggunaan antena sistem RAR (Real Aperture
Radar) yang semakin panjang untuk meningkatkan resolusi spasial (Putri et al.,
2018). Citra Sentinel-3 adalah citra yang diluncurkan oleh European Space Agency
(ESA) dan EUMETSAT dengan konstelasi dua satelit, yaitu Sentinel-3A dan
Sentinel-3B yang dapat digunakan untuk mengukur tinggi rendah permukaan dari
laut, mengetahui kondisi laut dan pesisir, mengukur atmosfir dengan akurasi yang
tinggi, serta untuk mengetahui keadaan iklim global (Suhadha dan Ibrahim, 2019).

Gambar 1. Karakteristik Citra Band Sentinel-2B

(Sumber: Romlah at al., 2018)

4. Normalized Difference Vegetation Index (NDVI)

Normalized Difference Vegetation Index merupakan metode standar yang
digunakan dalam membandingkan tingkat kehijauan vegetasi yang berasal dari citra
satelit dan 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 memberi perhatian khusus pada fenomena global vegetasi (Irawan
dan Malau, 2016).

Indeks vegetasi atau NDVI adalah indeks yang menggambarkan tingkat kehijauan
suatu tanaman. Indeks vegetasi merupakan kombinasi matematis antara band merah
dan band NIR (Near-Infrared Radiation) yang telah lama digunakan sebagai
indikator keberadaan dan kondisi vegetasi. Vegetasi yang aktif melakukan
fotosintesis akan menyerap sebagian besar gelombang merah sinar matahari dan
mencerminkan gelombang inframerah dekat lebih tinggi. Vegetasi yang sudah mati
atau stress (kurang sehat) lebih banyak mencerminkan gelombang merah dan lebih
sedikit pada gelombang inframerah dekat (Prasetyo at al., 2017).
Nilai NDVI mempunyai rentang antara -1 hingga +1. Nilai yang mewakili vegetasi
berada pada rentang 0,1 hingga 0,7. Jika nilai NDVI di atas nilai ini menunjukkan
tingkat kesehatan dari tutupan vegetasi yang lebih baik (Wass dan Nababan 2010).
Nilai antara 0 – 0,1 umumnya merupakan karakteristik dari bebatuan dan lahan
kosong, permukaan vegetasi yang memiliki rentang nilai NDVI antara 0,2 – 0,3
berupa sabana dan padang rumput, hingga nilai 0,4 – 0,8 diidentifikasi sebagai
hutan hujan tropis dengan vegetasi tinggi (Dasuka et al., 2016).
Tabel 1. Tingkat Kerapatan Vegetasi
Kelas Nilai NDVI Tingkat Kerapatan
1 -1 sampai 0,32 Jarang
2 0,32 sampai 0,42 Sedang
3 0,42 sampai 1 Tinggi
Sumber: Menteri Kehutanan Republik Indonesia (2012)

5. Normalized Difference Wetness Index (NDWI)

Normalized Difference Wetness Index (NDWI) merupakan indeks yang
menunjukkan tingkat kebasahan suatu area. NDWI adalah metode baru yang telah
dikembangkan untuk menggambarkan fitur air terbuka dan meningkatkan
kehadirannya dalam citra digital yang dirasakan dari jarak jauh. NDWI
menggunakan radiasi inframerah yang dipantulkan dan lampu hijau yang terlihat
untuk meningkatkan kehadiran fitur tersebut sekaligus menghilangkan keberadaan
fitur vegetasi tanah dan terrestrial (Tangibali, 2017).

Indeks hidrologi adalah indeks yang menggambarkan nilai kandungan atau kadar
air pada sebuah wilayah. Normalized Difference Wetness Index (NDWI) adalah
suatu algoritma yang digunakan untuk deteksi badan air. Badan air memiliki
kapasitas untuk menyerap secara kuat panjang gelombang sinar tampak dan infra
merah (Lestari at al., 2018).

Tabel 3. Klasifikasi NDWI

Kelas Nilai NDWI Tingkat Kebasahan
1 (-1)-0 Non- Badan Air
2 0-0,33 Kebasahan Sedang
3 0,33-1 Kebasahan Tinggi
Sumber: Lestari at al., 2018.
 METODOLOGI

1. Lokasi Penelitian
Lokasi studi berada di Desa Jaring Halus, Kecamatan Secanggang, Kabupaten
Langkat.

2. Alat dan Bahan

Alat yang digunakan dalam studi ini adalah laptop, Google Earth Engine dan
Software ArcGIS 10.8
Sedangkan bahan yang digunakan dalam studi ini adalah data citra satelit sentinel-
2A dan peta administrasi Desa Jaring Halus.

3. Metodelogi
Adapun bagan alir metodologi studi dapat dilihat pada gambar dibawah ini.

SHP Desa Jaring Halus Sentinel-2A Script NDVI dan NDWI

Google Earth Engine

1. NDVI.tif
2. NDWI.tif
3. S2_True.tif

ArcGIS 10.8

Analisis Data

Layout Peta

Gambar 2. Bagan Alir Metodologi

Untuk lebih jelas, metode yang digunakan adalah sebagai berikut:
1. Penentuan Area
Penentuan area citra dilakukan dengan menggunakan SHP peta administrasi
Desa Jaring Halus, Kecamatan Secanggang, Kabupaten Langkat.

2. Pengolahan Citra Landsat melalui Google Earth Engine (GEE)

Penggunaan algoritma “masking” untuk meminimalkan tutupan awan dan
bayangan pada platform Google Earth Engine. Adapun caranya:
a. Import citra sentinel 2A di GEE untuk mengetahui tangkapan citra di
wilayah yang akan kita intervensi.
b. Import polygon untuk memotong citra sentinel 2A yg didalamnya telah
termasuk objek yg telah kita intervensi.
c. Masukkan script NDWI dan NDVI ke dalam GEE.
d. Ganti tanggal tangkapan citra sesuai kebutuhan.
e. Ganti semua “wilayah” yang ada di script dengan nama “Desa Jaring
Halus”.
f. Klik run, klik task lalu run kembali, setelah selesai download file raster
NDWI dan NDVI di Google Drive.

3. Pengolahan peta melalui software ArcGIS

a. Drag shp raster NDWI, NDVI dan Citra Satelit Sentinel-2A ke dalam
ArcGIS
b. Drag shp peta administrasi Desa Jaring Halus, Kecamatan Secanggang,
Kabupaten Langkat.
c. Clipping raster NDWI dan NDVI sesuai dengan locus kerja.
d. Klasifikasikan raster berdasarkan indeks NDWI.
Klik kanan, lalu klik properties, lalu pilih ‘classes’ menjadi 3, kemudian
klik ‘classify’ lalu pada kolom ‘break values’ masukkan angka: 0, 0.33,
dan 1 (untuk NDWI). Sedangkan untuk NDVI masukkan nilai 0.32, 0.42
dan 1. Lalu sesuaikan warnanya.
 Gambar 3. Klasifikasi raster

e. Reclass: klik ‘arctoolbox’ lalu klik ‘spatial analyst tools’ lalu klik
‘reclass’ lalu klik ‘reclassify’ kemudian isi kolom lalu klik ‘ok’

Gambar 4. Reclass Indeks NDWI

f. Hitung luas raster indeks NDWI.

Gambar 5. Hitung luas NDWI

g. Buat masing-masing layout peta indeks NDWI dan NDVI dengan insert
judul peta, legend, north arrow, scale bar, scale text, dan grid.
 HASIL DAN PEMBAHASAN

Danau Siombak dan Desa Jaring Halus merupakan perairan dengan potensi
sumberdaya alam yang cukup baik. Pada Desa Jaring Halus merupakan daerah yang
diduga memiliki potensi perairan yang lebih bagus dibanding dengan danau
siombak karena daerah pesisir yang berbatasan langsung dengan Suaka Margasatwa
Langkat Timur Laut yang didominasi oleh tumbuhan mangrove. Hutan mangrove
yang berada di desa ini dikelola secara bersama-sama oleh masyarakat untuk
memenuhi kebutuhan masyarakat (Nasution, 2017).

1. Analisis Peta Indeks NDWI Desa Jaring Halus

Gambar 6. Peta Indeks NDWI Desa Jaring Halus

Dari analisis NDWI pada Desa Jaring Halus didapatkan untuk kategori non
badan air disimbolkan dengan warna biru muda cerah yang menunjukan
bahwasanya tingkat kebasahan pada daerah tersebut rendah. Untuk kategori
kebasahan sedang disimbolkan dengan warna biru yang menunjukkan
bahwasanya indeks kebasahan pada Desa Jaring Halus dalam kategori sedang.
 Sedangkan untuk kategori kebasahan tinggi disimbolkan dengan warna deep
blue (biru gelap) yang menunjukan dearah tersebut memiliki tingkat kebasahan
tinggi. Hal ini dapat disebabkan karena daerah tersebut terletak dekat dengan
badan air seperti sungai, pesisir atau laut sehingga memiliki indeks kebasahan
yang sangat tinggi di banding yang lain. Luas dari setiap kategori dapat dilihat
pada table berikut.

Tabel 6. Luas Indeks NDWI

No Indeks NDWI Keterangan Luas (Ha)
1 -1 Non Badan Air 840,866036
2 0 - 0,33 Kebasahan Sedang 40,688218
3 0,33 - 1 Kebasahan Tinggi 111,222025

2. Analisis Indeks NDVI Desa Jaring Halus

Adapun Indeks NDVI dapat dilihat pada gambar dibawah ini.

Gambar 6. Peta Indeks NDVI Desa Jaring Halus

Dari hasil analisis NDVI pada Desa Jaring Halus, kategori jarang disimbolkan
dengan warna hijau muda cerah yang menunjukan bahwa daerah tersebut
kerapatan vegetasi pohon yang jarang atau sedikit, untuk kategori sedang
disimbolkan dengan warna hijau yang menunjukkan tingkat kerapatan vegetasi
yang sedang. Sedangkan untuk kategori tinggi disimbolkan dengan warna hijau
tua yang menunjukan bahwa daerah vegetasi pepohonan di Desa Jaring Halus
masih tinggi. Luas dari setiap kategori dapat dilihat pada tabel berikut.
Tabel 4. Luas Indeks NDVI
No Indeks NDVI Keterangan Luas (Ha)
1 -1,32 Jarang 164,341946
2 0,32 - 0,42 Sedang 4,847699
3 0,42 - 1 Tinggi 823,668221
 KESIMPULAN

Adapun kesimpulan yang diperoleh dari studi ini adalah sebagai berikut:
1. Analisis NDWI (Normalized Difference Wetness Index) pada Desa Jaring
Halus didapatkan luas daerah non badan air seluas 840,866036 Ha, indeks
kebasahan sedang seluas 40,688218 Ha dan indeks kebasahan tinggi seluas
111,222025 Ha.
2. Analisis NDVI (Normalized Difference Vegetation Index) pada Desa Jaring
Halus didapatkan luas daerah vegetasi pada indeks jarang (sedikit) yaitu
seluas 164,341946 Ha, indeks sedang seluas 4,847699 Ha dan pada indeks
Tinggi seluas 823,668221 Ha.
 DAFTAR PUSTAKA

Asra, Reza, Muh Faisal Mappiasse, and Andi Ayu Nurnawati. 2020. “Penerapan
Model CA-Markov Untuk Prediksi Perubahan Penggunaan Lahan Di Sub-
DAS Bila Tahun 2036.” AGROVITAL:Jurnal Ilmu Pertanian 5(1): 1.
Dasuka YP, Sasmito B, Hani’ah. 2016. Analisis Sebaran Jenis Vegetasi Hutan
Alami Menggunakan Sistem Penginderaan Jauh. Jurnal Geodesi UNDIP
5(2): 2-3
Gong, Peng et al. 2013. “Finer Resolution Observation and Monitoring of Global
Land Cover: First Mapping Results with Landsat TM and ETM+ Data”
International Journal of Remote Sensing 34 (7): 2607–54.

Irawan S, Malau AO. 2016. Analisis Persebaran Mangrove di Pulau Batam

Menggunakan Teknologi Penginderaan Jauh. Jurnal integrasi 8(2): 80-87

Nasution, R. 2017. Stuktur Komunitas Kepiting Bakau (Scylla spp.) di Perairan

Kawasan Mangrove Desa Jaring Halus Kabupaten Langkat Sumatera Utara.
[Skripsi]. Universitas Sumatera Utara, Medan.
Noraini, A dan A. Y. Mabrur. 2020. Perbandingan Visualisasi Hasil Deteksi Area
Terbangun Berdasarkan Metode Maximum Likelihood Classification (MLC)
dan Normalized Difference Built-Up Index (NDBI). 16 (1). ISSN : 1411-8548
Prasetyo, N. N., B. Sasmito dan Y. Prasetyo. 2017. Analisis Perubahan Kerapatan
Hutan Menggunakan Metode NDVI dan EVI pada Citra Satelit andsat 8
Tahun 2013 dan 2016. Jurnal Geodesi Undip. 6(3) ISSN : 2337-845X.
Putri DR, Sukmono A, Sudarsono B. 2018. Analisis Kombinasi Citra Sentinel-1A
dan Citra Sentinel-2A untuk Klasifikasi Tutupan Lahan (Studi Kasus:
Kabupaten Demak, Jawa Tengah). Jurnal Geodesi Undip. 7(2): 85-96.
Skole, David, and Compton Tucker. 1993. “Tropical Deforestation and Habitat
Fragmentation in the Amazon: Satellite Data from 1978 to 1988.” Science
260(5116): 1905–10.
Suhadha A dan Ibrahim A. 2019. Satelit Multimisi Sentinel-3 dan Pemanfaatannya
dalam Pemantauan Sumberdaya Pesisir dan Laut. Inderaja. 10(12): 41-49.
Tangibali C. N. 2017. Analisis Karakteristik Spasial Kabupaten Sidenreng Rappang
Berbasis GIS dan Remote Sensing Menggunakan Citra Landsat 8. Universitas
Hassanuddin, Makassar.
Wass HJD, Nababan B. 2010. Pemetaan dan Analisis Index Vegetasi Mangrove di
Pulau Saparua Maluku Tengah. E-Jurnal Ilmu dan Teknologi KelautanTropis
2 (1): 50-58
Zurqani, H A et al. 2019. “Geospatial Analysis of Flooding from Hurricane
Florence in the Coastal South Carolina Using Google Earth Engine” :4-5.