Laporan Mata Kuliah Sistem Informasi Geografis Medan, April 2022

PENGELOLAAN BASIS DATA DENGAN MEMANFAATKAN

GOOGLE EARTH ENGINE
Dosen Penanggung Jawab :
Dr. Ir. Bejo Slamet, S.Hut., M.Si.

Oleh :
Putri Armenia Urelia 191201006
Paulus Pandiangan 191201069

Kelompok 14
BDH 6

PROGRAM STUDI KEHUTANAN

FAKULTAS KEHUTANAN
UNIVERSITAS SUMATERA UTARA
MEDAN
2022
 KATA PENGANTAR

Puji syukur kami panjatkan kepada Tuhan yang Maha Esa, karena berkat dan
karunia-Nya penulis dapat menyelesaikan Laporan SIG ini dengan baik. Laporan
SIG yang berjudul “Pengelolaan Basis Data dengan Memanfaatkan Google Earth
Engine” ini dibuat untuk memenuhi tugas SIG sebagai syarat pertemuan yang
akan datang pada Program Studi Kehutanan, Fakultas Kehutanan, Universitas
Sumatera Utara.
Kami mengucapkan terima kasih kepada dosen penanggung jawab Bapak Dr.
Ir. Bejo Slamet S. Hut., M. Si. karena telah memberikan materi dengan baik dan
benar. Kami juga mengucapkan terima kasih kepada teman-tetman yang telah
membantu selama kami mengikuti kegiatan pembelajaran ini.
Kami menyadari bahwa Laporan SIG ini masih banyak kesalahan dalam
penulisan. Oleh karena itu, penulis akan berusaha semaksimal mungkin untuk
memperbaikinya. Kami juga sangat mengharapkan kritik dan saran yang
membangun dari para pembaca. Semoga Laporan SIG ini bisa memberikan
manfaat bagi pembacanya.

Medan, April 2022

Penulis

i
 DAFTAR ISI

Halaman
KATA PENGANTAR....................................................................................i
DAFTAR ISI...................................................................................................ii
DAFTAR GAMBAR......................................................................................iii
PENDAHULUAN
Latar Belakang........................................................................................1
Tujuan......................................................................................................2
TINJAUAN PUSTAKA
METODE PRAKTIKUM
Waktu dan Tempat..................................................................................4
Alat dan Bahan........................................................................................4
Prosedur Praktikum.................................................................................4

HASIL DAN PEMBAHASAN

Hasil........................................................................................................10
Pembahasan.............................................................................................10
PENUTUP
Kesimpulan..............................................................................................12
Saran........................................................................................................12

DAFTAR PUSTAKA

ii
 DAFTAR GAMBAR

No Teks Halaman
1. Nilai Kerapatan Vegetasi (NDVI) .......................................................10
2. Nilai Kerapatan Lahan Terbuka (NDBI)..............................................10

iii
 1

PENDAHULUAN

Latar Belakang
Google Earth Engine Google Earth Engine, selanjutnya akan disingkat
dengan GEE, adalah platform dari Google yang mampu melakukan pengolahan
informasi geospasial. GEE berbeda dengan Google Earth. Jika pada Google Earth,
pengguna akan diajak untuk melakukan eksplorasi bumi dan selsinya seperti
kegiatan tur atau wisata, maka pada GEE, pengguna dapat melakukan pengolahan
data berbentuk citra pengindraan jauh untuk mengekstraksi informasi berbasis
spasial tentang yang terjadi atau apa yang berubah di muka bumi (Rijal, 2020).
GEE merupakan perangkat berbasis data skala petabyte yang dibangun
oleh Google, yang difungsikan untuk analisis data geospasial. GEE sebagai arsip
data citra geospasial tersedia untuk umum secara terbuka (open source).
Infrastruktur komputasi GEE dioptimalkan untuk pemrosesan data geospasial
sehingga memudahkan para pengguna dalam hal membuat suatu pengolahan data
dan visualisasi analisis spasial dari citra satelit baik skala kecil maupun skala
besar. Selain itu, gagasan utama di balik GEE ialah untuk mengarahkan pada
perkembangan teknologi penginderaan jauh, analisis data satelit dan geospasial
yang terus bergerak menuju paradigma Big Data untuk mengubah cara
pemrosesan dari prosedur standar "bawa data ke pengguna" ke sebaliknya "bawa
pengguna ke data" dan faktanya, pengguna dapat langsung mengunggah algoritma
ke infrastruktur khusus, menghapus waktu yang diperlukan untuk transfer data
dan memungkinkan pengembangan aplikasi inovatif (Amelia dkk, 2020).
Vegetasi sebagai penyusun lahan mempunyai jenis yang sangat
beranekaragam. Kumpulan dari berbagai vegetasi yang beranekaragam ini akan
menghasilkan tingkat kerapatan vegetasi yang berbeda-beda pada tiap penggunaan
lahan di suatu daerah (Irawan dan Sirait, 2017).

Tujuan
Adapun tujuan dari Laporan Sistem Informasi Geografis yang berjudul
“Pengelolaan Basis Data dengan Memanfaatkan Google Earth Engine” adalah
untuk mengetahui dan menganalisis nilai NDVI dan NDBI wilayah yang dipilih.
 2

TINJAUAN PUSTAKA

GEE merupakan perangkat berbasis data skala petabyte yang dibangun

oleh Google, yang difungsikan untuk analisis data geospasial. GEE sebagai arsip
data citra geospasial tersedia untuk umum secara terbuka (open source).
Infrastruktur komputasi GEE dioptimalkan untuk pemrosesan data geospasial
sehingga memudahkan para pengguna dalam hal membuat suatu pengolahan data
dan visualisasi analisis spasial dari citra satelit baik skala kecil maupun skala
besar. Selain itu, gagasan utama di balik GEE ialah untuk mengarahkan pada
perkembangan teknologi penginderaan jauh, analisis data satelit dan geospasial
yang terus bergerak menuju paradigma Big Data untuk mengubah cara
pemrosesan dari prosedur standar "bawa data ke pengguna" ke sebaliknya "bawa
pengguna ke data" dan faktanya, pengguna dapat langsung mengunggah algoritma
ke infrastruktur khusus, menghapus waktu yang diperlukan untuk transfer data
dan memungkinkan pengembangan aplikasi inovatif (Amelia dkk, 2020).
Kelebihan yang dimiliki GEE mampu mempermudah peneliti dalam
memperoleh data citra satelit secara langsung, kemudian di proses untuk
kombinasi kanal, penajaman serta visualisasi secara cepat. Selain itu, GEE
didukung dengan algoritma pemograman yang mewadahi peneliti dalam upaya
modifikasi data sesuai kebutuhan. Peneliti tidak perlu lagi mengunduh data dan
memprosesnya didalam perangkat lunak Sistem Informasi Geospasial (SIG)
seperti ArcGIS, QGIS dan lainnya (Amelia dkk, 2020).
Data yang terdapat pada GEE adalah data yang sebetulnya memang open
access/free access dari sumber aslinya. Contohnya adalah Landsat, Sentinel,
MODIS dan lainnya. Hanya saja, jika pada sumber aslinya kita harus mengunduh
data tersebut terlebih dahulu untuk kemudian diproses pada desktop, maka pada
GEE data tersebut tidak perlu diunduh, langsung dapat ditampilkan, dan dapat
diolah hingga tercapainya tujuan akhir pengolahan. GEE bersifat gratis dan
terbuka untuk berbagai kalangan (Rijal, 2020).
Vegetasi mempunyai banyak manfaat baik di pedesaan maupun di
perkotaan, yaitu vegetasi dapat mempengaruhi udara di sekitarnya baik secara
langsung maupun tidak langsung dengan cara merubah kondisi atmosfer
 3

lingkungan sekitarnya. Vegetasi sebagai penyusun lahan mempunyai jenis yang

sangat beranekaragam. Kumpulan dari berbagai vegetasi yang beranekaragam ini
akan menghasilkan tingkat kerapatan vegetasi yang berbeda-beda pada tiap
penggunaan lahan di suatu daerah (Irawan dan Sirait, 2017)
Indeks vegetasi yang digunakan untuk mengetahui kerapatan vegetasi
yaitu nilai NDVI (Normalized Difference Vegetation Index). NDVI merupakan
suatu transformasi untuk menonjolkan aspek vegetasi sehingga dapat
menunjukkan tingkat kerapatan vegetasi yang ada di lapangan. Nilai NDVI
berkisar antara -1 sampai dengan 1. Semakin besar nilai NDVI menunjukkan
semakin tinggi kerapatan vegetasinya. Hasil dari transformasi NDVI ini yaitu citra
distribusi indeks NDVI (Irawan dan Sirait, 2017).
NDBI atau indeks lahan terbangun merupakan suatu algoritma untuk
menunjukkan kerapatan lahan terbangun/bare soil (Guo et al., 2015). NDBI sangat
sensitif terhadap lahan terbangun atau lahan terbuka. Algoritma ini dipilih karena
merupakan transformasi yang paling sering digunakan untuk mengkaji indeks
lahan terbangun (Hidayati dkk, 2018).
Indeks Vegetasi merupakan suatu algoritma yang diterapkan pada citra
multisaluran untuk menonjolkan aspek kerapatan vegetasi ataupun aspek yang
berkaitan dengan biomass, Leaf Area Index, konsentrasi klorofil, jumlah tajuk dan
lain sebagainya (Hidayati, 2013; Johnson, 2014). Ekstraksi otomatis yang
dilakukan melalui transformasi ini akan merepresentasikan fenomena vegetasi.
Normalized Difference Vegetation Index (NDVI) merupakan kombinasi antara
teknik penisbahan dengan teknik pengurangan citra. Indeks vegetasi merupakan
kombinasi dari beberapa band yang dapat menghasilkan informasi terkait
kerapatan vegetasi (Hidayati dkk, 2018).
Fenomena penyerapan cahaya merah oleh klorofil (0,4 μm – 0,7 μm)
pada vegetasi dan pemantulan cahaya inframerah dekat oleh jaringan mesofil (0,7
μm – 1,1 μm) pada daun akan membuat perbedaan nilai kecerahan. Oleh karena
itu, transformasi indeks vegetasi yang dipilih yang melibatkan saluran merah dan
inframerah. Normalized Difference Index dipilih untuk melihat nilai maksimal
dari satu band dan nilai minimal yang digunakan dalam band yang lain (Hidayati
dkk, 2018).
 4

METODE PRAKTIKUM

Waktu dan Tempat

Mata kuliah Sistem Informasi Geografis yang berjudul “Pengelolaan
Basis Data dengan Memanfaatkan Google Earth Engine” dilakukan pada hari
Rabu, 23 Maret 2022 pada pukul 15.00 WIB sampai dengan selesai. Mata kuliah
ini dilakukan dengan daring melalui aplikasi Whatsapp, Google Classroom dan
Zoom.

Alat dan Bahan

Alat yang digunakan adalah buku, handphone/laptop dan alat tulis.
Bahan yang digunakan adalah master ArcGIS 10.3, aplikasi whatsapp dan Zoom
serta Google Earth Engine.

Prosedur Praktikum
1. Disediakan alat dan bahan.
2. Dimasukkan skrip yang telah diedit.

3. Dibuat poligon sesuai lokasi yang ingin dianalisis.

 5

4. Klik run kemudian pilih task lalu run untuk mengunduh 3 gambar
yang diinginkan

5. Setelah semua gambar terunduh, kemudian periksa drive lalu unduh kembali
gambar untuk menyimpan pada laptop. Kemudian masukkan gambar pada
ArcMap 10.3.
 6

6. Pada NDVI dan NDBI di klik kanan lalu properties > symbology >
classified. Lalu dipilih warna yang diinginkan.

7. Dibuat tampilan menjadi layout view.

 7

8. Dibuat legenda dengan cara insert > Legend lalu pilih map layers
selanjutnya sesuaikan dengan keinginan masing-masing, lalu diulangi pada
NDVI dan NDBI.
 8

9. Hasil analisis NDVI dan NDBI telah selesai.

9
 10

HASIL DAN PEMBAHASAN

Hasil

Adapun hasil dari mata kuliah Sistem Informasi Geografis yang

berjudul “Analisis NDVI dan NDBI di Labuhanbatu Utara” adalah sebagai
berikut.

Gambar 1. Nilai Kerapatan Vegetasi (NDVI)

Gambar 2. Nilai Kerapatan Lahan Terbuka (NDBI)

Pembahasan
Gambar 1 di atas dapat diketahui bahwa kerapatan vegetasi di kota
Labuhanbatu Utara dibagi menjadi 5 kelas. Kelas sangat tinggi berada di rentang
nilai (0.07695 -0.92278); kelas tinggi berada di rentang nilai (0.64266 - 0.76951);
 11

kelas sedang berada di rentang nilai (0.47354 - 0.64266); kelas rendah berada di
rentang nilai (0.26741 – 0.47354); kelas sangat rendah berada di rentang nilai (-
0.42494 – 0.2741). Dari gambar yang dihasilkan, didapatkan pernyataan bahwa
daerah Labuhanbatu Utara memiliki kerapatan vegetasi yang tinggi. Sesuai
dengan pernyataan dari Irawan dan Sirait Tahun 2017 yang menyatakan bahwa
Indeks vegetasi yang digunakan untuk mengetahui kerapatan vegetasi yaitu nilai
NDVI (Normalized Difference Vegetation Index). NDVI merupakan suatu
transformasi untuk menonjolkan aspek vegetasi sehingga dapat menunjukkan
tingkat kerapatan vegetasi yang ada di lapangan. Nilai NDVI berkisar antara -1
sampai dengan 1. Semakin besar nilai NDVI menunjukkan semakin tinggi
kerapatan vegetasinya. Hasil dari transformasi NDVI ini yaitu citra distribusi
indeks NDVI.
Pada Gambar 2 didapatkan data bahwa kerapatan lahan terbuka di daerah
Labuhanbatu Utara dibagi 5 kelas. Kelas sangat tinggi berada di rentang nilai
(0.00288 – 0.54812); kelas tinggi berada di rentang nilai (-0.14218 – 0.00288);
kelas sedang berada di rentang nilai (-0.23722 – (-0.142181); kelas rendah berada
di rentang nilai (-0.31725 – (-0.23722); kelas sangat rendah berada di rentang nilai
(-0.727437 – (-0.31725). Dari Gambar 2 dapat dilihat bahwa kerapatan lahan
terbuka di daerah Labuhanbatu Utara sangat rendah, terlihat dari warna kelas
sangat rendah lebih mendominasi dari warna yang lainnya.
Hal itu sesuai dengan pernyataan dari Guo dkk Tahun 2015 yang
menyatakan bahwa NDBI atau indeks lahan terbangun merupakan suatu algoritma
untuk menunjukkan kerapatan lahan terbangun/bare soil. Menurut Hidayati dkk
Tahun 2018, menyatakan bahwa NDBI sangat sensitif terhadap lahan terbangun
atau lahan terbuka. Algoritma ini dipilih karena merupakan transformasi yang
paling sering digunakan untuk mengkaji indeks lahan terbangun.
Nilai-nilai NDVI yang didapatkan memiliki nilai-nilai yang berbeda-beda
di setiap kelas. Nilai-nilai yang berbeda ini bisa dipengaruhi oleh beberapa faktor.
Hal ini sesuai dengan pernyataan Lufilah et al. (2017) yang menyatakan bahwa
Nilai-nilai NDVI dapat dipengaruhi oleh beberapa faktor, di antaranya yaitu sudut
matahari yang diindikasi dapat memengaruhi reflektansi sinar merah dan
inframerah, efek atmosfer, dan kondisi awan.
 12

PENUTUP

Kesimpulan
1. GEE adalah platform dari Google yang mampu melakukan pengolahan
informasi geospasial.
2. Kelebihan yang dimiliki GEE mampu mempermudah peneliti dalam
memperoleh data citra satelit secara langsung, kemudian di proses untuk
kombinasi kanal, penajaman serta visualisasi secara cepat.
3. Normalized Difference Vegetation Indeks (NDVI) adalah metode standar
dalam mebandingkan tingkat kehijauan vegetasi pada data citra satelit.
Sedangkan Normalized Difference Build-up Index (NDBI) adalah
transformasi yang efektif untuk memetakan area lahan terbangun di
perkotaan secara otomatis menggunakan citra Landsat 8 OLI.
4. Kerapatan vegetasi daerah Labuhanbatu Utara sangat tinggi dengan 5 kelas
yang di dapat. Kelas sangat tinggi berada di rentang nilai (0.07695 -
0.92278); kelas tinggi berada di rentang nilai (0.64266 - 0.76951); kelas
sedang berada di rentang nilai (0.47354 - 0.64266); kelas rendah berada di
rentang nilai (0.26741 – 0.47354); kelas sangat rendah berada di rentang
nilai (-0.42494 – 0.2741).
5. Kerapatan lahan terbuka daerah Labuhanbatu Utara tergolong sangat rendah
dengan 5 kelas yang didapat, kelas sangat tinggi berada di rentang nilai
(0.00288 – 0.54812); kelas tinggi berada di rentang nilai (-0.14218 –
0.00288); kelas sedang berada di rentang nilai (-0.23722 – (-0.142181);
kelas rendah berada di rentang nilai (-0.31725 – (-0.23722); kelas sangat
rendah berada di rentang nilai (-0.727437 – (-0.31725).
Saran
Sebaiknya mahasiswa/i memperhatikan serta mempraktekkan materi ini
agar dapat memahami secara detail, serta perbanyak membaca literatur mengenai
GEE.
 13

DAFTAR PUSTAKA

Amelia, dkk. 2020. Meningkatkan Pemanfaatan Citra Satelit Multi Resolusi

Berbasis Google Earth Engine (GEE) untuk Identifikasi Objek
Permukaan Laut di Selat Sunda dalam Rangka Mendukung Pertahanan.
Jurnal Teknologi Penginderaan. 2(2): 36-56.

Guo, G., Wu, Z., Xiao, R., Chen, Y., Liu, X., & Zhang, X. 2015. Impacts of urban
biophysical composition on land surface temperature in urban heat island
clusters. Landscape and Urban Planning. 135: 1–10.

Hidayati dkk. 2018. Kombinasi Indeks Citra untuk Analisis Lahan Terbangun dan
Vegetasi Perkotaan. Majalah Geografi Indonesia. 32(1): 24-31.

Hidayati, I. N. 2013. Ekstraksi Data Indeks Vegetasi untuk Evaluasi Ruang

Terbuka Hijau berdasarkan Citra ALOS di Kecamatan Ngaglik
Kabupaten Sleman Yogyakarta. Agroteknologi, 3(2), 27–34.

Irawan dan Sirait. 2017. Perubahan kerapatan vegetasi menggunakan citra landsat
8 di kota Batam berbasis web. Jurnal Kelautan. 10(2): 174-184.

Johnson, B. 2014. Effects of Pansharpening on Vegetation Indices. ISPRS

International Journal of Geo-Information. 3: 507–522.

Rijal. 2020. Mengolah Citra Pengindraan Jauh Dengan Google Earth Engine.
Yogyakarta: Deepublish.