DRAFT ARTIKEL ILMU PENGETAHUAN BUMI DAN ANTARIKSA

2022

Jenis Artikel: Case Report Article

Dinamika Suhu Permukan dan Kerapatan Vegetasi di Kota Magelang Menggunakan Citra
Landsat
Adrinda Salsabila1, Erika2, Nama Penulis3
1 Program Studi Pendidikan Fisika, Fakultas Tarbiyah dan Keguruan, UIN Sunan Gunung Djati Bandung. Kampus 2 UIN Sunan Gunung Djati Bandung,
Panyileukan, Jl. Cimencrang, Kec. Gedebage, Kota Bandung, Jawa Barat. 40292, Indonesia.

ARTICLE INFO ABSTRAK

Article history:
Land Surface Temperature (LST) merupakan sebagai kondisi suhu bagian terluar
Dikirim: mm.dd.yyyy
dari suatu objek yang ada di permukaan tanah. . Pada umumnya nilai LST tertinggi
Direvisi: mm.dd.yyyy
akan terdapat dipusat kota dan menurun secara bertahap ke arah pinggir kota
Diterima: mm.dd.yyyy
sampai kedesa. Dimana diketahui bahwa daerah pinggir kota sampai ke desa,
memiliki kondisi tutupan lahan yang dominan dengan vegetasi. Produk standar
yang dikeluarkan NOAA (National Oceanic and Atmospheric Administration) yaitu
transformasi NDVI ini. Normalize Difference Vegetation Index (NDVI) merupakan
penggabungan antara teknik penisbahan dengan teknik pengurangan citra. Daerah
yang di analisis yaitu kota magelang yang ada di provinsi jawa tengah. Pada
penelitian ini kami mengambil 11 bulan pada tiap tahunya. Hal ini dikarenakan
pada bulan Januari 2019 tidak terdeteksi oleh satelit. Maka agar rata
pengukurannya, pada bulan Januari disetiap tahunnya tidak diikut sertakan.
Penelitian ini bertujuan untuk menganalisis kerapatan vegetasi (NDVI) dan juga
suhu permukaan (LST) di kota Magelang dalam kurun waktu tiga tahun
kebelakang. Analisis LST dan NDVI ini menggunakan landsat 8 OLI/TIRS yaitu
menggunakan band 5 dan 4. Hasil uji korelasi pearson menunjukkan pada tahun
2019, 2020 dan 2021 secara berurutan yaitu 0,889, -954 dan -954. Hasil analisis
menunjukkan adanya korelasi antara suhu permukaan (LST) dan indeks vegetasi
(NDVI) di kota Magelang.
Keywords: LST, NDVI, Landsat

ABSTRACT

Land Surface Temperature (LST) is a temperature condition for the outermost part of
an object on the ground surface. . In general, the highest ESG value will be in the
center of the city and decrease gradually towards the edge of the city to the countryside.
Where it is known that the suburban area up to the village, has a dominant land cover
condition with vegetation. The standard product issued by NOAA (National Oceanic
and Atmospheric Administration) is this NDVI transformation. Normalize Difference
Vegetation Index (NDVI) is a combination of blasphemy techniques with image
reduction techniques. The area analyzed is the city of Magelang in central Java
province. In this study we took 11 months on each tofu. This is because in January 2019
it was not detected by satellites. So in order for the average measurement, in January of
each year is not included. This study aims to analyze vegetation density (NDVI) and
also surface temperature (LST) in the city of Magelang in the past three years. This
ESG and NDVI analysis uses landsat 8 OLI / TIRS, which uses bands 5 and 4. Pearson
Adrinda Salsabila, Erika Dinamika Suhu Permukan dan Kerapatan
🖂
adrinda.salsabila02@gmail.com Vegetasi di Kota Magelang Menggunakan
Citra Landsat
1
correlation test
results showed that in
2019, 2020 and 2021,
they were 0.889, -954
and -954,
respectively. The
results of the analysis
showed a correlation
between surface
temperature (ESG)
and vegetation index
(NDVI) in the city of
Magelang.
Keywords: LST, NDVI,
Landsat

Adrinda Salsabila, Erika Dinamika Suhu Permukan dan Kerapatan

🖂
adrinda.salsabila02@gmail.com Vegetasi di Kota Magelang Menggunakan
Citra Landsat
2
1. PENDAHULUAN

Disuatu permukaan bumi suhu dipermukaan tanah adalah keadaan yang diatur oleh keseimbangan energi permukaan,
atmosfer, sifat termal dari permukaan, dan media bawah permukaan tanah (Utomo, 2017). Land Surface Temperature
adalah salah satu fenomena terpenting dalam perubahan suatu iklim global. Dengan meningkatnya kandungan-
kandungan gas rumah kaca di atmosfer, maka LST juga akan meningkat (Guntara, 2016). LST juga dapat diartikan
sebagai suhu permukaan rata-rata dari suatu permukaan yang digambarkan dalam cakupan dalam suatu piksel dengan
berbagai tipe permukaan yang berbeda (Wiweka., 2014).
Land Surface Temperature ( LST) merupakan sebagai kondisi suhu bagian terluar dari suatu objek yang ada
dipermukaan tanah. Pada umumnya nilai LST tertinggi akan terdapat dipusat kota dan menurun secara bertahap ke
arah pinggir kota sampai kedesa. Dimana diketahui bahwa daerah pinggir kota sampai ke desa, memiliki kondisi
tutupan lahan yang dominan dengan vegetasi. Secara sederhana dapat dijelaskan bahwa, LST akan berbanding
terbalik dengan indeks kerapatan vegetasi (NDVI) (Prahasta, 2010).
Normalize Difference Vegetation Index (NDVI) adalah indeks kehijauan atau aktivitas fotosintesis vegetasi, dan salah
satu indeks vegetasi yang paling sering digunakan. NDVI didasarkan pada pengamatan bahwa permukaan yang
berbedabeda merefleksikan berbagai jenis gelombang cahaya yang berbeda-beda (Rouse, 1974). 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 stres (kurang sehat) lebih banyak mencerminkan
gelombang merah dan lebih sedikit pada gelombang inframerah dekat (A.R, 1988).
Normalized Difference Vegetation Index (NDVI) merupakan kombinasi antara tehnik penisbahan dengan tehnik
pengurangan citra (Myneni, 1995). 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 (Ajral Mukhlisin, 2020). Berbagai penelitian mengenai perubahan liputan
vegetasi di benua Afrika banyak menggunakan transformasi ini (Arnanto, 2013).
Indeks vegetasi berbasis (NDVI) yang ditunjukkan pada persamaan , mempunyai nilai yang hanya berkisar antara -1
(non-vegetasi) hingga 1 (vegetasi). Setelah NDVI diperoleh, langkah selanjutnya adalah membuat skala warna (color
map) tingkat vegetasi agar diperoleh informasi lebih lanjut (Barbosa, 2006). NASA mengklasifikasikan tingkat kehijauan
vegetasi NDVI menggunakan skala. wilayah yang mempunyai nilai tingkat kehijauan vegetasi NDVI di bawah 0.2, maka
wilayah tersebut sudah keluar dari kelompok vegetasi (karena bisa berupa wilayah perairan atau tanah bebatuan)
(Chemura, 2017). Untuk wilayah yang mempunyai NDVI bernilai di atas 0.4, dapat disimpulkan wilayah tersebut
merupakan kawasan yang ditutupi hutan yang lebat dan subur. Beberapa varian dan penyempurnaan NDVI telah
banyak dikembangkan. Contohnya, SAVI yang merupakan perbaikan dari NDVI untuk koreksi pantulan cahaya dari
tanah, ARVI yang memperhitungkan hamburan cahaya biru di atmosfir terhadap nilai NDVI. Salah satu pengembangan
indeks vegetasi yang merupakan penurunan dari SAVI dan ARVI adalah EVI yang lebih tahan terhadap pengaruh
komposisi aerosol atmosfir dan pengaruh variasi warna tanah (Purwanto, 2015)
Normalize Difference Vegetation Indeks (NDVI) yaitu indeks dari pengejaran vegetasi hijau atau fotosintesis, dan satu-
satunya indeks vegetasi yang sebagian besar sering digunakan. NDVI didasarkan pada pengawasan atas permukaan
yang berbeda menjadi tanda dari berbagai jenis gelombang kecerahan. Vegetasi yang sangat membawa jauh dari
fotosintesis rumah akan menyerap seluruh gelombang merah sinar matahari dan meniru bagian atas di dekat sinar
inframerah. Vegetasi yang ditinggalkan dan tegang (tidak layak) mencerminkan tambahan dalam warna merah selain
lebih sedikit di inframerah terdekat.
Normalize Difference Vegetation Index (NDVI) merupakan penggabungan antara teknik penisbahan dengan teknik
pengurangan citra. Produk standar yang dikeluarkan NOAA (National Oceanic and Atmospheric Administration) yaitu
transformasi NDVI ini. Satelit cuaca memberikan perhatian khusu pada fenomena global vegetasi meskipun satelit cuaca
mengorbit secara polar. Penelitian seputar perubahan liputan vegetasi di benua Afrika banyak menggunakan
transformasi ini.
Indeks vegetasi NDVI mempunyai skala nilai dari -1 dimana mengartikan non vegetasi hingga 1 atau vegetasi. Setelah
diketahui nilai NDVI yang selanjutnya membuat skala warna (colour map) tingkat kehijauan agar diperoleh informasi
selanjutnya. Apabila wilayah yang memiliki nilai NDVI dibawah 0,2 mengartikan bahwa wilayah tersebut sudah keluar
dari kelompok vegetasi,wilayah tersebut bisa jadi merupakan daerah perairan atau bebatuan. Sedangkan, wilayah yang
Adrinda Salsabila, Erika Dinamika Suhu Permukan dan Kerapatan
🖂
adrinda.salsabila02@gmail.com Vegetasi di Kota Magelang Menggunakan
Citra Landsat
3
bernilai diatas 0,4 merupakan daerah yang subur dan ditutupi oleh hutan. Beberapa varian dan ekstensi NDVI telah
dikembangkan. Contohnya termasuk SAVI, peningkatan NDVI untuk mengoreksi pantulan cahaya dari tanah, dan ARVI,
yang memperhitungkan hamburan cahaya biru atmosfer dan nilai NDVI. Salah satu perubahan indeks vegetasi yang
mewakili penurunan SAVI dan ARVI adalah EVI, yang lebih tahan terhadap pengaruh komposisi aerosol atmosfer dan
perubahan warna tanah(Purwanto, 2015).
Menghitung nilai NDVI bisa dengan forlmulasi dibawah ini :
( NIR−Red )
NDVI =
(NIR+ Red )
Keterangan :
NIR : Reflektan band inframerah dekat untuk sebuah sel.
RED : Reflektan band merah untuk sebuah sel.
Land Surface Temperature (LST) adalah salah satu faktor yang terkait dengan kenaikan suhu perkotaan dan pemanasan
iklim mikro di dalam kota. Penelitian tentang pengembangan teknologi baru dan peningkatan teknologi yang sudah ada
sangat penting dalam penelitian iklim perkotaan. Artikel ini menyajikan penelitian menggunakan teknologi jaringan
saraf tiruan Feed Forward Back Propagation untuk mensimulasikan dan memprediksi tren kuantitatif waktu LST masa
depan tertentu di Kota Ikom, Nigeria. Studi ini didasarkan pada model JST time-series yang mengambil urutan nilai LST
masa lalu, memahami pola perubahan dalam kumpulan data, dan memprediksi nilai waktu masa depan atau masa
depan. Sebuah studi serupa dilakukan dengan cara ini dari tinjauan literatur, tetapi tidak ada yang menggunakan data
satelit deret waktu pengamatan Bumi dengan jarak waktu resolusi kasar untuk prediksi deret waktu LST menggunakan
ANN. Kebaruan pekerjaan ini berfokus pada mencoba memprediksi nilai LST masa depan yang spesifik di seluruh kota
menggunakan JST dari nilai LST masa lalu yang diperoleh dari citra penginderaan jauh pengamatan Bumi (Landsat 7
ETM). Hasil yang diperoleh dari penelitian ini kembali mengkonfirmasi efisiensi ANN (bagian dari teknik pembelajaran
mendalam) dalam pembelajaran, pemahaman, dan prediksi yang akurat(ID, 2015).

2. METODE

Penelitian ini berlokasi di Kota Magelang, Provinsi Jawa Tengah, Indonesia. Kota Magelang memiliki luas sekitar 16,06
km2 yang terbagi 3 kecamatan dan 17 kelurahan.

Metode yang digunakan kali ini yaitu dengan menggunakan landsat 8 OLI/TIRS band 4 dan 5 yang ada di The United
Geological Survey (USGS) secara gratis. Kemudian setelah itu di masukan Kedalam aplikasi yang ArcGIS untuk
mendapatkan nilai LST dan NDVI nya.

Adrinda Salsabila, Erika Dinamika Suhu Permukan dan Kerapatan

🖂
adrinda.salsabila02@gmail.com Vegetasi di Kota Magelang Menggunakan
Citra Landsat
4
Tahapan yang dilakukan dari awal hingga akhir yaitu, pertama memilih daerah / wilayah mana saja yang menjadi
cakupan kota/kabupaten yang dipilih. Kemudian setelah itu buka google earthengine untuk mendapatkan data
pertahun juga perbulannya. Setelah didapatkan, kemudian buka earth explore untuk mendownload citra landsat 8
OLI/TIRS pada band 4 daan band 5 pada USGS. Setelah mendapatkannya masukan file tersebut kedalam arcmap untuk
mencari nilai NDVI nya, perhitungannya sebagai berikut :

( NIR−Red )
NDVI =
(NIR+ Red )
Keterangan :
NIR : Reflektan band inframerah dekat untuk sebuah sel (band 5).
RED : Reflektan band merah untuk sebuah sel (band 4).

1. HASIL DAN PEMBAHASAN

Berdasarkan hasil pengolahan data Land Surface Temperature (LST) dan Normalize Difference Vegetation Indeks
(NDVI) di Kota Magelang yang kami ambil telah terkumpul data-datanya. Kemudian berdasarkan perhitungan nilai
kerapatan vegetasi terdapat nilai vegetasi yang beragam, dimulai dari vegetasi yang rapat, non vegetasi, dan lainnya.
berikut ini merupakan hasil perhitungan dan pengolahan data pada google earth engine yang kemudian dimasukan
kedalam ArcGIS selama tiga tahun kebelakang dimulai dari 2019-2021 :

LST KOTA MAGELANG LST KOTA MAGELANG 2020

WINDUSARI
WINDUSARI

SECANG
SECANG

MAGELANG UTARA

MAGELANG UTARA

TEGALREJO

BANDONGAN TEGALREJO

BANDONGAN

MAGELANG TENGAH

MAGELANG TENGAH

Text

MAGELANG SELATAN

CANDIMULYO
MAGELANG SELATAN

CANDIMULYO

MERTOYUDAN

TEMPURAN
MERTOYUDAN

Miles

µ
TEMPURAN

0 0,5 1 2 3 4

µ
0 0,5 1 2 3 4 Miles
Legend
1:50.000 Legend
1:50.000
Clip_MGL19.tif Clip_MGL20.tif
Value Value
High : 30,4724 High : 28,2508

Low : 22,9224 Low : 19,8972

Adrinda Salsabila, Erika Dinamika Suhu Permukan dan Kerapatan

🖂
adrinda.salsabila02@gmail.com Vegetasi di Kota Magelang Menggunakan
Citra Landsat
5
 LST KOTA MAGELANG 2021

WINDUSARI

SECANG

MAGELANG UTARA

TEGALREJO

BANDONGAN

MAGELANG TENGAH

Text

MAGELANG SELATAN

CANDIMULYO

MERTOYUDAN

TEMPURAN

0 0,5 1 2 3 4

µ
Miles

Legend 1:50.000
Clip_MGL21.tif
Value
High : 28,5331

Low : 19,1822

Gambar 1. Data LST Kota Magelang Tahun 2019, 2020, 2021

Berdasarkan hasil LST didapatkan nilai maksimal dan minimalnya seperti tertera dalam peta LST tahun 2019-2021
diatas. Maka dapat disajikan dalam bentuk tabel dibawah ini :
Tabel 1. LST Kota Magelang
Tahun LST
High Low
2019 30,4724 22,9224
2020 28,2508 19,8972
2021 28,5331 19,1822

Berdasarkam data suhu permukaan sekitar tiga tahun yang lalu, dimana dimulai dari tahun 2019, 2020, dan 2021
semakin menurun suhunya. Hal ini terlihat didalam tabel. Dari suhu tertinggi dan terendah tiap tahunnya, kita bisa
melihat bahwa rata-rata suhu tertiggi berkisar 28 ° c dengan suhu terendah nya berkisar 20 ° c . Kemudian dibawah ini
merupakan tabel dan grafik dari suhu permukaan pada tahun 2019 sebagai berikut :
Tabel 2. LST Kota Magelang tahun 2019
Bulan Suhu
High Low
Ferbruari 28,7872 20,0956
Maret 27,0423 14,3274
April 30,459 22,3705
Mei 29,3323 20,2254
Juni 33,4272 21,5381
Juli 32,8054 23,4147
Agustus 33,5793 24,0901
September 35,5936 23,9823
Oktober 31,6798 17,6092
November 34,2862 19,5831
Desember 27,6613 17,8653

Adrinda Salsabila, Erika Dinamika Suhu Permukan dan Kerapatan

🖂
adrinda.salsabila02@gmail.com Vegetasi di Kota Magelang Menggunakan
Citra Landsat
6
 Grafik 1. LST Kota Magelang Tahun 2019

LST Kota Magelang 2019

31.9021 33.104332.4584

26.7706 25.9591 26.5007

24.6517 24.8923
22.57 21.6166
18.2737 17.6297
15.6825
12.670611.3276
9.89791
6.99365
4.7249
0 0
ri t il ei ni li s r r r r
rua a re pr M Ju Ju tu be be be be
rb M A
g us e m kto e m e m
Fe A pt O v s
Se No De

high low

Berdasarkan data yang disajikan dengan tabel dan grafik suhu dan permukaan tahun 2019, dapat dijelaskan bahwa
suhu permukaan pada tahun 2019 yaitu, dengan besar suhu tertingginya berkisar antara 27 ° c -34° c . Kemudian suhu
terendah pada tahun 2019 berkisar antara 14 ° c -24 ° c . Maka grafik yang terbentuk pada tahun tersebut mengalami
fluktuasi suhu dan permukaannya. Kemudian dibawah ini merupakan tabel dan grafik Land Surface Temperature (LST)
pada tahun 2020 disajikan sebagai berikut :
Tabel 3. LST Kota Magelang tahun 2020
Bulan Suhu
High Low
Ferbruari 26,6997 19,3134
Maret 29,1588 18,3753
April 29,0775 16,1834
Mei 26,8345 21,5448
Juni 31,0725 23,6578
Juli 30,6881 17,832
Agustus 32,6253 23,1815
September 32,7154 18,0824
Oktober 33,2479 21,7747
November 24,6662 6,43849
Desember 22,7581 10,6919

Grafik 2. LST Kota Magelang 2020

Adrinda Salsabila, Erika Dinamika Suhu Permukan dan Kerapatan

🖂
adrinda.salsabila02@gmail.com Vegetasi di Kota Magelang Menggunakan
Citra Landsat
7
 LST Kota Magelang 2020
35 25
30
20
25
20 15

15 10
10
5
5
0 0
i li
ar et ril ei ni Ju tu
s
be
r er be
r
be
r
ru ar Ap M Ju us ob
er
b M
Ag em Ok
t
ve
m
se
m
F pt
S e No De

high low

Berdasarkan data yang disajikan dengan tabel dan grafik suhu dan permukaan tahun 2020, dapat dijelaskan bahwa
suhu permukaan pada tahun 2020 yaitu, dengan besar suhu tertingginya berkisar antara 22 ° c -33 ° c. Kemudian suhu
terendah pada tahun 2019 berkisar antara 10 ° c -23 ° c . Seperti hal nya tahun 2019, tahun 2020 pun mengalami
fluktuasi suhu dan permukaan di daerah magelang ini. Maka grafik yang terbentuk pada tahun tersebut mengalami
fluktuasi suhu dan permukaannya. Kemudian dibawah ini merupakan tabel dan grafik Land Surface Temperature (LST)
pada tahun 2021 disajikan sebagai berikut :

Tabel 4. LST Kota Magelang tahun 2021

Bulan Suhu
High Low
Ferbruari 26,7706 15,6825
Maret inf -1,79769e+308
April 31,9021 4,7249
Mei 25,9591 18,2737
Juni inf -1,79769e+308
Juli 26,5007 9,89791
Agustus 33,1043 22,57
September 32,4584 17,6297
Oktober 24,6517 12,6706
November 21,6166 11,3276
Desember 24,8923 6,99365

Grafik 3. LST Kota Magelang 2021

Adrinda Salsabila, Erika Dinamika Suhu Permukan dan Kerapatan

🖂
adrinda.salsabila02@gmail.com Vegetasi di Kota Magelang Menggunakan
Citra Landsat
8
 LST Kota Magelang 2021
35 25
30
20
25
20 15

15 10
10
5
5
0 0
i
ar et ril ei ni Ju
li
tu
s
be
r er be
r
be
r
bru ar Ap M Ju us m tob m m
F er M
Ag pt
e Ok ve se
Se No De

high low

Kemudian bisa kita lihat suhu dan permukaan pada tahun 2020 yaitu memiliki suhu tertingginya yaitu, 24 ° C−33 ° C
. Selanjutnya, suhu terendah yang dimiliki kota magelang tahun 2021 yaitu berkisar antara 6 ° C−17° C . Kemudian
didalam tabel pula terdapat hasil yang memiliki keterangan inf dan -1,79769e+308, dimana keadaan ini tidak terdeteksi
oleh satelit Kemudian suhu dan permukaan masih sama mengalami fluktuasi yang signifikan.
Selanjutnya, setelah mendapatkan hasil LST, maka kita akan mencari nilai NDVI. Dimana nilai NDVI ini memiliki
interval 1 s.d -1. Cara megolah NDVI Kota Magelang yaitu dengan menggunakan USGS. Data yang dicari yaitu tiga tahun
yang lalu, dimulai dari tahun 2019-2021. Berikut ini hasil kerapatan vegetasi yang diolah dari tiga tahun kebelakang
yaitu dimulai dari 2019-2021, diantaranya :

Adrinda Salsabila, Erika Dinamika Suhu Permukan dan Kerapatan

🖂
adrinda.salsabila02@gmail.com Vegetasi di Kota Magelang Menggunakan
Citra Landsat
9
 Gambar 2. NDVI Kota Magelang Tahun 2019,2020, dan 2021

Tabel 5. NDVI Kota Magelang

LST
Tahun
High Low
2019 0,482604 0,0187942
2020 0,557164 -0,00648298
2021 0,476046 0,0189069

Setelah mengolah LST dan NDVI maka kita akan mengorelasikan data LST dan NDVI yang sudah didapat sebelumnya.
Kemudian kita korelasikan kedua data tersebut dengan Korelasi Fishnet technique pada arcmap, dimana setelah itu kita
harus melakukan uji pearson pada software SPSS. Maka didapat korelasinya dalam tabel serta grafik dibawah ini :
Tabel 6. Korelasi LST dan NDVI Tahun 2019

Grafik 4. Korelasi LST dan NDVI Tahun 2019

Adrinda Salsabila, Erika Dinamika Suhu Permukan dan Kerapatan

🖂
adrinda.salsabila02@gmail.com Vegetasi di Kota Magelang Menggunakan
Citra Landsat
10
Menurut tabel 6 dihasilkan korelasi sebesar 0,889. Berdasarkan interpretasi korelasi nilai korelasi pearson ini
menunjukkan korelasi sangat tinggi yaitu berkisar antara 0,800 hingga 1000. Nilai 0,889 juga menunjukkan korelasi
positf antara indeks vegetasi (NDVI) dan suhu permukaan (LST). Nilai korelasi positif membuktikan bahwa kedua
variabel tersebut memiliki hubungan sebanding, menunjukkan bahwa semakin tinggi nilai indeks vegetasi, maka
semakin tinggi pula suhu permukaannya. Kemdian dibawah ini disajikan korelasi LST dan NDVI tahun 2020 sebagai
berikut :
Tabel 7. Korelasi LST & NDVI Tahun 2020

Grafik 5. Korelasi LST & NDVI Tahun 2020

Adrinda Salsabila, Erika Dinamika Suhu Permukan dan Kerapatan

🖂
adrinda.salsabila02@gmail.com Vegetasi di Kota Magelang Menggunakan
Citra Landsat
11
Menurut tabel 7 dihasilkan korelasi sebesar -954. Berdasarkan interpretasi korelasi nilai korelasi pearson ini
menunjukkan korelasi sangat tinggi yaitu berkisar antara 0,800 hingga 1000. Nilai -954 juga menunjukkan korelasi
negatif antara indeks vegetasi (NDVI) dan suhu permukaan (LST). Nilai korelasi negatif membuktikan bahwa kedua
variabel tersebut memiliki hubungan terbalik, menunjukkan bahwa semakin tinggi nilai indeks vegetasi, maka semakin
rendah pula suhu permukaannya. Kemdian dibawah ini disajikan korelasi LST dan NDVI tahun 2021 sebagai berikut :
Tabel 8. Korelasi LST & NDVI Tahun 2021

Grafik 6. Korelasi LST & NDVI Tahun 2021

Adrinda Salsabila, Erika Dinamika Suhu Permukan dan Kerapatan

🖂
adrinda.salsabila02@gmail.com Vegetasi di Kota Magelang Menggunakan
Citra Landsat
12
Nilai korelasi pada tahun 2021 memiliki kesamaan nilai korelasi dengan tahun 2020. Dimana hal ini dikarenakan suhu
dan permukaan diantara kedua tahun tersebut tidak mengalami perbedaan yang sangat drastis. Nilai -954 juga
menunjukkan korelasi negatif antara indeks vegetasi (NDVI) dan suhu permukaan (LST). Nilai korelasi negatif
membuktikan bahwa kedua variabel tersebut memiliki hubungan terbalik, menunjukkan bahwa semakin tinggi nilai
indeks vegetasi, maka semakin rendah pula suhu permukaannya.
Kemudian pada setiap tabel yang ditampilkan tidak ada hasil LST ataupun NDVI pada bulan Januari. Hal ini dikarenakan
pada bulan Januari tahun 2019 tidak bisa terdeteksi oleh satelit. Hal ini memungkinkan adanya ketebalan awan yang
menutupi bumi, hingga satelit tidak bisa mendeteksinya.

2. Konklusi

Setelah pengolahan data menggunakan uji korelasi pearson, dapat ditarik kesimpulan bahwa adanya hubungan antara
Land Surface Temperature (LST) dengan Normalize Difference Vegetation Indeks (NDVI). Dimana hal ini pula dapat
diartikan bahwa adanya korelasi antara indeks vegetasi dengan suhu permukaan. Indeks vegetasi suatu daerah akan
memengaruhi suhu permukaan daerah tersebut juga. Kemudian nilai korelasi yang didapat oleh Kota Magelang yaitu
pada tahun 2019 sebesar 0,889, dan pada tahun 2020 dan 2021 memiliki uji korelasi sebesar -954. Dimana tanda negatif
ini menunjukkan adanya korelasi antara 2 variabel. Semakin tinggi indeks vegetasi suatu daerah maka semakin rendah
suhu dan permukaan daerah tersebut. Maka dapat disimpulkan adanya hubungan indeks vegetasi dan suhu permukaan
di Kota Magelang.

Referensi

Agustina, R. D., Putra, R. P., & Listiawati, M. (2022). Development of Sophisticated Thinking Blending Laboratory (STB-
LAB) to Improve 4C Skills for Student as Physics Teacher Candidate. Jurnal Penelitian & Pengembangan Pendidikan
Fisika, 8(1), 65–82.

ID, M. (2015). Simulation and Prediction of Land Surface Temperature (LST) Dynamics within Ikom City in Nigeria Using
Artificial Neural Network (ANN). Journal of Remote Sensing & GIS, 05(01). https://doi.org/10.4172/2469-
4134.1000158

Purwanto, A. (2015). Pemanfaatan Citra Landsat 8 Untuk Identifikasi Normalized Difference Vegetation Index ( Ndvi ) Di
Adrinda Salsabila, Erika Dinamika Suhu Permukan dan Kerapatan
🖂
adrinda.salsabila02@gmail.com Vegetasi di Kota Magelang Menggunakan
Citra Landsat
13
 Kecamatan Silat Hilir Kabupaten Kapuas Hulu. Edukasi, 13(1), 27–36.

A.R, H. (1988). Remote Sensing of Environment : A SoilAdjusted Vegetation Index(SAVI). Arizona, USA : Department of Soil
and Water Science, University of Arizona.
Ajral Mukhlisin, S. (2020). ESTIMASI KANDUNGAN KLOROFIL TANAMAN KOPI ROBUSTA (Coffea canephora var.
Robusta) MENGGUNAKAN NORMALIZED DIFFERENCE VEGETATION INDEX (NDVI). Jurnal Tanah dan
Sumberdaya Lahan, Vol 7 No 2 : 329-339(e-ISSN:2549-9793, doi: 10.21776/ub.jtsl.2020.007.2.18).

Arnanto, A. (2013). Pemanfaatan transformasi NDVI citra landsat TM untuk zonasi vegetasi di lereng Merapi
Selatan. Geomedia 11(2):155-170.

Barbosa, H. H. (2006). A 20-year Study of NDVI Variability over the Northeast Region of Brazil. . Arid Environments
67: 288-307.

Chemura, A. M. (2017). Integrating age in the detection and mapping of incongruous patches in coffee (Coffea
arabica) plantations using multi-temporal Landsat 8 NDVI anomalies. . International Journal of Applied Earth
Observation and Geoinformation 57: 1-13.

Guntara, I. (2016). Analisis Urban Heat IslandUntuk Pengendalian Pemanasan GlobalDi Kota Yogyakarta
Menggunakan Citra Penginderaan Jauh.

M. ID, “Simulation and Prediction of Land Surface Temperature (LST) Dynamics within Ikom City in Nigeria Using
Artificial Neural Network (ANN),” J. Remote Sens. GIS, vol. 05, no. 01, 2015, doi: 10.4172/2469-4134.1000158.

Myneni, R. B. (1995). The interpretation of spectral vegetation indexes. IEEE Transactions on Geoscience and
Remote Sensing,.

Prahasta, E. (2010). Sistem Informasi Geografis Konsep- konsep Dasar Informatika Bandung.

Purwanto, A. (2015). Pemanfaatan Citra Landsat 8 Untuk Identifikasi Normalized Difference Vegetation Index
(Ndvi) Di Kecamatan Silat Hilir Kabupaten Kapuas Hulu. Purwanto, Ajun . 2015. Pemanfaatan Citra Landsat 8 Untuk
Identifikasi Normalized Dif Jurnal Edukasi, Vol. 13, No. 1. Program Sudi Pendidikan Geografi Fakultas Ilmu
Pendidikan

R. D. Agustina, R. P. Putra, and M. Listiawati, “Development of Sophisticated Thinking Blending Laboratory (STB-
LAB) to Improve 4C Skills for Student as Physics Teacher Candidate,” J. Penelit. Pengemb. Pendidik. Fis., vol. 8, no. 1,
pp. 65–82, 2022.

Rouse, J. H. (1974). Monitoring Vegetation Systems in the Great Plains with ERTS.' Proceedings, 3rd Earth
Resource Technology Satellite (ERTS) Symposium,. vol. 1, p. 48-62.

Adrinda Salsabila, Erika Dinamika Suhu Permukan dan Kerapatan

🖂
adrinda.salsabila02@gmail.com Vegetasi di Kota Magelang Menggunakan
Citra Landsat
14
 Utomo, W. A. (2017). Analisis Hubungan Variasi Land Surface TemperatureDengan Kelas Tutupan Lahan .
Menggunakan Data Citra Satelit Landsat (Studi Kasus: Kabupaten Pati).

Wiweka. (2014). Pola Suhu Permukaan dan Udara Menggunakan Citra Satelit Landsat Multitemporal. Ecolab. Vol 8.
No 1.

Adrinda Salsabila, Erika Dinamika Suhu Permukan dan Kerapatan

🖂
adrinda.salsabila02@gmail.com Vegetasi di Kota Magelang Menggunakan
Citra Landsat
15