ANALISIS PERTUMBUHAN TANAMAN KOPI DI KABUPATEN SOPPENG

MENGGUNAKAN ALGORITMA NDVI, NDWI, NDSI, SAVI DAN BSI

Analysis Of Coffee Growth in Soppeng District Using Ndvi, Ndwi, Ndsi, Savi and Bsi
Algorithm

Muhammad Wahiduddin*, Nur Andini Arif, Seprianita Randabunga, Adrian Paskah Putra Yunus, Eva
Novayanti, Wahyuni Aulia Putri, Aini Mulyani Rahman, SM. Fhadly
Universitas Hasanuddin Makassar, Jl. Perintis Kemerdekaan No.KM.10, Tamalanrea Indah, Kec. Tamalanrea,
Kota Makassar, Sulawesi Selatan 90245
Corresponding email: duddinmuhammad2@gmail.com

ABSTRACT

Soppeng Regency is one of the regencies located in South Sulawesi Province. In this area there are
various land covers such as forests, rice fields, settlements, and plantations. To maintain sustainable
activities of the land cover, it is necessary to carry out maintenance efforts by monitoring land use in
the area. Several algorithms in remote sensing are very useful and make it easier to analyze, especially
in agriculture with their respective roles in analyzing the vegetation index (NDVI), water index
(NDWI), soil index (NDSI), on a land. The purpose of this study was to analyze the vegetation index,
water index, soil index, the effect of soil background on canopy brightness, vacant land using remote
sensing algorithms. The method used in this research is remote sensing algorithm method. This research
resulted in an analysis of the index of vegetation, water, soil, the influence of soil background on canopy
brightness, and vacant land in Soppeng Regency.

Keywords: Algorithm, Remote Sensing, Soppeng

PENDAHULUAN mengamati dan menganalisis sumber daya

Kabupaten Soppeng merupakan salah satu alam yang ada pada Kabupaten Soppeng.
kabupaten yang terletak di Provinsi Semakin berkembangnya disiplin ilmu
Sulawesi Selatan. Berdasarkan data dari memberikan pengaruh besar terhadap
BPS (2018) luas wilayah soppeng lingkungan sekitar, khususnya di bidang
mencapai sekitar 1.500 km2 dan terdiri dari pertanian. Hadirnya ilmu baru seperti
8 kecamatan. Pada luas wilayah tersebut penginderaan jauh mempermudah
terdapat beragam tutupan lahan seperti pengamatan objek secara langsung tanpa
hutan, sawah, pemukiman, dan perkebunan. dibatasi jarak. Sehingga penginderaan jauh
Untuk menjaga aktivitas berkelanjutan dari sangat berguna dalam bidang pertanian di
tutupan lahan itu, maka perlu dilakukan era 4.0. Penginderaan jauh merupakan ilmu
upaya pemeliharaan dengan pemantauan atau teknologi untuk memperoleh informasi
penggunaan lahan di wilayah tersebut. dengan cara menganalisis suatu data dari
Pemantauan dapat dilakukan dengan hasil rekaman obyek yang dikaji.
Perekaman ini menggunakan alat Makassar pada Kamis, 9 Juni 2022 hingga
pengindera (sensor) pada suatu satelit. selesai.
Dengan kehadiran berbagai sistem satelit Alat dan Bahan
penginderaan jauh semakin berkembang Alat yang digunakan dalam pembuatan
dengan mengadakan berbagai aplikasi yang artikel ini adalah komputer dan software
mampu menyajikan data terkait sumber ArcGIS. Sedangkan bahan yang digunakan
daya dataran, dan lautan secara teratur dan yaitu citra satelit Landsat 8 yang
periodik. didownload melalui situs USGS.
Beberapa algoritma dalam Prosedur Pengerjaan
penginderaan jauh yang sangat bermanfaat Adapun prosedur pengerjaan yang
serta mempermudah dalam menganalisis dilakukan dalam penyusunan artikel ini
khususnya di bidang pertanian dengan adalah sebagai berikut.
peran masing masing dalam menganalisis 1. Mendownload citra satelit Landsat
indeks vegetasi (NDVI), indeks air 8 di situs
(NDWI), indeks tanah (NDSI), pada suatu https://earthexplorer.usgs.gov/
lahan. Tak hanya itu, diantara sistem dalam 2. Melakukan koreksi radiometric
penginderaan jauh juga berguna pada citra dengan menggunakan
mengindentifikasi pengaruhnya latar software ArcGIS.
belakang tanah terhadap kecerahan kanopi 3. Melakukan analisis beberapa
(SAVI), serta menganalisis lahan kosong algoritma pada citra yang telah
dengan kata lain lahan terbuka (BSI). dikoreksi, yaitu NDVI, NDWI,
Dalam prosedur analisis hanya NDSI, SAVI, dan BSI. Setiap
membutuhkan citra landsat 8 yang algoritma dilakukan melalui tools
sebelumnya dilakukan koreksi radiometrik. raster calculator. Adapun
Dengan ini, data yang dibutuhkan sangat formulasi setiap algoritmanya
mudah diperoleh tanpa harus turun adalaah sebagai berikut.
langsung ke lapangan yang masih a. NDVI = (Band 5 – Band 4) /
memerlukan validasi data ketika (Band5 + Band 4)
pengelolaan. b. NDWI = (Band 5 – Band 6) /
(Band 5 + Band 6)
METODOLOGI c. NDSI = (Band 6 – Band5) /
Tempat dan Waktu (Band6 + Band 5)
Pembuatan artikel ini dilakukan di Fakultas
Pertanian Universitas Hasanuddin,
 d. SAVI = {(Band 5 – Band 4) / (spasial, spectral, radiometik maupun
(Band 5 + Band 4 + L)} x (1 + temporal) dengan mengunggah path/row
L) yang bermuara dikabupaten soppeng. Cata
Dimana L merupakan koreksi citra yang menunjukkan lokasi pada daerah
pencerahan latar belakang tanah kabupaten soppeng adalah pada kode path
(0,5) 114 dan Row 63. Seminimal mungkin data
e. BSI = yang diunggah adalah data citra yang
[(𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵 4 + 𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵 6) −(𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵 5 + 𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵 2)
�[(𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵 5 + 𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵 6) + (𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵 5 + 𝐵𝐵𝐵𝐵𝐵𝐵𝐵𝐵 2) ∗ terlihat jelas dan tidak tertutupi oleh awan
karena hal demikian akan menyebabkan
100� + 100
kesalahan acak pada citra seperti kecepatan,
4. Setelah semua analisis selesai, Gerakan, ketinggian wahana, rotasi dan
langkah selanjutnya yaitu kelengkungan bumi serta relief permukaan
melakukan identifikasi daerah mana bumi.
yang cocok untuk dilakukan
budidaya tanaman kopi.

HASIL DAN PEMBAHASAN

Hasil
Adapun hasil yang didapatkan pada artikel
ini adalah sebagai berikut.

Gambar 2. Hasil koreksi radiometrik citra

kabupaten soppeng band 5 dan 6

Citra yang telah diunggah selanjutkan

dilakukan koreksi geometrik yang
bertujuan untuk memperbaiki
posisi/koordinat data penginderaan jauh
sehingga sesuai dengan posisi dipermukaan
Gambar 1. Citra Path 114Raw 63 band
bumi. Koreksi geomterik ini adalah faktor
2,3,4,5,6 dan 7
penting dalam pengolah awal data
Data landsat bersumber dari USGS (United penginderaan jauh karena jika tidak
States Geological survey) yang melakukan koreksi geometrik maka akan
memberikan informasi kemampuan senso mempengaruhi ketelitian posisi pada suatu
pemetaan seperti kualitas citra dan nilai
pixel yang tidak sesuai dengan nilai
pantulan pancaran spectral objek yang
sebenarnya.

Koreksi geometrik adalah transformasi

citra hasil penginderaan jauh sehingga
citra tersebut mempunyai sifat-sifat peta
dalam bentuk, skala dan proyeksi
(Mather, 1987). Transformasi geometrik
yang paling mendasar adalahpenempatan
kembali posisi piksel sedemikian rupa,
sehingga pada citra yang tertransformasi Gambar 4. Analisis NDWI
dapat dilihat gambaran objek
dipermukaan bumi yang terekam sensor.

Gambar 5. Analisis NDSI

Gambar 3. Analisis NDVI

Gambar 6. Analisis SAVI

Gambar 8. Lokasi pilihan untuk tanaman

kopi

Pembahasan
Normalized Diffrerence Vegetation Index
(NDVI) adalah perhitungan pada sebuah
citra yang digunakan untuk mengetahui
tingkat kehijauan sebagai awal pembagian
daerah vegetasi. Untuk melakukan analisis
Gambar 7. Analisis BSI menggunakan NDVI maka dapat
digunakan rumus:

NDVI = (NIR – RED) / (NIR + RED)

Keterangan:

NIR = Band yang memiliki panjang

inframerah dekat

RED = Pantulan pada band merah

yang terlihat
 Pada analisis yang dilakukan 0,4087
3 Sedang
kelompok kami, kami menggunakan – 0,5429
landsat 8. Untuk menggunakan landsat 8, 0,5429
4 Rapat
maka yang perlu untuk digunakan yaitu – 0,6717
band 5 dan band 4. NIR adalah band 5 citra 0.6717
5 Sangat rapat
Landasat 8 dan Red adalah band 4 dari citra - 0.8435
Landsat 8. Untuk menentukan nilai Sumber: Hasil Perhitungan
kerapatan tajuk vegetasi menggunakan
hasil dari perhitungan NDVI, kemudian
Berdasarkan hasil pengolahan data
nilai kelas NDVI tersebut diklasifikasi
dari landsat 8 tentang tingkat kerapatan
ulang (reclass) menjadi empat kelas, yaitu
vegetasi di Kabupaten Soppeng diketahui
kerapatan jarang, sedang, rapat, dan sangat
bahwa penggunaan lahan di dominasi oleh
rapat. Nilai NDVI berkisar antara -1 sampai
warna hijau dan merah. Untuk daerah yang
1 dimana nilai mendekati 1 menunjukkan
kami pilih didominasi oleh area dengan
vegetasi yang semakin padat dan hijau,
kerapatan vegetasi tinggi dengan nilai
sedangkan jika nilai mendekati -1 maka
NDVI sebesar 0.6717 - 0.8435. Proses
berarti kondisi vegetasi semakin jarang
reklasifikasi dengan sistem infoimasi
(Drisya dkk., 2018).
geografi didapatkan empat kelas tingkat
Berdasarkan hasil perhitungan kerapatan vegetasi.
terhadap Normalized Diffrerence
Wilayah yang mempunyai vegetasi
Vegetation Index (NDVI) secara singkat
jarang ditunjukkan oleh warna orange,
dapat dilihat pada tabel 1
warna tersebut menunjukkan bahwa daerah
tersebut mempunyai vegetasi yang sedikit
Tabel 1. Nilai Normalized dengan dengan Indeks kerapatan vegetasi
Diffrerence Vegetation Indexx 0,2745 - 0,4087. Jika diperhatikan warna
No Nilai NDVI Kelas orange berada disekitar warna merah yang
- merupakan badan air. Hal ini menunjukkan
Badan air atau
1 0,5251 - bahwa pada wilayah yang berwarna orange
awan
0,2745 biasanya merupakan vegetasi di sekitar
0,2745 badan air. Wilayah yang mempunyai
2 Jarang
- 0,4087 vegetasi dengan tingkat kerapatan sedang
ditunjukkan dengan warna kuning, dengan
Indeks kerapatan vegetasi berkiasar 0,4087
– 0,5429. Wilayah ini biasanya merupakan air dengan daratan. Penggunaan band green
pemukiman. Wilayah yang mempunyai (kanal tampak) dan NIR merupakan input
tingkat kerapatan vegetasi rapat pada algoritma. Pada analisis NDWI
ditunjukkan dengan warna hijau muda, menggunakan landsat 8, maka kita harus
dengan indek kerapatan berkisar 0,5429 – menggunakan band 3 dan band 5.
0,6717. Tingkat kehijauan yang tua Berdasarkan hasil analisis kelompok kami
menunjukkan bahwa wilayah tersebut menggunakan NDWI, maka terdapat 5
masih mempunyai vegetasi yang banyak, kelas klasifikasi. Dengan nilai -0.7341 - -
karena indeks vegetasi sendiri sebenarnya 0.5782. untuk nilai NDWI, nilai badan air
menggambarkan tingkat kehijauan lebih besar dari 0.5, sedangkan untuk
tanaman. Terakhir yaitu wilayah yang vegetasi memiliki nilai yang lebih kecil.
memiliki vegetasi dengan tingkat Hal ini sesuai dengan pendapat
kerapatan sangat rapat, memiliki nilai Anandababu et al., (2018) bahwa nilai
indeks sekitar 0.6717 - 0.8435. Indeks NDWI berkisar -1 hingga 1. Nilai
inilah yang merupakan kombinasi mendekati 1 menunjukkan tingkat
matematis antara antara band merah (Red) kejenuhan air yang tinggi pada area tersebut
dan NIR (Near Infrared Radiation). Jika sedangkan nilai mendekati -1 artinya area
dilihat dari kenampakan citra, wilayah tersebut semakin kering atau kandungan air
yang mempunyai tingkat kerapatan semakin rendah.
vegetasi jarang dicirikan dengan warna
Normalized Difference Soil Index
terang, hal ini disebabkan karena refleksi
(NDSI) berfungsi untuk memeriksa kondisi
dari tajuk vegetasi kecil, sehingga kesan
spektural tanah. Untuk formulasi NDSI,
yang timbul di citra berwarna lebih terang.
digunakan band 6 sebagai SWIR dan band
Sebaliknya wilayah yang mempunyai
5 sebagai NIR. Citra NDSI memiliki nilai
tingkat kerapatan vegetasi rapat
skala -1 sampai 1. Nilai NDSI yang
ditunjukkan oleh warna yang lebih gelap/
mendekati -1 mengindikasikan tutupan
hijau karena refleksi dari tajuk vegetasinya
permukaan oleh air. Nilai NDSI yang
tinggi (Purwanto, 2015).
mendekati 0 mengindikasikan tutupan
Normalized Difference Water Index tanah oleh tumbuhan. Nilai NDSI yang
(NDWI) merupakan suatu algortima yang semakin besar hingga mendekati 1
digunakan untuk mendeteksi objek perairan menunjukkan tingkat keterbukaan tanah
(Anggraini et al. 2017). Algoritma ini yang semakin tinggi, semakin besar nilai
sering digunakan untuk memisahkan badan NDSI berarti tutupan tanah semakin rendah
(Idris et al., 2014). Berdasarkan hasil
analisis NDSI yang kami lakukan, pada
daerah yang kami ambil memiliki indeks -
0.7964 - -0.3662. Hal ini berarti pda daerah
yang kami ambil memiliki vegetasi yang
banyak. Berdasarkan ketiga hasil NDVI,
NDWI, dan NDSI maka dapat diketahui
bahwa ketiganya memiliki hubungan yang
saling memiliki korelasi.
Tabel 2. Nilai Klasifikasi SAVI
5 Sangat 0,46193389 – Vegetasi
Rapat 0,685409069 Berhutan
Kelas penutup lahan yang dicari adalah
kelas penutup lahan yang bertujuaan untuk
membedakan antara objek vegetasi dan
objek non vegetasi. Dalam menentukan
indeks vegetasi metode pengamatan
menggunakan SAVI (Soil – Adjusted
Vegetation Index) Transformasi indeks
vegetasi ini didesain untuk meminimalisir
efek dari pantulan tanah yang mana pada
citra menjadi latar belakang (back ground)
dari objek vegetasi. hasil klasifikasi SAVI
terdiri dari 5 kelas yaitu sangat jarang,
jarang, sedang, rapat dan sangat rapat. kelas
yang paling dominan adalah pada kerapatan
sangat rapat yakni ruang hijau terbuka
berupa vegetasi berhutan yang memenuhi
seluruh permukaan tanah.
Dapat terlihat bahwa pada legenda biru
yakni pada desa Mattabulu Kecamatan
Lalabata Kabupaten Soppeng merupakan
daerah yang memiliki vegetasi tinggi, dapat
dikatakan bahwa pada daerah tersebut
mampu dilakukan kegiatan pengolahan
lahan dikarenakan mampunya tanaman
hidup lebih besar pada daerah tersebut. Hal
ini sependapat dengan penyataan Sabri
(2019), yang menjelaskan bahwa Desa
Mattabulu berada dalam status kawasan
hutan lindung, yang hanya menyiapkan
sedikit peluang kerja didalamnya, sehingga
kebanyakan masyarakat lebih mencari
pekerjaan diluar desa Mattabulu daripada
mengembangkan potensi hutan desa. Kopi
Mattabulu adalah salah satu jenis produk
yang dikembangkan oleh masyarakat Desa
Mattabulu. Berdasarkan pengamatan dan
wawacanra yang peneliti lakukan bahwa
tanaman Kopi jenis Robusta sudah mulai
dibudidayakan dalam kawasan hutan desa
dengan luas lahan percobaan 1 Ha dan
belum ada hasil secara finansial yang
didapatkan Petani.
Estimasi produksi tanaman kopi dengan
menggunakan data pengingderaan jauh
dilakukan dengan ekstraksi data
penginderaan jauh. Banyak atau sedikitnya
produksi tanaman kopi pada dasarnya kurang dari 50% sehingga nilai indeks
dipengaruhi oleh besar kecilnya lebar vegetasi tidak dapat diandalkan apabila
diameter batang. Untuk mencari lebar wilayah penelitian tertutupi oleh adanya
diameter batang dari data penginderaan vegetasi yang kurang dari setengah
jauh dapat diketahui melalui lebar besaran cakupan citranya. Untuk meningkatkan
kanopi yang ada pada tumbuhan kopi reliabilitas estimasi status vegetasi,
tersebut. Dari besaran kanopi pada maka perlu menggunakan metode BSI
tumbuhan tersebut digunakan asumsi yang dibangun dengan melibatkan
bahwa semakin lebar diameter tutupan informasi spektral inframera tengah
kanopi yang ada pada tumbuhan kopi, maka sehingga perkiraan status vegetasi lebih
akan semakin besar pula lebar diameter baik. Asumsi ini menurut Rikimaru dkk.
batang karena pada umumnya pertambahan (2002) didasari oleh hubungan timbal
lebar diameter batang tegak lurus dengan balik yang kuat antara keberadaan tanah
lebar diameter tutupan kanopinya. Hal ini dan vegetasi (semakin dominan tanah,
sesuai dengan pendapat Anugoro (2013), semakin sedikit vegetasi, juga
yang menyatakan bahwa asil korelasi sebaliknya).
hubungan antara nilai indeks transformasi
Dari gambar 3. dapat dilihat bahwa
vegetasi SAVI dengan lebar kanopi
kenampakan bangunan dan tutupan
menunnjukkan bahwa kedua variabel
lahan kosong memiliki gradasi warna
tersebut saling berhubungan satu sama lain.
antara biru hingga coklat tua, sedangkan
Tabel 3. Hasil Klasifikasi BSI untuk tutupan lainnya (vegetasi, sawah
dan air) memiliki gradasi warna biru
sehingga sulit untuk dibedakan. Hal ini
memang merupakan sifat dari
transformasi BSI yang lebih sensitif
dalam membedakan antara area vegetasi
dan non vegetasi sehingga deteksi
arealahan terbuka dan pemukimanlebih
dapat dibedakan dari tutupan vegetasi.
BSI merupakan metode analisis
PENUTUP
yang digunakan berdasarkan asumsi
Kesimpulan
bahwa nilai indeks vegetasi kurang dapat
dipercaya pada kondisi tutupan vegetasi Berdasarkan hasil yang diperoleh, maka
lokasi yang sesuai untuk tanaman kopi
adalah lokasi yang dideliniasi merah, hal ini
dikarenakan lokasi tersebut memiliki syarat
tumbuh yang baik bagi kopi. Hal ini dapat
dilihat dari semua analisis yang dilakukan.
PUSTAKA
Anandababu, D., Purushothaman, B. M., &
Suresh Babu, S. (2018). Estimation of
Land Surface Temperature using
LANDSAT 8 Data. International
Journal of Advance Research, 4(2),
177–186. www.IJARIIT.com
Anggraini N, Marpaung S, & Hartuti M.
2017. Analisis Perubahan Garis Pantai
Ujung Pangkah Dengan Menggunakan
Metode Edge Detection dan
Normalized Difference Water Index
(Ujung Pangkah Shoreline Change
Analysis Using Edge Detection
Method And Normalized Difference
Water Index). Jurnal Penginderaan
Jauh dan Pengolahan Data Citra
Digital 14(2): 65–78. DOI:
https://doi.org/10.30536/j.pjpdcd.101
7.v14.a2545.
Anurogo, W., & Murti, S. H.
(2013). Aplikasi Penginderaan Jauh
Untuk Estimasi Produksi Tanaman
Karet (Hevea Brasiliensis) DI KOTA
SALATIGA, JAWA
TENGAH (Doctoral dissertation,
Universitas Gadjah Mada).
Drisya, J., Kumar, D. S., & Roshni, T. 2018.
Spatiotemporal variability of soil
moisture and drought estimation using
a distributed hydrological model. In
Integrating Disaster Science and
Management: Global Case Studies in
Mitigation and Recovery.
https://doi.org/10.1016/B978-0-12-
812056-9.00027-0
Idris, M., Subiyanto, S., dan Sabri, L. M.
2014. Analisis Pemanfaatan Citra
Landsat 7 Untuk Pemetaan
Kandungan Bahan Organik Tanah
Dengan Metode Pca Dan Regresi
Linier Berganda Bertahap Di
Kabupaten Bangkalan. J. Geodesi
Undip. 3 (1): 51-64
Mather, P.M., 1987. Computer Processing
of Remotely-Sensed Images. An
Introduction, 1st Edition, Wiley,
Chichester.
Purwanto, Ajun. 2015. Pemanfaatan Citra
Landsat 8 Untuk Identifikasi
Normalized Difference Vegetation
Index (NDVI) Di Kecamatan Silat
Hilir Kabupaten Kapuas Hulu. J.
Edukasi. 13 (1): 27-36
Rikimaru, A., Roy, P.S., Miyatake, S.,
(2002) : Tropical Forest Cover
Density Mapping. Trop. Ecology. 43,
39–47.
Sabri, A. 2019. Analisis Potensi
Pengembangan Unit Usaha Bumdes
Pada Ati dalam Mengelola Hutan Desa
Di Kecamatan Lalabata. Skripsi.
Program Studi Kehutanan Fakultas
Pertanian Universitas Muhammadiyah
Makassar.