Laporan Sistem Informasi Geografis Medan, April 2022

ANALISIS TUTUPAN LAHAN DI WILAYAH PEMATANG SIANTAR

DENGAN CITRA SENTINEL-2A

Dosen Penanggung Jawab :

Ir. Bejo Slamet S.Hut, M.Si, IPM

Oleh:
Abigail Naftali Gultom 191201142
Inra Yani 191201151
Fiona Felicia Honora Napitupulu 191201154

Kelompok 11
KSH 6

PEMINATAN KONSERVASI SUMBERDAYA HUTAN

FAKULTAS KEHUTANAN
UNIVERSITAS SUMATERA UTARA
MEDAN
2022
 KATA PENGANTAR

Puji dan syukur saya panjatkan kehadirat Tuhan Yang Maha Kuasa,
atas segala limpahan rahmat dan karunia Nya, sehingga penulis dapat
menyelesaikan laporan ini dengan baik, tanpa adanya halangan dan disusun
berdasarkan ilmu yang telah diterima selama melaksanakan perkuliahan. Judul
dari laporan ini adalah “Analisis Tutupan Lahan di Pematang Siantar dengan Citra
Sentinel-2A” yang merupakan salah satu syarat dalam mengikuti kuliah Sistem
Informasi Geografis, Program Studi Kehutanan, Fakultas Kehutanan, Universitas
Sumatera Utara. Laporan ini disusun berdasarkan hasil praktikum yang telah
dilakukan.
Dengan selesainya laporan Sistem Informasi Geografis ini tidak
terlepas dari bantuan banyak pihak yang telah memberikan masukan – masukan
kepada penulis. Penulis mengucapkan terimakasih kepada Bapak Ir. Bejo Slamet
S.Hut, M.Si, IPM sebagai dosen yang memberikan materi dan pengarahan.
Penulis menyadari bahwa masih banyak kekurangan dari laporan ini,
baik dari materi maupun teknik penyajiannya, mengingat kurangnya pengetahuan
dan pengalaman penulis. Oleh karena itu, kritik dan saran yang membangun
sangat penulis harapkan.

Medan Maret 2022

Penulis

i
 DAFTAR ISI

Halaman
KATA PENGANTAR ......................................................................................... i
DAFTAR ISI ........................................................................................................ ii
DAFTAR GAMBAR ........................................................................................... iii
PENDAHULUAN
Latar Belakang ............................................................................................... 1
Tujuan ............................................................................................................ 2
METODE PRAKTIKUM
Waktu dan Tempat ......................................................................................... 3
Alat dan Bahan ............................................................................................... 3
Prosedur Praktikum ........................................................................................ 3
HASIL DAN PEMBAHASAN
Hasil ............................................................................................................... 9
Pembahasan .................................................................................................... 9
KESIMPULAN DAN SARAN
Kesimpulan ................................................................................................... 11
Saran ............................................................................................................. 11
DAFTAR PUSTAKA
LAMPIRAN

ii
 DAFTAR GAMBAR

No Teks Halaman
1. Gambar 1. Hasil NDVI ........................................................................... 9
2. Gambar 2. Hasil NDBI ........................................................................... 9

iii
 1

PENDAHULUAN

Latar Belakang
Tutupan lahan adalah kenampakan material fisik permukaan bumi.
Tutupan lahan dapat menggambarkan keterkaitan antara proses alami dan proses
sosial. Tutupan lahan dapat menyediakan informasi yang sangat penting untuk
keperluan pemodelan serta untuk memahami fenomena alam yang terjadi di
permukaan bumi. Data tutupan lahan juga digunakan dalam mempelajari
perubahan iklim dan memahami keterkaitan antara aktivitas manusia dan
perubahan global. Informasi tutupan lahan yang akurat merupakan salah satu
faktor penentu dalam meningkatkan kinerja dari model-model ekosistem,
hidrologi, dan atmosfer. Tutupan lahan merupakan informasi dasar dalam kajian
geoscience dan perubahan global (Jia et al. 2014).
Tutupan lahan merupakan informasi yang sangat penting dalam sektor
pertanian. Misalnya dalam kajian perluasan sawah baru. Perluasan sawah baru
bertujuan untuk meningkatkan produksi padi guna meningkatkan ketahanan
pangan. Menurut Dinas Pertanian dan Tanaman Pangan Provinsi Jawa Barat,
peningkatan produksi padi melalui perluasan sawah masih dimungkinkan karena
potensi lahan yang sesuai untuk perluasan sawah di Jawa Barat masih cukup luas.
Sebelum melaksanakan kegiatan perluasan sawah, terlebih dahulu diperlukan
upaya mengetahui kelayakan potensi lahan hasil identifikasi Calon Petani dan
Calon Lokasi (CPCL) untuk dijadikan sawah baru dengan melakukan survei dan
investigasi calon lokasi yang layak untuk dijadikan sawah baru. Oleh karena itu,
informasi tutupan lahan membantu dalam identifikasi calon lokasi perluasan
sawah baru ( Jaya, 2010).
Informasi tutupan lahan terbaru berupa peta dapat diperoleh melalui
teknik penginderaan jauh. Penginderaan jauh telah lama menjadi sarana yang
penting dan efektif dalam pemantauan tutupan lahan dengan kemampuannya
menyediakan informasi mengenai keragaman spasial di permukaan bumi dengan
cepat, luas, tepat, serta mudah. Sumber data penginderaan jauh merupakan faktor
penting dalam keberhasilan klasifikasi tutupan lahan. Data satelit Landsat
biasanya digunakan dalam penginderaan jauh untuk klasifikasi tutupan lahan,
 2

dengan demikian peta tutupan lahan terbaru dapat diperoleh dengan mudah.
Berdasarkan keterbaruan data, informasi yang diperoleh melalui penginderaan
jauh dinilai lebih baik dibandingkan dengan informasi dari instansi pemerintah
yang terkait. Melalui pengindraan jauh, data satelit yang digunakan dapat berupa
data hasil perekaman terbaru (Gong et al., 2013).
Penentuan area contoh dilakukan untuk mengidentifikasi area contoh
yang mewakili setiap kelas penutupan lahan yang diinginkan dan membangun
suatu deskripsi numerik dari spektral tiap penutupan lahan tersebut Penentuan
dan pengambilan contoh dilakukan berdasarkan data yang didapatkan
dari pemeriksaan lapangan kemudian dilakukan penentuan dan pemilihan lokasi-
lokasi training area untuk pengambilan informasi statistik tipetipe tutupan
lahan. Pengambilan informasi statistik dilakukan dengan cara mengambil
contoh-contoh piksel dari setiap kelas tutupan lahan dan ditentukan lokasinya
pada citra komposit. Informasi statistik dari setiap kelas tutupan lahan ini
digunakan untuk menjalankan fungsi separabilitas (keterpisahan) dan fungsi
akurasi Informasi yang diambil adalah nilai rata-rata, simpangan baku, nilai
digital minimum dan maksimum, serta matriks (Tollefson, 2013).
Interpretasi visual citra dilakukan berdasarkan pada pengenalan ciri
obyek secara spasial. Karakteristik obyek dapat dikenali berdasarkan unsur-unsur
interpretasi seperti warna, bentuk, ukuran, pola, tekstur, bayangan, letak dan
asosiasi kenampakan obyek. Citra yang diinterpretasi ditampilkan dalam format
RGB (Red Green Blue) dalam bentuk citra komposit. Penciri kelas diperlukan
dalam proses klasifikasi. Penciri kelas merupakan satu set data yang diperoleh
dari suatu training area, feature space, atau cluster. Training area atau area contoh
digunakan untuk mendapatkan penciri kelas. Sekelompok training area mewakili
satu kelas tutupan lahan, misalnya hutan, sawah, badan air, dan kawasan
terbangun. Secara teoritis jumlah piksel yang harus diambil perkelas adalah
sebanyak jumlah band yang digunakan ditambah satu (N+1) (Iron et al., 2012).

Tujuan
Tujuan dari Laporan Sistem Informasi Geografis yang berjudul
“Analisis Tutupan Lahan di Wilayah Pematang Siantar dengan Citra Sentitel 2A”
adalah untuk megetahui dan menganalisis nilai NDVI wilayah yang dipilih.
 3

BAHAN DAN METODE

Waktu dan Tempat

Mata Kuliah Sistem Informasi Geografi yang berjudul “Analisis Tutupan
Lahan di Wilayah Pematangsiantar dengan Citra Sentinel-2A” ini dilaksanakan
pada Hari Selasa, 22 Maret 2022 pada Pukul 10.00 WIB sampai dengan selesai.
Kuliah ini dilaksakan secara daring melalui applikasi Whatsapp dan Zoom
Meeting.

Alat dan Bahan

Alat yang digunakan pada mata kuliah ini adalah alat tulis, laptop,
Applikasi Google Earth Engine dan applikasi ArcGIS.
Bahan yang digunakan pada mata kuliah ini adalah aplikasi Zoom meeting,
PowerPoint Materi Kuliah, skrip GEE dan jurnal maupun buku yang berkaitan.

Prosedur
1. Dibuka Google Earth Engine

2. Dicari lokasi yang akan diteliti. Lokasi yang akan diteliti adalah kota
Pematangsiantar. Kemudian, dimasukkan Script yang telah diberikan.
Dengan memperhatikan clip geometry dan description sesuai dengan
lokasi yang akan diteliti. Dan mengganti tanggal sesuai dengan tugas yang
diperintahkan
 4

3. Diklik “Draw Shape” lalu tentukan luas area yang akan diteliti

4. Diklik “Run”. Lalu tunggu hingga muncul “Unsubmitted Tasks”

5. Diklik “Run” Pada “Unsubmitted Tasks” untuk ketiga “Tasks”. Lalukan

secara satu-satu. Pada file “S2_True_2021” sesuai kan nama file dengan
nama wilayah yang di teliti. Pilih simpan dalam “Drive” dengan file
format “Tiff”
 5

6. Didownload file yang sudah disimpan dari drive

7. Buka applikasi ArcMap. Kemudian klik “Add Data” dan masukan ketiga
data yang telah disimpan sebelumnya. Lalu akan muncul 3 “Layers” yang
 6

berbeda. Dipilih satu “Layer” dengan memberikan tanda “Checklist”

pada “Layer ndvi2021.tiff” Lalu “Unchecklist” dua “Layers” lainnya.
Klik kanan pada “layer” yang di “checklist”>“Properties”>
“Symbology” >“Classified”> pada classes di ubah menjadi 5 “Apply” >
“OK”.

8. Klik “ArcToolBox” > “Spatial Analyst Tools” > “Reclass” > “Reclassify”.

9. Pada kolom “Input Raster” pilih file sesuai dengan “Layer” yang telah di
“Checklist” sebelumnya. Lalu klik “Classify” dan pada kolom “Classes”
pilih “5” lalu pilih “OK”
 7

10. Lalu “Checklist” tulisan “Change Missing Values To Nodata (Optional),

lalu klik “OK”.

11. Akan muncul hasil seperti gambar berikut. Dan akan muncul 1 “layer”
tambahan. Ubah nama “Layer” tersebut menyesuaikan dengan “Layer”
sebelumnya.

12. Klik “Insert” > “Legend” > “Next” > “OK”

\
13. Lakukan langkah 8-14 untuk “Layer NDBI”.
 8

14. Selesai.
 9

HASIL DAN PEMBAHASAN

Hasil
Adapun hasil dari laporan mata kuliah Sistem Informasi Geografis yang
berjudul “Pengelolaan Basis Data dengan Memanfaatkan Google Earth
Engine”adalah sebagai berikut:

Gambar 1. Hasil NDVI

Gambar 2. Hasil NDBI

Pembahasan
Berdasarkan hasil analisis pada peta didapat nilai NDVI pada wilayah
Pematang Siantar kategori sangat rendah berkisar dari (-0,424941182)-
(0,262134751); kategori rendah berkisar dari (0,262134751)-(0,452401932);
kategori sedang berkisar dari (0,452401932)-(0, 626813515); kategori tinggi
berkisar dari (0,626813515)- (0,769513901) dan kategori sangat tinggi berkisar
 10

dari (0,769513901)- (0,922784686). Dengan hasil yang diperoleh dapat diketahui

bahwasanya kota Pematang Siantar memiliki Lahan Tidak Bervegetasi cukup
kecil. 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 (2017) yang menyatakan bahwa Nilai-
nilai NDVI dapat dipengaruhi oleh beberapa faktor, di antaranya aitu sudut
matahari yang diindikasi dapat memengaruhi reflektansi sinar merah dan
inframerah.
Sedangkan untuk nilai NDBI pada kota Pematang Siantar kategori sangat
rendah berkisar dari (-0,6770051365) - (-0,314066617); kategori rendah berkisar
dari (-0,314066617) -(-0,229213039); kategori sedang berkisar dari (-
0,229213039) - (-0,125503111); kategori tinggi berkisar dari (-0,125503111) -
(0,034775868) dan kategori sangat tinggi berkisar dari (0,034775869) -
(0,525040984). Nilai-nilai ini menunjukkan kerapatan pemukiman di Pematang
Siantar sedikit/sangat rendah. Hal ini sesuai dengan pernyataan Julianto (2020)
yang menyatakan bahwa nilai rentang spektral NDBI berkisar 0,1 – 0,3.
Klasifikasi NDBI terdiri dari kerapatan non pemukiman (kelas -1 - 0), kerapatan
pemukiman jarang (kelas 0 - 0,1), kerapatan pemukiman rapat (kelas 0,1 – 0,2),
dan kerapatan pemukiman sangat rapat (kelas 0,2 – 0,3).Peranan NDBI pada
penelitian ini adalah sebagai salah satu parameter penelitian untuk pemetaan lahan
terbangun.
Pengambilan keputusan dalam pengelolaan ataupun penganganan suatu
wilayah dapat dilihat pada lahan tersebut mengindikasikan ada tidaknya atau rapat
tidaknya vegetasi yang ada pada wilayah tersebut. Indeks vegetasi atau
Normalized Difference Vegetation Index (NDVI) adalah indeks yang
menggambarkan tingkat kehijauan suatu tanaman. Menentukan suatu wilayah
sebagai wilayah dengan jumlah vegetasi rendah atau tinggi dapat dilakukan
dengan menggunakan klasifikasi.Klasifikasi merupakan penyusunan bersistem
dalam kelompok atau golongan menurut kaidah atau standar yang telah
ditetapkan, klasifikasi juga dapat dikatakan pembagian sesuatu kedalam kelas-
kelas berdasarkan kriteria-kriteria yang telah ditentukan, salah satu metode yang
dapat melakukan klasifikasi adalah metode K-Nearest Neighbor.
 11

KESIMPULAN DAN SARAN

Kesimpulan
1. Google Earth Engine adalah platform open source yang menerapkan
aplikasi penginderaan jauh, produk Google ini berbasis komputasi cloud
yang dirancang untuk memungkinkan studi penginderaan jauh dalam skala
waktu lama dan luasan spasial yang besar
2. NDVI (Normalized Difference Vegetation Index) merupakan perhitungan
citra yang digunakan untuk mengetahui tingkat kehijauan, yang sangat
baik sebagai awal dari pembagian daerah vegetasi. NDVI memiliki nilai
berkisar antara -1.0 hingga +1.0
3. Nilai NDVI pada wilayah Pematang Siantar kategori sangat rendah
berkisar dari (-0,424941182)-(0,262134751); kategori rendah berkisar dari
(0,262134751)-(0,452401932); kategori sedang berkisar dari
(0,452401932)-(0, 626813515); kategori tinggi berkisar dari
(0,626813515)- (0,769513901) dan kategori sangat tinggi berkisar dari
(0,769513901)- (0,922784686)
4. Nilai NDBI pada kota Pematang Siantar kategori sangat rendah berkisar
dari (-0,6770051365) - (-0,314066617); kategori rendah berkisar dari (-
0,314066617) -(-0,229213039); kategori sedang berkisar dari (-
0,229213039)-(-0,125503111); kategori tinggi berkisar dari (-
0,125503111) - (0,034775868) dan kategori sangat tinggi berkisar dari
(0,034775869) - (0,525040984)
5. Klasifikasi NDBI terdiri dari kerapatan non pemukiman (kelas -1 - 0),
kerapatan pemukiman jarang (kelas 0 - 0,1), kerapatan pemukiman rapat
(kelas 0,1 – 0,2), dan kerapatan pemukiman sangat rapat (kelas 0,2 – 0,3)
 DAFTAR PUSTAKA

Gong P, Wang J, Yu L, Zhao YC, Zhao YY, Liang L, Niu ZG, Huang XM, Fu
HH, Liu S, Li CC, Li XY, Fu W, Liu CX, Xu Y, Wang XY, Cheng
Q, Hu LY, Yao WB, Zhang H, Zhu P, Zhao ZY, Zhang HY, Zheng
YM, Ji LY, Zhang YW, Chen H, Yan A, Guo JH, Wang L, Liu XJ,
Shi TT, Zhu MH, Chen YL, Yang GW, Tang P, Xu B, Giri C,
Clinton N, Zhu ZL, Chen J, Chen J. 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: 2607-2654.

Irons JR, Dwyer JL, Barsi JA. 2012. The next landsat satellite: the landsat data
continuity mission. Remote Sensing of Environment. 122: 11-21.

Jaya INS. 2010. Analisis Citra Digital Perspektif Penginderaan Jauh untuk
Pengelolaan Sumber Daya Alam. Fakuakultas Kehutanan Institut
Pertanian Bogor

Jia K, Xiangqin W, Xingfa G, Yunjun Y, Xianhong X, Bin L. 2014. Land cover

classification using Landsat 8 Operational Land Imager data in
Beijing, China. Geocarto International. 29: 941-951.

Julianto FD, Dinda PDP, Hafizh HS. 2020. Analisis Perubahan Vegetasi dengan
Data Sentinel-2 Menggunakan Google Earth Engine (Studi Kasus
Provinsi Daerah Istimewa Yogyakarta). Jurnal Penginderaan Jauh
Indonesia, 2 (2): 13-15.

Lufilah SN, Makalew ADN, Sulistyantara B. 2017. Pemanfaatan Citra Landsat 8

untuk Analisis Indeks Vegetasi di DKI Jakarta.

Tollefson J. 2013. Landsat 8 to the rescue. Nature. 494: 13-14

 LAMPIRAN

SKRIP GEE
var S2A = ee.ImageCollection('COPERNICUS/S2_SR')
.filterDate('2021-01-01', '2021-12-31')
.filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 90))
.map(maskS2clouds)
.median()
.clip(geometry);

function maskS2clouds(image) {
var qa = image.select('QA60');
var cloudBitMask = 1 << 10;
var cirrusBitMask = 1 << 11;
var mask = qa.bitwiseAnd(cloudBitMask).eq(0)
.and(qa.bitwiseAnd(cirrusBitMask).eq(0));
return image.updateMask(mask).divide(1);
}

var RGBTrue = S2A.select(['B4', 'B3', 'B2']);

var RGBparam = { min: 0, max: 3000,};
Map.addLayer(RGBTrue, RGBparam, 'Sentinel RGB 432');

Export.image.toDrive({
image: RGBTrue,
description: "Pematangsiantar",
scale: 10,
maxPixels: 600000000,
region: geometry
});

var nir = S2A.select('B8');

var red = S2A.select('B4');
var ndvi = nir.subtract(red).divide(nir.add(red)).rename('NDVI S2A');

var NDVIparam = {min: -1, max: 1, palette:['blue', 'white', 'green']};

Map.addLayer(ndvi, NDVIparam, 'NDVI 2021');

var swir =S2A.select('B11');

var ndbi = swir.subtract(nir).divide(swir.add(nir)).rename('NDBI S2A');

var NDBIparam = {min: -1, max: 1, palette:['green', 'yellow', 'red']};

Map.addLayer(ndbi, NDBIparam, 'NDBI 2021');

Export.image.toDrive({
image: ndvi,
description: 'ndvi2021',
scale: 10,
maxPixels: 600000000,
region: geometry
});

Export.image.toDrive({
image: ndbi,
description: 'ndbi2021',
scale: 10,
maxPixels: 600000000,
region: geometry
});