MODUL PRAKTIKUM PENGINDERAAN JAUH

Indeks Vegetasi dan Bangunan Menggunakan Software ArcGIS

Diajukan Untuk Memenuhi Tugas Mata kuliah Penginderaan Jauh yang Diampu
Oleh:

Prof. Dr. Dede Sugandi, M.Si.

Dr. Lili Somantri, S.Pd., M.Si.

Disusun Oleh :

Nama : Rival Akbar Firdaus

NIM : 2008354

Prodi : Pendidikan Geografi

Kelas : 4B

PRODI PENDIDIKAN GEOGRAFI

DEPARTEMEN PENDIDIKAN GEOGRAFI

FAKULTAS PENDIDKAN DAN ILMU PENGETAHUAN SOSIAL

UNIVERSITAS PENDIDIKAN INDONESIA

2022
 MODUL 4

INDEKS VEGETASI DAN BANGUNAN MENGGUNAKAN ARCGIS

A. Tujuan Pembelajaran
1. Mahasiswa mampu memahami indeks vegetasi dan bangunan
menggunakan citra landsat 8 OLI/TIRS.
2. Mahasiswa mampu memanfaatkan software ArcGIS untuk
memperoleh indeks vegetasi dan bangunan.

B. Alat dan Bahan

1. Laptop/Komputer
2. Software ArcGIS
3. Citra Landsat 8 Lembar Jawa Barat bagian timur
4. Shp Kab. Garut

C. Dasar Teori
1. Indeks Vegetasi
Danoedoro (2012) menyatakan bahwa indeks vegetasi merupakan
sebuh algoritma yang diterapkan dalam citra multispektral, dengan
tujuan untuk menonjolkan aspek kerapatan vegetasi ataupun aspek
lainnya yang berkaitan dengan konsentrasi klorofil. Sedangkan
James (dalam Hartono, 2005) menjelaskan bahwa indeks vegetasi
adalah suatu ukuran kuantitatif berdasarkan nilai digital citra satelit
dalam mengukur biomassa suatu vegetasi.
Sanjoto (2013) menjelaskan bahwa secara praktis indeks vegetasi
merupakan sebuah transformasi matematis yang melibatkan
beberapa band sekaligus sehingga menghasilkan citra baru yang
representatif dalam menyajikan fenomena vegetasi. Dari beberapa
pengertian di atas, dapat disimpulkan bahwa indeks vegetasi
 merupakan sebuah indeks kuantitatif hasil dari gabungan beberapa
band sehingga menciptakan citra multispektral yang memuat
informasi berkaitan dengan kerapatan biomassa suatu vegetasi.
Identifikasi vegetasi menggunakan teknik penginderaan jauh dapat
menggunakan saluran merah (R) dan inframerah (IR). Saluran
tersebut digunakan dapat mengidentifikasi vegetasi berdasarkan
tingkat penyerapan oleh klorofil dan jaringan pada tubuh vegetasi.
Sedangkan cahaya inframerah dekat dipantulkan kembali oleh
vegetasi pada jaringan mesofil. Jaringan mesofil yang terdapat
pada daun akan membuat tingkat kecerahan berbeda. Sehingga
kombinasi saluran R dan IR lebih sering digunakan dalam
identifikasi IV (Yudistira et al., 2019).
Saluran R dan IR dapat membedakan vegetasi dan non vegetasi.
Pada kawasan vegetasi berkerapatan tinggi dengan kondisi vegetasi
sehat, saluran R akan memberikan nilai indeks vegetasi yang
tinggi, sedangkan saluran IR menurun pada pantulan vegetasi.
Sedangkan non-vegetasi termasuk diantaranya berupa perairan,
permukiman penduduk, tanah kosong, dan wilayah vegetasi yang
tidak normal, akan tidak menunjukkan nilai indeks yang tinggi.
Sehingga perbedaan vegetasi dan non-vegetasi dapat dibedakan
dan dikenali secara pendekatan interpretasi visual dan digital
(Yudistira et al., 2019).
2. Normalized Difference Vegetation Index (NDVI)
Salah satu indeks vegetasi yang sering digunakan adalah
Normalized Difference Vegetation Index (NDVI) yang merupakan
kombinasi antara teknik perbandingan kuantitatif dengan teknik
pengurangan citra. Barbosa (2006) menjelaskan bahwa NDVI
adalah metode yang umumnya digunakan dalam mengetahui
indeks kerapatan suatu vegetasi, sehingga NDVI sendiri
merupakan metode standar yang digunakan untuk membandingkan
tingkan kehijauan pada tumbuhan.
Normalized Difference Vegetation Index (NDVI) adalah metode
untuk mendeteksi vegetasi berdasarkan indeks kehijauan atau
klorofil menggunakan teknik penginderaan jauh. NDVI dapat
menunjukkan parameter yang berhubungan dengan parameter
vegetasi, antara lain, biomass, dedaunan hijau, daerah dedaunan
hijau yang merupakan nilai yang dapat diperkirakan untuk
pembagian vegetasi (Febrianti & Sofan, 2014).
Nilai NDVI didapatkan dari hasil algoritma yang menggunakan
saluran band inframerah dan band inframerah dekat. Pada citra
landsat 5 TM gelombang inframerah dan inframerah dekat terdapat
pada band 3 dan band 4 sedangkan pada citra landsat 8 OLI
terdapat pada band 5 dan band 4. Nilai indeks yang dihasilkan oleh
algoritma tersebut terdapat antara -1 hingga 1. Nilai NDVI positif
umumnya merupakan area vegetasi yang lebat, sedangkan nilai
negatif mengindikasikan area tanpa vegetasi dengan emisi tinggi
(Himayah, 2019; Silitonga et al., 2018).
Putra (2011) menjelaskan bahwa teknik NDVI dapat digunakan
untuk mengetahui tinggi rendahnya suatu kerapatan vegetasi
dengan cara transformasi citra menajaman spektral untuk
menganalisis hal-hal yang berkaitan dengan vegetasi. Sehingga
dapat disimpulkan bahwa NDVI merupakan sebuah teknik yang
digunakan untuk mengetahui kerapatan vegetasi dengan cara
membandingkan tingkat kehijauan pada tumbuhan. Nilai
perhitungan NDVI dapat dihitung dengan menggunakan rumus
berikut:

Nilai Indeks Kerapatan

No Keterangan
Vegetasi Vegetasi
Tubuh air seperti sungai,
1 <0 Non RTH danau, dan pemukiman
lahan tertutup.
 Permukiman lahan
terbuka yang dilapisi
2 0 – 0,1 Sangat Rendah
dengan aspak atau paving
maupun jalan aspal.
Lahan vegetasi penutup
tanah, seperti pada jalan
3 0,1 – 0,5 Rendah tanah, lapangan kosong,
tanpa dilapisi dengan
aspal atau paving.
Lahan vegetasi penutup
berupa perkebunan
4 0,5 – 0,7 Sedang kelapa, kebun campuran,
vegetasi rerumputan,
padang golf, alang-alang.
5 >0,7 Tinggi Vegetasi berhutan
Sumber: Putra (2012)

Kelas Kisaran NDVI Tingkat Kerapatan

1 -1 s/d 0,32 Jarang
2 0,32 – 0,42 Sedang
3 0,42 – 1 Tinggi
Sumber: Departemen Kehutanan (2003)

3. Indeks Bangunan
NDBI (Normalized Difference Built-up Index) merupakan suatu
algoritma untuk menunjukkan kerapatan lahan terbangun/barren
soil (Malik, et.al, 2019). Indeks lahan terbangun sangat sensitif
terhadap lahan terbangun atau lahan terbuka. Nilai indeks lahan
terbangun dapat menggunakan algoritma sebagai berikut:
 No Nilai Keterangan
1 -1 – 0 Non Bangunan
2 0 – 0,1 Kerapatan Bangunan Rendah
3 0,1 – 0,2 Kerapatan Bangunan Sedang
4 0,2 – 0,3 Kerapatan Bangunan Tinggi
Sumber: Adeanti dan Harist (2018)

D. Tahapan Kegiatan
INDEKS VEGETASI
1. Persiapkan bahan berupa citra Landsat 8 OLI, yang akan
digunakan berupa data tif dan meta data

2. Buka aplikasi ArcGIS

3. Add data citra Landsat berupa band 4 dan band 5

4. Langkah berikutnya berupa kalibrasi radiometrik. Kalibrasi

Radiometrik adalah proses pengolahan citra satelit yang bertujuan
untuk mengubah data pada citra yang (pada umumnya) disimpan
dalam bentuk Digital Number (DN) menjadi radiance (LTOA) atau
reflectance (ρTOA) dan dapat ke dalam bentuk brightness
temperature (u/Thermal Infrared). Buka metadata landsat (mtl)
5. Untuk melakukan kalibrasi radiometrik diperlukan informasi
berupa nilai radiance. Berikut merupakan persamaannya

Keterangan
Lλ : Top of Atmosphere (ToA) Radiance/Reflectance
ML : Radiance/Reflectance Mult Band x, yang mana x adalah
nomor band.
Al : Radiance/Reflectance Add Band x, yang mana x adalah nomor
band.
Qcal : Nilai digital number (DN)
6. Kembali ke software ArcGIS, kemudian buka raster calculator

7. Isikan persamaan seperti berikut, informasi tersebut terdapat di

meta data. Klik OK. (lakukanlah yang sama pada band yang lain)

8. Hasil
9. Kemudian buka raster calculator, masukkan rumus NDVI, pilih
folder penyimpanan dan OK.

10. Kemudian lakukan koreksi koordinat menggunakan Project Raster

11. Kemudian lakukanlah classified sesuai dengan tabel NDVI dan
lakukanlah clip pada area Kab. Garut.
12. Selesai
INDEKS BANGUNAN

1. Persiapkan bahan berupa citra Landsat 8 OLI, yang akan

digunakan berupa data tif dan meta data

2. Buka software ArcGIS

3. Add data citra Landsat berupa band 5 dan band 6

4. Langkah berikutnya berupa kalibrasi radiometrik.

5. Kembali ke software ArcGIS, kemudian buka raster calculator

6. Isikan persamaan seperti berikut, informasi tersebut terdapat di

meta data. Klik OK. (lakukanlah yang sama pada band yang lain)
7. Hasil

8. Kemudian buka raster calculator, masukkan rumus NDBI, pilih

folder penyimpanan dan OK.
9. Lakukan koreksi koordinat dengan menggunakan project raster
10. Kemudian lakukanlah classified sesuai dengan tabel NDBI dan
lakukanlah clip pada area Kab. Garut.
11. Selesai