INSTITUT TEKNOLOGI NASIONAL

Jl. Bendungan Sigura-gura No. 2

MALANG

LAPORAN PRAKTIKUM PENGINDERAAN JAUH TERAPAN

KLASIFIKASI INDEKS VEGETASI BERDASARKAN ALGORITMA

NDVI DAN SAVI

KABUPATEN BOJONEGORO

DOSEN PENGAMPU :

FENY ARAFAH, S.T., M.T.

ALIFAH NORAINI, S.T., M.T.

DISUSUN OLEH
KELOMPOK 10 :
DANANG OKTAVIANO (2225049)
ADELIUS AGUSTO (2225050)
NABILLA PUTERI RISMANA (2225052)
ALEXANDRIA JIRAN DOWA (2225056)
YULIANA WANTHY NANA (2025042)

PROGRAM STUDI TEKNIK GEODESI

FAKULTAS TEKNIK SIPIL DAN PERENCANAAN
INSTITUT TEKNOLOGI NASIONAL
MALANG
2023
 KATA PENGANTAR

Dengan mengucap syukur kehadirat Allah SWT yang telah memberikan

berkah dan rahmat-Nya, serta terima kasih kepada dosen pengampu mata kuliah
Penginderaan Jauh Terapan yang telah memberikan kesempatan untuk
mempelajari tentang Pembuatan peta Tutupan Lahan, kami dengan senang hati
menyampaikan laporan hasil Tutupan Lahan Kab. Bojonegoro Jawa timur.
Dalam pelaksanaan penulisan laporan ini penulis masih banyak memiliki
kekurangan dan kesalahan dalam penulisan laporan atau penyusunan laporan.
Untuk itu penulis mengharapkan saran dan kritik untuk lebih menyempurnakan
laporan ini
Dalam pelaksanaan penulisan laporan, penulis mendapatkan banyak
bantuan, bimbingan dan saran dari berbagai pihak, dan kami menyampaikan
terima kasih kepada :
1. Ibu Feny Arafah, ST., MT dan Ibu Alifah Noraini, ST., MT selaku
dosen pembimbing atas saran dan arahannya selama ini.
2. Kedua orang tua kami yang telah banyak memberikan semangat, doa,
dan bantuan baik moral maupun material dalam penulisan laporan ini.
3. Rekan-rekan lainya yang telah memberi sumbangan pikiran, semangat,
dan banyak membantu dalam penulisan laporan ini.
Semoga tuhan yang maha esa membalas semua amal kebaikan mereka
semua dan laporan ini dapat memberikan manfaat kepada pembaca.

Malang, 4 Januari 2024

Penulis

1
 DAFTAR ISI

KATA PENGANTAR.............................................................................................1

DAFTAR ISI............................................................................................................2

DAFTAR GAMBAR...............................................................................................4

BAB I.......................................................................................................................6

PENDAHULUAN...................................................................................................6

1.1 Latar Belakang..........................................................................................6

1.2 Rumusan Masalah.....................................................................................7
1.3 Maksud dan Tujuan...................................................................................7
BAB II......................................................................................................................8

DASAR TEORI.......................................................................................................8

2.1 Penginderaan Jauh.....................................................................................8

2.2 Landsat 8 – 9.............................................................................................8
2.3 Indeks Vegetasi.......................................................................................10
2.4 Normalized Difference Vegetation Indeks (NDVI)................................10
2.5 Soil Adjusted Vegetation Indeks (SAVI)................................................11
BAB III..................................................................................................................12

METODE PENELITIAN.......................................................................................12

3.1 Lokasi Penelitian.....................................................................................12

3.2 Alat dan Bahan........................................................................................12
3.3 Diagram Alir............................................................................................13
3.4 Langkah – langkah Pekerjaan..................................................................14
BAB IV..................................................................................................................32

HASIL DAN PEMBAHASAN..............................................................................32

4.1 Hasil luas tutupan vegetasi NDVI...........................................................32

4.2 Hasil Luas Tutupan Vegetasi SAVI........................................................33
4.3 Hasil Peta Tutupan Vegetasi...................................................................35
BAB V....................................................................................................................36

2
PENUTUP..............................................................................................................36

5.1 Kesimpulan..............................................................................................36
5.2 Saran........................................................................................................36
DAFTAR PUSTAKA............................................................................................38

LAMPIRAN...........................................................................................................39

3
 BAB I

PENDAHULUAN

1.1 Latar Belakang

KLASIFIKASI INDEKS vegetasi Salah satu parameter yang digunakan
untuk menganalisis kondisi vegetasi dari suatu wilayah. Dalam aplikasi ENVI,
indeks vegetasi mencerminkan besaran nilai kehijauan vegetasi atau tingkat
kehijauan, yang diperoleh dari pengolahan sinyal data digital kecerahan dan data
sensor satelit.Indeks tersebut mempunyai berbagai macam variasi algoritma.
Sejumlah penurunan dan alternatif NDVI telah diusulkan oleh sejumlah peneliti
untuk menyempurnakan berbagai kekurangan parameter ini, Soil Adjusted
Vegetation Index (SAVI), dan Enhanced Vegetation Index (EVI). Sesuai
namanya, masing-masing indeks tersebut dihitung dengan memasukkan faktor
koreksi terhadap satu atau beberapa faktor yang menjadi kekurangan NDVI
(Purwanto, 2015). Algoritma pemrosesan sinyal digital untuk menghitung indeks
vegetasi diperoleh dengan memanfaatkan karakteristik panjang gelombang pantul
daun.Setiap jenis atau metode indeks vegetasi memiliki tingkat akurasi yang
berbeda-beda dalam menentukan kerapatan vegetasi.dengan menggunakan jenis
atau metode indeks vegetasi,NDVI (Normalized Difference Vegetation Index), dan
SAVI (Soil Adjusted Vegetation Index)

Teknik penginderaan jauh telah berkembang sangat pesat sejak

diluncurkannya Landsat 1 pada tahun 1972 hingga peluncuran Landsat 7. Saat
ini Landsat 7 masih berfungsi namun pada Mei 2003 mengalami kegagalan pada
Scan Line Corrector sehingga sangat mengganggu dalam melakukan analisis
citra (Mentari, 2013; USGS, 2016). Pada tanggal 11 Februari 2013 diluncurkan
satelit generasi terbaru yaitu Landsat Data Continuity Mission (LDCM) yang
dikenal sebagai Landsat 8. Keberhasilan ini melanjutkan misi satelit Landsat
dalam pengamatan permukaan bumi (Lulla et al., 2013). Landsat 8 mengorbit
bumi setiap 99 menit, serta melakukan liputan pada area yang sama setiap 16
hari kecuali untuk lintang kutub tertinggi. Landsat 8 mengorbit bumi pada

4
ketinggian ratarata 705 km dengan sudut inklinasi 98.2°. Landsat 8 memiliki 2
sensor yaitu sensor Operasional Land Imager (OLI) terdiri dari 9 saluran (band)
termasuk band pankromatik beresolusi tinggi, dan Thermal Infra Red Sensor
(TIRS) dengan 2 band termal.
Penelitian ini bertujuan untuk melakukan klasifikasi tutupan lahan di
Kabupaten Bojonegoro menggunakan citra Landsat 8 . Hasil klasifikasi
diperoleh merupakan peta tutupan lahan Kabupaten Bojonegoro terbaru yang
dapat digunakan untuk berbagai kajian.

1.2 Rumusan Masalah

1. Bagaimana cara melakukan klasifikasi tutupan lahan ?
2. Bagaimana proses pengolahan data NDVI klasifikasi pada tingkat
kehijauan ?
3. Bagaimana proses pengolahan data vegetasi berdasarkan algoritma
SAVI ?

1.3 Maksud dan Tujuan

Tugas Pengindraan Jauh Terapan bagi mahasiswa adalah untuk :
1. Membantu mahasiswa dalam hal melakukan LayerStacking di Envi
5.3.
2. Membantu mahasiswa dalam hal melakukan Klasifikasi Indeks
Vegetasi menggunakan metode NDVI dan SAVI di Envi 5.3 dan Envi
Classic 5.3.
3. Memberikan pengetahuan yang cukup agar mahasiswa dapat
melakukan pekerjaan yang menyangkut peta Indeks Vegetasi.
Sebagai wahana aplikasi dari teori Pengindraan jauh terapan yang
telah diberikan dalam perkuliahan.

5
 BAB II

DASAR TEORI

2.1 Penginderaan Jauh

Menurut Lilesand et al. (2004) mengatakan bahwa penginderaan jauh
adalah ilmu dan seni untuk memperoleh informasi tentang suatu objek, daerah,
atau fenomena melalui analisis data yang diperoleh dengan suatu alat tanpa
kontak langsung dengan objek, daerah, atau fenomena yang dikaji.
Penginderaan jauh dalam bahasa Inggris disebut Remote Sensing, bahasa
Perancis disebut Teledetection, bahasa Jerman adalah Fernerkundung, Portugis

menyebutnya dengan Sensoriamento Remota, Rusia disebut Distantionaya, dan

Spanyol disebut Perception Remota.
2.2 Landsat 8 – 9
Landsat merupakan satelit paling tua di bumi yang diluncurkan oleh
Amerika Serikat. Tepat tanggal 11 Februari 2013 diluncurkan satelit generasi
terbaru yaitu Landsat Data Continuity Mission (LDCM) yang kita kenal sebagai
Landsat 8. Keberhasilan ini melanjutkan misi satelit Landsat dalam pengamatan
permukaan bumi (Lulla et al., 2013). Landsat 8 mengorbit pada bumi setiap 99
menit, serta melakukan liputan pada area yang sama setiap 16 hari kecuali untuk
lintang kutub tertinggi. Landsat 8 mengorbit bumi pada ketinggian ratarata 705
km dengan sudut inklinasi 98.2°. Tidak hanya itu Landsat 8 juga memiliki 2
sensor yaitu sensor Operasional Land Imager (OLI) terdiri dari 9 saluran (band)

6
termasuk band pankromatik beresolusi tinggi, dan Thermal Infra Red Sensor
(TIRS) dengan 2 band termal. Landsat ini memiliki 11 band, 9 band diantaranya
berada di OLI dan 2 band lainnya berada di TIRS. Sebagian band pada Landsat
ini memiliki kesamaan dengan citra satelit Landsat 7. Landsat 8 ini dapat
digunakan untuk mengetahui tingkat Institut Teknologi Nasional 8 kerapatan
dan luasan vegetasi.
Landsat 9 yang merupakan peningkatan dari landsat 8 akan mengorbit
pada ketinggian 705 km di atas bumi dan didesain untuk beroperasi minimal 10
tahun. Landsat 9 akan mengorbit pada lintasan yang sama dengan Landsat 7
yang berada pada orbit Sun–synchronous. Pengguna Landsat kini dapat
memanfaatkan pengamatan yang lebih sering, Landsat 9 memiliki kemampuan
mencitrakan lokasi yang sama setiap 16 hari, dan dalam 8 hari mampu merekam
gambar seluruh bagian bumi offset (bersamaan) dengan Landsat 8. Cakupan area
Landsat 9 dan 8 sama yaitu 185 x 185 km, Landsat 9 mempunyai kecepatan
27.000 km/jam dan mampu mengumpulkan gambar sebanyak 750 per hari,
sedangkan landsat 8 mampu merekam gambar sebanyak 700 perhari. Sehigga
jika digabungkan maka akan dapat mengumpulkan data citra berjumlah 1.450
per harinya. Singkatnya waktu perekaman gambar dapat dimanfaatkan untuk
pengaplikasian seperti peringatan deforestasi tropis mingguan, pemantauan
kualitas air, dan laporan kondisi tanaman sekarang dapat dilakukan dengan
konstelasi.
Pada satelit landsat 9 membawa 2 sensor utama yaitu Operational Land
Imager–2 (OLI–2) buatan Ball Aerospace & Technology Corp. (BATC). Sensor
ini berfungsi untuk melakukan pengukuran reflektansi objek–objek yang
terdapat di permukaan bumi pada spektrum gelombang elektromgnetik visible
(cahaya tampak), Near Infrared (NIR), dan Shortwave Infrared (SWIR).
Aplikasi Sensor OLI-2 digunakan untuk pemetaan tutupan lahan secara global,
kualitas air, aliran gletser, tingkat kesehatan ekosistem. Sensor kedua yaitu
Thermal Infrared Sensor-2 TIRS-2 buatan Goddard Space Flight Center NASA
yang memiliki fungsi sebagai sensor panas yang menghasilkan informasi terkait
suhu permukaan bumi, yang salah satu aplikasinya dapat digunakan untuk
memantau irigasi dan penggunaan air.

7
2.3 Indeks Vegetasi
Indeks vegetasi merupakan suatu bentuk transformasi spektral yang
diterapkan terhadap citra multisaluran untuk menonjolkan aspek kerapatan
vegetasi ataupun aspek lain yang berkaitan dengan kerapatan, misalnya
biomassa, Leaf Area Index (LAI), konsentrasi klorofil dan sebagainya. Secara
praktis, indeks vegetasi ini merupakan suatu transformasi matematis yang
melibatkan beberapa saluran sekaligus, dan menghasilkan citra baru yang lebih
representatif dalammenyajikan fenomena vegetasi. Berkaitan dengan hal itu,
dalampenelitian ini menggunakan algoritma NDVI, EVI, dan SAVI yang di
terapkan pada Citra Landsat 8 terkoreksi.
Menurut Purwadhi (2009), Teknik untuk mencari penutupan lahan yang
sudah diproses dengan penajaman berdasarkan komponen vegetasi (indeks
vegetasi). Penajaman dengan membuat citra indeks vegetasi, yang
pembuatannya dengan mengurangkan, menambah dan membandingkan nilai
digital tiap saluran yang spektralnya berbeda.
2.4 Normalized Difference Vegetation Indeks (NDVI)
Prahasta (2008) mengatakan dari beberapa wacana mengenai konsep
indeks vegetasi, yang paling sering digunakan dan paling populer adalah NDVI
(normalized difference vegetation index). Nilai index vegetasi ini dihitung
sebagai rasio pantulan yang terukur dari band merah (R) dan band Inframerah
(NIR) pada spektrum gelombang elektromagnetik (Jochem O. Klompmaker., et
al 2017).
Prinsip dari algoritma ini adalah radiasi dari visible red diserap oleh
chlorophyll hijau daun sehingga akan direflektansikan rendah, sedangkan radiasi
dari sinar near infrared akan kuat direflektansikan oleh struktur daun spongy
mesophyll. Indeks ini mempunyai kisaran nilai dari -1,0 sampai 1,0 (Arhatin,
2007 dalam kawamuna 2017).
Kedua band ini dipilih sebagai parameter indeks vegetasi karena hasil
pengukurannya paling dipengaruhi oleh penyerapan klorofil daun atau vegetasi
hijau. Secara umum formula NDVI ditulis dengan persamaan:
”NDVI = (NIR – R)/ (NIR + R)”.

8
 (Ahmed, K. R., & Akter, S., 2017).
2.5 Soil Adjusted Vegetation Indeks (SAVI)
Indeks vegetasi ini merupakan indeks vegetasi tanah yang disesuaikan, Soil
Adjusted Vegetation Index (SAVI) ini mirip dengan indeks vegetasi NDVI,
namun pada indeks SAVI lebih menekankan pada efek piksel tanah.
Menggunakan faktor penyesuaian kanopi latar belakang L yang merupakan fungsi
dari kerapatan vegetasi. Huete (1988) menunjukkan nilai optimal L=0,5 untuk
memperhitungkan orde pertama variasi latar belakang tanah. Indeks ini paling
baik digunakan di daerah dengan vegetasi yang relatif jarang dimana tanah
terlihat melalui kanopi. (Ariani, 2020).

𝑆𝐴𝑉𝐼=1.5∗(𝑁𝐼𝑅−𝑅𝐸𝐷) 𝑁𝐼𝑅+𝑅𝑒𝑑+0.5

Keterangan : NIR : Band inframerah dekat untuk sebuah sel (Band 5) RED :
Band merah untuk sebuah sel (Band 4).

9
 BAB III

METODE PENELITIAN

3.1 Lokasi Penelitian

Kabupaten Bojonegoro terletak di bagian timur Provinsi Jawa Timur,

Indonesia. Secara geografis, kabupaten ini berada pada koordinat sekitar 7°20'
Lintang Selatan dan 111°53' Bujur Timur. Wilayah Bojonegoro memiliki luas
yang cukup besar, mencakup berbagai tipe lahan seperti dataran rendah,
perbukitan, dan hutan. Sungai Bengawan Solo, salah satu sungai terpanjang di
Jawa, mengalir melalui wilayah ini, memberikan kontribusi signifikan terhadap
kehidupan masyarakat setempat.

3.2 Alat dan Bahan

Peralatan yang digunakan di penelitian ini terdiri dari perangkat keras dan
perangkat lunak sebagai berikut:
a. Perangkat Keras
i) Laptop Lenovo Ideapad Gaming 3
b. Perangkat Lunak
i) ArcMap
ii) ENVI 5.3
iii) ENVI Classic 5.3
iv) Microsoft Word

10
3.3 Diagram Alir

11
3.4 Langkah – langkah Pekerjaan
Berikut langkah – langkah Pengolahan data citra landsat 9 tahun 2023
Kabupaten Bojonegoro
3.4.1 Koreksi

1. Buka aplikasi Envi Classic 5.3

2. Masukkan file citra yang akan digunakan, klik file open image file

3. Masukkan Band 4 dan Band 5

12
4. Setelah kita memasukan file, klik pada basic
tools→preprocessing→callibration utilities→landsat calibration

5. Pilih band yang akan di koreksi terlebih dahulu, setelah itu oke

6. Akan muncul jendela landsat calibration sesuaikan : citra yang

digunakan, tanggal pengambilan data citra dan sun elevation sesuai
dengan metadata. Setelah itu klik edit calibration parameter.

13
7. Pada kolom Lmin dan Lmax gantikan dengan maksimum dan minimum
reflektan pada meta data

8. Setelah itu choose untuk menyimpan file yang terkoreksi.

9. Lakukan hal yang sama pada band 5.

14
3.4.2 Pengolahan NDVI

1. Setelah semua terkoreksi, pada basic tools klik band math.

2. Pada jendela band math masukan rumus NDVI (B5-B4)/(B5+B4),

setelah itu klik add to list → ok

3. Sesuaikan rumus dengan band (seperti contoh band 4 pada variable dan
pada layer). Lalu choose untuk menyimpan file NDVI

15
4. Hasil perhitungan NDVI menggunakan band math.

3.4.3 Pengolahan SAVI

1. Pada pengolahan SAVI disini kami menggunakan Envi 5.3. Masukan

Band 4 dan Band 5

2. Pada menu toolbox klik band math.

16
3. Setelah munjul jendela band math masukan rumus SAVI
(((B5-B4)/(B5+B4+0.5))*(1+0.5)). Selanjutnya add to list → ok

4. Sesuaikan rumus dengan band (seperti contoh band 4 pada variable dan
pada layer). Lalu choose untuk menyimpan file SAVI

3.4.4 Cropping Citra

1. Buka aplikasi ENVI 5.3. Inputkan citra satelit Landsat 9 yang telah
diproses dan shapfile batas administrasi

17
2. Klik menu File, pilih New, dan klik Region of Interest

3. Pada jendela Region of Interest (ROI) Tool dan pilih Import Vector.
Selanjutnya pilih shapfile batas administrasi yang digunakan untuk
memotong scene citra.

18
4. Pada jendela convert vector to ROI dan pilih All records to a single ROI.
Hasilnya citra Landsat 9 akan tertampal file shapfile sesuai batas
administrasi.

5. Pada jendela Region of Interest (ROI) Tool, pilih Options, dan klik
Subset data with ROIs.

6. Pada jendela Spatial Subset via ROI …

19
 - Klik panah atas bawah (pastikan menjadi “Yes”) pada Mask pixels
output …
- Mask Background Value adalah “0”
- Klik choose untuk menyimpan file hasil pemotongan citra

7. Hasil Pemotongan citra NDVI DAN SAVI

 NDVI

 SAVI

20
3.4.4 Color Slice

1. Search pada toolbar Raster color slice.

2. Setelah muncul jendela color slice, hapus semua color slice default
dengan klik clear color slice.

3. Setelah terhapus semua buat color slice baru dengan kilik add color slice,
disini kami menggunakan 5 kelas. Selanjutnya atur warna slice dan ubah
slice min dan slice max sesuai dengan acuan masing-masing disini kami
beracu pada kementrian kehutanan. Kemudian OK

21
4. Hasil Color Slice
 NDVI

 SAVI

22
3.4.5 Layout

1. Pada Table Of Contents ArcGIS siapkan data-data yang akan dibuatkan

grid dan layot peta-nya. Tetapi anda bisa juga membuat grid dan layout

tanpa data-data. Jadi nanti hasilnya hanya layoutnya saja dan tidak ada

petanya.

2. Klik tab Layout View yang berada di pojok kiri bawah layar

penggambaran. Supaya lebih jelas lihat gambar di bawah ini.

3. Atur orientasi dan ukuran kertas dengan cara klik menu File > Page

and Print Setup atau klik kanan pada layar Layout View, kemudian

pilih Page and Print Setup.

23
4. Pada kotak dialog Page and Print Setup yang muncul, lakukan beberapa

pengaturan sebagai berikut.

Pada bagian Mape Page Size, unceklis kotak Use Printer Paper Settings.

Standard Sizes, pilih A3, dan Orientation pilih Landscape. Untuk lebih

jelas, lihat gambar di bawah ini.

5. Untuk keperluan peta anda, ukuran kertas dan orientasinya silahkan

menyesuaikan. Saya memilih A4 dan Orientasi Landscape hanya untuk

contoh saja

6. Setelah itu kita akan membuat grid pada peta, berikut langkah-

langkahnya, Klik Data Frame, kemudian klik kanan pilih Properties.

7. Pada kotak dialog Data Frame Properties yang muncul, untuk membuat

Grid baru klik pada New Grid lakukan beberapa pengaturan sebagai

berikut.

24
8. Disini kami memilih Graticule pada pengaturan Grid yang akan kami

buat tersebut.

25
9. Selanjutnya pilih Grid yang telah dibuat kemudian apply

10. Hasil dari Grid yang dibuat akan sebagai berikut

26
11. Pada step/langkah selanjutnya kita akan membuat Judul,Legenda,Simbol

Arah utara,Skala, dan pemberian perlengkapan-perlengkapan lainya,

12. Tampilkan Toolbars Draw. Caranya klik menu Customize, kemudian

pilih Draw. Untuk gambaran, lihat tampilan berikut

13. Pada toolbars Draw, klik Rectangle. Kemudian buat kotak dengan ukuran

bebas dan boleh diletakkan di bagian mana saja pada layout peta.

27
14. Klik kotak Rectangle yang baru dibuat. Kemudian klik kanan, pilih

Properties. Pada kotak dialog Properties lakukan beberapa pengaturan

sebagai berikut.Pada tab Symbol, bagian Fill Color pilih No Color.

Supaya lebih jelas lihat gambar di bawah ini.

15. Klik tab Size and Position. Kemudian pada bagian Position, X isi dengan

30 cm dan Y isi dengan 2 cm. Pada bagian Size, Widht isi dengan 10 cm

dan Height isi dengan 26 cm. Hasil pengisian tampak seperti gambar

berikut. Jika semua sudah diatur kik OK

16. Setelah itu buat rectangle seperti tadi tapi dengan ukuran yang berbeda.

Klik tab Size and Position. Kemudian pada bagian Position, X isi dengan

28
 1 cm dan Y isi dengan 1 cm. Pada bagian Size, Widht isi dengan 40 cm

dan Height isi dengan 28 cm.

17. Buat judul peta dengan cara klik menu Insert > Title. Buat judul,

misalnya PETA KABUPATEN. Kemudian klik OK. Geser judul peta

menggunakan mouse ke kotak kosong bagian atas.

18. Buat symbol arah utara dengan cara klik menu Insert > North Arrow.

Pilih jenis arah utara sesuai kebutuhan. Untuk contoh saya memilih ESRI

North 3. Kemudian klik OK. Geser symbol arah utara menggunakan

mouse ke posisi di bawah judul.

19. Buat teks skala dengan cara klik menu Insert > Scale Text. Pilih jenis

teks skala sesuai kebutuhan. Untuk contoh saya memilih Absolute Scale.

Kemudian klik OK. Geser teks skala menggunakan mouse ke posisi di

bawah symbol arah utara.

20. Untuk merubah teks skala sesuai keinginan, caranya klik Data Frame,

kemudian pilih skala pada Drop Down Map Scale. Untuk contoh saya

memilih skala 1:500.000

21. Buat legenda dengan cara klik menu Insert > Legend. Pada kotak dialog

Legend Wizard, masukkan semua layer, kemudian klik tombol Next.Pada

bagian Legend Title, tulis LEGENDA. Kemudian klik tombol Next >

Next > Next. Kemudian Finish. Geser legenda yang dihasilkan ke kotak

kosong bagian bawah menggunakan mouse.

29
 BAB IV

HASIL DAN PEMBAHASAN

4.1 Hasil luas tutupan vegetasi NDVI

Nilai pengukuran vegetasi bisa dilakukan dengan pendekatan skala plot

untuk mengetahui luas jenis tanaman berdasarkan tingkatan jenis mulai dari
vegetasi tumbuhan bawah, vegetasi tingkat pancang, tingkat tiang dan tingkat
pohon (Hatulesila Y, 2008).
Hasil tutupan vegetasi menggunakan metode NDVI didapat kelas -
0.155649 to -0.03 dengan luas 1916100 m2, kelas -0.03 to 0.15 menunjukkan
luas 77249700 m2, kelas 0.15 to 0.25 memiliki luas 503275500 m2, kelas 0.25 to
0.35 memiliki luas 1259874000 m2 , kelas 0.35 to 0.60846 memiliki luas
2311428600 m2.
No Kelas NDVI Luas ( M2) Kerapatan Jenis RTH
Tubuh air seperti
1 -0.155649 to -0.03 1916100 Non RTH Sungai dll
Pemukiman
lahan terbuka
yang dilapisi
dengan aspal
atau paving
maupun jalan
2 -0.03 to 0.15 77249700 Sangat rendah aspal
Lahan vegetasi
penutup tanah,
seperti pada
jalan tanah,
lapangan kosong
tanpa dilapisi
dengan aspal
3 0.15 to 0.25 503275500 Rendah atau paving
4 0.25 to 0.35 1259874000 Sedang Lahan vegetasi
penutup berupa
perkebunan
kelapa,kebun
campuran,
vegetasi
rerumputan,

30
 padang golf,
alang-alang
Vegetasi
Berhutan
5 0.35 to 0.60846 2311428600 Tinggi

LUAS NDVI M2

-0.155649 to -0.03 -0.03 to 0.15 0.15 to 0.25

0.25 to 0.35 0.35 to 0.60846

4.2 Hasil Luas Tutupan Vegetasi SAVI

Hasil tutupan vegetasi menggunakan metode SAVI didapat kelas -0.0338975 to

0.05 dengan luas 26.0397 m2, kelas 0.05 to 0.12 menunjukkan luas 324.4149 m2,
kelas 0.12 to 0.19 memiliki luas 1005.0822 m2, kelas 0.19 to 0.26 memiliki luas
914.67 m2 , kelas 0.26 to 0.348207 memiliki luas 47.25 m2.
No Kelas SAVI Luas ( M2) Kerapatan Jenis RTH
Tubuh air seperti
1 -0.0338975 to 0.05 26.0397 Non RTH Sungai dll
Pemukiman
lahan terbuka
yang dilapisi
dengan aspal
atau paving
maupun jalan
2 0.05 to 0.12 324.4149 Sangat rendah aspal
3 0.12 to 0.19 1005.0822 Rendah Lahan vegetasi
penutup tanah,
seperti pada
jalan tanah,
lapangan kosong
tanpa dilapisi

31
 dengan aspal
atau paving
Lahan vegetasi
penutup berupa
perkebunan
kelapa,kebun
campuran,
vegetasi
rerumputan,
padang golf,
4 0.19 to 0.26 914.67 Sedang alang-alang
Vegetasi
Berhutan
5 0.26 to 0.348207 47.25 Tinggi

LUAS SAVI M2

-0.0338975 to 0.05 0.05 to 0.12 0.12 to 0.19

0.19 to 0.26 0.26 to 0.348207

32
4.3 Hasil Peta Tutupan Vegetasi

1. Hasil peta tutupan vegetasi metode Nornmalized Difference Vegetation

Indeks (NDVI).

2. Hasil peta tutupan vegetasi metode Soil Adjuted Vegetation Indeks

(SAVI).

33
 BAB V

PENUTUP

5.1 Kesimpulan

Berdasarkan hasil penelitian dan analisis dalam penelitian ini maka

dapat disimpulkan sebagai berikut:
1. Hasil tutupan vegetasi menggunakan metode NDVI didapat kelas -
0.155649 to -0.03 dengan luas 1916100 m2, kelas -0.03 to 0.15
menunjukkan luas 77249700 m2, kelas 0.15 to 0.25 memiliki luas
503275500 m2, kelas 0.25 to 0.35 memiliki luas 1259874000 m2 ,
kelas 0.35 to 0.60846 memiliki luas 2311428600 m2
Hasil tutupan vegetasi menggunakan metode SAVI didapat kelas -
0.0338975 to 0.05 dengan luas 26.0397 m2, kelas 0.05 to 0.12
menunjukkan luas 324.4149 m2, kelas 0.12 to 0.19 memiliki luas
1005.0822 m2, kelas 0.19 to 0.26 memiliki luas 914.67 m2 , kelas
0.26 to 0.348207 memiliki luas 47.25 m2
2. Kedua metode indeks vegetasi tersebut termasuk baik dan memiliki
ketelitian tinggi bila diaplikasikan untuk pemetaan Ruang Terbuka
Hijau. Metode SAVI memiliki hasil ketelitian yang lebih baik
dikarenakan tingkat persentasenya lebih tinggi dari NDVI.

5.2 Saran

Adapun saran-saran yang dapat penulis berikan untuk pelaksanaan

Tugas Terstruktur ini sebagai berikut :
1. Demi kelancarannya waktu pelaksanaan Tugas Terstruktur hendaknya segala
peraturan-peraturan yang telah ditetapkan dipatuhi oleh Mahasiswa.
2. Studi perbandingan klasifikasi berbasis objek dengan klasifikasi berbasis
piksel dapat diperluas lagi tidak hanya menggunakan algoritma yang terdapat
di perangkat lunak ENVI saja, namun juga algoritma klasifikasi lainnya.

34
3. Studi mengenai klasifikasi tutupan lahan menggunakan metode klasifikasi
berbasis objek dapat dikembangkan lagi seperti menggunakan data Lidar
dalam memberikan informasi tutupan lahan secara tiga dimensi

35
 DAFTAR PUSTAKA

Iskandar, M., Sanjoto, T. B., & Sutardji, S. (2012). Analisis Kerapatan

Vegetasi Menggunakan Teknik Penginderaan Jauh Sebagai Basis
Evaluasi Kerusakan Hutan di Taman Nasional Gunung Gede
Pangrango. Geo-Image. 1(1): 94-101.

Syah, A. F. (2010). Penginderaan jauh dan aplikasinya di wilayah pesisir

dan lautan. Jurnal Kelautan: Indonesian Journal of Marine
Science and Technology, 3(1), 18-28.

Li, M., Zang, S., Zhang, B., Li, S., dan Wu, C. 2014. A Review of Remote
Sensing Image Classification Techniques: the Role of
Spatiocontextual Information. European Journal of Remote
Sensing - 2014, 47: 389-411

Lillesand, Thomas M., Ralph W. Kiefer. 1979. Penginderaan Jauh dan

Interpretasi Citra. Trans. Dulbahri, dkk. Gadjah Mada University
Press: Yogyakarta

Mori, M., Hirose, Y., Akamatsu, Y., dan Li., Y., 2004. Object-based
classification of IKONOS data for rural land use mapping.
Proceedings of XXth ISPRS Congress 35: 1682-1750

Musthapa, M. R., Lim, H. S., dan Mat Jafri, M. Z., 2010. Comparison of
Neural Network and Maximum Likelihood Approaches in Image
Classification. Junral of Applied Science 10 (22): 2847-2854

Parsa, M. I. 2013. Optimalisasi Parameter Segmentasi Untuk Pemetaan

Lahan Sawah Menggunakan Citra Satelit Landsat (Studi Kasus
Padang Pariaman, Sumatera Barat dan Tanggamus, Lampung).
Jurnal Penginderaan Jauh

36
 LAMPIRAN

Nim Nama Jobdesk

Pengolahan Citra,Koreksi reflectance,
Danang Oktaviano
2225049 Klasifikasi indeks vegetasi,layout peta
dan Pembuatan Laporan
Pengolahan Citra, Koreksi reflectance,
2225050 Adelius Agusto
Klasifikasi indeks vegetasi, layout peta
dan Pembuatan Laporan
Pengolahan Citra, Koreksi reflectance,
2225052 Nabilla Puteri Rismana
Klasifikasi indeks vegetasi dan
Pembuatan Laporan
Cropping NDVI
2025042 Yuliana Wanthy Nana

Alexandria Jiran Dowa Cropping SAVI

2225056

37