KABUPATEN BOJONEGORO
DOSEN PENGAMPU :
DISUSUN OLEH
KELOMPOK 10 :
DANANG OKTAVIANO (2225049)
ADELIUS AGUSTO (2225050)
NABILLA PUTERI RISMANA (2225052)
ALEXANDRIA JIRAN DOWA (2225056)
YULIANA WANTHY NANA (2025042)
Penulis
1
DAFTAR ISI
KATA PENGANTAR.............................................................................................1
DAFTAR ISI............................................................................................................2
DAFTAR GAMBAR...............................................................................................4
BAB I.......................................................................................................................6
PENDAHULUAN...................................................................................................6
DASAR TEORI.......................................................................................................8
METODE PENELITIAN.......................................................................................12
2
PENUTUP..............................................................................................................36
5.1 Kesimpulan..............................................................................................36
5.2 Saran........................................................................................................36
DAFTAR PUSTAKA............................................................................................38
LAMPIRAN...........................................................................................................39
3
BAB I
PENDAHULUAN
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.
5
BAB II
DASAR TEORI
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
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
2. Masukkan file citra yang akan digunakan, klik file open image file
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
13
7. Pada kolom Lmin dan Lmax gantikan dengan maksimum dan minimum
reflektan pada meta data
14
3.4.2 Pengolahan NDVI
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.
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
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.
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
NDVI
SAVI
20
3.4.4 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
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
3. Atur orientasi dan ukuran kertas dengan cara klik menu File > Page
and Print Setup atau klik kanan pada layar Layout View, kemudian
23
4. Pada kotak dialog Page and Print Setup yang muncul, lakukan beberapa
Pada bagian Mape Page Size, unceklis kotak Use Printer Paper Settings.
Standard Sizes, pilih A3, dan Orientation pilih Landscape. Untuk lebih
contoh saja
6. Setelah itu kita akan membuat grid pada peta, berikut langkah-
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
26
11. Pada step/langkah selanjutnya kita akan membuat Judul,Legenda,Simbol
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
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
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
17. Buat judul peta dengan cara klik menu Insert > Title. Buat judul,
18. Buat symbol arah utara dengan cara klik menu Insert > North Arrow.
Pilih jenis arah utara sesuai kebutuhan. Untuk contoh saya memilih ESRI
19. Buat teks skala dengan cara klik menu Insert > Scale Text. Pilih jenis
teks skala sesuai kebutuhan. Untuk contoh saya memilih Absolute Scale.
20. Untuk merubah teks skala sesuai keinginan, caranya klik Data Frame,
kemudian pilih skala pada Drop Down Map Scale. Untuk contoh saya
21. Buat legenda dengan cara klik menu Insert > Legend. Pada kotak dialog
bagian Legend Title, tulis LEGENDA. Kemudian klik tombol Next >
Next > Next. Kemudian Finish. Geser legenda yang dihasilkan ke kotak
29
BAB IV
30
padang golf,
alang-alang
Vegetasi
Berhutan
5 0.35 to 0.60846 2311428600 Tinggi
LUAS NDVI M2
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
32
4.3 Hasil Peta Tutupan Vegetasi
33
BAB V
PENUTUP
5.1 Kesimpulan
5.2 Saran
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
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
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
36
LAMPIRAN
37