Teks tersebut membahas tentang perkembangan ilmu penginderaan jauh khususnya dalam menganalisis vegetasi menggunakan teknologi satelit dan algoritma NDVI. Tujuan praktikum ini adalah untuk mengetahui luas dan kerapatan vegetasi mangrove di Sinjai menggunakan data Landsat 7 dan 8 serta melakukan pemetaan indeks vegetasi."

1. BAB I
PENDAHULUAN
1.1 Latar Belakang
Ilmu penginderaan jauh telah berkembang sangat pesat dari masa ke masa. Teknologi satelit
berperan besar dalam perkembangan aplikasi ilmu penginderaan jauh, terutama dalam menganalisa
keadaan vegetasi bumi. Teknologi sistem sensor satelit dan algoritma pemrosesan sinyal digital
memudahkan pengambilan informasi keadaan bumi secara lebih cepat, detail dan akurat. Sejak
diluncurkannya berbagai instrumen pada satelit observasi Bumi ERTS milik NASA dan AVHRR
milik NOAA, algoritma pemrosesan sinyal yang digunakan untuk mengamati keadaan vegetasi adalah
algoritma NDVI (Normalized Difference Vegetation Index). Algoritma ini memanfaatkan fenomena
fisik pantulan gelombang cahaya yang berasal dari dedaunan.
Dalam aplikasi penginderaan jauh, indeks vegetasi merupakan cerminan tingkat kehijauan
vegetasi yang juga dapat digunakan sebagai parameter kondisi kekeringan. Indeks vegetasi dapat
berubah disebabkan oleh kondisi ketersediaan air akibat pergantian musim. Kondisi indeks vegetasi
rendah mengakibatkan penurunan produksi pangan, kebakaran, dan lain sebagainya. Untuk
mengantisipasi akibat buruk tersebut, upaya pemantauan indeks vegetasi perlu dilakukan.
Perbedaan hasil NDVI pada kawasan mangrove merupakan pokok praktikum ini. Data sensor
satelit yang akan dibandingkan adalah data Landsat 7 dan 8 di daerah Sinjai, Provinsi Sulawesi
Selatan.
1.2 Tujuan dan Manfaat
Tujuan dan manfaat dari praktikum ini antara lain :
Tujuan :
1. Untuk mengetahui area vegetasi khususnya mangrove
2. Melakukan proses transformasi NDVI dan mengetahui kerapatannya
3. Melakukan pemetaan indeks vegetasi
Manfaat :
1. Dapat mengetahui kawasan vegetasi mangrove
2. Dapat melakukan transformasi NDVI dan mengetahui kerapatannya
3. Dapat melakukan pemetaan indeks vegetasi serta kerapatannya

2. BAB II
TINJAUAN PUSTAKA
2.1 Band Rationing
Band rationinng berarti membagi piksel dalam satu band oleh piksel yang sesuai dalam band
kedua. Alasan ini ada dua yaitu : Salah satunya adalah bahwa perbedaan antara kurva reflektansi
spektral dari jenis permukaan dapat dibawa keluar. Yang kedua adalah pencahayaan, dan akibatnya
cahaya dapat bervariasi, rasio antara diterangi dan daerah yang tidak diterangi dari jenis permukaan
yang sama akan sama. Dengan demikian, ini akan membantu interpretasi citra, khususnya di kanal
inframerah dekat / red (NIR / R). Dari spektral reflektansi umum pengamatan berikut dapat dilakukan:
Vegetasi- NIR / R >>> 1, Air - NIR / R <1, Tanah - NIR / R> 1. NIR / R-citra dapat berfungsi sebagai
pengklasifikasi citra, dan menunjukkan daerah yang bervegetasi pada khususnya. Oleh karena itu rasio
ini telah berkembang menjadi berbagai indeks vegetasi yang berbeda.
Citra Asli
NIR/R (TM4/TM3), dengan range nilai 0 sampai 8, tanah sampai vegetasi, area vegetasi
ditunjukkan oleh warna putih
NIR/R (stretched) dengan range nilai 16 sampai 254, diberikan peralihan kehalusan diantara tipe
permukaan

3. 2.2 Indeks Vegetasi
Dalam aplikasi penginderaan jauh, indeks vegetasi merupakan cerminan tingkat kehijauan
vegetasi yang juga dapat digunakan sebagai parameter kondisi kekeringan. Indeks vegetasi dapat
berubah disebabkan oleh kondisi ketersediaan air akibat pergantian musim. Kondisi indeks vegetasi
rendah mengakibatkan penurunan produksi pangan, kebakaran, dan lain sebagainya. Untuk
mengantisipasi akibat buruk tersebut, upaya pemantauan indeks vegetasi perlu dilakukan.
Indeks vegetasi merupakan nilai yang diperoleh dari gabungan beberapa spektral band spesifik
dari citra penginderaan jauh. Gelombang indeks vegetasi diperoleh dari energi yang dipancarkan oleh
vegetasi pada citra penginderaan jauh untuk menunjukkan ukuran kehidupan dan jumlah dari suatu
tanaman. Tanaman memancarkan dan menyerap gelombang yang unik sehingga keadan ini dapat di
hubungakan dengan pancaran gelombang dari objek-objek yang lain sehingga dapat di bedakan antara
vegetasi dan objek selain vegetasi (Horning, 2004).
Tanaman hidup menyerap gelombang tampak (visible) biru dan merah serta memantulkan
gelombang hijau, oleh karena itulah kenapa mata manusia melihat daun-daun tanaman yang hidup
adalah berwarna hijau. Akan tetapi ada satu jenis gelombang lain yang juga di pantulkan oleh tanaman
selain gelombang hijau, akan tetapi gelombang ini tidak dapat di lihat oleh mata (invisible),
gelombang ini adalah gelombang infra merah dekat.
Gambar 2.1 Beberapa Formula Indeks Vegetasi
2.2.1 Normalized Difference Vegetation Index
NDVI (Normalized Difference Vegetation Index) adalah perhitungan citra yang digunakan
untuk mengetahui tingkat kehijauan, yang sangat baik sebagai awal dari pembagian daerah
vegetasi. 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.
Seperti perhitungan pada citra rasio, pada citra normalisasi juga menggunakan data channel
1 dan channel 2. Channel 1 terdapat dalam bagian dari spektrum dimana klorofil menyebabkan
adanya penyerapan terhadap radiasi cahaya yang datang yang dilakukan saat fotosintesis,
sedangkan channel 2 terdapat dalam daerah spektral dimana struktur daun spongy mesophyll
menyebabkan adanya pantulan terhadap radiasi cahaya. Perbedaan respon dari kedua channel ini
dapat diketahui dengan transformasi rasio perbandingan satu channel dengan channel yang lain.
Perbandingan antara kedua channel adalah pertimbangan yang digunakan untuk
mengurangi variasi yang disebabkan oleh topografi dari permukaan bumi. Hal ini merupakan
kompensasi dari variasi pancaran sebagai fungsi dari elevasi matahari untuk daerah yang berbeda

4. dalam sebuah citra satelit. Perbandingan ini tidak menghilangkan efek additive yang disebabkan
oleh atmospheric attenuation, tetapi komponen dasar untuk NDVI dan vegetasi saling
berhubungan. Latar belakang daratan berfungsi sebagai pemantul sinyal yang terpisah dari
vegetasi, dan berinteraksi dengan vegetasi melalui hamburan yang sangat banyak dari energi
radiasi.
Tabel Pembagian obyek berdasarkan nilai NDVI
𝑁𝐷𝑉𝐼 =
𝑁𝐼𝑅 − 𝑟𝑒𝑑
𝑁𝐼𝑅 + 𝑟𝑒𝑑
Rentang nilai NDVI adalah antara -1.0 hingga +1.0. Nilai yang lebih besar dari 0.1
biasanya menandakan peningkatan derajat kehijauan dan intensitas dari vegetasi. Nilai diantara 0
dan 0.1 umumnya merupakan karakteristik dari bebatuan dan lahan kosong, dan nilai yang kurang
dari 0 kemungkinan mengindikasikan awan es, awan uap air dan salju. Permukaan vegetasi
memiliki rentang nilai NDVI 0.1 untuk lahan savanna (padang rumput) hingga 0.8 untuk daerah
hutan hujan tropis. Nilai NDVI dapat diperoleh yaitu dengan membandingkan pengurangan data
channel 2 dan channel 1 dengan penjumlahan dari kedua channel tersebut. Beberapa rumus NDVI
untuk beberapa citra satelit :
NOAA AVHRR:X1= Band1 X2 = Band2
MSS: X1 = Band2 X2 = Band4
TM5: X1= Band3 X2 = Band4
TM7: X1 = Band3 X2 = Band4
SPOT: X1 = Band2 X2 = Band3
2.2.2 RVI, TVI, DVI
Ratio Vegetation Index (RVI)
Telah dikemukakan beberapa ahli bahwa untuk menghitung beberapa perbedaan level pada
cahaya matahari dengan menggunakan rasio dari radiasi NIR atau inframerah dekat dan radiasi
pada panjang gelombang red atau merah indeks vegetasi ini dinamakan Ratio Vegetation Index
yang selanjutnya disebut RVI. Meskipun pada kenyataannya indeks ini tidak terlalu peka pada
beberapa kondisi cahaya.
𝑅𝑉𝐼 =
𝑁𝐼𝑅
𝑟𝑒𝑑
Indeks ini sensitive terutama pada variasi radiasi merah. Indeks ini biasa digunakan untuk
membuktikan antara perbedaan dari permukaan batuan, mineral pada daerah gersang dan pada
daerah yang tidak terdapat tutupan vegetasinya. RVI terletak antara 0 hingga +1.
Transformed Vegetation Index (TVI)
Transformed Vegetation Index (TVI) diperkenalkan oleh Deering et al. (1975). Pada jenis
indeks vegetasi ini ditambahkan konstanta 0,5 sampai semua nilai-nilai dan kemudian mengambil
akar kuadrat dari hasil. Hal ini dilakukan untuk mengurangi kemungkinan mendapatkan nilai
negatif dan akar kuadrat dimaksudkan untuk mendapatkan nilai koreksi perkiraan distribusi
Poisson NDVI untuk distribusi normal. (Ini berarti bahwa nilai NDVI input minimum harus lebih
Daerah Pembagian Nilai NDVI
Awan es, awan air, salju < 0
Batuan dan lahan kosong 0 – 0.1
Padang rumput dan semak
belukar
0.2 – 0.3
Hutan daerah hangat dan hutan
hujan tropis
0.4 – 0.8

5. dari -0.5, jika nilai negatif akan tetap). Namun persamaan ini tidak meningkatkan kemampuan
deteksi vegetasi, dibandingkan dengan NDVI.
TVI = √ (NIR-RED) / (NIR + RED) +0.5
Perry dan Lautenschlager (1984) kemudian mengusulkan Corrected Transformed
Vegetation Index (CTVI) untuk mengoreksi kemungkinan nilai negatif di TVI.
Difference Vegetation Index (DVI)
Indeks vegetasi ini yaitu indeks yang akan bernilai besar pada permukaan vegetasi. Indeks
ini akan bernilai negatif pada permukaan ini dimana pantulan inframerah dekat lebih rendah
dibandingkan pantulan cahaya tampak dan indeks ini akan bernilai mendekati 0 pada permukaan
dengan pantulan yang mirp dan terletak pada kedua panjang gelombang antara batuan dan tanah
kosong, indeks ini terletak diantara nilai 0 sampai tak hingga.
Meskipun mudah dalam penghitungannya, indeks ini sangat sensitif pada kondisi
lingkungan dengan bertambah besarnya intensitas cahaya matahari maka akan bertambah pula
radiasi pada panjang gelombang inframerah dekat dan merah yang terekam oleh sensor. Hal ini
terjadi karena pengaruh dari sudut pancaran dari sinar matahari yang berubah – ubah. Formula
yang digunakan pada indeks vegetasi ini yaitu :
𝐷𝑉𝐼 = 𝑁𝐼𝑅 − 𝑟𝑒𝑑
Pada NIR atau inframerah dekat yang terletak pada panjang gelombang 0,76 – 0,90 μm atau biasa
disebut dengan kanal atau band 4 dan Red atau merah yang terletak pada kanal atau panjang
gelombang 0,63 – 0,69 μm atau biasa disebut dengan band 3.
2.3 Satelit Landsat (7 dan 8)
2.3.1 Saluran Spektral Indeks Vegetasi pada Citra Landsat 7
Data Landsat TM (Thematic Mapper) diperoleh pada tujuh saluran spektral yaitu tiga
saluran tampak, satu saluran inframerah dekat, dua saluran inframerah tengah, dan satu saluran
inframerah thermal. Lokasi dan lebar dari ketujuh saluran ini ditentukan dengan
mempertimbangkan kepekaannya terhadap fenomena alami tertentu dan untuk menekan sekecil
mungkin pelemahan energi permukaan bumi oleh kondisi atmosfer bumi.
Jensen (1986) mengemumakan bahwa kebanyakan saluran TM dipilih setelah analisis nilai
lebihnya dalam pemisahan vegetasi, pengukuran kelembaban tumbuhan dan tanah, pembedaan
awan dan salju, dan identifikasi perubahan hidrothermal pada tipe-tipe batuan tertentu.
Data TM mempunyai proyeksi tanah IFOV (instantaneous field of view) atau ukuran
daerah yang diliput dari setiap piksel atau sering disebut resolusi spasial. Resolusi spasial untuk
keenam saluran spektral sebesar 30 meter, sedangkan resolusi spasial untuk saluran inframerah
thermal adalah 120 m (Jensen,1986). Dari kombinasi-kombinasi yang menghasilkan gambar
dengan warna yang berbeda dapat mempermudah dalam proses klasifikasi tutupan dan
penggunaan lahan yang akan dilakukan. Contohnya pada saat ingin mengetahui daerah yang
memiliki vegetasi maka bisa digunakan kombinasi RGB 4,3,2
Band-band pada Landsat-TM dan kegunaannya (Lillesand dan Kiefer, 1997)
Band Panjang Gelombang (m) Spektral Kegunaan
1 0.45 0.52 Biru Tembus terhadap tubuh air,
dapat untuk pemetaan air, pantai,
pemetaan tanah, pemetaan
tumbuhan, pemetaan kehutanan
dan mengidentifikasi budidaya
manusia

6. Band Panjang Gelombang (m) Spektral Kegunaan
2 0.52 0.60 Hijau Untuk pengukuran nilai pantul
hijau pucuk tumbuhan dan
penafsiran aktifitasnya, juga
untuk pengamatan kenampakan
budidaya manusia
3 0.63 0.69 Merah Dibuat untuk melihat daerah
yang menyerap klorofil, yang
dapat digunakannuntuk
membantu dalam pemisahan
spesies tanaman juga untuk
pengamatan budidaya manusia
4 0.76 0.90 Infra
merah
dekat
Untuk membedakan jenis
tumbuhan aktifitas dan
kandungan biomas untuk
membatasi tubuh air dan
pemisahan kelembaban tanah
5 1.55 - 1.75 Infra
merah
sedang
Menunjukkan kandungan
kelembaban tumbuhan dan
kelembaban tanah, juga untuk
membedakan salju dan awan
6 10.4 - 12.5 Infra
Merah
Termal
Untuk menganallisis tegakan
tumbuhan, pemisahan
kelembaban tanah dan pemetaan
panas
7 2.08 2.35 Infra
merah
sedang
Berguna untuk pengenalan
terhadap mineral dan jenis
batuan, juga sensitif
terhadap kelembaban
tumbuhan
2.3.2 Saluran Spektral Indeks Vegetasi pada Citra Landsat 8
Satelit landsat 8 memiliki sensor Onboard Operational Land Imager (OLI) dan Thermal
Infrared Sensor (TIRS) dengan jumlah kanal sebanyak 11 buah. Diantara kanal-kanal tersebut, 9
kanal (band 1-9) berada pada OLI dan 2 lainnya (band 10 dan 11) pada TIRS. Sebagian besar
kanal memiliki spesifikasi mirip dengan landsat 7. Landsat 8 memiliki 9 kanal sebagai berikut
No
Kanal
Kanal
Kisaran
spektral
(nm)
Penggunaan
Data
GSD
(resolusi
spasial)
Radiance
(W/m2
sr
µm),typical
SNR
(typical)
1 Biru 433-453 Aerosol/coastal
zone
30 m 40 130
2 Biru 450-515 Pigments/scatter
/coastal
40 130
3 Hijau 525-600 Pigments/coastal 30 100
4 630-680 Pigments/coastal 22 90

7. No
Kanal
Kanal
Kisaran
spektral
(nm)
Penggunaan
Data
GSD
(resolusi
spasial)
Radiance
(W/m2
sr
µm),typical
SNR
(typical)
Merah 30 m
(Kanal-
kanal
wari- san
TM)
5 Infra
merah
dekat
(NIR)
845-885 Foliage/coastal 14 90
6 SWIR 2 1560-1660 Foliage 4.0 100
7 SWIR 3 2100-2300 Minerals/litter/no
scatter
1.7 100
8 PAN 500-680 Image sharpening 15 m 23 80
9 SWIR 1360-1390 Cirruscloud
detection
30 m 6.0 130

8. BAB III
PELAKSANAAN
3.1 Koreksi Geometrik
Koreksi geometrik dilakukan untuk memberikan koordinat, proyeksi serta referensi lainnya,
agar citra terdefinisi. Pada praktikum ini citra dikoreksi geometric berdasarkan peta RBI yang
telah direktifikasi. Langkah – langkah dalam koreksi geometric antara lain :
Langkah-langkah dalam melakukan koreksi geometrik adalah sebagai berikut :
1. Buka program ER Mapper 7.0 dengan klik pada ikon
2. Dan kurang lebih tampilan yang akan muncul adalah seperti gambar ini
Gambar 3.1 Tampilan Saat Membuka ER Mapper
3. Pilih New dengan klik ikon atau dengan pilih menu File > New untuk membuat dan
menampilkan citra yang akan dikoreksi
4. Pilih dan klik Edit Algorithma pada toolbar yang terdapat di Kotak Er Mapper , arahkan
kursor pada Pseudo Layer dan klik ikon Copy , lalu Paste . Ini digunakan untuk
memasukkan 2 band yang ada pada citra Landsat 7.
Gambar 3.2 Kotak Dialog Algorithm
5. Masing-masing Pseudo Layer isikan band (pertama band 4, kedua band 3) dengan cara klik
Load Dataset. Maka akan muncul Kotak Dialog Raster Dataset, pilih file yang akan dikoreksi
kemudian klik OK This Layer Only. Lakukan hal yang sama untuk band yang kedua. Setelah
itu klik OK

9. Gambar 3.3 Kotak Dialog Raster Dataset Untuk Memasukkan File
6. Menentukan daerah yang akan dikoreksi dengan mengacu pada peta RBI yang telah dikoreksi
dan bergeoreferensi.
Gambar 3.4 Area Citra yang Akan Dikoreksi (kiri), dan Tampilan Area pada Peta RBI
(kanan)
7. Ganti nama Pseudo Layer sesuaiband yang digunakan agar memudahkan dalam pendefinisian
tiap band dan akan tampil seperti gambar berikut.
Gambar 3.5 Proses Pemasukan dan Penamaan Band
8. Simpan data tersebut dengan pilih File > Save

10. Gambar 3.6 Menu untuk Menyimpan Data
9. Pada Kotak Dialog Save As, ketik nama file dan perhatikan format file dalam (.ers). klik OK
Gambar 3.7 Kotak Dialog Save As
10. Pada kotak dialog Save As ER Mapper Dataset, pilih OK. Sehingga muncul pemberitahuan
bahwa file sudah tersimpan, klik OK
Gambar 3.8 Kotak Dialog Save As ER Mapper Dataset (kiri), dan Proses Penyimpanan
(kanan)

11. 11. Setelah file tersimpan, lakukan koreksi geometrik dengan pilih menu Process > Geocoding
Wizard
Gambar 3.9 Proses Awal Melakukan Koreksi Geometri
12. Muncul kotak dialog Geocoding Wizard yang terdiri dari 5 langkah. Lakukan langkah tersebut
secara berurutan
 Step 1, pada kotak Input File masukkan data raster hasil pelaksanaan langkah diatas dan
pilih Polynomial untuk tipe geocoding.

12. Gambar 3.10 Langkah-Langkah pada Step 1
 Step 2, pada Polynomial Order pilih Linear. Kemudian lanjutkan pada step berikutnya
Gambar 3.11 Langkah kedua (Polynomial Setup)
 Step 3, masukkan file peta yang dijadikan referensi dalam koreksi geometrik. Dengan
ketentuan peta sudah tergeoreferensi
Gambar 3.12 Langkah GCP Setup
 Step 4, merupakan langkah yang terpenting dalam koreksi geometrik. Pada langkah ini,
titik GCP minimal ada 4 titik untuk mengetahui RMS Errornya. Untuk menambah GCP,
cukup klik pada ikon

13. Gambar 3.13 GCP yang Ada di Peta dan Citra Landsat 7 (kiri), Koordinat dari
masing-masing GCP (kanan)
 Step 5, merupakan langkah terakhir. Pada kotak File, pilih folder penyimpanan dan ketik
nama filenya. Kemudian pilih dan klik Save File and Start Rectification. Tunggu
beberapa detik, lalu pilih Save > Close
Gambar 3.14 Langkah Keempat dari Kelima Langkah (Rektifikasi)
13. Maka akan muncul kotak seperti gambar dibawah ini, kemudian klik OK
Gambar 3.15 Kotak Pemberitahuan Rektifikasi Berhasil
14. Adapun hasil dari rektifikasi, RMSE yang diperoleh adalah sebagaiberikut :

14. Gambar 3.16 Hasil GCP Landsat 7
15. Koreksi geometri Landsat 8 hampir sama dengan langkah diatas untuk Landsat 7. Lakukan
langkah 1 sampai 13 pada koreksi geometrik Landsat 8, perbedaannya terdapat pada band
yang dimasukkan yaitu Band 4 dan Band 5. Hasil yang didapatkan setelah data citra Landsat 8
dilakukan koreksi geometrik adalah sebagai berikut :
Gambar 3.17 Letak GCP pada Landsat 8
Gambar 3.18 Hasil GCP Landsat 8

15. 3.2 Penajaman Citra
Penajaman citra atau image enhancement bertujuan agar citra yang telah dikoreksi geometrik,
lebih dapat dibedakan kawasan vegetasinya secara general. Langkah – langkah dalam penajaman
citra ini antara lain yaitu :
1. Pada Er Mapper ada dua pilihan penajaman citra yaitu secara otomatis dengan menggunakan
99% Contrast Enhancement atau secara manual dengan menggunakan Edit Transform Limit.
Terlebih dahulu membuka citra landsat 7 dan 8 yang sudah dikoreksi geometrik.
Gambar 3.19 Landsat 8 yang telah dikoreksi
2. Lalu klik pada menu utama. Maka citra akan mengalami penajaman secara otomatis,
seperti di bawah ini :
Gambar 3.20 Landsat 8 yang Telah Diberikan Penajaman Citra

16. 3. Untuk penajaman citra menggunakan Edit Transform Limit, dilakukan dengan cara
mengganti jenis histogram yang menghasilkan tampilan citra yang lebih jelas, seperti
gambar di bawah ini
Gambar 3.21 Penajaman Menggunakan Histogram Equalitation
3.3 Transformasi Indeks Vegetasi
Transformasi indeks vegetasi yang digunakan pada praktikum ini adalah NDVI. Di mana
pengolahannya menggunakan software ENVI. Langkah – langkah dalam transformasi NDVI
adalah :
1. Membuka Citra Landsat 7 yang sudah direktifikasi
Gambar 3.22 Open Image File di Envi
Akan muncul kotak dialog seperti gambar dibawah ini, citra landsat 7 terdapat Band 3 dan
Band 4

17. Gambar 3.22 Citra yang Telah Dikoreksi
2. Langkah selanjutnya adalah NDVI menggunakan Basic Tools—Band Math
Gambar 3.23 Band Math
Akan muncul kotak dialog seperti pada gambar
Gambar 3.24 Formula Transformasi NDVI
Masukkan formula untuk NDVI citra Landsat 7
yaitu (float(B4) float(B3))/(float(B4)+float(B3))

18. 3. Kemudian Add to List—OK. Akan muncul kotak dialog dibawah ini, masukkan variable
used in expresion sesuai dengan band B4 untuk Band 4, B3 untuk Band 3 kemudian beri
nama file pada output file
Gambar 3.25 Proses Transformasi NDVI
Setelah berhasil akan muncul file pada kotak dialog. Untuk melihat apakah sudah diklasifaksi
NDVI dengan Klik Kanan pada file---Quick Stats
Gambar 3.26 Proses Quick Statistic
Hasilnya akan muncul seperti dibawah ini

19. Quick Stats Landsat 7 Quick Stats Landsat 8
Gambar 3.27 Hasil Quick Statistic
4. Kemudian simpan dalam format ErMapper agar bisa dibuka di ArcGIS
Gambar 3.28 Meyimpan dalam Bentuk Er Mapper
5. Mengulangi langkah – langkah 1 sampai 4 untuk citra Landsat 8
Untuk melihatnya Load Band
File  Save File As  Er
Mapper

20. 3.4 Pemetaan Indeks Vegetasi
Pemetaan indeks vegetasi NDVI bertujuan untuk menampilkan hasil transformasi NDVI yang
telah dilakukan. Software yang digunakan adalah ArcGIS 10.0 . Dalam pemetaan tersebut dapat
diklasifikan nilai kerapatan vegetasi mangrove di Kabupaten Sinjai Sulawesi Selatan. Langkah –
langkah pemetaan ini yaitu :
1. Membuka ArcGIS 10.0
Gambar 3.30 Tampilan Awal ArcGIS 10.0
Kemudian Add Data
Gambar 3.31 Add Data Citra
Data awalakan seperti gambar dibawah ini.
Gambar 3.32 Hasil Penambahan Layer

21. 2. Untuk itu perlu diklasifikasikan dengan Klik Kanan pada layer—Properties
Klasifikasi Landsat 7 Klasifikasi Landsat 8
Gambar 3.33 Proses Klasifikasi Citra
Lalu mengatur jumlah kelas dan batas range kelas, sesuai dengan kelas kerapatan vegetasi
mangrove
Range Kelas Landsat 7 Range Kelas Landsat 8
Gambar 3.34 Pengaturan Range Kelas
Setelah OK maka akan muncul hasil klasifikasi kerapatan mangrove sepertigambar di bawah
ini :

22. Gambar 3.35 Hasil Klasifikasi Landsat 7
Gambar 3.36 Hasil Klasifikasi Landsat 8
ANALISA
Nilai tingkat kerapatan vegetasi mangrove diperoleh dari klasifikasi nilai transformasi indeks
vegetasi NDVI yang telah dilakukan pada citra Landsat 7 dan Landsat 8. Klasifikasi nilai
kerapatan mangrove didasarkan pada tabel di bawah ini :

23. Hasil transformasi indeks vegetasi citra Landsat 7 dan 8 didapatkan nilai digital citra yang
bervariasi. Transformasi NDVI landsat 7 menghasilkan citra dengan nilai digital -0,6 –
0,97778, nilai tersebut berdasarkan kriteria kerapatan mangrove menyebar untuk semua
kerapatan. Sedangkan untuk landsat 8 dengan nilai digital -1 – 1, juga menyebar untuk semua
kerapatan.
Hasil transformasi NDVI untuk vegetasi mangrove pada citra landsat 7 diperoleh nilai digital
kelas kerapatan jarang dengan kisaran -0,6 – 0,15, kerapatan sedang dengan kisaran 0,16 – 0,2
dan kerapatan rapat dengan kisaran 0,21 – 0,9778. Nilai digital tersebut ditentuakan
berdasarkan kriteria kerapatan mangrove. Berdasarkan data tersebut dapat disimpulkan kondisi
mangrove di Sinjai sebelum tahun 2013 baik dengan nilai rasio maksimum 0,9778, karena
rasio nilai NDVI -1 sampai dengan 1. Begitu juga dengan citra landsat 8 diperoleh nilai digital
kelas kerapatan jarang dengan kisaran -1 – 0,15, kerapatan sedang dengan kisaran 0,16 – 0,2
dan kerapatan rapat dengan kisaran 0,21 – 1. Nilai digital tersebut ditentuakan berdasarkan
kriteria kerapatan mangrove. Berdasarkan data tersebut dapat disimpulkan kondisi mangrove
di Sinjai pada tahun 2013 sangat baik dengan nilai rasio maksimum 1, karena nilai maksimal
NDVI adalah 1.

24. BAB IV
PENUTUP
4.1 Kesimpulan
Dari praktikum yang telah dilakukan dapat ditarik kesimpulan :
1. Dengan proses transformasi NDVI dapat diperoleh nilai digital citra yang akan
membedakan kawasan vegetasi mangrove dan bukan, yaitu pada rentang -1 sampai
1.
2. Pada citra landsat 7, setelah proses transformasi NDVI didapatkan nilai kerapatan
vegetasi mangrove sebagai berikut :
Rentang Indeks Vegetasi Kerapatan
- 0,6 – 0,15 Jarang
0,16 – 0,2 Sedang
0,21 – 0,97778 Rapat
Dari tabel di atas dapat disimpulkan bahwa vegetasi mangrove di Kabupaten Sinjai
sebelum tahun 2013 baik dengan rasio maksimum 0,97778.
3. Pada citra landsat 8, setelah proses transformasi NDVI didapatkan nilai kerapatan
vegetasi mangrove sebagai berikut :
Rentang Indeks Vegetasi Kerapatan
- 1 – 0,15 Jarang
0,16 – 0,2 Sedang
0,21 – 1 Rapat
Dari tabel di atas dapat disimpulkan bahwa vegetasi mangrove di Kabupaten Sinjai
pada tahun 2013 baik dengan rasio maksimum 1.
4.2 Saran
Dari praktikum yang telah dilakukan saran yang diberikan antara lain :
1. Dalam proses koreksi geometric lebih diperhatikan dalam penempatan GCP, agar
RMS yang dihasilkan seminimal mungkin
2. Dalam proses transformasi NDVI lebih diperhatikan tentang band masing – masing
citra serta dalam hal penyimpanan hasil transformasi.
3. Lebih ulet dan tekun dalam melaksanakan proses transformasi NDVI karena bisa
saja dilakukan berulang – ulang.

25. HASIL PERBANDINGAN ANTARA CITRA LANDSAT 7 SEBELUM DAN SESUDAH
TERKOREKSI GEOMETRIK
Sebelum Koreksi Sesudah Koreksi
Letak dan Pengaturan GCP pada Landsat 7

26. HASIL PERBANDINGAN ANTARA CITRA LANDSAT 8 SEBELUM DAN SESUDAH
TERKOREKSI GEOMETRIK
Sebelum Koreksi Sesudah Koreksi
Penempatan GCP Landsat 8

27. Hasil Pengaturan GCP dan Nilai RMS Landsat 8