BAB IPENDAHULUAN

1.1 Latar BelakangIlmu penginderaan jauh telah berkembang sangat pesat dari masa ke

masa. Teknologi satelit berperan besar dalam perkembangan aplikasiilmu penginderaan jauh, terutama dalam menganalisa keadaan vegetasibumi. Teknologi sistem sensor satelit dan algoritma pemrosesansinyal digital memudahkan pengambilan informasi keadaan bumi secaralebih cepat, detail dan akurat. Sejak diluncurkannya berbagaiinstrumen pada satelit observasi Bumi ERTS milik NASA dan AVHRRmilik NOAA, algoritma pemrosesan sinyal yang digunakan untukmengamati keadaan vegetasi adalah algoritma NDVI (Normalized DifferenceVegetation Index). Algoritma ini memanfaatkan fenomena fisik pantulangelombang cahaya yang berasal dari dedaunan.

Dalam aplikasi penginderaan jauh, indeks vegetasi merupakancerminan tingkat kehijauan vegetasi yang juga dapat digunakansebagai parameter kondisi kekeringan. Indeks vegetasi dapat berubahdisebabkan oleh kondisi ketersediaan air akibat pergantian musim.Kondisi indeks vegetasi rendah mengakibatkan penurunan produksipangan, kebakaran, dan lain sebagainya. Untuk mengantisipasi akibatburuk tersebut, upaya pemantauan indeks vegetasi perlu dilakukan.

Perbedaan hasil NDVI pada kawasan mangrove merupakan pokokpraktikum ini. Data sensor satelit yang akan dibandingkan adalahdata Landsat 7 dan 8 di daerah Sinjai, Provinsi Sulawesi Selatan.

1.2 Tujuan dan ManfaatTujuan dan manfaat dari praktikum ini antara lain :Tujuan :1. Untuk mengetahui area vegetasi khususnya mangrove2. Melakukan proses transformasi NDVI dan mengetahui kerapatannya3. Melakukan pemetaan indeks vegetasiManfaat :1. Dapat mengetahui kawasan vegetasi mangrove2. Dapat melakukan transformasi NDVI dan mengetahui kerapatannya3. Dapat melakukan pemetaan indeks vegetasi serta kerapatannya

BAB IITINJAUAN PUSTAKA

2.1 Band RationingBand rationinng berarti membagi piksel dalam satu band oleh piksel

yang sesuai dalam band kedua. Alasan ini ada dua yaitu : Salahsatunya adalah bahwa perbedaan antara kurva reflektansi spektraldari jenis permukaan dapat dibawa keluar. Yang kedua adalahpencahayaan, dan akibatnya cahaya dapat bervariasi, rasio antaraditerangi dan daerah yang tidak diterangi dari jenis permukaan yangsama akan sama. Dengan demikian, ini akan membantu interpretasicitra, khususnya di kanal inframerah dekat / red (NIR / R). Darispektral 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, danmenunjukkan daerah yang bervegetasi pada khususnya. Oleh karena iturasio ini telah berkembang menjadi berbagai indeks vegetasi yangberbeda.

Citra Asli

NIR/R (TM4/TM3), dengan range nilai 0 sampai 8, tanah sampaivegetasi, area vegetasi ditunjukkan oleh warna putih

NIR/R (stretched) dengan range nilai 16 sampai 254, diberikanperalihan kehalusan diantara tipe permukaan

2.2 Indeks VegetasiDalam aplikasi penginderaan jauh, indeks vegetasi merupakan

cerminan tingkat kehijauan vegetasi yang juga dapat digunakansebagai parameter kondisi kekeringan. Indeks vegetasi dapat berubahdisebabkan oleh kondisi ketersediaan air akibat pergantian musim.Kondisi indeks vegetasi rendah mengakibatkan penurunan produksipangan, kebakaran, dan lain sebagainya. Untuk mengantisipasi akibatburuk tersebut, upaya pemantauan indeks vegetasi perlu dilakukan.

Indeks vegetasi merupakan nilai yang diperoleh dari gabunganbeberapa spektral band spesifik dari citra penginderaan jauh.Gelombang indeks vegetasi diperoleh dari energi yang dipancarkanoleh vegetasi pada citra penginderaan jauh untuk menunjukkan ukurankehidupan dan jumlah dari suatu tanaman. Tanaman memancarkan danmenyerap gelombang yang unik sehingga keadan ini dapat di hubungakandengan pancaran gelombang dari objek-objek yang lain sehingga dapatdi bedakan antara vegetasi dan objek selain vegetasi (Horning,2004).

Tanaman hidup menyerap gelombang tampak (visible) biru dan merahserta memantulkan gelombang hijau, oleh karena itulah kenapa matamanusia melihat daun-daun tanaman yang hidup adalah berwarna hijau.Akan tetapi ada satu jenis gelombang lain yang juga di pantulkanoleh tanaman selain gelombang hijau, akan tetapi gelombang ini tidakdapat di lihat oleh mata (invisible), gelombang ini adalah gelombanginfra merah dekat.

Gambar 2.1 Beberapa Formula Indeks Vegetasi

2.2.1 Normalized Difference Vegetation IndexNDVI (Normalized Difference Vegetation Index) adalah perhitungan

citra yang digunakan untuk mengetahui tingkat kehijauan, yangsangat baik sebagai awal dari pembagian daerah vegetasi. NDVIdapat menunjukkan parameter yang berhubungan dengan parametervegetasi, antara lain, biomass dedaunan  hijau, daerah dedaunanhijau yang merupakan nilai yang  dapat diperkirakan untukpembagian vegetasi.

Seperti perhitungan pada citra rasio, pada citra normalisasijuga menggunakan data channel 1 dan channel 2. Channel 1 terdapatdalam bagian dari spektrum dimana klorofil menyebabkan adanyapenyerapan terhadap  radiasi cahaya yang datang yang dilakukansaat fotosintesis, sedangkan channel 2 terdapat dalam daerahspektral dimana struktur daun spongy mesophyll menyebabkan adanyapantulan terhadap radiasi cahaya. Perbedaan respon dari keduachannel ini dapat diketahui dengan transformasi rasio perbandingansatu channel dengan channel yang lain.

Perbandingan antara kedua channel adalah pertimbangan yangdigunakan untuk mengurangi variasi yang disebabkan oleh topografidari permukaan bumi. Hal ini merupakan kompensasi dari variasipancaran sebagai fungsi dari elevasi matahari untuk daerah yangberbeda dalam sebuah citra satelit. Perbandingan ini tidakmenghilangkan efek additive yang disebabkan oleh atmosphericattenuation, tetapi komponen dasar  untuk NDVI dan vegetasi salingberhubungan. Latar belakang daratan berfungsi sebagai pemantul

sinyal yang terpisah dari vegetasi, dan berinteraksi denganvegetasi melalui hamburan yang sangat banyak dari energi radiasi.

Tabel Pembagian obyek berdasarkan nilai NDVI

NDVI=NIR−redNIR+red

Rentang nilai NDVI adalah antara -1.0 hingga +1.0. Nilai yanglebih besar dari 0.1 biasanya menandakan peningkatan derajatkehijauan dan intensitas dari vegetasi. Nilai diantara 0 dan 0.1umumnya 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 nilaiNDVI 0.1 untuk lahan savanna (padang rumput) hingga 0.8 untukdaerah hutan hujan tropis. Nilai NDVI dapat diperoleh yaitudengan membandingkan pengurangan data channel 2 dan channel 1 denganpenjumlahan dari kedua channel tersebut. Beberapa rumus NDVI untukbeberapa citra satelit :NOAA AVHRR: X1= Band1 X2 = Band2MSS: X1 = Band2 X2 = Band4TM5: X1= Band3 X2 = Band4TM7: X1 = Band3 X2 = Band4SPOT: X1 = Band2 X2 = Band3

2.2.2 RVI, TVI, DVIRatio Vegetation Index (RVI)Telah dikemukakan beberapa ahli bahwa untuk menghitung

beberapa perbedaan level pada cahaya matahari dengan menggunakanrasio dari radiasi NIR atau inframerah dekat dan radiasi padapanjang gelombang red atau merah indeks vegetasi ini dinamakanRatio Vegetation Index yang selanjutnya disebut RVI. Meskipun

Daerah Pembagian Nilai NDVIAwan es, awan air,salju

< 0

Batuan dan lahankosong

0 – 0.1

Padang rumput dansemak belukar

0.2 – 0.3

Hutan daerah hangatdan hutan hujantropis

0.4 – 0.8

pada kenyataannya indeks ini tidak terlalu peka pada beberapakondisi cahaya.

RVI=NIRred

Indeks ini sensitive terutama pada variasi radiasi merah. Indeksini biasa digunakan untuk membuktikan antara perbedaan daripermukaan batuan, mineral pada daerah gersang dan pada daerahyang tidak terdapat tutupan vegetasinya. RVI terletak antara 0hingga +1.

Transformed Vegetation Index (TVI)Transformed Vegetation Index (TVI) diperkenalkan oleh Deering

et al. (1975). Pada jenis indeks vegetasi ini ditambahkankonstanta 0,5 sampai semua nilai-nilai dan kemudian mengambilakar kuadrat dari hasil. Hal ini dilakukan untuk mengurangikemungkinan mendapatkan nilai negatif dan akar kuadratdimaksudkan untuk mendapatkan nilai koreksi perkiraan distribusiPoisson NDVI untuk distribusi normal. (Ini berarti bahwa nilaiNDVI input minimum harus lebih dari -0.5, jika nilai negatif akantetap). Namun persamaan ini tidak meningkatkan kemampuan deteksivegetasi, dibandingkan dengan NDVI.

TVI = √ (NIR-RED) / (NIR + RED) +0.5Perry dan Lautenschlager (1984) kemudian mengusulkan

Corrected Transformed Vegetation Index (CTVI) untuk mengoreksikemungkinan 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 padapermukaan ini dimana pantulan inframerah dekat lebih rendahdibandingkan pantulan cahaya tampak dan indeks ini akan bernilaimendekati 0 pada permukaan dengan pantulan yang mirp dan terletakpada kedua panjang gelombang antara batuan dan tanah kosong,indeks ini terletak diantara nilai 0 sampai tak hingga.

Meskipun mudah dalam penghitungannya, indeks ini sangatsensitif pada kondisi lingkungan dengan bertambah besarnyaintensitas cahaya matahari maka akan bertambah pula radiasi padapanjang gelombang inframerah dekat dan merah yang terekam olehsensor. Hal ini terjadi karena pengaruh dari sudut pancaran darisinar matahari yang berubah – ubah. Formula yang digunakan padaindeks vegetasi ini yaitu :

DVI=NIR−red

Pada NIR atau inframerah dekat yang terletak pada panjanggelombang 0,76 – 0,90 μm atau biasa disebut dengan kanal atauband 4 dan Red atau merah yang terletak pada kanal atau panjanggelombang 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 tujuhsaluran spektral yaitu tiga saluran tampak, satu saluraninframerah dekat, dua saluran inframerah tengah, dan satu saluraninframerah thermal. Lokasi dan lebar dari ketujuh saluran iniditentukan dengan mempertimbangkan kepekaannya terhadap fenomenaalami tertentu dan untuk menekan sekecil mungkin pelemahan energipermukaan bumi oleh kondisi atmosfer bumi.Jensen (1986) mengemumakan bahwa kebanyakan saluran TM dipilihsetelah analisis nilai lebihnya dalam pemisahan vegetasi,pengukuran kelembaban tumbuhan dan tanah, pembedaan awan dansalju, dan identifikasi perubahan hidrothermal pada tipe-tipebatuan tertentu.

Data TM mempunyai proyeksi tanah IFOV (instantaneous field ofview) atau ukuran daerah yang diliput dari setiap piksel atausering disebut resolusi spasial. Resolusi spasial untuk keenamsaluran spektral sebesar 30 meter, sedangkan resolusi spasialuntuk saluran inframerah thermal adalah 120 m (Jensen,1986). Darikombinasi-kombinasi yang menghasilkan gambar dengan warna yangberbeda dapat mempermudah dalam proses klasifikasi tutupan danpenggunaan lahan yang akan dilakukan. Contohnya pada saat inginmengetahui daerah yang memiliki vegetasi maka bisa digunakankombinasi RGB 4,3,2Band-band pada Landsat-TM dan kegunaannya (Lillesand danKiefer, 1997) Band Panjang Gelombang

(m)Spektr

alKegunaan

1 0.45 0.52 Biru Tembus terhadap tubuhair, dapat untukpemetaan air, pantai,pemetaan tanah,pemetaan tumbuhan,pemetaan kehutanan danmengidentifikasibudidaya manusia

2 0.52 0.60 Hijau Untuk pengukuran nilai

Band Panjang Gelombang(m)

Spektral

Kegunaan

pantul hijau pucuktumbuhan danpenafsiranaktifitasnya, jugauntuk pengamatankenampakan budidayamanusia

3 0.63 0.69 Merah Dibuat untuk melihatdaerah yang menyerapklorofil, yang dapatdigunakannuntukmembantu dalampemisahan spesiestanaman juga untukpengamatan budidayamanusia

4 0.76 0.90 Infra merahdekat

Untuk membedakanjenis tumbuhanaktifitas dankandungan biomasuntuk membatasitubuh air danpemisahankelembaban tanah

5 1.55 - 1.75 Infra merahsedang

Menunjukkan kandungankelembaban tumbuhandan kelembaban tanah,juga untuk membedakansalju dan awan

6 10.4 - 12.5 Infra Merah Termal

Untuk menganallisistegakan tumbuhan,pemisahan kelembabantanah dan pemetaanpanas

7 2.08 2.35 Infra merahsedang

Berguna untukpengenalan terhadapmineral dan jenisbatuan, jugasensitif terhadap

Band Panjang Gelombang(m)

Spektral

Kegunaan

kelembaban tumbuhan

2.3.2 Saluran Spektral Indeks Vegetasi pada Citra Landsat 8Satelit landsat 8 memiliki sensor Onboard Operational Land

Imager (OLI) dan Thermal Infrared Sensor (TIRS) dengan jumlahkanal sebanyak 11 buah. Diantara kanal-kanal tersebut, 9 kanal(band 1-9) berada pada OLI dan 2 lainnya (band 10 dan 11) padaTIRS. Sebagian besar kanal memiliki spesifikasi mirip denganlandsat 7. Landsat 8 memiliki 9 kanal sebagai berikut

No Kanal Kanal

Kisaran spektral(nm)

Penggunaan Data

GSD (resolusi spasial)

Radiance (W/m2sr µm),typical

SNR (typical)

1 Biru 433-453 Aerosol/coastal zone

30 m 40 130

2 Biru 450-515 Pigments/scatter/coastal

30 m (Kanal-kanal wari- san TM)

40 130

3 Hijau 525-600 Pigments/coastal

30 100

4 Merah

630-680 Pigments/coastal

22 90

5 Inframerahdekat(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

BAB IIIPELAKSANAAN

3.1 Koreksi GeometrikKoreksi geometrik dilakukan untuk memberikan koordinat,

proyeksi serta referensi lainnya, agar citra terdefinisi. Padapraktikum ini citra dikoreksi geometric berdasarkan peta RBI yangtelah direktifikasi. Langkah – langkah dalam koreksi geometricantara 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 2band yang ada pada citra Landsat 7.

Gambar 3.2 Kotak Dialog Algorithm5. Masing-masing Pseudo Layer isikan band (pertama band 4, kedua

band 3) dengan cara klik Load Dataset. Maka akan muncul KotakDialog Raster Dataset, pilih file yang akan dikoreksi kemudianklik OK This Layer Only. Lakukan hal yang sama untuk band yangkedua. Setelah itu klik OK

Gambar 3.3 Kotak Dialog Raster Dataset Untuk Memasukkan File6. Menentukan daerah yang akan dikoreksi dengan mengacu pada peta

RBI yang telah dikoreksi dan bergeoreferensi.

Gambar 3.4 Area Citra yang Akan Dikoreksi (kiri), danTampilan Area pada Peta RBI (kanan)

7. Ganti nama Pseudo Layer sesuai band yang digunakan agar memudahkan dalam pendefinisian tiap band dan akan tampil seperti gambar berikut.

Gambar 3.5 Proses Pemasukan dan Penamaan Band8. Simpan data tersebut dengan pilih File > Save

Gambar 3.6 Menu untuk Menyimpan Data9. Pada Kotak Dialog Save As, ketik nama file dan perhatikan

format file dalam (.ers). klik OK

Gambar 3.7 Kotak Dialog Save As10. Pada kotak dialog Save As ER Mapper Dataset, pilih OK.

Sehingga muncul pemberitahuan bahwa file sudah tersimpan, klikOK

Gambar 3.8 Kotak Dialog Save As ER Mapper Dataset (kiri),dan Proses Penyimpanan (kanan)

11. Setelah file tersimpan, lakukan koreksi geometrik denganpilih menu Process > Geocoding Wizard

Gambar 3.9 Proses Awal Melakukan Koreksi Geometri12. 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 tipegeocoding.

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 sudahtergeoreferensi

Gambar 3.12 Langkah GCP Setup Step 4, merupakan langkah yang terpenting dalam koreksi

geometrik. Pada langkah ini, titik GCP minimal ada 4 titikuntuk mengetahui RMS Errornya. Untuk menambah GCP, cukup

klik pada ikon

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, pilihfolder penyimpanan dan ketik nama filenya. Kemudian pilihdan klik Save File and Start Rectification. Tunggu beberapadetik, 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 Berhasil14. Adapun hasil dari rektifikasi, RMSE yang diperoleh adalah

sebagai berikut :

Gambar 3.16 Hasil GCP Landsat 715. Koreksi geometri Landsat 8 hampir sama dengan langkah

diatas untuk Landsat 7. Lakukan langkah 1 sampai 13 padakoreksi geometrik Landsat 8, perbedaannya terdapat pada bandyang dimasukkan yaitu Band 4 dan Band 5. Hasil yang didapatkansetelah data citra Landsat 8 dilakukan koreksi geometrik adalahsebagai berikut :

Gambar 3.17 Letak GCP pada Landsat 8

Gambar 3.18 Hasil GCP Landsat 8

3.2 Penajaman CitraPenajaman citra atau image enhancement bertujuan agar citra

yang telah dikoreksi geometrik, lebih dapat dibedakan kawasanvegetasinya secara general. Langkah – langkah dalam penajamancitra ini antara lain yaitu :1.Pada Er Mapper ada dua pilihan penajaman citra yaitu secara

otomatis dengan menggunakan 99% Contrast Enhancement atausecara manual dengan menggunakan Edit Transform Limit. Terlebihdahulu membuka citra landsat 7 dan 8 yang sudah dikoreksigeometrik.

Gambar 3.19 Landsat 8 yang telah dikoreksi

2.Lalu klik pada menu utama. Maka citra akan mengalamipenajaman secara otomatis, seperti di bawah ini :

Gambar 3.20 Landsat 8 yang Telah Diberikan Penajaman Citra

3. Untuk penajaman citra menggunakan Edit Transform Limit,dilakukan dengan cara mengganti jenis histogram yangmenghasilkan tampilan citra yang lebih jelas, seperti gambardi bawah ini

Gambar 3.21 Penajaman Menggunakan Histogram Equalitation

3.3 Transformasi Indeks VegetasiTransformasi 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 EnviAkan muncul kotak dialog seperti gambar dibawah ini, citra landsat 7 terdapat Band 3 dan Band 4

Gambar 3.22 Citra yang Telah Dikoreksi2. Langkah selanjutnya adalah NDVI menggunakan Basic Tools—Band

Math

Gambar 3.23 Band MathAkan muncul kotak dialog seperti pada gambar

Gambar 3.24 Formula Transformasi NDVI3. Kemudian Add to List—OK. Akan muncul

kotak dialog dibawah ini, masukkanvariable used in expresion sesuaidengan band B4 untuk Band 4, B3 untukBand 3 kemudian beri nama file padaoutput file

Gambar 3.25 Proses Transformasi NDVISetelah berhasil akan muncul file pada kotak dialog. Untukmelihat apakah sudah diklasifaksi NDVI dengan Klik Kanan padafile---Quick Stats

Masukkan formula untuk NDVI citra Landsat 7 yaitu (float(B4)

Gambar 3.26 Proses Quick Statistic

Hasilnya akan muncul seperti dibawah ini

Quick Stats Landsat 7 Quick Stats Landsat 8Gambar 3.27 Hasil Quick Statistic

4. Kemudian simpan dalam format ErMapper agar bisa dibuka di ArcGIS

Untuk melihatnya

Load Band

Gambar 3.28 Meyimpan dalam Bentuk Er Mapper

5. Mengulangi langkah – langkah 1 sampai 4 untuk citra Landsat8

3.4 Pemetaan Indeks VegetasiPemetaan indeks vegetasi NDVI bertujuan untuk menampilkan hasil

transformasi NDVI yang telah dilakukan. Software yang digunakanadalah ArcGIS 10.0 . Dalam pemetaan tersebut dapat diklasifikannilai kerapatan vegetasi mangrove di Kabupaten Sinjai SulawesiSelatan. Langkah – langkah pemetaan ini yaitu :1.Membuka ArcGIS 10.0

File Save File As Er Mapper

Gambar 3.30 Tampilan Awal ArcGIS 10.0Kemudian Add Data

Gambar 3.31 Add Data Citra

Data awal akan seperti gambar dibawah ini.

Gambar 3.32 Hasil Penambahan Layer

2. Untuk itu perlu diklasifikasikan dengan Klik Kanan pada layer—Properties

Klasifikasi Landsat 7

Klasifikasi Landsat 8Gambar 3.33 Proses Klasifikasi Citra

Lalu mengatur jumlah kelas dan batas range kelas, sesuai dengankelas kerapatan vegetasi mangrove

Range Kelas Landsat 7 Range Kelas Landsat 8Gambar 3.34 Pengaturan Range Kelas

Setelah OK maka akan muncul hasil klasifikasi kerapatan mangrove seperti gambar di bawah ini :

Gambar 3.35 Hasil Klasifikasi Landsat 7

Gambar 3.36 Hasil Klasifikasi Landsat 8

ANALISANilai tingkat kerapatan vegetasi mangrove diperoleh dariklasifikasi nilai transformasi indeks vegetasi NDVI yang telahdilakukan pada citra Landsat 7 dan Landsat 8. Klasifikasi nilaikerapatan mangrove didasarkan pada tabel di bawah ini :

Hasil transformasi indeks vegetasi citra Landsat 7 dan 8didapatkan nilai digital citra yang bervariasi. TransformasiNDVI landsat 7 menghasilkan citra dengan nilai digital -0,6 –0,97778, nilai tersebut berdasarkan kriteria kerapatan mangrovemenyebar untuk semua kerapatan. Sedangkan untuk landsat 8dengan nilai digital -1 – 1, juga menyebar untuk semuakerapatan.Hasil transformasi NDVI untuk vegetasi mangrove pada citralandsat 7 diperoleh nilai digital kelas kerapatan jarang dengankisaran -0,6 – 0,15, kerapatan sedang dengan kisaran 0,16 – 0,2dan kerapatan rapat dengan kisaran 0,21 – 0,9778. Nilai digitaltersebut ditentuakan berdasarkan kriteria kerapatan mangrove.Berdasarkan data tersebut dapat disimpulkan kondisi mangrove diSinjai sebelum tahun 2013 baik dengan nilai rasio maksimum0,9778, karena rasio nilai NDVI -1 sampai dengan 1. Begitu jugadengan citra landsat 8 diperoleh nilai digital kelas kerapatanjarang dengan kisaran -1 – 0,15, kerapatan sedang dengankisaran 0,16 – 0,2 dan kerapatan rapat dengan kisaran 0,21 – 1.Nilai digital tersebut ditentuakan berdasarkan kriteriakerapatan mangrove. Berdasarkan data tersebut dapat disimpulkankondisi mangrove di Sinjai pada tahun 2013 sangat baik dengannilai rasio maksimum 1, karena nilai maksimal NDVI adalah 1.

BAB IVPENUTUP

4.1 KesimpulanDari praktikum yang telah dilakukan dapat ditarik

kesimpulan :1.Dengan proses transformasi NDVI dapat diperoleh nilai

digital citra yang akan membedakan kawasan vegetasimangrove dan bukan, yaitu pada rentang -1 sampai 1.

2.Pada citra landsat 7, setelah proses transformasi NDVIdidapatkan nilai kerapatan vegetasi mangrove sebagaiberikut :

Rentang IndeksVegetasi Kerapatan

- 0,6 – 0,15 Jarang0,16 – 0,2 Sedang

0,21 – 0,97778 RapatDari tabel di atas dapat disimpulkan bahwa vegetasimangrove di Kabupaten Sinjai sebelum tahun 2013 baikdengan rasio maksimum 0,97778.

3.Pada citra landsat 8, setelah proses transformasi NDVIdidapatkan nilai kerapatan vegetasi mangrove sebagaiberikut :

Rentang IndeksVegetasi Kerapatan

- 1 – 0,15 Jarang0,16 – 0,2 Sedang0,21 – 1 Rapat

Dari tabel di atas dapat disimpulkan bahwa vegetasimangrove di Kabupaten Sinjai pada tahun 2013 baik denganrasio maksimum 1.

4.2 SaranDari praktikum yang telah dilakukan saran yang diberikan

antara lain :

1.Dalam proses koreksi geometric lebih diperhatikan dalampenempatan GCP, agar RMS yang dihasilkan seminimalmungkin

2.Dalam proses transformasi NDVI lebih diperhatikantentang band masing – masing citra serta dalam halpenyimpanan hasil transformasi.

3.Lebih ulet dan tekun dalam melaksanakan prosestransformasi NDVI karena bisa saja dilakukan berulang –ulang.

HASIL PERBANDINGAN ANTARA CITRA LANDSAT 7 SEBELUM DAN SESUDAHTERKOREKSI GEOMETRIK

Sebelum Koreksi Sesudah Koreksi

Letak dan Pengaturan GCP pada Landsat 7

HASIL PERBANDINGAN ANTARA CITRA LANDSAT 8 SEBELUM DAN SESUDAHTERKOREKSI GEOMETRIK

Sebelum Koreksi Sesudah Koreksi

Penempatan GCP Landsat 8

Hasil Pengaturan GCP dan Nilai RMS Landsat 8