LAPORAN UJIAN TENGAH SEMESTER (UTS)

PENGINDERAAN JAUH TERAPAN

“PERBANDINGAN NILAI VEGETATION INDEX ANTARA PENGOLAHAN MANUAL DENGAN DATA DARI USGS”

Oleh :

Nama : Mohammad Luay Murtadlo

NRP : 3512100068

Dosen Pembimbing :

Nama : Lalu Muhammad Jaelani, ST, M.Sc, Ph.D

NIP : 19801221 200312 1 001

LABORATORIUM GEOSPASIAL JURUSAN TEKNIK GEOMATIKA

FAKULTAS TEKNIK SIPIL DAN PERENCANAAN

INSTITUT TEKNOLOGI SEPULUH NOPEMBER

SURABAYA

2015

i

DAFTAR ISI

DAFTAR ISI................................................................................................................... iiKATA PENGANTAR.................................................................................................... iiiI. PENDAHULUAN................................................................................................... 1II. METODE................................................................................................................. 3

II.1.ALAT DAN BAHAN....................................................................................... 3II.2.PROSEDUR PRAKTIKUM............................................................................. 3

III. HASIL...................................................................................................................... 143.1 Nilai surface reflectance 6sv dan USGS............................................................ 143.2 Nilai vegetation index 6sv dan USGS........................................................ 173.3 Nilai vegetation index USGS dan USGS..................................................... 18

IV. KESIMPULAN........................................................................................................ 20DAFTAR PUSTAKA ..................................................................................................... 21

ii

KATA PENGANTAR

Segala puji syukur kepada kehadirat Allah SWT yang telah memberikan rahmat dan hidayah-Nya, sehingga saya dapat menyelesaikan penyusunan laporan ini dengan baik dan tepat pada waktunya.

Dalam menyelesaikan laporan Ujian Tengah Semester Penginderaan Jauh yang berjudul “Perbandingan Nilai Vegetation Index Antara Pengolahan Manual Dengan Data Dari USGS”, saya mendapat banyak bimbingan dan bantuan dari berbagai pihak. Oleh karena itu, saya mengucapkan banyak terima kasih kepada :

1. Bapak Lalu Muhamad Jaelani, ST, MSc, Ph.D., selaku dosen pengampu Penginderaan Jauh Terapan.

2. Ibu Cherie Bhekti Pribadi, ST, MT., selaku dosen asistensi Penginderaan Jauh Terapan.3. Rekan-rekan mahasiswa Jurusan Teknik Geomatika Institut Teknologi Sepuluh Nopember

Surabaya angkatan 2012 (G14) dan semua pihak yang telah memberikan bantuan dalam penulisan laporan ini.

Demikian laporan ini diselelasikan, mohon maaf apabila terdapat kesalahan dalam penyelesaian laporan ini. Saya berharap semoga laporan ini dapat bermanfaat bagi semua pembaca terutama kepada mahasiswa Teknik Geomatika yang mengambil mata kuliah Penginderaan Jauh Terapan.

Surabaya, 10 Nopember 2015

Penulis

iii

BAB IPENDAHULUAN

Koreksi Radiometrik dilakukan karena terdapat kesalahan oleh sensor dan sistem sensor terhadap respon detektor dan pengaruh atmosfer yang stasioner. Koreksi radiometrik dilakukan untuk memperbaiki kesalahan atau distorsi yang diakibatkan oleh tidak sempurnanya operasi dan sensor, atenuasi gelombang elektromagnetik oleh atmosfer, variasi sudut pengambilan data, variasi sudut eliminasi, sudut pantul dan lain-lain yang dapat terjadi pengambilan, pengiriman dan perekaman data.

Koreksi radiometrik dibedakan menjadi 2 langkah, yaitu kalibrasi radiometrik dan koreksi atmosfer. Kalibrasi radiometrik adalah mengkonversi nilai data citra asli dari DN (Digital Number) ke nilai radian atau reflektan ToA (Top of Atmospheric). Sedangkan koreksi atmosfer yaitu menghilangkan efek atmosfer yang ikut mempengaruhi nilai yang dibawa citra (Laily,2015), sehingga didapat nilai reflektan BoA (Bottom of Atmosfer).

Untuk melakukan koreksi atmosferik, dapat dilakukan dengan menggunakan metode 6SV (Second Simulation of a Satellite signal in the Solar Spectrum). Metode 6SV dilakukan dengan memasukkan parameter pengamatan atmosfer, seperti konsentrasi aerosol. Parameter koreksi diperoleh dengan menjalankan perangkat lunak 6SV berbasis web yang ada pada http://6s.ltdri.org/ (Muhammad et. all., 2015). Untuk kemudian diolah dengan menggunakan algoritma pada software pengolah citra. Proses koreksi atmosfer menggunakan metode 6SV dapat dilakukan dengan salah satu software pengolah citra yaitu Beam Visat. Visat dikembangkan dari platform Beam dan mulai menggunakan nama resmi Visat sejak versi 5.0 (sebelumnya bernama Beam).

Sebenarnya dari USGS sendiri untuk landsat 8 telah terdapat produk citra yang telah terkoreksi atmosferik. Dimana produk tersebut sudah dalam bentuk surface reflectan.

Indeks vegetasi merupakan kombinasi pengukuran dua atau lebih band spectral dari spectrum gelombang electromagnetik yang berbeda untuk menghasilkan informasi tentang tutupa lahan di permukaan bumi (Campbell, 1996). Indeks vegetasi yang diperoleh dari citra satelit, merupakan salah satu summber informasi penting untuk memonitor kondisi sebuah vegetasi. Sebuah satelit remote sensing, bisa mendeteksi seberapa optimal suatu tumbuhan menyerap karbon, dikarenakan adanya karakteristik yang berbeda paa saat tumbuhan dalam menyerap dan memantulkan spectrum gelombang tertentu (NIR dan RED) pada gelombang yang dipancarkan oleh sensor satelit.

Pada praktikum ini digunakan beberapa indeks vegetasi yaitu : Normallized Difference Vegetation Index (NDVI), Soil Adjusted Vegetation Indeks (SAVI), Modified Soil Adjusted Vegetation Indeks (MSAVI), dan EVI.

Definisi indeks vegetasi

a. NDVINormalized Difference Vegetation Index (NDVI) diperkenalkan oleh Rouse et al (1974) dengan tujuan memodifikasi indeks Simple Ratio (SR) dimana indeks Simple Ratio menunjukkan nilai yang terlalu besar untuk aerah dengan densitas vegetasi tinggi. Indeks ini menggunakan rasio antara band NIR dan RE dengan persamaan

1

yang dinormalisasi. NDVI merupakan indeks vegetasi yang paling banyak digunakan karena kemampuannya untuk meminimalisir kesalahan akibat buruknya kondisi topografi. NDVI juga disukai karena perhitungannya yang linier dan sederhana. Skala NDVI memiliki rentang -1 sampai 1, dimana nilai 1 menunjukkan daerah yang kaya akan vegetasi, nilai 0 menunjukkan keadaaan sangat sedikit vegetasi, dan nilai -1 menunjukkan daerah bukan vegetasi.

NDVI=(ρNIR−ρRED)( ρNIR+ ρRED)

b. SAVISoil Adjusted Vegetation Indeks (SAVI) SAVI merupakan modifikasi dari NDVI. SAVI bertujuan untuk meminimalisir kesalahan dari variasi warna tanah dengan melibatkan faktor koreksi L pada persamaan umum NDVI. Faktor koreksi L bervariasi tergantung dari karakteristik reflectansi dari tutupan vegetasi. Untuk daerah dengan tingkat dentisitas yang sangat rendah, dipilih nilai faktor koreksi L sebesar 1. Untuk daerah tingkat densitas vegetasi yang sangat tinggi, dipilih nilai faktor koreksi L sebesar 0.25. faktor koreksi L= 0.5 paling banyak digunakan karena dapat mengakomodasi daerah vegetasi rendah dan tinggi.

SAVI=1.5 X ( ρNIR− ρRED )( ρNIR+ ρRED+0.5 )

c. MSAVIModified Soil Adjusted Vegetation Indeks (MSAVI) adalah indeks vegetasi yang berbasis dari modifikasi faktor koreksi L dari SAVI. Kedua indeks vegetasi ini, bertujuan untuk memperbaiki tinkat kecerahan warna tanah dari tutupan vegetasi yang berbeda. Faktor koreksi L mengalami penurunan nilai pada vegetasi dengan densitas rendah dan sedang, memodifikasi faktor koreksi L untuk memperbaiki noise warna tanah yang tidak terkoreksi pada NDVI dan memperbaiki akurasi nilai pada vegetasi dengan densitas tinggi.

MSAVI=2 NIR+1−√(2 NIR+1)2−8(NIR−RED)

2d. EVI

Algoritma EVI atau Enhanched Vegetation Index diformulasi untuk meningkatkan algoritma NDVI dan ditujukan untuk pengolahan index vegetasi pada citra MODIS. Algoritma ini mirip dengan algoritma NDVI dengan penambahan formulasi untuk koreksi efek gangguan radiometric dari atmosfer dan dari dalam kanopi.

2

BAB IIMETODE

2.1. Alat dan Bahana. Alat

Hardware : Laptop HP Pavilion dm4

Processor : Intel(R) Core(TM) i5-2450M CPU @ 2.50 GHz 64-bit Operating System

Memory : 4,00 GB RAM Mouse Logitec M90

Software : Beam Visat 5.0 Microsoft Word Microsoft Excel

b. Bahan Bahan yang digunakan dalam praktikum kalibrasi radiometrik ini adalah produk data citra landsat 8

2.2. Prosedur Praktikum

Soal 1. Membandingkan Surface Relectan hasil dari koreksi atmosferik dengan metode 6SV dan hasil citra yang telah dikoreksi atmosferik oleh USGS.

a. Koreksi atmosfer menggunakan metode 6SV.1. Menyiapkan terlebih dahulu data – data yang perlu digunakan untuk melakukan

koreksi atmosfer ddengan metode 6SV. Data yang diperlukan yaitu :

No. Jenis Data Nilai Data

1 Tanggal perekaman data 04 - 11 - 2014

2 Solar zenithal angle 24.6790371°

3 Solar azimuthal angle 111.28827544°

4 Sensor zenithal angle -0.001°

5 Sensor azimuthal angle 0.11°

6 Visibility 7.9 km

7 Panjang gelombang band 1 0.43 mm – 0.45 mm

8 Panjang gelombang band 2 0.45 mm – 0.51 mm

9 Panjang gelombang band 3 0.53 mm – 0.59 mm

10 Panjang gelombang band 4 0.64 mm – 0.67 mm

11 Panjang gelombang band 5 0.85 mm – 0.88 mm

12 Panjang gelombang band 6 1.57 mm – 1.65 mm

13 Panjang gelombang band 7 2.11 mm – 2.29 mm

14 File radian hasil kalibrasi radiometrik

3

Dimana :

- Data 1 – 5 didapatkan dari metadata citranya - Data 6 didapatkan dari alamat www.underground.com, dimana disesuaikan

dengan tanggal perekaman data. - Data 14 diperoleh dari praktikum sebelumnya. - Solar zenithal angle diperoleh dengan = 90 – Sun_Elevation (pada metadata).- Sensor zenithal angle = Roll_Angle (pada metadata).-

- Sensor azimuthal angle diperoleh dengan mencari azimuth dari 2 koordinat

yang ada di metadata.

2. Untuk langkah – langkah koreksi atmosferik dengan metode 6SV telah dijelaskan pada praktikum sebelumnya (Laporan Praktikum : Koreksi Atmosferik metode DOS dan 6SV). Didapatkan hasil parameter untuk melakukan langkah selanjutnya pada koreksi atmosferik metode ini, yaitu parameter Xa, Xb, dan Xc.

Band 1

Band 2

Band 3

4

Band 4

Band 5

Band 6

Band 7

3. Setelah didapatkan nilai parameter Xa, Xb, dan Xc. Maka selanjutnya memasukkan nilai parameter tersebut pada citra menggunkan software pengolah citra Beam Visat 5.0. data yang diinput pada beam visat yaitu citra dalam bentuk radian.

5

4. Kemudian memasukkan algoritma untuk merubah nilai radian ToA (L toa) ke reflectan BoA (Lboa). Algoritma yang digunakan untuk merubah yaitu :

ρboa (λ) = Y(λ) / (1+(XC(λ)*Y(λ)))

Y(λ) = (XA(λ)*L(λ)) – XB(λ)

Carannya klik kanan pada file rad1. Pilih dan klik Create Band From Math Expression. . .. maka akan muncul kotak dialog Band Math

5. Mengisi kolom Name dengan nama file ynng kita inginkan. Dalam praktikum ini,

penulis memberikan nama 6sv_1. Hilangkan centang pada Virtual (save expression only, don’t store data) dan Replace Nan and infinity result by. Klik tools Edit Expression..maka akan muncul kotak dialog. Masukkan algoritma diatas pada kolom expression, kemudian klik OK. Klik OK untuk proses terakhir.

6

6. Maka akan didapatkan hasil sebagai berikut.

7. Mengulangi langkah 1 sampai 6 untuk memasukkan masing – masing parameter pada masing – masing band.

b. Surface Reflectan hasil olahan koreksi atmosferik dari USGS.1. Membuka file Surface Reflectan yang telah terkoreksi oleh USGS.

Maka produk akan muncul pada software. Karena tampil dengan berada folder masing – masing. Maka perlu dilakukan penggabungan agar mempermudah dalam pengolahan data selanjutnya. Tidak lupa ketika memindahkan produk dalam 1 folder, bagi SR/10000. Maka akan didapatkan SR_USGS semua band.

7

2. Memasukkan titik sampel sebanyak 10 titik pada citra yang telah terkoreksi 6sv

maupun USGS. Dengan menggunakan tools

3. Mengekstrak titik sampel yang telah di sebar, dengan cara. Klik menu utilities Ekstract Pixel Values...maka akan muncul kotak dialog Pixel Extraction. Terdapat 2 sub bagian. Pada bagian Input/Output atur tempat penyimpanan pada kolom Output Directory serta nama file pada File Prefix. Pada bagian parameters, isikan pada kolom windows size, berfungsi untuk mempertimbangkan nilai pixel disekitar pixel titik sampel. Pada Pixel value aggregation method : pilih mean. Untuk merata – rata hasil sampling yang telah dilakukan. Klik OK.

8

4. Sehingga akan didapatkan hasil ekstrak nilai piksel sebagai berikut dalam format data .txt. tetapi dalam menampilkan hasil, dapat membuka file dalam microsoft Excel

.

Soal 2. Membandingkan nilai Surface Reflectan vegetasi indeks yang terkoreksi menggunakan metode 6SV maupun USGS.

1. Menghitung nilai indeks vegetasi menggunakan 4 algoritma indeks vegetasi yaitu NDVI, EVI, MSAVI, dan SAVI. Dengan cara yang sama pada langkah sebelumnya klik kanan pada band 6SV_5. memasukkan algoritma pada Creat Band Math Expressions... kemudian klik OK. Melakukan hal yang sama pad a indeks vegetasi lainnya.a. Algoritma NDVI

b. Indek vegetasi EVI

9

c. Indeks vegetasi MSAVI

d. Indeks vegetasi SAVI

2. Membuka citra yang telah terkoreksi oleh USGS dan mengggabungkannya dalam 1 folder dengan SR_USGS untuk mempermudah pekerjaan selanjutnya.

10

3. Setelah langkah – langkah tersebut berhasil maka akan ada tampilan dalam Product

View sebagai berikut

4. Lakukan langkah yang sama untuk perhitungan vegetation indices pada citra surface

reflectance milik usgs, sehingga menghasilkan

11

Soal 3. Membandingkan nilai pixel VegetationIndex citra Landsat 8 yang diolah dari Surface Reflectance dari USGS dan Vegetation Index citra Landsat 8 yang sudah di proses oleh USGS.

1. Buka Pin Manager untuk melihat nilai pada pin yang telah dibuat tadi menggunakan toolbar.

2. Lalu lakukan Export Pin dengan menggunakan toolbar . Export Pin dilakukan karena informasi yang didapat sebelumnya terutama posisi dari pin dibutuhkan untuk melakukan perbandingan dengan layer berikutnya.

3. Pilih tempat penyimpanan lalu klik save.

4. Selanjutnya lakukan ekstraksi nilai pixel, klik menu bar Utilities pilih menu

Extract Pixel Values

5. Maka akan muncul kotak dialog seperti berikut

12

Pilih parameter sesuai dengan kebutuhan kita, seperti :

Export : Band

Window size : 3 x 3

Pixel value aggregation method : mean

Klik Extract

6. Lalu buka file pixel yang telah di ekstrak menggunakan MS Excel dan hasilnya seperti berikut

13

NDVI_USGS NDVI_USGS_ORI EVI_USGS EVI_USGS_ORI MSAVI_USGS MSAVI_USGS_ORI SAVI_USGS SAVI_USGS_ORIpin 1 0.35287453 0.35286276 0.123573118 0.123566474 0.23666094 0.2366742 0.25568116 0.25568415pin 2 0.23671966 0.23671406 0.081907205 0.08190024 0.12227912 0.12228762 0.14328767 0.14328192pin 3 0.5104813 0.51047945 0.167057978 0.167062362 0.35847505 0.35847545 0.37477505 0.37477159pin 4 0.80205039 0.80205268 0.20250139 0.20249953 0.55317235 0.55317186 0.52861477 0.52861716pin 5 0.76425964 0.76425457 0.21339397 0.21339539 0.44729093 0.44730968 0.46103761 0.46104714pin 6 0.73160519 0.73162503 0.14066399 0.14067371 0.36388726 0.3638918 0.38759653 0.38757909pin 7 0.31786557 0.31786492 0.06706062 0.06704819 0.16974283 0.16975877 0.19410847 0.19412456pin 8 0.36463753 0.36464018 0.08918457 0.089206515 0.24026906 0.24028237 0.25942574 0.25943141pin 9 0.269877377 0.269877586 0.076469086 0.076464066 0.203535585 0.203529695 0.214755636 0.214751763pin 10 0.39227161 0.39226653 0.117436089 0.11742606 0.261935282 0.261940036 0.28260136 0.28260648

BAB III

HASIL

Hasil dari praktikum ini seluruhnya menggunakan 10 titik sampel untuk kemudian dibandingkan nilai pixelnya. Titik sampel yang digunakan berada pada koordinat sebagai berikut:

3.1 Nilai surface reflectance 6sv dan USGS 1. Band 1

1 2 3 4 5 6 7 8 9 10

SR_6SV

0.13199684

0.13817474

0.06424384

6

-0.06354628

-0.03265721

7

-0.05159743

0.02236705

5

0.02520984

4

0.06006444

0.06298469

SR_USGS

0.14494984

5

0.16118615

5

0.08744306

0.01516763

7

0.05750505

-0.01718977

25

0.01668064

6

0.01484852

4

0.03478773

0.07082644

4

-0.075-0.0250.0250.0750.1250.175

Band 1

Nila

i Pix

el

14

2. Band 2

1 2 3 4 5 6 7 8 9 10

SR_6SV

0.15339327

0.14701054

0.08424905

-0.02412864

2

-0.00448881

7

-0.01591135

0.05247633

0.05321052

0.09246141

5

0.08879652

6

SR_USGS

0.1440569

0.14984994

0.08942625

6

0.02085479

0.04932463

1

0.000232077000000001

0.04014639

0.03884639

0.05985354

9

0.08221977

1

-0.0250.0250.0750.1250.175

Band 2

Nila

i Pix

el

3. Band 3

1 2 3 4 5 6 7 8 9 10

SR_6SV

0.197489

0.17968956

0.13614754

0.04755874

7

0.05049615

0.04165094

3

0.11615603

0.12696153

0.17283833

0.14667977

SR_USGS

0.136951

0.13920126

0.11086306

0.04758886

3

0.05515561

5

0.02926292

3

0.08658644

0.09853899

4

0.12413046

0.11172149

0.0250.0750.1250.1750.225

Band 3

Nila

i Pix

el

4. Band 4

15

1 2 3 4 5 6 7 8 9 10

SR_6SV

0.23088625

0.19599102

0.14587177

0.03603727

7

0.04236571

0.04014893

2

0.15351571

0.17321552

0.22328821

0.16903931

SR_USGS

0.14565344

0.14712539

0.10616152

0.02134410

2

0.03898027

8

0.02777786

7

0.12100433

4

0.14158112

0.16723612

0.12027474

0.0250.0750.1250.1750.225

Band 4

Nila

i Pix

el

5. Band 5

1 2 3 4 5 6 7 8 9 10

SR_6SV

0.3998577

3

0.3093724

8

0.4151833

0.3942400

2

0.3716644

6

0.2958842

8

0.2900968

5

0.357292

0.3945762

2

0.3590253

3

SR_USGS

0.3101092

3

0.2147992

8

0.3591523

6

0.3393690

4

0.2918752

4

0.2133368

2

0.2286913

1

0.3126996

8

0.3262431

2

0.3047052

0.0250.1250.2250.3250.425

Band 5

Nila

i Pix

el

6. Band 6

1 2 3 4 5 6 7 8 9 10

SR_6SV

0.3429502

0.2697096

2

0.2561022

0.1740491

2

0.1723155

7

0.1258017

9

0.2671646

2

0.3236399

3

0.3711637

3

0.3174036

7

SR_USGS

0.2804223

4

0.2356772

7

0.2253926

0.1636164

6

0.1457460

8

0.1141648

4

0.2461104

5

0.3039002

5

0.3060099

5

0.2870831

9

0.0250.1250.2250.325

Band 6

Nila

i Pix

el

7. Band 7

16

1 2 3 4 5 6 7 8 9 10

SR_6SV

0.2335951

8

0.2072956

9

0.1661925

8

0.0860882

8

0.0874143

84

0.0666778

9

0.1843881

3

0.2479718

0.2833164

6

0.2303596

1

SR_USGS

0.1836349

0.1822299

1

0.1427272

7

0.0765966

1

0.0650700

04

0.0566120

81

0.1657248

2

0.2274800

5

0.2344849

35

0.2023929

0.025

0.125

0.225

Band 7

Nila

i Pix

el

3.2 Nilai vegetation index 6sv dan USGS 1. NDVI

1 2 3 4 5 6 7 8 9 10

NDVI_6SV

0.2702988

4

0.2244070

3

0.4816806

0.8322502

0.793518

0.7553265

7

0.3081520

8

0.3474919

2

0.2783577

7

0.3602349

5

NDVI_USGS

0.3528627

6

0.2367140

6

0.5104794

5

0.8020526

8

0.7642545

7

0.7316250

3

0.3178649

2

0.3646401

8

0.2698775

86

0.3922665

3

0.050.250.450.650.85

NDVI 6sv - USGS

Nila

i Pix

el

2. EVI

1 2 3 4 5 6 7 8 9 10

EVI_6SV

0.1037667

0.0821208

0.1628800

6

0.1999231

4

0.1983354

7

0.1540553

3

0.0751678

1

0.0922001

5

0.0841749

16

0.1113976

76

EVI_USGS

0.1235664

74

0.0819002

4

0.1670623

62

0.2024995

3

0.2133953

9

0.1406737

1

0.0670481

9

0.0892065

15

0.0764640

66

0.1174260

6

0.0250.0750.1250.1750.225

EVI 6sv - USGS

Nila

i Pix

el

3. SAVI

17

1 2 3 4 5 6 7 8 9 10

SAVI_6SV

0.2249265

9

0.1691190

2

0.3812205

0.5774058

7

0.5395025

6

0.4558366

0.2170581

0.2681068

2

0.2302929

5

0.2773521

SAVI_USGS

0.2556841

5

0.1432819

2

0.3747715

9

0.5286171

6

0.4610471

4

0.3875790

9

0.1941245

6

0.2594314

1

0.2147517

63

0.2826064

8

0.05

0.25

0.45

0.65

SAVI 6sv - USGS

Nila

i Pix

el

4. MSAVI

1 2 3 4 5 6 7 8 9 10

MSAVI_6SV

0.2139173

4

0.1550945

3

0.3696669

3

0.6059285

0.5536641

5

0.4457076

2

0.1975821

9

0.2520158

0.2186647

8

0.2609701

2

MSAVI_USGS

0.2366742

0.1222876

2

0.3584754

5

0.5531718

6

0.4473096

8

0.3638918

0.1697587

7

0.2402823

7

0.2035296

95

0.2619400

36

0.05

0.25

0.45

0.65

MSAVI 6sv - USGS

Nilai P

ixe

l

3.3 Nilai vegetation index USGS dan USGS 1. NDVI

1 2 3 4 5 6 7 8 9 10

NDVI_USGS

0.3528745

3

0.2367196

6

0.5104813

0.8020503

9

0.7642596

4

0.7316051

9

0.3178655

7

0.3646375

3

0.2698773

77

0.3922716

1

NDVI_USGS_ORI

0.3528627

6

0.2367140

6

0.5104794

5

0.8020526

8

0.7642545

7

0.7316250

3

0.3178649

2

0.3646401

8

0.2698775

86

0.3922665

3

0.050.250.450.650.85

NDVI

Nilai P

ixe

l

2. EVI

18

1 2 3 4 5 6 7 8 9 10

EVI_USGS

0.1235731

18

0.0819072

05

0.1670579

78

0.2025013

9

0.2133939

7

0.1406639

9

0.0670606

2

0.0891845

7

0.0764690

86

0.1174360

89

EVI_USGS_ORI

0.1235664

74

0.0819002

4

0.1670623

62

0.2024995

3

0.2133953

9

0.1406737

1

0.0670481

9

0.0892065

15

0.0764640

66

0.1174260

6

0.0250.0750.1250.1750.225

EVI

Nilai P

ixe

l

3. SAVI

1 2 3 4 5 6 7 8 9 10

SAVI_USGS

0.2556811

6

0.1432876

7

0.3747750

5

0.5286147

7

0.4610376

1

0.3875965

3

0.1941084

7

0.2594257

4

0.2147556

36

0.2826013

6

SAVI_USGS_ORI

0.2556841

5

0.1432819

2

0.3747715

9

0.5286171

6

0.4610471

4

0.3875790

9

0.1941245

6

0.2594314

1

0.2147517

63

0.2826064

8

0.05

0.25

0.45

SAVI

Nilai P

ixe

l

4. MSAVI

1 2 3 4 5 6 7 8 9 10

MSAVI_USGS

0.2366609

4

0.1222791

2

0.3584750

5

0.5531723

5

0.4472909

3

0.3638872

6

0.1697428

3

0.2402690

6

0.2035355

85

0.2619352

82

MSAVI_USGS_ORI

0.2366742

0.1222876

2

0.3584754

5

0.5531718

6

0.4473096

8

0.3638918

0.1697587

7

0.2402823

7

0.2035296

95

0.2619400

36

0.05

0.25

0.45

MSAVI

Nilai P

ixe

l

19

BAB IVKESIMPULAN

Koreksi atmosfer dengan menggunakan 6sv sedikit lebih rumit terutama untuk mencari parameternya (xa,xb, xc) karena membutuhkan koneksi internet yang memadai dan juga data yang di inputkan cukup banyak.

Hasil dari koreksi atmosfer dengan menggunakan metode 6sv menghasilkan citra yang lebih jernih dan tajam

Nilai Grafik Surface Reflectance dari 6sv dengan Surface Reflectance dari USGS mendekati nilai yang sama, maka model regresi yang digunakan memnuhi uji asumsi normalitas.

Hasil Grafik Vegetation Index dari 6sv dengan Vegetation Index dari USGS mendekati nilai yang sama seiring dengan plot dari nilai pixel yang mengikuti arah garis diagonal grafik kecuali pada nilai pixel MSAVI yang cukup berbeda jauh ketika dilakukan plot.

Nilai grafik Vegetation Indices dari USGS dengan Vegetation Indices dari Surface Reflectance USGS mendekati sama nilainya, hal ini ditunjukkan dari hasil plot dari nilai pixel keduanya yang saling berhimpitan kecuali pada nilai pixel MSAVI yang cukup berbeda jauh ketika dilakukan plot.

20

DAFTAR PUSTAKA

Jaelani, LM. 2013. Sudut Azimuth dan Zenith Satelit Landsat 8. Diakses dari alamat website : http://lmjaelani.com/2013/12/kalibrasi-radiometrik-mengubah-digital-number-dn-ke-radiance-danatau-reflectance/ pada tanggal 4 Nopember 2015 pada pukul 15.28 WIB.

Laili, Nurahida. 2015. Studi Persebaran Terumbu Karang Menggunakan Citra Satelit Resolusi Tinggi Woldview-2 (Studi Kasus : Perairan Utara PLTU Paiton Kab. Probolinggo. Tugas Akhir. Surabaya: Institut Teknologi Sepuluh Nopember.

USGS. 2015. Landsat 8 (L80 Data Users Handbook. https://landsat.usgs.gov/documents/ Landsat8DataUsersHandbook.pdf. Diakses pada 2 Oktober 2015

Muhammad, Lalu Jaelani, , Fajar Setiawan, Hendro Wibowo, Apip. 2015. Pemetaan Distribusi Spasial Konsentrasi Klorofil-A dengan Landsat 8 di Danau Matano dan Danau Towuti, Sulawesi Selatan. Prosiding. Bogor: Pertemuan Ilmiah Tahunan Masyarakat Ahli Penginderaan Jauh Indonesia (MAPIN) XX.

Rikiridwana. 2014. Koreksi Atmosfer .Diakses dari alamat website http://rikiridwana.blogspot.co.id/2014/12/koreksi-atmosferik-bagian-2.html pada tanggal 23 Oktober 2015 pada pukul 20.40 WIB.

21