Analisis

NDVI, LST, VCI, NDWI dan NDBI

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 1
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

KATA PENGANTAR

Puji dan syukur kami panjatkan kehadirat Tuhan Yang Maha Esa atas berkat
rahmat dan hidayah-Nya lah kami dapat menyelesaikan “Modul Sistem Informasi
Perencanaan II”. Modul ini disusun berdasarkan praktikum mata kuliah Sistem
Informasi Perencanaan II yang berlangsung selama satu semester pada semester
ganjil tahun akademik 2020. Modul ini berisi tentang praktek atau teknik analisis
dalam perencanaan wilayah dan kota dengan menggunakan aplikasi ArcGIS dan
aplikasi lainnya .
Terima kasih kami ucapkan kepada semua pihak yang telah membantu
dalam penyelesaian laporan ini terutama kepada:
1. Bapak Widiyanto Hari Subagyo Widodo, ST.,M.Sc dan Ibu Annisa
Hamidah Imaduddina ST.,MSc selaku Dosen Mata Kuliah Sistem Informasi
Perencanaan II yang telah memberikan banyak pengetahuan dan masukan
selama perkuliahan maupun bimbingan asistensi;
2. Teman-teman seperjuangan Planologi 2018 (Planogrownic) terkhususnya
teman-teman kelompok 1 yang telah saling memotivasi serta membantu
dalam penyusunan Modul ini, dan seluruh pihak yang turut membantu kami
yang belum mampu kami sebutkan satu persatu.
3. Serta Kedua orang tua dan saudara-saudari tercinta yang telah memberikan
nasihat, doa dan dukungan moril maupun materil untuk penulis dalam
menuntut ilmu, sehingga penyusunan modul ini dapat terselesaikan.
Kami merasa masih banyak kesalahan dalam penyusunan modul ini. Oleh
sebab itu kami sangat terbuka dalam menerima kritik dan saran yang membangun
untuk dijadikan sebagai bahan evaluasi. Demikian, semoga modul ini dapat
bermanfaat bagi kita semua. Semoga Tuhan Yang Maha Esa selalu meridhoi segala
usaha kita.
Malang, 30 September 2020

Penyusun

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 2
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

DAFTAR ISI

KATA PENGANTAR ........................................................................................ 2

DAFTAR ISI ...................................................................................................... 3
DAFTAR TABEL .............................................................................................. 5
DAFTAR GAMBAR .......................................................................................... 5
BAB I .................................................................................................................. 6
PENGINDERAAN JAUH ................................................................................. 6
1.1 Pengertian Remote Sensing ........................................................................ 6
1.2 Skema Umum Penginderaan Jauh ............................................................... 6
1.3 Sistem Penginderaan Jauh........................................................................... 6
1.4 Sensor dan Wahana .................................................................................... 8
1.5 Pengguna Data............................................................................................ 8
1.6 Teknik Pengumpulan Data .......................................................................... 8
1.7 Keunggulan Penginderaan Jauh .................................................................. 9
1.8 Kelemahan Penginderaan Jauh.................................................................... 9
BAB II .............................................................................................................. 10
ENVI ................................................................................................................. 10
2.1 Komposit Band ......................................................................................... 10
2.2 NDVI (Normalized Difference Vegetation Indeks) ................................... 11
2.2.1 Dasar Teori ........................................................................................ 11
2.2.2 Studi Kasus ........................................................................................ 13
2.2.3 Hasil Interpretasi ................................................................................ 25
2.3 LST (Land Surface Temperature) ............................................................. 26
2.3.1 Dasar Teori ........................................................................................ 26
2.3.2 Studi Kasus ........................................................................................ 28
2.3.3 Hasil Interpretasi ................................................................................ 45
2.4 VCI (Vegetation Condition Index) ............................................................ 47
2.4.1 Dasar Teori ........................................................................................ 47
2.4.2 Studi Kasus ........................................................................................ 47
2.4.3 Hasil Interpretasi ................................................................................ 60

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 3
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

2.5 NDWI (Normalized Difference Wetness Index) ........................................ 61

2.5.1 Dasar Teori ........................................................................................ 61
2.5.2 Studi Kasus ........................................................................................ 62
2.5.3 Hasil Interpretasi ................................................................................ 74
2.6 NDBI (Normalized Difference Built-Up Index) ........................................ 76
2.6.1 Dasar Teori ........................................................................................ 76
2.6.2 Studi Kasus ........................................................................................ 76
2.6.3 Hasil Interpretasi ................................................................................ 90
BAB III ............................................................................................................. 92
PENUTUP ........................................................................................................ 92
3.1 Kesimpulan .............................................................................................. 92
3.2 Pembagian Tugas ..................................................................................... 93
DAFTAR PUSTAKA ....................................................................................... 94

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 4
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

DAFTAR TABEL

Tabel 2. 1 Kegunaan Band ................................................................................. 10

Tabel 2. 2 Kombinasi Band ................................................................................ 10
Tabel 2. 3 Hasil Analisa NDVI Tahun 2020 ....................................................... 26
Tabel 2. 4 Hasil Analisa LST Tahun 2015 .......................................................... 45
Tabel 2. 5 Hasil Analisa LST Tahun 2020 .......................................................... 45
Tabel 2. 6 Klasifikasi VCI.................................................................................. 47
Tabel 2. 7 Hasil VCI Tahun 2020 ....................................................................... 60
Tabel 2. 8 Kelas NDWI ...................................................................................... 69
Tabel 2. 9 Hasil NDWI Tahun 2015 ................................................................... 74
Tabel 2. 10 Hasil NDWI Tahun 2020 ................................................................. 74
Tabel 2. 11 Klasifikasi NDBI ............................................................................. 76
Tabel 2. 12 Hasil NDBI Tahun 2015 .................................................................. 91
Tabel 2. 13 Hasil NDBI Tahun 2020 .................................................................. 91

DAFTAR GAMBAR

Gambar 2. 1 Kekuatan Klorofil Menyerap Cahaya Inframerah Dekat ................. 11

Gambar 2. 2 Karakter Yang Berbeda Yang Ditunjukkan Oleh Vegetasi Dan Tanah
Dalam Memantulkan Gelombang Elektromagnetik ............................................ 12
Gambar 2. 3 Pengklasifikasian Warna Wilayah Bervegetasi Dan Non-Vegetasi
(Nassa) .............................................................................................................. 13

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 5
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

BAB I
PENGINDERAAN JAUH

1.1 Pengertian Remote Sensing

Remote Sensing atau yang biasa disebut sebagai penginderaan jauh yaitu
penggunaan sensor radiasi elektromagnetik untuk merekam gambar lingkungan
bumi yang dapat diinterpretasikan sehingga menghasilkan informasi yang berguna
(Curran, 1985). Data penginderaan jauh diperoleh dari suatu satelit, pesawat udara
balon udara atau wahana lainnya. Data-data tersebut berasal rekaman sensor yang
memiliki karakteristik berbeda-beda pada masing-masing tingkat ketinggian yang
akhirnya menentukan perbedaan dari data penginderaan jauh yang di hasilkan
(Richards and Jia, 2006).
1.2 Skema Umum Penginderaan Jauh
Penginderaan jauh sangat tergantung dari energi gelombang elektromagnetik.
Gelombang elektromagnetik dapat berasal dari banyak hal, akan tetapi gelombang
elektromagnetik yang terpenting pada penginderaan jauh adalah sinar matahari.
Banyak sensor menggunakan energi pantulan sinar matahari sebagai sumber
gelombang elektromagnetik, akan tetapi ada beberapa sensor penginderaan jauh
yang menggunakan energi yang dipancarkan oleh bumi dan yang dipancarkan oleh
sensor itu sendiri. Sensor yang memanfaatkan energi dari pantulan cahaya matahari
atau energi bumi dinamakan sensor pasif, sedangkan yang memanfaatkan energi
dari sensor itu sendiri dinamakan sensor aktif (Kerle, et al., 2004).
1.3 Sistem Penginderaan Jauh
Komponen-komponen dalam sistem penginderaan jauh diuraikan ringkas
sebagai berikut:
1) Tenaga untuk Penginderaan Jauh
Pengumpulan data dalam penginderaan jauh dilakukan dari jarak jauh
dengan menggunakan sensor buatan. Untuk itu diperlukan tenaga penghubung yang
membawa data tentang objek ke sensor. Tenaga penghubung diperlukan agar
berbagai informasi dalam berbagai bentuk dapat diterima oleh sensor dengan baik.
Tenaga penghubung yang dimanfaatkan dalam penginderaan jauh berupa tenaga
alamiah dan tenaga buatan. Tenaga penghubung alamiah disebut penginderaan jauh

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 6
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

sistem pasif, yaitu yang merekam pantulan atau pancaran radiasi elektromagnetik
dari suatu objek yang biasanya bersumber dari matahari. Sedangkan sumber tenaga
buatan yang digunakan dalam penginderaan jauh system aktif, yaitu perekaman
dengan menggunakan sumber tenaga buatan seperti system RADAR dan LIDAR.
Sistem scanner ini dapat dibedakan menjadi dua yaitu scanner opto-mekanik
(contohnya Landsat TM) dan scanner penyapu (push broom).
2) Atmosfer
Atmosfer bersifat selektif terhadap panjang gelombang, sehingga hanya
sebagian kecil saja tenaga elektromagnetik yang dapat mencapai permukaan bumi
dan dimanfaatkan untuk penginderaan jauh. Bagian spectrum elektromagnetik yang
mampu melalui atmosfer dan dapat mencapai permukaan bumi disebut “jendela
atmosfer”. Jendela atmosfer yang paling banyak digunakan dalam penginderaan
jauh adalah spectrum tampak
3) Sensor
Tiap sensor memiliki kepekaan tersendiri terhadap bagian spectrum
elektromagnetik. Semakin kecil objek yang dapat direkam oleh sensor, maka
semakin baik kualitas sensor itu dan semakin baik kemampuan sensor untuk
merekam gambar terkecil/resolusi spasial dari citra.
4) Perolehan Data
Perolehan data dapat dilakukan dengan cara manual yaitu dengan
interpretasi secara visual, dan dapat pula dengan cara numeric atau cara digital yaitu
dengan menggunakan computer. Foto udara pada umumnya diinterpretasi secara
manual, sedangkan data hasil penginderaan jauh secara elektronik dapat
diinterpretasi secara manual maupun secara numerik.
5) Pengguna Data
Pengguna data (orang, institusi, atau pemerintah) merupakan komponen
paling penting dalam penginderaan jauh karena para penggunalah yang dapat
menentukan diterima atau tidaknya hasil penginderaan jauh. Data yang dihasilkan
mencakup wilayah sumber daya alam suatu negara, yang merupakan data yang
sangat penting untuk kepentingan orang banyak, sehingga data ini penting untuk
dijaga penggunaannya

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 7
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

1.4 Sensor dan Wahana

1) Sensor
Merupakan alat pemantau yang dipasang pada wahana, baik pesawat
maupun satelit. Sensor dapat dibedakan menjadi dua : Sensor fotografik, merekam
objek melalui proses kimiawi. Sensor ini menghasilkan foto. Sensor yang dipasang
pada pesawat menghasilkan citra foto (foto udara), sensor yang dipasang pada
satelit menghasilkan citra satelit (foto satelit) Sensor elektronik, bekerja secara
elektrik dalam bentuk sinyal. Sinyal elektrik ini direkam dalam pada pita magnetik
yang kemudian dapat diproses menjadi data visual atau data digital dengan
menggunakan komputer. Kemudian lebih dikenal dengan sebutan citra.
2) Wahana
Merupakan kendaraan/media yang digunakan untuk membawa sensor guna
mendapatkan inderaja. Berdasarkan ketinggian persedaran dan tempat
pemantauannya di angkasa, wahana dapat dibedakan menjadi tiga kelompok:
Pesawat terbang rendah sampai menengah yang ketinggian peredarannya antara
1.000 – 9.000 meter di atas permukaan bumi Pesawat terbang tinggi, yaitu pesawat
yang ketinggian peredarannya lebih dari 18.000 meter di atas permukaan bumi
Satelit, wahana yang peredarannya antara 400 km – 900 km di luar atmosfer bumi.
1.5 Pengguna Data
Pengguna data merupakan komponen akhir yang penting dalam sistem inderaja,
yaitu orang atau lembaga yang memanfaatkan hasil inderaja. Jika tidak ada
pengguna, maka data inderaja tidak ada manfaatnya. Salah satu lembaga yang
menggunakan data inderaja misalnya adalah:
1) Bidang militer
2) Bidang kependudukan
3) Bidang pemetaan
4) Bidang meteorologi dan klimatologi
1.6 Teknik Pengumpulan Data
Data dapat dikumpulkan dengan berbagai macam peralatan tergantung kepada
objek atau fenomena yang sedang diamati. Umumnya teknik-teknik penginderaan
jauh memanfaatkan radiasi elektromagnetik yang dipancarkan atau dipantulkan

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 8
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

oleh objek yang diamati dalam frekuensi tertentu seperti inframerah, cahaya
tampak, gelombang mikro, dsb. Hal ini memungkinkan karena faktanya objek yang
diamati (tum
buhan, rumah, permukaan air, udara dll) memancarkan atau memantulkan radiasi
dalam panjang gelombang dan intensitas yang berbeda-beda. Metode penginderaan
jauh lainnya antara lain yaitu melalui gelombang suara, gravitasi atau medan
magnet.
1.7 Keunggulan Penginderaan Jauh
Menurut Sutanto (1994:18-23), penggunaan penginderaan jauh baik diukur dari
jumlah bidang penggunaannya maupun dari frekuensi penggunaannya pada tiap
bidang mengalami pengingkatan dengan pesat. Hal ini disebabkan oleh beberapa
faktor antara lain :
1) Citra menggambarkan objek, daerah, dan gejala di permukaan bumi dengan;
wujud dan letak objek yang mirip ujud dan letak di permukaan bumi, relatif
lengkap, meliputi daerah yang luas, serta bersifat permanen.
2) Dari jenis citra tertentu dapat ditimbulkan gambaran tiga dimensional
apabila pengamatannya dilakukan dengan alat yang disebut stereoskop.
3) Karaktersitik objek yang tidak tampak dapat diwujudkan dalam bentukcitra
sehingga dimungkinkan pengenalan objeknya.
4) Citra dapat dibuat secara cepat meskipun untuk daerah yang sulit dijelajahi
secara terestrial.
5) Merupakan satu-satunya cara untuk pemetaan daerah bencana.
6) Citra sering dibuat dengan periode ulang yang pendek
1.8 Kelemahan Penginderaan Jauh
Walaupun mempunyai banyak kelebihan, penginderaan jauh juga memiliki
kelemahan antara lain sebagai berikut:
1) Orang yang menggunakan harus memiliki keahlian khusus;
2) Peralatan yang digunakan mahal;
3) Sulit untuk memperoleh citra foto ataupun citra nonfoto.

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 9
INSTITUT TEKNOLOGI NASIONAL MALANG
 Analisis
NDVI, LST, VCI, NDWI dan NDBI

BAB II
ENVI
2.1 Komposit Band
Citra Landsat 8 diketahui memiliki 11 band. Diantaranya band Visible, Near
Infrared (NIR), Short Wave Infrared (SWIR), Panchromatic dan Thermal. Band
1,2,3,4,5,6,7 dan 9 mempunyai resolusi spasial 30 meter, band 8 mempunyai
resolusi spasial 15 meter, sementara band 10 dan 11 resolusi spasialnya 100 meter.
Detail kegunaan masing-masing band adalah sebagai berikut :
Tabel 2. 1 Kegunaan Band
Band Wavelength Useful For Mapping
Band 1-Coastal Aerosol 0,43-0,45 Coatsal and aerosol studies
Bathymetric mapping, distinguishing soil from
Band 2-Blue 0,45-0,51 vegetation and deciduous from coniferous
vegetation
Emphasizes peak vegetation, which is useful for
Band 3-Green 0,53-0,59
assessing plant vigor
Band 4-Red 0,64-0,67 Discriminates vegetation slopes
Band 5-Near Infrared (NIR) 0,85-0,88 Emphasizes biomass content and shorelines
Discriminates moisture content of soil and
Band 6-Short Wave Infrared (SWIR) 1 1,57-1,65
vegetation and thin cloud penetration
Improved moisture content of soil and vegetation
Band 7-Short Wave Infrared (SWIR) 2 2,11-2,29
and thin cloud penetration
Band 8-Panchromatic 50-68 15 meter resolution, sharper image definition
Band 9-Cirrus 1,36-1,38 Improved detection of cirrus cloud contamination
100 meter resolution, thermal mapping and
Band 10-TIRS 1 10,60-11,19
estimated soil moisture
100 meter resolution,improved thermal mapping
Band 11-TIRS 2 11,5-12,51
and estimated soil moisture
Dari masing-masing band memiliki kegunaan tersendiri. Untuk melakukan
analisis dari Citra Landsat tersebut, diperlukan kombinasi band untuk mendapatkan
tampilan Citra sesuai dengan tema atau tujuan dari analisis. Berikut penggunaan
kombinasi band pada Citra Landsat 8 :
Tabel 2. 2 Kombinasi Band
Aplikasi Kombinasi Band
Natural Color 4,3,2
False Color (Urban) 7,6,4
Color Infrared (Vegetation) 5,4,3
Agriculture 6,5,2
Atmospheric Penetration 7,6,5
Healthy Vegetation 5,6,2
Land/Water 5,6,4
Natural With Atmospheric Removal 7,5,3
Shortwave Infrared 7,5,4

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 10
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

Aplikasi Kombinasi Band

Vegetation Analysis 6,5,4
2.2 NDVI (Normalized Difference Vegetation Indeks)
2.2.1 Dasar Teori
Indeks vegetasi atau NDVI adalah indeks yang menggambarkan tingkat
kehijauan suatu tanaman. Indeks vegetasi merupakan kombinasi matematis antara
band merah dan band NIR (Near-Infrared Radiation) yang telah lama digunakan
sebagai indikator keberadaan dan kondisi vegetasi (Lillesand dan Kiefer 1997).
Menurut Ryan (1997), perhitungan NDVI didasarkan pada prinsip bahwa
tanaman hijau tumbuh secara sangat efektif dengan menyerap radiasi di daerah
spektrum cahaya tampak (PAR atau Photosynthetically Aktif Radiation), sementara
itu tanaman hijau sangat memantulkan radiasi dari daerah inframerah dekat. Konsep
pola spektral di dasarkan oleh prinsip ini menggunakan hanya citra band merah
adalah sebagai berikut :

NDVI = (NIR – Red) / (NIR+Red)

Dimana :
NIR = Radiasi inframerah dekat dari piksel.
Red = Radiasi cahaya merah dari piksel
Nilai NDVI berkisar dari -1 (yang biasanya air) sampai +1 (vegetasi lebat).
Rumus Untuk APLIKASI ENVI = (B1-B2)/(B1+B2)

Gambar 2. 1 Kekuatan Klorofil Menyerap Cahaya Inframerah Dekat

Pada gambar tersebut dapat ditunjukkan bahwa pigmen dalam daun
tanaman (klorofil) dapat menyerap cahaya tampak (0,4-0,7 µm) yang digunakan
dalam fotosintesis. Di sisi lain, struktur sel daun sangat mencerminkan cahaya

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 11
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

inframerah dekat (0,7-1,1 µm). Semakin banyak daun tanaman, semakin panjang
gelombang cahaya yang terpengaruh.
Kemudian dapat ditunjukan juga bahwa perbedaan yang mencolok antara
kekuatan vegetasi dengan tanah (soil) dalam memantulkan gelombang
electromagnetic, sehingga dapat dijadikan sebagai konsep indeks vegetasi bahwa
setiap objek memiliki kemampuan (karakter spektral) yang berbeda-beda dalam
memantulkan gelombang electromagnetic.

Gambar 2. 2 Karakter Yang Berbeda Yang Ditunjukkan Oleh Vegetasi Dan Tanah
Dalam Memantulkan Gelombang Elektromagnetik

Untuk selanjutnya adalah menentukan besaran indek vegetasi yang

merupakan besaran nilai vegetasi yang diperoleh dari pengolahan sinyal digital data
nilai kecerahan sebeberapa kanal data sensor satelit. Dengan demikian NDVI pada
dasarnya yaitu membandingkan antara kanal infranerah dan kanal inframerah dekat
sehingga diperoleh fenomena penyerapan cahaya merah (infranerah) dan
pemantulan cahaya merah dekat (near- infranerah) oleh klorofil membuat nilai
kecerahan yang diterima sensor satelit akan jauh berbeda. Dengan konsep ini maka
dikembangkannya suatu algoritma indeks vegetasi yaitu:

Indeks vegetasi yang ditunjukkan persamaan di atas mempunyai nilai

minimum yakni -1 yang menunjukan bahwa kondisi wilayah tidak bervegetasi.

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 12
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

Sebaliknya bahwa indeks vegetasi yang memiliki nilai 1 menunjukkan bahwa

kondisi wilayah bervegetasi. Nilai indeks vegetasi yang diperoleh dapat
diklasifikasikan kembali oleh NASA berupa pengklasifikasian warna yang
merupakan wilayah bervegetasi atau tidak.

Gambar 2. 3 Pengklasifikasian Warna Wilayah Bervegetasi Dan Non-Vegetasi

(Nassa)
Dari gambar tersebut tampak bahwa wilayah yang berada pada 0.4
merupakan wilayah yang lebat akan vegetasi dan dapat diperkirakan bahwa
vegetasi di wilayah ini merupakan kawasan hutan yang lebat dan subur. Sebaliknya
pada wilayah 0.2 ke kiri merupakan klasifikasi wilayah yang tidak bervegetasi dan
merupakan kawasan batuan atau perairan.
2.2.2 Studi Kasus
Seorang planner ingin mengetahui kerapatan vegetasi di Kota Malang agar
sekiranya dapat diketahui penambahan RTH untuk lokasi yang memiliki kerapatan
vegetasi rendah, namun dengan adanya virus covid-19 ini dimana survey tidak
memungkinkan untuk dilakukan dilapangan maka planner tersebut memutuskan
untuk menggunakan metode survey pengideraan jarak jauh.
Langkah Kerja :
Berikut cara atau langkah yang dilakukan planner tersebut untuk membuat
NDVI di ENVI 5.3:
1. Buka Envi 5.3, lalu tekan File > Open > Pilih file yang sudah di kalibrasi
radiometric >Open.

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 13
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

2. Search di toolbox “Band Math” > Masukkan rumus NDVI > Add to List >
Pilih Rumus yang telah di list > OK

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 14
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

3. Masukkan B1 (NIR) dan B2 (RED) > Pilih tempat penyimpanan NDVI

> OK

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 15
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

4. Export hasil Citra NDVI kebentuk TIFF. Pilih File > Save As > Save
As…. (ENVI, NITF, TIFF, DTED) > Pilih Citra yang ingin di export >
OK > Pilih Format TIFF > Pilih tempat penyimpananCitra>OK.

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 16
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

5. Buka Software ArcMap 10.3 > Add data > Pilih Citra NDVI yang sudah
di export > Add. Lalu add data Shapefile.

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 17
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

6. Langkah selanjutnya adalah memotong citra NDVI sesuai batas admin.

ArcToolbox > Data Management Tool > Raster > Raster Processing >
Clip.

7. Input Citra NDVI > Output Kecamatan_Singosari > Centang “Use Input
Features for Clipping Geometry (optional) > OK.

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 18
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

8. Selanjutnya klik arctoolbox > Spatial Analyst Tools > Reclass >
Reclassify . Input raster hasil clip sebelumnya tadi. Kemudian classify
sesuai dengan klasifikasi NDVI > Simpan > ok.

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 19
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

9. Klik kanan pada raster yang telah kita reclassify tadi > Open attribute
table > add field

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 20
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

10. Kemudian kita buat kolom dengan nama Luas_Ha dengan type double ,
dan kolom keterangan dengan type text .

11. Klik kanan lagi pada raster yang telah kita Reclassify > properties

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 21
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

12. Klik source > kita kalikan “30 x 30 jadi hasilnya 900” yang ada di baris
Cell Size (X, Y)

13. Klik kanan lagi pada hasil reclassify tadi > open attribute table > pada
kolom Luas_Ha > Field Calculator > Masukan rumus “Count x 900
(hasil perkalian cellsize)/10.000 (Satuan Ha dalam m) > Ok

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 22
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

14. Selanjutnya kita isi juga keterangan sesuai klasifikasi NDVI

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 23
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

15. Klik kanan pada reclassify > properties > symbology > Value field
“Keterangan” > atur colour scheme > add value satu persatu sesuai
dengan tingkatan klasifikasi ( karena value data raster tidak dapat diatur
seperti data vector ) > Ok

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 24
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

16. Inilah hasil NDVI pada ArcMap 10.3

2.2.3 Hasil Interpretasi

Dari hasil yang didapat menggunakan analisis NDVI maka daerah yang
sekiranya memiliki tingkat vegetasi yang rendah memiliki symbol berwarna merah.
Dan daerah yang memiliki tingkat vegetasi yang tinggi adalah berwarna hijau.
Sehingga dari hasilnya tersebut maka planner tersebut dapat mengetahui daerah
yang membutuhkan penambahan RTH dalam analisis rencananya.

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 25
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

Tabel 2. 3 Hasil Analisa NDVI Tahun 2020

No Keterangan Luas (Ha)
1 Non Vegetasi 90
2 Kerapatan Vegetasi Jarang 5.270.040
3 Kerapatan Vegetasi Sedang 3.213.360
4 Kerapatan Vegetasi Padat 2.540.700
Total 11.024.190
Pada hasil analisa NDVI yang dilakukan maka terlihat bahwa daerah di Kota
Malang memiliki luasan dengan kerapatan Vegetasi Jarang seluas 5.270.040 Ha.
Sedangkan daerah dengan Non Vegetasi memiliki luas sebesar 90 Ha. Maka dapat
disimpulkan bahwa dengan keadaan atau kondisi daerah Kota Malang dengan
tingkat kerapatan vegetasi jarang maka perlu adanya penambahan RTH agar dapat
mengembalikan keremajaan Kota Malang.
2.3 LST (Land Surface Temperature)
2.3.1 Dasar Teori
LST menurut Copernicus adalah campuran dari vegetasi dan suhu tanah yang
gundul. Karena keduanya merespon dengan cepat terhadap perubahan dalamradiasi
matahari yang masuk karena tutupan awan dan modifikasi beban aerosoldan variasi
pencahayaan diurnal, LST juga menampilkan variasi cepat. Pada gilirannya, LST
mempengaruhi pembagian energi antara tanah dan vegetasi, danmenentukan suhu
udara permukaan. Adapun untuk langkah kerja LST ini dapat dilihat sebagai
berikut.
Suhu permukaan lahan adalah keadaan yang dikendalikan oleh keseimbangan
energi permukaan, atmosfer, sifat termal dari permukaan, dan media bawah
permukaan tanah (Becker & Li, 1990). Land surface temperature merupakan
fenomena penting dalam perubahan iklim global. Seiring meningkatnya kandungan
gas rumah kaca di atmosfer, maka land surface temperature juga akan meningkat.
Hal ini akan mengakibatkan mencairnya gletser dan lapisan es dan mempengaruhi
vegetasi daerah tersebut. Dampaknya akan lebih banyak di daerah monsun, karena
curah hujan tidak dapat diprediksi mengakibatkan banjir dan kenaikan permukaan
air laut (Rajeshwari dan Mani, 2014).
LST (Land Surface Temperature) dapat didefinisikan sebagai suhu
permukaan rata-rata dari suatu permukaan yang digambarkan dalam cakupan suatu
piksel dengan berbagai tipe permukaan yang berbeda. (Faridah & Krisbiantoro,

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 26
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

2014). LST adalah salah satu kunci parameter di berbagai studi lingkungan pada
disiplin-disiplin ilmu yang berbeda, seperti geologi, hidrologi, ekologi, oseanografi,
meteorologi, klimatologi, dan lain-lain (Jiménez-Muñoz dan Sobrino, 2008).
Temperatur permukaan tanah atau Land Surface Temperature (LST)
merupakan keadaan yang dikendalikan oleh keseimbangan energi permukaan,
atmosfer, sifat termal dari permukaan dan media bawah permukaan tanah.
Temperatur permukaan suatu wilayah dapat 30 diidentifikasikan dari citra satelit
Landsat yang diekstrak dari band thermal. Dalam penginderaan jauh, temperatur
permukaan tanah dapat didefinisikan sebagai suatu permukaan rata-rata dari suatu
permukaan, yang digambarkan dalam cakupan suatu piksel dengan berbagai tipe
permukaan yang berbeda (USGS, 2015 dalam Delarizka, 2016).
Beberapa manfaat dari Land Surface Temperature adalah :
a. Untuk pemetaan kawasan panas bumi (Geothermal)
b. Untuk penentuan emisi gas rumah kaca pada suatu tutupan lahan/penggunaan
lahan tertentu.
c. Penentuan Urban Heat Island untuk analisis-analisis terkait perencanaan
kawasan perkotaan (Urban Planning).
d. Untuk mengetahui tingkat kelembaban tanah (soil moisture) untuk keperluan
pertanian dan sebagainya.
Perhitungan LST atau brightness temperature dilakukan dengan
menggunakan rumus sebagai berikut :

LST = BT/1 + w × ( BT/p ) × In ( e )

LST = (B6/1)+(B7× (B6/14380)) × (alog(B8))

Dimana :
BT = At Satellite Temperature :
W = Wave length of emitted Radiance (11.5 )
Pv = (NDVI – NDVI min/NDVI Max- NDVI Min)²
E = 0.004 Pv + 0.986
P = 14380.

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 27
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

2.3.2 Studi Kasus

Kota Malang merupakan kota kedua terbesar di Jawa Timur. Saat ini Kota
Malang sedang mengalami pertumbuhan yang pesat. Pada tahun 2020, penduduk
Kota Malang mencapai 874.890 jiwa. Hal ini menyebabkan perubahan kawasan
terbangun sehingga terjadi perubahan suhu di Kota Malang.
Untuk mengetahui suhu permukaan Kota Malang, seorang mahasiswa ITN
Malang akan membandingkan perubahan suhu pada tahun 2020 dengan 5 tahun
sebelumnya yang nantinya akan di deteksi menggunakan citra satelit. Metode yang
digunakan dalam pengukuran suhu permukaan ini yaitu dengan menggunakan
metode LST.
Langkah Kerja :
1. Buka aplikasi Envi lalu klik File > Open As > Landsat > GeoTiff with
Metadata > Pilih Citra Landsat 8 Tahun 2020 > Open

2. Klik File > Open > Pilih “Shapefile (*.shp)” > Pilih SHP Batas
Administrasi “kota_malang” > Open

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 28
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

3. Klik Region of Interest (ROI) > Pada Geometry klik Rectangle > Digit
daerah sesuai dengan batas administrasi

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 29
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

4. Search di Toolbox “Radiometric Calibration” > Klik Radiometric

Calibration > Pilih …MTL_Multispectral > Klik Show > Subset by
file > Pilih kota_malang yang telah kita digit “ROI #1” > OK >
Calibration Type “Reflectance” > Pilih folder dan beri nama pada
Output Filename “Reflectance” > OK

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 30
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

5. Maka akan muncul hasil seperti ini:

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 31
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

6. Cari NDVI pada tools > klik NDVI > pilih file “Reflectance”> klik
choose > save file baru dengan nama “NDVI” .

7. Klik kanan pada file “NDVI” > klik quick start

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 32
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

8. Lihat NDVI nilai minimum dan maksimumnya > klik band math >
masukkan rumus Pv > ((B1-(-nilai NDVI min))/ (nilai NDVI maks-(-
nilai NDVI min)))^2 > add list

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 33
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

9. Pilih B1 > NDVI (Reflectance.dat) > klik choose > beri nama file “Pv”

10. Klik band math > masukkan rumus e > 0.004*(B1)+0.986 > add list
> pilih file B1 > pilih Pv band math > choose > beri nama file “e” >
ok.

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 34
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

11. Klik radiometric calibration pada tools > pilih file dengan akhiran
“…RT_MTL_Thermal” > klik spatial subset > cari tool subset by ROI
dipojok kanan atas > pilih dan centang ROI > ok

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 35
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

12. Pilih calibration type “Radiance” > choose > simpan nama file
“TIR_Radiance” > ok

13. Klik radiometric calibration pada tools > pilih file dengan akhiran
“…RT_MTL_Thermal” > klik spatial subset > cari tool subset by ROI
dipojok kanan atas > pilih dan centang ROI > ok

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 36
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

14. Pilih calibration type “Brightness Temperature” > choose > simpan
nama file “TIR_BT” > ok

15. Pilih band math > masukkan rumus B1-273.15 > add list > ok

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 37
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

16. Pilih B1 > klik map variable > pilih file “TIR_BT” > choose > beri
nama file TIR_BT-273.15 > ok

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 38
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

17. Klik band math > masukkan rumus LST > (B6/1)+(B7× (B6/14380))
× (alog(B8)) > pilih B6 dengan file TIR_BT Band Math (Thermal
Infrared 1..) > pilih B7 dengan file TIR Radiance (Thermal Infrared
1) > pilih B8 dengan e (Band Math…) > ok > choose > simpan dengan
nama “LST Final”

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 39
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

18. Klik kana pada file LST Final > new rastercolor slice > band math>
hasilnya akan seperti ini.

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 40
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

19. Klik file > pilih save as file > pilih save as (ENVI,TIFF….)> pilih
LST Final > Output format “TIFF” > pilih lokasi dan nama file yang
diinginkan > ok

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 41
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

20. Open ArcMap 10.3 – klik add data – pilih citra LST yang sudah di
export – klik add – add data shapefile LST.tif.

21. Search “Clip” > Klik Clip (Data Management) > Input Raster pilih
hasil NDWI “(Filename).tiff” > Output Extent pilih batas administrasi
“Admin Kota” > Centang Use Input Features for Clipping Geometry
> Pilih folder dan beri nama pada Output Raster Dataset > OK

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 42
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

22. Selajutnya akan muncul seperti ini :

23. Selanjutnya klik kanan pada hasil raster clip > properties > symbology
> classified > pilih class jadi 5 class > pilih warna yang sdiinginkan >
ok.

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 43
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

24. Maka hasilnya akan seperti ini :

LST 2020

22.86643982 - 26.83102866
26.83102867 - 28.56553627
28.56553628 - 30.05225709
30.0522571 - 31.34074846
31.34074847 - 35.50356674

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 44
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

25. Selanjutnya lakukan langkah yang sama untuk mendapatkan hasil

NDWI pada tahun 2015

LST 2015

18.40421104 - 28.12522608
28.12522609 - 30.16350342
30.16350343 - 32.12338549
32.1233855 - 34.00487227
34.00487228 - 38.39500809

2.3.3 Hasil Interpretasi

Berdasarkan hasil LST (Land Surface Temperature) diatas dapat kita ketahui
bahwa zona yang berwarna merah dikategorikan sebagai daerah panas, kemudian
untuk yang berwarna biru sudah dikategorikan memiliki suhu yang dingin.
Tabel 2. 4 Hasil Analisa LST Tahun 2015
No Suhu Permukaan Luas (Ha)
1 18 C - 28 C 16025
2 28 C - 30 C 24315
3 30 C – 32 C 26276
4 32 C – 34 C 32927
5 34 C – 38 C 22946
Total 122.489
Tabel 2. 5 Hasil Analisa LST Tahun 2020
No Suhu Permukaan Luas (Ha)
1 23 C – 27 C 9898
2 27 C - 28 C 20944
3 28 C – 30 C 26076
4 30 C – 31 C 35432
5 31 C – 35 C 30319
Total 122.669

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 45
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, LST, VCI, NDWI dan NDBI

Pada hasil analisa LST yang dilakukan maka terlihat bahwa daerah di Kota
Malang memiliki luasan dengan suhu permukaan paling tinggi (panas) yaitu 30.319
Ha. Dengan suhu paling rendah adalah memiliki luasan sebesar 9.898 Ha. Maka
dapat disimpulkan bahwa dengan tipikal suhu permukaan tanah yang telah dianalisa
disebabkan karena banyaknya penambahan pembangunan karena diikuti dengan
jumlah penduduk yang semakin tahun semakin bertambah, sehingga menyebabkan
suhu permukaan tanah yang awalnya Kota Malang terkenal dengan Suhu yang
dingin tetapi pada saat sekarang suhunya terasa sudah mulai panas dan tidak dingin
seperti 10 tahun lalu. Dari hasil yang didapat menggunakan analisis LST adalah
pada tahun 2015 dan tahun 2020 terdapat perbedaan. Yaitu pada hasil LST tahun
2020 suhu Kota Malang meningkat dibandingkan 5 tahun sebelumnya. Maka dapat
disimpulkan bahwa semakin meningkatkan perkembangan Kota Malang baik dari
jumlah penduduk maupun pembangunan membuat Kota Malang menjadi lebih
panas dari tahun-tahun sebelumnya.

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 46
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, VCI, LST, NDWI dan NDBI

2.4 VCI (Vegetation Condition Index)

2.4.1 Dasar Teori
Vegetation Condition Index (VCI) menggunakan hasil dari NDVI. VCI
dinyatakan dalam bentuk persen (%) dan memberikan gambaran dan nilai dimana
daerah yang memiliki kondisi vegetasi dari tidak ada kekeringan hingga kekeringan
ekstrim. nilai tersebut juga mengindikasikan kondisi keadaan vegetasi yang baik dan
buruk. Adapun rumus VCI (Kogan, 2004).

Dimana :
VCI = Vegetation Condition Index

NDVI =
NDVImax = Nilai maksimum NDVI
NDVImin = Nilai minimum NDVI
Tabel 2. 6 Klasifikasi VCI
Value Category
90-100% No Drought
80-90% No Drought
70-80% No Drought
60-70% No Drought
50-60% No Drought
40-50% No Drought
30-40% Light Drought
20-30% Moderate Drought
10-20% Severe Drought
0-10% Extreme Drought
(Sumber : Instituto de Investigaciones Agropecuarias (INIA)

2.4.2 Studi Kasus

Kekeringan lahan pertanian merupakan fenomena alam dimana kurangnya
kebutuhan air pada lahan pertanian. Malang menjadi wilayah yang setiap tahun dilanda
kekeringan saat kemarau panjang yang berdampak pada kebutuhan air untuk mengairi
lahan pertanian di Malang pun kerap terganggu dan membuat pemerintah harus

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 47
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, VCI, LST, NDWI dan NDBI

bertindak dalam mengatasi kekeringan tersebut. Maka dari itu perlu dilakukannya
analisis potensi daerah rawan kekeringan pada lahan pertanian di Kota Malang pada
tahun 2019 yang bertujuan untuk mengetahui daerah yang berpotensi terjadinya
kekeringan. Adapun Metode penelitian yang “Modul Sistem Informasi Perencanaan II”
Page 122 digunakan berupa metode analisis dengan Sistem Informasi Geografi (SIG)
menggunakan analisis VCI (Vegetation Condition Index). Hasil dari analisis lahan
pertanian yang berpotensi kekeringan tersebut dapat digunakan sebagai upaya untuk
mengatasi kekeringan di Kota Malang
Langkah Kerja :
1. Buka aplikasi Envi lalu klik File > Open > Pilih hasil Kalibrasi Radiometrik
landsat “Radiometric calibration” > Open

2. Selanjutnya Search di Toolbox “NDVI” > Klik NDVI > Pilih

“Reflectance_2019” > OK > Selanjutnya NDVI Bands : Red “4”, Near IR “5”
> Pilih folder dan beri nama pada Output Filename > OK

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 48
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, VCI, LST, NDWI dan NDBI

3. Maka akan muncul hasil dari Normalized Difference Vegetation Index (NDVI)

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 49
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, VCI, LST, NDWI dan NDBI

4. Selanjutnya klik kanan pada hasil NDVI > Quick Stats (akan muncul statistik
NDVI) > Selanjutnya search di Toolbox “Band Math” > Klik Band Math >
Masukkan rumus VCI = (NDVI – NDVImin) / (NDVImax – NDVImin) (rumus
disesuaikan dengan statistik NDVI) > Add to List > OK > Kemudian Pilih Band
1 : NDVI > Pilih folder dan beri nama pada Output Filename > OK

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 50
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, VCI, LST, NDWI dan NDBI

5. Maka akan muncul hasil seperti dibawah ini

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 51
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, VCI, LST, NDWI dan NDBI

6. Langkah selanjutnya untuk menyimpan data ke bentuk TIFF, klik File > Save
As > Save As…. (ENVI, NITF, TIFF, DTED) > Output Format “TIFF” > Pilih
folder dan beri nama pada Output Filename > OK

7. Langkah selanjutnya buka aplikasi Arcmap lalu klik Add Data > Pilih SHP
Batas Administrasi “Admin Kota”, hasil VCI dan SHP Lahan Pertanian “Lahan
Pertanian” > Add

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 52
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, VCI, LST, NDWI dan NDBI

8. Search (ctrl+f) “Clip” > Klik Clip (Data Management) > Input Raster pilih hasil
VCI “VCI.tiff” > Output Extent pilih batas administrasi “Admin Kota” >
Centang Use Input Features for Clipping Geometry > Pilih folder dan beri nama
pada Output Raster Dataset > OK

9. Maka akan muncul hasil seperti ini :

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 53
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, VCI, LST, NDWI dan NDBI

10. Untuk mengcrop daerah pertanian, search “Extract by Mask” > Klik Extract by
Mask (Spatial Analyst) > Input Raster pilih hasil VCI yang telah dicrop
“VCI_Clip.tiff” > Input Raster or Features Mask Data “Lahan Pertanian” >
Pilih folder dan beri nama pada Output Raster > OK

11. Selanjutnya search “Reclassify” > Klik Reclassify (Spatial Analyst) > Input
Raster hasil extract “ExtractVCI” > Classify sesuai dengan klasifikasi VCI >
Pilih folder dan beri nama pada Output Raster > OK

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 54
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, VCI, LST, NDWI dan NDBI

12. Klik kanan hasil reclass “Reclass_VCI.tif” > Open Attribute Table > Table
Options > Add Field > Name “Luas_Ha” > Type “Double” > OK (Lakukan
Add field lagi untuk membuat kolom Keterangan dengan Type “Text”)

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 55
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, VCI, LST, NDWI dan NDBI

13. Klik kanan hasil reclass “Reclass_VCI.tif” > Properties > Source > Kalikan
Value Cellsize X dan Y “30x30=900” > OK

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 56
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, VCI, LST, NDWI dan NDBI

14. Klik kanan hasil reclass “ReclassVCI” > Open Attribute Table > Klik kanan
kolom “Luas_Ha” > Field Calculator > Masukkan rumus “Count x 900(hasil
perkalian cellsize) / 10.000 (satuan ha dalam m) > OK

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 57
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, VCI, LST, NDWI dan NDBI

15. Select baris Value = 1 > Klik kanan kolom “Keterangan” > Field Calculator >
Beri keterangan sesuai klasifikasi VCI > OK (Lakukan step yang sama untuk
mengklasifikasi semua baris VCI)

16. Klik kanan hasil reclass “Reclass_VCI” > Properties > Symbology > Value
Field “Keterangan” > Atur Colour Scheme > Add Values satu persatu sesuai
dengan tingkatan klasifikasi (karena value data raster tidak dapat diatur seperti
data vektor) > OK > lakukan Add Values lagi seperti step sebelumnya hingga
semua klasifikasi muncul > OK

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 58
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, VCI, LST, NDWI dan NDBI

17. Maka akan muncul hasil seperti ini :

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 59
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
NDVI, VCI, LST, NDWI dan NDBI

2.4.3 Hasil Interpretasi

Berdasarkan hasil VCI di Kota Malang pada tahun 2020 terdapat 5 klasifikasi
VCI, untuk lebih jelasnya dapat dilihat pada peta dan tabel berikut.
Tabel 2. 7 Hasil VCI Tahun 2020
No Keterangan Luas (Ha)
1 Non Pertanian 8675,68
2 Tidak ada kekeringan 559.35
3 Kekeringan Rendah 626.04
4 Kekeringan Sedang 618.12
5 Kekeringan Tinggi 624.78
Total 11,099.97
Terdapat 5 klasifikasi VCI di Kota Malang, yaitu non pertanian, tidak ada
kekeringan, kekeringan rendah, kekeringan sedang dan kekeringan tinggi. Hasil
analisis VCI akan lebih membahas tentang kondisi kekeringan lahan pertanian.
Berdasarkan tabel tersebut klasifikasi yang tertinggi adalah klasifikasi tidak ada
kekeringan yang berarti kondisi pertanian di area seluas 559.35 ha tersebut tidak
mengalami kekeringan. Sedangkan untuk kekeringan rendah memiliki luas 626.04 ha,
kekeringan sedang memiliki luas 618.12 ha dan kekeringan tinggi memiliki luas 624.78
ha.
Solusi untuk daerah pertanian yang mengalami kekeringan rendah adalah
dengan mengawasi daerah pertanian tersebut dan melakukan upaya agar daerah
tersebut menjadi daerah tidak ada kekeringan. Untuk daerah pertanian kekeringan
sedang diperlukan penyusunan tahapan-tahapan untuk mencegah kekeringan yang
tinggi. Untuk daerah pertanian kekeringan tinggi diperlukan tindakan langsung dari
pemerintah untuk mengatasi kekeringan dilahan pertanian tersebut seperti membuat
irigasi, sumur bor, embung dan lain-lain.
Hasil analisa ini juga memerlukan pengamatan lapangan untuk mengetahui
permasalahan kekeringan didaerah pertanian tersebut, karena tiap-tiap lahan pertanian
memiliki permasalahan yang berbeda dan membutuhkan cara penanganan yang
berbeda juga.

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 60
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
LST, NDVI, NDWI, NDBI dan VCI

2.5 NDWI (Normalized Difference Wetness Index)

2.5.1 Dasar Teori
Indeks kebasahan merupakan indeks modifikasi dari NDVI (Gao 1996),
indeks kebasahan menunjukkan tingkat kebasahan suatu lahan yang terekam oleh
citra. Penuelas (1993) mengusulkan wetness index (WI) untuk mendeteksi adanya
kandungan air pada suatu tanaman. Sedangkan menurut Crist (1984) bahwa wetness
indexini merupakan suatu indeks yang digunakan untuk menghitung kebasahan
lahan di suatu area dengan anggapan bahwa semakin padat vegetasi di suatu area
maka semakin tinggi indeks kebasahan lahan tersebut, karena adanya vegetasi yang
mempunyai cairan dalam daun.
Indeks kebasahan (NDWI) merupakan besaran nilai kebasahan (wettnes index)
pada permukaan tanah. Prinsipnya hampir sama dengan NDVI namun penggunaan
band NIR dan SWIR. Persamaan yang digunakan sebagai berikut : Hasil dari NDWI
ini yang merupakan indeks, memiliki rentang nilai -1 untuk non badan air dan 1
untuk kenampakan badan air. Sehingga perlu dilakukan thershold untuk
memisahkan badan air dan non badan air. Thresholds=setnull (NDWI ≥ 0,1,NDWI)
Kemudian dilakukan pengkelasan menurut Ji et al (2009) berdasarkan modifikasi.
Interpretasi kelembaban lahan dan vegetasi dengan menggunakan data satelit
dapat dilakukan dengan analisis normalized difference wetness index (ndwi) dan
normalized difference vegetation index (NDVI). NDWI merupakan indeks yang
menunjukkan tingkat kebasahan suatu area sedangkan ndvi adalah tingkat
kerapatan vegetasi di suatu area.
Dalam menganalisis indeks kebasahan dengan citra landsat 8, kanal/band yang
digunakan adalah 5 dan 6. Band 5 termasuk dalam spektral infra merah dekat
(near)/Near Infrared (NIR) dengan panjang gelombang 0.85-0.88, kegunaan dari
band 5 tersebut yaitu dapat membedakan jenis vegetasi yang dideteksi dan juga
aktivitas vegetasi tersebut sehingga dapat membatasi tubuh air dan juga
kelembaban tanah. Sedangkan band 9 termasuk dalam infra merah sedang/middle
infrared dengan panjang gelombang 1.57-1.65, band 9 berguna untuk menunjukkan
komposisi kelembaban tumbuhan dan kelembaban tanah, juga dapat membedakan
salju dan awan. Indeks kebasahan ini juga menunjukkan normalized difference

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 61
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
LST, NDVI, NDWI, NDBI dan VCI

water index (NDWI). NDWI ini dikembangkan untuk menggambarkan badan air
dari citra satelit. Dengan formula :

NDWI = NIR - SWIR / NIR + SWIR

2.5.2 Studi Kasus
Seorang mahasiswa PWK ITN Malang akan menganalisis dan
mengidentifikasi potensi air tanah atau tingkat kebasahan menggunakan citra
satelit. Penelitian ini bertujuan untuk menjadi acuan dalam pengembangan kawasan
pertananian dengan membandingkan tingkat kebahasan lahan/potensi air tanah
pada tahun 2020 dengan lima tahun sebelumnya yaitu pada tahun 2015. Dengan
menggunakan pendekatan NDWI nantinya akan menunjukan perubahan tingkatan
tersebut yang berguna untuk menghasilkan rencana pengembangan kawasan
pertanian yang lebih baik kedepannya.
Langkah Kerja :
1. Buka aplikasi Envi lalu klik File > Open As > Landsat > GeoTiff with
Metadata > Pilih Citra Landsat 8 Tahun 2020 > Open

2. Klik File > Open > Pilih “Shapefile (*.shp)” > Pilih SHP Batas Administrasi
“kota_malang” > Open

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 62
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
LST, NDVI, NDWI, NDBI dan VCI

3. Klik Region of Interest (ROI) > Pada Geometry klik Rectangle > Digit
daerah sesuai dengan batas administrasi

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 63
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
LST, NDVI, NDWI, NDBI dan VCI

4. Search di Toolbox “Radiometric Calibration” > Klik Radiometric

Calibration > Pilih …MTL_Multispectral > Klik Show > Subset by file >
Pilih kota_malang yang telah kita digit “ROI #1” > OK > Calibration Type
“Reflectance” > Pilih folder dan beri nama pada Output Filename > OK

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 64
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
LST, NDVI, NDWI, NDBI dan VCI

5. Maka akan muncul hasil seperti ini

6. Selanjutnya Search di Toolbox “Band Math” > Klik Band Math >
Masukkan rumus :

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 65
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
LST, NDVI, NDWI, NDBI dan VCI

NDWI = NIR – SWIR 1 / NIR + SWIR1 > Add to List > OK > Pilih Band
5 : Near Infrared (NIR) dan Band 6 : SWIR 1 pada citra reflectance > Pilih
folder dan beri nama pada Output Filename > OK

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 66
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
LST, NDVI, NDWI, NDBI dan VCI

7. Maka akan muncul hasil dari Normalized Difference Wetness Index

(NDWI)

8. Untuk menyimpan data ke bentuk TIFF, klik File > Save As > Save As….
(ENVI, NITF, TIFF, DTED) > Output Format “TIFF” > Pilih folder dan
beri nama pada Output Filename > OK.

9. Buka aplikasi Arcmap lalu klik Add Data > Pilih SHP Batas Administrasi
“Admin Kota” dan hasil NDWI > Add

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 67
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
LST, NDVI, NDWI, NDBI dan VCI

10. Search “Clip” > Klik Clip (Data Management) > Input Raster pilih hasil
NDWI “(Filename).tiff” > Output Extent pilih batas administrasi “Admin
Kota” > Centang Use Input Features for Clipping Geometry > Pilih folder
dan beri nama pada Output Raster Dataset > OK.

11. Maka akan muncul hasil seperti ini:

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 68
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
LST, NDVI, NDWI, NDBI dan VCI

12. Selanjutnya search “Reclassify” > Klik Reclassify (Spatial Analyst) > Input
Raster hasil clip “(Filename).tiff” > Classify sesuai dengan klasifikasi
NDWI > Pilih folder dan beri nama pada Output Raster > OK

Tabel 2. 8 Kelas NDWI

Kelas Nilai NDWI Tingkat Kebasahan
1 -0,43-0,1 Tidak ada air
2 0,1-0,17 Rendah
3 0,17-0,27 Agak Rendah
4 0,27-0,37 Sedang
5 0,37-0,47 Agak Tinggi
6 0,47-1,0 Tinggi

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 69
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
LST, NDVI, NDWI, NDBI dan VCI

13. Klik kanan hasil reclass “RECLASS” > Open Attribute Table > Table
Options > Add Field > Name “Luas_Ha” > Type “Double” > OK (Lakukan
Add field lagi untuk membuat kolom Keterangan dengan Type “Text”)

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 70
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
LST, NDVI, NDWI, NDBI dan VCI

14. Klik kanan hasil reclass “RECLASS” > Properties > Source > Kalikan
Value Cellsize X dan Y “30x30=900” > OK

15. Klik kanan hasil reclass “RECLASS” > Open Attribute Table > Klik kanan
kolom “Luas_Ha” > Field Calculator > Masukkan rumus “Count x 900(hasil
perkalian cellsize) / 10.000 (satuan ha dalam m) > OK

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 71
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
LST, NDVI, NDWI, NDBI dan VCI

16. Select baris Value = 1 > Klik kanan kolom “Keterangan” > Field Calculator
> Beri keterangan sesuai klasifikasi NDWI > OK (Lakukan step yang sama
untuk mengklasifikasi semua baris NDWI). Maka akan terlihat seperti ini.

17. Klik kanan hasil reclass “RECLASS” > Properties > Symbology > Value
Field “Keterangan” > Atur Colour Scheme > Add Values satu persatu sesuai
dengan tingkatan klasifikasi (karena value data raster tidak dapat diatur

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 72
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
LST, NDVI, NDWI, NDBI dan VCI

seperti data vektor) > OK > lakukan Add Values lagi seperti step
sebelumnya hingga semua klasifikasi muncul > OK.

18. Maka akan muncul hasil seperti ini :

NDWI 2020

Tinggi
Tinggi
Tidak AdaAda
Tidak Air Air
Sedang
Sedang
Rendah
Rendah
Agak Tinggi
Agak Tinggi
Agak Rendah
Agak Rendah

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 73
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
LST, NDVI, NDWI, NDBI dan VCI

19. Selanjutnya lakukan langkah yang sama untuk mendapatkan hasil NDWI
pada tahun 2015

NDWI 2015

Agak Rendah
Agak Tinggi
Rendah
Sedang
Tidak Ada Air
Tinggi

2.5.3 Hasil Interpretasi

Berdasarkan hasil NDWI di Kota Malang pada tahun 2020 terdapat 6
klasifikasi NDWI , untuk lebih jelasnya dapat dilihat pada tabel berikut:
Tabel 2. 9 Hasil NDWI Tahun 2015
No Keterangan Luas (Ha)
1 Tidak Ada Air 810.000
2 Rendah 1.711.620
3 Agak Rendah 2.212.200
4 Sedang 2.358.360
5 Agak Tinggi 2.535.930
6 Tinggi 1.395.450
Total 11.023.560
Tabel 2. 10 Hasil NDWI Tahun 2020
No Keterangan Luas (Ha)
1 Tidak Ada Air 1.327.590
2 Rendah 2.068.470
3 Agak Rendah 2.074.230
4 Sedang 2073870
5 Agak Tinggi 1.896.660
6 Tinggi 1.583.280
Total 11.024.100

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 74
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
LST, NDVI, NDWI, NDBI dan VCI

Dari hasil yang didapat menggunakan analisis NDWI adalah pada tahun
2015 dan tahun 2020 terdapat perbedaan. Yaitu pada hasil NDWI tahun 2020
kawasan dengan tidak ada air mengalami peningkatan (berwarna merah). Daerah di
Kota Malang yang memiliki tingkat kebasahan agak tinggi mengalami penurunan
yaitu pada tahun 2015 sebesar 2.535.930 Ha tetapi pada tahun 2020 turun menjadi
1.896.660 Ha. Maka pengembangan kawasan pertanian yang direncanakan oleh
planner tersebut menunjukan pada daerah tertentu yang mengalami perubahan
tingkat kebasahan dalam tingkat 5 tahun.

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 75
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
LST, NDVI, NDWI, NDBI dan VCI

2.6 NDBI (Normalized Difference Built-Up Index)

2.6.1 Dasar Teori
Indeks NDBI akan fokus untuk menyoroti daerah perkotaan atau kawasan
terbangun di mana biasanya ada pemantulan yang lebih tinggi pada area Shortwave
Infrared (SWIR), jika dibandingkan dengan area Near-Infrared (NIR). Aplikasi ini
sangat bermanfaat untuk monitoring serta perencanaan penggunaan lahan. NDBI
merupakan salah satu metode algoritma yang menggunakan gelombang Inframerah
tengah dan Inframerah dekat (NIR) yaitu dengan menggunakan band 5 dan band 6.
Nilai rentang spectral NDBI berkisar 0,1 – 0,3 (As Syakur, 2012). Rumus NDBI yaitu
sebagai berikut:

Dimana :
NDBI = Normalized Difference Built-Up
Index NIR = Band 5
SWIR 1 = Band 6
Tabel 2. 11 Klasifikasi NDBI
No Kelas Nilai Keterangan
1 Kelas 1 -1-0 Non Bangunan
2 Kelas 2 0-0,1 Kerapatan Bangunan Rendah
3 Kelas 3 0,1-0,2 Kerapatan Bangunan Sedang
4 Kelas 4 0,2>0,3 Kerapatan Bangunan Tinggi
(Sumber : Semnas Geomatika, 2018)
2.6.2 Studi Kasus
Lahan terbangun merupakan hal yang penting untuk wilayah perkotaan. Kota
Malangmerupakan salah satu kota berkembang dalam melakukan pembangunan.
Pembangunan yang dilakukan untuk memenuhi kebutuhan masyarakat, namun
pembangunan yang dilakukan harus memperhatikan tata kota yang baik agar kualitas
hidup masyarakat tetap terjaga dan ada keharmonisan antara lingkungan alami dan
buatan. Lahan terbangun menjadi isu penting sehingga pemerintah mendukung dengan
mengeluarkannya PERPRES Nomor 54 Tahun 2008. Dibutuhkan sistem yang mampu

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 76
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
LST, NDVI, NDWI, NDBI dan VCI

memonitoring perkembangan penggunaan lahan dengan memanfaatkan analisis Sistem

Informasi Geografi.
Kota Malang merupakan salah satu kabupaten yang saat ini pembangunannya
cukup berkembang. Pada tahun 2015 jumlah penduduk di Kota Malang berjumlah
851.298 jiwa sedangkan pada tahun 2020 pertumbuhan penduduk di Kota Malang
mencapai874.890 jiwa. Bertambahnya penduduk menyebabkan berkurangnya lahan
dengan tutupan vegetasi menjadi daerah yang terbangun, dari bertambahnya lahan
terbangun meyebabkan meningkatnya suhu di Kota Malang. Dengan pemanfaatan
menggunakan metode Normalized Difference Vegetation index (NDBI) dapat
dideteksi lahan terbangun yang ada di Kota Malang dan dapat menampilkan perbedaan
kerapatan bangunan dari tahun-ketahun.
Langkah Kerja :
1. Buka aplikasi Envi lalu klik File > Open As > Landsat > GeoTiff with Metadata
> Pilih Citra Landsat 8 Tahun 2015 > Open

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 77
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
LST, NDVI, NDWI, NDBI dan VCI

2. Klik File > Open > Pilih “Shapefile (*.shp)” > Pilih SHP Batas Administrasi
“Admin Kota” > Open

3. Klik Region of Interest (ROI) > Pada Geometry klik Rectangle > Digit daerah
sesuai dengan batas administrasi

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 78
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
LST, NDVI, NDWI, NDBI dan VCI

4. Search di Toolbox “Radiometric Calibration” > Klik Radiometric Calibration

> Pilih …MTL_Multispectral > Klik Show > Subset by file > Pilih shp kota
malangI yang telah kita digit “ROI #1” > OK > Pilih folder dan beri nama pada
Output Filename > OK

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 79
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
LST, NDVI, NDWI, NDBI dan VCI

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 80
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
LST, NDVI, NDWI, NDBI dan VCI

5. Maka akan muncul hasil seperti ini :

6. Selanjutnya Search di Toolbox “Band Ratio” > Klik Band Math > Masukkan
rumus (B6-B5)/(B6+B5)> Add to List > OK > Pilih Band 5 : Near Infrared
(NIR) dan Band 6 : SWIR 1 pada citra reflectance > Pilih folder dan beri nama
pada Output Filename > OK

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 81
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
LST, NDVI, NDWI, NDBI dan VCI

7. Maka akan muncul hasil dari Normalized Difference Built Index (NDBI)

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 82
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
LST, NDVI, NDWI, NDBI dan VCI

8. Untuk menyimpan data > Save As > NDBI > Output Format “TIFF” > Pilih
folder dan beri nama pada Output Filename > OK

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 83
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
LST, NDVI, NDWI, NDBI dan VCI

9. Buka aplikasi Arcmap lalu klik Add Data > Pilih SHP Batas Administrasi
“Admin Kota” dan hasil NDBI > Add

10. Search “Clip” > Klik Clip (Data Management) > Input Raster pilih hasil NDBI
“CITRA NDBI ENVI. > Output Extent pilih batas administrasi “Admin Kota”
> Centang Use Input Features for Clipping Geometry > Pilih folder dan beri
nama pada Output Raster Dataset > OK

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 84
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
LST, NDVI, NDWI, NDBI dan VCI

11. Maka akan muncul hasil seperti ini

12. Selanjutnya search “Reclassify” > Klik Reclassify (Spatial Analyst) > Input
Raster hasil clip “” > CLIPMLG2015 reclassify sesuai dengan klasifikasi NDBI
> Pilih folder dan beri nama pada Output Raster > OK

13. Klik kanan hasil reclass “NDBI 2015” > Open Attribute Table > Table Options
> Add Field > Name “Luas_Ha” > Type “Double” > OK (Lakukan Add field
lagi untuk membuat kolom Keterangan dengan Type “Text”)

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 85
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
LST, NDVI, NDWI, NDBI dan VCI

14. Klik kanan hasil reclass “NDBI 2015” > Properties > Source > Kalikan Value
Cellsize X dan Y “30x30=900” > OK

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 86
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
LST, NDVI, NDWI, NDBI dan VCI

15. Klik kanan hasil reclass “NDBI 2015” > Open Attribute Table > Klik kanan
kolom “Luas_Ha” > Field Calculator > Masukkan rumus “Count x 900(hasil
perkalian cellsize) / 10.000 (satuan ha dalam m) > OK

16. Select baris Value = 1 > Klik kanan kolom “Keterangan” > Field Calculator >
Beri keterangan sesuai klasifikasi NDBI > OK (Lakukan step yang sama untuk
mengklasifikasi semua baris NDBI)

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 87
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
LST, NDVI, NDWI, NDBI dan VCI

17. Klik kanan hasil reclass “NDBI 2015” > Properties > Symbology > Value Field
“Keterangan” > Atur Colour Scheme > Add Values satu persatu sesuai dengan
tingkatan klasifikasi (karena value data raster tidak dapat diatur seperti data
vektor) > OK > lakukan Add Values lagi seperti step sebelumnya hingga semua
klasifikasi muncul > OK

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 88
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
LST, NDVI, NDWI, NDBI dan VCI

18. Maka akan muncul hasil seperti ini NDBI tahun 2015

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 89
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
LST, NDVI, NDWI, NDBI dan VCI

NDBI Tahun 2015

19. Selanjutnya lakukan langkah yang sama untuk mendapatkan hasil NDBI pada
tahun 2020

NDBI Tahun 2020

2.6.3 Hasil Interpretasi

Pemanfaatan data penginderaan jauh untuk studi perkotaan semakin beragam.
Perkembangan metode ekstraksi citra juga mengalami perkembangan yang sangat
pesat, mulai dari ekstraksi data secara visual, digital, sampai dengan ektraksi indeks

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 90
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
LST, NDVI, NDWI, NDBI dan VCI

yang bisa mewakili untuk mengukur kenampakaan tertentu di daerah perkotaan. Salah
satunya adalah Normalized Difference built-up index (NDBI).
Tabel 2. 12 Hasil NDBI Tahun 2015
No Keterangan Luas (Ha)
1 Non Bangunan 1549
2 Kerapatan Bangunan Rendah 6245
3 Kerapatan Bangunan Sedang 2460
4 Kerapatan Bangunan Tinggi 707
Total 10.961
Tabel 2. 13 Hasil NDBI Tahun 2020
No Keterangan Luas (Ha)
1 Non Bangunan 1773
2 Kerapatan Bangunan Rendah 5212
3 Kerapatan Bangunan Sedang 2707
4 Kerapatan Bangunan Tinggi 1270
Total 10.962
Dari hasil analisa yang dilakukan dengan menggunakan Normalized Difference
Built-Up Index (NDBI) yang menggunakan data dari citra Landsat Kota Malang tahun
rekaman 2015 dan 2020 untuk mengidentifikasi perkembangan kerapatan penutupan
lahan. Ditemukan bahwa seiring bertambahnya penduduk di Kota Malang berbanding
lurus dengan meningkatnya jumlah kerapatan bangunan seperti yang terlihat pada
gambar 2 yang dapat menimbulkan peningkatan persentase kawasan kumuh di Kota
Malang dikarenakan terjadinya peningkatan kebutuhan tempat tinggal.

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 91
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
LST, NDVI, NDWI, NDBI dan VCI

BAB III
PENUTUP
3.1 Kesimpulan
Teknologi penginderaan jauh atau seringkali dikenal dengan inderaja merupakan
alat yang ampuh dalam menganalisis wilayah yang luas dan seringkali sulit untuk
diakses (remote area). Teknologi penginderaan jauh seringkali dipadukan dengan
Sistem Informasi Geografis (SIG) sehingga menciptakan informasi yang sangat
bermanfaat. Inderaja ini biasanya digunakan oleh sektor kehutanan, geologi, kelautan,
geografi, pengembangan wilayah, dan lain-lain dengan tujuan yang berbeda-beda.
Dalam penginderaan jauh dikenal berbagai komponen agar teknologi ini dapat
digunakan. Komponen dalam inderaja di antaranya adalah sumber tenaga, atmosfer,
interaksi antara tenaga dengan objek di permukaan bumi, sensor, sistem pengolahan
data, dan berbagai penggunaan data.
Penginderaan jauh dimulai pada saat proses perekaman objek yang ada di
permukaan bumi. Tenaga yang digunakan dalam penginderaan jauh adalah tenaga
penghubung yang membawa data tentang objek ke sensor berupa bunyi, daya
magnetik, gaya berat, atau elektromagnetik. Namun, dalam inderaja hanya energi atau
tenaga yang berupa elektromagnetik saja yang dapat digunakan. Tenaga
elektromagnetik pada sistem pasif adalah cahaya matahari. Cahaya matahari yang
mengenai objek di permukaan bumi kemudian sebagian diserap dan sebagian
dipancarkan kembali oleh objek tersebut sehingga sensor dapat menangkap gelombang
elektromagnetik yang berasal dari objek-objek yang berada di permukaan bumi.
Didalam dunia tata ruang (planologi) seringkali kita diperhadapkan dengan
berbagai tugas maupun kerjaan yang mengharuskan kita untuk menganalisis suatu
kajian dengan metode analisis. Didalam modul ini semoga akan bermanfaat bagi para
pembaca terutama mahasiswa PWK ITN Malang agar dapat mempermudah dalam
menganalisis suatu kawasan dengan metode penginderaan jauh.

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 92
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
LST, NDVI, NDWI, NDBI dan VCI

3.2 Pembagian Tugas

Tabel 3. 1 Pembagian Tugas Kelompok
No Nama NIM Pembagian Tugas Dosen Pengampu Mata Kuliah
1 Annisa Zuhrin Nadawariq H 1624082
LST
2 Yohana Maahury 1624084
3 Josandra Dwi Anugrah 1824010
NDVI
4 Muhamad Nahwal 1824051 Bapak Widiyanto Hari Subagyo
5 Dwiki Firmansyah 1824083 Widodo, ST.,M.Sc dan Ibu
VCI
6 Tania Putri Utami 1824046 Annisa Hamidah Imaduddina
7 Muhamad Fildzah Rake Maqomi 1824084 ST.,MSc
NDWI
8 Julian Claudia Leonita Lion 1824003
9 Alfin Juliandra 1824002
NDBI
10 Syahridha Larasati Widyaningrum 1824059

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 93
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
LST, NDVI, NDWI, NDBI dan VCI

DAFTAR PUSTAKA

1) https://media.neliti.com/media/publications/83872-ID-analisis-hubungan-
variasi-land-surface-t.pdf
2) file:///C:/Users/ACER/Downloads/25141-51691-1-SM%20(1).pdf
3) http://ejournal3.undip.ac.id/index.php/geodesi/article/download/18145/17218
4) http://jurnal.lapan.go.id/index.php/jurnal_inderaja/article/view/2545
5) file:///C:/Users/ACER/Downloads/Modul%20SIP%20II.pdf
6) https://jurnal.uns.ac.id/jrrs/article/view/24324

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 94
INSTITUT TEKNOLOGI NASIONAL MALANG
Analisis
LST, NDVI, NDWI, NDBI dan VCI

PROGRAM STUDI PERENCANAAN WILAYAH & KOTA

FAKULTAS TEKNIK SIPIL & PERENCANAAN 95
INSTITUT TEKNOLOGI NASIONAL MALANG