03 - 019 - Zakky Nurshidiq - Google Earth Engine NDVI

KEGIATAN – VIII
GOOGLE EARTH ENGINE (GEE) 1
LAPORAN PRAKTIKUM PENGOLAHAN CITRA DIGITAL
Disusun Oleh:
Nama : Zakky Nurshidiq

NIM : 117.200.019
Plug : 03
PROGRAM STUDI TEKNIK GEOMATIKA

JURUSAN TEKNIK GEOLOGI
FAKULTAS TEKNOLOGI MINERAL
UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN”
YOGYAKARTA
2023/2024
LABORATORIUM FOTOGRAMETRI DAN PENGINDERAAN JAUH
TEKNIK GEOMATIKA
UPN “VETERAN” YOGYAKARTA 2023/2024
BAB I
PENDAHULUAN
1.1 Latar Belakang

Penginderaan Jauh merupakan rekaman pola pantulan energi
elektromagnetik dan emisi yang ditampilkan di citra menyerupai gambar dan
mempunyai sifat yang sangat bervariasi. Untuk mendapatkan informasi penting
dari data tersebut kita harus melakukan tahap deteksi terlebih dahulu. Deteksi
dibantu oleh karakteristik spasial, spectral, radiometric dan temporal data.
(Purwadhi, 2001). Tujuan utama penginderaan jauh adalah untuk
mengumpulkan data sumberdaya alam dan lingkungan. Teknik ini
menghasilkan beberapa bentuk citra yang selanjutya diproses dan diinterpretasi
guna membuahkan data yang bermanfaat untuk aplikasi di bidang pertanian,
arkeologi, kehutanan, geografi, geologi, perencanaan, dan bidang-bidang
lainnya (Lo, 1995).
Pemanfaatan teknologi dalam pemrosesan citra digital menjadi semakin
penting dalam pemantauan dan analisis vegetasi, terutama dalam konteks
perubahan lingkungan dan pertanian. Salah satu alat yang telah mendapatkan
popularitas adalah Google Earth Engine (GEE), platform pemrosesan citra dan
analisis spasial berbasis cloud. Dalam praktikum ini, fokus diberikan pada
klasifikasi Normalized Difference Vegetation Index (NDVI) menggunakan
GEE. Seperti yang diungkapkan oleh Gorelick et al. (2017), Google Earth
Engine menyediakan akses cepat dan efisien terhadap data citra satelit berskala
global, memungkinkan analisis yang luas dan mendalam terkait vegetasi dan
penggunaan lahan. Implementasi GEE dalam klasifikasi NDVI memberikan
kelebihan signifikan, terutama dalam hal skala dan waktu pemrosesan yang
lebih cepat.
Pemanfaatan dari pengolahan citra NDVI dengan menggunakan Google
Earth Engine sangat terkait dengan pemantauan dan manajemen sumber daya
alam. Seperti yang dinyatakan oleh Pettorelli et al. (2014), NDVI merupakan
indikator penting untuk kesehatan vegetasi dan produktivitas lahan, yang
memiliki dampak langsung pada keberlanjutan pertanian dan kelestarian
2 | Praktikum Pengolahan Citra Digital

TEKNIK GEOMATIKA
lingkungan. Dengan memanfaatkan GEE, pemantauan terhadap perubahan

kondisi vegetasi dapat dilakukan secara efisien, memungkinkan pengambilan
keputusan yang cepat dan tepat.
Dengan demikian, pemahaman dan penguasaan terhadap Google Earth
Engine (GEE) untuk klasifikasi Normalized Difference Vegetation Index
(NDVI) dapat memberikan kontribusi yang signifikan dalam pengolahan citra
digital untuk berbagai tujuan, terutama dalam konteks pemantauan lingkungan
dan pengelolaan sumber daya alam.
1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah dijelaskan, maka dapat dirumuskan
permasalahan sebagai berikut:
1. Apa yang dimaksud dengan platform Google Earth Engine (GEE)?
2. Apa saja tools yang ada pada Google Earth Engine (GEE) dan bagimana
penggunaanya?
3. Bagiamana tahapan-tahapan dalam melakukan proses pemanggilan citra
dan pemotongan awan menggunakan platform Google Earth Engine
(GEE)?
4. Bagiamana tahapan-tahapan dalam melakukan proses klasifikasi
Normalized Difference Vegetation Index (NDVI) menggunakan
platform Google Earth Engine (GEE)?
1.3 Tujuan
Adapun tujuan pelaksanaan dari kegiatan ini adalah sebagai berikut:
1. Praktikan dapat memahami dan menggunakan platform Google Earth
Engine (GEE).
2. Praktikan dapat memahami dan menggunakan tools Google Earth
Engine (GEE).
3. Praktikan dapat memahami dan melakukan pemanggilan citra dan
pemotongan awan menggunakan platform Google Earth Engine (GEE).

TEKNIK GEOMATIKA
4. Praktikan dapat memahami dan melakukan klasifikasi Normalized

Difference Vegetation Index (NDVI) menggunakan platform Google
Earth Engine (GEE).

TEKNIK GEOMATIKA
BAB II
DASAR TEORI
2.1. Penginderaan Jauh

Pengindraan jauh adalah ilmu dan seni pengumpulan informasi tentang
objek, area, atau fenomena tanpa memiliki kontak fisik dengan objek, area, atau
fenomena tersebut, melalui pengukuran karakteristik yang ada dalam radiasi
yang dipantulkan atau dipancarkan oleh objek, area, atau fenomena tersebut
(Kiefer et al, 2014). Metode ini menggunakan sensor atau alat pengindraan yang
mampu mendeteksi, mengukur, dan merekam karakteristik radiasi
elektromagnetik yang dipantulkan atau dipancarkan oleh objek, area, atau
fenomena yang diamati. Pengindraan jauh memiliki beragam aplikasi dalam
berbagai bidang, termasuk ilmu lingkungan, geografi, geologi, pertanian,
pemetaan, pemantauan cuaca, pemantauan bencana alam, dan banyak lagi.
2.2. Citra Satelit

Citra satelit merupakan alat dalam penginderaan jauh yang memberikan
representasi visual dari permukaan bumi (Kiefer et al, 2014). Citra satelit
menjadi salah satu elemen kunci dalam penginderaan jauh, dan kemampuannya
untuk memperoleh data dari jarak jauh memungkinkan penggunaannya dalam
berbagai aplikasi ilmiah dan praktis. Citra satelit dapat menggambarkan
permukaan bumi atau objek tertentu di berbagai panjang gelombang spektrum
elektromagnetik, seperti cahaya tampak, inframerah, atau mikrogelombang.
Citra satelit digunakan untuk berbagai tujuan, termasuk pemetaian, pemantauan
lingkungan, analisis tanah, pemantauan cuaca, dan pemahaman perubahan di
permukaan bumi.
2.3. Klasifikasi
Menurut Anand (2017) klasifikasi adalah proses penetapan peran kelas
spektral ke dalam kelas – kelas informasi. Kelas spektral adalah kelompok
piksel yang seragam dengan nilai kecerahan dalam saluran spektral yang
berbeda dari data. Kelas – kelas informasi adalah kategori kepentingan yang

TEKNIK GEOMATIKA
diidentifikasi pada citra atas dasar pengetahuan dan pengalaman tentang daerah.
Citra penginderaan jauh berisi identitas spektral fitur yang ada di permukaan
tanah pada nilai piksel yang berbeda, piksel – piksel yang berbeda tersebut
dilakukan identifikasi dan dikelompokkan pada piksel yang homogen.
Pengelompokan piksel – piksel diberi nilai dan label kelompok seperti air,
pertanian, hutan, dan sebagainya saat membuat peta tematik. Ketika informasi
tematik ini diekstraksi dengan bantuan perangkat lunak, hal ini dikenal sebagai
klasifikasi citra digital.
Langkah utama klasifikasi citra dapat mencakup penentuan sistem
klasifikasi yang sesuai, pemilihan sampel, pra pengolahan citra, ekstraksi fitur,
pemilihan pendekatan klasifikasi yang sesuai, pasca pengolahan klasifikasi, dan
penilaian akurasi (Lu & Weng Q, 2007).
2.4. Google Earth Engine (GEE)

Google Earth Engine (GEE) adalah platform berbasis cloud yang
dikembangkan oleh Google yang mendukung analisis berskala global dari
katalog besar data pengamatan bumi. Ini telah digunakan untuk memetakan
perubahan hutan global di abad ke-21, perubahan air permukaan bumi, daerah
perkotaan global, perkembangan kebakaran alam, perubahan permukaan secara
global, dan lain-lain. Dalam pengertian ini, GEE menjadi menarik bukan bukan
karena tugas pemrosesan terdistribusi dieksekusi di sisi server Google, tetapi
juga meningkatnya ketersediaan dataset geospasial global yang dapat
dieksplorasi dalam pemetaan topografi. Kelebihan GEE Sehingga layak disebut
sebagai revolusier teknologi Remote Sensing adalah Memiliki akses terhadap
data citra satelit dan data lainnya dengan jumlah yang sangat besar dan terus
diperbaharui sehingga tidak perlu mencari sumber citra skala menengah yang
tersedia secara publik lagi. Biasanya untuk mendapatkan citra harus melalui
platform USGS maupun ESA, namun Google Earth Engine telah
mengumpulkannya menjadi satu di platformnya dan memiliki arsip citra
penginderaan jauh berukuran petabyte yang siap digunakan sehingga Sangat
praktis untuk analis Geografi. (Gorelick dkk., 2017). Terdapat beberapa data
yang tersedia dalam GEE, seperti data Landsat, Sentinel, MODIS, ASTER,

TEKNIK GEOMATIKA
SRTM, DEM, AW3D30 DSM, Global 30 Arc-Second Elevation, dan lainnya.

Dengan demikian, karakteristik GEE dapat mengizinkan penyesuaian analisis
medan berkinerja tinggi dengan input pengguna minimal dan pemrosesan
komputasi pada sisi pengguna.
Gambar 1. 1 GEE Calatalog (Sumber: Geosai.com)

Komponen utama Earth Engine yaitu sebagai berikut:
1. Dataset : Google Earth Engine memiliki arsip citra penginderaan jauh
berukuran petabyte yang siap digunakan dan praktis untuk analis geografi.
Google Earth Engine telah mengumpulkannya menjadi satu di platform-
nya.
2. Kemampuan komputasi: Penggunaan Google Earth Engine sebagai
perangkat lunak pemrosesan secara online. Infrastruktur Google sebagai
cloud yang akan digunakan untuk Google Earth Engine merupakan fasilitas
dan ditambah dengan library data yang begitu lengkap.
3. APIs : Google Earth Engine juga memakai API (Application Programming
Interface) dengan menggunakan JavaScript dan Python yang di hostkan ke
Github untuk melakukan request ke server Google Earth Engine.
4. Code Editor : Google Earth Engine juga menggunakan IDE (Integrated
Development Environment) daring untuk kecepatan dalam membuat
prototype serta visualisasi data spasial yang kompleks dengan analisis yang
kompleks menggunakan Javascript API.

TEKNIK GEOMATIKA
2.4.1. Pengenalan Tools GEE
Gambar 1. 2 Code Editor GEE (Sumber: Modul Praktikum PCD)

Berikut ini merupakan penjelasan dari code editor pada Gambar
1.2 :
a. Script manager adalah tab untuk menyimpan script yang telah kita buat
dan dapat kita gunakan kembali.
b. API documentation adalah tab yang menyertakan fungsi maupun
method yang tersedia untuk kita gunakan.
c. Search for datasets or places memungkinkan kita untuk searching
datasets citra maupun mencari lokasi dengan memasukan nilai
koordinat.
d. Get a link (URL) to the script dapat kita gunakan untuk berbagi script
yang telah kita buat kepada orang lain.
e. Save the script untuk menyimpan script.
f. Run the script mengeksekusi script.
g. Inspect locations memungkinkan kita untuk mendapatkan informasi
mengenai nilai pixel dan koordinat pada Map.
h. Console output dapat kita gunakan untuk mendapatkan output dari
script yang telah kita buat.
i. Task Manager menampilkan proses yang telah dilakukan dan
digunakan untuk mendownload hasil.
2.5. Cloud Computing

Cloud Computing dalam bahasa Indonesia diterjemahkan menjadi
Komputasi Awan. ‘Komputasi’ diterjemahkan sebagai gabungan pemanfaatan

TEKNIK GEOMATIKA
teknologi komputer, sedangkan ‘Awan’ merupakan metafora dari

pengembangan infrastruktur berbasis internet. Secara konsep, definisi Cloud
Computing berarti menyimpan dan mengakses data dan program melalui 3
internet dari lokasi berbeda atau menggunakan komputer dari hard drive
komputer kita. Syarat utama dalam konsep Cloud Computing adalah kehadiran
internet untuk mengakses data. Cloud Computing merupakan tren baru di
bidang komputasi terdistribusi dimana berbagai pihak dapat mengembangkan
aplikasi dan layanan berbasis SOA (Service Oriented Architecture) di jaringan
Internet (Anggeriana, 2011).
Gambar 1. 3 Cloud Computing (Sumber: Efendi, 2018)
2.6. JavaScript
Perkembangan teknologi penginderaan jauh saat ini semakin mengarah
ke pengolahan berbasis cloud computing, yang mana pengolahan ini sudah
menerapkan prinsip machine learning dalam pengerjaanya sehingga
memanfaatkan sistem komputer yang telah terintegrasi dengan provider Google
Earth Engine. Peran customer saat ini cukup melakukan perintah dan
pemanggilan data dan selanjutnya sistem akan mempelajari pola data yang ada
lalu mengerjakan sesuai dengan yang diperintahkan. Perlu diketahui perintah-
perintah dalam melakukan pengolahan data geospasial di Google Earth Engine
dilakukan menggunakan bahasa pemrograman JavaScript. Oleh karena itu
penting bagi para ahli kebumian saat ini untuk memahami mengenai bahasa
pemrograman secara sederhana agar bisa mengoperasikan teknologi google
earth engine dengan baik dan benar. JavaScript adalah bahasa yang “case
sensitive” artinya membedakan penamaan variabel dan fungsi yang

TEKNIK GEOMATIKA
menggunakan huruf besar dan huruf kecil, contoh karakter titik koma
(Kustiyahningsih dkk., 2011).
Menurut (Rijal, 2020) terdapat beberapa penanda di dalam JavaScript
yang biasa digunakan secara umum, antara lain:
1. Dua garis miring (// …) artinya komentar.
2. Titik koma atau semicolon (… ;) artinya akhir perintah.
3. Petik satu (‘…’) menandakan tipe data string atau teks.
4. Print (…) artinya kita memerintahkan sistem untuk menampilkan hasil
eksekusi perintah pada bagian console dari GEE.
5. Kurung siku ([ …]) artinya perintah untuk menampilkan perintah yang
diproses pada console dalam bentuk list atau daftar ke bawah.
6. Kurung kurawal ({…}) artinya perintah menampilkan dictionary pada
console GEE. Dictionary ini akan menampilkan list dalam list.
7. Function, yaitu menampilkan perintah yang disertai dengan parameter.
Parameter ditandai dengan kurung buka dan tutup (…) sementara perintah
ditandai dengan kurung kurawal {…} yang diletakkan di dalam parameter
kurung buka dan kurung tutup.
2.7. Normalized Difference Vegetation Index (NDVI)

Normalized Difference Vegetation Index (NDVI) adalah rasio
perbedaan dan jumlah pengukuran reflektansi spektral yang diperoleh pada
daerah merah dan inframerah terdekat yang terlihat, lalu dipantulkan oleh
permukaannya dan kemudian diukur oleh sensor satelit. Citra indeks vegetasi
dibuat dengan cara mengurangkan, menambah, dan membandingkan nilai
digital setiap saluran yang spektralnya berbeda (Sri Hardiyanti dan Tjaturahono
Budi, 2008). Normalized Difference Vegetation Index (NDVI) merupakan
indeks ‘kehijauan’ vegetasi atau aktivitas fotosintesis vegetasi (Rouse et all,
1998). Untuk memperoleh hasil dari NDVI pada citra landsat 8 dapat
menggunakan rumus band sebagai berikut. Scale Pameter

TEKNIK GEOMATIKA
Keterangan:
NIR : Nilai reflektan kanal infra merah dekat (Band 5)
RED : Nilai reflektan kanal merah (Band 4)

TEKNIK GEOMATIKA
BAB III
METODOLOGI
3.1. Lokasi
Kegiatan praktikum ini dilaksanakan secara luring di Laboratorium
Rancang Bangun Perangkat Lunak, Gedung Patimura, FTI, Kampus 2 UPN
“Veteran” Yogyakarta pada hari Jum’at, 01 Desember 2023.
3.2. Alat dan Bahan

Pada kegiatan praktikum pengolahan citra digital ini terdapat perangkat dan
data, diantaranya sebagai berikut :
1. Perangkat Keras (Hardware) yang dibutuhkan:
a. Laptop Acer Nitro 5
2. Perangkat Lunak (Software) yang dibutuhkan:
a. Platform Google Earth egine (GEE)
b. Software ArcGIS 10.8
3. Data yang dibutuhkan:
a. Data Shapefile Kabupaten Semarang

TEKNIK GEOMATIKA
3.3. Diagram Alir
Gambar 3. 1 Diagram Alir Pelaksanaan Praktikum

TEKNIK GEOMATIKA
3.4. Langkah Kerja

Adapun langkah kerja yang dilakukan untuk melakukan klasifikasi
Normalized Difference Vegetation Index (NDVI) menggunakan platform
Google Earth Engine (GEE) yaitu sebagai berikut ini:
3..4.1. Plarform Google Earth engine (GEE)

1. Membuka platform Google earth engine melalui Google Chrome dengan
mengetik link : https://earthengine.google.com/
2. Membuat akun terlebih dahulu dengan cara mengklik sign up
3. Mengimport shapefile wilayah kajian dengan klik tab assets → new →

shapefile (.shp, .shx, .dbf, .prj, or zip) → select → pilih shapefile yang sudah
dijadikan zip → beri nama pada aset name → upload.

TEKNIK GEOMATIKA
4. Memastikan shapefile sudah terupload pada legacy assets, setelah itu klik
pada shapefile yang sudah terupload → import.
5. Kemudian akan muncul hasil import dari shapefile wilayah kajian → ubah
var table menjadi var SEMARANG.

TEKNIK GEOMATIKA
6. Menambahkan script untuk memunculkan dan memposisikan shapefile

wilayah kajian.
7. Mengetikkan script untuk memanggil citra landsat 8 dengan membuat

variabel baru.
8. Membuka catalog untuk memanggil landsat 8 yang akan digunakan dengan

mencari “landsat” pada tab search → more → open in catalog → pilih
landsat → landsat 8 OLI/TIRS → pilih landsat 8 Level 2 yang sudah surface
reflektan.
9. Mengcopy script yang ada pada Earth Engine Snippet → masukkan pada
code editor yang tadi sudah dibuat.kukan klasifikasi Nearest Neighbor

TEKNIK GEOMATIKA
dengan cara klik Classification → Nearest Neighbor → Apply Standart NN

to Classes → Pilih All....>> → OK.
10. Menambahkan script dengan membuat variabel baru untuk memfilter

boundary berdasarkan wilayah kajian menggunakan fungsi filterBounds
dan menambahkan variabel baru untuk memilih tanggal dan tahun
perekaman citra sesuai yang kita inginkan menggunakan fungsi filterDate.
11. Menuliskan script untuk menghilangkan awan pada citra yang akan
digunakan.
Note:
a. Cloud masking merupakan proses pendeteksian awan beserta
bayangannya.
b. Beberapa algoritma yang digunakan dalam cloud masking pada citra
Landsat 8 antara lain band QA (Quality Assessment), Fmask (Function
of Mask) dan MCM (Multi-Temporal Cloud Masking).
c. Di sini kita menggunakan Band QA/QA Pixel, suatu band atau kanal
yang dibuat oleh Landsat yang berguna dalam pendeteksian awan dan
bayangannya.

TEKNIK GEOMATIKA
12. Menambahkan variabel baru untuk memotong landsat 8 yang sudah bebas
dari awan berdasarkan wilayah kajian menggunakan fungsi clip.
13. Menambahkan variabel baru untuk faktor skala yang bertujuan untuk
melakukan konversi dari nilai digital number menjadi nilai surface
reflektan.
14. Menambahkan script untuk menampilkan citra menggunakan fungsi

Map.addLayer berdasarkan true color pada landsat 8 dan memposisikan
secara center wilayah kajian.
15. Setelah script selesai dibuat klik Run → dikarenakan imageVisParam

belum terdefinisi maka nantinya akan muncul error seperti berikut.

TEKNIK GEOMATIKA
16. Mendefinisikan imageVisParam yang error berdasarkan true color citra

landsat 8 dengan cara klik layer 2 → setting → pada 3 bands RGB yaitu
Band 4 (red), Band 3 (green), dan Band 2 (blue) → pada Range ubah
custom menjadi Stretch 100% → apply → import → run.
17. Melakukan klasifikasi Normalized Difference Vegetation Index (NDVI)

dengan cara menambahkan variabel baru untuk mendefinisikan band NIR
dan band RED lalu menambahkan variabel baru untuk menghitung NDVI
menggunakan rumus.
Note:

TEKNIK GEOMATIKA
Keterangan:
Subtract = mengurangi
Divide = membagi
Add = menambahkan
18. Membuat variabel baru untuk melakukan pengkelasan pada index vegetasi
yaitu sebagai berikut:
NDVI Sangat Jarang = Range -1 sampai 0.2
NDVI Jarang = Range 0.2 sampai 0.4
NDVI Sedang = Range 0.4 sampai 0.6
NDVI Lebat = Range 0.6 sampai 0.8
NDVI Sangat Lebat = Range 0.8 sampai 1
19. Menambahkan script menggunakan fungsi Map.addLayer untuk membuat

pewarnaan pada kelas-kelas yang sudah kita buat → Run.
20. Maka hasilnya akan error, dikarenakan kita belum mendefinisikan

imageVisParam pada masing-masing kelas.

TEKNIK GEOMATIKA
21. Mendefinisikan masing-masing kelas dengan cara menghapus terlebih

dahulu imageVisParam2, ‘Sangat Jarang’ → Run.
22. Pada layer akan muncul layer 4 yang merupakan layer hasil klasifikasi
NDVI sangat jarang.
23. Memberi warna pada layer 4 dengan cara klik setting → palette →
tambahkan warna → Ok → apply → import → menambahkan kembali
pada script yaitu imageVisParam2, ‘Sangat Jarang’ → Run.
Note: Catatlah kode pewarnaan yang kalian pilih untuk menampilkan
legenda.

TEKNIK GEOMATIKA
24. Berikut ini hasil imageVisParam2 yang sudah terdefinisikan sebagai kelas
sangat jarang.
25. Melakukan hal yang sama untuk mendefinisikan imageVisParam pada

kelas jarang, sedang, lebat, dan sangat lebat, maka hasilnya akan seperti
berikut.

TEKNIK GEOMATIKA
26. Membuat script untuk menghitung luasan pada masing-masing kelas yang
sudah dibuat.
27. Membuat script untuk menampilkan masing-masing luasan setiap kelas →

Run.
Note: untuk mengetahui luasan masing-masing kelas, lakukan satu per satu
dengan mengubah pada:
var area = LuasSJ jika ingin mengetahui luas area Sangat Jarang.
var area = LuasJ jika ingin mengetahui luas area Jarang.
Lakukan hingga semua luasan masing-masing kelas diketahui.
28. Luasan kelas akan muncul pada tab console.
29. Menambahkan legenda dengan membuat script sebagai berikut → Run.

TEKNIK GEOMATIKA
Hasilnya sebagai berikut ini:

TEKNIK GEOMATIKA
30. Menambahkan script untuk mengunduh hasil klasifikasi NDVI ke google

drive → Run.
31. Hasilnya akan terdapat pada tab Tasks setelah itu RUN → akan muncul
TASK: Initiate Image Export → ubah scale menjadi 30 (dikarenakan
resolusi spasial landsat 8 adalah 30m) → RUN → tunggu prosesnya hingga
selesai.

TEKNIK GEOMATIKA
32. Mengecek hasil klasifikasi yang sudah diexport pada google drive.
3.4.2. Software ArcMap 10.8

1. Membuka Software ArcMap 10.8
2. Memasukkan haasil klasifikasi NDVI dan shapefile wilayah kajian pada

software ArcMap 10.8.
3. Memotong hasil klasifikasi NDVI agar sesuai dengan shapefile wilayah

kajian dengan search extract by mask → pada input raster masukkan hasil
klasifikasi NDVI GEE → pada input raster or feature mask data masukkan
shapefile wilayah kajian → pilih tempat penyimpanan → OK.

TEKNIK GEOMATIKA
4. Menampilkan pengkelasan dengan cara klik kanan pada hasil layer yang
sudah di mask → properties → classified → pilih warna yang diinginkan
→ apply → OK.
Hasilnya sebagai berikut ini:
5. Melakukan layouting, yang minimal memuat informasi dasar peta seperti

judul, skala, legenda, grid koordinat, dan inset peta.

TEKNIK GEOMATIKA
BAB IV
HASIL DAN PEMBAHASAN
4.1. Hasil
Hasil yang didaptkan dari praktikum klasifikasi Normalized
Difference Vegetation Index (NDVI) menggunakan platform Google Earth
Engine (GEE) yaitu sebagai berikut ini:
4.1.1. Tampilan Hasil Pemanggilan Citra Landsat 8 yang Sudah Bebas
Awan.
Gambar 4. 1 Hasil Pemanggilan Citra Landsat 8 yang Sudah bebas

Awan (Sumber: dokumen pribadi)
Gambar 4. 2 Hasil Pemanggilan Citra Landsat 8 yang Sudah bebas

Awan True Color (B4-B3-B2) (Sumber: dokumen pribadi)

TEKNIK GEOMATIKA
4.1.2. Tampilan Layer Pengkelasan pada Klasifikasi Normalized

Difference Vegetation Index (NDVI).
Gambar 4. 3 Tampilan Pengkelasan pada Klasifikasi Normalized

Difference Vegetation Index (NDVI) (Sumber: dokumen pribadi)
4.1.3. Hasil Luasan Masing-Masing Kelas.

Tabel 4. 1 Hasil Luasan Klasifikasi Normalized Difference Vegetation
Index (NDVI) pada Masing Masing Kelas (Sumber: dokumen pribadi)
No Kelas Luasan (m²) Dokumentasi
Sangat
1 5.087.832,352469411 m²
Jarang
2 Jarang 33.542.862,89902822 m²
3 Sedang 167.400.914,0515477 m²
4 Lebat 484.437.787,83276093 m²
Sangat
5 327.753.864,88194495 m²
Lebat

TEKNIK GEOMATIKA
4.1.4. Tampilan Hasil Klasifikasi Normalized Difference Vegegtation Index

(NDVI) Beserta Legenda.
Gambar 4. 4 Hasil Klasifikasi Normalized Difference Vegetation

Index (NDVI) dan Legendanya (Sumber: dokumen pribadi)

TEKNIK GEOMATIKA
4.1.4. Tampilan Layouting Peta Hasil Klasifikasi Normalized Difference

Vegegtation Index (NDVI) Menggunakan Google Erath engine
(GEE).
Gambar 4. 5 Peta Hasil Google Earth Engine Klasifikasi Normalized

Difference Vegetatio Index (NDVI) (Sumber: dokumen pribadi)

TEKNIK GEOMATIKA
4.2. Pembahasan
Pada praktikum pengolahan citra digital ini, praktikan belajar
mempraktikkan klasifikasi Normalized Difference Vegetation Index (NDVI)
menggunakan platform Google Earth engine (GEE). GEE digunakan karena
memiliki akses terhadap data citra dan data lainnya dengan jumlah yangs sangat
besar dan terus diperbaharui sehingga efesien dan efektif dalam penggunaanya.
Pemanfaatan platform GEE digunakan untuk memanggil citra Landsat 8,
melakukan proses cloud masking, proses koreksi atmosferik (surface
reflectance), klasifikasi NDVI, dan pengkelasan layer klasifikasi.
Proses pengolahan dimulai menggunakan platform Google Earth Engine
(GEE) dengan menginput shapefile yang dijadikan folder .zip (pada praktikum
kali ini menggunakan wilayah kajian Kabupaten Semarang). Kemudian
menggunakan variabel L8 dengan coppy cript “var L8 =
ee.ImageCollection(“LANDSAT/LC08/C02/T1-L2”) dan memakai variabel
sortir wilayah serta range waktu tanggal pengambilan citra. Sehingga hasil dari
pemanggilan citra yaitu citra Landsat 8 wilayah Kabupaten semarang yang
diambil pada rentang tanggal 27 Januari 2020 hingga 27 Desember 2020.
Kemudian melakukan proses cloud masking untuk menghilangkan awan dan
bayangan dengan algoritma band QA (Quality Assessment), Fmask (Function of
Mask) dan MCM (Multi-Temporal Cloud Masking). Pada proses ini
menggunakan sciptt uatama yaitu var maskshadow dan var maskcloud.
Selanjutnya proses clip berdasarkan wilayah kajian (Kabupaten Semarang)
dan melakukan proses koreksi atmosferik dengan cara merubah faktor skala,
sehingga digital number akan dikonversi menjadi surface relefectance. Proses
clip menggunkana script .clip(SEMARANG) dan script koreksi atmosferik var
opticalBands = image.select('SR_B.').multiply(0.0000275).add(-0.2); var
thermalBands = image.select('ST_B.*').multiply(0.00341802).add(149);.
Kemudian menampilkan dan memposisikan citra Landsat 8 ture color (B4-B3-
B2) dengan script Map.addLayer dan Map.centerObject. Pada layer 2 harus
dilakukan setting band agar tampilan berubah menjadi true color.
Proses elanjutnya merupakan klasifikasi Normalized Difference Vegetation
Index (NDVI) dengan cara menambahkan variabel baru untuk mendefinisikan

TEKNIK GEOMATIKA
band NIR dan band RED lalu menambahkan variabel baru untuk menghitung
NDVI. Script yang digunakan yaitu nir.subtract(red).divide(nir.add(red)),
dimana substract mendefinisikan mengurangi, divide mendefinisikan membagi,
dan add mendefiniskan menambahkan. Setelah nilai NDVI dihitung, variabel bar
ditamhkan untuk mengkelaskan pada index vegetasi seperti Tabel 4.2.
Pendefinisian harus dilakukan satu-satu pada masing-masing kelas untuk
mengatasi script error.
Tabel 4. 2 Pengeklasan Index Vegetasi pada NDVI
Kelas Nilai Index

NDVI Sangat Jarang -1 – 0.2
NDVI Jarang 0.2 – 0.4
NDVI Sedang 0.4 – 0.6
NDVI Lebat 0.6 – 0.8
NDVI Sangat Lebat 0.8 - 1
Kemudian hasil pengkelasan tersebut di lakukan pewarnaan dengan script

Map.addLayer( ....,imageVisParam, ....). Hasil pengkelasan tersebut juga
dilakukan perhitungan luasan area pada masing-masing kelas menggunakan
script var area = .reduceRegion dan ee.Reducer.sum dengan skala diatur
dengan nilai 30. Proses akhir yang dilakukan yaitu penambahan legenda
berdasarkan pengkelasan vegetasi dengan mengatur posisi legenda (var =
ui.Panel), judul legenda (var = ui.Label), menambahkan judul kek legenda,
mengatur palette warna dan nama sesuai warna pengeklasan sebelumnya, terakir
yaitu add legend (Map.add ()). Setelah semua proses telah dilakukan, export
hasil pengolahan (format .tif) dengan menambahkan variabel script
Export.image.toDrive() dan atur scale sesuai resolusi spasial citra Landsat 8
yaitu senilai 30.
Pada pengolahan ini juga memanfaatkan software ArcMap 10.8 untuk
memotong dan melakukan layouting pada peta hasil. Pemotongan hasil berformat
.tif menggunakan tools ‘Extract by mask’ dengan freature mask shapefile
admisitrasi desa acuan. Kemudian mengatur pengkelasan pada tab Layer
Properties > Classided.

TEKNIK GEOMATIKA
Dalam praktikum ini, praktikan berhasil mengaplikasikan metode

Normalized Difference Vegetation Index (NDVI) menggunakan Google Earth
Engine (GEE) untuk mendapatkan informasi terkait kondisi vegetasi di
Kabupaten Semarang denngan 5 (lima) pengeklasan meliputi, NDVI Sangat
Jarang, NDVI Jarang, NDVI Sedang, NDVI Lebat, dan NDVI Sangat Lebat.
Dari pengolahan yang dilakukan juga dapat diketahui luasan area dari masing-
masing wilayah seperti Tabel 4.1 yaitu NDVI Sangat Jarang memiliki luas area
5.087.832,352469411 m², NDVI Jarang memiliki luas area
33.542.862,89902822 m², NDVI Sedang memiliki luas area
167.400.914,0515477 m², NDVI Lebat memiliki luas area
484.437.787,83276093 m², dan NDVI Sangat Lebat memiliki luas area
327.753.864,88194495 m².
Implementasi GEE dalam klasifikasi NDVI memiliki dampak positif yang
signifikan. Praktikan juga membuktikan bahwa platform ini memungkinkan
analisis citra dan komputasi spasial secara real-time, mendukung kecepatan dan
efisiensi dalam pengolahan data vegetasi. Hasilnya dapat memberikan
pemahaman yang lebih mendalam terkait dinamika vegetasi suatu wilayah dan
penggunaan NDVI sebagai indikator penting untuk kesehatan vegetasi dan
produktivitas lahan.
Implementasi praktikum ini memberikan pemahaman praktis yang dapat
diterapkan dalam pemantauan perubahan lingkungan dan vegetasi. Dengan
menggabungkan teknologi GEE dan klasifikasi NDVI, kita dapat mengamati
perubahan vegetasi secara cepat dan akurat, memungkinkan pengambilan
keputusan yang lebih informasional dan tepat waktu.

TEKNIK GEOMATIKA
BAB V
KESIMPULAN
5.1. Kesimpulan
Dari kegiatan praktikum klasifikasi Normalized Difference Vegetation
Index (NDVI) menggunakan platform Google Earth engine (GEE)yang telah
dilakukan, maka dapat diambil kesimpulan sebagai berikut:
1. Pada praktikum ini, pratikan telah melakukan pengolahan Normalized
Difference Vegetation Index (NDVI) menggunakan platform Google Earth
engine (GEE) dengan sangat baik, dapat dilihat pada hasil dan pembahasan
yang ada.
2. Google Earth engine (GEE) menjadi platform teknologi moderen dalam
remote sensing yang sangat menjanjikan karena digunakan karena
memungkinkan analisis citra dan komputasi spasial secara real-time,
mendukung kecepatan dan efisiensi, dalam praktikum ini khususnya
pengolahan data vegetasi.
3. Google Erath Engine (GEE) ini juga memiliki kelemahan pada pengguna
yang harus ahli dalam hal komputasi karena platform ini memkai script
pada penggunaanya.
4. Pemanfaatan platform GEE digunakan untuk memanggil citra Landsat 8,
melakukan proses cloud masking, proses koreksi atmosferik (surface
reflectance) dengan konversi digital number, klasifikasi NDVI, dan
pengkelasan layer klasifikasi.
Dari kegiatan praktikum yang telah dilakukan, praktikan telah menambah
wawasan dan pegalama yang mendalam dalam pemamfaatan GEE untuk
klasifikasi NDVI. Thanks, Lopp you All ASLAB
DAFTAR PUSTAKA

TEKNIK GEOMATIKA
Jensen, J.R. (2005). "Introductory Digital Image Processing: A Remote Sensing

Perspective." Upper Saddle River, NJ: Prentice-Hall.
Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., & Moore, R. (2017).
Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote
Sensing of Environment, 202, 18-27.
Pettorelli, N., Vik, J. O., Mysterud, A., Gaillard, J. M., Tucker, C. J., & Stenseth, N. C.
(2014). Using the satellite-derived NDVI to assess ecological responses to
environmental change. Trends in Ecology & Evolution, 20(9), 503-510.

03 - 019 - Zakky Nurshidiq - Google Earth Engine NDVI

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

03 - 019 - Zakky Nurshidiq - Google Earth Engine NDVI

Uploaded by

Copyright:

Available Formats

KEGIATAN – VIII

GOOGLE EARTH ENGINE (GEE) 1

LAPORAN PRAKTIKUM PENGOLAHAN CITRA DIGITAL

Nama : Zakky Nurshidiq

PROGRAM STUDI TEKNIK GEOMATIKA

1.1 Latar Belakang

2 | Praktikum Pengolahan Citra Digital

lingkungan. Dengan memanfaatkan GEE, pemantauan terhadap perubahan

1.2 Rumusan Masalah

3 | Praktikum Pengolahan Citra Digital

4. Praktikan dapat memahami dan melakukan klasifikasi Normalized

4 | Praktikum Pengolahan Citra Digital

2.1. Penginderaan Jauh

2.2. Citra Satelit

5 | Praktikum Pengolahan Citra Digital

2.4. Google Earth Engine (GEE)

6 | Praktikum Pengolahan Citra Digital

SRTM, DEM, AW3D30 DSM, Global 30 Arc-Second Elevation, dan lainnya.

Gambar 1. 1 GEE Calatalog (Sumber: Geosai.com)

7 | Praktikum Pengolahan Citra Digital

2.4.1. Pengenalan Tools GEE

Gambar 1. 2 Code Editor GEE (Sumber: Modul Praktikum PCD)

2.5. Cloud Computing

8 | Praktikum Pengolahan Citra Digital

teknologi komputer, sedangkan ‘Awan’ merupakan metafora dari

Gambar 1. 3 Cloud Computing (Sumber: Efendi, 2018)

9 | Praktikum Pengolahan Citra Digital

2.7. Normalized Difference Vegetation Index (NDVI)

10 | Praktikum Pengolahan Citra Digital

11 | Praktikum Pengolahan Citra Digital

3.2. Alat dan Bahan

12 | Praktikum Pengolahan Citra Digital

3.3. Diagram Alir

Gambar 3. 1 Diagram Alir Pelaksanaan Praktikum

13 | Praktikum Pengolahan Citra Digital

3.4. Langkah Kerja

3..4.1. Plarform Google Earth engine (GEE)

2. Membuat akun terlebih dahulu dengan cara mengklik sign up

3. Mengimport shapefile wilayah kajian dengan klik tab assets → new →

14 | Praktikum Pengolahan Citra Digital

15 | Praktikum Pengolahan Citra Digital

6. Menambahkan script untuk memunculkan dan memposisikan shapefile

7. Mengetikkan script untuk memanggil citra landsat 8 dengan membuat

8. Membuka catalog untuk memanggil landsat 8 yang akan digunakan dengan

16 | Praktikum Pengolahan Citra Digital

dengan cara klik Classification → Nearest Neighbor → Apply Standart NN

10. Menambahkan script dengan membuat variabel baru untuk memfilter

17 | Praktikum Pengolahan Citra Digital

14. Menambahkan script untuk menampilkan citra menggunakan fungsi

15. Setelah script selesai dibuat klik Run → dikarenakan imageVisParam

18 | Praktikum Pengolahan Citra Digital

16. Mendefinisikan imageVisParam yang error berdasarkan true color citra

17. Melakukan klasifikasi Normalized Difference Vegetation Index (NDVI)

19 | Praktikum Pengolahan Citra Digital

19. Menambahkan script menggunakan fungsi Map.addLayer untuk membuat

20. Maka hasilnya akan error, dikarenakan kita belum mendefinisikan

20 | Praktikum Pengolahan Citra Digital

21. Mendefinisikan masing-masing kelas dengan cara menghapus terlebih

21 | Praktikum Pengolahan Citra Digital

25. Melakukan hal yang sama untuk mendefinisikan imageVisParam pada

22 | Praktikum Pengolahan Citra Digital

27. Membuat script untuk menampilkan masing-masing luasan setiap kelas →

28. Luasan kelas akan muncul pada tab console.