Professional Documents
Culture Documents
03 - 019 - Zakky Nurshidiq - Google Earth Engine NDVI
03 - 019 - Zakky Nurshidiq - Google Earth Engine NDVI
Disusun Oleh:
BAB I
PENDAHULUAN
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).
BAB II
DASAR TEORI
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
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).
2.6. 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
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.
Keterangan:
NIR : Nilai reflektan kanal infra merah dekat (Band 5)
RED : Nilai reflektan kanal merah (Band 4)
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.
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.
9. Mengcopy script yang ada pada Earth Engine Snippet → masukkan pada
code editor yang tadi sudah dibuat.kukan klasifikasi Nearest Neighbor
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.
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.
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
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.
24. Berikut ini hasil imageVisParam2 yang sudah terdefinisikan sebagai kelas
sangat jarang.
26. Membuat script untuk menghitung luasan pada masing-masing kelas yang
sudah dibuat.
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.
32. Mengecek hasil klasifikasi yang sudah diexport pada google drive.
4. Menampilkan pengkelasan dengan cara klik kanan pada hasil layer yang
sudah di mask → properties → classified → pilih warna yang diinginkan
→ apply → OK.
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.
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
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
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
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