PL2108 Sistem Informasi Geografis dalam Perencanaan
Modul 7
Analisis Data Raster I
Penyusun: Hafiyyan Hilmy Fawwaz, S.T.
Penyunting: Aqila Syahira Riadi, Khana Unsa Wibowo
Tanggal: 11 November 2024
Praktikum 7: Analisis Data Raster I
Tujuan dan Sasaran
Pada praktikum ini, praktikan akan menggunakan ArcGIS Pro untuk melakukan analisis data raster
dengan tool yang disediakan dalam ArcGIS Pro.
1. Dapat mengunduh data landsat dari USGS EarthExplorer,
2. Dapat membuat peta Land Use Land Cover indeces,
3. Dapat melakukan supervised dan unsupervised classification untuk menghasilkan peta Land
Use Land Cover.
Waktu
Perkiraan waktu 90 menit
Program Studi Perencanaan Wilayah dan Kota ITB
Praktikum 7: Analisis Data Raster I
Mengunduh data dari USGS EarthExplorer
Kali ini, kita akan mencoba mengunduh data landsat dari platform yang berbeda, yaitu USGS
EarthExplorer. Pastikan Anda sudah memiliki akun dan login sebelum mengunduh data.
Berikut merupakan tampilan awal dari USGS EarthExplorer. Kita akan mengunduh data kota asal
setiap orang. Yang akan modul ini contohkan adalah Kota Cirebon.
1. Cari kota asal masing-masing di peta sebelah kanan layer dengan manual.
2. Jika sudah, klik setiap pojok kota yang akan kita akuisisi datanya. Kira-kira saja, tidak usah
terlalu presisi.
Program Studi Perencanaan Wilayah dan Kota ITB
Praktikum 7: Analisis Data Raster I
3. Pastikan pada panel koordinat sebelah kiri sudah ada 4 pojok wilayah yang sudah kalian buat
point-nya. Lalu atur panel bawahnya jika memang dibutuhkan.
4. Modul ini hanya akan mencontohkan query untuk mem-filter Cloud Cover saja yang akan
diset pada 0-5%. Artinya kita mau data yang akan keluar sebersih mungkin dari awan.
5. Jika sudah, klik Data Sets >>
Program Studi Perencanaan Wilayah dan Kota ITB
Praktikum 7: Analisis Data Raster I
6. Kita akan mengambil data Landsat 8, pilih Landsat > Landsat Collection 2 Level-2 > Landsat
8-9 OLI/TIRS C2 L2.
7. Jika sudah, klik Result.
8. Kita bisa klik ikon di bawah untuk memperlihatkan tampilan dari data yang kita akan unduh.
9. Jangan lupa untuk memilih berkas dengan awalan L08 karena kita akan memakai landsat 8
untuk praktikum kali ini. Jika sudah memilih berkas sesuai kemauan, pilih Unduh.
10. Pilih Level-2 Surface Reflectance Bands, kita hanya akan mengunduh berkas SR_B1 sampai
SR_B7 saja pada praktikum ini. Jika sudah selesai memilih, klik Download All Selected Now.
11. Sekarang kita sudah memiliki data landsat 8 Band 1-7.
Program Studi Perencanaan Wilayah dan Kota ITB
Praktikum 7: Analisis Data Raster I
Composite Band
Membuat Composite Band
Composite band adalah cara untuk menggabungkan beberapa layer citra satelit atau gambar yang
berbeda menjadi satu gambar berwarna penuh. Setiap layer (atau band) biasanya mewakili panjang
gelombang cahaya tertentu, seperti cahaya merah, hijau, atau biru, atau bahkan cahaya inframerah
yang tidak terlihat oleh mata manusia.
NIR
SWIR-
1
SWIR-
2
Sumber: [Link]
Untuk membuat composite band di ArcGis Pro, kita akan mengikuti langkah berikut ini:
1. Masukkan data yang sudah kita unduh pada panel Contents.
2. Pada panel geoprocessing, cari tool Composite Bands.
Program Studi Perencanaan Wilayah dan Kota ITB
Praktikum 7: Analisis Data Raster I
3. Pada input rasters, pilih ketujuh band yang sudah kita unduh. Lalu Run.
Color Composite Combinations
Gambaran sederhananya, setiap band dalam citra satelit itu seperti "lapisan" yang bisa kita atur dan
kombinasikan untuk menonjolkan informasi khusus dari gambar tersebut. Dengan mengatur
kombinasi band tertentu, kita bisa mengekstrak "tanda-tanda spektral" atau ciri khas objek tertentu
di permukaan bumi.
Nama Kombinasi Bands Kombinasi Bands Fungsi
Natural Color Red, Green, Blue It replicates close to what our human eyes can see.
While healthy vegetation is green, unhealthy flora is
brown. Urban features appear white and grey, and
water is dark blue or black.
False Color/Color Infrared Near-Infrared, Red, Green Because chlorophyll reflects near-infrared light, this
band composition is useful for analyzing vegetation.
In particular, areas in red have better vegetation
health. Dark areas are water and urban areas are
white.
Short-wave Infrared SWIR-2, SWIR-1, These composites display vegetation in shades of
green. While darker shades of green indicate denser
vegetation, sparse vegetation has lighter shades.
Urban areas are blue, and soils have various shades
of brown.
Agriculture SWIR-1, Near-Infrared, Blue It’s commonly used for crop monitoring because of
the use of short-wave and near-infrared. Healthy
vegetation appears dark green. But bare earth has a
magenta hue.
Geology SWIR-2, SWIR-1, Blue This band combination is particularly useful for
identifying geological formations, lithology features,
and faults.
Bathymetric Red, Green, Coastal Band The coastal band is useful in coastal, bathymetric,
and aerosol studies because it reflects blues and
violets. This band combination is good for
estimating suspended sediment in the water.
Sumber: [Link]
Bagaimana cara mengatur lapisan band di atas? Kita membutuhkan Composite Band yang sudah
dihasilkan dari proses sebelumnya.
1. Klik kanan layer fitur keluaran dari proses sebelumnya > Symbology.
2. Pada Red band, Green band, dan Blue band, kita akan memasukkan band yang sesuai dengan
kombinasi bands yang ada di table sebelumnya secara berurutan (untuk referensi nama band,
silakan lihat tabel deskripsi landsat 8 di atas). Misalnya untuk Natural Color, kita butuh
memasukkan Band 4 (Red) di Red bands, Band 3 (Green) di Green band, dan Band 2 (Blue)
di Blue band.
3. Lalu lihat hasilnya. Jika berhasil, coba untuk kombinasi lainnya!
Program Studi Perencanaan Wilayah dan Kota ITB
Praktikum 7: Analisis Data Raster I
Spectral Indices
Secara umum, spectral indices atau indeks spektral adalah cara untuk mengolah data dari citra satelit
dengan mengombinasikan berbagai band (lapisan panjang gelombang tertentu) untuk mengekstrak
informasi spesifik dari permukaan bumi. Setiap indeks spektral dirancang untuk menyoroti
karakteristik tertentu, seperti vegetasi, air, salju, atau area terbangun, yang mungkin tidak terlihat
langsung dari citra asli.
Nama Rumus Fungsi
NDVI (Normalized Difference Mengukur kesehatan dan kerapatan
Vegetation Index) 𝑁𝐷𝑉𝐼 = vegetasi. Nilai NDVI tinggi
menunjukkan vegetasi yang sehat dan
padat.
NDWI (Normalized Difference Water (𝐺𝑟𝑒𝑒𝑛−𝑁𝐼𝑅) Mendeteksi kelembaban tanah dan
Index) 𝑁𝐷𝑊𝐼 = keberadaan air. NDWI tinggi
(𝐺𝑟𝑒𝑒𝑛+𝑁𝐼𝑅) menunjukkan area dengan
kelembaban tinggi atau badan air.
NDBI (Normalized Difference Built-Up (𝑆𝑊𝐼𝑅−𝑁𝐼𝑅) Mendeteksi area terbangun
Index) 𝑁𝐷𝐵𝐼 = (urban atau permukiman). NDBI
(𝑆𝑊𝐼𝑅+𝑁𝐼𝑅) tinggi menunjukkan area
terbangun.
NDSI (Normalized Difference Snow (𝐺𝑟𝑒𝑒𝑛−𝑆𝑊𝐼𝑅) Mengidentifikasi area bersalju. Nilai
Index) 𝑁𝐷𝑆𝐼 = NDSI tinggi menunjukkan keberadaan
(𝐺𝑟𝑒𝑒𝑛+𝑆𝑊𝐼𝑅) salju atau es.
NBR (Normalized Burn Ratio) (𝑁𝐼𝑅−𝑆𝑊𝐼𝑅) Mengidentifikasi area yang terkena
𝑁𝐵𝑅 = kebakaran dan tingkat kerusakan. Nilai
(𝑁𝐼𝑅+𝑆𝑊𝐼𝑅) rendah menunjukkan area yang
terbakar.
Sumber: GIS Technology Hands-on by Dr. Vinayak Bhanage, Hiroshima University
Bagaimana cara untuk membuat peta untuk menampilkan dan menghitung indeks-indeks di atas
dengan QGIS?
1. Pada panel geoprocessing, cari tool Raster Calculator.
2. Pada Map Algebra Expression, buatlah rumus seperti di bawah dengan data-data band yang
kita punya. Kita akan coba dengan NDVI.
3. Pastikan memasukkan layer band yang tepat pada rumus. NIR pada landsat 8 ada pada band
5 dan Red ada pada band 4.
Program Studi Perencanaan Wilayah dan Kota ITB
Praktikum 7: Analisis Data Raster I
Untuk rumus dengan SWIR, pakailah band 6, karena memiliki resolusi yang lebih baik
daripada band 7. Kecuali dalam keadaan spesifik, biasanya dibedakan dengan SWIR-1 dan
SWIR-2.
4. Set untuk output layer, lalu Run.
5. Sekarang lihat simbologi dari layer baru yang sudah dibuat. Jika merasa sulit untuk
menginterpretasikannya, ubah Symbology dengan memilih Color scheme sesuai keinginan.
6. Dapat dilihat jika semakin biru warnanya, menandakan vegetasi yang sehat dan padat.
Sedangkan warna oranye menandakan air atau tanah yang tandus.
7. Sekarang coba juga untuk indeks lainnya! Jangan sampai salah memasukkan rumus dan
band!
Land Use Land Cover Classification
Sebelum memulai LULC classification, clip dahulu berkas landsat yang kita miliki menjadi bentuk kota
masing-masing menggunakan Clip raster. Kita bisa mendapatkan batas administrasi untuk clip raster
ini di Tanah Air Geospasial.
1. Geoprocessing > Clip raster,
2. Masukkan composite band menjadi input layer,
3. Atur Mask layer menjadi batas administrasi kota yang akan kita analisis,
Program Studi Perencanaan Wilayah dan Kota ITB
Praktikum 7: Analisis Data Raster I
4. Simpan Output Raster menjadi berkas yang mudah ditemukan (jangan save menjadi
temporary file), kita akan membutuhkannya nanti. Run.
LULC (Land Use and Land Cover) classification adalah metode untuk mengidentifikasi dan memetakan
berbagai tipe tutupan lahan pada permukaan bumi. Ini melibatkan penggolongan area menjadi
kategori seperti hutan, lahan pertanian, perkotaan, badan air, dan lainnya. LULC classification sangat
penting dalam pengelolaan sumber daya alam, perencanaan wilayah, dan pemantauan lingkungan.
Ada dua pendekatan utama dalam klasifikasi LULC, yaitu supervised dan unsupervised classification:
Supervised Classification
Dalam supervised classification, kita memberi “panduan” kepada komputer tentang jenis-jenis kelas
lahan yang ingin dikenali, menggunakan data contoh atau training data yang sudah dikelompokkan
sebelumnya.
Program Studi Perencanaan Wilayah dan Kota ITB
Praktikum 7: Analisis Data Raster I
1. Select Layer Raster Hasil Composite Band, ubah Color Composite Combinations menjadi False
Color, kita butuh memasukkan Band 5 (Near-infrared) di Red bands, Band 4 (Red) di Green
band, dan Band 3 (Green) di Blue band.
2. Imagery > Classification Tools > Pilih Training Samples Manager
3. Kita akan merencanakan dulu, tutupan lahan apa saja yang akan kita peroleh, berdasarkan
wilayah tempat kita melakukan LULC classification. Pada contoh modul ini, pembuat modul
akan mencontohkan 3 tutupan lahan yang ada di Kota Cirebon berdasarkan pengamatan
mata telanjang setelah melihat data landsat dengan false color composite.
Jika ingin membuat lebih, pastikan kita bisa membedakan tutupan lahan satu dan lainnya
dari data landsat yang kita punya.
a. Water
b. Developed
Program Studi Perencanaan Wilayah dan Kota ITB
Praktikum 7: Analisis Data Raster I
c. Forest
4. Sekarang kita akan memberikan sampel pada komputer sebagai data “panduan” untuk
mengklasifikasikan gambar landsat 8 ini menjadi data Tutupan Lahan.
5. Sekarang kita akan memulai membuat polygon sebagai data training untuk komputer.
Pembuatan sampel ini semakin banyak, semakin baik. Tidak ada standar untuk jumlahnya.
Namun pastikan untuk membuat “cukup banyak,” seperti 10-15 sampel per kategori.
6. Kita akan mulai dari kategori Badan Air. Pilih ‘Water’.
7. Untuk memulai membuat sampel, klik Polygon. Lalu mulai membuat polygon di atas landsat
sesuai dengan kategori yang sedang kita kerjakan dengan cara membuat titik-titik sampai
menjadi bidang tertutup, lalu klik dua kali di titik terakhir untuk mengunci polygon.
8. Ulangi Langkah ini berkali-kali sampai memiliki sampel 10-15 untuk kategori Badan Air.
9. Contoh sampel untuk Badan Air:
Program Studi Perencanaan Wilayah dan Kota ITB
Praktikum 7: Analisis Data Raster I
10. Jika sudah memiliki cukup sample untuk Badan Air, kita akan mengulanginya untuk seluruh
kategori yang sudah kita siapkan sebelumnya. Jangan lupa ganti selection setiap kategori
lainnya!
11. Contoh sampel untuk Terbangun:
12. Contoh sampel untuk Vegetasi Hijau:
13. Jika seluruh polygon sudah terbuat, klik Save.
Program Studi Perencanaan Wilayah dan Kota ITB
Praktikum 7: Analisis Data Raster I
14. Setelah kita membuat sampel untuk seluruh kategori yang sudah direncanakan, kita akan
mulai mengklasifikasikan tutupan lahan dari data landsat yang kita miliki.
15. Imagery > Classification Tools > Pilih Classify.
16. Pilih SCP > Band processing > Classification.
17. Pada Training Samples, kita akan memasukkan training sample yang sudah dibuat dari file
manager.
18. Lalu Run.
Program Studi Perencanaan Wilayah dan Kota ITB
Praktikum 7: Analisis Data Raster I
Jika hasil yang diberikan tidak sesuai apa yang kita mau, perbanyaklah lagi sampel untuk kelas
yang “dibingungkan” oleh komputer. Misalnya yang seharusnya Developed, terklasifikasi menjadi
Forest. Berarti coba perbanyak sampel Developed dan Forest.
Unsupervised Classification
Dalam unsupervised classification, kita tidak memberikan contoh kelas kepada komputer. Alih-alih,
komputer menganalisis citra dan secara otomatis mengelompokkan piksel yang memiliki nilai
spektral serupa ke dalam beberapa kelompok atau cluster. Setelah pengelompokan selesai, pengguna
kemudian menafsirkan setiap kelompok tersebut sebagai kelas tertentu.
1. Select Layer Raster Hasil Composite Band False Color yang tadi sudah dibuat.
2. Imagery > Pilih Classification Wizard.
3. Ubah Classification Method menjadi Unsupervised, Classification Type menjadi Pixel Based.
4. Klik Icon File pada Classification Schema, lalu pilih Use default schema
Program Studi Perencanaan Wilayah dan Kota ITB
Praktikum 7: Analisis Data Raster I
5. Pilih Next.
6. Ubah Maximum Number of Classes yang ingin kita classify. Jika ingin membandingkan hasil
dengan hasil supervised classification, pilih jumlah kategori yang sama. Lalu Run.
7. Pada Use Classifier From, masukkan hasil preview Classify.
Program Studi Perencanaan Wilayah dan Kota ITB
Praktikum 7: Analisis Data Raster I
8. Pilih Run, lalu Next.
9. Sekarang bandingkan hasilnya antara kedua metode tersebut!
Program Studi Perencanaan Wilayah dan Kota ITB