Uploaded by fahruz72

INTERPOLASI DATA METODE IDW DAN KRIGING

advertisement
Nama
: Wulan Handareni
NRP
: G24130020
Hari, Tanggal : Rabu, 21 Oktober 2015
Asisten Praktikum :
1. Ayularas Purnamasari S (G24120031)
2. Yahdi Isna M
(G24130079)
Praktikum ke-7
PENDUGAAN DATA HILANG
Tujuan
Tujuan praktikum kali ini adalah mempelajari metode interpolasi spasial Kriging dan
IDW serta mengetahui kegunaan interpolasi spasial di bidang meteorologi dan
klimatologi.
Metodologi
Alat dan Bahan yang digunakan pada pratikum metode klimatologi adalah
laptop/komputer, software Ms Excel, alat tulis, data unsur iklim dari NOAA, Software
ArcGis.
Praktikum meteode klimatologi dilaksanakan pada hari hari Rabu, 21 Oktober 2015
bertempat di laboratorium komputer Departemen Geofisika dan Meteorologi IPB.
Langkah Kerja
Menyiapakan file
excel sebagai data
stasiun
Membuka software
ArcGis dan gunakan
sistem koordinat
geographic-WorldWGS 1984
Pilih Catalog
kemudian masukkan
data Indonesia.shp
Pilih File kemudian
add data XY lalu
pilih file excel yang
telah disiapkan
Pilih ArcToolbox
untuk melakukan
interpolasi melalui
Spatial Analisys
Tools
Memilih metode
interpolasi IDW
Pada form
interpolasi, isi layer
stasiun, unsur yang
diinterpolasikan dan
data lainnya.
Output cell size
dibuat default
Simpan hasil
interpolasi
Gambar 1 Metode interpolasi IDW
Menyiapakan file
excel sebagai data
stasiun
Membuka software
ArcGis dan gunakan
sistem koordinat
geographic-WorldWGS 1984
Pilih Catalog
kemudian masukkan
data Indonesia.shp
Pilih File kemudian
add data XY lalu
pilih file excel yang
telah disiapkan
Pilih ArcToolbox
untuk melakukan
interpolasi melalui
Spatial Analisys
Tools
Memilih metode
interpolasi Krigging
Pada form
interpolasi, isi layer
stasiun, unsur yang
diinterpolasikan dan
data lainnya.
Output cell size
dibuat default
Simpan hasil
interpolasi
Gambar 2 Metode interpolasi Kriging
Pembahasan
Untuk keperluan penyusunan model suatu fenomena di satu wilayah diperlukan
data beberapa komponen data pendukung. Pada kenyataannya, sering kali seorang
peneliti dihadapkan pada ketidaklengkapan data yang diperlukan. Pertimbangan kondisi
lingkungan, fisiografis, keterbatasan data dari berbagai titik di permukaan bumi ini dapat
menghambat penyusunan model. Selanjutnya untuk menyusun suatu model yang baik
disiasati dengan melakukan intepolasi. Interpolasi merupakan suatu metode atau fungsi
matematika untuk menduga nilai pada lokasi-lokasi yang datanya tidak tersedia. Menurut
Burrough and McDonell (1998), interpolasi adalah proses memprediksi nilai pada suatu
titik yang bukan merupakan titik sampel, berdasarkan pada nilai-nilai dari titik-titik di
sekitarnya yang berkedudukan sebagai sampel.
Penentuan nilai baru didasarkan pada data yang ada pada titik-titik sampel. Tanpa
adanya langkah interpolasi ini, maka analisis spasial tidak dapat dilakukan secara akurat.
Ada beberapa metode yang dapat digunakan untuk melakukan interpolasi spasial.
Menurut Demers (2000), interpolasi spasial dapat diklasifikasikan menjadi tiga, yakni
global and local interpolation, exact interpolation and inexact interpolation, deterministic
and stochastic interpolation. Diantara metode deterministik yang populer adalah Trend,
Spline, Inverse Distance Weighted (IDW) dan Kriging. Praktikum kali ini akan dibahas
penggunaan metode IDW dan Kriging untuk kajian curah hujan. Metode IDW dapat
dikelompokkan ke dalam estimasi determenistik, yakni interpolasi dilakukan berdasarkan
perhitungan matematika. Sementara metode Kriging dapat digolongkan ke dalam estimasi
stochastik, di mana perhitungan secara statistik digunakan untuk menghasilkan interpolasi
(Pramono 2008).
Metode IDW merupakan metode interpolasi konvesional yang memperhitungkan
jarak sebagai bobot. Jarak yang dimaksud disini adalah jarak (datar) dari titik data
(sampel) terhadap blok yang akan diestimasi. Jadi semakin dekat jarak antara titik sampel
dan blok yang akan diestimasi maka semakin besar bobotnya, begitu juga sebaliknya.
Interpolasi stochastic menawarkan penilaian kesalahan dengan nilai prediksi.
Metode ini mengasumsikan kesalahan acak. Contoh model ini yang populer adalah
metode Kriging. Metode Kriging merupakan estimasi stochastik yang mirip dengan IDW,
menggunakan kombinasi linear dari weights untuk memperkirakan nilai di antara sampel
data. Metode ini dikembangkan oleh D.L. Krige untuk memperkirakan nilai dari bahan
tambang. Asumsi dari model ini adalah jarak dan orientasi antara sampel data
menunjukkan korelasi spasial. Model ini memberikan ukuran error dan confidence.
Model ini juga menggunakan semivariogram yang merepresentasikan perbedaan spasial
dan nilai diantara semua pasangan sampel data. Semivarogram ini menunjukkan bobot
(weights) yang digunakan dalam interpolasi (Hadi 2013).
Penentuan hasil pada metode IDW berdasarkan pada asumsi bahwa nilai atribut z
(nilai yang diestimasi) pada titik yang tidak didata adalah merupaka fungsi jarak dan nilai
rata-rata titik yang berada disekitarnya. Hasil interpolasi tergantung dari seberapa kuat
sebuah titik data yang diketahui mempengaruhi daerah di sekitarnya. Selain itu juga
jumlah titik di sekitarnya yang digunakan untuk menghitung rata-rata nilai, serta ukuran
pixel/raster yang dikehendaki. Sedangkan penentuan hasil pada metode Kriging
berdasarkan asumsi bahwa setiap titik di dalam bentang alam saling berhubungan dan
mempunyai sebuah trend. Trend (persamaan matematis) yang digunakan untuk
memprediksi titik yang tidak memiliki data/informasi.
Sumber data yang digunakan praktikum kali ini berasal dari NOAA. Data stasiun
yang digunakan untuk interpolasi adalah 41 stasiun cuaca yang tersebar di Indonesia,
mulai dari Pulau Sumatera, Jawa, Kalimantan, Sulawesi, Nusa Tenggara, sampai Papua
(nama stasiun terlampir). Unsur iklim yang diinterpolasikan adalah curah hujan.
Gambar 3 Interpolasi metode IDW
Gambar diatas adalah hasil interpolasi data curah hujan menggunakan metode
IDW dengan cakupan wilayah Pulau Jawa, Nusa Tenggara, Provinsi Sulawesi Selatan dan
Tenggara, Sumatera selatan hingga Lampung, Kalimantan Tengah dan Selatan, Maluku,
serta Papua Barat dan Tengah. Dapat dilihat bahwa interpolasi menggunakan metode
IDW menghasilkan nilai dengan cakupan wilayah yang lebih luas. Nilai interpolasi akan
lebih mirip pada data sampel yang berdekatan lokasinya daripada data yang lokasinya
lebih jauh. Karena metode ini menggunakan rata-rata dari data sampel sehingga nilainya
tidak bisa lebih kecil dari minimum atau lebih besar dari data sampel. Jadi, puncak bukit
atau lembah terdalam tidak dapat ditampilkan dari hasil interpolasi model ini (Watson
dan Philip 1985). Untuk mendapatkan hasil yang baik, sampel data yang digunakan harus
rapat yang berhubungan dengan variasi lokal. Jika sampelnya agak jarang dan tidak
merata, hasilnya kemungkinan besar tidak sesuai dengan yang diinginkan.
Gambar 4 Interpolasi metode Kriging
Gambar diatas adalah hasil interpolasi data curah hujan menggunakan metode
Kriging di wilayah yang sama dengan metode sebelumnya. Hasil interpolasi nampak
berbeda dari metode IDW. Pada interpolasi kriging cakupan wilayah interpolasi lebih
sempit. Pada jarak yang dekat (sumbu horisontal), semivariance bernilai kecil, tetapi pada
jarak yang lebih besar, semivariance bernilai tinggi yang menunjukkan bahwa variasi dari
nilai z tidak lagi berhubungan dengan jarak sampel point.
Metode lain yang dapat digunakan untuk menginterpolasi data adalah Interpolasi
tetangga terdekat (Nearest Neighbor Interpolation). Nearest Neighbor adalah
metode paling sederhana dan pada dasarnya membuat piksel lebih besar. Warna pixel
dalam gambar yang baru adalah warna dari piksel terdekat dari gambar asli. Pada
interpolasi nearest neighbour (tetangga terdekat), nilai keabuan titik hasil diambil dari
nilai keabuan pada titik asal yang paling dekat dengan koordinat hasil perhitungan dari
transformasi spasial. Untuk citra 2 dimensi, tetangga terdekat dipilih di antara 4 titik asal
yang saling berhubungan satu sama lain.
Ada pula metode interpolasi Spline. Spline adalah metoda interpolasi yang biasa
digunakan untuk mendapatkan nilai melalui kurva minimum antara nilai-nilai
input. Metode ini baik digunakan dalam membuat permukaan seperti ketinggian
permukaan bumi, ketinggian muka air tanah, ataupun konsentrasi polusi udara. Kurang
bagus untuk siatuasi dimana terdapat perbedaan nilai yang signifikan pada jarak yang
sangat dekat. Jika dipilih metoda Spline maka ada pilihan tipe Regularized dan Tension.
Regularized
membuat
permukaan
halus
sedangkan Tension
mempertegas
bentuk permukaan sesuai dengan fenomena model. ESRI (1996) menyatakan bahwa
metode interpolasi spline mengestimasinilai sel berdasarkan nilai rata-rata pada hampiran
antara point data masing-masing contoh.
Poligon Theissen juga salah satu metode interpolasi lokal. Metode ini disebut
juga metode proximal merupakan suatu upaya memberikan bobot data titik-titik di suatu
area. Sebagai contoh untuk interpolasi lokal untuk data presipitasi. Langkahnya adalah
sejumlah segitiga digambar dengan cara menghubungkan titik-titik kontrol (misalnya,
stasiun meteorologi) menggunakan teknik triangulasi Delaunay (juga digunakan untuk
TIN). Garis ditarik tegak lurus terhadap sisi segitiga di titik tengah. Poligon didefinisikan
oleh persimpangan (interaksi) dari garis-garis. Nilai-nilai untuk titik kontrol ditugaskan
untuk merepresentasikan poligon (Hadi 2013).
Kesimpulan
Interpolasi spasial dibutuhkan dalam bidang meteorologi dan klimatologi untuk
mengatasi terbatasnya data, lingkungan, serta kondisi fisiografis lainnya. Sehingga
pemodelan unsur iklim tetap dapat dilakukan. Metode interpolasi IDW memberikan hasil
interpolasi yang lebih akurat dari metode Kriging. Hal ini dikarenakan semua hasil
dengan metode IDW memberikan nilai mendekati nilai minimum dan maksimum dari
sampel data. Sedang metode Kriging terkadang memberikan hasil interpolasi dengan
kisaran yang rendah.
Daftar Pustaka
Burrough PA and McDonnell RA. 1998. Principles Of Geographical Information System.
London (UK) : Oxford University Press Inc.
Demers and Michael N. 2000. Fundamentals of Geographic Information System Second
Edition. New York(US) : Jhon Wiley and Sons.
ESRI. 1996. Using the ArcView Spatial Analyst. Redlands (US) : Environmental Systems
Research Institute, Inc
Hadi BS. 2013. Metode Interpolasi Spasial dalam Studi Geografi. J Geomedia. Vol
11(2):231-240.
Pramono dan Gatot H. 2008. Akurasi Metode IDW dan Kriging untuk Interpolasi Sebaran
Sedimen Tersuspensi. Forum Geografi. Vol. 22(1):97-110.
Watson DF & Philip GM. 1985. A Refinement of Inverse Distance Weighted
Interpolation. J Geo Processing. Vol 2: 315-327.
LAMPIRAN
Tabel 1 Data curah hujan dari berbagai stasiun yang digunakan
LONGITUDE
LATITUDE
STATION_NAME
TPCP
STATION
120,333
-9,667
WAINGAPU MAU HAU
ID
50
GHCND:ID000097340
116,267
-8,75
MATARAM LOMBOK
INTERNATIONAL
AIRPORT ID
1191
GHCND:IDM00097240
115,167
-8,749
DENPASAR NGURAH
RAI ID
790
GHCND:IDM00097230
122,237
-8,641
WAI OTI ID
434
GHCND:IDM00097300
118,687
-8,54
MUHAMMAD
SALAHUDDIN ID
660
GHCND:IDM00097270
117,412
-8,489
SUMBAWA BESAR ID
521
GHCND:IDM00097260
114,383
-8,217
BANYUWANGI ID
717
GHCND:IDM00096987
124,567
-8,217
ALOR MALI
KALABAHI ID
127
GHCND:IDM00097320
131,3
-7,983
SAUMLAKI OLILIT ID
578
GHCND:ID000097900
109,017
-7,733
CILACAP ID
360
GHCND:ID000096805
112,787
-7,38
SURABAYA JUANDA
ID
2077
GHCND:IDM00096935
112,717
-7,217
SURABAYA PERAK ID
607
GHCND:IDM00096933
113,967
-7,05
KALIANGET MADURA
IS
414
GHCND:IDM00096973
110,375
-6,973
ACHMAD YANI ID
1531
GHCND:IDM00096839
110,417
-6,967
SEMARANG ID
20
GHCND:IDM00096837
109,15
-6,85
TEGAL ID
2392
GHCND:IDM00096797
108,267
-6,75
CIREBON JATIWANGI
ID
241
GHCND:IDM00096791
106,933
-6,7
BOGOR CITEKO ID
658
GHCND:IDM00096751
106,57
-6,293
BUDIARTO ID
114
GHCND:IDM00096739
106,833
-6,183
JAKARTA
OBSERVATORY ID
3
GHCND:ID000096745
106,656
-6,126
SOEKARNO HATTA
INTERNATIONAL ID
725
GHCND:IDM00096749
106,133
-6,117
SERANG ID
524
GHCND:IDM00096737
106,867
-6,1
JAKARTA TANJUNG
PRIOK
361
GHCND:IDM00096741
112,633
-5,85
SANGKAPURA
BAWEAN ID
2792
GHCND:ID000096925
132,75
-5,683
TUAL DUMATUBUN
361
GHCND:IDM00097810
122,617
-5,467
BAU BAU BETO
AMBIRI ID
142
GHCND:IDM00097192
119,55
-5,067
UJANG PANDANG
PAOTERE ID
2440
GHCND:IDM00097182
119,554
-5,062
HASANUDDIN ID
1967
GHCND:IDM00097180
138,95
-4,067
WAMENA ID
351
GHCND:ID000097686
102,339
-3,864
FATMAWATI
SOEKARNO ID
531
GHCND:IDM00096253
128,083
-3,7
AMBON PATTIMURA
ID
124
GHCND:ID000097724
114,763
-3,442
SYAMSUDIN NOOR ID
1075
GHCND:IDM00096685
104,701
-2,898
SULTAN MAHMUD
BADARUDDIN II ID
1333
GHCND:IDM00096221
132,25
-2,883
FAK FAK TOREA ID
41
GHCND:IDM00097630
107,755
-2,746
H AS
HANANDJOEDDIN ID
91
GHCND:IDM00096249
111,673
-2,705
ISKANDAR ID
635
GHCND:IDM00096645
120,367
-2,55
MASAMBA ANDI
JEMMA ID
1201
GHCND:IDM00097126
119
-2,5
MAJENE
121
GHCND:IDM00097120
113,943
-2,225
TJILIK RIWUT ID
1047
GHCND:IDM00096655
106,13
-2,17
PANGKALPINANG ID
147
GHCND:IDM00096237
Download