INTERPOLASI METODE DETERMINISTIK INVERSE DISTANCE WEIGHTED (IDW PDF

Preview

Summary

LAPORAN PRAKTIKUM PRAKTIKUM STATISTIKA SPASIAL INTERPOLASI METODE DETERMINISTIK INVERSE DISTANCE WEIGHTED (IDW) Tanggal Penyerahan : 24 Oktober 2016 Disusun Oleh : Khaerul Pratama / 23 – 2016 – 111 Kelas A Nama Asisten : Nadhea Arta Y. Ganny Indrajid LABORATORIUM SISTEM INFORMASI SPASIAL JURUSAN TEK...

Description

Accelerat ing t he world's research.

INTERPOLASI METODE DETERMINISTIK INVERSE DISTANCE WEIGHTED (IDW Khaerul Pratama

Related papers

Download a PDF Pack of t he best relat ed papers 

Pengelolaan Dat a Sist em Informasi Geografi (SIG) Menggunakan ArcGIS 10.1 di Kabupat en Bo… Nurlaela Geography

Skripsi lengkap Karin Dauwani INT ERPOLASI DATA MET ODE IDW DAN KRIGING Wulan Handareni

LAPORAN PRAKTIKUM PRAKTIKUM STATISTIKA SPASIAL INTERPOLASI METODE DETERMINISTIK INVERSE DISTANCE WEIGHTED (IDW) Tanggal Penyerahan : 24 Oktober 2016 Disusun Oleh : Khaerul Pratama / 23 – 2016 – 111 Kelas A Nama Asisten : Nadhea Arta Y. Ganny Indrajid

LABORATORIUM SISTEM INFORMASI SPASIAL JURUSAN TEKNIK GEODESI FAKULTAS TEKNIK SIPIL DAN PERENCANAAN INSTITUT TEKNOLOGI NASIOANAL BANDUNG 2016

1. PENDAHULUAN 1.1

Latar Belakang Data hujan diperoleh dari stasiun pemantau hujan yang merupakan terjadi hanya pada

satu tempat atau satu titik saja (point rainfall). Mengingat hujan sangat bervariasi terhadap tempat, maka untuk wilayah yang luas hanya satu stasiun pemantau hujan saja tidaklah cukup untuk menggambarkan kondisi hujan pada wilayah tersebut. Maka diperlukan beberapa stasiun pemantau hujan dengan mencari nilai pendekatan curah hujan antar stasiun pemantau hujan. Curah hujan setiap hari direkam dari stasiun curah hujan digunakan sebagai masukan untuk pemodelan konsep periode pertumbuhan yang dihitung berdasarkan curah hujan dengan metode interpolasi spasial (Dewi, 2012). 1.2

Maksud dan Tujuan Praktikum kali ini bermaksudkan untuk meningkatkan keterampilan, pemahaman, dan

pengetahuan dalam analisis Inverse Distance Weighted (IDW) Tujuan melakukan praktikum sebagai berikut: 1. Mahasiswa dapat melakukan analisis dan pengamatan data menggunakan interpolasi metode deterministik, yaitu Inverse Distance Weighted menggunakan perangkat lunak ArcGIS. 2. Mampu menggunakan alat (tools) analisis data spasial khususnya tool Inverse Distance Weighted (IDW) dengan baik. 3. Mampu membuat peta curah hujan dengan model yang optimal. 1.3

Waktu dan Tempat Waktu dan tempat pelaksanaan praktikum dilaksanakan pada : Hari, Tanggal

: Senin, 16 Oktober 2016

Pukul

: 10.00 – 11.45

Tempat

: Laboratorium Informasi Spasial, Teknik Geodesi Itenas

2. DASAR TEORI Curah hujan setiap hari yang direkam dari stasiun curah hujan digunakan sebagai masukan untuk pemodelan konsep periode pertumbuhan yang dihitung berdasarkan curah hujan dengan metode interpolasi spasial (Dewi, 2012). Interpolasi adalah suatu metode atau fungsi matematika yang menduga nilai pada lokasilokasi yang datanya tidak tersedia. Interpolasi spasial mengasumsikan bahwa atribut yang bersifat kontinu di dalam ruang (space) dan atribut ini saling berhubungan secara spasial (Anderson, 2001). Kedua asumsi tersebut mengindikasikan bahwa pendugaan atribut data dapat dilakukan berdasarkan lokasi-lokasi di sekitarnya dan nilai pada titik-titik yang berdekatan akan lebih mirip daripada nilai pada titik-titik yang terpisah lebih jauh. 2.1

Inverse Distance Weighted (IDW) Beberapa model estimasi secara spasial yang dapat digunakan untuk mengetahui

persebaran wilayah yang terkontaminan antara lain Inverse Distance Weighted (IDW) dan Ordinary Kriging (Mililloet al, 2012;Zhao et al., 2007). IDW adalah sebuah model dengan metode interpolasi yang bersifat deterministik. Metode IDW mengasumsikan bahwa tiap titik input mempunyai pengaruh yang bersifat lokal yang berkurang terhadap jarak. Metode ini memberi bobot lebih tinggi pada sel yang terdekat dengan titik data dibandingkan sel yang lebih jauh. Titik-titik pada radius tertentu dapat digunakan dalam menentukan nilai luaran untuk tiap lokasi. Metode IDW umumnya dipengaruhi oleh invers jarak yang diperoleh dari persamaan matematika. Pada metode interpolasi ini dapat menyesuaikan pengaruh relatif dari titik sampel. Nilai power pada interpolasi ini menentukan pengaruh terhadap titik-titik masukan (input), dimana pengaruh akan lebih besar pada titik-titik yang lebih dekat sehingga menghasilkan permukaan yang lebih detil. Pengaruh yang lebih kecil dengan bertambahnya jarak dimana permukaan yang dihasilkan kurang detil dan terlihat lebih halus. Nilai power diperbesar berarti nilai keluaran (output) sel menjadi lebih terlokalisasi dan memiliki nilai rata-rata yang rendah. Penurunan nilai power akan memberikan keluaran dengan rata-rata yang yang lebih besar karena akan memberikan pengaruh untuk area yang lebih luas sehingga permukaan yang dihasilkan akan lebih halus. Bobot yang digunakan untuk rata-rata adalah fungsi jarak antara titik sampel dan titik yang di interpolasi (Philip dan Watson, 1982). Kelebihan dari metode IDW adalah karakteristik interpolasi dapat dikontrol dengan membatasi titik-titik masukan yang digunakan dalam proses interpolasi. Titik-titik yang

terletak jauh dari titik sampel dan yang diperkirakan memiliki korelasi spasial dapat dihapus dari perhitungan. Titik-titik yang digunakan dapat ditentukan langsung, atau ditentukan berdasarkan jarak yang ingin di interpolasi. Kelemahan dari interpolasi IDW adalah tidak dapat mengestimasi nilai di atas nilai maksimum dan dibawah nilai minimum dari titik-titik sampel (Pramono, 2008). Efek yang terjadi apabila interpolasi IDW diaplikasikan adalah terjadinya perataan (flattening) puncak dan lembah, kecuali jika titik-titik tertinggi dan terendah merupakan bagian dari titik sampel. Karena nilai estimasi merupakan nilai rata-rata, hasil permukaan tidak akan tepat melewati titik-titik sampel. Kelemahan lain dari metode interpolasi ini adalah adanya efek bull-eye. 2.2

Validasi Kualiats model merupakan hal yang sangat penting untuk diketahui setelah model

dihasilkan. Uji validasi dilakukan untuk mengetahui kualitas setiap model tersebut sehingga dapat dibandingkan dan diperoleh model yang optimal. Parameter dalam uji validasi pada IDW antara lain mean error (ME) dan root mean squared error (RMSE). Bila pada model Ordinary Kriging selain menggunakan dua parameter yang IDW gunakan, juga terdapat parameter lain untuk melihat seberapa baik model tersebut dihasilkan, antara lain Average Kriging Standard Error (AKSE), Mean Standardized Prediction Error (MSPE), dan Roor Mean Square Standardized Prediction Error (RMSSPE).

3. PELAKSANAAN PRAKTIKUM 3.1

Alat dan Data Alat yang digunakan dalam praktikum ini adalah satu unit laptop / notebook dan

perangkat lunak ArcGIS. Data atau bahan yang digunakan dalam praktikum ini meliputi : - Point/titik stasiun curah hujan wilayah sekitar Kabupaten Cimahi dengan format .shp (Shapefile). - Batas administratif Kabupaten Cimahi dalam bentuk format .shp (Shapefile). Data yang digunakan dalam praktikum ini menggunakan sistem koordinat UTM dengan datum WGS 1984. 3.2

Langkah Praktikum Praktikum ini menggunakan perangkat lunak ArcGIS, adapun langkah-langkah

praktikum ini sebagai berikut : 3.2.1 Langkah interpolasi metode Inverse Distance Weighting (IDW) 1. Buka

perangkat

lunak ArcGIS. Klik pilih add

data – dan memilih data masukan yaitu, curah hujan.shp dan administrasi.shp 2. Pada Table of Contents akan tertampil dua buah data shapefile. Kemudian pada lembar kerja akan tertampil seperti disamping. 3.

Sebelum melakukan analisis

geostatistik,

terlebih

dahulu

mengaktifkan

extensions:Geostatistical Analyst dengan cara, pada main menu

pilih

Costumize

–

Extensions.

Centang

pada

Geostatistical Analyst. 4.

Kemudian aktifkan menu Toolbar: Geostatistical

Analyst, dengan cara klik kanan sembarang pada daerah menumenu utama lalu pilih Geostatistical Analyst. 5. Pada toolbar Geostatistical Analyst pilih Geostatistical Wizard. Pada kotak dialog Geostatistical Wizard, pada tahap pertama dalam metode Inverse Distance Weighting pilih source dataset nya shapfile curah hujan, kemudian pada Data Field pilih intensitas. Setelah itu next. Lalu akan muncul pop up Handling Coincidental Samples, pilih Use Mean kemudian ok.

6. Tahap kedua, yaitu Method Properties, terdapat beberapa parameter, yaitu: -

General Properties, Power

-

Search Neighborhood

-

:2

o Neighborhood Type

: Standard

o Maximum neighbors

: 15

o Minimum neighbors

: 10

o Sector Type

: 1 sector

o Angle

:0

Predicted Value dan Weights

: default

7. Tahap ketiga akan muncul kotak dialog Cross Validation, langkah ini lewati saja pilih finish. Kemudian akan muncul kotak dialog Method Report

8. Pada lembar kerja akan muncul hasil dari interpolasi, sebagai berikut.

9. Kemudian, melakukan editing terhadap hasil interpolasi, pada table of contents klik kanan pada layer hasil output dari proses interpolasi – pilih properties. Pada tab symbology pilih Filled Contours. 10. Pilih classify, kemudian atur interval kelas menjadi lebih sederhana dengan dua angka dibelakang koma. 11. Hasil editing dari symbology sebagai berikut.

3.2.2 Langkah membuat peta curah hujan 1. Mengubah raster menjad vektor, dengan cara pilih layer kemudian klik kanan – Data – Export to vector. 2. Kemudian pada kotak dialog GA Layer To Contour, pilih layer yang akan di konversi. Ubah contour type menjadi Filled_Contour. Simpan hasil konversi ke directory yang diinginkan.

3. Kemudian, memotong data vektor tersebut menjadi atau sesuai dengan bentuk wilayah administrasi dengan cara pada main menu pilih Geoprocessing – Clip. 4. Lalu melakukan editing simbologi, klik kanan pada layer yang sudah ter-clip lalu pilih properties – symbology. 5. Maka, hasil clip dan symbology sebagai berikut.

6. Selanjutnya melakukan layouting

4. HASIL DAN PEMBAHASAN 4.1

Analisis Inverse Distance Weighting (IDW)

Pada tampilan gambar diatas menampilkan surface kota cimahi, titik-titik sampel, batas area pengamatan dalam memprediksi nilai curah hujan. Pada gambar diatas adalah memprediksi nilai curah hujan pada titik pengamatan (cross) dari nilai 15 curah hujan disekitarnya dengan ketentuan bahwa titik merah merupakan titik sampel terdekat dari titik yang akan diprediksikan nilai curah hujan, sehingga titik sampel tersebut mempunyai bobot yang paling tinggi. Titik hijau merupakan titik sampel terjauh dalam menentukan prediksi titik sampel sehingga mempunyai bobot yang paling kecil. Semakin titik sampel mendekati titik pengamatan maka bobot akan semakin besar dan semakin titik sampel menjauhi titik pengamatan maka bobot akan semakin berkurang. Pada nilai power, semakin rendah nilai suatu nilai power maka permukaan yang dihasilkan semakin halus sedangkan bila nilai semakin besar, maka permukaan akan lebih detil. Pada praktikum ini nilai power bernilai 2. Pada Search Neighborhood yang merupakan tentang radius prediksi titik-titik tetangga disekitar titik yang dipredikasi. Terdapat beberapa parameter penting dalam Neighborhood antara lain : -

Maximum neighbors jumlah maksimum titik sampel yang diprediksi untuk memprediksi nilai pada titik pengamatan yaitu 15, Minimum neighbors jumlah minimum titik sampel yang diprediksi untuk memprediksi nilai pada titik pengamatan yaitu 10,

-

Sector type merupakan batasan area pengamatan yaitu 1 sector berarti dalam 1 lingkaran tersebut terdapat titik sampel yang digunakan maksimal ada 15,

-

Angel merupakan arah yaitu 0 karena data yang ada merupakan data harga tanah yang tidak membutuh kan arah, angel biasanya digunakan untuk data tertentu seperti data arah angin, arus.

-

Major semiaxis merupakan jari-jari vertikal pada sector (area pengamatan) sebesar 3501,548.

-

Minor semiaxis merupakan jari-jari horizontal pada sector (area pengamatan) sebesar 3501,548.

4.2

Analisis Validasi Silang

Gambar di atas menjelaskan tentang Jumlah data pada samples sebanyak 265 sampel, nilai rata-rata nya sebesar -1.659944, dan Root mean square sebesar 88.54768. prediksi akan semakin mendekati hasil sebenarnya jika nilai root mean square semakin kecil. Nilai root mean square berasal dari akar kuadrat dari rata rata kuadrat atau perbedaan antra nilai hasil pengamatan dengan nilai prediksi. Nilai prediksi sampel diatas belum merepresentasikan suatu model permukaan yang baik Karena mempunyai nilai RMS, rata-rata error dan rata-rata nilai prediksi error yang besar. 4.3 Hasil Peta Hasil peta sebaran curah hujan kabupaten cimahi terlampir dalam lampiran.

KESIMPULAN Dari hasil praktikum yang didapat bahwa dilihat dari sudut pandang distribusi data maka distribusi data ini adalah distribusi normal, tetapi dalam validasi data terdapat error yang cukup besar sehingga permukaan hasil bukanlah permukaan yang sebenarnya atau tidak teliti. Data sampel tidak mempresentasikan model permukaan yang sebenarnya atau tidak detil.

DAFTAR PUSTAKA Indarto, & Soesanto, B. (n.d.). Variabilitas Spasial Hujan Tahunan Di Jawa Timur;Aplikasi ESDA. Wirjohamidjojo, S., & Swarinoto, Y. S. (2007). Praktek Meteorologi Pertanian. Jakarta: Badan Meteorologi Klimatologi dan Geofisika.

LAMPIRAN...