PERBANDINGAN METODE KRIGING DAN NATURAL

NEIGHBOR UNTUK ZONASI DAERAH BAHAYA

KEGEMPAAN DENGAN PENDEKATAN PEAK GROUND
ACCELERATION (PGA)
Raihan Fachri N.
Departemen Teknik Geofisika, Institut Teknologi Sepuluh Nopember Surabaya
Jl.Raya ITS, Sukolilo, Surabaya
raihanfachrin@gmail.com

Abstrak
Bahaya kegempaan sangat berpotensi pada daerah sekitar Sesar Lembang, Bandung, Jawa Barat.
Pada penelitian ini akan dibahas cara mengestimasi bahaya kegempaan dengan parameter PGA.
Diharapkan estimasi PGA dapat digunakan untuk membantu memberi gambaran daerah rawan
gempa di Bandung, Jawa Barat. Nilai PGA yang didapatkan pada titik-titik yang tersebar disekitar
sesar dapat dilakukan pendekatan geostatistika. Metode yang digunakan adalah metode Kriging
dan Naturan Neighbor. Metode penelitian terdiri dari enam tahapan yaitu pembuatan grid,
perhitungan jarak dari sumber gempa ke centroid grid, perhitungan nilai PGA, dan penyusunan
zona bahaya kegempaan dengan metode geostatistika kriging dan natural neighbor yang kemudian
dilakukan perbandingan dari kedua metode geostatistika tersebut. Metode kriging terbukti
merupakan metode geostatistika yang lebih akurat dibandingkan metode natura neighbor, dilihat
dari nilai RMSE yang lebih kecil oleh kriging yaitu sebesar 0.105 dan 0.137 oleh natural neighbor.

1. PENDAHULUAN
Intensitas kegempaan yang
tinggi menjadi karakter utama
tektonik kepulauan Indonesia yang
terletak diantara tiga lempeng utama
yaitu lempeng Eurasia di utara,
lempeng Indo-Australia di selatan dan
lempeng Pasifik di timur laut. Gempa
dengan intensitas dan magnitude
tertentu sebagai respon atas
pergerakan lempeng dapat
mengakibatkan kerusakan
infrastruktur dan korban jiwa.
Kerusakan infrastruktur fisik yang
paling dominan akibat gempa adalah
kerusakan pada unit bangunan baik
yang diakibatkan oleh buruknya
kualitas konstruksi (internal) maupun
sebagai akibat kondisi lingkungan
(eksternal) dimana bangunan tersebut
berdiri.
Daerah Bandung dipilih
menjadi target penelitian ini, karena
di daerah Bandung dan sekitarnya
terdapat sesar yang bernama Sesar
Lembang. Parameter-parameter yang
dimiliki Sesar Lembang sendiri sudah
terdaftar pada PUSGEN (Pusat
Gempa Nasional) berupa panjang,
slip-rate (Meilano), dan
menghasilkan Magnitudo Maximum
beserta Time Maximumnya.
Selanjutnya dilakukan perhitungan
parameter PGA (Peak Ground
Acceleration) yang didapatkan
sebagai penunjuk tingkat bahaya pada
setiap titik di sekitar sesar yang
notabene menjadi episentrum gempa.
Sebenarnya PGA sendiri merupakan
percepatan batuan dasar yang timbul
karena gempa.
Data PGA tersebut sulit
dimanfaatkan secara langsung
dikarenakan data memiliki rentang
interval yang terlalu jauh. Sedangkan,
 geostatistika sendiri adalah
metodologi yang cocok digunakan
untuk menganalisis data yang
berkorelasi secara spasial. Estimasi
PGA pada tiap titik sebagai parameter
tingkat bahaya di Bandung dapat
diperoleh dengan menggunakan
metode Kriging dan metode Natural
Neighbor yang biasa digunakan untuk
estimasi dalam ilmu Geostatistika.
Dengan membandingkan hasil
estimasi dari masing-masing metode
dipilih hasil estimasi yang memiliki
root mean square error (RMSE)
terkecil agar hasil estimasi yang
didapat lebih baik.
2. TINJAUAN PUSTAKA
2.1 Gempa
Gempa adalah peristiwa
bergetarnya bumi akibat pelepasan
energi bumi secara tiba-tiba yang
ditandai dengan patahnya lapisan
batuan pada kerak bumi. Akumulasi
energi penyebab terjadinya
gempabumi dihasilkan dari
pergerakan lempeng-lempeng
tektonik (BMKG, 2010). Gempa
bumi dengan magnitude cukup besar
(> 5,9 Mw) mampu merusakkan
bangunan melalui dua cara, yaitu
dengan cara langsung dari getaran
yang memberikan efek gaya
horisontal, dan secara tidak langsung
melalui liquefaction (Kramer, 1996).
Menurut Villavarde, 2009, penyebab
terjadinya gempa bumi dapat
disebabkan oleh (a) tectonic force
yang berkaitan erat dengan
pembentukan patahan (fault),
interaksi antar lempeng pembentuk
kulit bumi, (b) gempa vulkanik yang
berkaitan dengan aktivitas gunung api
(c) Jatuhan atau runtuhan massa
batuan/tanah yang berukuran besar
(d) ledakan konvensional dan nuklir
serta (e) dampak tumbukan meteorit
2.2 PGA (Peak Ground Acceleration)
Percepatan batuan dasar
akibat gempa ditentukan oleh PGA.
Sedangkan, informasi mengenai
karakteristik PGA akibat gempa,
dapat diperoleh melalui rekaman
kejadian gempa pada masa yang lalu.
Perekaman ground acceleration
dimungkinkan untuk mengekstraksi
karakterisrik utama dari rekaman
ground motion seperti peak ground
velocity, peak ground displacement,
ground motion duration dan PGA
(Villavarde, 2009). Percepatan gempa
(ground velocity) dapat dihitung
sebagai percepatan di batuan dasar
(ground acceleration) maupun
percepatan gempa dipermukaan
tanah. Nilai PGA dapat dihitung
dengan mempergunakan fungsi
antenuasi. Fungsi atenuasi adalah
suatu fungsi yang menggambarkan
korelasi antara intensitas gerakan
tanah setempat (a), Magnitude Gempa
(M), serta jarak dari suatu titik dalam
daerah sumber gempa (r). Para ahli
telah banyak merumuskan fungsi
atenuasi dimana fungsi atenuasi yang
berlaku di suatu tempat belum tentu
berlaku di tempat yang lain, karena
fungsi atenuasi sangat tergantung
pada kondisi alam di suatu tempat.
Pemilihan fungsi atenuasi didasarkan
pada kesamaan kondisi geologi dan
tektonik dari wilayah dimana fungsi
atenuasi tersebut dikembangkan
(Irsyam et al, 2010).
2.3 Metode Ordinary Kriging
Pada ordinary kriging,
diasumsikan trend dari komponen
bernilai konstan dan dengan nilai rata-
rata yang telah diketahui pada
 ordinary kriging rata-rata nilai pada terbaik untuk Kriging dilakukan
domain sama dan tidak diketahui, analisis sisaan antara data
serta nilai estimasi neighborhood juga pengamatan dan data dugaan
konstan. Cara mengestimasi nilai menggunakan kriteria RMSE (Root
pada titik 𝑆0 adalah menggunakan Mean Square Error). RMSE
nilai dari sejumlah n data sampel 𝑆𝑖 merupakan akar dari MSE (Mean
dengan digabungkannya secara linear Square Error). Nilai root mean square
dengan bobot 𝜆𝑖 [5]. error (RMSE) yang dihasilkan dengan
nilai minimum menggunakan
𝑍̂(𝑆0 ) = ∑ 𝜆𝑖𝑍(𝑆𝑖) persamaan:

dimana:
𝑍̂(𝑆0 ) = nilai estimasi di titik 𝑆0
𝜆𝑖 = nilai bobot data (dari sistem dimana:
ordinary kriging) 𝑍 ∗(𝑥𝑖 ) = nilai estimasi Z
𝑍(𝑆𝑖) = nilai kadar polutan di titik 𝑍̂(𝑥𝑖) = nilai lapangan Z
sampel 𝑍 ∗(𝑥𝑖 )- 𝑍̂(𝑥𝑖) =nilai residual Z
n = jumlah sampel yang terlibat n = jumlah sampel
dalam proses estimasi Semakin kecil nilai RMSE,
maka semakin baik. Oleh sebab itu
2.4 Semivariogram Eksperimental model dipilih yang menghasilkan
Semivariogram eksperimental RMSE terkecil karena semakin kecil
merupakan penaksir bagi nilai RMSE menunjukan seberapa
semivariogram yang diperoleh dari dekat data sampel dengan nilai
data yang diketahui prediksi.

2.6 Metode Natural Neighbor

dimana : Natural nieghbour setiap titik
𝑠𝑖 : lokasi (koordinat) sampel adalah mereka yang berhubungan
γ̂(ℎ) : nilai semivariogram untuk dengan poligon neighboring Voronoi
setiap jarak h (Thiessen). Awalnya, diagram Voronoi
𝑍(𝑠𝑖) : nilai pengamatan di titik 𝑠𝑖 dibangun dari semua poin yang
𝑍(𝑠𝑖 + ℎ) : nilai pengamatan dititik 𝑠𝑖 diberikan, diwakili oleh poligon hijau.
+ℎ Sebuah poligon Voronoi baru, warna
|𝑁(ℎ)| : nilai mutlak banyaknya beige, dibuat disekitar titik interpolasi
pasangan titik yang mempunyai jarak (bintang merah). Proporsi ini tumpang
h tindih antara poligon baru dan poligon
awal ini kemudian digunakan sebagai
2.5 Valitiditas bobot.
Setelah ditemukan model
yang sesuai, maka diperlukan
validitas untuk dapat mengetahui
model yang dipilih sudah benar atau
belum. MSE adalah metode untuk
mendeteksi error antara data prediksi
dengan data actual. Dalam pemilihan
pembobot optimum pada variogram
 Gambar 1 Lingkungan titik interpolasi natural
neighbor

Rumus dasar interpolasi Natural

Neighbour adalah

parameter-parameter dari metode

kriging.
Gambar 3.1 Grid data dan cross validate
metode kriging
Dimana:
G (x,y)=hasil interpolasi pada titik
(x,y)
Wi=bobot
F(xi,yi)=data yang diketahui
Wi dihitung berdasarkan bobot
besaran area yang diambil sebagai
perhitungan interpolasi pada titik
(x,y)

3. METODOLOGI PENELITIAN
3.1 Metode Kriging
Lakukan grid data
menggunakan software Surfer 15.
Buka data excel pada pilihan grid data
yang berisi koordinat perhitungan X,
Y dengan nilai PGA nya, dapat dilihat
pada gambar 3.1. Kemudian lakukan
cross validate pada tampilan grid
data. Muncul tampilan cross
validation report yang berisi
Table 3.1
Variasi cross validation
metode kriging
Setelah dilakukan cross validation,
didapatkan nilai estimasi Z dan residual
Z. Estimasi Z merupakan perkiraan nilai
Z dan residual Z merupakan selisih
antara nilai perkiraan dengan nilai
lapangan. Rata-rata atau mean dari
metode kriging ini sebesar 327.39 untuk
estimasi Znya dan residual Z sebesar
0.378, median sebesar 308.69 untuk
estimasi Z dan 0.167 untuk residual Z.
Lalu, nilai minimum residual sebesar -
15.69 yang dimasukkan kedalam
 persamaan RMSE guna menentukan Variasi cross validasi metode
nilai errornya. Natural Neighbor

3.2 Metode Natural Neighbor Setelah dilakukan cross

Lakukan grid data
menggunakan software Surfer 15. Buka
data excel pada pilihan grid data yang
berisi koordinat perhitungan X, Y
dengan nilai PGA nya, dapat dilihat pada
gambar 3.1. Kemudian lakukan cross
validate pada tampilan grid data. Muncul
tampilan cross validation report yang
berisi parameter-parameter dari metode
Natural Neighbor.
validation, didapatkan nilai estimasi Z
dan residual Z. Estimasi Z merupakan
perkiraan nilai Z dan residual Z
merupakan selisih antara nilai perkiraan
dengan nilai lapangan. Rata-rata atau
mean dari metode Natural Neighbor ini
sebesar 328.46 untuk estimasi Z nya dan
residual Z sebesar -0.71, median sebesar
308.0 untuk estimasi Z dan -0.04 untuk
residual Z. Lalu, nilai minimum residual
sebesar -20.48 yang dimasukkan
kedalam persamaan RMSE guna
menentukan nilai errornya.

3.3 Perhitungan RMSE

Gambar 3.2
Grid data dan cross validate
metode Natural Neighbor
Perhitungan ini dilakukan untuk
menentukan metode mana yang lebih
baik. Sama halnya seperti melihat nilai
error, bisa dilihat dari kepanjangannya
yaitu Root Mean Square Error. Nilai
RMSE yang lebih kecil berarti memiliki
tingkat keakuratan lebih tinggi dan bisa
lebih dipercaya. Parameter yang
digunakan dalam persamaan RMSE
yaitu nilai minimum residual
(sebenarnya terdapat pengurangan antara
nilai estimasi dengan nilai lapangan).
Sedangkan jumlah sampel memiliki nilai
yang sama yaitu 149
Perbandingan nilai RMSE pada
kedua metode, kriging dan natural
neighbor terdapat pada table 3.3
Metode Minimum RMSE
Residual
Kriging -15.69 0.105
Natural -20.486 0.137
Neighbor
Table 3.3
Perbandingan RMSE kedua metode

Tabel 3.2 3.4 Pembuatan Peta Kontur

 Pada tahap ini lah perbedaan
kedua metode interpolasi yaitu metode
kriging dan natural neighbor terlihat
jelas. Grid data telah dilakukan pada
kedua metode dan menghasilkan file
berformat .grd. Penampilan peta kontur
4.2
dilakukan dengan memilih file yang
memiliki format .grd dari kedua
metode yaitu kriging dan natural
neighbor. Lalu muncul peta kontur dari
data interpolasi workspace.
4. ANALISA DAN PEMBAHASAN
4.1 Penetuan Metode yang Lebih Baik
Dasaran yang digunakan
untuk menentukan metode mana yang
lebih baik, salah satunya yaitu dengan
cara melakukan perhitungan RMSE
untuk setiap metode interpolasi.
Metode kriging dan natural neighbor
merupakan metode yang digunakan
dalam penelitian ini, maka didapatkan
kedua nilai RMSE yang kemudian
dibandingkan metode mana yang
memiliki nilai RMSE lebih kecil berarti
merupakan metode yang bisa dibilang
lebih akurat.
Perhitungan RMSE dilakukan
menggunakan persamaan
Pada kedua metode.
Parameter yang dimiliki sebuah metode
interpolasi untuk menghitung nilai
RMSE yaitu nilai minimum residual.
Setelah didapatkan nilai RMSE untuk
tiap metode, dapat dibandingkan mana
metode interpolasi yang lebih akurat.
Kriging memiliki nilai RMSE sebesar
0.105 dan natural neighbor sebesar
0.137. perbedaan nilai tsb dapat
disimpulkan bahwa metode kriging
merupakan metode yang lebih akurat
dibandingkan natural neighbor.
Semakin kecil RMSE sama halnya
seperti semakin kecil error.
Peta Kontur
Didapatkan peta kontur
seperti gambar dibawah setelah
melakukan tahapan-tahapan yang telah
dijelaskan pada no 3.4.
Gambar 4.1
Peta kontur oleh metode Kriging
Gambar 4.2
Peta Kontur oleh metode natural
neighbor
Kedua metode telah
terpampang peta konturnya masing-
masing. Dapat dilihat perbedaan kedua
metode interpolasi. Metode krigging
memiliki peta kontur yang penuh
terhadap frame peta, sedangkan natural
neighbor memiliki sisi yang kosong
yaitu bagian atas kanan dan kirinya.
Visualisasi diatas dapat diambil
kesimpulan bahwa metode kriging
merupakan metode yang lebih akurat
jika dibandingkan dengan metode
natural neighbor. Hal ini dapat
dikorelasikan dengan hasil perhitungan
 RMSE, dimana metode kriging
memiliki nilai RMSE yang lebih kecil
dan menandakan bahwa kriging
merupakan metode yang lebih akurat
dibandingkan metode natural
neighbor.
5. KESIMPULAN
Berdasarkan hasil yang telah
diperoleh, kesimpulan yang dapat
diambil setelah memperlajari dan
mengimplementasikan metode
Kriging dan natural neighbor dalam
mengestimasi penyebaran PGA pada
Sesar Lembang adalah:
1. Dengan metode Kriging dan metode
natural neighbor dapat diberikan
informasi tentang persebaran tingkat
kebahayaan atau efek dari pergeseran
Sesar Lembang di titik-titik yang
belum diketahui nilainya.
2. Dari hasil estimasi persebaran tingkat
kebahayaan atau efek dari pergeseran
Sesar Lembang, dapat disimpulkan
bahwa metode Kriging menghasilkan
estimasi lebih baik pada studi kasus
ini dibandingkan metode natural
neighbor.
Daftar Pustaka
[1] Fisher, Ronald (1925). “Statistical
Methods for Research Workers.
Edinburgh”: Oliver & Boyd. ISBN 0-
05- 002170-2
[2]. Franke, R. 1982. “Smooth
Interpolation of Scattered Data by
Local Thin Plate Splines”. Comp. &
Maths. with Appls. Vol. 8. No. 4. pp.
237–281. Great Britain.
[3]. Jasmina R and Amelia D, 2001,
“Defining Of The Intensity Of Solar
Radiation On Horizontal And
Oblique Surfaces On Earth”, Facta
Universitati, Working and Living
Environmental Protection Vol. 2,
No.1, 2001, pp. 77 - 86
[4]. Halit Apaydin, F. Kemal Sonmez,
Y. Ersoy Yildirim, 2004, “Spatial
interpolation techniques for climate
data in the GAP region in Turkey”,
Climate Research, Inter-Research,
Vol. 28: 31–40, 2004
[5]. Raharjo, I dan Fitriana ,2005,
“Analisis Potensi Pembangkit Listrik
Tenaga Surya Di Indonesia”,
Publikasi Ilmiah, BPPT, Jakarta,
ISBN 979-95999-5-4
[6]. Sibson, R. ,1981, "A brief
description of natural neighbor
interpolation (Chapter 2)". In V.
Barnett. Interpreting Multivariate
Data. Chichester: John Wiley. pp. 21–
36.
[7]. Shepard, Donald ,1968, "A
twodimensional interpolation
function for irregularly-spaced data".
Proceedings of the 1968 ACM
National Conference. pp. 517–524.
doi:10.1145/800186.810616.
[8]. Stigler, S. M. ,1989. "Francis
Galton's Account of the Invention of
Correlation". Statistical Science 4 (2):
73–79. doi: 10.1214/ss/ 1177012580.
[9]. Vetri, N, Marlina dan Bono,
2012, “Pembuatan Peta Potensi
Energy Surya”, Mineral & Energi,
Vol.10/No.4, Jakarta,