Anda di halaman 1dari 16

LAPORAN PRAKTIKUM

SISTEM INFORMASI GEOGRAFIS

ACARA X

3D ANALYST

Disusun Oleh :

Hanri Bawafi

130722607348

Offering H 2013

Dosen Pengampu Mata Kuliah

Alfi Nur Rusydi, S.Si., M.Sc.

JURUSAN GEOGRAFI

FAKULTAS ILMU SOSIAL

UNIVERSITAS NEGERI MALANG

2015
ACARA X

3D ANALYST

I. Tujuan
Mengolahan data dengan proses 3D Analyst interpolasi model Kriging, IDW, Spline,
Cut and Fill, Trend, dan Natural Neighbor, Slope, Aspect, HillShade dan TIN.

II. Dasar teori


Interpolasi merupakan suatu metode atau fungsi matematika yang menduga nilai
pada lokasi-lokasi yang datanya tidak tersedia. Interpolasi spasial mengasumsikan
bahwa atribut data bersifat kontinu di dalam ruang (space) dan atribut ini saling
berhubungan (dependence) secara spasial (Anderson, 2001 dalam Christanto dkk,
2005). 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 dari pada nilai pada titik-titik yang terpisah lebih jauh.
Logika dalam interpolasi spasial merupakan bahwa nilai titik observasi yang
berdekatan akan memiliki nilai yang sama (mendekati) dibandingkan dengan nilai di
titik yang lebih jauh (Hukum geografi Tobler, dalam Christanto dkk, 2005).
Pendekatan interpolasi dibutuhkan untuk mengeneralisasi data spasial dari
pengumpulan data sampling dimana data tidak tersedia pada seluruh sebaran spasial
(Rudiarto, 2010). Untuk menutup semua wilayah pada wilaya studi, data sosial
ekonomi rumah tangga yang diperoleh berdasarkan hasil survei digeneralisasi melalui
metode interpolasi yang tersedia dalam Sistem Informasi Geografis. Hubungan
langsung antara data sosial ekonomi dan posisi secara geografis mensyaratkan
terdapatnya data agregat pada tingkat spasial seperti pendapatan petani dan lokasi
rumah tangga. Pada penelitian ini metode interpolasi digunakan untuk
mengeneralisasi karakteristik sosial ekonomi kedalam data spasial.
Pemahaman tentang bagaimana jaringan interpolasi dibuat tergantung pada
bagaimana interpolasi dilakukan pada satu titik. Interpolasi data spasial secara khusus
bertujuan untuk interpolasi dari data titik. Interpolasi spasial merupakan prosedur
dalam memperkirakan nilai sebuah variabel lapangan yang tidak termasuk dalam
sampel penelitian dan berlokasi di dalam area yang dicakup oleh lokasi sampel atau
dalam kata-kata sederhana, diberikan dalam rangka untuk menentukan nilai-nilai yang
dihasilkan pada bagian unsampel, ada empat teknik interpolasi yang diterapkan yaitu :
a. Jarak Inverse Tertimbang (IDW)
Teknik interpolasi ini mengasumsikan bahwa setiap titik memiliki pengaruh
lokal, yang berbanding terbalik dengan kekuatan yang dipilih dari kejauhan
b. Spline
Metode interpolasi bahwa perkiraan nilai dengan menggunakan fungsi
matematika yang meminimalkan keseluruhan permukaan kelengkungan dan
menghasilkan permukaan yang halus yang melewati titik-titik masukan.
c. Kriging
Teknik interpolasi ini menghitung jarak atau arah antara titik sampel untuk
menunjukkan korelasi spasial yang dapat membantu untuk menggambarkan
lokasi
d. Trend
Interpolasi teknik ini sesuai fungsi matematika, polinomial tatanan tertentu,
ke semua titik masukan (Naoum dan Tsanis, 2004 dalam Rudiarto, 2010).

III. Alat dan Bahan


1. Laptop
2. Software ArcGIS dan ArcScene
3. Data 3D Analiyst

IV. Langkah Kerja


1. Buka Aplikasi ArcMap
2. Klik add data pada ArcMap, dan pilihlah file .shp “point_elevasi”
3. Klik editor → start editing → Arc Toolbox → 3D analyst → raster interpolation
→ kriging.
4. Setelah metode kriging selesai, selanjutnya klik kanan pada data kriging →
properties → simbologi → stretched (hitam putih)
5. Kemudian lakukan interpolasi dengan menggunakan metode Natural Neighbor
dengan cara yang sama .
6. Untuk metode IDW, setelah klik IDW pada arc toolbox → (input point features)
isi dengan “point_elevasi” → ok.
7. Lakukan langkah yang sama seperti sebelumnya untuk metode Spline, Trend
8. Kemudian langkah selanjutnya yaitu melakukan spasial analisis dengan klik
arctoolbox → spatial analytic tools → surface → slope → (input) hasil dari
metode IDW → (output raster) “Slope_IDW” → ok.
9. Lakukan analisis spasial dengan metode yang lain , langkahnya sama . namun
klik Aspect → (input) dem_kriging → (output) aspect_krig → ok.
10. Lakukan analisis berikutnya dengan metode Hillshade, Cut fill dengan langkah
yang sama seperti langkah pada nomor 9.
11. Selanjutnya merupakan klik 3D Analyst toolbox → data management → TIN→
create tin → (input) point_elevasi → ok.
12. Untuk menampilkan grafik profilnya , merupakan dengan langkah buka 3D
Analyst → create line of sight→ buatlah garis melintang pada gambar → 3D
analyst → profil graph.
13. Selanjutnya merupakan melakukan proses pembuatan tampilan tiga dimensi
dengan membuka Arc.Scene
14. Panggil data “tin” dengan add data.
15. Untuk mengatur tampilan tiga dimensi yakni klik kanan → simbologi → base
high → (custom) 1,000 digantikan dengan 3.
16. Lakukan layout pada peta tin tersebut.

V. Hasil Praktikum
A. DEM
1. Kriging
2. IDW

3. Spline
4. Natural Neighbor

5. Trend
B. Hillshade
1. Kriging

2. IDW
C. Slope
1. Kriging

2. IDW
D. Cut Fill

E. Viewshed
F. Aspect
1. Kriging

2. IDW
G. TIN 3D

VI. Pembahasan
Kriging merupakan prosedur statistik canggih yang menghasilkan permukaan dari
satu set poin yang tersebar dengan nilai z. Berbeda dengan metode interpolasi lain
yang didukung oleh Analyst Spatial, Kriging melibatkan penyelidikan interaktif
perilaku spasial dari fenomena diwakili oleh nilai-nilai z sebelum pengguna memilih
metode estimasi terbaik untuk menghasilkan permukaan output. Kriging
mengasumsikan bahwa jarak atau arah antara titik sampel mencerminkan korelasi
spasial yang dapat digunakan untuk menjelaskan variasi pada permukaan. Kecepatan
dalam pemrosesan Kriging tergantung pada jumlah poin dalam dataset input dan
ukuran jendela pencarian. Dalam praktikum ini, kecepatan pemrosesan tergolong
cepat karena jendela pencariannya kecil dan jumlah poin tidak terlalu banyak. Dalam
Kriging terdapat low value dan high value. Nilai rendah (Low Value) dalam varian
keluaran opsional dari prediksi raster menunjukkan elevasi yang rendah dalam nilai
prediksi. Nilai tinggi (High Value) dapat mengindikasikan elevasi pada poin. Varians
keluaran opsional dari prediksi raster berisi varians kriging pada setiap sel raster
output. Dengan asumsi kesalahan kriging terdistribusi secara normal, ada
kemungkinan 95,5 persen bahwa nilai z yang sebenarnya di sel adalah nilai raster
yang diprediksi. Ada dua metode untuk kriging, Ordinary dan Universal. Dalam
praktikum ini menggunakan model Ordinary yang memiliki lima jenis
semivariograms yaitu Spherical, Circular, Exponential, Gaussian, Linear. Dan yang
digunakan adalah Spherical, model ini menunjukkan penurunan progresif autokorelasi
spasial (dengan kata lain, peningkatan semivariance) sampai jarak tertentu, di luar
yang autokorelasi adalah nol.
Inverse Distance Weighted (IDW) menentukan nilai sel menggunakan kombinasi
linear berbobot dari satu set titik sampel. Permukaan yang diinterpolasi harus dari
lokasi variabel dependen. Metode ini mengasumsikan bahwa variabel yang dipetakan
mengalami penurunan pengaruh dengan jarak dari sampel lokasi. Semakin jauh dari
jarak dari lokasi maka semakin menurun pengaruhnya, juga sebaliknya. Dengan
mendefinisikan bahwa nilai yang lebih tinggi berarti diletakkan pada titik terdekat.
Dengan demikian, data yang terdekat akan memiliki pengaruh besar dan permukaan
akan lebih detail (kurang halus). Sedangkan nilai yang rendah akan memberikan
pengaruh yang lebih untuk poin sekitarnya yang jauh, sehingga menghasilkan
permukaan halus. Pada praktikum, permukaan IDW adalah yang paling jelas dan
detail daripada keempat metode lainnya. Ketika membuat IDW terdapat Variable
Search Radius yang terisi secara default dengan nilai 12, ini berarti terdapat 12 titik
yang digunakan dalam menghitung nilai sel interpolasi, yang membuat jarak radius
bervariasi untuk setiap sel interpolasi, tergantung pada seberapa jauh harus mencari di
sekitar setiap sel diinterpolasi untuk mencapai jumlah yang ditentukan poin masukan.
Dengan demikian, beberapa lingkungan dalam ke-12 titik akan menjadi kecil dan lain-
lain akan menjadi besar, tergantung pada kepadatan titik yang diukur dekat sel
interpolasi. Selain itu juga dapat menentukan jarak maksimum (dalam satuan peta)
agar tidak melebihi radius pencarian, namun dalam hal ini, jarak dalam Maximum
Distance tidak diisi sehingga tidak ada batasan pencarian. Kemudian pada kolom
Power terisi angka 2 secara default, Power mengendalikan pentingnya pengaruh poin
terhadap kedetailan pada nilai interpolasi sekitarnya.
Natural Neighbor memiliki batas poin masukan yaitu sekitar 15 juta. Jika kelas
fitur input berisi lebih dari jumlah poin yang sangat besar lebih dari 15 juta maka
fungsi metode ini mungkin gagal untuk membuat hasilnya. Dalam praktikum ini
terdapat 6722 poin sehingga alat masih bisa bekerja. Pada Natural Neighbor terdapat
Output Cell Size yaitu ukuran sel di mana raster output akan dibuat. Ini akan menjadi
nilai di lingkungan jika diatur secara eksplisit, jika tidak, maka akan lebih pendek dari
lebar atau tinggi tingkat fitur point masukan, dalam referensi spasial input dibagi
dengan 250. Permukaan natural neighbor lebih kabur daripada permukaan pada
Kriging dan IDW dikarenakan high value lebih tinggi daripada kedua metode tersebut.
Spline merupakan interpolasi permukaan raster dari point feature menggunakan
teknik kelengkungan minimal dua dimensi. Menghasilkan permukaan halus melalui
titik masukan. Ada dua metode Spline: regularized dan Tension. Dalam praktikum ini
menggunakan Regularized. Metode regularized menciptakan kehalusan secara
bertahap berubah pada permukaan dengan nilai-nilai yang mungkin berada di luar
jangkauan data sampel. Kemudian pada kolom Weight yang terisi 0,1, mempengaruhi
karakter interpolasi permukaan. Ketika menggunakan metode regularized, maka akan
mendefinisikan berat derivatif ketiga permukaan dalam ekspresi kelengkungan
minimalisasi. Pada kolom Number of Points, untuk mengidentifikasi jumlah poin
yang digunakan dalam perhitungan setiap sel interpolasi. Semakin banyak poin
masukan yang ditentukan, maka semakin banyak setiap sel dipengaruhi oleh jarak
poin dan menghasilkan permukaan output yang lebih halus. Semakin besar jumlah
poin, semakin lama waktu yang dibutuhkan untuk memproses raster output. Pada
praktikum ini menggunakan 12 point. Permukaan spline terlihat lebih kabur daripada
permukaan pada permukaan pada metode IDW, Kriging dan Natural Neighbor
dikarenakan high value lebih tinggi daripada ketiga metode tersebut.
Trend menggunakan interpolasi polinomial global yang cocok untuk membuat
permukaan halus yang didefinisikan oleh fungsi matematika (polinomial) ke titik
sampel input. Permukaan trend perubahan secara bertahap dan menangkap pola kasar-
besaran di data. Terdapat dua Type of Regression yaitu Linear dan Logistic, dalam
praktikum ini menggunakan Linear maka permukaan pada trend menciptakan point
raster yang merata. Menggunakan regresi polinomial dalam hal ini menggunakan
angka 1 pada Polynomial Order untuk menyesuaikan permukaan ke titik-titik input.
Linear memungkinkan untuk mengontrol urutan polinomial yang digunakan untuk
menyesuaikan permukaan. Nilai 1 akan cocok dengan bidang datar berdasarkan poin,
dan nilai yang lebih tinggi akan cocok dengan permukaan yang lebih kompleks, nilai
terendah yang digambarkan sebagai warna putih merupakan elevasi terendah semakin
ke arah yang daerahnya memiliki elevasi tinggi maka warna akan semakin gelap
sampai telah melewati daerah elevasi tinggi tersebut kemudian menyamaratakan
elevasi, semakin gelap warna dan tinggi nilainya maka di daerah itulah yang memiliki
point-point dengan elevasi yang lebih tinggi daripada daerah dengan warna terang
dengan nilai rendah. Hal ini yang menyebabkan permukaan trend berbeda dengan
metode lainnya.
Hillshade merupakan alat untuk memperoleh hipotesis pencahayaan pada
permukaan dengan menentukan nilai pencahayaan untuk setiap sel dalam raster. Hal
ini dilakukan dengan menetapkan posisi sumber cahaya secara hipotetis dan
menghitung nilai pencahayaan dari setiap sel dalam kaitannya dengan sel tetangga.
Hal ini dapat sangat meningkatkan visualisasi permukaan untuk analisis atau tampilan
grafis, terutama ketika menggunakan transparansi. Raster output memiliki nilai
integrer antara 0 sampai 255. Faktor utama saat membuat hillshade untuk lokasi
tertentu adalah lokasi matahari di langit. Terdapat kolom Azimuth ketika proses
pembuatan yang merupakan arah sudut matahari, diukur dari utara dalam derajat
searah jarum jam dari 0 sampai 360. Azimut 90° adalah timur. Azimut yang dipakai
dalam praktikum ini adalah 315° (NW) secara default berarti sudut datang sinar
matahari berasal dari sudut Barat Laut. Kemudian Altitude adalah kemiringan atau
sudut sumber penerangan di atas cakrawala. Unit dalam derajat, dari 0 (di cakrawala)
ke 90 (overhead). Dalam praktikum ini menggunakan sudut standar yaitu 45 derajat,
berarti posisi matahari berada tepat di atas. Terbentuknya bayangan pada hasil
hillshade merupakan hasil dari angka pada Azimuth dan Altitiude. Kemudian Shadow
Model yang dapat mengidentifikasi setiap sel yang akan di bawah bayang-bayang sel
lain pada waktu tertentu dalam sehari. Jika Shadow Model tidak dicentang, maka
raster keluaran hanya mempertimbangkan sudut pencahayaan lokal. Jika dicentang,
raster keluaran mempertimbangkan efek dari kedua sudut pencahayaan lokal dan
bayangan. Namun dalam hal ini Shadow Model tidak dicentang. Analisis bayangan
dilakukan dengan mempertimbangkan efek dari horizon lokal di setiap sel. Sel-sel
raster dalam bayangan ditugaskan dari nilai nol. Dalam hal ini terdapat dua hillshade
dari Kriging dan IDW, permukaan IDW lebih kasar daripada Kriging dan memiliki
nilai yang lebih tinggi.
Slope merupakan laju perubahan maksimum dalam nilai z dari setiap sel.
Penggunaan z-faktor penting untuk perhitungan kemiringan ketika unit z permukaan
yang dinyatakan dalam satuan yang berbeda dari tanah dalam unit x, y. Rentang nilai
dalam Output Measurements tergantung pada jenis unit pengukuran. Terdapat dua
pilihan yaitu Degrees dan Percent-Rise. Untuk degrees, kisaran nilai kemiringan 0
sampai 90. Untuk percent-rise, kisaran 0 hingga dasarnya tak terbatas. Dan Percent-
Rise yang digunakan dalam praktikum. Sebuah permukaan datar adalah 0 persen,
permukaan 45 derajat adalah 100 persen, dan apabila permukaan menjadi lebih
vertikal maka kenaikan persen menjadi semakin besar. Dalam praktikum dibuat dua
slope yang berasal dari input Kriging dan IDW. Pada kriging, hasil Slope terlihat lebih
halus namun nilai yang lebih rendah daripada hasil pada IDW yang terlihat kasar
namun lebih bervariasi. Warna merah menunjukkan elevasi tertinggi dan warna hijau
merupakan elevasi terendah.
Cut Fill digunakan untuk menghitung perubahan volume antara dua permukaan
pada Kriging dan IDW, Alat ini memungkinkan untuk membuat peta berdasarkan dua
masukan permukaan yaitu input before raster surface menggunakan kriging dan input
after raster surface menggunakan IDW yang kemudian menampilkan daerah dan
volume bahan permukaan yang telah dimodifikasi oleh penghapusan atau
penambahan bahan permukaan. Pada tabel atribut dari raster keluaran menyajikan
perubahan dalam volume permukaan setelah operasi Cut Fill. Nilai positif untuk
perbedaan volume yang menunjukkan daerah sebelum permukaan raster yang telah
dipotong (bahan dihapus). Nilai negatif menunjukkan daerah yang telah diisi (bahan
tambahan). Daerah yang telah dipotong digambarkan dengan warna biru, dan daerah-
daerah yang telah diisi digambarkan dengan warna merah. Daerah yang tidak berubah
akan ditampilkan dalam warna abu-abu. Berarti warna merah (Net Gain) yang telah
diisi pada raster input menunjukkan bahwa daerah tersebut memiliki ketinggian yang
lebih rendah daripada ketinggian pada raster output, kemudian warna biru (Net Loss)
menunjukkan bahwa daerah tersebut memiliki elevasi yang lebih tinggi daripada
elevasi pada raster output dan warna abu-abu (Unchanged) menunjukkan elevasi yang
sama pad raster input dan output, namun dalam hal ini tidak ada warna abu-abu berarti
tidak ada ketinggian yang sama.
Viewshed mengidentifikasi sel-sel dalam raster masukan yang dapat dilihat dari
satu atau lebih lokasi pengamatan. Setiap sel dalam raster keluaran menerima nilai
yang menunjukkan berapa banyak poin pengamat dapat dilihat dari setiap lokasi. Jika
hanya memiliki satu titik pengamat, setiap sel yang dapat melihat bahwa titik
pengamat diberi nilai 1. Semua sel-sel yang tidak dapat melihat titik pengamat diberi
nilai 0. Kelas fitur poin pengamat dapat berupa titik atau garis. Visibilitas setiap pusat
sel ditentukan dengan membandingkan sudut ketinggian ke pusat sel dengan sudut
ketinggian ke cakrawala lokal. Cakrawala lokal dihitung dengan mempertimbangkan
medan intervensi antara titik observasi dan pusat sel. Jika titik terletak di atas
cakrawala lokal, maka dianggap terlihat. Pada hasil viewshed terdapat poin yang
menunjukkan posisi pengamat kemudian warna merah muda berarti tidak terlihat oleh
pengamat karena adanya pengaruh ketinggian objek yang menghalangi pemandangan
dan warna hijau muda merupakan daerah yang terlihat oleh pengamat.
Aspect mengidentifikasi arah lereng. Nilai setiap sel dalam raster keluaran
menunjukkan arah kompas terhadap permukaan di lokasi itu yang diukur searah jarum
jam dalam derajat dari 0 ke 360. Daerah datar yang tidak memiliki arah lereng diberi
nilai -1. Nilai setiap sel dalam dataset aspek menunjukkan arah kemiringan
permukaan sel. Lereng yang menghadap ke arah utara diberi warna merah, lereng
yang menghadap ke timur diberi warna kuning, lereng yang menghadap ke selatan
diberi warna biru muda dan lereng yang menghadap ke barat diberi warna biru.
TIN (Triangular Irregular Network) merupakan bentuk data geografis digital
berbasis vektor dan dibangun oleh triangulasi satu set vektor (point). Vektor
terhubung dengan serangkaian tepi untuk membentuk jaringan segitiga. Ada berbagai
metode interpolasi untuk membentuk segitiga tersebut, seperti Delaunay triangulasi
untuk jarak urutan. Pada pembuatan TIN, dibuat garis penampang melintang dan garis
kenampakan atau Line of Sight yang melalui objek pada peta dengan ketinggian atau
elevasi berbeda. Dalam praktikum ini menggunakan point dalam jumlah banyak atau
yang disebut poin massal yang menjadi pengukuran ketinggian titik dalam jaringan
TIN. Poin massal merupakan input utama dalam TIN dan menentukan bentuk
keseluruhan permukaan. Sehingga memungkinkan untuk model permukaan heterogen
secara efisien dengan memasukkan poin lebih banyak di daerah di mana permukaan
sangat bervariasi dan lebih sedikit di tempat-tempat di mana permukaan kurang
bervariasi. Dalam proses pembuatan TIN dibuat dua garis yaitu yang pertama adalah
garis penampang melintang yang menunjukkan perbedaan elevasi pada daerah yang
dilalui garis tersebut, garis ini digambarkan dengan warna hitam, kemudian garis yang
kedua adalah Line of Sight yang merupakan garis grafis antara dua titik pada
permukaan yang menunjukkan di mana sepanjang garis pandangan terhalang. Warna
garis menunjukkan lokasi di mana permukaan terlihat dan di mana ia tersembunyi.
Status bar menunjukkan apakah target terlihat atau tersembunyi. Pada peta hasil
layout TIN terlihat garis yang dilambangkan dengan warna merah yang berarti daerah
tersebut terhalang dari titik pengamat, sedangkan daerah garis hijau adalah daerah
terlihat dari titik pengamat, kemudian titik biru pada grafik dan titik hitam pada peta
merupakan titik pengamat dimana merupakan awal penarikan garis ketika membuat
Line of Sight.

VII. Kesimpulan
Kelima metode Raster Interpolation yaitu Kriging, IDW, Spline, Natural
Neighbor dan Trend memiliki perbedaan dari segi kehalusan permukaan dan nilau
atau value, dari segi kehalusan permukaan dari yang paling halus sampai yang paling
kasar yaitu Trend, Spline, Natural Neighbor, Kriging dan IDW. Semakin halus
permukaan output maka semakin terlihat kabur. Semakin halus permukaan output
semakin tinggi value/nilainya, kecuali pada Trend.
Nilai/value output yang dihasilkan berbeda-beda pada setiap model. Perbedaan
nilai pada Kriging dipengaruhi metode Kriging dan model Semivariogram yang
dipilih serta Number of Points yang ditentukan, sedangkan pada IDW nilai/value
berbeda tergantung angka yang diberikan pada Power serta Number of Point,
kemudian pada Spline perbedaan nilai dipengaruhi angka pada Weight dan Number of
Points serta type spline, perbedaan nilai pada Natural Neighbor dipengaruhi Output
Cell Size dan perbedaan nilai pada Trend dipengaruhi angka yang diberikan pada
Polynomial Order dan pemilihan pada Type of Regresion.
Hillshade menentukan daerah pencahayaan dan bayangan berdasarkan arah sudut
pencahayaan matahari. Hasil IDW lebih kasar daripada Kriging karena dipengaruhi
angka pada Power, demikian juga pada hasil Slope. Cut Fill membandingkan dua
raster berdasarkan perbedaan elevasi, elevasi pada raster “sebelum” lebih rendah
daripada raster “sesudah” maka akan diisi (fill), elevasi pada raster “sebelum” lebih
tinggi daripada raster “sesudah” maka akan potong (cut). Viewshed menunjukkan
terlihat atau tidaknya suatu daerah atau objek dari titik pengamat berdasarkan
perbedaan ketinggian tempat pada titik pengamat dan daerah sekitar. Aspect membuat
peta berdasarkan arah lereng yang berhadapan sesuai arah mata angin dengan simbol
warna. TIN terbentuk berdasarkan data elevasi atau nilai z pada tabel atribut.

VIII. Daftar Pustaka


Booth, Bob. 2000. Using ArcGIS™ 3D Analyst™. Environmental Systems Research
Institute. United States of America

Pramono, Gatot. 2008. Akurasi Metode IDW dan Kriging untuk Interpolasi Sebaran
Sedimen Tersuspensi di Maros, Sulawesi Selatan. Bakosurtanal

http://web.pdx.edu/~emch/gis2a/Using_ArcGIS_3D_Analyst.pdf (diakses pada 21


April 2015 pukul 14:50)
http://resources.arcgis.com/en/help/main/10.1/index.html#/Creating_a_line_of_sight/0
0q8000000pz000000/ (diakses pada 21 April 2015 pukul 14:44)
http://help.arcgis.com/en/arcgisdesktop/10.0/help/index.html#/Natural_Neighbor/00q
90000002w000000/ (diakses pada 21 April 2015 pukul 14:57)
http://webhelp.esri.com/ArcGISdesktop/9.3/index.cfm?TopicName=Kriging_(3D_An
alyst) (diakses pada 21 April 2015 pukul 14:58)
http://help.arcgis.com/en/arcgisdesktop/10.0/help/index.html#/Spline/00q9000000240
00000/ (diakses pada 21 April 2015 pukul 15:01)
http://help.arcgis.com/en/arcgisdesktop/10.0/help/index.html#/Trend/00q90000006s0
00000/ (diakses pada 21 April 2015 pukul 15:09)
http://help.arcgis.com/en/arcgisdesktop/10.0/help/index.html#/Cut_Fill/009z000000tz
000000/ (diakses pada 21 April 2015 pukul 15:25)
http://help.arcgis.com/en/arcgisdesktop/10.0/help/index.html#/Viewshed/009z000000
v3000000/ (diakses pada 21 April 2015 pukul 15:42)
http://help.arcgis.com/en/arcgisdesktop/10.0/help/index.html#/Aspect/009z000000tr0
00000/ (diakses pada 21 April 2015 pukul 16:04)
http://webhelp.esri.com/arcgisdesktop/9.2/tutorials/3D_20.htm (diakses pada 21 April
2015 pukul 16:18)