Interpolasi Metode Deterministik Inverse PDF
Interpolasi Metode Deterministik Inverse PDF
Kelas A
Nama Asisten :
Nadhea Arta Y.
Ganny Indrajid
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 lokasi-
lokasi 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.
2.2 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. 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.
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.
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.
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