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 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.

2.1 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 menu-

menu 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 :2
- Search Neighborhood
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