LAPORAN II

PRAKTIKUM STATISTIKA SPASIAL

“INVERSE DISTANCE WEIGHTED (IDW)”
Tanggal Penyerahan: 31 Oktober 2019

Disusun Oleh: Muhammad Varian Reinaldo (23-2016-090)

Dosen : Dr. Dewi Kania Sari, Ir., M.T.

Asisten Dosen : 1. Arif Ramdhani 23-2015-019

2. Masyita 23-2015-081

LABORATORIUM SISTEM INFORMASI SPASIAL

JURUSAN TEKNIK GEODESI
FAKULTAS TEKNIK SIPIL DAN PERENCANAAN
INSTITUT TEKNOLOGI NASIONAL
BANDUNG
2019
 Laporan Praktikum Statistika Spasial

DAFTAR ISI

DAFTAR ISI ............................................................................................................ i

BAB I PENDAHULUAN ....................................................................................... 1

1.1 Maksud dan Tujuan ...................................................................................... 1

1.2 Waktu Pelaksanaan Praktikum ..................................................................... 1

BAB II DASAR TEORI ......................................................................................... 2

2.1 Inverse Distance Weighted (IDW) ............................................................... 2

BAB III PELAKSANAAN PRAKTIKUM ............................................................ 4

3.1 Langkah-Langkah Praktikum ........................................................................ 4

BAB IV HASIL DAN ANALISIS .......................................................................... 9

4.1 Analisis Searching Neighborhood................................................................. 9

4.2 Analisis Cross Validation .............................................................................. 9

4.3 Analisis Hasil Report................................................................................... 10

4.4 Analisis Hasil Interpolasi Curah Hujan Menggunakan IDW ...................... 12

BAB V KESIMPULAN DAN SARAN................................................................ 13

5.1 Kesimpulan .................................................................................................. 13

DAFTAR PUSTAKA

Muhammad Varian Reinaldo / 23-2016-090 i

 Laporan Praktikum Statistika Spasial

BAB I
PENDAHULUAN

1.1 Maksud dan Tujuan

Praktikum Statistika Spasial mengenai Analisis Geostatistika ini bermaksud
untuk meningkatkan pemahaman, pengetahuan dan keterampilan dalam melakukan
analisis geostatistik dengan metode interpolasi deterministik, khususnya dengan
metode Inverse Distance Weighting, dengan data dasar curah hujan dan batas
adminsitrasi Kota Bandung.
Praktikum Statistika Spasial ini bertujuan agar mahasiswa mampu melakukan
analisis data spasial metode interpolasi deterministik dengan menggunakan tools
yang telah disediakan oleh Software ArcGIS.
1.2 Waktu Pelaksanaan Praktikum
Praktikum Statistika Spasial dengan materi Inverse Distance Weighting
dilaksanakan pada:
Hari : Rabu, 23 Oktober 2019
Pukul :10.00 WIB – Selesai
Tempat : Lab. Sistem Informasi Spasial, Teknik Geodesi, ITENAS

Muhammad Varian Reinaldo / 23-2016-090 1

 Laporan Praktikum Statistika Spasial

BAB II
DASAR TEORI

2.1 Inverse Distance Weighted (IDW)

Metode Inverse Distance Weighted (IDW) merupakan metode deterministik
yang sederhana dengan mempertimbangkan titik disekitarnya. Asumsi dari metode
ini adalah nilai interpolasi akan lebih mirip pada data sampel yang dekat daripada
yang lebih jauh. Bobot (weight) akan berubah secara linear sesuai dengan jaraknya
dengan data sampel. Bobot ini tidak akan dipengaruhi oleh letak dari data sampel.
Metode ini merupakan suatu cara penaksiran yang telah memperhitungkan
adanya hubungan letak ruang (jarak), merupakan kombinasi linear atau harga rata-
rata tertimbang (weighting average) dari titik-titik data yang ada di sekitarnya.
Metode seperjarak ini mempunyai batasan pada jarak saja dan belum
memperhatikan efek pengelompokan data, sehingga data dengan jarak yang sama,
namun mempunyai pola sebaran yang berbeda masih akan memberikan hasil yang
sama atau dengan kata lain metode ini belum memberikan korelasi ruang antara
titik data dengan titik data yang lain (Haris, 2005). Berikut rumus umum yang
digunakan:
𝑁

Ẑ(S0 ) = ∑ λi Z(Si )
𝑖=1

Dimana: Ẑ(S0 ) : Nilai yang akan diprediksi.

N : Banyaknya pengukuran titik sampel.
𝜆 : Bobot pengukuran
Parameter power p mempengaruhi pembobotan dari setiap nilai lokasi yang
diukur terhadap nilai lokasi yang di prediksi. Jadi, jika jarak antara lokasi sampel
yang diukur dengan lokasi prediksi semakin besar, maka bobot ( atau pengaruh ) titik
ukuran terhadap prediksi akan berkurang secara eksponensial. Bobot adalah
proporsional terhadap inversi jarak. Akibatnya, jika semakin besar jarak maka
bobot akan berkurang secara cepat. Seberapa cepat bobot berkurang tergantung
pada nilai p. Jika p = 0, tidak ada penurunan bobot dengan jarak, setiap bobot 𝜆𝑖
akan sama, sehingga nilai prediksi merupakan nilai rata – rata dari semua nilai

Muhammad Varian Reinaldo / 23-2016-090 2

 Laporan Praktikum Statistika Spasial

ukuran. Jika semakin besar p, bobot untuk titik – titik yang jauh akan berkurang
dengan cepat ( secara eksponensial ). Jika nilai p sangat besar maka hanya sejumlah
kecil titik di sekitar lokasi prediksi yang akan mempengaruhi nilai prediksi.

Muhammad Varian Reinaldo / 23-2016-090 3

 Laporan Praktikum Statistika Spasial

BAB III
PELAKSANAAN PRAKTIKUM

3.1 Langkah-Langkah Praktikum

No Capture/Print Screen Keterangan
1 Buka aplikasi ArcGIS,
kemudian pilih Add
Data.

2 Pilih file
batas_administrasi.shp
dan curah_hujan.shp,
lalu pilih Add.

3 Pilih tool Geostatistical

Analyst kemudian pilih
Geostatistical Wizard...

Muhammad Varian Reinaldo / 23-2016-090 4

 Laporan Praktikum Statistika Spasial

4 Pada kotak Input Data,

ganti Data Field dari Id
menjadi intensitas,
kemudian pilih Next >.

5 Pada kotak Search

Neighborhood, atur
pilihan metode
interpolasi yang
diinginkan. Setelah itu
pilih Next >.

6 Pilih Finish.

Muhammad Varian Reinaldo / 23-2016-090 5

 Laporan Praktikum Statistika Spasial

7 Untuk merubah rentang

konturnya, klik kanan
pada Layer Inverse
Distance Weighting
kemudian pilih
Properties. Pilih
Symbology kemudian
pilih Classify....

8 Pada kotak
Classification ganti
Method dari Geometric
Interval mejadi Manual
dan pada kotak Breaks
ganti pembulatan
angkanya menjadi dua
angka dibelakang
koma. Pilih OK.

9 Untuk membuat peta

sebaran curah hujan
sebelumnya harus
merubah data sebaran
curah hujan dari raster
ke vektor. Klik kanan
pada layer Inverse
Distance Weighting 
Data  Export to
Vektor....

Muhammad Varian Reinaldo / 23-2016-090 6

 Laporan Praktikum Statistika Spasial

10 Pada Contour type

pilih FILLED
CONTOUR dan Output
feature class pilih
tempat penyimpanan
yang diinginkan.
Setalah itu pilih OK.

11 Untuk menyesuaikan
sebaran curah hujan
dan dearah yang akan
dipetakan maka harus
dilakukan pemotongan
area sebaran curah
hujan. Pilih menu
Geoprocessing
kemudian pilih Clip.
12 Pada Input Features
pilih layer
CurahHujanVektor,
pada Clip Features
pilih file
batas_administrasi,
dan pada Output
Feature Class pilih
tempat penyimpanan
yang diinginkan.
Kemudian pilih OK.

Muhammad Varian Reinaldo / 23-2016-090 7

 Laporan Praktikum Statistika Spasial

13 Untuk memunculkan
warna konturnya, klik
kanan pada layer
CurahHujanVektorClip
lalu pilih Properties.
Pilih Symbology
kemudian pilih
Catagories.
14 Pada Value Field pilih
Values kemudian klik
Add All Values. Setelah
itu klik OK. Kemudian
pembuatan layout peta.

15 Hasil layout peta.

Muhammad Varian Reinaldo / 23-2016-090 8

 Laporan Praktikum Statistika Spasial

BAB IV
HASIL DAN ANALISIS

4.1 Analisis Searching Neighborhood

Pencarian tetangga terdekat menggunakan prinsip seperti pada Hukum

Tobler, yaitu hal – hal yang dekat satu sama lain lebih mirip dibandingkan dengan
yang lebih jauh. Semakin jauh lokasi nilai yang terukur hanya akan memiliki sedikit
hubungan dengan nilai lokasi prediksi. Untuk mempercepat dalam melakukan
perhitungan, maka nilai yang terletak jauh dari lokasi prediksi dapat dihilangkan,
pembatasan tersebut digambarkan oleh lingkaran yang terdapat pada gambar di atas.
Lingkaran tersebut merupakan batas seberapa jauh dan dimana mencari nilai
terukur yang akan digunakan dalam prediksi. Nilai titik merah didalam lingkaran
tersebut adalah nilai yang akan diprediksi berdasarkan tetangga terdekat dengan
warna titik hijau dan orange.
Pada Search Neighborhood di atas, terdapat beberapa hal yang menjadi
parameter, yaitu : Power ( p ) 2
Neighborhood type : standard
Maximum neighbors : 15
Minimum neighbors : 10
Sector type : 1 sector
Angle :0

Muhammad Varian Reinaldo / 23-2016-090 9

 Laporan Praktikum Statistika Spasial

Pada predicted value, nilai koordinat yang diprediksi adalah :

X : 780927.8
Y : 9238622

4.2 Analisis Cross Validation

Validasi silang menggunakan semua data untuk memperkirakan tren dan

model autokorelasi, sehingga akan menghapus setiap lokasi data satu per satu dan
memprediksi nilai data yang terkait. Pada hasil validasi silang di atas, jumlah data
sebanyak 265 data, dengan nilai rata – rata sebesar - 1.6599444 dan besar RMS
adalah 88.54768. Nilai RMS yang dihasilkan masih cukup besar, nilai RMS
digunakan untuk mengetahui besarnya penyimpangan yang terjadi antara nilai
prediksi total curah hujan harian dibandingkan dengan nilai total curah hujan harian
actual hasil observasi. Perlu diketahui bahwa untuk validasi estimasi, maka semakin
besar nilai RMS akan semakin jauh nilai total curah hujan harian estimasi terhadap
data curah hujan aktualnya. Semakin kecil nilai RMS, maka semakin baik prediksi
total hujannya. Nilai terbaik RMS adalah 0. Mengingat bahwa tingkat kesalahan
yang dapat diminimalisir dapat meningkatkan tingkat akurasi kualitas estimasi.

Muhammad Varian Reinaldo / 23-2016-090 10

 Laporan Praktikum Statistika Spasial

4.3 Analisis Hasil Report

Dari hasil report yang dihasilkan ini diketahui bahwa data yang digunakan
merupakan type data Feature Class, dan jumlah data Records berjumlah 265.
Metode yang digunakan IDW (Inverse Distance Weighted Interpolation).

Muhammad Varian Reinaldo / 23-2016-090 11

 Laporan Praktikum Statistika Spasial

4.4 Analisis Hasil Interpolasi Curah Hujan Menggunakan IDW

Hasil interpolasi curah hujan menggunakan metode Inverse Distance

Weighting ( IDW ) di atas adalah hasil interpolasi dari 265 sampel data dengan nilai
RMS sebesar 88.54768. Nilai RMS tersebut merupakan hasil perhitungan dari akar
kuadrat dari nilai rata – rata kuadrat perbedaan antara nilai hasil pengamatan dengan
nilai prediksi masih terlalu besar sehingga hasil prediksi curah hujan masih
memiliki akurasi yang kurang teliti.
\

Muhammad Varian Reinaldo / 23-2016-090 12

 Laporan Praktikum Statistika Spasial

BAB V
KESIMPULAN DAN SARAN

5.1 Kesimpulan
Adapun kesimpulan untuk praktikum 2 yang telah dilaksanakan sebagai berikut:
1. Penggunaan tools untuk interpolasi dapat menggunakan metode IDW dengan
berbagai tipe untuk jumlah maksimum dan minimum neighbourhood sehingga
dapat ditentukan pilihan untuk mendapatkan nilai interpolasi yang sesuai.
2. Hasil interpolasi dengan menggunakan metode Inverse Distance Weighting
belum memberikan hasil estimasi yang baik, dikarenakan nilai RMS eror yang
masih terlalu besar, namun sudah dapat memberikan informasi mengenai
tingkat intensitas curah hujan di Kota Cimahi.

Muhammad Varian Reinaldo / 23-2016-090 13

 Laporan Praktikum Statistika Spasial

DAFTAR PUSTAKA

Asy’ari, Muhammad Amril. (2012). Geologi dan Estimasi Sumberdaya Nikel

Laterit dengan Metode IDW (Inverse Distance Weighting) dan Kriging
pada Daerah Bahodopi Kabupaten Morowali Provinsi Sulawesi Tengah.
Banjarmasin: Politeknik Negeri Banjarmasin.
ESRI. (2003). Using ArcGIS Geostatistical Analyst. California: ESRI.
Hadi, Bambang Syaeful. (2013). Metode Interpolasi Spasial Dalam Studi Geografi.
Yogyakarta: Univeritas Negeri Yogyakarta.
Fauzan,Aditya;Suryani,Sri;Budiawati,Tuti. (2015). Perbandingan Metode Inverse
Distance Weighted (IDW) dengan Metode Ordinary Kriging untuk Estimasi
Sebaran Polusi Udara di Bandung. Vol.2, No.2 Agustus 2015.

Muhammad Varian Reinaldo / 23-2016-090 14