Perbandingan Metode Gridding (CEK LAGI DI FOTO HP)

Inverse Distance to a Power (IDP)

Ciri khasnya berbentuk mata (Pola Bull's eye
Proses Cepat
Interpolator yg hasilnya halus
Membentuk pola bull's eye --> bisa dikurangi dg smoothing
Tidak melakukan ekstrapolasi data diluar rentang data yg tersedia
Weighting interpolator --> semakin jauh dg grid semakin kecil bobotnya

Kriging
Metode yg paling fleksibel untuk banyak tipe data set
Sering direkomendasikan --> biasa sebagain metode default dalam software
Jika jumlah data banyak, porses agak lama
Dapat melakukan ekstrapolasi untuk data di luar rentang data
Menunjukkan tren data

Minimum Curvarture
Hasilnya halus, tetapi tidak tepat terutama untuk area yg tidak ada datanya -->
Data harus lengkap
Pengguna dapat mengkontrol tingkat kehalusan dengan parameter Natural Tension dan
Boundary Tension --> Advance Option
Dapat melakukan ekstrapolasi untuk data di luar rentang data
Ada proses iterasi

Modified Shepard's Method

Mirip IDP --> Mungkin membentuk bull's eye tapi kecil, jika menggunakan smoothing
factor --> Advance Option
Bisa melakukan ekstrapolasi data

Natural Neighbour
Membentuk kontur yg baik untuk set data yg mengandung data yg padat di beberapa
area dan jarabng di area yg lain
Tidak menghasilkan kontur pada area yg tidak ada data
Tidak bisa melakukan nilai ekstrapolasi di luar rentang data yg ada

Nearest Neighbor
Menetapkan nilai grid node menggunakan nilai titik terdekat
Hasilnya baik jika data memiliki spasi yg teratur --> misal 1m, 5m,
Bentuk juga harus teratur
Efektif mengisi data yg kosong
Tidakk bisa melakukan ekstrapolasi di luar rentang data yg ada

Polynomial Regression
Berguna untuk melihat trend skala besar dari surface --> hanya menunjukkan nilainya
saja
Proses sangat cepat dengan jumlah datqa berapapun, tetapi detil secara lokal hilang

Radial Basis Function

Fleksibel seperti Kirging
Hasilnya mirip Kirging
Ada lima fungsi yg bisa digunakan
1 Inverse Multi quadric
2 Multilog
3 Multi quadratic

Triangulation
Membentuk segitiga dengan menggambar garis diantara titik-titik
Interpolasi yg pasti
Untuk data yg terdistribusi merata
Tidak dapat melakukan ekstrapolasi
Interpolasi akan bagus jika data rapat

Moving Average
Untuk data dg jumlah sangat banyak >1000
Membentuk tren skala menengah
Waktu proses cepat walaupun data banyak
Untuk data dg spasi yg teratur dan jumlahnya sangat banyak bisa menggunakan

Data Metrics
Untuk membuat informasi grid tentang data

Local Polynomial
Untuk data yg secara lokal halus
Data yg benar-benar padat (perblok)
Jumlah titik padat untuk area lokal

Hasil yg terbaik
Kirging
Minimum Curvature
Natural Neighbor
Radial Basis Function

Kontur yg memiliki bull's eye

IDP
Modified Shepard's Method

Hasil Kasar
Triangulasi

Membentuk kotak
Nearest Neigbhor

Membentuk Tren
Polynomial Regression
Moving Average