Praktikum Model Terrain Digital

Perbandingan Metode Gridding

mengunakan Surfer
 Inverse Distanse to a Power
7
➢ Prosesnya sangat cepat.
➢ Termasuk interpolator yang hasilnya 6

halus.
➢ Mungkin membentuk pola “bull’s 5

eye” → bisa dikurang dengan 4

smoothing.
➢ Tidak melakukan ekstrapolasi data di 3

luar rentang data yang tersedia.

➢ Weighting average interpolator → 2

semakin jauh dengan grid semakin 1

kecil bobotnya.
0
0 1 2 3 4 5 6 7 8 9
 Kriging
7
➢ Metode yang paling fleksibel untuk
banyak tipe set data. 6

➢ Sering direkomendasikan → biasa

sebagai metode default dalam 5

perangkat lunak. 4
➢ Jika jumlah datanya banyak,
prosesnya menjadi agak lama. 3

➢ Dapat melakukan ekstrapolasi untuk

data di luar rentang data. 2

➢ Menunjukkan tren data. 1

0
0 1 2 3 4 5 6 7 8 9
 Minimum Curvature
7
➢ Hasilnya halus, tetapi tidak tepat
terutama untuk area dengan no 6

data/tidak terdapat data.

➢ Pengguna dapat mengontrol tingkat 5

kehalusan dengan parameter Natural 4

Tension dan Boundary Tension.
➢ Dapat melakukan ekstrapolasi untuk 3

data di luar rentang data.

➢ Ada proses iterasi 2

0
0 1 2 3 4 5 6 7 8 9
 Modified Shepard’s Method
7
➢ Mirip dengan IDP tetapi tidak selalu
membentuk pola “bulls’s eye”, 6

terutama jika menggunakan

smoothing factor. 5

➢ Dapat melakukan ekstrapolasi untuk 4

data di luar rentang data.
3

0
0 1 2 3 4 5 6 7 8 9
 Natural Neighbor
7
➢ Dapat membentuk kontur yang baik
untuk set data yang mengandung 6

data yang padat di beberapa area dan

jarang di area yang lain. 5

➢ Tidak menghasilkan kontur pada area 4

no data.
➢ Tidak melakukan ekstrapolasi data 3

diluar rentang data yang tersedia

2

0
0 1 2 3 4 5 6 7 8 9
 Nearest Neighbor
7
➢ Menetapkan nilai grid node
menggunakan nilai titik terdekat. 6

➢ Hasilnya baik jika data memiliki spasi

yang teratur. 5

➢ Efektif mengisi data yang kosong. 4

➢ Tidak melakukan ekstrapolasi data di
luar rentang data yang tersedia 3

0
0 1 2 3 4 5 6 7 8 9
 Polynomial Regression
7
➢ Berguna untuk melihat trend skala
besar dari surface. 6

➢ Proses sangat cepat dengan jumlah

data berapapun, tetapi detil secara 5

lokal hilang. 4
➢ Dapat melakukan ekstrapolasi data di
luar rentang data yang tersedia 3

0
0 1 2 3 4 5 6 7 8 9
 Radial Basis Function
7
➢ Fleksibel seperti krigging.
➢ Hasilnya mirip dengan kriging. 6

➢ Ada lima fungsi yang bisa digunakan.

1. Inverse Multiquadric 5

2. Multilog 4
3. Multiquadric
4. Natural Cubic Spline 3

5. Thin plate Spline

➢ Fungsi multiquadratic paling baik 2

0
0 1 2 3 4 5 6 7 8 9
 Triangulation with Linear Interpolation
7
➢ Membentuk segitiga dengan
menggambar garis di antara titik-titik. 6
➢ Interpolator yang pasti.
➢ Untuk data yang terdistribusi merata. 5
➢ Tidak dapat melakukan ekstrapolasi 4
data diluar rentang data yang tersedia
3

0
0 1 2 3 4 5 6 7 8 9
 Moving Average
7
➢ Untuk data dengan jumlah banyak
atau sangat banyak (lebih dari 1000 6

obs).
➢ Ekstrak tren skala menengah. 5

➢ Waktu proses cepat walaupun jumlah 4

data banyak.
➢ Untuk data dengan spasi yang teratur 3

dan jumlahnya sangat banyak bisa

menggunakan metode ini sebagai 2

pengganti Nearest Neighbor. 1

0
0 1 2 3 4 5 6 7 8 9
 Data Metrics
7
➢ Untuk membuat informasi grid
tentang data. 6

➢ Menunjukkan berbagai macam data

statistic 5

➢ Salah satunya jarak median antar grid 4

0
0 1 2 3 4 5 6 7 8 9
 Local Polynomial
7
➢ Untuk data yang secara local halus.
➢ Jumlah titik padat untuk area lokal. 6

0
0 1 2 3 4 5 6 7 8 9
 Kriging
Hasil terbaik
7 7
Minimum Curvature 7
Natural Neighbor
6 6 6

5 5 5

4 4 4

3 3 3

2 2 2

1 1 1

0 0 0
0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9
7

4 Radial Basis Function

3

0
0 1 2 3 4 5 6 7 8 9
 Bull’s eye
7 7

6 6

5 5

4 4

3 3

2 2

1 1

0 0
0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9

IDP Modified Shepard’s Method

Hasilnya kasar, data tidak rapat
7

0
0 1 2 3 4 5 6 7 8 9

Triangulation with Linear Interpolation

Berbentuk kotak-kotak
7

0
0 1 2 3 4 5 6 7 8 9

Nearest Neighbor
 Membentuk Tren
7 7

6 6

5 5

4 4

3 3

2 2

1 1

0 0
0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9
Moving Average
Polynomial Regression
THANK YOU