Muhammad Daffa Harza Arifin

18405241039

Pendidikan Geografi 2018 Kelas A

Tugas Sistem Informasi Geografi

Interpolasi adalah metode untuk mendapatkan data berdasarkan beberapa data yang
telah diketahui . Dalam pemetaan, interpolasi adalah proses estimasi nilai pada wilayah yang
tidak disampel atau diukur, sehingga terbuatlah peta atau sebaran nilai pada seluruh wilayah .
Interpolasi spasial mengasumsikan bahwa atribut data bersifat kontinu di dalam ruang (space)
dan atribut ini saling berhubungan (dependence) secara spasial (Christanto 2005). 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 dari
pada nilai pada titik-titik yang terpisah lebih jauh. Berikut penjelasan tiga metode interpolasi:

1. Metode Inverse Distance Weighted (IDW)

Metode Inverse Distance Weighted (IDW) merupakan metode deterministik yang
sederhana dengan mempertimbangkan titik disekitarnya (NCGIA 1997). 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 biasanya digunakan
dalam industri pertambangan karena mudah untuk digunakan. Pemilihan nilai pada power
sangat mempengaruhi hasil interpolasi.
Nilai power yang tinggi akan memberikan hasil seperti menggunakan interpolasi
nearest neighbor dimana nilai yang didapatkan merupakan nilai dari data point terdekat.
Kerugian dari metode IDW adalah nilai hasil interpolasi terbatas pada nilai yang ada pada
data sampel. Pengaruh dari data sampel terhadap hasil interpolasi disebut sebagi isotropic.
Dengan kata lain, karena metode ini menggunakan rata-rata dari data sampel sehingga
nilainya tidak bisa lebih kecil dari minimum atau lebih besar dari data sampel. Jadi, puncak
bukit atau lembah terdalam tidak dapat ditampilkan dari hasil interpolasi model ini (Watson
& Philip, 1985). Untuk mendapatkan hasil yang baik, sampel data yang digunakan harus
rapat yang berhubungan dengan variasi lokal. Jika sampelnya agak jarang dan tidak merata,
hasilnya kemungkinan besar tidak sesuai dengan yang diinginkan.
 2. Metode Kriging
Metode Kriging adalah estimasi stochastic yang mirip dengan Inverse Distance
Weighted (IDW) dimana menggunakan kombinasi linear dari weight untuk memperkirakan
nilai diantara sampel data . Metode ini diketemukan oleh D.L. Krige untuk memperkirakan
nilai dari bahan tambang. Asumsi dari metode ini adalah jarak dan orientasi antara sampel
data menunjukkan korelasi spasial yang penting dalam hasil interpolasi. Metode Kriging
sangat banyak menggunakan sistem komputer dalam perhitungan. Kecepatan perhitungan
tergantung dari banyaknya sampel data yang digunakan dan cakupan dari wilayah yang
diperhitungkan. Tidak seperti metode IDW, Kriging memberikan ukuran error dan
confidence (Pramono 2008).
Metode ini menggunakan semivariogram yang merepresentasikan perbedaan spasial
dan nilai diantara semua pasangan sampel data. Jenis Kriging yang bisa dilakukan adalah
dengan cara spherical, circular, exponential, gaussian dan linear (ESRI 1999). Tahapan dalam
menggunakan metode ini adalah: analisa statistik dari sampel data, pemodelan variogram,
membuat hasil interpolasi dan menganalisa nilai variance. Metode ini sangat tepat digunakan
bila kita mengetahui korelasi spasial jarak dan orientasi dari data. Oleh sebab itu, metode ini
sering digunakan dalam bidang ketanahan dan geologi. Kelemahan dari metode ini adalah
tidak dapat menampilkan puncak, lembah atau nilai yang berubah drastis dalam jarak yang
dekat (Pramono 2008)
 3. Metode Spline
Metode Spline adalah metoda interpolasi yang biasa digunakan untuk mendapatkan
nilai melalui kurva minimum antara nilai-nilai input. Metoda ini baik digunakan dalam
membuat permukaan seperti ketinggian permukaan bumi, ketinggian muka air tanah, ataupun
konsentrasi polusi udara. Kurang bagus untuk siatuasi dimana terdapat perbedaan nilai yang
signifikan pada jarak yang sangat dekat. Jika dipilih metoda Spline maka ada pilihan tipe
Regularized dan Tension. Regularized membuat permukaan halus sedangkan Tension
mempertegas bentuk permukaan sesuai dengan fenomena model. Interpolasi teknik ini sesuai
fungsi matematika, polinomial tatanan tertentu, ke semua titik masukan (Christanto 2005).
Trend menggunakan interpolasi polinomial global yang cocok untuk membuat permukaan
halus yang didefinisikan oleh fungsi matematika (polinomial) ke titik sampel input.
Permukaan trend perubahan secara bertahap dan menangkap pola kasar-besaran di data.
Terdapat dua Type of Regression yaitu Linear dan Logistic, dalam praktikum ini
menggunakan Linear maka permukaan pada trend menciptakan point raster yang merata.
Menggunakan regresi polinomial dalam hal ini menggunakan angka 1 pada
Polynomial Order untuk menyesuaikan permukaan ke titik-titik input. Linear memungkinkan
untuk mengontrol urutan polinomial yang digunakan untuk menyesuaikan permukaan. Nilai 1
akan cocok dengan bidang datar berdasarkan poin, dan nilai yang lebih tinggi akan cocok
dengan permukaan yang lebih kompleks, nilai terendah yang digambarkan sebagai warna
putih merupakan elevasi terendah semakin ke arah yang daerahnya memiliki elevasi tinggi
maka warna akan semakin gelap sampai telah melewati daerah elevasi tinggi tersebut
kemudian menyamaratakan elevasi, semakin gelap warna dan tinggi nilainya maka di daerah
itulah yang memiliki point-point dengan elevasi yang lebih tinggi daripada daerah dengan
warna terang dengan nilai rendah. Hal ini yang menyebabkan permukaan trend berbeda
dengan metode lainnya (Bawafi 2013).