Interpolasi adalah suatu cara untuk mencari nilai di antara beberapa titik data yang telah

diketahui.
Interpolasi merupakan 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 terbentuk peta atau sebaran nilai pada seluruh wilayah.
Interpolasi adalah suatu metode atau fungsi matematis untuk menduga nilai pada lokasi-
lokasi yang datanya tidak tersedia. Penelitian ini dilakukan di Kepulauan Seribu dengan
menggunakan data suhu citra NOAA. Penelitian ini bertujuan membandingkan metode
interpolasi IDW, kriging, dan spline, sehingga mendapatkan metode interpolasi yang paling
akurat dan disesuaikan dengan data suhu uji.

Metode Interpolasi kriging

Kriging adalah metode geostatistik yang digunakan untuk mengestimasi nilai dari sebuah titik
atau blok sebagai kombinasi linier dari nilai contoh yang terdapat disekitar titik yang akan
diestimasi. Bobot kriging diperoleh dari hasil variansi estimasi minimum dengan memperluas
penggunaan semi-variogram. Estimator kriging dapat diartikan sebagai variabel tidak bias
dan penjumlahan dari keseluruhan bobot adalah satu. Bobot inilah yang dipakai untuk
mengestimasi nilai dari ketebalan, ketinggian, kadar atau variabel lain.

Kriging memberikan lebih banyak bobot pada contoh dengan jarak terdekat dibandingkan
dengan contoh dengan jarak lebih jauh, kemenerusan dan anisotropi merupakan
pertimbangan yang penting dalam kriging, bentuk geometri dari data dan karakter variabel
yang diestimasi serta besar dari blok juga ditaksir.
Sifat-sifat Kriging:
Struktur dan korelasi variabel melalui fungsi γ(h)
Hubungan geometri relatif antar data yang mencakup hal penaksiran dan penaksiran volume
melalui (Si,Sj) (hubungan antar data) dan sebagai (Si,V) (hubungan antara data dan volume)
Jika variogram isotrop dan pola data teratur, maka sistem kriging akan memberikan data yang
simetri
Dalam banyak hal hanya contoh-contoh di dalam blok dan di sekitar blok memberikan
estimasi dan mempunyai suatu faktor bobot masing-masing nol
Dalam hal ini jangkauan radius contoh yang pertama atau kedua pertama tidak memengaruhi
(tersaring).
Efek screen ini akan terjadi, jika tidak ada nugget effect atau kecil sekali ε = C0/C
Efek nugget ini menurunkan efek screen
Untuk efek nugget yang besar, semuai contoh mempunyai bobot yang sama.
Contoh-contoh yang terletak jauh dari blok dapat diikutsertakan dalam estimasi ini melalui
harga rata-ratanya
Metode Kriging adalah estimasi stochastic yang mirip dengan Inverse Distance
Weighted (IDW) dimana menggunakan
kombinasi linear dari weight untuk memperkirakan nilai diantara sampel data
(Ctech Development Corporation, 2004).
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 ESRI, 1996).
Metode Kriging sangat banyak menggunakan sistem komputer dalam perhitungan.

IDW
Inverse Distance Weighting (IDW) adalah salah satu metode interpolasi untuk menaksir suatu nilai
pada lokasi yang tidak tersampel berdasarkan data disekitarnya. Metode ini sering digunakan dalam
kegiatan eksplorasi karena dalam proses perhitungannya lebih sederhana dan mudah difahami.

Pembobotan jarak terbalik adalah jenis metode deterministik untuk interpolasi multivarian
dengan serangkaian titik yang diketahui tersebar. Nilai yang diberikan ke titik yang tidak
diketahui dihitung dengan rata-rata tertimbang dari nilai yang tersedia di titik yang diketahui.
Metode Inverse Distance Weighted (IDW) merupakan metode deterministic 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
natural neighbor
Natural Neighbor merupakan metode interpolasi yang menggunakan pendekatan tetangga
terdekat dengan bobot luasa diagram voronoi yang terbentuk. Li dan Heap (2008)
menyebutkan metode ini merupakan gabungan dari metode TIN dan Nearest Neighbor.
Metode ini menghasilkan nilai yang bersifat lokal yaitu serupa atau tidak berbeda jauh
dengan sampel terdekatnya.
Natural neighbor merupakan teknik interpolasi pada perangkat lunak ArcGis. Metode –
metode yang digunakan itu sangat beragam akan tetapi metode natural neighbor ini terdapat
sebuah keunggulan dari pada metode – metode yang lain, keunggulan metode natural
neighbor adalah dapat menginterpolasi titik-titik yang relatif banyak dan hasil output yang
diperoleh akan lebih mendekati dengan keadaan sesungguhnya di alam. Output piksel hasil
interpolasi yaitu 8 x 8 m (Muzaki,2008). Metode ini menghasilkan kontur yang baik dari data
set yang berisi data padat di beberapa daerah dan data jarang di daerah lainnya. Hal ini tidak
menghasilkan data di daerah tanpa data dan tidak ekstrapolasi nilai-nilai Z di luar grid
jangkauan data.
Metode natural neighbor ini berdasarkan kepada titik jaringan poligon Thiessen yang
menyebar menetap. Jaringan poligon Thiessen dapat didirikan dari triangulasi Delauney titik
penyebaran tetap. Triangulasi Delauney adalah TIN yang telah dibangun agar norma
Delauney penuh.
Ada satu poligon Thiessen di jaringan untuk setiap titik penyebaran. Poligon menyertakan
daerah itu yang lebih dekat untuk titik menyebar tertutup dari titik penyebaran lain. Poligon
di interior titik penyebaran ditetapkan poligon tertutup dan poligon di selubungi bagian
cembung adalah poligon terbuka.
Setiap poligon Thiessen dibangun menggunakan circumcircles segitiga sebagai hasil
triangulasi Delauney poin-poin penyebaran. Puncak-puncak poligon-poligon Thiessen sesuai
dengan centroids circumcircles segitiga.
Ketika menunjukkan gambar itu atas, poligon-poligon Thiessen untuk poin-poin menyebar di
lingkaran TIN adalah poligon-poligon terbuka. Sejak poligon-poligon seperti itu memiliki
suatu area sangat besar, mereka tidak dapat digunakan secara langsung untuk natural
neighbor interpolation Dengan demikian, satu pendekatan khusus adalah digunakan untuk
memfasilitasi perhitungan dengan skema natural neighbor ini. Sebelum penambahan, X and
Y batas bahan disisipkan untuk (jaringan, jaring, dan lain-lain.) apakah ditentukan dan sebuah
kotak ditempatkan sekitar bahan yang batas melebihi batas bahan oleh kira-kira 10% (nilai ini
dapat dimodifikasi oleh pengguna). Empat sementara "pseudo-scatter poin-poin" diciptakan
pada empat sudut kotak. Jarak terbalik memberatkan skema penambahan dengan gradien
fungsi-fungsi bertangkai rata kemudian digunakan untuk memperkirakan satu nilai data pada
pseudo poin. Dari tempat itu , pseudo poin dengan nilai-nilai diperkirakan dimasukkan
dengan menyebar aktual poin dalam proses interpolation. Akibatnya, semua poin disisipkan
untuk menjamin menjadi di dalam selubung cembung pada titik penyebaran tetap. Segera
setelah interpolation sudah lengkap, pseudo poin dibuang.
Nearest neighbor
Algoritme k tetangga terdekat (bahasa Inggris: k-nearest neighbour algorithm, disingkat k-
NN) adalah sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data
pemelajaran yang jaraknya paling dekat dengan objek tersebut.

Data pemelajaran digambarkan ke ruang berdimensi banyak dengan tiap-tiap dimensi

mewakili tiap ciri/fitur dari data. Klasifikasi data baru dilakukan dengan mencari label k
tetangga terdekat. Label terbanyak yang muncul menjadi label data baru. Bila k = 1, data baru
dilabeli dengan label tetangga terdekat. Jarak yang biasa dipakai adalah jarak Euklides.
Pada fase pemelajaran, algoritme ini hanya melakukan penyimpanan vektor-vektor fitur dan
klasifikasi dari data pemelajaran. Pada fase klasifikasi, fitur-fitur yang sama dihitung untuk
data uji (yang klasifikasinya tidak diketahui). Jarak dari vektor yang baru ini terhadap seluruh
vektor data pemelajaran dihitung dan diambil sejumlah k buah yang paling dekat. Titik yang
baru diberi label berdasarkan label terbanyak dari titik-titik tersebut.

Nilai k yang terbaik untuk algoritme ini tergantung pada data. Secara umum, nilai k yang
tinggi akan mengurangi efek derau dalam klasifikasi, tetapi membuat batasan antarlabel
menjadi lebih kabur. Nilai k yang bagus dapat dipilih dengan optimasi parameter, misalnya
dengan menggunakan validasi silang.

Ketepatan algoritme ini sangat dipengaruhi oleh ada atau tidaknya fitur-fitur yang tidak
relevan atau jika bobot fitur tersebut tidak setara dengan relevansinya terhadap klasifikasi.
Riset terhadap algoritme ini sebagian besar membahas bagaimana memilih dan memberi
bobot terhadap fitur agar performa klasifikasi menjadi lebih baik.

Algoritme ini memiliki konsistensi yang kuat. Ketika jumlah data mendekati tak hingga,
algoritme ini menjamin laju galat yang tidak lebih dari dua kali laju galat Bayes (laju galat
minimum untuk distribusi data tertentu).
Terdapat beberapa jenis algoritme pencarian tetangga terdekat:

pemindaian linear,
pohon kD,
pohon balltree,
pohon metrik, dan
Hash sensitif lokal (LSH).