METODE INTERPOLASI IDW SPLINE KRIGING

1. IDW
IDW (Inverse Distance Weighted) adalah metode estimasi deterministik dimana nilai
pada titik yang tidak diukur ditentukan oleh kombinasi nilai linier pada titik terdekat yang
diukur. Di antara parameter yang tersedia, parameter daya dapat mempengaruhi hasil
secara signifikan IDW menentukan nilai sel menggunakan kombinasi titik sampel
berbobot linier. Bobot yang ditetapkan adalah fungsi jarak titik masukan dari lokasi sel
keluaran. Semakin besar jarak, semakin kecil pengaruh sel terhadap nilai keluaran.
Interpolasi Inverse Distance Weighted (IDW) secara eksplisit membuat asumsi bahwa
benda-benda yang dekat satu sama lain lebih mirip daripada yang berjauhan. Untuk
memprediksi nilai lokasi tak terukur, IDW menggunakan nilai terukur di sekitar lokasi
prediksi. Nilai terukur yang paling dekat dengan lokasi prediksi memiliki pengaruh yang
lebih besar pada nilai prediksi daripada nilai yang lebih jauh. IDW berasumsi bahwa setiap
titik yang diukur memiliki pengaruh lokal yang berkurang seiring dengan jarak. Ini
memberikan bobot yang lebih besar ke titik-titik yang paling dekat dengan lokasi prediksi,
dan bobot berkurang sebagai fungsi jarak, oleh karena itu disebut jarak terbalik yang
diberi bobot.
Rumus dasar interpolasi IDW dapat dilihat pada persamaan 1. Dimana x * adalah nilai
yang tidak diketahui pada suatu lokasi yang akan ditentukan, w adalah bobot, dan x adalah
nilai titik yang diketahui. Bobot adalah jarak terbalik dari suatu titik ke setiap nilai titik
yang diketahui yang digunakan dalam perhitungan. Sederhananya bobot dapat dihitung
menggunakan persamaan 2.

Eq 1. Inverse Distance Weight formula

Eq 2. Weight formula
Kelebihan dari metode interpolasi IDW ini adalah karakteristik interpolasi dapat
dikontrol dengan membatasi titik-titik masukan yang digunakan dalam proses
interpolasi. Titik-titik yang terletak jauh dari titik sampel dan yang diperkirakan
memiliki korelasi spasial yang kecil atau bahkan tidak memiliki korelasi spasial
dapat dihapus dari perhitungan. Titik-titik yang digunakan dapat ditentukan secara
langsung, atau ditentukan berdasarkan jarak yang ingin diinterpolasi. Kelemahan
 dari interpolasi IDW adalah tidak dapat mengestimasi nilai diatas nilai maksimum dan
dibawah nilai minimum dari titik-titik sampel (Pramono, 2008).
2. SPLINE
Spline menggunakan metode interpolasi yang memperkirakan nilai menggunakan
fungsi matematika yang meminimalkan kelengkungan permukaan secara keseluruhan,
menghasilkan permukaan halus yang melewati titik masukan secara tepat. Efek stretching
yang dimiliki Spline sangat berguna jika kita ingin memperkirakan nilai dibawah nilai
minimum dan nilai diatas nilai maksimum yang mungkin ditemukan dalam data set
yang digunakan. Kelebihan dari metode Spline ini adalah kemampuan untuk
menghasilkan akurasi permukaan yang cukup baik walaupun data yang digunakan
hanya sedikit. Metode ini baik digunakan dalam membuat permukaan seperti
ketinggian permukaan bumi, ketinggian muka air tanah, ataupun konsentrasi polusi
udara. Metode ini kurang baik jika diaplikasikan untuk situasi dimana terdapat
perbedaan nilai yang signifikan pada jarak yang sangat dekat. Kekurangan dari metode
spline adalah ketika titik-titik sampel yang berdekatan memiliki perbedaan nilai yang
sangat besar, metode Spline tidak dapat bekerja dengan baik (Sibson, 1981).
Algoritme yang digunakan untuk alat Spline menggunakan rumus berikut untuk
interpolasi permukaan:

Dimana
j = 1, 2, ..., N.
N adalah jumlah poin.
λj adalah koefisien yang ditemukan oleh solusi sistem persamaan linier.
rj adalah jarak dari titik (x, y) ke titik jth.
T(x,y) and R(r) didefinisikan secara berbeda, bergantung pada opsi yang dipilih.
Untuk tujuan komputasi, seluruh ruang raster keluaran dibagi menjadi blok atau
wilayah yang ukurannya sama. Jumlah daerah di arah x dan y sama, dan berbentuk persegi
panjang. Jumlah wilayah ditentukan dengan membagi jumlah total titik dalam kumpulan
data titik masukan dengan nilai yang ditentukan untuk jumlah titik. Untuk data yang
kurang terdistribusi secara seragam, wilayah dapat berisi jumlah poin yang sangat berbeda,
dengan nilai jumlah poin hanya berupa rata-rata kasar. Jika di suatu wilayah jumlah poin
lebih kecil dari delapan, wilayah tersebut ditambah hingga berisi minimal delapan poin.
 Spline adalah potongan-potongan fungsi polinomial dengan turunan-turunan memenuhi
kendala-kendala kekontinuan tertentu. Ketika k = 1, spline dinamakan spline linear. Ketika
k = 2, spline dinamakan spline kuadratik. Ketika k = 3, spline dinamakan spline kubik.
Berdasarkan penelitian yang dilakukan oleh Sibson (1981), metode spline baik digunakan
untuk interpolasi permukaan seperti ketinggian permukaan bumi, ketinggian muka
air tanah, ataupun konsentrasi polusi udara. Metode ini kurang baik jika diaplikasikan
untuk situasi dimana terdapat perbedaan nilai yang signifikan pada jarak yang sangat
dekat.
3. KRIGING
Kriging adalah sebuah metode interpolasi statistik yang kuat yang digunakan untuk
berbagai aplikasi seperti ilmu kesehatan, geokimia, dan pemodelan polusi, Kriging
mengasumsikan bahwa jarak atau arah antara titik sampel mencerminkan korelasi spasial
yang dapat digunakan untuk menjelaskan variasi di permukaan. Secara umum, kriging
merupakan suatu metode untuk menganalisis data geostatistik untuk menginterpolasi
suatu nilai kandungan mineral berdasarkan data sampel. Data sampel pada ilmu
kebumian biasanya diambil di tempat-tempat yang tidak beraturan. Dengan kata lain,
metode ini digunakan untuk mengestimasi besarnya nilai karakteristik pada titik tidak
tersampel berdasarkan informasi dari karakteristik titik-titik tersampel yang berada
di sekitarnya dengan mempertimbangkan korelasi spasial yang ada dalam data tersebut
(Alfiana 2010)
Kriging mirip dengan IDW karena membobotkan nilai terukur di sekitarnya untuk
mendapatkan prediksi untuk lokasi yang tidak terukur. Rumus umum untuk kedua
interpolator dibentuk sebagai penjumlahan tertimbang dari data:

Pada IDW, bobot λi hanya bergantung pada jarak ke lokasi prediksi. Namun, dengan
metode kriging, bobot tidak hanya didasarkan pada jarak antara titik yang diukur dan
lokasi prediksi tetapi juga pada penataan spasial keseluruhan dari titik yang diukur. Untuk
menggunakan penataan ruang dalam bobot, autokorelasi spasial harus dikuantifikasi. Jadi,
pada kriging biasa, bobot, λi, bergantung pada model yang dipasang ke titik-titik yang
diukur, jarak ke lokasi prediksi, dan hubungan spasial antara nilai-nilai yang diukur di
sekitar lokasi prediksi. Bagian berikut membahas bagaimana rumus kriging umum
digunakan untuk membuat peta permukaan prediksi dan peta keakuratan prediksi.
Sumber
Alfiana AN. 2010. Metode Ordinary Kriging pada Geostatistika [skripsi]. Yogyakarta (ID:
Universitas Negeri Yogyakarta.
Franke, R. 1982. Smooth Interpolation of Scattered Data by Local Thin Plate Splines.
Computer and Mathematics with Applications. Vol. 8. No. 4. pp. 273–281. Great
Britain.
Pramono G. H. 2008, Akurasi Metode IDW dan Krigging untuk Interpolasi Sebaran
Sedimen Tersuspensi di Maros, Sulawesi Selatan. Forum Geografi, Vol. 22(1):
145-158.
Sibson, R. 1981, A Brief Description of Natural Neighbor Interpolation, Chapter 2 in
Interpolating Multivariate Data. New York: John Wiley & Sons