LAPORAN SEMENTARA

ANALISIS DATA GEOFISIKA TG2207

MODUL KE – 6
INTERPOLASI SPASIAL DATA GEOFISIKA

Oleh:
Adi eka nanda 118120045

Asisten :
Lestari SukmaApriliana 12117009
Mustika 12117025
Santo Tri Prabowo 12117041
Agastya Pramadya 12117094
Michael FebrianMardongan 12117128
DidianNoveniWaruwu 12117131
Muhammad Ichsan 12117143
FiraPratiwiDarsono 12117151

PROGRAM STUDI TEKNIK GEOFISIKA

JURUSAN TEKNOLOGI PRODUKSI DAN INDUSTRI
INSTITUT TEKNOLOGI SUMATERA
2021
A. Screenshot dan hasil
1. Kriging
Metode ini menghasilkan visual peta yang menarik dari data yang
tidak teratur. Kriging adalah metode gridding sangat fleksibel.
Dapat kita lihat hasil visualisasi Krigging tidak jauh berbeda
dengan inverse. Dari pengamatan saya hasil visualisasi krigging
cukup baik dimana perbedaan warna yang teratur dari rendah
ketinggi.
2. Inverse distance to a power
Metode ini merupakan metode penimbangan rata-rata yang
sederhana untuk menghitung nilai jarak grid, dapat ilihat pada
gambar warna adalah komponen terpentig untuk menganalisis
hasil, disini kita dapat lihat bahwa anomali tertinggi berwarna
merah dan rendah berwarna ungu. Pada hasil terlihat cukup baik
karena data terisi penuh dan hasil 3D yang terlihat cukup jelas
memperlihatkan kontras warna anomali rendah dan tinggi.
3. Minimun conter
Metode ini melakukan generalisasi permukaan secara halus, bahkan
dapat dilihat bahwa metode ini agak berbeda dari hasil sebelumnya
dimana kecenderungan mengekstrapolasikan nilai-nilai di daerah
yang tidak ada datanya dapat dilihat pada bagian samping kiri atas,
hasil visualisasi yang baik dengan menampilkan visualisasi yang
halus dikarenakan adanya penambahan ekstrapolasi sehingga
metode minimum curve lebih baik dari krigging dan inverse untuk
saat ini.
4. Modified
Dapat dilihat bahwa hasil visualisasi modified shapards method
data tidak terisi penuh sehingga hasil yang ditampilkan buruk baik
dari segi visualisasi maupun gradien warna. Bahkan dari color scale
menampilkan keterangan data warna unggu hijau dan kuning
namun tampilan hanya warna orang ke merah sehingga tidak jelas
perbedaan anomalinya, sehingga untuk saat ini hasil dari modified
shapards method adalah yang terburuk.
5. Natural
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. Sehingga hasil
visualisasi tidak terisi penuh walaupun perbedaan hasil warna
cukup baik namun dikarenakan data yang tidak ada tidak di
ekstrapolasi maka hasil dari minimum curve masih yang terbaik.
6. Nearest
Metode ini efektif untuk data-data XYZ yang tersebar merata
dalam setiap daerah pemetaan, tetapi akan terjadi masalah apabila
data XYZ tidak tersebar merata akan mengakibatkan hasil kontur
menjadi bias. Metode Nearest neighbor menggunakan titik terdekat
untuk memberikan nilai pada node grid. Metode ini tidak
meramalkan kemungkinan grid Z di luar jangkauan data. Yang
artinya metode ini sama saja dengan metode nearest, bedanya data
kali ini tersebar merata namun tidak smooth. Sehingga hasil
visualisasi terbaik masih dimiliki oleh minimum cuurve.
7. Polynomial
Yang jelas metode ini bukannlah yang terbaik, dikarenakan Metode
ini bermanfaat untuk analisis permukaan secaraumum. Metode ini
menampilkan kecenderungan kemiringan pada pola topografi
secara umum dengan cakupan wilayah yang luas
8. Radial basis function
Hasil yang ditampilkan pada radial basis function baik, dimana
hasil dari visualisasi terlihat jelas anomali rendah dan tingginya
dimana pada hasil 3d juga demikian. Namun dapat kita lihat hasil
pada radial berbeda dengan invers, krigging, maupun minimum
curve. Walupun hasil yang baik namun saya masih tetap
menganggap bahwa hasil dari minimum curve yang masih terbaik.
9. Tringulation
Hasil triangulation mirip dengan hasil natural dimana data yang
kurang tidak diekstrapolasi sehingga hasil visualisasi ada yang
kosong walaupun hasil visualisasi menampilkan perbedaan kontras
warna yang cukup jelas, sehingga visualisasi terbaik masih pada
hasil minimum curve
10. Moving average
Metode Moving Average ini memberikan nilai ke node jaringan
dengan rata-rata data di dalam elips pencarian node grid. Sehingga
dapat dilihat bahwa hasil dari moving average memperlihatkan
kontras warna yang paling baik dari lainnya. Dilihat dari perbedaan
warnanya terlihat cukup berurut menampilkan warna ungu ke hijau
dan ke merah, namun saya masih mengnggap hasil dari minimum
curve masih lebih baik dikarenakan bentuk dari minimum curve
hampir sama dengan metode yang lain, sedangkan dari moving
average beda sendiri walupun kalo dillihat dari warna moving
average yang terbaik
11. Data matriks
Metode gridding satu ini digunakan untuk membuat informasi grid
tentang data. Metode gridding data metrik secara umum cenderung
tidak menginterpolasi rata-rata dari nilai-nilai. Sehingga dapat
dilihat pada visualisasi bahwa perubahan warna cukup cepat
sehingga tampilan menjadi tidak halus. Maka dapat disimpulkan
hasil dari data matriks masih kalah dengan hasil dari minimum
curve.
12. Lokal polynomial
Metode ini berlaku untuk set data lokal halus. Dimana kita dapat
lihat bahwa visualisasi pembacaan permukaan anomali tinggi
terlihat jelas namun untuk data anomali rendah terlihat tidak terlalu
jelas dmana perpindahan anomali rendah ke tinggi cukup cepat
terjadi dibeberapa titik sehingga hasil akhir masih dipegang oleh
minimum curve sebagai hasil terbaik.