Sistem Deformasi Semester Ganjil TA 2020-2021

KONSEP HITUNG KUADRAT TERKECIL

1 MENGAPA SUATU PENGAMATAN HARUS DIRATAKAN

DAN DIANALISA?
1.1 PENDAHULUAN
Tahapan yang terpenting didalam Geomatika adalah yang berkenaan dengan
pengukuran, suatu proses yang secara alamiah yang tidak pernah bebas dari
suatu kesalahan.
Kesalahan-kesalahan dalam pengukuran merambat secara kuantitas, jadi
proses untuk mengestimasi nilai pengukuran yang paling benar, yaitu teknik
perataan, mutlak diperlukan.
Proses:

Measurement Derived quantities

observation Computational +
+ model observational
errors residuals
Patut dicatat bahwa “measurement” berarti adalah keseluruhan proses untuk
menentukan semua elemen yang diukur.
Suatu keuntungan yang sangat signifikan dari perataan adalah didapatnya
suatu model yang konsisten secara geometris atau matematis. Hal ini berarti
apapun kombinasi pengamatan (adjusted observation), solusi yang unik dan
konsisten akan didapat.

1.2 CONTOH-CONTOH KASUS

a). Suatu jarak diukur n kali. Nilai berapa yang akan muncul? Model
komputasi yang digunakan untuk menghitung nilai rata-ratanya adalah dm =
d/n. didalam kasus dimana parameter yang dicari, dm, adalah juga nilai
pengamatan yang teratakan (adjusted observation value). Nilai residu dari
rata-rata tersebut memberikan informasi kualitas statistik pada dual hal,
pengamatan masing-masing jarak dan jarak yang teratakan. Perhatikan
disini bahwa hanya ada satu jarak teratakan.
b). Sebuah segitiga abc berkoordinat a(x1,y1), b(x2,y2), dan c(x3,y3). Koordinat
a dan b diketahui nilainya. Untuk menentukan koordinat titik c maka
dilakukan pengukuran ketiga sudut segita tersebut.

1
 b

a
c

Diukur: sudut a, b, dan c. Hanya dibutuhkan dua pengukuran untuk

menyelesaikan masalah. Model matematikanya: a + b + c – 1800 = 0. Jika
pengukuran yang dilakukan tidak cocok dengan model, maka
x3 , y 3   f x1, y1 , x 2 , y 2 , a, b  f x1, y1 , x 2 , y 2 , b, c
a, b, dan c masing-masing harus diratakan untuk memperoleh model yang
konsisten, misalnya mungkin dengan mengurangi (a + b + c – 1800)/3
untuk masing-masing sudut.
Perhatikan disini bahwa produk akhir dari parameter yang dicari, x3 dan y3,
tidak diamati secara langsung, tetapi mereka juga memiliki ketidakpastian,
dan kualitas statisktik pengukuran disini tetap berlaku untuk parameter ini.
c). Perhatikan segitiga itu lagi. Kali ini dilibatkan luasan segitiga dan seluruh
sudut dan sisi segitiga diukur.

d1 b
d3
A
a
c
d2
Diukur: d1, d2, d3, a, b, c.
Model matematika yang dapat disusun untuk kasus ini menjadi bermacam-
macam:
a + b + c – 1800 = 0
d3/sin a = d2/sin b = d1/sin c
d12 = d22 + d32 – 2 d2 d3 cos c
A = (s(s-d1) (s-d2) (s-d3))1/2 dimana s = (d1 + d2 + d3)/2
A = 0.5 d2 d3 sin c
Berapa banyak model yang diperlukan?
Berapa banyak pengamatan yang diperlukan?
Sekumpulan pengamatan yang teratakan secara konsisten akan
menghasilkan nilai parameter yang sama ( misalnya A) tanpa memandang
kombinasi pengukuran yang dipakai.
Tetapi, bagaimana agar pengamatan tersebut konsisten dengan model
matematika?

2
 d). Untuk lebih jelasnya, perhatikan tiga buah traverse beda tinggi berikut.
Beda tinggi terukur diindikasikan sebeprti:

(2,3) (-0,7)
2,2 -0,8
2,1 0,6
-01,2 (2,7)
A B C
(-0,5) 2,5
H=10m
2,3 -0,1 1,4
-0,6 (1,3) 1,5
(2,2)
(1,4)

Tinggi untuk A, B, C adalah:

A B C
- 11,4 14,1
12,0 11,8 14,3
12,2 11,6 14,5
Salah satu solusi: (12,1) (11,6) (14,3)

 Tinggi mana yang paling mungkin untuk A, B, dan C?

 Pengamatan mana yang paling akurat?
 Bagaimana kita mengatasi perbedaan nilai akurasi?
 Ingat bahwa levelling adalah kasus linier yang sederhana, misalnya: HB –
HA = beda tinggi antar dua titik; semua loop harus bernilai nol.
Nilai didalam tanda kurung konsisten untuk semua loop, tetapi perataan
disini menjadikurang bernilai dan tidak mengacu pada teori statisyik untuk
estimasi. Misalnya nilai akhir yang teratakan adalah bukan nilai yang
paling mungkin.

1.3 KONSISTENSI MODEL DAN DESAIN MODEL

Jika kita menginginkan model yang konsisten dan merupakan nilai estimasi
parameter dan nilai pengamatan yang paling mungkin, maka:
 Secara garis besar, pengukuran tidak hanya berkenaan dengan pengamatan
fisik dari nilai data, tetapi juga melibatkan proses penentuan semua elemen
yang terlibat yang akan ditentukan.

3
 Beberapa aspek seperti desain dan kualitas menjadi penting, dan
kadangkala aspek-aspek ini tidak berkorelasi.
Misalnya, perhatikan pengaruh geometri dari suatu desain pada kasus berikut:
akan ditentukan posisi titik P, dengan cara setting out dengan sudut siku-siku
dan dengan perpotongan jarak.
P
Pd d
P kurang sensitif thd. P kurang sensitif thd.
P Pa
kesalahan krn. faktor Pa kesalahan krn. faktor
sudut () ketimbang Pd d
jarak (d) dari pada
thd. faktor jarak (d) faktor sudut ()
s
bata 

 batas d 
A

 d'

Dalam kasus A digunakan sudut untuk penentuan posisi P, dan dalam kasus B
digunakan perpotongan jarak.

1.4 ILUSTRASI TENTANG KEBUTUHAN AKAN ESTIMASI KUADRAT

TERKECIL

Masalah: kita akan menentukan parameter persamaan garis lurus m dan b

antara dua variabel x dan y dimana y = mx + b
Atau jika l = Ax, dimana Ii = yi, Ai = (xi 1) & x = (m b)T
Proses (hipotesa):
1. Ukur nilai yi pada dua even xi dan secara langsung tentukan m dan b
dengan x = A-1 l

hubungan yg. diasumsikan

yg. terhitung

x1
x2

Apa yang didapat? (solusi unik untuk nilai m dan b)

Apa yang tidak didapat? (nilai akurasi parameter dan pengukuran)

4
2. Saat kita lebih mengetahui bahwa nilai m dan b yang terhitung berelasi
dengan ekspektasi, kita akan menambah pengukuran (redundant
observations). Model matematikanya menjadi l + v = Ax

dihitung dgn. kuadrat

y terkecil

vi

x1
x2

3. Kita lakukan perataan dengan linier kuadrat terkecil:

x = (ATA)-1 ATl
v = Ax - l
Hal ini akan menghasilkan vTv = minimum (jumlah kuadrat residualnya
minimum).
Apa yang didapat?
 Nilai parameter m & b yang paling mungkin, yang tidak dapat diukur
secara langsung
 Evaluasi akurasi pengukuran (besar nilai residual v)
 Akurasi/ketelitian parameter m & b (Cx = (ATA)-1)
 Tes ketepatan model matematika (melalui v)
 Pengukuran yang terkoreksi (yi + vi) yang konsisten dengan model
 Estimasi parameter dilakukan dengan perhitungan yang tidak bertele-tele

2 TEKNIK PENGUKURAN DIDALAM GEOMATIKA

2.1 TAHAPAN-TAHAPAN PROSES PENGUKURAN

2.1.1 Identifikasi Parameter yang akan Dicari

Misalkan: volume, V, dari suatu prisma (lihat gambar) dengan akurasi sekitar
50m3.

5
Parameter yang akan dicari disini adalah Volume.

a
b

Tetapi , karena bentuknya tidak teratur, kita membutuhkan koordinat titik-titik

(x,y,z) pada permukaannya, dari sini volume dapat ditentukan, misalnya
dengan V = f((x,y,z)i, i = 1….n) = F(l) dimana l adalah vektor pengukuran.
Jika bentuk prisma itu teratur, maka: V = F(l) = f(a,b,c,d).
Contoh-contoh kasus lain yang membutuhkan parameter misalnya luas area,
bentuk, jarak dan sudut (parameter-parameter ini tidak dapat langsung diukur).
Kita juga harus menentukan akurasi dari parameter yang akan ditentukann. Hal
ini biasanya diekspresikan dengan suatu probability yang biasanya menyatakan
probabilitas dalam suatu selang kepercayaan tertentu.
Sebagai contoh:
 Suatu jarak diukur 20 kali, dan nilai reratanya x dan standar deviasi x
dihitung. Kita dapat mengatakan bahwa probabiliti 0.95 (95%) yang benar
untuk nilai xterletak pada wilayah x – 2x hingga x + 2x. Pengoptimalan
nilai x merupakan bagian yang penting dalam proses pengukuran.
 Suatu titik didalam suatu jaringan geodesi ditentukan untuk memiliki
koordinat (x,y). Tingkat kepercayaan titik itu sering digambarkan sebagai
elips, sering disebut dengan elips kepercayaan. Bentuk elips ini tidak akan
berubah untuk berbagai tingkat probabiliti, hanya membesar atau mengecil
oleh faktor skala.

6
 Metodologi Pengukuran didalam Geomatika

mulai dengan Mengkoreksi

(1) identifikasi parameter Parameter Ya

Model
Tidak Matematika
Mengkoreksi Model OK?
Meformulasikan Matematika
(2) Model Matematika
Ya

Tidak Desain OK?

Desain atau Mengkoreksi Desain
(3) Preanalisa

Ya

Tidak Akusisi Data

(4) Mengkoreksi OK?
Akusisi Data
Prosedur Akusisi Data

Tidak Ya

(5)
Pengkajian pra- Mengkoreksi prosedur Pengkajian pra
OK? pemrosesan data & manajemen & Tidak prosesing data &
manajemen pengkajian pra manajemen OK?
pemrosesan
Ya
Ya
(6) Mengkoreksi prosedur
Pemrosesan data - Tidak Pemrosesan
Perataan pemrosesan data Data OK?

(7) Pengkajian Hasil Tidak

OK?

Ya
(8) Penyajian Hasil

Selesai

Tujuan: menentukan parameter yang dicari

7
2.1.2 Memformulasikan Model Matematika
Model matematis biasanya selalu berdasarkan hukum geometri atau fisika
tertentu, dan hukum ini merelasikan antara pengamatan (pengukuran) dengan
parameter yang akan dicari.
Dengan kata lain, parameter yang dicari tidak selalu bisa diukur secara
langsung, jadi diperlukan suatu model yang menjelaskan hubungan matematis
antara pengamatan dengan parameter yang dicari.
Contoh:
1. Refraksi atmosfir dari suatu perambatan gelombang adalah:
P e
refraksi N L  0.2696 N G  11.25
T T
dimana NL = f(P,T,e)
parameter: NL
pengamatan/pengukuran: P, T, dan e
konstanta: NG
2. Tekanan uap jenuh, es
 17.27t 
 
es  6.1078  t  237.3 
parameter: es
pengukuran: t (wet-bulb temperature)
3. Persoalan dalam ukur tanah, jarak AB akan dicari, tetapi tidak dapat secara
langsung diukur.
A
a

d2 danau
d3

c b
C
d1 B

Untuk menghitung parameter d3, sudut a,b,c dan jarak d1 dan d2 diukur. Model
matematika adalah abstraksi dari hubungan geometris dari segitiga bidang
datar. Dalam model ini, semua pengukuran harus dilibatkan. Untuk kasus ini
model dapat berupa:

8
d3 = d1 sin c / sin a
d3 = d2 sin c / sin b atau
d32 = d12 + d22 - 2 d1 d2 cos c
0 = a + b + c - 1800
atau model lain dapat digunakan asalkan keduanya linier independen dan
melibatkan semua pengukuran.
Catatan tentang Linier independen dapat dilihat pada bagian akhir bahasan ini.

4. Penentuan beda tinggi

h12 h23 h3
h1 h2

h2 = h1 + h12
h3 = h2 + h23
= h1 + h12 + h23
seperti yang akan kita lihat nanti bahwa model matematika dapat terdiri
pengamatan/pengukuran, parameter, dan konstanta, atau kombinasi dari
semuanya.

2.1.3 Desain atau Pra-Analisa

Sebelum melakukan pengukuran didalam pengamatan, sangat penting
ditentukan/diketahui sampai tingkat akurasi berapakah pengamatan itu harus
diukur. Hal ini berhubungan dengan tingkat akurasi parameter yang akan
dicari.
Misalnya: (perhatikan contoh 4)
Jika client menginginkan tinggi h2 dan h3 memiliki kesalahan standar (standar
deviasi) h2 dan h3 < 3mm,
Karena titik h1 adalah titik referensi (fix), maka agar h2 < 3mm maka
diharuskan h12 < 3mm.
Seperti pada dalil perambatan kesalahan (perambatan varian): h3 = (2h12 +
2h23)1/2 < 3mm mengindikasikan bahwa h12 dan h23 masing-masing kurang
dari 2,1mm.
Tahapan desain atau pra-analisa ini sering disebut juga sebagai analisa
kovarian. Dimana melalui model matematika dapat ditentukan ketelitian
(akurasi) pengukuran yang berpengaruh nantinya pada ketelitian parameter.

9
Contoh lain:
P e
N L  0.2696 N G  11.25
T T
dari rumus diatas asumsikan bahwa ketilitian NL adalah 1 unit. Kita harus
dapat menentukan sampai ketelitian berapa kita harus mengamati P, T dan e.
jawabannya adalah tidak jelas, namun demikian hal tersebut dapat ditentukan
melalui cara linierisasi dan perambatan kovarian.
Contoh lain, pada penentuan posisi titik I secara spasial triangulasi, sampai
ketelitian berapa sudut (asimuth) harus diukur agar ketelitian koordinat I
terpenuhi? Katakanlah standar deviasi yang harus dicapai adalam dalam mm,
tetapi standar deviasi pengukuran asimuth adalah dalam detik.

1
A
I (xi, yi)

2

B
3

2.1.4 Akusisi Data

Pengamatan atau pengukuran dilaksanakan berdasarkan pada desain/kriteria
yang telah ditentukan dalam tahapan pra analisa. Pengukuran-pengukuran
disini adalah obyek dari ‘variasi’ atau pengukuran keasalahan (error).
Error e didefinisikan sebagai nilai hasil pengamatan  dikurangi dengan nilai
sebenarnya t: e =  - t.
Tetapi, sangatlah sulit untuk menentukan berapa besarnya nilai e yang
sebenarnya karena kita tidak pernah mengetahui berapa nilai t itu. Sebagai
alternatif, kita mengamati nilai residu pengamatan v sebagai perbedaan antara
probabilitas yang tertinggi untuk nilai t , disebut dengan ̂ , dengan nilai
hasil pengamatan .

v  ˆ  
tujuan dari hal ini adalah untuk menjaga agar v tetap minimum, atau
diekspresikan dengan cara lain, untuk memastikan bahwa selisih  dan ̂
selalu seminimal mungkin.

10
Ada tiga macam kesalahan:
 Gross error: (large blunders) kesalahan yang kuantitasnya angat signifikan,
yang mungkin disebabkan oleh salah catat, salah baca, dll.
 Systemetic error: kesalahan yang disebabkan/dipengaruhi oleh instrument,
dan karena itu kesalahan ini menumpuk secara sistematis didalam
pengukuran. Kesalahan ini dapat terjadi baik pada saat pengukuran maupun
didalam model matematika.
 Random error: kesalahan yang tersebar/teracak pada nilai pengamatan;
biasanya kesalahan ini selalu diasumsikan terdistribusi normal, dengan
ekspektasi (mean value) adalah nol.
Contoh: pembacaan beda tinggi pada rambu ukur
Pengukuran  : 3.210, 3.212, 3.208, 3.211, 3.311, 3.216, 3.209, 3.210
Gross error: 3.311 (kemungkinan karena salah baca)
Systematic error: tidak terlihat secara nyata, tidak dapat diperiksa kecuali
kalau modelnya memenuhi syarat.
Random error: terdeteksi dengan varian atau standar deviasi, . Setelah gross
error ini dibuang (reject) apakah ketelitiannya sudah memenuhi syarat? Tes
statistik untuk mendeteksi outlier harus dilakukan. Tetapi untuk saat ini
anggaplah kriteria penolakan tersebut sebesar: ( - ̂ ) > 3.

2.1.5 Pra-pemrosesan Data

Pada dasarnya, ada dua tahapan dalam pra-pemrosesan data yaitu
pengkoreksian blunder (gross error) dan mengarahkan pengamatan agar sesuai
dengan model matematikanya.
Tujuan dari tahapan ini adalah menghilangkan seluruh “systematic error”
sebelum hasil pengukuran dimasukkan kedalam model matematika. Aturan
mainnya, model harus dibuat sesederhana mungkin dengan melibatkan
sebanyak mungkin pra-pemrosesan data.

2.1.6 Pemrosesan Data (Perataan)

Pada saat memasukan hasil pengukuran/pengamatan kedalam model
matematika yang berpengamatan lebih (“redundant”) (dalam hal ini kita harus
selalu mengasumsikan adanya pengamatan lebih), variasi-variasi nilai selalu
terjadi didalam proses pengestimasian nilai parameter.
Ada dua kategori variasi:
 Variasi–variasi yang berupa fungsi yang dapat dideskripsikan
 Variasi-variasi yang bukan merupakan fungsi dan tidak dapat
dideskripsikan.

11
Pada kasus yang pertama, biasanya dapat dihilangkan pada pra-pemrosesan
data. Sedangkan variasi yang masih terdapat didalam proses pengestimasian
nilai parameter yang memiliki pengamatan lebih (kasus kedua) sering disebut
dengan istilah stochastic.
Catatan:
Tanpa adanya pengamatan lebih tidak akan ada proses pemeriksaan lebih
lanjut. Dalam mendesain suatu pengamatan didalam geomatika harus selalu
memiliki pengamatan lebih. Berapa banyak pengamatan lebih yang harus
diambil, ditentukan dalam proses desain atau pra-analisa.
Tujuan dalam tahapan pemrosesan data adalah untuk menghasilkan parameter
yang sesuai dengan kriteria tertentu.dari beberapa solusi yang mungkin, hanya
ada solusi yaitu hasil dari hitung kuadrat terkecil (least square solution)
dimana jumlah kuadrat dari residu adalah minimum.
Parameter-parameter didalam model matematika juga berhubungan dengan
estimasi ketelitiannya (akurasi). Varian atau standar deviasi dari parameter
adalah fungsi dari dua faktor:
 Ketelitian dari pengamatan(pengukuran)
 Model matematikanya itu sendiri (misalnya merubah bentuk geometriknya
akan merubah ketelitiannya).
Ketelitian pada kasus pertama dapat ditingkatkan dengan menambah
pengamatan lebih. Pada kasus kedua, ketelitian model sangat tergantung dari
systematic error yang tidak dapat dihilangkan.

2.1.7 Pengkajian Hasil

Karena itu pada tahap ini dilakukan tes statistik untk mengevaluasi ketelitian
parameter beserta dengan kualitas pengamatan/pengukuran dan
kebenaran/ketepatan/keabsahan model matematika yang dipakai. Tes statistik
ini disebut juga dengan post analysis.
Post analysis menggunakan informasi dari:
 Model stochastic
 Operasi perataan
Pada dasarnya post analysis sangat tergantung dari variasi-variasi didalam
pengamatan. Dari sini kita dapat:
Mengujui asumsi model stochastic (apakah varians dari pengamatan lebih baik
atau lebih buruk?)
Menguji kebenaran/keabsahan model matematika

12
Menetapkan “confidence interval” dan “confidence regions” berkenaan dengan
parameter.
Contoh:
Suatu jarak diukur dengan macam alat survei yang berbeda, EDM dan GPS.
Hasilnya adalah dEDM = 1062.31, dEDM = 0.05, dan dGPS = 1062.45 + 0.02.
apakah kedua cara ini kompatible? Jika tidak, apakah perbedaan hasil ini
mencerminkan adanya kesalahan pengukuran?

2.1.8 Penyajian Hasil

Penyajian hasil akan melengkapi proses pengukuran. Ada perbedaan-
perbedaan dalam cara penyajian (dengan grafik, angka, dsb), tetapi yang
penting ditekankan disini adalah menyajikan hasil dari ketujuh tahapan
sebelumnya:
 Sepesifikasi harus selalu disebutkan, bersamaan dengan penyajian
parameter dan ketelitiannya. Apakah spesifikasi yang ditetapkan sudah
terpenuhi?
 Hasil dari pre-analysis dan post analysis harus selalu ditunjukkan, misalnya
dengan histogram, ellips kesalahan, dsb.
 Nyatakan bahwa ketelitian awal dari pengamatan konsisten perkiraan
ketelitian awal.
 Harus diberitahukan pula bila ada data pengamatan yang dibuang.
Alasannya juga harus dijelaskan.
 Hasil tes statistik juga harus disajikan bersamaan dengan detail dari
confidence level, dsb.

3 FORMULASI MODEL MATEMATIKA

Menyatakan/menjelaskan hubungan geometrik atau matematik antara
parameter yang akan dicari dengan pengamatan/pengukurannya secara fisik
(real world). Atau abstraksi matematis dari kondisi/situasi yang sebenarnya
dilapangan (permukaan bumi).
Definisi:
A theoretical system or an abstract concept by which one describes a physical
situation or a set of events.
Definisi ini menghubungkan properti yang ditentukan dari situasi atau kejadian
dalam keadaan tertentu, misalnya definisi ini menjembatani antara pengukuran
lapangan dengan unkown parameter.

13
Didalam geomatika secara umum model fungsi itu memeiliki hubungan
geometris, model yang tergantung pada waktu, dan berdasarkan pada dalil-
dalil fisika.
Walaupun model itu dapat diinterpretasikan sebagai bentuk geometrik
(misalnya jaringan trilaterasi), bentuk fungsinya adalah sekumpulan dari
persamaan matematika yang menjelaskan hubungan antara unknown
parameter dengan pengamatan.
Sebagai contoh didalam disiplin ilmu berikut:
 Surveying – hubungan trigonometri bidang datar, geometri 3-D ruang
Euclidean, dalil-dalil fisika tentang perambatan cahaya.
 Photogrammetry – dalil tentang proyeksi pada pusat perspektif yang
menghubungkan antara titik-titik di citra dengan lokasinya pada ruang
Euclidean 3D.
 Geodesy – segitiga bola untuk astronomi, hukum gaya berat untuk
penentuan gravitasi bumi, penentuan model orbit satelit – solid mechanics
Model harus mewakili kondisi sebenarnya di lapangan. Tiga buah segitiga
yang diamati sudutnya di permukaan bumi. Jika cakupan areanya kecil (tidak
luas), kita dapat memberlakukan rumusan a + b + c –1800 = 0. Tetapi jika
cakupan areanya sangat luas maka kita harus menggunakan ellipsoid, dan
modelnya harus diubah menjadi a + b + c – (1800 + e) = 0. Dimana e
spherical excess.
Mungkin akan terdapat beberapa model untuk menyelesaikan masalah dalam
suatu pengukuran tertentu. Tetapi secara umum, model final harus memiliki
jumlah minimum ekspresi linier independen yang menyertakan semua
pengamatan.
Secara simbolik, model fungsi atau matematika dapat ditulis sebagai:
f (q)  f (c, x, )  0
dimana:
c – merupakan konstanta, misalnya satuan detik dalam radian ( =
206264.8062), kecepatan cahaya atau koefisien. Konstanta ini diasumsikan
memiliki varian nol (c2 = 0). Biasanya konstanta diperlakukan sebagai
bagian dari model. Ambil contoh dalam pengukuran segitiga abc:

f (c, )  a  b  c  A  0 akan menjadi f ()  a  b  c  180 0  0

x – vektor parameter unknown xi. Parameter-parameter ini harus linier
independen, dan tidak dapat diekspresikan sebagai kombinasi linier dari xj, xk,
dst. Misalnya
x3  a1 x1  a 2 x 2 untuk semua nilai a1 dan a 2

14
 – vektor pengamatan i, yang secara langsung diamati nilainya berdasarkan
suatu kriteria ketelitian tertentu. Kualitasnya diekspresikan dalam varian atau
standar deviasi dan merupakan bagian penting dalam tahap perataan
pengamatan (adjusdment of observation), residual vi akan berbanding terbalik
dengan besarnya varian apriori si2.
Didalam geomatika pengamatan dapat terdiri dari pseudo-range GPS, sudut,
koordinat citra/foto, beda tinggi, dll.
Suatu model matematika mungkin saja dapat tidak memiliki konstanta dan
parameter, tetapi harus selalu memiliki pengamatan. Karena itu model sering
diistilahkan sebagai persamaan pengamatan.
Berbagai aplikasi didalam Geomatika umunya selalu mencari solusi untuk
parameter unknown x, dan solusi untuk pengamatan hasil perataan. Kualitas
pengukuran (standar deviasi/varian) juga dicari solusinya dari model linier
yang berpengamatan lebih didalam hitung kuadrat terkecil.

4 LINIERISASI
Dalam mata kuliah ini hanya model matematika yang linierlah (dilinierkan)
yang akan dipakai. Sehingga jika dijumpai suatu model matematika yang tidak
linier biasanya harus dibuat linier terlebih dahulu (diekspresikan kedalam
bentuk linier).

 Ax  B  w  0
f (c, x, )  0  
A  Bv  w  0
dimana A dan B merupakan matrik desain (matrik koefisien), w merupakan
perbedaan (selisih) antara pengamatan dengan model pendekatan, 
merupakan koreksi dari nilai pendekatan (perkiraan) untuk parameter, dan v
merupakan vektor residu dari pengamatan. Misalnya:
^ ^
x  x 0   dan     v
dimana ' ^ ' mengindikasikan nilai perkiraan
Ingatlah bahwa suatu persamaan yang linier hanya mengandung variabel-
variabel berorde satu. Contoh, perhatikan konstanta dan variabel x,y,z untuk
persamaan berikut:
ax + by – c2 = 0 adalah persamaan linier
cx + y2 = 0 bukan persamaan linier (non-linier)
xy + bz – c = 0 bukan persamaan linier (non-linier)

15
4.1 TEKNIK LINIERISASI
Untuk merubah bentuk non-linier menjadi bentuk linier sering disebut dengan
liniersiasi.
Suatu deret fungsi trigonometri, misalnya sin x = x – x3/3! + x5/5! - …. (x
dalam radian); jika x mendekati nol maka x  sin x.

(x n a) 2
Logaritma : ax  e x n a  1  x n a  1  x n a 
2!
Linier
= 0 jika x sangat
kecil

4.1.1 Ekspansi deret Taylor

Didalam Geomatika deret Taylor sering digunakan untuk melinierkan bentuk-
bentuk persamaan yang non-linier, baik dalam bentuk skalar (univariate)
maupun dalam bentuk vektor.
Untuk bentuk skalar, diberikan suatu fungsi y = f(x) dengan nilai yang
diketahui adalah y0 = f(x) pada x = x0, nilai-nilai lainnya adalah:

df
y  f(x)  f(x 0 ) 
dx x 0

x - x0 
d 2f
2

dx x 0
 
x - x 0 2  ......
2!

Jika (x – x0) sangat kecil maka (x – x0)2  0, seperti yang terjadi untuk orde-
orde yang lebih tinggi lagi. Hal ini akan menyebabkan:

y  f ( x)  f ( x 0 ) 
df
dx x0
 
x  x 0  f (x 0 )  j.

Sebagai contoh:
Jika y = f(x) = x2 + x3, evaluasilah fungsi tersebut untuk x=1.1
Dalam hal ini ambilah nilai pendekatan x0 = 1 dan perbedaan  = 0.1, maka:
df
y 0  f (x 0 )  1  1  2,  2x 0  3x 02  5
j
dx x0
y  2  5.  2.5 (nilai sebenarnya untuk f(1.1)  2.541)

interpretasi grafis/geometris untuk kasus ini adalah sbb.:

kelengkungan kurva tergantung dari fungsi y = f(x)
ketika d mendekati/menuju 0, y0 + j  f(x), maka  akan tetap kecil
pengaruh orde-orde yang lebih tinggi ditunjukkan oleh perbedaan antara kurva
pada x0 + 1, dan x0 + 2.

16
 y=f(x)

2 y0 + jx =
y0=f(x0) gradien pada
Y 1 y0 + jx2 x0
0
y + jx1

1 dan 2 merupakan
pengaruh dari orde-orde
x1 yang lebih tinggi
x2

4.1.2 Iterasi
Iterasi adalah suatu proses komputasi yang dilakukan secara berulang-ulang
untuk memperbaiki nilai pendekatan x0 dengan prosedur sbb:
i. pilihlah nilai pendekatan untuk x = x10 dan hitunglah:


x  x10  1j f (x)  f (x 0 ) 
ii. berikan nilai x yang didapat dari tahap (i) sebelumnya ke x20 dan gunakan
untuk hitungan yang sama:


x i 1  x 0i  1j f (x)  f (x 0 ) 
iii. teruskan proses perulangan ini sampai ditemukan solusi untuk x, atau
ketika f(x) = f(xi0), misalnya pada saat x0i+1 = xi0.
Contoh hitungan:

y  x 2  x 3  j  2x 0  3x 02 jika y  2.541, tentuk an x

jika diasumsikan pendekatan x = x10 = 1, maka:

 
x i 1  x 0i  1j f (x)  f (x 0 ) dan

x 02  1.0  15 2.541  2  1.108

1 2.541  2.589  1.100
x 30  1.108  5.901
1 2.541  2.541  1.100
x 04  1.100  5.803

17
catatan:
jika penentuan nilai pendekatan x10 terlalu besar (jauh) dari nilai sebenarnya
akan membutuhkan iterasi yang sangat banyak.
Proses iterasi dapat dihentikan bila:

x 0i 1  x 0i   (terhadap nilai tertentu) atau

x 0i 1  x 0i x 0i   (terhadap nilai relatif)

4.1.3 Deret Taylor dalam Bentuk Vektor

Deret Taylor dapat dikembangkan lebih lanjut dalam bentuk fungsi vektor,
antara lain:
Tetapkan: x  x1 x2 

f
f (u)  f (x 0 )  
x x0

 f x1 
x 2   f x10 
x 02 
f
x1 x0
1 
f
x 2 x0
2
1 2


 f x10 
x 02  j1
 x 
j2   1 
x 2 

4.1.4 Ekspansi untuk m Fungsi dengan n variabel

y 1  f 1 x 1 , x 2 ,  x n 
y 2  f 2 x 1 , x 2 ,  x n 
 
 
y m  f m x 1 , x 2 ,  x n 
misalkan y  y 0  J
 y 1 y 1 
  
 x 1 x n 
   
y 
dimana J  matrik Jacobean     
x 
   
 y m y m 
  
 x 1 x n  0
x

18
  y0   1 
 10   
y   2
0  2
y   dan   
   
     
 0   n 
y m 
0
ordo matrik dan vektor tersebut adalah : m J n , m y1 , n 1

Contoh-contoh soal:
Soal 1
Suatu model matematika terdiri dari dua fungsi yaitu:

y1  x12  x 3
y 2  x1  x 32
2

x0  1
1
0  0  
Linierisas ikan fungsi - fungsi tersebut pada x  x 2   1
x0  1
 3   
Jawaban:
y1 y 2
 2x1 0
x1 x1
y1 y 2
0   12
x 2 x 2 x2
y1 y 2
 1  2x 3
x 3 x 3

 1 
 y 1  0  2  1 0 1  
 y           2 
 y 2  2  0  1 1 2  1   
 3
persamaan :
y  y 0  J
 1 
0 2 0  1  
y     2 
 2 0  1 2    
 3

19
Soal 2
Linierisasikan Persamaan:

x12 sin x 2  x 32  0
6x1  cos x 3  2.5  0
menjadi bentuk y  y 0  J

Jawaban:

 02 0 03 
0 x sin x  x
y  1 2 2 
6x  cos x  2.5
0 0
 1 3 
 x1 
  x 2 
 x 3 

 f1 f1 f1 

 x
J 1
x 2 x 3 

2x 0 sin x 0
  1 2 x10 cos x 02  3x 02  0 

 f 2 f 2 f 2   6 0  sin x 30 
 x1 x 2 x 3 

Persamaan Matrik:

 02
x
y 1
sin x 0
2  x 03  2x 0 sin x 0
2  1 2 x10 cos x 02  3x 02  0 

 x1 
x 
6x  cos x  2.5 
0 0 6 0  sin x 30  0 0 0  2
 1 3   x1 , x 2 , x3  x 3 

4.1.5 Beberapa Catatan Tambahan

Sangatlah bermanfaat untuk mengembangkan persamaan dalam simbol y0, ,
dan J sebelum anda mengisinya dengan data angka numerik.
Dari contoh soal 1 dan 2, lebih mudah untuk menyatakan suatu ekspresi dalam
bentuk y = … atau 0 = …..
Linier Independen dan Rank
Sekumpulan vektor (u1, u2, …,un) dikatakan linier dependen jika dan hanya
jika terdapat skalar c1, c2, …,cn, yang tidak nol, sehingga memenuhi kondisi:
c1 u1 + c2 u2 + …+ cn un = 0
sekumpulan vektor (u1, u2, …,un) dikatakan linier independen jika semua
skalar c1, c2, …,cn, berharga nol, sehingga memenuhi kondisi:

20
c1 u1 + c2 u2 + …+ cn un = 0
contoh:
Apakah sekumpulan vektor-vektor berikut u1 = (1,1,-1,-1), u2 = (2,2,2,-2), u3 =
(3,3,1,-3), u4 = (1,1,3,-1) linier independen? Untuk dapat menjawabnya
susunlah persamaan vektornya: c1 u1 + c2 u2 + c3 u3 + c4 u4 = 0.
Dalam bentuk matrik persamaan tersebut menjadi:

 1 2 3 1  c1  0 
 1
 2 3 1 c 2  0 
  
 1 2 1 3 c 3  0 
    
 1  2  3  1 c 4  0 
A x  0

perhatikan dalam persamaan simultan linier yang homogen diatas adalah

dalam bentuk Ax = 0. Dalam matrik A unsur kolom merupakan anggoata
elemn setiap vektor. Matrik kolom x merupakan unknown yang akan dicari
nilainya. Persamaan ini tidak akan dapat diselesaikan jika rank A kurang dari
jumlah unkonwn.melalui reduksi baris koefisien matrik A akan menjadi:

 1 2 3 1 1 0 0  1
 1 2 3 1 0 1 1 1
  
 1 2 1 3 0 0 0 0
   
 1  2  3  1 0 0 0 0

Setelah matrik A direduksi (ruas kanan) terdapat elemen baris yang semua
anggotanya bernilai nol. Nilai rank suatu matrik adalah jumlah elemen baris
yang anggotanya ada yang tidak bernilai nol. Karena elemen baris kesatu dan
kedua tidak semuanya nol maka dikatakan rank matrik A adalah 2. Elemen
baris ini disebut dengan linier independen. Sedangkan baris yang semua
elemennyya nol disebut dengan linier dependen.
Didalam hitung kuadrat terkecil, sekumpulan persamaan matematika hanya
dapat diselesaikan jika kesemuanya adalah linier independen dan rank
matriknya sama dengan jumlah unknown atau lebih.
Cara praktis untuk mengetahui suatu matrik adalah linier independen atau
tidak adalah dengan memeriksa nilai determinanya. Jika nilai determinannya
tidak sama dengan nol maka dapat dikatakan persamaan tersebut adalah linier
independen.

21
Rumus-rumus Turunan (Diferensial) yang mungkin berguna

 
D x u n  nu n 1D x u D x u  v   D x u  D x v
 u  vD x u  uD x v
D x uv   uD x v  vD x u Dx   
v v2
 
Dx eu  eu Dxu D x (a u )  a u ln a D x u D x (ln u)  u1 D x u
D x (sin u)  cos u D x u D x (cos u)   sin u D x u
D x (tan u)  sec 2 u D x u D x (cot u)   csc 2 u D x u
D x (sec u)  sec u tan u D x u D x (csc u)   csc u cot u D x u
1 1
D x (sin 1 u)  Dxu D x (cos1 u)  Dxu
2 2
1 u 1 u
1 1
D x (tan 1 u)  Dxu D x (cot 1 u)  Dxu
1 u2 1 u2
1 1
D x (sec 1u)  Dxu D x (csc 1u)  Dxu
2 2
u u 1 u u 1

22