TUGAS

UJIAN AKHIR SEMESTER

SURVEY DEFORMASI

Disusun Oleh:

Saidah Ahadiddin
NIM. 18.25.063

PROGRAM STUDI TEKNIK GEODESI

FAKULTAS TEKNIK SIPIL DAN PERENCANAAN
INSTITUT TEKNOLOGI NASIONAL MALANG
2022
 BAB 1
PENDAHULUAN

1.1 LATAR BELAKANG

Deformasi diambil dari kata deformation yang artinya perubahan
bentuk, yaitu merupakan suatu fenomena dimana objek- objek alamiah
maupun buatan manusia terjadi perubahan bentuk dari kondisi awalnya,
Geodesi merupakan suatu bidang keilmuan tertua yang mempelajari
tentang pemetaan bumi,. Salah satu fokus dari ilmu geodesi adalah
pembelajaran tentang deformasi (pergerakan atau pergeseran tanah).
Pemantauan deformasi salah satunya yaitu pengamatan GPS dan
pengolahan data untuk mengetahui seberapa besar deformasi yang terjadi.
Pengamatan deformasi menggunakan GPS merupakan salah satu
metode yang sangat efektif karena dapat mengamati perubahan secara
kontinu. Prinsip pemantauan deformasi dengan menggunakan metode
survei GPS yaitu dengan menempatkan beberapa titik pantau di beberapa
lokasi yang dipilih disekitar bangunan bendungan, secara periodik untuk
ditentukan koordinatnya secara teliti dengan menggunakan metode survei
GPS.
GPS juga tidak memerlukan keterlihatan antar titik pengamatan
sehingga posisi titik GPS dapat tersebar dan menggambarkan bentuk
secara keseluruhan, dan yang terakhir GPS dapat memberikan nilai vektor
pergerakan dengan tingkat presisi sampai beberapa mm, dengan
konsistensi yang tinggi baik secara spasial maupun temporal.

1.2 RUMUSAN MASALAH

Dari latas belakang di atas dapat rumusan masalah sebagai berikut :
a. Bagaimana cara menghitung besar vektor pergeseran dari data
pengamatan satelit GNSS ?
b. Bagaimana cara menghitung arah pergeseran dari data pengamatan
satelit GNSS ?

1
 c. Bagaimana cara uji signifikansi pergeseran dari data pengamatan
satelit GNSS ?

1.3 TUJUAN
a. Mengetahui cara perhitungan vektor pergeseran dari data pengamatan
satelit GNSS.
b. Mengetahui cara perhitungan arah pergeseran dari data pengamatan
satelit GNSS.
c. Mengetahui cara uji signifikansi pergeseran dari data pengamatan
satelit GNSS.

2
 BAB 2
TINJAUAN PUSTAKA

2.1 Prosedur Terperinci untuk Pemantauan dan Analisis Deformasi

Struktural
a. Titik Pemantauan Terletak di Permukaan Struktur
Langkah pertama adalah memilih/memilih titik-titik yang sesuai pada
struktur di mana stud akan ditempatkan. Ini titik harus dipilih
sedemikian rupa sehingga dapat diamati dari tidak kurang dari dua titik
acuan/kontrol. Hal ini diperlukan karena penyesuaian kuadrat terkecil
dari pengamatan. Kancing harus ditempatkan tetap sedemikian rupa
sehingga setiap gerakan mereka akan menjadi perpindahan struktur itu
sendiri.
b. Penetapan Titik Kontrol/Referensi
Satu set titik kontrol/referensi harus didirikan di atas landasan atau
platform yang stabil untuk menentukan kerangka acuan untuk gerakan.
Titik kontrol biasanya dimonumenkan dan dianggap stabil sepanjang
periode pemantauan. Mereka juga dipilih di mana mereka tidak akan
diganggu dan di mana pengamatan dapat dengan mudah diambil dari
mereka ke tidak kurang dari dua titik pemantauan. pengamatan dari
stasiun kontrol harus dilakukan secara akurat. Itu harus dilakukan
relatif terhadap satu set orde pertama kontrol menggunakan
pengamatan GNSS atau stasiun total presisi tinggi.
c. Koleksi Observasi Geodesi pada Interval Waktu Diskrit atau Zaman
Setelah memilih titik pemantauan pada struktur dan menetapkan
stasiun referensi di sekitar struktur, langkah selanjutnya adalah
melakukan pengamatan dari stasiun referensi ke titik pemantauan pada
interval yang ditentukan. Interval dapat berupa satu bulan, tiga bulan,
enam bulan atau satu tahun tergantung pada tujuan survei dan besaran
dan arah deformasi/gerakan yang diharapkan. Dalam setiap
pengamatan epoch, masing-masing titik pemantauan harus diamati dari
lebih dari satu stasiun referensi untuk memungkinkan pengamatan

3
 yang berlebihan, serta penyesuaian kuadrat terkecil dari pengamatan
epoch (lihat Gambar 1a dan 1b).

Gambar 1a: Mengambil Pengamatan Total Station dari Stasiun

Referensi ke Titik Pemantauan

Gambar 1b: Pengamatan GNSS dari Titik Pemantauan Relatif terhadap

Stasiun Kontrol

2.2 Pengolahan Setiap Pengamatan Epoch

Setiap pengamatan epoch diproses dan disesuaikan untuk
mendapatkan: penyesuaian koordinat dan ketinggian titik pemantauan,
kesalahan standar posisi dan ketinggian titik pemantauan, elips kesalahan
setiap posisi yang diproses, interval kepercayaan ketinggian, a posteriori
varians dan kesalahan standar posteriori pengamatan, jejak matriks varians-
kovarians, Uji Varians Distribusi Probabilitas (Uji Chi-Square), Jumlah
Redundansi, Deteksi Outlier, Distribusi Residual (Uji Goodness of Fit) dan
Tau Statistik. Penyesuaian dilakukan dengan menggunakan metode
persamaan observasi teknik kuadrat terkecil.

4
a. Metode Persamaan Pengamatan Penyesuaian Kuadrat Terkecil
Metode persamaan observasi teknik penyesuaian kuadrat
terkecil diterapkan dalam studi deformasi untuk menyesuaikan setiap
pengamatan zaman untuk memungkinkan presisi dan akurasi posisi
dan ketinggian yang disesuaikan, serta pengamatan, diperoleh. Dalam
metode persamaan observasi, terdapat hubungan fungsional antara
setiap pengukuran dengan parameter tertentu. Setiap pengukuran
(pengamatan) dapat dikaitkan dengan sejumlah parameter tertentu oleh
suatu persamaan dan jumlah persamaan yang dapat ditulis, oleh karena
itu, sama persis dengan jumlah pengukuran yang digunakan dalam
penyesuaian. Solusi untuk persamaan ini diperoleh dengan
meminimalkan jumlah kuadrat residu (berbobot) (prinsip kuadrat
terkecil) (persamaan 1). Solusi 'kuadrat terkecil' ini menghasilkan
penentuan parameter secara langsung.
(1)

Ono dkk. (2014) memberikan hubungan fungsional berikut

antara pengamatan yang disesuaikan dan parameter yang disesuaikan
sebagai:

La = F (Xa) (2)

Dimana, La = vektor pengamatan yang disesuaikan dan Xa =

koordinat stasiun yang disesuaikan. Persamaan (2) adalah fungsi linier
dan diperoleh model persamaan observasi umum.

Untuk membuat ekspresi matriks untuk melakukan

penyesuaian kuadrat terkecil, akan dibuat analogi dengan prosedur
sistematis. Sistem persamaan observasi disajikan dengan notasi
matriks sebagai (Mishima dan Endo 2002, Ono et al, 2018, Eteje dan
Oduyebo, 2018)

V = AX - L (3)

Dimana :

5
 A = Desiain matrix =

X = Vector yang tidak diketahui =

L = Nilai yang Dihitung (lo) Dikurangi Nilai yang Diamati (lb) =

V = Matrik Residu =

Jadi :

(4)

Perkiraan parameter
X = (N)-1(t) (5)
Dimana
N = (ATWA) = Matrix Normal
t = (ATWA)
N-1 = (ATWA)-1 = ᵨxx
X = (ATWA)-1(ATWL) = estimasi
W = matrix bobot

2.3 Persamaan Pengamatan

Penerapan teknik penyesuaian kuadrat terkecil untuk penyesuaian
pengamatan dalam studi deformasi mengharuskan persamaan pengamatan
harus dibentuk atau ditulis. Jumlah persamaan observasi harus sama
dengan jumlah observasi yang dikumpulkan. Di sini, persamaan
pengamatan untuk vektor baseline GPS untuk metode GNSS, persamaan
pengamatan jarak dan azimut untuk metode total station dan persamaan
pengamatan sirkuit leveling dirinci

6
a. Model Penyesuaian Kuadrat Terkecil untuk Vektor Garis Dasar
GPS
Ghilani dan Wolf (2008) menjelaskan bahwa dari koordinat X,
Y dan Z stasiun A dan B yang diketahui, dan komponen X, Y dan Z
yang diamati, koordinat stasiun baru C, D, E dan F dapat dihitung .
Penyesuaian diperlukan karena ada observasi yang berlebihan. Dalam
menerapkan kuadrat terkecil pada masalah, persamaan observasi
ditulis yang menghubungkan koordinat yang tidak diketahui dari
stasiun baru C, D, E, dan F dengan nilai X, Y dan Z yang diamati dan
kesalahan residualnya. Pengikut persamaan observasi seperti yang
diberikan oleh Ghilani dan Wolf (2008) ditulis untuk dua baseline
pertama (AC dan DC) sebagai

(6)

Ghilani dan Wolf (2008) menyatakan pengamatan pada

persamaan (6) dalam bentuk matriks sebagai

7
b. Persamaan Pengamatan Jarak
Menurut Githumbi (2014), persamaan pengamatan jarak adalah
(7)
Jarak S12 antara dua titik i dan j dapat dihitung sebagai:

(8)
Persamaan (8) tidak linier terhadap parameter yang tidak
diketahui (X dan Y) dan oleh karena itu tidak dapat dilakukan proses
kuadrat terkecil sebelum dilinierkan. Linearisasi dilakukan dengan
perluasan fungsi deret Taylor hanya sampai suku-suku linier. Jadi, kita
sekarang mendapatkan turunan dari Sij terhadap Xi , Yi , Xj , Yj;
sebagai

(9)

Dimana Soij adalah jarak yang dihitung dari koordinat perkiraan,

Xio ,Yio , X oj , X oj .

c. Persamaan Pengamatan Azimuth

Menurut Mikhail dan Gracie (1981), azimuth garis dari titik i
ke titik j (dalam arah tertentu) didefinisikan sebagai sudut horizontal
diukur searah jarum jam dari meridian referensi ke garis. Arah Aij
antara dua titik i dan j dapat dihitung sebagai (Githumbi, 2014):

(10)
Mikhail dan Gracie (1981) menjelaskan bahwa azimuth dapat
memiliki nilai antara 0° dan 360°. Penting untuk memastikan bahwa
kuadran Aij ditentukan dengan benar. Ini berarti bahwa tanda dari
kedua pembilang X j Xi dan penyebut Yj Yi dari fungsi tangen harus
diperhitungkan. Mereka lebih lanjut menyatakan bahwa jika alat bantu
komputasi, seperti kalkulator tangan atau komputer, digunakan dan itu

8
 hanya menghasilkan sudut akut positif atau negatif ij, konstanta C
yang sesuai harus ditambahkan ke ij untuk mendapatkan azimuth Aij.
Itu adalah,
Aij = aij + C (11)
Ghilani dan Wolf (2008) juga menyatakan bahwa jika azimuth
garis antara 0° dan 90°, maka nilai C adalah 0°. Jika azimut garis
antara 90° dan 270°, C adalah 180 ° dan jika azimut garis antara 270 °
dan 360°, C adalah 360°. Bentuk linear dari persamaan (11) diberikan
dalam Githumbi (2014) sebagai:

(12)

d. Penyesuaian Kuadrat Terkecil dari Sirkuit Leveling

Menurut Ghilani dan Wolf (2008), dalam menyesuaikan
jaringan level, perbedaan ketinggian yang diamati untuk setiap jalur
diperlakukan sebagai satu pengamatan yang mengandung kesalahan
acak tunggal. Persamaan pengamatan ditulis yang menghubungkan
perbedaan elevasi yang diamati ini dan kesalahan residualnya dengan
elevasi yang tidak diketahui dari tolok ukur yang terlibat. Ini kemudian
dapat diproses menggunakan teknik penyesuaian kuadrat terkecil yang
diberikan di bagian 2.4.1 untuk mendapatkan nilai yang disesuaikan
untuk tolok ukur dan standar deviasinya. Ghilani dan Wolf (2008)
mengemukakan bahwa bobot dalam leveling diferensial berbanding
terbalik dengan panjang kursus. Panjang lintasan harus dalam
kilometer. Gambar 2.3 menunjukkan jaringan leveling untuk
penyesuaian kuadrat terkecil.

9
 Gambar 2.3 Jaringan Leveling untuk Penyesuaian Kuadrat Terkecil
(Sumber: Ghilani and Wolf .2008)

2.4 Berat Observasi

Bobot adalah nilai atau keandalan satu pengukuran relatif terhadap
standar atau pengukuran lain. Pengukuran dengan presisi yang lebih tinggi
(deviasi standar yang lebih kecil) harus diberi bobot yang lebih tinggi dan
pengukuran dengan bobot yang lebih tinggi harus menerima koreksi yang
lebih kecil setelah penyesuaian. Mereka relatif, dan karena itu, ditentukan
dengan membandingkan dengan pengukuran lain. Jika pengamatan telah
dilakukan dengan presisi yang sama dalam setiap kasus, akan tampak
cukup jelas untuk membagikan bobot yang sebanding dengan jumlah
pengamatan di setiap set. Allan, (2013) menjelaskan bahwa bobot
diberikan pada pengamatan sehingga bobot pengamatan sebanding dengan
varians yang diharapkan (sebelumnya) terbalik dari pengamatan itu,
(13)
Ketika varians referensi atau faktor varians (σo2) digunakan, bobot
diberikan sebagai:
(14)
Bobot nilai rata-rata yang dihitung dari pengukuran berulang sebanding
dengan jumlah pengulangan. Matriks berbobot dari pengukuran yang tidak
berkorelasi adalah matriks diagonal yang diberikan sebagai:

(15)

10
2.5 Derajat Kebebasan / Pengamatan Berlebihan
Pengamatan redundan adalah pengukuran tambahan yang tidak
diperlukan untuk menghitung besaran yang tidak diketahui yang
diinginkan, parameter. Redundansi jaringan, juga dikenal sebagai jumlah
derajat kebebasan, didefinisikan sebagai jumlah pengamatan dikurangi
jumlah parameter yang tidak diketahui (Persamaan 16). Kelebihan
pengamatan adalah alat yang berguna untuk menentukan parameter yang
tidak diketahui menggunakan teknik penyesuaian kuadrat terkecil dalam
jaringan geodetik (Mohammad, 2016). Ketika ada pengamatan yang
berlebihan yang tersedia, rumus geometri koordinat tradisional dapat
menghasilkan banyak solusi koordinat yang mungkin, tergantung pada
pengamatan mana yang digunakan sebagai masukan. Inkonsistensi ini
diatasi dengan penyesuaian kuadrat terkecil (Bird, 2009).
r=m-n (16)
Dimana :
r = Derajat kebebasan atau pengamatan yang berlebihan
m = Jumlah pengamatan
n = Jumlah tidak diketahui

2.6 Ukuran Akurasi Parameter yang Disesuaikan

Informasi akurasi tentang parameter yang diestimasi semuanya
terkandung dalam matriks varians-kovarians, Ʃxa

(17)

Informasi akurasi dari parameter yang disesuaikan yang

terkandung dalam matriks varians-kovarians meliputi:
1. Kesalahan standar dari posisi dan ketinggian titik pemantauan yang
disesuaikan.
2. Elips kesalahan dari posisi yang disesuaikan.
3. Interval kepercayaan ketinggian

11
a. Elips Kesalahan dari Posisi yang Disesuaikan
Dalam survei dan istilah geodesi, elips kesalahan secara
sederhana adalah representasi grafis dari standar deviasi marjinal
parameter dan kovarians di antara mereka. Elips kesalahan biasanya
dihitung selama penyesuaian jaringan horizontal atau tiga dimensi.
Mereka memungkinkan cara yang mudah untuk interpretasi akurasi
posisi stasiun arah. Elips kesalahan juga digunakan dalam
mengoptimalkan jaringan. Mereka dapat dihitung untuk setiap stasiun
yang disesuaikan dan antara stasiun yang terhubung. Elips kesalahan
stasiun dihitung dari matriks kovarians a posteriori untuk setiap stasiun.
Untuk menghitung elips kesalahan relatif antar stasiun, matriks
kovarians a posteriori untuk stasiun AT, stasiun TO dan matriks
kovarians a posteriori yang mengkorelasikan kedua stasiun digunakan.
Karena elips kesalahan adalah hasil statistik dua dimensi, faktor
ekspansi 2D digunakan untuk menskalakan sumbu semi-mayor dan
semi-minor ke tingkat kepercayaan yang dipilih (dalam hal ini, 95%).
Mikhail dan Gracie (1981) memberikan sumbu semi-mayor σx2,
sumbu semi minor σy2 dan orientasi elips kesalahan θ sebagai:

(19)

(20)
Mikhail dan Gracie, (1981) lebih lanjut menunjukkan bahwa
varians σx2 dan σy2 adalah nilai eigen dari matriks kovarians dari vektor
acak
Mikhail dan Gracie, (1981) juga menyatakan bahwa peluang
posisi yang diberikan oleh X dan Y terletak pada atau di dalam elips
kesalahan adalah

(21)

12
 Dimana, c = Faktor Ekspansi (untuk 95%, c = 2,448)
Probabilitas P � ≤ �2 diwakili oleh volume di bawah permukaan
kerapatan normal bivariat dalam wilayah yang ditentukan oleh elips
kesalahan. Sumbu semi-mayor dan semi-minor elips kepercayaan
ditentukan oleh
Elips kepercayaan semi-sumbu utama σx2c (22)
Elips kepercayaan sumbu semi minor σy2c (23)

b. Interval Keyakinan Tinggi

Interval Keyakinan Tinggi adalah perkiraan presisi ketinggian
yang disesuaikan (ortometrik atau elips, tergantung pada konteks
penyesuaian jaringan), di setiap stasiun dan presisi relatif dari
ketinggian antara stasiun yang terhubung. Interval kepercayaan
ketinggian stasiun dihitung dari matriks kovarians a posteriori untuk
setiap stasiun. Untuk menghitung interval kepercayaan tinggi relatif
antara stasiun yang terhubung, matriks kovarians a posteriori untuk
stasiun AT, stasiun TO dan matriks kovarians a posteriori yang
menghubungkan kedua stasiun juga digunakan. Karena interval
kepercayaan tinggi adalah hasil satu dimensi, faktor ekspansi 1D
(1,959) digunakan untuk menskalakan interval kepercayaan tinggi ke
tingkat kepercayaan yang dipilih (95%). Interval kepercayaan
ketinggian ditentukan dengan mengalikan standar deviasi tinggi yang
disesuaikan dengan tingkat kepercayaan (katakanlah 95%) faktor
ekspansi (c = 1,959 untuk 1D) (Columbus, 2009).

2.7 Varians Posteriori dan Kesalahan Standar Posteriori

Varians a posteriori yang juga disebut varians bobot satuan dan
galat standar a posteriori yang juga dikenal sebagai galat standar bobot
satuan masing-masing merupakan ukuran presisi dan akurasi dari
serangkaian pengamatan yang diberikan. Dengan kata lain, mereka masing-
masing adalah rata-rata, serta presisi dan akurasi rata-rata dari serangkaian
pengamatan tertentu. Model untuk perhitungan varians a posteriori dan

13
 kesalahan standar posteriori seperti yang diberikan dalam Ameh (2013)
adalah:
1. Varians Posteriori ( σo2 )
(24)

2. Kesalahan Standar Posteriori (^σo)

(25)

Dimana V, W dan m n r masing-masing diberikan dalam persamaan (3),

(15) dan (16).

2.8 Varians-Kovarians dari Pengamatan yang Disesuaikan

Model untuk perhitungan varians-kovarians dari observasi yang
disesuaikan( ƩLa) diberikan sebagai:
(26)

2.9 Jejak Matriks Varians-Kovarians

Jejak matriks persegi A didefinisikan sebagai jumlah elemen
diagonal A, ditulis sebagai tr A atau kadang-kadang tr (A), yaitu,
(27)
Jika A adalah matriks kovarians, maka tr A adalah jumlah semua
varians dan dapat diinterpretasikan sebagai ukuran akurasi keseluruhan dari
vektor terkait dari variates acak (Caspary, 1988). Jika dua set parameter
yang disesuaikan diberikan, satu dengan jejak yang lebih kecil memiliki
akurasi yang lebih baik, oleh karena itu, semakin kecil jejak semakin baik
akurasinya.

2.10 Uji Varians Distribusi Probabilitas (Uji Chi-Square)

Bird (2009) menyatakan bahwa setelah penyesuaian, uji hipotesis
statistik tertentu dilakukan untuk memeriksa kualitas solusi dan mencoba
mendeteksi keberadaan outlier. Tingkat kepercayaan biasanya digunakan
untuk penyesuaian jaringan adalah 95%. Tingkat signifikansi yang sesuai

14
 dari 5% berarti bahwa ada kemungkinan 5% untuk membuat kesalahan tipe
I (Bird, 2009). Kesalahan tipe I adalah ketika hipotesis nol yang benar
ditolak. Dengan asumsi bahwa suatu populasi terdistribusi normal, kita
dapat menguji hipotesis nol Ho bahwa varians populasi adalah σo2 terhadap
alternatif yang bukan σo2, menggunakan varians sampel S2 sebagai statistik
uji (Mikhail dan Gracie, 1981).
Ho diterima jika S2 nilai spesifik S2 yang dihitung dari sampel
terletak antara dan yaitu

(28)
jika tidak, Ho ditolak
Dimana :
σo2 = varians apriori
S2 = ^σo2 = varian posteriori
r = derajat kebebasan atau pengamatan yang berlebihan
1 - α adalah peluang diterimanya Ho jika benar. Jadi, 1 - α = b - α

2.11 Nomor Redundansi

Jumlah redundansi untuk setiap pengamatan yang disesuaikan
adalah statistik lain yang dapat membantu mengisolasi area masalah
dalam jaringan. Untuk setiap pengamatan yang disesuaikan dalam
jaringan, nomor redundansi adalah: dihitung. Jumlah redundansi berkisar
dari 0 sampai 1. Pengamatan nomor redundansi adalah ukuran seberapa
dekat varians dari residual adalah varians dari pengamatan. Jika angka
redundansi mendekati 1, maka varians dari residual mendekati varians
pengamatan dan varians dari pengamatan yang disesuaikan mendekati
nol. Jika angka redundansi mendekati nol, maka varians dari residual
mendekati nol, dan varians dari pengamatan yang disesuaikan mendekati
varians dari pengamatan (Leick, 1990). Secara intuitif diharapkan bahwa
varians dari residual dan varians dari pengamatan yang dekat. Jika hal ini
terjadi, kebisingan di residu sama dengan pengamatan, dan pengamatan
yang disesuaikan ditentukan dengan presisi tinggi. Kasus di mana nomor

15
 redundansi mendekati 1 lebih disukai dan dikatakan bahwa keuntungan
pada penyesuaian tinggi. Jika jumlah redundansi mendekati nol,
diharapkan noise di residual menjadi kecil.
Jumlah redundansi dari setiap pengamatan yang disesuaikan (ri)
dan jumlah redundansi rata-rata dari kelompok pengamatan yang
disesuaikan (rAv) masing-masing diberikan sebagai (Leick, 1990)

(29)

(30)
Dimana
qi = Elemen diagonal dari matriks kofaktor sisa yang diperkirakan, Qv.
pi = Bobot pengamatan ke-i.
N - R(A) = Derajat kebebasan atau observasi redundan.
R(A)= Jumlah parameter yang tidak diketahui.
n = Jumlah observas

2.12 Deteksi Pencilan

Menurut Githumbi (2014), outlier didefinisikan sebagai residual,
yang menurut beberapa aturan pengujian bertentangan dengan referensi.
Definisi operasional outlier ini memungkinkan untuk strategi pengujian
dan a konsep statistik yang jelas, tetapi hanya definisi relatif tergantung
pada tingkat risiko yang dipilih, distribusi yang diasumsikan dan
prosedur pengujian. Terlepas dari perbedaan mendasar antara definisi
outlier dan kesalahan kotor, secara alami diharapkan bahwa outlier yang
terdeteksi disebabkan oleh kesalahan besar.
Setiap kali residu yang berada di luar terdeteksi, perlu untuk
memeriksa catatan pengamatan secara menyeluruh untuk mengetahui
apakah ada kesalahan besar. Jika tidak ada kesalahan besar yang dapat
ditemukan, yang sesuai pengamatan terdeteksi dan jika perlu, diukur
kembali. Pendekatan untuk deteksi outlier didasarkan pada Model Gauss
Markov. Langkah pertama biasanya tes global. Jika tes global ini gagal,

16
 prosedur untuk menandai pengukuran yang salah mengikuti, yaitu
estimasi yang kuat.

2.13 Distribusi Residu (Goodness of Fit Test)

Residual Terstandarisasi untuk suatu pengamatan hanyalah rasio
dari residual pengamatan yang disesuaikan dengan standar deviasi
residual yaitu,

Tes Residual Terstandarisasi adalah salah satu indikator yang

lebih baik untuk menghilangkan kemungkinan observasi outlier. Jika
Standardized Residual melebihi Standardized Residual Rejection
Constant (Tau Statistic), nilai Standardized Residual ditolak.
Standardized Residual adalah kuantitas tanpa unit yang
memungkinkan pengamatan sudut dan linier dibandingkan secara
langsung. Teori probabilitas menunjukkan bahwa kesalahan acak yang
diambil dari sampel besar akan cenderung terdistribusi normal tentang
rata-ratanya. Secara grafis, ini dapat diwakili oleh kurva berbentuk
lonceng, di mana sebagian besar residu standar diharapkan
mengelompok di sekitar titik tengah dengan menggabungkan histogram
dan hasil numerik dari uji Chi-squared Goodness of Fit”. Semua residu
standar dikelompokkan ke dalam kelas tentang rata-rata teoritis (nol).
Setiap residual standar di luar kelas paling kiri atau paling kanan
ditabulasikan sebagai di luar jangkauan. Oleh karena itu, semakin dekat
histogram mendekati kurva berbentuk lonceng, semakin dekat residual
standar mendekati normalitas.
Uji Kecocokan Chi-kuadrat adalah ukuran kuantitatif untuk
kesesuaian histogram dengan distribusi normal. Columbus (2009)
menyatakan bahwa representasi grafis dari distribusi residual harus
dipertimbangkan dalam kombinasi dengan hasil uji Chi-square numerik
sebelum menyimpulkan residual berdistribusi normal atau tidak.
Columbus (2009) lebih lanjut menyatakan bahwa meskipun pengujian

17
 gagal, residu dapat dianggap terdistribusi normal jika membentuk kurva
berbentuk lonceng.

2.14 Statistik Tau

Statistik Tau digunakan untuk menentukan nilai kritis, serta
konstanta penolakan residual dalam distribusi residual. Pope (1976) dan
Bird (2009) mendefinisikan statistik Tau dalam hal distribusi Student
sebagai:

(31)

Dimana
τv,α = Nilai kritis dari distribusi Tau pada redundansi v dan tingkat
signifikansi
v = Derajat kebebasan
α = Tingkat signifikansi
tv,,α = Nilai kritis dari sebaran siswa pada redundansi v dan taraf
signifikansi α
Menurut aturan pengujian, Ho ditolak jika Ti lebih besar dari τv,α
(Ti > τv,α) jika tidak, Ho diterima. Dimana Ti adalah residual standar dari
setiap pengamatan

2.15 Perhitungan Besaran dan Arah Perpindahan/Pergerakan

Setelah mengolah setiap epoch pengamatan untuk mendapatkan
penyesuaian koordinat titik pemantauan dan standard error masing-
masing, dan akurasi rata-rata pengamatan, langkah selanjutnya adalah
menghitung besar dan arah perpindahan/pergerakan yang terjadi di
antara epoch pengamatan. Perpindahan titik pemantauan, d dihitung
sebagai perbedaan koordinat/ketinggian antara zaman pengukuran seperti
yang diberikan oleh Eteje et al. (2018) adalah

(32)

18
 Xic, Yic = Koordinat epoch terakhir.
Xpc , Ypc = Koordinat epoch sebelumnya.

Dan besarnya perpindahan horizontal dihitung sebagai (Kaloop dan Li,

2009).
(33)
Pergerakan vertikal (dH) dihitung untuk setiap titik objek (pemantauan)
sebagai (Eteje et al., 2018):
(34)
Dimana
Zc = Tinggi epoch terakhir.
Zpc= Tinggi dari zaman sebelumnya.
Arah gerakan (α) dihitung sebagai:
(35)

2.16 Perhitungan 95% Keyakinan Elips/Interval

Elips/interval kepercayaan 95% dihitung dengan kesalahan
standar dari parameter yang disesuaikan dan faktor ekspansi tingkat
kepercayaan 95%, 1,96. Dalam hal ini, kesalahan yang terkait dengan
titik pemantauan yang diamati dalam dua zaman yang berbeda dihitung
dan dikalikan dengan 1,96. Model untuk perhitungan elips kepercayaan
95% diberikan oleh Beshr dan Kaloop (2013) sebagai
(36)
Dimana, σ2f adalah kuadrat galat standar dalam posisi untuk survei
(akhir) atau survei terbaru, σ2i adalah galat standar yang dikuadratkan
dalam posisi untuk (awal) atau survei referensi. Yaitu, σ2f = σ2fN + σ2fE
dan σ2i = σ2iN + σ2fE . Ini menyiratkan bahwa,
(37)
Dimana
σ2fN = Kesalahan standar kuadrat di utara survei akhir
σ2fE = Galat standar dikuadratkan ke timur survei akhir
σ2iN = Kesalahan standar kuadrat di utara dari survei awal

19
 σ2iE = Kesalahan standar dikuadratkan ke timur dari survei awal

2.17 Analisis
Ini terdiri dari analisis pengamatan yang disesuaikan yang pada
gilirannya terdiri dari analisis kesalahan standar dari posisi dan
ketinggian yang disesuaikan, elips kesalahan dari koordinat yang
disesuaikan, interval kepercayaan ketinggian, kesalahan standar
posteriori dan varians posterior dari pengamatan yang disesuaikan,
penelusuran matriks varians-kovarians, uji Chi-kuadrat, bilangan
redundansi, deteksi outlier, uji goodness of fit dan statistik Tau. Ini juga
terdiri dari dua analisis zaman.

a. Analisis Pengamatan yang Disesuaikan

Kesalahan standar dari posisi/koordinat dan ketinggian yang
disesuaikan dianalisis berdasarkan nilai yang dihitung. Ini adalah
ukuran keakuratan posisi/ketinggian yang disesuaikan. Semakin
kecil nilai kesalahan standar yang dihitung, semakin baik akurasi
koordinat dan ketinggian yang disesuaikan. Ini adalah indikator
kepercayaan yang kami miliki dalam parameter yang disesuaikan.
Jika nilai yang dihitung dari kesalahan standar dari posisi dan
ketinggian yang disesuaikan sangat kecil, maka kepercayaan pada
parameter yang disesuaikan tinggi dan mereka diterima.
Elips kesalahan dari posisi yang disesuaikan digunakan
untuk menyajikan secara grafis akurasi arah dari yang disesuaikan
posisi. Ini terdiri dari arah kesalahan dan kesalahan standar yang
dihitung dari koordinat yang disesuaikan. Ketika dihitung dan diplot,
ini memungkinkan seseorang untuk menyimpulkan bahwa kesalahan
yang dihitung berada dalam arah tertentu, katakanlah timur laut,
barat laut, tenggara atau barat daya sesuai kasusnya (lihat Gambar
2.4)

20
 Gambar 2.4 Plot Elips Kesalahan

Interval kepercayaan ketinggian seperti elips kesalahan

posisi, hanya saja itu adalah satu dimensi. Ini juga digunakan untuk
menyajikan secara grafis keakuratan ketinggian yang disesuaikan.
Karena tinggi adalah komponen vertikal, interval kepercayaan
ketinggian diplot secara vertikal (lihat Gambar 2.5). Semakin kecil
interval kepercayaan yang diplot, semakin tinggi akurasi ketinggian
yang disesuaikan.

Gambar 2.5 Plot Interval Keyakinan Tinggi

Kesalahan standar posteriori dan varians posteriori dari

pengamatan yang disesuaikan masing-masing adalah ukuran akurasi
rata-rata/rata-rata dan presisi dari pengamatan zaman yang

21
disesuaikan. Mereka dihitung dengan residu dan derajat kebebasan,
serta jumlah pengamatan yang berlebihan. Jika nilai eror standar a
posteriori dan varians a posteriori yang dihitung sangat tinggi, hal
ini menunjukkan bahwa akurasi dan presisi pengamatan epoch
rendah. Ini berarti bahwa residual, serta variasi antara nilai yang
disesuaikan dan nilai yang diamati, sangat besar.
Jejak matriks varians-kovarians adalah ukuran akurasi
lainnya. Ini adalah jumlah dari elemen-elemen diagonal utama
matriks varians-kovarians. Diagonal utama dari matriks kovarians
varians berisi variasi antara nilai yang disesuaikan dan nilai yang
diamati. Jika perbedaan antara nilai yang disesuaikan dan nilai yang
diamati sangat kecil, itu berarti bahwa pengamatan yang
dikumpulkan sangat akurat. Jumlah mereka juga dianggap sebagai
akurasi keseluruhan dari pengamatan yang disesuaikan. Jadi,
semakin kecil jejak matriks varians-kovarians, semakin tinggi
akurasi pengamatan yang dikumpulkan. Uji chi-kuadrat pada faktor
varians biasanya dilakukan untuk menentukan bagaimana hasil yang
disesuaikan cocok dengan hasil yang diharapkan. Dalam hal ini,
varian apriori digunakan yang menggambarkan variasi yang
diharapkan. Dalam kebanyakan kasus, varian apriori 1 digunakan.
Jika varians a posteriori yang dihitung berada dalam kisaran atas dan
batas bawah seperti yang diberikan dalam persamaan (28),
himpunan pengamatan diterima. Tetapi jika berada di luar batas,
melibatkan dua hal, yaitu varians apriori terlalu besar atau sangat
kecil. Jika varians apriori adalah terlalu besar, ini menyiratkan
bahwa akurasi pengamatan yang dikumpulkan lebih tinggi dari yang
diharapkan. Oleh karena itu, pengamatan diterima. Tetapi jika di sisi
lain, varian apriori untuk survei sangat kecil, itu berarti akurasi yang
diharapkan sangat tinggi. Dan ketika akurasi ini kurang dari yang
diharapkan, varians a posteriori akan berada di luar jangkauan.
Jumlah redundansi dihitung untuk menentukan keakuratan
pengamatan individu. Rentang dari 0 sampai 1. Jika angka

22
redundansi mendekati 1, maka varians dari residual mendekati
varians pengamatan dan varians dari pengamatan yang disesuaikan
mendekati nol. Jika angka redundansi mendekati nol, maka varians
dari residual mendekati nol, dan varians dari pengamatan yang
disesuaikan mendekati varians dari pengamatan (Leick, 1990). Di
sini, jika angka redundansi mendekati 1 lebih baik. Dalam kelompok
pengamatan di mana beberapa bilangan redundansi mendekati 1 dan
yang lainnya mendekati 0 (nol), jika bilangan redundansi rata-rata
mendekati 1, himpunan pengamatan diterima.
Deteksi outlier dilakukan untuk menentukan kesalahan kotor
dalam satu set pengamatan yang diberikan. Dan ini dapat dilakukan
dengan menggunakan uji kecocokan dan statistik Tau. Dalam uji
kecocokan, residu terstandarisasi diplot sebagai histogram,
dikelompokkan ke dalam kelas-kelas dan digabungkan dengan
distribusi normal, serta kurva berbentuk lonceng. Jika semua batang
histogram berada dalam kurva distribusi normal, berarti residual
terdistribusi normal dan pengamatan yang diwakilinya diterima.
Tetapi jika salah satu dari mereka berada di luar kurva berbentuk
lonceng, pengamatan di kelas itu dianggap sebagai outlier karena
mengandung kesalahan besar dan ditolak. Tes ini biasanya
dikombinasikan dengan tes Chi-kuadrat numerik (lihat Gambar 2.6).
Columbus (2009) menyatakan bahwa meskipun uji Chi-kuadrat
gagal, residu dapat dianggap terdistribusi normal jika membentuk
kurva berbentuk lonceng. Oleh karena itu pengamatan diterima.

Gambar 2.6 Uji Kesesuaian

23
 Dalam statistik Tau, residu standar yang dihitung
dibandingkan dengan konstanta penolakan residu standar. Jika
residu standar yang dihitung lebih kecil dari konstanta penolakan
residu standar, pengamatan diterima, sebaliknya ditolak. Kesalahan
kotor yang terdeteksi dihilangkan dari serangkaian pengamatan
tertentu karena kehadirannya memengaruhi keakuratan pengamatan
secara keseluruhan.

b. Analisis Deformasi (Dua Epok)

Analisis deformasi sering dianggap sebagai analisis dua
zaman. Hal ini dilakukan untuk menentukan apakah
pergerakan/perpindahan yang signifikan telah terjadi antara dua
zaman pengamatan. Untuk melakukan ini, perpindahan yang
dihitung untuk setiap titik pemantauan dan kesalahan terkait yang
terkait seperti yang diberikan masing-masing pada bagian 2.5 dan
2.6 dibandingkan. Jika perpindahan yang dihitung lebih besar dari
kesalahan yang terkait, serta interval kepercayaan / elips 95%, maka
gerakan yang signifikan telah terjadi antara dua zaman pengukuran.
Tetapi jika di sisi lain, perpindahan yang dihitung lebih kecil dari
kesalahan yang terkait, serta interval kepercayaan/elips 95%, maka
gerakan signifikan tidak terjadi antara dua zaman pengukuran. Oleh
karena itu, perpindahan yang dihitung dianggap sebagai kesalahan
pengamatan/pengukuran.

24
 BAB 3
LANGKAH KERJA

3.1 Pengolahan Data Epok 1

1. Buka software colombus seperti dibawah ini.

2. Kemudian klik > File > Open.

3. Kemudian pilih data <gpsonlyepok1>.

4. Berikut gambar jaringan GPS epok 1.

25
5. Kemudian kita atur datum nya seperti berikut. Klik > option > datum.

6. Kita pilih NAD 83 > ok

7. Atur projection zone klik > state plane zones

8. Lalu kita pilih illinois w 1202 TM > ok.

26
9. Kemudian setting UTM zone.

10. Lalu pilih <16> pada select UTM zone.

11. Atur network stations pada gambar kotak tersebut

12. Lalu klik > select all > ok

27
13. Kemudian kita select obs pada gambar kotak merah seperti berikut.

14. Klik > select all > ok.

15. Lalu select fixed stations klik pada kotak yang ada titik merah dipojok.

16. Kemudian kita pilih <Fozzie> ok.

28
17. Berikut tampilan fixed station yang sudah dipilih.

18. Kemudian start adjustment klik pada gambar seperti lampu hijau
tersebut.

19. Dan akan muncul txt hasil adjusment seperti berikut.

20. Lalu kita buka koordinat geosentrik nya. Klik > result > coordinates >
adjustes xyz point.

29
21. Dan berikut hasil dari import koordinat geosentrik.

22. Lalu kita buka koordinat geodetik nya. Klik > result > coordinates >
adjustes geodetic coords.

23. Dan berikut hasil dari import koordinat geodetic.

24. Lalu kita buka koordinat geodetik nya. Klik > result > coordinates >
adjustes state plane coords.

30
25. Dan berikut hasil dari import koordinat state plane.

26. Lalu kita buka koordinat geodetik nya. Klik > result > coordinates >
adjustes UTM coords.

27. Dan berikut hasil dari import koordinat UTM.

31
28. Berikut hasil adjustment pada epok 1

32
29. Lalu kita buka koordinat geodetik nya. Klik > results > observation >
adjustes observation.

30. Hasil adjustes observation

33
31. Lalu kita buka error elips nya. Klik > results > confidence regions >
error elips.

32. Berikut hasil dari error elips epok 1 dan bentuk jaringan nya.

34
3.2 Pengolahan Data Epok 2
33. Sebelum data di olah, txt gps epok 2 kita ubah dx, dy, dz nya menjadi
sesuai nim pada 2 angka belakang koma.

34. Berikut data dx, dy,dz sesudah di ubah.

35. Buka software colombus seperti dibawah ini.

35
36. Kemudian klik > File > Open.

37. Kemudian pilih data <gpsonlyepok2>.

38. Berikut gambar jaringan GPS epok 2.

39. Kemudian kita atur datum nya seperti berikut. Klik > option > datum.

36
40. Kita pilih NAD 83 > ok

41. Atur projection zone klik > state plane zones

42. Lalu kita pilih illinois w 1202 TM > ok.

43. Kemudian setting UTM zone.

37
44. Lalu pilih <16> pada select UTM zone.

45. Atur network stations pada gambar kotak tersebut

46. Lalu klik > select all > ok

47. Kemudian kita select obs pada gambar kotak merah seperti berikut.

38
48. Klik > select all > ok.

49. Lalu select fixed stations klik pada kotak yang ada titik merah dipojok.

50. Kemudian kita pilih <Fozzie> ok.

51. Berikut tampilan fixed station yang sudah dipilih.

39
52. Kemudian start adjustment klik pada gambar seperti lampu hijau
tersebut.

53. Dan akan muncul txt hasil adjusment seperti berikut.

54. Lalu kita buka koordinat geosentrik nya. Klik > result > coordinates >
adjustes xyz point.

55. Dan berikut hasil dari import koordinat geosentrik.

40
56. Lalu kita buka koordinat geodetik nya. Klik > result > coordinates >
adjustes geodetic coords.

57. Dan berikut hasil dari import koordinat geodetic.

58. Lalu kita buka koordinat geodetik nya. Klik > result > coordinates >
adjustes state plane coords.

59. Dan berikut hasil dari import koordinat state plane.

41
60. Lalu kita buka koordinat geodetik nya. Klik > result > coordinates >
adjustes UTM coords.

61. Dan berikut hasil dari import koordinat UTM.

62. Berikut hasil adjustment pada epok 1

42
63. Lalu kita buka koordinat geodetik nya. Klik > results > observation >
adjustes observation.

64. Hasil adjustes observation

43
65. Lalu kita buka error elips nya. Klik > results > confidence regions >
error elips.

66. Berikut hasil dari error elips epok 2 dan bentuk jaringan nya.

44
 67. Berikut hasil dari residual distribution.

68. Lalu buka selisih koordinat nya.

3.3 Perhitungan Vektor Pergeseran dari Selisih Koordinat.

69. Masukkan file txt hasil selisih koordinat dari software colombus pada
excel.

70. Lalu station fozzie dihapus karena 0.

45
71. Kelompokkan koordinat dx dan dy nya.

72. Untuk rumus menghitung pergeseran sebagai berikut.

73. Dihitung dahulu d transpose dengan rumus

<=TRANSPOSE(B20:C22)>.

74. Berikut hasil transpose matrik d.

46
75. Kemudian menghitung <dTxd> menggunakan rumus
<=MMULT(E20:E21;B20:C20)>.

76. Berikut hasil dari dTxd.

77. Lalu menhitung D atau besar vektor pergeseran dari dTxd dengan
rumus <=SQRT(H20)>.

78. Berikut hasil dari dTxd atau vektor pergeseran nya

47
3.4 Perhitungan Arah Pergeseran dari Selisih Koordinat.
79. Untuk rumus menghitung arah pergeseran sebagai berikut

80. Hitung dengan rumus <=C20/B20>

81. Berikut hasil dari Tan α.

82. Lalu untuk mengetahui arah pergeserandihitung dengan rumus

<=ATAN(B25)>.

48
 ��
83. Berikut hasil dari Tan α = ��

3.5 Perhitungan Uji Signifikansi .

84. Masukkan koordinat xyz epok 1 dan 2 dari txt koordinat geosentrik.

85. Kemudian hitung selisih nya dengan rumus <∆x̂12 = x2-x1>,

<∆y12=y2-y1>, <∆z12=z2-z1> seperti berikut.

86. Masukkan nilai Dof/Degree of Freedom, Standart deviasi/σ02²,

aposteritori/σ02 So2.

49
 1
87. Kemudian hitung ��2
masing-masing epok dengan rumus <=1/F13>,

<=1/G13>.

88. Kemudian hitung Vt1*V1 masing-masing epok dengan rumus

<DoF*σ02 So2>.

89. Untuk menentukan matriks d gunakan rumus transpose dari selisih

koordinat xyz <=TRANSPOSE(H7:J7)>.

50
90. Untuk menentukan matriks dT gunakan rumus transpose dari matriks d
<=TRANSPOSE(B19:B21)>

91. Input matriks kovarian tiap epok dari txt koordinat geosentrik.

1
92. Kemudian hitung matriks kofaktor/ Qxx tiap epok dengan rumus < ��2

x Matrik kovarian>, <=$H$13*F19:H21>.

51
93. Dan hasilnya matriks kofaktor/Qxx seperti berikut.

94. Lalu hitung matriks Qxx 12 dengan rumus

<=MMULT(B31:D33;E31:G33)>.

95. Dan hasilnya matriks Qxx12 seperti berikut.

96. Kemudian hitung matriks bobot nya dengan rumus

<=MINVERSE(H31:J33)>.

97. Dan hasilnya matriks bobot seperti berikut

52
 �� .���12.�
98. Untuk rumus uji signifikan adalah T = ∑���12.∑��2 .

99. Pertama mengitung �� . ���12 dengan rumus

<=MMULT(C20:E20;K31:M33)>

100. Berikut hasil dari �� . ���12

101. Lalu menghitung �� . ���12. � dengan rumus

<=MMULT(B43:D43;B19:B21)>.

53
102. Berikut hasil dari �� . ���12.d.

103. Kemudian menghitung jumlah Dof epok 1 dan epok 2 dengan

rumus <Dof epok 1 + Dof epok 2> dan hasilnya seperti berikut.

104. Lalu menghitung Vt * V Epok1 & Epok2. berikut hasilnya

105. Lalu menghitung So2 dengan rumus <(∑Dof). (∑Vt. v)>,

<=G43/F43>.

54
106. Berikut hasil dari So2 epok 1 dan epok 2.

107. Kemudian menghitung ∑DoF12*So2 Total dengan rumus

<=F43*I43>.

108. Berikut hasil dari ∑DoF12*So2 Total.

�� .���12.�
109. Kemudian hitung T nya dengan rumus ∑���12.∑��2 , <=E43/J43>.

110. Dan berikut nilai T nya.

55
111. Selanjutnya untuk uji signifikan nya kita mencari nilai F distribusi
nya, yaitu dengan statex masukkan v1 dan v2nya. Untuk v1
masukkan 3 karena ada 3 parameter yaitu xyz. Untuk v2 masukkan
18 yaitu jumlah dari Dof epok 1 dan Dof epok 2. dan untuk alpha
masukkan 0.05 karena yang dipakau uji dengan kepercayaan 95%.

112. Lalu akan muncul tabel distribusi seperti ini. Dari sini dapat
diketahui nilai F nya adalah 3,16.

113. Kemudian kita uju nilai T terhadap Nilai F nya seperti ini. Apabila
T>F maka Ho/hipotesis ditolak. Apabila T<F maka Ho/hipotesis
diterima.

56
 BAB 4
KESIMPULAN

4.1 Besar Vektor Pergeseran

Vektor pergeseran menyatakan perubahan suatu titik pantau dalam
selang waktu tertentu sehingga bias menjadi indikator terjadinya deformasi
di lokasi pengamatan. Berikut hasil perhitungan vektor pergeseran
koordinat.

Nilai vektor pergeseran mempunyai nilai yang bervariasi, dimana

notasi ΔX, ΔY, ΔZ menyatakan vector pergeseran setiap komponen
koordinat. Dapat di simpulkan bahwa titik stabil

4.2 Arah Pergeseran

Arah pergeseran menyatakan kemana suatu titik pantau bergeser
dalam selang waktu. Berikut hasil perhitungan arah pergeseran koordinat.

4.3 Uji Signifikansi

Semakin Semakin kecil interval kepercayaan yang diplot, semakin
tinggi akurasi ketinggian yang disesuaikan. Jika perbedaan antara nilai

57
 yang disesuaikan dan nilai yang diamati sangat kecil, itu berarti bahwa
pengamatan yang dikumpulkan sangat akurat. Jika semua batang
histogram berada dalam kurva distribusi normal, berarti residual
terdistribusi normal dan pengamatan yang diwakilinya diterima. Dapat
disimpulkan bahwa pengamatan yang dilakukan akurat dan
ho/hipotesisnya diterima.

Dapat dibuktikan dari hasil perhitungan uji signifikansi dibawah ini :

Jika perpindahan yang dihitung lebih besar dari kesalahan yang terkait,
serta interval kepercayaan / elips 95%, maka gerakan yang signifikan telah
terjadi pada titik pengamatan. Tetapi jika perpindahan yang dihitung lebih
kecil dari kesalahan yang terkait, serta interval kepercayaan/elips 95%, maka
gerakan signifikan tidak terjadi antara dua zaman pengukuran. Dapat
disimpulkan bahwa nilai T<F yang berarti h0/hipotesis diterima dan titik
tidak mengalami pergeseran.

58
 LAMPIRAN

1. KOORDINAT GEODETIK EPOK 1

2. KOORDINAT GEOSENTRIK EPOK 1

59
4. KOORDINAT STATE PLANE EPOK 1

5. KOORDINAT UTM EPOK 1

60
7. ADJUSTMEN EPOK 1

61
9. BENTUK JARING ERROR ELIPS EPOK 1

10. NILAI ERROR ELIPS EPOK 1

62
12. OBSERVATION ADJUSTMENT EPOK 1

63
64
14. KOORDINAT GEODETIK EPOK 2

15. KOORDINAT GEOSENTRIK EPOK 2

65
17. KOORDINAT STATE PLANE EPOK 2

18. KOORDINAT UTM EPOK 2

66
20. ADJUSTMEN EPOK 2

67
22. BENTUK JARING ERROR ELIPS EPOK 2

23. NILAI ERROR ELIPS EPOK 2

68
25. OBSERVATION ADJUSTMENT EPOK 2

69
70
27. RESIDUAL DISTRIBUTION

28. HASIL PERHITUNGAN SELISIH KOORDINAT

71
30. HASIL PERHITUNGAN UJI SIGNIFIKAN

72
73