Sistem Deformasi (GE7235) Semester Ganjil TA 2020-2021

KONSEP PEMBOBOTAN

Standar Error kecil  Ketelitian Tinggi  Bobot yang besar

Standar Error besar  Ketelitian Rendah  Bobot yang kecil
Perhatikan pengukuran l1 dan l2 dengan nilai reratanya l’ dan standar error 1
dan 2. Berapakah nilai yang paling mungkin untuk pengukuran yang
teratakan (most probable of the adjusted observation)?
Misalnya la = g1 l1 + g2 l2
Dimana g1, g2 adalah prosentase pembagi dimana g1 + g2 = 1
Dengan mengaplikasikan dalil perambatan varians:
 2a  g12 12  g 22  22
l

 g12 12  1  g1 2  22
Turunan fungsi terhadap g1 akan menghasilkan:

2 g112  1  g1  22  0 
g112  g 2  22 0

Oleh karena itu: g1 g 2   22 12  p1 p 2

Dimana p1 dan p2 adalah bobot yang nilainya berbanding terbalik dengan
variannya.
Substitusikan kembali nilai g2 = (1 - g1), maka:
g1 = p1 / (p1 + p2)
g2 = p2 / (p1 + p2)
akan menghasilkan rumus bobot rerata yang sangat terkenal dalam statistik:
la = (p1l1 + p2l2) / (p1 + p2) =  pili / pi

VARIANS DARI UNIT BOBOT, BOBOT REFERENSI, FAKTOR

VARIANS
Karena bobot berbanding terbalik dengan varians:
Faktor varians  02  P 2 atau P   02  2
o2 disebut sebagai standar error dari unit bobot atau atau varians dari unit
bobot atau faktor varians atau bobot referensi atau varians referensi.
o2 biaasanya diberi nilai 1 (estimasinya dapat dilakukan dengan hitung
kuadrat terkecil). Implikasinya adalah pada matrik varian-kovarian akhir yang
terskala.
o2 digunakan untuk menskala bobot dan/atau matrik kovarians.

1
Sistem Deformasi (GE7235) Semester Ganjil TA 2020-2021

Untuk kasus multi dimensi matrik varians-kovarians pada pengukuran yang

tidak berkorelasi:
 12 
 
  22 
Cl   
  
 2
n 

 P1  1 12 
   
 P2   1  2 
P   02 C l-1     02  2

   
 
 P3   2
  1  n

  02 12 
 
  02  22  1
P Q dimana Q adalah matrik kofaktor
  
  02  n2 

P = o2 Cl-1 = Q-1 dan C = o2 Q

MATRIK BOBOT
Dari sudut pandang dalam memperoleh nilai teratakan untuk parameter dan
pengukuran, arti penting dari matrik bobot adalah nilai relatif dari masing-
masing komponen bobotnya, bukan dari nilai mutlaknya.
Penskalaan bobot/nilai mutlaknya dilakukan melalui faktor varians dan skala
absolut ini dibenarkan/ diakui keabsolutannya bila lolos uji statistik dalam
hitung perataan kuadrat terkecil (via residu).
Didalam banyak kasus dalam Geomatika, secara praktis diambil nilai faktor
varians o2 = 1, terlebih pada kasus dimana pengukuran (observasi) memiliki
unit yang berbeda-beda.
Contoh: perhatikan pengukuran sudut dan jarak berikut:
2  9 
C s 
2 

  d   0.0004 

 0.11 
Untuk nilai o2 = 1, C = Q  P = C-1 = Q-1 =  
 2500 
Nilai bobot Pd = 2500 bukan berarti nilai pengukuran jarak emiliki bobot yang
lebih besar dari pengukuran sudut yang hanya memiliki bobot Ps = 0.11.
Alasannya adalah karena bobot-bobot ini memiliki unit pengukuran yang
berbeda. Unit pengukuran jarak dinyatakan dalam meter, sedangkan unit
pengukuran sudut dinyatakan dalam detik.

2
Sistem Deformasi (GE7235) Semester Ganjil TA 2020-2021

Bobot dari suatu nilai yang tak terhingga (atau sangat besar) mengindikasikan
bahwa pengukuran itu dalah “fix” sehingga akan menghasilkan residu sama
dengan nol. Memberikan nilai bobot yang sangat besar ini biasanya merupakan
cara termudah untuk memberikan persamaan konstrain dalam perataan.

SOLUSI KUADRAT TERKECIL UNTUK MODEL YANG

“OVERDETERMINED”
Diberikan suatu set persamaan pengukuran yang overdetermined berikut:
f (x, l) = 0
Akan dicari solusinya: f (x, l + v) = 0 = A + Bv + w
Yang merupakan solusi yang konsisten san sesuai dengan kriteria solusi
tertentu yaitu “maximum likelihood and minimum variance”.
Kriteria LEAST SQUARE: vTPv = minimum
Bobot dari jumlah residual minimum. Perlu dicatat bahwa kriteria least square
ini adalah suatu premise yang berdasarkan asumsi bahwa distribusi dari l (dan
v) adalah simetrik untuk semua pengukuran dan tidak berkorelasi. Suatu
distribusi normal tidak harus di-acu, walaupun pengasumsian distribusi normal
{v ~ N(0,Cl)} harus digunakan dalam tes statistik (post analysis) untuk nilai-
nilai hasil perataan.
Perhatikan solusi untuk maximum likehood untuk parameter x (misalnya )
dibawah asumsi bahwa E[v] = 0 & E[vvT] = Cl, dimana {v ~ N(0,Cl)}
Fungsi density probabilitas untuk n buah pengukuran :

  2 2 C l
1 2
e
21 vTCl-1 v

Maximum Likelihood akan terjadi ketika v T C l-1 v  minimum, atau untuk

pengukuran yang tidak berkorelasi:
v12 v 22 v 32 v n2
      minimum
12  22  32  n2
Vektor v (juga x) yang dihasilkan adalah terjadi pada probabilitas yang
tertinggi dan juga akan menghasilkan varians yang minimum.

SOLUSI KUADRAT TERKECIL UNTUK MODEL IMPLICIT

(PERATAAN KOMBINASI)
Dengan menggunakan fungsi variasi Lagrange untuk mendapatkan solusi:
  v T Pv  2 k T A  Bv  w 
Disini, k adalah suatu n vektor faktor pengali Lagrange atau korelat. Untuk
mendapatkan nilai fungsi yang minimum (ingat kembali teorema kalkulus)
maka tuturan parsial-nya sama dengan nol:

3
Sistem Deformasi (GE7235) Semester Ganjil TA 2020-2021

d
 2 v T P  2k T B atau Pv  Bk  0
dv
d
 2k T A atau ATk  0
d
d
 2 A  Bv  w   0
dk
kumpulan dari ketiga persamaan diatas akan menghasilkan suatu sistem
persamaan “hypermatrix” dan disebut sebagai persamaan normal (Normal
Equation):
 P BT 0   v 0
    
B 0 A k    w 
   0
 0 AT 0    
 
Sistem ini jarang sekali digunakan secara langsung karena memiliki dimensi
yang sangat besar, dengan dimensi (2n + u). Cara penggunaan sistem ini
adalah dengan menghilangkan unknown (parameter) secara bertahap sampai
yang tinggal hanya vektor  saja.

MENGELIMINASI PARAMETER
Untuk mereduksi jumlah unknown parameter didalam sistem persamaan
digunakan:
 N11 N12   x1   u1 
     0
 N 21 N 22   x 2   u 2 

N11x1  N12 x 2  u1  0 atau

Dari baris pertama: 1
x 1  N11 u1  N12 x 2 
N 21x1  N 22 x 2  u 2  0 atau
Dari baris kedua: 1
 N 21N11 u1  N12 x 2   N 22 x 2  u 2  0
N 22
1
 N 21N11   1
N12 x 2  u 2  N 21N11 u1  0 
Dari baris kedua vektor x1 dieliminasi.
Untuk mengeliminasi x2, jika diketahui: x 2  N 221 N 21x1  u 2  dilakukan:

N11 x1  N12 N 221 N 21 x1  u 2   u1  0

N   
Dari baris pertama:
11  N12 N 221 N 21 x1  u1  N12 N 221 u 2  0
Pada kasus dimana koefisien matrik-nya simetris maka:
N 11  N12 N 221 N12
T
 
x1  u1  N12 N 221 u 2  0 
atau:
N 22
1
 N 21 N11  
1
N T21 x 2  u 2  N 21 N11 u1  0 
4
Sistem Deformasi (GE7235) Semester Ganjil TA 2020-2021

Persyaratan: N11 dan N22 haruslah non-singular

SOLUSI KUADRAT TERKECIL UNTUK MODEL IMPLICIT

(LANJUTAN…)
Mengeleminasi vektor residual v:
 P BT 0  v   0
     
B 0 A k   w  0
 
 0 A T 0      0
 
 
1
Menggunakan x2: N 22  N 21 N11  1
N T21 x 2  u 2  N 21 N11 
u1  0 , maka:  
 0
  T
A   B  1 T
 P B
0   0 
 
 k 
0    
  w   B  1 
      P 0  0
 A     0 0 
  BP 1B T A  k  w
       0
 0 
 AT  0
karena nilai k tidak digunakan, maka vektor k tersebut akan dieliminasi.
Gunakan lagi x2:

 
 0  A T  B P 1B T 
1
A   

 0  A T  B P 1B T
  
1 
 w  0


A T B P 1 B T 1
A  
A T B P 1 B T 
1
w  0
Atau:


A T B Cl B T  A  1

A T B Cl B T  1
w  0 atau

AT B Q B  A  
T 1

AT B Q BT 1
w  0
Persamaan-persamaan normal yang berdimensi u x u ini digunakan untuk
menentukan nilai parameter . Residu v kemudian dapat dicari dengan
menggunakan substitusi kebelakang:
Dari persamaan normal dalam Cl:


AT B Cl BT 1
A   w  0
Dari baris-1 persamaan hypermatrix:

Pv  BT k  0 atau : k   BT   1
Pv
Dari baris-3 persamaan hypermatrix dan substitusi nilai k:
AT k  0 atau : A T  P 1 B T   v 1
Subsitusi nilai AT kedalam persamaan normal Cl:

5
Sistem Deformasi (GE7235) Semester Ganjil TA 2020-2021

 P 1 B T   1

v 1 B C l B T 
1
A   w   0
Sehingga diperoleh nilai residu v:

v   P 1 B T   B C 1
l BT 1
A   w 

SOLUSI KUADRAT TERKECIL UNTUK MODEL INDIRECT

Untuk menemukan solusi dari parameter, solusi untuk model indirect didapat
dengan mesubstitusikan matrik identitas I untuk –B kedalam persamaan
normal, sehingga menjadi:
AT P A   AT P w  0 atau
A T C 1 A   A T C 1 w  0
l l

x  x0  
Residual v dapat secara mudah diperoleh dari:
v  A  w
dimana l a adalah nilai pengukuran yang teratakan
l a
 l  v
Sekarang bagaimana untuk mencari nilai vTPv yang minimum?
Diketahui bahwa:
vT P v  A   w T P A   w
 T AT P A  T AT P w  wT P A   wT P w
untuk mencari solusi yang minimum didapat dengan menurunkan fungsi diatas
terhadap :

d v T Pv 
 2 T AT P A  A T
Pw 
T
 wT P A  0
d
 2 T AT P A  2 w T P A  0
atau:
AT P A   AT P w  0

   AT P A   1
AT P w
untuk rank (A) = u, ATPA adalah simetris, positif definit
kemudian:
x  x0  
v  A  w
Model indirect sering disebut juga sebagai: Parametric Adjusment, the Method
of Observation Equations atau Adjustment of Indirect Observations.

6
Sistem Deformasi (GE7235) Semester Ganjil TA 2020-2021

RINGKASAN RUMUS-RUMUS PENTING

1. Perataan Metode Kombinasi (Model Implicit)
A  Bv  w  0 ; P   02 C l1

   
1 1 1
   A T B P 1 B T A  A T B P 1 B T w
 

  Q x A T B P 1 B T   1
w

xˆ  x0  ˆ ˆ 02  v T P v dof
ˆ    v̂

  1 1
  02  A T B P 1 B T A    02 Q x
C xˆ 
 
Cv sangat jarang digunakan

vˆ   P 1 B T B P 1 B T  
1
A   w
dof = degrees of freedom
dof = jumlah persamaan pengukuran - jumlah unknown (parameter)
gunakan  02 atau ̂ 02 sesuai dengan konteksnya

2. Perataan Metode Parameter (Model Indirect)

v  A  w : w  
 f x0   ; P   02 C 1

ˆ  
 AT P A  1
AT P w   Qx AT P w

vTP v
vˆ  Aw , ˆ 02 
nu


C xˆ   02 A T P A 
1
  02 Q x

C vˆ   02  P 1  A A T P A

 
1
A T 

singular

C ˆ  A Cx AT   02 A Q x A T

gunakan  02 atau ̂ 02 sesuai dengan konteksnya

7
Sistem Deformasi (GE7235) Semester Ganjil TA 2020-2021

CONTOH-CONTOH SOAL
1. Pengukuran arah pada Theodolit:
Arah ke –i : di =  di

1
d
1 = d2 - d1
2 = d3 - d2
1 d2
atau 2
 d1 
 1    1 1 0   d
     d2  3

2   0 1 1  
 d3 
y  A x
matrik varian-kovarian parameter:
Cy  A Cx AT
  d1 0    1 0
  2 1  1 2    1 1 0   
     d2   1  1
  2 2   0  1 1 
 1 2
 0  d3   0 1

Koefisien korelasi parameter:

 ij

 i  j

2. Menentukan matrik varian-kovarian dari koordinat yang dicari

(EB, NB)

 = 60o
=4"
d = 1000.0m
d = 0.01m

(EA, NA)

Diketahui koordinat titik A (100, 100)m dengan ketelitian masing-masing EA

= 0.02 m dan NA = 0.02m. Untuk mengetahui posisi titik B beserta
ketelitiannya diukur azimuth dan jarak dari titik A ke titik B dengan data

8
Sistem Deformasi (GE7235) Semester Ganjil TA 2020-2021

ukuran dan besarnya masing-masing ketelitian seperti pada gambar. Tentukan

ketelitian koordinat titik B.
Persamaan pengukuran:
f1  E B  EA  d sin 
f2  NB  NA  d cos 
Karena persamaan ini non-linier, perlu dilinierkan terlebih dahulu:
 dE A   df1 df1 df1 df1 
   
 dN A  d 
matrik J: J   A
dE dN A dd
dx  
dd   df 2 df 2 df 2 df 2 
   
 d   dE A dN A dd d 
 
 1 0 sin  d cos  
J   
 0 1 cos   d sin  

  EA
2   0.02 2 
   
  2NA   0.002 2 
Cx    
  d2   0.01 
 2   2
    4 

Untuk mencari ketelitian titik B:

Cy  J Cx J T

  EB
2
 EB NB   5.67x10 4  1.18x10 4 
Cy    
  1.18x10 4
 E N
 B B  2NB   7.07x10 4 

ketelitian / standar deviasi koordinat titik B:

 EB  0.024m
 NB  0.027m