Abstrak
Kriging adalah metode estimasi (interpolasi) geostatistik untuk mendapatkan prediksi nilai dari lokasi
tak terukur melalui proses regresi kombinasi linier. Kriging menggunakan model fungsi matematis
untuk pemodelan semivariogram empirik. Tujuan penelitian ini adalah memanfaatkan metode Kriging
untuk melakukan perapatan data spasial radiasi surya dari interval spasi 110 km menjadi 7 km yang
kemudian diverifikasi terhadap data ukur lapangan. Metodologi yang dilakukan adalah membuat aturan
ketergantungan dengan memvariasikan jumlah titik ketergantungan (4,9,12 dan 16 titik), membuat
prediksi, melakukan perapatan data dengan lima jenis Kriging (Circular, Spherical, Exponesial,
Gaussian dan Linear), dan verifikasi data model. Verifikasi data model terhadap data pengukuran
lapangan melibatkan perhitungan statistik berupa RMS error, korelasi pearson dan uji T berpasangan.
Hasil penelitian didapat bahwa perapatan data metode Kriging dengan jumlah ketergantungan 4 titik
memiliki nilai sesatan (error) yang lebih kecil dibanding jumlah titik lainnya. Pendekatan pemodelan
paling presisi untuk perapatan data adalah menggunakan metode Kriging Gausian dengan nilai RMS
error sebesar 2,76, korelasi sebesar 0,475 dan keberterimaan paling besar yaitu 98%.
Abstract
Kriging is the method of geostatistical estimation (interpolation) to obtain predictions of value of
unmeasured location through linear combination regression process. Kriging using mathematical
function models for modeling empirical semivariogram. The purpose of this study is to utilize kriging
method to downscale spatial data of solar radiation intervals spaced 110 km to 7 km which is then
verified against the field measuring data. The methodology is to make dependency rules by varying the
number of points of dependence (4,9,12 and 16 points), make predictions, downscale the data with five
types of Kriging (Circular, Spherical, Exponesial, and Linear Gaussian), and verification of data
models. Data verification of the models with the field measurement data involves statistical calculations
such as RMS error, Pearson correlation, and paired t test. The result is that the density of data of
kriging method with number of dependence 4 spot has an error value smaller than the number of other
points. The most precise modeling approach to downscale the data is using Kriging method Gausian
with RMS Error value by 2.76, a correlation of 0.475 and greatest acceptance is 98%.
Diterima : 5 Maret 2014, direvisi : 8 Mei 2014, disetujui terbit : 23 Mei 2014 51
Ketenagalistrikan
Ketenagalistrikan dan Energi Terbarukan dan Energi Terbarukan
– 6013 No. 1 Juni 2014 : 51 – 60
Vol. 13 No. 1 Juni 2014 : 51Vol.
Diterima
52 : 5 Maret 2014, direvisi : 8 Mei 2014, disetujui terbit : 23 Mei 2014
Pemanfaatan
Ketenagalistrikan MetodeTerbarukan
dan Energi Kriging untuk Perapatan Data Spasial Radiasi Surya
Vol. 13 No. 1 Juni 2014 : 51 – 60
digunakan adalah ArcMAP versi 9.3. dari Untuk membuat prediksi dengan metode
Environmental Systems Research Institute interpolasi kriging, dua hal yang perlu :
(ESRI). Untuk melakukan proses Kriging Mengungkap aturan ketergantungan
dengan beberapa metode, digunakan ekstensi Membuat prediksi
Spatial Analyst Tools. Sistem operasi yang Untuk dua tahap tersebut, Kriging
digunakan adalah Windows 7 pada komputer melalui dua langkah proses :
berbasis prosesor Intel Pentium i.7 dengan 1. Membuat fungsi variogram dan
kecepatan 3.4 GHz dan kapasitas memori covariance untuk estimasi nilai
sebesar 8 Gigabyte. keterkaitan statistik (disebut auto
Data SSE diunduh melalui website resmi korelasi spasial) yang bergantung pada
Atmospheric Science Data Center / Surface model auto korelasi (kesesuaian model).
meteorology and Solar Energy (SSE). 2. Memprediksi nilai yang tidak diketahui
(membuat prediksi).
(https://eosweb.larc.nasa.gov/project/sse/sse_ta
Hal ini karena dua tugas yang berbeda
ble).
yang telah dikatakan bahwa Kriging
menggunakan data dua kali: pertama kalinya
untuk memperkirakan autokorelasi spasial data
dan yang kedua untuk membuat prediksi
(Oliver, 1990).
Di mana :
Z(si) = nilai yang diukur pada lokasi i
λi = bobot yang tak diketahui untuk nilai yang
diukur pada lokasi i Gambar 3. Perhitungan kuadrat selisih antara
s0 = lokasi prediksi lokasi
N = jumlah nilai yang diukur
Diterima : 5 Maret 2014, direvisi : 8 Mei 2014, disetujui terbit : 23 Mei 2014 53
Ketenagalistrikan dan Energi Terbarukan dan Energi Terbarukan
Ketenagalistrikan
Vol. 13 No. 1 Juni 2014 : 51 – 60
Vol. 13 No. 1 Juni 2014 : 51 – 60
Membuat prediksi
Seperti interpolasi IDW, penghitungan Gambar 4. Model semivariance spherical
prediksi pada Kriging dengan menentukan
bobot dari nilai sekitar yang terukur. Nilai yang b. Kriging Circular
terukur paling dekat dengan lokasi yang tidak Model ini menggunakan data yang telah
terukur memiliki pengaruh yang paling besar. diketahui dengan radius lingkaran dengan
IDW menggunakan algoritma sederhana jarak tertentu
berdasarkan jarak, tapi bobot kriging berasal
dari semivariogram yang dikembangkan
dengan melihat sifat spasial dari data. Untuk
membuat permukaan kontinu dari fenomena
tersebut, prediksi yang dibuat untuk setiap
lokasi, atau pusat sel, di daerah penelitian Gambar 5. Model semivariance circular
didasarkan pada semivariogram dan pengaturan
tata ruang dari nilai yang terukur yang berada c. Kriging Exponensial
di dekatnya. Model ini diterapkan ketika autokorelasi
spasial berkurang secara eksponensial
Model matematika dengan semakin jauh jaraknya. Autokorelasi
Penyelesaian kriging dengan menghilang sepenuhnya hanya pada jarak
menggunakan persamaan model matematika tak terbatas. Model eksponensial juga model
untuk menggambarkan semivariance. Model yang umum digunakan. Pilihan model mana
matematika yang dimaksud adalah: spherical, yang akan digunakan didasarkan pada
circular exponensial, gausian dan linier. autokorelasi spasial dari data dan
a. Kriging Spherical pengetahuan sebelumnya dari fenomena
Model ini menunjukkan penurunan tersebut
progresif autokorelasi spasial (ekuivalen
terhadap peningkatan semivariance) sampai
jarak tertentu, di luar nilai autokorelasi
adalah nol. Model spherical adalah salah
satu model yang paling umum digunakan.
Gambar 6. Model semivariance exponensial
Diterima : 5 Maret 2014, direvisi : 8 Mei 2014, disetujui terbit : 23 Mei 2014
54
Ketenagalistrikan dan Energi
Pemanfaatan MetodeTerbarukan
Kriging untuk Perapatan Data Spasial Radiasi Surya
Vol. 13 No. 1 Juni 2014 : 51 – 60
Diterima : 5 Maret 2014, direvisi : 8 Mei 2014, disetujui terbit : 23 Mei 2014
55
Ketenagalistrikan dan Energi Terbarukan dan Energi Terbarukan
Ketenagalistrikan
– 6013 No. 1 Juni 2014 : 51 – 60
Vol. 13 No. 1 Juni 2014 : 51Vol.
Gambar 10. Hasil Perapatan data metode Perbandingan hasil dapat dilihat pada
Kriging Exponensial 4 titik
Gambar 9 -12 hasil interpolasi. Agar dapat
dianalisa maka jumlah legenda range warna
diseragamkan. Jumlah gradasi warna
dikelompokkan menjadi 32 kelompok warna.
Setiap warna memiliki range nilai yang sama.
Pada hasil perapatan Kriging jenis gausian 4
titik (Gambar 11) terlihat setiap range warna
memiliki luas area dengan pola lingkaran yang
besar jika dibandingkan ke-empat jenis Kriging
Gambar 11. Hasil perapatan data metode lainnya.
Kriging Gaussian 4 titik
Perbedaan jenis Kriging mempengaruhi
hasil perapatan datanya. Untuk lebih mudah
membandingkan maka dilakukan sampling
nilai (range : 5,767 – 5,774) seperti terlihat
Diterima : 5 Maret 2014, direvisi : 8 Mei 2014, disetujui terbit : 23 Mei 2014
56
Ketenagalistrikan dan Energi
Pemanfaatan MetodeTerbarukan
Kriging untuk Perapatan Data Spasial Radiasi Surya
Vol. 13 No. 1 Juni 2014 : 51 – 60
pada kotak seleksi warna biru. Dari hasil jumlah titik yang lainnya, maka dilakukan
pemilihan range warna terlihat bahwa masing- perhitungan korelasi Pearson dan uji t
masing jenis Kriging menyebabkan sebaran berpasangan untuk mengetahui metode mana
gradasi warna yang berbeda-beda. Untuk range yang paling presisi dengan data ukur lapangan.
nilai 5,767 – 5,774 pada hasil perapatan kriging Hasil perhitungan korelasi Pearson dan uji t
jenis linier (Gambar 12) terlihat berada pada berpasangan ditunjukan dari table 3 dan 4.
wilayah tengah daratan pulau Bali dan bagian
selatan pulau Lombok. Jika dibandingkan Tabel 3. Perhitungan Korelasi Pearson
dengan hasil perapatan jenis Gausian (Gambar Interpolasi Korelasi Pearson
Kriging 4 Titik 9 Titik 12 Titik 16 Titik
11), range nilai tersebut bergeser kearah selatan Circular 0,468 0,437 0,440 0,440
Exponensial 0,443 0,446 0,442 0,444
pulau bali. Untuk kriging jenis exponensial Gausian 0,475 0,425 0,441 0,429
(Gambar 10) memiliki sedikit kemiripan Linear 0,470 0,433 0,445 0,437
Spherical 0,465 0,439 0,441 0,442
sebaran nilai dengan kriging jenis linier,
dimana posisi range nilai 5,767 – 5,774 terletak Berdasarkan nilai hasil korelasi pada
pada wilayah tengah daratan Bali meskipun table 3, semakin memperkuat bahwa
range tersebut bergeser posisi dari selatan ke ketergantungan dengan 4 titik sampel memiliki
arah tengah pulau Lombok. Untuk jenis kriging korelasi yang paling kuat dibandingkan
circular (Gambar 9) dan spherical (Gambar 13), ketergantungan dengan jumlah titik diatasnya.
posisi range nilai tersebut tersebar di wilayah
selatan pulau Bali dan Lombok. Tabel 4. Uji T Berpasangan
Interpolasi Sampling Sampling Sampling Sampling
Kriging 4 Titik 9 Titik 12 Titik 16 Titik
Tabel 2. RMS (Root Mean Square) Error T Tabel 2,567 2,110 2,110 2,110
variasi jumlah titik ketergantungan (2%) (5%) (5%) (5%)
T Hitung T Hitung T Hitung T Hitung
Jumlah Circula Expone Gaussia Linie Spherica Circular 2,1835 2,0032 2,0202 2,0202
Titik r n n r l Exponensial 2,0374 2,0546 2,0316 2,0431
4 titik 2,76 2,79 2,76 2,76 2,76 Gausian 2,2256 1,9359 2,0259 1,9582
Linear 2,1955 1,9806 2,0488 2,0032
9 titik 2,89 2,77 2,95 2,91 2,87 Spherical 2,1656 2,0145 2,0259 2,0316
12 titik 2,89 2,77 2,95 2,91 2,87
16 titik 2,91 2,77 3,03 2,94 2,88 Berdasarkan hasil ketiga pengujian
statistik semakin memperkuat bahwa
Berdasarkan hasil perhitungan RMS
pendekatan interpolasi Kriging dengan 4 titik
Error maka perapatan data dengan metoda
lebih baik, diperkuat dari hasil uji t-
kriging dengan sampling 4 titik memiliki nilai
berpasangan bahwa sampling 4 titik memiliki
error yang lebih kecil. Semakin banyak nilai
nilai keberterimaan lebih besar 98% dibanding
titik yang mempengaruhi prediksi semakin
jumlah sampling yang lain.
besar nilai sesatannya.
Berdasarkan hasil pada table 3 dan 4,
Setelah mengetahui bahwa interpolasi
dapat dilihat bahwa penggunaan metode
dengan ketergantungan 4 titik lebih baik dari
Kriging Gausian dengan sampling 4 titik,
Diterima : 5 Maret 2014, direvisi : 8 Mei 2014, disetujui terbit : 23 Mei 2014
57
Ketenagalistrikan dan Energi Terbarukan dan Energi Terbarukan
Ketenagalistrikan
– 6013 No. 1 Juni 2014 : 51 – 60
Vol. 13 No. 1 Juni 2014 : 51Vol.
memiliki korelasi dan keberterimaan yang preparations. Pesq. Agropec. Bras. 37,
paling besar diantara metode Kriging lainnya. 1151-1159
[3]. Gatot H. Pramono, 2008, Akurasi Metode
Diterima : 5 Maret 2014, direvisi : 8 Mei 2014, disetujui terbit : 23 Mei 2014
58
Pemanfaatan
Ketenagalistrikan MetodeTerbarukan
dan Energi Kriging untuk Perapatan Data Spasial Radiasi Surya
Vol. 13 No. 1 Juni 2014 : 51 – 60
Diterima : 5 Maret 2014, direvisi : 8 Mei 2014, disetujui terbit : 23 Mei 2014 59
Ketenagalistrikan Dan Energi Terbarukan
Ketenagalistrikan dan Energi Terbarukan
Vol. 13 No. 1 Juni 2014 : 51 – 60
Vol. 13 No. 1 Juni 2014 : 51 – 60
Diterima
52 : 5 Maret 2014, direvisi : 8 Mei 2014, disetujui terbit : 23 Mei 2014