Ketenagalistrikan dan Energi Terbarukan

Vol. 13 No. 1 Juni 2014 : 51 – 60

ISSN 1978-2365

PEMANFAATAN METODE KRIGING

UNTUK PERAPATAN DATA SPASIAL RADIASI SURYA

KRIGING METHOD UTILIZATION

TO DOWNSCALE SPATIAL DATA OF SOLAR RADIATION
Silvy Rahmah Fitri, Bono Pranoto
Puslitbangtek Ketenagalistrikan, Energi Baru, Terbarukan dan Konservasi Energi
Jl.Ciledug Raya Kav 109, Cipulir, Kebayoran Lama, Jakarta Selatan
silvy_rahmah@yahoo.com

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%.

Kata Kunci : Kriging, Circular, Spherical, Exponensial, Gaussian, Linear

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%.

Keyword: Kriging, Circular, Spherical, Exponensial, Gaussian, Linear

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.

PENDAHULUAN tiga sifat, nugget, sill dan kisaran (Mc Bratney

Metode Kriging adalah estimasi dan Webster, 1986).
stochastic yang mirip dengan Inverse Distance
Weighted (IDW) dengan menggunakan
kombinasi linear dari bobot untuk
memperkirakan nilai diantara sampel data.
Metode ini diketemukan oleh D.L. Krige untuk
memperkirakan nilai dari bahan tambang.
Asumsi dari metode ini adalah jarak dan Gambar 1. Semivariogram
orientasi antara sampel data yang menunjukkan (Isaaks dan Srivastava, 1989)
korelasi spasial yang penting dalam hasil
interpolasi (ESRI, 1996) Jika semivariogram meningkat dengan
Metode Kriging dengan fungsi jarak dan stabil pada nilai varians sebelumnya,
matematikanya telah banyak digunakan sebagai itu berarti bahwa variabel yang diteliti spasial
pendekatan untuk mengidentifikasi struktur berkorelasi, dan semua tetangga dalam rentang
spasial dalam variabel atribut tanah (Vieira, korelasi dapat digunakan untuk interpolasi
2000; Carvalho dkk, 2002; Vieira dkk, 2002). nilai-nilai di mana mereka tidak diukur (Mara
Aplikasi Kriging juga digunakan dalam dkk, 2010).
aplikasi hidrology, dalam hal ini untuk
mengetahui perilaku spasial dan temporal air Tujuan
tanah. Tingkat air tanah yang menjadi data Tujuan penelitian ini adalah pemanfaatan
input yang penting untuk membuat simulasi air metoda kriging untuk perapatan data dari citra
tanah yang digunakan untuk berbagai keperluan satelit Radiasi Surya pada permukaan
(Vijay dan Ramadevi, 2006). horizontal dari data SSE. Data SSE berisi
Kriging juga bisa disebut dengan kumpulan data meteorologi dan energi matahari
metode estimasi (interpolasi) geostatistik untuk untuk periode 22 tahun (Juli 1983 – Juni 2005)
mendapatkan prediksi nilai dari lokasi tak yang dirumuskan untuk menilai dan merancang
terukur melalui proses regresi kombinasi linier. sistem energi terbarukan.
Kriging menggunakan model fungsi matematis Melalui 5 metoda kriging, dari interval
untuk pemodelan semivariogram empirik spasi 110 km menjadi 7 km. Hasil perapatan
(Gatot, 2008). data kemudian diverifikasi dengan data
Semivariogram yang digunakan pengukuran langsung.
merepresentasikan perbedaan spasial dan nilai
diantara semua pasangan sampel data. Struktur METODOLOGI
semivariogram pada Gambar 1 dijelaskan oleh Dalam penelitian ini, perangkat lunak
Sistem Informasi Geografis (SIG) yang

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).

Gambar 2. Koordinat titik data SSE untuk Membuat aturan ketergantungan

wilayah Indonesia, Resolusi 1 Derajat (110Km)
(sumber: SSE, 2014) Fitting model atau pemodelan spasial,
juga dikenal sebagai analisis struktural atau
Kriging adalah sama dengan IDW di mana
variogram. Semivariogram dihitung dengan
bobot sekitar nilai terukur untuk menurunkan
persamaan 2 untuk semua titik-titik terukur
prediksi untuk lokasi tidak terukur. Formula
yang terpisah oleh jarak (h).
umum untuk kedua interpolator dibentuk
Semivariogram
sebagai jumlah bobot dari data. Formula
(jarakh) = 0.5 * rata-rata((nilaii – nilaik)2) …(2)
kriging secara umum dapat ditulis sebagai :
(Oliver, 1990)
𝑍̂ (𝑆0 ) = ∑𝑁
𝑖=1 𝜆𝑖 𝑍(𝑆𝑖 ) ….(1)

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

Pada penelitian ini batasan nilai ketergantungan

divariasikan pada 4, 9, 12 dan 16 titik yang
telah diketahui.

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

d. Kriging Gausian Tabel 1. Pengukuran Langsung BMKG dan

Model ini atau disebut model hyperbolic BPPT
mirip dengan model eksponensial tetapi Propinsi Tahun Lokasi Radiasi
Pengukuran (Wh/m2)
asumsi peningkatan gradasi terhadap
NAD 1980 4o15’ LS; 96o52’ BT 4.097
intercept pada sumbu y. SumSel 1979-1981 3o10’ LS; 104o42’BT 4.951
Lampung 1972-1979 4o28’ LS; 105o48’BT 5.234
o o
DKI Jakarta 1965-1981 6 11’ LS; 106 05’BT 4.187
Banten 1980 6o 07’ LS; 106o30’BT 4.324
Banten 1991-1995 6o11’ LS; 106o30’BT 4.446
Jawa Barat 1980 6o56’ LS; 107o38’BT 4.149
o o
Jawa Tengah 1979-1981 6 59’ LS; 110 23’BT 5.488
o o
DI Yogyakarta 1980 7 37’ LS; 110 01’BT 4.500
Gambar 7. Model semivariance gausian
Jawa Timur 1980 7o18’ LS; 112o42’BT 4.300
KalTim 1991-1995 0o 32’ LS; 117o52’BT 4.172
e. Kriging Linear KalSel 1979-1981 3o27’ LS; 114o50’BT 4.796
Model ini mirip dengan model linier kecuali KalSel 1991-1995
o o
3 25’ LS; 114 41’BT 4.573
Gorontalo 1991-1995 1o32’ LS; 124o55’BT 4.911
bahwa di beberapa pasang jarak poin akan
SulTeng 1991-1994 0o57’ LS; 120o0’ BT 5.512
ada autokorelasi dan variogram akan
Papua 1992-1994 8o37’ LS; 122o12’BT 5.720
mencapai asimtot yang curam. Bali 1977-1979 8o40’ LS ; 115o13’BT 5.263
o o
NTB 1991-1995 9 37’ LS; 120 16’BT 5.747
NTT 1975-1978 10o9’ LS; 123o36’BT 5.117

(Sumber: Raharjo dan Fitriana, 2005)

Dari data tersebut di atas dilakukan sampling

data di lokasi pengukuran terhadap peta hasil
Gambar 8. Model semivariance linear
interpolasi. Data tersebut dibandingkan dengan
Verifikasi Data Model
data pengukuran untuk mengetahui besarnya
Hasil peta perapatan data tersebut kemudian
korelasi terhadap hasil interpolasi.
dilakukan verifikasi terhadap nilai pengukuran
langsung pada permukaan bumi melalui data-
HASIL DAN PEMBAHASAN
data dari stasiun BMKG.
Penghitungan nilai prediksi dilakukan dengan
Raharjo dan Fitriana (2005), memaparkan data
menggunakan kelima jenis semivariance
pengukuran radiasi yang dilakukan oleh
kriging. Dimana nilai prediksi (y(h)),
BMKG dan BPPT dalam rentang waktu yang
merupakan hasil fungsi terhadap nilai sekitar
berbeda
yang diketahui dan jarak antar titik berdasarkan
fungsi matematik jenis semivariance. Jumlah
titik ketergantungan divariasikan 4,9,12 dan 16

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.
titik untuk mencari nilai sesatan (error) terkecil
terhadap data ukur lapangan.
Gambar 9. Hasil perapatan data metode Kriging
Circular 4 titik
Gambar 10. Hasil Perapatan data metode
Kriging Exponensial 4 titik
Gambar 11. Hasil perapatan data metode
Kriging Gaussian 4 titik
Diterima : 5 Maret 2014, direvisi : 8 Mei 2014, disetujui terbit : 23 Mei 2014
56
Gambar 12. Hasil perapatan data metode
Kriging Linear 4 titik
Gambar 13. Hasil perapatan data metode
Kriging Spherical 4 titik
Perbandingan hasil dapat dilihat pada
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
lainnya.
Perbedaan jenis Kriging mempengaruhi
hasil perapatan datanya. Untuk lebih mudah
membandingkan maka dilakukan sampling
nilai (range : 5,767 – 5,774) seperti terlihat
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

KESIMPULAN DAN SARAN IDW Dan Kriging Untuk Interpolasi

Kesimpulan Sebaran Sedimen Tersuspensi Di Maros,

Berdasarkan hasil penelitian, metode Sulawesi Selatan, Forum

Kriging dapat digunakan sebagai salah satu
cara untuk perapatan data spasial radiasi surya.
Dengan memvariasikan jumlah
ketergantungan maka dapat diperoleh bahwa
pada kasus ini, nilai ketergantungan 4 titik
lebih presisi terhadap nilai ukur lapangan
dibanding dengan jumlah titik ketergantungan
lainnya.
Berdasarkan perhitungan statistik,
pendekatan nilai modeling perapatan data
terhadap nilai ukur lapangan, paling presisi
menggunakan metoda Kriging Gausian, dengan
nilai RMS Error sebesar 2,76, Korelasi sebesar
0,475, dengan keberterimaan sebesar 98%.
Saran
Perlu dilakukan perhitungan ulang jika
ada penelitian lain yang memiliki data ukur
lapangan dengan rentang waktu yang lebih
panjang sebagai verifikasi data yang lebih
akurat.
DAFTAR PUSTAKA
[1]. ESRI, 1996, Using the ArcView Spatial
Analyst. Redlands, Environmental Systems
Research Institute, Inc.
[2]. Carvalho JRP, Silveira PM, Vieira SR,
2002, Geostatistics in determining the
spatial variability of soil chemical
characteristics under different
[4]. Geografi, 22, 145-158
[5]. Isaaks EH, Srivastava RM, 1989, An
Introduction to applied geostatistics,
titik
Oxford University Press, Toronto, Canada
[6]. Mara, Sidney and Gerd, 2 010, Assessment
of the spatial relationship between soil
properties and topography over a
landscape, 2010 19th World Congress of
Soil Science, Soil Solutions for a Changing
World 1 – 6 August, Brisbane, Australia.
[7]. Mc Bratney AB, Webster R, 1986,
Choosing functions for semi-variograms of
soil properties and fitting them to sampling
estimates, Journal of Soil Science, 37, 617-
639
[8]. Oliver, M. A. 1990, Kriging: A Method of
Interpolation for Geographical Information
Systems, International Journal of
Geographical Information Science, 4, 313–
332.
[9]. Vieira SR , 2000, Geostatistics in studies
of spatial variability of soil. In: Novais,
R.F. et al. (Eds.) Topics in Soil Science.
Viçosa, Brazilian Soc. Soil Sci. 1, 1-54.
[10]. Vieira SR, Millete J, Topp GC, Reynolds
WD, 2002, Handbook for geostatistical
analysis of variability in soil and climate
data. In: Alvarez, Vieira. et al. (Eds.)
Topics in soil science. Viçosa, Brazilian
Soc. Soil Sci. 2,1-45.
[11]. Vijay and Ramadevi, 2006, Kriging of
Groundwater Levels – A Case Study,

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

Journal of Spatial Hydrology, 6, No.1

Spring
[12]. Raharjo, I dan Fitriana , 2005, Analisis
Potensi Pembangkit Listrik Tenaga Surya
Di Indonesia, Publikasi Ilmiah, BPPT,
Jakarta.
[13]. Surface Meteorology and Solar Energy
(https://eosweb.larc.nasa.gov/project/sse/ss
e_table), diakses pada 5 Maret 2014.

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

HALAMAN INI SENGAJA DIKOSONGKAN

Diterima
52 : 5 Maret 2014, direvisi : 8 Mei 2014, disetujui terbit : 23 Mei 2014