Interpolasi spasial dalam sistem informasi geografis (SIG) juga selain untuk
menyiasati permasalahan data akibat faktor-faktor tertentu, interpolasi juga digunakan
memprediksi nilai pada wilayah-wilayah yang tidak memiliki sampel atau tidak diukur
untuk keperluan penyusunan peta atau sebaran nilai pada seluruh wilayah yang ingin
dipetakan. Dalam penelitian oleh Arista et al., (2019), dalam melakukan pemodelan karbon
monoksida, interpolasi digunakan untuk memprediksi data dari wilayah yang tidak terukur
karena memang tidak semua titik pada ruang yang diamati dilakukan proses pengukuran.
Pendekatan interpolasi dibutuhkan untuk mengeneralisasi data spasial dari pengumpulan
data sampling dimana data tidak tersedia pada seluruh sebaran spasial. Untuk menutup
semua wilayah pada wilaya studi, data sosial ekonomi rumah tangga yang diperoleh
berdasarkan hasil survei digeneralisasi melalui metode interpolasi yang tersedia dalam
Sistem Informasi Geografis. Hubungan langsung antara data sosial ekonomi dan posisi
secara geografis mensyaratkan terdapatnya data agregat pada tingkat spasial seperti
pendapatan petani dan lokasi rumah tangga. Pada penelitian ini metode interpolasi
digunakan untuk mengeneralisasi karakteristik sosial ekonomi kedalam data spasial.
Ada banyak metode interpolasi, namun dalam sistem informasi geografis yang
sering digunakanalam penerapannya hanya beberapa saja. Penggunaan metode interpolasi
bedasarkan kebutuhan dan keinginan yang dicapai, hal tersebut disebabkan masing-masing
metode interpolasi memiliki karakteristik serta kelebihan dan kekurangannya.
Secara umum yang sering digunakan untuk menginterpolasi adalah metode berikut :
1. Interpolasi Inverse Distance Weighted (IDW).
Metode Inverse Distance Weighted (IDW) memiliki asumsi bahwa setiap titik input
mempunyai pengaruh yang bersifat lokal dan berkurang terhadap jarak. Pada
metode interpolasi IDW pada umumnya dipengaruhi oleh inverse jarak yang
diperoleh dari persamaan matematika. Pengaruh akan lebih besar dari titik input
dengan titik yang lebih dekat sehingga menghasilkan permukaan yang lebih detail.
Namun seiring bertambahnya jarak pengaruh akan semakin berkurang detailnya dan
terlihat lebih halus.
2. Interpolasi kriging
Metode interpolasi Natural Neighbor dikenal juga dengan interpolasi sibson atau
“area-Stealing” dimana metode ini bekerja mencari titik-titik yang berdekatan
dengan titik sampel dan mengaplikasikan bobot (weight) pada titik-titik tersebut.
Sifat dasar dari metode interpolasi ini adalah “lokal” dimana hanya menggunakan
sampel yang berada disekitar titik yang ingin di interpolasi.
4. Interpolasi spline
Metode interpolasi Spline adalah salah satu metode interpolsai spasial yang
mengestimasi nilai dengan fungsi matematika yang meminimalisir total
kelengkungan permukaan. Efek stretching yang dimiliki spline sangat berguna jika
kita ingin memperkirakan nilai dibawah nilai minimum dan nilai diatas nilai
maksimum yang mungkin ditemukan dalam data set yang digunakan.
2.2.1 Kriging
Metode Kriging adalah estimasi stochastic yang mirip dengan Inverse Distance
Weighted (IDW) dimana menggunakan kombinasi linear dari weight untuk memperkirakan
nilai diantara sampel data (Ctech Development Corporation, 2004). Metode ini
diketemukan oleh D.L. Krige untuk memperkirakan nilai dari bahan tambang. Asumsi dari
metode ini adalah jarak dan orientasi antara sampel data menunjukkan korelasi spasial
yang penting dalam hasil interpolasi ESRI, 1996). Metode Kriging sangat banyak
menggunakan sistem komputer dalam perhitungan. Kecepatan perhitungan tergantung dari
banyaknya sampel data yang digunakan dan cakupan dari wilayah yang diperhitungkan.
Nilai power yang tinggi akan memberikan hasil seperti menggunakan interpolasi
nearest neighbor dimana nilai yang didapatkan merupakan nilai dari data point terdekat.
Kerugian dari metode IDW adalah nilai hasil interpolasi terbatas pada nilai yang ada pada
data sampel. Pengaruh dari data sampel terhadap hasil interpolasi disebut sebagi isotropic.
Dengan kata lain, karena metode ini menggunakan rata-rata dari data sampel sehingga
nilainya tidak bisa lebih kecil dari minimum atau lebih besar dari data sampel. Jadi, puncak
bukit atau lembah terdalam tidak dapat ditampilkan dari hasil interpolasi model ini
(Watson & Philip, 1985).
Untuk mendapatkan hasil yang baik, sampel data yang digunakan harus rapat
yang berhubungan dengan variasi lokal. Jika sampelnya agak jarang dan tidak merata,
hasilnya kemungkinan besar tidak sesuai dengan yang diinginkan. Metode IDW dapat
dikelompokkan ke dalam estimasi determenistik, yakni interpolasi dilakukan berdasarkan
perhitungan matematika. Sementara metode Kriging dapat digolongkan ke dalam estimasi
stochastik, di mana perhitungan secara statistik digunakan untuk menghasilkan interpolasi
(Pramono, 2008).
2.2.3 Spline
Interpolasi spline digunakan karena interpolasi polinomial sering memberikan
hasil yang sulit untuk dijangkau, karena jika data yang diberikan banyak maka derajat
polinomial yang terbentuk akan sangat tinggi, hal tersebut juga menyulitkan dalam
perhitungan. Polinomial dengan derajat tinggi akan menghasilkan fluktuasi data yang
sangat cepat. Perubahan data pada interval kecil dapat menyebabkan perubahan besar pada
keseluruhan interval. Maka interpolasi biasanya menggunakan polinomial berderajat
rendah. Dengan melakukan pembatasan derajat maka dapat ditentukan alternatif lain untuk
mendapatkan kurva mulus melalui sejumlah titik, yakni membagi suatu interval yang
memuat data titik menjadi beberapa subinterval dan pada setiap subinterval disusun
polinomial interpolasi. Metode Spline merupakan metode yang
mengestimasi nilai dengan menggunakan fungsi matematika yang meminimalisir total
kelengkungan permukaan. Dalam ArcGIS, interpolasi Spline termasuk dalam fungsi radial
dasar atau Base Function Radial (RBF). Teknik ini biasa digunakan dalam GIS, namun
dengan ketentuan data memiliki varian rendah. RBF banyak digunakan untuk peramalan
data time series musiman, seperti curah hujan, debit sungai, produksi tanaman pertanian,
dan lain-lain. Metode interpolasi Spline memiliki kemampuan dalam memprediksi nilai
minimum dan maksimum dengan efek stretching data. Hasilnya adalah sebuah kurva yang
terdiri atas potongan-potongan kurva polinomial yang berderajat sama, fungsi tersebut
disebut dengan fungsi spline.
Algoritma yang digunakan pada interpolasi natural neighbor ini bekerja dengan
mencari titik-titik yang berdekatan dengan titik sampel dan mengaplikasikan bobot pada
titik tersebut (Sibson,1981). Metode ini dikenal juga sebagai interpolasi Sibson atau “area
stealing”. Sofat dasar metode interpolasi ini adalah local, dimana hanya menggunakan
sampel yang berada disekitar titik yang ingin diinterpolasi, dan hasil yang diperoleh akan
milip dengan ketinggian titik sampel yang digunakan sebagai nilai masukan proses
interpolasi.
DAFTAR PUSTAKA
Hadi, B. S. (2015). Metode Interpolasi Spasial Dalam Studi Geografi (Ulasan Singkat dan Contoh
Aplikasinya). Geomedia: Majalah Ilmiah Dan Informasi Kegeografian, 11(2), 235–
252.
Kurniawan, A., Makmur, E., & Supari. (2020). Menentukan Metode Interpolasi Spasial Curah
Hujan Bulanan. Seminar Nasional Geomatika 2020: Informasi Geospasial Untuk
Inovasi Percepatan Pembangunan Berkelanjutan, 263–272.
Arista, F., Saraswati, R., & Wibowo, A. (2019). Pemodelan spasial distribusi karbon monoksida di
kota Bandung. Jurnal Geografi Lingkungan Tropik, 3(1), 21–31.
Putu Mirah Purnama D, Komang Gde Sukarsa, Komang Dharmawan. (2015). Interpolasi Spasial
Dengan Metode Ordinary Kriging Menggunakan Semivariogram Isotropik Pada Data
Spasial. E-Jurnal Matematika Vol. 4 (1)
Indarto Dan Debby R. P. (2014). Pembuatan Digital Elevation Model Resolusi 10m dari Peta RBI
dan Survei GPS dengan Algoritma ANUDEM. Jurnal Keteknikan Pertanian. Vol 2,No
1
Rahma Qudsi, Agus Dahlia. (2022). Stabilitas metode runge-kutta dengan interpolasi cubic-spline
untuk menyelesaikan delay differential equations (dde). AKSIOMA : Jurnal
Matematika Dan Pendidikan Matematika. Vol 13,No 1
Erik Febriarta a , Septian Vienastra , Agus Suyanto , Ajeng Larasati. (2020). Pengukuran dasar
telaga menggunakan alat perum gema untuk menghasilkan peta batimetri di Telaga
Winong Yogyakarta. Jurnal Geomedia. Vol 18,No 1