DAFTAR PUSTAKA

2.1. Interpolasi Dalam SIG

Interpolasi spasial merupakan salah satu fungsi atau metode matematis untuk
menentukan nilai pada lokasi-lokasi yang datanya tidak tersedia (Hadi, 2015). Sedangkan
menurut Burrough and mcdonell, mendefinisikan bahwa interpolasi merupakan proses
memprediksi nilai pada suatu titik yang bukan merupakan titik sampel, berdasarkan pada
nilai-nilai dari titik-titik di sekitarnya yang berkedudukan sebagai sampel. 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. Didalam melakukan interpolasi,
sudah pasti dihasilkan error. Error yang dihasilkan sebelum melakukan interpolasi bisa
dikarenakan kesalahan menentukan metode sampling data, kesalahan dalam pengukuran dan
kesalahan dalam analisa di laboratorium

Membagi daerah tertentu ke dalam zona homogen akan membantu pemahaman

tentang bagaimana informasi yang didistribusikan di daerah tertentu memiliki karakteristik
serupa. Dalam SIG, proses homogenitas ini dilakukan dengan menggunakan teknik
interpolasi. Interpolasi adalah suatu metode atau fungsi matematika yang menduga nilai
pada lokasi-lokasi yang datanya tidak tersedia. Interpolasi spasial mengasumsikan bahwa
atribut data bersifat kontinu di dalam ruang (space) dan atribut ini saling berhubungan
(dependence) secara spasial. Kedua asumsi tersebut mengindikasikan bahwa pendugaan
atribut data dapat dilakukan berdasarkan lokasi-lokasi di sekitarnya dan nilai pada titik-titik
yang berdekatan akan lebih mirip dari pada nilai pada titik-titik yang terpisah lebih jauh.
Kurniawan et.al., (2020), salah satu kendala yang dialami dalam layanan informasi iklim
adalah rendahnya sebaran jaringan pos pengamatan hujan sehingga dilakukan lah metode
interpolasi untuk menyelesaikan permasalahan tersebut.

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.

2.2. Jenis-Jenis Interpolasi

Beberapa metode yang bisa digunakan untuk melakukan interpolasi seperti Trend,
Spline, Inverse Distance Weighted (IDW) dan Kriging. Setiap metode ini akan memberikan
hasil interpolasi yang berbeda (Pramon 2008). Metode Inverse Distance Weighted (IDW)
merupakan metode deterministik yang sederhana dengan mempertimbangkan titik
disekitarnya (NCGIA 1997). Asumsi dari metode ini adalah nilai interpolasi akan lebih
mirip pada data sampel yang dekat daripada yang lebih jauh. Bobot (weight) akan berubah
secara linear sesuai dengan jaraknya dengan data sampel. Bobot ini tidak akan dipengaruhi
oleh letak dari data sampel. Metode ini biasanya digunakan dalam industri pertambangan
karena mudah untuk digunakan. Pemilihan nilai pada power sangat mempengaruhi hasil
interpolasi.

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 kriging adalah metode interpolasi spasial yang memanfaatkan

nilai spasial pada lokasi tersampel untuk memproduksi nilai pada lokasi lain yang
tidak tersampel. Metode kriging merupakan estimasi stochastic yang mirip dengan
IDW. Dimana menggunakan kombinasi linier dari weight untuk memperkirakan
nilai diantara sampel data. (Yulianto,2015)

3. Interpolasi Natural Neighbor

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.

Kriging memberikan ukuran error dan confidence. Metode ini menggunakan

semivariogram yang merepresentasikan perbedaan spasial dan nilai diantara semua
pasangan sampel data. Semivariogram juga menunjukkan bobot (weight) yang digunakan
dalam interpolasi Tahapan dalam menggunakan metode ini adalah: analisa statistik dari
sampel data, pemodelan variogram, membuat hasil interpolasi dan menganalisa nilai
variance. Metode ini sangat tepat digunakan bila kita mengetahui korelasi spasial jarak dan
orientasi dari data. Oleh sebab itu, metode ini sering digunakan dalam bidang ketanahan
dan geologi. Kelemahan dari metode ini adalah tidak dapat menampilkan puncak, lembah
atau nilai yang berubah drastis dalam jarak yang dekat. Bancroft & Hobbs (1986) atau
Siska & Hung (2001).

Kriging adalah salah satu metode yang banyak digunakan dalam

geostatistik karena menghasilkan akurasi yang lebih baik dibanding metode interpolasi
lainnya (Yao, etal., 2019). Asumsi dari model ini adalah jarak dan orientasi antara sampel
data menunjukkan korelasi spasial. Model ini memberikan ukuran error dan confidence.
Model ini juga menggunakan semivariogram yang merepresentasikan perbedaan spasial
dan nilai di antara semua pasangan sampel data. Semivarogram ini menunjukkan bobot
(weights) yang digunakan dalam interpolasi. Semivarogram dihitung berdasarkan sampel
semivarogram dengan jarak h, beda nilai z, dan jumlah sampel data n.
2.2.2 IDW
Metode Inverse Distance Weighted (IDW) merupakan metode deterministik yang
sederhana dengan mempertimbangkan titik disekitarnya (NCGIA, 1997). Asumsi dari
metode ini adalah nilai interpolasi akan lebih mirip pada data sampel yang dekat daripada
yang lebih jauh. Bobot (weight) akan berubah secara linear sesuai dengan jaraknya dengan
data sampel. Bobot ini tidak akan dipengaruhi oleh letak dari data sampel. Metode ini
biasanya digunakan dalam industri pertambangan karena mudah untuk digunakan.
Pemilihan nilai pada power sangat mempengaruhi hasil interpolasi.

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.

2.2.4. Topo To Raster

Proses interpolasi dilakukan menggunakan metode Topo to Raster yang tersedia
didalam ArcGIS. Topo to raster di dalam ArcGIS merupakan suatu tool yang disediakan
khusus untuk pembuatan DEM. DEM yang dibuat dengan Topo to Raster akan secara
otomatis dikoreksi sehingga DEM tersebut memenuhi kriteria hidrologi. Topo to Raster
dikembangkan dari program ANUDEM yang dikembangkan oleh Michael Hutchinson
(Hutchinson, 1988, 1989, 1996, 2000, 2001, 2008, 2009). Aplikasi ANUDEM untuk
produksi DEM dalam skala yang luas dapat dijumpai dalam Hutchinson and Dowling
(1991). Aplikasi DEM untuk pemodelan di bidang lingkungan dapat dijumpai dalam
Hutchinson dan Gallant (2000) dan Hutchinson (2008).

Pengembangan lebih lanjut ANUDEM termuat dalam Hutchinson et al., (2009,

2011). Topo to raster menginterpolasi nilai ketinggian untuk setiap piksel raster dengan
memperhatikan beberapa konstrain untuk memastikan: (1) struktur jaringan sungai yang
terkoneksi, (2) ruas sungai dan anak-anak sungai tergambar dengan baik. Topo to Raster
 dan selanjutnya didapatkan output. Proses interpolasi menggunakan algorithma (Inverse
Distance Weighting atau IDW). Selanjutnya, layer hasil interpolasi di clip sesuai dengan
batas SubDAS Rawatamtu.algorithma (Inverse Distance Weighting atau IDW).
Selanjutnya, layer hasil interpolasi di clip sesuai dengan batas SubDAS Rawatamtu.

2.2.5. Natural Neighbor

Interpolasi natural neighbour merupakan metode dengan sifat lokal, dimana
sampel data yang digunakan berdekatan atau berada disekitar hasil yang diperoleh sebagai
nilai masukan proses interpolasi. Metode interpolasi didasarkan pada pendekatan dengan
poligon thiessen. Metode natural neighbour mempunyai kemiripan dengan metode Inverse
Distance Weighting (IDW), yaitu nilai pembobotan (weight) dengan nilai yang berbeda
(faktor eksponen/power) (Mitas & Mitasova, 1999).

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