Metode Interpolasi

Deterministik

KTG 427 GEOSTATISTIKA

Dewi Kania Sari, Ir., M.T.
Jurusan Teknik Geodesi FTSP Itenas – Bandung
Semester Ganjil Tahun 2006/2007
 Subpokok Bahasan

5. Metode Interpolasi Deterministik

5.1 Metode Inverse Distance Weighted (IDW)
5.2 Metode Polinomial Global
5.3 Metode Polinomial Lokal
 Pendahuluan
• Teknik interpolasi spasial
– Deterministik
– Geostatistik
• Teknik deterministik membuat permukaan
prediksi dari titik-titik ukuran berdasarkan tingkat
keserupaan (spt. Inverse Distance Weighted)
atau derajat kehalusan (spt. Radial Basis
Functions).
• Teknik geostatistik (spt. Kriging) menggunakan
sifat-sifat statistik dari titik-titik ukuran.
• Teknik geostatistik mengkuantifikasi autokorelasi
spasial di antara titik-titik ukuran dan
memperhitungkan konfigurasi titik-titik sampel di
sekitar lokasi prediksi.
 Pendahuluan (lanjutan)

• Teknik interpolasi deterministik dapat dibagi ke

dalam 2 kelompok:
– Interpolasi global
– Interpolasi lokal
• Teknik global menghitung prediksi menggunakan
seluruh set data
• Teknik lokal menghitung prediksi dari titik-titik
ukuran yang ada di dalam wilayah
‘neighborhoods’, yakni area spasial yang lebih
kecil di dalam area studi yang lebih besar.

Geostatistical Analyst:
- Global interpolator: Global Polynomial
- Local interpolator: Inverse Distance Weighted, Local
Polynomial, Radial Basis Function
 Pendahuluan (lanjutan)

• Interpolasi deterministik bisa ‘memaksa’ permukaan hasil

prediksi untuk melalui semua nilai-nilai data ukuran dan
bisa tidak.
• Teknik interpolasi yang memprediksi sebuah nilai identik
dengan nilai ukuran di lokasi sampel dikenal sebagai
interpolator eksak (exact interpolator)
• Interpolator tak-eksak (inexact interpolator) memprediksi
sebuah nilai yang berbeda dari nilai ukuran  untuk
menghindari tanjakan atau turunan yang tajam pada
permukaan output.
• Contoh exact interpolator: Inverse Distance Weighted &
Radial Basis Function
• Contoh inexact interpolator: global polynomial & local
polynomial
 5.1 Metode Inverse Distance
Weighted (IDW)
• Interpolasi IDW secara eksplisit mengimplementasikan
asumsi bahwa sesuatu yang saling berdekatan akan
lebih serupa dibandingkan yang saling terpisah jauh.

• Untuk memprediksi sebuah nilai di setiap lokasi yang

tidak diukur, IDW akan menggunakan nilai-nilai ukuran
yang mengitari lokasi prediksi. Nilai-nilai ukuran yang
paling dekat ke lokasi prediksi akan mempunyai
pengaruh lebih besar terhadap nilai prediksi dibanding
yang terletak jauh.

• IDW mengasumsikan bahwa setiap titik ukuran

mempunyai pengaruh lokal yang berkurang dengan
jarak. Titik-titik yang lebih dekat ke lokasi prediksi akan
diberi bobot yang lebih besar dibandingkan yang terletak
lebih jauh; oleh sebab itu dinamakan inverse distance
weighted (pembobotan inversi jarak)
 IDW
Rumus umum IDW:

N
Zˆ ( s0 )   i Z ( si )
i 1
dimana
Zˆ ( s0 ) : nilai prediksi di lokasi s0
i : bobot setiap titik ukuran yang akan digunakan;
bobot akan berkurang dengan jarak

N : jumlah titik sampel di sekitar lokasi prediksi yang

akan digunakan untuk menentukan nilai prediksi

Z(si) : nilai ukuran di lokasi si

 IDW
Rumus untuk menentukan bobot:

d i0 p Semakin besar jarak d, maka bobot

i  N
berkurang dengan faktor p

 i0
d p

i 1
Besaran di0 adalah jarak antara lokasi
prediksi s0 dengan setiap lokasi ukuran si.
N


Bobot untuk lokasi-lokasi ukuran yang
i 1 akan digunakan dalam prediksi diskala
i 1 (scaled) sehingga jumlahnya sama
dengan 1.

Parameter power p mempengaruhi pembobotan dari setiap nilai

lokasi yang diukur terhadap nilai lokasi yang diprediksi; jadi, jika
jarak antara lokasi sampel yang diukur dengan lokasi prediksi
semakin besar maka bobot (atau pengaruh) titik ukuran terhadap
prediksi akan berkurang secara eksponensial.
 IDW
• Bobot adalah proporsional terhadap inversi jarak.
Akibatnya, jika jarak membesar maka bobot akan
berkurang secara cepat. Seberapa cepat bobot berkurang
tergantung pada nilai p.

• Jika p = 0, tidak ada penurunan bobot dengan jarak,

setiap bobot i akan sama, sehingga nilai prediksi
merupakan nilai rata-rata dari semua nilai ukuran.

• Jika p membesar, bobot untuk titik-titik yang jauh akan

berkurang dengan cepat (secara eksponensial).

• Jika nilai p sangat besar maka hanya sejumlah kecil titik

di sekitar lokasi prediksi yang akan mempengaruhi nilai
prediksi.

Geostatistical Analyst memakai power functions yang lebih

besar dari 1. Untuk p = 2 dikenal sebagai inverse distance
squared weighted interpolation.
 Latihan
Diberikan data sampel sbb.
No X Y Nilai (Z)
1 1 3 105
2 1 5 100
3 3 4 105
4 5 1 115
5 4 5 100
P 3 3 ?
Q 2 4 ?

Prediksi nilai di titik P dan Q dengan

menggunakan metode IDW!