Laporan 2 IDW

LAPORAN PRAKTIKUM II

PRAKTIKUM PRAKTIKUM STATISTIKA SPASIAL IDW ( Inverse Distance Distance Weighting Weighting )

Tanggal Penyerahan : 31 Oktober 2017 Disusun Oleh : Rima Dharmastuti / 23 – 23 – 2017 – 2017 – 091 091 Kelas C Nama Asisten : Herdis Dwi Toga

(23-2013-071)

Marianus Filipe Logo (23-2014-118)

LABORATORIUM SISTEM INFORMASI SPASIAL JURUSAN TEKNIK GEODESI FAKULTAS TEKNIK SIPIL DAN PERENCANAAN INSTITUT TEKNOLOGI NASIONAL BANDUNG 2017

Praktikum Statistika Spasial : Inverse Distance Weighting

BAB I PENDAHULUAN 1.1. Maksud dan Tujuan Praktikum Statistika Spasial mengenai Analisis Geostatistika ini bermaksud untuk meningkatkan pemahaman, pengetahuan dan keterampilan dalam melakukan analisis geostatistik dengan metode interpolasi deterministik, khususnya dengan metode Inverse Distance Weighting, dengan data dasar curah hujan dan batas adminsitrasi Kota Bandung. Praktikum Statistika Spasial ini bertujuan agar mahasiswa mampu melakukan analisis data spasial metode interpolasi deterministik dengan menggunakan tools yang telah disediakan oleh Software ArcGIS. 1.2. Waktu Pelaksanaan Pekerjaan Praktikum Statistika Spasial dilaksanakan pada : a. Hari / Tanggal : Senin, 30 Oktober 2017 b. Waktu : 15.00 – 17.00 WIB c. Tempat : R. 18.3.04 Teknik Geodesi Itenas

Rima Dharmastuti / 23 – 2017 – 091 / Kelas C

1


BAB II DASAR TEORI 2.1. Prinsip Interpolasi Interpolasi spasial adalah proses matematis yang mengestimasi nilai yang belum diketahui ( unknown ) dari suatu fungsi ( biasanya fungsi skalar ) pada suatu titik berdasarkan satu set nilai yang diketahui pada beberapa titik sampel. Interpolasi penting karena terdapat banyak ibjek spasial yang dipresentasikan sebagai fungsi skalar yang didefinisikan pada suatu bidang, elevasi, distribusi suhu, harga lahan, dsb. Namun, tidak mungkin untuk engukur nilai fungsi pada semua lokasi sehingga kita harus mengestimasinya dari satu set nilai yang diketahui. Rasional / gagasan dasar dari interpolasi spasial adalah Hukum Geografi dari Tobler : “ all things are related but nearer things more so”, artinya jika dua benda lokasinya berdekatan satu sama lain maka keduanya akan saling serupa dibandingkan dengan benda – benda yang lokasinya saling berjauhan.

A

124 B

B akan lebih serupa dengan

108

A dibandingkan dengan C C

221 ( Hukum Tobler )

Di dalam mengestimasi suatu nilai dari suatu titik tertentu kita berikan bobot yang lebih tinggi kepada nilai – nilai fungsi pada titik – titik yang dekat dibandingkan titik – titik yang jauh. Interpolasi spasial adalah fitur yang sangat penting di dalam SIG, hal ini dikarenakan : 1. Interpolasi spasial dapat memberikan kontur untuk menampilkan data secara grafis 2. Interpolasi spasial dapat menghitung ( mengestimasi ) beberapa sifat ( properties ) dari permukaan pada suatu titik yang diberikan 3. Interpolasi spasial dapat mengubah unit perbandingan ketika menggunakan struktur data yang berbeda dalam layer yang berbeda 2.2. Interpolasi Metode Deterministik Interpolasi spasial memiliki 2 teknik, yaitu teknik deterministik dan teknik geostatistik. Pada praktikum yang akan dilaksanakan ini, metode yang akan digunakan adalah Teknik deterministik. Teknik deterministik membuat permukaan prediksi dari titik – titik ukuran berdasarkan tingkat keserupaan ( seperti Inverse Distance Weighted ) atau derajat kehalusan ( seperti Radial Basis Function ). Teknik interpolasi deterministik dapat dibagi ke dalam 2 kelompok, yaitu Interpolasi Global dan Interpolasi Lokal. Teknik Global menghitung prediksi menggunakan seluruh set data, sedangkan Teknik Lokal menghitung prediksi dari titik – titik ukuran yang berada di dalam wilayah “neighborhoods”, yakni area spasial yang lebih kecil di dalam area studi yang lebih besar. Contoh dari Teknik interpolasi global adalah global polynomial, serta contoh dari interpolasi lokal adalah Inverse Distance Weighted ( IDW ), Polinomial Lokal, dan Radial Basis Function. Interpolasi Rima Dharmastuti / 23 – 2017 – 091 / Kelas C

2


deterministik bisa “memaksa” permukaan hasil prediksi untuk melalui semua nilai – nilai data ukuran dan juga bisa tidak memaksa. 2.3 Inverse Distance Weighted ( IDW ) Merupakan metode deterministik yang sederhana dengan mempe rtimbangkan titik disekitarnya. Asumsi dari metode ini adalah nilai interpolasi akan lebih mirip pada data sampel yang dekat dari pada 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. IDW mengasumsikan bahwa setiap titik ukuran mempunyai pengaruh lokal yang berkurang dengan jarak. Titik-titik yang lebih dekat ke lokasi estimasi akan diberi bobot yang lebih besar diba ndingkan yang terletak lebih jauh, oleh sebab itu dinamakan inverse distance weighted (pembobotan inversi jarak). Rumus umum Inverse Distance Weighted (IDW) :



̂()    () Keterangan :

̂() 

=1



: nilai prediksi di lokasi  : bobot setiap titik ukuran yang akan digunakan, dimana bobot akan berkurang dengan

jarak N : jumlah titik sampel di sekitar lokasi prediksi yang akan digunakan untuk menentukan nilai prediksi  : nilai ukuran di lokasi  Rumus untuk menentukan bobot :

( )

−  10   ∑ − =1 10 ∑=1  = 1



Semakin besar jarak d, maka bobot berkurang dengan faktor p Besaran d i0 adalah jarak antara lokasi prediksi So dengan setiap lokasi ukuran Si Bobot untuk lokasi – lokasi ukuran yang akan digunakan dalam prediksi di skala ( scaled ) sehingga jumlahnya sama dengan 1

Parameter power p mempengaruhi pembobotan dari setiap nilai lokasi yang diukur terhadap nilai lokasi yang di prediksi. 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. Bobot adalah proporsional terhadap inversi jarak. Akibatnya, jika semakin besar jarak 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  akan sama, sehingga nilai prediksi merupakan nilai rata – rata dari semua nilai ukuran. Jika semakin besar p, 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.




3


BAB III PELAKSANAAN PRAKTIKUM 3.1. Analisis curah hujan dengan metode Inverse Distance Weighting

1. Membuka software ArcGIS dan menampilkan data batas administrasi Kota Cimahi dan curah hujan dengan cara add data

Sehingga hasilnya menjadi seperti berikut :

2. Mengaktifkan tools Geostatistical Analyst , dengan cara klik kanan pada area toolbars kemudian pilih Geostatistical Analyst


4


3. Kemudian melakukan analisis geostatistik metode Inverse Distance Weighting dengan cara memilih pada tools Geostatistical Wizard berikut :

4. Kemudian akan muncul jendela Geostatistical Wizard seperti berikut :

Pada jendela di atas, pilih metode deterministik berupa Inverse Distance Weighting. Kemudian pada bagian input data, pada sourch dataset pilih curah hujan, kemudian pada data field pilih intensitas, kemudian klik next. 5. Maka akan muncul jendela Handling Coincidental Samples, pilih Use Mean dan klik OK


5


use mean dipilih agar data hasil yang ditampilkan adalah nilai reratanya. 6. Kemudian akan muncul jendela Method Properties berikut ini

Jendela di atas menunjukkan mengenai sektor yang dipilih untuk dilakukan analisis IDW. Sektor tersebut ditunjukkan oleh garis yang membentuk lingkaran. Pada data tersebut, banyak sektor yang akan dilakukan analisis adalah 1 sektor. Pemilihan sektor tersebut berkaitan dengan Hukum Tobler, yakni dua benda yang memiliki lokasi berdekatan satu sama lain maka keduanya akan saling serupa dibandingkan dengan benda – benda yang lokasinya saling berjauhan. 7. Kemudian akan muncul jendela cross validation berikut :


6


Cross validation berfungsi untuk melakukan validasi antara hasil nilai prediksi dengan nilai validasi 8. Kemudian akan muncul laporan deskripsi pekerjaan yang telah dilakukan

9.

Berikut adalah hasil analisis gestatistik metode Inverce Distance Weighting ( IDW )


7


10. Melakukan klasifikasi data / simbologi agar data mudah dibaca, dengan cara Klik kanan pada layer hasil IDW kemudian  pilih properties

11. Kemudian akan muncul jendela layer properties untuk memilih simbologi yang akan digunakan kemudian pilih Classify


8


12. Pilih metode klassifikasi manual dan kelas klasifikasi sejumlah 10 ke las pada jendela Classification berikut

Pada jendela di atas, nilai klasifikasi kelas pada kolom Breaks masih mengandung decimal, maka dilakukan pembulatan agar kelas klasifikasi menjadi bilangan bulat dengan cara manual, dengan syarat, apabila angka dibelakang koma >5 maka dilakukan pembulatan ke atas dan sebaliknya, sehingga hasilnya menjadi seperti berikut :


9


13. Hasil

14. Membuat kontur dengan cara export data ke dalam format data vector terlebih dahulu,

Pada layer IDW, klik kanan pilih data  kemudian pilih Export To Vector ..


10


15. Kemudian akan muncul jendela GA Layer To Contour berikut :

Pada input geostatistical layer , pilih layer IDW, kemudian tentukan tempat penyimpanan pada kolom Output Feature Class 16. Melakukan clip wilayah Bandung dengan data kontur, dengan cara pada ArcToolbox pilih Analysis Tools kemudian pilih Clip

Kemudian akan muncul jendela clip seperti berikut :

Pada jendela di atas, Input Features pilih GALayerToContour2 kemudian pilih tempat penyimpangan pada kolom Output Feature Class Rima Dharmastuti / 23 – 2017 – 091 / Kelas C

11


17. Berikut adalah hasil clip antara batas administrasi Kota Bandung dengan kontur

18. Melakukan simbologi pada hasil klip

19. Berikut adalah hasil akhir dari analisis Geostatistik curah hujan dengan menggunakan metode Inverse Distance Weighting


12


BAB IV HASIL DAN ANALISIS 4.1. Searching Neighborhood

Pencarian tetangga terdekat menggunakan prinsip seperti pada Hukum Tobler, yaitu hal – hal yang dekat satu sama lain lebih mirip dibandingkan dengan yang lebih jauh. Semakin jauh lokasi nilai yang terukur hanya akan memiliki sedikit hubungan dengan nilai lokasi prediksi. Untuk mempercepat dalam melakukan perhitungan, maka nilai yang terletak jauh dari lokasi prediksi dapat dihilangkan, pembatasan tersebut digambarkan oleh lingkaran yang terdapat pada gambar di atas. Lingkaran tersebut merupakan batas seberapa jauh dan dimana mencari nilai terukur yang akan digunakan dalam prediksi. Nilai titik merah didalam lingkaran tersebut adalah nilai yang akan diprediksi berdasarkan tetangga terdekat dengan warna titik hijau dan orange. Pada Search Neighborhood di atas, terdapat beberapa hal yang menjadi parameter, yaitu : Power ( p ) :2 Neighborhood type : standard Maximum neighbors : 15 Minimum neighbors : 10 Sector type : 1 sector Angle :0 Pada predicted value, nilai koordinat yang diprediksi adalah : X : 780927.8 Y : 9238622


13


4.2. Cross Validation

Validasi silang menggunakan semua data untuk memperkirakan tren dan model autokorelasi, sehingga akan menghapus setiap lokasi data satu per satu dan memprediksi nilai data yang terkait . Pada hasil validasi silang di atas, jumlah data sebanyak 265 data, dengan nilai rata – rata sebesar 1.6599444 dan besar RMS adalah 88.54768. Nilai RMS yang dihasilkan masih cukup besar, nilai RMS digunakan untuk mengetahui besarnya penyimpangan yang terjadi antara nilai prediksi total curah hujan harian dibandingkan dengan nilai total curah hujan harian actual hasil observasi. Perlu diketahui bahwa untuk validasi estimasi, maka semakin besar nilai RMS akan semakin jauh nilai total curah hujan harian estimasi terhadap data curah hujan aktualnya. Semakin kecil nilai RMS, maka semakin baik prediksi total hujannya. Nilai terbaik RMS adalah 0. Mengingat bahwa tingkat kesalahan yang dapat diminimalisir dapat meningkatkan tingkat akurasi kualitas estimasi.


14


4.3. Analisis Hasil Interpolasi Curah Hujan Menggunakan IDW

Hasil interpolasi curah hujan menggunakan metode Inverse Distance Weighting ( IDW ) di atas adalah hasil interpolasi dari 265 sampel data dengan nilai RMS sebesar 88.54768. Nilai RMS tersebut merupakan hasil perhitungan dari akar kuadrat dari nilai rata – rata kuadrat perbedaan antara nilai hasil pengamatan dengan nilai prediksi masih terlalu besar sehingga hasil prediksi curah hujan masih memiliki akurasi yang kurang teliti.


15


BAB V KESIMPULAN 5.1. Kesimpulan

Hasil interpolasi dengan menggunakan metode Inverse Distance Weighting belum memberikan hasil estimasi yang baik, dikarenakan nilai RMS eror yang masih terlalu besar, namun sudah dapat memberikan informasi mengenai tingkat intensitas curah huja n di Kota Cimahi.


16


DAFTAR PUSTAKA

Materi pembelajaran Geostatistika oleh Ibu Dr. Ir. Dewi Kania Sari., M.T Fauzan,Aditya;Suryani,Sri;Budiawati,Tuti.2015. Perbandingan Metode Inverse Distance Weighted (IDW) dengan Metode Ordinary Kriging untuk E stimasi Sebaran Polusi Udara di Bandung. Vol.2, No.2 Agustus 2015. Swarinoto,Yunus Subagyo;Husain.2012. Estimasi Curah Hujan Harian dengan metode Auto Estimator ( Kasus jayapura dan sekitarnya ). J urnal Meteorologi dan Geofisika Vol.13. No.1 Tahun 2012 : 53-61. http://pro.arcgis.com/en/pro-app/help/analysis/geostatistical-analyst/performing-cross-validationand-validation.htm, diakses pada 16 November 2017 http://pro.arcgis.com/en/pro-app/help/analysis/geostatistical-analyst/search-neighborhoods.htm, diakses pada 16 November 2017


17

Laporan 2 IDW

Recommend Documents