INTERPOLASI DATA DENGAN METODE INVERSE DISTANCE

WEIGHTED (IDW)

Reynaldi Setiawan P1, Baso Rezki Maulana2

1
Praktikan Laboratorium Geostatistik, Geology Engineering, Faculty of
Engineering, Hasanuddin University.
2
Asisten Laboratorium Geostatistik, Geology Engineering, Faculty of
Engineering, Hasanuddin University.

Abstrak

Survei lapangan perlu dilakukan untuk mengumpulkan data. Dikarenakan kondisi

alam yang terkadang buruk, wilayah cakupan yang luas dan keterbatasan waktu
serta dana, maka survei dilakukan dengan mengambil beberapa titik sampel
pengamatan. Untuk mengolah dan menganalisa data secara spasial, Sistem
Informasi Geografis (SIG) biasanya digunakan. Didalam analisa spasial baik
dalam format vektor maupun raster, diperlukan data yang meliputi seluruh studi
area. Oleh sebab itu, proses interpolasi perlu dilaksanakan untuk mendapatkan
nilai diantara titik sampel. Dalam praktikum geostatistik ini menggunakan metode
Inverse Distance Weighted (IDW). Metode IDW dapat dikelompokkan dalam
estimasi deterministic dimana interpolasi dilakukan berdasarkan perhitungan
matematik.. Metode IDW mengasumsikan bahwa tiap titik input mempunyai
pengaruh yang bersifat lokal yang berkurang terhadap jarak. Dalam praktikum kali
ini metode Inverse Distance Weighted (IDW) digunakan untuk mengetahui
persebaran kadar Fe lapisan limonit pada daerah X provinsi sulawesi selatan.

Kata Kunci : Interpolasi dan Inverse Distance Weighted

(IDW).

PENDAHULUAN diukur, sehingga ter-buatlah peta atau

sebaran nilai pada selu-ruh wilayah
Interpolasi adalah metode untuk
(Gamma Design Software, 2005).
mendapatkan data berdasarkan
Didalam melakukan interpolasi, sudah
beberapa data yang telah diketahui
pasti dihasilkan. Error yang dihasilkan
(Wikipedia, 2008). Dalam pemetaan,
sebelum melakukan interpolasi bisa
interpolasi adalah proses estimasi nilai
dikarenakan kesalahan menentukan
pada wilayah yang tidak disampel atau
metode sampling data, kesalahan dalam
pengukuran dan kesalahan dalam (IDW). Adapun Tujuan dari praktikum
analisa di laboratorium ini agar mahasiswa dapat melakukan
Interpolasi adalah suatu metode analisis dan pengamatan data
atau fungsi matematika yang menduga menggunakan interpolasi metode
nilai pada lokasi- lokasi yang datanya deterministik, yaitu Inverse Distance
tidak tersedia. Interpolasi spasial Weighted menggunakan perangkat
mengasumsikan bahwa atribut yang lunak ArcGIS, Mampu menggunakan
bersifat kontinu di dalam ruang (space) alat (tools) analisis data spasial
dan atribut ini saling berhubungan khususnya tool Inverse Distance
secara spasial (Anderson, 2001). Weighted (IDW) dengan baik serta
Kedua asumsi tersebut mampu membuat peta penyebaran
mengindikasikan bahwa pendugaan kadar Fe lapisan limonit pada daerah X
atribut data dapat dilakukan provinsi sulawesi selatan dengan
berdasarkan lokasi-lokasi di sekitarnya optimal.
dan nilai pada titik-titik yang
berdekatan akan lebih mirip daripada TINJAUAN PUSTAKA
nilai pada titik-titik yang terpisah lebih Dalam konteks pemetaan,
jauh. interpolasi merupakan proses estimasi
nilai pada wilayah-wilayah yang tidak
Inverse Distance Weighted (IDW)
disampel atau diukur untuk keperluan
merupakan suatu cara penaksiran yang
penyusunan peta atau sebaran nilai
telah memperhitungkan adanya
pada seluruh wilayah yang dipetakan.
hubungan letak ruang (jarak),
Interpolasi spasial mempunyai dua
merupakan kombinasi linear atau harga
asumsi yakni atribut data bersifat
rata-rata tertimbang (weigthing
kontinu di dalam ruang (spcae) dan
average) dari titik-titik data yang ada di
atribut tersebut saling berhubungan
sekitarnya (Notosiswoyo, 2000).
(dependence) secara spasial (Anderson,
Praktikum ini dimaksudkan untuk
2001). Kedua asumsi tersebut
meningkatkan keterampilan,
berimplikasi pada logika bahwa
pemahaman, dan pengetahuan dalam
pendugaan atribut data dapat dilakukan
analisis Inverse Distance Weighted
berdasarkan data dari lokasi-lokasi di
sekitarnya dan nilai pada titik-titik Ada beberapa metode yang dapat
yang berdekatan akan lebih mirip digunakan untuk melakukan interpolasi
daripada nilai dari titik-titik yang spasial. Menurut Demers (2000),
berjauhan (Prasasti, Wijayanto, interpolasi spasial dapat
Christanto, 2005). Hal ini sesuai pula diklasifikasikan menjadi tiga, yakni
dengan hukum Tobler pertama. Untuk global and local interpolation, exact
melakukan interpolasi spasial interpolation and inexact interpolation,
diperlukan data dari titik-titik kontrol deterministic and stochastic
(sampel), sehingga nilai dari titik yang interpolation.
tidak diketahui nilainya dapat destinasi. Interpolasi global menggunakan
Posisi titik-titik kontrol untuk semua titik kontrol yang tersedia.
interpolasi spasial dan nilai data dapat Cukup memadai untuk diterapkan pada
diilustrasikan oleh Gambar 1 dan 2. medan yang tidak menunjukkan variasi
Metode Interpolasi yang kompleks. Interpolasi ini
Interpolasi merupakan suatu memiliki asumsi bahwa autokorelasi
metode atau fungsi matematika untuk spasial baik pada skala regional.
mendapatkan data berdasarkan Estimasi yang diperoleh lebih bersifat
beberapa data yang telah diketahui. umum.
Didalam melakukan interpolasi, sudah Interpolasi lokal hanya
pasti dihasilkan error. Error yang menggunakan sampel titik-titik kontrol.
dihasilkan sebelum melakukan Metode ini sesuai untuk medan yang
interpolasi bisa dikarenakan kesalahan menunjukkan variasi yang kompleks.
menentukan metode sampling data, Asumsi dari metode ini adalah
kesalahan dalam pengukuran dan autokorelasi spasial baik pada skala
kesalahan dalam analisa di lokal. Nilai-nilai hasil estimasi lebih
laboratorium. bersifat lokal. Prosedur umum untuk
Penentuan nilai baru didasarkan mengidentifikasi titik-titik akan
pada data yang ada pada titik-titik destinasi mencakup langkah-langkah
sampel. Tanpa adanya langkah (1). Sebuah wilayah pencarian
interpolasi ini, maka analisis spasial (bertetanggan) didefinisikan sekitar
tidak dapat dilakukan secara akurat. titik; (2). Titik-titik sampel dalam area
penelitian diidentifikasi; (3). Sebuah pada interpolasi ini menentukan
fungsi matematika yang dipilih untuk pengaruh terhadap titik-titik masukan
memodelkan variasi lokal antara titik- (input), dimana pengaruh akan lebih
titik; (4). Nilai data untuk titik besar pada titik-titik yang lebih dekat
diperkirakan dari fungsi. sehingga menghasilkan permukaan
yang lebih detil. Pengaruh yang lebih
Inverse Distance Weighted (IDW)
kecil dengan bertambahnya jarak
Metode Inverse Distance Weighted dimana permukaan yang dihasilkan
(IDW) merupakan metode kurang detil dan terlihat lebih halus.
deterministik yang sederhana dengan Nilai power diperbesar berarti nilai
mempertimbangkan titik disekitarnya keluaran (output) sel menjadi lebih
(NCGIA, 1997). Asumsi dari metode terlokalisasi dan memiliki nilai rata-
ini adalah nilai interpolasi akan lebih rata yang rendah. Penurunan nilai
mirip pada data sampel yang dekat power akan memberikan keluaran
daripada yang lebih jauh. Bobot dengan rata-rata yang yang lebih besar
(weight) akan berubah secara linear karena akan memberikan pengaruh
sesuai dengan jaraknya dengan data untuk area yang lebih luas sehingga
sampel. Bobot ini tidak akan permukaan yang dihasilkan akan lebih
dipengaruhi oleh letak dari data halus. Bobot yang digunakan untuk
sampel. rata-rata adalah fungsi jarak antara titik
Metode ini memberi bobot lebih sampel dan titik yang di interpolasi
tinggi pada sel yang terdekat dengan (Philip dan Watson, 1982).
titik data dibandingkan sel yang lebih Kelebihan dari metode IDW adalah
jauh. Titik-titik pada radius tertentu karakteristik interpolasi dapat dikontrol
dapat digunakan dalam menentukan dengan membatasi titik-titik masukan
nilai luaran untuk tiap lokasi. Metode yang digunakan dalam proses
IDW umumnya dipengaruhi oleh invers interpolasi. Titik-titik yang terletak
jarak yang diperoleh dari persamaan jauh dari titik sampel dan yang
matematika. Pada metode interpolasi diperkirakan memiliki korelasi spasial
ini dapat menyesuaikan pengaruh dapat dihapus dari perhitungan. Titik-
relatif dari titik sampel. Nilai power titik yang digunakan dapat ditentukan
langsung, atau ditentukan berdasarkan sistem koordinat UTM dengan datum
jarak yang ingin di interpolasi. WGS 1984.
Praktikum ini menggunakan
perangkat lunak ArcGIS, adapun
langkah-langkah praktikum ini sebagai
berikut :
1. Buka perangkat lunak ArcGIS. Klik
pilih add data dan memilih data
masukan yaitu, titik bor kadar Fe.shp
dan administrasi.shp
2. Pada Table of Contents akan
Kelemahan dari interpolasi IDW adalah
tertampil dua buah data shapefile.
tidak dapat mengestimasi nilai di atas
Kemudian pada lembar kerja akan
nilai maksimum dan dibawah nilai
tertampil seperti gambar berikut:
minimum dari titik-titik sampel
3. Sebelum melakukan analisis
(Pramono, 2008).
geostatistik, terlebih dahulu
METODOLOGI mengaktifkan extensions:
Geostatistical Analyst dengan cara,
Alat yang digunakan dalam
pada main menu pilih Costumize –
praktikum ini adalah satu unit laptop /
Extensions. Centang pada
notebook dan perangkat lunak ArcGIS.
Geostatistical Analyst.
Data atau bahan yang digunakan dalam
praktikum ini meliputi : Data bor
pengambilan sampel untuk penetuan
kandungan Fe pada lapisan limonit
daerah X Provinsi Sulawesi Selatan.
Data shp (Shapefile) yang meliputi
Batas administratif daerah X Provinsi
Sulawesi Selatan dalam bentuk format
.shp (Shapefile). Data yang digunakan
dalam praktikum ini menggunakan
4. Kemudian aktifkan menu Toolbar: Minimum neighbors : 10 Sector
Geostatistical Analyst, dengan cara klik Type : 1 sector
kanan sembarang pada daerah menu- Angle : 0
menu utama lalu pilih Geostatistical -Predicted Value dan Weights :
Analyst. default
5. Pada toolbar Geostatistical Analyst
pilih Geostatistical Wizard. Pada kotak
dialog Geostatistical Wizard, pada
tahap pertama dalam metode Inverse
Distance Weighting pilih source data
setnya shapfile titik bor, kemudian
pada Data Field pilih kadar Fe. Setelah
itu next. Lalu akan muncul pop up
Handling Coincidental Samples, pilih
Use Mean kemudian ok. 7. Tahap ketiga akan muncul kotak
dialog Cross Validation, langkah ini
lewati saja pilih finish. Kemudian
akan muncul kotak dialog Method
Report

6. Tahap kedua, yaitu Method

Properties, terdapat beberapa
parameter, yaitu:
- General Properties, Power : 2
- Search Neighborhood
Neighborhood Type : Standard
Maximum neighbors : 15
 10. Pilih classify, kemudian atur
interval kelas menjadi lebih sederhana
dengan dua angka dibelakang koma.

8. Pada lembar kerja akan muncul

hasil dari interpolasi, sebagai berikut:
120°12'10"E 120°12'20"E 120°12'30"E 120°12'40"E 120°12'50"E

!( !( !( !( !(
2°28'30"S

2°28'30"S

!( !( !( !( !(
2°28'40"S

2°28'40"S

!( !( !( !( !(
2°28'50"S

2°28'50"S

!( !( !( !( !(

11. Selanjutnya melakukan layouting.

2°29'0"S

2°29'0"S

!( !( !( !( !(

!( !( !( !( !(
120°12'10"E 120°12'20"E 120°12'30"E 120°12'40"E 120°12'50"E

HASIL DAN PEMBAHSAN

9. Kemudian, melakukan editing Adapun hasil yang diperoleh dalam

terhadap hasil interpolasi, pada table of praktikum ini berupa peta penyebaran
contents klik kanan pada layer hasil kadar Fe lapisan limonit daerah X
output dari proses interpolasi – pilih Provinsi Sulawesi Selatan.
properties. Pada tab symbology pilih
Filled Contours.
 Histogram
Transformation: None
Frequency Count : 30 Skewness : 0,26152
6 Min : 2,77 Kurtosis : 1,4868
Max : 10,91 1-st Quartile : 3,8
Mean : 6,244 Median : 5,31
4,8
Std. Dev. : 2,6927 3-rd Quartile : 9,01

3,6

2,4

1,2

0
0,28 0,36 0,44 0,52 0,6 0,68 0,77 0,85 0,93 1,01 1,09
-1
Data 10

Data Source: Fe$ Events Attribute: Kadar Asli

Gambar histogram penyebaran kadar Fe

lapisan limonit daerah X provinsi sulawesi
selatan.
Normal QQPlot
Transformation: None
-1
Data's Quantile 10
1,09

Pada peta penyebaran kadar Fe 0,93

0,77

lapisan limonit, Histogram 0,6

0,44

menampilkan distribusi frekuensi data 0,28

-2,13 -1,7 -1,28 -0,85 -0,43 0
Standard Normal Value
0,43 0,85 1,28 1,7 2,13

Data Source: Fe$ Events Attribute: Kadar Asli

dan menghitung nilai statistik utama. Gambar normal QQplot penyebaran kadar
Fe lapisan limonit daerah X provinsi sulawesi
Distribusi Frekuensi (Frequency selatan.
Distribution) adalah diagram batang
Data diatas menunjukkan
yang menunjukkan seberapa sering
perbandingan harga standar normal
suatu nilai data terjadi (frekuensi)
Value dengan Dataset. Semakin besar
untuk interval atau klas tertentu.
harga standar normal value maka
dari suatu seri-data yang
semakin besar pula nilai Dataset.
menggambarkan distribusi: lokasi Voronoi Map
Type: Simple

(location), penyebaran (spread) dan 2,77 : 3,174

3,174 : 4,0037
4,0037 : 5,7075
5,7075 : 9,2062
9,2062 : 10,91

bentuk (shape). Distribusi lokasi

menggambarkan pusat dan arah Data Source: Fe$ Events Attribute: Kadar Asli

distribusi, yang digambarkan oleh nilai Gambar normal Voronoi Map penyebaran
rerata (mean) dan median. Mean kadar Fe lapisan limonit daerah X provinsi
sulawesi selatan.
menggambarkan pusat distribusi.
Gambar diatas menjelaskan sebaran
Median menunjukkan nilai tengah,
kadar Fe lapisan limonit daerah X
dimana: 50% nilai berada di bawah
provinsi sulawesi selatan, dimana pada
median dan 50% berada di atas median.
titik bor dengan warna cokelat tua
Dari data histogram menunjukkan
menandakan kadar Fe Limonit yang
kadar Fe lapisan limonit minimum
melimpah yaitu 9,2052 : 10,91.
yaitu 2,77 dan maksimum 10,91
Sebaliknya titik bor dengan warna
dengan frekuensi mencapai 6
cokelat paling muda menandakan kadar Information System. London (UK) :
Fe Limonit yang sedikit yaitu 2,77 : Oxford University Press Inc.
Demers and Michael N. 2000.
3,14.
Fundamentals of Geographic
Semivariogram/Covariance Cloud

g 10
-1

0,55
Information System Second Edition.
0 0,17 0,35 0,52 0,69 0,87 1,04 1,22 1,39

12,28
12,28
12,28
Distance, h 10
2

New York(US) : Jhon Wiley and

10,4
10,4
8,529
8,529
8,529
6,654
6,654
6,654
Sons.
4,779
4,779
4,779
2,905
2,905
2,905
1,03
1,03
Notosiswoy,S., 2000, Teknik
Data Source: Fe$ Events Attribute: Kadar Asli
Eksplorasi , Jurusan Teknik
Gambar Semivoriogram penyebaran kadar Petambangan, Fakultas Ilmu
Fe lapisan limonit daerah X provinsi sulawesi
selatan. Kebumian Dan Teknologi Mineral
ITB, Bandung
Data semivoriogram menunjukkan S. Zhou, Y. Zhou, M. Wang, X. Xin,
kadar Fe limonit pada tiap titik bor and F. Chen, "Thickness, porosity,
and permiability prediction :
dimana warna merah menandakan
comparative studies and aplication of the
wilayah yang kaya akan Fe Limonit geostatistical modeling in an oil field,"
Environmental system research, 2007.
dan warna biru menandakan wilayah
Watson DF & Philip GM. 1982. A
yang sedikit kadar Fe limonitnya. Refinement of Inverse Distance
Weighted Interpolation. J Geo
KESIMPULAN Processing. Vol 2: 315-327

Dari hasil pengolahan data dapat

diketahui penyebaran kadar Fe lapisan
Limonit daerah X provinsi sulawesi
selatan dengan melakukan analisis dan
pengolahan data menggunakan metode
Inverse Distance Weighting dengan
melihat perbandingan warna pada peta
penyebaran .

DAFTAR PUSTAKA

Armstrong,M, (1998). Basic Linear

Geosta- tistics. Springer-Verlag
Berlin Heidelberg. New York
Burrough PA and McDonnell RA.
1998. Principles Of Geographical
LAMPIRAN ;

Tabel Data bor dan kadar Fe Limonit Daerah X Provinsi Sulawesi Selatan

Kadar
No. X Y Material
Fe
1 120,2028 -2,4722 3,43 Limonit

2 120,2028 -2,4750 2,99 Limonit

3 120,2028 -2,4778 3,43 Limonit

4 120,2056 -2,4778 10,01 Limonit

5 120,2083 -2,4778 9,63 Limonit

6 120,2111 -2,4778 3,01 Limonit

7 120,2139 -2,4778 7,97 Limonit

8 120,2139 -2,4806 9,32 Limonit

9 120,2111 -2,4806 7,91 Limonit

10 120,2083 -2,4806 5,63 Limonit

11 120,2056 -2,4806 7,99 Limonit

12 120,2056 -2,4722 4,49 Limonit

13 120,2028 -2,4806 3,80 Limonit

14 120,2028 -2,4833 3,59 Limonit

15 120,2056 -2,4833 4,01 Limonit

16 120,2083 -2,4833 2,77 Limonit

17 120,2111 -2,4833 4,79 Limonit

18 120,2139 -2,4833 4,07 Limonit

19 120,2139 -2,4861 6,78 Limonit

20 120,2111 -2,4861 4,61 Limonit

21 120,2083 -2,4861 3,69 Limonit

22 120,2056 -2,4861 3,80 Limonit

23 120,2083 -2,4722 4,99 Limonit

24 120,2028 -2,4861 6,87 Limonit

25 120,2111 -2,4722 9,01 Limonit

26 120,2139 -2,4722 8,63 Limonit

27 120,2139 -2,4750 9,51 Limonit

28 120,2111 -2,4750 10,91 Limonit

29 120,2083 -2,4750 9,97 Limonit

30 120,2056 -2,4750 9,71 Limonit