] [ ] [ ]
Formula tersebut dapat disederhanakan menjadi:
Berdasarakan formula yang disederhanakan diperoleh nilai X yaitu:
Pada penelitian ini, dilakukan pengujian parameter yang telah diperoleh pada similarity transformation. Parameter yang telah diperoleh pada data latih akan digunakan pada data latih dan data uji untuk menentukan hasil transformasi dan nilai MSE dari data latih dan data uji. Nilai MSE yang diperoleh akan digunakan sebagai tingkat kesalahan pada
similarity transformation. Rumus perhitungan MSE dapat dilihat sebagai berikut:
∑
dengan n jumlah titik, T nilai aktual, dan
F nilai prediksi.
Analisis Hasil
Pada tahap ini, dilakukan analisis hasil dengan cara melakukan perbandingan antara hasil yang diperoleh dengan metode similarity
transformation dan JSTPBR. Kinerja JSTPBR dikatakan baik ketika nilai MSE yang diperoleh lebih kecil dari metode similarity transformation dan mendekati 0.
HASIL DAN PEMBAHASAN
Karakteristik Data
Data koordinat yang digunakan merupakan titik sekutu daerah Jawa bagian barat dengan jumlah data awal sebanyak 177 data. Data awal dapat dilihat pada Lampiran 2.
Pada percobaan ini, dilakukan perhitungan nilai MSE pada data awal dan data yang telah dipilih (screening) untuk mengetahui kondisi yang memiliki kinerja yang baik. Data awal memiliki nilai standar deviasi , standar deviasi , rata-rata , dan rata-rata yang dapat dilihat pada Tabel 2.
Tabel 2 Hasil pengolahan data awal
Keterangan Nilai
Standar deviasi 25.20
Standar deviasi 9.39
Rata-rata 182.22
Rata-rata 44.29
Berdasarkan Tabel 2, dapat diketahui penyebaran atau variasi dari data awal. Plot data awal dapat dilihat pada Gambar 6.
Gambar 6 Plot data awal.
Data awal ini dibagi menjadi data latih dan data uji untuk mengetahui kinerja dari metode
similarity transformation dan JSTPBR. Nilai MSE merupakan cara untuk mengetahui kinerja kedua metode tersebut. Tabel 3 merupakan nilai MSE data awal.
92.4 92.5 92.6 92.7 92.8 92.9 93.0 93.1 93.2 93.3 93.4 93.5 5.5 6.5 7.5 8.5 9.5 Y x 105 X x 105
8
Tabel 3 Nilai MSE data awal
Metode Data latih Data uji
Similarity 128.81 55.59
JSTPBR 125.59 57.00
Berdasarkan Tabel 3, diketahui bahwa nilai MSE yang diperoleh sangat besar. Nilai MSE yang diperoleh menggambarkan kinerja dari sistem tersebut. Oleh karena itu, perlu dilakukan pemilihan pada data. Pemilihan data dilakukan menggunakan distribusi
Gaussian. Terdapat 132 data yang diperoleh setelah pemilihan (screening) pertama yang memiliki nilai standar deviasi , standar deviasi , rata-rata , dan rata-rata yang dapat dilihat pada Tabel 4. Data screening
pertama dapat dilihat pada Lampiran 3. Tabel 4 Hasil pengolahan data screening
pertama Keterangan Nilai Standar deviasi 4.47 Standar deviasi 3.46 Rata-rata 191.43 Rata-rata 43.55
Berdasarkan Tabel 4, dapat diketahui penyebaran atau variasi dari data screening
pertama. Plot data screening kedua dapat dilihat pada Gambar 7.
Gambar 7 Plot data screening pertama. Data screening pertama ini dibagi menjadi data latih dan data uji untuk mengetahui kinerja dari metode similarity transformation
dan JSTPBR. Nilai MSE merupakan cara untuk mengetahui kinerja kedua metode tersebut. Tabel 5 merupakan nilai MSE data
screening pertama.
Tabel 5 Nilai MSE data screening pertama
Metode Data latih Data uji
Similarity 55.33 12.17
JSTPBR 54.35 11.34
Berdasarkan Tabel 5, diketahui bahwa nilai MSE yang diperoleh lebih baik dibandingkan data awal, tetapi nilai MSE ini masih cukup besar. Oleh karena itu, perlu dilakukan pemilihan ulang pada data
screening pertama. Terdapat 75 data yang diperoleh setelah pemilihan ulang pada data
screening pertama dengan nilai standar deviasi , standar deviasi , rata-rata , dan rata-rata yang dapat dilihat pada Tabel 6. Data screening kedua dapat dilihat pada Lampiran 4.
Tabel 6 Hasil pengolahan data screening
kedua Keterangan Nilai Standar deviasi 2.25 Standar deviasi 1.41 Rata-rata 191.22 Rata-rata 43.80
Berdasarkan Tabel 6, dapat diketahui penyebaran atau variasi dari data screening
kedua. Plot data screening kedua dapat dilihat pada Gambar 8.
Gambar 8 Plot data screening kedua. Data screening kedua ini dibagi menjadi data latih dan data uji untuk mengetahui kinerja dari metode similarity transformation
dan JSTPBR. Nilai MSE merupakan cara untuk mengetahui kinerja kedua metode tersebut. Tabel 7 merupakan nilai MSE data
screening kedua. 92.4 92.5 92.6 92.7 92.8 92.9 93.0 93.1 93.2 93.3 93.4 5.5 6.5 7.5 8.5 9.5 X Y x 105 x105 92.4 92.5 92.6 92.7 92.8 92.9 93.0 93.1 93.2 93.3 93.4 5.5 6.5 7.5 8.5 9.5 Y x 105 X x105
9
Tabel 7 Nilai MSE data screening kedua
Metode Data latih Data uji
Similarity 2.38 2.62
JSTPBR 2.15 2.44
Berdasarkan Tabel 7, diketahui bahwa nilai MSE yang diperoleh lebih baik dibandingkan data awal dan data screening
pertama, tetapi nilai MSE ini masih belum cukup baik. Oleh karena itu, perlu dilakukan pemilihan ulang pada data screening kedua. Terdapat 32 data yang diperoleh setelah pemilihan ulang pada data screening kedua dengan nilai standar deviasi , standar deviasi , rata-rata , dan rata-rata yang dapat dilihat pada Tabel 8 dan plot data dapat dilihat pada Gambar 9. Data screening ketiga dapat dilihat pada Lampiran 5.
Tabel 8 Hasil pengolahan data screening
ketiga Keterangan Nilai Standar deviasi 1.03 Standar deviasi 1.97 Rata-rata 191.87 Rata-rata 43.97
Berdasarkan Tabel 8, dapat diketahui penyebaran atau variasi dari data screening
ketiga. Plot data screening ketiga dapat dilihat pada Gambar 9.
Gambar 9 Plot data screening ketiga. Data screening ketiga ini dibagi menjadi data latih dan data uji untuk mengetahui kinerja dari metode similarity transformation
dan JSTPBR. Kinerja dari kedua metode tersebut dapat diketahui dengan menghitung nilai MSE. Tabel 9 merupakan nilai MSE data
screening ketiga.
Tabel 9 Nilai MSE data screening ketiga
Metode Data latih Data uji
Similarity 0.58 0.57
JSTPBR 0.56 0.59
Berdasarkan Tabel 9, diketahui bahwa nilai MSE yang diperoleh lebih baik dibandingkan data awal, data screening
pertama, dan data screening kedua. Oleh karena itu, tidak perlu dilakukan pemilihan ulang pada data screening ketiga.
Berdasarkan beberapa kali pemililihan data (screening), diperoleh hubungan antara standar deviasi dan dengan nilai MSE. Hal ini dapat dilihat dengan semakin kecil standar deviasi dan , semakin kecil pula nilai MSE yang diperoleh. Oleh karena itu, diketahui bahwa data yang memenuhi syarat untuk ditransformasi merupakan data dengan standar deviasi dan ≤ 2. Batas standar deviasi data yang diperoleh akan digunakan dalam sistem pada tahapan pemilihan data. Alur pemilihan data yang digunakan oleh sistem dapat dilihat pada Gambar 10.
Gambar 10 Alur pemilihan data. Pada penelitian ini, data yang digunakan adalah data screening kedua dan firlter ketiga. Berdasarkan hasil yang didapatkan pada data
screening kedua dan screening ketiga, nilai MSE sangat tidak seimbang. Hal ini dapat terjadi karena pemilihan data dan pembuangan pencilan. Pemilihan data juga dipengaruhi oleh rentang nilai dan . Perbandingan rentang nilai dan pada data screening kedua dan screening ketiga dapat dilihat pada Gambar 11 dan Gambar 12. 92.6 92.7 92.8 92.9 93.0 93.1 93.2 93.3 93.4 5.5 6.5 7.5 8.5 X x105 Y x 105 Hitung , , ̅̅̅̅, ̅̅̅̅, stdev , stdev Selesai Data Buang pencilan stdev & stdev ≤ 2 ya tidak
10
Gambar 11 Rentang nilai dan pada data screening kedua.
Berdasarkan Gambar 11, dapat diketahui bahwa rentang nilai berada antara 186-196, sedangkan rentang nilai berada antara 39-47. Hal ini menghasilkan rata-rata 191.22, rata-rata 43.80, standar deviasi 2.25, dan standar deviasi 1.42.
Gambar 12 Rentang nilai dan pada data screening ketiga.
Berdasarkan Gambar 12, dapat diketahui bahwa rentang nilai berada antara 188-194, sedangkan rentang nilai berada antara 41-45. Hal ini menghasilkan rata-rata 191.87, rata-rata 43.97, standar deviasi 1.03, dan standar deviasi 0.68. Oleh karena itu, standar deviasi dan yang diperoleh pada data screening kedua dan screening
ketiga dapat mempengaruhi nilai MSE. Semakin kecil standar deviasi suatu data, kemungkinan terdapatnya kesalahan semakin kecil pula.
Menentukan Hidden Neuron JST yang Optimal
Pada penelitian ini, dilakukan percobaan kombinasi perubahan hidden neuron JSTPBR.
Hidden neuron optimal yang diperoleh pada percobaan akan digunakan untuk percobaan berikutnya sehingga akan diperoleh model JST yang baik dan maksimal. Percobaan dilakukan dengan jumlah hidden neuron 1, 2, 5, dan 10 dengan masing-masing dilakukan 5 kali pengulangan. Data yang digunakan untuk menentukan jumlah hidden neuron yang optimal adalah data screening ketiga. Berdasarkan percobaan jumlah hidden neuron yang optimal adalah 2 dengan MSE data uji 0.56 dan MSE data latih 0.59.
Menentukan Nilai Parameter pada
Similarity Ttransformation
Pada penelitian ini, ditentukan terlebih dahulu 4 parameter yang memengaruhi transformasi pada data latih, yaitu parameter skala K, rotasi , translasi ∆x0, dan translasi ∆y0. Parameter yang diperoleh digunakan untuk pengujian parameter pada data latih dan data uji dengan menentukan nilai MSE masing-masingnya. Parameter dan nilai MSE dari data uji pada data screening ketiga yang diambil 5 dari 25 kali percobaan yang dapat dilihat pada Tabel 10.
Tabel 10 Nilai parameter dan nilai MSE dari data latih dan data uji menggunakan similarity transformation Data a b Tx Ty MSE data uji 1 1.00 1.08E-05 275.04 -255.05 0.57 2 1.00 1.14E-05 280.25 -260.95 0.76 3 1.00 6.46E-06 237.64 -214.84 0.39 4 1.00 2.26E-06 198.99 -209.37 0.46 5 1.00 6.34E-06 233.91 -247.71 0.48
dengan a = K cos , b = K sin , ∆x0 = Txdan ∆y0 = Ty.
Berdasarkan Tabel 10, diketahui bahwa nilai pada setiap data sama. Nilai MSE yang diperoleh berbanding lurus dengan nilai Tx dan berbanding terbalik dengan Ty, ketika nilai MSE yang diperoleh baik maka nilai Tx semakin kecil dan Ty semakin besar.
Perbandingan Nilai MSE Similarity
Transformation dan JSTPBR Data
Screening Kedua
Pada penelitian ini, dilakukan perhitungan nilai MSE pada data screening kedua. Perhitungan dilakukan dengan cara mengambil data secara acak masing-masing 35 37 39 41 43 45 47 49 186 188 190 192 194 196 ∆y ∆x 35 37 39 41 43 45 47 49 184 189 194 199 ∆x ∆y
11
sebanyak 25 kali. Nilai MSE diperoleh menggunakan JSTPBR dan similarity transformation. Perbandingan nilai MSE
similarity transformation dan JSTPBR dapat dilihat pada Gambar 13 dan Gambar 14. Data nilai MSE pada data screening kedua dapat dilihat pada Lampiran 6.
Berdasarkan Gambar 13 dan Gambar 14, diketahui bahwa MSE yang dihasilkan oleh data screening kedua tidak stabil. Nilai MSE tidak stabil karena ketika MSE data latih kecil
maka MSE data uji akan sangat besar. Hal ini tidak hanya terjadi pada JSTPBR, tetapi juga pada similarity transformation.
Berdasarkan Gambar 13, dapat dilihat bahwa nilai MSE data latih yang diperoleh dari similarity transformation dan JSTPBR telah mendekati pada masing-masing data yang diacak. Namun, nilai MSE yang dihasilkan tidak stabil karena pada jumlah data yang sama perbedaan nilai MSE yang diperoleh masing-masing berbeda.
Gambar 13 Perbandingan nilai MSE data latih menggunakan similarity transformation dan JST pada data screening kedua.
Gambar 14 Perbandingan nilai MSE data uji menggunakan similarity transformation dan JST pada data screening kedua.
0.00 0.50 1.00 1.50 2.00 2.50 3.00 3.50 4.00
JST Data latih Similarity Data latih
Pengacakan Data Nilai MSE 0.00 0.50 1.00 1.50 2.00 2.50 3.00 3.50 4.00
JST Data uji Similarity Data uji Pengacakan Data
Nilai
12 Sama halnya dengan nilai MSE yang
diperoleh pada data latih yang terlihat pada Gambar 14, nilai MSE yang dihasilkan pada data uji juga tidak stabil atau tidak membentuk pola. Hal ini disebabkan oleh standar deviasi dan yang cukup besar yaitu 2.25 dan 1.42.
Perbandingan Nilai MSE Similarity
Transformation dan JSTPBR Data
Screening Ketiga
Pada penelitian ini, juga dilakukan perhitungan nilai MSE pada data screening
ketiga. Perhitungan dilakukan dengan cara mengambil data secara acak masing-masing sebanyak 25 kali. Nilai MSE diperoleh dengan menggunakan JSTPBR dan similarity transformation. Perbandingan nilai MSE
similarity transformation dan JSTPBR untuk data latih data data uji pada data screening
ketiga dapat dilihat pada Gambar 15 dan Gambar 16. Nilai MSE pada data screening
ketiga dapat dilihat pada Lampiran 7.
Berdasarkan Gambar 15 dan Gambar 16, diketahui bahwa MSE yang dihasilkan oleh data screening ketiga stabil. Nilai MSE dikatakan stabil karena MSE data latih dan data uji mendekati sama. Hal ini tidak hanya terjadi pada JSTPBR, tetapi juga pada
similarity transformation menghasilkan nilai yang serupa.
Berdasarkan Gambar 15, dapat dilihat bahwa nilai MSE data latih yang diperoleh dari similarity transformation dan JSTPBR
telah mendekati pada masing-masing data yang diacak. Nilai MSE yang dihasilkan stabil karena pada jumlah data yang sama perbedaan nilai MSE yang diperoleh tidak jauh berbeda.
Sesuai dengan nilai MSE yang dihasilkan pada data latih, nilai MSE pada data uji yang ada pada Gambar 16 cenderung stabil. Hal ini disebabkan pola data yang digunakan memiliki standar deviasi dan yang cukup baik yaitu 1.03 dan 0.68.
Nilai MSE yang diperoleh pada data
screening ketiga menggunakan similarity transformation lebih baik dibandingkan menggunakan JSTPBR. Hal ini sama dengan penelitian yang dilakukan oleh Zaletnyik (2004), bahwa JST propagasi balik lebih efektif digunakan pada jumlah data yang lebih besar. Selain itu, penggunaan JST propagasi balik harus lebih baik, karena JST bekerja berdasarkan pola yang terbentuk pada input.
Hasil percobaan ini juga sama halnya dengan penelitian yang dilakukan oleh Lao dan Yi (2006). Penelitian tersebut menyatakan bahwa kinerja transformasi koordinat menggunakan jaringan syaraf tiruan propagasi balik akan lebih baik hasilnya dibandingkan
similarity transformation 4-parameter dan 6-parameter ketika data yang digunakan berjumlah banyak. Pada penelitian tersebut, yang merupakan parameter kebaikan dari kinerja transformasi adalah nilai dari standar deviasi ∆x dan standar deviasi ∆y.
Gambar 15 Perbandingan nilai MSE data latih menggunakan similarity transformation dan JST pada data screening ketiga.
0.00 0.50 1.00 1.50 2.00
JST Data latih Similarity Data latih
Ni la i MS E Pengacakan Data
13
Gambar 16 Perbandingan nilai MSE data uji menggunakan similarity transformation dan JST pada data screening ketiga.
Berdasarkan percobaan ini, diketahui bahwa untuk data dengan jumlah yang sedikit dapat diselesaikan secara langsung menggunakan metode tradisional (similarity transformation). Namun, untuk jumlah data yang besar lebih baik menggunakan JSTPBR karena akan menghemat waktu dan memperoleh hasil yang lebih baik dibandingkan menggunakan similarity transformation.
Nilai MSE pada Pemilihan Data dengan Pencilan > 1.96 x Standar Deviasi
Berdasarkan kurva sebaran normal atau baku, untuk menghilangkan data sebesar 2.5% dari data terbesar dan 2.5% data terkecil maka digunakan nilai z sebesar 1.96 (Walpole 1995). Oleh karena itu, proses pemilihan pencilan dapat dilakukan dengan cara sebagai berikut:
| ̅̅̅̅| | ̅̅̅̅| dengan = standar deviasi ,
= standar deviasi , ̅̅̅̅ = rata-rata dari , ̅̅̅̅ = rata-rata dari , | |, | |.
Pemilihan data dilakukan sebanyak tiga kali. Masing-masing hasil pemilihan data memiliki jumlah data, standar deviasi , standar deviasi , rata-rata , dan rata-rata yang dapat dilihat pada Tabel 11.
Tabel 11 Hasil pengolahan data dengan pencilan > 1.96 x standar deviasi Keterangan Screening pertama Screening kedua Screening ketiga Standar deviasi 12.12 8.43 5.69 Standar deviasi 9.54 6.95 5.80 Rata-rata 191.68 191.33 191.17 Rata-rata 43.05 43.33 43.47 Jumlah data 148.00 132.00 112.00
Pada penelitian ini, dilakukan perhitungan nilai MSE pada data screening ketiga. Perhitungan dilakukan dengan cara mengambil data secara acak masing-masing sebanyak 25 kali. Nilai MSE diperoleh dengan menggunakan JSTPBR dan similarity transformation. Perbandingan nilai MSE
similarity transformation dan JSTPBR dapat dilihat pada Gambar 17 dan Gambar 18. Data
screening ketiga dengan pencilan > 1.96 x standar deviasi dan nilai MSE pada data akhir terdapat pada Lampiran 8 dan Lampiran 9. 0.00
0.50 1.00 1.50 2.00
JST Data uji Similarity Data uji
Pengacakan Data
Nilai
14
Gambar 17 Nilai MSE data latih pada data screening ketiga dengan pencilan > 1.96 x standar deviasi
Gambar 18 Nilai MSE data uji pada data screening ketiga dengan pencilan > 1.96 x standar deviasi
Berdasarkan Gambar 17 dan Gambar 18 diketahui bahwa MSE yang dihasilkan tidak stabil. Nilai MSE tidak stabil karena ketika MSE data latih kecil maka MSE data uji akan sangat besar. Hal ini tidak hanya terjadi pada JSTPBR, tetapi juga pada similarity transformation.
Berdasarkan Gambar 17, dapat dilihat bahwa nilai MSE data latih yang diperoleh dari similarity transformation dan JSTPBR telah mendekati pada masing-masing data yang diacak. Namun, nilai MSE yang dihasilkan tidak stabil atau tidak membentuk
pola karena pada jumlah data yang sama perbedaan nilai MSE yang diperoleh masing-masing berbeda. Sama halnya dengan MSE yang diperoleh pada data latih, terlihat pada Gambar 18 MSE yang dihasilkan pada data uji juga tidak stabil.
Perbandingan Nilai MSE Data Screening Ketiga dengan Pencilan > 1 x Standar Deviasi dan Pencilan > 1.96 x Standar Deviasi
Berdasarkan Gambar 16 dan Gambar 18, diketahui bahwa nilai MSE untuk data
screening ketiga dengan pencilan > 1 x 0.00 10.00 20.00 30.00 40.00 50.00 60.00
JST Data latih Similarity Data latih
Nilai MSE Pengacakan Data 0.00 20.00 40.00 60.00 80.00 100.00 120.00
JST Data uji Similarity Data uji
Pengacakan Data
Nilai
15
standar deviasi lebih baik dibandingkan dengan pencilan > 1.96 x standar deviasi. Hal ini dapat dilihat dari jumlah data, standar deviasi , standar deviasi , rata-rata , rata-rata , rata-rata nilai MSE JST, dan rata-rata nilai MSE similarity pada Tabel 12. Tabel 12 Hasil pengolahan data screening
ketiga dengan pencilan > 1 x standar deviasi dan pencilan > 1.96 x standar deviasi Keterangan Screening ketiga dengan pencilan > 1 x standar deviasi Screening ketiga dengan pencilan > 1.96 x standar deviasi Standar deviasi 1.75 12.12 Standar deviasi 1.27 9.54 Rata-rata 191.61 191.68 Rata-rata 43.86 43.05 Jumlah data 32.00 112.00 Rata-rata MSE JSTPBR 0.59 42.89 Rata-rata MSE similarity 0.57 43.98
Berdasarkan Tabel 12, diketahui bahwa data yang diperoleh dengan pencilan > 1 x standar deviasi lebih sedikit dibandingkan dengan pencilan > 1.96 x standar deviasi. Hal ini terjadi karena data dengan pencilan > 1 x standar deviasi data yang dihilangkan sebesar 16% dari data terbesar dan 16 dari data terkecil sehingga data yang digunakan hanya 68%.
Pada data screening ketiga dengan pencilan > 1.96 x standar deviasi masih terdapat beberapa pencilan. Pencilan yang masih terdapat pada data screening ketiga dengan pencilan > 1.96 x standar deviasi dapat dieliminasi pada data screening ketiga dengan pencilan > 1 x standar deviasi.
KESIMPULAN DAN SARAN
Kesimpulan
Berdasarkan hasil yang diperoleh dari percobaan pada kedua model data, dapat disimpulkan bahwa transformasi data koordinat dari datum Genuk menjadi WGS-84 menggunakan jaringan syaraf tiruan propagasi balik resilient (JSTPBR) memberikan kinerja yang baik untuk transformasi data koordinat
daerah Jawa bagian. Nilai MSE yang baik dihasilkan pada screening ketiga dengan rata-rata MSE data uji JSTPBR0.59 dan similarity transformation 0.56. Algoritme JSTPBR lebih efektif digunakan pada jumlah data yang lebih besar dibandingkan similarity transformation. Nilai MSE untuk data screening ketiga dengan pencilan lebih dari satu kali standar deviasi lebih baik dibandingkan dengan pencilan 1.96 kali standar deviasi. Nilai rata-rata MSE yang diperoleh pada data screening
ketiga dengan pencilan lebih dari 1.96 kali standar deviasi untuk data uji JSTPBR adalah 36.09 dan similarity transformation adalah 36.29.
Saran
Penelitian ini masih dapat dikembangkan untuk menciptakan sistem baru yang lebih baik. Saran-saran bagi penelitian lebih lanjut antara lain:
1 Sebaiknya menggunakan data yang lebih banyak sehingga jika dilakukan screening
masih tersedia banyak data.
2 Percobaan dilakukan dengan menggunakan metode pemilihan data yang lain seperti selang quartil, t-student dan lain sebagainya.
DAFTAR PUSTAKA
Aji HS, Ristandi E. 2010. Old Wells Repositioning. Di dalam: Facing the Challenges – Building the Capacity. FIG Congress 2010, 11-16 Apr. Sydney. Australia. FS 3C.
Chien SC, Szu LS. 2010. Resilient Back-propagation Neural Network for Approximation 2-D GDOP. Proceedings of the International MultiConference of Engineers and Computer Scientists 2010;
Hong Kong, Vol II, 17-19 Mar 2010. Hong Kong. IMECS. Hlm 900-904.
Fausett L. 1994. Fundamentals of Neural Networks. New Jersey:Prentice-Hall. Felus YA, Burkhard S. 2005. Performing
Similarity Transformations Using The Error in Variable Model. Baltimore: ASPRS 2005 Annual Conference.
Handoko EY, Abidin HZ. 2002. Analisis transformasi datum dari datum Indonesia 1974 ke datum geodesi nasional 1995. 12:3.Bandung. JBPTITBGD. Hlm 20-30.