PERBANDINGAN METODE INTERPOLASI IDW, KRIGING, DAN SPLINE PADA DATA SPASIAL SUHU PERMUKAAN LAUT IHSANUL FAJRI

(1)

PERBANDINGAN METODE INTERPOLASI IDW, KRIGING,

DAN SPLINE PADA DATA SPASIAL SUHU PERMUKAAN

LAUT

IHSANUL FAJRI

DEPARTEMEN ILMU DAN TEKNOLOGI KELAUTAN FAKULTAS PERIKANAN DAN ILMU KELAUTAN

INSTITUT PERTANIAN BOGOR BOGOR

(2)

(3)

PERNYATAAN MENGENAI SKRIPSI DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA

Dengan ini saya menyatakan bahwa skripsi berjudul Perbandingan Metode Interpolasi IDW, KRIGING, dan SPLINE pada Data Spasial Suhu Permukaan Laut adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.

Bogor, November 2016

Ihsanul Fajri NIM C54120072

(4)

(5)

ABSTRAK

IHSANUL FAJRI. Perbandingan Metode Interpolasi IDW, KRIGING, dan SPLINE pada Data Spasial Suhu Permukaan Laut. Dibimbing oleh SETYO BUDI SUSILO dan RISTI ENDRIANI ARHATIN.

Interpolasi adalah suatu metode atau fungsi matematis untuk menduga nilai pada lokasi-lokasi yang datanya tidak tersedia. Penelitian ini dilakukan di Kepulauan Seribu dengan menggunakan data suhu citra NOAA. Penelitian ini bertujuan membandingkan metode interpolasi IDW, kriging, dan spline, sehingga mendapatkan metode interpolasi yang paling akurat dan disesuaikan dengan data suhu uji. Data Citra NOAA diekstraksi menggunakan software Ocean Data View, kemudian difilter menggunakan Microsoft Excel, dan diinterpolasi dengan software ArcGIS. Hasil interpolasi menunjukkan rata-rata nilai suhu dengan menggunakan metode IDW sebesar 30,63, kriging sebesar 30,63, dan spline sebesar 30,63. Standar deviasi metode IDW sebesar 0,4613, standar deviasi metode kriging sebesar 0,4618, dan standar deviasi metode spline sebesar 0,4639. Berdasarkan standar deviasi masing-masing metode, metode IDW merupakan metode yang paling akurat dan mendekati data suhu uji.

Kata kunci: IDW, kriging, spline, interpolasi, suhu NOAA.

ABSTRACT

IHSANUL FAJRI. The Comparison of IDW, KRIGING, and SPLINES Interpolation Method on Sea Surface Temperature Spatial Data. Supervised by SETYO BUDI SUSILO and RISTI ENDRIANI ARHATIN.

Interpolation was a method mathematical function that was applied to predict the values in the areas where the data was not yet available. This research the temperature data was NOAA image. The aim at this research was to get the accurate interpolation data by comparing the IDW, kriging, and spline method. In this research, the NOAA image data was processed by using Ocean Data View software. After that, filtered by using Microsoft excel. And finally, interpolated by using ArcGIS software. The result of the interpolation showed that the mean of temperature test by using IDW method was 30,63 while, for as much as 30,63 by using kriging. And for as much as 0,4639 for spline method. On the based of standart deviation result, it was known that the IDW method was the most accurate method and approach for the temperature test data.

(6)

(7)

PERBANDINGAN METODE INTERPOLASI IDW, KRIGING,

DAN SPLINE PADA DATA SPASIAL SUHU PERMUKAAN

LAUT

IHSANUL FAJRI

Skripsi

sebagai salah satu syarat untuk memperoleh gelar Sarjana Ilmu Kelautan

pada

Departemen Ilmu dan Teknologi Kelautan

DEPARTEMEN ILMU DAN TEKNOLOGI KELAUTAN

FAKULTAS PERIKANAN DAN ILMU KELAUTAN

INSTITUT PERTANIAN BOGOR

BOGOR

(8)

(9)

(10)

(11)

PRAKATA

Puji syukur penulis ucapkan kehadirat Allah SWT berkat Rahmat, Hidayah, dan Karunia-Nya, sehingga penulis dapat menyelesaikan penelitian yang berjudul “PERBANDINGAN METODE INTERPOLASI IDW, KRIGING,

DAN SPLINE PADA DATA SPASIAL SUHU PERMUKAAN LAUT“.

Terima kasih penulis ucapkan kepada Prof Dr Ir Setyo Budi Susilo, MSc dan Risti Endriani Arhatin, SPi, MSi selaku pembimbing. Prof Dr Ir Vincentius P Siregar, DEA selaku penguji dan Dr Ir Johnson L Gaol, MSi selaku dosen Gugus Kendali Mutu. Terima kasih penulis ucapkan kepada Ayahanda Ir Zulkifli, Ibunda Hj Ernawati, SPd, Nurul Iqamah Elza, SE, serta seluruh keluarga, atas segala doa, dukungan, dan kasih sayangnya. Ungkapan terima kasih juga disampaikan kepada teman mahasiswa Ilmu dan Teknologi Kelautan, dan semua pihak yang telah membantu dalam penyelesaian penulisan skripsi ini yang tidak bisa disebutkan satu-persatu.

Kritik dan saran yang membangun sangat diharapkan untuk perbaikan skripsi ini kedepannya. Semoga karya ilmiah ini bermanfaat.

Bogor, November 2016 Ihsanul Fajri

(12)

(13)

DAFTAR ISI

DAFTAR GAMBAR vii

DAFTAR LAMPIRAN vii

PENDAHULUAN 1

Latar Belakang 1

Tujuan 2

METODE 2

Waktu dan Tempat 2

Alat dan Bahan 3

Tahapan Penelitian 3

Pengambilan Data 4

Proses Pengolahan Data 4

Analisis Data 4

HASIL DAN PEMBAHASAN 5

Suhu Perairan Berdasarkan Sebaran Suhu Satelit 5 Hasil Interpolasi dengan Tiga Metode Interpolasi 6

SIMPULAN DAN SARAN 11

Simpulan 11

Saran 11

DAFTAR PUSTAKA 12

(14)

(15)

DAFTAR GAMBAR

1 Peta Kepulauan Seribu 2

2 Diagram alir penelitian 3

3 Peta sebaran suhu satelit di sekitar titik sampel 6

4 Peta sebaran suhu berdasarkan interpolasi IDW 7

5 Grafik suhu interpolasi IDW 7

6 Peta sebaran suhu berdasarkan interpolasi Kriging 8

7 Grafik suhu interpolasi Kriging 9

8 Peta sebaran suhu berdasarkan interpolasi Spline 10

9 Grafik suhu interpolasi Spline 11

DAFTAR LAMPIRAN

1 Perbandingan data suhu uji dengan data hasil interpolasi IDW,

(16)

(17)

1

PENDAHULUAN

Latar Belakang

Interpolasi salah satu bentuk pengolahan data spasial dari Sistem Informasi Geografis (SIG). SIG sangat membantu pekerjaan yang erat kaitannya dengan bidang spasial dan geo-informasi. SIG dapat memberikan gambaran yang lengkap dan komprehensif terhadap suatu masalah nyata terkait spasial permukaan bumi. Pengolahan data spasial memerlukan data studi area yang didapatkan melalui akuisisi data satelit. Salah satu data spasial yang dapat diolah dengan interpolasi adalah Suhu Permukaan Laut (SPL).

Interpolasi adalah suatu metode atau fungsi matematis untuk menduga nilai pada lokasi-lokasi yang datanya tidak tersedia. Interpolasi spasial mengasumsikan bahwa atribut data bersifat kontinu di dalam ruang jarak (space) dan saling berhubungan secara spasial (Anderson 2001). Dalam pemetaan, interpolasi adalah proses estimasi nilai pada wilayah yang tidak disampel atau diukur, sehingga terbuatlah peta atau sebaran nilai pada seluruh wilayah (Gamma Design Software 2005). Setiap metode interpolasi akan memberikan hasil yang berbeda (Pramono 2008). Pemilihan metode yang tepat dalam interpolasi bertujuan untuk mendapatkan dugaan data yang lebih mendekati dengan data suhu uji.

Data spasial dapat diolah dengan beberapa metode interpolasi, namun setiap metode akan menghasilkan hasil yang berbeda, pemilihan metode akan mempengaruhi hasil yang didapatkan. Pemilihan metode interpolasi yang tidak tepat akan memberikan informasi yang kurang tepat, oleh karena itu diperlukan pemilihan metode interpolasi yang tepat supaya informasi yang diberikan sesuai dengan keadaan sebenarnya, untuk memperoleh metode yang tepat perlu adanya suatu penelitian.

Penelitian ini dilakukan untuk mendapatkan dugaan data yang lebih mendekati nilai data uji yang diperoleh dari satelit National Oceanic and Atmospheric Administration (NOAA). Perbandingan metode interpolasi ini sudah dilakukan. Perbandingan metode Interpolasi IDW dan kriging oleh BIG dengan judul akurasi metode IDW dan kriging untuk interpolasi sebaran sedimen tersuspensi, didapatkan hasil metode IDW lebih baik dibandingkan metode kriging. Perbandingan metode Interpolasi trend dan spline telah dijelaskan dalam Pramono (2005). Perbandingan metode Interpolasi IDW dan kriging dalam Pramono (2008), didapatkan metode IDW lebih baik dibandingkan metode kriging dalam interpolasi sedimen tersuspensi. Pemanfaatan SIG dalam pemetaan potensi merbau di areal IUPHHK-HA PT.Wapoga Mutiara Tiber Unit II Papua dalam Hastuti (2013), metode IDW memberikan hasil sedikit lebih baik dibandingkan metode kriging dalam menduga sebaran spasial sediaan dan biomassa tegakan.

Suhu permukaan laut merupakan salah satu parameter oseanografi yang dapat berubah-ubah, suhu permukaan laut dapat diukur secara langsung dengan cara pengukuran insitu, dan juga oleh sensor satelit yang bekerja pada spektrum infra merah termal. Suhu yang berubah-ubah dapat dideteksi oleh satelit lingkungan dan cuaca, seperti NOAA yang memiliki sensor termal band 4 dan band 5. Band tersebut merupakan saluran yang sensitif terhadap perubahan suhu

(18)

2

di laut (Wicaksono et al. 2010). Satelit NOAA menghasilkan data citra yang dapat digunakan untuk mempelajari parameter meteorologi, yang meliputi pembuatan peta awan, penentuan korelasi antara curah hujan dengan jenis awan dan liputan awan, penentuan variasi tahunan liputan awan, serta pembuatan peta suhu dan peramalan cuaca lainnya (Massinai 2005). Satelit NOAA merupakan satelit yang dimiliki oleh Amerika dan mempunyai misi untuk memantau lingkungan dan cuaca di bumi, salah satunya parameter oseanografi seperti suhu. Satelit NOAA membawa lima jenis sensor, salah satu diantaranya ialah sensor Advanced Very High Resolution Radiometer (AVHRR). Satelit NOAA melintasi daerah ekuator pada pukul 14.00 WIB, dengan panjang gelombang 11,50-12,50 µm dan memiliki resolusi 1,09 Km.

Tujuan

Penelitian ini bertujuan membandingkan beberapa metode Interpolasi, yaitu IDW, kriging, dan spline, sehingga mendapatkan metode yang paling mendekati nilai suhu sebenarnya.

METODE

Waktu dan Tempat

Penelitian ini dilakukan di Gugusan Kepulauan Seribu, Jakarta Utara yang terletak pada 5˚ 2’ 29,26 ҆ ҆ LS - 5˚ 57 ҆ 7,38 ҆ ҆ LS 106˚ 5’ 29,57 ҆ ҆ BT - 106˚ 52 ҆ 24,83 ҆ ҆ BT. Penelitian ini terdiri atas dua kegiatan, yakni pengambilan data dan pengolahan data. Kegiatan pengambilan data dilaksanakan pada bulan Januari, akuisisi data dari satelit NOAA yang digunakan pada tanggal 19 Januari 2016. Pengolahan data dilakukan pada bulan Februari-April 2016 di Laboratorium GIS, Departemen Ilmu dan Teknologi Kelautan, Fakultas Perikanan dan Ilmu Kelautan, Institut Pertanian Bogor. Peta penelitian ditampilkan pada Gambar 1.

(19)

3

Alat dan Bahan

Alat yang digunakan pada penelitian ini adalah seperangkat komputer, software ArcGIS, Global Mapper, Ms. Excel,dan Ocean Data View (ODV) 4. Bahan yang digunakan data suhu perairan Kepulauan Seribu, yaitu data SPL hasil akuisisi satelit NOAA 18 pada tanggal 19 Januari 2016, dengan jam perekaman 14.00 WIB.

Tahapan Penelitian

Pengambilan data suhu permukaan laut kepulauan seribu melalui akuisisi data dari satelit NOAA, kemudian data tersebut diolah melalui beberapa tahapan. Urutan tahapan penelitian ditampilkan pada Gambar 2.

Gambar 2 Diagram alir penelitian Mulai

Pengambilan data

Pengolahan data SPL NOAA

Interpolasi IDW Interpolasi Kriging Interpolasi Spline

Perbandingan hasil interpolasi

Uji Akurasi _{Data Uji}

(20)

4

Pengambilan data

Data SPL diperoleh dari satelit NOAA yang diunduh melalui web http://apdrc.soest.hawaii.edu/las/v6/constrain?var=4928 data tersebut dijadikan sebagai data yang di interpolasi dan data uji. Citra NOAA tersebut merupakan citra level 3 sudah dalam bentuk nilai SPL. Citra level 3 merupakan hasil algoritma yang dikembangkan oleh NASA. Algoritma SPL NASA Multi Channel

Sea Surface Temperature (MCSST) yaitu:

Algoritma tersebut menggabungkan setiap band thermal satelit NOAA, yakni band 4 dan band 5 untuk mendapatkan nilai SPL, data citra satelit NOAA dalam derajat celcius.

Proses pengolahan data

Citra yang didapatkan kemudian di ekstrak dengan software Ocean Data View series (ODV) 4. Setelah di ekstrak akan didapatkan data .txt, kemudian data tersebut dipotong menggunakan software Ms.excel agar diperoleh data yang sesuai daerah yang kita inginkan. Proses interpolasi dilakukan dengan software ArcGIS 10.2.2 menggunakan data yang telah di potong sesuai lokasi. Setelah di interpolasi maka data dapat dianalisis.

Analisis data

Setiap metode interpolasi mempunyai analisis statistik yang berbeda-beda dalam menduga titik-titik di sekitar data sampel. Berikut analisis statistik dari masing-masing metode interpolasi.

Metode IDW merupakan metode interpolasi konvesional yang memperhitungkan jarak sebagai bobot. Jarak yang dimaksud disini adalah jarak (datar) dari titik data (sampel) terhadap blok yang akan diestimasi. Jadi semakin dekat jarak antara titik sampel dan blok yang akan diestimasi maka semakin besar bobotnya, begitu juga sebaliknya

=

Keterangan:

Z0 = perkiraan nilai pada titik 0

Zi = apakah nilai z pada titik kontrol i

di = jarak antara titik I dan titik 0

k = konstanta

S = jumlah titik S yang digunakan

Kriging merupakan metode yang umum digunakan untuk menganalisis data geostatistik, bedasarkan data sampel. Data sampel biasanya diambil dari lokasi-lokasi atau titik-titik yang tidak beraturan. Metode ini digunakan untuk

(21)

5

mengestimasi besarnya nilai variabel teregional Ẑ pada titik tidak tersampel berdasarkan informasi titik tersampel Ẑ yang berada di sekitarnya dengan mempertimbangkan korelasi spasial yang ada dalam data tersebut.

didefinisikan sebagai variabel random pada titik .,n.

Estimator kriging Ẑ( ) dari dengan bobot adalah sebagai berikut (Bohling 2005):

Keterangan:

S = lokasi untuk estimasi

Si = salah satu lokasi data yang berdekatan

= nilai ekspetasi dari m(Si) = nilai ekspetasi dari Z(Si)

= pembobot yang menentukan ukuran jarak antar titik n = banyaknya data sampel yang digunakan untuk estimasi

Apabila pada setiap lokasi terdapat estimator error (s) , maka perbedaan antara nilai estimasi dengan nilai didefinisikan sebagai berikut (Alfiana 2010):

-Spline merupakan metode interpolasi yang memiliki kemampuan dalam memprediksi nilai minimum dan maksimum dengan efek stretching data. Persamaan yang digunakan spline adalah dengan menggunakan formula interpolasi permukaan, dengan rumus sebagai berikut:

Keterangan: j = 1,2,… n N = jumlah titik

= koefisien yang ditemukan dari system persamaan linier = jarak antara titik ke titik j

dan didefinisikan secara berbeda, berdasarkan cara seleksi (regularized spline dan tension spline).

HASIL DAN PEMBAHASAN

Suhu Perairan Berdasarkan Sebaran Suhu Satelit

Suhu perairan Kepulauan Seribu pada musim barat berkisar antara 28,5ºC - 30ºC, pada musim peralihan barat-timur antara 29,5ºC - 30,7ºC, pada musim timur suhu berkisar antara 28,5ºC - 31ºC dan pada musim peralihan timur barat berkisar antara 28,5ºC - 31ºC (Paonganan 2008). Suhu di perairan nusantara umumnya berkisar antara 28˚C – 31˚C. Pada lokasi yang sering terjadi penaikan air (upwelling) seperti di Laut Banda, suhu air permukaan bisa turun sampai 25˚C

(22)

6

karena air yang dingin di lapisan bawah terangkat ke permukaan. Suhu dekat pantai biasanya sedikit lebih tinggi dibandingkan dengan suhu di lepas pantai (Nontji, 1993). Gambar 3 menunjukkan sebaran suhu di Kepulauan Seribu yang di dapat dari citra NOAA yang berkisar antara 29˚C – 31,9˚C.

Gambar 3 menjelaskan data suhu data yang di interpolasi dan data suhu uji. Data yang di interpolasi merupakan data citra pulau seribu yang memiliki jumlah 4714 titik, data uji tidak termasuk didalamnya. Data suhu uji digunakan untuk perbandingan hasil dari masing-masing interpolasi, dengan jumlah 247 titik dan memiliki nilai suhu rata-rata adalah 30,63.

Gambar 3 Peta sebaran suhu satelit di sekitar titik sampel

Hasil Interpolasi dengan Tiga Metode Interpolasi IDW

IDW adalah salah satu teknik interpolasi permukaan (surface interpolation) dengan prinsip titik inputnya dapat berupa titik pusat plot yang tersebar secara acak maupun tersebar merata. Metode bobot inverse distance atau jarak tertimbang terbalik (IDW) memperkirakan nilai-nilai atribut pada titik-titik yang tidak disampel menggunakan kombinasi linier dari nilai-nilai sampel tersebut dan ditimbang oleh fungsi terbalik dari jarak antar titik (Hayati 2012). Hasil interpolasi IDW terdapat pada Gambar 4.

(23)

7

Gambar 4 Peta sebaran suhu berdasarkan interpolasi IDW

Berdasarkan Gambar 4 hasil interpolasi IDW, suhu berkisar antara 29,151-31,699 ˚C. Suhu di sebelah tenggara berkisar antara 31,062˚C – 31,669 ˚C, merupakan suhu yang lebih tinggi dibandingkan daerah lainnya. Nilai interpolasi IDW menghasilkan nilai interpolasi yang lebih baik pada data sampel yang lokasinya berdekatan dari pada data yang lokasinya lebih jauh. Karena metode ini menggunakan rata-rata dari data sampel. Gambar 5 merupakan suhu hasil interpolasi IDW.

Gambar 5 Grafik suhu interpolasi IDW MIN = 29,279

MAX = 31,654 MEAN = 30,63 SDev = 0.4613

(24)

8

Nilai suhu hasil interpolasi IDW terendah sebesar 29,279˚C yang terletak pada 106˚ 17’ 6’’ BT dan 5˚ 23’ 42’’ LS, nilai suhu hasil interpolasi IDW tertinggi sebesar 31,654˚C yang terletak pada 106˚ 42’ 18’’ BT dan 5˚ 37’ 30’’ LS. Standar deviasi metode IDW didapatkan sebesar 0,4613, standar deviasi ini merupakan standar deviasi yang paling kecil diantara ketiga metode, dimana semakin kecil standar deviasinya maka data yang dihasilkan semakin akurat. Data hasil interpolasi idw terdapat pada lampiran 1.

Menurut Ashraf et al. (1997) dikatakan bahwa metode inverse distance cukup baik dalam menduga nilai contoh pada suatu lokasi. Titik sampel yang digunakan cukup rapat, sehingga metode Interpolasi IDW lebih bagus hasilnya. Menurut (Pramono 2008) 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 (Pramono 2008).

Kriging

Interpolasi kriging dapat digolongkan dalam interpolasi stochastic. Interpolasi stochastic menawarkan penilaian kesalahan dengan nilai prediksi dengan mengasumsikan kesalahan acak. Metode kriging merupakan estimasi stochastic mirip dengan IDW yang menggunakan kombinasi linear dari weights untuk memperkirakan nilai di antara sampel data. Metode ini dikembangkan oleh D.L. Krige untuk memperkirakan nilai dari bahan tambang. Asumsi dari model ini adalah jarak dan orientasi antara sampel data menunjukkan korelasi spasial. Hasil interpolasi kriging terdapat pada Gambar 6.

(25)

9

Berdasarkan Gambar 6 hasil interpolasi kriging, suhu berkisar antara 29,173˚ - 31,693˚ C. Suhu di sebelah tenggara berkisar antara 31,063˚C - 31,693˚C, merupakan suhu yang lebih tinggi dibandingkan daerah lainnya.

Gambar 7 merupakan grafik suhu hasil interpolasi kriging. Nilai suhu hasil interpolasi kriging terendah sebesar 29,279˚C yang terletak pada 106˚ 17’ 6’’ BT dan 5˚ 23’ 42’’ LS, nilai suhu hasil interpolasi kriging tertinggi sebesar 31,652˚C yang terletak pada 106˚ 39’ 54’’ BT dan 5˚ 38’ 42’’ LS. Standar deviasi metode kriging didapatkan sebesar 0,4618. Data hasil interpolasi kriging terdapat pada lampiran 1.

Gambar 7 Grafik suhu interpolasi kriging

Metode kriging mempunyai keunggulan dan kelemahan menurut Largueche (2006), keunggulannya yaitu kemampuan untuk mengkuantifikasi variansi dari nilai yang diestimasi sehingga tingkat presisi dari hasil estimasi dapat diketahui. Metode Kriging tetap dapat digunakan meskipun tidak ditemukan korelasi spasial antar data. Kelemahan Kriging yaitu mengasumsikan data menyebar normal sementara kebanyakan data lapangan tidak memenuhi kondisi tersebut. Selain itu, semi variogram yang dihitung untuk suatu himpunan data tidak berlaku untuk himpunan data lainnya. Dengan demikian estimasi semi variogram akan sulit bila titik sampel yang digunakan tidak mencukupi.

Spline

Spline merupakan metode yang mengestimasi nilai dengan menggunakan fungsi matematika untuk meminimalisir total kelengkungan permukaan (Binh dan Thuy 2008). ESRI (1996) menyatakan bahwa metode interpolasi spline dapat mengestimasi nilai sel berdasarkan nilai rata-rata antara point data masing-masing contoh. Hasil interpolasi spline terdapat pada Gambar 8. Suhu berkisar antara 29,146˚ - 31,825˚ C. Suhu di sebelah tenggara berkisar antara 31,155˚C - 31,825˚C, merupakan suhu yang lebih tinggi dibandingkan daerah lainnya.

Min = 29,279 Max = 31,652 Mean = 30,63 SDev = 0.4618

(26)

10

Metode interpolasi spline merupakan metode yang baik untuk mengestimasi nilai rendah dan tinggi yang tidak terdapat pada sampel data.

Gambar 8 Peta sebaran suhu berdasarkan interpolasi spline

Pada metode spline ini permukaan yang dihasilkan tepat melewati titik-titik sampel. Kelebihan dari metode spline adalah kemampuan untuk menghasilkan akurasi permukaan yang cukup baik walaupun data yang digunakan hanya sedikit. Menurut (Pasaribu dan Haryani 2012) metode ini kurang baik jika diaplikasikan untuk situasi dimana terdapat perbedaan nilai yang signifikan pada jarak yang sangat dekat. Kekurangan dari metode spline adalah ketika titik-titik sampel yang berdekatan memiliki perbedaan nilai yang sangat besar , metode spline tidak dapat berjalan dengan baik. Hal ini disebabkan karena metode spline menggunakan perhitungan slope yang berubah berdasarkan jarak untuk memperkirakan bentuk dari permukaan. Grafik suhu hasil interpolasi spline terdapat pada Gambar 9. Gambar 9 merupakan grafik suhu hasil interpolasi spline. Nilai suhu hasil interpolasi spline terendah sebesar 29,251˚C yang terletak pada 106˚ 15’ 18’’ BT dan 5˚ 20’ 42’’ LS, nilai suhu hasil interpolasi spline tertinggi sebesar 31,671˚C yang terletak pada 106˚ 42’ 18’’ BT dan 5˚ 37’ 30’’ LS. Standar deviasi metode spline didapatkan sebesar 0,4639. Nilai standar deviasi metode spline merupakan standar deviasi paling besar diantara ketiganya, maka metode spline kurang akurat dibandingkan dua metode lainnya. Data hasil interpolasi spline terdapat pada lampiran 1.

(27)

11

Gambar 9 Grafik suhu interpolasi spline

SIMPULAN

Setelah dilakukan uji akurasi, metode IDW lebih akurat dibandingkan dengan dua metode interpolasi lainnya. suhu terkecil metode IDW sebesar 29,279, suhu terbesar sebesar 31,654 dengan standar deviasi 0,4613, suhu terkecil metode kriging sebesar 29,279, suhu terbesar sebesar 31,652 dengan standar deviasi 0,4618, dan suhu terkecil metode spline sebesar 29,251, suhu terbesar sebesar 31,671 dengan standar deviasi 0,4639.

SARAN

Penelitian ini dapat di kembangkan dengan menggunakan resolusi citra yang lebih tinggi dan daerah penelitian yang relatif lebih luas, supaya didapatkan akurasi yang tinggi.

Min = 29,251 Max = 31,671 Mean = 30,63 SDev = 0.4639

(28)

12

DAFTAR PUSTAKA

Alfiana AN. 2010. Metode Ordinary Kriging pada Geostatistika [skripsi]. Yogyakarta (ID) : Universitas Negeri Yogyakarta.

Anderson S. 2001. An evaluation of spatial interpolation methods on air temperature in Phoenix, AZ [paper]. Department of Geography, Arizona State University Tempe.

Ashraf M, Jim CL , Hubbard KG. 1997.Application of geostatistics to evaluate partial weather station network. J Agricultural and Forest Meteorology. 84:255 – 271.

Binh TQ, Thuy NT. 2008. Assessment of the influence of interpolation techniques on the accuracy of digital elevation model. VNU J of Scie Earth Sciences 24(1): 176-183.

Bohling G. 2005. Kriging. [Internet]. http://people.ku.edu/~gbohling (diakses 4 April 2016).

ESRI. 1996. Using the ArcView Spatial Analyst. Redlands, Environmental Systems Research Institute, Inc.

Gamma Design Software. 2005. Interpolation in GS+ [internet]. http://www.geostatistics.com/ OverviewInterpolation.html (diakses 4 April 2016).

Hayati FD. 2012. Pengujian teknik interpolasi sediaan tegakan dan biomassa berbasis IHMB pada hutan lahan kering PT Trisetia Intiga, Kabupaten Lamandau, Kalimantan Tengah [skripsi]. Bogor (ID): Institut Pertanian Bogor.

Largueche, F.Z.B. 2006. Estimating Soil Contamination with Kriging Interpolation Method. American Journal of Applied Sciences: 6(3): 1894-1898.

Massinai MA. 2005. Analisis liputan awan berdasarkan citra satelit penginderaan jauh. Pertemuan ilmiah masyarakat penginderaan jauh XIV. ITS

Nontji.1987. Laut Nusantara. Jakarta (ID): Djambatan.

Paonganan, Y. 2008. Analisis invasi makroalga ke koloni karang hidup kaitannya dengan laju sedimentasi di Pulau Bokor, Pulau Pari dan Pulau Payung DKI Jakarta [tesis]. Bogor (ID): Institut Pertanian Bogor.

Paramithasari HDP. 2013. Pemanfaatan SIG dalam pemetaan potensi merbau di areal IUPHHK-HA PT.Wapoga Mutiara Tiber Unit II Papua [skripsi]. Bogor (ID): Institut Pertanian Bogor.

(29)

13

Pasaribu JM, Haryani NS. 2012. Perbandingan teknik interpolasi DEM SRTM dengan metode Inverse Distance Weight (IDW), Natural neighbor dan spline. J Penginderaan Jauh. 9(2):126-139.

Pramono G. 2005. Perbandingan metode trend dan spline untuk interpolasi sebaran sedimen tersuspensi di Kabubaten Maros, Sulawesi Selatan. J Ilmiah Geomatika. 11(1): 20-32.

Pramono G. 2008. Akurasi metode IDW dan kriging untuk interpolasi sebaran sedimen tersuspensi di Maros, Sulawesi Selatan. J Forum Geografi. 22(1): 145-158.

Wicaksono A, Muhsoni FF, Fahrudin A. 2010. Aplikasi data citra satelit noaa-17 untuk mengukur variasi suhu permukaan laut jawa. Jurnal Kelautan.3(1): 70-73.

(30)

14

LAMPIRAN

Lampiran 1 Perbandingan suhu uji dengan suhu hasil interpolasi IDW No Bujur Lintang SST Suhu hasil interpolasi IDW Suhu hasil interpolasi kriging Suhu hasil interpolasi spline 1 106.875 -5.965 31.36 31.368 31.365 31.359 2 106.735 -5.955 31.4 31.403 31.403 31.400 3 106.835 -5.945 31.42 31.42 31.420 31.422 4 106.835 -5.935 31.43 31.433 31.430 31.430 5 106.835 -5.925 31.43 31.436 31.434 31.428 6 106.705 -5.915 31.42 31.436 31.433 31.427 7 106.875 -5.905 31.38 31.378 31.375 31.379 8 106.505 -5.895 30.87 30.873 30.878 30.877 9 106.875 -5.895 31.37 31.368 31.367 31.373 10 106.185 -5.885 30.41 30.414 30.398 30.415 11 106.445 -5.885 30.92 30.927 30.908 30.913 12 106.825 -5.885 31.44 31.436 31.436 31.439 13 106.395 -5.875 30.73 30.727 30.726 30.724 14 106.595 -5.875 30.96 30.956 30.959 30.958 15 106.715 -5.875 31.49 31.488 31.487 31.487 16 106.125 -5.865 30.62 30.623 30.581 30.635 17 106.575 -5.865 30.87 30.87 30.881 30.874 18 106.705 -5.865 31.46 31.252 31.454 31.458 19 106.365 -5.855 30.52 30.52 30.512 30.516 20 106.455 -5.855 30.81 30.809 30.808 30.814 21 106.695 -5.855 31.42 31.402 31.406 31.410 22 106.245 -5.845 30.27 30.223 30.220 30.270 23 106.475 -5.845 30.76 30.763 30.763 30.755 24 106.855 -5.845 31.33 31.328 31.329 31.325 25 106.305 -5.835 30.03 30.03 30.030 30.033 26 106.385 -5.835 30.54 30.538 30.538 30.547 27 106.585 -5.835 30.83 30.838 30.838 30.829 28 106.805 -5.835 31.45 31.449 31.449 31.452 29 106.205 -5.825 30.12 30.126 30.127 30.121 30 106.465 -5.825 30.73 30.729 30.730 30.733 31 106.665 -5.825 31.23 31.235 31.235 31.233 32 106.755 -5.825 31.51 31.507 31.507 31.509 33 106.125 -5.815 30.24 30.257 30.273 30.245 34 106.515 -5.815 30.76 30.753 30.754 30.754 35 106.695 -5.815 31.37 31.365 31.366 31.361

(31)

15 No Bujur Lintang SST Suhu interpolasi IDW Suhu interpolasi kriging Suhu interpolasi spline 36 106.265 -5.805 29.96 29.994 29.987 29.977 37 106.425 -5.805 30.59 30.585 30.585 30.588 38 106.625 -5.805 31 31.007 31.007 31.002 39 106.725 -5.805 31.46 31.455 31.455 31.460 40 106.145 -5.795 30.08 30.115 30.110 30.080 41 106.465 -5.795 30.69 30.686 30.686 30.685 42 106.665 -5.795 31.22 31.218 31.220 31.221 43 106.765 -5.795 31.45 31.45 31.450 31.449 44 106.215 -5.785 30.09 30.098 30.096 30.096 45 106.485 -5.785 30.74 30.734 30.733 30.740 46 106.675 -5.785 31.27 31.272 31.272 31.274 47 106.295 -5.775 29.78 29.816 29.819 29.791 48 106.145 -5.775 30.11 30.118 30.118 30.107 49 106.505 -5.775 30.78 30.764 30.765 30.767 50 106.685 -5.775 31.3 31.313 31.308 31.313 51 106.285 -5.765 29.87 29.886 29.887 29.862 52 106.145 -5.765 30.13 30.131 30.134 30.125 53 106.505 -5.765 30.76 30.753 30.754 30.761 54 106.685 -5.765 31.3 31.311 31.308 31.308 55 106.305 -5.755 29.94 29.946 29.947 29.938 56 106.145 -5.755 30.16 30.17 30.167 30.162 57 106.505 -5.755 30.74 30.729 30.733 30.742 58 106.685 -5.755 31.3 31.316 31.312 31.312 59 106.275 -5.745 30.04 30.054 30.054 30.045 60 106.375 -5.745 30.18 30.188 30.189 30.174 61 106.425 -5.745 30.51 30.507 30.507 30.505 62 106.625 -5.745 31.13 31.131 31.131 31.130 63 106.775 -5.745 31.37 31.369 31.370 31.369 64 106.255 -5.735 30.15 30.153 30.153 30.152 65 106.015 -5.735 30.41 30.416 30.413 30.419 66 106.545 -5.735 30.73 30.732 30.732 30.729 67 106.665 -5.735 31.33 31.333 31.332 31.336 68 106.185 -5.725 30.18 30.175 30.178 30.176 69 106.385 -5.725 30.32 30.314 30.316 30.315 70 106.465 -5.725 30.62 30.622 30.622 30.623 71 106.835 -5.725 31.27 31.283 31.280 31.286 72 106.735 -5.725 31.4 31.398 31.399 31.401

(32)

16 No Bujur Lintang SST Suhu interpolasi IDW Suhu interpolasi kriging Suhu interpolasi spline 73 106.315 -5.715 30.28 30.266 30.266 30.268 74 106.025 -5.715 30.46 30.456 30.457 30.451 75 106.585 -5.715 30.89 30.9 30.899 30.893 76 106.745 -5.715 31.41 31.408 31.407 31.406 77 106.235 -5.705 30.29 30.29 30.290 30.285 78 106.085 -5.705 30.41 30.411 30.411 30.411 79 106.535 -5.705 30.65 30.658 30.659 30.659 80 106.795 -5.705 31.28 31.285 31.285 31.277 81 106.205 -5.695 30.29 30.29 30.290 30.282 82 106.105 -5.695 30.4 30.402 30.402 30.398 83 106.425 -5.695 30.58 30.579 30.578 30.582 84 106.865 -5.695 31.13 31.123 31.125 31.131 85 106.705 -5.695 31.52 31.524 31.524 31.527 86 106.365 -5.685 30.38 30.381 30.384 30.378 87 106.045 -5.685 30.5 30.508 30.508 30.508 88 106.565 -5.685 30.66 30.669 30.671 30.655 89 106.765 -5.685 31.39 31.393 31.393 31.393 90 106.345 -5.675 30.37 30.375 30.379 30.369 91 106.255 -5.675 30.49 30.48 30.482 30.490 92 106.435 -5.675 30.63 30.622 30.622 30.626 93 106.825 -5.675 31.16 31.157 31.158 31.158 94 106.665 -5.675 31.66 31.639 31.638 31.652 95 106.095 -5.665 30.47 30.471 30.471 30.473 96 106.035 -5.665 30.59 30.593 30.593 30.586 97 106.585 -5.665 30.77 30.801 30.800 30.792 98 106.735 -5.665 31.56 31.547 31.550 31.554 99 106.345 -5.655 30.45 30.47 30.470 30.455 100 106.255 -5.655 30.57 30.579 30.576 30.578 101 106.465 -5.655 30.69 30.691 30.691 30.691 102 106.795 -5.655 31.29 31.293 31.291 31.302 103 106.155 -5.645 30.39 30.392 30.392 30.392 104 106.555 -5.645 30.54 30.559 30.560 30.541 105 106.435 -5.645 30.66 30.652 30.652 30.654 106 106.855 -5.645 30.92 30.918 30.919 30.921 107 106.665 -5.645 31.67 31.653 31.652 31.667 108 106.365 -5.635 30.53 30.554 30.551 30.540 109 106.055 -5.635 30.64 30.642 30.641 30.639

(33)

(34)

(35)

(36)

20 No Bujur Lintang SST Suhu interpolasi IDW Suhu interpolasi kriging Suhu interpolasi spline 221 106.245 -5.375 29.38 29.402 29.405 29.372 222 106.195 -5.375 30.34 30.309 30.307 30.339 223 106.135 -5.375 30.53 30.529 30.529 30.531 224 106.875 -5.375 30.62 30.618 30.615 30.622 225 106.755 -5.375 30.74 30.736 30.735 30.739 226 106.575 -5.365 30.28 30.284 30.285 30.276 227 106.645 -5.365 30.47 30.47 30.470 30.473 228 106.465 -5.365 30.58 30.578 30.575 30.586 229 106.795 -5.365 30.69 30.688 30.685 30.690 230 106.225 -5.355 29.73 29.746 29.743 29.742 231 106.505 -5.355 30.41 30.408 30.406 30.404 232 106.155 -5.355 30.54 30.532 30.531 30.544 233 106.805 -5.355 30.63 30.622 30.625 30.631 234 106.255 -5.345 29.26 29.279 29.286 29.251 235 106.575 -5.345 30.26 30.27 30.270 30.265 236 106.405 -5.345 30.5 30.522 30.511 30.511 237 106.465 -5.345 30.56 30.568 30.566 30.571 238 106.755 -5.345 30.75 30.75 30.750 30.760 239 106.355 -5.335 29.99 30.015 30.011 30.009 240 106.105 -5.335 30.45 30.465 30.465 30.457 241 106.815 -5.335 30.51 30.531 30.525 30.513 242 106.775 -5.335 30.67 30.667 30.668 30.671 243 106.295 -5.325 29.54 29.491 29.505 29.547 244 106.525 -5.325 30.26 30.28 30.276 30.261 245 106.815 -5.325 30.46 30.498 30.495 30.466 246 106.015 -5.325 30.57 30.557 30.557 30.564 247 106.695 -5.325 30.82 30.794 30.799 30.819

(37)

21

DAFTAR RIWAYAT HIDUP

Penulis dilahirkan di Bukitinggi pada tanggal 22 juni 1994. Penulis adalah anak kedua dari empat bersaudara pasangan Bapak Zulkifli dan Ibu Ernawati. Penulis menyelesaikan pendidikan dasar di SD 40 Padang Mentinggi yang lulus pada tahun 2006, setelah itu penulis menamatkan pendidikan menengah pertama di SMP Negeri 1 Rao pada tahun 2009 dan pendidikan menengah atas di SMA Negeri 1 Batusangkar pada tahun 2012. Penulis diterima sebagai mahasiswa Institut Pertanian Bogor melalui jalur SNMPTN tulis Tahun 2012. Setelah melewati Tingkat Persiapan Bersama (TPB), penulis melanjutkan studi di Departemen Ilmu dan Teknologi Kelautan, Fakultas Perikanan dan Ilmu Kelautan, Institut Pertanian Bogor.

Selama masa perkuliahan, penulis aktif TPB (2012) di Organisasi Mahasiswa Daerah (Omda) yang diamanahkan sebagai ketua OMDA Ikatan Mahasiswa Harimau Pasaman (IMHP). Pada tingkat 2 (2013) penulis aktif di klub Marine Instrumentation and Telemetry (MIT), klub Marine Science and Technologi Diving School (MSTDS), dan Garuda Community yang diamanahkan sebagai kepala divisi Informasi dan Komunikasi (Infokom). Pada tingkat 3 (2014) penulis aktif di Badan Eksekutif Mahasiswa (BEM) yang diamanahkan sebagai kepala divisi Pemberdayaan Budaya Olahraga dan Seni (PBOS) dan menjadi Dewan Formatur Himpunan Mahasiswa Ilmu dan Teknologi Kelautan (Himiteka).

Sebagai salah satu syarat untuk memperoleh gelar Sarjana Ilmu Kelautan pada Fakultas Perikanan dan Ilmu Kelautan, Institut Pertanian Bogor, penulis melakukan penelitian dengan judul “Perbandingan Metode Interpolasi IDW, Kriging, dan Spline pada Sistem Informasi Geografis” dibawah bimbingan Prof. Dr. Ir. Setyo Budi Susilo.M.Sc dan Risti E. Arhatin S.Pi , M.Si