Mengenal Fungsi Interpolasi Spasial dalam Sistem Informasi Geografis

Dalam sistem informasi geografis, interpolasi spasial merupakan salah satu fungsi atau metode matematis untuk menentukan nilai pada lokasi-lokasi yang datanya tidak tersedia (Hadi, 2015). Sedangkan menurut Burrough and McDonell, mendefinisikan bahwa interpolasi merupakan proses memprediksi nilai pada suatu titik yang bukan merupakan titik sampel, berdasarkan pada nilai-nilai dari titik-titik di sekitarnya yang berkedudukan sebagai sampel.

Berdasarkan pengertian tersebut Interpolasi dapat menentukan dan memprediksi suatu nilai pada sebuah lokasi tanpa harus menggunakan data yang sebenarnya, tetapi dalam hal ini kita dapat menggunakan data yang ada sebagai sampel untuk mengetahui nilai nilai yang belum ada. interpolasi spasial bertujuan untuk memprediksi nilai variabel target secara keseluruhan yang biasanya menghasilkan output berupa gambar atau peta (Hengl, 2009).

Untuk menggambarkan sebuah fenomena di suatu wilayah, tentunya kita perlu memodelkan fenomena tersebut. Namun, terkadang dalam pengerjaannya terdapat beberapa kendala dan hambatan seperti ketidak lengkapan data. Selain itu faktor eksternal seperti kondisi lingkungan yang tidak mendukung, keterbatasan biaya, dapat menghambat suatu pekerjaan. Untuk menyiasati nya dilakukan lah interpolasi, berdasarkan pengertian di atas interpolasi dapat membatu menentukan nilai pada lokasi yang memang datanya tidak lengkap atau tidak ada. Sehingga dengan menggunakan interpolasi kita dapat melakukan pemodelan berdasarkan sampel yang ada.

Dalam penelitian yang dilakukan oleh Kurniawan et.al., (2020) yang berjudul Menentukan Metode Interpolasi Spasial Curah Hujan Bulanan, salah satu kendala yang dialami dalam layanan informasi iklim adalah rendahnya sebaran jaringan pos pengamatan hujan sehingga dilakukan lah metode interpolasi untuk menyelesaikan permasalahan tersebut. 

Interpolasi spasial dalam sistem informasi geografis (SIG) juga selain untuk menyiasati permasalahan data akibat faktor-faktor tertentu, interpolasi juga digunakan memprediksi nilai pada wilayah-wilayah yang tidak memiliki sampel atau tidak diukur untuk keperluan penyusunan peta atau sebaran nilai pada seluruh wilayah yang ingin dipetakan. Dalam penelitian oleh Arista et al., (2019) yang berjudul  Pemodelan spasial distribusi karbon monoksida di kota Bandung, dalam melakukan pemodelan karbon monoksida, interpolasi digunakan untuk memprediksi data dari wilayah yang tidak terukur karena memang tidak semua titik pada ruang yang diamati dilakukan proses pengukuran. 

Dalam melakukan interpolasi spasial, ada beberapa metode yang dapat dilakukan. Menurut Hengl, (2009) interpolasi spasial berdasarkan jumlah analisis statistik dapat dibagi menjadi tiga yaitu Mechanical (Deterministic) Models, Linear Statistical (Probability) Models, dan Expert-Based System.

1. Mechanical (Deterministic) Models

Metode ini memiliki parameter model arbitrer atau empiris. Tidak ada perkiraan kesalahan model yang tersedia dan biasanya tidak ada asumsi ketat tentang variabilitas fitur yang ada. Teknik paling umum yang termasuk dalam metode ini adalah:

1. Thiessen polygons
2. Inverse distance weighted interpolation 
3. Regression on coordinates
4. Natural neighbors
5. Splines

2. Linear Statistical (Probability) Models

Dalam metode ini parameter model biasanya diestimasi secara objektif, berdasarkan teori probabilitas. Prediksinya adalah disertai dengan perkiraan kesalahan prediksi. Kelemahannya metode ini yaitu pada kumpulan data masukan biasanya membutuhkan asumsi statistik yang ketat untuk memenuhi syarat. Teknik paling umum yang termasuk dalam metode ini adalah:

1. Kriging (plain geostatistics)
2. Environmental correlation
3. Bayesian-based models
4. Hybrid models

3. Expert-Based System

Metode ini bisa sepenuhnya subjektif atau sepenuhnya berdasarkan data, prediksi biasanya berbeda serta dapat didasarkan pada teori probabilitas. Teknik paling umum yang termasuk dalam metode ini adalah:

1. Mainly knowledge-driven expert system
2. Mainly data-driven expert system 
3. Machine learning algorithms

Interpolasi spasial ini didasarkan pada adanya ketidaklengkapan data atau ketidakterukuran data dari suatu wilayah yang akan dikaji sehingga untuk menyelesaikan masalah tersebut harus dilakukan oleh metode interpolasi spasial.

Daftar Rujukan:

Arista, F., Saraswati, R., & Wibowo, A. (2019). Pemodelan spasial distribusi karbon monoksida di kota Bandung. Jurnal Geografi Lingkungan Tropik, 3(1), 21–31. https://doi.org/10.7454/jglitrop.v3i1.62

Hadi, B. S. (2015). Metode Interpolasi Spasial Dalam Studi Geografi (Ulasan Singkat dan Contoh Aplikasinya). Geomedia: Majalah Ilmiah Dan Informasi Kegeografian, 11(2), 235–252. https://doi.org/10.21831/gm.v11i2.3454

Hengl, T. (2009). A Practical Guide to Geostatistik Mapping. In Government Publications Review (Vol. 13, Issue 6). https://doi.org/10.1016/0277-9390(86)90082-8

Kurniawan, A., Makmur, E., & Supari. (2020). Menentukan Metode Interpolasi Spasial Curah Hujan Bulanan. Seminar Nasional Geomatika 2020: Informasi Geospasial Untuk Inovasi Percepatan Pembangunan Berkelanjutan, 263–272.