See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/320281320

Perbandingan Metode Interpolasi Terhadap Hasil Pembentukan Digital

Terrain Model (DTM)

Conference Paper · October 2016

CITATIONS READS

2 8,931

2 authors:

Danang Budi Susetyo Agung Syetiawan

National Research and Innovation Agency Badan Riset dan Inovasi Nasional
35 PUBLICATIONS   45 CITATIONS    40 PUBLICATIONS   47 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Topographic Mapping Acceleration Research View project

Coastal Inundation View project

All content following this page was uploaded by Danang Budi Susetyo on 09 October 2017.

The user has requested enhancement of the downloaded file.

 FIT-ISI dan CGISE 2016

Perbandingan Metode Interpolasi Terhadap Hasil

Pembentukan Digital Terrain Model (DTM)
Danang Budi Susetyo, Agung Syetiawan
Badan Informasi Geospasial
Jl. Raya Jakarta Bogor Km. 46, Cibinong, Jawa Barat 16911
Email: danang.budi@big.go.id

ABSTRACT

Digital Terrain Model (DTM) is one of the outputs in topographical mapping Indonesia (RBI). DTM is
formed from elements such hipsografi masspoint, ridge line and waters. Elements such hipsografi
interpolation to obtain elevation data in raster format that can be used for many purposes spatial
analysis. Selection of interpolation methods affect the quality of the resulting DTM. One important
parameter in quality DTM is a vertical accuracy and we examine some of the interpolation method on
vertical accuracy DTM. Interpolation method was tested among others Inverse Distance Weighting (IDW),
Kriging, Natural Neighbor, Spline and Triangulated Irregular Network (TIN) converted into raster data.
The data used is data RBI region of Aceh, which was tested in three types of topography: densely, beaches,
and mountains. Validation is done by comparing the actual elevation with elevation values extracted from
the data DTM at the same point. Masspoint test points taken from random sampling, with a percentage of
10% of the total masspoint on each type of topography. The results of this study indicate IDW has the best
accuracy in all types of topography with RMSE values respectively are 0.2440 (densely), 0.2248 (the
beach), and 0.8874 (mountains).

Keywords: DTM, interpolasi, akurasi vertikal

Pendahuluan data, kompleksitas terrain, metode interpolasi dan

Digital Terrain Model (DTM) merupakan salah satu
output dalam pemetaan rupabumi Indonesia (RBI)
yang dibentuk dari unsur-unsur hipsografi seperti
masspoint, garis punggung bukit dan perairan.
Unsur-unsur tersebut dibentuk menggunakan teknik
fotogrametri menggunakan stereo image, dimana
pada skala besar umumnya menggunakan foto udara,
sedangkan pada skala menengah digunakan data citra
(radar dan optis). Proses interpolasi dilakukan untuk
menghasilkan DTM dari titik-titik yang mempunyai
informasi ketinggian (Setiyoko & Kumar, 2012)
Interpolasi adalah metode yang dilakukan untuk
memprediksi nilai grid yang tidak diwakili oleh titik
sampel (Childs, 2011). Beberapa metode interpolasi
antara lain: Inverse Distance Weighting (IDW),
Kriging, Natural Neighbor, Spline dan Triangulated
Irregular Network (TIN). Akurasi dari DTM
tergantung dari metode interpolasi yang digunakan
oleh sebab itu diperlukan penelitian lebih lanjut
mengenai perbandingan dari metode-metode
interpolasi tersebut (Arun, 2013).
Beberapa faktor yang mempengaruhi kualitas DTM
antara lain: metode sampling data, kerapatan/densitas
parameter interpolasi (Mohamed, 2011). Kerapatan
data dan kompleksitas terrain dilakukan uji coba
dengan mengambi tiga tipe topografi berbeda:
pegunungan, pantai dan pemukiman padat. Wilayah
yang diuji adalah Provinsi Aceh, menggunakan data
Rupabumi Indonesia (RBI) yang dibuat pada tahun
2014.
Penelitian ini bertujuan untuk menentukan metode
interpolasi terbaik dalam pembentukan DTM di
Indonesia, karena hingga saat ini tidak ada ketentuan
khusus mengenai metode interpolasi yang seharusnya
digunakan dalam pembentukan DTM dalam proses
pemetaan RBI. Semakin bagus DTM yang dihasilkan
(ditunjukkan dengan nilai error yang kecil), maka
akan semakin menggambarkan kenampakan muka
bumi mendekati dengan keadaan yang sebenarnya.
Oleh karena itu, penelitian ini diharapkan dapat
menjadi salah satu referensi dalam memilih metode
interpolasi yang tepat meskipun setiap metode
interpolasi memiliki kelebihan dan kekurangan
masing-masing. Metode yang terbaik itu nantinya
akan digunakan untuk menghasilkan DTM sesuai
dengan karakteristik wilayah di Indonesia.

| 40
 FIT-ISI dan CGISE 2016

Metodologi Pemukiman padat untuk mewakili wilayah dengan

kompleksitas terrain akan mengambil sampel wilayah
Penelitian ini membandingkan tiga metode interpolasi
Banda Aceh, kawasan pantai mengambil sampel
terhadap hasil pembentukan DTM. Seluruh metode
Kabupaten Aceh Barat Daya, sedangkan kawasan
tersebut diuji coba pada tiga tipe topografi yang
pegunungan mengambil sampel perbatasan
berbeda: pegunungan, pantai dan pemukiman padat.
Kabupaten Aceh Selatan dan Aceh Tenggara.

Gambar 1. Wilayah penelitian.

Validasi dilakukan dengan membandingkan nilai

elevasi sebenarnya dengan nilai elevasi yang Gambar 2. Metode interpolasi IDW (Childs, 2011).
diekstrak dari data DTM pada titik yang sama. Titik
Kriging
uji diambil dari masspoint secara random sampling
dengan prosentase 10% dari total masspoint pada Kriging menghasilkan estimasi nilai z berdasarkan
masing-masing jenis topografi. Angka 10% mengacu bobot rata-rata dari lokasi yang nilainya sudah
pada penelitian yang dilakukan oleh Liu & Zhang diketahui pada suatu area tertentu (Setianto &
(2007), yang mengambil 10% dari keseluruhan data Triandini, 2013). Kriging sesuai digunakan ketika
point LiDAR sebagai check point untuk menguji hubungan jarak atau arah dari data yang akan
kerapatan/densitas data LiDAR terhadap DEM yang diproses sudah diketahui, dan metode ini banyak
dihasilkan. digunakan pada aplikasi ilmu tanah dan geologi
(Childs, 2011).
Inverse Distance Weighting (IDW)
Inverse Distance Weighting menentukan cell value
dengan kombinasi pembobotan linear, dimana bobot
adalah fungsi jarak dari titik input terhadap lokasi cell
output (Childs, 2011). Metode ini membuat data
dilakukan pembobotan selama interpolasi, sehingga
pengaruh satu titik relatif terhadap titik lainnya dan
semakin berkurang ketika jarak terhadap node grid
semakin besar (Yang, Kao, Lee, & Hung, 2004).

Gambar 3. Metode interpolasi Kriging (Childs, 2011).

Natural Neighbor
Konsep interpolasi natural neighbor adalah bobot
yang didefinisikan oleh proporsi overlap antara
poligon Voronoi (Thiessen Poligon) baru yang
terbentuk diantara titik-titik interpolasi dengan
poligon Voronoi awal yang menghubungkan titik-titik

| 41

yang berdekatan (Garnero & Godone, 2013). Secara
algoritma, metode natural neighbor identik dengan
IDW (Childs, 2011). Metode ini dikenal juga sebagai
interpolasi Sibson atau “Area-Stealing” (Pasaribu &
Haryani, 2012)
Gambar 4. Metode interpolasi natural neigbor (Childs,
2011).
Spline
Spline menggunakan fungsi matematis untuk
meminimalisir lengkungan permukaan (Binh & Thuy,
2008; Childs, 2011) dan menghasilkan permukaan
yang smooth yang sesuai dengan titik input (Arun,
2013). Metode ini tepat digunakan untuk
merepresentasikan fenomena permukaan yang
bervariasi secara smooth, seperti temperatur (Childs,
2011). Kelebihan dari metode spline ini adalah
kemampuan untuk menghasilkan akurasi permukaan
yang cukup baik walaupun data yang digunakan
hanya sedikit (Pasaribu & Haryani, 2012). Selain
temperatur model ini baik digunakan untuk membuat
permukaan seperti ketinggian permukaan bumi,
ketinggian muka air tanah ataupun konsentrasi polusi
udara.
Pemukiman
Gambar 5. Metode interpolasi spline (Childs, 2011).
Pegunungan
Triangulated Irregular Network (TIN)
Penelitian ini menguji data DTM dalam format raster,
sehingga DTM yang dihasilkan dengan metode
interpolasi Triangulated Irregular Network (TIN)
dikonversi ke dalam format raster dengan resolusi
FIT-ISI dan CGISE 2016
sama dengan metode interpolasi sebelumnya. TIN
raster menginterpolasi nilai z pada setiap grid dari
data input TIN pada resolusi atau interval sampling
tertentu untuk menghasilkan output data raster (Esri,
2014).
Gambar 6. TIN to raster (Esri, 2014).
HASIL DAN PEMBAHASAN
Data input berupa unsur hipsografi seperti masspoint,
garis punggung bukit dan perairan di-generate untuk
menghasilkan DTM dengan resolusi spasial 10 m
(sesuai dengan spesifikasi DTM pada skala 1:25.000).
DTM tersebut dianalisis dengan membandingkan
hasil menggunakan lima metode interpolasi yang
diuji dalam penelitian ini.
Analisis dilakukan dengan menghitung RMSE dari
titik uji. Seperti dituliskan pada metode penelitian,
titik uji diambil dari masspoint secara random
sampling, dengan prosentase 10% dari total
masspoint pada masing-masing jenis topografi.
Perbandingan dilakukan antara nilai yang diekstrak
dari DTM hasil interpolasi dengan nilai sebenarnya,
yaitu nilai ketinggian yang dihasilkan saat proses
stereoplotting. Selain itu, dilakukan juga analisis
visual terhadap DTM yang dihasilkan.
Titik uji pada wilayah pemukiman padat adalah
sejumlah 18.370 titik. Hasil ekstraksi ketinggian titik
uji pada wilayah pemukiman padat menghasilkan
beberapa nilai yang tidak sesuai pada interpolasi
natural neighbor dan TIN to raster karena data DTM
yang tidak ter-generate pada area titik tersebut.
Beberapa nilai yang tidak sesuai juga terjadi pada
wilayah pantai dan pegunungan dengan metode
interpolasi yang sama. Titik-titik outlier tersebut tidak
digunakan dalam perhitungan RMSE. Titik uji pada
wilayah pantai adalah 16.527 titik, sedangkan pada
wilayah pegunungan adalah 53.864 titik.
Hasil RMSE pada masing-masing tipe topografi dapat
dilihat pada tabel 1.
Tabel 5. Hasil RMS error topografi menggunakan beberapa
metode interpolasi
Natural TIN to
IDW Kriging Spline
Neighbor Raster
0.24400 1.24180 1.33200 0.49481 0.54864
padat
Pantai 0.22482 2.59522 2.07318 0.60924 0.72394
0.88748 1.86245 5.34944 1.83203 2.04183
Berdasarkan tabel 1, IDW memiliki ketelitian paling
baik di semua jenis topografi. Wilayah pantai
memiliki RMSE paling kecil, sedangkan pegunungan
memiliki RMSE paling besar. Hal itu diakibatkan
kerapatan yang semakin tinggi dari wilayah pantai,
| 42
 FIT-ISI dan CGISE 2016

pemukiman, kemudian pegunungan, sehingga

semakin banyak titik yang diinterpolasi dalam satu
grid DTM.
Meski dalam penelitian ini secara statistik IDW
memiliki ketelitian paling baik, namun secara visual
DTM hasil interpolasi IDW terlihat bergerigi,
sehingga mengurangi nilai estetika dari data yang
dihasilkan.
Selain itu, pada wilayah pemukiman padat (gambar
7a), visualisasi garis pantai tidak terlihat jelas.
Gambar 7 adalah visualisasi dari DTM hasil
interpolasi IDW pada ketiga jenis topografi. Gambar 9. Hasil interpolasi TIN to raster.
Hasil interpolasi yang baik dipengaruhi oleh
distribusi titik-titik masukan (input), dimana titik-titik
masukan memiliki persebaran yang merata, sehingga
pada saat proses interpolasi dilakukan akan
memetakan secara halus dengan mengambil nilai
diantara titik-titik masukan tersebut (Pasaribu &
Haryani, 2012).
Secara visual, DTM hasil interpolasi TIN to raster
juga lebih baik dibandingkan IDW. Selain lebih halus
dan logis, kenampakan objek-objek pembentuk DTM
pada hasil interpolasi TIN to raster juga terlihat lebih
jelas dan tegas, seperti terlihat pada wilayah
pemukiman padat berikut ini.

Gambar 7. Visualisasi DTM menggunakan metode IDW:

(a) pemukiman padat, (b) pantai, (c) pegunungan.

Spline dan TIN to raster menghasilkan RMSE paling

baik setelah IDW, dengan wilayah pemukiman padat
dan pegunungan menghasilkan nilai dibawah 1.
Meski demikian, pada wilayah pantai, TIN to raster
lebih baik secara visual karena membentuk garis
pantai dan wilayah laut dengan lebih logis
dibandingkan dengan metode interpolasi spline.

Gambar 8. Hasil interpolasi spline.

Gambar 10. DTM hasil interpolasi (a) IDW dan (b) TIN to
raster.
Kriging dan natural neighbor memiliki RMSE di atas

| 43

1 di semua jenis topografi, sehingga dalam penelitian
ini tidak direkomendasikan sebagai metode
interpolasi DTM hasil pemetaan RBI. Meski
demikian, penelitian lanjutan mengenai dua metode
tersebut di wilayah lain di Indonesia diperlukan untuk
memvalidasi ketelitian dari kedua metode interpolasi
tersebut.
KESIMPULAN DAN SARAN
Berdasarkan penelitian ini, metode interpolasi IDW
menghasilkan RMSE paling kecil atau secara
ketelitian paling baik dibandingkan keempat metode
interpolasi lainnya, yaitu 0.2440 (pemukiman padat),
0.2248 (pantai), dan 0.8874 (pegunungan).
Penggunaan metode interpolasi IDW memberikan
gambaran permukaan daerah penelitian mendekati
dengan kondisi sebenarnya. Meski demikian, secara
visual, metode TIN to raster menghasilkan DTM
yang lebih baik dibandingkan IDW karena selain
lebih halus dan logis, kenampakan objek-objek
pembentuk DTM pada hasil interpolasi TIN to raster
juga terlihat lebih jelas dan tegas.
Berdasarkan hasil tersebut dapat disimpulkan metode
IDW dan TIN to raster dapat direkomendasikan untuk
menjadi metode interpolasi dalam tahap pembentukan
DTM pada proses pemetaan RBI. Meski demikian,
perlu kajian serupa di wilayah lain di Indonesia serta
dengan skala pemetaan yang berbeda untuk
memutuskan metode interpolasi yang paling tepat,
termasuk terhadap dua metode interpolasi lainnya
yang dalam penelitian ini nilai RMSE-nya paling
besar, yaitu Kriging dan natural neighbor. Dengan
demikian ke depannya metode interpolasi yang paling
tepat akan digunakan untuk pembentukan DTM di
Indonesia, sehingga dapat menggambarkan
kenampakan muka bumi mendekati dengan keadaan
yang sebenarnya.
UCAPAN TERIMA KASIH
Penulis mengucapkan terima kasih kepada Pusat
Pemetaan Rupabumi dan Tominim yang sudah
berkenan memberikan data-data yang mendukung
penelitian ini. Penulis juga mengucapkan terima kasih
kepada Pusat Penelitian, Promosi dan Kerja Sama
Badan Informasi Geospasial yang sudah memberikan
kesempatan kepada penulis untuk mempresentasikan
hasil penelitian ini pada Forum Ilmiah Tahunan
Ikatan Surveyor Indonesia 2016.
DAFTAR PUSTAKA
Arun, P. V. (2013). A comparative analysis of
different DEM interpolation methods. The
Egyptian Journal of Remote Sensing and Space
Science, 16(2), 133–139.
View publication stats
FIT-ISI dan CGISE 2016
http://doi.org/10.1016/j.ejrs.2013.09.001
Binh, T. Q., & Thuy, N. T. (2008). Assessment of
Influence of Interpolation Techniques on The
Accuracy of Digital Elevation Model. Journal
of Sciences, 24, 176–183.
Childs, C. (2011). Interpolating Surfaces in ArcGIS
Spatial Analyst. Education, 4.
Esri. (2014). TIN to Raster (3D Analyst).
Garnero, G., & Godone, D. (2013). Comparisons
between different interpolation techniques.
International Archives of the Photogrammetry,
Remote Sensing and Spatial Information
Sciences - ISPRS Archives, 40(5W3), 139–144.
http://doi.org/10.5194/isprsarchives-XL-5-W3-
139-2013
Mohamed, G. I. (2011). Impact of Spatial
Interpolation Methods on Digital Elevation
Models Quality. Khartoum University …, 1(2),
29–39.
Pasaribu, J. M., & Haryani, N. S. (2012).
Perbandingan Teknik Interpolasi DEM SRTM
Dengan Metode Inverse Distance Weighted
( IDW ), Natural Neighbor dan Spline. Jurnal
Penginderaan Jauh, 9(2), 126–139.
Setianto, A., & Triandini, T. (2013). Comparison of
Kriging and Inverse Distance Weighted (IDW)
Interpolation Methods in Lineament Extraction
and Analysis. Journal of Southeast Asian
Applied Geology, 5(1), 21–29.
Setiyoko, A., & Kumar, A. (2012). Comparison
Analysis of Interpolation Techniques for DEM
Generation Using Cartosat-1 Stereo Data.
International Journal of Remote Sensing and
Earth Sciences, 9(2), 78–87.
Yang, C., Kao, S., Lee, F., & Hung, P. (2004). Twelve
Different Interpolation Methods : a Case Study.
Proceedings of the XXth ISPRS Congress, 35,
778–785.
| 44