Ketenagalistrikan dan Energi Terbarukan Vol. 13 No. 1 Juni 2014 : 27 – 38
ISSN 1978-2365
PERBANDINGAN METODA INTERPOLASI INVERSE DISTANCE WEIGHTED (IDW), NATURAL NEIGHBOUR, DAN SPLINE UNTUK PERAPATAN DATA PETA POTENSI ENERGI SURYA COMPARISON OF INVERSE DISTANCE WEIGHTED (IDW), NATURAL NEIGHBOUR, AND SPLINE INTERPOLATION METHODS FOR DOWNSCALING DATA OF SOLAR ENERGY POTENSIAL MAP Silvy Rahmah Fitri, Edi Saadudin, Bono Pranoto Puslitbangtek Ketenagalistrikan, Energi Baru, Terbarukan dan Konservasi Energi Jl.Ciledug Raya Kav 109, Cipulir, Kebayoran Lama, Jakarta Selatan
[email protected] Abstrak Pengembangan energi surya Indonesia memerlukan arahan berupa informasi wilayah yang cocok untuk pemasangan pembangkit listrik tenaga surya (PLTS). Beberapa situs telah menyediakan sumber data radiasi surya hasil pencitraan dan pengukuran satelit yang dapat dimanfaatkan sebagai acuan untuk memperkirakan data radiasi pada interval tertentu. Data radiasi surya tersebut sulit dimanfaatkan secara langsung dikarenakan data yang memiliki rentang interval yang terlalu jauh. Diperlukan interpolasi untuk mendapatkan informasi yang lebih detail untuk area yang lebih kecil. Interpolasi adalah salah satu metoda yang dapat digunakan untuk tujuan tersebut. Pada kajian ini, dibandingkan 3 metoda interpolasi sebagai pendekatan. Interpolasi Inverse Distance Weighted (IDW), Natural Neighbour, dan Spline digunakan untuk merapatkan data dari 110 km menjadi 7 km. Hasil interpolasi kemudian dibandingkan dengan data pengukuran langsung di permukaan. Melalui perhitungan korelasi antara data hasil interpolasi dengan data pengukuran langsung, maka didapatkan bahwa metoda interpolasi spline memiliki tingkat presisi yang lebih baik dibandingkan dengan interpolasi IDW ataupun Natural Neighbour. Kata Kunci: Penurunan Skala, Interpolasi, IDW, Natural Neighbour, Spline Abstract The development of solar energy in Indonesia requires the referral of information of region suitable for installation of solar power plants ( PV Plan ) . Some sites has provides a source of solar radiation data which are resulted by satellite imagery and measurement that can be used as reference to estimate the radiation data at specific intervals. Solar radiation data is difficult to use directly since the data has a range of intervals that are too far away. It needs interpolation to obtain more detailed information for smaller areas. Interpolation is one method that can be used to achieve the goal. In this study, three interpolation methods are compared. Interpolation Inverse Distance Weighted (IDW), Natural Neighbour, and Spline are used to dense the data from 110 km to 7 km. The interpolation results then compared with the direct measurement data on the surface. Through the calculation of the correlation between the data of interpolation results with direct measurement data, it was found that spline interpolation method has better precision than the IDW or Natural Neighbour interpolation. Keyword: Downscale, interpolation, IDW, Natural Neighbour and Spline
Diterima : 10 Februari 2014, direvisi : 3 Maret 2014, disetujui terbit : 19 Mei 2014
27
Ketenagalistrikan Ketenagalistrikan dan Energi Terbarukan dan Energi Terbarukan Vol. 13 No. 1 Juni 2014 : 27Vol. – 3813 No. 1 Juni 2014 : 27 – 38 Interpolasi
PENDAHULUAN Intensitas
radiasi
matahari
menggambarkan keadaan tingkatan kekuatan sinar matahari yang menembus atmosfer menuju permukaan bumi. Kekuatan sinar tersebut
tergantung
pada
besarnya
sudut
datang. Semakin besar sudut datang semakin tinggi pula energi matahari yang diterima bumi
metode
untuk
mendapatkan data berdasarkan beberapa data yang telah diketahui. Interpolasi spasial dapat digunakan untuk memperoleh data estimasi meteorologi pada titik lokasi yang tersebar secara acak. Ada banyak teknik interpolasi yang tersedia namun hal itu bukan jaminan untuk bisa menghasilkan data terbaik yang merepresentasi atau mendekati kondisi aktual.
[3].
Setiap Data intensitas radiasi matahari pada suatu wilayah tertentu dapat diperoleh dengan tiga
adalah
cara
yaitu,
pertama,
melakukan
pengukuran langsung dengan menggunakan alat ukur pyranometer, pyrheliometer dan
metode
kerugian.
Hal
memiliki itu
dapat
keuntungan diatasi
dan
dengan
menetapkan tujuan dari interpolasi itu sendiri [4].
Karena
tujuan
yang
berbeda
dapat
memerlukan kriteria yang berbeda untuk evaluasi interpolasi.
Campbell stokest. Kedua, dengan data citra satelit. Data citra satelit ini banyak digunakan karena mudah diakses secara global. Ketiga, dengan pemodelan numerik secara simulasi komputer untuk tujuan mengetahui potensi radiasi yang akan datang. [8]. Kelebihan citra satelit adalah data yang
Tujuan Penelitian Tujuan penelitian ini adalah melakukan perapatan data dari citra satelit Radiasi Surya untuk permukaan horizontal dari data SSE melalui
3 metoda interpolasi, dari interval
disajikan merupakan data rata-rata pencitraan
spasi 110 km menjadi 7 km. Ketiga metode
dalam interval pengukuran yang panjang.
interpolasi tersebut adalah:
Menurut Vetri (2012), ada 6 sumber data
weighted (IDW), natural neighbour dan spline.
internasional yang menyediakan data radiasi
Hasil perapatan data kemudian diverifikasi
surya dan hasil pengukuran satelit [9]. Salah
dengan data pengukuran langsung.
satunya adalah Surface meteorology and Solar Energy (SSE), yang menyediakan data radiasi surya hasil permodelan selama 22 tahun dari Juli 1983 hingga Juni 2005. Data SSE ini telah dibandingkan dengan data jaringan stasiun Baseline Surface Radiation Network (BSRN), memiliki bias data sebesar -0.01 dan RMS sebesar 10,25% (NASA)
Diterima : 10 Februari 2014, direvisi : 3 Maret 2014, disetujui terbit : 19 Mei 2014 28
inverse distance
Perbandingan Metoda Inverse Distance Weighted (IDW), Natural Neighbour, Ketenagalistrikan dan Interpolasi Energi Terbarukan Perapatan Data Peta Potensi Energi Surya Vol. 13 No. 1dan JuniSpline 2014 Untuk : 27 – 38
Gambar 1. Lingkungan IDW untuk titik yang dipilih
Metode
METODOLOGI Dalam penelitian ini, perangkat lunak Sistem
Informasi
Geografis
(SIG)
yang
interpolasi
yang
digunakan
dalam kegiatan penelitian ini adalah : IDW, natural neighbour dan spline.
digunakan adalah ArcMAP versi 9.3. dari Environmental
Systems
Research
Institute
a.
Interpolasi IDW
(ESRI). Untuk melakukan proses interpolasi Interpolasi inverse distance weighted
dengan beberapa metode, digunakan ekstensi Spatial Analyst Tools. Sistem operasi yang digunakan adalah Windows 7 pada komputer berbasis prosesor Intel Pentium i.7 dengan kecepatan 3.4 GHz dan kapasitas memori
(IDW) menentukan nilai sel menggunakan kombinasi bobot linear dari satu set titik sampel. Bobotnya adalah fungsi jarak terbalik. Permukaan
yang
diinterpolasi
harus
dari
variabel yang tergantung lokasi (lihat gambar
sebesar 8 Gigabyte.
1) Data SSE diunduh melalui website resmi Atmospheric Science Data Center / Surface meteorology
and
Solar
Energy
(SSE).
(https://eosweb.larc.nasa.gov/project/sse/sse_ta ble). Dengan memasukkan batasan koordinat Indonesia dan memilih data yang ingin ditampilkan, maka data tersebut dapat diunduh.
Metode
ini
mengasumsikan
bahwa
variabel yang dipetakan menurun karena pengaruh dengan jarak dari lokasi sampel. IDW terutama bergantung pada kebalikan dari jarak dinaikkan menjadi kekuatan matematika. Rumus Umum Interpolasi IDW adalah [7],
Diterima : 10 Februari 2014, direvisi : 3 Maret 2014, disetujui terbit : 19 Mei 2014
29
Ketenagalistrikan dan Energi Terbarukan dan Energi Terbarukan Ketenagalistrikan Vol. 13 No. 1 Juni 2014 : 27Vol. – 3813 No. 1 Juni 2014 : 27 – 38 Rumus dasar interpolasi Natural Neighbour …… (1)
adalah [6],
…… (3) ……. (2) Dimana : G (x,y) = hasil interpolasi pada titik (x,y) Dimana: ui = u (xi), untuk I = 0, 1, …., N X = titik yang ingin diinterpolasi Xi = titik yang diketahui d = jarak titik x terhadap xi N = jumlah titik p = daya, bilangan rill, positif
Wi = Bobot F (xi,yi) = data yang diketahu Wi dihitung berdasarkan bobot besaran area yang diambil (“dicuri”) sebagai perhitungan interpolasi pada titik (x,y)
b. Interpolasi Natural Neighbour Natural nieghbour setiap titik adalah
c. Interpolasi Spline
mereka yang berhubungan dengan poligon
Interpolasi Spline menggunakan metode
neighboring Voronoi (Thiessen). Awalnya,
interpolasi yang memperkirakan nilai dengan
diagram Voronoi dibangun dari semua poin
menggunakan
yang diberikan, diwakili oleh poligon hijau
meminimalkan
(lihat gambar 2). Sebuah poligon Voronoi baru,
permukaan, sehingga permukaan halus yang
warna beige, dibuat disekitar titik interpolasi
melewati tepat melalui titik input.
(bintang merah). Proporsi ini tumpang tindih
fungsi
matematika
seluruh
yang
kelengkungan
Bentuk dasar dari Spline interpolasi
antara poligon baru dan poligon awal ini
kelengkungan
kemudian digunakan sebagai bobot.
kondisi berikut pada interpolant ini: •
minimum
memaksakan
dua
Permukaan harus melewati tepat melalui titik data.
•
Permukaan harus memiliki kelengkungan minimum - jumlah kumulatif kuadrat turunan kedua dari permukaan yang diambil alih setiap titik di permukaan harus minimum.
Rumus dasar dalam interpolasi spline adalah Gambar 2. Lingkungan titik interpolasi Natural
[2],
Neighbour
Diterima : 10 Februari 2014, direvisi : 3 Maret 2014, disetujui terbit : 19 Mei 2014 30
Perbandingan Metoda Interpolasi Inverse Distance Weighted (IDW), Natural Neighbour, Ketenagalistrikan dan Energi Terbarukan dan Spline Untuk Perapatan Data Peta Potensi Energi Surya Vol. 13 No. 1 Juni 2014 : 27 – 38
…… (4)
… (8) ….. (5)
T(x,y) = a1 + a2x + a3y
….(6) Dimana; j = 1, 2, ..., N N = Jumlah titk data. λj, ai = Koefisien pada system perumusan linier rj = Jarak dari titik (x,y) ke titik j (x,y). = Weight parameter. Ko = Bessel function. c = Konstanta 0.577215.
d. Korelasi Pearson
Dimana : cov = kovarian σx = standar deviasi nilai X μx = rata – rata nilai X E = Ekspektasi
Setelah koefisien korelasi kita dapatkan, maka perlu dilakukan uji t berpasangan menggunakan koefisien korelasi yang telah didapatkan.
HASIL DAN PEMBAHASAN
Untuk mengetahui hubungan antara data pengukuran dengan data interpolasi serta standar
deviasinya
maka
diperlukan
pengolahan data statistik menggunakan korelasi pearson.
Korelasi pearson merupakan
pengukuran parametrik yang menghasilkan koefisien
korelasi
yang
berfungsi
untuk
mengukur kekuatan hubungan linier antara dua variable. Simbol untuk korelasi Pearson adalah "ρ"(rho) jika diukur dalam populasi dan "r" jika diukur dalam sampel [8].
Matrik Data SSE divisualisasikan keatas peta untuk mengetahui sebaran titik telah mewakili wilayah di Indonesia (lihat gambar 3). Dari
data
radiasi
surya
tersebut
kemudian dilakukan interpolasi untuk mengisi data diantara titik. Gradasi Legenda dibuat sebanyak 32 warna untuk menunjukan besaran pada hasil interpolasi. Gambar 4, 5 dan 6 menunjukan pola polygon hasil interpolasi masing-masing.
Hasil
interpolasi
IDW
menunjukan area gradasi yang berbukit-bukit terhadap data primernya, sedangkan hasil …. (7)
interpolasi Natural Neighbour dan Spline memiliki
kemiripan
Diterima : 10 Februari 2014, direvisi : 3 Maret 2014, disetujui terbit : 19 Mei 2014
pola.
31
Diterima : 10 Februari 2014, direvisi : 3 Maret 2014, disetujui terbit : 19 Mei 2014 32
(sumber: SSE)
Gambar 3. Koordinat titik data SSE untuk wilayah Indonesia, Resolusi 1 Derajat (110Km)
Ketenagalistrikan Ketenagalistrikan dan Energi Terbarukan dan Energi Terbarukan Vol. 13 No. 1 Juni 2014 : 27Vol. – 3813 No. 1 Juni 2014 : 27 – 38
Gambar 4. Hasil Perapatan Data dengan Interpolasi IDW, Interval Spasi 7 Km
Perbandingan Metoda Interpolasi Inverse Distance Weighted (IDW), Natural Neighbour, Ketenagalistrikan dan Energi Terbarukan dan2014 Spline Vol. 13 No. 1 Juni : 27Untuk – 38 Perapatan Data Peta Potensi Energi Surya
Diterima : 10 Februari 2014, direvisi : 3 Maret 2014, disetujui terbit : 19 Mei 2014
33
Gambar 5. Hasil Perapatan Data dengan Interpolasi Natural Neighbour, Interval Spasi 7 Km
Ketenagalistrikan Ketenagalistrikan dan Energi Terbarukan dan Energi Terbarukan Vol. 13 No. 1 Juni 2014 : 27Vol. – 3813 No. 1 Juni 2014 : 27 – 38
Diterima : 10 Februari 2014, direvisi : 3 Maret 2014, disetujui terbit : 19 Mei 2014 34
Gambar 6. Hasil Perapatan Data dengan Interpolasi Spline, Interval Spasi 7 Km
Ketenagalistrikan dan Energi Terbarukan Perbandingan Metoda Interpolasi Inverse Distance Weighted (IDW), Natural Neighbour, Vol. 13 No. 1 Juni : 27Untuk – 38 Perapatan Data Peta Potensi Energi Surya dan2014 Spline
Diterima : 10 Februari 2014, direvisi : 3 Maret 2014, disetujui terbit : 19 Mei 2014
35
Ketenagalistrikan dan Energi Terbarukan dan Energi Terbarukan Ketenagalistrikan Vol. 13 No. 1 Juni 2014 : 27Vol. – 3813 No. 1 Juni 2014 : 27 – 38 Hasil peta interpolasi tersebut kemudian
peta
hasil
interpolasi.
Data
tersebut
dilakukan verifikasi terhadap nilai pengukuran
dibandingkan dengan data pengukuran untuk
langsung pada permukaan bumi melalui data-
mengetahui besarnya korelasi terhadap hasil
data dari stasiun BMKG.
interpolasi.
Raharjo pengukuran
(2005), radiasi
memaparkan
yang
dilakukan
data oleh
Tabel 2. Hasil Sampling data Interpolasi
BMKG dan BPPT dalam rentang waktu yang Kwh/m2
berbeda PROPINSI
Ukur
IDW
NatNeigh
Spline
Tabel 1. Pengukuran Langsung BMKG dan
NAD
4,097
4,647
4,663
4,595
BPPT [5].
SumSel
4,951
4,631
4,604
4,577
Lampung
5,234
4,929
4,945
4,961
DKI Jakarta
4,187
5,058
5,030
5,019
Banten
4,324
5,055
5,084
5,092
Banten
4,446
5,054
5,066
5,057
Jawa Barat Jawa Tengah DI Yogyakarta Jawa Timur
4,149
5,011
4,993
4,997
5,488
5,368
5,425
5,460
4,500
5,108
5,085
5,015
4,300
5,524
5,493
5,494
KalTim
4,172
4,912
4,854
4,759
KalSel
4,796
4,825
4,790
4,747
KalSel
4,573
4,866
4,842
4,829
Gorontalo
4,911
5,824
5,815
5,798
SulTeng
5,512
5,386
5,379
5,394
4.300
Papua
5,720
5,009
5,023
5,029
4.172
Bali
5,263
5,610
5,602
5,612
NTB
5,747
5,840
5,749
5,614
NTT
5,117
6,177
6,190
6,184
Propinsi
NAD
Tahun Pengukuran
1980
SumSel
1979-1981
Lampung
1972-1979
DKI Jakarta
1965-1981
Banten
1980
Banten
1991-1995
Jawa Barat Jawa Tengah DI Yogyakarta
1980 1979-1981
Jawa Timur
1980
1980
KalTim
1991-1995
KalSel
1979-1981
KalSel
1991-1995
Gorontalo
1991-1995
SulTeng
1991-1994
Papua
1992-1994
Bali
1977-1979
NTB
1991-1995
NTT
1975-1978
Lokasi 4o15’ LS; 96o52’ BT 3o10’ LS; 104o42’BT 4o28’ LS; 105o48’BT 6o 11’ LS; 106o05’BT 6o 07’ LS; 106o30’BT 6o11’ LS; 106o30’BT 6o56’ LS; 107o38’BT 6o59’ LS; 110o23’BT 7o37’ LS; 110o01’BT 7o18’ LS; 112o42’BT 0o 32’ LS; 117o52’BT 3o27’ LS; 114o50’BT 3o25’ LS; 114o41’BT 1o32’ LS; 124o55’BT 0o57’ LS; 120o0’ BT 8o37’ LS; 122o12’BT 8o40’ LS ; 115o13’BT 9o37’ LS; 120o16’BT 10o9’ LS; 123o36’BT
(Wh/m2)
4.097 4.951 5.234 4.187 4.324 4.446 4.149 5.488 4.500
4.796 4.573 4.911
Untuk mengetahui hubungan korelasi
5.512
antara kedua data, maka dilakukan perhitungan
5.720
korelasi pearson dan uji t-berpasangan yang
5.263
dihasilkan.
5.747 5.117
Hubungan pengukuran
dan
korelasi data
ditunjukan pada tabel 3. Dari data tersebut diatas dilakukan sampling data di lokasi pengukuran terhadap
Diterima : 10 Februari 2014, direvisi : 3 Maret 2014, disetujui terbit : 19 Mei 2014 36
antara hasil
data
interpolasi
Perbandingan Metoda Interpolasi Inverse Distance Weighted (IDW), Natural Neighbour, Ketenagalistrikan dan Energi Terbarukan dan2014 Spline Untuk Vol. 13 No. 1 Juni : 27 – 38 Perapatan Data Peta Potensi Energi Surya Tabel 3. Korelasi Pearson hasil sampling
17, dan α = 0,05 maka didapat nilai t-tabel
terhadap data pengukuran langsung. Interpolasi IDW Natural Neighbour Spline
Dari tabel uji t-berpasangan dengan dk =
Korelasi Pearson 0,437 0,445 0,451
sebesar 2,110. Ini berarti ketiga sampling interpolasi lebih kecil dari t-tabel (t-hitung < ttabel). Sehingga terima Ho dan tolak Ha. Sehingga dapat disimpulkan bahwa Korelasi antara variable pengukuran dan interpolasi
Dari hasil perhitungan korelasi terhadap
cukup kuat, dengan tingkat signifikansi 95%.
19 titik sampling, didapatkan nilai korelasi yang hampir serupa diantara ketiga korelasi
KESIMPULAN DAN SARAN
tersebut. Hasil sampling yang memiliki korelasi
Kesimpulan
yang paling kuat diantara ketiganya adalah korelasi
Spline.
Artinya
korelasi
Metoda
Interpolasi
IDW,
Natural
Spline
Neighbour dan Spline dapat digunakan untuk
menunjukkan kekuatan dan arah hubungan
merapatkan data. Data berhasil dirapatkan dari
linier dua variable acak yang lebih besar
interval spasi 110 km menjadi 7 km.
dibanding korelasi yang lainnya. Untuk
menentukan
Berdasarkan hasil perhitungan korelasi apakah
ada
dan uji T berpasangan didapatkan bahwa hasil
hubungan linier antara variabel pengukuran dan
interpolasi metode Spline memiliki nilai yang
natural neighbour
lebih presisi dibandingkan metode IDW dan
maka perlu menguji
koefisien korelasi populasi menggunakan uji t-
Natural Neighbour.
berpasangan dengan tingkat keberterimaan sebesar 5% sebagai berikut [1] :
Saran Berdasarkan
hasil
peta
potensi,
Penelitian dan Pengembangan Energi Surya ….(9) Langkah pertama adalah hipotesa ; Ho = data presisi Ha = data tidak presisi Taraf nyata (α) = 5 % dan derajat kebebasan (dk) = n-2 = 17 Hasil perhitungan uji t berpasangan dapat dilihat pada tabel 4.
sangat baik dikembangkan untuk wilayah Indonesia Bagian Tengah dan Bagian Timur. Dalam hal ini misalnya wilayah provinsi Nusa Tenggara Timur yang mempunyai intensitas cahaya
matahari
mempertimbangkan
tinggi parameter
dengan lain
yang
diperlukan untuk pembangunan PLTS.
Tabel 4. Hasil Uji T Berpasangan Interpolasi IDW Natural Neighbour Spline
T Tabel 2,110 2,110 2,110
T Hitung 2,003 2,048 2,083
Diterima : 10 Februari 2014, direvisi : 3 Maret 2014, disetujui terbit : 19 Mei 2014
37
Ketenagalistrikan Ketenagalistrikan dan Energi Terbarukan dan Energi Terbarukan Vol. Vol. 13 No. 1 Juni 2014 : 27 – 3813 No. 1 Juni 2014 : 27 – 38 [8].
DAFTAR PUSTAKA [1].
Fisher,
Ronald
(1925).
for
Research
Methods
“Statistical
Account of the Invention of Correlation".
Workers.
Statistical Science 4 (2): 73–79. doi: 10.1214/ss/ 1177012580.
Edinburgh”: Oliver & Boyd. ISBN 0-05002170-2 [2].
Stigler, S. M. ,1989. "Francis Galton's
[9].
Vetri, N, Marlina dan Bono, 2012,
Franke, R. 1982. “Smooth Interpolation of
“Pembuatan Peta Potensi Energy Surya”,
Scattered Data by Local Thin Plate
Mineral & Energi, Vol.10/No.4, Jakarta,
Splines”. Comp. & Maths. with Appls.
ISSN : 1693-4121
Vol. 8. No. 4. pp. 237–281. Great Britain. [3].
Jasmina R and Amelia D, 2001, “Defining Of The Intensity Of Solar Radiation On Horizontal And Oblique Surfaces On Earth”, Facta Universitati, Working and Living Environmental Protection Vol. 2, No.1, 2001, pp. 77 - 86
[4].
Halit Apaydin, F. Kemal Sonmez, Y. Ersoy
Yildirim,
2004,
“Spatial
interpolation techniques for climate data in the GAP region in Turkey”, Climate Research, Inter-Research, Vol. 28: 31–40, 2004 [5].
Raharjo, I dan Fitriana ,2005, “Analisis Potensi Pembangkit Listrik Tenaga Surya Di Indonesia”, Publikasi Ilmiah, BPPT, Jakarta, ISBN 979-95999-5-4
[6].
Sibson, R. ,1981, "A brief description of natural neighbor interpolation (Chapter 2)".
In
V.
Barnett.
Interpreting
Multivariate Data. Chichester: John Wiley. pp. 21–36. [7].
Shepard,
Donald
,1968,
"A
two-
dimensional interpolation function for irregularly-spaced data". Proceedings of the 1968 ACM National Conference. pp. 517–524. doi:10.1145/800186.810616.
Diterima : 10 Februari 2014, direvisi : 3 Maret 2014, disetujui terbit : 19 Mei 2014 38