ANALISIS PEMILIHAN POS HUJAN UNTUK PEMANTAUAN KEKERINGAN DI WILAYAH SUNGAI PEMALI COMAL Levina”), Wanny K Adidarma’?, Lanny Martawati®), Wulan Seizarwati * Peneliti Utama Bidang Teknik Hidrologi * Peneliti Madya Bidang Teknik Hidrologi Calon Peneliti Bidang Teknik Hidrologi Pusat Penelitian dan Pengembangan Sumber Daya Air JI.tr. H. Juanda No.193 ~ Bandung E-mail ivepusair@gmail.com Diterima: 22 Febru 2011: Disetujut: 6 Mei 2011 ABSTRAK Monitoring kekeringan merupakan salah satu bvnuk penerapan penanganan kekeringan herbasis manajemen risiko. Sebagai langkah awal, naka diper'ukan monitoring data hidrelogi, salah satunya adalah data curah hujan (mm). Untuk keperluan monitoring kekeringan diperlukan beberape pos hujan dari 147 pos hujan yang ada di Wilayah Sungai Pemali Comal, untuk mewakili wilayah/zonanya. Sehingga, penelitian ini difokuskan untuk memilih pos hujan berdasarkan pendekatan statistic dan survey kondisifisik pos hujan. Pemilihan pos hujan dilakukan dengan menggunakan sistem clustering hujan bulanan dari BMKG, yang disebut Zona Prakiraan iklim (ZP1). Dalam analisis pemilihan pos hujan tahapan yang dilakukan adalah ‘mengubah seri data hujan menjadi indeks kekeringan (Standardized Precipitation Index atau SP! 12) skalo waktu 12 bulan, memilih pos hujan yang mewakili kondisi kekeringan di setiap ZPI, dengan pendekatan statistik yaitu menggunakan Principal Component Analysis (PCA) dan berdasarkan survey lapangan. Dari analisa PCA dapat dicentukan pos pos hujan terpilih berdasarkan perhitungan. Dari setiap ZPI dihasilkan 2 3 pos hujan utama dan beberapa pos cadangan. Pos pos terpilih tersebut dilakukan cek/survey lapangan untuk memeriksa kembali kondisi fisik pos hijan di lapangan ditinjau dari alat/tebung pengukur hujan, lingkungan, dan keamanan. Hasil anatisis PCA dan survey lapangan diperoleh 15 pos hujan yang dinvatakan mampu mewakili tingkat kekeringan di wilayahnya. Kata kunci: Monitoring kekeringan, SPI, Pemilihan pos hujan, PCA, Kondisi fisik pos hujan ABSTRACT Drought monitoring was an implementation of drought mitigation based on disaster risk management systems. Monitoring of rainfall data (mm) is a first step of drought monitoring. For the purpose of drought monitoring, needed some of 147 rainfall stations on the Pemali Comal watershed, to represented of drought in each area, The selection of rainfall stations used system of monthly rainfall from BMKG clustering, called Zone Climate Forecast (ZP!). Steps in the selection of rainfall stations is to ¢ransform the rainfall data series into an index of drought with 12 month time scale (the Standardized Precipitation Index or SPI 12), select the most represented drought conditions in each of ZPI with @ statistical approach (is to use Principal Component Analysis/PCA) and based on field survey/ground check. From the PCA analysis can be determined selected rainfall stations based on calculation. From each ZPI choosed 2 3 major rainfall stations and some alternative rainfall stations. Field survey by the selected rainfall stations do to re examine the physical condition of the rainfall stations in terms of measuring rainfall device, environment, and safety. The result of PCA analysis and field survey obtained 15 rainfall stations that otherwise represented the level of drought in that region. Key word: Drought monitoring, SPI, Rainfall stations selection, PCA, Physical conditions uf rainfall stations PENDAHULUAN Sebagai salah satu dampak dari perubahan iklim, Kekeringan niengancam berbagai_macam sektor kehidupan, khususnya dalem bidang pertanian, Sebagai conto, terjadi_penurunan Jurnal Teknik Hidraulik, Vol. 2 No. 4, luni 2011: 1-96 produksi padi, Salah satu upaya yang dilakukan untuk mengatasi hal tersebut yaitu dengan menerapkan —mitigasi_—kekeringan yang berlandaskan Disaster Risk Management. Mitigasi kekeringan ini bertujuan untuk mengantisipasi 33dampak dari kekeringan, Untuk mendukung hal tersebut, diperlukan upaya monitoring kekeringan agar dapat diperoleh informasi tingkat kekeringan di swatu wilayah’, ‘Wilayah Sungai Pemali Comal dlipilih sebagai Jokasi penelitian, karena memiliki cakupan wilayah yang sangat luas dan jumlah pos hujan cukup rapat yang tersebar serta tahun pengamatan yang cukup panjang (Gambar 1), sehingga untuk. keperluan monitoring kekeringan diperlukan beberapa pos hujan yang mewakili, Penelitian didasarkan Zona Prakiraan Tktim (ZP1) yang dikeluarkan oleh BMKG Kajian dalam makalah ini difokuskan pada identifikasi pes-pos hujan yang dapat mewakili tingka® keparahan kekeringan di WS Pemali Comal Melalui metode SPI (Standardized Precipitation Index) enrah hhujanbulanan diolah _sehingga menghasilkan nilai indeks kekeringan. Nitai indeks kekeringan tersebut kemudian digunakan dalam analisis pemilihan pos hujan berdasarkan metode Principal Component Analysis (PCA) yang kemurtian dibandingkan domgan hasil survey kondisi fisik pos hhujan TINJAUAN PUSTAKA. Pengukuran — kekeringan —_meteorologi dilakukan melalui Metode Indeks Kekeringan yang, diterapkan pada deret data hujan bulanan, Indeks Keleringon dari Standardized Precipitation Index (SPI) menawarkan berbagai skala waktu yang mampu_ menggambarkan kekeringan hidrologis dari sungaf, danau, ata waduk bahkan tampungan air tanab, Indeks kekeringan merupakan suatu nilai yang mengindikasikan —tingkat__keparahan kekeringan setiap waktu lengkap dengan durasi kekeringan. Pengertian bahwa bila hujan yang turun mengecil_akan mengakibatkan kandungan air dalam tanah dan debit aliran berkurang, menimbulkan berkembangnya konsep Standordized Precipitation Index (SPI). SPI ‘ihitung untuk menguantifikasikan defisit hujan dengan berbagai skala waktu. Skala waktu tersebut mencerminkan dampak —kekeringan pada ketersediaan air di berbagai_sumber. Kondisi kelengasan tanah merespon anomali hujan pada jangka waktu pendek, sedangkan air tana, debit di sungai, dan tampungan waduk —menanggapi anomali hujan lebih lama. Oleh karena itu SPI dihitung untuk berbagai skala waktu, yakni 3.6, 12, 24, dan 48 bulan2, Untuk kepentingan pemilihan pos hujan dalam kajian ini digunakan SPI dalam skala waktu 12 bulan. SPI 12 dinilai paling tepar untuk Pemilivan pos hujan karena alasan-alasan betikut, yokni hanya menangkap variabilitas dengan En frekuensi_rendah, untuk menghilangkan siklus tabunan, dan mengacu pada hasil-hasil penelitian yang sudab dilakukan sebelumnya’. Pemilihan pos Imjan dilakuken dengan metode statistik Principal Component Analysis (PCA) dan metode survey kondisi fisik pos hujan. Dengan kedwa metode ini, maka dapat dipilih pos hujan yang dapat mewakili 2PI nya masing-masing Dalam metoda statistik, analisis komponen Utama atau Principal component analysis (PCA) adalah transformasi vektor yang sering digunakan untuk mengurangi data multidimensi menjadi dimensi_yang lebih kecil untuk analisis. PCA meliputi perhitungan dekomposisi nilai eigen dari data matriks ovarian atau dekomposisi_nilai singular dari data matriks, setelah pemusatan rata- rata data untuk masing-masing atribut. PCA sangat sederhana dan paling berguna bagi analisis kebenaran multivariat berdasarkan vektor eigen (eigen vector) karena operasinya adalah membuka struktur internal dari data dalam jalan sama tengah (unbiased) Fungsi utama PGA adalah mengonstruksikan suat kombinasi linier dari suatu kelompok vektor variabel_ lama yang. saling korelasi_ menjadi sejunlah kecil vektor variabel_komposit atau Komponen baru yang saling ortogonal, yaitu saling tidak korelasi, Karena transformasi ini tidak unik, maka harus dilakukan transformasi atau kombinasi linier “terbaik", Dalam analisis Komponen utama kriteria terbaik ini ditinjau dari segi variannya, artinya sekelompok kecil variabel baru tersebut harus dapat mencakup sebagian besar varian dari kelompok variabel lama, sehingga _kekekalan informasi-informasi bawaan dapat terjamin. Jadi transformasi terbaik adalah transformasi yang menghasilkan sejumlah Komponen yang dapat menerangkan varian yang ada di seluruh datat, Sedangkan —pemilihan pos huyjan berdasarkan survey Kondisifisik pos hujan dilakukan untuk mengetahni kondisifisik pos apakah layak dari segi fisik, karena berdasarkan hasil analisis pos:pos hujan tersebut sudah layak dipilth. Dari hasil pemeriksaan kondisi fisik pos bujan ada tiga syarat yang harus dipenuhi agar pos hujan tersebut dapat dikatakan layak secara fisik, yaitu —syarat_ kondisialat, lingkungan, dan keamanan HIPOTESI Monitoring kekeringan dapat diperoleh melalui tingkat keparahan dalam suatu wilayah berdasarkan pos-pos yang mewakili_ wilayah tersebut, PENELITIAN Jurnal Teknik Hidraulik, Vol. 2 No. 1, luni 2011; 1 - 96“Sumber: BLAKE modifies Gambar 1 Peta Zona Prakiraan Islim (ZP1) WS Pemali Comal METODOLOGI 1 Gambaran Umum Wilayah Sungai Pemali Comal memiliki tingkat kerapatan pos hujan yang besar dan periods yang panjang, yaitu antara 1916-2009.Dalam analisis kekeringan diperiukan data hujan bulanan yang cukup panjang atau memiliki ketersediaan data 2 70% dan dikelompokkan dalam Zona Prakiraan Iklim (ZPL) yang dikeluarkan oleh BMKG. Untuk wilayah Pemali Comal, terdapat 9 (Sembilan) ZPI dengan pos hujan yang tersebar cukup merata Zona Prakiraan Iklim (ZP1) Wilayah Sungai Pemali Comal dapat dilihat pada Gambar 1, Dari 147 pos yang ada di Wilayah Sungai Pemali Comal hanya 94 pos yang memiliki ketersediaan data > 70% Pemilihan pos dilakukan — berdasarkan analisis PCA (Principal Component Analysis) dan survey pos hujan yang dilakukan setelah pos-pos hujan dengan ketersediaan data. > 70% dikelompokkan berdasarkan Zona Prakiraan Iklim (2PI). Dari kedua metode tersebut — dapat ditentukan pos hujan yang akan mewakili masing masing ZP1. Pemilihan pos hujan khususnya’ dengan cara survey lapangan merupakan proses yang cukup panjang, karena sebagian hesar konidisi fisik pos hujan di lapangan tidak sesmai dengan hasil analisis PCA. Secara gatis besar, kerangka Jurnal Teknik Hidraulik, Vol, 2 No. 1, Juni 2011: 1-96 pikir penelitian dapat dilihat pada bas Gambar 2 2 Standardized Precipitation Index (SPI) Indeks kekeringan adalah nilai tunggti s menggambarkan_ tingkat_ kepar keke (Knutson et al, 1998), dihitung dari dats atau data debit dan diguna pasok ait, SPL dihitung berdasar kan se hujan yang sebenarnya terjadi dengan hujatt rate rata menggunakan skala waktu tertentu dibs. dengan simpangan bakunya (Guttman, 1999) Untuk menghilangkan faktor musim pada deret data hujan bulanan maka di samping membentuk satu deret data dengan distribusi prohabilitas yang sama, dilakukan pula transtormiasi da perhitungan SPI sebenarnya merupaka! untuk menjadikan seri data ash menjadi seragam sehingga regionalisast dapat dilakukan san sebagat nulla ihe a Klasifikasitingkat keparahan kekeringan yang tercantum dalam = Tabel 1 untuk mengidentifikasikan intensitas kekeringan dan juga kriteria kejadian kekeringan waktu tertentu’, Kekeringan terjad) pale waktu SPI secara berkesinambungan hernilai negatit dan Kekeringan dengan SPI uk she mencapai_ intensitas bernilai-1 atau kurang, 35Tabel 1 Kiasitikasi SI Nil SP 200 150-199 1.00~ 1.49 099-099 2 1,00 - (-1,49) 1,50 - (-1,99) 2,00 atau < (-2,00) 36 Pergo] 1___, Pos Hujan Periode 1951-2000an Kondisi Data 270% ‘Teansformasi Deret Data ‘Hujan Bulanan dengan Metode SP112 1 Pemiivan Pos Hujan ‘anatisa PCA Survey Kondisi Fsile 1. Eigen Value Pos Hujan: (Persentase 1. Kondistaat umulatif PCA) 2. KondisiLingkungan 2. igen Vector ‘3 Kondisi Keamanan No Yes Pos Hujan Terpitin, Gambar 2 Hagan Aly ke wh PI Mernjkuti Skala easiest Amat sang basah Sangat basah : Cukup basah Mendekat normal kup kening Sangat kering. ‘Amat sangat keving 3 Principal Component Analysis (PCA) Variabet yang digunakanclakam analisis vevntiihan pos hnujan berdasarkan metoda PCA atalal franstormay: deret data bujan bulanan, yang Hhilam penektan ini menggumakan metode SPL skh walt, 1 bulan. SPIE dinilai paling tepat Hols penuliban pos sug Karena alasan-alasan peru cakns Hanya menangkap. variabilitas fengan Welowne rendak, untuk: menghilangkan Inengacte pada hasil-hasil ) wang sudab dilakukan sehelumnya deret data’ hujanbutinan_ diubab Inenpadi probabiktas gamma yang. selanjutnya duttanstoriierkan meniati aia 2 dari normal 1 Teknik Hicraulik, Vol, 2.No. 1, Junt 2011: 1-96PCA dikenal sebagai alat untuk mengolah data secara ruang-waktu’. Metode PCA menghasilkan keluaran berupa eigen valwe, eigen vector, dan factor score. Eigen value menggambarkan koefisien korelasi antara nilai indeks kekeringan masing masing pos hujan dengan kondisi rata-rata indeks kekeringan seluruh wilayah, sehingga nilai eigen value yang besar memiliki korelasi_ paling baik dengan nilai_rata-rata.indeks —_kekeringan wilayahnys. Nilai_ variansi dari komponen- Komponen baru (PC) yang telah diekstrak dengan baik ini dapat diolah untuk menghasilkan proporsi kumulatif atau presentase perwakilan dari masing- imasing PC tersebut, Presentase kumulatif dari proporsi ini selanjutnya digunakan untuk menentukan berapa banyak PC yang diambil. Selanjutnya untuk penentuan pos huian terpilih, ditentukan berdasarkan _nilai terbesar dari eigen vector paca masing-masing PC. Eigen vector dapat diolah untuk menggambarkan kondisi data secara spasial (pola spasial). Figen value dan eigen vector dapat diperoieh dengan persantaan sebagai berikut: ] -[x] tH n ir W Dimmana [1] = matriks dengan dimensi (n*n) yang seluruh nilainya adalah 1 pg.led es m1 Matriks S adalah matriks variansi-kovariansi yang simetris. Dimensi dari matriks S adalah (K*K) Diagonal elemen dari matriks $ merupakan sampel variansi. Sedangkan elemen lain dari matriks S| merupakan sampel kovariansi, Kemudian dicari vektor eigen (eigen vector) dan nilai eigen (eigen value) dari matriks variansi-kovariansi [S}. Definisi secara umum dari eigen vector dan eigen value ialah didefinisikan T:S > V Artinya jika ‘T merupakan transformasi linier dari S ke V. Maka besaran skalar A disebut eigen value dari T jika didapat elemen x vang tidak nol dalam S sehingga berlaku: TExl= tx 8) x disebut eigen vector dari T yang dimiliki oleh eigen value. Berikut merupakan sitat yang terdapat pada matriks eigen vector [E], eigen value [A] dan matriks awal [S] ISJE=A"E (a) IX-M] =0 (5) (2) Jurnal Teknik Hidraulik, Vol. 2 No, 2, Juni 2011: 1 ~ 96 Matriks eigen vector [F] memiliki dimenst (KK). Eigen value [2] memiliki dimensi (K*K) juga Namun pada matriks [A] seluruhnya bernilai 0 (nol) kecuali pada elemen diagonalnya, Ambit nilai elemen diagonal pada _matriks [A], sehingga dimensi baru dati matriks [\] adalah (K"1) Definisikan —matriks PCA [F] yang merupakan variabel baru sebagai berikut LF] = EYED (6) Matriks PCA [F] memilikidimensi yang. sama dengan data asti yaitu (n*K). Dari eigen value, dapat dilihat nilai representatif dari masing-masing PCA terhadap data asli. jadi dengan melihat distribusi eigen value, dapat menentukan banyaknya PCA yang diambil untuk dapat mengolah data seetisien mungkin. Perumusan nilai representatif dari ssasing-masing PCA dari nilai cigen value adalah -ebagai berikut om de ms 100% m P Dimana: M* = Banyaknya PCA yang akan diambil M_ = Banyaknya baris dari matriks [2] P_ = Besarnya nilai representatif dari MY PCA vang diambil Ag = Nilai eigen value baris ke-k Dalam PCA, operator transformasi dapat dibalik (invertible), oleh karena itu, variahel variabel lama harus dapat dinyatakan sehagai superposisi linier dari sejumlah — komponen komponen utamanya. Cara untuk mengembalikan ke data asli dari PCA yang telah diambil yaitu definisikan matriks [7] sebagai matril's yang mengambil banyaknya komponen dari ma eigen vector [E eft e12 .. elw] eaten cia 4 {rl- (8) ekt ek? ekw) Dimana: [1]. Matriks yang mengambil banyaknya kompenen dari matriks eigen vector [F]. Banyaknya vigen vector yang akan dipertahankan tergantong dari 1 Dimensi dari matriks ialah (w*K). W, Banyaknya PCA yang akan dipertahankan, Definisikan matriks [Y] sebagai matriks yang mengambil banyaknya komporien PCA dari matriks PCA [FI 37Fw 6) PA PRE. Flaw Dimana LY}, Matriks vang mengambil hanyaknya komponen PCA dari matriks PCA TP], Ditnansi dari mateits (Y] alah (Wy W, Banyakpya PCA yang alan dipertabankan Dari matriks hasil pembalikan ini, maka dihadapkan kepada permasalahan — seberapa banyak PEA yang diambil sehingga dapat meneiangkan sebagian besar varian dari sistem semiula, Masalal ini dapat dipecahkan dengan cara subjektit dan objektif. Secara subjektif, untuk menentukan banyaknya PCA dapat diambil dari distribusi eigen valtenya, sebab tiap orang memiliki standat yang berbeda terhadap kesalaban yang ingin dipertahankan. Dalam peneti ian ini dipilih Kaiser Criterion untuk: penentuan Komponen PC yang diambil Kritesia tersebut berbunyi: “Pertama-tama_ kita hanye mengambil faktor-faktor yang memiliki nila eigen value lebib besat dari 1, Pada dasarnya dapat dikatakan bahwa, jika faktor-faktor yang diekstrak setidaknya setara dengan variabelasli, maka faktor-faktor tersebut diambil”Kriteria ini dikemakakan oteh Kaiser (1960). 4 Survey Kondisi Fisik Pos Hujan Untuk pemilihan pos hujan berdasarkan kondisi tisik, yaitu dengan memeriksa kondisi serta kinevia pos hnyjan di lapangan, Syarat yang harus dipenuhi agat pos hryjan dikatakan layak adalah syarat_kondisi alat, lingkungan, dan keamanan Masing-masing syarat tersebut harus terpenubi sehingga pus bujan tersehut dapat dikatakan kayak. 1) Alat ~ Tipe penskor huian : luas corong 100 em? 200 cm? ~ Tinggi penyangga 120 cm dari tanah ke mulut tabung hujan dan kondisi tegak Gelas ukur yang digunakan standard dan sesuai dengan tuas corongnya = Penakar dan bran tidak ada Kebororan 2) Lingkungan ~ Daerah bebas sejauh 10 m dari pohonshangunan ‘Ada pagar besi/kawat 3) Keamanan Jarak rumah pengarat dengan pas hujan dekat, Pos hujan berada tidak jouh sari perumahan penduduk agar dapat terpantau, sehingga ‘esike terjedi nericurian dapat dicegeh 28 Lokasi_ pos hujan di tempat yang tidak banyak dilewati orang, sehingga voliditas data hujan terjoga (heberspa tabune hujan sering disi air/sampal oleh anak-anak) Jikx ke 3. (liga) syarat tersebut tidak chpenuhi, maka pos hujan perl diperbaiki atau dipindsh ke tempat yang lebih memenuhi syarat {syavat kondlist lingkengan/keamanan), HASH PENFUITIAN DAN PEMBAHASAN 1 An Anolysis) Dalam menentukan pos hujan terpilih menggimakan 2 metede yaitu analisis PCA (Frincipat Component Analysis) dan survey kondisi {isi pow hujan (survey lepangan). Dalam analisis pos hiujan terpilih ini analisis PCA” dengan ketersediaan data periode 1951-2009 > 70%, Data eurah hujan bukasn (mm) dari 94 pos di WS Pemal Comal yang ditransformasikan menjadi nila SPLLZ merupakan input dalam analisis. pemitihan sampel pos hujan secara teovitikal Nila SPI-12 ini dinilai paling tepat untuk, pemilihan pos bujan Karena hanya menangkap variabilitas dengan trekuensi- rendah, untuk menghilangkan siklus thunan dan mengacu pada hasithasil” penetition yang sudah — dilakulan PCA (Principal Component ehebumnyal. Komponen yang dihasitkan dari analisis PCA yaitts mfai eigen, proporsi variabilitas data, dan nilai_vektor eigen. Nilai eigen dan proporsi variabilitas data merupakan Komponen untuk menentukan hetapa banyak jumlah PC yang akan diambil Nilai eigen dan proporsi variabilitas data pada pada setiap 2PI, lihat Gambar 3 Nilai eigen menunjukkan korelas! antara nilai indeks kekeringan masing-masing pos hujan dengan kondisi rata-rata” indeks —kekeringan seluruh wilayah, Sermakin besar_nifai eigen maka semakin baik pula Korelasinya’. Gambar 2 mennnjukkan babwa PCT memiliki_hasil/nilai yang lebih dominan dibandingkan dengan PC lainnya, sehingga untuk pengambilan sampel PC-1 sitdah ecukep memenubi syarat. Komponen yang dihasilkan dalam analisis PCA selain menghasilkan nilai proporsi PCA, jug; menghasilkan nilai vector eigen. Analisa koefisien PC dilakukan hanya pada 3 komponen (PC-1, PC-2. dan PC-2) dan diinterpretasikan dalam bentuk peta isebit, hat Gambar 4 Berdasarkan Gambar 4, PC-1 menunjukkan kondisi yang Jebih homogen dibandingkan dengan PC lainnya dan memiliki korelasi yang kuat antara vatiabilitas data, Sedangkan, untule PC-2, walaupun nilab proporsiny rata-rata keil atau dengan kata Tain ondisinya: hetevagen dibandingkan PC-1, Jurnal Teknik Hidrautik, Vol. 2. No. 1, Juni 2011; 1-9610 Pana. mpc zl zp1 zPl zPI ZPI PI 55 59 60 61 62 63 mpcl Zona Prakiraan Iklim (2P!) fa) io rid ee ie ! (by Zona Praki-aesa Iklim (ZPI) Gambar 3 Nilai Eigen (a) dan Proporsi Variabilitas Data (b} Pada PC-1, Pl Gambar 4 Perbandingan Nilai Vektor Eigen (Koefisien PCA, PC-2, dan PC-3) Wilayah Sungai Pemali Comal Jurnal Teknik Hidraulik, Vol. 2 No. 1, Juni 2011: 1-96 dan PC 3 namun diyakini dapat menggambarkan kona! kondisi ekstrim yang tidak terwakili oleh Sedangkan untuk PC-3, kondisinya heterogen jk dibandingkan dengan PC-1 dan PC-2 atau dengan ka lain korelasiantara variabilitas datanya rend! Dengan demikian, PC-1 dan PC-2 dinilai sudah mamou merepresentasikan kondisi variabilitas data di wilayar Pemali Comal, Berdasarkan Gambar 3 dan 4, yang menunjukkan bahwa nilai PC 1 lebih dominan sehingga untuk pemilihan pos hujan berdasarkan analisa PCA dilakukan pada PC 1. Walaupun demikian, —diyakini— bahwa —PC-2_— dapat menggambarkan kondisi-kondisi_ ekstrim yang tidak terwakili oleh PC 14”, Sehingga untuk kepentingan —pemilihan pos hujan’—dlpilih berdasarkan nilai vector eigen terbesar pada PC-1 dan PC-2. Sebagai contoh, pada ZPI 59 pemilihan pos hujan berdasarkan nilai vector eigen terbesar dapat dililiat pada Tabel 2. Nilai_vektor eigen tidak dipengaruhi oleh tanda positif maupun negatif. Nilai positit atau negatif pada vektor eigen menunjukkan variabilitas kondisi kekeringan yang homogen (nilai PC pada seluruh pos bertanda negatif atau positif), seperti terlihat pada PC 1 atau heterogen (ada pos yang memiliki nilai PC positif dan negatif), seperti terlihat pada PC 2, 392 Perbandingan Analisi Fisik Pomeriksain kondisifisik pos hupan dilakukan berdasarkan nila fusit analisis PCA Hal tersebut dilakukan a hentukan pos utuma dan pos cudangin yang akan digunakan ketika PCA dan Kondisi ilakukony survey kundisi fisik (survew lapangon) Namwun, basil perbandiaigan antara nilat PCA dan Kondisi tisik pes hujan yang kemudian dapat Gipmtuskan pos hayan mana yang paling ideat sebagal pos yang mewakili aomanya masing masiig. Contoh hayil perbandingan penilihan os hujan berdasarkas anctists PCA dan str vey kunlis Hisik pada ZPL55 dapat dilhat pada Tabel 3 3° Pos Hujan Terpilih Berdasarkan hasil PEA, (Lawung Bata} dan 22 (Senggom) merupakan pos Uutama ter pili, Berdasarkan hasil survey baik pada Pes wlan maupun pas pos cadangan, beher ya analisis dimttranyesidah memenubi syarat Tabei 2 Koefisien PC 7159 No fe Nama Pos 2 Sa Luwung Bata 2 Cimunding Sone Gilembus | 4 ob Malahay ! Siete State 6 12a Jatikores 7 12b ——Rengaspendawa 8 15 Kubangwungu 9 15a Larangan | 10219 Lengkong m2 Songgom 12 22a Gondang 1323 Margasan 25 Notog B28 Tonjong w 43 Jatibarang, 7 43a Dukuh Randu 18 482 Parakan Kidang 1953, 20 54 40 Dengan demikian, pos terpilih untuk mewubiti ZPL59 adalah pos Sa (Luwung Bata), 22 {Songzom), dan 25 (Notog). Perbandingan antara walisis PCA dan survey lapangan dapat dibhat pada Tabel 4, Tahapar pemilihan pos hujan int mernjsakan proses vang cukup panjang karena totace asi perhitungan dan survey lapangan banyaic ditemukan —ketidakserasian — sehingga slipetlukan justitikasi tanpa memerhatikan hasil pethitungan, Dakin menentukan jumlah pos hujan terpitin pada masing-masing ZPI,— berdasarkan pala tats ZPL hika las ZPL tersebut cukup besar maka dipilth 2-3 pos yang mewakili dengan jarak untarpas terpilih tersebar merata, Tabel § Mmenunjakkan Daftar Nama Pos Hujan dengan Kondtisi Data 2 70% (tahun 1951-2009) dan 14 pos hujan terpilih di Wilayal Sungai Pemali Comal isersdasarkan ZPITabun 1951-2009 dengan Kondisi Data 70% wai 0.408 0.197 0,022 0357 9.87, 0,165, 0,216 0.268. 0044-0088 -0,097 0,266 0451 -0.031 0,206 0,253 | -0, 6 0.246 0077) 0.134 | 0241 Ot | I 0219 oat 0223 9,366 023 ua? 0,266 0.164 ! 0,141 0251 0.198| 0,192 e219 0437) 0437 0,221 0.01 0,347 r 0,255 0,185 0,388 0,007 | 0,245 0,258 107 | 0,199 0,054 0.236.239 02431 9,008 0193 Gaa7| 0,181} 0,126 0177 0238| 9,269| 0,150. 0,152 1,031 0,178 | 0,704 Jurnal Teknik Hidraulik, Vol. 2 No, 1, Juni 2011: 1-96Tabel 4 Daftar Nama Pos Hujan di Wilayah Sungai Pemali Comal Berdasarkan ZPI Tahun 1951-2009 dengan Kondisi Data > 70% zP1 55, 2159 ao een tease No-Pos | __Nama Por Naor | womapos Nees [Nama ox T | lesaritor 5a | Luwung Bata Sf ees ee alapulane 4c Tanjung 7 Cimunding pee eee eee 30 | Kalibakung 30 | Karang Sari 8 | Gilembu Soren ttt -anlongeecara 10a | Klampok ieee Meisner G1] Buri awa 2 | Sia [ean eset 21 | Brebes = ot. 61a | Kemaron — 2a | Jatkoreh a pkemeren: 2b | Sidapurna Scazecte| eteereh ect 70 | Kecepit ne ae ato ay | Rerenpendiwa 7? fesept_ = 5 [trove See sn Lee 5a | Larangan 350 | Pesayangan j waren zi61 aeceseet| Zia | Lengkong ite 36] Pagongan 7% | Songgom No. Pos | Nama Pos 39___| Tarub-Paketban >= — “7a | Randadonga 420_| Karangiat 33] Margasart | Namo a1__| Adiwemna 35 Notog ~ 790 [watukumpor 5 | Durand aaa Toner ior | Sipedang a3 [anibarong ES [sonra EEE wise 3a __| Dukuh Randa No. Pos Nama Pos 48a Parakan Kidang 33c Penjalin 53 | Cawitall s4__[Jelee 7162 163 No. Pos. Nama Pos _ No. Pos, Nama Pos ia wrocor 63a | Dukuhkasur i 45, Kemanglen = Warurejo 46 | Duka Ringin to ————— —35_| Pangkah/Paketiban 82a Klereyan aa 57__| Sirampok 83 | Ambo Sumnab Kidul S8a__| Geger Buntu ‘84a_| Karangtengah 6 | Cipero ot | sag 67 | Kedjeneh 111 | Pekalongan 69 _| Warungpiring 113 | Medono 85a _| Kebadinan/Ketanonageng 114 | Kauman of 87 ‘Sukowati 116) BPKL |/Surabayan 8 | Bantar Bolang 1173 | Kedungwungt a9 | Pedagung ie a Redan — farungasem 95 | Ds. Uungnegoro/Kalwad — — 95__| Bs Yunanegeeretnes 323 | Wonotnges Messlice 126 Simbang/Tulis Sse eembiri aaa 134/135 | Subah 37 | Ponolawen 736 [ Umpung 38 rajen asa | eringsing/Kertosan 100 _| Brondone 147 | Tersono 118 | Karangsar 719 | Karang Gondang —124_| Kutosari/Duro_ - ket 127 | Bandar Pos Terpilh (15 Pos) 137 [Reban 138 | Blado 148 | Bawang 42 Jurnal Teknik Hidraulik, Vol. 2 No. 1, Juni 2011: 1~ 964 Perbandingan Peta Kekeringan Bulanan 94 Pos dan 15 Pos Hujan Terpilih Interpretasi nilai SPI/indeks kekeringan yaitu berupa peta isohit yang menggambarkan sebaran tingkat keparahan kekeringan dalam gradasi_warna. Dimana, warna merah hingga merah pekat menunjukkan wilayah tersebut dalam kondisi kering/sangat kering, Warna kuning hingga biru, menunjukkan wilayah tersebut mengalami kondisi normal hingga sangat basah. Gambar 5 merupakan peta perbandingan sebaran tingkat keparahan kekeringan di wilayah Pemali Comal antara 94 pos dengan 15 pos hujan terpilih, Dari gambar tersebut dapat dilihat bahwa peta dengan 15 pos hujan terpilih sudah mampu mewakili tingkat keparahan kekeringan dengan menggunakan 94 pos. Sehingga, untuk analisis selanjutnya, cukup menggunakan 15 pos hujan terpilih, Gambar 5 Perbandingan Peta Kekeringan Bulanan Antara 94 Pos Hujan dan 15 Pos Hujan Terpilih Jurnal Teknik Hidraulik, Vol. 2 No. 1, Juni 2011: 1-96 43KESIMPULAN Dari hasil analisis pola sebaran kekeringan di wilayah Pemali Comal, dapat disimpulkan bahwa Hasil survey lapangan yang merujuk pada pos-pos dengan nilai PC terbaik hasil analisa PCA, ditemukan “beberapa ketidaksesuaian dengan kondisi_ nyata. ‘Untuk mengantisipasi ketidaksesuaian antara pos hujan dengan nilai PC terbaik dan kondisi nyata, maka dipilih beberapa pos cadangan yang nilainya mendekati pos utama, sehingga pos cadangan ini mampu mewakili zonanya. Berdasarkan hasil analisis PCA dan survey Kondisi fisik (lapangan) maka diperoleh 15 pos hujan terpilih (dari 147 pos hujan di Wilayah Sungai Pemali Comal) yang dianggap mampu ‘mewakili tingkat kekeringan di wilayah, Suatu metode analisis. PCA (Principal Component Analysis) sudah berhasil diaplikasikan untuk memilih pos hujan yang dapat mewakili suatu Zona Prakiraan Iklim (ZPI). Pos hujan terpilih untuk mewakili setiap zona adalah: ZPISS: pos 35b (Pesayangan), ZPL 58: pos 33c (Penjalin).. 2PI59: pos Sa (Luwung Bata), 22 (Songgom), dan 25 (Notog). 2P1 60: pos 60 (Bojong), dan 73 (Moga). ZPI 61: pos 109 (Bongas) ZP1 62: pos 57 (Sirampok), 88 (Bantar Bolang), 97 (Ponolawen), dan 137 (Reban). 2P1 63: pos 63a (Dukuh Kasur), 116 (Surabayan), dan 134(Subah), Hasilanalisa peta kekeringan bulanan menunjukkan bahwa sebaran tingkat keparahan kekeringan di wilayah Pemali Comal, dengan 94 pos hujan sudah mampu diwakili oleh 15 pos hujan terpilih a4 DAFTAR PUSTAKA Adidarma, Wanny K. 2008. Analisa Kekeringan. Bandung: Pusat Litbang Sumber Daya Air. Balai Hidrologi dan Tata Air. 2010. Mengatasi Kekeringan Akibat Perubahan Iklim Dengan Pendekatan Mitigasi. Laporan Akhir, Pusat Litbang Sumber Daya Air. Bandung: Kementerian Pekerjaan Umum. Bordi, |, K. Fraedrich, .M. Jian, and A. Sutera, 2004. Spatio - Temporal Variability of Dry and Wet Periods in Eastern China, Austria Springer-Verlag. —_(http://www.miuni- hamburg.de/fileadmin/files/.../docs/.../borfraejia sut04.pdf, diakses Januari 2010). Seizarwati, W. 2009. Analisis Variabilitas Curah Hujan di Pulau Jawa Menggunakan Data TRMM. Laporan Kerja Praktek. Bandung: Institut Teknologi Bandung, Mc.kee, 7.8, NJ. Doesken, and J. Kleist. 1993. The Relationship of Drought Frequency and Duration to Time Scales. Eighth Conference on Applied Climatology, 17-22 January 1993. USA: Anaheim California, Jurnal Teknik Hidraulik, Vol. 2 No. 1, Juni 2011: 1-96