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
33dampak 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,
35Tabel 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: 1-96PCA 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
37Fw
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; 1-9610
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,
392 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: 1-96Tabel 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~ 964 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
43KESIMPULAN
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