Anda di halaman 1dari 10

PEMODELAN DEBIT AIR SUNGAI * (Modeling for Discharge of River Water) Studi Kasus : DAS Cikapundung (Case Studi

: Cikapundung Water Flow) Mulyana ** ABSTRAKS Debit air sungai dipengaruhi oleh curah hujan, dan keduanya membangun data deret waktu bivariat, yang autokorelasi dan korelasi silangnya cukup signifikans. Sehingga peramalan debit air sungai dapat dilakukan dengan pemodelan regresi deret waktu. Analisis regresi untuk membangun model debit air sungai, ada tiga macam yaitu a. Pemodelan regresi deret waktu data debit air, dengan metode Box-Jenkins. b. Pemodelan periodesitas debit air, dengan analisis spektral. c. Pemodelan debit air sungai karena pengaruh curah hujan, dengan analisis fungsi transfer. Dengan diperoleh ketiga bentuk model tersebut, dapat disusun sistem pendukung kebijakan (decision support system) pengendalian DAS. Untuk debit air sungai Cikapundung, berdasarkan data harian stasiun pengamat Maribaya, model debit airnya adalah ARIMA (3,1,2), dengan periodesitasnya, selain musiman, juga periodesitas 3,5 tahunan dan 5 tahunan. Kata Kunci : Debit air, Data deret waktu, ARIMA(p,q,r), Analisis spektral, Fungsi transfers ABSTRACT Discharge of river water are influence of rainfall, and them building bivariate time series, with autocorrelation and cross autocorrelation are significans. Until its, forecasting for discharge of river watercan be with modeling of time series. Regression analysis for modeling of discharge of river water, are three methods 1. Modeling for regression of discharge of river water, with Box-Jenkins method. 2. Modeling for periodeitas of discharge of river water, with spectral analysis. 3. Modeling for discharge of river waterbecause influence rainfall, with analysis of transfers function. If have of the above mentioned three models, can be structured of decision support system, for operating river waterflow. Discharge of Cikapundung river, with daily date from Maribaya observations station, have model ARIMA(3,1,2) with periodecities, seasonal and annual periodecities 3,5 and 5years. Keyword : Discharge of river water, Time series, ARIMA(p,q,r), Spectral analysis, Transfer function * ** Makalah, disampaikan pada Lokakarya Sistem Informsi Pengelolaan DAS : Inisiatif Pengembangan Infrastruktur Data, di Institut Pertanian Bogor, tanggal 5 September 2007. Staf Pengajar Jurusan Statistika FMIPA Unpad. 1

PENDAHULUAN Jika menelaah paparan dalam hidrologi mengenai cara mengumpulkan data debit air, maka meramalkan debit air dari sebuah daerah aliran sungai, dapat dilakukan dengan proses pemodelan data deret waktu. Sebab data debit air dikumpulkan secara harian, pada jam-jam tertentu. Sehingga data debit air merupakan data deret waktu dengan variabel waktunya harian. Karena debit air sungai dipengaruhi oleh curah hujan di hulunya, dan data curah hujan merupakan data deret waktu dengan autokorelasi yang signifikans, maka data debit air harian juga akan merupakan data deret waktu dengan autokorelasi yang signifikans. Sehingga telaahan pada data debit air, 1. 2. 3. Model regresi deret waktu, untuk peramalan berdasarkan data secara univariat. Analisis spektral, untuk menelaah periodesitas data. Fungsi tranfers, untuk peramalan data berdasarkan hubungannya dengan data curah hujan Makalah ini merupakan hasil penelitian berdasarkan telaah kepustakaan, tentang peran analisis regresi deret waktu dalam hidrologi. Dengan analisis data sekunder, tentang debit air sungai Cikapundnung, berdasarkan data pengamatan stasiun pengamat Maribaya, yang datanya diperoleh dari Puslitbang SDA Provinsi Jawa Barat. METODE Penelitian dilakukan dengan cara, 1. 2. 3. Telaah kepustakaan tentang hidrologi dan metode statistis untuk pengolahan data hidrologi, di perustakaan Unpad dan ITB. Mengumpulkan data sekunder data debit air sungai Cikapundung, dan mempelajari metode pengumpulannya, di Puslitbang SDA Provinsi Jawa Barat. Pengolahan dan analisis data, di Laboratorium Komputer Jurusan Statistika Unpad.

HASIL DAN PEMBAHASAN 1. Debit Air Dalam hidrologi dikemukakan, debit air sungai adalah, tinggi permukaan air sungai yang terukur oleh alat ukur pemukaan air sungai. Pengukurannya dilakukan tiap hari, pada 2

jam-jam tertentu. Faktor utama yang mempengaruhi ketinggian air sungai, adalah curah hujan yang terjadi di hulu tempat alat pengukur permukaan air sungai ditempatkan. Karena curah hujan merupakan data deret waktu yang memiliki komponen musiman, dan siklus tahunan dengan karakteristik musim hujan panjang (kemarau pendek), atau kemarau panjang (musim hujan pendek). Yang menyebabkan data debit air,amgapemodelan debit air, dapat dilakukan berdasarkan analisis data deret waktu 2. Data Deret Waktu Data deret waktu adalah data yang merupakan fungsi atas waktu. Salah satu segi dalam data deret waktu, adalah terdapatnya autokorelasi. Sehingga analisis regresi dalam data deret waktu, dapat dilakukan dengan analisis regresi sederhana, jika autokorelasinya tidak signifikans. Sedangkan jika signifikans, harus dilakukan dengan analisis regresi deret waktu, yang formulasi dasarnya adalah model autoregresi. Komponen yang membangun data deret waktu adalah, trend (T), siklis (S), musiman (M, jika data merupakan fungsi atas waktu bulanan), dan variasi residu (V). Jika X(t) data deret waktu, maka formulasi hubungan dengan komponen-komponennya, secara umum adalah 1. X(t) = T(t) + S(t) + M(t) + V(t), hubungan linier 2. X(t) = T(t)S(t)M(t)V(t), hubungan multiplikatif. Faktor penentu yang menjadikan aotukorelasi signifikans atau tidak, adalah V(t). Jika V(t) bebas stokastik, maka autokorelasi tidak sinifikans. Sedangkan jika tidak bebas stokastik, maka autokorelasi signifikans. Untuk menalaah signifikans tidaknya autokorelasi, dapat dilakukan secara 1. visual, yaitu telaahan berdasarkan peta data atas waktu, atau korelogram. Yaitu gambar fungsi autokorelasi atas lagnya. 2. uji statistis. Untuk melakukan pemodelan data deret waktu, data harus dalam kondisi stasioner, yaitu kondisi data memiliki rata-rata hitung dan varians konstan, untuk sembarang waktu pengamatan. Jika data tidak stasioner pada rata-rata hitung, tetapi stasioner pada varians, maka proses stasioneritas dapat dilakukan melalui diferensi. Sedangkan jika stasioner pada rata-rata hitung, tetapi tidak stasioner pada varians, maka proses stasionernya dilakukan 3

dengan transformasi stabilitas varians. transformasi kuasaa.

Yang bentuk-bentuknya adalah, transformasi

logaritma natural, transformasi akar kuadrat, transformasi perbandingan terbalik, atau Sehingga jika data tidak stasioner pada keduanya, maka proses stasioneritasnya adalah gabungan keduanya, dengan proses yang pertama adalah transformasi stabilitas varians, dan selanjutnya proses diferensi. 3. Model Regresi Deret Waktu Sasaran dari analisis data deret waktu adalah peramalan, melalui pemodelan. Dan sudah dikemukakan, jika autokorelasi signifikans, maka model yang harus dibangun adalah model regresi deret waktu, yang dasarnya adalah model autoregresi lag-p, AR(p), dengan persamaan X(t) = 0 + 1X(t-1) + 2X(t-2) + . . . + pX(p) + (t) dengan (t) kekeliruan yang diasumsikan berdistribusi normal identik independen stokastik, dengan rata-rata 0 dan varians konstan 2. Model AR(p) ini memiliki model inversi, yaitu model rata-rata bergerak (moving average) orde-q, MA(q), dengan persamaan X(t) = 0 + (t) + 1(t-1) + 2(t-2) + . . . + q(t-q) Karena AR(p) dengan MA(q) merupakan dua model yang saling berinversi, maka keduanya dapat digabungkan dengan proses perjumlahan, sehingga diperoleh model autoregresi rata-rata bergerak (moving average autoregression), ARMA(p,q), dengan persamaan X(t) = 0 + 1X(t-1) + 2X(t-2) + . . . + pX(p) + (t) + 1(t-1) + 2(t-2) + . . . + q(t-q) Untuk menelaah apakah model yang dibangun cukup baik, untuk digunakan untuk peramalan ? Maka harus dilakukan analisis residual, yaitu analisis nilai-nilai selisih antara nilai pengamatan dengan nilai ramalan berdasarkan model yang telah dibangun tersebut. Analisisnya dapat dilakukan berdasarkan telaahan peta residual atas nilai pengamatan (atau nilai ramalan). Atau pengujian hipotesis statistis. Proses analisis statistis data deret waktu, harus dilakukan dengan menggunakan kemasan program (software) komputer, misalnya SPSS. Peramalan untuk data deret waktu, selain berdasarkan model regresi deret waktu, juga dapat dilakukan berdasarkan metode penghalusan eksponensial. Peramalan dengan metode penghalusan, adalah peramalan berdasarkan proses pembobotan. 4 Sehingga

keberadaan autokorelasi diabaikan. Oleh karena itu, jika autokorelasi signifikans, maka peramalan sebaiknya dilakukan berdasarkan model regresi deret waktu. Dan salah satu metode yang dapat digunakan adalan, Box-Jenkins, dengan prosesnya sebagai berikut. 1. Membangun model regresi deret waktu yang sesuai dengan karakteristik data. 2. Penaksiran parameter model yang dibangun. 3. Telaah kecocokan model ramalan yang akan digunakan. 4. Jika diperlukan, maka bangun model-model alternatifnya. Sehingga dengan metode ini, model regresi deret waktu yang dibangun, sebaiknya lebih dari satu buah. 4. Analisis Spektral Pada peramalan berdasarkan model regresi, yang ditelaah adalah karakteristik dari komponen trend. Sedangkan telaahan komponen siklis, sulit untuk dilakukan. Padalah dengan diketahui karakteristik komponen siklis, dapat dianalisis kondisi ekstrim dri data. Telaahan komponen siklis dapat dilakukan dengan analisis spektral, yang merupakan pengembangan dari analisis deret Fourier. Konsepsi dari analisis spektral adalah dari pendapat bahwa, data deret waktu merupakan hasil dari proses stokastik, yang formulasinya dapat disajikan dalam persamaan deret Fourier X(t) = a0 + t = 1, 2, . . . , n a0 = x =
ap = 2 n
n t =1

n 1 2 p =1

a p Cos

2p 2p t + b p Sin t + a n Cost , n n 2

(1)

1 n

n t =1

xt , a n =
2

1 n

n t =1

(1) t x t
n t =1

x t Cos

2t 2 p , bp = n n
2

x t Sin
2

n 2t p , p = 1, 2, . . . , 1 2 n

Jika ditulis

2 p = (p), n

a p + bp

= R(p), arc.Tg

bp ap

= (p), p = 1, 2, . . . ,

n 1, 2

maka apCospt + bpSinpt = R(p)Cos((p)t + (p)). Sehingga Persamaan (1) menjadi

X(t) = a0 + t = 1, 2, . . . , n

n 1 2 p =1

R (p)Cos((p) t + (p)) + a n Cost ,


2

(2)

yang merupakan fungsi damped Cosinus. Untuk menghitung periodesitas dari fungsi damped Cosinusi, dapat dilakukan berdasarkan fungsi periodogram I((p) ) = berdasarkan metode 1. Windowing. Yaitu metode yang didasarkan pada trsnformasi (R (p) ) , menjadi fungsi
2

n (R (p))2 . Yang analisisnya dapat dilakukan 4

autokorelasi yang diboboti. . 2. Fast Fourier Transform (Metode FFT). Yaitu metode yang didasarkan pada

transformasi R(p), menjadi sistem bilangan kompleks, R(p) = a(p) + ib(p), i = Masing-masing metode memiliki kelebihan dan kekeurangan. lebih sedikit.

1 .

Metode Windowing

perhitungannya lebih mudah dari metode FFT. Tetapi periodesitas yang dimunculkannya Periodesitas-periodesitas yang dimunculkan oleh masing-masing metode tersebut, harus diuji signifikansinya, berdasarkan proses pengujian statistis. Sebab hanya periode yang signifkans, yang dianalisis.

5.

Analisis Data
Berdasarkan data yang diperoleh dari Puslitbang SDA Provinsi Jawa Barat, dengan

stasiun pengamat Maribaya, pola data harian debit sungai Cikapundung, pada selang waktu Januari 2004 Desember 2005, setelah dilakukan penghalusan data, seperti di bawah ini.

6.00

n ilai en ah lasa N P g u

5.00

4.00

3.00

2.00

1.00
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76 79 82 85 88 91 94 97 100 103 106 109 112 115 118 121 124 127 130 133 136 139 142 145 148 151 154 157 160 163 166 169 172 175 178 181 184 187 190 193 196 199 202 205 208 211 214 217 220 223 226 229 232 235 238 241 244 247 250 253 256 259 262 265 268 271 274 277 280 283 286 289 292 295 298 ........

Waktu

Gambar 1 Pola Data Harian Dengan pola korelogram dan korelogram parsialnya seperti di bawah ini

T4253H(DATA)
Coefficient Upper Confidence Limit Lower Confidence Limit

T4253H(DATA)
Coefficient Upper Confidence Limit Lower Confidence Limit

1.0

1.0

0.5

0.5

0.0

Partial ACF
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

ACF

0.0

-0.5

-0.5

-1.0

-1.0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Lag Number

Lag Number

Gambar 2a Korelogram Data Harian

Gambar 2b Korelogram Parsial Data Harian

Dari gambar-gambar tersebut tersurat, autokorelasi data cukup signifikans, tetapi tidak stasioner pada rata-rata hitung dan varians. Jika data didiferensi orde satu, maka gambar pola data dan korelogram, dengan korelogram parsialnya seperti di bawah ini

4.0

1 D FD T , ) IF ( A A

2.0

0.0

-2.0

2 5 8 1 1 4 7 1 0 2 3 6 9 2 2 3 5 8 3 1 4 4 7 4 0 5 3 6 9 5 2 6 5 8 6 1 7 4 7 7 0 8 3 8 6 9 8 2 5 9 8 9 1 0 10 4 7 0 13 1 16 12 9 1 18 5 2 2 11 3 10 4 7 3 16 3 4 19 4 2 5 18 5 11 5 6 17 4 13 6 0 7 16 7 12 9 7 18 5 8 11 14 9 10 7 9 16 3 0 29 0 25 2 1 24 8 1 1 2 27 2 23 0 3 26 22 9 3 4 28 5 4 27 1 4 5 20 6 26 3 6 22 9 6 25 7 21 8 7 27 8 4 20 8 23 9 29 9 .. 6 .. 9. . 2..

-4.0

Waktu

Gambar 3 Pola Data Hasil Diferensi-1


T4253H(DATA_2)
Coefficient Upper Confidence Limit Lower Confidence Limit

T4253H(DATA_2)
Coefficient Upper Confidence Limit Lower Confidence Limit

1.0

1.0

0.5

0.5

Partial ACF

ACF

0.0

0.0

-0.5

-0.5

-1.0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

-1.0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Lag Number

Lag Number

Gambar 4a Korelogram Data Hasil Diferensi-1

Gambar 4b Korelogram Parsial Data Hasil Diferensi-1 7

Gambar 3, 4a, dan 4b menyimpulkan, dengan diferensi-1 data stasioner pada rata-rata hitung, tetapi belum stasioner pada varians. Data berautokorelasi dengan lag 3. Jika dibangun model ARIMA(3,1,2) dengan tranformasi logaritma natural, maka pola penaksirnya identik dengn pola data aslinya. Hal ini dapat ditelaah dari gambar di bawah ini

6.00

6.00

n ilai en ah lasa N P g u
2 5 8 11 14 17 20 23 26 29 32 35 38 41 44 47 50 53 56 59 62 65 68 71 74 77 80 83 86 89 92 95 98 101 104 107 110 113 116 119 122 125 128 131 134 137 140 143 146 149 152 155 158 161 164 167 170 173 176 179 182 185 188 191 194 197 200 203 206 209 212 215 218 221 224 227 230 233 236 239 242 245 248 251 254 257 260 263 266 269 272 275 278 281 284 287 290 293 296 299 ........

N i T ks n ila a ira

5.00

5.00

4.00

4.00

3.00

3.00

2.00

2.00

1.00

1.00
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76 79 82 85 88 91 94 97 100 103 106 109 112 115 118 121 124 127 130 133 136 139 142 145 148 151 154 157 160 163 166 169 172 175 178 181 184 187 190 193 196 199 202 205 208 211 214 217 220 223 226 229 232 235 238 241 244 247 250 253 256 259 262 265 268 271 274 277 280 283 286 289 292 295 298 ........

Waktu

Waktu

Gambar 5a Pola Data Taksiran


Dan nilai-nilai statistik penaksiran di bawah ini

Gambar 5b Pola Data Asli

Tabel 1 Nilai-Nilai Statistik Penaksiran


Fit Statistic Stationary R-squared R-squared RMSE MAPE MaxAPE MAE MaxAE Normalized BIC Mean 5 .919 .999 .041 .780 6.588 .023 .224 -6.357 SE 10 . . . . . . . . Minimum 25 .919 .999 .041 .780 6.588 .023 .224 -6.357 Maximum 50 .919 .999 .041 .780 6.588 .023 .224 -6.357

Model

Number of Predictors Stationary R-squared 0

Model Fit statistics Statistics .919

Ljung-Box Q(18) DF 37.020 Sig. 13 Stationary Rsquared .000

Number of Outliers Statistics 0

T4253H(DATA)-Model_1

Sedangkan pola periodogram dan densitasnya seperti di bawah ini


Spectral Density of DATA1_1 by Period
Periodogram of DATA1_1 by Period

Density
1.0E0 5.0E-1

1.0E0

Periodogram

5.0E-1

0.0E0 2.0E2
0.0E0 2.0E2 4.0E2 6.0 8.0 1.0 E2 E2 E3

4.0E2

6.0 E2

8.0 1.0 E2 E3

Period
Period
Window: none

Gambar 6a Periodogram Data Harian

Gambar 6b Densitas Spektral Data Harian

Dari hasil statistik pengujian keberartian periodesitas, diperoleh periodesitas tersembunyi yang signifikans adalah 3,5 dan 5 tahunan. Yang jika dikaitkan dengan karakteristik periodesitas tahunan curah hujan di Kota Bandung, periodeitas ini merupakan curah hujan dengan intensitas tinggi. Sehingga dampak untuk DAS Cikapundung merupakan terjadinya debit tinggi, sehingga perlu dilakukan pola pengendalian dalam mencegah banjir besar.

KESIMPULAN
1. 2. 3. Model debit air sungai Cikapundung adalah ARIMA(3,1,2). Peridesitas tersembunti DAS Cikandung adalah 3,5 dan 5 tahuna, yang berdampak pada peluang terjadinya banjir besar. Pada umumnya debit air sungai merupakan data deret waktu, yang berautokorelasi dengan lag antara 3 7, tidak stasioner pada rata-rata dan varians, dan memiliki periodesitas tahunan yang siginifikans, kira-kira 2 ; 3,5 ; 5 ; dan 7 tahun. 4. Untuk melakukan pemodelan debit air sungai sebaiknya dilakukan proses sebagai berikut a. Lakukan penghalusan dan diikuti pemetaan data atas waktu, untuk menelaah karakteristik data dari segi kestasioneran, keberartian autokorelasi, dan siklis. 9 dengan analisis data deret waktu,

b. Gambarkan korelogram dan korelogram parsial, untuk telaahan lanjut pada segi kestasioneran dan keberartian autokorelasi. c. Karena data debit air merupakan data deret waktu dengan autokorelasi yang signifikans, maka pemodelan sebaiknya dengan menggunakan metode Box-Jenkins. c. Selain pemodelan, juga lakukan analisis spektral untuk menelaah periodesitas tersembunyi, dalam upaya menelaah hal-hal ekstrim.

KEPUSTAKAAN Buku Teks Abraham, B. ; Ledolter, J. ; 1983 ; Statistical Methods for Forecasting ; John Wiley & Sons ; New York Box, G. E. P. ; Jenkins, G. M. ; 1976 ; TIME SERIES ANALYSIS, forecasting and control ; Holden-Day ; San Francisco. Brockwell, P. J. ; Davis, R. A. ; 1991 ; Time Series : Theory and Methods ; Springer-Verlag ; New York. Chatfield, C ; 1984 ; The Analysis of Time Series : Introduction ; Chapman and Hall London. Panofsky, H. A. ; Brier, G. W. ; 1958 ; Some Applications of Statistics to Meteorlogy University Park ; Pennsylvania. Sutton, O. G. ; 1953 ; Micrometeoroly ; McGraw-Hill Book Co. Inc. ; New York. Takeda, K. ; 2003 ; HIDROLOGI, Untuk Pengairan ; PT Pradnya Paramita ; Jakarta. Wei, W. W. S. ; 1990 ; Time Series Analysis, Univariate and Multivariate Methods ; Addison-Wesley ; California. Jurnal Statistical Science, edisi Mei 1992, Pebruari 2001, Agustus 2003 Technometrics, edisi November 1984, Januari 1990, Maret 2002 Hidro-Climatology, edisi Januari 1989, Desember 1990
10

Anda mungkin juga menyukai