Anda di halaman 1dari 32

1.

SIMULASI PERAMBATAN GELOMBANG TSUNAMI AKIBAT MELETUSNYA GUNUNG ANAK KRAKATAU

Ahmad Zakaria Department of Civil Engineering, Lampung University, Indonesia E-mail: ahmadzakaria@unila.ac.id Abstrak Biasanya suatu model numerik dari perambatan gelombang panjang digunakan untuk memodelkan perambatan gelombang tsunami, baik yang disebabkan oleh gempa tektonik maupun akibat gempa vulkanik atau atau akibat meletusnya gunung di tengah laut. Di dalam penelitian ini, dipresentasikan simulasi perambatan gelombang tsunami yang diakibatkan oleh meletusnya gunung anak krakatau dengan perkiraan mempunyai kekuatan yang sama dengan kekuatan gunung krakatau pada tahun 1883. Lokasi sumber gelombang tsunami diasumsikan sama dengan lokasi gunung anak krakatau sekarang ini berada. Dari lokasi sumber tersebut, gelombang tsunami bergerak merambat menuju pantai profinsi Lampung dan Banten. Persamaan yang dipergunakan untuk memodelkan perambatan gelombang ini adalah berupa persamaan gelombang panjang non linier dua dimensi (2-D). Solusi untuk mendekati persamaan ini adalah dengan menggunakan pendekatan beda hingga metode eksplisit (explicit finite-difference method) dalam domain waktu dan dengan akurasi orde 2. Dari hasil simulasi menunjukkan bahwa waktu perambatan gelombang tsunami anak Krakatau yang dihasilkan cukup mendekati dengan hasil penelitian lain yang mensimulasikan waktu perambatan gelombang tsunami sampai ke pantai profinsi Lampung dan Banten saat gunung Krakatau meletus di tahun 1883. kata kunci : model numerik, pendekatan beda hingga, gelombang tsunami.

1. PENDAHULUAN Profinsi Lampung termasuk profinsi yang wilayahnya sangat dekat dengan Gunung Anak Krakatau. Sehingga wilayah pesisir pantai Profinsi Lampung rawan akan mengalami bencana tsunami, bila Gunung Anak Krakatau meletus. 125 tahun yang lalu, bencana tsunami juga pernah dialami oleh masyarakat yang tinggal di wilayah pesisir pantai profinsi Lampung, akibat meletusnya Gunung Krakatau pada tanggal 26-27 Agustus 1883, yang menelan korban jiwa lebih kurang 36.417 orang. Saat

kejadian itu, tinggi muka air laut di wilayah pantai kota Bandar Lampung diperkirakan mencapai 22 meter (Mahi dan Zakaria, 2008). Resiko terulangnya kejadian tsunami seperti di tahun 1883 silam adalah sangat besar. Hal ini karena: pertama, sejak tahun 1927 sampai tahun 2005, yaitu selama 75 tahun ketinggian Gunung Anak Krakatau ini sudah mencapai 315 meter. Kedua, tanggal 26 Oktober 2007, badan PVBMG pernah menetapkan kondisi gunung ini dalam status Siaga/level III, karena saat itu kondisi aktivitas vulkaniknya cukup tinggi, bahkan nelayan dan wisatawan tidak diperkenankan untuk mendekati gunung ini dalam radius 3 kilometer. Ini menunjukkan bahwa resiko akan meletusnya gunung ini dalam waktu dekat adalah besar sekali (Mahi dan Zakaria, 2008). Untuk memperkirakan resiko terjadinya tsunami apabila meletusnya Gunung Anak Krakatau adalah dapat dilakukan, salah satunya adalah dengan memodelkan atau mensimulasikan run-up gelombang tsunami secara numerik. Pemodelan simulasi run-up gelombang tsunami sudah banyak dilakukan oleh peneliti, baik akibat gempa vulkanik maupun akibat gempa tektonik. Untuk pemodelan tsunami akibat gempa tektonik sudah dilakukan oleh Goto dan Shuto (1983), Goto dan Ogawa (1992), Kowalik dan Murty (1993), Marchuk dkk (2001), Horrillo dkk (2004, 2006), Watts dkk (2003, 2005), Shigihara dkk (2005), Kowalik dan Proshutinsky (2006). Untuk pemodelan tsunami akibat gempa vulkanik juga sudah dilakukan, oleh antara lain oleh Kawamata dkk (1993) Hantoro dkk (2007). Disini pengkajian ulang peristiwa tsunami yang ditimbulkan akibat Krakatau tahun 1883. Dalam pemodelan simulasi tsunami, Hantoro dkk (2007) juga menggunakan persamaan hidrodinamik dengan pendekatan explisit beda hingga akurasi order 2 seperti yang dipergunakan oleh Goto dan Shuto (1983), serta Goto dan Ogawa (1992). Di dalam tulisan ini, algoritma dari persamaan perambatan gelombang panjang non linier dua dimensi (2-D) dikembangkan untuk mensimulasikan perambatan gelombang permukaan di laut dangkal. Simulasi secara numerik dari perambatan gelombang non linier dua dimensi (2-D) juga sudah diperkenalkan oleh Kowalik (1993), dimana pada penelitiannya Kowalik (1993) mempelajari kasus satu dimensi dari run-up perambatan gelombang tsunami. Pembahasan lain tentang perambatan gelombang non linier dua dimensi sudah dipresentasikan oleh Horrillo dkk (2006), dimana mereka mempelajari masalah dispersi dari run up gelombang dua dimensi. Dengan melakukan simulasi perambatan gelombang akibat meletusnya Gunung Krakatau, dengan kekuatan letusan yang sama dengan letusan yang terjadi saat itu, dan dengan menggunakan bathymetri untuk kondisi sekarang ini, maka akan dapat prediksi waktu gelombang tsunami saat mencapai pantai di wilayah pesisir Profinsi Lampung dan profinsi Banten.

2. METODOLOGI PENELITIAN Metode penelitian yang dipergunakan di dalam studi ini adalah hanya menggunakan metode numerik. Dengan menggunakan metode numerik, biaya penelitian menjadi lebih kecil dibandingkan bila penelitian menggunakan pemodelan secara fisik atau

dengan penelitian di lapangan. Didalam penelitian ini, sebuah persamaan gelombang panjang non linier dua dimensi (2-D) dipergunakan untuk memodelkan perambatan gelombang tsunami seperti yang telah dipergunakan Kowalik (1993) dan Horrillo dkk (2006). Untuk model perambatan gelombang non linier dua dimensi (2-D), persamaan momentum gerak gelombang permukaan dan persamaan kontinyuitas dapat ditulis sebagai berikut, a.1. Persamaan momentum (arah sumbu - x), ut+uux+vuy=-gx-r.u.u2+v2D a.2. Persamaan momentum (arah sumbu - y), vt+uvx+vvy=-gy-r.v.u2+v2D

b. Persamaan kontinyuitas, t=-(D.u)x-(D.v)y

Dimana: = elevasi dari permukaan air (meter) r = koefisien gesekan dasar perairan = 0,025 h = kedalaman dasar perairan (meter) u = kecepatan arah x v = kecepatan arah y g = percepatan gravitasi (m/det2) D = h+ = kedalaman air total t = step waktu = 0,01 detik x = y = lebar grid ruang = 850 meter

Penyelesaian dari persamaan perambatan gelombang non linier dua dimensi yang dipergunakan di dalam penelitian ini adalah menggunakan pendekatan beda hingga metode ekspisit dengan domain waktu. Dengan menggunakan metode ini, pendekatan dapat didekati dengan menggunakan akurasi orde dua sebagai berikut, ut=ui,jk+1-ui,jkt uux=ui,jk(ui+1,jk-ui,jkx)

vuy=vi,jk(ui,j+1k-ui,jky) gx=g.(i+1,jk-i,jkx) r.u.u2+v2D=r.ui,jk.(ui,jk)2+(vi,jk)2D

vt=vi,jk+1-vi,jkt vvy=vi,jk(vi,j+1k-vi,jky) uvx=ui,jk(vi+1,jk-vi,jkx) gy=g.(i,j+1k-i,jky) r.v.u2+v2D=r.vi,jk.(ui,jk)2+(vi,jk)2D Di,jk=hi,jk+i,jk t=i,jk+1-i,jkt Dux=Di,jk.(ui,jk-ui-1,jkx)+ui,jk.(Di,jk-Di-1,jkx) Dvy=Di,jk.(vi,jk-vi,j-1ky)+vi,jk.(Di,jk-Di,j-1ky)

Perambatan gelombang permukaan dibatasi oleh suatu batas yang mana secara fisik batas ini tidak nyata. Batas ini biasanya disebut sebagai non physical boundaries atau sering disebut juga dengan nama batas terbuka (open boundaries). Untuk dapat mensimulasikan perambatan gelombang yang dapat melewati batas terbuka tersebut, persamaan matematika diaplikasikan pada batas tersebut. Persamaan ini dimaksudkan untuk menghilangkan atau memngurangi refleksi gelombang pada batas numerik tersebut. Untuk ini sejumlah teknik sudah dikembangkan, yang mana masing-masing mempunyai kelebihan dan kekurangan. Di dalam penelitian ini, sebuah metode untuk kondisi batas yang biasanya dipergunakan di dalam model perambatan gelombang adalah kondisi batas metode transparan. Kondisi batas ini diperlukan untuk menreduksi gelombang yang merambat terus melewati batas domain perhitungan numerik. Dimana pada batas tersebut refleksi gelombang tidak diperbolehkan.

Persamaan yang dipergunakan sebagai persamaan kondisi batas sebagaimana diperkenalkan oleh Reynolds (1978) sebagai berikut, t+cx=0

Dengan menggunakan Persamaan di atas, refleksi-refleksi gelombang dari batas-batas terluar dari perhitungan numerik adalah mungkin untuk direduksi. Dengan mempergunakan persamaan perambatan gelombang panjang non linier dan metode kondisi batas transparan Reynolds (1978), perambatan gelombang tsunami bisa dimodelkan.

SETTING MODEL

Didalam pemodelan numerik, sebagai sumber gelombang adalah gelombang titik, yang merupakan gelombang tunggal. Untuk memodelkan gelombang permukaan, model gelombang Ricker dipergunakan dan diaplikasikan sebagaimana dipergunakan di dalam Zakaria (2003). Didalam penelitian ini, untuk memodelkan perambatan gelombang adalah menggunakan skenario seperti dipresentasikan dalam peta situasi daerah perambatan gelombang tsunami (lihat Gambar 1). Skema numerik yang dipergunakan untuk mensimulasikan perambatan gelombang tsunami yang disebabkan oleh meletusnya gunung anak krakatau adalah sebagaimana dipresentasikan dalam Gambar 1. Data bathimetri yang dipergunakan didalam simulasi numerik diambil dari GEBCO, dimana data tersebut mempunyai akurasi 30 detik (0,5 menit) dengan lebar grid x = y = 850 meter. Dimana posisi gunung anak krakatau diasumsikan sama dengan posisi sumber gelombang, yaitu pada posisi 6o0600 Lintang Selatan dan 105o2400 Bujur Timur. Tinggi gelombang pada posisi sumber gelombang tersebut diasumsikan sama dengan 200 meter. Dimana prediksi kejadian meletusnya gunung anak krakatau akan mempunyai kekuatan dan menimbulkan tinggi gelombang tsunami atau elevasi yang sama dengan dengan tinggi gelombang pada kejadian meletusnya gunung Krakatau pada tahun 1883 yang silam. Dari 5o2024 Lintang Selatan s/d 6o4230 Lintang Selatan, 105o1930 Bujur Timur s/d 106o0900 Bujur Timur. Didalam model ini banyaknya grid yang dipergunakan adalah 181 181 grid.
HASIL DAN PEMBAHASAN

Hasil dari penelitian ini dipresentasikan dalam bentuk perambatan gelombang tsunami

pada waktu perambatan t sama dengan 50, 500, 1000, 1500, 2000, 2500, 3000, 3500, 4000, 4500, dan 5000 detik sebagaimana dipresentasikan seperti dalam Gambar 2, Gambar 3, Gambar 4, Gambar 5, Gambar 6, Gambar 7, Gambar 8, Gambar 9, Gambar 10, Gambar 11, dan Gambar 12. Hasil penelitian ini dapat dibandingkan dengan hasil penelitian yang telah dilakukan oleh Hantoro dkk (2007), yang mensimulasikan perambatan gelombang tsunami akibat meletusnya gunung krakatau diketahui seperti dalam Tabel 1 sebagai berikut, Tabel 1. Perbandingan waktu perambatan gelombang tsunami

Lokasi Teluk Betung Kalianda Merak

S1 76 menit 48 menit 51 menit

S2 82 menit 48 menit 47 menit

S3 78 menit 45 menit 58 menit

Hasil Penelitian < 5000 detik (83,33 menit) 2500 detik (41,67 menit) < 3500 detik (58,33 menit)

Gambar 1. Peta situasi daerah perambatan gelombang tsunami

Gambar 2. Perambatan gelombang tsunami pada waktu t = 50 detik (0,83 menit).

Gambar 3. Perambatan gelombang tsunami pada waktu t = 500 detik (8,33 menit)

Gambar 4. Perambatan gelombang tsunami pada waktu t = 1000 detik (16,67 menit)

Gambar 5. Perambatan gelombang tsunami pada waktu t = 1500 detik (25 menit).

Gambar 6. Perambatan gelombangan tsunami pada waktu t = 2000 detik (33,33 menit).

Gambar 7. Perambatan gelombang tsunami pada waktu t = 2500 detik (41,67 menit)

Gambar 8. Perambatan gelombang tsunami pada waktu t = 3000 detik (50 menit).

Gambar 9. Perambatan gelombang tsunami pada waktu t = 3500 detik (58,33 menit).

Gambar 10. Perambatan gelombang tsunami pada waktu t = 4000 detik (66,67 menit).

Gambar 11. Perambatan gelombang tsunami pada waktu t = 4500 detik (75 menit).

Gambar 12. Perambatan gelombang tsunami pada waktu t = 5000 detik (83,33 menit)

Berdasarkan hasil penelitian seperti yang dipresentasikan dalam Gambar 2 sampai dengan Gambar 12 menunjukkan simulasi perambatan gelombang tsunami akibat meletusnya gunung anak Krakatau untuk setiap waktu t mulai dari 50 detik sampai dengan 5000 detik. Dari penelitian yang dilakukan, dihasilkan 100 gambar simulasi perambatan gelombang tsunami, tetapi yang dipresentasikan dalam penelitian ini adalah hanya 12 gambar saja. Sumber gelombang yang dipergunakan untuk mensimulasikan letusan gunung anak Krakatau adalah berupa sumber gelombang titik dengan tipe Ricker wavelet. Signal atau gelombang yang disimulasikan ini adalah merupakan gelombang tunggal. Dengan menggunakan Ricker wevelet, gelombang yang dihasilkan lebih halus bila dibandingkan dengan gelombang sinus. Dari posisi koordinat 6o06'00'' Lintang Selatan dan 105o24'00'' Bujur Timur, gelombang tsunami dengan ketinggian 200 meter merambat ke pantai profinsi Lampung dan profinsi Banten. Dalam perambatannya gelombang terhalang oleh pulau-pulau disekitarnya, sehingga gelombang tsunami yang merambat tersebut terdispersi seperti tergambar. Warna merah tua dengan skala 50 dan warna biru tua dengan skala 50 menunjukkan maksimum dan minimum amplitudo gelombang tsunami, sedangkan warna hijau

menunjukkan topografi atau ketinggian permukaan tanah. Hasil penelitian ini dibandingkan dengan hasil penelitian yang sudah dilakukan oleh Hantoro dkk (2007) yang mempresentasikan waktu perambatan gelombang tsunami mencapai pantai profinsi Lampung dan profinsi Banten akibat meletusnya gunung krakatau tahun 1883. Perbandingan hasil penelitian ini dipresentasikan dalam Tabel 1. Dari perbandingan hasil penelitian ini menunjukkan bahwa waktu perambatan gelombang tsunami mencapai pantai profinsi Lampung (Teluk Betung dan Kalianda) dan pantai profinsi Banten (Merak), yang dihasilkan dalam penelitian sangat mendekati dengan hasil penelitian yang dilakukan oleh Hantoro dkk (2007).

KESIMPULAN DAN SARAN

Berdasarkan pada hasil-hasil dari penelitian ini disimpulkan bahwa waktu perambatan gelombang tsunami sampai ke pantai profinsi Lampung dan Banten mendekati dengan waktu kejadian atau pristiwa gelombang tsunami akibat meletusnya gunung Krakatau di tahun 1883. Ini menunjukkan bahwa, dengan menggunakan persamaan gelombang panjang non linier dua dimensi dan dengan menggunakan pendekatan beda hingga metode eksplisit akurasi orde dua dengan domain waktu, pemodelan perambatan gelombang tsunami ini cukup baik dan dapat dipergunakan untuk mensimulasikan perambatan gelombang tsunami akibat meletusnya gunung anak krakatau.

UCAPAN TERIMAKASIH

Saya mengucapkan banyak terimakasih atas bantuan DIKTI dan Lemlit Unila yang memberikan dana bantuan untuk penelitian ini, yaitu dari penelitian hibah STRATEGIS 2009.

DAFTAR PUSTAKA

Goto, C. dan Shuto. 1983. Numerical simulation of tsunami propagations and run-up. In Tsunami-Their Science and Engineering. edited by K. Iida and T. Iwasaki. Terra Scientific Publ. Comp. Tokyo. Pp. 439 451. Goto, C. dan Ogawa, Y. 1992. Numerical method of tsunami simulation with leap-

frog scheme. Disaster Control Research Center. Tohoku University. Horrillo J. J., Kowalik, Z. and Kornkven, E. 2004. The third international workshop on long-wave runup models. Report. Horrillo, J., Kowalik, Z. Shigihara, Y. 2006. Wave dipsersion study in the indian ocean-tsunami of december 26, 2004. Marine Geodesy., (29): 149-166. Hantoro, W. S., Latief, H., Susilohadi, and Airlangga, A.Y. 2007. Volcanic tsunami of krakatau: chronology model and its mitigation in sunda strait. Proceedings of International Symposium on Geotechnical Hazards: Prevetion, Mitigation and Engineering Response. Pp.331 354. Kreyszig, E. 1993. Advanced Engineering Mathematics. John Wiley & Sons. Inc. Singapore. 1271 p. Kowalik, Z., Proshutinsky T. dan Proshutinsky, A. 2006. Tide-tsunami interactions. Science of Tsunami Hazards., 24(4): 242-256. Kowalik, Z. and Murty, T. S. 1993. Numerical simulation of two-dimensional tsunami runup. Marine Geodesy., (16): 87-100. Mahi, A. K., Zakaria., A. 2008. Rencana strategis dan rencana aksi mitigasi bencana Kota Bandar Lampung. Laporan Proyek. DKP Profinsi Lampung. 156 p. Marchuk, Andrei J. dan Anisimov, A. 2001. A method for numerical modeling run-up on the coast of an arbitrary profile. ITS 2001 Proceedings., (7): 7-27. Reynold, A. C. 1978. Boundary conditions for the numerical solution of wave propagation problems. Geophysics., 43(6): 1099-1110. Shigihara, Y., K. Fujima, M. Homma and K. Saito, 2005, Numerical methods of linier dispersive wave equation for the practical problems, Asian and Pacific Coasts, Sept.48, Jeju, South Korea, pp.14. Watts, P Grill, S.T., Kirby, J. T., Fryer G. J., and Tappin, D. R. 2003. Landslide tsunami case studies using a boussinesq model and a fully nonlinier tsunami generation model. Natural Hazards and Earth System Sciences., (3): 391-402. Watts, P., Ioualalen, M., Grill, S., Shi, F. dan Kirby, J. T. 2005. Numerical simulation of December 26, 2004 Indian ocean tsunami using higher order boussinesq model, Ocean waves measurement and analysis. Fifth International Symposium WAVES 2005. 3rd July, 2005. Madrid. Spain. Pp. 221. Zakaria, A. 2003. Numerical modelling of wave propagation using higher order finitedifference formulas. Thesis (Ph.D). Curtin University of Technology, Perth, W. A. Pp. 247.

2. http://ft-sipil.unila.ac.id/pantai/rainfall_spectrum.html THE GENERATION OF SYNTHETIC SEQUENCES OF MONTHLY CUMULATIVE RAINFALLS USING FFT AND LEAST SQUARES METHOD

Ahmad Zakaria Department of Civil Engineering, Lampung University, Indonesia E-mail: ahmadzakaria@unila.ac.id Abstracts Commonly rainfall models are used by engineers and hydrologists for the civil engineering planning, infrastructure planning, determination of drainage coefficients for catchments area and determination of maximum discharge. The objective of this research is to generate the synthetic sequences of rainfall using Fourier transform and least squares method. The rainfall time series is assumed representing as an accumulation of trend, periodic and stochastic as its components. In this analysis, The Fast Fourier Transform (FFT) is used generate spectrum of rainfall time series. From the spectrum, frequency components of the periodicity of the rainfall involved trend, periodic and stochastic components are derived. The rainfall time series involved trend, periodic and stochastic is assumed as Fourier series. The least squares method is used to predict the components of the rainfall time series. The calculated results of synthetic sequences of the rainfall using Tukey-Coley and Matlab periodograms are compared with observed rainfall time series. The calculated rainfall time series results present the good agreement if compared with observed rainfall time series results. keyword : Rainfall, Fast Fourier Transform, Least Squares.

1.INTRODUCTION Commonly rainfall models are used by engineers and hydrologists for the civil engineering planning, infrastructure planning, determination of drainage coefficients for catchments area and determination of maximum discharge. The model is required to give detailed information of the rainfall with respect to the time. To provide long sequence records of rainfall data was very difficult, so sometimes, it is necessary to extent the rainfall record by generating the available record. many methods have been used by engineers and scientists to provide this information. Most of them are either

deterministic or probabilistic, Kotegoda, 1980 and Yevjevich, 1972. The former methods do not consider the random effects of various input parameters; the later methods employ the concept of probability to the extent. With the increasing demand for accuracy of analyzing rainfall data, these method are no longer sufficient. The rainfalls are periodic and stochastic in nature because they are affected by climatologically parameters, i.e., variations of periodic and stochastic climates are transferred become periodic and stochastic components of rainfalls should be computed considering both the determined part of the process. Considering all other factors known or assumed the rainfall is a function of the stochastic variation of the climate, Yevjevich, 1972. Stochastic analysis of rainfall time series should provide a mathematical model that will account for the deterministic and stochastic parts and will also reflects the variations of the rainfalls. Bakar et. al. (2006) using periodic and stochastic analysis to model monthly rainfall at Kota Region. Based on earlier work of Vanicek (1976), Lomb (1976) develop a technique to fitting a model by using normalized periodogram. Aim of the research is to comparing generation of the sequences of rainfalls from Air Itam rainfall station in Lampung Region using Fast Fourier Transform coded by Coley (1965) and Matlab codes, and Least Squares Methods.

2. MATHEMATICAL METHOD OF ANALYSIS General mathematical model used to describe the rainfall time series is as follows (Bhakar, 2006),
Xt=Tt+Pt+St Where Tt = the trend component at time t, t=1,2,3,...N, Pt = periodic component, St = the stochastic components which having dependent and independent parts, and N= the number of data points. 2.1. Trend Component Trend components (Tt) of rainfalls usually are identified by using the seasonal rainfall values. For this study assumed the rainfalls data is free of trend. 2.2. Stochastic Component The stochastic components of rainfalls was assumed that the value of St at time was the combined effects of the weighted sum of the past values so that the dependent part St of may be represented as, St=[k=1k=p,kSt-kak] Where, p,k is the autoregressive parameter, p= the order of the model; k= the number of parameter, k=1,2,3,...p. The model represented above is known as

autoregressive model of order p. 2.3. Periodic Component The periodic components (Pt) can be expressed in the form of Fourier series as presented in Kreyszig (1993) as follows, ^(tn)=Ao+k=1k=M[AkCos(kt)+BkSin(kt)] Where, k is the number of harmonics, 1< k < M; M is the maximum number of significant harmonics. For determining number of significant harmonic components, frequencies, amplitudes, and phases, Least squares method were applied (Zakaria, 1998). 2.4. Least Squares methods Least Squares method is a method commonly used to fitting a curve or a series of synthetic signals to the data. The coefficient of correlation R is used to see the goodness of fit. =(tn=1tn=n((tn)-^(tn)))2=minimum Ao;Ak;Bk 2.5. Fast Fourier Transformation (FFT) The analysis method is firstly developed by Coley (1965) to extract spectrum or frequencies from time series data. For the time series data (tn) the frequencies can be calculated by using Fourier transformation method as follows, (m)=t2n=-N/2n=N/2(tn).e-2..iM.m.n Commonly, using this equation need much more time, So Coley (1965) develop algorithm to calculate spectrum from time series data, consuming very least time.

RESULTS AND DISCUSSION For generating the synthetic monthly rainfall series, 350 months data from was taken. From the analysis is estimated that no trend in rainfall time series, so the analysis only to confirm the presence of periodic components. From Figure 1 is presented periodograms of monthly cumulative rainfalls using Coley-Tukey and Matlab Algorithms. This result shows that the differences of amplitudes arent too significant.

Figure 1: Periodograms of monthly cumulative rainfalls using the Coley-Tukey and Matlab codes

Figure 2: Monthly cumulative rainfalls of 125 frequency constituents (R2=0.7844).

Figure 3: Monthly cumulative rainfalls using Coley code of 100 frequencies (R2=0.7260).

Figure 4: Monthly cumulative rainfalls using Coley code of 50 frequencies (R2=0.6460).

Figure 5: Monthly cumulative rainfalls using the matlab code of 50 frequencies (R2=0.6796).

From the above Figures (Figure 2, 3, 4, and 5) presented that using 125 frequencies generate better coefficient of correlation if it is compared than using 100 frequencies. And using 100 frequencies generate better coefficient of correlation compared using than using 50 frequencies. In Figure 4 and 5 show that for the same number of frequencies, simulating use Coley and matlab codes are resulting coefficient of correlation, 0.6460 and 0.6796. Using matlab code (R2= 0.6796) is better than Coley code (R2= 0.6460).

CONCLUSIONS
The calculated rainfall time series results present the good agreement if compared

with observed rainfall time series results. For simulating a series of synthetic rainfalls, using matlab code produced more accurate frequencies than using Coley code.

REFERENCES
Yevjevich, V., 1972, Structural analysis of hydrologic time series, Colorado State University, Fort Collins. Kottegoda N.T., 1980, Stochastic Water Resource Technology, Mac Milan, Hongkong. Kreyszig, E., 1993, Advanced Engineering Mathematics, John Wiley & Sons, Inc. Singapore. Zakaria, A., 1998, Preliminary of tidal prediction using Least Squares Method, Thesis (Master), Bandung Institute of Technology, Bandung, Indonesia. Cooley, James W. Tukey, John W. 1965. An Algorithm for the machine calculation of Complex Fourier Series. Mathematics of Computation. pp. 199-215. Bhakar, S.R., Singh, Raj Vir, Chhajed, Neeraj, and Bansal, Anil Kumar, 2006, Stochstic modeling of monthly rainfall at kota region, ARPN Journal of Engineering and Applied Sciences, Vol.1, No.3, pp. 36-44. Pytharouli, Stella, Kontogianni, Villy, Psimoulis, Panos, and Stiros, Stathis, 2004, Spectral Analysis Technoques in Deformation Analysis Studies, INGEO 2004 and FIG Regional Central and Eastern European Conference on Engineering Survey.http://www.fig.net/pub/bratislava/papers/ts_01/ts_01_pytharouli_etal.pdf Box, G.E. P and G. Jenkins, 1976, Time Series Analysis: Forecasting and Control, Prentice Hall. Lomb N. R. (1976), Least Squares Analysis of Unequally Space Data, Astrophysics and Space Sciences, Vol 39, pp.447-419. Vanicek P., (1969), Approximate Spectral Analysis by Least Squares Fit, Astrophysics and Space Science, Vol. 4, pp.

Terjemahan nya GENERASI DARI URUTAN SINTETIS curah hujan KUMULATIF BULANAN MENGGUNAKAN METODE KUADRAT FFT DAN TERKECIL

Ahmad Zakaria Departemen Teknik Sipil, Universitas Lampung, Indonesia E-mail: ahmadzakaria@unila.ac.id Abstrak Umumnya curah hujan model yang digunakan oleh para insinyur dan hydrologists untuk perencanaan teknik sipil, perencanaan infrastruktur, penentuan koefisien drainase untuk daerah tangkapan dan penentuan debit maksimum. Tujuan dari penelitian ini adalah untuk menghasilkan urutan sintetis curah hujan menggunakan transformasi Fourier dan paling metode kuadrat. Deret waktu curah hujan diasumsikan mewakili sebagai akumulasi dari tren, periodik dan stokastik sebagai komponennya. Dalam analisis ini, The Fast Fourier Transform (FFT) digunakan menghasilkan spektrum deret waktu curah hujan. Dari spektrum, frekuensi komponen periodisitas curah hujan yang terlibat tren, komponen periodik dan stokastik berasal. Time series curah hujan yang terlibat tren, periodik dan stokastik diasumsikan sebagai deret Fourier. Metode kuadrat terkecil digunakan untuk memprediksi komponen deret waktu curah hujan. Hasil dihitung dari urutan sintetis dari curah hujan menggunakan Tukey-Coley dan periodograms Matlab dibandingkan dengan time series curah hujan yang diamati. Hasil seri curah hujan dihitung waktu hadir perjanjian baik jika dibandingkan dengan waktu curah hujan hasil seri diamati. kata kunci:. Curah hujan, Fast Fourier Transform, Kuadrat Terkecil 1.Introduction Umumnya curah hujan model yang digunakan oleh para insinyur dan hydrologists untuk teknik sipil perencanaan perencanaan, infrastruktur , penentuan koefisien drainase untuk daerah tangkapan dan penentuan debit maksimum. Model ini diperlukan untuk memberikan informasi rinci tentang curah hujan terhadap waktu. Untuk memberikan catatan urutan panjang data curah hujan sangat sulit, sehingga terkadang, perlu sejauh catatan curah hujan dengan menghasilkan catatan yang tersedia. banyak metode yang telah digunakan oleh para insinyur dan ilmuwan untuk memberikan informasi ini. Kebanyakan dari mereka

adalah baik deterministik atau probabilistik, Kotegoda, 1980 dan Yevjevich, 1972. Metode pertama tidak mempertimbangkan efek acak dari berbagai parameter input; metode kemudian menggunakan konsep probabilitas sejauh. Dengan meningkatnya permintaan untuk akurasi analisis data curah hujan, metode ini tidak lagi memadai. Curah hujan yang periodik dan stokastik di alam karena mereka dipengaruhi oleh parameter climatologically, yaitu, variasi iklim periodik dan stokastik ditransfer menjadi komponen periodik dan stokastik curah hujan harus dihitung mempertimbangkan baik bagian ditentukan dari proses. Mempertimbangkan semua faktor lain yang diketahui atau diasumsikan curah hujan adalah fungsi dari variasi stokastik iklim, Yevjevich, 1972. Analisis stokastik deret waktu curah hujan harus menyediakan sebuah model matematika yang akan menjelaskan bagian-bagian deterministik dan stokastik dan juga akan mencerminkan variasi curah hujan. Bakar et. al. (2006) menggunakan analisis periodik dan stokastik untuk model curah hujan bulanan di Daerah Kota. Berdasarkan karya-karya dari Vanicek (1976), Lomb (1976) mengembangkan teknik untuk pas model dengan menggunakan periodogram dinormalisasi. Tujuan dari penelitian ini adalah untuk membandingkan generasi urutan curah hujan dari stasiun curah hujan Air Itam di Lampung Daerah menggunakan Fast Fourier Transform dikodekan oleh Coley (1965) dan Matlab kode, dan Metode Kuadrat Terkecil. 2. METODE ANALISIS MATEMATIKA Model Umum matematika yang digunakan untuk menggambarkan seri waktu curah hujan adalah sebagai berikut (Bhakar, 2006),

Xt=Tt+Pt+St Dimana Tt = Komponen tren pada saat t, t= 1,2,3, ...N, Pt = Periodik komponen, St= Komponen stokastik yang memiliki bagian-bagian dependen dan independen, dan N = jumlah titik data. 2.1. Komponen Trend Trend komponen (

Tt) Curah hujan biasanya diidentifikasi dengan menggunakan nilai-nilai curah hujan musiman. Untuk studi ini diasumsikan data curah hujan bebas dari tren. 2.2. Stochastic Komponen Komponen stokastik curah hujan diasumsikan bahwa nilai

St pada waktu itu efek gabungan dari jumlah tertimbang dari nilai-nilai masa lalu sehingga sebagian bergantung St dari dapat diwakili sebagai, St=[k=1k=p,kSt-ksuatuk] Dimana, p,k adalah parameter autoregressive, p= Urutan model; k= Jumlah parameter, k= 1,2,3, ...p. Model diwakili di atas dikenal sebagai model autoregresif orde hal 2,3. Periodik Komponen Komponen periodik (Pt) dapat dinyatakan dalam bentuk deret Fourier seperti yang disajikan pada Kreyszig (1993) sebagai berikut, ^(tn)=Sebuaho+k=1k=M[SebuahkCos(kt)+BkSin(kt)] Dimana, k adalah jumlah harmonik, 1 < k < M; M adalah jumlah maksimum harmonisa yang signifikan. Untuk menentukan jumlah komponen harmonik signifikan, frekuensi, amplitudo, dan fase, metode kuadrat terkecil yang diterapkan (Zakaria, 1998). 2.4. Metode Kuadrat Terkecil metode Kuadrat Terkecil adalah metode yang umum digunakan untuk fitting kurva atau serangkaian sinyal sintetis untuk data. Koefisien korelasi R adalah digunakan untuk melihat kebaikan cocok.

=(tn=1tn=n((tn)-^(tn)))2=minimum Sebuaho;Sebuahk;Bk

2,5. Fast Fourier Transformation (FFT) Metode analisis pertama dikembangkan oleh Coley (1965) untuk mengekstrak spektrum atau frekuensi dari data time series. Untuk data time series (tn) frekuensi dapat dihitung dengan menggunakan metode transformasi Fourier sebagai berikut, (m)=t2n=-N/2n=N/2(tn).e-2..iM.m.n Umumnya, menggunakan persamaan ini perlu lebih banyak waktu, Jadi Coley (1965) mengembangkan algoritma untuk menghitung spektrum dari data time series, memakan waktu yang sangat sedikit. HASIL DAN PEMBAHASAN Untuk menghasilkan seri bulanan curah hujan sintetis, 350 data yang diambil dari bulan. Dari analisis diperkirakan bahwa tidak ada trend di time series curah hujan, sehingga analisis hanya untuk mengkonfirmasi kehadiran komponen periodik. Dari Gambar 1 disajikan periodograms kumulatif curah hujan bulanan menggunakan Coley-Tukey dan Algoritma Matlab. Hasil ini menunjukkan bahwa perbedaan amplitudo tidak terlalu signifikan.

Gambar 1: Periodograms kumulatif curah hujan bulanan menggunakan Coley-Tukey dan Matlab kode

Gambar 2: curah hujan kumulatif Bulanan dari 125 konstituen frekuensi (R2= 0,7844).

Gambar 3: curah hujan kumulatif Bulanan menggunakan kode Coley 100 frekuensi (R2= 0,7260).

Gambar 4: curah hujan kumulatif Bulanan menggunakan kode Coley 50 frekuensi (R2= 0,6460).

Gambar 5: curah hujan kumulatif Bulanan menggunakan kode matlab dari 50 frekuensi (R2= 0,6796).

Dari Angka atas (Gambar 2, 3, 4, dan 5) disajikan bahwa menggunakan 125 frekuensi menghasilkan koefisien korelasi yang lebih baik jika dibandingkan daripada menggunakan 100 frekuensi. Dan menggunakan 100 frekuensi menghasilkan koefisien korelasi yang lebih baik dibandingkan dengan menggunakan daripada menggunakan 50 frekuensi. Pada Gambar 4 dan 5 menunjukkan bahwa untuk jumlah yang sama frekuensi, simulasi menggunakan Matlab Coley dan kode yang dihasilkan koefisien korelasi, 0,6460 dan 0,6796. Menggunakan kode matlab (R2= 0,6796) lebih baik dari Coley kode (R2= 0,6460).

KESIMPULAN
Hasil seri curah hujan dihitung waktu hadir perjanjian baik jika dibandingkan dengan waktu curah hujan hasil seri diamati. Untuk mensimulasikan serangkaian curah hujan sintetis, menggunakan Matlab kode yang dihasilkan frekuensi lebih akurat daripada menggunakan kode Coley.

REFERENSI
Yevjevich, V., 1972, analisis deret waktu Struktural hidrologi, Colorado State University, Fort Collins. Kottegoda NT, 1980, Sumber Daya Air Teknologi Stochastic, Mac Milan, Hongkong. Kreyszig, E., 1993, Advanced Matematika Rekayasa, John Wiley & Sons, Inc Singapura. Zakaria, A., 1998, awal dari prediksi pasang surut menggunakan Metode Kuadrat Terkecil, Tesis (Guru), Institut Teknologi Bandung, Bandung, Indonesia. Cooley, James W. Tukey, John W. 1965. Sebuah Algoritma untuk perhitungan mesin Seri Fourier Kompleks. Perhitungan matematika. hlm 199-215. Bhakar, SR, Singh, Raj Vir, Chhajed, Neeraj, dan Bansal, Anil Kumar, 2006, pemodelan Stochstic curah hujan bulanan di wilayah kota, ARPN Jurnal Teknik dan Ilmu Pengetahuan Terapan, Vol.1, No 3, hal 36-44. Pytharouli, Stella, Kontogianni, Villy, Psimoulis, Panos, dan Stiros, Stathis, 2004, Analisis spektral Technoques dalam Studi Analisis Deformasi, Ingeo 2004 dan Gambar Daerah Timur Tengah dan Eropa Konferensi tentang Rekayasa Survey.http : / / www.fig.net/pub/bratislava/papers/ts_01/ts_01_pytharouli_etal.pdf Box, GE P dan G. Jenkins, 1976, Analisis Waktu Seri:. Peramalan dan Pengendalian, Prentice Hall Lomb NR (1976), Kuadrat Terkecil Analisis merata Ruang Data, Astrofisika dan Antariksa Ilmu Pengetahuan, Vol 39, pp.447-419. Vanicek P., (1969), Analisis spektral Perkiraan oleh Kuadrat Terkecil Fit, Astrofisika dan Space Science, Vol. 4, hlm 387-391.

387-391.