Te ra p a n , Ha l 9 11 -92 2
1.Pendahuluan
911
evaporasi panci (Epan) berbeda dengan laju evapotranspirasi di permukaan
bervegetasi, keduanya dihubungkan dengan koefisien panci [5]. Besaran koefisien
panci klas A berbeda-beda tergantung pada penempatan dan lingkungan pada
beberapa tingkatan kelembaban relatif dan kecepatan angin [7].
Terdapat beberapa kendala dalam pengukuran Epan antara lain : biaya yang
cukup tinggi karena sistem pengukuran otomatis, ketidakcocokan dengan beberapa
lingkungan seperti di wilayah yang mengalami pembekuan pada suhu tertentu dan
curah hujan juga mempengaruhi keakuratan pengukuran Epan [8]. Namun seiring
dengan kemajuan teknologi, sistem pengukuran Epan secara otomatis semakin
berkembang, sehingga data dapat tercatat secara otomatis dan dapat dimonitor dari
jarak jauh (remote system) [9]. Di Indonesia sendiri ketersedian data Epan cukup
terbatas, sehingga pendugaan menggunakan metode yang sudah ada lebih diminati
dengan menggunakan data pengamatan cuaca.
Dalam penelitian ini dilakukan evaluasi model pendugaan Epan yang telah
berkembang antara lain : metode Penman [1], KNF (Kohler-Nordenson-Fox) [2] dan
Linacre [3] dengan Epan hasil pengukuran di 5 stasiun cuaca di wilayah Bali.
Analisis menggunakan Metode RMSE (Root Mean Square Error) digunakan untuk
mengetahui keakuratan dan keandalan ketiga model pendugaan tersebut.
Perbandingan hasil RMSE dilakukan juga antara hasil dugaan ketiga model tersebut
dengan hasil model pendugaan lokal Wati [4] yang pernah dilakukan di stasiun
penelitian.
H = E (1+β)
= (1-r)Ra (0.18 + 0.55 n/N) – σT4 (0.56 – 0.092√ed)(0.10 +0.90n/N) (2)
2𝑈
𝐸𝑎 = 0.35 (0.5 + 100)(ea − ed) (3)
Keterangan :
γ : konstanta psychrometri
H : Radiasi Netto dalam unit evaporasi merupakan komponen keseimbangan
energi dengan rumus pada persamaan (2)
r : koefisien pemantulan permukaan (untuk nilai rata-rata tahunan, Penman
menggunakan 0.05 untuk air terbuka, 0.10 untuk tanah gundul dan 0.20
untuk vegetasi hijau)
Ra : Radiasi Angot
n/N : nisbah antara lama penyinaran dan panjang hari
σ : konstanta Stefan Boltzman
𝑑𝑒 𝑒𝑎 −𝑒𝑑
∆ : kemiringan (slope) kurva tekanan uap jenuh dengan suhu ( ≅ )
𝑑𝑇 𝑇𝑎 −𝑇𝑑
912
pada suhu udara tertentu T dalam mb/°C
ea : tekanan uap air jenuh pada suhu T dalam mm Hg
ed : tekanan uap air jenuh pada suhu titik embun dalam mm Hg
Ea : komponen aerodinamik (perpindahan massa uap air) dengan rumus pada
persamaan (3):
∆𝑅𝑛 +𝛾+𝐸𝑎
𝐸𝑝𝑎𝑛 = ∆+ 𝛾
(4)
𝑒
243.5 log( 𝑑 )
𝑇𝑑 = 6.112
𝑒 (8)
17.67− log( 𝑑 )
6.112
Keterangan :
Rn : Radiasi netto
Rs : Radiasi matahari
T : Suhu udara
Tm : T – 0.006 h dengan h adalah ketinggian
A : derajat lintang posisi stasiun cuaca
Td : suhu titik embun dengan rumus pada persamaan (8)
Wati [4] melakukan pendugaan Epan di wilayah Pulau Jawa dan Bali
Indonesia dengan parameter cuaca yang memiliki korelasi tertinggi dengan Epan.
Analisis regresi dan korelasi dilakukan antara Epan dengan unsur – unsur cuaca yaitu
suhu udara, kelembapan relatif, lama penyinaran, defisit tekanan uap air dan
kecepatan angin. Hasil model pendugaan Epan untuk 5 stasiun cuaca di Pulau Bali
antara lain :
913
1. Negara
Epan = 2.29 + 0.36VPD (9)
2. Ngurah Rai
Epan = 14.62 – 0.11RH (10)
4. Sanglah
Epan = 2.38 + 0.30VPD (12)
5. Kahang
Epan = 1.844 + 0.37LP (13)
Keterangan :
VPD : defisit tekanan uap air
RH : kelempaban relatif
T : suhu udara rata-rata
LP : lama penyinaran
∑𝑛
𝑖=1(𝑋𝑖 −𝑌𝑖 )
2
𝑅𝑀𝑆𝐸 = √ 𝑛
(14)
Uji hasil model dilakukan dengan uji beda nilai tengah dua populasi dengan
asumsi keragaman sama. Tujuan uji t ini adalah untuk menentukan apakah dua
populasi yaitu Epan observasi dan Epan hasil pendugaan memiliki nilai tengah yang
sama atau tidak. Uji beda nyata ini pada taraf α 5 %.
Hipotesis : H0 : µ1 = µ2
H1 : µ1 ≠ µ2
(𝑥̅1 −𝑥̅2 )−𝛿0
|𝑡𝐻𝑖𝑡𝑢𝑛𝑔 | = (15)
𝑆(𝑥
̅ 1 −𝑥
̅2 )
1 1
𝑆(𝑥̅1−𝑥̅2) = 𝑠𝑔 √( + ) (16)
𝑛1 𝑛2
Keterangan:
µ = nilai tengah
n = jumlah data
s = ragam
914
Dengan derajat bebas (db) sebesar n1 + n2 – 2, Sg merupakan ragam gabungan dari
kedua populasi. Keputusan jika |thitung| > ttabel(α,db) maka menolak hipotesis H0, jika
sebaliknya maka terima H0..
3. Hasil – Hasil Utama
Data yang digunakan dalam penelitian ini adalah data harian pengamatan
Epan, suhu udara rata-rata, kelembapan relatif, lama penyinaran dan kecepatan
angin. Periode data cuaca yang digunakan dan posisi stasiun cuaca disajikan pada
Tabel 1 dan Gambar 1. Data penelitian observasi sebelum digunakan dalam analisis
sudah dilakukan quality control terlebih dahulu [4]. Deskripsi statistik data evaporasi
harian di Bali menunjukkan kisaran data evaporasi harian antara 0 mm – 3,9 mm,
standar deviasi berkisar antara 1,5 – 2,0 mm dengan median antara 4,3 – 5,6 mm.
Quartil ke-1 data evaporasi harian berkisar antara 3,1 – 4,4 mm dan quartil ke-3
berkisar antara 3,0 - 6,5 mm [4].
915
Kahang yang paling mendekati pola Epan observasi. Berdasarkan pola data harian,
pendugaan metode Penman paling mendekati pola observasi meskipun
underestimate.
Gambar 2. Epan rata-rata harian hasil dugaan dengan observasi di stasiun Negara
Gambar 3. Epan rata-rata harian hasil dugaan dengan observasi di stasiun Ngurah
Rai
916
Gambar 5. Epan rata-rata harian hasil dugaan dengan observasi di stasiun Sanglah
Gambar 6. Epan rata-rata harian hasil dugaan dengan observasi di stasiun Kahang
Epan observasi bulanan di Pulau Bali rata-rata sepanjang tahun sebesar 141
mm dengan kisaran antara 127 – 167 mm. Sedangkan Epan tahunan rata-rata sebesar
1656 mm dengan kisaran antara 1485 – 1959 mm. Pola Epan bulanan di pulau Bali
menurut Wati [4] terendah rata-rata terjadi di bulan Februari dan tertinggi di bulan
Oktober. Di pulau Bali pola Epan memiliki dua puncak yaitu pada bulan Oktober
dan bulan Maret.
917
model pendugaan. Nilai RMSE yang rendah menunjukkan bahwa variasi nilai yang
dihasilkan oleh suatu model dugaan mendekati variasi nilai obeservasinya.
(a) (b)
(c)
(d) (e)
Gambar 7. Epan rata-rata bulanan hasil dugaan dengan observasi di stasiun cuaca
wilayah Bali
918
5 Kahang 2.3 3.3 3.0 1.9
919
Tabel 4. Persentase kesalahan dari pendugaan evaporasi data bulanan di stasiun
Negara
Stasiun Negara Metode
Epan (mm) Observasi Penman % Ey KNF % Ey Linacre % Ey Wati % Ey
Januari 126 85 32 45 64 248 -97 135 -7
Februari 112 73 35 39 65 222 -99 119 -7
Maret 125 83 34 44 65 246 -97 133 -7
April 116 84 28 42 64 236 -104 126 -9
Mei 115 86 25 43 62 238 -107 131 -14
Juni 110 75 32 40 64 218 -98 123 -12
Juli 118 80 32 41 65 216 -83 126 -7
Agustus 134 93 31 45 67 218 -62 133 1
September 140 100 29 45 68 223 -59 133 5
Oktober 144 110 23 50 65 247 -72 144 0
November 130 96 27 47 64 245 -88 136 -4
Desember 115 82 29 47 59 252 -118 139 -21
rata-rata 29.8 64.3 -90.4 -6.8
tahunan 1484.8 1044.6 29.6 528.9 64.4 2808.6 -89.2 1578.8 -6.3
920
Tabel 7. Persentase kesalahan dari pendugaan evaporasi data bulanan di stasiun
Sanglah
Stasiun Sanglah Metode
Epan (mm) Observasi Penman % Ey KNF % Ey Linacre % Ey Wati % Ey
Januari 143 100 30 54 63 261 -82 141 2
Februari 132 86 34 50 62 238 -81 130 1
Maret 142 107 25 56 61 263 -86 145 -2
April 140 109 22 55 61 256 -82 142 -1
Mei 135 111 18 58 57 260 -93 148 -10
Juni 122 101 17 55 54 242 -99 142 -16
Juli 129 105 19 56 56 242 -89 144 -12
Agustus 145 116 20 58 60 242 -67 147 -2
September 146 119 19 56 61 241 -65 143 2
Oktober 166 133 20 60 64 263 -59 152 9
November 148 110 25 58 61 261 -77 147 0
Desember 139 89 36 56 60 264 -90 145 -4
rata-rata 23.8 60.0 -80.7 -2.8
tahunan 1685.7 1284.7 23.8 672.4 60.1 3034.2 -80.0 1725.5 -2.4
921
4. Kesimpulan
Hasil Evaluasi tiga model menunjukkan baik data harian maupun bulanan
metode Penman terbaik di empat stasiun yaitu di stasiun Sanglah, Kahang, Negara
dan BBMKG wilayah 3, sedangkan di stasiun Ngurah Rai metode KNF yang terbaik.
Nilai RMSE hasil pendugaan metode Penman, KNF dan Linacre lebih besar
dibandingkan dengan model pendugaan Wati menunjukkan keandalan model
pendugaan Epan dipengaruhi oleh tipe iklim. Pendugaan yang dilakukan di iklim
yang sama (meskipun hanya dengan parameter yang lebih sedikit) lebih akurat
dibandingkan dengan ketiga model tersebut yang dilakukan pada tipe iklim yang
berbeda (iklim sub tropis).
Referensi
[1] Penman, H.L., 1948, Natural evaporation from open water, bare soil and grass. In Proc.
of the Royal Soc. of London A: Math., Physic. and Eng. Sci. (Vol. 193, No. 1032, pp.
120-145). The Royal Society.
[2] Kohler, M.A., Nordenson, T.J. and Fox, W.E., 1955, Evaporation from pans and lakes.
[3] Linacre, E.T., 1977, A simple formula for estimating evaporation rates in various
climates, using temperature data alone. Agri. Met., 18(6), pp.409-424.
[4] Wati, T., 2015, Kajian Evaporasi Pulau Jawa dan Bali Berdasarkan Data Pengamatan
1975-2013, Tesis, Sekolah Pascasarjana Institut Pertanian Bogor.
[5] Irmak, S. dan Haman, D.Z., 2003, Evaluation of five methods for estimating class A pan
evaporation in a humid climate. Hort. Tech., 13(3), pp.500-508.
[6] World Meteorological Organization. 1992, International Meteorological Vocabulary.
Second edition, WMO-No.182, Geneva.
[7] Allen R.G., Pereira L.S., D. Raes dan M. Smith, 1998, Crop Evapotranspiration
Guidelines for Computing Crop Water Requirements, FAO Irrigation and Drainage
Paper, No 56.
[8] Lindsey, S. D., dan R. K. Farnsworth, 1997, Sources of solar radiation estimates and
their effect on daily potential evaporation for use in streamflow modeling. J. Hydrol.
201(1-4): 348-366.
[9] Hoogenboom, G., 1996, The Georgia Automated Environmental Monitoring Network.
In Preprints of the 22nd Conf. on Agri. and Forest Met., 343-346. Boston, Mass.:
American Meteorological Society.
[10] Makridakis, S., Andersen, A., Carbone, R., Fildes, R., Hibon, M., Lewandowski, R.,
Newton, J., Parzen, E. and Winkler, R., 1982. The accuracy of extrapolation (time
series) methods: Results of a forecasting competition. J. of forecast., 1(2), pp.111-153
922