PENERAPAN TEORI RANTAI MARKOV PADA DATA

CURAH HUJAN HARIAN DI WILAYAH TANGERANG

SKRIPSI

Nur Ana Maemunah

11140940000035

PROGRAM STUDI MATEMATIKA

FAKULTAS SAINS DAN TEKNOLOGI
UIN SYARIF HIDAYATULLAH JAKARTA
2020 M / 1441 H
PENERAPAN TEORI RANTAI MARKOV PADA DATA
CURAH HUJAN HARIAN DI WILAYAH TANGERANG

Skripsi

Diajukan kepada
Universitas Islam Negeri Syarif Hidayatullah Jakarta
Fakultas Sains dan Teknologi
Untuk Memenuhi Salah Satu Persyaratan dalam
Memperoleh Gelar Sarjana Matematika (S.Mat)

Oleh:
Nur Ana Maemunah
11140940000035

PROGRAM STUDI MATEMATIKA

FAKULTAS SAINS DAN TEKNOLOGI
UIN SYARIF HIDAYATULLAH JAKARTA
2020 M / 1441 H
 PERNYATAAN

DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI INI

BENAR-BENAR HASIL KARYA SENDIRI YANG BELUM PERNAH
DIAJUKAN SEBAGAI SKRIPSI ATAU KARYA ILMIAH PADA
PERGURUAN TINGGI ATAU LEMBAGA MANAPUN.

ii
 LEMBAR PENGESAHAN
Skripsi ini berjudul “Penerapan Teori Rantai Markov Pada Data Curah Hujan
Harian di Wilayah Tangerang” yang ditulis oleh Nur Ana Maemunah, NIM
11140940000035 telah diuji dan dinyatakan lulus dalam sidang Munaqosah
Fakultas Sains dan Teknologi Universitas Islam Negeri Syarif Hidayatullah Jakarta
pada hari Kamis, tanggal 30 Januari 2020. Skripsi ini telah diterima untuk
memenuhi salah satu persyaratan dalam memperoleh gelar sarjana strata satu (S1)
Program Studi Matematika.

iii
 PERSEMBAHAN DAN MOTTO

PERSEMBAHAN
Skripsi ini saya persembahkan untuk semua yang telah mendukung, terutama keluarga.

MOTTO

ِ ‫َو َمنْ َجا َه َد فَإِنَّ َما يُ َجا ِه ُد لِنَ ْف‬

‫سه‬
"Barang siapa yang bersungguh sungguh, sesungguhnya kesungguhan tersebut
untuk kebaikan dirinya sendiri"
(Qs. Al-Ankabut: 6)

“Jika kamu ingin memperoleh hasil yang berbeda, maka kamu harus mengubah
tindakamnu”

iv
 KATA PENGANTAR

Assalamual’aikum Warahmatullahi Wabarakatuh

Alhamdulillah, segala puji serta syukur kepada Allah SWT yang telah
melimpahkan rahmat, ridha dan karunia-Nya sehingga peneliti dapat
menyelesaikan skripsi dengan judul “Penerapan Teori Rantai Markov Pada data
Curah Hujan Harian di Wilayah Tangerang”. Shalawat serta salam senantiasa
tercurahkan kepada Nabi Muhammad Salallahu alaihi wasalam, para sahabat,
keluarga, dan para pengikutnya sampai akhir zaman.
1. Dalam menyelesaikan skripsi ini, peneliti mendapat banyak bimbingan, saran,
kerjasama, dan bantuan dari berbagai pihak. Untuk itu, pada kesempatan ini
peneliti ingin menyampaikan terimakasih kepada:
2. Ibu prof. Dr. Lily Surayya Eka Putri, M. Env.Stud selaku Dekan Fakultas
Sains dan Teknologi Universitas Islam Negeri Syarif Hidayatullah Jakarta.
3. Ibu Dr. Suma’inna, M.Si selaku Ketua Program Studi Matematika Fakultas
Sains dan Teknologi UIN Syarif Hidayatullah Jakarta.
4. Ibu Irma Fauziah, M.Sc., selaku Sekretaris Program Studi Matematika
Fakultas Sains dan Teknologi UIN Syarif Hidayatullah Jakarta serta Dosen
Pembimbing I yang telah memberikan ilmu pengetahuan, pengarahan,
bimbingan, dan membantu peneliti dalam menyelesaikan skripsi ini.
5. Pak Mahmudi, M.Si, selaku Dosen Pembimbing II yang telah memberikan
ilmu pengetahuan, pengarahan, bimbingan, dan membantu peneliti dalam
menyelesaikan skripsi ini.
6. Pak Muhammad Manaqib, M.Sc, selaku Dosen Penguji I dan Dosen Program
Studi Matematika yang telah memberikan ilmu, saran, dan masukan pada
peneliti.
v
7. Ibu Madona Yunita Wijaya, M.Sc, selaku Dosen Penguji II dan Dosen
Program Studi Matematika yang telah memberikan ilmu, saran, dan masukan
pada peneliti.
8. Kedua Orang tua peneliti, yang selalu memberikan doa, nasihat, kasih sayang,
semangat dan dukungan moril maupun matril kepada peneliti.
9. Ketiga kakak peneliti, Ratno, Edy Purwanto, dan Ady Tri Laksono, karena telah
menjadi penghibur, penyemangat, dan pendukung saat menghadapi kesulitan
menyelesaikan skripsi.
10. Nur Ani Badriyah, selaku adik satu-satunya peneliti, yang telah memberikan banyak
hal yang tidak dapat disebutkan, agar terselesaikan skripsi ini.
11. Seluruh keluarga besar Matematika 2014 serta HIMATIKA UIN Syarif Hidayatullah
Jakarta terimakasih telah menemani selama ini dan memberikan pengalaman yang
luar biasa bagi peneliti.
12. Seluruh keluarga besar Lembaga Dakwah Kampus (LDK) UIN Syarif Hidayatullah
Jakarta terimakasih telah menemani selama ini dan memberikan pengalaman yang
luar biasa bagi peneliti.
13. Seluruh pihak yang telah membantu peneliti dalam mengerjakan skripsi ini maupun
yang telah memberikan semangat dan kebahagiaan dalam kehidupan peneliti yang
tidak dapat disebutkan satu persatu.
Peneliti menyadari bahwa dalam penyusunan skripsi ini masih banyak kekurangan. Oleh
sebab itu, peneliti mengharapkan kritik dan saran yang bersifat membangun untuk
perbaikan di masa yang akan datang. Akhir kata, peneliti berharap semoga penyusunan
skripsi ini dapat bermanfaat.
Wassalamu’alaikum Warahmatullahi Wabarakatuh.

Jakarta, 30 Januari 2020

Peneliti

vi
 LEMBAR PERNYATAAN PERSETUJUAN
PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS

vii
 ABSTRAK

Nur Ana Maemunah, Penerapan Teori Rantai Markov Pada Data Curah Hujan
Harian di Wilayah Tangerang, dibawah bimbingan Irma Fauziah, M.Sc dan
Mahmudi, M.Si.

Rantai Markov merupakan salah satu metode analisis stokastik yang digunakan
untuk memprediksi kejadian yang akan datang. Keberagaman curah hujan
seringkali memberi akibat serius bagi kehidupan manusia. Hujan yang tinggi dapat
menyebabkan bencana banjir. Sedangkan curah hujan yang rendah menyebabkan
wilayah rentan terhadap kekeringan. Penentuan probabilitas curah hujan yang akan
datang di suatu daerah, dapat menggunakan Rantai Markov. Penelitian ini
menggunakan data sekunder curah hujan harian di tiga stasiun wilayah Tangerang,
yaitu stasiun Soekarno-Hatta, stasiun Budiarto, dan stasiun Pondok Betung, dalam
periode 20 tahun dimulai 1 Januari 1999 sampai dengan 31 Desember 2018. Matriks
peluang transisi ditentukan dengan menggunakan metode maximum likelihood.
Nilai peluang dicari hingga memenuhi kondisi steady state. Berdasarkan hasil
penelitian, diperoleh peluang hari tidak hujan tertinggi berada di kawasan stasiun
Soekarno-Hatta sebesar 72%, peluang hari hujan ringan tertinggi di kawasan
staisun Pondok Betung, sebesar 52%, dan peluang hari hujan lebat tertinggi sebesar
5% berada di kawasan stasiun Soekarno-Hatta. Dengan uji WS, telah ditunjukkan
bahwa data memenuhi sifat Markov. Hasil Uji Wilcoxon menyatakan bahwa faktor
musim tidak mempengaruhi model curah hujan harian yang diperoleh.

Kata Kunci : Rantai Markov, Curah Hujan Harian, Maximum Likelihood, WS,
steady state.

viii
 ABSTRACT

Nur Ana Maemunah, Application of Markov Chain Theory on Daily Rainfall Data
in Tangerang Area, under the guidance of Irma Fauziah, M.Sc and Mahmudi,
M.Si.

The markov chain is one of the stochastic analysis methods used to forecasting.
The diversity of rainfall often causes a serious problem for human life. Heavy rain
can cause flooding, and low rainfall makes the area drought. Determination the
probability of rainfall that will come in a certain area can use the Markov Chain.
The occurances of rain or not in one day can be modeled the Markov chain model.
This study secondary data from daily rainfall in three Tangerang stations, namely
Soekarno-Hatta, Budiarto, and Pondok Betung, for a period 20 years starting from
1 January 1999 to 31 December 2018. The transition probability matrix is
determined using the maximum likelihood method. The opportunity value sought
until it meets the steady state conditions. Based on the results of the study, the
highest probability of no rainy day was in the Soekarno-hatta stasion by 72%, the
highest probability of moderate rainy day in Pondok Betung station, by 52%, and
the highest probability of heavy rainy day in Soekarno-Hatta stasion, by 5%. The
WS test result, shown that the data meet the Markov property. Wilcoxon test results
show that the season factor does not affect the daily rainfall model.

Keywords: Markov Chain, Daily Rainfall, Transition Probability, Wilcoxon test,

Maximum Likelihood

ix
 DAFTAR ISI

HALAMAN JUDUL………………………………..…………………………….i

PERNYATAAN ..................................................................................................... ii
LEMBAR PENGESAHAN ................................................................................. iii
PERSEMBAHAN DAN MOTTO....................................................................... iv
KATA PENGANTAR ........................................................................................... v
LEMBAR PERNYATAAN PERSETUJUAN .................................................. vii
ABSTRAK ........................................................................................................... vii
ABSTRACT .......................................................................................................... ix
DAFTAR ISI .......................................................................................................... x
DAFTAR TABEL ............................................................................................... xii
BAB I PENDAHULUAN ...................................................................................... 1
1.1. Latar Belakang ......................................................................................... 1
1.2. Perumusan Masalah .................................................................................. 2
1.3. Tujuan Penelitian ...................................................................................... 3
1.4. Batasan Masalah ....................................................................................... 3
1.5. Manfaat Penelitian .................................................................................... 3
BAB II LANDASAN TEORI ............................................................................... 5
2.1. Rantai Markov .......................................................................................... 5
2.1.1. Proses Stokastik ................................................................................. 5
2.1.2. Proses Markov ................................................................................... 5
2.1.3. Rantai Markov dan Waktu Diskrit ..................................................... 5
2.1.4. Matriks Peluang Transisi ................................................................... 6
2.1.5. Pendugaan Rantai Markov ................................................................. 6
2.1.6. Peluang Keadaan Tetap (Steady State) .............................................. 9
2.2. Curah Hujan ............................................................................................. 9

x
 2.2.1. Curah Hujan Harian ........................................................................... 9
2.2.2. Karakteristik Curah Hujan Harian di wilayah Tangerang ............... 10
2.3. Uji Wide Sense (WS)............................................................................... 11
2.4. Uji Wilcoxon ........................................................................................... 13
BAB III METODOLOGI PENELITIAN ......................................................... 14
3.1. Sumber Data ........................................................................................... 14
3.2. Metode Analisis ...................................................................................... 14
3.3. Alur Penelitian ........................................................................................ 15
BAB IV HASIL DAN PEMBAHASAN ............................................................ 16
4.1. Deskripsi Data ........................................................................................ 16
4.2. Kategorisasi Hari Berdasarkan Sifat Hujan ............................................ 20
4.3. Pengelompokkan Data Berdasarkan Faktor Musim ............................... 22
4.4. Matriks Peluang Transisi ........................................................................ 24
4.4.1 Matriks Peluang Transisi Soekarno-Hatta ....................................... 24
4.4.2 Matriks Peluang Transisi Stasiun Budiarto ..................................... 26
4.4.3 Matriks Peluang Transisi Stasiun Pondok Betung ........................... 28
4.5. Pengujian Sifat Markov .......................................................................... 29
4.6. Peluang Transisi Pada Kondisi Steady State .......................................... 29
4.7. Pengujian Pengaruh Faktor Musim Terhadap Model ............................. 31
BAB V KESIMPULAN DAN SARAN .............................................................. 32
5.1. Kesimpulan ............................................................................................. 32
5.2. Saran ....................................................................................................... 33
REFERENSI ........................................................................................................ 34
LAMPIRAN ......................................................................................................... 36

xi
 DAFTAR TABEL

Tabel 2. 1. Matriks Peluang Transisi state i ke state j ...................................................... 11

Tabel 4. 1. Statistika Deskriptif ........................................................................................ 16
Tabel 4. 2. Kategorisasi Sifat Hujan Harian ..................................................................... 20
Tabel 4. 3. Jumlah Hari Setiap State Masing-Masing Stasiun .......................................... 21
Tabel 4. 4. Pembagian Bulan Untuk Masing-Masing Kasus ............................................ 23
Tabel 4. 5. Jumlah Hari Berdasarkan 2 Musim dan State Untuk Masing-Masing Stasiun23
Tabel 4. 6. Jumlah Hari Berdasarkan 3 Musim dan State Untuk Masing-Masing Stasiun24
Tabel 4. 7. Matriks Peluang Transisi Curah Hujan di Stasiun Soekarno-Hatta ................ 25
Tabel 4. 8. Matriks Peluang Transisi Curah Hujan di Stasiun Budiarto ........................... 26
Tabel 4. 9. Matriks Peluang Transisi Curah Hujan di Stasiun Pondok Betung ................ 28
Tabel 4. 10. Estimasi nilai WS.......................................................................................... 29
Tabel 4. 11. Peluang Transisi Jangka Panjang .................................................................. 30
Tabel 4. 12. Hasil Uji Wilcoxon ........................................................................................ 31

xii
 BAB I
PENDAHULUAN

1.1. Latar Belakang

Hujan merupakan salah satu unsur iklim yang paling berpengaruh di
Indonesia. Hujan memiliki peranan penting bagi keberlangsungan hidup makhluk
hidup di muka bumi, termasuk manusia. Hal tersebut dijelaskan di dalam Al-Qur’an

“Dan yang menurunkan air dari langit menurut kadar (yang diperlukan) lalu kami
hidupkan dengan air itu negeri yang mati, seperti itulah kamu akan dikeluarkan
(dari dalam kubur).” (Q.S. Az-Zukruf : Ayat 11). Berdasarkan ayat di atas, Allah
SWT menjelaskan bahwa hujan dapat menjadi sumber kehidupan bagi sesuatu yang
mati. Begitu besar pengaruh hujan, dapat menumbuhkan pohon-pohon dan
tanaman, menyuburkan tanah, serta menjadi sumber pasokan air di muka bumi.
Namun, hujan dapat menjadi musibah dan bencana bagi makhuk hidup.
Seperti diterangkan dalam ayat Al-Qur’an berikut : “Dan Kami turunkan air dari
langit dengan suatu ukuran, lalu kami jadikan air itu menetap di bumi, dan pasti
Kami berkuasa melenyapkannya.” (Q.S. Al Mu’minun : Ayat 18). Hujan yang
tinggi dapat menyebabkan bencana banjir. Sedangkan curah hujan yang rendah
menyebabkan wilayah rentan terhadap kekeringan. Dampak perubahan cuaca dan
iklim ekstrim merupakan bagian permasalahan yang paling serius bagi kehidupan
masyarakat di dunia [1].
Posisi indeks kerawanan bencana Provinsi Banten, khususnya wilayah
Tangerang yang berada di tiga besar wilayah rawan bencana banjir se-Indonesia,
menjelaskan bahwa wilayah tersebut sangat rawan terjadi bencana banjir. Wilayah
tersebut mempunyai peluang banjir yang cukup besar [2]. Terdapat beberapa faktor
penyebab banjir yang berhasil diidentifikasi, yaitu curah hujan dan daya dukung
lingkungan, (penutup lahan/penggunaan lahan dan bentuk lahan) [3]. Selain banjir,
hujan ringan yang yang terjadi di wilayah Tangerang juga menimbulkan banyak
genangan air yang dapat berdampak pada kerusakan prasarana seperti jalan, dan
fasilitas umum yang menganggu aktivitas [4].
Untuk mengatasi resiko tersebut, dilakukan upaya pencegahan, salah satunya
adalah dengan mengetahui kemungkinan cuaca di masa mendatang. Kemungkinan
tersebut bermanfaat agar manusia dapat mengantisipasi dan membuat perencanaan
lebih baik di masa depan. Informasi yang berkaitan dengan kondisi di masa
mendatang tidak dapat ditentukan secara pasti tetapi hanya dapat diprediksi atau
diprakirakan. Perubahan tersebut sering kali tidak terduga. Analisis stokastik
digunakan karena faktor ketidakpastian cuaca yang akan terjadi. Untuk itulah para
peneliti mengusulkan metode pendekatan stokastik untuk mengetahui peluang
terjadinya hujan Untuk mengatasi resiko tersebut, dilakukan upaya pencegahan,
salah satunya adalah dengan mengetahui kemungkinan cuaca di masa mendatang
Metode Rantai Markov telah banyak digunakan untuk mensimulasikan
terjadinya curah hujan harian. Penelitian terdahulu terkait analisa curah hujan
harian di kota Ternate pernah dilakukan oleh Nurhamiddin dan Sulisa [5], dalam
penelitian tersebut data yang digunakan bersumber dari satu stasiun di kota Ternate
dalam periode waktu 8 hari yang akhirnya dibagi menjadi empat state. Penelitian
terkait curah hujan juga pernah dilakukan oleh Arhsinta, dalam penelitian tersebut
data curah hujan yang dipakai bersumber delapan stasiun dalam periode waktu satu
tahun dan dibagi menjadi tiga state [6]. Penelitian ini menggunakan metode yang
sama, yaitu rantai Markov untuk menentukan peluang transisi curah hujan harian di
wilayah Tangerang. Pengembangan penelitian ini adalah data dikategorikan
menjadi tiga state dan dengan mempertimbangkan faktor musim. Peluang hari
hujan dalam jangka panjang dihitung menggunakan Steady State Markov chain.

1.2. Perumusan Masalah

Berdasarkan latar belakang masalah, dapat dirumuskan masalah sebagai
berikut :

2
1. Bagaimana peluang transisi curah hujan harian di wilayah Tangerang
menggunakan rantai Markov?
2. Bagaimana peluang transisi curah hujan harian di wilayah Tangerang pada
kondisi steady state?
3. Apakah ada perbedaan model rantai Markov curah hujan harian di wilayah
Tangerang pada kasus dua musim dan tiga musim?

1.3. Tujuan Penelitian

Tujuan penelitian yang ingin dicapai dalam penelitian ini berdasarkan latar
belakang diatas adalah sebagai berikut :
1. Mengetahui peluang transisi curah hujan harian di wilayah Tangerang
menggunakan rantai Markov.
2. Mengetahui peluang transisi curah hujan harian di wilayah Tangerang pada
kondisi steady state.
3. Mengetahui apakah terdapat perbedaan model rantai Markov curah hujan
harian di wilayah Tangerang pada kasus dua musim dan tiga musim.

1.4. Batasan Masalah

Dari permasalahan di atas, maka penulis membatasi ruang lingkup penelitian
antara lain :

1. Data yang digunakan adalah data curah hujan harian dari tiga stasiun di
wilayah Tangerang, yaitu Stasiun Meteorologi kelas III Budiarto Tangerang,
Stasiun Meteorologi kelas I Soekarno-Hatta Tangerang, dan Stasiun
Klimatologi kelas II Tangerang Selatan.
2. Data yang digunakan di masing-masing stasiun diambil mulai tahun 1999
sampai 2018.
3. Metode yang digunakan adalah Markov chain.

1.5. Manfaat Penelitian

3
 Manfaat yang diperoleh dalam penelitian ini adalah memberikan informasi
dan pengetahuan tentang penerapan teori rantai Markov dalam menganalisa curah
hujan harian di wilayah Tangerang.

4
 BAB II
LANDASAN TEORI

2.1. Rantai Markov

2.1.1.Proses Stokastik
Proses stokastik {𝑋𝑡 , 𝑡 𝜖 𝑇} adalah himpunan variabel acak Xt , yang terdefinisi
pada suatu ruang sampel, dimana t adalah satuan waktu T. Jika parameter T adalah
himpunan terhitung, proses tersebut disebut proses stokastik dengan waktu diskrit
sedangkan jika parameter T adalah himpunan waktu kontinu, maka proses disebut
proses stokastik dengan waktu kontinu [7].
2.1.2.Proses Markov
Proses Markov { 𝑋𝑡 } adalah proses stokastik dengan sifat bahwa, jika
diberikan nilai Xt , maka nilai 𝑋𝑠 untuk s  t tidak dipengaruhi oleh nilai-nilai dari
Xu untuk u  t. Dengan kata lain, peluang perilaku tertentu di masa depan dari suatu
proses, ketika diketahui state saat ini, tidak dapat dipengaruhi oleh informasi
tambahan di masa yang lalu [8].
2.1.3.Rantai Markov dan Waktu Diskrit
Rantai Markov diskrit adalah suatu proses Markov dimana ruang state-nya
adalah terhingga atau himpunan yang terhitung dengan himpunan indeks 𝑇 =
(0, 1, 2, … ). Secara umum, sifat Markov adalah
𝑷𝒓{𝑿𝒕+𝟏 = 𝒋|𝑿𝟎 = 𝒊𝟎 , … , 𝑿𝒕−𝟏 = 𝒊𝒕−𝟏 , 𝑿𝒕 = 𝒊}
= 𝐏𝐫{𝑿𝒕+𝟏 = 𝒋|𝑿𝒕 = 𝒊} (2. 1)

Untuk semua 𝑡 dan semua state 𝑖0 , … , 𝑖𝑡−1 , 𝑖, 𝑗. Ruang state pada rantai
Markov dinyatakan dalam bilangan bulat tak negatif {0, 1, 2, … }, dengan 𝑋𝑡 = 𝑖
menyatakan bahwa 𝑋𝑡 berada di state 𝑖 [8]. Pada penelitian ini, digunakan rantai
Markov dengan tiga state, yaitu state 1 (Hari Tidak Hujan), state 2 (Hari Hujan
Ringan), dan state 3 (Hari Hujan Lebat).
2.1.4.Matriks Peluang Transisi
Peluang dari 𝑋𝑡+1 dimana berada di state 𝑗 jika diberikan 𝑋𝑡 sedang berada di
state i disebut peluang transisi satu langkah dan dinotasikan dengan 𝑃𝑖𝑗𝑡,𝑡+1 ,
sehingga

𝑃𝑖𝑗𝑡,𝑡+1 = Pr{𝑋𝑡+1 = 𝑗|𝑋𝑡 = 𝑖} (2. 2)

Ketika peluang transisi satu langkah independen terhadap variabel waktu 𝑡,

maka rantai markov tersebut memiliki peluang transisi stasioner. Maka 𝑃𝑖𝑗𝑡,𝑡+1 = 𝑃𝑖𝑗
independen terhadap 𝑡 dan 𝑃𝑖𝑗 adalah peluang bersyarat sehingga nilai state melalui
sebuah transisi dari 𝑖 ke 𝑗 dalam satu langkah. Nilai peluang transisi tersebut
biasanya disusun ke dalam bentuk matriks

𝑃00 𝑃01 𝑃02 …

𝑃 𝑃11 𝑃12 …
( 10 )
⋮ ⋮ ⋮
𝑃𝑖0 𝑃𝑖1 𝑃𝑖2 …

dan 𝑃 = (𝑃𝑖𝑗 ) adalah matriks Markov atau martiks peluang transisi dari suatu
proses. Nilai 𝑃𝑖𝑗 harus memenuhi kondisi sebagai berikut :
1. 𝑃𝑖𝑗 ≥ 0, untuk semua 𝑖, 𝑗 = 0, 1, 2, …
2. ∑∞
𝑗=0 𝑃𝑖𝑗 = 1 untuk semua 𝑖 = 0, 1, 2, … [7].
2.1.5.Pendugaan Rantai Markov
Matriks peluang transisi pada umumnya tidak diketahui pasti dan harus
diduga melalui pengamatan. Ada beberapa metode yang dapat digunakan untuk
menduga nilai peluang transisi, antara lain penduga Maximum Likelihood, metode
Bootstrap, dan perkalian Lagrange [9]. Pada penelitian ini, metode penduga yang
dipilih adalah Maximum Likelihood. Jika diketahui sebuah barisan 𝑥1𝑛 = {𝑥1 , … , 𝑥𝑛 }
dari variabel acak 𝑋1𝑛 = {𝑋1 , … , 𝑋𝑛 } dengan peluang [10].
𝑛

𝑃𝑟 (𝑋1𝑛 = 𝑥1𝑛 ) = 𝑃𝑟 (𝑋1 = 𝑥1 ) ∏ 𝑃𝑟 (𝑋𝑡 = 𝑥𝑡 |𝑋1𝑡−1 = 𝑥1𝑡−1 )

𝑡=2

6
 𝑛

= 𝑃𝑟 (𝑋1 = 𝑥1 ) ∏ 𝑃𝑟 (𝑋𝑡 = 𝑥𝑡 |𝑋𝑡−1 = 𝑥𝑡−1 )

𝑡=2
𝑛

= 𝑃𝑟 (𝑋1 = 𝑥1 ) ∏ 𝑃𝑥𝑡−1 𝑥𝑡
𝑡=2

Baris pertama hanya menggunakan definisi peluang bersyarat, namun di baris

kedua dan ketiga menggunakan sifat Markov, yaitu periode yang akan datang
bergantung pada periode sebelumnya. Kemudian di tulis ulang dalam persamaan
peluang transisi 𝑝𝑖𝑗 , dimana 𝑝𝑖𝑗 adalah transisi dari state i ke state j, dan fungsi
likelihood didefinisikan 𝐿(𝑝).
𝑛

𝐿(𝑝) = 𝑃𝑟 (𝑋1 = 𝑥1 ) ∏ 𝑃𝑥𝑡−1 𝑥𝑡

𝑡=2
𝑘 𝑘
𝑛
𝐿(𝑝) = 𝑃𝑟 (𝑋1 = 𝑥1 ) ∏ ∏ 𝑝𝑖𝑗𝑖𝑗
𝑖=1 𝑗=1

dimana 𝑛𝑖𝑗 adalah banyaknya transisi dari state i ke state j, dan 𝑘 adalah banyaknya
state. Didefinisikan fungsi log likelihood ℒ(𝑝)
ℒ(𝑝) = log 𝐿(𝑝)
𝑘 𝑘
𝑛
= log (𝑃𝑟 (𝑋1 = 𝑥1 ) ∏ ∏ 𝑝𝑖𝑗𝑖𝑗 )
𝑖=1 𝑗=1

𝑘 𝑘
𝑛
= log 𝑃𝑟 (𝑋1 = 𝑥1 ) + ∏ ∏ log 𝑝𝑖𝑗𝑖𝑗
𝑖=1 𝑗=1
𝑘 𝑘

= log 𝑃𝑟 (𝑋1 = 𝑥1 ) + ∑ ∑ 𝑛𝑖𝑗 log 𝑝𝑖𝑗

𝑖=1 𝑗=1

Fungsi ℒ(𝑝) di turunkan terhadap 𝑝𝑖𝑗 dan dibuat sama dengan 0.

𝜕ℒ(𝑝) 𝑛𝑖𝑗
=
𝜕𝑝𝑖𝑗 𝑝𝑖𝑗
𝑛𝑖𝑗
=0
𝑝𝑖𝑗

7
Karena 𝑝𝑖𝑗 adalah nilai peluang dari matriks transisi, dengan kendala bahwa setiap
baris matriks memiliki jumlah 1,
𝑘

∑ 𝑝𝑖𝑗 = 1
𝑗=1

Fungsi likelihood ℒ(𝑝) dimaksimumkan dengan metode pengali Lagrange.

Misalkan pengali Lagrange 𝜆1 , 𝜆2 , … , 𝜆𝑘
𝑘

𝜆𝑖 (∑ 𝑝𝑖𝑗 − 1) = 0
𝑗=1

maka fungsi objektif didefinisikan menjadi

𝑘 𝑘

𝑔(𝜆, 𝑝) = ℒ(𝑝) − ∑ 𝜆𝑖 (∑ 𝑝𝑖𝑗 − 1)

𝑖=1 𝑗=1

𝑘 𝑘 𝑘 𝑘

= log 𝑃𝑟 (𝑋1 = 𝑥1 ) + ∑ ∑ 𝑛𝑖𝑗 log 𝑝𝑖𝑗 − ∑ 𝜆𝑖 (∑ 𝑝𝑖𝑗 − 1)

𝑖=1 𝑗=1 𝑖=1 𝑗=1

Untuk memaksimumkan 𝑝𝑖𝑗 , maka fungsi objektif diturunkan terhadap 𝑝𝑖𝑗 , 𝑖, 𝑗 =

1, 2, … , 𝑘 dan dibuat sama dengan 0
𝜕𝑔(𝜆, 𝑝) 𝑛𝑖𝑗
= − 𝜆𝑖
𝜕𝑝𝑖𝑗 𝑝𝑖𝑗
𝑛𝑖𝑗
0= − 𝜆𝑖
𝑝𝑖𝑗
𝑛𝑖𝑗
𝜆𝑖 =
𝑝𝑖𝑗
𝑛𝑖𝑗
𝑝̂ 𝑖𝑗 =
𝜆𝑖
𝑘 𝑘
𝑛𝑖𝑗
∑ 𝑝𝑖𝑗 = ∑ =1
𝜆𝑖
𝑗=1 𝑗=1
𝑘

∑ 𝑛𝑖𝑗 = 𝜆𝑖
𝑗=1

8
Sehingga diperoleh
𝑛𝑖𝑗
𝑝̂𝑖𝑗 = ∑𝑘 , 𝑛𝑖𝑗 = banyaknya transisi dari kelas 𝑖 ke kelas 𝑗. (2.3)
𝑗=1 𝑛𝑖𝑗

2.1.6.Peluang Keadaan Tetap (Steady State)

Peluang keadaan tetap 𝜋 = (𝜋0 , 𝜋1 , 𝜋2 , … , 𝜋𝑚 ) dapat diperoleh dengan
menyelesaikan persamaan matriks stasioner. Peluang keadaan tetap dapat diartikan
bahwa peluang di setiap state tidak akan berubah seiring berjalannya waktu. Hal
tersebut menunjukkan setelah proses berjalan selama beberapa periode, nilai
(𝑡)
peluang akan stabil dalam jangka panjang atau biasa ditulis lim 𝑃𝑖𝑗 = 𝜋𝑗 > 0
𝑡→∞

dimana 𝜋𝑗 memenuhi persamaan 𝜋𝑗 = ∑𝑚

𝑖=0 𝜋𝑖 𝑃𝑖𝑗 untuk 𝑗 = 0, … , 𝑚.
Karena 𝜋 adalah vektor peluang, maka harus memenuhi syarat bahwa
semua unsurnya adalah bilangan tak negatif serta jumlahnya adalah sama dengan
satu. Sebaran steady state dikenal juga dengan istilah equilibrium distribution [7].
Kemudian vektor keadaan tetap 𝜋 dapat ditentukan dengan menyelesaikan
persamaan linier berikut , dengan kondisi ∑𝑚
𝑖=0 𝜋𝑖 = 1 [11].
𝝅𝟏 𝑷𝟏𝟏 𝑷𝟏𝟐 𝑷𝟏𝟑 𝝅𝟏
𝝅
( 𝟐 ) = (𝑷𝟐𝟏 𝑷𝟐𝟐 𝑷𝟐𝟑 ) (𝝅𝟐 ) (2. 4)
𝝅𝟑 𝒑𝟑𝟏 𝑷𝟑𝟐 𝑷𝟑𝟑 𝝅𝟑

𝜋1 = 𝜋1 𝑃11 + 𝜋2 𝑃12 + 𝜋3 𝑃13 ⟺ 𝜋1 (𝑃11 − 1) + 𝜋2 𝑃12 + 𝜋3 𝑃13 = 0

𝜋2 = 𝜋1 𝑃21 + 𝜋2 𝑃22 + 𝜋3 𝑃23 ⟺ 𝜋1 𝑃21 + 𝜋2 (𝑃22 − 1) + 𝜋3 𝑃23 = 0
𝜋3 = 𝜋1 𝑃31 + 𝜋2 𝑃32 + 𝜋3 𝑃33 ⇔ 𝜋1 𝑃31 + 𝜋2 𝑃32 + 𝜋3 (𝑃33 − 1) = 0

2.2. Curah Hujan

2.2.1.Curah Hujan Harian
Hujan adalah jatuhnya hydrometeor yang berupa partikel-partikel air dengan
diameter 0.5 mm atau lebih. Hujan juga dapat dapat didefinisikan dengan uap yang
mengkondensasi dan jatuh ke tanah dalam rangkaian proses hidrologi. Hujan
merupakan salah satu bentuk presepitasi uap air yang berasal dari awan yang
terdapat di atmosfer. Bentuk presipitasi lainnya adalah salju dan es. Hujan
merupakan unsur fisik lingkungan yang paling beragam baik menurut waktu

9
maupun tempat. Intensitas hujan adalah banyaknya curah hujan persatuan jangka
waktu tertentu [12].
Curah hujan merupakan ketinggian air hujan yang terkumpul dalam tempat
yang datar, tidak menguap, tidak meresap, dan tidak mengalir. Satuan curah hujan
yang diterapkan di Indonesia adalah milimeter (mm) yang berarti bahwa dalam
luasan satu meter persegi pada tempat yang datar tertampung air setinggi satu
milimeter atau tertampung air sebanyak satu liter. Pengamatan curah hujan yang
dilakukan di Balai Besar Meteorologi, Klimatologi, dan Geofisikan (BBMKG)
dilakukan setiap hari dalam kurun waktu 24 jam yang dilaksanakan setiap pukul
00.00 GMT [12].
Intensitas curah hujan adalah jumlah curah hujan dalam suatu satuan waktu
tertentu, yang biasanya dinyatakan dalam mm/jam, mm/hari, mm/tahun, dan
sebagainya. Curah hujan harian adalah intensitas curah hujan yang diukur setiap
harinya. Biasanya data yang sering digunakan untuk analisis adalah nilai
maksimum, minimum dan nilai rata-ratanya [12].
Curah hujan merupakan salah satu unsur iklim dan hidrologis yang sangat
penting. Curah hujan yang cukup menjamin tersedianya kebutuhan
air bagi makhluk hidup. Pada kondisi ekstrim, curah hujan dapat pula
menyebabkan terjadinya banjir atau kekeringan. Curah hujan diperlukan dalam
pendugaan ketersediaan air bagi tanaman, penentuan batas antara musim hujan dan
musim kemarau, serta dalam antisipasi banjir ataupun kekeringan [13].
2.2.2.Karakteristik Curah Hujan Harian di wilayah Tangerang
Dalam penelitian ini, wilayah Tangerang yang diteliti meliputi Kota
Tangerang, Kabupaten Tangerang, dan Tangerang Selatan. Wilayah Tangerang
umumnya memiliki cuaca yang panas dan lembab, beriklim tropis. Kondisi
klimatologi wilayah Tangerang dapat dilihat dari data temperature udara dan curah
hujan. Berdasarkan data buku putih sanitasi masing-masing wilayah, rata-rata
temperatur udara wilayah Kota Tangerang, berada pada suhu 26,6℃ − 29℃,
wilayah Kota Tangerang Selatan memiliki rata-rata temperatur udara sekitar
26,4℃ − 28,2℃, dan wilayah Kabupaten Tangerang memiliki rata-rata temperatur

10
22,8℃ − 39,9℃ [14]. Curah hujan di wilayah Kabupaten Tangerang tertinggi yang
pernah terjadi adalah 177,3mm, wilayah Kota Tangerang Selatan pernah terjadi
hujan dengan curah hujan tertinggi 526,8mm, dan wilayah Kota Tangerang pernah
terjadi hujan dengan curah hujan tertinggi sebesar 673,4mm [15].
Posisi indeks kerawanan bencana Provinsi Banten, khususnya wilayah
Tangerang yang berada di tiga besar wilayah rawan bencana banjir se-Indonesia,
menjelaskan bahwa wilayah tersebut sangat rawan terjadi bencana banjir [2].
Wilayah tersebut mempunyai peluang banjir yang cukup besar. Terdapat beberapa
faktor penyebab banjir yang berhasil diidentifikasi, yaitu curah hujan dan daya
dukung lingkungan, (penutup lahan/penggunaan lahan dan bentuk lahan) [3]. Selain
banjir, hujan ringan yang yang terjadi di wilayah Tangerang juga menimbulkan
banyak genangan air yang dapat berdampak pada kerusakan prasarana seperti jalan,
dan fasilitas umum yang menganggu aktivitas [4].

2.3. Uji Wide Sense (WS)

Uji WS digunakan untuk memeriksa apakah proses memiliki sifat Markov
atau tidak. Uji WS akan memeriksa kebebasan dari dua variabel, dalam penelitian
ini, berarti variable hujan hari 𝑡 + 1 yang didefinisikan state j terhadap variabel
lainnya yaitu hujan hari 𝑡 yang didefinisikan state i. Untuk melakukan uji WS,
diperlukan matriks peluang transisi dari state i ke state j yang disajikan dalam tabel
berikut
Tabel 2. 1. Matriks Peluang Transisi state i ke state j
State (j)
State (i) Jumlah
1 2 3
1 𝑃11 𝑃12 𝑃13 𝑃1 .
2 𝑃21 𝑃22 𝑃23 𝑃2 .
3 𝑃31 𝑃32 𝑃33 𝑃3 .
Jumlah 𝑃.1 𝑃.2 𝑃.3 𝑃..

11
Prosedur pengujian
Hipotesis :
𝐻0 ∶ Curah hujan harian yang terjadi secara bertutut-turut saling bebas
𝐻1 ∶ Curah hujan harian yang terjadi secara berturut-turut tidak saling bebas
Stastitik Uji :
𝑨+𝑩−𝟏
𝑾𝑺 = ~ 𝑵(𝟎, 𝟏) (2.5)
√𝑽(𝑨 + 𝑩 − 𝟏)
dimana
𝐴 = 𝑃11 + 𝑃22 + 𝑃33
𝐵 = 𝑃31 . 𝑃13 + 𝑃23 . 𝑃32 + 𝑃12 . 𝑃21 − 𝑃11 𝑃22 − 𝑃11 . 𝑃33 − 𝑃22 𝑃33
1 1 1
𝑉(𝐴 + 𝐵 − 1) = 2𝑝1 𝑝2 𝑝3 ( + + )
𝑛1 𝑛2 𝑛2 𝑛3 𝑛3 𝑛1
1 𝑃32 𝑃31
𝑝1 = 𝑞 =1+[ ]
(1 + 𝑠)𝑝 𝑃21 (1 − 𝑃33 )
(1 + 𝑝) +
𝑞
𝑃12
𝑝𝑠 𝑟=
𝑝2 = [𝑟 + ] 𝑝1 1 − 𝑃22
𝑞
𝑃32
𝑝 𝑠=
𝑝3 = ( ) 𝑝1 1 − 𝑃22
𝑞
𝑃23 (1 − 𝑃11 ) 1
𝑝 = [𝑃13 + ]( )
𝑃21 1 − 𝑃33
dengan
𝑉(𝐴 + 𝐵 − 1) ∶ variansi dari 𝐴 + 𝐵 − 1
𝑝1 , 𝑝2 , 𝑝3 ∶ peluang stasioner
𝑛1 , 𝑛2 , 𝑛3 : frekuensi yang diperoleh/diamati
Kriteria Uji :
Tolak 𝐻0 pada taraf signifikansi 𝛼 jika nilai |𝑊𝑆| > 𝑍𝛼/2 .
Jika hasil kriteria uji menyatakan bahwa curah hujan harian yang terjadi
secara berturut-turur tidak saling bebas, maka sama artinya dengan hujan pada hari
𝑡 + 1 bergantung terhadap terjadinya hujan hada hari 𝑡, maka data memiliki proses
sifat Markov [7].

12
2.4. Uji Wilcoxon
Uji Wilcooxon adalah teknik analisis non parametrik yang digunakan untuk
menguji perbedaan suatu perlakuan pada kelompok sampel berpasangan. Uji
Wilcoxon merupakan alternative pengganti uji t-paired test. Uji Wilcoxon disebut
Matched-Pairs Signed Rank Test [16].
Prosedur pengujian
Hipotesis :
𝐻0 : Tidak ada perbedaan signifikan antara kelompok
𝐻1 : Ada perbedaan signifikan antara kelompok
Stastistik Uji :
𝑵(𝑵 − 𝟏)
𝑻−
𝒁= 𝟒
(2.6)
√𝑵(𝑵 + 𝟏)(𝟐𝑵 + 𝟏)
𝟐𝟒
dengan
𝑇 = jumlah rangking bertanda terkecil
𝑁 = Banyaknya pasang yang tidak sama nilainya
Kriteria Uji :
Tolak 𝐻0 pada taraf signifikansi 𝛼 jika nilai |𝑍ℎ𝑖𝑡𝑢𝑛𝑔 | ≥ 𝑍𝑡𝑎𝑏𝑒𝑙 atau 𝑃 value ≤ 𝛼.

13
 BAB III
METODOLOGI PENELITIAN

3.1. Sumber Data

Penelitian ini menggunakan data sekunder yang berasal dari unduhan di
website resmi Badan Meteorologi, Klimatologi, dan Geofisika [17]. Data yang
digunakan adalah curah hujan harian yang diamati tiga stasiun, yaitu Stasiun
Meteorologi kelas III Budiarto Tangerang, Stasiun Meteorologi kelas I Soekarno-
Hatta Tangerang, dan Stasiun Klimatologi kelas II Tangerang Selatan. Data tersebut
diterbitkan oleh Badan Meteorologi, Klimatologi, dan Geofisika. Peneliti
menggunakan data 20 tahun dalam selang waktu 1 Januari 1999 hingga 31
Desember 2018.

3.2. Metode Analisis

Langkah analisis yang dilakukan penulis untuk menganalisis pola curah hujan
harian di wilayah Tangerang tahun 1999-2018 adalah sebagai berikut:
1. Menganalisis Data
Pada tahap ini, dilakukan perapihan data yang akan digunakan, adapun
langkahnya antara lain adalah
a. Melakukan statistika deskriptif dan plot data untuk mengetahui
gambaran awal data.
b. Mengkategori data berdasarkan sifat hujan (memberi label pada data),
yaitu kategori ‘Tidak Hujan’ diberi label ‘1’, kategori ‘Hujan Ringan’
diberi label ‘2’ dan ‘Hujan Lebat’ diberi label ‘3’.
c. Mengelompokkan data berdasarkan faktor musim, yang dibagi menjadi
tiga kasus, yaitu kasus 1 tanpa mempertimbangkan musim, kasus 2
dengan mempertimbangkan dua musim (Hujan dan Kemarau), kasus 3
dengan mempertimbangkan tiga musim (Hujan, Peralihan, dan
Kemarau).
2. Penerapan Rantai Markov
a. Menghitung matriks peluang transisi pada setiap kasus menggunakan
persamaan (2.3).
b. Menguji apakah data memenuhi sifat Markov menggunakan metode
Uji WS pada persamaan (2.5).
c. Menghitung peluang steady state pada setiap kasus (2.4).
d. Menguji apakah ada pengaruh musim terhadap model menggunakan
Uji Wilcoxon pada persamaan (2.6).
3.3.Alur Penelitian
Alur penelitian tertera pada gambar (3.1) di bawah ini

Gambar 3. 1 Diagram Alur Penelitian

15
 BAB IV
HASIL DAN PEMBAHASAN

4.1. Deskripsi Data

Data yang akan dianalisis adalah curah hujan harian di wilayah Tangerang
dalam kurun waktu 20 tahun dimulai dari 1 Januari 1999 sampai dengan 31
Desember 2018 untuk 3 stasiun Meteorologi (Budiarto, Soekarno-Hatta, dan
Pondok Betung). Data curah hujan diamati oleh masing-masing stasiun dan
diterbitkan di website resmi Badan Meteorogi, Klimatologi, dan Geofisika.
Banyaknya data yang digunakan adalah 7305 untuk setiap stasiun. Berikut ini hasil
deskripsi data curah hujan harian di tiga stasiun tanpa mempertimbangkan hari tidak
hujan.
Tabel 4.1. Statistika Deskriptif
Std.
Stasiun Lintang Bujur N Median Mean Maksimum Skew
Dev
Soekarno-
-6,12 106,65 2582 5,2 12,98 397,4 21,38 5,380
Hatta
Budiarto -6,2867 106,56 2896 7,5 14,465 227,5 19,61 2,502
Pondok
-6,2615 106,75 3159 6,3 13,84 339,8 18,48 3,684
Betung

Pada Tabel 4.1 kolom N, menyatakan banyaknya hari yang terdapat hujan di
Stasiun Pondok Betung adalah yang tertinggi, dapat diartikan bahwa kawasan
Stasiun Pondok Betung mengalami frekuensi hujan lebih banyak dibandingkan
Stasiun Soekarno-Hatta dan Budiarto. Selanjutnya pada kolom Maksimum, terlihat
bahwa pernah terjadi hujan dengan intensitas tertinggi terjadi di kawasan sekitar
Stasiun Soekarno-Hatta, dengan nilai yang tertinggi. Berdasarkan kolom standar
deviasi, hujan yang terjadi di kawasan Stasiun Soekarno-Hatta memiliki curah
hujan yang lebih bervariasi dibandingkan hujan di Stasiun Budiarto dan Stasiun
Pondok Betung.
 Gambar 4. 1. Histogram dari Curah Hujan Harian di Stasiun Soekarno-
Hatta

Gambar 4.1 menunjukkan bahwa frekuensi hari terdapat hujan di Stasiun

Soekarno-Hatta adalah sebesar 2.582 hari dari total 7.305 hari yang diteliti. Hujan
dengan intensitas curah hujan interval 0,1mm sampai dengan 10 mm sebanyak
1.686 hari mendominasi hari dalam 20 tahun terakhir di Stasiun Soekarno –Hatta,
dan frekuensi hari terdapat hujan semakin berkurang seiring bertambah besarnya
intensitas curah hujan harian. Berdasarkan Gambar 4.1 juga terlihat bahwa
histogram data menjulur ke kanan. Hal tersebut sesuai dengan nilai skewness
(koefisien kemiringan) pada Tabel 4.1 yang bernilai positif.

17
 Gambar 4. 2. Histogram dari Curah Hujan Harian di Stasiun Pondok
Betung

Gambar 4.2 menunjukkan bahwa frekuensi hari terdapat hujan di Stasiun

Pondok Betung adalah sebesar 3.159 hari dari total 7.305 hari yang diteliti. Hujan
dengan intensitas curah hujan interval 0,1mm sampai dengan 10mm sebanyak
1.942 hari mendominasi hari dalam 20 tahun terakhir di Stasiun Pondok Betung,
dan frekuensi hari terdapat hujan semakin berkurang seiring bertambah besarnya
intensitas curah hujan harian. Berdasarkan Gambar 4.2 juga terlihat bahwa
histogram data menjulur ke kanan. Hal tersebut sesuai dengan nilai skewness
(koefisien kemiringan) pada Tabel 4.1 yang bernilai positif.

18
 Gambar 4. 3. Histogram dari Curah Hujan Harian di Stasiun Budiarto

Gambar 4.3 menunjukkan bahwa frekuensi hari terdapat hujan di Stasiun

Budiarto adalah sebesar 2.896 hari dari total 7.305 hari yang diteliti. Hujan dengan
intensitas curah hujan interval 0,1mm sampai dengan 10mm sebanyak 1.690 hari
mendominasi hari dalam 20 tahun terakhir di Stasiun Budiarto, dan frekuensi hari
terdapat hujan semakin berkurang seiring bertambah besarnya intensitas curah
hujan harian. Berdasarkan Gambar 4.3 juga terlihat bahwa histogram data menjulur
ke kanan. Hal tersebut sesuai dengan nilai skewness (koefisien kemiringan) pada
Tabel 4.1 yang bernilai positif.

19
4.2. Kategorisasi Hari Berdasarkan Sifat Hujan

Badan Meteorologi, Klimatologi, dan Geofisika menggunakan nilai ambang

curah hujan 0 mm perhari sebagai hari tidak hujan. Dalam penelitian ini, ambang
batas hari tidak hujan di definisikan sebagai state 1, yang artinya jika tidak ada
curah hujan terdeteksi pada suatu keadaan, maka keadaan tersebut dikatakan hari
tidak hujan dan termasuk kategori state 1. State 2 adalah hujan ringan yang
umumnya tidak menyebabkan banjir, dengan nilai ambang batas curah hujan
0,1mm perhari sampai kurang dari 50mm perhari. Sedangkan state 3, yaitu hujan
lebat yang umumnya menyebabkan banjir, dengan nilai ambang batas curah hujan
lebih besar sama dengan 50mm perhari. Pengambilan ambang batas pada state 2
dan state 3 berdasarkan Perka BMKG Nomor 09 Tahun 2010.
Perka tersebut menjelaskan tentang Prosedur Standar Operasional
Pelaksanaan Peringatan Dini, Pelaporan, dan Diseminasi Informasi Cuaca Ekstrim,
Bab I, pasal 1 ayat 11 yang berbunyi, “Hujan Lebat adalah hujan dengan intensitas
paling rendah 50 (lima puluh) millimeter (mm)/24 (dua puluh empat) jam dan/atau
20 (dua puluh) millimeter (mm)/jam”, Badan Meteorologi, Klimatologi, dan
Geofisika menyatakan dengan jelas bahwa suatu keadaan dikatakan hujan lebat jika
curah hujan minimal 50mm perhari. Kejadian hujan lebat dengan curah hujan
tinggi yang berasal dari proses konvektif dapat berdampak pada terjadinya banjir di
beberapa wilayah Indonesia[13]. Dengan batasan kriteria yang ditunjukkan pada
Tabel 4.2.
Tabel 4.2. Kategorisasi Sifat Hujan Harian
Intensitas Curah Hujan
State Kategori
Setiap hari(mm/Hari)
1. Tidak Hujan (TH) 0
2. Hujan Ringan (HR) 0,1 − 49,9
3. Hujan Lebat (HL) ≥ 50

Berdasarkan kategori state yang digunakan, dapat dihitung banyaknya hari

setiap state untuk masing-masing stasiun, disajikan pada Tabel 4.3.

20
 Tabel 4.3. Jumlah Hari Setiap State Masing-Masing Stasiun
Jumlah
Stasiun State Kategori Presentase
hari
1 Tidak Hujan (TH) 4724 64,67%
Soekarno
2 Hujan Ringan (HR) 2441 33,42%
Hatta
3 Hujan Lebat (HL) 140 1,91%
1 Tidak Hujan (TH) 4411 60,38%
Budiarto 2 Hujan Ringan (HR) 2730 37,37%
3 Hujan Lebat (HL) 164 2,25%
1 Tidak Hujan (TH) 4154 56,87%
Pondok
2 Hujan Ringan (HR) 2972 40,68%
Betung
3 Hujan Lebat (HL) 179 2,45%

Pada Tabel 4.3 terlihat bahwa stasiun Soekarno-Hatta menghasilkan

persentase tertinggi untuk state 1, yaitu hari tidak hujan sebesar 64,67%. Hal
tersebut bermakna bahwa di kawasan stasiun Soekarno-Hatta, lebih banyak tidak
terjadi hujan dibandingkan stasiun lain. Sedangkan stasiun Pondok Betung
memiliki persentase terendah untuk state 1 sebesar 56,87%, yang artinya di
kawasan stasiun Pondok Betung, lebih banyak terjadi hujan dibandingkan stasiun
lainnya. Stasiun Pondok Betung, juga menghasilkan persentase tertinggi untuk state
2, yaitu hari hujan ringan sebesar 40,68%. Hal tersebut bermakna bahwa stasiun
Pondok Betung mengalami hujan ringan lebih banyak dari stasiun lainnya.
Sedangkan stasiun Soekarno-Hatta memiliki persentase state 2 terendah sebesar
33,42%, bermakna bahwa hujan ringan yang terjadi di kawasan Soekarno-Hatta
lebih sedikit dari stasiun lainnya. Stasiun Pondok Betung juga menghasilkan
presentase tertinggi untuk state 3, yaitu hari hujan lebat sebesar 2,45%. Hal tersebut
bermakna bahwa di kawasan Stasiun Pondok Betung terjadi hari hujan lebat lebih
banyak dari stasiun lainnya. Sedangkan stasiun Soekarno-Hatta memiliki
persentase state 3 terendah sebesar 1,91%, yang artinya hujan lebat di kawasan
stasiun Soekarno-Hatta terjadi lebih sedikit dari stasiun lainnya. Secara
keseluruhan, nilai persentase dari state 1 selalu di atas 50% yang artinya setiap
stasiun lebih banyak tidak terjadi hujan dibandingkan terjadi hujan.

21
4.3. Pengelompokkan Data Berdasarkan Faktor Musim
Peneliti akan membagi penelitian ini menjadi tiga kasus. Kasus 1, yaitu model
tanpa mempertimbangkan musim, kasus 2 yaitu model dengan mempertimbangkan
dua musim, dan kasus 3 yaitu model dengan mempertimbangkan tiga musim. Hal
ini dilakukan karena peneliti ingin melihat apakah ada pengaruh pembagian musim
terhadap model curah hujan harian yang dihasilkan.
Pengambilan dasar kasus 1 adalah keragaman iklim Indonesia yang
dipengaruhi fenomena seperti El Nino Southern Oscillation (ENSO) dan Indian
Ocean Dipole (IOD). Fenomena ENSO merupakan suatu kondisi permukaan laut
di wilayah Samudera Pasifik mengalami kenaikan atau penurunan suhu permukaan
laut. Sedangkan fenomena IOD merupakan suatu kondisi permukaan laut di
wilayah Samudera Hindia mengalami kenaikan atau penurunan suhu permukaan
laut. Kepala Sub Bidang Analisa Informasi Iklim BMKG mengemukakan, siklus
fenomena ENSO ataupun iOD menjadi lebih cepat dibandingkan sebelumnya
karena pemanasan global. Perubahan siklus fenomena ENSO ataupun IOD
menyebabkan perubahan periode musim di Indonesia menjadi tidak pasti [18].
Kasus 2 dilakukan pembagian hanya terdapat dua musim setiap tahunnya karena
pada umumnya Indonesia dikenal dengan musim hujan dan musim kemarau, kedua
musim tersebut dibedakan bedasarkan banyaknya curah hujan. Sewaktu matahari
ada di belahan bumi selatan sejak bulan Oktober sampai dengan Maret, curah hujan
lebih banyak dibandingkan sewaktu matahari di atas belahan bumi utara di bulan
April sampai September [19].
Namun Indonesia akan mengalami musim pancaroba/peralihan setiap
tahunnya pada bulan Maret sampai dengan April. Terjadinya peralihan musim di
Indonesia dari musim penghujan ke musim kemarau memiliki peran yang signifkan
dari perubahan kondisi atmosfer sehingga memicu perubahan cuaca ekstrem. Cuaca
ekstrem adalah kondisi cuaca yang tidak normal, tidak lazim yang dapat
mengakibatkan kerugian terutama keselamatan jiwa dan harta [19]. Pembagian
waktu pada kasus 2 dan kasus 3 disajikan pada Tabel 4.4 di bawah ini.

22
 Tabel 4.4. Pembagian Bulan Untuk Masing-Masing Kasus
Kelompok Musim Bulan
Hujan Oktober - Februari
Tiga Musim Peralihan Maret - April
Kemarau Mei - September
Hujan Oktober - Maret
Dua Musim
Kemarau April - September

Berdasarkan pengelompokkan di atas, dapat dihitung jumlah hari

berdasarkan kelompok dan kategori state untuk masing-masing stasiun, yang
disajikan pada Tabel 4.5 untuk kasus 2, dan Tabel 4.6 untuk kasus 3.

Tabel 4.5. Jumlah Hari Berdasarkan 2 Musim dan State Untuk Masing-
Masing Stasiun
2 musim
State Kategori Hujan Kemarau
SH PB BDRT SH PB BDRT
State 1 Tidak Hujan (TH) 1900 1645 1838 2824 2509 2573
State 2 Hujan Ringan (HR) 1633 1893 1712 808 1079 1018
State 3 Hujan Lebat (HL) 112 107 95 28 72 69

Keterangan :
SH = Stasiun Soekarno Hatta
PB = Stasiun Pondok Betung
BDRT = Stasiun Budiarto

Secara keseluruhan, pada Tabel 4.5 diatas, terlihat bahwa hari tidak hujan
tertinggi berada di musim kemarau, untuk ketiga stasiun. Kemudian untuk hari
hujan ringan dan hujan lebat, tertinggi berada di musim hujan, untuk ketiga stasiun.
Hal tersebut sesuai dengan keadaan sebenarnya, dimana pada umumnya bulan
Oktober sampai dengan Maret lebih banyak hari hujan dibandingkan di bulan April
sampai September. Sebaliknya, di bulan April sampai dengan September, lebih
banyak hari tidak hujan, dibandingkan bulan Oktober sampai dengan Maret.

23
 Tabel 4.6. Jumlah Hari Berdasarkan 3 Musim dan State Untuk Masing-
Masing Stasiun
3 musim
State Hujan Peralihan Kemarau
SH PB BDRT SH PB BDRT SH PB BDRT
State 1 1574 1347 1481 709 593 682 2441 2214 2248
State 2 1350 1583 1460 486 595 509 605 794 761
State 3 101 95 84 25 32 29 14 52 51

Keterangan :
SH = Stasiun Soekarno Hatta
PB = Stasiun Pondok Betung
BDRT = Stasiun Budiarto
Secara keseluruhan, hari tidak hujan di ketiga stasiun nilai tertinggi terdapat
di musim kemarau, diikuti oleh musim peralihan, lalu musim hujan. Untuk hari
hujan ringan di ketiga stasiun, jumlah hari terbanyak terjadi pada musim hujan,
diikuti musim kemarau, lalu musim peralihan. Selanjutnya, hari hujan lebat
untuk stasiun Pondok Betung dan Budiarto, terbanyak terjadi di musim hujan,
diikuti musim kemarau, lalu musim peralihan. Pada stasiun Soekarno-Hatta, hujan
lebat lebih banyak terjadi di musim peralihan, dibandingkan dengan musim
kemarau. Hal ini dikarenakan pada periode bulan basah monsun Asia sedang aktif.
Pada saat monsoon Asia, terjadi transport uap air dari samudera Pasifik yang hangat
dan basah masuk ke wilayah Indonesia sehingga menyebabkan sebagian besar
wilayah Indonesia mengalami peningkatan curah hujan[14].

4.4. Matriks Peluang Transisi

Setelah dilakukan kategorisasi dan pengelompokkan data, selanjutnya

dilakukan perhitungan jumlah transisi setiap state untuk pembentukan matriks
transisi mengggunakan persamaan 2.3. Sehingga diperoleh hasilnya sebagai
berikut:
4.4.1 Matriks Peluang Transisi Soekarno-Hatta

24
 Berikut ini adalah matriks peluang transisi curah hujan harian di kawasan
stasiun Soekarno-Hatta pada tahun 1999-2018 :
Tabel 4.7. Matriks Peluang Transisi Curah Hujan di Stasiun Soekarno-Hatta
State 1 2 3
1 0,755664 0,235655 0,008681
Kasus 1
2 0,456557 0,511885 0,031557
3 0,288732 0,549296 0,161972
State 1 2 3
1 0,66099 0,325705 0,013305
Hujan
2 0,381041 0,578067 0,040892
3 0,171053 0,427632 0,401316
Kasus 2
State 1 2 3
1 0,820449 0,174207 0,005344
Kemarau
2 0,61118 0,375155 0,013665
3 0,3125 0,25 0,4375
State 1 2 3
1 0,673102 0,314028 0,01287
Hujan
2 0,368144 0,586777 0,045079
3 0,15 0,414286 0,435714
State 1 2 3
1 0,643678 0,341954 0,014368
Kasus 3 Peralihan
2 0,507307 0,463466 0,029228
3 0,288889 0,244444 0,466667
State 1 2 3
1 0,844059 0,151403 0,004538
Kemarau
2 0,626246 0,368771 0,004983
3 0,205882 0,205882 0,588235

Secara keseluruhan, hasil matriks transisi curah hujan stasiun Soekarno-

Hatta di semua musim, memiliki peluang transisi tertinggi adalah 𝑃11 (64% −
84%) atau peluang hari ini tidak hujan ke esok hari juga tidak hujan akan
lebih besar dibanding peluang esok hari hujan ringan atau hujan lebat. Peluang
terendah di semua musim dan kasus, ada pada peluang transisi 𝑃13 (0,4% −
1,4%) atau peluang hari ini tidak hujan ke esok hari hujan lebat selalu lebih
kecil dibanding peluang esok tidak hujan atau hujan ringan. Peluang
𝑃11 , 𝑃12 , 𝑃13 tertinggi secara berturut turut terdapat di musim kemarau kasus
25
 3, musim peralihan, dan musim kemarau kasus 3. Peluang 𝑃21 , 𝑃22 , 𝑃23
tertinggi secara berturut turut terdapat di musim kemarau kasus 3, musim
hujan kasus 3, dan musim hujan kasus 3. Peluang 𝑃31 , 𝑃32 , 𝑃33 tertinggi secara
berturut turut terdapat di musim kemarau kasus 2, musim hujan kasus 2, dan
musim kemarau kasus 3.

4.4.2 Matriks Peluang Transisi Stasiun Budiarto

Berikut ini adalah matriks peluang transisi peluang curah hujan harian di
kawasan stasiun Budiarto pada tahun 1999-2018 :

Tabel 4.8. Matriks Peluang Transisi Curah Hujan di Stasiun Budiarto

State 1 2 3
1 0,7161 0,264853 0,019048
Kasus 1
2 0,435324 0,538292 0,026383
3 0,385542 0,566265 0,048193
State 1 2 3
1 0,628866 0,34726 0,023874
Hujan
2 0,380059 0,592962 0,026979
3 0,309278 0,639175 0,051546
Kasus 2
State 1 2 3
1 0,77873 0,205688 0,015582
Kemarau
2 0,527344 0,447266 0,025391
3 0,492754 0,463768 0,043478
State 1 2 3
1 0,62458 0,349899 0,02552
Hujan
2 0,360193 0,61157 0,028237
3 0,321429 0,619048 0,059524
State 1 2 3
1 0,644543 0,333333 0,022124
Kasus 3 Peralihan
2 0,458984 0,515625 0,025391
3 0,333333 0,633333 0,033333
State 1 2 3
1 0,798484 0,187695 0,013821
Kemarau
2 0,562092 0,414379 0,023529
3 0,519231 0,442308 0,038462

26
 Secara keseluruhan, berdasarkan Tabel 4.8 dapat terlihat bahwa hasil
matriks transisi curah hujan stasiun Budiarto memiliki peluang transisi
tertinggi pada 𝑃11 sebesar 62% − 79% atau peluang hari ini tidak hujan ke
esok hari juga tidak hujan akan lebih besar dibanding peluang hari ini tidak
hujan ke esok hari hujan ringan atau hujan lebat. Kecuali peluang transisi
musim hujan kasus 2, nilai peluang transisi tertinggi terdapat pada 𝑃32 sebesar
63% atau pada musim tersebut, peluang hari ini hujan lebat ke esok hari hujan
ringan lebih besar dibandingkan peluang hari ini hujan lebat ke esok tidak
hujan atau hujan lebat. Peluang terendah di semua musim dan kasus, ada pada
peluang transisi 𝑃13 sebesar 1,3% − 2,5% atau peluang hari ini tidak hujan
ke esok hari hujan lebat selalu lebih kecil dibanding peluang hari ini tidak
hujan ke esok hari tidak hujan atau hujan ringan. Peluang transisi musim hujan
dan kemarau di kaus 1, kasus 2 dan kasus 3, tidak memiliki selisih yang besar.

Peluang 𝑃11 (peluang transisi dari tidak hujan ke tidak hujan), 𝑃12 (peluang
transisi dari tidak hujan ke hujan), dan 𝑃13 (peluang transisi hari ini tidak
hujan ke esok hari hujan lebat) tertinggi secara berturut turut terdapat di
musim kemarau kasus 3, musim hujan kasus 3, dan musim hujan kasus 3.
Peluang 𝑃21 (peluang transisi hari ini hujan ringan ke esok hari tidak hujan),
𝑃22 (peluang transisi hari ini hujan ringan ke esok hari hujan ringan), dan 𝑃23
(peluang hari ini hujan ringan ke esok hari hujan lebat) tertinggi secara
berturut turut terdapat di musim kemarau kasus 3, musim hujan kasus 3, dan
musim hujan kasus 3. Peluang 𝑃31 (peluang transisi hari ni hujan lebat ke esok
hari tidak hujan), 𝑃32 (peluang transisi hari ini hujan lebat ke esok hari hujan
ringan), dan 𝑃33 (peluang transisi hari ini hujan lebat ke esok hari hujan lebat)
tertinggi secara berturut turut terdapat di musim kemarau kasus 3, musim
peralihan, dan musim hujan kasus 3.

27
4.4.3 Matriks Peluang Transisi Stasiun Pondok Betung
Berikut ini adalah matriks peluang transisi peluang curah hujan harian di
kawasan stasiun Pondok Betung pada tahun 1999-2018 :
Tabel 4.9. Matriks Peluang Transisi Curah Hujan di Stasiun Pondok
Betung
State 1 2 3
1 0,709367 0,274982 0,015651
Kasus 1
2 0,388291 0,577389 0,03432
3 0,294444 0,633333 0,072222
State 1 2 3
1 0,610326 0,370006 0,019668
Hujan
2 0,324425 0,63923 0,036344
3 0,190476 0,489796 0,319728
2 Musim
State 1 2 3
1 0,776084 0,211075 0,012841
Kemarau
2 0,504647 0,463755 0,031599
3 0,271739 0,456522 0,271739
State 1 2 3
1 0,620196 0,35795 0,021854
Hujan
2 0,309021 0,653231 0,037748
3 0,177778 0,474074 0,348148
State 1 2 3
1 0,568729 0,414089 0,017182
3 Musim Peralihan
2 0,418089 0,546075 0,035836
3 0,173077 0,423077 0,403846
State 1 2 3
1 0,804279 0,183887 0,011834
Kemarau
2 0,530974 0,443742 0,025284
3 0,277778 0,388889 0,333333

Secara keseluruhan, hasil matriks transisi curah hujan stasiun Budiarto

memiliki peluang transisi tertinggi pada 𝑃11 (56% − 80%) atau peluang hari
ini tidak hujan ke esok hari juga tidak hujan akan lebih besar dibanding peluang
esok hari hujan ringan atau hujan lebat. Kecuali peluang transisi musim hujan
kasus 2, nilai peluang transisi terdapat pada 𝑃22 atau pada musim tersebut,
peluang hari ini hujan ringan ke esok hari hujan ringan lebih besar dibandingkan
28
 peluang esok tidak hujan atau hujan lebat. Peluang terendah di semua musim dan
kasus, ada pada peluang transisi 𝑃13 (1,1% − 2,1%) atau peluang hari ini tidak
hujan ke esok hari hujan lebat selalu lebih kecil dibanding peluang esok tidak
hujan atau hujan ringan. Peluang 𝑃11 , 𝑃12 , 𝑃13 tertinggi secara berturut turut
terdapat di musim kemarau kasus 3, musim peralihan, dan musim hujan kasus 3.
Peluang 𝑃21 , 𝑃22 , 𝑃23 tertinggi secara berturut turut terdapat di musim kemarau
kasus 3, musim hujan kasus 3, dan musim hujan kasus 3. Peluang 𝑃31 , 𝑃32 , 𝑃33
tertinggi secara berturut turut terdapat di musim kemarau kasus 3, musim hujan
kasus 2, dan musim hujan peralihan.

4.5. Pengujian Sifat Markov

Pengujian apakah data curah hujan harian memiliki sifat Markov atau tidak
dapat dilihat pada Tabel 4.10 sebagai berikut:

Tabel 4.10. Estimasi nilai WS

Kasus 2 Kasus 3
Stasiun Kasus 1
Hujan Kemarau Hujan Peralihan Kemarau
Soekarano-Hatta -124,829 -120,536 -136,747 -109,430 -20,308 -132,353
Budiarto -19,722 -8,2569 -85,629 -7,889 -4,687 -4,66
Pondok Betung -33,532 -86,897 -105,002 -78,275 -16,5219 -106,514

Oleh karena hasil test WS pada Tabel 4.10 menunjukkan bahwa nilai |𝑊𝑆| >
𝑍𝛼 = 1,96 untuk setiap musim dan kategori pada masing-masing stasiun, maka
2

disimpulkan data memenuhi sifat Markov. Hal tersebut dapat diartikan bahwa data
curah hujan disetiap kategori dan kelompok tidak saling bebas (terjadinya hujan
pada hari 𝑡 + 1 tidak bebas terhadap terjadinya hujan pada hari 𝑡) dengan
kemungkinan kesalahan 5% .

4.6. Peluang Transisi Pada Kondisi Steady State

29
 Setelah diperoleh matriks peluang transisi curah hujan harian untuk setiap
kategori, musim, dan masing-masing stasiun, kemudian ditentukan nilai peluang
hari hujan (tidak hujan, hujan ringan, dan hujan lebat) dalam jangka panjang
(equilibrium state) menggunakan persamaan 2.4. Hasil tersebut disajikan pada
Tabel 4.11 di bawah ini
Tabel 4.11. Peluang Transisi Jangka Panjang
Stasiun Kasus Musim π1 π2 π3
Kasus 1 0,65 0,33 0,02
Hujan 0,52 0,44 0,04
Kasus 2
Soekarno- Kemarau 0,70 0,27 0,03
Hatta Hujan 0,51 0,44 0,05
Kasus 3 Peralihan 0,57 0,39 0,04
Kemarau 0,72 0,25 0,03
Kasus 1 0,57 0,41 0,02
Hujan 0,50 0,47 0,03
Kasus 2
Kemarau 0,65 0,33 0,02
Budiarto
Hujan 0,49 0,48 0,03
Kasus 3 Peralihan 0,55 0,43 0,02
Kemarau 0,68 0,30 0,02
Kasus 1 0,52 0,44 0,02
Hujan 0,44 0,51 0,04
Kasus 2
Pondok Kemarau 0,61 0,35 0,03
Betung Hujan 0,44 0,52 0,04
Kasus 3 Peralihan 0,47 0,48 0,04
Kemarau 0,64 0,33 0,03
Terlihat pada tabel 4.11 bahwa nilai peluang hari hujan ringan paling tinggi
ada di stasiun Pondok Betung yaitu 51% di musim hujan untuk kategori 2 musim
dan 52% di musim hujan untuk kategori 3 musim. Sedangkan untuk nilai peluang
hari hujan lebat paling tinggi ada di stasiun Soekarno-Hatta dengan nilai 5% di
musim hujan kategori 3 musim. Dan untuk peluang hari tidak hujan paling tinggi
juga terdapat di stasiun Soekarno-Hatta dengan nilai 72% di musim kemarau
kelompok 3 musim. Di semua musim, baik kelompok 2 musim dan 3 musim,
peluang hari tidak hujan (45-73%) lebih besar dibandingkan peluang hari hujan
ringan (22-43%) maupun peluang hari hujan lebat (4-12%).

30
4.7. Pengujian Pengaruh Faktor Musim Terhadap Model
Pengujian apakah ada pengaruh faktor musim terhadap model disajikan pada
Tabel 4.12 sebagai berikut:
Tabel 4.12. Hasil Uji Wilcoxon
Kasus3 - Kasus2
Z -1.843b
Asymp. Sig. (2-tailed) .065
a. Wilcoxon Signed Ranks Test
b. Based on negative ranks.

Oleh karena hasil uji Wilcoxon pada Tabel 4.12 menunjukkan bahwa nilai
𝑃 value = 0,065 > 𝛼 = 0,05, maka 𝐻0 diterima. Hal itu memberi arti bahwa tidak
terdapat perbedaan secara signifikan antara kasus 2 dan kasus 3. Sehingga,
diketahui bahwa faktor musim tidak mempengaruhi model curah hujan harian di
wilayah Tangerang dengan kemungkinan kesalahan 5% .

31
 BAB V
KESIMPULAN DAN SARAN

5.1. Kesimpulan

Berdasarkan hasil analisis dan pembahasan yang telah dilakukan, dapat

diperoleh beberapa kesimpulan, diantaranya adalah peluang transisi antar state
menunjukkan bahwa rata-rata perpindahan state 1 (tidak hujan) ke state 1 (tidak
hujan) memberikan nilai tertinggi untuk semua musim dan semua stasiun. Hal
tersebut menjelaskan karakteristik iklim di Tangerang bahwa curah hujan turun
dalam periode waktu yang singkat dengan periode tidak hujan berkepanjangan.

Peluang transisi dari tidak hujan ke kondisi hujan ringan, paling tinggi
terdapat di kawasan stasiun Pondok Betung berpeluang 41%. Peluang transisi dari
tidak hujan ke hujan lebat terdapat di kawan stasiun Budiarto berpeluang 2,5%.
Peluang transisi dari hujan ringan ke tidak hujan paling tinggi terdapat di kawasan
stasiun Soekarno-Hatta berpeluang 62%. Peluang transisi dari hujan lebat ke tidak
hujan paling tinggi terdapat di kawasan stasiun Budiarto berpeluang 51%.

Berdasarkan hasil peluang jangka panjang, diperoleh bahwa peluang hari

tidak hujan di Soekarno-Hatta lebih besar dibandingkan stasiun Budiarto dan
Pondok Betung, bernilai peluang 72%. Peluang hari hujan ringan di stasiun Pondok
Betung merupakan peluang tertinggi bernilai 52% dibandingkan stasiun Soekarno-
Hatta dan stasiun Budiarto. Peluang hari hujan lebat tertinggi adalah stasiun
Soekarno-Hatta dengan nilai peluang 5%. Hasil uji Wilcoxon memberikan
kesimpulan bahwa tidak terdapat perbedaan nilai rata-rata antara faktor musim pada
model curah hujan harian di wilayah Tangerang yang diperoleh.

32
5.2. Saran
Berdasarkan hasil penelitian, sebagai tindak lanjut terhadap pengembangan
ilmu pengetahuan, beberapa hal yang dapat disarankan antara lain:
1. Menggunakan metode estimasi lainnya yang kemudian digunakan sebagai
pembanding metode Rantai Markov
2. Mengambil studi kasus di kawasan dan periode waktu yang lain
3. Analisis kategori, kelompok, dan state curah hujan yang lain

33
 REFERENSI

[1] World Meteorological Organization, "Guidelines on Analysis of extremes in

changin climate in support of informed decisions for adaption," Publications
Board, Geneva, 2009.

[2] BNPB, "Indeks Rawan Bencana Indonesia," Jakarta, 2011.

[3] Bidang Integrasi Pengolahan dan Diseminasi Statistik, Provinsi Banten dalam
Angka, Banten: BPS Provinsi Banten, 2019.

[4] Kementrian Negara Perencanaan Pembangunan Nasional, Laporan Perkiraan

Kerusakan dan Kerugian Pasca Bencana Banjir, Tangerang: BAPPENAS,
2007.

[5] F. Nurhamiddin dan F. M. Sulisa, "Peramalan Cuaca Menggunakan Metode

Rantai MArkov (Studi Kasus : Rekaman Cuaca Harian di Kantor BMKG Kota
Ternate)," BIOSAINSTEK, vol. 2, no. 1, pp. 16-22, 2019.

[6] U. F. Arshinta dan D. Ahmad, "Analisis Curah Hujan di Kota Padang dengan
Menggunakan Rantai Markov," UNP Journal, vol. 2, no. 4, pp. 45-50, 2019.

[7] S. M. Ross, Stochastic Processes, New York: John Wiley and Sons, 1996.

[8] H. M. Taylor dan S. Karlin, An Introduction to Stochastic Modeling, San

Diego: Academic Press, 1993.

[9] H. Zhang, L.-p. Xu, Y.-h. Shen, R. Jiao dan J.-r. Sun, "A new maximum-
likelihood phase estimation method for X-ray pulsar signals," Journal of
Zhejiang University SCIENCE, vol. 15, no. 6, pp. 458-469, 2014.

[10] P. Singer, D. Helic, B. Taraghi dan M. Strohmaler, "Detecting Memory and

Structure in Human Navigation Patterns Using Markov Chain Models of
Varying Order," journal pone, vol. 9, no. 7, pp. 7-9, 2014.
[11] J. d. S. Jale, S. F. A. Júnior, É. F. Xavier, T. Stošić, B. Stošić dan . T. A.
Ferreira, "Application of Markov Chain on Daily Rainfall Data in Paraiba-
Brazil from 1995-2015," Acta Scientiarum, Technology, vol. 41, no. 1, pp. 2-
9, 2019.

[12] S. Maliska, N. Fitriyati dan Mahmudi, "Aplikasi Model GSTAR-I dengan

pendekatan invers matriks autokovarians (IMAk) pada prakiraan curah hujan
di provinsi Banten," Jurnal Logika, vol. 7, no. 1, pp. 73-85, 2017.

[13] M. M. Ramadlon dan T. Hariyanto, "Analisa Perbandingan Curah Hujan

Berdasarkan Data Citra NOAA AVHRR dengan Data Curah Hujan di
Lapangan," GEOID, vol. 10, no. 1, pp. 1-7, 2014.

[14] POKJA AMPL Kota Tangerang, Buku Sanitasi Putih Kota Tangerang, Kota
Tangerang, 2012.

[15] POKJA AMPL Kabupaten Tangerang, Buku putih sanitasi Kabupaten

Tangerang, Tigaraksa, 2012.

[16] S. Siregar, Stastistika Terapan untuk Perguruan Tinggi, Jakarta: Prenada

Media Group, 2017.

[17] Badan Meteorologi Klimatologi dan Geofisika, [Online]. Available:

http://dataonline.bmkg.go.id/home. [Accessed 12 Oktober 2019].

[18] D. Kasihairani, R. H. Virgianto dan S. Risnayah, "Dampak ENSO dan IOD

Terhadap Variabilitas Curah Hujan Musiman di Indonesia," in Sains
Atmosfer, Bandung, 2014.

[19] Y. S. S. Wirjohamidjojo, Iklim Kawasan Indonesia (dari Aspek Dinamik-

Sinoptik), Jakarta: Badan Meteorologi Klimatologi Geofisika, 2010.

35
 LAMPIRAN

Lampiran I. Tabel data curah hujan harian di stasiun Soekarno-Hatta pada tahun 1999-2018
Tahun
1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
13,8 2,2 5,2 43,1 2 2,9 3 3 1,3 22,6 3 3 0,4 1,9 47,4 17,9 23,9 14,3 3 0,7
8,2 3,2 0 18,6 0,4 0 0 12,3 9,6 28,2 2,3 0 0 25,5 6,4 2,6 10,5 6,3 1,5 0
5,5 3,3 0 15,6 15,3 0 0,3 0 1,1 1 0 33,7 0 13,5 0 0 9,7 0 0 0
23,7 15,9 0 4,9 1,3 25 3,6 0 0 47,2 0 0 0,1 4,3 9,3 1,5 0 0 0,7 1,1
6,9 7,7 0 0 0 8,7 24,8 0,9 0 12,3 0 0 1,7 0 13,2 0 5,9 0 4,9 0,3
4,6 19,2 0 23,7 0 0 0 2,4 0 0 3,5 0 8,1 2,4 4,2 0,4 0 0 36,6 0
0,2 21,2 17,3 5,2 0 2,2 11,3 0,2 0 0 13,1 0 5,5 5,4 4,2 9,4 0 0 0 0,4
23,7 2 45,8 5,2 0 0 0 0,4 0 0,2 2,3 9,9 1,2 12,8 3,5 11,5 0 0 0 1,5
JANUARI

2,4 60,3 20 5,7 0 0 15,2 0,4 0 0 14,8 4 5,2 12,1 15,3 61,6 0 0 1 0
8,9 0 8,1 0,8 0 0 0,3 0,1 0,4 0 0,1 35,7 28,6 17,8 30 0 0 0 51,8 0
0 3,6 0 86,4 0 0 0 0 0 0 106,7 0 1,5 6,2 10,1 0 0 0 27,4 0,1
0 11 0 0 0 5,4 24,7 0 0 1,6 43,5 24,5 0 16,9 0 33,8 0 3,4 0 0
61,5 0 0 0 0 0 0 2,4 0 0 94,1 1,4 0 3 96 15,6 64 0 0,4 0
0 1,2 0 84,5 0 54,1 0 21,7 0 0 90,6 5,5 0 22,2 4,5 3,4 0 12 0 11
19,4 0 0 71 0 14,5 0 0 0 0 51,7 37,4 0 0,9 68,1 58,1 10 0 2,6 7,9
37,8 2 7,4 25,4 0 0,5 0 0,2 0 2,1 2,7 8,5 10,7 0 47,9 5,6 0 14,5 0 11,7
4,9 4,5 1,4 5 0 0,7 50 45 0 0 1,5 40,3 4,8 0 102,9 104,1 38 0 1,5 0
0,6 4,8 1,6 6,4 0 0 2,6 17 0 0 6,8 63,5 11,3 6 134,6 71,9 7,9 0 0,2 1,2
7,2 0 0 5 0 11,8 128,8 0,4 0 0 0 79 2,8 7 1,6 98,7 0,5 0 3,2 58

36
 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
1 40,8 2,1 0 0 0 6,8 0 10 0 0 3,9 1,2 0 23,8 8,3 23,5 0,1 0 11,8
1,9 1,1 0 3,5 0 7,4 22,6 0 0 0 4,2 7 5,3 0 6 48,3 15,2 0 0 14,1
1,6 0 84,3 34,6 4,7 0 1,6 0,8 0 0 0 7,8 55,8 0 0 18,4 0 0 0 0,1
1,2 14,7 0 81,4 0 0 39,2 7,9 1,9 0,9 0,1 0 19,8 0 23,5 47 79 7 0 6
1,6 0 0 0 4,4 0,7 54,2 41,5 17,1 0 0 1,3 0,1 0 52,1 13,7 16,9 10,2 0 1,1
32,6 69,8 0 10 1,2 0,9 76,8 29,5 1,3 39,3 0,2 0 0 13,1 5 26,5 5,3 78 0 2,6
29 9,2 0 16,9 0,7 0 7,6 2,7 23,9 0 42,6 56,4 0 1,6 2,2 1,4 0 14,5 29 0
13,1 24,8 0 79,5 0,8 0,2 0 42,2 0 0,2 49,7 1,8 0 6,5 0 11,1 51,5 0 0,5 2,6
4,6 0 17 88 0,8 0 0 10 0 0 0,1 0 0,8 0 0 10 0,8 1 1,6 24
0 31 0 46,1 5,2 0 28,9 25,6 1,1 0 20,1 0 29 2,6 0 37,1 0,3 0 27,8 7,3
0 38,2 5,8 77,3 3 0 8 14,3 0,2 0 25,4 0 6,7 0 7,9 0 0 0,1 9 10
0 5,1 4,2 2,9 0 23,9 0 5,4 22,1 4,4 11,2 20,7 0 8,7 0 0,9 0 3,4 3,1 4,8
0 7,1 2,2 47,7 10 0,4 0 0 61,6 77,9 16,3 12,5 0 0,4 0 5,2 75,3 6,2 15,2 0,5
0,9 44,3 2,5 48 3,8 0 0,2 0 124,4 316,3 33,8 0 0 7,3 8,6 24,5 62,6 23,3 5,6 0,4
0 48,7 0 30,9 1,2 0 0 7,5 41,3 38,6 13,4 0 0 0,2 74,1 56,6 0 1,4 2 23,7
13,9 16,5 0 8,2 3,8 36,3 0 0 10 4 21,3 0,3 0 16,1 0 96,7 1 0 0 22,7
15,2 21,2 5,4 10,2 23,1 0 0 6,3 13,7 8,1 22,5 0 0 1,9 3,7 10,8 0 2,3 0,2 23,4
1,6 22,8 7,5 17,9 5,1 2,7 20,5 39,9 60,4 41 1,4 0,1 0 0 0 36,2 1,5 0,2 0,2 70,5
FEBRUARI

24,8 5 66,8 23,4 2,4 8,8 0 3,5 0,1 26,1 13,2 28,4 0 0 10,6 4,8 1,8 0 0,8 8,5
29,1 59,7 20,7 32,2 1,1 55 37,6 5,5 67 13,9 9,1 0 0 0 0 12,4 7,2 7,6 0,5 0,3
3,3 31,6 0 43,5 0,2 6,7 0 12 48,8 35,2 39,3 2 0 0 0 11,7 73,3 21,4 1 4,8
0,7 2 19,9 26,9 0 0 0,2 0 10 17 1,2 0 0 0 10,1 35,4 127,7 1,7 5 8,5
0,1 53,2 14,6 15,3 0,2 0 15,5 22,1 0 8,9 2,8 0 0 5,1 0 22 10,7 0,3 18,3 1
0,4 0,1 4 14,5 1,4 5,1 39,5 0,2 0 2,4 18 0 0 4 0 0 4 7,7 16,1 27,1
33 0,6 0,1 35,6 17 39,2 44,7 0 24,2 13,9 0 17 0 3,5 0,6 0 14 3,9 46,6 1,5
4,9 0 16,7 67,5 11,4 41,2 0 0,7 1,7 20,4 0 22,4 0 0 0 1 24,2 1,5 34,5 9,2

37
 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
0 0,6 0,3 25,2 1,5 3,4 0 0 0 17,1 1,5 5,2 0 0 1,5 9,7 0 16,3 34,5 48,5
0 0 28 7,5 0 1,7 0 0 0 0,9 17,5 0 0 0 0 1,7 7,5 1,5 44,6 83,7
0 0 14,8 1,4 20,9 114,5 0 0 0 4,4 4,8 0,8 0 0 6,6 0 1 14,9 21,3 0,2
1,5 13 10,8 2,6 1,4 77,8 0 37,1 36,5 5 0 0 0 0 30,3 4 5,9 23 0 6,8
5,9 52,1 4 16,7 1,1 84,4 0 22,3 0,6 54,2 0,2 20,5 0 0,7 14,6 4 58,2 0 12,5 4,8
0 0 3 52,7 6,1 28,2 0 13,5 0,4 3,2 9,9 2,2 0 6,3 0 1,4 0 0 15,5 3
12,4 0 6,6 0,9 4,7 10,4 12,8 0 2,7 37,1 1,3 1,9 0 13,7 15,4 74,5 0 0,4 72,5 1,2
16,3 5,6 2,2 15,3 7,3 0 15 0 1 21,9 2,8 8,2 0 0 6,7 57,3 0 8,6 9,7 0,5
17,8 0,8 0 0 0 0 34,3 5,1 0 10,6 16,5 0,8 0 0 3,2 50,6 0 0 0,4 0
1,4 0,2 3,6 0 5,4 1,9 1,7 0 0 7,2 0 6,2 0 0 12,4 16,4 0,3 0 9 1
0,7 1 0 21,4 0 0 0 2,8 23,4 13 0 7,5 0 0 0 94 0 100 0 2,5
37,2 0 0 0 0,8 0,4 0 33,1 0,6 8,5 0 4 0 0 0 31,9 0 147 20,4 20,1
9,1 0 0 0 12,3 0 0 0 1,6 14,6 10,7 0 0 8,4 3,2 7,4 0 12,3 0 0,2
7,6 0 31 0 5,7 3,2 0 50,3 15,4 3,1 24,5 0 0 0 0 4 0 102 41,9 0
0 0 3,8 0 11,9
0,4 0 24 0 11,6 0 9,2 6,2 0,8 45 16,7 8,4 7 28,6 0 0 3 40,9 5,3 20,6
3,2 0 2,8 9,5 9,5 4,4 0 11,2 0,4 0 0,1 0,5 0,5 19,9 2 13,4 1 10 3,1 0
0 22,7 2,1 0 0 0 0 2 7 11,8 0 0 0 17,1 0 0 9,6 17 2,1 0
0 15 5 0 0 31,1 13,2 1,3 1 0 0 0 18 0 25,2 0 3,8 0,9 0,7 0,3
0 3,4 0 0 10 1 7,2 0 7 0 0,3 0 20,8 0,3 61 0 0 3,8 0 11
MARET

0 2,2 12,5 39,2 0 0 13,1 5,5 32,9 0 5,9 0,3 1 11,4 0 0 0 1 0 0,3
1 0,9 0 0 4,4 21,7 21,5 0 0,5 0,1 0 0 21,9 0 0 1,2 0 1,5 2,5 0,3
0 0 0 1 0 16 13,4 0 1,4 0,6 0 0 0 3,8 0 0 1,3 0 8,5 0,5
0 7,2 0 3 0 0,6 0 0 5,6 4,7 0 3,4 0,6 0 7,5 0 1,6 0 0 0,1
0 0 1 1,1 0 31,2 0 0 92,3 0,1 55,2 0 16 38 0,5 4,2 10,4 0,1 0 0,9
0 0 56,2 0 0 0 0 0 0,2 0,4 0,4 4 0 0,6 0 7,2 12,5 0 0 0,2

38
 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
0 1,2 0 4 5,2 0,4 0 0 2,4 0 4,8 0,2 4,5 0 0 96,1 13,2 0 0 15,3
0 0 0 0 3,6 0,4 4,8 0 0 4,7 0 0,3 0 11,8 0 12,3 2,4 0 7 0,7
11,4 6,8 23 0 0 1,5 0 0 8 2,9 5,9 0 0 11 0 7 1 0 0 0
0,1 0 0 0 0 0 53,1 0 0 8,6 0 0 0 0 1 0 0 0 0 0
5,2 2,3 0 0 0 0,8 11,2 39,5 0 4,4 20,3 0 19,4 15 1,2 1,4 27 54,4 0 0
0 0 0 0 0 0 0 2,2 0 1,7 32,2 0 0 0 30,5 0,1 2,6 0 0 0,1
30 0 5 0 0 5,3 0 0,2 0 0 0 0 0 0 0 0 0 2,7 0 17,4
0 0 0 19,3 0,1 11,2 0 3,1 24,9 0 0 0 1,3 4,6 0 0 0 0 1,5 0,8
0 0 1 73 1,1 0 14,4 6 0,5 10,5 0 0 0,5 0 1,2 0 0 0 0 0
5,2 0 0 0 0 18,1 0 4,7 17,3 0 0 0 0 0 3,1 3,1 10,5 0 28,5 4,6
0 0 0 0 11 0 0 12,1 0,8 8 0 0,4 0 0 0 3,9 0 0,2 14,6 1
0,6 14,1 12,7 0 0 7,1 0 45,9 0,1 1,4 0 0 0 0 0 10,6 22,6 16,2 20,7 0
0 0 30,9 0 0 0 14,4 31,3 0 0 67 0 0 0 0,5 4,6 0 0 13 0
0,4 0 0 0 0 0 0 29,5 0 0 0 0,2 3,6 0 0 0 18,8 0 0 1
0 0 0 0 18,7 0 0 22 0 0 0 0 0 0 0 96,4 1,4 10,5 0 2
0 1,1 1,4 0 0 0 23 23,5 0 0 0 0 0 0 0 0,1 12 0 1,2 0
0 0 4,1 3,2 0 0 1,8 4,1 0 8,8 0,1 10 0 39,3 0 0 0 0,4 0 0
0 0 0 18,3 0,3 0 3,3 0 0 0 0 25,9 0 0,5 0 0 0 2,9 21,4 0,3
0 0 0 1 0 0 23,8 0 0 0 0 74 0,4 1 0 0 0 0 0,5 0
2,3 0 8 0 0,4 0,3 0 4,4 5,1 0 0 48,4 3,1 0 0 0 0 0 5,8 0
0 0 0 67,8 0,1 0 0 0 0 0 0,9 0 1 0 8,6 0 0 0 1,6 0
2,3 5,4 0 0 0 0 13,1 1,6 48,7 0 0 0 3,2 46,1 0 0 2,6 7,5 26,1 0
APRIL

6,5 17,7 0 4,4 2,1 2,1 69,3 0 0 0 0 3,1 0 23,2 0 0 0 0 16,3 1,4
0 0 0 0,3 0 0 0 0 0 0 0 0 0 101,1 0 0 0 0 47,2 85,4
0 7,2 1,4 0 0 0 0,2 1,5 8,6 0 0 0 0 0 0 6,5 0 0 0 0
0,7 0 2,6 0 3,7 3,7 0 0 0 0 0 0 0 0 0 22,9 0 0 0 52,4

39
 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
0,2 0 5,8 0 0 0 8,3 4,4 24,5 2,1 22 1,6 0 6,4 29 0,7 1 0,7 0 0
0 0 0 18,7 0 0 0 0 0 0 50,8 0 0 0 4,1 0 21,3 0 2 0
0 3,4 4 5 1,3 1,3 0 40,9 15,6 0 2,8 67,1 0,3 0 0 0 0 0 0 0
0 0 0 32,7 3,4 3,4 0 0 0 3,2 0,4 0 0 1,4 0 14,6 0 0,7 0 0
0,3 0 0 0 0 0 0 0 1,3 0 0,3 0 0 0 2,6 0 0 0 0,9 0
0 0,2 0 0 0 0 0 0 2,1 99 0 0 16 0 4 0 0 0 9,1 0
0 0 44,1 0 0 0 0 11,4 0 0,1 0 0 0 0 0 0 0 0 0,3 0
0 0 10,1 6,6 0,8 0,8 0 1,8 0 0 0 0 0 0 0 3 0,1 0 2,5 0
0,2 0 0,2 0 0 0 10,2 3,8 1,7 60,3 0 0,5 0 0 5 0,2 0 0,2 0 0
0 0 0 0 0 0 0 0,7 0 6,8 0,2 0 0 0 15,5 5,3 0 0 0 0
0 0 4,2 24 0 0 0 0 12,5 0 20,7 0,3 22,5 0 0 1 0 0 0 0,2
0 0 12,7 0 0 0 37,8 0 0 0 0 0 8,3 0 1 55,5 6 9,1 0 0
0 0 7,6 0 0 0 0,2 0 0 0 0 0 0,2 0 55,6 82,1 0 1,4 0 1
0 3,1 0 0 0 0 0 0 1,9 32,9 0 0 0 0 0 12,1 0,8 4,4 0 7,5
0 0 0 0 0 0 16,9 0 0 36,4 0 0 4,9 2,2 0 6,9 9 15,5 0 0
0 0 0 0 35 35 0 0 0 73,4 0 0 0 0 0 0 0 3 9,5 10,5
0 5,7 0 0 0 0 0 0 8,5 3,9 0 0 0,8 0 20 0 0 0 0 0
0 0,8 0 0 6,4 6,4 0 0 24,1 0 0,1 0 4,2 0 0 0 0 0 15,4 11,7
0 22,2 1,1 9,6 0,3 0,3 0 2,8 13 0 0 0 16,4 0 0 0 2,9 0 0 11,1
0 94,5 1,6 0 0 0 0 8,5 3,4 0 0 0 1,6 0 1 0 13,7 3,2 6 31,4
0 0 0 3,3 0 0 0 0 0,3 31,9 5,3 0 1 0 0 0 0 2 3 6,6
0 4,2 0 6,8 0,7 0,7 0 0 1,3 0 0 0 18,9 4,5 0 0 0 0 0 1
3,3 0 0 0 0 1 0 0 0 0 0 0 0 0 0 2,6 0 0 0 0
0 1,2 0 0 1 1,2 0 12,2 0 0 2,7 0 11,2 16,4 0 0 0 0 0 0
0 0 2,7 0 6 0 0 12,2 0 0,9 13 0 5 14 0 0 0 0,5 8 0
ME
I

0 0 0 0 0 1,5 0 5,2 0 0 0 0 0 0 71 0 5,4 0 30,7 0

40
1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
0 33,6 0 0 0,1 0 0 0 23,4 0 0 0 0,5 6,2 0 0 0 0 1,5 0
4 3 0 0 0 10,2 0 0 0 0 0,4 2,3 0 6 0 0 20,2 0 0,5 0,7
0 0 0 0 3 0,5 8,8 3,1 0 0 0 0,8 0 0 0 0 0,1 0 0 0
16,3 27 5,8 0 0 1,2 0 0 0 0 37,9 0 8,9 0 0 0 0 3,7 8 0
0,2 3 0 0 0 12,7 48,9 0,5 0 8,6 0 0 4,6 2,9 0 5 0 0 36,5 0
0 26,2 0 0 0 0 0 0 0 0 0 9,5 8,5 31,4 1 1,2 0 0 0 0
0 0 3,8 0 5,2 0 0 0 0 0 14,9 0 0 0 0 4,5 0 0 1 0
20,6 44,2 0 12,3 9,7 0 0 0 0 0 0 0,2 0 0 0 0 4,8 0 0 0
0 28 0 0,8 2,3 0 0 0 0,6 0 1,2 2,6 0 3 0 3,8 0 0 0 0
0 0 0 0 2,4 0 0 0 2,9 0 18,7 0 0 0 16 4,8 0 0 0 0
0 0 47,7 15,1 0 0 0 0 0,2 0 0 0,3 0 0 4 0 0 1,5 35,5 0
0 0 0 0 0 0 0 0 2 0 5,6 2,2 1 0 0 5 0 4,5 23,5 0
0 5 1 0 0 0,6 158,1 0 5,6 5,7 0,8 1,5 0 0 0 0 0 0 0 0
0 0,2 0 0 0 0 0 0 0 0 0 0 0 0 0 1,8 11 0 0 0
0 0 0 0 0 17,5 0 0 5 0 0 9,1 0 0 0 8,6 0 0 0 0
0 0 4,9 0 6,4 3,6 0 0 1,9 0 0 0 1,2 0 0 2,2 0 1,4 0 0
0 1,2 0 0 0 58,7 0 0 0 0 0 0 0 2,6 0 0 0 0 0 7,3
0 0 0 0 0 0 0 0,1 0 0 0 0 7,3 0 2 0 0 0,3 0 0
0 0 0 0 1,6 0 0 0 0 9,3 0 0,8 0 0 0 0 0 44,5 0 0
0 0 6,6 0 0 0 0 11,1 0 0 0 0 4,3 0 27 13 0 48,7 0 0
0 0 0 0 0 35 0 0 5,6 0 0 0 0 0 3 1,4 0 0 0 3
0 0 0 0 0 0 0 0 0 0 0,1 0,3 0 0 0 0 0 3,8 0 30,4
0 0 0 0 5,4 0 11,2 0 0 0 0 0,6 0 6,3 0 0 0 12,6 0 0,2
20,2 0 0 0 0 0 0 0 0,8 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0,5 6,4 0 0,6 0 0 5,3 0 0 0 0 1,2 0 0 0 0
0 3 0 0 0 0 0 2,2 0 0 0 0 0 0 8 8,6 0 0 0 0

41
 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
14,8 10,8 4,2 0 0 11,9 0 1,2 0 0 0 0,5 0 0 0 0 0 0 3,2 0
0 0 3,2 0 0 0 0 0 0 0 0 0 0 0 16 0 1,5 2,7 8,5 0
2,4 0 0 0 42,6 0 0 0 3,9 0 0 0 0 0 2 0 0 0,4 0 0
0 0 0 0 0 0 0 0 0 0 0 106 0 21,7 0 0 0 0 0 0
0 0 0 0 0 0 0 0 1,6 0 0 13,5 0,4 0 0 0 0 0 0 0
0 1,8 7,3 0 0 0 0 0 0 0 7,7 1,4 0 0 0 0 87,5 2,8 0 0
16,5 4,2 0 0 0 0 0 0 0 0 0 19 0 0 0 0 0 0,1 0 0
0 7 0,8 0 0 0 0 0 0,2 1,7 0 3,9 0 4,2 0 0 1,2 0 0 0
0 0 0 0 0 0 20,8 61,5 3,1 10,7 0 0 3,7 0 0 11,4 0 0 2,5 0
0,1 4 0 0 0 0 0 17,5 0 0 0 0 0 17,2 0 0 0 3 0 0
8,2 0 0 0 0 0 0 18,6 0 0 0 15,8 5,4 0 0 0 0 0,9 0 0
0 0 1,2 0 0 3,7 0 0 0 0 1,7 0,5 1,5 1,3 0 0 0 0 0 0
0 0 3,6 0 0 1,3 0 0 2,5 0 0 0 0 0 0 0 6 0 0 0
0 0 0 0 0 0,5 0 0 0 0 20,2 0 0 0 0 14,8 0 0 0 0
JUNI

0 3 0 0 0 0 0 0 0 0 16,3 0 8,6 0 0 1,4 0 0 0,2 0

0,1 0 0 0 0 0 0 0 0 0 0 0,9 0 0 0 18,9 3,2 0 0,1 0
3 3,1 0,3 0 0 0 37,6 0 0 26 0,3 0 0 0 0 10,5 0 0 125,5 0
0,3 15,4 22,7 0 0 5,4 5,3 0 0 12 0 0 30,5 13,5 0 22,9 0 0 0 0
0 0 32,3 0 0 0 9,3 0 0 6,4 0 89 0 10,2 0 5,4 0 0 15 1,2
0 0 18,8 0 0 0 11,1 0 0,1 0 1,7 6,3 0 0 0 1,2 0 0 0 0
0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 112,7 7,3 0
0 3 0 0 0,9 0 0 0 2,6 0 0 7,7 0 0 0 0 0 4,1 0 0
0 0,4 0 0 0 0 0,4 0 1,1 0 0 0,3 0 0 0 0 0 0 0 0
0 0 0 32,2 0 1 0 0 17,2 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 1,2 0 28,4 0 0 0 0 0 0 0 0 1,8 8,3 0 0 0
0 3,4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

42
 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
0 0 0 0 0 0 13,3 0 0 0 0 5,8 0 0 0 0 0 0 0 0
0 0 0 0 0 0 3,8 0 0 0 0 3,2 0 0 0 0 0 0 0 1,1
0 0 0 0,4 0 0 0 0 0 0 0 2,8 0 0 0 5,4 0 0 2 2,8
0 0 3,8 5,4 3,5 0 0 0 4,7 0 0 0 0 0 0 1 0 13,6 18,2 6,7
0 0 0 0 0 0,4 0 0 9,3 0 0 0 9,2 0 0 0 0 0 0 0
0,1 0 0 0 0 0,4 0 0 0 0 0 0 0,3 0 0 0 0 0 0 0
0 0 0 0 0 0 31,5 0 0 0 21,1 4,4 0 0 0 0 0 30,7 0,5 0
0 0 0 0 0 0 0,8 0 0 0 0 0 8,4 0 0 0 0 7,5 30,8 0
0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0,5 0 0
20,7 0 0,3 0 0 0 0 0 0 0 0 8,5 0 0 0 0 0 1,8 0 0
13,9 0 0 0 0 0 0 0 0 0 0 0 11,6 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2,5 0 0,1 0 0
0 0 0 0 0 0 0,4 0 0 0 0 0 0 0 0 4 0 0 0 0
0 0 0 6,2 0 28 0 0 53,1 0 0 1,6 0 0 0 0,2 0 3,2 0 0
0 0 0 0 0 1,8 0 0 0 0 0 36,6 0 0 0 0 0 0 17 0
JULI

0 0 0 3 0 0 0 0 0 0 0 0,2 0 0 0 1,2 0 0 0 0
12,5 0 1,2 19,4 0 0 0 0 0 0 0 0 30 0 0 0 0 0 0 0
0 0 0,2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 15,6 0
0 0 0 0 0 0,7 5,6 0 0 0 0 0,1 0 0 0 36,8 0 1 0 0
0 0 12,4 0 0 0 0 0 0 0 0 3,8 0 0 0 14,9 0 0 0 0
0 0 0 1,8 0 26,8 2,2 0 0 0 0 0 0 0 0 0 0 0 0 0,2
0 0 0 12,3 0 0 32,1 0 0 0 0 0 0 0 0 4,2 0 0 0 0
0 0 8 0 0 0 4,9 0 0 0 0 17 2,6 0,5 0 0,2 0 19,3 0 0
0 0 0 8,2 0 0 0 0 0,2 0 30 10,5 0 0,6 0 4,7 0 45,3 0 0
97 0 0 19,4 0 0 0 0 0 0 0 1,8 0,7 0 0 0 0 24 0 0

43
 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
0,4 0 0,2 0 0 0 0 0 0 0 0 24,6 0 0 0 1,2 0 0,6 0 0
0 0 31,4 0 0 0 0 3,1 3,8 0 0 0,2 0 0 0 13,9 0 3,8 1 0
0 0 0 42,2 0 0 0 0 0 0 0 45,2 0 0 0 0 0 0 1,6 0
0 0 0 0 0 0 0 0 0 0 0,7 26,9 10 0 0 0 0 0 8 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 10,2 0 25,3 0 0 0 0 0 1 0
0 0 0 0 0 0 0 0 0 0 0,2 0,3 37 0 0 10,9 0 2,7 0 0
0 0 0 0 0 0 0 0 0 17,3 0 19,1 0 0 0 17,6 0 0,3 0 0
0 0 0 0 0 0 0 0 0 0 0 42,5 0 0 0 0 0 0 0,2 0
0 0 0 0 0 0 0 0 0 0 0 0,3 0,1 0 0 0 0 0 0,5 0
0 0 0 0 0 0 0 1,7 0 0 0 0 0 0 0 0 0 35,5 10,4 0
0 0 20 0,2 0 0 0 7,8 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0,2
0 15,9 0 0 0 0 5,1 0 0 0 0 0 0 0 0 0 6 0 0 7,4
0 0 0 0 0 0 73,1 0 0 39,1 0 0 0 0 0 0 0 0,3 0 0
0 0 0 0 0 0 0 0 0 0 0 0,2 0 0 0 0 0 0 0 0
0 0 0 0 0 0 43 0 0 0 0 0 0,1 0 0 0 0 0 0 0
0 0 1,2 0 0 0 0 0 0 0 0 35,7 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 36,7 0 0 1 0 0,1 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0,1 0 0,1 15 0 1 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 29 0 0 0,5 0 0
0 0 0 0 0 0 0 1,4 0 0,4 0 0 0 0 0 0 0 0 0 1,8
51,3 48,8 14,1 7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 7,2 0
AGUSTUS

7,2 0 0 0 0 0 0 0 0 0,2 0 0 0 0 0 2,5 0 16 0,7 0

0 0 0 0 0 0 8,8 0 0 0 0 0,1 0 0 0 1,5 0 0 8,5 0
0 0 0 0 0 0 1,9 0 0 0 0 0 0 0 0 0 3,4 13,2 0 0

44
 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
0 0,2 0 0 0 0 0 0 0 0 0 7,6 0 0 0 0 0 24 0 0
0 0 0 0 0 0 0 0 0 0 0 8,9 0 0 0 35,2 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 7,2 0 0 0 10 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 30 0 0 5 0 0 0 0 0
0 0 0 0 0 0 0 0 0 1,7 0 0 0 0 0 0 0 9,2 0 0
0 0 0 0 1,4 0 0 0 2,5 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 2,8 0 0 2 0 0 0 0 0,7 0 0 0
0,1 10 0 0 0 0 0 0 8,5 0 0 0 0 0 0 0 0 21,1 0 0
0 0 0 0 0 0 0,2 0 0 0 0 0 0 0 0 0 0 8,9 0 0
0 1,4 0 0 0 0 0 0 0 0 0 1,4 0,2 0 0 0 0 1,2 0 0
0,2 0 0 0 5,4 0 5,1 0 0 0 0 1,3 0 0 0 0 0 0,3 0 0
0 0 0 0 0 0 1,2 0 0 0 0 2,4 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 4,6 17,3 0 0 0 0 0 0 0 0
0 11,8 0 0 6,5 0 4,3 0 0 15,4 0 0 0 0 0 0 0 0 0 0
0 11 0 0 0 0 7,7 0 0 0 0 0 0 0 0 7,2 0 0,6 0 0
0 0 0 0 6,7 0 6,2 0 0 0 0 0 0 0 7 4,7 0 27,9 0 0
0 0 0 0 0 0 0 0 0 0,5 0 0 0 0 0 0 0 0 0 1,6
11,4 0 0 0 0 0 0 0 0 0 2 10,7 0 0 0 0 0 0 0 0
0 0 9,6 0 0 0,5 0 0 0 0 0 3,6 0 0 0 0 0 0,6 0 7,6
SEPTEMBER

0 0 14 0 0 0 0 0 0 0 0 2,3 0 0 0 0 0 0 0 1,6
0 0 0 0 0 0 0 0 0,3 0 0 7,2 0 0 8 8,1 0 20,6 0 0
0 8,9 0 3,5 0 0 0 0 0 0 0 0,2 0 0 9 0 0 0 0,1 0
0 0 0 0 0 0 0 0 0 0 0 5,7 0 0 0 0 0 4,8 0 0
0 0 0 0 0 0 8,2 0 0 0 0 0,1 0 0 0 0 0 2,9 0 0
0 0 0 0 0 0 0 0 0 0 0 11 0 0 0 0 0 0 0 0

45
 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
0 0 0 0 0 0 10,1 0 0 0 0 6,8 0 0,4 0 0 0 0 0 0
0 0 0 0 0 4,4 0 0 0 0 0 0 0 4 0 0 0 0 17,2 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0,8 0 0
0 0 0 0 6,5 0 0 0 0 0 0 2,3 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 30,4 0 0 23,6 0 0 1 0 0
0 0 0 0 14,4 0 3,4 0 0 4,1 0 14,3 0 0 0 0 0 8,5 0 0
0 0 0 0 2,3 0 21,6 0 0 0 0 0 0,8 0 0 0 0 1,9 0 0
0 0 0 0 0 0 0,3 0 0 0 24,7 7,7 8,5 0 0 0 0 0,8 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 9 0 0
0 0 15,4 0 5 0 0 0 0 0 0 0 0 1,8 0 0 0 0 0 0
0 2,3 0 0 1,4 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0
0 0 0,1 0 0 0 0 0 0 0 0 0 0 0 0 22,6 0 0 8,9 0
0 2 0 0 0 0 1 0 0 0 0 9,7 0 0 0 9,8 0 5,2 0 0
0 0 0 0 0 0 0 0 0 0 0 0,2 0 0 0 0 0 0 0 0
0 12,6 0 0 0 0 0 0 0 0 0 3,3 0 0 0 0 0 7,2 0 0
0 0 0 0 0 0 0 0 22,3 0 0 7,8 0 0 0 0 0 10,5 0 0
0 0,6 0 0 0 0 0 0 0 0 5,9 0,6 0 0 0 0 0 1,5 0 0
16,4 0 0 0 0 0 0 0 0 0 0 0,5 0 0 0 0 0 0 86,2 1
0 0 0 0,2 0 0,5 0 0 0 0 0 2,4 0 0 0 0 0 0,9 16,3 0
0 0 0 0 0 0 0 0 0 0 0 0 0,2 0 0 0 0 11,7 2 0
0 0 0 0 0 0 16,7 0 0 0 0 0 0 0 0 0 0 0,5 1,2 0
0 0 0 0 0 5,4 16,7 0 0 0 0 0 0 0 0 0 0 1,2 0 0
OKTOBER

0 0 11,4 0 0 0 0 0 0 0 0 0,2 0 0 0 0 0 0 1,1 0

0,6 0 59,6 0 0 0 0 0 0 0 0 10 0,9 27,6 0 0 0 0 3,3 0
0 5,1 0 0 0 1,5 0 0 0 0 17,4 47,5 0 0 2,6 0 0 0 31,2 0
0 0 0 0 0,2 0 0 0 0 0,2 0 0,2 1,7 30 0 0 0 29,6 0 0

46
1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
0 0 0 0 10,7 0 0 0 0 0 3,3 0,3 0 0 0 0 0 0 0 0
0 19,4 0 0 0,2 0 0 0 0 0 7,8 14,5 0 0 0 0 0 0 0 0
0 0 0 0,8 7,7 0 0 0 0 0 0 50 0 0 0 0 6,4 0 0 0
0 0 1,2 0 0 0 0 0 11,3 0 0 3,9 0 0 0 0 0 8,4 0 0
0 0 0 0 0 0 0 0 0 0 0 4,7 0,2 0 0 0 0 0,6 18 0
0 0 0 0 4,9 0 7,1 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 2,2 0 0 0 0,8 0 0 0 0 0 0 0 0 0 0 0
16 0 0 0 0 0 0 0 0 6,4 39,4 0 0 0 6,5 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 34,6 0 0 0 0 0 54 0 0
0 0 2 0 30,3 0 0 0 0 0 0 2,3 0 0 0 0 0 0 0 16,4
0 0 1,2 0 0 0 0,2 0 1,3 0 0 0 0 0 0 0 8,9 0 0 0
0 0 17,6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
31 0 0 0 0 0 0 3,5 0 0 0,1 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 9,9 0 0 0 0 0 0 0 3 0 0 0 1,6 7,3
0 0 0,4 0 0 0 0 0 0 0 0 46 0 4,2 1,5 0 0 0 24,7 0
0 0 0 0 0 0 0 0,1 0,2 0 0 0 0 0 0 0 0 0 0 0
0 0 2,1 0 0 0 49,6 0 5,7 2 0 1,5 0 0 0 0 0 2,2 0 0
0 0 0 0 0 0 2,8 1,6 19,3 0 0,2 0 0,2 0 0 0 0 51 0 20,2
6 0 0 0 0 0 2,4 0 0 40,1 11,9 0 0 0 2,1 6,4 0 16,1 6,2 0
0,6 11,2 0 0 0 0 0 0 0,3 0 0 29,5 0 0 0 0 0 18,5 0 0
0 0,3 2,1 0 0 0 0 0 11,2 5,5 0 66,8 1,2 0 0 0 0 8,7 0 0
7,6 13 6,1 0 0 0 0 6 0 0 0 30,1 0 1,9 0 10,7 0 45,6 0 0,1
2 0 0 0 0 8,3 23,6 0 0 2 0 0 7,5 3,5 0 0 0 48,6 0 6,5
0 0 2,3 0 0,4 0 1 0 0 41,3 0 1,4 19,5 0 0,2 0 0 0,6 10,9 7,7
14,1 0 0 0 51 0 1,1 0 0 0 0 0 0 0 1,6 0,2 0 1 0 0
64,2 6,4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

47
 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
11,6 0 0 0 0 0 0 27,5 0 0 0 0 0,7 0 0 4,6 0 0 0 1,5
0,6 0 44,8 0 3,1 0 0 0 0 0 0 0 0 0 3,6 0 0 15,4 0 0,8
0,2 16,2 0 0 0,2 0 23,4 1,1 0 0 0 11,4 7,3 0 44,8 0 0 8,5 0 0
21,5 1,7 0 0 0 0 0 0,6 0,6 0 0 22 0 1,1 0 0 0 0 0 0,7
0 0 0 2,4 7,1 0,8 0 0 0 0,8 0 0,4 0 7,8 0 0 0 0 2,6 0
0 0 0 0 1,9 0,6 0 0 4,7 29 0 0 0 1 0 0 0 0 0,6 0
0 0 0,4 0 0 0 0 0 4,9 0 2,7 0,2 0 0 0 0 0 0 5 0
0 0 0 0 0 0 1,7 0 4,6 9,6 0 0 0 36,9 0 0 0,8 1,7 0 0
0 1,4 0 1,8 0,1 0 0 17,2 0 8,3 0 0 1,8 0 16 26,1 0,9 14,5 0 3,6
0 0 0 0 0 0 0 0 0 0 20 5,6 0 0 0 19,8 0 0 0 77,4
0 0 1 0 0 0 0 0 37,1 42,8 0 0 0 0,2 0 0 0 0 1,2 0
NOVEMBER

0 6,2 0 0 0 0 13 0 2,5 0 1,4 0 0 0 16,6 0 0 1,4 0 10,1

0 0 0 0 0 0 0 0 0 0 11 22,5 0 1,6 2,8 0 5 6,1 0 0
0,6 0,4 5,7 0,3 0 0 0 0 0,1 0 31,7 7,2 0 0,2 33,1 0 16,5 11,5 1,1 0,9
3,6 0 4,6 0 0 0 0 0 1,2 0,1 0 0 0 0 1 0 0 1,9 18,6 0
7,9 10,2 5,6 0 0 0 4,4 0 0 0 0 0 0 0 6,5 0,6 0 6 0 0
0,8 0,2 3 0 20,9 0 0 24 0 0 13,8 0,5 0 0 14 13,4 3 0 3,3 0
2 0 21,8 3,9 0,8 0 0 0 0 0 6,2 0 0 1,4 0,8 1,5 0 0 0 0
0 7 0 0 0,1 0 0 0 0 4,9 0,2 0 0 1,4 0 0 3,2 0 0 0
0 0,4 1,6 0 11,8 0,2 0 1,9 2,2 5 3 16,7 0 4,5 0 3,7 7,6 0 0 0
0,2 2,1 0,4 0 0 6,9 3,8 0 0 0 0,1 0 17,1 2,2 0 0 0 0 0 0
0 1 0,4 0 5,7 15,1 0 0 0 0 0,8 0 0 0,1 0 0 0 0 14,2 0
0 13,8 16 0,8 0,1 13,1 0 0 0 0 1 9,2 0,3 0 0 0 1,2 0 0
3,6 23 0,9 0 0 0,4 0 0 0 8,4 0 16,1 0 9 0 0 0 0 0 0
10,4 9,4 2,2 0 3,4 7,6 0 5 0 0 3,7 5,9 0,2 0,2 0 8,7 1,7 0 0 0
0 0 1,7 0,9 0 0 6,9 0 0 0 18 0 0,9 0 0 0 0 0 1 10

48
 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
0 0 12,2 0 0 0 8 0 0 4,6 8,2 15,3 0 4,4 4,3 0 0 0 25,3 68,9
0 1 10,2 0 0 27,3 0 11,3 0 0 0 30,5 0 0 0 0 0 1,8 4,2 0
4 8,9 0,1 0 0 7,1 58,3 3,5 0 20,9 0 0 9,4 0 0 7,8 0 1,4 0,8 0
0 0 0 0,2 0 20 1 2 0 0 7,5 0 6 0,3 0 0,2 20 0 14 3
0 0 0 2,2 0 19,3 0 12,9 0 0 1 0 0 12,5 0 0 0 0 46,4 0
0 0 0 0 1,9 0 15 0,2 0 30,9 0,3 0,5 18,6 5,8 1,5 0 0 0,7 0 0,2
0 0 0 0 0 0 0 0 27,7 1,7 2,9 7,1 2,3 0 4,5 0 0 3,5 0 2,5
0 0 0 0 0 0 0 0 153,2 0 0 0 0 0 0 1 0 30,9 0 5,2
27 0 0 0 11 0 0 0 50,3 1,2 2,1 0,4 0 2,2 0 0 15,5 25,5 0 0
0 0 0 0 3,5 0 0 0 0,6 0 0 8,5 0 0 5,5 2,9 0 1 0 0
0 0 0 4,4 0 0 0 0 0,2 0,1 0,2 4,2 0 0,2 9,6 12 4 0,1 0 0
0 0 6,6 0 0 0 0 0 0 0 0 0 0 0,2 0 12,3 0 0,3 0 0
0 0 0 0 0 0 34,1 0,4 0 0 0 15 0 22,9 30 2,3 29,6 23,5 2,9 0
DESEMBER

1,8 0 0 0 7,1 0 1,3 0 0 0 0 0 0 0 25,1 0 0 0 0 0

0,4 1,7 0 0 0 0 0 0 0 0 0 1,4 13,1 1,4 0 0 0 0 0 0
0 0,6 0 0 1,3 0 0 29,4 1,5 2,6 0 8 0 0,7 0 0 0 1 53,8 27
1,4 10,4 9,6 1 0 6 0 0 2,5 3,5 4,9 7 0,2 0 0 11,2 0 0,2 20,4 50,8
14,4 0 0,4 1 18,4 0 2,1 0 0 0 0 0 0 0 54,5 0 13,5 1,5 0,1 0
0,4 0 80,4 1,1 0 9,2 0,9 0 30 1,1 0 8,1 0 0,4 10,3 0 0 1,3 0,3 0,9
37,9 0 0 0 0 0,4 0 0 1,8 5,2 0 0,7 0 0 18,6 16,2 0 0 0,1 0
9,1 0 0 0 0 0 1,2 0 71,5 0 0 0 0 0 45,7 0 2,9 0 0 0
0 0 0 4,2 0 0 0,5 3,6 0 23,2 0 0,5 1,9 28,7 0,5 0 8,5 0,3 7,3 0
0 0 0 0 14,7 2,1 1,5 0 4,2 0,3 0 4 0 28,7 41 0 24 0 27,7 0
2,6 0 0 0,1 5,1 0 1 0 39,2 0 0 0,2 1,3 0 2,2 6,4 6,7 7,1 7,5 0
13,2 0 0 0 9,3 0 0 0 0,2 12,3 0 0 1,4 0 0,2 0,9 15 0 7,8 0
0 4,9 0 3 1,4 0 0 6 3,8 0 7 0,1 1,1 5,1 2,3 14,4 0 0 4,3 0

49
1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
2,4 0 0 0 6,5 0 9,2 0,4 0,2 46,1 38 0,1 2,5 29 16,7 0,2 0 4,6 1,9 0
18,7 3,6 0 0 6,7 0 12 4,5 10,6 11,3 0,1 9,5 0 11,7 4,8 0,5 0 0 0 4,3
3,1 0 0 0,4 6,7 46,1 0 0 40,1 0 6,8 0 0 8 2,2 0 0 0 0 2,2
8,4 0 0 0,4 1,3 33,7 72,4 0,7 0 0,7 0 0 0 7,7 0 0 0 0 0 3,2
96,7 4,6 0 1,8 67,9 7,1 0 11,3 0 0 0,2 0,8 0,3 0 0,2 72,3 0 0,4 0 1,5
49,6 0 0 1,7 8,7 4,5 1,7 0 12,1 0,6 5,3 3,5 75,5 0 0 52,3 0,9 0 0 0
4,2 0,4 16,3 0 29,9 0,3 0,3 0,1 0,9 0 0,9 16,8 0 26,2 0 0,1 0 0 0 0
6,1 0 41,2 0 115 18,7 2,6 35,4 16,7 1,4 0 0 11,1 0,5 0,5 0 5,8 0 0 0

50