5 Skripsi Full

VALIDASI MODEL SWAT DI DAS AIR DINGIN PADANG
Skripsi
TEGUH MIZWARNI ANUGRAH

1511112006
Pembimbing :
1. Dr. Ir. Feri Arlius, M.Sc
2. Ashadi Hasan, S.TP, M.Tech
FAKULTAS TEKNOLOGI PERTANIAN

UNIVERSITAS ANDALAS
PADANG
2020
TEGUH MIZWARNI ANUGRAH

1511112006
Skripsi
Sebagai Salah Satu Syarat untuk Memperoleh

Gelar Sarjana Teknik Pertanian
FAKULTAS TEKNOLOGI PERTANIAN

UNIVERSITAS ANDALAS
PADANG
2020
PERNYATAAN KEASLIAN SKRIPSI
Saya menyatakan bahwa skripsi Validasi Model SWAT di DAS Air Dingin
Padang yang saya susun, sebagai syarat memperoleh gelar sarjana Teknologi
Pertanian merupakan hasil karya tulis sendiri, kecuali kutipan dan rujukan yang
masing-masing telah dijelaskan sumbernya, sesuai dengan norma, kaedah dan
etika penulisan ilmiah. Saya bersedia menerima sanksi pencabutan gelar akademik
yang saya peroleh dan sanksi-sanksi lainnya dengan peraturan yang berlaku,
apabila dikemudian hari adanya plagiat dalam skripsi ini.
Padang, Januari 2020
Teguh Mizwarni Anugrah

1511112006
BIODATA
Penulis dilahirkan pada tanggal 23 Desember 1996 di

Pasir Talang. Penulis merupakan putra kedua dari
empat bersaudara dari pasangan Azwar dan Asni.
Jenjang pendidikan penulis dimulai dari sekolah dasar
di SD Negeri 02 Sikumbang. Kemudian dilanjutkan di
SMP Negeri 1 Solok Selatan. Penulis kemudian
melanjutkan ke SMA Negeri 1 Solok Selatan. Tahun
2015 penulis diterima sebagai mahasiswa SBMPTN
Teknik Pertanian, Universitas Andalas, Padang. Selama menjadi mahasiswa
Unand, Penulis pernah mengikuti UKM Andalas Sinematografi periode 2016-
2017 sebagai Staff Produksi, periode 2017-2018 sebagai Pengurus dan periode
2018-2019 sebagai Staff Senior. Penulis juga dipercaya sebagai Ketua Himpunan
Mahasiswa Teknik Pertanian (HIMATEP) periode 2018-2019. Penulis juga
pernah menjabat sebagai Asisten Peanggungjawab di Laboratorium Agricultural
Mangement and Geographic Information System (AMGIS) Program Studi Teknik
Pertanian, Universitas Andalas, Padang, periode 2018-2019. Pada masa
perkuliahan, penulis mengikuti kegiatan Kuliah Kerja Nyata (KKN) di Nagari
Kurai Taji Timur, Kabupaten Padang Pariaman pada bulan Juni – Agustus 2018.
Kemudian pada bulan Desember 2018 – Januari 2019 penulis mengikuti kegiatan
Praktek Kerja Lapangan (PKL) di Balai Wilayah Sungai Sumatera V (BWSS V)
Sumatera Barat. Padang.

T.M.A
Segala puji bagi Allah, yang Maha Mengetahui dan Maha Melihat hamba-
hambanya, Maha suci Allah, Dia-lah yang menciptakan bintang-bintang di langit,
dan dijadikan padanya penerang dan Bulan yang bercahaya. Aku bersaksi bahwa
tidak ada Tuhan selain Allah dan bahwa Muhammad adalah hamba-Nya dan
Rasul-Nya, yang diutus dengan kebenaran, sebagai pembawa kabar gembira dan
pemberi peringatan, mengajak pada kebenaran dan cahaya penerang bagi
umatnya.
Skripsi ini Teguh persembahkan untuk “Apaa” dan “Amaa” serta “Tek Pat”
sebagai anugerah terindah dalam hidup ini. Terimakasih untuk semua yang
“Apaa” dan “Amaa” serta “Tek Pat” berikan sehingga Teguh bisa sampai ke titik
ini. Teguh minta maaf karena selalu buat “Apaa” dan “Amaa” serta “Tek Pat”
susah, dan belum bisa membahagiakan “Apaa” dan “Amaa” serta “Tek Pat”.
Terimakasih juga Teguh ucapkan kepada Harlex Kurnia P. sebagai abang yang
selalu memberikan semangat untuk adiknya dan selalu membantu di saat susah
serta selalu memberi dukungan. Terimakasih juga Teguh ucapkan kepada Irfantri
Faturrahman, adik yang selalu memberikan semangat untuk abangnya dan selalu
membantu disaat susah serta yang selalu memberi dukungan. Terimakasih juga
Teguh ucapkan kepada Fa’il Mhd Khozli, adik kedua saya yang selalu
memberikan semangat untuk abangnya dan selalu membantu disaat susah serta
yang selalu memberi dukungan. Terimakasih juga Teguh ucapkan kepada seluruh
keluarga yang selalu membantu dan memberikan dukungan kepada Teguh.
Terimakasih Teguh ucapkan kepada Bapak Dr. Ir. Feri Arlius, M.Sc selaku
pembimbing I dan Bapak Ashadi Hasan, S.TP, M.Tech selaku pembimbing II,
atas semua bimbingan, arahan, serta waktu yang telah diluangkan dalam
membantu penyelesaian skripsi ini. Terimakasih kepada Dosen Teknik Pertanian
untuk ilmu yang diberikan selama masa perkuliahan. Terimakasih kepada staff
akademik FATETA dan Bang Saddam yang telah membantu dalam memperoleh
gelar sarjana ini.
Terimakasih untuk TEP’15 atas kebersamaannya selama di dunia
perkuliahan ini, yang sabar membantu Teguh dalam belajar, yang mau diajak
penelitian. Teguh minta maaf jika ada dari kalian TEP’15 yang pernah tersakiti.
Semoga TEP’15 tetap kompak dan selalu menjaga tali silaturahmi. Terimakasih
khusus buat Teknik Pertanian Universitas Andalas, tanpa menyebutkan satu
persatu saya ucapkan ribuan terimakasih atas segala pertemuan dan perpisahan.
Maaf, saya tidak bisa menyebutkan satu persatu nama kalian, yakinlah, siapapun
yang membaca tulisan ini, ucapan terimakasih ini untuk kalian, terimakasih. Dan
siapapun yang pernah bertemu, bertatap muka atau sekedar lewat saja dengan
Teguh Mizwarni Anugrah selama berproses dalam hidup ini, saya ucapkan
terimakasih, ini semua untuk semuanya. Sekali lagi maaf, saya tidak bisa
menyebutkan satu persatu nama kalian, tapi yakinlah, kalianlah orangnya,
terimakasih untuk semua.
Terimakasih untuk AMGIS, terimakasih kepada rekan-rekan Asisten
Laboratorium AMGIS periode 2017/2018 dan 2018/2019 untuk ilmu dan
pengalaman hebat yang Teguh dapatkan selama menjadi Asisten. Terimakasih
kepada Asisten AMGIS 13 dan AMGIS 14 yang telah menerima Teguh menjadi
bagian dari AMGIS dan terimakasih telah dipercayai menjadi Penanggungjawab
Praktikum di AMGIS, walaupun itu sulit tetapi itu menjadi suatu tantangan buat
Teguh untuk menjadi lebih baik lagi kedepannya.
Terimakasih untuk HIMATEP, terimakasih kepada rekan-rekan Pengurus
HIMATEP, terimakasih Keluarga Besar HIMATEP, terimakasih Keluarga Besar
IMATETANI, terimakasih untuk semua atas ilmu dan pengalaman hebat yang
Teguh dapatkan selama hidup di Teknik Pertanian. Terimakasih atas kepercayaan
semua.
Terimakasih untuk dulur PSHT, terimakasih atas waktu, semangat dan
pengalamannya. Terimakasih dulur PSHT, Jayalah PSHT.
Wassalam.
Teguh Mizwarni Anugrah
i
KATA PENGANTAR
Bismillahirrahmanirrahim, syukur Alhamdulillah penulis ucapkan kehadirat

Allah SWT atas segala rahmat dan karunia-Nya sehingga penulis dapat
menyelesaikan skripsi yang berjudul “Validasi Model SWAT di DAS Air Dingin
Padang”.
Skripsi ini diajukan sebagai salah satu syarat untuk memperoleh gelar
Sarjana Fakultas Teknologi Pertanian pada Program Studi Teknik Pertanian
Fakultas Teknologi Pertanian Universitas Andalas. Ucapan terima kasih penulis
persembahkan untuk kedua orang tua serta seluruh keluarga besar atas segala jasa,
bimbingan, dukungan serta doa yang telah diberikan. Selanjutnya, penulis
mengucapkan terima kasih kepada Bapak Dr. Ir. Feri Arlius, M.Sc selaku
Pembimbing I, dan kepada Bapak Ashadi Hasan, S.TP, M.Tech selaku
Pembimbing II atas semua bimbingan, petunjuk, arahan, serta waktu yang telah
diluangkan dalam membantu penyelesaian skripsi ini, tidak lupa pula penulis juga
mengucapkan terimakasih kepada dosen Teknik Pertanian dan teman-teman yang
telah memberikan masukan, bantuan dan dukungan selama ini.
Penulis menyadari bahwa skripsi ini masih jauh dari kesempurnaan, oleh
karena itu kritik dan saran yang membangun dari pembaca sangat diharapkan
demi perbaikan kedepannya. Semoga skripsi ini dapat bermanfaat bagi
perkembangan ilmu pengetahuan dan teknologi di masa yang akan datang.
T.M.A
ii
DAFTAR ISI
Halaman
KATA PENGANTAR.............................................................................................i
DAFTAR ISI..........................................................................................................ii
DAFTAR GAMBAR.............................................................................................iv
DAFTAR TABEL..................................................................................................v
DAFTAR LAMPIRAN.........................................................................................vi
ABSTRAK............................................................................................................vii
I. PENDAHULUAN...........................................................................................1
1.1 Latar Belakang..........................................................................................1
1.2 Tujuan Penelitian.......................................................................................3
1.3 Manfaat Penelitian.....................................................................................3
II. TINJAUAN PUSTAKA..................................................................................4
2.1 Daerah Aliran Sungai (DAS)....................................................................4
2.2 Neraca Air.................................................................................................5
2.3 SWAT........................................................................................................6
2.4 Validasi dan Kalibrasi...............................................................................7
III. BAHAN DAN METODE...........................................................................10
3.1 Waktu dan Tempat..................................................................................10
3.2 Bahan dan Alat........................................................................................10
3.3 Metode Penelitian....................................................................................11
3.3.1 Pengumpulan Data...........................................................................11
3.3.2 Penginputan Data.............................................................................11
3.3.3 Pengolahan Data..............................................................................12
3.3.4 Analisis SWAT................................................................................13
3.4 Diagram Alir Penelitian...........................................................................19
IV. HASIL DAN PEMBAHASAN.....................................................................20
4.1 Gambaran Umum Daerah Penelitian.......................................................20
4.1.1 Penggunaan Lahan...........................................................................21
4.1.2 Kondisi Tanah..................................................................................22
4.1.3 Kemiringan Lereng..........................................................................24
4.2 Analisis Menggunakan Model SWAT....................................................25
4.2.1 Simulasi SWAT...............................................................................25
4.2.2 Deliniasi DAS..................................................................................26
4.2.3 Pembentukan HRU (Hydrologic Response Unit)............................27
4.2.4 Pengolahan Data Iklim.....................................................................28
4.2.5 Simulasi SWAT...............................................................................29
4.2.6 Kalibrasi...........................................................................................30
V. KESIMPULAN DAN SARAN.....................................................................37
iii
5.1 Kesimpulan.............................................................................................37
5.2 Saran........................................................................................................37
DAFTAR PUSTAKA...........................................................................................38
LAMPIRAN.........................................................................................................41
iv
DAFTAR GAMBAR
Gambar
Halaman
Gambar 1. Grafik Debit Observasi.......................................................................16

Gambar 2. Diagram Alir Penelitian.......................................................................19
Gambar 3. Peta Lokasi Penelitian.........................................................................21
Gambar 4. Peta Penggunaan Lahan.......................................................................22
Gambar 5. Peta Jenis Tanah..................................................................................23
Gambar 6. Peta Kemiringan Lereng......................................................................25
Gambar 7. Hasil Deliniasi DAS Air Dingin Menggunakan ArcSWAT................27
Gambar 8. Grafik fluktasi debit nilai NSE sebelum kalibrasi dan validasi...........30
Gambar 9. Grafik fluktasi debit nilai R2 sebelum kalibrasi dan validasi...............30
Gambar 10. Grafik fluktasi debit nilai NSE setelah kalibrasi dan validasi...........35
Gambar 11. Grafik fluktasi debit nilai R2 setelah kalibrasi dan validasi................35
v
DAFTAR TABEL
Tabel
Halaman
Tabel 1. Klasifikasi Nilai NS................................................................................15

Tabel 2. Parameter Data Akhir Sesuai Model SWAT...........................................17
Tabel 3. Sub DAS Air Dingin...............................................................................20
Tabel 4. Penggunaan Lahan DAS Air Dingin.......................................................22
Tabel 5. Klasifikasi Jenis Tanah DAS Air Dingin................................................23
Tabel 6. Kemiringan lereng DAS Air Dingin.......................................................24
vi
DAFTAR LAMPIRAN
Lampiran
Halaman
Lampiran 1. Peta Lokasi Stasiun klimatologi dan Curah Hujan...........................41

Lampiran 2. Peta Administrasi DAS Kota Padang...............................................42
Lampiran 3 Hasil Sub Basin pada DAS Air Dingin..............................................43
Lampiran 4. Data Debit Hasil Simulasi DAS Air Dingin 2017 - 2018.................51
Lampiran 5. Debit Harian Observasi DAS Air Dingin 2017................................54
Lampiran 6. Debit Harian Observasi DAS Air Dingin 2018................................55
Lampiran 7. Parameter dan Masukan Nilai yang digunakan pada Kalibrasi........56
Lampiran 8. Data Curah Hujan Harian Stasiun Gunung Nago 2017....................57
Lampiran 9. Data Curah Hujan Harian Stasiun Gunung Nago 2018....................58
Lampiran 10. Data Curah Hujan Harian Stasiun Kasang 2017.............................59
Lampiran 11. Data Curah Hujan Harian Stasiun Kasang 2018.............................60
Lampiran 12. Data Curah Hujan Harian Stasiun Koto Tuo 2017.........................61
Lampiran 13. Data Curah Hujan Harian Stasiun Koto Tuo 2018.........................62
Lampiran 14. Data Kecepatan Angin DAS Air Dingin 2017................................63
Lampiran 15. Data Kecepatan Angin DAS Air Dingin 2018................................64
Lampiran 16. Data Temperatur DAS Air Dingin 2017.........................................65
Lampiran 17. Data Temperatur DAS Air Dingin 2018.........................................66
Lampiran 18. Data Kelembaban Relatif DAS Air Dingin 2017...........................67
Lampiran 19. Data Kelembaban Relatif DAS Air Dingin 2018...........................68
Lampiran 20. Data Radiasi Matahari DAS Air Dingin 2017................................69
Lampiran 21. Data Radiasi Matahari DAS Air Dingin 2018................................70
ABSTRAK
vii
Teguh Mizwarni Anugrah1, Feri Arlius2, Ashadi Hasan2

1
Mahasiswa Fakultas Teknologi Pertanian, Kampus Limau Manis-Padang 25163
2
Dosen Fakultas Teknologi Pertanian, Kampus Limau Manis-Padang 25163
Email: teguhmizwarnianugrah@yahoo.com
ABSTRAK
Daerah Aliran Sungai (DAS) merupakan kawasan yang terpisah dari

wilayah lain di sekitarnya. Pemisahan ini disebabkan oleh bentuk topografi
seperti punggung bukit atau gunung yang menerima air hujan, menampung,
dan mengalirkannya melalui sungai utama menuju laut atau danau. Dalam
riset teknologi DAS mengenai pendekatan analisis sistem merupakan dasar
teori yang memiliki kekuatan atau pengaruh yang luar biasa dalam
menyatukan bagian dari keseluruhan informasi suatu kesatuan DAS menjadi
rencana-rencana pengelolaan DAS. Model SWAT dapat mengidentifikasi,
menilai dan mengevaluasi tingkat permasalahan biofisik suatu DAS dan
sebagai alat untuk menentukan tindakan pengelolaan dalam mengontrol
permasalahan DAS. Dengan menggunakan model SWAT dapat dilakukan
pengembangan dan penentuan beberapa perencanaan, pengelolaan dan
penggunaan lahan yang terbaik. Tujuan penelitian ini ialah untuk
mendapatkan model SWAT yang dapat merepresentasikan keadaan real
DAS sehingga dapat digunakan untuk evaluasi dan perencanaan DAS.
Lokasi penelitan dikhususkan pada kawasan DAS Air Dingin Kota Padang
yang secara geografis terletak pada 0̊ 45’ - 0̊ 55’ LS dan 100̊ 20’ - 100̊ 30’ BT
dengan luas wilayah 11379,69 Ha. Pada penelitian ini dilakukan melalui 4
proses yaitu Deliniasi, pembentukan HRU, Pengolahan Data dan Simulasi,
serta Visualisasi Model. Hasil penelitian pada DAS Air Dingin menggunakan
SWAT diperoleh 72 HRU. Berdasarkan hasil visualisasi yang telah
terkalibrasi dan validasi didapatkan nilai Nash-Sutcliffe Efficiency(NSE)
0.6789 dan nilai R2 0.663 artinya model SWAT dapat menggambarkan
kondisi real DAS yang bisa digunakan untuk evaluasi dan upaya-upaya
pengelolaan DAS.
Kata Kunci: DAS (Daerah Aliran Sungai), HRU, SWAT

1
I. PENDAHULUAN
I.1 Latar Belakang

wilayah lain di sekitarnya. Pemisahan ini disebabkan oleh bentuk topografi seperti
punggung bukit atau gunung yang menerima air hujan, menampung, dan
mengalirkannya melalui sungai utama menuju laut atau danau. Daerah Aliran
Sungai (DAS) dapat terdiri dari beberapa Sub DAS atau sub-sub DAS sehingga
luas DAS dapat beragam tergantung dari penempatan titik pengukuran. Sub DAS
merupakan bagian wilayah dari suatu DAS yang berupa bentuk satuan daerah
tangkapan air (Paimin et al., 2006).
Salah satu DAS yang ada di kota Padang yaitu DAS Air Dingin. DAS Air
Dingin terletak pada kecamatan Koto Tangah Kota Padang, sungai ini berhulu
pada sekitar Bukit Barisan antara Kabupaten Solok dengan Kota Padang, dan
bermuara di Samudera Hindia. Terjadinya perubahan penggunaan lahan akibat
peningkatan jumlah penduduk menyebabkan besarnya aliran permukaan pada saat
turunnya hujan. Terlihat dari banjir yang terjadi Maret 2016 lalu, banjir melanda
Kota Padang dan yang paling parah terjadi pada kecamatan Koto Tangah. (Padang
Ekspres., 2016)
Dalam riset teknologi DAS mengenai pendekatan analisis sistem merupakan
dasar teori yang memiliki kekuatan atau pengaruh yang luar biasa dalam
menyatukan bagian dari keseluruhan informasi suatu kesatuan DAS menjadi
rencana-rencana penyederhanaan DAS. Kebutuhan akan teknik permodelan
hidrologi yang dapat menilai atau menafsirkan dengan cepat pengaruh hidrologi
dari pergantian atau transformasi dan langkah perencanaan tertentu yang terjadi di
dalam suatu DAS. Model hidrologi tersebut merupakan landasan bagi teknologi
pengelolaan DAS yang dapat dipertimbangkan dengan logis, benar, dan tepat,
dengan kemampuan eksperimentasi dan proses peniruan dengan komputer.
Beragam model hidrologi di negara maju telah banyak dikembangkaan
untuk mendeskripsikan proses transformasi masukan hujan menjadi keluaran
berupa debit aliran sungai dengan memperhatikan karakteristik fisik DAS. Pada
dasarnya, model simulasi hidrologi dirancang untuk memudahkan dalam
2
mengkaji hidrologi dengan menyederhanakan sistemnya dapat diketahui

tanggapan atau reaksi sebagian unsur didalam sistem. Model jenis ini diharapkan
dapat diterapkan untuk menyelesaikan kendala pada suatu DAS yang kurang
sempurna atau tidak tersedia datanya. Kekurangan data dasar sangat bersangkut
dengan identifikasi dan karakteristik DAS serta kalibrasi parameter-parameter
berbagai model yang ada.
Model analisis hidrologi bisa dilakukan dengan banyak model diantaranya
dengan memakai model SWAT (Soil Water Assessment Tools). Model SWAT
merupakan satu model hidrologi yang dikembangkan oleh Dr. Jeff Arnold pada
tahun awal 1990-an dan digunakan sebagai pengembangan Agricultural Research
Service (ARS) dari USDA. Model SWAT dapat mensimulasi beberapa proses
fisik yang berbeda pada suatu DAS. Sebagai salah satu model hidrologi, SWAT
merupakan model terdistribusi yang tersambung dengan Sistem Information
Geografis (SIG) dan mengintegrasikan Sistem Pengambilan Keputusan Spasial
(Spatial DSS-Decision Support System) sehingga model SWAT berdayaguna
tinggi. Model SWAT dioperasikan pada interval waktu harian dan dirancang
untuk memperkirakan dampak ke depan dari kegiatan pengelolaan lahan terhadap
sumberdaya air, sedimen dan hasil agrokimia pada DAS besar dan komplek
dengan banyak perencanaan pengelolaan dan penggunaan lahan jangka panjang.
Model SWAT dapat mengidentifikasi, menilai dan mengevaluasi tingkat
permasalahan biofisik suatu DAS dan sebagai alat untuk menentukan tindakan
pengelolaan dalam mengontrol permasalahan tersebut. Dengan menggunakan
model SWAT dapat dilakukan pengembangan dan penentuan beberapa
perencanaan pengelolaan dan penggunaan lahan yang terbaik.
Model SWAT telah banyak digunakan untuk melakukan validasi model
hidrologi di suatu kawasan atau wilayah DAS. Penerapan model SWAT dalam
skala DAS dengan masukan data yang cukup bervariasi dan bersifat berkelanjutan
dari hasil validasi, model yang didapatkan masih bersifat umum dan belum bisa
digunakan untuk direpresentasikan, sehingga perlu dilakukan kalibrasi. Dimana,
kalibrasi bertujuan untuk mendapatkan hasil model SWAT mendekati data real.
Sehingga, model ini dapat dimanfaatkan untuk memperkirakan model hidrologi di
3
suatu wilayah DAS. Oleh karena itu, penulis tertarik untuk melakukan penelitian
yang berjudul Validasi Model SWAT di DAS Air Dingin Kota Padang.
I.2 Tujuan Penelitian
Tujuan penelitian ini ialah untuk mendapatkan model SWAT yang dapat
merepresentasikan keadaan real DAS Air Dingin, sehingga dapat digunakan untuk
evaluasi dan perencanaan DAS Air Dingin Kota Padang.
I.3 Manfaat Penelitian
Manfaat penelitian ini ialah tersedianya aplikasi model untuk DAS Air
Dingin Kota Padang yang dapat digunakan sebagai alat dalam menyusun
perancangan pengelolaan DAS, khususnya di DAS Air Dingin Kota Padang.
4
II. TINJAUAN PUSTAKA
II.1 Daerah Aliran Sungai (DAS)

wilayah lain di sekitarnya. Pemisahan ini disebabkan oleh bentuk topografi seperti
punggung bukit atau gunung yang menerima air hujan, menampung, dan
mengalirkannya melalui sungai utama menuju laut atau danau. Daerah Aliran
Sungai (DAS) dapat terdiri dari beberapa Sub DAS atau sub-sub DAS sehingga
luas DAS dapat beragam tergantung dari penempatan titik pengukuran. Sub DAS
merupakan bagian wilayah dari suatu DAS yang berupa bentuk satuan daerah
tangkapan air (Paimin et al., 2006). Menurut Rau (2012), Daerah Aliran Sungai
(DAS) merupakan suatu kawasan yang disekat oleh punggung gunung, dimana
tetesan air hujan yang sampai kepermukaan bumi akan tertampung dan mengalir
melewati sungai kecil menuju sungai bagian utama. Menurut Kastolani (2007),
DAS ialah suatu kesatuan lingkungan hidup yang didalamnya terdapat proses
interaksi antara faktor biotik, non biotik dan manusia. DAS memberikan dampak
yang kuat pada ketersediaan air baku di suatu kawasan, sehingga pada proses
pengelolaan diperlukan konsepan paling baik. Air baku ialah air yang diperlukan
sebagai kegiatan produksi maupun air untuk keperluan setiap harinya yang pada
dasarnya datang dari air tanah, air sungai, air hujan dan air danau.
DAS sebagai satuan hidrologi mempunyai 3 (tiga) landasan fungsi,
diantaranya: (1) menampung curah hujan; (2) menampung air hujan yang
terkumpul dalam sistem-sistem simpanan air DAS; (3) mendistribusikan air
sebagai limpasan. Dilihat dari ekologi, DAS mempunyai 2 (dua) fungsi tambahan,
diantaranya: (1) chemical pathways bagi lingkungan DAS; (2) tempat habitat bagi
makhluk hidup dalam DAS. Kelima fungsi tersebut saling mempengaruhi dalam
suatu sistem DAS yang termasuk sistem simpanan massa air, serta hubungan
masukan hujan dan keluaran limpasan DAS (Pawitan, 2004). DAS terbagi atas
beberapa Sub DAS dan Sub-sub DAS, Sub DAS ialah suatu bentuk satuan
wilayah tangkapan air yang termasuk dari bagian kawasan DAS (Paimin et al.,
2006).
5
II.2 Neraca Air
Neraca Air adalah suatu model ikatan kuantitatif antara jumlah air yang ada
di dalam dan di atas tanah dengan jumlah curah hujan yang jatuh pada kurun
waktu dan luasan tertentu (Noah dkk., 2010). Sumberdaya air yang tersedia sangat
dipengaruhi oleh topografi, keadaan iklim, struktur geologi, jenis tanah serta
tutupan lahan suatu wilayah (Soldevilla-Martineza dkk., 2013). Analisa data
kandungan air dilakukan untuk memperoleh tingkat ketersediaan air tanah dimana
ketersediaan kandungan air tanah dapat dipengaruhi oleh perbedaan jenis tanah
(Zappa dan Gurtz, 2003).
Permodelan neraca air termasuk salah satu metode yang banyak dipakai untuk
memprediksi dinamika kadar air tanah dalam periode pertumbuhan tanaman,
sehingga dapat ditentukan jumlah kebutuhan air tanaman untuk dapat berproduksi,
terutama pada periode kritis yaitu saat kadar air tanah normal maupun dalam
kondisi sangat rendah. Thornthwaite Mather (1957) berpendapat bahwa
kemampuan tanah menahan air sangat tergantung oleh jenis vegetasinya dan jenis
tanah (tekstur terutama). Vegetasi yang jenisnya sama akan memiliki kedalaman
zona perakaran yang berbeda, apabila tumbuh pada jenis tanah yang berbeda,
sehingga kapasitas lengas tanahnya atau nilai Water Holding Capacity (WHC)
juga berbeda (Zappa dan Gurtz, 2003).
Pemanfaatan permodelan tanaman sudah banyak dipakai pada berbagai
bidang keilmuan seperti ilmu tanah, pemuliaan tanaman, antisipasi serangan hama
dan penyakit tanaman, fisiologi tanaman, penentuan jadwal tanam termasuk studi
neraca air untuk melihat bagaimana pengaruh iklim yang berubah terhadap
ketersediaan air pada suatu kawasan (Rafi et al., 2005; Kumanbala et al., 2010;
Bari et al., 2006).
Teknologi permodelan telah banyak membantu menerangkan dan
mendeskripsikan kegiatan yang terjadi dalam pergerakan air dari tanah ke
tanaman serta dinamika kadar air tanah. Permodelan yang dikerjakan tidak hanya
memperkirakan gejala sistem, melainkan juga ditujukan untuk meningkatkan
pengertian terhadap fenomena yang diamati (Grant et al., 1997).
6
II.3 SWAT
Soil Water Assessment Tools (SWAT) merupakan suatu model hidrologi yang
digunakan untuk pengembangan Agricultural Research Service (ARS) dari USDA
yang dikembangkan oleh Dr. Jeff Arnold pada tahun awal 1990-an. Dimana
model ini dikembangkan guna membantu dalam memprediksi dampak atau
pengaruh dari manajemen lahan pertanian terhadap air, sedimentasi dan jumlah
bahan kimia pada suatu kawasan DAS yang lengkap dengan memperhitungkan
variasi tata guna lahan, jenis tanahnya, serta keadaan manajemen suatu DAS
ketika telah melewati jangka waktu yang lama (Nugroho, 2015).
Mulyana (2012) berpendapat bahwa permodelan yang dilakukan dengan

model SWAT yaitu pada berbagai tipe penutupan lahan, tanah, topografi, dan
bentuk DAS, umumnya akan dilakukan pengelompokkan sesuai tipe penutupan
lahan dominan dan jenis tanah dominan pada studi DAS. Pada berbagai tipe
pengelompokan hidrologi yang telah berhasil digunakan, selanjutnya dilakukan
perhitungan limpasan dengan metode Soil Conservation Cervises (SCS) dan
mengubah nilai Curve Number (CN). Dalam suatu DAS, model SWAT yang
berbasis DAS, kontinyu dengan tahap waktu harian yang dirancang untuk
mengatur sumberdaya air, sedimen dan limbah kimiawi dari pertanian. Komponen
model yang terdiri dari parameter hidrologi, tanah, nutrient, cuaca, pestisida
sistem pengolahan tanah dan bakteri patogen dapat disimulasikan dalam jangka
waktu lama dan efisien pada permodelan SWAT.
Neitsch et al. (2004) berpendapat bahwa SWAT dapat digunakan untuk
penerapan dalam berbagai kajian serta simulasi dalam suatu DAS.
Pengelompokan dilakukan atau disusun dalam kategori : iklim, unit respon
hidrologi (HRU), tubuh air, air tanah, dan sungai utama sampai pada drainase tiap
sub das dengan memakai informasi data masukan pada tiap subdas. Dimana unit
respon hidrologi pada tiap subdas terdiri dari variasi penutup lahan, tanah, dan
manajemen pengelolaan.
SWAT (Soil and Water Assessment Tool) ialah suatu model terdistribusi yang
terhubung dengan Sistem Informasi Geografis (SIG) dan mengintegrasikan
Spatial DSS (Decision Support System). Model SWAT diaplikasikan pada interval
7
waktu harian dan dirancang untuk memperkirakan akibat jangka panjang dari
suatu praktek pengelolaan lahan terhadap sedimen, hasil agrochemical dan sumber
daya air pada DAS besar dan kompleks dengan berbagai pengelolaan, penggunaan
lahan dan skenario tanah berbeda. Sejumlah kegiatan fisik yang berbeda untuk
disimulasikan pada suatu DAS memungkinkan dengan SWAT. Melakukan
pengidentifikasian, penilaian, pengevaluasian tingkat permasalahan suatu DAS
dan sebagai alat untuk menentukan tindakan pengelolaan dalam mengendalikan
permasalahan tersebut juga dapat dilakukan dengan penggunaan model SWAT.
Dengan penggunaan model SWAT diharapkan dapat dilakukan pengembangan
beberapa skenario untuk menentukan keadaan perencanaan pengelolaan DAS
terbaik. Beberapa fase pengelolaan DAS juga dapat digunakan dengan
penggunaan model SWAT (Naibaho, 2017).
Sebuah DAS dapat dikelompokkan menjadi beberapa Sub DAS yang
mempunyai karakteristik penggunaan lahan, jenis tanah, dan pengelolaan yang
dominan. Salah satu fungsi SWAT ialah untuk melakukan analisa debit sungai
suatu DAS pada suatu kawasan. Perlu dilakukan kalibrasi dan validasi dalam
penggunaan model SWAT dengan data yang tersedia, agar didapatkan hasil sama
dengan keadaan sebenarnya di lapangan. Proses kalibrasi dan validasi diperlukan
karena setiap DAS mempunyai karakteristik atau sifat yang tidak sama. Evaluasi
keadaan yang sebenarnya dengan relevansi model dilakukan dengan
memperhatikan efisiensi model dan standar deviasi (Naibaho, 2017).
II.4 Validasi dan Kalibrasi
Validasi adalah suatu proses yang berfungsi untuk melakukan pengujian

terhadap tingkat berlakunya suatu model terhadap output atau disebut luarannya.
Kalibrasi dan verifikasi terhadap data debit (m3/dt) sebagai output model
merupakan cara yang dilakukan dalam proses validasi. Validasi output dengan
kegiatan kalibrasi dan verifikasi ialah proses interaktif untuk mendapatkan nilai
acuan model optimal, sehingga diantara variabel pengontrol model yang sudah
dilakukan verifikasi menghasilkan output sesuai kriteria yang ditentukan.
Kegiatan tersebut ditujukan untuk menetapkan tingkat keakuratan dan ketelitian
8
model dalam memperkirakan luaran proses yang dilakukan terhadap luaran yang
diamati menggunakan kriteria grafis dan statistik.
Neitsch et al. (2004) berpendapat bahwa untuk melihat kedekatan nilai debit
simulasi dan debit observasi (debit terukur) dilakukan dengan kalibrasi. Ketentuan
nilai yang dipakai dalam melakukan validasi dan kalibrasi ialah koefisien
determinasi (R2) dan Nash-Sutclife Index (NSI). Validasi dilakukan dengan
mempertimbangkan nilai NS. Suatu model dianggap valid jika keadaan nilai
NS>0,36. Jika nilai NS yang didapatkan kecil dari 0,36 maka perlu dilakukan
kalibrasi. Kalibrasi dilakukan dengan mengubah beberapa nilai parameter
rekomendasi ArcSWAT yang akan mempengaruhi nilai dari debit hasil simulasi.
Debit ialah suatu laju dari aliran air (dalam bentuk volume air) yang melalui
suatu melintang sungai per satuan waktu. Dalam sistem satuan SI besarnya debit
dinyatakan dalam bentuk satuan meter kubik per detik (m3/dt). Dalam laporan-
laporan teknis, debit aliran dinyatakan dalam bentuk hidrograf aliran. Hidrograf
aliran yaitu suatu sikap debit selaku respon adanya perubahan karakteristik
biogeofisik yang berlangsung dalam suatu DAS (oleh adanya kegiatan
pengelolaan DAS) dan atau adanya suatu perubahan iklim lokal (fluktuasi
musiman atau tahunan) (Asdak, 2007).
Data debit atau aliran sungai bagi pengelola sumberdaya air termasuk
informasi yang sangat penting. Banjir (debit puncak) dibutuhkan untuk
perancangan bangunan pengendali banjir. Sementara pada perencanaan alokasi
(pemanfaatan) air untuk berbagai macam keperluan, terutama pada musim
kemarau panjang dibutuhkan data debit aliran kecil. Debit aliran rata-rata tahunan
bisa memberikan deskripsi kemampuan sumberdaya air yang dapat dimanfaatkan
dari suatu kawasan aliran sungai (Naibaho, 2017). Perhitungan debit air dilakukan
untuk mengetahui kemampuan DAS pada suatu wilayah atau kawasan terutama
kawasan utama untuk melakukan analisis sistem drainase pada saluran drainase
primer dan sekunder (Wismarini, 2011). Menurut Lee (1990), hal-hal yang
menjadi faktor penentu debit dikelompokkan sebagai faktor-faktor parameter
daerah tangkapan, pengaruh hutan dan atmosfer.
Validasi harus dilakukan karena hasil Run model SWAT yang didapatkan pada
aplikasi masih jauh atau tidak sama dengan data real, sehingga perlu dilakukan
9
validasi untuk melihat kedekatan nilai debit simulasi (Neitsch et al., 2004). Ketika
validasi telah dilakukan, hasil yang didapatkan masih belum mendekati data real
maka perlu dilakukannya kalibrasi. Dimana kalibrasi dilakukan dengan mengubah
beberapa parameter yang ada sehingga hasil yang di dapatkan nantinya mendekati
data real. Kalibrasi suatu model, apapun model yang digunakan, penting
dilakukan. Hal ini terhubung pada ketepatan model dalam memberikan deskripsi
pada kegiatan dilapangan yang nyatanya. Ketika hasil model telah memberikan
deskripsi yang baik terhadap hasil observasi maka hasil model tersebut dapat
digunakan untuk analisis berikutnya dan untuk simulasi perencanaan yang
dibutuhkan. Model telah cukup baik apabila debit hasil model mempunyai
kesamaan dengan debit hasil model. Kalibrasi pada umumnya dilaksanakan
terhadap masukan model baik parameter, struktur maupun variabel. Proses untuk
menguji parameter yang telah dikalibrasi dengan suatu set data tanpa perubahan
terhadap parameter-parameter yang ada dilakukan dengan validasi model kembali
(Juknis BPDASHL Agam Kuantan, 2015).
10
III. BAHAN DAN METODE
III.1 Waktu dan Tempat
Penelitian ini dilakukan di Laboratorium Agricultural Management and

Geograpich Information System, Program Studi Teknik Pertanian, Fakultas
Teknologi Pertanian, Universitas Andalas, Padang.
III.2 Bahan dan Alat
Alat yang akan digunakan ialah komputer dengan software ArcSWAT, ArcGIS
10.2, dan Microsoft Office 2016.
Bahan yang dibutuhkan dalam penelitian ini ialah berupa sekunder 2 tahun
terakhir, yang meliputi :
1. Data curah hujan harian

2. Data klimatologi
a. Temperatur
b. Kecepatan angin
c. Kelembapan relatif
d. Radiasi matahari
3. Data debit harian
4. Data jenis tanah (DAS Air Dingin : jenis tanahnya aluvial, andosol,
latosol, organosol dan regosol)
5. Peta Digital Elevation Model (DEM) resolusi 30 m
6. Peta jenis tanah
7. Peta penggunaan lahan
8. Peta DAS Air Dingin
11
III.3 Metode Penelitian
III.3.1 Pengumpulan Data

Data sekunder yang dikumpulkan diantaranya data curah hujan harian,
data klimatologi, data debit harian, peta penggunaan lahan, peta DEM, peta jenis
tanah, dan data jenis tanah yang didapat dari instansi-instansi terkait.
III.3.1 Penginputan Data

Adapun data yang dibutuhkan dalam model SWAT diantaranya yaitu,
1. Tipologi Geofisik DAS
Parameter yang dibutuhkan model SWAT terdiri dari karakteristik DAS
(saluran sungai), iklim, tanah, tutupan lahan. Setiap parameter tersebut terdiri
dari nilai-nilai dan data spasialnya. Peta spasial yang diinput ke dalam model
SWAT sudah harus dalam proyeksi Universal Transverse Mercator (UTM).
2. Karakteristik DAS
Data karaktristik DAS di antaranya terdiri dari data lebar sungai,
kedalaman sungai, kemiringan lereng, dan panjang lereng dibangkitkan
melalui peta Digital Elevation Model (DEM) yang diinputkan pada saat
menjalankan model SWAT. Peta DEM dapat diperoleh dari peta SRTM
(Shuttle Radar Thematic Mapper) yang dikeluarkan oleh Badan Geologi
Amerika Serikat (USGS), peta ASTER, ataupun dari peta kontur.
3. Iklim
Data iklim yang menjadi input dalam model SWAT adalah data harian
yang terdiri dari data curah hujan (mm), temperatur udara maksimum dan
minimum (0C), radiasi sinar matahari (MJ/m2/hari), kelembaban udara (%) dan
kecepatan angin (m/detik), kesemuanya dalam periode harian.
Data iklim yang telah terkumpul selanjutnya disusun ke dalam format
yang diminta model SWAT, baik itu dalam format teks ataupun database file,
tergantung pada versi interace GIS yang digunakan. Selain iu, data-data
tersebut akan digunakan untuk membangun pembangkit iklim (Weather
Generator) yang berfungsi untuk mengisi data-data yang hilang. Data
pembangkit iklim diinput ke dalam model melalui menu Edit SWAT Input.
12
Informasi lain yang dibutuhkan adalah daftar stasiun iklim yang di dalamnya
terdiri dari nama stasiun, titik koordinat dan elevasi setiap stasiun yang ada
dilokasi kajian.
4. Tanah
Informasi umum dan data perlapisan tanah disiapkan pada format
Microsoft Database Access atau langsung diinput nilai-nilai tersebut kedalam
ArcSWAT. Selain itu, perlu juga disiapkan peta spasialnya dimana atributnya
hanya terdiri dari identitas (Value) dan nama tanah (Name) saja. Setiap ID dan
nama tanah akan terhubung secara otomatis dengan database access pada saat
model SWAT dijalankan.
5. Tutupan dan Pengelolaan Lahan
Peta penggunaan lahan disesuaikan dengan tutupan lahan pada wilayah
penelitian begitupun dengan database SWAT juga diseuaikan kode penggunaan
lahannya agar dapat dibaca SWAT ketika pengolahan dilakukan.
III.3.2 Pengolahan Data

Metode penelitian ini menggunakan SWAT sebagai landasan dalam
permodelan DAS. Running model merupakan cara yang dilakukan untuk
permodelan pada kawasan DAS Air Dingin. Model diuji-validasinya dengan cara
pengkalibrasian dan verifikasi output di Stasiun Pengamatan Aliran Sungai yang
berada dalam kawasan DAS Air Dingin. Input (masukan) untuk weather
generator menggunakan data iklim dan data hujan dari 3 stasiun hujan (Stasiun
Koto Tuo, Stasiun Kasang, dan Stasiun Gunung Nago) dan stasiun klimatologi
yang tersebar di kawasan DAS Air Dingin.
Tahapan aplikasi permodelan dilakukan sebagai berikut, di antaranya :

1. Persiapan, semua alat dan bahan penelitian sudah harus tersedia dan cukup
untuk melakukan permodelan DAS. Data curah hujan dan data klimatologi
disediakan dalam database, mengikuti format yang telah diatur, sebagai
masukan model.
2. Proses input output, running (menjalankan) model SWAT
13
a. Watershed deliniation, proses ini membentuk sekat atau mengartikan

DAS yang dimodelkan. Kegiatannya meliputi set up DEM, stream dan
watershed definition.
b. HRU analysis, kegiatan yang melakukan tumpang susun peta
penggunaan lahan, kelerengan dan tanah untuk mendefenisikan HRU’s
(Hydrologic Respon Units) dalam wilayah DAS yang dimodelkan.
c. Write input tables, kegiatan ini memuat proses pengisian nilai input
masukan model diantaranya weather definition. Kegiatan ini penting
sekali untuk proses selanjutnya. Jika kegiatannya berjalan dengan
lancar dan berhasil maka akan berlanjut ke langkah selanjutnya.
SWAT Simulation, pada kegiatan inilah running model dijalankan sehingga

akan dapat diperhatikan luaran permodelan pada wilayah DAS Air Dingin.
III.3.3 Analisis SWAT
a. Validasi
Validasi adalah suatu proses yang terdapat dalam model dan digunakan untuk
melakukan kegiatan uji tingkat keberlakuan model terhadap luarannya atau
disebut validasi output. Kalibrasi dan verifikasi terhadap data debit (m3/dt)
sebagai luaran model merupakan cara yang dilakukan untuk kegiatan validasi.
Validasi output melalui kalibrasi dan verifikasi ialah kegiatan interaktif dimana
nilai parameter model optimal dapat diperoleh, sehingga beberapa variabel
pengontrol model yang telah diverifikasi menghasilkan luaran sesuai kriteria yang
ditetapkan. Dalam proses tersebut menggunakan kriteria statistik dan grafis yang
digunakan untuk menetapkan tingkat keakuratan dan ketelitian model dalam
memperkirakan luaran proses yang dilakukan terhadap luaran yang diamati.
Kriteria statistik yang digunakan, yaitu,
1. R2 (coefficient of determination), yaitu perbandingan dari keseluruhan varian

dalam data yang diamati sehingga dapat dirincikan oleh model. Nilainya
berentang antara 0,0 sampai 1,0. Nilai yang lebih besar bermakna model lebih
baik dalam berkinerja dan batas minimal nilai yang diterima yaitu 0,5.
14
n 2
R= 2
[√ ∑ ( Qobs ,i−Q́obs ,i )( Q cal ,i−Q́ cal ,i )

n
i=1
2
n
∑ ( Q obs, i−Q́obs ,i ) ∑ ( Qcal , i−Q́cal ,i )

i=1 i=1
2
] ........................... (1)
Keterangan :
Q-obs,i : debit observasi rata-rata (m3/dt)

Qcal,i : debit hasil simulasi (m3/dt)
Qobs,i : debit observasi (m3/dt)
Q-obs,i : debit simulasi rata-rata (m3/dt)
R2 ialah rasio variabilitas nilai simulasi dengan variabilitas nilai observasi.

Fungsi umum dari R2 ialah sebagai informasi tentang kesesuaian pola suatu
model. Dikatakan adanya pola hubungan yang erat antara hasil perkiraan model
dengan hasil observasi lapangan ialah ketika R2 mendekati 1.
2. NSE (Nash-Sutclife Efficiency), menentukan seberapa baik plot dari observasi

(nilai terukur) dibandingkan dengan nilai perkiraan-simulasi sama dengan garis
1:1, kisaran nilainya dari tak hingga ke 1. Dimana, semakin tinggi nilai NSE,
berarti lebih baik kinerja model.
NS=1−
[ ∑ ( Q obs, i−Q́cal ,i ) 2
i=1
n
∑ ( Qobs ,i−Q́ 0 bs, i )

i=1
2
] ..........................................................................(2)
Keterangan :
Qcal,i : Debit hasil simulasi (m3/s)
Qobs,i : Debit observsi (m3/s)
Q́ obs ,i : Debit observasi rata-rata (m3/dt)
Q́cal , i : Debit simulasi rata-rata (m3/s)

15
Kriteria grafis, dipaparkan dalam model diagram pencari debit terukur

(observasi) dan perkiraan (luaran model).
Ketentuan nilai yang dipakai dalam melakukan validasi ialah koefisien
determinasi (R2) dan Nash-Sutclife Index (NSI). Validasi dilakukan dengan
mempertimbangkan nilai NS. Suatu model dianggap valid jika keadaan nilai
NS≥0,36. Jika nilai NS yang didapatkan kecil dari 0,36 maka perlu dilakukan
kalibrasi. Kalibrasi dilakukan dengan mengubah beberapa nilai parameter
rekomendasi ArcSWAT yang akan mempengaruhi nilai dari debit hasil simulasi.
Tabel 1. Klasifikasi nilai NS
Nilai NS Kategori
NS≥0,75 Baik (Sangat Memuaskan)
0,36≤NS<0,75 Memuaskan
NS<0,36 Kurang Memuaskan
Sumber: Nash-Sutcliffe (1970)
Dalam simulasi, lebih dari 500 parameter yang digunakan pada model SWAT.
Tetapi, karena adanya keterbatasan waktu dan data, tidak seluruhnya parameter
tersebut dapat digunakan. Pemilihan parameter yang dominan dilaksanakan
hingga didapatkan output yang mendekati keadaan sebenarnya.
3. Pesentase Perbandingan
Persentase nilai observasi dengan nilai simulasi sangat penting dilakukan
untuk menentukan kelayakan dari data yang didapat, dimana rumusnya sebagai
berikut :
NilaiObservasi
% Perbandingan= x 100% ………… (3)
Nilai Simulasi
Keterangan :
Nilai Observasi : Nilai debit data lapangan
Nilai Simulasi : Nilai debit yang didapatkan dari pengolahan
Adapun grafik pola aliran debit observasi dapat dilihat pada Gambar.1
16
Observasi
18.00
16.00
14.00
12.00
Debit m3/detik
10.00
8.00 Observasi
6.00
4.00
2.00
0.00
17 r-17 -17 l-17 -17 -17 -18 r-18 -18 l-18 -18 -18
n- y Ju p v an ay Ju Sep Nov
Ja Ma Ma Se No J a
M M
Gambar. 1 Grafik Debit Observasi

b. Kalibrasi
Kalibrasi pada suatu model haruslah dilakukan agar didapatkan nilai
ketepatan model, validasi data dan kesamaan pengolahan data menggunakan
model dengan perbandingan data di lapangan baik struktur, parameter ataupun
variabel untuk memperbaiki nilai simulasi yang akan dibandingkan (Ahl et al.,
2008).
Neitsch et al. (2004) berpendapat bahwa untuk melihat kedekatan nilai debit
simulasi dan debit observasi (debit terukur) dilakukan dengan kalibrasi. Dimana
kalibrasi dilakukan dengan mengubah beberapa parameter yang ada sehingga hasil
yang didapatkan nantinya mendekati data real. Kalibrasi suatu model, apapun
model yang digunakan, penting dilakukan. Hal ini terhubung dengan ketepatan
model dalam memberikan deskripsi terhadap proses yang nyatanya di lapangan.
Apabila hasil model telah memberikan deskripsi yang baik terhadap hasil
observasi maka hasil model tersebut dapat digunakan untuk analisis berikutnya
dan untuk simulasi perencanaan yang dibutuhkan. Model telah cukup baik apabila
debit hasil model mempunyai kesamaan dengan debit hasil model. Kalibrasi pada
umumnya dilaksanakan terhadap masukan model baik parameter, struktur maupun
variabel (Juknis BPDASHL Agam Kuantan, 2015).
Dalam tahap kalibrasi diperlukan parameter-parameter sensitif untuk setiap
DAS agar kevalitan dari data dapat tercapai sehingga hasil yang didapatkan
mendekati data real. Adapun parameter-parameter sensitif untuk setiap DAS
17
berbeda-beda tetapi pada umumnya bisa saja terdiri dari beberapa parameter
seperti pada tabel 2.
Tabel 2. Parameter Data Akhir Sesuai Model SWAT
Parameter Simbol general management
Bilangan kurva aliran permukaan CN2
Konduktivitas hidrolik efektif CH_K(1)
Kadar air tersedia AWC
Konstanta aliran dasar ɑBF
Kekasaran saluran utama CH_N(2)
Kekasaran permukaan OV_N
Surfaces runoff lag koefficient Surlag
Waktu tunda terjadinya Recharge akuifer gw_delay
Maksimum potensial LAI
Faktor kompensasi serapan tanaman ET/SW
Faktor kompensasi dan evaporasi tanah ESCO
Sumber: Juknis BPDASHL Agam Kuantan (2015)
Adapun langkah-langkah yang perlu dilakukan dalam kalibrasi yaitu,

1. Menyandingkan data debit hasil model dengan data hasil observasi untuk
mengetahui kemiripan polanya.
2. Tentukan nilai keakuratan model memperkirakan debit dengan fungsi
objektif. Metode Nash-Sutcliffe adalah salah satu fungsi objektif yang
dapat digunakan (Ahl et al., 2008).
Σ ( y − ŷ )2
NS = 1 – ( 2
¿ .............................................................................. (4)
Σ ( y− ȳ )
Σ ( Q−Q 1 )2
2
¿
ŷ Σ ( Q−Q 2 )
Dimana y adalah debit aktual yang terukur (mm), ŷ adalah debit hasil
simulasi (mm), dan ȳ adalah rata-rata debit terukur. Efisiensi model Nash-
Sutcliffe dikelompokkan atas 3 kelas yaitu baik jika NS > 0.75,
memuaskan jika 0.75 > NS > 0.36, dan kurang memuaskan jika NS< 0.36.
3. Apabila belum terlihat kemiripan maka proses kalibrasi dilakukan
berdasarkan pada debit yang dihasilkan model.
4. Melalui pola tersebut bisa dijustifikasi parameter yang sangat
mempengaruhi hasil model.
18
5. Mulai proses kalibrasi dengan memilih parameter yang akan digunakan

selama proses kalibrasi dan pilih metode yang akan digunakan.
6. Lakukan proses running untuk menjalankan model kembali.
7. Tampilkan kembali data debit observasi vs debit model hasil kalibrasi,
dan hitung kembali nilai NS. Apabila nilai NS telah masuk kategori
sedang, maka proses kalibrasi bisa dianggap selesai, atau jika ingin nilai
NS menjadi baik, maka kalibrasi dapat dilanjutkan dengan cara yang sama
tetapi dengan mempertimbangkan parameter yang sensitif lainnya.
Lakukan validasi kembali untuk menguji parameter yang telah dikalibrasi.
19
III.4 Diagram Alir Penelitian

Adapun Diagram Alir Penelitian bisa dilihat pada Gambar 2.
Mulai
Peta Peta Peta Data Data

DEM Penggunaa Jenis Klimatologi curah
n Lahan Tanah hujan
Delinisasi DAS Karakteristik Analisis

penggunaan Hidrologi DAS
lahan dan tanah
Pembentukan
HRU Penggabungan HRU dan
data Hidrologi DAS
RUN Model SWAT
Output Model
Validasi
Tidak Kalibrasi
dengan
Ya
Model SWAT yang
Valid
Selesai
Gambar 2. Diagram Alir Penelitian
20
IV. HASIL DAN PEMBAHASAN
IV.1 Gambaran Umum Daerah Penelitian

Secara geografis, Daerah Aliran Sungai (DAS) Air Dingin merupakan salah
satu DAS yang Terletak pada 0̊ 45’ - 0̊ 55’ Lintang Selatan dan 100̊ 20’ - 100̊ 30’
Bujur Timur yang berada pada ketinggian 0 – 1808 mdpl, dimana luas wilayahnya
ialah 11379,69 ha dan panjang sungai utama sebesar 27,8 km. DAS Air Dingin
berada pada Kecamatan Koto Tangah yang langsung bermuara ke laut. Dilihat
dari gambaran topografi Wilayah DAS Air Dingin adalah datar, agak curam dan
curam dengan persentase kemiringan lahan 0 – 50%. Adapun batas – batas pada
wilayah DAS Air Dingin diantaranya ialah, Sebelah barat berbatasan langsung
dengan Samudera Hindia, sebelah selatan berbatasan dengan DAS Kuranji,
sebelah timur berbatasan dengan kabupaten Solok, dan sebelah utara berbatasan
dengan DAS Batang Kandis. Adapun luas DAS Air Dingin Bisa dilihat pada
Tabel 3.
Tabel 3. Sub DAS Air Dingin
Sub DAS Nama Sub DAS Luas (ha) Luas(%)

1 SubDAS Air Tiris 863.37 7.59
2 SubDAS Kacepong 687.42 6.04
3 SubDAS Sungai Abu 1142.55 10.04
4 SubDAS Batang Sako 74.61 0.66
5 SubDAS Bandar Ciput 2240.91 19.69
6 SubDAS Setapung 645.75 5.67
7 SubDAS Batang Air Dingin 86.49 0.76
8 SubDAS Air Tanggung 1115.01 9.80
9 SubDAS Koto Tuo 1907.64 16.76
10 SubDAS Sungai Latung 2084.76 18.32
11 Sub DAS Muaro Panjalinan 531.18 4.67
Luas 11.379,69 100
Sumber: Hasil Analisis (2019)
Dilihat dari sumbernya, DAS Air Dingin bersumber dari beberapa Sub DAS
yang berada di bagian hulu sungai di antaranya Sungai Latung, Batang Sako,
Sungai Abu, Sungai Kacepong, Sungai Air Tiris, dan DAS Air Dingin merupakan
sungai utama, dimana pertemuan dari beberapa anak sungai tersebut terdapat pada
wilayah Lubuk Minturun Kecamatan Koto Tangah Kota Padang.
21
Adapun peta DAS Air Dingin bisa dilihat pada Gambar 3.
Gambar 3. Peta Lokasi Penelitian

Sumber : Hasil Analisis (2019).
IV.1.1 Penggunaan Lahan
Pada proses hidrologi, jenis penggunaan lahan yang terjadi pada suatu DAS
sangat berpengaruh di wilayah DAS tersebut. Menurut Asdak (2002) dan
Triatmodjo (2009) kegiatan tata guna lahan yang bersifat mengubah bentang lahan
dalam suatu DAS seringkali dapat mempengaruhi hasil air, terutama pengelolaan
vegetasi dimana hutan sebagai regulator mempengaruhi waktu dan penyebaran
aliran air.
Pada DAS Air Dingin, penggunaan lahan tahun 2018 terdiri dari lima jenis
tutupan lahan, diantaranya ialah hutan hijau (62,74%), semak/ belukar (15,85%),
Pemukiman (8,45%), lahan pertanian (7,92%), dan tegalan (5,04%). Berdasarkan
hasil analisa yang didapatkan, penggunaan lahan pada DAS Air Dingin
didominasi oleh hutan hijau sebesar 62,74% (7.139,61 ha) dari total luas lahan
11.379,69 ha. Perbandingan penggunaan lahan disajikan pada Tabel 4 dan
Gambar 4. berikut.
Tabel 4. Penggunaan Lahan DAS Air Dingin
No Kode Penggunaan Lahan Luas (ha) Luas (%)
22
1 FRSE Hutan hijau 6.925,42 70,85

2 FRST Semak/belukar 1.749,56 13,37
3 URMD Perumahan 932.73 6,19
4 WETL Tegalan 356.32 2,13
5 RICE Lahan pertanian 900,75 5,91
6 WATR Badan Sungai 514,91 4,52
Total 11.379,69 100
Adapun Peta Penggunaan Lahan DAS Air Dingin bisa dilihat pada Gambar 4.
Gambar 4. Peta Penggunaan Lahan

IV.1.2 Kondisi Tanah
Karakteristik tanah pada wilayah DAS Air Dingin di kelompokkan menjadi
5 Jenis Tanah berdasarkan FAO 1974, dari database HWSD (Harmonized World
Soil Databae). DAS Air Dingin diklasifikasikan dan dapat dilihat pada Tabel 5.
dan peta jenis tanah yang bisa dilihat pada Gambar 5.
Pada Gambar 5 dapat dilihat bahwa di wilayah DAS Air Dingin terdapat 5
jenis tanah berdasarkan data HWSD. Sistem klasifikasi tanah FAO atau yang
lebih dikenal dengan satuan tanah FAO dibangun pada tahun 1974 dalam rangka
penyusunan peta tanah dunia skala 1:5.000.000 oleh FAO/UNESCO (Subardja
dkk., 2014). Data tekstur tanah berdasarkan persen pasir, liat, lempung, karbon
23
organik tanah, dan PH tanah tersedia dalam database HWSD. Data tanah akan
sempurna apabila dilengkapi dengan SPAW model dengan menginputkan data
tekstur tanah sehingga akan keluar hasil output field capacity, saturation,
available water, saturated hydraulic conductivity dan bulk density.
Tabel 5. Klasifikasi Jenis Tanah DAS Air Dingin
No Jenis Tanah Luas (ha) Luas
Presentase
dari DAS
(%)
1 Aluvial 1832.96 16.10
2 Andosol 1296.99 11.39
3 Latosol 5599.06 49.20
4 Organosol 1309.20 11.50
5 Regosol 1341.46 11.78
Total 11.379,69 100
Adapun peta jenis tanah DAS Air Dingin bisa dilihat pada Gambar 5.
Gambar 5. Peta Jenis Tanah

Pada aliran permukaan dan laju infiltrasi suatu DAS, hal yang sangat
berperan ialah jenis tanah. Tinggi rendahnya aliran permukaan dan laju infiltrasi
pada suatu DAS sangat dipengaruhi oleh kualitas sifat fisik atau jenis tanahnya.
24
Laju infiltrasi yang terjadi akan lambat apabila tanah yang terdapat pada lahan
yang bentuk kenampakannya berupa tanah padat, karena partikel – partikel tanah
sangat rapat sehingga pori – pori tanah akan tertutup serta mengakibatkan air yang
masuk ke pori – pori tanah menjadi lambat sehingga nilai laju infiltrasi yang di
timbulkan tidak terlalu besar. Hal ini tentu berkaitan dengan proses hidrologi yang
terjadi sehingga nilai dari infiltrasi mempengaruhi waktu atau proses dari siklus
hidrologi.
IV.1.3 Kemiringan Lereng
Pada saat terjadi hujan sangat besar, daerah dengan tingkat kemiringan yang
sedikit curam bisa mengakibatkan air akan mengalami potensi runoff. Air yang
berada pada tingkat kemiringan lahan yang semakin curam akan diteruskan
ketempat yang lebih landai dan berlanjut ketempat yang rendah lebih cepat
dibandingkan dengan lahan yang tingkat kemiringannya sedang sampai lahan
yang tingkat kemiringannya datar (kecil). Dengan demikian, dapat diartikan
bahwa faktor kemiringan lereng sangat mempengaruhi besarnya debit yang
keluar pada outlet sungai.
Peta DEM (Digital Elevation Model) digunakan untuk membuat peta
kemiringan lereng pada DAS Air Dingin. Sehingga, kemiringan lahan yang ada
pada DAS Air Dingin dapat dikelompokan menjadi 5 kelas lereng diantaranya
ialah datar, landai, curam, agak curam dan sangat curam. Kondisi kemiringan
lereng pada DAS Air Dingin sendiri dapat dilihat pada Tabel 6, serta peta
kemiringan lereng pada Gambar 6.
Tabel 6. Kemiringan lereng DAS Air Dingin
Kemiringan (%) Kelas Luas (ha) Luas Presentase
dari DAS (%)
0-8 Datar 256.17 2.25
8 - 15 Landai 861.51 7.57
15 - 25 Agak Curam 1820.77 16.00
25 - 45 Curam 4165.54 36.61
> 45 Sangat Curam 4275.67 37.57
Total 11.379,69 100
Berdasarkan Tabel 6. dapat dilihat kemiringan lereng DAS Air Dingin pada
persentase 2,25% terdapat pada kelas datar, 7,57% terdapat pada kelas landai,
16% terdapat pada kelas agak curam, 36,61% terdapat pada kelas Curam, 37,57%
25
terdapat pada kelas sangat curam. Dengan demikian, dapat diambil kesimpulan
bahwa secara umum DAS Air Dingin memiliki kemiringan lereng yang
didominasi oleh kelas lereng curam dan sangat curam yang jika dijumlahkan
mencapai 74,18 % dari luas DAS Air Dingin. Hal ini menunjukkan bahwa DAS
Air Dingin berada pada kawasan agak tinggi diatas permukaan laut dan DAS Air
Dingin sendiri mempunyai outlet langsung ke laut.
Adapun Peta kemiringan lereng DAS Air Dingin dapat dilihat pada Gambar 6.
Gambar 6. Peta Kemiringan Lereng

IV.2 Analisis Menggunakan Model SWAT

IV.2.1 Simulasi SWAT
SWAT mengolah berbagai data masukan yang digunakan untuk
mensimulasikan debit sungai keluaran yang menyesuaikan keadaan sebenarnya
dilapangan. Data-data masukan tidak semua dapat dipenuhi untuk simulasi sub
DAS Air Dingin, karena kurangnya data-data hasil konservasi di lapangan yang
dilakukan oleh balai DAS maupun peneliti. Data-data yang tidak dapat terpenuhi
seperti data landuse lokal dan tanah lokal, disesuaikan dengan data jenis landuse
global yang diperkirakan mendekati jenis landuse lokal. Data landuse global telah
26
tersedia dalam database SWAT dalam bentuk Microsoft acces (mwswat.mdb)

yang telah terintegrasi dalam software SWAT.
SWAT yang digunakan dalam penelitian ini adalah SWAT 1.4, simulasi
SWAT 1.4 terdiri dari 4 tahap yaitu, pembentukan batas deliniasi, pembentukan
hidrogical respone unit (HRU), SWAT mengolah data dan mensimulasikannya
serta menampilkannya.
IV.2.1 Deliniasi DAS

Pada proses ini, DAS akan terbagi menjadi beberapa SubDas dimana setiap
Sub DAS akan memiliki satu aliran sungai utama (reach) dan outlet Air Dingin
adalah pertemuan semua aliran sungai. Pembentukan batas DAS dibentuk
berdasarkan topografi yang terbaca peta DEM, dan mensimulasikan suatu aliran
sungai dari Sub DAS ke Sub DAS berikutnya dan kemudian aliran sungai akan
menuju output yang telah ditentukan.
Pada proses deliniasi DAS dimulai dengan menggunakan peta DEM
(Digital Elevation Model) SRTM resolusi 30x30 m, peta batas DAS dan koordinat
titik oulet pengukuran debit. Pembentukan batas DAS ditentukan berdasarkan
topografi yang terbaca pada DEM, sehingga SWAT akan membentuk batas
DAS pada peta DEM, dan mensimulasikan suatu aliran sungai dari sub DAS ke
sub DAS berikutnya, serta aliran sungai akan menuju output yang telah
ditentukan. Kemudian tentukan besar range pada kolom cels dan satuan. Semakin
kecil memasukkan nilai pada kolom cels makan akan semakin banyak jumlah
sungai dan Sub DAS yang terbentuk. Pada pemasukan data terakhir merupakan
penentuan letak output, diletakkan pada daerah Air Dingin.
DAS akan terbagi menjadi beberapa Sub DAS dimana setiap sub DAS akan
memiliki satu saluran outlet utama. Aliran dari semua sub DAS akan bertemu
pada satu outlet sungai. Proses deliniasi harus memastikan menentukan satu unit
elevasi yaitu dengan satuan meter. Hasil yang didapatkan dari deliniasi dengan
menggunakan peta DEM ini membagi wilayah DAS Air Dingin menjadi 11 Sub
DAS dengan total luasan 11.379,69 ha dan bisa dilihat pada Tabel 5. serta hasil
proses deliniasi DAS Air dingin bisa dilihat pada Gambar 7.
27
Adapun hasil proses dari Deliniasi DAS Air Dingin menggunakan aplikasi
ArcSWAT bisa dilihat pada Gambar 7.
Gambar 7. Hasil Deliniasi DAS Air Dingin Menggunakan ArcSWAT

Pada keluaran gambar hasil pembagian Sub DAS Air Dingin terlihat ada
beberapa Sub DAS yang terbentuk dengan satu aliran sungai, yang berwarna
hijau menunjukan batas DAS Air Dingin hasil Delineasi sedangkan yang
berwarna ungu menunjukkan batas Sub DAS Air Dingin. Aliran sungai
ditunjukan oleh garis berwarna biru.
IV.2.2 Pembentukan HRU (Hydrologic Response Unit)

Pada proses pembentukan HRU, SWAT akan membaca LANDUSE_ID dan
SOIL_ID yang telah ditambahkan oleh SWAT pada peta raster landuse dan tanah
serta pada tahap ini slope juga dimasukkan. Pada proses pembentukan HRU, hasil
deliniasi akan diberi penomoran sehingga SWAT akan mensimulasikan HRU
yang akan terbentuk pada masing-masing Sub DAS. HRU adalah unit analisis
terkecil dalam model SWAT yang dihasilkan dari tumpang tindih antara peta
tanah, tutupan lahan dan kelas lereng. Proses ini dilakukan dengan
28
menggabungkan (Overlay) beberapa peta menjadi satu diantaranya ialah peta

penggunaan lahan, peta jenis tanah serta kemiringan lereng.
Data penggunaan lahan yang digunakan terdapat pada Tabel 5. Adapun data
jenis tanah dan data kemiringan lereng dapat dilihat pada Tabel 6 dan 7. Informasi
dari penggunaan lahan, jenis tanah, kemiringan lahan, luas area dan presentase
luas HRU pada setiap sub DAS dapat dilihat dari hasil pembentukan HRU yang
memberikan informasi mengenai hal tersebut. Pada deliniasi DAS Air Dingin,
sebanyak 72 HRU dalam 11 sub DAS jumlah HRU terbentuk. HRU yang
terbentuk dalam setiap sub DAS disajikan dalam Lampiran 1.
IV.2.3 Pengolahan Data Iklim

Semua data iklim diolah dan disimulasikan untuk menghasilkan keluaran
(output) berupa debit hasil simulasi pada tahapan ini. SWAT membutuhkan data
iklim berupa file harian .pcp dan file .tmp yang diperoleh dari stasiun iklim
(weather station) sedangkan untuk data kecepatan angin dan radiasi surya didapat
dari file weather generator yang berisi data rata-rata tahunan dari curah hujan,
temperatur, penyinaran matahari, kecepatan angin, dan titik embun dari stasiun
iklim, dimana proses ini dilakukan untuk mendapatkan keluaran debit bulanan
hasil simulasi. Dimana output debit (FLOW_OUT) akan dibandingkan dengan
hasil dilapangan (debit observasi), dan dilihat tingkat kesamaan hasil simulasi dan
lapangan.
Pada penggunaan aplikasi model SWAT, data iklim yang dikhususkan
berdasarkan data iklim tahun 2017 dan 2018 yang terdiri dari data curah hujan
(rainfall data), data kecepatan angin (Wind Speed Data), data radiasi matahari
(Solar Radiation), data temperatur (Temperature Data), dan data kelembaban
(Relative Humudity). Stasiun klimatologi yang digunakan adalah 3 stasiun
terdekat dengan DAS Air Dingin, di antaranya ialah stasiun Gunung Nago,
Kasang dan Koto Tuo.
Menggunakan aplikasi ArcSWAT, proses simulasi yang dilakukan ialah
dengan memasukkan data iklim DAS Air Dingin kedalam data WGN (Weather
Generator). Dimana, data WGN yang harus diolah dengan menggunakan panduan
Software di antaranya ialah data temperatur maksimum dan minimum rata-rata
bulanan, nilai standar deviasi untuk temperatur maksimum dan minimum, nilai
29
curah hujan, nilai curah hujan rata-rata, nilai standar deviasi curah hujan, Jumlah
hari hujan, nilai curah hujan maksimum, nilai probabilitas hari kering ke hari
basah dan hari basah ke hari kering, nilai kelembaban relatif serta nilai kecepatan
angin.
Setelah data iklim selesai dimasukan, kemudian dikondisikan data keluaran
yang diinginkan. Pada penelitian ini data keluaran berupa data bulanan dan
pembacaan semua file. Data yang telah diinputkan dan dikondisikan sesuai yang
diinginkan, kemudian dilakukan pembacaan file dengan write file, setelah dibaca
kemudian disimulasikan dengan run SWAT hingga hasil simulasi didapatkan.
IV.2.4 Simulasi SWAT

Gambaran keadaan debit hasil simulasi dengan debit observasi DAS Air
Dingin dapat dilihat pada tahapan simulasi SWAT setelah dilakukannya
penggabungan data HRU dan data iklim. Adapun output dari hasil simulasi
SWAT ini ialah data debit DAS Air Dingin. Debit simulasi maksimum diperoleh
berdasarkan hasil visualisasi yaitu sebesar 8,4943 m3/dt, dengan debit minimum
sebesar 2,59645 m3/dt dan debit rata-rata sebesar 5,2620 m3/dt.
Dilihat dari perbandingan data antara simulasi dan observasi, nilai efisiensi
Nash-Sutcliffe (NS) yang didapatkan yaitu 0,12 dan nilai koefesien determinansi
(R2) yang diperoleh adalah 0,40. Nilai yang diperoleh dari hasil model simulasi
dan observasi tersebut dikatakan masuk dalam kriteria “kurang memuaskan”
dalam kriteria pengelolaan DAS. Menurut Nash-Scutliffe (1970) jika nilai
NS>0.75 maka simulasi bisa dikatakan baik, jika 0.36 < NS < 0.65 maka simulasi
dikatakan memuaskan, serta dikatakan kurang memuaskan jika NS <0.36. Oleh
sebab itu, proses kalibrasi sangat diperlukan agar validitas yang didapatkan bisa
diterima. Hasil simulasi debit dengan pendugaan model SWAT sebelum kalibrasi
dan validasi dapat dilihat pada Gambar 8 dan Gambar 9.
30
18
16
14
Debit m3/detik 12
10
8
6
Simulasi
4
Observasi
2
0
17 r-17 -17 l-17 -17 -17 -18 r-18 -18 l-18 -18 -18
n- y Ju p v n y Ju p v
Ja Ma Ma Se No Ja Ma Ma Se No
NSE 0.1213
Gambar 8. Grafik fluktasi debit nilai NSE sebelum kalibrasi dan validasi.
18.00
16.00
Debit Simulasi m3/detik
14.00 f(x) = 1.33 x + 3.27

12.00 R² = 0.4
10.00
8.00
6.00
4.00
2.00
0.00
2 3 4 5 6 7 8 9
Debit Observasi m3/detik
Gambar 9. Grafik fluktasi debit nilai R2 sebelum kalibrasi dan validasi.

IV.2.5 Kalibrasi
Pada model SWAT yang dilakukan pada penelitian ini, kalibrasi dan
validasi menggunakan Manual Calibration Helper yang berada di SWAT
Simulation. Pada debit hasil simulasi dan debit terukur dilapangan pada kawasan
DAS Air Dingin data yang digunakan ialah tahun 2017 dan 2018 serta dilakukan
perbandingan pada kalibrasi manual.
Pentingnya proses kalibrasi ini dilakukan terhadap model ialah untuk
menentukan parameter-parameter yang berpengaruh dalam permodelan. Adapun
perubahan yang dilakukan pada flow out atau debit simulasi bertujuan untuk
31
melihat nilai perubahan apakah mendekati atau menjauhi hasil debit observasi.
Nilai yang muncul bisa besar atau kecil. Perubahan pada hasil debit model dapat
memperkecil perbedaan antara debit simulasi dan debit observasi. Pada penelitian
ini parameter yang digunakan ialah 14 parameter masukan kalibrasi yang
diperkirakan dapat mempengaruhi hasil simulasi yang signifikan, namun
parameter yang ada dalam SWAT sangatlah banyak. Parameter yang berkaitan
dengan aliran dasar (*.gw), parameter aliran sungai (*.bsn), tanah (*.sol), saluran
utama (*.rte) dan respon hidrologi (*.hru) digunakan untuk melakukan proses
kalibrasi. Parameter dan masukan nilai akhir yang mempengaruhi hasil simulasi
yang signifikan, ialah :
1. V_Gw_Delay
Diartikan sebagai masa jeda air dalam tanah untuk kemudian kembali ke
sungai dalam beberapa hari. Gw_Delay merupakan lama waktu perjalanan air
mengalir lalu terserap ke tanah melalui profil tanah sampai kelapisan jenuh
(akuifer) kemudian keluar kembali menjadi debit dan mengalir ke sungai.
Gw_Delay sangat berpengaruh terhadap debit sungai, dimana air hujan yang
jatuh ke tanah dan kemudian sampai ke sungai dalam beberapa hari, jika jarak
atau masa jeda air hujan lambat, makan debit air di sungai pastinya rendah,
sebaliknya jika jarak atau masa jeda air hujan cepat, maka debit air sungai akan
tinggi.
Pada penelitian ini, V_Gw_Delay nilai awalnya 31 dimana nilai minimalnya 0
dan nilai maksimalnya 5000 sehingga dilakukan penurunan dari 31 menjadi 16,4
agar masa jeda air dalam tanah menjadi cepat serta nilai debit air sungai menjadi
tinggi. Nilai 16,4 dapat diartikan bahwa air yang mengalir kedalam tanah akan
mengalir kembali ke sungai menjadi debit selama 16,4 hari.
2. V_Alpha_Bf
Diartikan sebagai faktor alpha aliran dasar (hari) yang merupakan suatu
respon indek aliran bawah tanah terhadap perubahan aliran. Nilai alpha_Bf pada
awalnya bernilai 0,048 dimana nilai minimumnya 0 dan nilai maksimumnya 1.
Pada kalibrasi nilai yang dimasukan ialah 0,15 hari setara dengan 3 jam 36 menit.
32
Dimana semakin tinggi nilai aliran dasar, maka semakin rendah nilai perubahan
aliran, sehingga berpengaruh terhadap debit sungai yang menyebabkan aliran
menjadi lambat dan begitu sebaliknya.
3. R_Esco dan R_Epco

Esco diartikan sebagai faktor penguapan air tanah yang nilai awalnya 0,95
kemudian diubah menjadi 0,40. Sedangkan epco diartikan sebagai faktor
kompensasi pengambilan air tanah oleh tanaman yang nilai awalnya 1 dan diubah
menjadi 0,05. Dimana nilai minimum esco dan epco ialah 0 dan nilai
maksimumnya ialah 1.
Faktor kompensasi evaporasi tanah (Esco) dan factor kompensasi
pengambilan air tanah oleh tanaman (Epco) ditentukan oleh penggunaan
berdasarkan kemungkinan pengambilan air dari lapisan tanah paling dalam yang
akan memberikan kontribusi terhadap proses evaporasi dan transpirasi. Semakin
rendah nilai esco maka model semakin mungkin untuk mengambil air dari lapisan
tanah yang paling bawah untuk memenuhi kebutuhan evaporasi. Apabila nilai
epco mendekati 1 maka model memungkinkan tanaman untuk mengekstrak air
dari lapisan tanah paling bawah.
4. R_Rchrg_Dp
Diartikan sebagai fraksi/pecahan perkolasi air tanah. Pada kalibrasi nilai
awalnya ialah 0,05 dan diubah menjadi 0,25 dimana nilai minimumnya 0 dan nilai
maksimumnya 1.
5. R_Sol_Awc
Diartikan sebagai kapasitas air tanah tersedia (mm/jam) atau kapasitas tanah
dalam menampung air. Parameter ini digunakan untuk input data tanah yang mana
nilai awalnya ialah 0,1 dan nilai kalibrasi yang didapatkan ialah 0,85 mm/jam.
Dimana nilai minimumnya 0 dan nilai maksimumnya ialah 2000. Semakin tinggi
kapasitas air tanah tersedia semakin tinggi pengaruhnya terhadap infiltrasi dan
semakin tinggi pengaruhnya terhadap aliran permukaan serta semakin tinggi
pengaruhya terhadap debit sungai (memperbesar nilai debit sungai).
33
6. R_Revapmn
R_Revapmn merupakan kedalaman ambang air pada akuifer dangkal agar
perkolasi mencapai akuifer dalam (mm) dengan nilai kalibrasi sebesar 250 mm.
Dimana nilai awalnya ialah 750 mm dengan nilai minimum 0 dan nilai maksimum
1000 mm.
7. R_Gwqmn
R_Gwqmn merupakan batas kedalaman minimal dari akuifer dangkal untuk
memungkinkan terjadinya aliran bawah tanah dan terjadinya arus balik. Nilai
R_Gwqmn hasil kalibrasi yang didapatkan ialah 1250 mm dengan nilai awalnya
ialah 1000 mm serta nilai minimalnya 0 dan nilai maksimalnya 5000 mm
8. R_Ch_K2
Parameter ini digunakan untuk input data saluran utama yang merupakan
konduktifitas hidrolik pada saluran utama. Dimana nilai kalibrasi yang didapatkan
ialah 30 mm/jam dengan nilai awalnya ialah 0 serta nilai minimum parameter ini
ialah -0,01 mm/jam dan nilai maximumnya ialah 500 mm/jam.
9. R_Ch_N2
Parameter ini digunakan untuk input data saluran utama yang merupakan nilai
manning sungai yang berpengaruh terhadap nilai kalibrasi. Nilai R_Ch_N2 setelah
dikalibrasi didapatkan 0,1 dengan nilai awalnya ialah 0,014. Nilai minimum dari
parameter ini ialah 0 dan nilai maximumnya ialah 0,3.
10. R_Slsubbsn
Parameter slsubbsn digunakan untuk data input tanah yang merupakan
panjang lereng rata-rata dari DAS dan diperoleh nilai kalibrasi sebesar 65,50 m.
Dimana, nilai awalnya ialah 50 m dengan nilai minimumnya 10 m dan nilai
maksimumnya 150 m.
34
11. R_Surlag
Parameter surlag digunakan untuk input basin yang merupakan lama limpasan
permukaan. Nilai hasil kalibrasi surlag yang didapatkan ialah 0,5 hari yang artinya
waktu yang dibutuhkan hujan untuk terjadinya puncak aliran permukaan adalah
12 jam. Dimana, nilai awalnya ialah 20 hari dengan nilai minimum 0 dan nilai
maksimumnya ialah 24 hari.
12. R_Ch_Erod
Parameter Ch_Erod digunakan untuk input data saluran utama yang
merupakan faktor erobilitas tanah. Dimana nilai yang didapatkan setelah kalibrasi
ialah 0,5 cm/jam dengan nilai awalnya 0 serta nilai minimumnya 0 dan nilai
maksimumnya 1.
13. R_Cn2
Diartikan sebagai SCS Curve Number/bilangan kurva limpasan atau disebut
limpasan permukaan. Dimana, limpasan terjadi karena penuhnya kapasitas
infiltrasi tanah. Semakin tinggi nilai limpasan permukaan tanah, maka debit air
sungai juga semakin tinggi, begitu sebaliknya.
Nilai R_Cn2 disini awalnya bernilai -999 dimana nilai minimumnya 35 dan
nilai maksimumnya 98 sehingga nilainya dinaikan dari -999 menjadi 40 agar nilai
debit sungai menjadi tinggi dan grafiknya mendekati real.
Parameter Cn2 digunakan untuk input data pengolahan dan penutupan lahan
yang merupakan nilai koefisien limpasan. Parameter Cn2 berdampak langsung
terhadap nilai debit simulasi. Koefisien limpasan memperlihatkan persentase air
hujan yang menjadi limpasan. Semakin besar nilai koefisien limpasan, maka
limpasan yang terjadi akan semakin besar. Nilai limpasan terbaik hasil kalibrasi
model yang didapatkan adalah sebesar 40 (Arius, 2007). Hasil simulasi debit
dengan pendugaan model SWAT setelah kalibrasi dan validasi disajikan pada
Gambar 10 dan Gambar 11.
35
20
18
16
14
12
Debit m3/detik
10
8
6 Simulasi
4 Observa
2 si
0
1 7 r - 17 17 l-17 17 17 1 8 r -1 8 18 l-18 18 18
an- a ay- Ju ep- o v- an- a ay- Ju ep- ov-
J M M S N J M M S N
NSE 0.6789
Gambar 10. Grafik fluktasi debit nilai NSE setelah kalibrasi dan validasi.
18.00
16.00
Debit Simulasi m3/detik
f(x) = 0.76 x + 2.75

14.00 R² = 0.66
12.00
10.00
8.00
6.00
4.00
2.00
0.00
4 6 8 10 12 14 16 18 20
Debit Observasi m3/detik
Gambar 11. Grafik fluktasi debit nilai R2 setelah kalibrasi dan validasi.
Sumber : Hasil Analisis (2019)
Kurang sesuainya data debit observasi dan simulasi menyebabkan
rendahnya nilai R2 dan nilai NSE. Dimana nilai koefesien determinansi (R 2)
sebelum dilakukan kalibrasi menghasilkan nilai R2 sebesar 0.402 dan nilai Nash-
Sutcliffe Efficiency (NSE) sebesar 0.1213 yang artinya nilai tidak mencapai yang
seharusnya, sehingga kalibrasi dapat dikategorikan kurang memuaskan.
Seharusnya, data dari debit observasi dengan debit simulasi memiliki sebaran
yang sama.
36
Kalibrasi dan validasi perlu dilakukan untuk mendapatkan nilai yang bisa diterima
dan memiliki sebaran yang sama serta memuaskan. Setelah beberapa parameter
yang berpengaruh terhadap besar debit simulasi model dilakukan kalibrasi,
diperoleh nilai koefesien determinansi (R2) menjadi 0.663 dan nilai Nash-Scutliffe
Efficiency (NSE) menjadi 0.6789. Berdasarkan pendapat Nash-Scutliffe (1970)
jika nilai NS>0.75 maka simulasi bisa dikatakan baik, jika 0.36 < NS < 0.65 maka
simulasi dikatakan memuaskan, serta dikatakan kurang memuaskan jika NS
<0.36. Sehingga, kalibrasi dan validasi model SWAT pada penelitian ini bisa
dikatakan masuk dalam kategori memuaskan dan bisa diterima serta memiliki
nilai sebaran yang sama sekaligus bisa dikategorikan baik sebagai pedoman model
hidrologi untuk pengelolaan DAS Air Dingin.
37
V. KESIMPULAN DAN SARAN
V.1 Kesimpulan
Berdasarkan penelitian yang telah dilakukan dapat diambil kesimpulkan berikut :

1. Aplikasi model SWAT di DAS Air Dingin pada tahap awal nilai NS
didapatkan 0,1213, nilai R2 didapatkan 0,402 dengan pola grafik yang sama
bentuknya tetapi nilai antara simulasi dengan observasi berbeda.
2. Setelah dilakukan validasi, maka model termasuk kategori memuaskan dan
bisa diterima sebagai pertimbangan model hidrologi pengelolaan DAS dengan
nilai koefisien determinansi (R2) sebesar 0.663 dan Nash-Scutliffe Efficiency
(NSE) sebesar 0.6789.
3. Model SWAT yang sudah divalidasi dapat digunakan untuk memprediksi dan
merepresentasikan DAS Air Dingin sebagai bahan evaluasi sekaligus
perencanaan DAS. Analisis lebih lanjut dapat dilakukan dengan menggunakan
model SWAT.
V.2 Saran
Berdasarkan penelitian yang telah dilakukan, penulis menyarankan

bahwasannya sebelum melakukan penelitian, perlu adanya kelengkapan data
mulai dari peta, data iklim dan data pendukung lainnya, serta sebaiknya untuk
data iklim digunakan data dalam periode yang lebih lama, agar hasil dari simulasi
SWAT lebih valid dalam pengelolaan DAS Air Dingin. Penulis juga
menyarankan, perlu adanya pemilihan parameter sensitif mana saja yang bisa
membuat nilai R2 dan NSE bisa diterima serta memuaskan sesuai dengan kategori,
sehingga dapat diterima dalam pengelolaan DAS Air Dingin.
38
DAFTAR PUSTAKA
Ahl et al. 2008. Hydrologic Theory. US: Zuuring.
Arlius F. 2007. Analisis Spatio-Temporal Tutupan Lahan dan Neraca Air di Sub
DAS Cisangkuy-Citarum hulu, Jawa Barat [Disertasi]. Bandung (ID):
Universitas Padjajaran.
Arsyad S. 2006. Konservasi Tanah dan Air.Bogor: IPB Press.
Asdak C. 2007. Hidrologi dan Pengelolaan Daerah Aliran Sungai. Yogyakarta

(ID) : Gajah Mada University Press
Bari, M.A,and K. R. J. Smettem. 2006. A conceptual model of daily water

balance following partial clearing from forest to pasture. Hydrol. Earth
Syst. Sci. 10: 321–337
Grant, R.F., P. Rochette, R.L. Desjardins. 1993. Energy Exchange and Water Use
Efficiency of Field Crops: Validation of a Simulation Model. Agron. J.,
85:916 – 928
Hendri Sosiawan. 2010. Balai Penelitian Agroklimat dan Hidrologi. Diakses pada
15 November 2010 di: www.litbang.deptan.go.id.
JUKNIS BPDASHL Agam Kuantan. 2015. Pemanfaatan Model Hidrologi Dalam

Pengelolaan DAS. Jakarta: Kementerian Lingkungan Hidup dan Kehutanan
Republik Indonesia.
Kastolani W. 2007.Degradasi Lahan Sub Daerah Aliran Sungai (Sub DAS)

Citarik Hulu di Kabupaten Bandung dan Sumedang [Skripsi]. Universitas
Pendidikan Indonesia (ID) : Bandung
Kumambala, P.G and Ervine, A. 2010. Water Balance Model of Lake Malawi and
Its Sensitivity to Climate Change. The Open Hydrology Journal4: 152-162
Kurniawan, Harry. 2014. Penilaian Tingkat Kekritisan Daerah Aliran Sungai

(DAS) Batang Kuranji Kota Padang Berdasarkan Biofisik.Universitas
Andalas : Padang
Lee R.(1990). Hidrologi Hutan. Diterjemahkan Oleh Sentot Subagya. UGM Press
: Yogyakarta
Martopo, S. Dkk. 1994. Dasar-dasar Ekologi. Program Pasca Sarjana Universitas

Gadjah Mada : Yogyakarta
39
Mulyana, N. 2012. Analisis Luas Tutupan Hutan Terhadap Ketersediaan Green

Water dan Blue Water di Sub DAS Gumbasa dan Sub DAS Cisadane Hulu
Dengan Aplikasi Model SWAT. (Disertasi). Sekolah Pasca Sarjana, Institut
Pertanian Bogor.
Naibaho, Melodi. 2017. Simulasi Model ArcSWAT untuk Menganalisis Aliran

Permukaan di DAS Anai Hulu.Universitas Andalas : Padang
Nash, J. E. And suchtliffe .1970. River Flow Forecasting Throught Captual

Model. Part 1 a disscussion of principles j hydrol 282-290.
Neitsch SL, Arnold JG, Luzio MD, Srinivasan R. 2004. ArcView Interface For
SWAT2000 : User’s Guide. Texas Water Resources Institute, College
Station : Texas.
Nugroho, P. 2015. Model Soil Water Assesment Tool (SWAT) Untuk Prediksi
Laju Erosi dan Sedimentasi Di Sub DAS Keduang Kabupaten Wonogiri.
(Skripsi). Fakultas Geografi, Universitas Muhammadiyah Surakarta.
Paimin, Sukresno, dan Purwanto. 2006. Sidik Cepat Degradasi Sub-DAS. Bogor:
Badan Penelitian dan Pengembangan Kehutanan Departemen Kehutanan
Pawitan, H. 2004. Hidrologi Daerah Aliran Sungai: Teknik Pemodelan dan

Simulasi Sistem DAS. Makalah Pelatihan Agroklimatologi. Jur. Geofisika
dan Meteorologi, FMIPA IPB Bekerjasama Bagpro Peningkatan Sdm
Ditjen Dikti Depdiknas. Bogor, 14-26 Agustus 2000.
Rau, M. I. 2012. Analisis Debit Sungai Dengan Menggunakan Model SWAT

Pada DAS Cipasauran, Banten. (Skripsi). Fakultas Teknologi Pertanian,
Institut Pertanian Bogor.
Ward, A.D., and Elliot, W.I. (1995). Environmental hydrology. Lewis Publishers,
CRC Press Inc., New York.
Wismarini. Th. D. (2011). Metode Perkiraan Laju Aliran Puncak (Debit Air)
sebagai Dasar Analisis Sistem Drainase di Daerah Aliran Sungai Wilayah
Semarang Berbantuan SIG. (Jurnal) Teknologi Informasi DINAMIK
Volume 16, No.2, Juli 2011 : 124-13.2
Noah, M., Schmadel, Bethany T. Neilson, David K. Stevens, (2010). Approaches

to estimate uncertainty in longitudinal channel water balances. Journal of
Hydrology 394: 357-369.
Rafi, Z., and Ahmad, R. 2005. Wheat Crop Model Based on Water Balance for
Agrometeorological Crop Monitoring. Pakistan Journal of Meteorology
2:23-33
40
Soldevilla-Martineza, M., López-Urrea, R., Martínez-Molinab, L., Quemada, M.

dan Lizaso, J.I. (2013). Improving simulation of soil water balance using
lysimeter observations in a semiarid climate. Procedia Environmental
Sciences 19 : 534-542.
Thornthwaite, C.W. dan Matter, J.P. (1957). Instruction and tables for computing
potensial evapotranspiration and te water balance. Drexel Institute of
Climatology. New Jersey. 401p.
Zappa, M. dan Gurtz, J. (2003). Simulation of soil moisture and

evapotranspiration in a soil profile during the 1999 MAP-Rivera Campaign.
Hydrology and Earth System Sciences 7: 903-919.
41
Lampiran 1 . Peta Lokasi Stasiun klimatologi dan Curah Hujan
Sumber: Hasil analisis (2019)

42
Lampiran 2 . Peta Administrasi DAS Kota Padang
Sumber: BAPPEDALITBANG Kota Padang, 2018

43
Lampiran 3. Hasil Subbasin pada DAS Air Dingin
SWAT model simulation Date: 10/04/19 12:00:00 AM Time: 02:22:47.9088154

MULTIPLE HRUs LandUse/Soil/Slope OPTION
THRESHOLDS : 10 / 5 / 5 [%]
Number of HRUs: 72
Number of Subbasin: 11
Watershed 11379.69 [ha]
Area [ha] Watershed [%]
LANDUSE Residential-Medium
: Density --> URMD 932.7384 6.19
Forest-Mixed --> FRST 1749.5612 13.37
Wetlands-Mixed--> WETL 356.3245 2.13
Rice --> RICE 900.7587 5.91
Forest-Evergreen --> FRSE 6925.4269 70.85
Water --> WATR 514.9123 4.52
Aluvial 5599.0601 49.20
SOILS: Andosol 1832.9612 16.10
Latosol 1296.9925 11.39
Organosol 1341.4681 11.78
Regosol 1309.20 11.50
0-8 756.1750 2.25
SLOPE: 8-15 1361.5195 7.57
15-25 1820.5195 16.00
25-45 4165.5408 36.61
45-9999 3275.6796 37.57
Area [ha] SWAT Sub

Area Area
[%] [%]
SUBBASIN 1 863.3700 7.59
LANDUSE Forest-Evergreen --> FRSE 862.3319 7.58 99.88
: Andosol 46.9985 0.41 5.44
SOILS: Latosol 815.3334 7.16 94.44
0-8 22.7762 0.20 2.64
SLOPE: 8-15 58.2962 0.51 6.75
15-25 147.8645 1.30 17.13
25-45 343.9024 3.02 39.83
45-9999 289.4926 2.54 33.53
44
Lampiran 3. Lanjutan
Area [ha] SWAT Sub
Area Area
[%] [%]
HRUs
1 Forest-Evergreen-->FRSE /Andosol/25- 13.5877 0.12 1.57
45
2 Forest-Evergreen --> FRSE/Andosol/45- 19.7301 0.17 2.29
9999
25
15
5 Forest-Evergreen --> FRSE/Latosol/45- 277.6255 2.44 32.1
9999
6 Forest-Evergreen --> FRSE/Latosol/8-15 56.8060 0.50 6.58
45
25
Area [ha] SWAT Sub

Area Area
[%] [%]
SUBBASIN 2 687.4200 6.04
: Latosol 687.0818 6.04 99.95
SOILS: 0-8 12.0208 0.11 1.75
SLOPE: 8-15 39.9487 0.35 5.81
15-25 126.8055 1.11 18.45
25-45 270.5125 2.38 39.35
45-9999 237.7943 2.09 34.59
HRUs
9999
25
45
45
Area [ha] SWAT Sub
Area Area
[%] [%]
SUBBASIN 3 1142.550 10.04
: Latosol 1142.876 10.04 100.0
SOILS: 0-8 12.6534 0.11 1.11
SLOPE: 8-15 31.0913 0.27 2.72
15-25 73.2092 0.64 6.41
25-45 271.7778 2.39 23.79
45-9999 754.1450 6.63 66.01
HRUs
25
45
15 Forest-Mixed --> FRST/Latosol/45-9999 84.1595 6.89 68.6
Area [ha] SWAT Sub

Area Area
[%] [%]
SUBBASIN 4 74.6100 0.66
: Latosol 74.9264 0.66 100.4
SOILS: 0-8 2.0788 0.02 2.79
SLOPE: 8-15 3.8864 0.03 12.36
15-25 9.2189 0.08 32.71
25-45 24.4031 0.21 47.37
45-9999 35.3392 0.31 5.21
HRUs
45
9999
25
46
Area [ha] SWAT Sub

Area Area
[%] [%]
SUBBASIN 5 2240.910 19.69
: Latosol 2244.087 19.72 100.1
SOILS: 0-8 64.3518 0.57 2.87
SLOPE: 8-15 164.8562 1.45 7.36
15-25 361.4365 3.18 16.13
25-45 876.7930 7.70 39.13
45-9999 776.6500 6.82 34.66
HRUs
25
45
9999
Area [ha] SWAT Sub

Area Area
[%] [%]
SUBBASIN 6 645.7500 5.67
: Latosol 648.4888 5.70 100.4
SOILS: 0-8 10.7554 0.09 1.67
SLOPE: 8-15 38.3218 0.34 5.93
15-25 101.4987 0.89 15.72
25-45 257.0456 2.26 39.81
45-9999 240.8673 2.12 37.30
HRUs
45
9999
25
Area [ha] SWAT Sub
47
Area Area
[%] [%]
SUBBASIN 7 86.4900 0.76
: Latosol 86.8568 0.76 100.4
SOILS: 0-8 2.3499 0.02 2.72
SLOPE: 8-15 5.0614 0.04 5.85
15-25 12.1111 0.11 14.00
25-45 33.1701 0.29 38.35
45-9999 34.1643 0.30 39.50
HRUs
25
45
31 Wetland-Mixed --> WETL/Latosol/45- 22.1143 0.31 40.6
9999
Area [ha] SWAT Sub

Area Area
[%] [%]
SUBBASIN 8 1115.010 9.80
: Latosol 1116.033 9.81 100.9
SOILS: 0-8 27.0241 0.24 2.42
SLOPE: 8-15 70.8593 0.62 6.36
15-25 173.9848 1.53 15.60
25-45 407.7119 3.58 36.57
45-9999 436.4533 3.84 39.14
HRUs
Forest-Evergreen --> FRSE/Latosol/15- 178.3023 1.57 15.9
33 25
9999
45
Area [ha] SWAT Sub
Area Area
48
[%] [%]
SUBBASIN 9 1907.640 16.76
LANDUSE Residential-Medium Density --> 0.3615 0.00 0.02
: URMD
Forest-Mixed --> FRST 15.0034 0.13 0.79
Wetlands-Mixed --> WETL 0.6327 0.01 0.03
Forest-Evergreen --> FRSE 1891.870 16.62 99.17
Aluvial 53.4156 0.47 2.80
SOILS: Latosol 1854.451 16.30 97.21
0-8 86.6761 0.76 4.54
SLOPE: 8-15 188.9882 1.66 9.91
15-25 365.4133 3.21 19.16
25-45 677.0494 5.95 35.49
45-9999 589.7407 5.18 30.91
HRUs
36 Forest-Evergreen --> FRSE/Aluvial/15- 373.5046 3.28 19.5
25
37 Wetland-mixed --> WETL/Aluvial/45- 34.3912 5.56 33.1
9999
39 Agriculturaland-Generic--> 72.6177 6.23 37.1
AGRL/Latosol/25-45
Area [ha] SWAT Sub

Area Area
[%] [%]
SUBBASIN 10 2084.760 18.32
LANDUSE Forest-Mixed --> FRST 293.8309 2.58 14.09
: Wetlands-Mixed --> WETL 2.6211 0.02 0.13
Rice --> RICE 3.0730 0.03 0.15
Aluvial 158.6199 1.39 7.61
SOILS: Latosol 1928.926 16.95 92.53
0-8 43.4736 0.38 2.09
SLOPE: 8-15 118.5808 1.04 5.69
15-25 337.1238 2.96 16.17
25-45 848.2324 7.45 40.69
45-9999 740.1358 6.50 35.50
Area [ha] SWAT Sub
Area Area
49
[%] [%]
HRUs
40 Forest-Decidous --> FRSD/Aluvial/15-25 27.8640 0.24 1.34
41 Agriculturaland-Generic--> AGRL 13.5555 0.12 0.65
42 /Aluvial/8-15
43 Forest-Decidous --> FRSD /Aluvial/45- 17.3601 0.40 2.16
9999
44 Forest-Mixed --> FRST/Aluvial/25-45 57.1401 0.50 2.74
48 Wetland-Mixed --> WETL/Latosol/8-15 13.9486 0.12 0.67
9999
45
25
Area [ha]SWAT Sub

Area Area
[%] [%]
SUBBASIN 11 531.1800 4.67
LANDUSE Residential-Medium Density --> 162.1448 1.42 30.53

: URMD
Forest-Mixed --> FRST 129.7881 1.14 24.43
Wetlands-Mixed --> WETL 3.6153 0.03 0.68
Rice --> RICE 215.1989 1.89 40.51
Aluvial 370.9265 3.26 69.83
SOILS: Organosol 59.2000 0.52 11.15
Regosol 91.4663 0.80 17.22
0-8 246.7421 2.17 46.45
SLOPE: 8-15 150.3952 1.32 28.31
15-25 71.8535 0.63 13.53
25-45 41.7564 0.37 7.86
45-9999 10.8458 0.10 2.04
Area [ha] SWAT Sub
Area Area
50
[%] [%]
HRUs
52 Residential-Medium Density --> 45.1107 0.40 8.49
URMD/Aluvial/8-15
URMD/Aluvial/15-25
URMD/Aluvial/0-8
URMD/Aluvial/25-45
URMD/Regosol/0-8
URMD/Regosol/8-15
58 Agriculturaland-Generic--> AGRL 38.4697 0.34 7.24
/Aluvial/0-8
61 Wetland-mixed --> WETL /Aluvial/25- 12.4096 0.20 4.22
45
62 Forest-Mixed --> FRST/Regosol/0-8 6.7682 0.06 1.27
63 Forest-Mixed --> FRST/Regosol/8-15 1.5981 0.01 0.30
64 Wetland-Mixed --> WETL /Aluvial/8-15 44.5330 0.39 8.29
65 Rice --> RICE/Aluvial/0-8 50.2963 0.44 9.47
68 Forest-Decidous --> FRSD /Aluvial/45- 13.8509 0.12 2.61
9999/
69 Rice --> RICE/Organosol/0-8 43.9696 0.39 8.28
70 Rice --> RICE/Organosol/15-25 3.0676 0.03 0.58
71 Rice --> RICE/Regosol/0-8 34.4365 0.30 6.48
72 Rice --> RICE/Regosol/8-15 7.7669 0.07 1.46
Lampiran 4. Data Debit Hasil Simulasi DAS Air Dingin 2017 - 2018
No. SubDAS Tahun Bulan Debit No. SubDAS Tahun Bulan Debit
(m3/s) (m3/s)
51
1 1 2017 1 0.103421 133 1 2018 1 0.98686

2 2 2017 1 0.15462 134 2 2018 1 0.745733
3 3 2017 1 0.05632 135 3 2018 1 0.926262
4 4 2017 1 0.6844 136 4 2018 1 0.858483
5 5 2017 1 0.7885 137 5 2018 1 0.9773
6 6 2017 1 0.363301 138 6 2018 1 1
7 7 2017 1 0.450077 139 7 2018 1 1.9172
8 8 2017 1 0.8473 140 8 2018 1 1.4721
9 9 2017 1 0.5292 141 9 2018 1 1.2584
10 10 2017 1 0.82401 142 10 2018 1 0.92827
11 11 2017 1 0.32518 143 11 2018 1 0.4621
12 1 2017 2 0.745252 144 1 2018 2 0.9954
13 2 2017 2 1.58738 145 2 2018 2 0.5333
14 3 2017 2 0.67831 146 3 2018 2 0.7372
15 4 2017 2 0.2462 147 4 2018 2 2.42344
16 5 2017 2 1.5922 148 5 2018 2 0.047272
17 6 2017 2 1.4772 149 6 2018 2 0.1313
18 7 2017 2 0.83737 150 7 2018 2 0.3403
19 8 2017 2 0.786 151 8 2018 2 0.537272
20 9 2017 2 0.7463 152 9 2018 2 0.252
21 10 2017 2 0.742 153 10 2018 2 0.1227
22 11 2017 2 1.6922 154 11 2018 2 0.16313
23 1 2017 3 1.46364 155 1 2018 3 1.733
24 2 2017 3 2.372 156 2 2018 3 0.0452
25 3 2017 3 1.23453 157 3 2018 3 0.362
26 4 2017 3 0.9593 158 4 2018 3 0.28432
27 5 2017 3 0.7543 159 5 2018 3 2.3336
28 6 2017 3 0.1234 160 6 2018 3 1.223
29 7 2017 3 0.7433 161 7 2018 3 1.07853
30 8 2017 3 1.6726 162 8 2018 3 1
31 9 2017 3 1.4441 163 9 2018 3 0.54636
32 10 2017 3 0.7472 164 10 2018 3 0.43447
33 11 2017 3 1.5662 165 11 2018 3 1.9423
34 1 2017 4 1.2455 166 1 2018 4 0.7573
35 2 2017 4 1.6562 167 2 2018 4 1.537
36 3 2017 4 0.7662 168 3 2018 4 1
37 4 2017 4 0.95773 169 4 2018 4 1.5323
38 5 2017 4 0.123633 170 5 2018 4 1.06483
39 6 2017 4 1.7543 171 6 2018 4 1
40 7 2017 4 2.5773 172 7 2018 4 1.0372
41 8 2017 4 0.98433 173 8 2018 4 1.3362
42 9 2017 4 0.27472 174 9 2018 4 0.37544
43 10 2017 4 0.4882 175 10 2018 4 0.5636
44 11 2017 4 0.9382 176 11 2018 4 0.048
(m3/s) (m3/s)
45 1 2017 5 0.2776 177 1 2018 5 0.1113
46 2 2017 5 1 178 2 2018 5 0.3441
47 3 2017 5 0.5351 179 3 2018 5 0.7674
48 4 2017 5 0.1156 180 4 2018 5 1.474222
49 5 2017 5 0.3371 181 5 2018 5 0.3247
50 6 2017 5 1.5773 182 6 2018 5 1.437
51 7 2017 5 0.43772 183 7 2018 5 1
52
52 8 2017 5 0.88828 184 8 2018 5 0.9622

53 9 2017 5 1.547373 185 9 2018 5 1.00563
54 10 2017 5 0.33272 186 10 2018 5 0.332
55 11 2017 5 0.7969 187 11 2018 5 1
56 1 2017 6 0.8485 188 1 2018 6 0.7373
57 2 2017 6 0.1331 189 2 2018 6 0.8351
58 3 2017 6 0.12772 190 3 2018 6 0.9563
59 4 2017 6 0.6562 191 4 2018 6 0.94
60 5 2017 6 0.8313 192 5 2018 6 0.924
61 6 2017 6 1.642 193 6 2018 6 0
62 7 2017 6 0.33622 194 7 2018 6 0.433554
63 8 2017 6 2.00382 195 8 2018 6 0.3335
64 9 2017 6 0.97433 196 9 2018 6 0.467786
65 10 2017 6 0.15351 197 10 2018 6 0.952
66 11 2017 7 0.7436 198 11 2018 6 0.0083
67 1 2017 7 0.7742 199 1 2018 7 0.4525
68 2 2017 7 0.6364 200 2 2018 7 0.362
69 3 2017 7 1 201 3 2018 7 1.343
70 4 2017 7 0.26373 202 4 2018 7 0.2515
71 5 2017 7 1.5737 203 5 2018 7 0.13321
72 6 2017 7 0.1732 204 6 2018 7 0.53422
73 7 2017 7 0.1999 205 7 2018 7 0.7373
74 8 2017 7 1.5737 206 8 2018 7 0.4728
75 9 2017 7 1.6361 207 9 2018 7 0.112
76 10 2017 7 0.60131 208 10 2018 7 1
77 11 2017 8 0.0022 209 11 2018 7 0.542
78 1 2017 8 0.6631 210 1 2018 8 0.9382
79 2 2017 8 0.46741 211 2 2018 8 0.6722
80 3 2017 8 1.1531 212 3 2018 8 0.443
81 4 2017 8 1.587 213 4 2018 8 0.4626
82 5 2017 8 0.6063 214 5 2018 8 0.642
83 6 2017 8 1.08384 215 6 2018 8 0.253
84 7 2017 8 0.77373 216 7 2018 8 0.2361
85 8 2017 8 0.72742 217 8 2018 8 0.0332
86 9 2017 8 0.9835 218 9 2018 8 0.5446
87 10 2017 8 0.2762 219 10 2018 8 0.8622
88 11 2017 8 0.0737 220 11 2018 8 0.6633
(m3/s) (m3/s)
89 1 2017 9 1.76272 221 1 2018 9 0.4525
90 2 2017 9 1.6322 222 2 2018 9 1
91 3 2017 9 2.0324 223 3 2018 9 0.5663
92 4 2017 9 1.7475 224 4 2018 9 1.6834
93 5 2017 9 0.6322 225 5 2018 9 0.577
94 6 2017 9 0.983 226 6 2018 9 0.2353
95 7 2017 9 0.3938 227 7 2018 9 1.183
96 8 2017 9 0.3143 228 8 2018 9 1
97 9 2017 9 0.7574 229 9 2018 9 0.7281
98 10 2017 9 0.9112 230 10 2018 9 1.4372
99 11 2017 9 0.25577 231 11 2018 9 0.4445
100 1 2017 10 0.9884 232 1 2018 10 0.6362
101 2 2017 10 1.43332 233 2 2018 10 1.63332
102 3 2017 10 0.11244 234 3 2018 10 0.8785
53
103 4 2017 10 0.8272 235 4 2018 10 1.324

104 5 2017 10 1.5843 236 5 2018 10 1.24141
105 6 2017 10 1.33432 237 6 2018 10 1.5374
106 7 2017 10 1.95713 238 7 2018 10 0.12353
107 8 2017 10 0.383492 239 8 2018 10 0.8983
108 9 2017 10 0.97778 240 9 2018 10 1.6574
109 10 2017 10 1.12232 241 10 2018 10 0.47272
110 11 2017 10 1.5273 242 11 2018 10 0.1475
111 1 2017 11 2.4422 243 1 2018 11 0.9848
112 2 2017 11 1.032 244 2 2018 11 2.7733
113 3 2017 11 1.47653 245 3 2018 11 0.57737
114 4 2017 11 1.7722 246 4 2018 11 0.5883
115 5 2017 11 0.76732 247 5 2018 11 2.07475
116 6 2017 11 1.5832 248 6 2018 11 0.7743
117 7 2017 11 1.67473 249 7 2018 11 0.53747
118 8 2017 11 1.5322242 250 8 2018 11 0.96854
119 9 2017 11 2.423 251 9 2018 11 2.587583
120 10 2017 11 1.572 252 10 2018 11 0.5636
121 11 2017 11 1.775 253 11 2018 11 2.64833
122 1 2017 12 1.3242 254 1 2018 12 2.07575
123 2 2017 12 2.336667 255 2 2018 12 0.8684
124 3 2017 12 0.0421 256 3 2018 12 0.1148
125 4 2017 12 0.87483 257 4 2018 12 0.9854
126 5 2017 12 1.3622 258 5 2018 12 0.42376
127 6 2017 12 1.1222 259 6 2018 12 0.40113
128 7 2017 12 1.4382 260 7 2018 12 0.0201
129 8 2017 12 1.334343 261 8 2018 12 0.1575751
130 9 2017 12 1.64211 262 9 2018 12 0.9036
131 10 2017 12 1.06773 263 10 2018 12 0.0472
132 11 2017 12 0.191217 264 11 2018 12 1.05883
Lampiran 5. Debit Harian Observasi DAS Air Dingin 2017
Tanggal Debit (m3/s)

Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov Des
1 7 14.3 8.5 6.5 9.5 8 5.3 4.6 5.2 10.2 11.9 20.2
2 7.6 7.6 7.8 7.6 13.8 7.4 4.8 5.2 4.8 8 10.4 16.4
3 20.8 6.5 7.4 6.8 12.4 6.5 5.9 4.4 4.6 7.4 18.4 21.6
4 17.4 6.3 7.4 7.2 12.4 5.7 4.8 5.5 4.6 10.2 17.7 18.7
5 26.5 6.1 9.5 7.2 10.8 5.5 11 5 5.9 8.5 12.4 20.5
6 34.7 5.7 16.2 12.8 11.9 5.3 7 8.9 11.9 7.6 10.2 16.4
7 21.3 11.7 16.2 24.8 12.4 5.2 6.1 5.5 8.3 8.5 27 13.5
8 15.5 8.5 9.3 17.4 10.2 5 10.4 4.6 7.4 12.8 22.9 19.9
9 13.3 16.7 8.5 12.6 9.1 5 7.6 4.4 10.4 16.7 15 11.5
10 11.9 12.6 7.8 11.7 8.7 5 6.5 4.6 10.8 19.2 13.5 10.8
11 10.6 10.6 21.8 10.4 8.5 4.8 6.8 5.9 8.3 16.2 11.5 9.5
12 9.7 8.5 10.8 9.7 8.3 4.8 8.3 5.3 11.4 12.4 20.2 8.9
13 8.9 6.8 9.3 8.7 8 5.3 6.8 5.3 8.5 10.6 12.2 8.5
14 8.7 6.5 7.6 7.6 7.4 4.8 6.1 12.4 11 9.7 11.5 8.5
15 8.5 6.3 7.6 9.9 7.1 4.6 5.7 14.5 24.5 8.5 13.5 7.6
16 8 6.1 7 10.2 6.5 4.4 6.1 8.9 12.8 17.9 11 15
54
17 7.6 5.9 6.7 9.9 6.1 4.3 5.2 9.1 9.5 9.9 11.7 16.9
18 7.2 5.7 6.3 10.8 7 6.3 5 6.8 8.5 8.9 13.1 8.9
19 6.8 5.5 6.1 8.9 7 4.4 4.6 6.7 7.6 8 17.4 9.1
20 6.5 10.4 6.3 9.1 7.2 4.1 4.4 5.7 19.7 7.2 12.2 8.5
21 6.1 6.3 5.9 8.9 23.7 3.9 4.4 10.6 14.5 6.8 14.7 7.6
22 6.7 6.3 5.5 8 9.9 3.9 4.3 8.5 10.8 6.7 13.3 7.2
23 10.4 6.1 5.3 7.4 8.3 3.8 4.1 6.5 9.7 6.3 15.5 7
24 6.8 6.3 5 8.3 7.2 3,9 3.9 6.1 8.5 6.1 16.2 23.7
25 6.1 6.1 4.8 6.7 7 3.8 3.8 5.3 7.6 5.9 26.8 16.4
26 5.9 6.3 4.8 12.2 7.8 4.1 3.9 5.2 11.3 5.7 27.9 20.2
27 5.7 6.1 13.3 13.1 6.5 6.1 3.9 5.2 9.1 5.3 24.8 16.4
28 6.5 14 20 23.7 7.2 6.8 3.8 9.9 12.8 5.2 21 13.1
29 6.8 9.3 12.6 6.7 15 5 6.8 11.3 5.3 28.8 11.5
30 6.1 7.6 10.2 6.1 6.1 4.3 5.9 10.6 7.6 21.8 10.2
31 22.4 6.8 17.9 3.9 5.9 8 9.9
Max 34.7 16.7 21.8 24.8 23.7 15 11 14.5 24.5 19.2 28.8 23.7
Rerata
11.2 8.1 8.9 10.7 9.4 5.5 5.6 6.7 10.1 9.3 16.8 13.1
Bulanan
Min 5.7 5.5 4.8 6.5 6.1 3.8 3.8 4.4 4.6 5.2 10.2 7
Lampiran 6. Debit Harian Observasi DAS Air Dingin 2018
Tanggal Debit (m3/s)

1 12.6 6.4 9.4 13.7 10.3 8.8 7.9 6.8 10.8 8.6 16.7 23.6
2 11.4 6.2 12.8 12.3 10.1 7.7 7.5 10.3 9.7 11.9 16 21
3 14.4 6.2 15.3 10.6 9.2 7.2 7.2 8.6 8.8 9.4 16 19
4 11.9 5.9 12.1 12.1 8.3 7 7 7.5 8.3 13.9 21 6.7
5 11 5.9 13.9 11.2 8.3 6.8 8.8 11.4 7.9 13 17.8 15.1
6 10.1 9.9 18 9.9 9.7 6.6 8.8 9.7 7.9 11 16 20.8
7 9.7 6.8 13.9 9 11.2 6.4 8.3 19 7.2 9.2 15.5 16.7
8 9.4 6.6 18.5 8.6 9.2 6.4 12.3 11.9 7.2 9.2 17.8 17.1
9 9.7 6.2 13.2 8.3 8.8 6.2 9.9 10.6 11 14.4 15.7 14.4
10 9 16.7 13.7 7.9 8.1 5.9 17.1 9.7 12.1 11.4 14.4 17.6
11 9 9.2 11.9 7.7 7.9 5.9 11 8.8 9.7 17.1 13 15.3
12 8.6 7.2 18 8.3 7.7 5.7 9.2 7.9 9.9 21 21.5 24.3
13 8.3 6.4 9.9 7.9 7.5 5.7 8.3 7.7 9.7 17.3 19.9 19
14 8.1 6.4 10.1 7.7 7.2 10.3 7.7 7.5 17.3 14.4 19.2 23.8
15 7.7 21 9.9 8.8 7.9 6.8 11.2 7.2 12.3 13.9 16.4 17.8
16 7.5 12.1 9.2 9.2 8.6 5.9 8.3 7 9.7 15.1 13.9 14.6
55
17 7.2 9.9 8.8 8.8 7.2 5.7 7.5 6.8 8.6 12.6 12.3 13.2
18 7.2 14.6 8.3 10.9 12.6 8.8 7.2 7.5 10.1 11 12.1 12.3
19 7 21 9 16.9 9.7 6.4 8.8 6.8 9.4 11 14.4 11.4
20 6.8 14.2 11 17.3 9 5.9 7.9 7 9 10.6 20.6 10.6
21 9 12.1 9.9 11.9 7.2 7.5 9.2 8.8 8.8 12.8 15.7 9.7
22 7.2 13 10.8 11.2 14.4 7.5 7.9 9.2 8.6 10.3 19.4 11.4
23 6.8 12.1 10.6 11.9 8.1 7 7.2 7.9 14.4 19.6 19 10.6
24 13.7 10.6 9 15.5 7.7 13 7.9 10.1 14.4 11.9 18.3 9.7
25 10.1 10.6 15.3 10.8 7.2 11.4 7.9 8.6 12.3 12.3 14.6 9.7
26 8.1 9.2 13 9.9 7.2 10.1 7.5 7.5 11.9 15.3 13.2 9.4
27 7.7 11.9 10.8 9.7 13.9 10.1 10.6 6.6 11.2 18 12.1 9.4
28 7.2 13.7 9.7 9.7 9.4 9.4 9.2 8.6 10.1 18.7 15.5 9
29 6.8 8.8 8.8 11.7 10.1 7.7 7 9.2 14.2 17.6 8.8
30 6.8 16.2 8.3 9 8.8 7.5 9 8.8 18 15.1 8.6
31 6.6 13.2 7.5 7.2 14.4 22.7 8.3
Max 14.4 21 18.5 17.3 14.4 13 17.1 19 17.3 22.7 21.5 24.3
Rerata
8.9 10.4 12.1 10.5 9.1 7.7 8.8 8.9 10.2 13.9 16.4 14.5
Bulanan
Min 6.6 5.9 8.3 7.7 7.2 5.7 7 6.6 7.2 8.6 12.1 8.3
Lampiran 7. Parameter dan Masukan Nilai yang digunakan pada Kalibrasi

No Parameter Keterangan Min Max Nilai Nilai
Default Masukan
1 V_Gw_Delay.g Masa jeda air dalam tanah untuk 0 5000 31 16.4
w kemudian kembali ke sungai
(hari)
2 SCS Curve Number/ bilangan 35 98 -999 40
R_Cn2.mgt kurva Limpasan
3 Faktor alpha aliran dasar (hari) 0 1 0.048 0.15
4 V_Alpha_Bf.gw Faktor penguapan air tanah 0 1 0.95 0.40
5 R_Esco. hru Faktor pergantian terusan tanaman 0 1 1 0.05
6 R_Epco. hru Fraksi perkolasi air tanah 0 1 0.05 0.25
7 R_Rchrg_Dp.gw Kapasitas air tanah tersedia 0 2000 0.1 0.85
R_ Sol_Awc. sol (mm/jam)
8 Kedalaman ambang air pada 0 1000 750 250
R_Revapmn.gw akuifer dangkal agar perkolasi
mencapai akuifer dalam (mm)
56
9 Kedalaman air pada Shallow 0 5000 1000 1250

R_Gwqmn. gw aquifer yang mengakibatkan
terjadinya aliran dasar (mm H2O)
10 Konduktivitas hidrolik pada -0.01 500 0 30
R_Ch_K2. rte saluran utama (mm/jam)
11 Nilai manning dasar sungai 0 0.3 0.014 0.1
12 R_Ch_N2. rte Panjang lereng rata-rata (m) 10 150 50 65.50
13 R_Slsubbsn. hru Lama limpasan permukaan (hari) 0 24 20 0.5
14 R_Surlag.bsn Faktor erodibilitas tanah (cm/jam) 0 1 0 0.5
R_Ch_Erod. rte
Lampiran 8. Data Curah Hujan Harian Stasiun Gunung Nago 2017
Tgl Curah Hujan (mm)

1 0 93.2 92.4 0 10.2 107.8 0 91.8 0 21.4 0 28.2
2 15.4 0 0 14.2 0 0 0 0 0 0 53.2 11.2
3 26.2 0 38.2 0 12.2 0 46.4 0 0 0 11.2 26.4
4 74.2 0 0 0 21.5 0 0 0 0 40.2 61.4 11.4
5 107.8 0 0 13.6 58.4 0 48.6 0 12.3 0 4.2 10.2
6 52.8 21.2 50.2 45.6 0 0 0 41.8 11.4 0 0 21.4
7 17.6 15.8 82.4 37.2 0 0 58.6 0 18.2 17.4 75.4 10.2
8 0 16.4 0 12.2 0 0 85.4 0 0 15.8 97.8 0
9 0 4.2 0 10.2 0 0 0 0 1.2 56.4 0 0
10 0 0 0 41.2 0 0 0 0 241.2 154.4 13.25 14.2
11 0 0 0 0 0 0 0 0 10.4 20.2 35.4 0
12 11.4 0 77.2 0 32.6 0 32.4 48.2 0 0 0 0
13 17.2 0 0 6.2 0 10.8 5.6 35.6 12.2 0 24.4 0
14 0 0 0 0 0 0 0 24.2 0 0 0 7.5
15 0 0 0 6.4 21.4 0 0 114.4 0 0 0 0
16 82.4 0 0 12.2 0 0 0 12.4 46.2 26.2 0 11.2
17 0 0 0 0 0 0 0 17.4 0 0 0 50.4
57
18 0 0 0 0 35.6 59.8 0 0 0 0 0 0
19 0 0 0 42.8 76.4 0 0 0 0 0 71.4 8.4
20 0 0 5.8 0 102.6 0 0 0 97.2 0 0 0
21 0 44.8 0 0 0 0 0 0 104.2 0 14.2 0
22 0 0 0 0 0 0 0 96.8 0 0 0 0
23 16.4 10.1 0 0 0 0 0 0 0 0 118.2 55.2
24 0 14.25 0 0 0 0 0 8.2 0 0 11.4 61.2
25 0 0 0 13.8 0 0 0 0 0 0 21.2 20.4
26 0 0 0 42.6 0 37.4 0 0 0 0 62.4 71.2
27 0 0 112.4 0 0 0 6.4 0 7.1 20.2 34.4 35.6
28 0 9.2 84.2 15.4 0 28.2 0 0 0 0 135.1 0
29 33.1 0 61.6 0 59.6 52.4 92.4 28.1 0 42.2 0
30 0 0 0 0 0 0 0 0 7.8 25.4 0
31 0 0 48.2 0 0 4.2 5.6
Lampiran 9. Data Curah Hujan Harian Stasiun Gunung Nago 2018

1 64 0 32 12 5 0 0 0 0 0 5 39
2 0 0 24 32 12 0 60 5 0 21 84 0
3 10 0 0 0 0 0 16 0 0 17 146 0
4 11 0 0 0 12 0 0 0 0 34 34 23
5 12 0 0 8 0 0 0 4 17 23 12 7
6 0 0 10 0 18 0 0 0 0 0 34 9
7 0 10 33 0 0 0 0 20 4 0 4 10
8 0 0 0 0 30 18 0 5 0 28 31 5
9 0 0 38 0 0 0 0 0 90 21 5 0
10 0 0 0 5 0 0 18 0 10 32 10 38
11 0 0 13 0 0 0 0 0 7 18 0 61
12 0 0 0 0 34 0 0 0 0 31 7 94
13 64 0 0 0 14 0 0 0 13 41 92 0
14 0 0 21 14 0 0 0 0 53 0 17 107
15 0 115 3 10 12 0 0 0 0 8 0 0
16 0 0 0 24 10 0 0 0 0 78 0 0
17 0 0 0 18 44 0 0 0 0 22 0 0
58
18 0 31 0 4 0 0 0 18 0 24 29 0
19 0 0 0 0 63 16 13 0 18 0 10 0
20 0 79 62 21 6 0 0 0 15 0 9 0
21 7 0 34 0 0 0 0 0 0 0 10 0
22 0 0 0 8 12 0 0 15 0 25 43 0
23 7 18 7 27 71 4 0 8 38 16 21 80
24 9 0 0 26 0 98 0 10 18 43 10 0
25 38 0 0 4 0 0 0 25 11 0 10 11
26 0 7 15 0 13 21 0 0 0 12 80 0
27 0 0 21 0 41 0 1 0 73 0 0 0
28 0 38 0 0 12 0 0 5 0 93 0 0
29 0 0 0 22 7 1 0 0 15 0 0
30 0 0 0 12 0 9 0 0 0 48 0
31 0 28 0 0 27 18 8
Lampiran 10. Data Curah Hujan Harian Stasiun Kasang 2017

1 0 10 50 42 25 0 0 5 0 0 20 11
2 65 0 21 0 0 0 7 0 36 0 4 20
3 25 5 0 0 0 0 0 0 49 0 32 0
4 0 0 0 0 16 0 0 0 52 0 0 36
5 31 0 0 29 0 0 0 10 5 4 64 0
6 29 0 13 0 0 0 0 40 0 5 50 0
7 11 4 76 0 0 45 52 0 0 32 0 0
8 0 0 0 0 0 0 0 0 25 0 5 0
9 0 0 0 92 0 0 0 0 0 0 0 14
10 3 0 17 40 0 0 33 0 0 0 18 0
11 0 0 0 5 0 0 0 56 0 0 2 0
12 0 25 0 10 0 23 0 36 0 10 0 0
13 0 0 0 0 4 0 0 0 0 0 0 5
14 0 0 0 55 0 0 0 5 0 0 0 0
15 0 8 0 40 0 0 5 33 0 0 0 7
16 2 0 0 0 22 0 0 0 0 34 78 13
17 0 0 0 0 0 60 0 0 0 0 11 17
59
18 0 0 0 0 21 0 0 0 0 0 31 10
19 0 4 0 0 0 0 0 0 13 0 0 0
20 0 4 10 0 150 0 0 0 100 0 11 0
21 0 0 0 0 97 0 0 162 0 0 13 40
22 20 3 0 0 0 0 0 0 0 0 35 60
23 0 0 0 0 0 0 0 0 71 0 0 53
24 14 0 0 0 0 0 0 36 0 0 0 20
25 0 0 0 22 0 0 0 0 0 0 0 27
26 0 25 145 20 0 5 0 0 21 0 103 0
27 0 20 107 0 0 0 23 0 0 0 23 0
28 15 0 0 62 0 0 0 45 0 0 70 0
29 0 0 0 0 52 60 0 13 0 20 0
30 12 0 0 0 0 0 0 0 0 18 30
31 0 0 0 0 0 2 51
Lampiran 11. Data Curah Hujan Harian Stasiun Kasang 2018

1 0 10 50 42 25 0 0 5 0 0 20 11
2 65 0 21 0 0 0 7 0 36 0 4 20
3 25 5 0 0 0 0 0 0 49 0 32 0
4 0 0 0 0 16 0 0 0 52 0 0 36
5 31 0 0 29 0 0 0 10 5 4 64 0
6 29 0 13 0 0 0 0 40 0 5 50 0
7 11 4 76 0 0 45 52 0 0 32 0 0
8 0 0 0 0 0 0 0 0 25 0 5 0
9 0 0 0 92 0 0 0 0 0 0 0 14
10 3 0 17 40 0 0 33 0 0 0 18 0
11 0 0 0 5 0 0 0 56 0 0 2 0
12 0 25 0 10 0 23 0 36 0 10 0 0
13 0 0 0 0 4 0 0 0 0 0 0 5
14 0 0 0 55 0 0 0 5 0 0 0 0
15 0 8 0 40 0 0 5 33 0 0 0 7
16 2 0 0 0 22 0 0 0 0 34 78 13
60
17 0 0 0 0 0 60 0 0 0 0 11 17
18 0 0 0 0 21 0 0 0 0 0 31 10
19 0 4 0 0 0 0 0 0 13 0 0 0
20 0 4 10 0 150 0 0 0 100 0 11 0
21 0 0 0 0 97 0 0 162 0 0 13 40
22 20 3 0 0 0 0 0 0 0 0 35 60
23 0 0 0 0 0 0 0 0 71 0 0 53
24 14 0 0 0 0 0 0 36 0 0 0 20
25 0 0 0 22 0 0 0 0 0 0 0 27
26 0 25 145 20 0 5 0 0 21 0 103 0
27 0 20 107 0 0 0 23 0 0 0 23 0
28 15 0 0 62 0 0 0 45 0 0 70 0
29 0 0 0 0 52 60 0 13 0 20 0
30 12 0 0 0 0 0 0 0 0 18 30
31 0 0 0 0 0 2 51
Lampiran 12. Data Curah Hujan Harian Stasiun Koto Tuo 2017

1 0 93.2 92.4 0 10.2 107.8 0 91.8 0 21.4 0 28.2
2 15.4 0 0 14.2 0 0 0 0 0 0 53.2 11.2
3 26.2 0 38.2 0 12.2 0 46.4 0 0 0 11.2 26.4
4 74.2 0 0 0 21.5 0 0 0 0 40.2 61.4 11.4
5 107.8 0 0 13.6 58.4 0 48.6 0 12.3 0 4.2 10.2
6 52.8 21.2 50.2 45.6 0 0 0 41.8 11.4 0 0 21.4
7 17.6 15.8 82.4 37.2 0 0 58.6 0 18.2 17.4 75.4 10.2
8 0 16.4 0 12.2 0 0 85.4 0 0 15.8 97.8 0
9 0 4.2 0 10.2 0 0 0 0 1.2 56.4 0 0
10 0 0 0 41.2 0 0 0 0 241.2 154.4 13.25 14.2
11 0 0 0 0 0 0 0 0 10.4 20.2 35.4 0
12 11.4 0 77.2 0 32.6 0 32.4 48.2 0 0 0 0
13 17.2 0 0 6.2 0 10.8 5.6 35.6 12.2 0 24.4 0
14 0 0 0 0 0 0 0 24.2 0 0 0 7.5
15 0 0 0 6.4 21.4 0 0 114.4 0 0 0 0
61
16 82.4 0 0 12.2 0 0 0 12.4 46.2 26.2 0 11.2

17 0 0 0 0 0 0 0 17.4 0 0 0 50.4
18 0 0 0 0 35.6 59.8 0 0 0 0 0 0
19 0 0 0 42.8 76.4 0 0 0 0 0 71.4 8.4
20 0 0 5.8 0 102.6 0 0 0 97.2 0 0 0
21 0 44.8 0 0 0 0 0 0 104.2 0 14.2 0
22 0 0 0 0 0 0 0 96.8 0 0 0 0
23 16.4 10.1 0 0 0 0 0 0 0 0 118.2 55.2
24 0 14.25 0 0 0 0 0 8.2 0 0 11.4 61.2
25 0 0 0 13.8 0 0 0 0 0 0 21.2 20.4
26 0 0 0 42.6 0 37.4 0 0 0 0 62.4 71.2
27 0 0 112.4 0 0 0 6.4 0 7.1 20.2 34.4 35.6
28 0 9.2 84.2 15.4 0 28.2 0 0 0 0 135.1 0
29 33.1 0 61.6 0 59.6 52.4 92.4 28.1 0 42.2 0
30 0 0 0 0 0 0 0 0 7.8 25.4 0
31 0 0 48.2 0 0 4.2 5.6
Lampiran 13. Data Curah Hujan Harian Stasiun Koto Tuo 2018

1 0 0 8 37 41 0 0 6 0 19 101 0
2 38 0 5 0 0 0 0 0 0 5 52 8
3 8 0 0 0 15 0 0 0 0 7 45 6
4 1 0 48 0 0 0 0 5 14 36 12 1
5 0 0 8 10 0 0 0 0 0 0 31 11
6 0 0 14 0 26 0 0 30 53 0 10 7
7 0 0 0 0 0 0 0 0 0 28 23 6
8 6 0 52 0 0 0 0 0 51 31 9 0
9 0 0 24 3 0 0 26 0 40 6 6 49
10 0 48 4 0 13 0 13 0 0 17 0 49
11 0 16 0 0 14 0 0 0 0 38 21 60
12 5 0 0 0 0 0 0 0 8 52 66 0
13 0 0 2 0 0 0 0 0 16 0 16 67
14 0 144 0 16 0 13 39 0 4 0 0 0
62
15 0 0 3 47 26 0 0 0 0 14 0 0
16 0 7 0 0 32 0 0 0 0 31 0 0
17 0 18 0 6 0 0 17 13 0 20 3 0
18 0 5 4 24 76 0 0 0 58 1 27 0
19 0 37 77 14 4 0 5 0 8 0 0 0
20 26 13 35 0 0 7 14 0 0 0 6 0
21 0 43 0 0 7 0 0 13 15 59 37 0
22 0 0 0 6 39 8 0 0 3 0 16 97
23 9 0 0 31 1 151 57 8 5 5 0 0
24 57 33 0 0 0 0 0 18 0 0 0 0
25 0 0 14 0 0 6 18 0 0 0 3 0
26 0 2 27 10 40 6 0 0 63 12 0 0
27 0 0 0 0 31 0 26 66 56 35 0 0
28 0 0 0 0 47 3 4 0 0 0 0 0
29 0 13 0 0 0 0 2 0 10 34 0
30 0 30 6 0 0 0 32 0 28 19 0
31 0 2 0 0 0 15 16
Lampiran 14. Data Kecepatan Angin DAS Air Dingin 2017
Tanggal Wind Speed (km/hari)

1 12.8 32.7 30.6 41.9 28.8 61.1 35.4 19.3 5.6 0.7 1.8 1.3
2 47.8 119 21.0 46.9 168 76.0 46.2 22.8 2.3 1.5 2.3 1.4
3 205.0 57.9 27.4 33.9 5.1 24.1 53.5 127 6.7 1.1 3.9 7.2
4 4.8 83.2 22.1 72.3 10.3 19.9 68.2 82.4 2.1 13.0 2.7 3.3
5 6.2 16.9 8.5 55.3 10.4 152 33.3 88.5 1.2 2.8 0.8 4.8
6 4.4 65.9 47.3 12.1 14.7 112 77.2 38.7 8.6 1.2 8.3 4.8
7 30.8 56.9 54.5 30.5 26.4 21.1 47.3 59.9 3.3 1.8 5.1 7.2
8 64.1 8.1 63.6 63.2 53.2 21.2 75.1 41.4 4.7 4.9 5.9 0.3
9 54.7 40.1 40.5 76.1 38.5 45.7 53.6 42.6 5.1 0.4 1.7 0.3
10 79.5 45.9 38,4 22.8 40.5 75.5 46.3 114 11.5 1.0 2.5 1.1
11 21.1 27.5 72.2 76.9 16.2 33.0 45.8 25.2 4.4 10.7 6.6 0.1
63
12 48.9 25.6 23.3 25.9 88.5 93.9 46.0 15.8 3.8 10.2 10.2 0.3
13 48.3 52.3 105 26.1 17.5 38.8 17.5 60.7 8.7 12.9 6.1 1.1
14 43.4 170 21.6 43.0 82.5 49.4 48.4 67.9 1.9 9.1 2.7 1.8
15 66.2 34.8 93.6 30.1 17.5 18.0 73.7 8.3 3.5 8.0 3.9 1.1
16 49.9 132 28.9 75.2 81.3 57.5 72.7 62.8 3.3 10.6 8.6 1.7
17 42.6 57.6 127 50.8 15.8 50.4 25.2 53.8 4.3 7.2 0.9 1.4
18 90.4 25.7 43.5 56.9 80.1 13.5 50.1 36.5 3.5 6.2 1.9 2.1
19 10.2 37.1 44.5 63.6 29.2 116 82.3 54.9 2.7 3.6 5.3 1.6
20 79.2 61.1 168 16.8 44.2 63.8 106 52.2 8.7 5.2 5.8 2.7
21 17.0 29.6 54.1 42.2 122 54.6 49.6 74.4 0.9 3.8 2.2 2.1
22 49.1 23.9 66.7 44.3 16.8 63.8 61.9 1.8 1.7 2.8 4.0 3.0
23 113 110 36.1 37.2 36.2 20.8 85.1 10.6 2.5 3.4 3.7 1.1
24 32.5 48.7 107 8.5 74.4 17.2 63.7 1.4 4.9 3.9 2.1 1.1
25 38.8 31.1 61.1 62.2 26.6 49.6 2.7 3.1 7.1 5.5 9.8 0.7
26 0.5 33.3 41.8 25.8 33.9 13.3 7.3 5.2 6.1 4.6 0.5 0.5
27 85.9 38.5 29.0 21.7 10.9 45.4 32.9 2.8 7.9 2.7 0.6 2.2
28 45.8 33.4 32.9 62.3 47.3 45.6 66.1 17.9 6.8 0.7 1.0 1.4
29 51.3 77.4 65.4 77.9 20.6 152 2.2 13.4 3.4 1.6 3.2
30 50.6 22.9 51.4 1.5 31.5 26.6 8.0 12.1 1.5 2.4 1.5
31 54.1 62.1 68.3 26.1 2.6 3.1 6.1
Max 205 170 168 76.9 168 152 152 127 13.4 13 10 7.2
Rerata
Bulanan 49.9 53.5 54.5 44.7 44.6 50.2 49.9 53.5 54.5 44.7 45 50.2
Min 0.5 8.1 8.5 8.5 1.5 13.3 2.7 1.4 0.9 0.4 1 0.1
Lampiran 15. Data Kecepatan Angin DAS Air Dingin 2018
Tanggal Wind Speed (km/hari)

1 0.4 31.4 70.0 14.9 24.4 34.5 18.3 30.5 48.4 22.7 18.9 71.6
2 1.5 64.8 27.5 46.9 11.8 44.1 46.5 18.1 57.7 38.2 23.5 7.5
3 0.6 61.8 37.3 9.6 55.5 35.8 29.0 21.0 56.3 19.7 25.3 7.6
4 4.8 43.5 16.7 28.2 49.9 31.9 41.7 38.3 45.6 32.4 18.9 20.1
5 1.4 37.1 61.8 19.3 37.7 20.8 25.6 26.4 37.9 43.3 13.3 36.9
6 4.2 42.8 61.5 19.5 1.5 17.6 22.1 27.9 55.0 20.5 23.6 33.3
7 1.8 4.3 57.3 32.3 28.0 23.3 96.1 34.0 47.7 19.7 28.5 17.9
8 2.8 72.9 52.7 11.2 31.9 32.3 11.9 52.8 31.5 17.1 21.5 46.1
9 12.9 51.7 10.9 14.1 7.3 12.8 20.3 48.9 48.0 17.5 26.3 23.0
10 9.6 28.3 22.1 6.2 3.7 12.3 6.9 82.0 27.7 17.9 22.3 19.9
64
11 15.3 23.2 23.5 19.8 13.1 10.9 40.5 57.6 64.7 7.1 19.5 19.9
12 69.5 121 59.1 19.9 13.9 2.9 34.9 38.8 35.4 13.0 24.0 26.5
13 84.5 21.6 24.1 16.3 10.3 10.3 55.7 62.2 22.7 29.9 26.8 44.3
14 39.6 112 21.2 31.0 18.7 18.0 24.0 87.3 31.2 17.0 45.0 29.0
15 36.2 44.3 64.9 21.8 30.9 51.5 2.7 38.0 49.2 14.0 32.0 10.4
16 20.6 87.8 36.4 23.9 23.0 57.6 1.4 62.4 28.5 9.9 22.2 50.5
17 30.2 56.7 21.4 14.7 26.3 21.4 38.6 42.4 25.6 29.6 24.9 54.5
18 135 19.2 73.1 32.3 15.2 26.8 14.9 94.9 46.7 27.7 25.1 29.5
19 31.4 70.9 30.2 22.1 15.8 28.9 54.1 58.5 19.2 32.3 31.9 44.8
20 47.3 36.4 39.3 21.4 24.6 21.8 58.7 17.5 50.5 24.7 16.7 32.3
21 55.8 40.9 54.6 43.3 15.3 60.5 60.8 29.7 4.7 4.9 34.4 62.9
22 112 43.0 40.7 16.2 23.5 49.0 52.1 36.3 90.7 14.1 15.7 34.9
23 31.2 37.1 25.9 14.8 30.8 29.8 50.4 27.0 37.6 32.0 24.3 34.4
24 70.6 64.1 30.8 10.4 31.8 29.9 56.7 27.3 39.4 41.5 21.3 35.4
25 21.1 25.8 22.1 39.3 16.0 91.7 61.5 66.4 25.6 48.3 14.6 15.8
26 117 107 8.2 30.4 11.7 38.4 30.8 53.4 14.5 24.5 40.4 30.3
27 59.0 9.9 12.5 78.5 9.2 40.8 37.9 29.3 37.4 27.8 38.7 82.7
28 33.6 5.8 39.2 24.4 11.9 45.9 16.6 40.5 35.5 26.9 19.9 30.4
29 49.1 23.5 29.1 41.3 25.9 31.7 49.2 34.6 17.8 11.2 14.7
30 58.8 45.6 31.2 35.6 23.4 52.7 42.9 54.1 43.7 15.4 25.2
31 36.4 61.2 15.4 31.2 51.8 62.4 15.4
Max 135 121 73 78.5 55.5 92 96.1 94.9 91 62.4 45 83
Rerata
Bulanan 38.5 48.8 38 24.7 22.1 32 36.3 44.9 40 25.7 24.2 33
Min 0.4 4.3 8 6.2 1.5 3 1.4 17.5 5 4.9 11.2 8
Lampiran 16. Data Temperatur DAS Air Dingin 2017
Tgl Temperatur ( ͦ C)
1 27.0 27.0 26.5 27.3 26.8 27.3 26.3 27.5 27.5 27.5 27.0 27.5
2 27.3 27.8 27.3 26.5 26.5 26.5 27.5 26.8 27.3 27.3 26.5 26.0
3 26.0 26.5 27.5 26.8 27.0 27.5 27.3 27.0 26.5 26.5 27.3 27.0
4 27.0 27.3 27.3 27.0 27.0 27.5 26.8 27.0 27.5 27.3 26.0 26.0
5 26.3 27.5 26.5 27.8 27.0 27.3 26.0 27.8 26.0 27.3 27.3 28.0
6 26.8 27.3 26.5 27.3 27.5 26.5 27.8 26.0 27.0 26.5 26.3 27.0
7 27.3 28.0 27.3 27.0 26.8 27.0 27.0 27.8 27.8 27.8 27.0 26.3
8 27.3 26.8 26.5 27.8 27.0 27.8 27.3 27.0 27.0 26.0 27.3 27.5
9 26.5 27.0 27.5 26.3 26.0 27.0 27.3 27.8 27.8 27.3 26.5 26.8
10 27.3 27.8 27.3 27.3 27.3 27.3 27.5 26.5 26.0 27.3 27.0 26.0
11 27.5 27.3 26.8 27.3 27.5 27.0 26.5 26.8 27.3 27.3 27.0 26.8
12 27.8 27.5 27.5 26.5 26.5 27.3 27.5 27.8 26.5 26.3 26.0 27.3
65
13 26.8 27.3 26.0 27.8 27.3 27.8 26.0 27.0 27.8 26.5 27.0 26.8
14 27.0 27.3 27.5 26.8 26.0 27.0 26.8 27.0 26.5 27.8 26.5 26.8
15 26.8 27.0 26.5 26.5 26.8 26.8 27.0 26.0 27.3 27.0 27.8 26.5
16 27.3 26.8 26.8 27.3 26.0 27.8 27.3 27.3 26.5 27.3 27.0 27.8
17 26.5 27.5 26.5 27.3 27.5 27.0 26.8 27.3 27.3 27.3 27.3 26.8
18 27.3 26.5 27.8 27.3 26.8 27.3 26.0 27.3 26.0 27.0 26.5 27.8
19 27.3 27.3 27.0 26.5 27.8 26.8 27.3 26.5 26.8 26.8 27.3 26.5
20 27.3 27.5 28.0 27.3 26.8 28.0 27.5 27.0 27.0 26.5 26.8 26.5
21 27.0 27.0 27.3 27.0 26.5 26.8 26.5 27.8 27.5 27.3 27.3 27.5
22 26.0 27.3 27.0 26.0 27.3 26.5 27.3 27.5 26.5 26.8 27.0 26.0
23 27.5 27.5 26.3 27.3 26.5 26.3 26.5 26.0 27.3 26.5 26.0 26.8
24 27.3 27.0 27.3 27.3 27.3 28.0 27.3 27.0 27.5 27.0 27.8 27.3
25 27.3 27.3 27.5 26.0 27.5 26.3 27.3 26.3 27.5 27.8 27.0 27.0
26 27.0 27.0 26.0 26.8 26.8 26.5 27.0 27.3 26.0 27.0 26.0 27.8
27 27.3 27.8 27.8 27.8 27.0 27.5 26.5 26.3 27.5 26.0 26.5 27.0
28 26.3 26.5 27.0 26.3 27.8 27.5 27.8 26.5 26.8 27.0 27.8 26.0
29 27.8 27.8 27.0 27.0 26.8 27.5 27.5 27.3 27.3 27.0 27.5
30 27.5 26.3 27.3 27.3 27.8 27.0 26.8 26.3 27.8 27.0 27.3
31 27.5 27.0 26.5 27.8 27.0 27.0 27.5
Lampiran 17. Data Temperatur DAS Air Dingin 2018
Tgl Temperatur ( ͦ C)
1 26.0 27.0 27.0 27.3 27.3 26.8 27.5 27.3 27.3 26.8 27.0 27.3
2 27.5 27.3 27.3 27.0 27.5 27.3 27.3 26.5 27.3 26.5 26.0 27.0
3 26.5 27.8 27.8 26.3 27.3 27.3 26.8 27.8 26.5 27.8 27.3 27.3
4 27.5 27.3 26.5 28.0 27.3 26.5 26.0 26.8 26.3 27.0 27.0 27.8
5 27.3 27.0 26.5 27.3 26.8 26.5 27.5 27.5 28.0 26.0 26.3 27.0
6 27.8 27.3 27.3 27.5 27.5 27.5 27.5 26.0 27.0 27.5 26.5 27.8
7 27.5 27.0 27.3 26.3 26.8 27.8 26.5 26.8 27.8 26.8 27.3 26.5
8 27.0 27.8 27.0 27.0 27.8 27.0 27.3 27.5 26.8 27.3 26.5 27.8
9 26.5 27.5 27.8 27.5 27.5 28.0 26.5 26.5 27.8 26.8 26.0 26.5
10 27.5 26.8 27.0 27.3 26.5 27.5 27.3 27.3 27.3 27.3 27.3 27.5
11 26.3 27.3 27.8 27.0 27.3 27.3 27.5 27.5 26.0 26.5 27.3 26.5
66
12 27.3 27.0 26.8 27.3 27.3 27.0 26.3 27.0 27.0 27.3 27.8 27.3
13 27.5 27.5 26.0 27.3 27.5 27.5 27.5 26.3 27.3 26.8 26.5 26.5
14 26.8 26.8 27.5 27.0 26.8 27.8 26.8 27.5 26.5 26.5 27.5 27.3
15 27.3 27.0 27.0 27.8 26.5 27.5 26.5 26.8 27.8 27.8 26.8 27.8
16 27.0 27.3 27.8 26.8 27.5 26.5 26.3 27.8 26.0 26.5 27.3 27.0
17 26.0 27.5 27.0 27.3 26.5 26.8 27.0 27.5 27.0 27.3 26.5 26.3
18 27.0 27.5 27.3 27.0 27.3 27.3 27.8 27.0 26.0 26.5 27.3 27.3
19 27.8 27.0 27.5 27.3 27.3 26.5 26.5 27.0 26.8 27.5 27.3 27.0
20 27.0 27.8 26.5 26.5 27.8 26.3 27.5 26.8 27.3 27.8 27.0 27.8
21 26.0 26.5 27.3 27.3 27.5 28.0 26.6 27.8 27.3 27.0 27.3 27.0
22 27.3 26.5 27.3 27.8 26.8 27.0 26.5 26.8 26.5 26.5 27.5 27.8
23 27.8 26.8 27.0 27.1 27.5 27.3 27.8 27.5 27.5 27.5 27.3 27.0
24 27.0 26.5 27.3 27.3 26.8 27.3 27.0 26.0 26.5 27.3 27.3 27.0
25 27.3 27.3 26.5 27.3 27.3 27.5 26.0 27.5 27.5 26.5 27.0 27.5
26 27.3 27.3 27.3 27.0 26.8 26.3 27.3 26.5 26.8 27.3 27.0 26.8
27 26.5 27.3 27.3 27.8 27.3 27.0 27.3 27.3 27.3 27.8 27.0 27.3
28 27.3 26.9 26.5 27.0 27.8 26.8 27.0 27.3 27.5 26.8 27.3 27.8
29 26.0 27.5 27.8 27.0 27.5 27.3 27.0 26.5 27.3 26.8 27.0
30 27.0 27.3 27.0 26.3 27.5 26.3 26.5 27.3 27.8 27.3 27.3
31 27.3 27.0 27.0 27.5 27.3 27.0 26.4
Lampiran 18. Data Kelembaban Relatif DAS Air Dingin 2017
Tgl Relative humudity (%)

1 90 90 90 90 90 90 90 90 90 90 90 90
2 90 90 90 90 90 90 90 90 90 90 90 90
3 90 90 90 90 90 90 90 90 90 90 90 95
4 90 90 90 86 90 90 90 90 90 90 90 90
5 90 90 90 90 90 90 90 90 90 90 90 90
6 90 90 90 90 90 90 90 90 90 90 90 90
7 90 90 90 90 90 90 90 90 90 90 90 90
8 90 90 90 90 90 90 90 90 90 90 90 90
9 90 90 90 90 90 90 90 90 90 90 90 90
10 95 90 90 90 90 90 90 95 90 90 90 90
67
11 90 90 90 90 78 90 90 90 90 95 90 90
12 90 90 90 90 90 90 90 90 90 90 90 90
13 90 90 90 90 90 90 90 90 90 90 90 90
14 90 90 90 90 90 90 90 90 90 90 90 90
15 90 90 90 90 90 90 90 90 90 90 90 90
16 90 90 90 90 90 90 90 90 90 90 95 90
17 90 90 90 90 90 90 90 90 90 90 90 90
18 90 90 90 90 90 90 90 90 90 90 90 90
19 90 90 90 90 90 90 90 90 90 90 90 90
20 90 90 90 90 90 90 90 90 90 90 90 90
21 90 90 90 90 90 90 90 90 90 90 90 90
22 90 90 90 90 90 90 90 90 90 90 90 90
23 90 90 90 90 90 90 90 90 90 90 95 90
24 90 90 90 90 90 90 90 90 90 90 90 90
25 90 90 90 90 90 90 90 90 90 90 90 90
26 90 90 90 90 90 90 90 90 90 90 90 90
27 90 90 90 90 95 90 90 90 90 90 90 90
28 90 90 90 90 90 90 90 90 90 90 90 90
29 90 90 90 90 90 90 90 90 90 90 90
30 95 90 90 90 90 90 90 90 90 95 90
31 90 90 90 90 90 90 90
Lampiran 19. Data Kelembaban Relatif DAS Air Dingin 2018
Tgl Relative humudity (%)

1 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0
2 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 95.0
3 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0
4 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 95.0 90.0 90.0 90.0
5 90.0 90.0 90.0 90.0 95.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0
6 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0
7 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0
8 90.0 90.0 90.0 95.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0
9 90.0 90.0 90.0 90.0 90.0 95.0 90.0 90.0 90.0 90.0 90.0 90.0
68
10 90.0 90.0 95.0 95.0 90.0 90.0 90.0 90.0 86.0 90.0 90.0 90.0
11 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0
12 90.0 90.0 90.0 90.0 90.0 90.0 95.0 90.0 90.0 90.0 90.0 90.0
13 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0
14 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0
15 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0
16 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0
17 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0
18 90.0 90.0 90.0 90.0 90.0 95.0 90.0 95.0 90.0 90.0 90.0 90.0
19 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0
20 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0
21 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0
22 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0
23 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0
24 95.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0
25 90.0 90.0 90.0 90.0 90.0 90.0 90.0 95.0 90.0 90.0 90.0 90.0
26 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0
27 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0
28 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0
29 90.0 90.0 90.0 95.0 90.0 90.0 90.0 95.0 90.0 90.0 90.0
30 95.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0
31 90.0 90.0 90.0 90.0 90.0 90.0 95.0
Lampiran 20. Data Radiasi Matahari DAS Air Dingin 2017
Tgl Solar Radiation (W/m2)

1 0 14.8 0 12 5.3 10.6 0.2 1.8 11.6 8.2 9.6 9
2 5.9 13.6 10.7 7.7 9.1 12.4 9.2 6.3 14.9 8 0.7 14.2
3 0.8 13 3.2 9.8 8.2 16.4 10.4 12.9 6.6 3.7 2.2 6
4 6 9.3 10.8 7.7 6 13 15.5 6.6 0.7 3 0.7 6
5 3.9 13 0.4 12.8 12.6 12.2 10.9 9.5 6.6 9.4 4.1 3.1
6 6 10.4 4.5 7.5 11 13.9 7.5 11.8 5.6 3.7 3 4.5
69
7 5.3 7 7.1 4.5 12 9.1 12.8 2.3 7.4 8.1 7.1 1.5
8 5.9 12.5 9 7.4 9.1 8.3 11.8 7.4 4.8 2.2 1.8 4.9
9 3.7 14 9.8 11.3 13.7 9.7 8.7 8.2 4.1 5.6 0.3 5.2
10 0.6 9.5 7.1 7.7 6.9 9.7 0 14 13.3 6.7 10.6 1.3
11 2.2 11.4 7.1 0 10.2 15.1 3 16 0.4 0 6.6 0.2
12 3.3 10.5 9 12.1 3.8 8.3 14.1 15.9 10.5 0 0.3 2.2
13 6 12.1 6 13 15.4 3.4 15.5 15.7 4.5 8.1 0 4.4
14 3.3 8.1 9.7 0 5.2 6.1 8.6 12.1 3.7 2.2 1.3 0.3
15 12 4.7 14.3 5.2 3.4 1.5 9.8 13.6 8.2 4.1 3 2.3
16 11.3 14.1 6.8 1.3 0.3 8.3 14.2 13.8 5.5 2.2 14.9 4.5
17 10.1 9.8 11.5 9.7 8.7 9.3 12 9.2 9.3 4.4 6.7 0.5
18 8.4 9.4 8.8 11.3 7.1 3.7 12.8 13.8 4.4 9.2 4.4 3.8
19 10.9 9.7 9.6 6.7 6.7 3.2 2.7 15.8 4.9 15.5 1.3 0.3
20 9 0.8 0 0.5 1.5 12.7 13.7 12.8 3.4 8.2 12 9.1
21 4.2 5.7 8 7.5 6 9.7 9 5.1 1.9 8 10.7 1.2
22 6.4 8.5 12.8 8.1 6.7 9.5 12.5 0.2 7.5 8.8 1.8 1.5
23 6 0 5.2 7.5 0.3 3 14.7 1.3 9.4 5.2 9.8 3.7
24 0 4 3.7 0 6.7 0.7 9.7 9.6 3.4 6.6 14.6 4.7
25 9.2 1.5 6.8 11.3 8.7 6.7 5.8 8.3 11 9.6 9 3.7
26 9.1 9.1 0 12.1 1 3 11.3 16 3.1 5.9 7.5 4.5
27 12.1 9.2 4.5 2.3 0 9 2.1 9.9 10.4 1.5 15 3
28 8 8.3 14.3 7.7 6.7 8.2 14.1 1.5 10.4 5.9 10.6 11.9
29 6 9.4 15.9 3 10 3.7 10.8 9.2 9.2 3.6 11.2
30 6 0 16.7 2.7 4.8 9 5.9 5.7 6.1 3.7 12.6
31 12.8 10.7 3 9.6 3.3 6.6 12.6
Lampiran 21. Data Radiasi Matahari DAS Air Dingin 2018
Tgl Solar Radiation (W/m2)

1 0 5.9 12 2.3 12.1 7.5 7.5 12 12 12 10 3.2
2 0 5.9 4.5 9 12.1 4.5 12.2 12.2 0.3 0.3 12.1 10.6
3 7 0 9.3 10.5 12.1 6 12.1 11.9 9 9.1 0.5 5.1
70
4 11.9 10.4 0 9 11.4 12 6.8 3.4 12 12 0 5

5 3.1 6 9.8 3 9.8 12 3.8 9.2 0.2 0.2 10 3.3
6 7.3 0 0.5 1.5 10.6 11.3 9.8 11.3 9 9.1 9.1 8.1
7 3.9 7.5 12.1 7.6 11.4 4.4 7.4 9.9 0.8 0.8 10.6 6
8 8.1 12.2 0 9 9.1 12 10.5 1.8 7.6 7.5 9.1 4.4
9 8.1 10.4 0.3 2.2 11.9 12 5.9 0 10.8 11.1 0 1.2
10 12.1 6 0 12 0 12 0.7 6 6 6.1 6 7.6
11 9.2 7.6 4.5 0 12.1 1.8 4.4 4.8 10.7 10.6 0 8.1
12 8.2 3 8.2 7.5 6.1 2.3 11.9 6 10.8 10.6 6 7.7
13 8.4 12.1 10.9 7.5 3.7 12 11.3 0.6 5.7 5.8 0 4.9
14 11.9 2.4 10.7 3.3 7.2 0.8 9 7.6 2.4 2.4 0 3
15 7.1 6.6 4.5 0.8 9 0 12 7.6 7.1 7 2.1 3.6
16 8.3 11.4 7.9 7.6 6 12 12 10.7 7.9 7.9 5.9 2.1
17 12.2 12.1 12.1 8.3 0.2 12 12 5.7 4.6 4.7 0 9.3
18 12 4.5 10 6 12 12 12.1 8.9 3.1 3.2 11.3 7.3
19 11.9 5.7 11.8 12.2 12 7.5 12.1 4.8 4.2 4.2 0.3 11.1
20 1.5 2.6 9.1 10 12.1 11.3 12.2 11.7 6.9 6.9 4 11.9
21 2.4 4.8 4.5 4.5 12.1 12 7.6 5.4 6.2 6.2 0 8.7
22 11.8 7.6 10.2 9.8 12.2 10.5 10.4 9.1 12 12.1 8.4 6
23 7 1.3 7.6 10.6 12.1 9 11.1 5.3 9.4 9.3 3.4 2.5
24 4.5 12 11.1 12.5 12.1 9.8 9.8 7.6 11.2 11.2 8.4 2
25 6.9 4.5 7.5 3.4 9.8 9.8 9.1 9.2 8.8 8.7 5.7 0
26 0 0 6.5 10.6 12.2 7.5 2.4 0 8.7 8.7 10.5 3
27 6.6 1.5 11.6 11.5 12.1 4.5 10.4 4.5 4.7 4.6 9 3.9
28 0.4 7.8 9 8 12.2 9 4.4 12 5.4 0 0 2.4
29 0.2 3.4 3.2 12.1 12 0 6.8 5.4 8.3 10.5 0.8
30 8.9 6 12.2 9.1 10.6 12.1 11.2 0 11.2 5.1 1.8
31 0 10.4 6 9 0 12.1 7.9

5 Skripsi Full

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

5 Skripsi Full

Diunggah oleh

Hak Cipta:

Format Tersedia

VALIDASI MODEL SWAT DI DAS AIR DINGIN PADANG

TEGUH MIZWARNI ANUGRAH

FAKULTAS TEKNOLOGI PERTANIAN

TEGUH MIZWARNI ANUGRAH

Sebagai Salah Satu Syarat untuk Memperoleh

FAKULTAS TEKNOLOGI PERTANIAN

Padang, Januari 2020

Teguh Mizwarni Anugrah

Penulis dilahirkan pada tanggal 23 Desember 1996 di

Padang, Januari 2020

Bismillahirrahmanirrahim, syukur Alhamdulillah penulis ucapkan kehadirat

Padang, Januari 2020

Gambar 1. Grafik Debit Observasi.......................................................................16

Tabel 1. Klasifikasi Nilai NS................................................................................15

Lampiran 1. Peta Lokasi Stasiun klimatologi dan Curah Hujan...........................41

VALIDASI MODEL SWAT DI DAS AIR DINGIN PADANG

Teguh Mizwarni Anugrah1, Feri Arlius2, Ashadi Hasan2

Daerah Aliran Sungai (DAS) merupakan kawasan yang terpisah dari

Kata Kunci: DAS (Daerah Aliran Sungai), HRU, SWAT

I.1 Latar Belakang

Daerah Aliran Sungai (DAS) merupakan kawasan yang terpisah dari

mengkaji hidrologi dengan menyederhanakan sistemnya dapat diketahui

I.2 Tujuan Penelitian

I.3 Manfaat Penelitian

II. TINJAUAN PUSTAKA

II.1 Daerah Aliran Sungai (DAS)

Daerah Aliran Sungai (DAS) merupakan kawasan yang terpisah dari

II.2 Neraca Air

Mulyana (2012) berpendapat bahwa permodelan yang dilakukan dengan

II.4 Validasi dan Kalibrasi

Validasi adalah suatu proses yang berfungsi untuk melakukan pengujian

III. BAHAN DAN METODE

III.1 Waktu dan Tempat

Penelitian ini dilakukan di Laboratorium Agricultural Management and

III.2 Bahan dan Alat

1. Data curah hujan harian

III.3 Metode Penelitian

III.3.1 Pengumpulan Data

III.3.1 Penginputan Data

III.3.2 Pengolahan Data

Tahapan aplikasi permodelan dilakukan sebagai berikut, di antaranya :

a. Watershed deliniation, proses ini membentuk sekat atau mengartikan

SWAT Simulation, pada kegiatan inilah running model dijalankan sehingga

III.3.3 Analisis SWAT

1. R2 (coefficient of determination), yaitu perbandingan dari keseluruhan varian

[√ ∑ ( Qobs ,i−Q́obs ,i )( Q cal ,i−Q́ cal ,i )

∑ ( Q obs, i−Q́obs ,i ) ∑ ( Qcal , i−Q́cal ,i )

Q-obs,i : debit observasi rata-rata (m3/dt)

R2 ialah rasio variabilitas nilai simulasi dengan variabilitas nilai observasi.

2. NSE (Nash-Sutclife Efficiency), menentukan seberapa baik plot dari observasi

∑ ( Qobs ,i−Q́ 0 bs, i )

Qcal,i : Debit hasil simulasi (m3/s)

Qobs,i : Debit observsi (m3/s)

Q́ obs ,i : Debit observasi rata-rata (m3/dt)

Q́cal , i : Debit simulasi rata-rata (m3/s)

Kriteria grafis, dipaparkan dalam model diagram pencari debit terukur

Gambar. 1 Grafik Debit Observasi

Adapun langkah-langkah yang perlu dilakukan dalam kalibrasi yaitu,

5. Mulai proses kalibrasi dengan memilih parameter yang akan digunakan

III.4 Diagram Alir Penelitian

Peta Peta Peta Data Data

Delinisasi DAS Karakteristik Analisis

RUN Model SWAT