ANALISA KEKERINGAN DI KECAMATAN SEKOTONG

DENGAN METODE STANDARDIZED PRECIPITATION

INDEX (SPI) DAN DESIL

Analysis of Drought in the District Sekotong with Standardized Precipitation

Indeks (SPI) and Desil Methods

Artikel Ilmiah
Untuk memenuhi sebagian persyaratan
mencapai derajat Sarjana S-1 Jurusan Teknik Sipil

Oleh:
CANDRI SILA ISNAINI RYZKIA
F1A 011 028

JURUSAN TEKNIK SIPIL

FAKULTAS TEKNIK
UNIVERSITAS MATARAM
2016
 ANALISA KEKERINGAN DI KECAMATAN SEKOTONG DENGAN METODE STANDARDIZED
PRECIPITATION INDEX (SPI) DAN DESIL
1 2 2
Candri Sila Isnaini Ryzkia , Humairo Saidah , M. Bagus Budianto
1
Mahasiswa Jurusan Teknik Sipil Universitas Mataram
2
Dosen Jurusan Teknik Sipil Universitas Mataram

Jurusan Teknik Sipil, Fakultas Teknik, Universitas Mataram

INTISARI

Kekeringan merupakan salah satu fenomena yang terjadi sebagai dampak sirkulasi musiman
yang selalu terjadi setiap tahun. Para ahli banyak berpendapat bahwa kekeringan biasanya
berhubungan dengan gejala pergeseran antara musim hujan dengan musim kemarau di Indonesia.
Berdasarkan data historis, kekeringan di Indonesia seringkali berasosiasi dengan fenomena El Nino.
Pengaruh El Nino lebih kuat pada musim kemarau yang menyebabkan berkurangnya jumlah curah
hujan yang turun dari normalnya serta udara menjadi lebih kering
Studi ini bermaksud untuk mengetahui indeks kekeringan di Kecamatan Sekotong dengan
menggunakan metode Standardized Precipitation Index (SPI) dan Desil. Metode SPI dan Desil dapat
mengidentifikasi adanya potensi kekeringan, karena curah hujan merupakan indikator utama
kekeringan meteorologis. Kemudian dianalisa kedekatannya terhadap El Nino (SOI). Dan untuk
sebagai peringatan dini bagi masyarakat setempat akan ancaman bahaya kekeringan dimasa yang
akan datang maka akan dilakukan prediksi kekeringan.
Hasil analisis kekeringan dengan metode Standardized Precipitation Index (SPI) bahwa ketiga
stasiun hujan yang berpengaruh di Kecamatan Sekotong yaitu stasiun hujan Sekotong mengalami
kekeringan terparah dengan nilai indeks kekeringan sebesar -2.598, sedangkan metode Desil
menunjukkan presentase kejadian kekeringan dimana keadaan curah hujan di bawah normal (kering)
sebesar 32.667%. Indeks kekeringan berdasarkan metode SPI maupun Desil tidak berkorelasi kuat
terhadap nilai SOI, namun berkolasi cukup kuat terhadap besarnya curah hujan. Prediksi indeks
kekeringan metode SPI dan Desil yang menggunakan data curah hujan bangkitan output Thomas
Fiering masih kurang tepat dalam memprediksi atau meramalkan indeks kekeringan di Kecamatan
Sekotong.
Kata Kunci : Kekeringan, Indeks Kekeringan, SPI, Desil, El Nino SOI

I. PENDAHULUAN pergeseran antara musim hujan dengan musim

A. Latar Belakang
Air merupakan salah satu sumber daya alam
yang sangat penting peranannya untuk makhluk
hidup terutama manusia. Air tidak hanya
berperan penting dalam metabolisme tubuh
manusia saja tetapi juga digunakan untuk
aktivitas sehari-hari seperti untuk irigasi
pertanian, perikanan, pembangkit tenaga listrik,
serta penyediaan air bersih untuk minum maupun
mandi. Oleh karena itu dibutuhkan pemanfaatan,
pengolahan, dan pengendalian yang tepat agar
dapat digunakan sesuai dengan kebutuhan.
Walaupun air adalah salah satu sumber daya
alam yang dapat diperbaharui, namun terkadang
air tidak selalu tersedia sesuai dengan kuantitas
yang memadai sehingga sering terjadi
ketidakseimbangan antara kebutuhan dengan
ketersediaan air terutama ketika musim kemarau
tiba. Musim kemarau yang panjang akan
menyebabkan kekeringan. Kekeringan
merupakan salah satu fenomena yang terjadi
sebagai dampak sirkulasi musiman yang selalu
terjadi setiap tahun.
Para ahli banyak berpendapat bahwa
kekeringan biasanya berhubungan dengan gejala
kemarau di Indonesia. Berdasarkan data historis,
kekeringan di Indonesia seringkali berasosiasi
dengan fenomena El Nino. Pengaruh El Nino
lebih kuat pada musim kemarau yang
menyebabkan berkurangnya jumlah curah hujan
yang turun dari normalnya serta udara menjadi
lebih kering (Yosilia, 2015).
Berdasarkan peta kejadian bencana
kekeringan di Indonesia antara 1979 – 2009 yang
dibuat oleh BNPB (Badan Nasional
Penanggulangan Bencana), NTB mengalami 50
kali kejadian kekeringan. Beberapa kejadian
kekeringan terparah di NTB yang dipengaruhi El
Nino sangat dirasakan pada tahun 1995/1996
dan 1997/1998 (BPTPH, 1999). Menurut Badan
Meteorologi Klimatologi dan Geofisika (BMKG)
kelas I Kediri NTB (2015) kekeringan terjadi di 6
Kecamatan di Kabupaten Lombok Barat, salah
satunya adalah Kecamatan Sekotong.
Kecamatan Sekotong merupakan Kecamatan
yang mengalami kekeringan terparah karena dari
sembilan desa yang ada, hampir seluruhnya
mengalami kekeringan. Maka perlu upaya untuk
mengetahui kondisi kekeringan di Kecamatan
4
Sekotong sebagai langkah antisipasi dini
terhadap kekeringan.
Salah satu parameter yang dapat dijadikan
pengukur tingkat keparahan kekeringan adalah
indeks kekeringan. Indeks kekeringan seperti
Standardized Precipitation indeks (SPI) dan Desil
telah terbukti sebagai alat penting yang baru
diketemukan dan telah diterima oleh masyarakat
luas di berbagai Negara. Berdasakan deklarasi
Lincoln 8 – 11 Desember 2009 dalam
pembahasan mengenai standar indeks
kekeringan dan pedoman untuk sistem
peringatan dini kekeringan (Drought Early
Warning System) menyatakan bahwa metode
SPI direkomendasikan sebagai metode indeks
kekeringan untuk monitoring
mengkarakterisasikan tingkat kekeringan
meteorologis diseluruh dunia (Hayes dkk, 2011).
Sedangkan metode Desil dipilih sebagai ukuran
kekeringan oleh Austalian Drought Watch
System karena relatif sederhana untuk dihitung
(Sudhian Aryadipura, 2012).
Oleh karena itu, penulis ingin menerapkan
metode Standardized Precipitation indeks (SPI)
dan Desil dalam menganalisa kekeringan di
Kecamatan Sekotong sehingga untuk
kedepannya dapat dilakukan tindakan
pencegahan sedini mungkin terhadap
kekeringan. Maka penulis tertarik mengambil
judul “Analisa Kekeringan di Kecamatan
Sekotong dengan Metode Standardized
Precipitation Index (Spi) dan Desil”.
B. Rumusan Masalah
1. Berapa indeks kekeringan yang terjadi di
Kecamatan Sekotong menggunakan metode
Standardized Precipitation Index (SPI) dan
Desil?
2. Bagaimana ketelitian antara indeks
kekeringan metode SPI dan metode Desil
terhadap El Nino (SOI)?
3. Bagaimana ketelitian antara indeks
kekeringan metode SPI dan metode Desil
terhadap besarnya curah hujan?
4. Bagaimana prediksi indeks kekeringan
Kecamatan Sekotong .
C. Tujuan Penelitian
1. Untuk mengetahui indeks kekeringan
Kecamatan Sekotong dengan menggunakan
metode Standardized Precipitation Index
(SPI) dan Desil.
2. Untuk mengetahui ketelitian antara indeks
kekeringan metode SPI dan metode Desil
terhadap El Nino (SOI).
3. Untuk mengetahui ketelitian antara indeks
kekeringan metode SPI dan metode Desil
terhadap besarnya curah hujan.
4. Untuk mengetahui prediksi indeks kekeringan
Kecamatan Sekotong.
D. Manfaat Penelitian
Manfaat yang dapat diharapkan dari penelitian
Ini adalah untuk membantu pemerintahan
setempat dengan memberikan masukan sebagai
bahan pertimbangan dalam mengambil
keputusan yang tepat untuk menghadapi
kekeringan.
E. Batasan Masalah
1. Penelitian dilakukan di Kecamatan Sekotong.
2. Data curah hujan yang digunakan dari Stasiun
Hujan Sekotong dengan panjang data 25
tahun (1990 – 2014).
3. Analisis pembangkitan data curah hujan
dipakai Model Thomas Fiering yang
dan digunakan untuk prediksi data curah hujan.
Metode ini digunakan hanya sebagai alat
bantu untuk memprediksi data hujan periode
tahun 2015 – 2020.
4. Penelitian ini dilakukan untuk mengukur
kekeringan meteorologis.
5. Analisis kekeringan dalam penelitian ini
menggunakan metode Standardized
Precipitation Index (SPI) dan Desil.
II. DASAR TEORI
A. Tinjauan Pustaka
Hadi Muliawan (2012), melakukan penelitian
“Analisa Indeks Kekeringan Dengan Metode
Standardized Precipitation Index (SPI) dan
sebaran kekeringan dengan Geographic
Information System (GIS) pada DAS Ngrowo”,
dari analisa didapat indeks kekeringan
menggunakan metode Standardized Precipitation
Index (SPI) pada periode defisit 1, 4, 6, 12 dan
24 dengan nilai indeks kekeringan masing-
masing (-4,014), (-3,614), (-3,750), (-3.819 dan (-
3,066). Dari tiap periode defisit didapatkan
bahwa kekeringan terparah terjadi pada tahun
1997 dengan tingkat kekeringan ”amat sangat
kering”. Kekeringan meteorologi yang terjadi juga
memiliki hubungan terhadap nilai SOI. Ketika
terjadi nilai defisit maka SOI bernilai negatif,
begitu juga sebaliknya ketika terjadi nilai surplus
maka SOI bernilai positif. SOI tersebut
merupakan indikator terjadinya El Nino, semakin
kecil nilai SOI maka akan terjadi El Nino yang
kuat hal tersebut menyebabkan terjadinya
kekeringan yang panjang.
Fitria Nuril Umami (2013), melakukan
penelitian “Aplikasi Sistem Informasi Geografi
Untuk Analisa Kekeringan Menggunakan Metode
Desil Pada DAS Widas Kabupaten Nganjuk”, dari
analisa diketahui persentase kejadian kekeringan
pada periode 1 bulanan di bulan Januari keadaan
curah hujan dibawah normal (kering) di semua
stasiun hujan adalah 31,58%, Februari 31,58% -
36,84%, Maret 31,58% - 36,85%, April 31,58%,
Mei 31,58% - 36,85%, Juni 36,84% - 57,90%, Juli
57,89% - 89,47%, Agustus 68,42% - 89,50%,
5
September 84,21% - 89,47%, Oktober 31,58% -
57,89%, November 31,58% dan Desember
31,58%. Pada periode 3 bulanan DJF 31,58% -
33,33%, MAM 63,16% - 94,74% , JJA 100% dan
SON 89,47%- 100%. Pada Periode 6 bulanan
SONDJF 27,78% - 33,33% dan MAMJJA 78,95%
- 100% sedangkan pada periode 12 bulan adalah
31,58%. Dan hasil Analisa jika dikaitkan dengan
kejadian El Nino mengindikasikan adanya
keterkaitan karena adanya kemiripan tren
kejadian kekeringan pada stasiun pengamatan
dengan kejadian El Nino. Kejadian El Nino
terparah terjadi pada tahun 1997, pada tahun
tersebut semua stasiun pengamatan
menunjukkan adanya kekeringan. Hal ini dapat
disebabkan oleh pengaruh El Nino terhadap
curah hujan yang turun.
Mira Anantha Yosilia (2014), melakukan
penelitian “Analisis Hubungan El Nino Dengan
Kekeringan Meteorologis Menggunakan SPI
(Standardized Precipitation Index) Di Pulau Bali”,
dari analisa didapat hubungan El Nino dengan
kekeringan meteorologis yang dicerminkan
masing-masing oleh nilai SOI dan nilai SPI
adalah positif. Hal tersebut diuji dengan
menggunakan nilai SPI skala waktu 1 bulan, 3
bulan, 6 bulan, dan 12 bulan. Nilai R2 yang
paling besar didapatkan pada korelasi antara
nilai SOI dengan nilai SPI-6 bulan, yaitu 0,5066
pada stasiun hujan Ngurah Rai dan 0,5587 pada
stasiun hujan Celuk.
1) Kekeringan
Kekeringan diawali dengan berkurangnya
jumlah curah hujan dibawah normal pada satu
musim, kejadian ini adalah kekeringan
meteorologis yang merupakan tanda awal dari
terjadinya kekeringan. Tahapan selanjutnya
adalah berkurangnya kondisi air tanah yang
menyebabkan terjadinya stress pada tanaman
(disebut kekeringan pertanian), tahapan
selanjutnya terjadinya kekurangan pasokan air
permukaan dan air tanah yang ditandai
menurunya tinggi muka air sungai ataupun danau
(disebut kekeringan hidrologis). Kekeringan
dibagi menjadi 3 jenis yaitu:
1. Kekeringan meteorologi (meteorology
drought)
Didefiniskan sebagai kekurangan hujan dari
yang normal atau diharapkan selama
periode waktu tertentu. Perhitungan tingkat
kekeringan meteorologis merupakan
indikasi pertama terjadinya kondisi
kekeringan.
2. Kekeringan pertanian (agricultural drought)
Kekeringan pertanian ini terjadi setelah
terjadinya gejala kekeringan meteoro-logis.
Kekeringan ini berhubungan dengan
berkurangnya kandungan air dalam tanah
(lengas tanah) sehingga tidak mampu lagi
memenuhi kebutuhan air bagi tanaman
pada suatu periode tertentu. Dicirikan
dengan kekurangan lengas tanah.
3. Kekeringan hidrologi (hydrological drought)
Didefinisikan sebagai kekurangan pasok air
permukaan dan air tanah dalam bentuk air
di danau dan waduk, aliran sungai, dan
muka air tanah. Kekeringan hidrologis
diukur dari ketinggian muka air sungai,
waduk, danau dan air tanah.
2) Metode Indeks Kekeringan
Indeks kekeringan merupakan suatu
perangkat utama untuk mendeteksi, memantau,
dan mengevaluasi kejadian kekeringan. Untuk
menduga nilai indeks kekeringan suatu wilayah
terdapat beberapa metode yang dalam proses
perhitungannya dapat memanfaatkan beberapa
data, baik data iklim maupun kelengasan tanah.
Tabel 1 Beberapa metode indeks kekeringan dan
masukan data yang dibutuhkan dalam
perhitungan
Sumber : (Solikhati, 2013, dalam Anggun 2015)
3) El Nino
Terdapat beberapa parameter yang
mempengaruhi terjadinya El Nino, antara lain:
1. Anomali Suhu Permukaan Laut
Ketika terjadi El Nino, suhu permukaan laut di
Samudra Pasifik ekuator bagian tengah dan timur
memanas, yakni suhu berada di atas normal.
Sebaliknya, suhu permukaan laut di Samudra
Pasifik ekuator bagian barat atau di sekitar
wilayah perairan Indonesia menjadi lebih dingin
dari biasanya, yaitu suhu berada di bawah
normal. Keadaan inilah yang menjadi salah satu
parameter yang mengindikasikan terjadinya El
Nino. Kondisi sebaliknya mengindikasikan
terjadinya La Nina.
2. Indeks Osilasi Selatan / Southern Oscillation
Index (SOI)
6
 El Nino juga memiliki intensitas yang
dikategorikan menurut besarnya penyimpangan
suhu muka air laut yang menyebabkan
perubahan tekanan udara di atas nilai rata-
ratanya. Perubahan tekanan udara tersebut
dapat dibaca dengan Indeks Osilasi Selatan
(South Oscillation Index / SOI). Biasanya nilai
SOI yang dipakai untuk kepentingan analisis
klimatologi berskala bulanan, sebab nilai SOI
dengan skala harian atau mingguan dapat
dipengaruhi oleh pola-pola cuaca harian. SOI
mengindikasikan adanya El Nino ataupun La
Nina di Samudra Pasifik dengan melihat
perbedaan tekanan atmosfer antara Tahiti dan
Darwin. Darwin merupakan perwakilan dari Sumber : Based on Oceanic Nino Index
wilayah Hindia – Australia, sedangkan Tahiti
mewakili wilayah Amerika Selatan. Ketika El Nino
terjadi, tekanan udara rata- rata di Darwin lebih
tinggi daripada di Tahiti, ditunjukkan dengan nilai
SOI yang negatif, sedangkan nilai SOI positif
mengindikasikan terjadinya La Nina. Intensitas El
Nino dikatakan semakin kuat apabila nilai SOI-
nya semakin negative. Hal tersebut dijelaskan

oleh Salmawati (2010) tentang tingkatan

intensitas El Nino dan La Nina :
a. El a. Nino dikatakan lemah, apabila nilai SOI -
5 s/d 0 dan berlangsung minimal 3 bulan
berturut-turut.
b. El Nino dikatakan sedang, apabila nilai SOI -
10 s/d -5 dan berlangsung minimal 3 bulan
berturut-turut.
c. El Nino dikatakan kuat, apabila nilai SOI lebih
kecil dari -10 dan berlangsung minimal 3 bulan
berturut-turut.

Tabel 2 Klasifikasi nilai Indeks Osilasi Selatan /

Southern Oscillation Index (SOI)
Tabel 3 Nilai Indeks Osilasi Selatan / Southern Oscillation Index (SOI)
Tahun Jan Feb Mar Apr Mei Jun Jul Agust Sept Okt Nov Des
1990 -1.1 -17 -8.5 -0.5 13.1 1 5.5 -5 -7.6 1.8 -5.3 -2.4
1991 5.1 0.6 -11 -13 -19 -5.5 -1.7 -7.6 -17 -13 -7.3 -17
1992 -25 -9.3 -24 -19 0.5 -13 -6.9 1.4 0.8 -17 -7.3 -5.5
1993 -8.2 -7.9 -8.5 -21 -8.2 -16 -11 -14 -7.6 -14 0.6 1.6
1994 -1.6 0.6 -11 -23 -13 -10 -18 -17 -17 -14 -7.3 -12
1995 -4 -2.7 3.5 -16 -9 -1.5 4.2 0.8 3.2 -1.3 1.3 -5.5
1996 8.4 1.1 6.2 7.8 1.3 13.9 6.8 4.6 6.9 4.2 -0.1 7.2
1997 4.1 13.3 -8.5 -16 -22 -24 -9.5 -20 -15 -18 -15 -9.1
1998 -24 -19 -29 -24 0.5 9.9 14.6 9.8 11.1 10.9 12.5 13.3
1999 16 8.6 8.9 18.5 1.3 1 4.8 2.1 -0.4 9.1 13.1 12.8
2000 5.1 12.9 9.4 16.8 3.6 -5.5 -3.7 5.3 9.9 9.7 22.4 7.7
2001 8.9 11.9 6.7 0.3 -9 1.8 -3 -8.9 1.4 -1.9 7.2 -9.1
2002 2.7 7.7 -5.2 -3.8 -15 -6.3 -7.6 -15 -7.6 -7.4 -6 -11
2003 -2 -7.4 -6.8 -5.5 -7.4 -12 2.9 -1.8 -2.2 -1.9 -3.4 9.8
2004 -12 8.6 0.2 -15 13.1 -14 -6.9 -7.6 -2.8 -3.7 -9.3 -8
2005 1.8 -29 0.2 -11 -15 2.6 0.9 -6.9 3.9 10.9 -2.7 0.6
2006 13 0.1 13.8 15.2 -9.8 -5.5 -8.9 -16 -5.1 -15 -1.4 -3
2007 -7.3 -2.7 -1.4 -3 -2.7 5 -4.3 2.7 1.5 5.4 9.8 14.4
2008 14 21.3 12.2 4.5 -4.3 5 2.2 9.1 14.1 13.4 17.1 13.3
2009 9.4 14.8 0.2 8.6 -5.1 -2.3 1.6 -5 3.9 -15 -6.7 -7
2010 -10 -15 -11 15.2 10 1.8 20.5 18.8 25 18.3 16.4 27.1
2011 20 22.3 21.4 25.1 2.1 0.2 10.7 2.1 11.7 7.3 13.8 23
2012 9.4 2.5 2.9 -7.1 -2.7 -10 -1.7 -5 2.7 2.4 3.9 -6
2013 -1.1 -3.6 11.1 0.3 8.4 13.9 8.1 -0.5 3.9 -1.9 9.2 0.6
2014 12 -1.3 -13 8.6 4.4 -1.5 -3 -11 -7.5 -8 -10 -5.5
Sumber : Australian Government Bureau of Meteorology
(http://www.bom.gov.au/climate/current/soi2.shtml)

7
B. Analisa kekeringan untuk skala waktu tertentu.
1) Uji Konsistensi Data Kekeringan terjadi pada waktu SPI secara
Untuk memperoleh hasil analisis yang baik, berkesinambungan negatif dan mencapai
data hujan harus dilakukan pengujian konsistensi intensitas kekeringan dengan SPI bernilai -1 atau
terlebih dahulu untuk mendeteksi penyimpangan kurang, sedangkan kekeringan akan berakhir
ini. Uji konsistensi dilakukan dengan metode apabila nilai SPI menjadi positif.
RAPS. Tabel 4 Klasifikasi nilai SPI

Persamaan yang digunakan adalah sebagai

berikut :
*
** S
Sk = k
Dy
K = 0,1,2, … , n

å (Y - Y )
n
2
i
i =1
Dy =
2

( )
k
S k = å Yi - Y Sumber : Hayes, “Revisiting the SPI :
*
Clarifying the Process”, 2000
i +1

1. Menghitung rata-rata :
k = 1,2,3, … , n
åx
x=
dengan : n
n = jumlah data hujan Dengan :
Yi = data curah hujan (mm) x = nilai rata-rata kejadian hujan (mm)
Y = rerata curah hujan (mm)
å x = jumlah kejadian hujan (mm)
* ** n = jumlah data
S k , S k , Dy menghitung di Microsoft Excel dengan fungsi
= nilai statistik
= AVERAGE (first : last)
Nilai statistik Q 2. Menghitung Standar Deviasi :

Q = maks S k
**
å( x - x )
0£k £ n Sd =
n
Nilai Statistik R (Range) Dengan : S = standar deviasi
menghitung di Microsoft Excel dengan fungsi
R = maks S k
**
- min S k
**
0£k £n 0£k £n = STDEV (first : last)
dengan : 3. Menghitung alpha :
Q = nilai statistik x2
n = jumlah data hujan a=
Sd 2
Dengan melihat nilai statistik di atas maka dapat Dengan :
dicari nilai Qy / n dan Ry / n x = Nilai rata-rata kejadian hujan (mm)
Hasil yang didapat dibandingkan dengan nilai Sd = Standar deviasi
4. Menghitung beta :
Qy / n syarat dan Ry / n syarat.
x
b=
a
2) Metode Standardized Precipitation Index Dengan :
(SPI) x = Nilai rata-rata kejadian hujan (mm)
SPI untuk suatu lokasi dihitung berdasarkan a = Nilai bentuk (shape)/alpha
data hujan yang cukup panjang untuk periode
yang diinginkan.
McKee et al (1993) menggunakan
klasifikasi dibawah ini untuk mengidentifikasikan
intensitas kekeringan, dan juga kriteria kejadian

8
5. Menghitung gamma distribusi : cf b = Frekwensi kumulatif di bawah Desil-1
x x -x
1 yang dicari
G( x) = ò g ( x)dx = a ò t a -1e b dx
0 b G( a ) 0 fd = Frekwensi pada interval Desil-1 yang
menghitung di Microsoft Excel dengan fungsi dicari
= GAMMADIST (x, β, α, true) N = Jumlah seluruh frekwensi dalam distribusi
6. Menghitung transfom gamma distribution : n = Desil yang dicari ( n = 1)
é 1 ù i = lebar interval
t = ln ê 2 ú
untuk 0 < H(x) ≤ 0.5
ë H ( x) û Tabel 5 Makna peringkat Desil (Gibbs dan
Maher, 1967)
é 1 ù
t = ln ê 2 ú
untuk 0.5 < H(x) ≤ 1.0
ë (1 - H ( x)) û
Dengan :
H ( x) = q + (1 - q)G( x)
q = m/n dengan m adalah jumlah kejadian
hujan 0 mm dalam deret seri data hujan.
7. Menghitung nilai SPI
- untuk 0 < H(x) ≤ 0.5
c0 + c1t +c 2 t 2
Z = SPI = -(t -
1 + d1t + d 2 t 2 + d 3t 3 Sumber : H. Ghasemi, 2011
- untuk 0.5 < H(x) ≤ 1.0
c0 + c1t +c 2 t 2 4) Evaluasi Ketelitian Kekeringan tehadap El
Z = SPI = +(t - Nino (SOI) dan Besarnya Curah Hujan
1 + d1t + d 2 t 2 + d 3t 3 Perbandingan ini bertujuan untuk mengetahui
Dengan : apakah nilai El Nino SOI mempengaruhi
terjadinya kekeringan dengan cara mencari
c0= 2.515517 d1= 1.432788 angka koefisien korelasinya, dimana nilai SPI
c1= 0.802853 d2= 0.189269 dan Desil merupakan nilai model (Isim),
sedangkan nilai SOI merupakan nilai
c2= 0.010328 d3= 0.001308 pengamatan lapangan (Iobs).
a. Koefisien Korelasi
Yang dimana nilai r = 1 berarti bahwa korelasi
3) Metode Desil antara peubah y dan x adalah positif
Metode ini dikembangkan oleh Gibbs dan (meningkatnya nilai x akan mengakibatkan
Maher (1967) kata desil berasal dari satu per meningkatnya nilai y), sebaliknya jika r = -1,
sepuluh, dimana rentetan data diurut menjadi 10 berarti korelasi antara peubah y dan x adalah
kelompok. Kelompok pertama adalah hujan negatif (meningkatnya nilai x akan
dengan kemungkinan lebih kecil, 10 % dari mengakibatkan menurunnya nilai y). Nilai r = 0
seluruh kejadian. Kelompok kedua adalah curah menyatakan tidak ada korelasi antar peubah.
hujan dengan kemungkinan lebih kecil, 20 % dari Bentuk persamaan koefisien korelasi sebagai
seluruh kejadian. berikut :
å [( Iobs ]
n
- I obs ) × ( Isim - Isim)
én ù rj = i =1

ê 10 N - cf b ú
å [( Iobs ]
n
D1 = Bb + ê ú .i - I obs ) 2 × ( Isim - Isim) 2
ê fd ú i =1

ë û
Dimana : Iobs = Nilai pengamatan
Dimana : I obs = Rata-rata nilai pengamatan
D1 = Desil-1 yang dicari pada suatu titik yang Isim = Nilai model
membatasi 10 % frekwensi yang terbawah Isim = Rata-rata nilai model
dalam distribusi.
Bb = Batas bawah rentang interval Desil-1
(nyata)

9
 Tabel 6 Skala nilai r p j = Curah hujan rerata bulan ke-j (mm)
Nilai Koefisien Korelasi Keterangan 3. Menghitung koefisien korelasi tiap-tiap bulan
0,000 - 0,199 Sangat Rendah dengan rumus berikut :

å [( p ]
n
0,200 - 0,399 Rendah
i, j - p j ) × ( pi , j -1 - p j -1 )
0,400 - 0,599 Cukup i =1
0,600 - 0,799 Kuat rj =
å [( p ]
n
0,800 - 1,000 Sangat Kuat i, j - p j ) 2 × ( pi , j -1 - p j -1 ) 2
Sumber : Sudjana (1982) dalam Anggraeni i =1

(2008) Dengan:
rj = Koefisien korelasi curah hujan rerata bulan
Akan tetapi pada penelitian ini akan digunakan ke-j dengan bulan ke-j-1
rumus korelasi pada Microsoft Excel. pi,j = Curah hujan tahun ke-i, bulan ke-j (mm)
p j = Curah hujan rerata bulan ke-j (mm)
5) Model Bangkitan Data dengan Model pi,j-1 = Curah hujan tahun ke-i, bulan ke j-1 (mm)
Thomas Fiering
Bentuk persamaan metode Thomas Fiering p j -1 = Curah hujan rerata bulan ke j-1 (mm)
(Fiering, 1971). 4. Menghitung koefisien regresi bulanan
dengan rumus berikut :
p i, j = p j + bj . ( pi , j -1 - p j -1 ) + ti,,j. s j (1 - r j )
2
rj × s j
Dengan : bj =
p i, j = Curah hujan hasil pembangkitan yang s j -1
dicari (pada tahun ke-i, bulan ke-j) Dengan :
p i,j-1 = Curah hujan pada tahun ke-i, bulan ke j- bj = Koefisien regresi bulan ke-j
rj = Koefisien korelasi curah hujan rerata bulan
1 (pada bulan sebelumnya)
ke-j dengan bulan ke-j-1
pj = Nilai rerata curah hujan bulan ke-j
Sj = Simpangan baku bulan ke-j
p j -1 = Nilai rerata curah hujan pada bulan Sj-1= Simpangan baku bulan ke-j-1
5. Menentukan rangkaian bilangan acak
sebelumnya (bulan ke-j-1)
diperoleh dari program Minitab v.16.
rj = koefisien korelasi curah hujan bulan ke-j
6. Membangkitkan rangkaian data dengan
dengan bulan ke-j-1
menggunakan rumus Thomas Fiering.
bj = Koefisien regresi bulan ke-j-1
p i, j = p j + bj . ( pi , j -1 - p j -1 ) + ti,,j. s j (1 - r j )
2
Sj = Simpangan baku bulan ke-j
ti,j = Nilai acak berdistribusi normal baku (pada
tahun ke-i, bulan ke-j)

Parameter-parameter statistiknya yaitu:

1. Menghitung curah hujan rerata tiap-tiap
bulan dari data historis yang tersedia dengan
rumus sebagai berikut:
n

åp
i =1
i, j
pj =
n
Dengan:
p j = Curah hujan rerata bulan ke-j (mm)
pij = Curah hujan ke-I, bulan ke-j (mm)
n = Panjang data bulan ke-j
2. Menghitung simpangan baku (standar deviasi)
tiap-tiap bulan sepanjang data curah hujan
historis dengan rumus sebagai berikut:
n

å( p
i =1
i, j - p j )2
sj =
n -1
Dengan :
Sj = Simpangan baku bulan ke-j
pi,j = Curah hujan tahun ke-I, bulan ke-j (mm)
10
III. Metoda Penelitian

Lokasi
penelitian
Sumber : Google Maps
Gambar 2 Lokasi penelitian
2) Uji Konsistensi Data Hujan
Dalam pencatatan ini, uji konsistensi data
curah hujan dilakukan dengan metode RAPS.
Berikut adalah hasil dari uji dengan
menggunakan metode RAPS.
Contoh analisis uji konsistensi data curah
hujan stasiun hujan Sekotong pada tahun 1990
adalah sebagai berikut :
1. Curah hujan tahun 1990 (Xi) = 1258 mm
2. Jumlah data hujan (n) = 25
3. Nilai rata-rata keseluruhan hujan ( X) =
1362,588 mm
*
4. Nilai Statistik (SK ) = ( xi -x)

= 1258 – 1362,588 = -104,588 mm

2
(X i - X )2
5. Nilai Statistik
(Dy )
=
n
2
Gambar 1 Bagan Alir Penelitian
(1258 - 1362,588)
= = 437,542
25
å Dy
2
IV. Analisa dan Pembahasan 6. Dy = = 58094,260 = 241,028
1) Lokasi Penelitian SK * - 104,588
**
Penelitian ini dilaksanakan di Kecamatan 7. Nilai Statistik SK = Dy = 241,028
Sekotong, Kabupaten Lombok Barat dengan tiga
stasiun hujan berpengaruh yaitu stasiun hujan = -0,434
Sekotong. **
8. Harga Mutlak | SK | = 0,434
Hasil perhitungan untuk tahun-tahun
selanjutnya stasiun hujan Sekotong dapat dilihat
pada Tabel 7.

11
 Tabel 7 Tabel
Uji RAPS stasius hujan Sekotong
4.1 Uji RAPS stasiun hujan Sekotong
x2 247.508 2
No Tahun Hujan SK* DY² SK** I SK** I
a= = = 2.637
1
1 2
1990
3
1258
4
-104.588
5
437.542
6
-0.434
7
0.434
Sd 2 152.405 2
2 1991 1459 -8.175 371.815 -0.034 0.034 - Menghitung β ;
3 1992 1260 -110.763 420.968 -0.460 0.460
4 1993 1420 -53.350 131.848 -0.221 0.221 x 247.508
5 1994 1264 -151.938 388.780 -0.630 0.630 b= = = 93.844
6
7
1995
1996
1229
1229
-285.525
-419.113
713.825
713.825
-1.185
-1.739
1.185
1.739
a 2.637
8 1997 1047 -734.700 3983.819 -3.048 3.048 - Menghitung gamma distribusi :
9 1998 1510 -587.288 869.218 -2.437 2.437
10 1999 1762 -187.875 6381.214 -0.779 0.779
Contoh perhitungan bulan Januari tahun 1990
11 2000 1101 -449.463 2737.121 -1.865 1.865 stasiun hujan Sekotong :
12 2001 1351 -461.050 5.371 -1.913 1.913 x x -x
1
G( x) = ò g ( x)dx = a ò
13.820 -1.990
x a-1e b dx
13 2002 1344 -479.638 1.990
14 2003 1585 -257.225 1978.693 -1.067 1.067
15 2004 961 -658.813 6450.901 -2.733 2.733
0
b G ( a ) 0
16 2005 1018 -1003.400 4749.622 -4.163 4.163 #
959.915 -3.520 1 $( )
17 2006 1517.500 -848.488 3.520
= # ("$1) !% !
18 2007 1813.500 -397.575 8132.883 -1.650 1.650 ! " !G(")
19 2008 1287.000 -473.163 228.539 -1.963 1.963 505
1
20 2009 1373.750 -462.000 4.984 -1.917 1.917 = #!505(2.637 $1) !% $(93.844 )
21 2010 1396.938 -427.650 47.197 -1.774 1.774 93.844 2.637 !x!G(2.637)
22 2011 972.000 -818.238 6102.344 -3.395 3.395
23 2012 1564.300 -616.525 1627.517 -2.558 2.558
24 2013 1865.800 -113.313 10128.913 -0.470 0.470 = 0.934
25 2014 1475.900 0.000 513.589 0.000 0.000 - Menghitung probabilitas kumulatif H(x)
Total 34064.688 58094.260
Rata-Rata 1362.588 Contoh perhitungan bulan Januari tahun
Hasil akar 241.028 1990 stasiun hujan Sekotong :
n 25
Sk** maks 0.000 Sk ** maks = maks kolom 6 H(x) = !& + (1 $ &)!.!!'(#)
Sk** min -4.163 Sk ** min = min kolom 6 = 0 + (1 – 0 ) x 0.934
Q 4.163 Q = maks kolom 7
R 4.163 R = SK** maks - SK** min
= 0.934
Q / (n)(1/2) hit 0.833 < Q / (n)(1/2) tabel 90% = 1.11 Konsisten - Menghitung transform gamma distribusi :
R / (n)(1/2) hit 0.833 R / (n)(1/2) tabel = 1.37
Sumber : Hasil perhitungan
< 90% Konsisten
Contoh perhitungan dengan 0 < H(x) ≤ 0.5 yaitu
Sumber : Hasil perhitungan bulan Januari tahun 1992 :
Dari hasil perhitungan untuk Uji RAPS data é 1 ù
t = ln ê 2 ú
= 1.796
curah hujan, didapatkan nilai Q/ n <Q/ n ë 0.200 û
Contoh perhitungan dengan 0.5 < H(x) ≤ 1.0
ijin 90% serta R / n < R / n ijin 90 % bulan Januari tahun 1990 :
memenuhi syarat. Berdasarkan uji konsistensi é ù
1
data dengan menggunakan metode RAPS t = ln ê 2 ú
= 2.332
(Rescaled Adjusted Parsial Sums) hasil ë (1 - 0.934) û
pengujian pada stasiun hujan Sekotong adalah - Menghitung nilai SPI :
konsisten. Data yang konsisten menunjukan Contoh perhitungan dengan 0 < H(x) ≤ 0.5 yaitu
bahwa data curah hujan yang digunakan pada bulan Januari tahun 1992 :
analisa ini tidak mengalami perubahan sifat atau
c0 + c1t +c 2 t 2
pun pergeseran nilai rata-ratanya (mean). Z = SPI = -(t - )
3) Analisa Kekeringan 1 + d1t + d 2 t 2 + d 3t 3
2.515517 + 0.802853x1.796 + 0.010328 x1.796 2
a. Metode SPI = -(1.796 - )
1 + 1.432788x1.796 + 0.189269 x1.796 2 + 0.001308 x1.796 3
Contoh perhitungan pada sasiun hujan Sekotong
bulan Januari : = -0.843
- Menghitung rata-rata :
x = å x = Curah hujan Jan (1990 + 1991 + . . . + 2014) Contoh perhitungan dengan 0.5 < H(x) ≤ 1.0
n 25 bulan Januari tahun 1990 :
= 6187.700 = 247.508 mm c0 + c1t +c 2 t 2
25 Z = SPI = +(t - )
- Menghitung Standar Deviasi : 1 + d1t + d 2 t 2 + d 3t 3
å( x - x ) 2 2.515517 + 0.802853x2.332 + 0.010328 x2.332 2
Sd = = +(2.332 - )
n -1 1 + 1.432788 x2.332 + 0.189269 x2.332 2 + 0.001308x2.332 3
2
= (505 - 247.508) 2 + (356 - 247.508) 2 + ... + (478.3 - 247.508)
= 1.508
25 - 1
= 152.405
- Menghitung a :

12
 Tabel 8 Perhitungan SPI untuk bulan Januari fd cf
stasiun hujan Sekotong Tabel 9 Nilai dan b bulan Januari stasiun
Tahun x G(x) q H(x) t<0,5 t>0,5 spi<0,5 spi>0,5 Klasifikasi hujan Sekotong
1990 505.000 0.934 0.000 0.934 0.369 2.332 1.440 1.508 SB Jan fd cfb
1991 356.000 0.796 0.000 0.796 0.675 1.784 0.816 0.829 N 57.000 1 1
1992 119.000 0.200 0.000 0.200 1.796 0.667 -0.843 -0.830 N 80.000 1 2
363.000 0.806 0.000 0.806 0.656 1.812 0.851 0.864 N 99.000 1 3
1993
99.000 1 4
1994 171.000 0.362 0.000 0.362 1.426 0.948 -0.353 -0.351 N
99.000 1 5
1995 99.000 0.142 0.000 0.142 1.977 0.553 -1.073 -1.049 CK 112.000 1 6
1996 99.000 0.142 0.000 0.142 1.977 0.553 -1.073 -1.049 CK 119.000 1 7
1997 112.000 0.179 0.000 0.179 1.856 0.627 -0.920 -0.904 N 121.000 1 8
1998 121.000 0.206 0.000 0.206 1.779 0.678 -0.822 -0.810 N 132.000 1 9
1999 334.000 0.762 0.000 0.762 0.737 1.695 0.705 0.714 N 152.000 1 10
2000 249.000 0.586 0.000 0.586 1.034 1.327 0.215 0.216 N 171.000 1 11
293.000 0.686 0.000 0.686 0.867 1.523 0.482 0.485 N 206.000 1 12
2001
211.200 1 13
2002 132.000 0.239 0.000 0.239 1.691 0.740 -0.708 -0.700 N
249.000 1 14
2003 440.000 0.891 0.000 0.891 0.481 2.104 1.194 1.230 CB 267.000 1 15
2004 206.000 0.468 0.000 0.468 1.232 1.124 -0.079 -0.079 N 293.000 1 16
2005 80.000 0.093 0.000 0.093 2.181 0.441 -1.325 -1.280 CK 301.000 1 17
2006 267.000 0.629 0.000 0.629 0.962 1.409 0.328 0.330 N 313.900 1 18
2007 301.000 0.703 0.000 0.703 0.840 1.557 0.527 0.532 N 334.000 1 19
2008 99.000 0.142 0.000 0.142 1.977 0.553 -1.073 -1.049 CK 356.000 1 20
363.000 1 21
2009 57.000 0.045 0.000 0.045 2.491 0.303 -1.697 -1.598 SK
440.000 1 22
2010 152.000 0.302 0.000 0.302 1.547 0.848 -0.518 -0.514 N 478.300 1 23
2011 211.200 0.483 0.000 0.483 1.206 1.149 -0.042 -0.042 N 505.000 1 24
629.300 1 25
2012 629.300 0.976 0.000 0.976 0.219 2.735 1.815 1.982 SB
2013 313.900 0.727 0.000 0.727 0.798 1.612 0.598 0.604 N Sumber : Hasil perhitungan
2014 478.300 0.919 0.000 0.919 0.412 2.240 1.343 1.396 CB Setelah diketahui letak D1 maka dengan
Jumlah 6187.700
melihat tabel 10 dapat diketahui :
Mean 247.508
St. Dev 152.405 Bb = 99.000 + 80.000 = 89.500
α (Alpha) 2.637 2
β (Beta) 93.844 cf b = 2 ; N = 25 ; n =1
Sumber : Hasil perhitungan
fd = 1 i = 99.000 – 80.000 = 19.000
Berikut adalah grafik nilai SPI masing-masing Data diatas dimasukkan kedalam rumus desil :
én ù
stasiun : ê 10 N - cf b ú
D1 = Bb + ê ú . i
3 ê fd ú
2.5
2
êë úû
1.5
é1 ù
ê 25 - 2 ú
1
0.5
0 D1 = 89.500 + ê 10 ú . 19.000
-0.5 ê 1 ú
Nilai SPI

-1 ëê ûú
-1.5
-2
-2.5
-3
= 99.000 mm
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014

Proses perhitungan untuk mencari D2, D3, D4, D5,

Tahun D6, D7, D8, D9, dan D10 tidak berbeda

Tabel 10 Perhitungan nilai desil bulan Januari

Gambar 3 Grafik SPI stasiun hujan Sekotong stasiun hujan Sekotong
Kekeringan terparah jatuh pada tahun 1990 Desil Letak Bb fd cfb i Nilai
dengan nilai SPI amat sangat kering dengan nilai 1 2.5 89.500 1 2 19.000 99.000
2 5 99.000 1 4 0.000 99.000
SPI -2.598. 3 7.5 120.000 1 7 2.000 121.000
4 10 142.000 1 9 20.000 162.000
b. Metode Desil 5 12.5 208.600 1 12 5.200 211.200
Dalam perhitungan desil seri data curah hujan 6 15 258.000 1 14 18.000 276.000
7 17.5 307.450 1 17 12.900 313.900
diurutkan dari nilai terkecil hingga nilai terbesar 8 20 345.000 1 19 22.000 367.000
terlebih dahulu. 9 22.5 459.150 1 22 38.300 478.300
Contoh perhitungan bulan Januari stasiun 10 25 567.150 1 24 124.300 691.450
hujan Sekotong : Sumber : Hasil perhitungan
- Mencari Desil-1
Dari tabel 10 akan dicari Desil-1 (D1). Kemudian
mencari letak D1 atau 1/10 dari seluruh kejadian.
+ 1
*1 = #, = #25 = 2.5 (terletak di 99.000)
10 10

13
 Tabel 11 Klasifikasi tingkat kekeringan desil angka koefisien korelasinya, dimana nilai SPI
bulan Januari stasiun hujan Sekotong dan Desil merupakan nilai model (Isim),
Jan Desil Klasifikasi sedangkan nilai SOI merupakan nilai
505.000 10 ASB
356.000 8 CB pengamatan lapangan (Iobs).
119.000 3 CK Pada penelitian ini digunakan rumus
363.000 8 CB
171.000 4 N korelasi pada Microsoft Excel menggunakan
99.000 1 ASK fungsi =CORREL(array1,array2). Berikut adalah
99.000 2 SK
112.000 3 CK
hasil perhitungan :
121.000 3 CK Tabel 12 Hasil perhitungan koefisien korelasi
334.000 8 CB
249.000 6 N
antara SPI- SOI dan Desil- SOI
293.000 7 N r
132.000 4 N
440.000 9 SB SPI- SOI 0.175
206.000 5 N
80.000 1 ASK Desil- SOI 0.216
267.000 6 N
301.000 7 N Sumber : Hasil perhitungan
99.000 2 SK
57.000 1 ASK
Dari tabel diatas dapat dilihat bahwa SPI-
152.000 4 N SOI menghasilkan angka koefisien korelasi 0.175
211.200 5 N
629.300 10 ASB
(sangat rendah), sedangkan Desil- SOI
313.900 7 N menghasilkan angka korelasi 0.216 (rendah),
478.300 9 SB karena selama tahun pengamatan hanya
Sumber : Hasil perhitungan beberapa saja/sebagian kecil yang
memperlihatkan adanya hubungan yang searah,
Berikut adalah grafik desil masing-masing stasiun dapat dilihat pada grafik berikut.

4
3
2
1
Desil

0
-1
-2
-3
-4
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014

Tahun

Gambar 4 Grafik desil stasiun hujan Sekotong

Presentase kejadian kekeringan untuk stasiun

hujan Sekotong selama 25 tahun pengamatan
sebesar 32.667%.
Dari kedua metode analisis kekeringan baik
SPI maupun Desil keduanya memiliki kesamaan
yaitu sasiun hujan yang berpengaruh di
Kecamatan Sekotong yaitu stasiun hujan
Sekotong menunjukkan kejadian kekeringan
yang cukup tinggi. Oleh karena itu Kecamatan
Sekotong termasuk salah satu daerah yang
mengalami kekeringan terparah karena stasiun
hujan yang berpengaruh memiliki kejadian
kekeringan yang cukup tinggi.

4) Evaluasi Ketelitian Hubungan Indeks

Kekeringan Terhadap El Nino (SOI)

Evaluasi ini bertujuan untuk mengetahui

apakah nilai El Nino SOI mempengaruhi
terjadinya kekeringan dengan cara mencari
14
Gambar 5 Grafik nilai SPI dan nilai SOI stasiun hujan Sekotong

Gambar 6 Grafik Desil dan nilai SOI stasiun hujan Sekotong

15
 Dari hasil analisa maka dapat disimpulkan
bahwa nilai indeks kekeringan berdasarkan
metode SPI dan Desil di Kecamatan Sekotong,
keduanya tidak berkorelasi kuat terhadap nilai EL
Nino (SOI).
5) Evaluasi Ketelitian Hubungan Indeks
Kekeringan Terhadap Besarnya Curah
Hujan.
Evaluasi ini dilakukan dengan cara mencari
angka koefisien korelasinya, dimana nilai SPI
dan Desil merupakan nilai model (Isim),
sedangkan besarnya hujan merupakan nilai
pengamatan lapangan (Iobs).
Pada penelitian ini digunakan rumus korelasi
pada Microsoft Excel menggunakan fungsi
=CORREL(array1,array2). Berikut adalah hasil
perhitungan :
Tabel 13 Hasil perhitungan koefisien korelasi
antara SPI-Curah Hujan dan Desil-Curah Hujan
r
SPI-Curah Hujan 0.400
Desil-Curah Hujan 0.510
Sumber : Hasil perhitungan
Dari tabel diatas dapat dilihat bahwa SPI-
Curah Hujan menghasilkan angka koefisien
korelasi 0.400 (cukup kuat), sedangkan Desil-
Curah Hujan menghasilkan angka korelasi 0.510
(cukup kuat). Dapat dilihat pada grafik berikut.
16
6) Prediksi Kekeringan Tabel 15 Evaluasi kekeringan metode SPI
a. Bangkitan Data Curah Hujan dengan Model stasiun hujan Sekotong tahun 2015
Thomas Fiering 2015
Prediksi Real
SPI Klasifikasi SPI Klasifikasi
Pembangkitan data curah hujan dilakukan Jan 0.582 N 0.224 N
sebanyak 6 tahun (2015 – 2020). Berikut adalah Feb -0.082 N -0.753 N
data curah hujan hasil bangkitan. Mar 0.314 N 0.660 N
Apr -0.296 N 0.816 N
May 1.088 CB 0.359 N
Tabel 14 Hasil bangkitan curah hujan stasiun Jun 0.706 N 0.402 N
hujan Sekotong Jul 0.412 N 0.196 N
Bulan 2015 2016 2017 2018 2019 2020 Aug 1.269 CB 0.000 N
Sep 1.558 SB 0.538 N
Jan 305.471 250.989 58.055 345.671 315.512 135.033 Oct -0.770 N -0.969 N
Feb 253.723 292.427 193.238 367.015 186.863 197.239 Nov -0.188 N -1.646 SK
Mar 185.504 96.326 243.469 172.522 122.502 263.838 Dec -0.463 N 0.165 N
Apr 90.700 95.718 191.211 216.810 81.997 91.245 Sumber : Hasil perhitungan
Mei 99.955 151.485 70.763 68.896 22.692 72.908
Jun 24.696 29.467 17.510 27.614 17.556 22.343 2.0
Jul 9.683 74.255 71.620 0.936 7.353 0.446 1.5
Agust 8.851 3.056 6.219 11.024 7.015 3.387
1.0
Sept 39.387 9.347 16.007 5.065 2.252 31.496
Okt 10.789 35.510 133.399 54.530 91.620 109.911 0.5

SPI
Nov 109.807 71.639 44.456 171.783 159.186 187.993 0.0
Prediksi
Des 120.883 630.526 175.758 196.821 51.593 291.409 -0.5
Sumber : Hasil perhitungan -1.0 Real
Setelah mendapatkan data curah hujan
-1.5
bangkitan selama 6 tahun (2015 - 2020) masing
– masing stasiun hujan, kemudian akan -2.0

Nov
Apr
Feb

Okt
dilakukan analisis kekeringan dengan metode

Mei

Jul

Sept
Mar

Agust

Des
Jun
Jan
Standardized Precipitation Index (SPI) dan Desil.
2015
7) Evaluasi Ketelitian Indeks Kekeringan
Prediksi (Data Hujan Bangkitan) terhadap Gambar 9 Grafik nilai SPI stasiun hujan
Kekeringan (Data Hujan Real) Tahun 2015 Sekotong
Saat tahap persiapan data, penulis tidak
mendapatkan data hujan tahun 2015, oleh sebab Didapatkan nilai angka korelasi antara indeks
itu untuk prediksi kekeringan dilakukan SPI prediksi dengan indeks SPI real
pembangkitan hujan dimulai dari tahun 2015. menggunakan fungsi pada Microsoft Excel
Dan karena diakhir penelitian ini telah memasuki =CORREL(array1,array2) sebesar 0.461.
tahun 2016, maka penulis baru mendapatkan
data hujan 2015. Oleh karena itu dilakukan Tabel 16 Evaluasi kekeringan metode Desil
verifikasi kekeringan yang terjadi dari hasil stasiun hujan Sekotong tahun 2015
Prediksi Real
pembangkitan data hujan dengan kekeringan dari 2015
Desil Klasifikasi Desil Klasifikasi
hasil data hujan real (lapangan) tahun 2015. Jan 7 N 6 N
Perhitungan indeks kekeringan dengan data Feb 5 N 3 CK
hujan real (lapangan) dapat dilihat dilampiran. Mar 7 N 7 N
Apr 3 CK 8 CB
Berikut adalah rekapitulasi verifikasi kekeringan May 8 CB 5 N
yang terjadi dari hasil pembangkitan data hujan Jun 7 N 6 N
dengan kekeringan dari hasil data real Jul 6 N 5 N
(lapangan) tahun 2015 : Aug 9 SB 5 N
Sep 9 SB 6 N
Oct 3 CK 2 SK
Nov 5 N 1 ASK
Dec 3 CK 6 N
Sumber : Hasil perhitungan

17
 10 25 2.5
9 20 2.0
8 15 1.5
7 10 1.0

SOI dan SPI

6 5 0.5
Desil

5 0 0.0
4 Prediksi SOI
-5 -0.5
3 Real -10 -1.0 SPI
2
-15 -1.5
1
-20 -2.0
0
-25 -2.5

Nov
Mar
Apr

Okt
Mei

Jul
Jun

Agust
Sept

Des
Feb
Jan

Mar

Nov
Des
Jun
Apr

Okt
Jan

Jul
Mei

Agust
Sept
Feb
2015
2015
Gambar 10 Grafik nilai Desil stasiun hujan
Sekotong Gambar 11 Grafik nilai SPI - SOI stasiun hujan
Sekotong tahun 2015
Didapatkan nilai angka korelasi antara
indeks SPI prediksi dengan indeks SPI real Didapatkan nilai angka korelasi antara indeks
menggunakan fungsi pada Microsoft Excel SPI dengan nilai SOI menggunakan fungsi pada
=CORREL(array1,array2) sebesar 0.201. Microsoft Excel =CORREL(array1,array2)
sebesar -0.155.
Tabel 17 Rekapitulasi angka koefisien korelasi
antara indeks kekeringan prediksi dengan real 25 10
tahun 2015 20 9
r 15 8
10
SOI dan Desil

SPI 0.461 7
5
Desil 0.201 6
0
Sumber : Hasil perhitungan 5 SOI
-5
-10 4
Desil
Hasil perhitungan menghasilkan angka -15 3
korelasi antara indeks kekeringan prediksi -20 2
dengan real memiliki interpretasi rendah, yang
-25 1
berarti bahwa indeks kekeringan prediksi metode
Nov
Okt
Apr

Jul
Agust
Mei

Sept
Feb
Mar

Des
Jun
Jan

SPI maupun Desil yang menggunakan data

curah hujan bangkitan output Thomas Fiering 2015
tidak berkorelasi kuat terhadap nilai indeks
kekeringan metode SPI dan Desil yang
menggunakan data curah hujan lapangan (real) Gambar 12 Grafik nilai Desil - SOI stasiun hujan
tahun 2015. Sekotong tahun 2015

8) Evaluas Hubungan Indeks Kekeringan Didapatkan nilai angka korelasi antara Desil
(Data Hujan Real) Terhadap El Nino (SOI) dengan nilai SOI menggunakan fungsi pada
Tahun 2015 Microsoft Excel =CORREL(array1,array2)
Analisa ini bertujuan untuk mengetahui sebesar 0.001.
apakah nilai El Nino SOI tahun 2015
mempengaruhi terjadinya kekeringan tahun 2015 Tabel 18 Rekapitulasi angka koefisien korelasi
dengan cara mencari angka koefisien antara indeks kekeringan dengan nilai SOI tahun
korelasinya. Berikut adalah hasil analisa : 2015
r
SPI-SOI -0.155
Desil-SOI 0.001
Sumber : Hasil perhitungan

Hasil perhitungan menghasilkan angka

korelasi antara indeks kekeringan terhadap nilai

18
SOI memiliki interpretasi rendah, yang berarti
bahwa indeks kekeringan metode SPI maupun
Desil tidak berkorelasi kuat terhadap fenomena
El Nino (SOI). Oleh karena itu potensi kekeringan
tidak hanya bergantung pada faktor curah hujan
yang berkurang pada saat terjadi El Nino.
V. Kesimpulan dan Saran
A. Kesimpulan
1. Dari hasil analisa kekeringan selama 25
tahun (1990-2014) di Kecamatan Sekotong
menunjukkan :
a. Dengan metode Standardized
Precipitation Index (SPI) bahwa
Kecamatan Sekotong mengalami
kekeringan terparah dengan nilai indeks
kekeringan sebesar -2,598 pada bulan
Februari tahun 1990.
b. Dengan metode Desil presentase
kejadian kekeringan Kecamatan
Sekotong mengalami keadaan curah
hujan di bawah normal (kering) sebesar
32,667%.
2. Nilai indeks kekeringan berdasarkan metode
SPI dan Desil di Kecamatan Sekotong,
keduanya tidak berkorelasi kuat terhadap
nilai EL Nino (SOI) dengan nilai (r) masing-
masing sebesar 0,175 dan 0,216.
3. Nilai indeks kekeringan berdasarkan metode
SPI dan Desil, keduanya berkorelasi cukup
kuat terhadap besarnya curah hujan dengan
nilai (r) masing-masing sebesar 0,400 dan
0,510.
4. Prediksi indeks kekeringan metode SPI dan
Desil yang menggunakan data curah hujan
bangkitan output Thomas Fiering masih
kurang tepat dalam memprediksi atau
meramalkan indeks kekeringan di
Kecamatan Sekotong.
B. Saran
1. Potensi kekeringan tidak hanya bergantung
pada faktor curah hujan yang berkurang
pada saat terjadi El Nino. Faktor lain seperti
suhu permukaan perairan Indonesia dan
Samudera Pasifik dapat memberikan
pengaruh dan hasil yang berbeda.
Penelitian dengan faktor terkait lainnya perlu
dilakukan untuk kemudian dapat
dibandingkan dengan penelitian ini sehingga
dapat memberikan gambaran lebih baik.
2. Untuk membangkitkan curah hujan yang
digunakan sebagai input analisa prediksi
dapat dicoba dengan metode yang lebih
baik.
3. Diharapkan pemerintah dapat mengambil
langkah antisipasi yang tepat untuk
menangani kejadian kekeringan di masa
yang akan datang.
DAFTAR PUSTAKA
Adekayanti, Baiq Maria P. 2015. Analisis
Keandalan Data Debit Bangkitan dengan Metode
Thomas Fiering (Studi Kasus: Awlr Aik Nyet dan
Awlr Keling). Skripsi. Mataram: Fakultas Teknik
Universitas Mataram.
Anonim. 2004. Pedoman Penulisan Tulisan
Ilmiah. Mataram: Fakultas Teknik. Universitas
Mataram.
Aryadipura, Sudhian. 2012. Analisa Kekeringan
Daerah Aliran Sungai Upper Brantas dan Daerah
Aliran Sungai Kali Metro dengan Metode
Standardized Precipitation Index (Spi) dan Desil.
Skripsi. Surabaya: Fakultas Teknik Sipil dan
Perencanaan Universitas Pembangunan
Nasional “Veteran”
Badan Pusat Statistik Kabupaten Lombok Barat.
2014. Kecamatan Sekotong dalam Angka Tahun
2014. Sekotong: CV. Maharani.
Behzadi, Jalal. 2013. An Evaluation of Two
Drought Indices, Standard
Distribution and Deciles in Guilan, Iran. Greener
Journal of Social Sciences: Vol. 3 (9), pp. 472-
478
Fikri, Ali. Penerapan Data Mining untuk
Mengetahui Tingkat Kekuatan Beton yang
Dihasilkan dengan Metode Estimasi
Menggunakan Linear Regression. Skripsi.
Semarang: Fakultas Ilmu Komputer Universitas
Dian Nuswantoro
Gunawan, Dodo. 2007. Cuaca dan Iklim di
Indonesia. Pusat Penelitian dan Pengembangan
Badan Meteoroli dan Geofisika.
Ghasemi, H. 2011. Drought Monitoring Using
Climatic Indices and Geostatistic Technique
(Case Study: Hossein Abad Plain, Sarbisheh,
Iran). Proceedings of the 12th Internatioan
Confrence on Environmental Science and
Technology.
Hayes, Michael J. 1999. Monitoring the 1996
Drougth Using the Standardized Precipitation
Index. Bulletin of the American Meteorological
Society: Volume 80 No.3.
Hayes, Michael. 2000. Revisiting the SPI:
Clarifying the Process. University of Nebraska-
Lincoln : Volume 12 No.1.
Kafindo, Anggun Nimaztian. 2015. Analisa
Kekeringan Menggunakan Metode Thornthwaite
Mather pada Sub-Sub Das Keyang Kabupaten
Ponorogo. Skripsi. Malang: Fakultas Teknik
Universitas Brawijiya.
Keyantash, J., dan John A. 2002. The
Quantification of Drought : An Evaluation of
Drought Indices. American Meteorological
Society: August halaman 1167-1180.
19
Mahyudin. 2014. Model Prediksi Liku Kalibrasi
Menggunakan Pendekatan Jaringan Saraf Tiruan
(Jst) (Studi Kasus: Sub Das Siak Hulu). Skripsi.
Pekanbaru: Fakultas Teknik Universitas Riau.
Muliawan, Hadi. 2012. Analisa Indeks
Kekeringan dengan Metode Standardized
Precipitation Index (SPI) dan Sebaran
Kekeringan dengan Geographic Information
System (GIS) pada DAS Ngrowo. Skripsi.
Malang: Teknik Pengairan Fakultas Teknik
Universitas Brawijaya.
Parakoti, Ben., dan David Scott. 2003. Drought
Index for Rarotonga (Cook Islands). Proceedings
of the Pacific Regional Consultation on Water in
Small Island Countries Theme 2 Case Studie.
Smakhtin, V.U., dan Hughes. 2004. Review,
Automated Estimation and Analyses of Drought
Indices in South Africa. International Water
Management Institute : Lembar Kerja 83.

S.O.I. (Southern Oscillation Index) Archives,

Australian Government Bureau Of Meteorology.
Http://Www.Bom.Gov.Au/Climate/Current/Soi2.S
html

Sri Harto, B.R. 1993. Analisis Hidrologi. Jakarta :

PT. Gramedia Pustaka Utama.
Triatmoko, Danu dkk. 2012. Using Standardized
Precipitation Index Method for Identification
Meteorological Drought in Pantura West Java
Area. Bandung: Program Studi Meteorologi
Institute Teknologi Bandung.
Untari, Erika Dwi. 2008. Pengaruh Panjang
Rekaman Data Terhadap Hasil Bangkitan
Metode Thomas Fiering. Skripsi Program Studi
Teknik Sipil. Universitas Mataram. Mataram

Utami, Dwi. 2013. Prediksi Kekeringan

Berdasarkan Standardized Precipitation Index
(Spi) pada Daerah Aliran Sungai Keduang di
Kabupaten Wonogiri. Skripsi. Surakarta: Fakultas
Teknik Universitas Sebelas Maret.

UU No. 7 Tahun 2004 Tentang Sumber Daya Air.

Yasin, Ismail dkk. 2000. Pemanfaatan IOS
(Indeks Osilasi Selatan) untuk Mendukung Model
Pertanian Strategik di Lahan Tadah Hujan Pulau
Lombok. Mataram: Fakultas Pertanian
Universitas Mataram.
Yosilia, Mira Anantha. 2014. Analisis Hubungan
El Nino dengan Kekeringan Meteorologis
Menggunakan SPI (Standardized Precipitation
Index) di Pulau Bali. Skripsi. Yogyakarta:
Fakultas Geografi Universitas Gadjah Mada.

Zulfiana, Nur Syamsi. 2011. Studi Perbandingan

Prediksi Kekeringan Menggunakan Metode Desil
dan Spi di Das Brangkal – Jawa Timur. Skripsi.
Jember: Jurusan Teknik Sipil Fakultas Teknik
Universitas Jember
20