Artikel Ilmiah Candri Sila
Artikel Ilmiah Candri Sila
Artikel Ilmiah
Untuk memenuhi sebagian persyaratan
mencapai derajat Sarjana S-1 Jurusan Teknik Sipil
Oleh:
CANDRI SILA ISNAINI RYZKIA
F1A 011 028
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
5
September 84,21% - 89,47%, Oktober 31,58% - memenuhi kebutuhan air bagi tanaman
57,89%, November 31,58% dan Desember pada suatu periode tertentu. Dicirikan
31,58%. Pada periode 3 bulanan DJF 31,58% - dengan kekurangan lengas tanah.
33,33%, MAM 63,16% - 94,74% , JJA 100% dan 3. Kekeringan hidrologi (hydrological drought)
SON 89,47%- 100%. Pada Periode 6 bulanan Didefinisikan sebagai kekurangan pasok air
SONDJF 27,78% - 33,33% dan MAMJJA 78,95% permukaan dan air tanah dalam bentuk air
- 100% sedangkan pada periode 12 bulan adalah di danau dan waduk, aliran sungai, dan
31,58%. Dan hasil Analisa jika dikaitkan dengan muka air tanah. Kekeringan hidrologis
kejadian El Nino mengindikasikan adanya diukur dari ketinggian muka air sungai,
keterkaitan karena adanya kemiripan tren waduk, danau dan air tanah.
kejadian kekeringan pada stasiun pengamatan
dengan kejadian El Nino. Kejadian El Nino 2) Metode Indeks Kekeringan
terparah terjadi pada tahun 1997, pada tahun Indeks kekeringan merupakan suatu
tersebut semua stasiun pengamatan perangkat utama untuk mendeteksi, memantau,
menunjukkan adanya kekeringan. Hal ini dapat dan mengevaluasi kejadian kekeringan. Untuk
disebabkan oleh pengaruh El Nino terhadap menduga nilai indeks kekeringan suatu wilayah
curah hujan yang turun. terdapat beberapa metode yang dalam proses
Mira Anantha Yosilia (2014), melakukan perhitungannya dapat memanfaatkan beberapa
penelitian “Analisis Hubungan El Nino Dengan data, baik data iklim maupun kelengasan tanah.
Kekeringan Meteorologis Menggunakan SPI
(Standardized Precipitation Index) Di Pulau Bali”, Tabel 1 Beberapa metode indeks kekeringan dan
dari analisa didapat hubungan El Nino dengan masukan data yang dibutuhkan dalam
kekeringan meteorologis yang dicerminkan perhitungan
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 Sumber : (Solikhati, 2013, dalam Anggun 2015)
selanjutnya terjadinya kekurangan pasokan air
permukaan dan air tanah yang ditandai 3) El Nino
menurunya tinggi muka air sungai ataupun danau Terdapat beberapa parameter yang
(disebut kekeringan hidrologis). Kekeringan mempengaruhi terjadinya El Nino, antara lain:
dibagi menjadi 3 jenis yaitu: 1. Anomali Suhu Permukaan Laut
1. Kekeringan meteorologi (meteorology Ketika terjadi El Nino, suhu permukaan laut di
drought) Samudra Pasifik ekuator bagian tengah dan timur
Didefiniskan sebagai kekurangan hujan dari memanas, yakni suhu berada di atas normal.
yang normal atau diharapkan selama Sebaliknya, suhu permukaan laut di Samudra
periode waktu tertentu. Perhitungan tingkat Pasifik ekuator bagian barat atau di sekitar
kekeringan meteorologis merupakan wilayah perairan Indonesia menjadi lebih dingin
indikasi pertama terjadinya kondisi dari biasanya, yaitu suhu berada di bawah
kekeringan. normal. Keadaan inilah yang menjadi salah satu
2. Kekeringan pertanian (agricultural drought) parameter yang mengindikasikan terjadinya El
Kekeringan pertanian ini terjadi setelah Nino. Kondisi sebaliknya mengindikasikan
terjadinya gejala kekeringan meteoro-logis. terjadinya La Nina.
Kekeringan ini berhubungan dengan 2. Indeks Osilasi Selatan / Southern Oscillation
berkurangnya kandungan air dalam tanah Index (SOI)
(lengas tanah) sehingga tidak mampu lagi
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
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
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)
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)
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
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
15
Dari hasil analisa maka dapat disimpulkan Pada penelitian ini digunakan rumus korelasi
bahwa nilai indeks kekeringan berdasarkan pada Microsoft Excel menggunakan fungsi
metode SPI dan Desil di Kecamatan Sekotong, =CORREL(array1,array2). Berikut adalah hasil
keduanya tidak berkorelasi kuat terhadap nilai EL perhitungan :
Nino (SOI). Tabel 13 Hasil perhitungan koefisien korelasi
antara SPI-Curah Hujan dan Desil-Curah Hujan
5) Evaluasi Ketelitian Hubungan Indeks r
Kekeringan Terhadap Besarnya Curah
Hujan. SPI-Curah Hujan 0.400
Evaluasi ini dilakukan dengan cara mencari Desil-Curah Hujan 0.510
angka koefisien korelasinya, dimana nilai SPI Sumber : Hasil perhitungan
dan Desil merupakan nilai model (Isim), Dari tabel diatas dapat dilihat bahwa SPI-
sedangkan besarnya hujan merupakan nilai Curah Hujan menghasilkan angka koefisien
pengamatan lapangan (Iobs). 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
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
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
18
SOI memiliki interpretasi rendah, yang berarti DAFTAR PUSTAKA
bahwa indeks kekeringan metode SPI maupun Adekayanti, Baiq Maria P. 2015. Analisis
Desil tidak berkorelasi kuat terhadap fenomena Keandalan Data Debit Bangkitan dengan Metode
El Nino (SOI). Oleh karena itu potensi kekeringan Thomas Fiering (Studi Kasus: Awlr Aik Nyet dan
tidak hanya bergantung pada faktor curah hujan Awlr Keling). Skripsi. Mataram: Fakultas Teknik
yang berkurang pada saat terjadi El Nino. Universitas Mataram.
Anonim. 2004. Pedoman Penulisan Tulisan
V. Kesimpulan dan Saran Ilmiah. Mataram: Fakultas Teknik. Universitas
A. Kesimpulan Mataram.
1. Dari hasil analisa kekeringan selama 25 Aryadipura, Sudhian. 2012. Analisa Kekeringan
tahun (1990-2014) di Kecamatan Sekotong Daerah Aliran Sungai Upper Brantas dan Daerah
menunjukkan : Aliran Sungai Kali Metro dengan Metode
a. Dengan metode Standardized Standardized Precipitation Index (Spi) dan Desil.
Precipitation Index (SPI) bahwa Skripsi. Surabaya: Fakultas Teknik Sipil dan
Kecamatan Sekotong mengalami Perencanaan Universitas Pembangunan
kekeringan terparah dengan nilai indeks Nasional “Veteran”
kekeringan sebesar -2,598 pada bulan Badan Pusat Statistik Kabupaten Lombok Barat.
Februari tahun 1990. 2014. Kecamatan Sekotong dalam Angka Tahun
b. Dengan metode Desil presentase 2014. Sekotong: CV. Maharani.
kejadian kekeringan Kecamatan Behzadi, Jalal. 2013. An Evaluation of Two
Sekotong mengalami keadaan curah Drought Indices, Standard
hujan di bawah normal (kering) sebesar
32,667%. Distribution and Deciles in Guilan, Iran. Greener
2. Nilai indeks kekeringan berdasarkan metode Journal of Social Sciences: Vol. 3 (9), pp. 472-
SPI dan Desil di Kecamatan Sekotong, 478
keduanya tidak berkorelasi kuat terhadap Fikri, Ali. Penerapan Data Mining untuk
nilai EL Nino (SOI) dengan nilai (r) masing- Mengetahui Tingkat Kekuatan Beton yang
masing sebesar 0,175 dan 0,216. Dihasilkan dengan Metode Estimasi
3. Nilai indeks kekeringan berdasarkan metode Menggunakan Linear Regression. Skripsi.
SPI dan Desil, keduanya berkorelasi cukup Semarang: Fakultas Ilmu Komputer Universitas
kuat terhadap besarnya curah hujan dengan Dian Nuswantoro
nilai (r) masing-masing sebesar 0,400 dan
0,510. Gunawan, Dodo. 2007. Cuaca dan Iklim di
4. Prediksi indeks kekeringan metode SPI dan Indonesia. Pusat Penelitian dan Pengembangan
Desil yang menggunakan data curah hujan Badan Meteoroli dan Geofisika.
bangkitan output Thomas Fiering masih Ghasemi, H. 2011. Drought Monitoring Using
kurang tepat dalam memprediksi atau Climatic Indices and Geostatistic Technique
meramalkan indeks kekeringan di (Case Study: Hossein Abad Plain, Sarbisheh,
Kecamatan Sekotong. Iran). Proceedings of the 12th Internatioan
Confrence on Environmental Science and
B. Saran Technology.
1. Potensi kekeringan tidak hanya bergantung Hayes, Michael J. 1999. Monitoring the 1996
pada faktor curah hujan yang berkurang Drougth Using the Standardized Precipitation
pada saat terjadi El Nino. Faktor lain seperti Index. Bulletin of the American Meteorological
suhu permukaan perairan Indonesia dan Society: Volume 80 No.3.
Samudera Pasifik dapat memberikan Hayes, Michael. 2000. Revisiting the SPI:
pengaruh dan hasil yang berbeda. Clarifying the Process. University of Nebraska-
Penelitian dengan faktor terkait lainnya perlu Lincoln : Volume 12 No.1.
dilakukan untuk kemudian dapat Kafindo, Anggun Nimaztian. 2015. Analisa
dibandingkan dengan penelitian ini sehingga Kekeringan Menggunakan Metode Thornthwaite
dapat memberikan gambaran lebih baik. Mather pada Sub-Sub Das Keyang Kabupaten
2. Untuk membangkitkan curah hujan yang Ponorogo. Skripsi. Malang: Fakultas Teknik
digunakan sebagai input analisa prediksi Universitas Brawijiya.
dapat dicoba dengan metode yang lebih
baik. Keyantash, J., dan John A. 2002. The
3. Diharapkan pemerintah dapat mengambil Quantification of Drought : An Evaluation of
langkah antisipasi yang tepat untuk Drought Indices. American Meteorological
menangani kejadian kekeringan di masa Society: August halaman 1167-1180.
yang akan datang.
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.