561-569
© Jurusan Teknik Pengairan, Fakultas Teknik, Universitas Brawijaya
JTRESDA
Journal homepage: https://jtresda.ub.ac.id/
1. Pendahuluan
Hidrologi merupakan informasi sangat penting dalam pelaksanaan inventarisasi
sumber air yang tepat dan rehabilitasi sumber alam seperti air, tanah, dan hutan rusak.
Dalam data hidrologi, hal yang sangat berpengaruh seperti curah hujan, penguapan,
temperature, penyinaran lamanya matahari. Namun, ketersediaan serta akses data
seringkali tidak lengkap dan tidak terjangkau[1]. Dengan membutuhkan berbagai data
seperti TRMM yang juga bisa mempermudah dalam proses pengerjaanya[2]. Namun juga,
letak stasiun penakar hujan memiliki pengaruh besar dalam ketelitian pengukuran hujan
pada suatu DAS, sehingga dapat menjelaskan kondisi DAS tersebut[3].Keterbatasan
stasiun penakar hujan pada DAS, terlebih pada daerah terpencil, kajian atau analisis sumber
daya air berdasarkan data curah hujan akan sulit dilakukan.
Adanya satelit meteorologi TRMM (Tropical Rainfall Measuring Mission) dapat
menjadi alternatif untuk memberikan informasi data hujan spasial pada lokasi studi yaitu
di DAS Bango Malang dan daerah tropis lainnya. Resolusi spasial TRMM sebesar
0,25°×0,25°, tidak sebesar satelit lain yang telah ada, namun unggul secara resolusi
temporal yang menyediakan data 3 jam-an dan harian [4]. Dalam memastikan hal ini dapat
dilakukan pengalih ragaman data curah hujan, dimana yang digunakan ialah data curah
hujan TRMM (Tropical Rainfall Measuring Mission) yang telah melalui uji validasi,
menjadi data debit aliran[5]. Metode pengalih ragaman yang digunakan ialah simulasi
NRECA. Dari hasil simulasi alih ragam curah hujan ke debit tersebut dapat bermanfaat
untuk pengelolaan sumber daya air DAS Bango dan sekitarnya[6].
562
Alnino, N. F. et al., Jurnal Teknologi dan Rekayasa Sumber Daya Air Vol.2 No.1 (2022) p. 561-569
563
Alnino, N. F. et al., Jurnal Teknologi dan Rekayasa Sumber Daya Air Vol.2 No.1 (2022) p. 561-569
St. Ha Km2 Kr
Pada tabel 1 terdapat beberapa pos stasiun hujan di DAS Bango, yaitu Pos Stasiun
Hujan Blimbing, Singosari, dan Karangploso. Masing – masing pos stasiun hujan memiliki
luas pengaruh yang berbeda-beda. Nilai koefisien Kr tersebut sangat berpengaruh dalam
analisis perhitungan hujan wilayah dengan metode Polygon Thiessen. Pos Stasiun Hujan
pujon memiliki luas pengaruh paling besar, hal tersebut bisa dilihat dari nilai Kr yang
dihasilkan.
564
Alnino, N. F. et al., Jurnal Teknologi dan Rekayasa Sumber Daya Air Vol.2 No.1 (2022) p. 561-569
Berdasarkan hasil perhitungan pada tabel 2, didapatkan Curah hujan wilayah rerata
tahunan. Hasil perhitungan curah hujan wilayah rerata tahunan berfungsi untuk analisis
simulasi hujan menjadi debit menggunakan metode NRECA. Dalam tabel 3, bisa dilihat
rekapitulasi hasil perhitungan hujan debit NRECA yang telah dianalisis.
Tabel 3. Rekapitulasi Perhitungan Hujan Debit Metode NRECA 2010 – 2018
Bulan
Tahun
Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nov Des
2010 22,571 29,607 27,707 29,177 15,790 16,613 8,079 8,594 16,540 10,957 13,232 20,168
2011 16,851 8,760 16,471 16,764 22,517 4,208 3,787 3,408 3,068 2,761 16,601 15,582
2012 10,457 12,961 12,332 8,489 6,791 5,433 4,346 3,477 2,782 2,225 4,450 20,786
2013 15,456 18,498 16,369 16,418 10,101 15,223 5,203 3,917 3,134 2,507 7,326 18,967
2014 12,093 6,034 5,842 7,849 6,962 5,069 4,055 3,244 2,596 2,076 4,218 15,176
2015 14,256 11,387 17,699 24,291 5,996 2,399 2,159 1,943 1,749 4,721 3,370 8,330
2016 5,326 30,547 8,521 20,546 12,323 10,837 6,346 0,516 0,052 4,663 27,911 20,307
2017 14,129 11,197 14,619 21,635 8,050 6,508 5,176 4,141 3,313 2,650 25,217 11,940
2018 9,337 12,364 8,610 7,097 5,414 4,331 3,465 2,772 2,218 1,774 1,725 8,412
565
Alnino, N. F. et al., Jurnal Teknologi dan Rekayasa Sumber Daya Air Vol.2 No.1 (2022) p. 561-569
NSE R
Periode RMSE KR
Nilai Interpretasi Nilai Interpretasi
10 Tahun 90,040 0,632 Memuaskan -0,052 0,841 Sangat Kuat
NSE R
Periode RMSE KR
Nilai Interpretasi Nilai Interpretasi
4 Tahun 63,543 0,817 Sangat Memuaskan 0,033 0,905 Sangat Kuat
3 Tahun 64,933 0,809 Sangat Memuaskan 0,067 0,904 Sangat Kuat
Bulanan
2 Tahun 63,870 0,811 Sangat Memuaskan 0,135 0,923 Sangat Kuat
1 Tahun 68,408 0,754 Sangat Memuaskan 0,064 0,874 Sangat Kuat
c. Metode NRECA
Model NRECA merupakan model konsepsi yang bersifat deterministik, dapat
digunakan untuk menghitung debit bulanan dari hujan bulanan berdasarkan keseimbangan
air di DAS[9].
Tabel 6. Rekapitulasi Hasil Perhitungan Komponen Uji Kalibrasi Data Debit NRECA tahun
2010 - 2018
NSE R
Periode RMSE KR
Nilai Interpretasi Nilai Interpretasi
2010 4,539 0,7349 Baik 0,072 0,873 Sangat Kuat
2011 3,181 0,8261 Sangat Baik 0,105 0,925 Sangat Kuat
2012 4,431 0,7062 Baik 0,015 0,872 Sangat Kuat
2013 3,363 0,7423 Baik 0,021 0,864 Sangat Kuat
Bulanan 2014 3,990 0,6721 Baik 0,060 0,898 Sangat Kuat
2015 3,051 0,7287 Baik 0,046 0,904 Sangat Kuat
2016 5,721 0,6229 Memuaskan 0,064 0,826 Sangat Kuat
2017 5,501 0,7454 Memuaskan 0,176 0,939 Sangat Kuat
2018 3,111 0,6692 Memuaskan 0,023 0,851 Sangat Kuat
566
Alnino, N. F. et al., Jurnal Teknologi dan Rekayasa Sumber Daya Air Vol.2 No.1 (2022) p. 561-569
Validasi data debit dilakukan dengan membagi data 9 tahun periode bulanan menjadi
kelompok data 5:4, 6:3, 7:2, dan 8:1. Maksud dari perbandingan tersebut ialah 5 tahun data
digunakan untuk kalibrasi sedangkan 4 tahun data digunakan untuk validasi, sama halnya
dengan perbandingan 6:3, 7:2, dan 8:1. Kalibrasi pada tahap ini dilakukan ulang dalam
pembagian kelompok data untuk mengetahui tingkat koherensi antara data debit model dan
debit lapangan. Dalam tabel 7 merupakan rekapitulasi hasil uji validasi debit.
Tabel 7. Rekapitulasi Uji Validasi Debit
NSE R
Periode RMSE KR
Nilai Interpretasi Nilai Interpretasi
Kalibrasi 5 Tahun 4,154 0,784 Sangat Memuaskan 3% 0,889 Sangat Kuat
Validasi 4 Tahun 4,527 0,738 Memuaskan 7% 0,862 Sangat Kuat
Kalibrasi 6 Tahun 3,991 0,784 Sangat Memuaskan 2% 0,886 Sangat Kuat
Validasi 3 Tahun 4,922 0,734 Memuaskan 9% 0,865 Sangat Kuat
Kalibrasi 7 Tahun 4,281 0,760 Sangat Memuaskan 3% 0,872 Sangat Kuat
Validasi 2 Tahun 4,469 0,773 Kurang Memuaskan 12% 0,934 Sangat Kuat
Kalibrasi 8 Tahun 4.452 0,759 Sangat Memuaskan 5% 0,874 Sangat Kuat
Validasi 1 Tahun 3,111 0,669 Memuaskan 2% 0,851 Sangat Kuat
40
35
30
25
20
15
10
0
101
105
17
69
13
21
25
29
33
37
41
45
49
53
57
61
65
73
77
81
85
89
93
97
1
5
9
Gambar 2 Grafik Perbandingan Debit AWLR dan Debit Model NRECA Seluruh Periode
4. Kesimpulan
Dalam pembahasan ini didapatkan kesimpulan:
a. Untuk data hujan TRMM periode bulanan terkoreksi memperoleh nilai yang maksimal
untuk data hujan pos stasiun hujan. Sehingga memperoleh nilai kalibrasi terbaik pada
data tahun ke 9, dengan mendapatkan nilai pada regresi polinomial berdasarkan R
(Koefisien Korelasi) terbesar yaitu 0,847. Sedangkan hasil nilai validasi terbaik
567
Alnino, N. F. et al., Jurnal Teknologi dan Rekayasa Sumber Daya Air Vol.2 No.1 (2022) p. 561-569
didapatkan NSE (Nash-Sutcliffe Efficiency) pada data tahun ke 4, dengan nilai 0,817.
Untuk nilai Koefisien Korelasi (R) terbaik menunjukkan nilai pada data tahun ke 2,
dengan nilai 0,923. Seluruh periode uji validasi data menunjukkan interpretasi
Koefisien Korelasi (R) “Sangat Kuat” dan untuk NSE mendapatkan interpretasi
“Sangat Baik”.
b. Analisis data curah hujan TRMM menjadi debit dengan metode NRECA telah
mendapatkan nilai parameter yaitu, nilai PSUB dengan berkisar antara 0,6 hingga 0,8,
dan nilai parameter GWF yang berkisar antara 0,2 hingga 0,5.
c. Hasil perhitungan kalibrasi debit model NRECA dengan debit AWLR pada DAS
Bango mendapatkan periode bulanan terbaik berada pada data tahun ke 5. Sedangkan
hasil nilai validasi terbaik yang dilihat dari nilai NSE dan R pada data tahun ke 2
dengan nilai 0,773 dan 0,934. Keseluruhan periode uji validasi data debit mendapatkan
interpretasi NSE “Baik” sampai “Sangat Baik” dan Koefisien Korelasi (R) “Sangat
Kuat”.
Daftar Pustaka
[1] Soewarno, Hidrologi Aplikasi Metode Statistik untuk Analisa Data (Jilid I), vol.
148. Bandung: NOVA, 1995.
[2] A. Nomleni, E. Suhartanto, and D. Harisuseno, “Estimation of Flow Discharge
Model at Temef Watershed - East Nusa Tenggara Using TRMM Satellite Data,”
Civ. Environ. Sci., 2021, doi: 10.21776/ub.license.2021.00402.2.
[3] M. D. Syaifullah, “VALIDASI DATA TRMM TERHADAP DATA CURAH
HUJAN AKTUAL DI TIGA DAS DI INDONESIA,” J. Meteorol. dan Geofis.,
2014, doi: 10.31172/jmg.v15i2.180.
[4] N. Hadisusanto, Aplikasi HIDROLOGI. 2010.
[5] J. Wang and D. B. Wolff, “Evaluation of TRMM rain estimates using ground
measurements over central Florida,” J. Appl. Meteorol. Climatol., 2012, doi:
10.1175/JAMC-D-11-080.1.
[6] S. Lufi, S. Ery, and R. Rispiningtati, “Hydrological Analysis of TRMM (Tropical
Rainfall Measuring Mission) Data in Lesti Sub Watershed,” Civ. Environ. Sci.,
2020, doi: 10.21776/ub.civense.2020.00301.3.
[7] W. Warsito and A. Rachmawati, “Model Penataan Ruang Kawasan DAS Berbasis
KonservasI (Studi Kasus Sub DAS Bango Kota Malang),” J. Rekayasa Sipil,
2018.
[8] N. F. Rahma, E. Suhartanto, and D. Harisuseno, “Validasi Data Curah Hujan
TRMM (Tropical Rainfall Measuring Mission) dengan Pos Stasiun Hujan di Sub
DAS Sumber Brantas,” J. Mhs. Tek. Pengair. Univ. Brawijaya, 2019.
568
Alnino, N. F. et al., Jurnal Teknologi dan Rekayasa Sumber Daya Air Vol.2 No.1 (2022) p. 561-569
569