Anzilirrohmah Litsaniyah

EVALUASI DAN RASIONALISASI KERAPATAN JARINGAN POS
HUJAN DAN POS DUGA AIR DENGAN METODE STEPWISE
DI DAS WELANG
SKRIPSI
TEKNIK PENGAIRAN KONSENTRASI PEMANFAATAN DAN

PENDAYAGUNAAN SUMBER DAYA AIR
Ditujukan untuk memenuhi persyaratan

memperoleh gelar Sarjana Teknik
ANZILIRROHMAH LITSANIYAH
NIM. 135060400111017
UNIVERSITAS BRAWIJAYA
FAKULTAS TEKNIK
MALANG
2018
DAFTAR ISI
KATA PENGANTAR ..........................................................................................................i

DAFTAR ISI ...................................................................................................................... iii
DAFTAR TABEL ................................................................................................................v
DAFTAR GAMBAR ..........................................................................................................ix
DAFTAR LAMPIRAN ......................................................................................................xi
BAB I PENDAHULUAN
1.1. Latar Belakang .......................................................................................................1
1.2. Identifikasi Masalah ............................................................................................... 2
1.3. Rumusan Masalah ..................................................................................................3
1.4. Batasan Masalah ....................................................................................................3
1.5. Tujuan .................................................................................................................... 4
1.6. Manfaat ..................................................................................................................4
BAB II TINJAUAN PUSTAKA
2.1. DAS dan Sub DAS ................................................................................................ 5
2.2. Jaringan Pos Hujan dan Pos Duga Air ...................................................................5
2.3. Analisa Data Hujan dan Data Debit .......................................................................7
2.3.1. Pengisian Data Hujan yang Hilang .............................................................. 7
2.3.2. Pengisian Data Debit yang Hilang ............................................................... 8
2.3.3. Uji Konsistensi Data Hujan .........................................................................9
2.3.4. Uji Konsistensi Data Debit ........................................................................10
2.3.5. Penyaringan Data Hujan dan Data Debit ................................................... 11
2.4. Analisa Curah Hujan Rerata Daerah ....................................................................17
2.4.1. Metode Rata-rata Aritmatik .......................................................................18
2.4.2. Metode Poligon Thiessen ..........................................................................18
2.4.3. Metode Isohiet ........................................................................................... 19
2.5. Analisa Kerapatan Pos Hujan dan Pos Duga Air ................................................. 20
2.5.1. Standar WMO ............................................................................................ 20
2.5.2. Metode Stepwise dan Stepwise-Enter ........................................................ 20
BAB III METODOLOGI PENELITIAN
3.1. Lokasi Studi .........................................................................................................25
3.2. Kondisi Lapangan Studi ...................................................................................... 28
3.2.1. Kondisi Topografi .................................................................................... 28
3.2.2. Kondisi Geologi ........................................................................................ 28
3.2.3. Kondisi Iklim ............................................................................................ 28
3.2.4. Kondisi Hidrografi .................................................................................... 29
3.2.5. Tata Guna Lahan ....................................................................................... 29
3.3. Data-data yang Diperlukan ................................................................................. 29
3.4. Tahapan Penyelesaian Studi................................................................................ 30
BAB IV PEMBAHASAN
4.1. Pengumpulan Data .............................................................................................. 41
4.2. Analisa Data Hujan ............................................................................................. 41
4.2.1. Pengisian Data Hujan Hilang ................................................................... 41
4.2.2. Uji Konsistensi ......................................................................................... 43
4.2.3. Uji Ketiadaan Trend ................................................................................. 47
4.2.4. Uji Stasioner ............................................................................................. 52
4.2.5 Uji Persistensi ........................................................................................... 54
4.2.6 Uji Inlier-Outlier ...................................................................................... 56
4.3. Analisa Data Debit .............................................................................................. 58
4.3.1. Pengisian Data Debit Hilang .................................................................... 58
4.3.2. Uji Konsistensi ......................................................................................... 60
4.3.3. Uji Ketiadaan Trend ................................................................................. 62
4.3.4. Uji Stasioner ............................................................................................. 66
4.3.5. Uji Persistensi ........................................................................................... 68
4.3.6 Uji Inlier-Outlier ...................................................................................... 69
4.4. Analisa Luas Daerah Pengaruh dengan Poligon Thiessen .................................. 71
4.5. Analisa Kerapatan Jaringan Pos Hujan dan Pos Duga Air ................................. 73
4.5.1. Standar WMO ........................................................................................... 73
4.5.2. Metode Stepwise ....................................................................................... 75
4.5.3. Metode Stepwise ....................................................................................... 98
4.6. Pembahasan ....................................................................................................... 107
BAB V KESIMPULAN DAN SARAN
5.1. Kesimpulan ....................................................................................................... 113
5.2. Saran ................................................................................................................ 114
DAFTAR PUSTAKA ..................................................................................................... 115
LAMPIRAN ................................................................................................................. 117
DAFTAR TABEL
No. Judul Halaman

Tabel 2.1. Nilai Kritis Q/√𝑛 dan R/√𝑛. ........................................................................ 11
Tabel 2.2. Nilai tc untuk Pengujian Distribusi Normal ................................................. 14
Tabel 2.3. Nilai Kn untuk Uji Inlier-Outlier................................................................. 17
Tabel 2.4. Kerapatan Jaringan Minimum yang Direkomendasikan WMO .................. 20
Tabel 3.1. Pos Hujan dan Pos Duga Air di DAS Welang............................................. 25
Tabel 3.2. Data yang Dibutuhkan. ................................................................................ 29
Tabel 3.3. Tahapan Penyelesaian Studi. ....................................................................... 30
Tabel 4.1. Data Hujan Kumulatif Tahunan Pos Hujan Oro-oro Pule dan Sekitarnya
pada bulan Desember tahun 2007-2016. ..................................................... 42
Tabel 4.2. Perhitungan Data Hujan yang Hilang pada Pos Hujan Oro-oro Pule pada
bulan Desember tahun 2008 dengan Normal Ratio Method...................... 42
Tabel 4.3. Perhitungan Data Hujan yang Hilang pada Pos Hujan Oro-oro Pule bulan
Desember tahun 2008 dengan Reciprocal Method. ..................................... 43
Tabel 4.4. Data Curah Hujan Rerata Tahunan Sebelum Uji Konsistensi. .................... 44
Tabel 4.5. Uji Konsistensi Data Hujan Tahunan Pos Hujan Wilo................................ 45
Tabel 4.6. Data Curah Hujan Rerata Tahunan Setelah Uji Konsistensi. ...................... 46
Tabel 4.7. Rekapitulasi Perhitungan Uji Ketiadaan Trend (Spearman) Seluruh Pos
Hujan. .......................................................................................................... 48
Tabel 4.8. Pembagian Kelompok untuk Uji Mann Whitney pada Pos Hujan Prigen ... 49
Tabel 4.9. Rekapitulasi Perhitungan Uji Ketiadaan Trend (Mann Whitney) Seluruh Pos
Hujan. .......................................................................................................... 50
Tabel 4.10. Pembagian Kelompok untuk Uji Tanda dari Cox Stuart pada Pos Hujan
Prigen ........................................................................................................... 51
Tabel 4.11. Rekapitulasi Perhitungan Uji Ketiadaan Trend (Cox Stuart) Seluruh Pos
Hujan. .......................................................................................................... 51
Tabel 4.12 Data Curah Hujan Pos Hujan Prigen untuk Uji Stasioner. .......................... 52
Tabel 4.13. Rekapitulasi Perhitungan Uji-F (Uji Kestabilan Varian) Seluruh Pos Hujan
..................................................................................................................... 53
Tabel 4.14. Rekapitulasi Perhitungan Uji-t (Uji Kestabilan Rata-rata) Seluruh Pos
Hujan. ...........................................................................................................54
Tabel 4.15. Rekapitulasi Perhitungan Uji Persistensi Seluruh Pos Hujan. ..................... 56
Tabel 4.16. Data Hujan Pos Prigen Berdasarkan Urutan Waktu. ...................................56
Tabel 4.17. Data Hujan Pos Prigen Berdasarkan Urutan Nilai. ......................................57
Tabel 4.18. Data Debit Rerata Tahunan AWLR Dhompo pada tahun 2007 - 2016. ......58
Tabel 4.19. Pengisian Data Debit Hilang pada AWLR Dhompo. ..................................59
Tabel 4.20. Uji Konsistensi Data Debit pada AWLR Dhompo dengan metode RAPS. .62
Tabel 4.21. Perhitungan Uji Ketiadaan Trend (Spearman) pada AWLR Dhompo. .......63
Tabel 4.22. Pembagian Kelompok untuk Uji Mann Whitney pada AWLR Dhompo .....64
Tabel 4.23. Pembagian Kelompok untuk Uji Tanda dari Cox Stuart pada AWLR
Dhompo........................................................................................................65
Tabel 4.24. Data Debit AWLR Dhompo untuk Uji Stasioner. .......................................66
Tabel 4.25. Perhitungan Uji Persistensi pada AWLR Dhompo. .....................................69
Tabel 4.26. Data Debit AWLR Dhompo Berdasarkan Urutan Waktu............................ 69
Tabel 4.27. Data Debit AWLR Dhompo Berdasarkan Urutan Nilai. ............................. 70
Tabel 4.28. Luas Daerah Pengaruh Pos Hujan DAS Welang. ........................................71
Tabel 4.29. Luas Daerah Pengaruh Pos Hujan DAS Welang berdasarkan standar WMO
...................................................................................................................... 73
Tabel 4.30. Rekapitulasi Pengujian Data Hujan Kumulatif Tahunan Seluruh Pos Hujan.
...................................................................................................................... 75
Tabel 4.31. Rekapitulasi Pengujian Data Hujan Kumulatif Bulanan Seluruh Pos Hujan.
...................................................................................................................... 75
Tabel 4.32. Rekapitulasi Pengujian Data Hujan Rerata Tahunan Seluruh Pos Hujan. ...76
Tabel 4.33. Rekapitulasi Pengujian Data Hujan Rerata Bulanan Seluruh Pos Hujan. ...76
Tabel 4.34. Data Debit dan Data Hujan untuk Inputan Regresi Stepwise ...................... 77
Tabel 4.35. Output Variable Entered .............................................................................81
Tabel 4.36. Persamaan Regresi pada Output Coefficient ................................................82
Tabel 4.37. Nilai Uji-F pada Output ANOVA................................................................ 84
Tabel 4.38. Nilai Uji-t pada Output Coefficient .............................................................. 87
Tabel 4.39. Nilai Koefisien Korelasi dan Determinasi pada Output Model Summary ...88
Tabel 4.40. Hasil Uji Multikolinearitas Metode Stepwise ..............................................89
Tabel 4.41. Hasil Uji Autokorelasi (Durbin-Watson) Metode Stepwise......................... 90
Tabel 4.42. Hasil Uji Autokorelasi (Run Test) Metode Stepwise ...................................91
Tabel 4.43. Rekapitulasi Pengujian Asumsi Klasik Metode Stepwise ........................... 92
Tabel 4.44. Luas Daerah Pengaruh (Kombinasi Stepwise 2) .......................................... 92
Tabel 4.48. Nilai Korelasi Sederhana antara Pos Hujan terhadap AWLR Dhompo ...... 99
Tabel 4.49. Nilai Korelasi Berganda antara Pos Hujan terhadap AWLR Dhompo dengan
Metode Stepwise-Enter ..............................................................................100
Tabel 4.50. Hasil Uji Multikolinearitas Metode Stepwise-Enter ..................................102
Tabel 4.51. Hasil Uji Autokorelasi (Durbin-Watson) Metode Stepwise-Enter ............103
Tabel 4.52. Hasil Uji Autokorelasi (Run Test) Metode Stepwise-Enter .......................103
Tabel 4.53. Rekapitulasi Pengujian Asumsi Klasik Metode Stepwise-Enter ...............104
Tabel 4.54. Luas Daerah Pengaruh (Kombinasi Stepwise-Enter) ................................105
Tabel 4.55. Rekapitulasi Hasil Analisis Regresi Metode Stepwise untuk Seluruh Varian
Data ............................................................................................................107
Tabel 4.56. Rekapitulasi Hasil Analisis Regresi Metode Stepwise-Enter untuk Seluruh
Varian Data ................................................................................................108
Halaman ini sengaja dikosongkan
DAFTAR GAMBAR
No. Judul Halaman

Gambar 2.1. Sketsa Analisa Kurva Massa Ganda. ........................................................... 9
Gambar 2.2. Poligon Thiessen.......................................................................................... 16
Gambar 3.1. Peta Sungai dan Elevasi di DAS Welang. ................................................... 26
Gambar 3.2. Peta Sebaran Pos Hujan dan Pos Duga Air DAS Welang. .......................... 27
Gambar 3.3. Diagram Alir Penyelesaian Studi. ............................................................... 36
Gambar 3.4. Diagram Alir Metode Stepwise.................................................................... 37
Gambar 4.1. Analisis Kurva Massa Ganda Pos Hujan Prigen Sebelum Uji Konsistensi. 45
Gambar 4.2. Analisis Kurva Massa Ganda Stasiun Wilo Setelah Koreksi Uji Konsistensi
pada Pos Hujan Prigen ................................................................................. 47
Gambar 4.3. Regresi Linear Data Debit dengan Data Hujan Kumulatif Tahunan ........... 59
Gambar 4.4. Poligon Thiessen untuk 16 Stasiun Hujan ................................................... 72
Gambar 4.5. Poligon Thiessen untuk 12 Stasiun Hujan ................................................... 74
Gambar 4.6. Masukkan seluruh variabel pada tab Variable View ................................... 78
Gambar 4.7. Masukkan seluruh variabel pada tab Data View ......................................... 78
Gambar 4.8. Dialog box Linear Regression ..................................................................... 79
Gambar 4.9. Dialog box Linear Regression: Statistics .................................................... 79
Gambar 4.10. Dialog box Linear Regression: Plots .......................................................... 80
Gambar 4.11. Dialog box Linear Regression: Options ...................................................... 80
Gambar 4.12. Hasil Uji Normalitas Residual Metode Stepwise ......................................... 88
Gambar 4.13. Hasil Uji Heteroskedastisitas Metode Stepwise........................................... 91
Gambar 4.14. Poligon Thiessen Kombinasi Stepwise 2 ..................................................... 94
Gambar 4.18. Dialog box Linear Regression ..................................................................... 98
Gambar 4.19. Hasil Uji Normalitas Residual Metode Stepwise-Enter ............................101
Gambar 4.20. Hasil Uji Heteroskedastisitas Metode Stepwise-Enter ..............................104
Gambar 4.21. Poligon Thiessen Kombinasi Stepwise-Enter ............................................106
DAFTAR LAMPIRAN
No. Judul Halaman

Lampiran 1. Pengisian Data Hujan Hilang. ..................................................................... 118
Lampiran 2. Uji Konsistensi Data Hujan. ........................................................................ 165
Lampiran 3. Uji Ketiadaan Trend Data Hujan dengan Korelasi Spearman. .................... 181
Lampiran 4. Uji Ketiadaan Trend Data Hujan dengan Mann Whitney. ........................... 197
Lampiran 5. Uji Ketiadaan Trend Data Hujan dengan Cox Stuart. ................................. 205
Lampiran 6. Uji Stasioner Data Hujan. ............................................................................ 213
Lampiran 7. Uji Persistensi Data Hujan. .......................................................................... 229
Lampiran 8. Uji Inlier-Outlier Data Hujan. ..................................................................... 245
Lampiran 9. Pengisian Data Debit Hilang. ...................................................................... 247
Lampiran 10. Uji Konsistensi Data Debit. ......................................................................... 248
Lampiran 11. Uji Ketiadaan Trend Data Debit dengan Korelasi Spearman. ..................... 249
Lampiran 12. Uji Ketiadaan Trend Data Debit dengan Mann Whitney. ............................ 250
Lampiran 13. Uji Ketiadaan Trend Data Debit dengan Cox Stuart. .................................. 251
Lampiran 14. Uji Stasioner Data Debit. ............................................................................. 252
Lampiran 15. Uji Persistensi Data Debit............................................................................ 253
Lampiran 16. Uji Inlier-Outlier Data Debit. ...................................................................... 254
Lampiran 17. Output Regresi Metode Stepwise. ................................................................ 255
Lampiran 18. Output Regresi Metode Stepwise-Enter. ..................................................... 265
Lampiran 19. Tabel Uji-F. ................................................................................................. 268
Lampiran 20. Tabel Uji-t.................................................................................................... 270
Lampiran 21. Tabel Uji Durbin-Watson. ........................................................................... 271
Lampiran 22. Dokumentasi Survey.................................................................................... 272
BAB I
PENDAHULUAN
1.1. Latar Belakang

Sumber daya air merupakan sumber daya yang mutlak dibutuhkan oleh seluruh
makhluk hidup di bumi ini. Informasi sumberdaya air yang diantaranya berupa informasi
mengenai kondisi hidrologis dan hidrometeorologis, diperlukan untuk mendukung
pengelolaan sumber daya air pada suatu wilayah sungai (UU No.7/2004 SDA).
Hidrologi adalah salah satu informasi yang dibutuhkan untuk menyelesaikan
permasalahan sumber daya air. Data hujan dan data debit merupakan bagian dari data
hidrologi yang akan dipakai untuk analisa hidrologi. Dalam analisis hidrologi membutuhkan
data hidrologi yang merupakan data yang menjadi dasar untuk perencanaan sebuah kegiatan
pengelolaan sumber daya air seperti perencanaan bangunan air, pengendalian banjir, dan
lain-lain. Sehingga perlu pengelolaan data secara benar dan akurat untuk menunjang
ketepatan perencanaan.
Data hidrologi diperoleh dari jaringan pos hidrologi yang akan memberikan banyak
informasi mengenai karakteristik suatu DAS. Dalam suatu DAS tidak hanya terdapat satu
jaringan pos hidrologi namun ada beberapa pos hidrologi. Untuk mendapatkan informasi
hidrologi yang akurat perlu pemantauan data secara benar, serta didukung oleh metode yang
tepat dan sumber daya manusia yang baik. Kualitas data dasar yang akan di analisis
tergantung pada berapa jumlah pos hidrologi yang dibutuhkan dalam DAS tersebut.
Perbedaan jumlah pos hujan akan berpengaruh pada besaran hujan yang terjadi pada
suatu DAS. Selain pos hujan, jumlah pos duga air juga berpengaruh pada data fluktuasi muka
air. Semakin tinggi kerapatan jaringan pos hujan dan pos duga air, data yang diperoleh
semakin baik dan teliti. Namun pada realisasinya akan memerlukan biaya yang lebih banyak.
Maka dari itu dalam studi ini diharapkan mampu menentukan jumlah jaringan pos hujan
yang cukup dapat mewakili suatu DAS.
Mengacu pada pedoman yang dikeluarkan oleh WMO, menyebutkan bahwa untuk
daerah tropis seperti Indonesia, diperlukan kerapatan pos hujan minimum 600-900 km2/pos
untuk daerah dataran, sedangkan untuk daerah pegunungan sebesar 100-250 km2/pos.
Sedangkan untuk kerapatan pos duga air yang dikeluarkan oleh WMO, menyebutkan
bahwa untuk daerah tropis, seperti Indonesia dibutuhkan kerapatan jaringan minimum
1
2
sebesar 300-1000 km2 setiap pos untuk keadaan normal, dan 1000-1500 km2 untuk pos
keadaan sulit. Bila dilihat per pulau di Indonesia kerapatan pos hidrologinya: Jawa 295
km2/pos, Bali 101 km2/pos, Sumatra 1334 km2/pos, Kalimantan 2738 km2/pos, Sulawesi
1334 km2/pos, Maluku 4382 km2/pos, Irian Jaya 20.095 km2/pos.
1.2. Identifikasi Masalah

DAS Welang merupakan salah satu DAS di Kabupaten Pasuruan yang memberikan
kontribusi debit air yang besar ke bagian hilir Kabupaten Pasuruan. DAS Welang melintasi
3 (tiga) daerah administrasi. DAS Welang bagian hulu melintasi Kabupaten Malang,
tepatnya di Kecamatan Lawang, dibagian tengah melintasi Kabupaten Pasuruan, dan bagian
hilir melintasi Kota dan Kabupaten Pasuruan. Dengan demikian DAS Welang juga melintasi
jalur pantura sebagai jalan Negara yang menghubungkan Pulau Jawa dan Pulau Bali. Jalur
pantura di bagian Pasuruan – Probolinggo, memotong beberapa sungai yang mengalir
kearah utara dan bermuara ke Laut Jawa.
Pada awal tahun 2015, Sungai Welang meluap yang disebabkan kiriman air dalam
jumlah besar dari daerah Lawang dan Purwodadi. Wilayah Kabupaten Pasuruan yang
terendam adalah Tambakrejo, sedangkan wilayah Kota yang terendam adalah Karang Ketuk.
Dari beberapa sungai yang ada di Pasuruan, DAS Welang merupakan bagian dari beberapa
sungai orde 1 di jalur tersebut yang rawan terjadi banjir yang berdampak sangat serius selain
berakibat pada kerusakan prasarana Sumber Daya Air. Selain itu juga menimbulkan
genangan pada jalur pantura sehingga transportasi menjadi terganggu dan terjadi kemacetan
yang cukup lama. Menurut Kepala Subdit Operasi dan Pemeliharaan Irigasi Rawa, Ir. Djito,
Sp1 perlu dilakukan kajian terhadap kondisi DAS Welang dan segera mengambil langkah-
langkah apa saja yang dapat dilakukan pemerintah untuk mengatasi permasalahan banjir
DAS Welang. (bbwsbrantas.org, 2015)
Untuk menyelesaikan permasalahan sumberdaya air seperti banjir, erosi, dan lainnya
dibutuhkan analisis data hidrologi yang diperoleh dari pos hidrologi. Saat ini pos hidrologi
banyak mengalami masalah seperti pos hidrologi yang rusak dan kerapatan antara satu pos
hujan dengan pos hujan lainnya kurang sehingga keakuratan data pengukuran masih
diragukan. Selain itu, pemantauan dan pengumpulan data yang jumlahnya tidak memadai
dan sebaran lokasinya tidak tepat sehingga data hidrologi yang dihasilkan belum mewakili
wilayah DAS tersebut.
Keakuratan data hidrologi sangat dipengaruhi oleh jumlah dan pola penyebaran pos
hidrologi dalam suatu DAS. Jumlah pos hujan yang optimum dan penyebarannya merata
3
akan mengefisiensikan biaya serta menghasilkan data yang lebih terpercaya. Jumlah pos
hujan yang ada di DAS Welang dapat dikatakan masih tergolong rapat untuk luasan dari
DAS tersebut. Dari permasalahan yang muncul maka perlu dilakukan studi evaluasi dan
rasionalisasi pos hujan dan pos duga air di DAS Welang untuk menentukan jumlah pos
hidrologi yang diperlukan serta mencapai ketelitian data pos hidrologi dengan kerapatan
tertentu.
1.3. Rumusan Masalah

Dilihat dari permasalah yang telah dijelaskan sebelumnya maka rumusan masalah
yang diambil dalam studi ini adalah sebagai berikut:
1. Bagaimana hasil evaluasi kerapatan jaringan pos hujan dan pos duga air
berdasarkan standar WMO?
2. Bagaimana hasil analisa kerapatan jaringan pos hujan dan pos duga air
menggunakan metode Stepwise?
3. Bagaimana rekomendasi jumlah pos hujan yang dibutuhkan dalam DAS Welang?
1.4. Batasan Masalah

Batasan masalah yang diberikan dalam studi ini adalah sebagai berikut:
1. Lokasi studi berada di DAS Welang yang meliputi Kabupaten Pasuruan, Kota
Pasuruan dan Kabupaten Malang Provinsi Jawa Timur.
2. Data hujan harian diperoleh dari 16 pos hujan dengan runtut waktu selama 10
tahun. Data debit harian diperoleh dari pos duga air AWLR Dhompo dengan
runtut waktu selama 10 tahun.
3. Evaluasi kerapatan jaringan pos hujan dan pos duga air menggunakan standar
WMO (World Meteorological Organization) dengan metode Poligon Thiessen
dengan bantuan software ArcGIS 10.
4. Analisa kerapatan jaringan pos hujan dan pos duga air metode stepwise dan
stepwise-enter dengan bantuan software SPSS 21 (Statistical Product and Service
Solution).
5. Dalam studi ini tidak membahas analisa curah hujan rancangan dan debit banjir
rancangan.
6. Dalam studi ini tidak membahas spesifikasi teknis masing-masing pos hujan dan
pos debit.
7. Dalam studi ini tidak membahas perencanaan jaringan pos hujan baru.
4
1.5. Tujuan
Dengan memaparkan rumusan masalah, studi ini bertujuan untuk:
1. Mengetahui hasil evaluasi kerapatan jaringan pos hujan dan pos duga air
berdasarkan standar WMO.
2. Mengetahui hasil analisa kerapatan jaringan pos hujan dengan pos duga air
menggunakan metode Stepwise.
3. Mengetahui rekomendasi jumlah pos hujan yang dibutuhkan dalam DAS Welang
1.6. Manfaat
1. Manfaat secara Keilmuan
Dapat menambah wawasan dan pengetahuan dalam menentukan jumlah pos hujan
dan pos duga air yang dapat mewakili dalam suatu DAS serta dapat dijadikan sebagai
acuan untuk dilakukan pengembangan studi.
2. Manfaat secara Praktis
Dengan adanya rasionalisasi pos hujan dan pos duga air dapat memberi masukan dan
sebagai bahan pertimbangan untuk mengambil keputusan bagi instansi dalam
mengevaluasi jaringan pos hidrologi yang ada di DAS Welang untuk mengefisisensi
biaya, peralatan dan waktu.
BAB II
TINJAUAN PUSTAKA
2.1. DAS dan Sub DAS

Menurut Peraturan Pemerintah No. 37 Pasal 1 mengenai Pengelolaan DAS, Daerah
Aliran Sungai yang disebut sebgai DAS adalah suatu kawasan daratan yang merupakan
satu kesatuan dengan sungai dan anak-anak sungainya, memiliki fungsi utnuk menampung,
menyimpan dan mengalirkan air yang berasal dari curah hujan ke danau atau ke laut secara
alami, yang batas di darat merupakan pemisah topografis dan batas di laut sampai dengan
daerah perairan yang masih terpengaruh aktivitas daratan.
Sedangkan Daerah Aliran Sungai (berdasarkan Undang-undang No. 7 Tahun 2004
tentang SDA DAS) adalah suatu wilayah daratan yang merupakan satu kesatuan dengan
sungai dan anak-anak sungainya, yang berfungsi menampung, menyimpan, dan
mengalirkan yang berasal dari curah hujan ke danau atau ke laut secara alami, yang batas
di darat merupakan pemisah topografis dan batas di laut sampai dengan daerah perairan
yang masih terpengaruh aktivitas daratan.
Sub DAS adalah bagian dari DAS yang menerima air hujan dan mengalirkannya
melalui anak sungai ke sungai utama. Setiap DAS terbagi habis ke dalam Sub DAS-Sub
DAS.
2.2. Jaringan Pos Hujan dan Pos Duga Air

Jaringan pos hujan merupakan sistem yang terorganisasi secara baik untuk
mengumpulkan data digunakan dalam berbagai keperluan di bidang sumberdaya air.
Dalam hal ini terkandung dua kepentingan utama, yaitu tercapainya kerapatan jaringan
yang optimum dan perolehan data yang maksimum. Jaringan pos hujan memiliki peran
yang sangat penting, yaitu dalam mengurangi variabilitas besaran kejadian atau
mengurangi ketidakpastian dan meningkatkan pemahaman terhadap besaran yang terukur
maupun terinterpolasi (Harto, 1993:22). Setiap pos hujan mempunyai luasan daerah
pengaruh (sphere of influence) yang merupakan daerah dimana kejadian-kejadian di
dalamnya menunjukkan keterikatan atau koreksi dengan salah satu kejadian yang diamati
pos hujan lainnya di dalam daerah tersebut.
5
6
Pengumpulan data secara langsung yang diperoleh dari pos duga air dapat disebut
pengukuran aliran sungai (stream gauging) antara lain meliputi: pengukuran tinggi muka
air, pengukuran debit, dan pengukuran sedimen. Pengukuran debit ditujukan untuk
memperoleh hubungan antara tinggi muka air dan debit (lengkung debit), dan berdasarkan
hubungan tersebut bisa dilakukan analisa debit untuk mendapatkan data debit yang
berkesinambungan. Data debit yang berkesinambungan dalam jangka waktu lama akan
sangat dibutuhkan dalam berbagai kebutuhan terutama bidanh hidrologi.
Dalam analisis hidrologi suatu DAS dibutuhkan data-data hujan dari alat penakar
hujan tetapi terdapat dua permasalahan utama yaitu (Sri Harto, 1993:19):
a. Ketetapan jumlah pos hujan dan pos hidrometri (pos pengamatan) yang akan
digunakan dalam analisis, termasuk didalamnya pola sebaran pos dalam Derah
Aliran Sungai yang bersangkutan.
b. Berapa besaran ketelitian yang dapat dicapai oleh suatu jaringan pengamatan
dengan kerapatan tertentu.
Dalam pengertian ini jaringan dimaksudkan sebagai suatu sistem yang terorganisasi
untuk mengumpulkan data (hidrologi) secara optimum dalam berbagai kepentingan analisa
hidrologi. Hubungan antara tercapainya kerapatan jaringan yang optimum dan informasi
maksimum, beberapa hal penting yang tersirat diantaranya (Sri Harto, 1993:20):
a. Kerapatan jaringan optimum adalah jumlah pos yang mencukupi dan sebaran
letak pos yang memadai di seluruh DAS.
b. Kerapatan jaringan hendaknya tidak terlalu tinggi karena akan menyangkut
kebutuhan biaya pemasangan dan pengoperasian serta pemeliharaan yang cukup
mahal
c. Penyebaran letak pos hendaknya dilakukan sedemikian rupa sehingga
variabilitas ruang DAS dapat terwakili dengan baik.
d. Perencanaan jaringan yang dianggap baik didasarkan pada analisis ekonomi,
baik dalam kaitannya dengan pengembangan fisik jaringannya sendiri maupun
hubungannya dengan nilai ekonomi kecermatan data atau informasi yang
diperoleh.
Dengan demikian, satu set pos hujan atau pos hidrometri (pos duga air) dapat
disebut sebagai jaringan (network) bila terdapat keterikatan (coherence) pengamatan dalam
tingkat tertentu dari kejadian-kejadian (phenomena) yang diukur. Keterikatan tersebut akan
meningkat dengan meningkatnya kerapatan jaringan.
7
2.3. Analisa Data Hujan dan Data Debit

2.3.1. Pengisian Data Hujan yang Hilang
Data hujan yang diperoleh dari instansi terkait merupakan data hidrologi siap pakai.
Namun pada kenyataannya masih banyak terdapat data hujan yang tidak lengkap. Faktor
yang menyebabkan data hujan tersebut hilang berasal dari faktor manusia atau alat. Misal
petugas yang sengaja tidak mencatat data atau karena alat pengukurnya dalam keadaan
rusak. Kondisi tersebut membuat beberapa data runtut waktu ada yang kosong. Oleh
karena itu untuk dapat menghasilkan hasil analisa yang baik maka diperlukan perkiraan
untuk pengisian data hujan yang hilang agar dapat digunakan analisa selanjutnya. Untuk
melengkapi data hujan yang hilang bisa dilakukan jika (Limantara, 2008:71):
1. Disekitarnya ada pos penakar (minimal 2) yang lengkap datanya
2. Pos penakar yang datanya hilang diketahui hujan rata-rata tahunannya.
Berikut beberapa metode untuk memperkirakan data hujan periode kosong:
a. Normal Ratio Method (Perbandingan Normal)
Px 1 P P P P
= n (N1 + N2 + N3 +…+ Nn ) ..............................................................................(2-1)
Nx 1 2 3 n
dengan:
Px = curah hujan di pos x yang diperkirakan
P1, P2, P3, Pn = curah hujan di pos sekitarnya yang diketahui
Nx = curah hujan normal tahunan di pos x
N1, N2, N3, Nn = curah hujan normal tahunan di pos sekitar x
Metode ini dapat digunakan apabila variasi ruang hujan tidak terlalu besar.
Pengertian hujan normal adalah rata-rata hujan yang memiliki jangka pengukuran selama
15-20 tahun lamanya. Disarankan untuk menggunakan minimal 3 buah pos hujan sebagai
pos acuan. Metode ini bisa dipakai apabila rata-rata tahunan pada pos hujan acuannya
melebihi 10%.
b. Reciprocal Method
Cara ini memanfaatkan jarak antar pos sebagai faktor koreksi. Semakin besar jaraka
antar pos hujan maka semakin kecil korelasi antara dua pos hujan. Persamaan ini dapat
digunakan bila dalam DAS tersebut terdapat lebih dari dua pos hujan. Disarankan untuk
menggunakan minimal tiga pos hujan acuan.
P
∑ni=1 i2
Li
Px = n 1 .......................................................................................................(2-2)
∑i=1 2
Li
dengan:
8
Px = hujan yang hilang di pos hujan x

Pi = hujan di pos hujan sekitarnya yang diketahui
Li = jarak antara pos hujan x dan pos hujan acuan i
2.3.2. Pengisian Data Debit yang Hilang
Masalah umum hidrologi yang sering dihadapi adalah kekurangan data debit untuk
analisis statistik. Dengan data yang terbatas dibutuhkan suatu metode untuk memperoleh
rekaman data yang diperlukan. Untuk mengisi data debit yang hilang akibat kerusakan alat
atau gangguan lainnya adalah dengan metode regresi. Metode ini dianggap sederhana
untuk mengetahui hubungan antara data hujan dan data debit yang pernah terjadi
sebelumnya sehingga diperoleh persamaan untuk memperkirakan data debit yang hilang.
Fenomena hidrologi yang terdiri dari dua variabel berpasangan {(Xi,Yi); i = 1, 2, 3,
… n}, apabila dibuat hubungan maka akan diperoleh garis kurva linier sederhana dengan
dua model persamaan regresi garis lurus sebagai berikut:
𝑌̂ = a1 X + b1 .................................................................................................... (2-3)
𝑋̂ = a2 Y + b2 .................................................................................................... (2-4)
dengan:
𝑌̂ = persamaan garis lurus Y atas X
𝑋̂ = persamaan garis lurus X atas Y
a1, a2 = koefisien regresi merupakan koefisien arah dari garis regresi
b1, b2 = koefisien yang merupakan titik potong dari garis regresi
Dengan menggunakan merode kuadrat terkecil maka besarnya koefisien a1, b1, a2
dan b2 dapat dihitung dengan persamaan berikut:
∑𝑛 ̅ ̅
𝑖=1(𝑋𝑖 −𝑋)(𝑌𝑖 −𝑌)
a1 = 𝑛 ̅
∑𝑖=1(𝑋𝑖 −𝑋)2
......................................................................................... (2-5)
b1 = 𝑌̅ - a1 (𝑋̅) .................................................................................................. (2-6)

∑𝑛 ̅ ̅
𝑖=1(𝑋𝑖 −𝑋)(𝑌𝑖 −𝑌)
a2 = ∑𝑛 ̅ 2
......................................................................................... (2-7)
(𝑌
𝑖=1 𝑖 −𝑌 )
b1 = 𝑋̅ – a2 (𝑌̅) .................................................................................................. (2-8)

dengan:
1
𝑋̅ = 𝑛 ∑𝑛𝑖=1 𝑋𝑖 .................................................................................................... (2-9)
1
𝑌̅ = 𝑛 ∑𝑛𝑖=1 𝑌𝑖 .................................................................................................... (2-10)
Besarnya koefisien korelasi, yang menunjukkan derajat hubungan antara variabel Xi

dan Yi, adalah:
R = [(a1) (a2)]1/2 ............................................................................................... (2-11)
9
Dan dapat dihitung berdasarkan persaaan (2-5) sampai (2-8) sebagai persamaan
berikut ini:
∑𝑛 ̅
𝑖=1(𝑋𝑖 −𝑋 )(𝑌𝑖 −𝑌)
̅
R = [{∑𝑛 (𝑋 ̅ 2 }{ ∑𝑛 (𝑌 −𝑌 ̅ )2 }]1/2
...................................................................... (2-12)
𝑖=1 𝑖 −𝑋 ) 𝑖=1 𝑖
Besarnya koefisien penentu atau koefisien determinasi (determination coefficient),

yang menunjukkan perbedaan varian dari data pengukuran Yi dan varian dari nilai pada
garis persamaan regresi untuk nilai Xi adalah:
R2 = (a1) (a2) .................................................................................................... (2-13)
2.3.3. Uji Konsistensi Data Hujan
Uji konsistensi data dimaksudkan untuk mengetahui kebenaran data lapangan. Data
hujan disebut konsistensi menunjukkan bahwa data yang terhitung dan terukur adalah teliti
dan benar serta sesuai dengan fenomena saat hujan itu terjadi. Metode yang digunakan
dalam uji konsistensi data hujan pada studi ini yaitu Analisis Kurva Massa Ganda.
Kurva massa ganda adalah metode grafis untuk menguji konsistensi dan kesamaan
jenis data hidrologi dari suatu pos hidrologi (Soewarno, 1995:28). Prinsip dari metode ini
yaitu dengan membandingkan curah hujan kumulatif tahunan dari satu pos dengan
kumulatif curah hujan tahunan rerata beberapa pos pada waktu yang sama dan diplotkan
pada kurva. Pada gambar 2.1 merupakan contoh analisa kurva massa ganda.
Gambar 2.1. Sketsa Analisa Kurva Massa Ganda

Sumber: Soewarno (2000: 201)
Hz = Fk × Ho .....................................................................................................(2-14)
tan ∝
Fk = .........................................................................................................(2-15)
tan ∝o
dengan:
Hz = data hujan yang perlu diperbaiki
Ho = data hujan hasil pengamatan
Fk = faktor koreksi
10
Tan α = kemiringan garis sebelum ada perubahan

Tan αo = kemiringan garis sesudah ada perubahan
2.3.4. Uji Konsistensi Data Debit
Untuk pengujian konsistensi data debit ini digunakan metode RAPS (Rescaled
Adjusted Partial Sums). Dalam metode ini, konsistensi data hujan ditunjukkan dari nilai
kumulatif penyimpangannya terhadap nilai rata-rata. Tahapan yang dilakukan dalam
pengujian konsistensi data debit adalah sebagai berikut:
1. Mengurutkan data debit berdasarkan debit dan menghitung reratanya
∑ 𝑛
𝑌𝑖
𝑌̅ = 𝑖=1 ................................................................................................... (2-16)
𝑛
2. Menghitung Sk*
Sk* = ∑ki=1 (Yi -Y̅ ) dengan nilai k = 1,2,3,…,n ............................................ (2-17)
3. Menghitung Dy2
∑𝑛 ̅ 2
𝑖=1(𝑌𝑖 −𝑌)
Dy2 = ........................................................................................ (2-18)
𝑛
4. Menghitung Dy
Dy = √Dy 2 .................................................................................................. (2-19)
5. Menghitung Sk**
Sk *
Sk** = ................................................................................................. (2-20)
Dy
dengan :
Sk* = nilai kumulatif penyimpangannya terhadap nilai rata-rata
Yi = nilai data Y ke-i
Y̅ = Y rata-rata
n = jumlah data Y
Sk** = Rescaled Adjustes Partial Sums
Dy = standar deviasi dari data Y
Nilai statistik Q dan R:
Q = maks |Sk ** | untuk 0 ≤ k ≤ n ....................................................................... (2-21)
R = maks Sk ** - min Sk ** ................................................................................... (2-22)
Dengan melihat statistik di atas maka dapat dicari nilai Q/√n dan R/√n. Hasil yang
didapat dibandingkan dengan nilai Q/√n kritis dan R/√n kritis, bila nilai hitung lebih kecil
maka data dapat dikatakan masih dalam batasan konsisten. Nilai kritis Q/√n dan R/√n
dapat dilihat pada tabel 2.1.
11
Tabel 2.1. Nilai Kritis Q/√𝑛 dan R/√𝑛

Q/√𝑛 R/√𝑛
n
90% 95% 99% 90% 95% 99%
10 1,05 1,14 1,29 1,21 1,28 1,38
20 1,10 1,22 1,42 1,34 1,43 1,60
30 1,12 1,24 1,46 1,40 1,50 1,70
40 1,13 1,26 2,50 1,42 1,53 1,74
50 1,14 1,27 1,52 1,44 1,55 1,78
100 1,17 1,29 1,55 1,50 1,62 1,85
∞ 1,22 1,36 1,63 1,62 1,75 2,00
Sumber: Harto, 1993:168
2.3.5. Penyaringan Data Hujan dan Data Debit

a. Uji Ketiadaan Trend
Uji ketiadaan trend dilakukan dengan tujuan untuk mengetahui ada tidaknya trend
atau variasi dalam data. Apabila ada trend maka data tidak disarankan dalam analisis
hidrologi. Data yang baik adalah data yang homogen, artinya data berasal dari populasi
yang sama jenis. Uji ketiadaan trend dapat dilakukan dengan beberapa metode, antara lain
UjiaKorelasiaPeringkat (KP) dengan MetodeaSpearman, Uji Mannadan Whitney, dan
UjiaTanda dengan Metode Cox dan Stuart.
➢ Uji Korelasi Peringkat (KP) dengan Metode Spearman
Hubungan antara variatadari variabelahidrologi dengan waktu dapat katakan
sebagai trend. Untuk melihat ada tidaknya trend pada suatu data deretaberkala didasarkan
pada koefisien korelasinya, salah satu caranya yaitu dengan korelasi peringkat dengan
metode korelasi Spearman. Langkah – langkah yang dilakukan adalah sebagai berikut:
1. H0 : data tidak memiliki trend
H1 : data memiliki trend
2. Menentukan taraf signifikansi
3. Statistik Uji
n
6 dt 
2
KP 1 i 1
.............................................................................................(2-23)
n n
3
1
 n2 2
t  KP  2 
.............................................................................................(2-24)
1  KP 
dengan :
12
KPa=akoef. korelasiaperingkataSpearman
na =ajumlahadata
dt =aselisih Rt dangan Tt
Tt =aperingkat dariawaktu
Rt =aperingkat dari variabelahidrologiadalam data deretaberkala.
t =anilai hitung uji t
Uji-t digunakanauntukamengetahui apakahavariabelahidrologi danavariabel waktu
salingatergantung satu sama lain atauatidak. Dalamahal iniayang di ujiaadalah Rt
dan Tt.
4. Menentukan nilai t kritis yang diperoleh dari tabel uji t dengan taraf signifikansi
tertentu (tabel dapat dilihat pada lampiran). Pengujian dilakukan dua sisi.
5. Pengambilanakeputusan
- tihitung > t-α atauit hitungi< t+α makaiH0iditerima
- tihitung < t-α atauit hitungi> t+α makaiH0iditolak
➢ Uji Mann dan Whitney
Pada metode ini dilakukan untuk mengujiaapakah sampelaberasaladari populasi
yang samaaatau tidak. Pengujian menggunakan dua kelompokadata yangatidak
berpasangan. Dari duaakelompokasampel yang diukur dari populasi A dan populasi B,
kemudian dibuatahipotesisabahwa kelompok A memiliki sebaran data yang sama dengan
kelompok B. Pada pengujian keduaakelompok tersebut akanadigabungkan dan kemudian
dibuatarangkaianadataatersebutadari nilaiayangaterkecil sampaiayang terbesar. Langkah –
langkah yang dilakukan adalah sebagai berikut:
1. Menggabungkanadua kelompok data yaitu kelompok A dan B
2. Membuataperingkatarangkaian data darianilai terkecil sampai terbesar
3. Menghitungajumlah peringkatarangkaian data dari tiapakelompok
4. Menghitungaparameterastatistik:
U1 = N1.N2 + (N1 / 2)(N1 + 1) - Rm .................................................................. (2-25)
U2 = N1.N2 – U1 ................................................................................................ (2-26)
dengan :
U1, U2 =aparameterastatistik
N1 =ajumlahidataikelompok A
N2 =ajumlah idataikelompok B
Rm =ajumlahanilaiaperingkat dari rangkaianadata kelompokiA
5. Memilihinilai U1 atau U2 yanginilainyailebih kecilisebagaiinilai U
13
6. Menghitungiuji ManniWhitneyisebagai nilai Z:

U - (N1N2)
2
Z= 1 .....................................................................(2-27)
1
[12 {N1N2(N1+N2 +1)}]2
7. Pengambilan Keputusani:
Denganianggapan bahwa keduaisampel yaitu kelompokiAidan B memiliki
distribusiiyang normal, maka dapat ditentukan nilai Zc untuk pengujian satu sisi.
Apabila nilaiiZ < Zc maka hipetesis nol dapat diterima, sedangkan apabila nilaiiZ ≥
Zc makaihipotesisinol ditolak.
➢ Uji Tanda dari Cox dan Stuart
Perubahan trend dapat ditunjukkan dengan pengujian yang lain yaitu uji tanda dari
Cox dan Stuart. Tahapan yang dilakukan adalah sebagai berikut:
1. Nilaiidata urutiwaktu dibagi menjadii3ibagian kelompok yang sama. Apabila tidak
bisa dibagiimenjadi 3ibagianikelompok yang sama, imaka bagian kelompok
keduaijumlahnya bisa dikurangii2 atau 1 data.
2. Kemudian membandingkan nilai antara kelompok 1 dan 3 serta memberiitandai (+)
untuk hasil yang positif dan (-)iuntuk nilaiiyang negatif .
3. Jumlah dari nilaii (+) dan (-) disebut sebagai S.
4. Menghitung nilai Z
Untuk sampel besar (n ≥ 30)
n
S-
6
z= 1 ........................................................................................................(2-28)
n 2
( )
12
Untuk sampel kecil (n < 30)

n
S - - 0,5
6
z= 1 .................................................................................................(2-29)
n 2
( )
12
5. Pengambilan Keputusan
Dengan pengujian satu sisi, bandingkan nilai Z dengan nilai Zc berdasarkan tabel
pengujian distribusi normal. Apabila nilai Z < Zc maka hipetesis nol dapat diterima,
sedangkan bila nilai Z ≥ Zc maka hipotesis nol ditolak. Nilai kritis untuk pengujian
distribusi normal dapat dilihat pada tabel 2.2 berikut:
14
Tabel 2.2 Nilaiitc untuk Pengujian Distribusi Normal

Derajat
0,1 0,05 0,01 0,015 0,002
Kepercayaan (α)
- 1,28 - 1,645 - 2,33 - 2,58 - 2,88
UjiiSatuiSisi atau atau atau atau atau
+ 1,28 + 1,645 + 2,33 + 2,58 + 2,88
- 1,645 - 1,96 - 2,58 - 2,81 - 3,08
UjiiDuaiSisi atau atau atau atau atau
+ 1,645 + 1,96 + 2,58 + 2,81 + 3,08
Sumber: Soewarno, 1995:11
b. Uji Stasioner
Ujiistasioner dilakukan untukimengujiikestabilan nilaiirata-rata dan varian dari data
deret berkala. Uji stasioner dilakukan dengan menggunakan metode Distribusi F. Caranya,
data dibagi dalam duaikelompok data atau lebih. Kemudian masing-masing kelompok
diiuji dengan menggunakan Distribusi F. Jika nilai varian stabil, maka dilanjutkan dengan
menguji kestabilan nilai rata-ratanya. Sedangkan apabila nilai varian tidak stabil, maka
tidak perlu menguji kestabilan nilai rata-rata. Langkah – langkah yang dilakukan adalah
sebagai berikut.
➢ Uji Kestabilan Varian (Uji-F)
1. H0 : varian data stabil
H1 : varian data tidak stabil
3. Statistik uji :
N 1 . S12 N 2 1
F ......................................................................................... (2-30)
N 2 . S 22 N 1 1
dengan :
F =inilai hitungiuji F
N1 =ijumlah dataikelompok 1
S1 =istandar deviasiidataikelompok 1
S2 =istandar deviasiidataikelompok 2
dengan derajat bebas (df) :
df1 = N1 – 1
df2 = N2 – 1
4. Menentukan F kritis yang diperoleh dari tabel uji F dengan derajat kebebasan df
= N1 + N2 – 2 (tabel dapat dilihat pada lampiran)
15
5. Pengambilanikeputusan:
- Fihitungi< F kritis imaka H0 diterima
- Fihitungi> F kritis imaka H0 ditolak
➢ Uji Kestabilan Rata - rata (Uji-t)
1. H0 : rata-rata data stabil
H1 : rata-rata data tidak stabil
3. Statistik uji :
1
 N S 2  N 2 S 22 2
   1 1  .................................................................................(2-31)
 N1  N 2  2 
X1 X 2
t 1 .........................................................................................(2-32)
 1 1  2
   
 N1 N 2 
dengan :
t =inilai hitungiuji t
X1 =inilai rata-rataidata kelompok 1
X2 =inilai rata-rataidata kelompok 2
S1 =istandar deviasiidata kelompok 1
S2 =istandar deviasiidata kelompok 2
4. Menentukan t kritis yang diperoleh dari tabel uji t dengan derajat kebebasan df =
N1 + N2 – 2 (tabel dapat dilihat pada lampiran). Pengujian dilakukan dua sisi.
5. Pengambilanikeputusan:
- tihitungi< t kritis maka H0 diterima
- tihitungi> t kritis maka H0 ditolak
c. Uji Persistensi
Uji persistensi dilakukan dengan tujuan untuk mengetahui apakah data yang diuji
berasal dari sampel acak atau tidak dan bebas atau tidak. Acak artinya mempunyai peluang
yang sama untuk dipilih, sedangkan bebas artinya data tidak tergantung waktu, data yang
dipilih, kejadian tidak tergantung data yang lainnya dalam suatu populasi yang sama.
Persistersi diartikan sebagai tidak adanya ketergantungan dari setiap nilai dalam deret
16
berkala. Uji persistensi dapat dilakukan dengan menghitung korelasi serial, misalnya
dengan Metode Spearman. Tahapan yang dilakukan adalah sebagai berikut:
1. H0 : data random (acak)
H1 : data tidak random (tidak acak)
3. Statistik Uji :
n
6 di
2
KS 1  i 1
............................................................................................ (2-33)
m m3
1
 m2 2
t  KS  2 
............................................................................................. (2-34)
1  KS 
dengan :
KS =ikoefisienikorelasiiserial Spearman
m =ijumlahidata
di =iselisihiantara peringkat ke Xi dang Xi-1
t =inilaiihitung uji t
denganiderajatibebas df = m – 2
4. Menentukan nilai t kritis yang diperoleh dari tabel uji t dengan taraf signifikansi
tertentu (tabel dapat dilihat pada lampiran). Pengujian dilakukan satu sisi.
5. Pengambilanikeputusan
- t hitungi> t-α atau t hitung < t+α maka H0 diterima
- t hitungi< t-α atau t hitung > t+α maka H0 ditolak
d. Uji Inlier-Outlier
Data hidrologi yang diiperoleh, isebelum dilakukan analisisiselanjutnyaiharus
dilakukan ujiiabnormalitas. Pengujian iniidigunakan untuk melihat apakahidata maksimum
dani minimumi darii rangkaiani datai layaki digunakan iatau itidak. Adapun itahapan
perhitungannya sebagai berikut:
1. Data diurutkan dari besar ke kecil atau sebaliknya (X)
2. Menghitung harga Y = Log X
3. Menghitung Yrerata
4. Menghitung Standar Deviasi Sd
5. Menentukan harga Kn sesuai jumlah data dengan melihat tabel 2.3.
6. Menghitung batas atas dan batas bawah harga abnormalitas data dengan rumus:
17
YH = Yrerata + Kn .Sd ..........................................................................................(2-35)

XH = 10YH ..........................................................................................................(2-36)
YL = Yrerata – Kn .Sd ...........................................................................................(2-37)
XL = 10Y ............................................................................................................(2-38)
7. Menentukan data yang dapat dipakai atau tidak dapat dipakai sesuai dengan batas
atas dan batas bawah abnormalitas data.
Tabel 2.3. Nilai Kn untuk Uji Inlier-Outlier
Jumlah Jumlah Jumlah Jumlah
Kn Kn Kn Kn
Data Data Data Data
10 2,036 24 2,467 38 2,661 60 2,837
11 2,880 25 2,468 39 2,671 65 2,866
12 2,134 26 2,502 40 2,682 70 2,893
13 2,175 27 2,519 41 2,692 75 2,917
14 2,213 28 2,534 42 2,700 80 2,940
15 2,247 29 2,549 43 2,710 85 2,961
16 2,279 30 2,563 44 2,719 90 2,981
17 2,309 31 2,577 45 2,727 95 3,000
18 2,335 32 2,591 46 2,736 100 3,017
19 2,361 33 2,604 47 2,744 110 3,049
20 2,385 34 2,616 48 2,753 120 3,078
21 2,408 35 2,628 49 2,760 130 3,104
22 2,429 36 2,639 50 2,768 140 3,129
23 2,448 37 2,650 55 2,804
Sumber: Chow, 1998:404
2.4. Analisa Curah Hujan Rerata Daerah

Hujan yang turun ke bumi dapat merata diiseluruh kawasan yangiluas atau bisa
terjadi hanya bersifatisetempat. iHujan yang bersifatisetempat adalah curah hujaniyang
diukuridari pos hujan, ibelum tentu dapat mewakiliihujan untukidaerah yang lebih luas,
kecualiiuntuk lokasi di sekitar posihujan tersebut. iCurah hujan yang terukur dariisuatu
posihujan bisa mewakili keadaan atau karakteristik bukan untukidaerahiyang luas,
dipengaruhi oleh beberapa faktor yaitu:
a. Jarak pos hujan sampai titik tengah kawasan yang dihitung curah hujannya
b. Luas daerah
c. Topografi
d. Sifat hujan
18
Beberapa metode pendekatan yang dianggap dapat digunakan untuk menentukan

tinggi curah hujan rata-rata adalah (1) MetodeiRata-rataiAritmatik, (2)
MetodeiPoligoniThiessen, dan (3) MetodeiIsohiet. Pada studi digunakan metode poligon
thiessen.
2.4.1. MetodeiRata-rataiAritmatik
Metode iniiadalah yang palingisederhana untukimengetahui hujanirerata padaisuatu
daerah. iPengukuran yangidilakukan diibeberapa pos dalamiwaktu yang bersamaan
dijumlahkanidan kemudianidibagiidengan jumlah pos. Pos hujaniyang digunakanidalam
hitunganibiasanyaiadalah yang lokasinya beradaidi dalam DAS, itetapi untuk pos yang di
luar DASiyang masihiberdekatan juga bisaidiperhitungkan. Persamaan yang digunakan
pada metode Aritmatik adalah sebagai berikut (Triatmodjo, 2008: 31):
1
P = n (P1 +P2 +…+Pn ) ...................................................................................... (2-39)
dengan :
P = Curah hujan daerah (mm)
n = Jumlah titik-titik (stasiun-stasiun) pengamat hujan
P1, P2,…, Pn = Curah hujan di tiap titik pengamatan
2.4.2. Metode PoligoniThiessen
Dalam metode ini menghitung bobotidari masing-masing pos yang mewakiliiluasan
di sekitarnya. iPada suatuiluasan DASidianggap bahwa hujannya samaidengan yangiterjadi
pada pos yang terdekat, isehingga hujaniyang tercatatipada suatu posimewakiliiluasan
tersebut. iMetode ini dapat digunakan apabila sebaran pos hujan di daerah tinjauan tidak
merata, serta jumlah pos hujan minimaliyang digunakan untukiperhitunganiadalahitiga pos
hujan. iHitungan curahihujan rata-rata dilakukani dengani memperhitungkani daerah
pengaruhidari tiap pos. (Triatmodjo, 2008:33). Pada gambar 2.2. merupakan contoh
penggambaran poligon thiessen. Pembentukanipoligon thiesseniadalah sebagai berikut:
a. Pos hujanidigambarkan dalam petaiDAS yang ditinjau, itermasuk pos hujan yang
terletak diiluar DASiyang berdekatan.
b. Pos-pos tersebutidihubungkanidengan garisilurus kemudian membentukisegitiga-
segitiga, dan hendaknya segitiga tersebut mempunyaiisisi denganipanjang yang
kira-kiraisama.
c. Membuat garisiberat pada sisi-sisiisegitiga sepertiiditunjukkan denganigaris
penuhipada gambar 2.2.
19
d. Garis-garisiberat tersebutimembentuk poligoniyang mengelilingiitiap pos. Tiap pos

mewakiliiluasan yang dibentukioleh poligon. iUntuk pos yang beradaidi dekat batas
DAS, igaris batasiDAS membentukibatas tertutupidari poligon.
e. Luasan tiapipoligon diukuridan dikalikanidengan kedalamanihujan di posiyang
berada diidalam poligon
f. Jumlahidari hitunganipada langkah (e) untukisemua pos dibagiidengan luasidaerah
yangiditinjau menghasilkanihujan rerata daerahitersebut.
A1 P1 + A2 P2 +...+ An Pn
̅=
P ........................................................................................(2-40)
A1 + A2 +...+ An
dengan:
̅
P =ihujan rerata kawasan
P1, P2, ..., Pn =ihujan pada pos 1, 2, 3, ..., n
A1, A2, ..., An =iluas daerahiyang mewakiliipos 1, 2, 3, ..., n
Gambar 2.2. Poligon Thiessen

Sumber: Triatmodjo, (2008:34)
2.4.3. Metode Isohiet
Isohyet merupakan garisiyang menghubungkanititik-titik denganikedalaman hujan
yangisama. iPada metode isohiet, beranggapan bahwaihujan pada suatuidaerah di antara
duaigaris isohietiadalah merataidan samaidenganinilai rerata dari keduaigaris isohiet
tersebut. iMetode Isohiet merupakanicara yang palingiteliti untuk mengetahui
kedalamanihujan rata-rataidi suatu daerah. iPada metode ini pos hujaniharus banyak dan
tersebarimerata. (Triatmodjo, 2008: 35)
P +P P +P P +P
A1 ( 1 2 )+A2 ( 1 2 )+…+An ( n n+1 )
2 2 2
P= ...................................................................(2-41)
A1 +A2 +…+An
20
dengan:
P =iRata-rataicurah hujaniwilayah (mm)
P1, P2, … Pn =iCurah hujanimasing-masing isohiet (mm)
A1, A2, … An =iLuas wilayah antara 2 isohiet (km2)
2.5. Analisa Kerapatan Pos Hujan dan Pos Duga Air

2.5.1. Standar WMO
Padaiumumnya wilayah hujan yang terjadiilebih luas dibandingkan dengan wilayah
hujaniyang diwakiliioleh pos pengukur hujaniiatauiisebaliknya, imaka dengan melihat
pertimbanganiekonomi, itopografi dan serta pertimbangan yang lain harusiditempatkan pos
hujanidengan kerapatanioptimum yang dapat memberikanidata dengan baik untuk analisis
selanjutnya. iBadan MeteorologiiiDunia atauiiWMO menyarankaniikerapatan jaringan
minimum untuk jaringan pos hujan dan pos duga air yang dapat dilihat padaitabel 2.4
sebagaiiberikut:
Tabel 2.4. Kerapatan Jaringan Minimum yang Direkomendasikan WMO
Luas Daerah (km2) per Satu Pos
No. Tipe
Kondisi Normal Kondisi Sulit
Daerah dataran tropis mediteran dan 1000 – 2500
1 3000 – 9000
sedang (600 – 900)
Daerah pegunungan tropis mediteran 300 – 1000
2 1000 – 5000
dan sedang (100 – 250)
Daerahikepulauan kecilibergunung 140 – 300
3
denganicurah hujanibervariasi (25)
5000 – 20000
4 Daerah arid dan kutub
(1500 – 10000)
Sumber: Linsley, 1986:67
Ket: untuk yang di dalam kurung adalah luasan untuk pos hujan
2.5.2. Metode Stepwise dan Stepwise-Enter
Metode stepwise merupakan suatu metode untuk memperoleh model terbaik dari
sebuah analisis regresi. Dalam metode ini yang dicari adalah model terbaik dari variabel
independen yang sesungguhnya signifikan menjelaskan variabel dependen. Metode
stepwise diperoleh dari beberapa tahap pemilihan variabel independen untuk masuk dalam
model, kemudian memilih satu atau beberapa variabel independen yang benar-benar
signifikan untuk menjelaskan variabel dependen (Yamin, 2011:167).
Sedangkan stepwise-enter adalah sebuat metode alternatif yang digunakan untuk
mendapatkan korelasi terbaik dengan memasukkan variabel independen yang memiliki
21
korelasi sederhana (single correlation) dari yang tertinggi sampai ke rendah. Perbedaannya
dengan metode stepwise yaitu pada metode ini tidak diperlukan persyaratan untuk
memenuhi pengujian signifikansi. Pada kedua metode ini diperlukan pengujian asumsi
klasik lebih lanjut untuk mendukung regresi yang dihasilkan.
Dalam studi ini, metode stepwise dan stepwise-enter digunakan terhadap data hujan
tahunan sebagai variabel bebas dan data debit tahunan sebagai variabel tidak bebas dalam
satu DAS. Pada metode stepwise dengan bantuan aplikasi SPSS, seluruh variabel
independen dimasukkan secara serentak dan hanya dilakukan satu kali proses untuk
mendapatkan model regresi terbaik. Sedangkan pada stepwise-enter, variabel dimasukkan
satu persatu dari variabel yang memiliki korelasi parsial tertinggi sampai ke rendah sampai
mendapatkan regresi terbaik.. Analisis dalam regresi stepwise dan stepwise-enter adalah
sebagai berikut (Priyatno, 2013: 47):
a. Analisis Regresi Linier
Analisis ini untuk ditujukan untuk meramalkan variabel bebas jika variabel terikat
dinaikkan atau diturunkan. Untuk melakukaniperamalan maka dibuatlahipersamaan
sebagaiiberikut:
Y’ = b0 + b1X1 + b2X2 + ... + bnXn ......................................................................(2-33)
Y’ adalahivariabel dependen yangidiramalkan, ib0 adalahikonstanta, ib1, b2, b3
adalahikoefisien regresi, idan X1, X2, X3 adalah variabeliindependen. Berdasarkan output
pada SPSS, yang digunkaan untuk membuat persamaan garis regresinya adalah besaran
koefisien beta yang dapat dilihat pada tabel Coefficients (kolom Unstandardized
Coefficients B).
b. UjiiF
Uji ini digunakaniuntuk menghitung pengaruhivariabel independenisecara
simultaniterhadap variabelidependen, iapakah memberikan pengaruh yang signifikaniatau
tidak. Berikut tahap pengujiannya:
1. Menentukanihipotesis nolidanihipotesis alternatif
- H0 : artinyaiivariabeliindependen secaraiserentak tidakiiberpengaruh terhadap
variabelidependen
- Ha : artinyaiivariabeliindependen secaraiserentak berpengaruhiiterhadap
variabelidependeni
2. Menentukan F hitung dan nilai signifikansi (dapat dilihat pada tabel ANOVA)
3. Menentukan F kritis berdasarkan tabel statistik uji F dengan taraf signifikansi
tertentu (tabel F dapat dilihat pada lampiran)
22
4. Pengambilan keputusan
- Fihitung ≤ F kritis maka H0 diiterima
- Fihitung > F kritis maka H0 diitolak
Dan berdasarkanisignifikansi
- Signifikansii> 0,05 maka H0 diiterima
- Signifikansii< 0,05 maka H0 diitolak
c. Ujiit
Ujiiit untuk mengetahuiiipengaruh variabeliiindependen secaraiiparsial terhadap
variabelidependen,iapakahipengaruhnyaisignifikan atauitidak. Berikut tahap pengujiannya:
1. Menentukanihipotesis nolidan hipotesisialternatif
- iH0 : iartinyaivariabel independenitidak berpengaruhiterhadap variabelidependen
- iHa : iartinyaivariabel independeniberpengaruh terhadap variabelidependen
2. Menentukan t hitung dan nilai signifikansi (dapat dilihat pada tabel Coefficients)
3. Menentukan t kritis berdasarkan tabel statistik uji t dengan taraf signifikansi
tertentu (tabel t dapat dilihat pada lampiran)
4. Pengambilan keputusan
- tihitungi≤ t kritis makaiH0 diiterima
- tihitungi> t kritis makaiH0 diitolak
Dan berdasarkanisignifikansi
- Signifikansi > 0,05imaka H0idiiterima
- Signifikansi < 0,05imaka H0idiitolak
e. Analisis KoefisieniKorelasi daniDeterminasi
Analisis koefisienikorelasi (R) menjelaskan korelasi atau hubungan antaraidua atau
variabeliiindependen terhadapiivariabel dependennya. Nilai korelasi lebih dari 0,6
menunjukkaniibahwa variabeliiindependen dan dependen memilikiiihubungan yangikuat.
Koefisieniideterminasi (R2) idigunakan untukiimengetahui seberapa besariiprosentase
sumbanganiipengaruh variabeliiindependen secaraiiserentak terhadapiivariabel dependen.
Hasil R dan R2 (R Square) dapat dilihat pada tabel Model Summary.
f. Uji AsumsiiKlasik
1. Uji NormalitasiResidual
Uji normalitasiiresidual digunakan untukimenguji nilaiiresidual yang diperoleh dari
regresi apakah terdistribusiisecara normaliatau tidak. Metode yang dapat digunakan adalah
metode grafik dan metode OneiSampleiKolmogorov-Smirnov (Priyatno, 2014:90).
23
➢ MetodeiGrafik
Uji normalitasiresidual dengan metodeigrafik yaitu denganimelihat sebaran datanya
padaiisumber diagonaliipada grafikiiNormal P-P Plot ofiiregressioniistandardized
residual. Kriteria pengambilan keputusan adalah jikaiititik-titik menyebar di sekitar
garisidan mengikuti garisidiagonal, imaka model regresi memenuhi asumsi normalitas.
Untuk membuat metode grafik dapat dilakukan dengan menggunakan aplikasi SPSS
dengan cara berikut:
- KlikiAnalyze → Regression → Linear
- Padaiiikotak dialogiiLinear Regressioniiimasukkan masing-masing variabel
independen dan dependennya
- Klik tombol Plots
- Beriicentang padaiNormal probability plot, ikemudian klikiContinue
- Setelah kembaliike kotak dialogisebelumnya maka klikiOK.
➢ Metode Uji OneiSampleiKolmogorov-Smirnov
Uji OneiSampleiKolmogorov-Smirnov digunakaniuntuk mengetahui distribusiidata,
apakahimengikuti distribusiinormal atau tidak. Residualiberdistribusi normalijika nilai
signifikansiilebih darii0,05. Langkah-langkahnya sebagai berikut:
- KlikiAnalyze → Regression → Linear
- Padaiiikotak dialogiiiLinear Regressioniiimasukkan masing-masing variabel
- Klik tombol Save. Beri centang pada Unstandardized pada kotak Residuals,
kemudianiklikiContinue
- Setelah kembaliike kotak dialogisebelumnya maka klik OK
- Hasilioutput SPSS akan mucul dan pada halamaniData View dan akanibertambah
satu variabeliyaitu residuali (RES_1)
- Ujiinormalitas dengan klikiAnalyze → Nonparametric Tests →iLegacy Dialogsi→
1-SampleiK-S. Selanjutnyaiakan terbuka kotakidialog OneiSampleiKolmogorov-
SmirnoviTest
- Masukkanivariabel UnstandardizediResidual ke kotak TestiVariable List. PadaiTest
Distribution, ipastikan terpilihiNormal. Jikaisudah klik tomboliOK.
2. Uji Multikolinearitas
Uji asumsi multikolinearitas digunakan untuk melihat adanya hubungan yangilinear
antara variabeliibebas (independen) satu dengan variabeliibebas lainnya atau tidak. Dalam
analisis regresiiiganda, akaniiterdapat duaiiatau lebih variabeliibebas yang didugaiiakan
24
mempengaruhiiivariabel terikatnya. Pendugaaniiitersebut akaniidipertanggungjawabkan

apabilaitidak terjadiiiadanyaihubunganiiyang lineari (multikolinearitas). Adanyaihubungan
yang linear antarvariabel independeniiakan menimbulkaniikesulitan dalamiimemisahkan
pengaruhimasing-masing variabel independeniterhadap variabelidependennya. (Sudarmato,
2005:137).
Untuk mendeteksiiada tidaknyaimultikolinearitas pada regresi yaitu denganimelihat
nilai Toleranceidan VIF. iSemakin kecil nilaiiTolerance danisemakin besar nilaiiVIF maka
semakiniimendekati terjadinyaiimasalahiiimultikolinearitas. Umumnya pada penelitian
menyebutkaniibahwa jikaiiTolerance lebihiidari 0,1 dan VIFiikurang dari 10imaka tidak
terjadiiimultikolinearitas. Langkah-langkah pengujian multikolinearitas dalam SPSS
sebagai berikut:
- KlikiAnalyze →iRegression →iLinear
- Padaiiikotak dialogiiiLinear Regressioniiimasukkan masing-masing variabel
- Klik tombol Statistics. Beri centang pada Collinearity Diagnostic, kemudianiklik
Continue
3. UjiiAutokorelasi
Autokorelasiidimaksudkan untuk melihat apakah terdapat hubungan di antaraidata
pengamataniatau tidak yang disusun menurut runtutan waktu. Adanya autokorelasi dapat
mengakibatkan varian sampel tidak dapat menggambarkan varian populasinya (Priyatno,
2013:75). Metode pengujian menggunakan ujiiDurbin-Watson daniRun Test.
➢ UjiiDurbin-Watson
Hasil perhitungan Durbin-Watson nantinya akan dibandingkanidengan nilai DLi (batas
bawah) daniiDU (batasiatas) yang didapat dariiitabel DW (tabel dapat dilihat pada
lampiran). Kemudian dapat diketahui apakah ada autokorelasi atau tidak dengan batas-
batas berikut:
- JikaiDW <iDL atau DW >i4-DL berarti terdapat autokorelasi.
- JikaiDU <iDW < 4-DU berarti tidak ada autokorelasi
- JikaiDL <iDW <iDU atauii4-DU < DWii< 4-DL maka tidakimenghasilkan
kesimpulaniyangipasti.
Langkah-langkah pengujian durbin-watson dalam SPSS adalah sebagai berikut:
25
- Padaiiiikotak dialogiiiLinear Regressioniiimasukkan masing-masing variabel

- Klik tombol Statistics. Beri centang pada Durbin-Watson, kemudianiklikiContinue
➢ Uji RuniTest
Apabila hasil uji autokorelasi dengan durbin-watsonitidak menghasilkanikesimpulan
yangipasti, maka perlu dilakukan pengujian lebih lanjut dengan menggunakan uji run
test. Uji ini merupakanibagian dari statistikinon-parametrikiyang bisa digunakan untuk
mengujiiantar residualnya apakah terdapatikorelasi yang tinggi atauitidak (Ghazali,
2011: 120). Jikainilai Asymp. iSig (2-tailed) menunjukkan lebihidari 0,05imaka tidak
terdapat autokorelasi. Langkah-langkah pengujian run test dalam SPSS adalah sebagai
berikut:
- Padaiiiikotak dialogiiiiLinear Regressioniiiimasukkan masing-masing variabel
kemudianiklikiContinue
satuivariabel yaitu residuali (RES_1)
- Uji run test dengan klikiAnalyze → NonparametriciTests → LegacyiDialogsi→
Runs Test. Selanjutnya akan terbuka kotak dialog Runs Test
- Masukkanivariabel UnstandardizediResidual ke kotak TestiVariableiList. iPada Cut
Point, pastikaniterpilih Median. Jikaisudah klik tomboliOK.
4. UjiiHeteroskedastisitas
Ujiiini digunakan untuk mengecek apakahivariasi residualisama atau tidakiuntuk
sebuah pengamatan. Heteroskedastisitasimenyebabkan estimatorimenjadi tidakiefisien dan
nilaiikoefisien determinasiiiakan menjadiiisangatitinggi. Model regresi yangibaik adalah
yangitidak memiliki permasalahan heteroskedastisitas. iUntuk mendekteksi adaiitidaknya
heteroskedastisitasidapatimenggunakan 2 metode yaitu metode grafik dan metode korelasi
Spearman’s rho (Priyatno, 2014:108).
➢ Metode Grafik
Pada metode ini dilihat polaititik-titik padaigrafik hasil regresinya. Dasarikriteria
dalamipengambilan keputusaniyaitu:
26
- Jikaiada polaitertentu sepertiititik-tik yang adaimembentuk suatuipola yang jelas,

makaiterjadiiheteroskedastisitas
- Jikaititik-titik menyebaridengan pola yangitidak jelasidi atas dan dibawahiangkai0
padaisumbu Y, makaitidak terjadi masalah heteroskedastisitas(Priyatno, 2014:113).
Metode grafik dapat dibuat dengan langkah-langkah berikut:
- Klik Analyze →iRegression →iLinear
- Kotakiiidialog LineariiiRegression akan muncul, dan masukkan masing-masing
variabeliindependen danidependen ke dalam kotak
- Klik tombol Plots
- Klik *ZRESID (Standardized Residual) dan masukkan ke kotak Y, kemudianiklik
*ZPRED (StandardizediPredictediValue) dan masukkanike kotakiX. Kemudian klik
tomboliContinue untuk kembali ke kotakidialogisebelumnya. Dan terakhir klikiOK.
➢ Metode Korelasi Spearman’s rho
Pada metode ini dilakukan korelasi antara variabel independen dengan residualnya.
Pengujian dilakukan dengan uji dua sisi dan menggunakan taraf signifikansii0,05.
Apabila nilai korelasi dari variabeliindependen dengan residulanya diperoleh nilai
signifikansi lebihiidari 0,05 maka dapatiidikatakan bahwa tidak ada masalah
heteroskedastisitas. Langkah-langkah pengujian menggunakan metode korelasi
Spearman’s rho adalah:
- KlikiiAnalyze →iRegression →iLinear
- Kotakiiidialog LineariiRegression akan muncul, dan masukkan masing-masing
variabeliindependen dan dependen ke dalam kotak
kemudian klikiContinue
- Setelah kembali ke kotak dialogisebelumnya maka klik OK
satu variabel yaitu residuali (RES_1)
- Uji korelasi Spearman’sirho dengan klikiAnalyze →iCorrelatei→ Bivariate
- Selanjutnyaiakan terbuka kotakidialog BivariateiCorrelations
- Masukkan seluruh variabel independen dan variabel UnstandardizediResidualike
kotakiiVariables. iKemudian beri centangipada Spearman, dan hialngkan tanda
centangipada Pearson. Jikaisudah klik tomboliOK.
BAB III
METODOLOGI PENELITIAN
3.1. Lokasi Studi

Lokasi studi ini dilakukan pada DAS Welang yang terletak di Kabupaten Malang,
Kabupaten Pasuruan dan Kota Pasuruan. DAS Welang merupakan Satuan Wilayah Sungai
Pekalen-Sampean. Bagian hulu DAS Welang terletak di kawasan Bromo dan Arjuno dan
bermuara di Kecamatan Kraton, Kabupaten Pasuruan. Luas area DAS yang menjadi kajian
studi ini adalah 470,86 km2. Letak geografis DAS Welang antara 7°47’44”LS – 7°57’16”LS
dan 112°36’49”BT – 112°55’58”BT. Dalam studi ini, terdapat 16 pos hujan dan 1 pos duga
air yang akan dikaji dapat dilihat pada tabel 3.1.
Tabel 3.1. Pos Hujan dan Pos Duga Air di DAS Welang
Lokasi Koordinat
No. Pos Hujan
Desa Kecamatan Kab/Kota B. Timur (E) L. Selatan(S)
1 Telebuk Dukuh Mojotunan Sukorejo Pasuruan 112°43'20.0" 7°41'44.7"
2 Wonorejo Wonorejo Wonorejo Pasuruan 112°49'02.5" 7°42'33.3"
3 Pager Sengon Purwosari Pasuruan 112°43'50.55" 7°45'14.6"
4 Selowongko Selowongko Kejayan Pasuruan 112°46'51.5" 7°46'26.1"
5 Purwosari Kemirahan Purwosari Pasuruan 112°44'27.6" 7°46'54.4"
6 Lawang Bamban Lawang Malang 112°41'51.53" 7°49'58.08"
7 Tutur Nongkojajar Tutur Pasuruan 112°48'45.7" 7°53'07.2"
8 Wilo Ketanireng Prigen Pasuruan 112°41'50.6" 7°40'43.6"
9 Prigen Prigen Prigen Pasuruan 112°38'06.6" 7°41'07.8"
10 Tosari Tosari Tosari Pasuruan 112°54'03.9" 7°52'51.5"
11 Singosari Klampok Singosari Malang 112°39'24.61" 7°53'24.56"
12 Ngempit Ngempit Kraton Pasuruan 112°50'25" 7°39'55.5"
13 Poh Jentrek Poh Jentrek Poh Jentrek Pasuruan 112°52'33.7" 7°41'04.3"
14 Jawi Gambiran Prigen Pasuruan 112°39'22.5" 7°40'34.4"
15 Oro2 Pule Benerwojo Kejayan Pasuruan 112°49'57" 7°44'42.2"
16 Purwodadi Parerejo Purwodadi Pasuruan 112°43'29.7" 7°48'37"
Lokasi Koordinat
No. Pos Duga Air
Desa Kecamatan Kab/Kota B. Timur (E) L. Selatan(S)
1 AWLR Dhompo Dhompo Kraton Pasuruan 112°51'40.2" 7°39'28.66"
Sumber: UPT PSAWS Gembong-Pekalen Pasuruan
Untuk gambar peta sungai dan elevasi di DAS Welang dapat dilihat pada gambar 3.1,
sedangkan untuk gambar peta sebaran pos hujan dan pos duga air DAS Welang dapat dilihat
pada gambar 3.2.
27
28
Gambar 3.1. Peta Sungai dan Elevasi di DAS Welang

Sumber: Hasil penggambaran, 2017
29
Gambar 3.2. Peta Sebaran Pos Hujan dan Pos Duga Air DAS Welang
Sumber: Hasil penggambaran, 2017
30
3.2. Kondisi Lapangan Studi

3.2.1. Kondisi Topografi
Kondisi topografi adalah kondisiifisik yang dapat melihat potensiidan kendalaifisik
perkembangan pada suatuikawasan. iKondisi topografi sangat erat hubungannya dengan
letakiketinggian dan kemiringanilereng suatuilahan. iSecara umum dapat dijelaskan bahwa
kawasan DAS Welang terhamparimulai dari daerah pantai dengan ketinggian 0 m dpl
dibagian utara hingga ke wilayah pegununganidengan ketinggian lebih dari 2000 m dpl
dibagianselatan dengan morfologiiyang bervariasiimulai dari kemiringanilereng relatif datar
dan sedikitibergelombang (0-8%) sampai dengan kelerenganiyang cukup curam (>45%).
Ditinjau secara topografi, daerah studi mempunyai bentuk permukaan yang variatif
dengan kondisi sebagai berikut:
a. Wilayah pegununganidan berbukit, untuk ketinggian antarai180 s/d >2000 m dpl.
Daerah ini membentang dibagian selatan dan barat meliputi Kec. Tosari, Kec.
Tutur, Kec. Purwodadi, Kec. Prigen, Kec. Lawang.
b. Wilayah dataranirendah, untuk ketinggianiantara 6 s/d 91 m dpl. Dataran rendah
ini berada dibagiai tengah merupakanidaerah yang subur.
c. Wilayah pantai, untuk ketinggianiantara 2 m s/d 8 m dpl yangimembentang
dibagianiutara meliputi Kecamatan Kraton.
3.2.2. Kondisi Geologi
Bila diitinjau dari jenis struktur tanah, wilayah Kabupaten Pasuruan sebagian besar
terdiri dari jenis sebagai berikut :
a. Alluviali : isejumlah 23.192,50iha
b. Regosoli : isejumlah 35.711,60iha
c. Grumosoli : isejumlah 5.882,00iha
d. Mediterani : isejumlah 21.017,60iha
e. Latusoli : isejumlah 36.183,50iha
f. Androsoli : isejumlah 25.414,30iha
3.2.3. Kondisi Iklim
Kondisi iklim di wilayah DAS Welang untuk wilayah hulu tidak berbeda jauh dengan
kondisi iklim di Kota Malang yang beriklim tropis berhawa sejuk dan kering. Suhu udara
tahunan berkisar antara 15,2°C sampai 32,4°C dengan temperatur udara rata-rata sebesar
24,5°C. Kelembaban udara rata-rata sebesar 72%. Sedangkan untuk wilayah DAS Welang
bagian hilir beriklim tropis kering dan cenderung lebih panas daripada yang hulu.
31
3.2.4. Kondisi Hidrografi

Wilayah Kabupaten Pasuruan memiliki potensi air yang cukup besar yaitu berupa
sungai, danau, dan beberapa mata air. Potensi ini memberikan manfaat besar bagi
masyarakat sekitar. Terdapat 6 sungai besariyaituisungai Lawean, Rejoso, iGembong,
Welang, Petung, iMasangan, Kedunglarangan yang bermuara di Selat Madura. Danau Ranu
Grati yang memiliki volume maksimum 5.217 m3. Selain itu, beberapa sumber mata air
tersebar di beberapa kecamatan. Salah satu sumber mata air yang terbesar adalah Sumber
mataiair Umbulan yang berada diiKecamatan Winongan denganidebit maksimum 5.650
liter/detik.
3.2.5. Tata Guna Lahan
Secara umum penggunaan lahan di wilayah DAS Welang sebagian besar digunakan
untuk areal persawahan, industri dan pemukiman. Selebihnya digunakan untuk fasilitas
umum seperti pendidikan, jasa dan perkantoran.
3.3. Data-data yang diperlukan

Data yang dibutuhkan dibagi menjadi data primer dan data sekunder. iData primer
merupakan data yangidiperoleh dari pengamatan secara langsung. Data sekunder merupakan
data yang diperoleh dari beberapa sumber yang bisa dipertanggungjawabkan kebenarannya.
Berikut data yang dibutuhkan pada studi dapat dilihat pada tabel 3.2.
Tabel 3.2. Data yang Dibutuhkan
Data yang
No. Jenis Data Sumber Keterangan
Dibutuhkan
1. Data Koordinat Pos Primer Pengukuran di Lapangan Untuk pengeplotan
Hujan dan Pos Duga Air lokasi pos hujan dan
pos duga air
2. Peta DAS Welang Sekunder UPT PSAWS Gembong- Untuk membuat
Pekalen peta letak stasiun
dan menganalisa
luas daerah
pengaruh masing-
masing pos hujan
3. Data Curah Hujan dari Sekunder UPT PSAWS Gembong- Untuk analisa data
16 Pos Hujan Selama 10 Pekalen dan Dinas Tata hujan
Tahun Ruang dan Sumber Daya
Air Kabupaten Pasuruan
4. Data Debit dari Pos Sekunder UPT PSAWS Gembong- Untuk analisa data
Duga Air Selama 10 Pekalen dan Dinas Tata debit
Tahun Ruang dan Sumber Daya
Air Kabupaten Pasuruan
Sumber: Hasil Perhitungan, 2017
32
3.4. Tahapan Penyelesaian Studi

Langkah-langkah studi disusun secara sistemais sehingga mempermudah dalam
penyelesainnya. Pada tabel 3.3 berikut menyajikan tentang langkah-langkah tahapan
peyelesaian studi. Untuk diagram alir penyelesaian studi dapat dilihat pada gambar 3.3 dan
diagram alir metode stepwise dapat dilihat pada gambar 3.4.
Tabel 3.3. Tahapan Penyelesaian Studi
No Tahapan Metode yang Data yang Tujuan dan Hasil
Studi digunakan digunakan
1. Pengumpulan - - Untuk memperoleh data
Data, Survey koordinat dari pos hujan
dan dan pos duga air, data
Pengamatan curah hujan dan data
debit, peta kontur
2. Pengisian 1. Normal Ratio Method Data hujan Untuk melengkapi data
Data Hujan 2. Reciprocal Method hujan harian yang
yang Hilang hilang
3. Uji Analisa Kurva Massa Data hujan Untuk memeriksa

Konsistensi Ganda kebenaran data di
Data Hujan lapangan
4. Pengujian 1. Uji Ketiadaan Trend Data hujan Untuk memastikan

Data Hujan 2. Uji Stasioner bahwa data layak untuk
3. Uji Persistensi gunakan analisis
4. Uji Inlier-Outlier selanjutnya
5. Analisa Luas Poligon Thiessen Peta DAS Untuk mengetahui luas

Daerah pengaruh masing-
Pengaruh masing pos hujan, serta
menghitung curah hujan
harian daerah
maksimum tahunan
6. Pengisian Regresi Data debit Untuk melengkapi data
Data Debit debit harian yang hilang
yang Hilang
7. Uji Metode RAPS Data debit Untuk memeriksa

Konsistensi kebenaran data di
Data Debit lapangan
8. Pengujian 1. Uji Ketiadaan Trend Data debit Untuk memastikan

Data Debit 2. Uji Stasioner bahwa data layak untuk
3. Uji Persistensi gunakan analisis
4. Uji Inlier-Outlier selanjutnya.
33
Lanjutan Tabel 3.3. Tahapan Penyelesaian Studi

No Tahapan Metode yang Data yang Tujuan dan Hasil
Studi digunakan digunakan
9. Analisa Standar WMO Luas daerah Untuk mengetahui
Kerapatan Pos pengaruh tiap apakah pos hujan dan
Hujan dan Pos pos hujan hasil pos duga air eksisting di
Duga Air Poligon DAS Welang telah
Eksisting Thiessen memenuhi Standar
(menggunakan WMO atau tidak.
aplikasi ArcGIS
10)
10. Analisa 1. Analisis Regresi Data curah hujan 1. Untuk mendapatkan
Kerapatan Pos Linier Berganda sebagai variabel model regresi
Hujan dan Pos independen dan terbaik dari data
Duga Air data debit hujan yang
dengan sebagai variabel signifikan
Metode dependen menjelaskan data
Stepwise debit
2. Uji-F 2. Untuk menghitung
pengaruh variabel
independeniiiisecara
simultan terhadap
variabel dependen
3. Uji-t 3. Untuk melihat
variabeliindependen
yang memiliki
pengaruh nyata atau
signifikan secara
individual terhadap
variabel dependen
4. Analisis Koefisien 4. Untuk mengetahui

Korelasi dan korelasi dan
Determinasi prosentase besar
pengaruh variabel
independen terhadap
variabel dependen
5. Uji AsumsiiKlasik 5. Untuk mengetahui

- Normalitas ada tidaknya
residual normalitas residual,
- Autokorelasi multikolinearitas,
- Multikolinearitas autokorelasi, dan
- Heteroskedastisitas heteroskedastisitas
pada model regresi.
34
Berikut adalah langkah pada metode stepwise secara manual dan menggunakan aplikasi
SPSS serta output pada SPSS:
a. Langkah Manual Regresi Stepwise
Berikut adalah langkah manual regresi stepwise (Yamin, 2011:168):
1. Langkah awal pada regresi stepwise adalah mengkorelasikan antara variabel
dependenidan variabeliindependen. Langkah selanjutnya adalah pemilihan variabel
independen yang memiliki korelasi tertinggi terhadap variabel dependen.
2. Langkah kedua adalah meregresikan antara variabel yang memiliki korelasi tertinggi
(hasil dari langkah pertama) dengan variabel dependen.
3. Langkah ketiga adalah Pengecekan nilai signifikansi t atau p-value. Selanjutnya akan
masuk ke model 1.
4. Langkah keempat adalah melakukan korelasi parsial antara variabel independen yang
tersisa dan model 1. Selanjutnya akan didapat variabel yang memiliki korelasi parsial
tertinggi.
5. Langkah kelima adalah meregresikan kembali model 1 dengan variabel independen
yang memiliki korelasi parsial tertinggi (hasil dari langkah keempat). Selanjutnya
akan masuk ke model 2.
6. Langkah keenam adalah melakukan kembali korelasi parsial dan regresi antara
variabel independen sisa dengan model 2. Langkah ini dilakukan sampai tidak
variabel yang dimasukkan atau dikeluarkan lagi darim model. Selanjutnya akan
didapat model terpilih.
7. Langkah ketujuh adalah menganalisis koefisien determinasi untuk mendapatkan
model terbaik.
8. Melakukan uji asumsi klasik dari model regresi terbaik yang didapat dari langkah
ketujuh.
b. Langkah Regresi Stepwise menggunakan SPSS
Analisis regresi dengan metode stepwise sudah tersedia dalam program SPSS. Berikut
adalah langkah-langkah regresi stepwise menggunakan aplikasi SPSS (Priyatno, 2013: 42):
1. Klik dua kali pada ikon SPSS pada desktop.
2. Setelahimuncul kotak dialogiSPSS maka klik canceli (karena akan membuatidata
baru)
3. Padaihalaman SPSS dataieditor klik VariableiView
4. Untuk memasukkan variabel langkah sebagaiiberikut:
35
- Ketikiy pada kolom Name, ipada Label ketik Data Debit(Y), dan padaikolom
Measure pilihiScale
- Padaikolom Name dibawahnya ketik x1, padaiLabel ketik Data Pos Hujan1(X1),
dan pada kolomiMeasure pilihiScale
- Kolom-kolomilainnya diabaikan
5. Setelah memasukkan variabel, imaka selanjutnya klikiDataiView
6. Isikan data y, x1, x2 dan x3 sesuai dengan variabelnya
7. Kemudian masuk pada proses analisa regresi dengan cara klik:
Analyzei→iRegressioni→iLinear sehingga akan munculiikotak dialogiiLinear
Regression.
8. Masukkanivariabel Data Debit(Y) pada kotak Dependent dan variabel Data Hujan
Pos1(X1), Data Hujan Pos2(X2), Data Hujan Pos3(X3) pada kotak Independent.
Pada Method, pilih Stepwise.
9. Klik tombol Statistics, sehingga kotak dialog Linear Regression Statistics muncul.
Secara default, Estimates dan Model fit sudah terpilih. Kemudian pilih dan centang
pada Collinearity diagnostics untuk menguji multikolinearitas, dan pilih Durbin-
Watson untuk menguji autokorelasi.
10. Klikitombol continue untuk kembaliike kotak dialogisebelumnya.
11. Klik Plots untuk ujiiheteroskedastisitas, selanjutnya kotak dialogiiLinear
Regression: Plots akan terbuka, masukkan *ZRESID (Standardized Residual) ke
kotak Y, dan masukkan *ZPRED (Standardizes Predicted Value) ke kotak X.
Setelah itu pilih Normal probability plot untuk uji normalitas.
12. Klik continue untuk kembali ke dialog sebelumnya
13. Klik tombol Options sehingga kotak dialog Linear Regression: Option akan muncul.
Pada Use probability of F secara default nilainya 0,05 untuk variabel yang
dimasukkan dan 0,10 untuk variabel yang dikeluarkan.
14. Klik continue untuk kembali ke kotak dialog sebelumnya
15. Klik Ok sehingga Output Viewer akan menampilkan hasilnya
36
c. Output Regresi Stepwise dalam SPPS

Output yang dihasilkan dari analisis regresi stepwise adalah sebagai berikut (Priyatno,
2014:155):
1. Variabel Entered/ Removed
Tabel Variabel Entered Removed menunjukkan metode regesi linier yang dipilih,
yaitu Stepwise. Metode Stepwise memasukkan satu per satu variabel independen
untuk dianalisis. Dari output yang dihasilkan akan diperoleh variabel independen
yang masuk ke dalam model dan variabel mana yang dikeluarkan.
2. Model Summary
Tabel Model Summary menunjukkan nilai koefisien korelasi (R) untuk beberapa
model.
• R adalah korelasi berganda, yaitu korelasi antaraiidua atau lebih variabel
independen dan variabelidependen. Nilai Riberkisar 0 sampai 1. Jikaimendekati
maka hubunganisemakin erat, tetapi jika mendekatii0 maka hubungan semakin
lemah.
• R Square (R2) artinya menunjukkan koefisien determinasi. Angka ini akan diubah
ke bentuk persen, yang artinya persentase sumbangan pengaruh variabel
independen terhadapa variabel dependen.
• Adjusted RiSquare, adalah R Square yang telah disesuaikan. Biasanya untuk
megukur sumbangan pengaruh juka dalam regersi menggunakan lebih dari dua
variabel independen.
• Standard Error of the Estimate adalah ukuranikesalahan prediksi.
• Durbin-Watsoniyaitu nilai yangiimenunjukkan ada atauiitidaknya autokorelasi
dalam modeliregresi. iAutokorelasi adalah hubunganiyang terjadi antara residual
dariipengamatan satu denganipengamatan yang lain. Modeliregresi yangibaik
adalah yangitidak terjadiiautokorelasi.
3. ANOVA
ANOVAiatau analisisivarian adalah uji koefisieniregresi secaraibersama-sama (uji F)
untukimenguji signifikansi pengaruhibeberapa variabel independeniterhadap
variabelidependen. Pengujianimenggunakan taraf signifikasi 0,05.
4. Coefficients
• UnstandardizediCoefficients adalah koefisieniyang tidak terstandarisasiiatau
tidak ada patokan, nilai iniimenggunakanisatuan yang digunakanipada data pada
37
variabelidependen. KoefisieniB terdiri nilaiikonstan (harga Y jika X1 dan X2=0)

dan koefisien regresi (nilaiiiyang menunjukkan peningkataniiatau penurunan
variabel Y yangididasarkan pada variabel X1 dan X2), nilai-nilai tersebut yang
masuk dalamiipersamaan regresi linieriiberganda. SedangkaniiStandar Error
merupakan nilaiiimaksimum dari kesalahan yang bisa terjadi dalam
memperkirakan besaran rata-rata populasi berdasar sampel. Nilai stanar ini
digunakan untuk mencariit hitung dengan caraikoefisien dibagi standard error.
• Standardized Coefficients merupakan nilaiikoefisien yang telah distandarisasi
atau ada patokanitertentu, jika nilai koefisieniBeta semakinimendekati angka 0
maka korelasiiantara variabeliX denganiY semakin rendah atau lemah.
• Tihitung merupakan pengujianisignifikasi untuk menghitung pengaruhivariabel
independen X1 dan X2 terhadap variabel dependen Y secara parsial, apakah
memiliki pengaruh yang signifikaniatau tidak. Untuk mengetahui hasil signifikan
atau tidak dapat dilihat dari perbandingan t hitung dan t tabel kritis.
• Significant adalah nilai probabilitasiatau peluangiuntuk mendapatkan kesalahan
dalam mengambilikeputusan. Apabila pengujianimenggunakan taraf signifikasi
0,05iartinya bahwa peluangimemperoleh kesalahan adalah maksimali5%. Atau
denganikata lain kitaipercaya bahwai95% keputusan adalahibenar.
• Collinearity Stattistics adalah nilai yang menunjukkan adanya hubungan linier
secaraisempurnaiatau mendekati sempurnaiiantar variabeliiindependen dalam
modeliregresi, idengan melihat nilaiiTolerance daniVIF. Asumsiiklasik yang
digunakanipada model regresiiberganda yaitu tidakiadanya multikolinearitas
antar variabel indenpenden. Variabel yang memiliki multikolinearitas dapat
dilihat dari nilaiitolerance yang lebihikecil dari 0,1 atauiVIF yang lebihibesar dari
10 (Hair et al. 1992 dalam Priyatno, 2014:159).
5. Exclude Variable
Tabel Exclude Variable memaparkan variabel independen yang dikeluarkan dari
model.
6. Residuals Statistics
Output ini menghitung tentang nilai minimum, imaksimum, irata-rata, simpangan
baku, dan jumlahidata dari hasiliresidual regresi.
38
7. Scatterplot
Output ini digunakaniuntuk mengecek ada atauitidaknya peyimpangan pada uji
asumsiiklasik, iyaitu uji heteroskedastisitas. Heteroskedastisitasiiadalah varian
residualiyang tidakisama pada semuaiobesarvasi di dalam modeliregresi.
39
Gambar 3.3. Diagram Alir Penyelesaian Studi

Sumber: Hasil Penggambaran, 2017
40
Gambar 3.4. Diagram Alir Metode Stepwise

BAB IV
PEMBAHASAN
4.1. Pengumpulan Data

Data yang digunakan dalam studi ini adalah data hujan sebagai variabel independen
dan data debit sebagai variabel dependen. Data hujan diperoleh dari 16 pos hujan dengan
panjang data 10 tahun, yaitu Pos Hujan Prigen, Wilo, Jawi, Telebuk, Pager, Purwosari,
Purwodadi, Lawang, Singosari, Tutur, Tosari, Selowongko, Oro-oro Pule, Wonorejo, Poh
Jentrek, dan Ngempit. Pos hujan terletak di daerah Kabupaten Malang, Kabupaten Pasuruan,
dan Kota Pasuruan. Sedangkan data debit dengan panjang data 10 tahun didapat dari AWLR
Dhompo yang terletak di Kecamatan Kraton, Kota Pasuruan.
Kedua variabel yaitu data hujan dan data debit akan dilakukan pengujian statistika
data agar dapat digunakan analisa pada tahap selanjutnya serta mendukung hasil regresi yang
bagus. Data hujan dan debit yang akan di analisa menggunakan 4 varian data, yaitu data
kumulatif tahunan, kumulatif bulanan, rerata tahunan, dan rerata bulanan. Pada contoh
perhitungan analisa data hujan dan debit pada subbab selanjutnya menggunakan data rerata
tahunan karena hasil pengujiannya yang paling bagus. Hasil rekapitulasi pengujian seluruh
varian data dapat dilihat pada subbab metode stepwise.
4.2. Analisa Data Hujan

4.2.1. Pengisian Data Hujan Hilang
a. Normal Ratio Method
Perkiraan data hujan yang hilang di Pos Hujan Oro-oro Pule pada bulan Desember
tahun 2008 menggunakan Normal Ratio Method sesuai persamaan (2-1). Metode ini bisa
digunakan apabila terdapat minimal 2 pos hujan sebagai acuan. Untuk data hujan pada Pos
Hujan Oro-oro Pule dan sekitarnya dapat dilihat pada tabel 4.1 dan perhitungan data hujan
hilang menggunakan normal ratio method dapat dilihat pada tabel 4.2. sebagai berikut:
41
42
Tabel 4.1. Data Hujan Kumulatif Tahunan Pos Hujan Oro-oro Pule dan Sekitarnya pada
bulan Desember tahun 2007-2016
Pos Hujan
No Tahun
Oro2 Pule Selowongko Wonorejo Poh Jentrek
1 2007 206 173,0 308,0 341,0
2 2008 - 338,0 235,0 108,0
3 2009 62 105,0 62,0 63,5
4 2010 380 257,0 286,0 304,0
5 2011 224 311,0 228,0 118,0
6 2012 140 247,0 208,0 100,0
7 2013 158 294,0 237,0 150,0
8 2014 243 328,0 290,0 216,0
9 2015 213 243,0 186,0 204,0
10 2016 188 226,0 231,0 214,0
Jumlah 1814,0 2184,0 2036,0 1710,5
Rerata 201,6 242,7 226,2 190,1
Tabel 4.2. Perhitungan Data Hujan yang Hilang pada Pos Hujan Oro-oro Pule pada bulan
Desember tahun 2008 dengan Normal Ratio Method
CH Bulanan CH Tahunan
Pos Hujan
(mm) (mm)
Oro2 Pule - 1814,0
Selowongko 338,0 2184,0
Wonorejo 235,0 2036,0
Poh Jentrek 108,0 1710,5
n 3
Px 201,55
Px 1 P1 P2 P3 Pn
= ( + + +…+ )
Nx n N1 N2 N3 Nn
1814 338 235 108
Px = ( + + ) = 201,55 mm
3 2184 2036 1710,5
Untuk mendapatkan data hujan rerata, maka dari nilai estimasi yang diperoleh dari
data hujan kumulatif selanjutnya dibagi dengan rerata jumlah hari hujan. Jadi, rerata hujan
di pos hujan Oro-oro Pule pada bulan Desember tahun 2008 adalah 201,55/6(hari hujan) =
33,6 mm.
b. Reciprocal Method
Perkiraan data hujan yang hilang di Staiun Oro-oro Pule pada bulan Desember tahun
2008 menggunakan reciprocal method menggunakan persamaan (2-2). Pada metode ini
menggunakan parameter jarak dalam perhitungannya dan minimal terdapat 2 pos hujan
sebagai acuan. Hasil perhitungan data hujan hilang menggunakan reciprocal method dapat
dilihat pada tabel 4.3 sebagai berikut:
43
Tabel 4.3. Perhitungan Data Hujan yang Hilang pada Pos Hujan Oro-oro Pule bulan
Desember tahun 2008 dengan Reciprocal Method
CH Bulanan Jarak (L)
Pos Hujan L^2 1/L^2 P/L^2
(mm) (km)
Oro2 Pule - - - - -
Selowongko 338,0 6,558 43,007 0,023 7,859
Wonorejo 235,0 4,344 18,870 0,053 12,453
Poh Jentrek 108,0 8,266 68,327 0,015 1,581
Jumlah 0,091 21,893
Px 240,900
P
∑ni=1 2i
Li
Px = n 1
∑i=1 2
Li
21,893
=
0,091
= 240,9 mm
Jadi, hujan rerata di Pos Hujan Oro-oro Pule pada bulan Desember tahun 2008 adalah
240,9/6(hari hujan) = 40,2 mm. Hasil pengisian data hujan yang hilang pada pos hujan lain
dapat dilihat pada lampiran.
Dari kedua hasil metode estimasi data hujan yang hilang, data yang akan digunakan
untuk perhitungan selanjutnya adalah hasil estimasi dengan reciprocal method. Hal ini
dikarenakan perbandingan hasil dari normal ratio method pada pos hujan Oro-oro Pule tidak
melebihi 10% dari rata-rata tahunan pada pos hujan lainnya.
4.2.2. Uji Konsistensi Data Hujan
Untuk menguji konsistensi data hujan pada studi ini digunakan Analisa Kurva Massa
Ganda (Double Mass Curve Analysis). Data yang digunakan untuk menguji konsistensi data
hujan adalah data curah hujan tahunan yang sudah dilakukan estimasi data yang hilang pada
subbab sebelumnya. Uji konsistensi ini bertujuan untuk melihat apakah data yang digunakan
sudah sesuai dengan data yang ada dilapangan atau tidak, yaitu dengan melihat data dari pos
yang diuji memiliki sebaran data yang tidak berbeda jauh dengan pos sekitarnya. Berikut
adalah langkah-langkah perhitungan uji konsistensi data hujan untuk Pos Wilo:
1. Menghitung curah hujan tahunan pada masing-masing pos yang akan di uji
konsistensi (Pos Wilo)
2. Menghitung kumulatif curah hujan tahunan pada pos yang di uji
3. Menghitung rerata curah hujan tahunan pada pos yang dijadikan pembanding (Pos
Prigen, Jawi, dan Telebuk)
4. Menghitung kumulatif curah hujan tahunan pada pos hujan pembanding
44
5. Membuat grafik hubungan (kurva massa ganda) antara kumulatif pos yang diuji
(Wilo) dan pos pembanding (Prigen, Jawi, dan Telebuk).
6. Data yang tidak konsisten dapat dilihat dari grafik yang dihasilkan. Apabila terdapat
patahan, maka data tidak konsisten. Sudut yang dihasilkan harus memenuhi syarat
batas normal yaitu antara 42° - 48°. Untuk memperbaiki data harus dilakukan koreksi
menggunakan rumus (2-15).
7. Data seluruh curah hujan tahunan yang akan dikoreksi pada Pos Hujan Wilo
dikalikan dengan faktor koreksi dan membuat grafik hubungan kurva massa ganda
setelah dilakukan koreksi pada uji konsistensi.
Data curah hujan seluruh pos hujan sebelum uji konsistensi dapat dilihat pada tabel
4.4 dan untuk perhitungan uji konsistensi pada Pos Hujan Wilo dapat dilihat pada tabel 4.5
Tabel 4.4. Data Curah Hujan Rerata Tahunan Sebelum Uji Konsistensi
TAHUN Prigen Wilo Jawi Telebuk Pager Purwosari Purwodadi Lawang
2007 22,45 40,12 21,69 24,30 16,94 15,09 18,22 15,14

2008 26,01 34,85 21,61 21,50 21,66 22,21 18,55 15,90
2009 32,20 52,66 23,58 21,51 19,16 18,97 17,11 13,76
2010 25,65 35,03 21,72 20,53 18,69 20,77 20,09 16,28
2011 24,51 40,45 22,77 22,12 19,61 24,83 22,87 17,64
2012 26,30 32,41 24,93 19,58 17,12 20,70 20,74 22,42
2013 29,56 32,42 24,08 19,84 19,45 24,03 20,55 20,77
2014 24,45 26,57 22,42 18,91 18,37 23,16 19,13 17,29
2015 28,44 34,51 24,81 25,90 24,01 26,24 22,49 20,81
2016 28,68 23,83 24,18 19,42 19,00 26,46 21,69 24,89
Oro-oro
TAHUN Singosari Tutur Tosari Selowongko Wonorejo Poh Jentrek Ngempit
Pule
2007 10,79 17,98 24,39 28,29 32,68 20,78 23,24 19,19
2008 11,83 20,87 19,85 24,27 29,26 19,51 13,84 17,50
2009 16,90 17,18 19,17 28,09 26,30 24,73 16,98 23,48
2010 19,03 22,84 17,11 28,56 34,69 35,36 18,98 32,22
2011 14,95 19,22 19,13 25,63 28,33 27,54 12,17 8,51
2012 13,97 17,03 14,53 27,56 29,23 26,03 14,40 17,05
2013 14,74 18,72 16,01 26,15 32,85 25,30 13,66 20,65
2014 17,13 20,07 20,54 27,76 37,69 20,63 14,85 16,18
2015 14,64 25,28 22,23 27,10 40,89 24,31 20,93 19,43
2016 20,96 26,43 19,45 37,12 46,65 23,91 22,07 22,25
45
Tabel 4.5. Uji Konsistensi Data Hujan Pos Hujan Wilo

Kumulatif
Kumulatif Rerata Sta.
TAHUN Wilo Prigen Jawi Telebuk Rerata Sta.
Wilo Pembading
Pembanding
2007 40,12 40,12 22,45 21,69 24,30 22,81 22,81
2008 34,85 74,98 26,01 21,61 21,50 23,04 45,86
2009 52,66 127,63 32,20 23,58 21,51 25,77 71,62
2010 35,03 162,67 25,65 21,72 20,53 22,63 94,26
2011 40,45 203,11 24,51 22,77 22,12 23,13 117,39
2012 32,41 235,53 26,30 24,93 19,58 23,60 140,99
2013 32,42 267,95 29,56 24,08 19,84 24,49 165,48
2014 26,57 294,52 24,45 22,42 18,91 21,93 187,41
2015 34,51 329,03 28,44 24,81 25,90 26,38 213,79
2016 23,83 352,86 28,68 24,18 19,42 24,09 237,89
Berikut adalah grafik hubungan kurva massa ganda sebelum uji konsistensi pada Pos
Hujan Wilo dapat dilihat pada gambar 4.1. Untuk hasil grafik kurva massa ganda pada pos
hujan lainnya dapat dilihat pada lampiran.
400
350
300
Kumulatif Pos Hujan Wilo
250
200
150
100
50
St. Wilo Garis Acuan 45˚
0
0 50 100 150 200 250 300 350 400
Kumulatif Pos Hujan Pembanding
Gambar 4.1. Analisis Kurva Massa Ganda Pos Hujan Wilo Sebelum Uji Konsistensi
Pada grafik yang dihasilkan terlihat ada perbedaan kemiringan antara sudut yang
dihasilkan kurva massa ganda dengan sudut 45°, maka dari itu perlu dilakukan koreksi pada
Pos Hujan Wilo dengan perhitungan sebagai berikut:
46
Sudut awal (αo) = tan-1 ((kumulatif akhir – awal Pos Hujan Prigen) / (kumulatif
rerata akhir – awal Pos Hujan pembanding))
= tan-1 (352,86-40,12) / (237,89-22,81)
= tan-1 1,454 = 55,48°
Sudut koreksi (α) = 48°
Faktor Koreksi = tan α / tan αo
= tan 48°/ tan 55,48° = 1,111/1,454 = 0,764
Maka data curah hujan tahunan pada Pos Hujan Wilo dari tahun 2007-2016 dikalikan
dengan faktor koreksi sebesar 0,764. Data curah hujan pada pos hujan yang lain yang telah
dilakukan koreksi pada uji konsistensi dapat dilihat pada tabel 4.6.
Tabel 4.6. Data Curah Hujan Rerata Tahunan Setelah Uji Konsistensi
TAHUN Prigen Wilo Jawi Telebuk Pager Purwosari Purwodadi Lawang
2007 22,45 30,65 21,69 27,63 16,94 15,09 18,22 15,14

2008 26,01 26,62 21,61 24,45 21,66 22,21 18,55 15,90
2009 32,20 40,22 23,58 24,46 19,16 18,97 17,11 13,76
2010 25,65 26,76 21,72 23,34 18,69 20,77 20,09 16,28
2011 24,51 30,89 22,77 25,15 19,61 24,83 22,87 17,64
2012 26,30 24,76 24,93 22,26 17,12 20,70 20,74 22,42
2013 29,56 24,76 24,08 22,55 19,45 24,03 20,55 20,77
2014 24,45 20,29 22,42 21,50 18,37 23,16 19,13 17,29
2015 28,44 26,36 24,81 29,45 24,01 26,24 22,49 20,81
2016 28,68 18,20 24,18 22,08 19,00 26,46 21,69 24,89
Oro-oro
TAHUN Singosari Tutur Tosari Selowongko Wonorejo Poh Jentrek Ngempit
Pule
2007 12,05 17,98 24,39 28,29 24,81 20,19 28,63 20,30
2008 13,21 20,87 19,85 24,27 22,22 18,95 17,05 18,52
2009 18,86 17,18 19,17 28,09 19,97 24,02 20,92 24,85
2010 21,24 22,84 17,11 28,56 26,34 34,35 23,38 34,09
2011 16,69 19,22 19,13 25,63 21,51 26,75 14,99 9,01
2012 15,59 17,03 14,53 27,56 22,19 25,28 17,73 18,04
2013 16,46 18,72 16,01 26,15 24,94 24,57 16,82 21,86
2014 19,13 20,07 20,54 27,76 28,62 20,04 18,29 17,12
2015 16,34 25,28 22,23 27,10 31,05 23,62 25,78 20,56
2016 23,40 26,43 19,45 37,12 35,42 23,23 27,19 23,54
Berikut adalah grafik hubungan kurva massa ganda setelah dilakukan koreksi pada
uji konsistensi pada Pos Hujan Wilo dapat dilihat pada gambar 4.2. Untuk hasil grafik kurva
massa ganda pada pos hujan lainnya dapat dilihat pada lampiran.
47
300
250
Kumulatif Pos Hujan Wilo
200
150
100
50
St. Wilo Garis Acuan 45˚

0
0 50 100 150 200 250 300
Kumulatif Pos Hujan Pembanding
Gambar 4.2. Analisis Kurva Massa Ganda Setelah Koreksi Uji Konsistensi Pos Hujan Wilo
4.2.3. Uji Ketiadaan Trend
Uji Ketiadaan Trend digunakan untuk meilhat ada tidaknya trend atau variasi dalam
data. Metode yang digunakan dalam studi ini adalah Uji Korelasi Peringkat Spearman, Uji
Mann Whitney, dan Uji Tanda dari Cox Stuart.
➢ Uji Korelasi Peringkat Spearman
Berikut adalah langkah perhitungan uji ketiadaan trend dengan Korelasi Peringkat
Spearman pada Pos Hujan Prigen:
1. Mengurutkan data sesuai deret waktu
2. Membuat peringkat berdasarkan data hujan yang terbesar sampai terkecil (Rt) dan
peringkat berdasarkan urutan tahun (Tt)
Ch = 22,45 (tahun 2007)
Rt = 10
Tt =1
3. Hitung nilai dt (selisih antara Rt dengan Tt)
dt = Rt – Tt = 10 – 1 = 9
4. Hitung nilai kuadrat dari dt dan total dari kuadrat dt
dt2 = (9)2 = 81
Ʃdt2 = 220
5. Hitung nilai KP (korelasi peringkat) berdasarkan persamaan (2-23)
48
n
6 dt 
2
KP = 1 i 1
n n
3
6  220
= 1
103 10
= -0,333
6. Hitung nilai distibrusi t (thitung) berdasarkan persamaan (2-24)
1
 n  2 2
t = KP  2
1  KP 
1
 10  2 2
= -0,333   2
= -1,000
1  (0,333) 
Dengan pengujian dua sisi menggunakan derajat kepercayaan α = 1% dan dk = n – 2
= 10 – 2 = 8 maka diperoleh nilai tkritis yaitu t0,975 = +3,355 dan -t0,975 = -3,355. Nilai tkritis
diperoleh dari tabel uji-t yang tercantum pada lampiran. Dari perhitungan maka nilai thitung
terletak antara -t0,975 dan t0,975 yaitu -3,355 < -1,000 ˂ 3,355 sehingga H0 diterima. Dapat
disimpulkan bahwa dua seri data (Rt dan Tt) tidak menunjukkan adanya trend. Rekapitulasi
perhitungan uji ketiadaan trend dengan Korelasi Peringkat Spearman pada seluruh pos hujan
dapat dilihat pada tabel 4.7:
Tabel 4.7. Rekapitulasi Perhitungan Uji Ketiadaan Trend (Spearman) Seluruh Pos Hujan
No. Pos Hujan KP thitung tkritis Kesimpulan
1 Prigen -0,333 -1,000 Tidak ada trend
2 Wilo 0,758 3,283 Tidak ada trend
3 Jawi -0,709 -2,844 Tidak ada trend
4 Telebuk 0,442 1,395 Tidak ada trend
5 Pager -0,188 -0,541 Tidak ada trend
6 Purwosari -0,806 -3,852 Terdapat trend
7 Purwodadi -0,673 -2,572 Tidak ada trend
8 Lawang -0,842 -4,422 Terdapat trend
3,355
9 Singosari -0,515 -1,700 Tidak ada trend
10 Tutur -0,491 -1,594 Tidak ada trend
11 Tosari 0,079 0,224 Tidak ada trend
12 Selowongko -0,115 -0,328 Tidak ada trend
13 Oro2 Pule -0,685 -2,658 Tidak ada trend
14 Wonorejo -0,042 -0,120 Tidak ada trend
15 Poh Jentrek -0,055 -0,155 Tidak ada trend
16 Ngempit 0,006 0,017 Tidak ada trend
49
➢ Uji Mann Whitney

Berikut adalah langkah perhitungan uji ketiadaan trend dengan Uji Mann Whitney
pada Pos Hujan Prigen:
1. Membagi data menjadi dua kelompok
2. Buat peringkat rangkaian data dari nilai terkecil sampai terbesar
3. Hitung jumlah peringkat rangkaian data tiap kelompok. Pembagian kelompok untuk
Uji Mann Whitney dapat dilihat pada tabel 4.8 sebagai berikut
Tabel 4.8 Pembagian Kelompok untuk Uji Mann Whitney pada Pos Hujan Prigen
Kelompok Peringkat Kelompok Peringkat
No
1 Rt 2 Rt
1 22,45 10 26,30 5
2 26,01 6 29,56 2
3 32,20 1 24,45 9
4 25,65 7 28,44 4
5 24,51 8 28,68 3
Jumlah - 32 - 23
4. Perhitungan parameter statistik berdasarkan persamaan (2-25) dan (2-26):
U1 = N1.N2 + (N1 / 2)(N1 + 1) – Rm
= 5.5 + (5 / 2)(5 + 1) – 32
=8
U2 = N1.N2 – U1
= 5.5 – 8
= 17
5. Menentukan nilai U
Dapat dilihat bahwa nilai U1 lebih kecil dari nilai U2 maka yang dijadikan sebagai
nilai U adalah U1 yaitu sebesar 8.
6. Hitung uji Mann Whitney sebagai nilai Z berdasarkan persamaan (2-27):
U - (N1 N2 )
2
Z= 1
1 2
[ {N1 N2 (N1 +N2 +1)}]
12
8 - (5.5)
2
Z= 1
1 2
[ {5.5(5+ 5 +1)}]
12
Z = -0,940
50
Dengan pengujian satu sisi menggunakan derajat kepercayaan α = 1% maka

diperoleh nilai Zc (+) = +2,333 dan Zc (-) = -2,333. Nilai Zc diperoleh dari tabel nilai tc
(tabel 2.2) yang tercantum pada bab II. Dari perhitungan maka nilai Z terletak antara Zc (+)
dan Zc (-) yaitu -2,333 < -0,940 ˂ 2,333 sehingga H0 diterima. Dapat disimpulkan kelompok
I dan II berasal dari populasi yang sama atau dengan kata lain tidak menunjukkan adanya
trend. Rekapitulasi perhitungan uji ketiadaan trend dengan Mann Whitney pada seluruh pos
hujan dapat dilihat pada tabel 4.9:
Tabel 4.9.Rekapitulasi Perhitungan Uji Ketiadaan Trend (Mann Whitney) Seluruh Pos Hujan
No. Pos Hujan Z Zc (+) Zc (-) Kesimpulan
1 Prigen -0,940 Tidak ada trend
2 Wilo -2,611 Memiliki trend
3 Jawi -2,193 Tidak ada trend
4 Telebuk -1,567 Tidak ada trend
5 Pager -0,104 Tidak ada trend
6 Purwosari -1,567 Tidak ada trend
7 Purwodadi -1,358 Tidak ada trend
8 Lawang -2,402 Memiliki trend
2,333 -2,333
9 Singosari -0,522 Tidak ada trend
10 Tutur -0,522 Tidak ada trend
11 Tosari -0,313 Tidak ada trend
12 Selowongko -0,104 Tidak ada trend
13 Oro2 Pule -1,776 Tidak ada trend
14 Wonorejo -0,313 Tidak ada trend
15 Poh Jentrek -0,104 Tidak ada trend
16 Ngempit -0,313 Tidak ada trend
➢ Uji Tanda dari Cox Stuart
Berikut adalah langkah perhitungan uji ketiadaan trend dengan Uji Tanda dari Cox
Stuart pada Pos Hujan Prigen:
1. Nilai data urut waktu dibagi menjadi 3 bagian yang sama. Apabila tidak dapat dibagi
menjadi 3 bagian yang sama, maka bagian yang kedua jumlahnya dikurangi 2 atau 1
data.
2. Kemudian membandingkan nilai antara kelompok 1 dan 3 serta memberi tanda (+)
untuk hasil yang positif dan (-) untuk nilai yang negatif .
3. Jumlah dari nilai (+) dan (-) disebut sebagai S. Pembagian kelompok untuk Uji Tanda
dari Cox Stuart dapat dilihat pada tabel 4.10:
51
Tabel 4.10. Pembagian Kelompok untuk Uji Tanda dari Cox Stuart pada Pos Hujan Prigen
Kelompok Kelompok
No Tanda 3-1
1 3
1 22,45 29,56 +
2 26,01 24,45 -
3 32,20 28,44 -
4 25,65 28,68 +
S = 2
N = 10
4. Menghitung nilai Z (untuk sampel n < 30 menggunakan persamaan (2-29)):
n 10
S - 6 - 0,5 2 - 6 - 0,5
Z= 1 = 1 = -0,183
n 2 10 2
(12) (12)

dan Zc (-) yaitu -2,333 < -0,183 ˂ 2,333 sehingga H0 diterima. Dapat disimpulkan bahwa
data tidak menunjukkan adanya trend. Rekapitulasi perhitungan uji ketiadaan trend dengan
Cox Stuart pada seluruh pos hujan dapat dilihat pada tabel 4.11:
Tabel 4.11.Rekapitulasi Perhitungan Uji Ketiadaan Trend (Cox Stuart) Seluruh Pos Hujan
No. Pos Hujan Z Zc (+) Zc (-) Kesimpulan
1 Prigen -0,183 Tidak ada trend
2 Wilo -1,278 Tidak ada trend
3 Jawi 2,008 Tidak ada trend
4 Telebuk -1,278 Tidak ada trend
5 Pager 0,913 Tidak ada trend
6 Purwosari 2,008 Tidak ada trend
7 Purwodadi 2,008 Tidak ada trend
8 Lawang 2,008 Tidak ada trend
2,333 -2,333
9 Singosari 0,913 Tidak ada trend
10 Tutur 0,913 Tidak ada trend
11 Tosari 0,913 Tidak ada trend
12 Selowongko -0,183 Tidak ada trend
13 Oro2 Pule 2,008 Tidak ada trend
14 Wonorejo -0,183 Tidak ada trend
15 Poh Jentrek 0,913 Tidak ada trend
16 Ngempit -1,278 Tidak ada trend
52
4.2.4. Uji Stasioner

Dalam uji stasioner terdapat dua pengujian yaitu uji distribusi F dan uji distribusi t.
Uji F digunakan untuk menguji kestabilan nilai varian. Sedangkan uji t digunakan untuk
meguji kestabilan nilai rata-rata. Berikut adalah langkah perhitungan uji stasioner pada Pos
Hujan Prigen:
1. Uji-F (Uji Kestabilan Varian)
1. Membagi data menjadi 2 kelompok. Data curah hujan tahunan dengan pembagian
kelompok untuk uji stasioner pada Pos Hujan Prigen dapat dilihat pada tabel 4.12.
Tabel 4.12. Data Curah Hujan Pos Hujan Prigen untuk Uji Stasioner
Kelompok I Kelompok II
No No
Tahun Curah Hujan Tahun Curah Hujan
1 2007 22,45 6 2012 24,45
2 2008 26,01 7 2013 28,44
3 2009 32,20 8 2014 24,45
4 2010 26,30 9 2015 28,44
5 2011 29,56 10 2016 28,68
2. Menghitung nilai n, Rerata, Sd, dan dk dari masing-masing kelompok
Kelompok I (data hujan 2007-2011)
n1 =5
∑ni=1 Ch
Rerata 1 = = 27,3
n
∑ni=1(Chi - Ch)2
Sd1 =√
n
= 3,7187
dk1 = n1 – 1 = 5 – 1 = 4
Kelompok II (data hujan 2012-2016)
n2 =5
∑ni=1 Ch
Rerata 2 = = 26,9
n
∑ni=1(Chi - Ch)2
Sd2 =√
n
= 2,2357
dk2 = n2 – 1 = 5 – 1 = 4
53
3. Menghitung nilai F berdasarkan persamaan (2-30)

n1 .Sd1 2 .(n2 - 1)
F =
n2 .Sd2 2 .(n1 - 1)
5.3,71872 .(5 – 1)
=
5.2,23572 .(5 – 1)
= 2,767
Dengan derajat kepercayaan α = 1% dan dk1 = 4 dan dk2 = 4 maka diperoleh nilai
Fkritis (Fcr) = 15,977. Nilai Fkritis diperoleh dari tabel uji-F yang bisa dilihat pada lampiran.
Dari perhitungan diperoleh nilai Fhitung ˂ Fkritis = 2,767 ˂ 15,977 sehingga H0 diterima. Dapat
disimpulkan bahwa varian kedua kelompok data pada tabel 4.8 tidak ada perbedaan yang
nyata atau dapat dikatakan nilai variannya stabil (stasioner). Berikut rekapitulasi uji
kestabilan varian pada seluruh pos hujan dapat dilihat pada tabel 4.13:
Tabel 4.13. Rekapitulasi Perhitungan Uji-F (Uji Kestabilan Varian) Seluruh Pos Hujan
No. Pos Hujan Fhitung Fkritis Kesimpulan
1 Prigen 2,767 Data stasioner
2 Wilo 2,932 Data stasioner
3 Jawi 1,465 Data stasioner
4 Telebuk 0,253 Data stasioner
5 Pager 0,422 Data stasioner
6 Purwosari 3,898 Data stasioner
7 Purwodadi 0,819 Data stasioner
8 Lawang 1,438 Data stasioner
15,977
9 Singosari 0,868 Data stasioner
10 Tutur 0,253 Data stasioner
11 Tosari 10,022 Data stasioner
12 Selowongko 0,149 Data stasioner
13 Oro2 Pule 0,563 Data stasioner
14 Wonorejo 2,251 Data stasioner
15 Poh Jentrek 1,280 Data stasioner
16 Ngempit 1,034 Data stasioner
2. Uji-t (Uji Kestabilan Rata-rata)
1. Menghitung nilai σ berdasarkan persamaan (2-31)
n1 .Sd1 2 + n2 .Sd2 2
σ =
n1 + n2 - 2
5.3,71872 + 5.2,23572
=
5 +5 - 2
= 3,430
54
2. Menghitung nilai t berdasarkan persamaan (2-32)

|̅̅̅̅̅
Ch1 - ̅̅̅̅̅
Ch2 |
t = 1
σ (n1 +
1 2
n2 )
1
|27,3 - 26,89|
= 1
1 1 2
3,430 (5 + 5 )
= 0,190
Dengan derajat kepercayaan α = 1% dan dk = n1 + n2 – 2 = 5 + 5 – 2 = 8 maka
diperoleh nilai tkritis (tcr) = 3,355. Nilai tkritis diperoleh dari tabel uji-t yang bisa dilihat pada
lampiran. Dari perhitungan diperoleh nilai yaitu thitung ˂ tkritis = 0,190 ˂ 3,355 sehingga H0
diterima. Dapat disimpulkan bahwa rata-rata kedua kelompok data pada tabel 4.8 tidak ada
perbedaan yang nyata atau dapat dikatakan nilai rata-ratanya stabil (stasioner). Berikut
rekapitulasi uji kestabilan rata-rata pada seluruh pos hujan dapat dilihat pada tabel 4.14:
Tabel 4.14. Rekapitulasi Perhitungan Uji-t (Uji Kestabilan Rata-rata) Seluruh Pos Hujan
No. Pos Hujan thitung tkritis Kesimpulan
1 Prigen 0,190 Data stasioner
2 Wilo 1,885 Data stasioner
3 Jawi 0,574 Data stasioner
4 Telebuk 0,220 Data stasioner
5 Pager 1,060 Data stasioner
6 Purwosari 2,537 Data stasioner
7 Purwodadi 1,674 Data stasioner
8 Lawang 1,065 Data stasioner
3,355
9 Singosari 1,840 Data stasioner
10 Tutur 2,919 Data stasioner
11 Tosari 1,101 Data stasioner
12 Selowongko 0,183 Data stasioner
13 Oro2 Pule 4,680 Data tidak stasioner
14 Wonorejo 0,289 Data stasioner
15 Poh Jentrek 0,854 Data stasioner
16 Ngempit 0,482 Data stasioner
4.2.5. Uji Persistensi

Uji ini digunakan untuk melihat data berasal dari sampel acak atau tidak. Pada studi
ini uji persistensi dilakukan dengan menghitung korelasi serial, yaitu dengan Metode
Spearman. Berikut langkah perhitungan uji persistensi pada Pos Hujan Prigen:
55

Ch = 22,45 (tahun 2007)
Rt1 = 10
Rt2 =6
3. Hitung nilai di (selisih antara Rt1 dengan Rt2)
di = Rt2 – Rt1 = 6 – 10 = -4
di2 = (-4)2 = 16
Ʃdi2 = 171
5. Hitung nilai KS (korelasi serial) berdasarkan persamaan (2-33)
n
6 di
2
KS = 1 i 1
m m
3
6  171
= 1
93  9
= -0,425
1
 m  2 2
t = KS  2
1  KS 
1
 92 2
=  0,425  2
1  (0,425) 
= -1,242
Dengan pengujian satu sisi menggunakan derajat kepercayaan α = 1% dan dk = m –
2 = 9 – 2 = 7 dan maka diperoleh nilai tkritis yaitu t0,95 = +2,998 dan -t0,95 = -2,998. Nilai tkritis
diperoleh dari tabel uji-t yang tercantum pada lampiran. Dari perhitungan maka nilai thitung
terletak antara -t0,95 dan t0,95 yaitu -2,998 < -1,242 ˂ 2,998 sehingga H0 diterima. Dapat
disimpulkan bahwa data bersifat random (acak) atau dengan kata lain tidak menunjukkan
adanya persistensi. Berikut rekapitulasi uji persistensi pada seluruh pos hujan dapat dilihat
pada tabel 4.15:
56
Tabel 4.15. Rekapitulasi Perhitungan Uji Persistensi Seluruh Pos Hujan

No. Pos Hujan KS thitung tkritis Kesimpulan
1 Prigen -0,425 -1,242 Data random
2 Wilo 0,175 0,470 Data random
3 Jawi 0,100 0,266 Data random
4 Telebuk -0,692 -2,534 Data random
5 Pager -1,033 10,501 Data tidak random
6 Purwosari 0,192 0,517 Data random
7 Purwodadi 0,283 0,782 Data random
8 Lawang 0,600 1,984 Data random
2,998
9 Singosari 0,058 0,155 Data random
10 Tutur -0,042 -0,110 Data random
11 Tosari 0,383 1,098 Data random
12 Selowongko -0,667 -2,366 Data random
13 Oro2 Pule 0,275 0,757 Data random
14 Wonorejo 0,308 0,858 Data random
15 Poh Jentrek -0,058 -0,155 Data random
16 Ngempit -0,442 -1,302 Data random
4.2.6. Uji Inlier-Outlier
Uji ini digunakan untuk mengetahui apakah data maksimum dan minimum dari
rangkaian data yang ada layak digunakan atau tidak. Data hujan berdasarkan urutan waktu
dapat dilihat pada tabel 4.16 dan langkah pengujiannya pada Pos Hujan Prigen adalah
sebagai berikut:
Tabel 4.16. Data Hujan Pos Prigen Berdasarkan Urutan Waktu
No. Tahun Curah Hujan
1 2007 22,450
2 2008 26,015
3 2009 32,200
4 2010 25,649
5 2011 24,509
6 2012 26,296
7 2013 29,563
8 2014 24,446
9 2015 28,443
10 2016 28,685
1. Data hujan diurutkan dari yang terbesar sampai ke terkecil atau sebaliknya (X).
Berikut data hujan yang telah diurutkan berdasarkan besaran nilainya dapat dilihat
pada tabel 4.17.
57
Tabel 4.17. Data Hujan Pos Prigen Berdasarkan Urutan Nilai

No. Tahun Curah Hujan
1 2009 32,200
2 2013 29,563
3 2016 28,685
4 2015 28,443
5 2012 26,296
6 2008 26,015
7 2010 25,649
8 2011 24,509
9 2014 24,446
10 2007 22,450
2. Menghitung masing-masing nilai Y = Log X
Y1 = Log (X1) = Log 32,200 = 1,508
Y2 = Log (X2) = Log 29,563 = 1,471
𝑌1 + 𝑌2 + … + 𝑌9 + 𝑌10 14,26
𝑌= = = 1,426
𝑛 10
4. Menghitung standar deviasi Sd
∑𝑛
𝑖=1(𝑋𝑖 −𝑋)
2
Sd = √ = 0,046
𝑛−1
5. Menentukan nilai Kn berdasarkan tabel (lihat tabel 2.2.)

Untuk Kn = 10, diperoleh nilai sebesar Kn = 2,036
6. Menghitung batas atas dan batas bawah dengan persamaan (2-35) sampai (2-38)
YH = 𝑌+ Kn . Sd = 1,426 + 2,036 . 0,046 = 1,521
XH = 10YH = 101,521 = 33,163
YL = 𝑌- Kn . Sd = 1,426 - 2,036 . 0,046 = 1,332
XL = 10YL = 101,332 = 21,477
7. Menentukan data yang dapat digunakan dan tidak dapat digunakan sesuai nilai batas
atas dan batas bawah.
Pada perhitungan dapat dilihat bahwa data hujan dari Pos Hujan Prigen tidak
memiliki data yang menyimpang dari nilai batas atas dan batas bawahnya. Untuk pengujian
data pada pos hujan lainnya (dapat dilihat pada lampiran) terdapat data yang menyimpang
pada beberapa pos hujan dan beberapa tahun sehingga data dari tahun-tahun tersebut harus
dieleminasi pada seluruh pos hujannya. Pada akhirnya setelah dilakukan uji inlier-outlier
58
pada seluruh pos hujan hanya diperoleh panjang data selama 4 tahun. Untuk mengatasi
masalah ini dapat dilakukan dengan penambahan data, namun karena keterbatasan data pada
studi ini sehingga pengujian ini diabaikan dan data hujan yang dapat digunakan untuk
analisis selanjutnya adalah tetap dengan panjang data selama 10 tahun.
4.3. Analisa Data Debit

4.3.1. Pengisian Data Debit Hilang
Perkiraan data debit yang hilang di AWLR Dhompo untuk studi ini menggunakan
metode regresi. Metode ini merupakan metode yang sederhana untuk memperkirakan data
debit yang hilang. Terdapat 4 bulan yang hilang yaitu September - Desember pada tahun
2013. Berikut adalah data debit tahunan pada AWLR Dhompo tahun 2007-2016 dapat dilihat
pada tabel 4.18:
Tabel 4.18. Data Debit Rerata Tahunan AWLR Dhompo pada tahun 2007 – 2016
Tahun Jan Feb Mar Apr Mei Jun
2007 2,122 6,704 7,220 4,225 3,132 4,808
2008 5,795 6,308 6,926 9,908 2,871 0,593
2009 29,473 23,153 4,592 2,422 4,730 4,649
2010 17,694 19,253 10,344 12,283 18,825 5,498
2011 15,625 12,437 22,357 21,406 18,697 7,296
2012 11,237 16,643 9,021 6,307 5,995 3,628
2013 9,706 9,021 9,127 13,119 8,822 13,422
2014 13,134 12,678 10,695 10,276 6,859 4,267
2015 17,092 19,517 14,167 9,599 7,249 0,710
2016 23,371 34,135 21,407 40,445 11,824 30,743
Tahun Jul Agu Sep Okt Nov Des

2007 0,583 0,330 0,360 0,298 1,408 3,947
2008 0,000 0,555 0,540 0,483 2,142 4,923
2009 0,318 0,315 0,726 0,419 0,885 1,320
2010 5,338 1,055 4,680 3,762 4,019 8,188
2011 3,515 0,000 1,380 1,196 5,650 11,131
2012 1,757 0,000 1,548 1,208 2,872 7,017
2013 8,806 3,345 - - - -
2014 2,487 1,963 0,000 3,410 1,915 8,272
2015 0,390 0,395 0,000 0,000 1,175 10,821
2016 10,237 10,301 0,394 9,716 9,238 14,983
Selanjutnya data debit tahunan akan diregresikan dengan data hujan tahunan
menggunakan excel. Berikut adalah gambar hasil regresi linear dan polinomial antara data
debit dan data hujan dapat dilihat pada gambar 4.3:
59
REGRESI DATA DEBIT DENGAN DATA HUJAN

45
40
35
y = 0,0162x2 + 0,08x + 0,5014
30 R² = 0,4183
Data Debit (Y)
25
y = 0,5357x - 1,2465
20 R² = 0,3883
15
10
0
0 5 10 15 20 25 30 35 40 45
Data Hujan (X)
Gambar 4.3. Regresi Data Debit dengan Data Hujan

Regresi di peroleh dari data debit rerata tahunan dan data hujan rerata tahunan. Dari
hasil regresi di atas, regresi polinomial menghasilkan R kuadrat yang lebih besar. Maka yang
digunakan untuk estimasi adalah hasil regresi polinomial. Dapat dilihat bahwa nilai R
kuadrat adalah 0,4183. Maka dari itu nilai dari korelasi (R) dari regresi tersebut adalah 0,674
dan dapat disimpulkan bahwa hubungannya kuat karena sudah melebihi nilai 0,6. Untuk
mendapatkan nilai debit diperoleh dari persamaan yang tertera, berikut perhitungannya:
y = 0,0162x2 + 0,08x + 0,5014
= 0,0162.(1,622)+ 0,08.(1,62) + 0,5014 = 0,674
Jadi, besar debit di AWLR Dhompo pada bulan September tahun 2013 adalah 0,674
m3/dt. Berikut rekapitulasi data debit setelah dilakukan estimasi dapat dilihat pada tabel 4.19.
Tabel 4.19. Pengisian Data Debit Hilang pada AWLR Dhompo
Tahun Jan Feb Mar Apr Mei Jun
2007 2,122 6,704 7,220 4,225 3,132 4,808
2008 5,795 6,308 6,926 9,908 2,871 0,593
2009 29,473 23,153 4,592 2,422 4,730 4,649
2010 17,694 19,253 10,344 12,283 18,825 5,498
2011 15,625 12,437 22,357 21,406 18,697 7,296
2012 11,237 16,643 9,021 6,307 5,995 3,628
2013 9,706 9,021 9,127 13,119 8,822 13,422
2014 13,134 12,678 10,695 10,276 6,859 4,267
2015 17,092 19,517 14,167 9,599 7,249 0,710
2016 23,371 34,135 21,407 40,445 11,824 30,743
60
Lanjutan Tabel 4.19. Pengisian Data Debit Hilang

Tahun Jul Agu Sep Okt Nov Des
2007 0,583 0,330 0,360 0,298 1,408 3,947
2008 0,000 0,555 0,540 0,483 2,142 4,923
2009 0,318 0,315 0,726 0,419 0,885 1,320
2010 5,338 1,055 4,680 3,762 4,019 8,188
2011 3,515 0,000 1,380 1,196 5,650 11,131
2012 1,757 0,000 1,548 1,208 2,872 7,017
2013 8,806 3,345 0,674 2,981 14,925 10,503
2014 2,487 1,963 0,000 3,410 1,915 8,272
2015 0,390 0,395 0,000 0,000 1,175 10,821
2016 10,237 10,301 0,394 9,716 9,238 14,983
4.3.2. Uji Konsistensi

Untuk mengetahui konsistensi data debit pada studi ini menggunakan metode RAPS
(Rescaled Adjusted Partial Sums). Metode ini digunakan untuk menguji ketidakpanggahan
data dari suatu pos dengan data dari pos itu sendiri dengan mendeteksi nilai rata-rata. Berikut
adalah langkah-langkah perhitungan uji konsistensi dengan metode RAPS pada AWLR
Dhompo.
1. Mengurutkan data debit berdasarkan tahun, kemudian menghitung nilai rata-rata
(mean) berdasarkan persamaan (2-16)
∑ni=1 Yi
Ȳ =
n
96,429
=
10
= 9,643
2. Menghitungan nilai Sk* berdasarkan persamaan (2-17)
Sk* = ∑𝑘𝑖=1(𝑌𝑖 − 𝑌̅)
= 4,101 – 9,643
= -5,542
3. Menghitung nilai Dy2 berdasarkan persamaan (2-18)
(𝑌𝑖 −𝑌̅)2
Dy2 = ∑𝑛𝑖=1 𝑛
183,968
=
10
= 18,397
4. Menghitung Dy berdasarkan persamaan (2-19)
61
Dy = √𝐷𝑦 2
= √18,397
= 4,289
5. Menghitung Sk** berdasarkan persamaan (2-20)
𝑆𝑘 ∗
Sk** = 𝐷𝑦
-5,542
=
4,289
= -1,292
6. Menghitung nilai absolut dari Sk**
|Sk**| = |-1,292|
= 1,292
7. Menentukan nilai Sk** maksimum dan minimum
Sk** maks = 2,906
Sk** min = 1,292
8. Menghitung nilai Q dan Q/(n0,5) berdasarkan persamaan (2-21)
Q = maks Sk**
= 2,906
Q/(n0,5) hitung = 2,906/(100,5)
= 0,92
Q/(n0,5) kritis = 1,14
Nilai Q/(n0,5) hitung < Q/(n0,5) kritis maka data masih dalam batasan konsisten.
9. Menghitung nilai R dan R/(n0,5) berdasarkan persamaan (2-22)
R = maks Sk** – min Sk**
= 2,906 – 1,292
= 1,614
R/(n0,5) hitung = 1,614/(100,5)
= 0,51
R/(n0,5) kritis = 1,28
Nilai R/(n0,5) hitung < R/(n0,5) kritis maka data masih dalam batasan konsisten.
Berdasarkan hasil uji konsistensi data debit pada AWLR Dhompo dapat diketahui
bahwa data debit masih dalam batasan konsisten, sehingga data debit pada pos ini dapat
digunakan untuk analisa selanjutnya Perhitungan uji konsistensi data debit pada AWLR
Dhompo dengan metode RAPS selengkapnya dapat dilihat pada tabel 4.20.
62
Tabel 4.20. Uji Konsistensi Data Debit pada AWLR Dhompo dengan metode RAPS
No. Tahun Debit Y-Ȳ Sk* (Y - Ȳ)2 Sk** |Sk**|
1 2007 4,101 -5,542 -5,542 30,71 -1,292 1,292
2 2008 4,791 -4,852 -10,394 23,54 -2,423 2,423
3 2009 8,872 -0,771 -11,165 0,59 -2,603 2,603
4 2010 9,530 -0,113 -11,279 0,01 -2,630 2,630
5 2011 13,426 3,783 -7,496 14,31 -1,748 1,748
6 2012 7,832 -1,811 -9,307 3,28 -2,170 2,170
7 2013 7,685 -1,958 -11,265 3,83 -2,626 2,626
8 2014 8,442 -1,201 -12,466 1,44 -2,906 2,906
9 2015 12,098 2,455 -10,011 6,03 -2,334 2,334
10 2016 19,654 10,011 0,000 100,21 0,000 0,000
Jumlah 96,429 0,000 -88,924 183,968 -20,732 20,732
Rata-Rata 9,643 0,000 -8,892 18,397 -2,073 2,073
n 10
2
Dy 18,397
Dy 4,289
Max Sk** 2,906
Min Sk** 1,292
Q 2,906
R 1,614
4.3.3. Uji Ketiadaan Trend
Uji Ketiadaan Trend digunakan untuk meilhat ada tidaknya trend atau variasi dalam
data. Metode yang digunakan dalam studi ini adalah Uji Korelasi Peringkat Spearman, Uji
Mann Whitney, dan Uji Tanda dari Cox Stuart.
➢ Uji Korelasi Peringkat Spearman
Berikut adalah langkah perhitungan uji ketiadaan trend dengan Korelasi Peringkat
Spearman pada AWLR Dhompo:
Y = 4,101 ( debit tahun 2007)
Rt = 10
Tt =1
3. Hitung nilai dt (selisih antara Rt dengan Tt)
63
dt = Rt – Tt = 10 – 1 = 9
dt2 = (9)2 = 81
Ʃdt2 = 266
5. Hitung nilai KP (korelasi peringkat) berdasarkan persamaan (2-23)
n
6 dt 
2
KP = 1 i 1
n n
3
6  266
= 1 = -0,612
103  10
1 1
 n2  2  10  2  2
t = KP  2
= -0,612   2
= -2,189
1  KP  1  (0,612 ) 
Dengan pengujian dua sisi menggunakan derajat kepercayaan α = 1% dan dk = n – 2
= 10 – 2 = 8 maka diperoleh nilai tkritis yaitu t0,975 = +3,355 dan -t0,975 = -3,355. Nilai tkritis
diperoleh dari tabel uji-t yang tercantum pada lampiran. Dari perhitungan, nilai thitung terletak
antara -t0,975 dan t0,975 yaitu -3,355 < -2,189 < 3,355 sehingga H0 diterima. Dapat disimpulkan
bahwa dua seri data (Rt dan Tt) tidak menunjukkan adanya trend. Untuk perhitungan uji
ketiadaan trend pada AWLR Dhompo selengkapnya dapat dilihat pada Tabel 4.21.
Tabel 4.21. Perhitungan Uji Ketiadaan Trend (Spearman) pada AWLR Dhompo
No. Tahun Debit (Y) Rt dt dt2
1 2007 4,101 10 9 81
2 2008 4,791 9 7 49
3 2009 8,872 5 2 4
4 2010 9,530 4 0 0
5 2011 13,426 2 -3 9
6 2012 7,832 7 1 1
7 2013 7,685 8 1 1
8 2014 8,442 6 -2 4
9 2015 12,098 3 -6 36
10 2016 19,654 1 -9 81
Jumlah 266
n 10
KP -0,612
t -2,189
64
➢ Uji Mann Whitney

Berikut adalah langkah perhitungan uji ketiadaan trend dengan Uji Mann Whitney
pada AWLR Dhompo:
1. Membagi data menjadi dua kelompok
2. Buat peringkat rangkaian data dari nilai terkecil sampai terbesar
3. Hitung jumlah peringkat rangkaian data tiap kelompok. Pembagian kelompok untuk
Uji Mann Whitney dapat dilihat pada tabel 4.22 sebagai berikut
Tabel 4.22 Pembagian Kelompok untuk Uji Mann Whitney pada AWLR Dhompo
Kelompok Peringkat Kelompok Peringkat
No
1 Rt 2 Rt
1 4,10 10 7,83 7
2 4,79 9 7,68 8
3 8,87 5 8,44 6
4 9,53 4 12,10 3
5 13,43 2 19,65 1
Jumlah - 30 - 25
4. Perhitungan parameter statistik berdasarkan persamaan (2-25) dan (2-26):
U1 = N1.N2 + (N1 / 2)(N1 + 1) – Rm
= 5.5 + (5 / 2)(5 + 1) – 30
= 10
U2 = N1.N2 – U1
= 5.5 – 10
= 15
1. Menentukan nilai U
Dapat dilihat bahwa nilai U1 lebih kecil dari nilai U2 maka yang dijadikan sebagai
nilai U adalah U1 yaitu sebesar 10.
2. Hitung uji Mann Whitney sebagai nilai Z:
U - (N1 N2 )
2
Z= 1
1 2
[ {N1 N2 (N1 +N2 +1)}]
12
10 - (5.5)
2
Z= 1
1 2
[ {5.5(5+ 5 +1)}]
12
Z = -0,522
65

dan Zc (-) yaitu -2,333 < -0,522 ˂ 2,333 sehingga H0 diterima. Dapat disimpulkan kelompok
I dan II berasal dari populasi yang sama atau dengan kata lain tidak menunjukkan adanya
trend.
➢ Uji Tanda dari Cox Stuart
Berikut adalah langkah perhitungan uji ketiadaan trend dengan Uji Tanda dari Cox
Stuart pada AWLR Dhompo:
1. Nilai data urut waktu dibagi menjadi 3 bagian yang sama. Apabila tidak dapat dibagi
menjadi 3 bagian yang sama, maka bagian yang kedua jumlahnya dikurangi 2 atau 1
data.
2. Kemudian membandingkan nilai antara kelompok 1 dan 3 serta memberi tanda (+)
untuk hasil yang positif dan (-) untuk nilai yang negatif .
3. Jumlah dari nilai (+) dan (-) disebut sebagai S. Pembagian kelompok untuk Uji Tanda
dari Cox Stuart dapat dilihat pada tabel 4.23:
Tabel 4.23. Pembagian Kelompok untuk Uji Tanda dari Cox Stuart pada AWLR Dhompo
Kelompok Kelompok
No Tanda 3-1
1 3
1 4,10 7,68 +
2 4,79 8,44 +
3 8,87 12,10 +
4 9,53 19,65 +
S = 4
N = 10
4. Menghitung nilai Z (untuk sampel n < 30 menggunakan persamaan (2-29)):
n 10
S - 6 - 0,5 4 - 6 - 0,5
Z= 1 = 1 = 2,008
n 2 10 2
(12) (12)

dan Zc (-) yaitu -2,333 < 2,008 ˂ 2,333 sehingga H0 diterima. Dapat disimpulkan bahwa data
tidak menunjukkan adanya trend.
66
4.3.4. Uji Stasioner

Dalam uji stasioner terdapat dua pengujian yaitu uji distribusi F dan uji distribusi t.
Uji F digunakan untuk menguji kestabilan nilai varian. Sedangkan uji t digunakan untuk
meguji kestabilan nilai rata-rata. Berikut adalah langkah perhitungan uji stasioner pada
AWLR Dhompo:
a. Uji-F (Uji Kestabilan Varian)
1. Membagi data menjadi 2 kelompok. Data debit tahunan dengan pembagian
kelompok untuk uji stasioner pada AWLR Dhompo dapat dilihat pada tabel 4.24.
Tabel 4.24. Data Debit AWLR Dhompo untuk Uji Stasioner
Kelompok I Kelompok II
No No
Tahun Debit (Y) Tahun Debit (Y)
1 2007 4,101 6 2012 7,832
2 2008 4,791 7 2013 7,685
3 2009 8,872 8 2014 8,442
4 2010 9,530 9 2015 12,098
5 2011 13,426 10 2016 19,654
2. Menghitung nilai n, Rerata, Sd, dan dk dari masing-masing kelompok
Kelompok I (data hujan 2007-2011)
n1 =5
∑ni=1 Y
Chrerata1 =
n
= 8,144
∑ni=1(Yi - Y)2
Sd1 =√
n
= 3,8067
dk1 = n1 – 1 = 5 – 1 = 4
Kelompok II (data hujan 2012-2016)
n2 =5
∑ni=1 Y
Chrerata2 =
n
= 11,142
∑ni=1(Yi - Y)2
Sd2 =√
n
67
= 5,0882
dk2 = n2 – 1 = 5 – 1 = 4
3. Menghitung nilai F berdasarkan persamaan (2-30)
n1 .Sd1 2 .(n2 - 1)
F =
n2 .Sd2 2 .(n1 - 1)
5.(3,8057)2 .(5 - 1)
=
5.(5,0882)2 .(5 - 1)
= 0,559
Dengan derajat kepercayaan α = 1% dan dk1 = 4 dan dk2 = 4 maka diperoleh nilai
Fkritis (Fcr) = 15,977. Nilai Fkritis diperoleh dari tabel uji-F yang tercantum pada lampiran.
Dari perhitungan diperoleh nilai Fhitung ˂ Fkritis yaitu 0,559 ˂ 15,977 sehingga H0 diterima.
Dapat disimpulkan bahwa varian kedua kelompok data pada tabel 4.16 tidak ada perbedaan
yang nyata atau dapat dikatakan nilai variannya stabil (stasioner).
b. Uji-t (Uji Kesatabilan Rata-rata)
1. Menghitung nilai σ berdasarkan persamaan (2-31)
n1 .Sd1 2 + n2 .Sd2 2
σ =
n1 + n2 - 2
5.(3,8057)2 + 5.(5,0882)2
=
5 +5 - 2
= 5,023
2. Menghitung nilai t berdasarkan persamaan (2-32)
̅
|Y 1 - Y̅ 2 |
t = 1
1 1 2
σ ( + )
n 1 n2
|8,144 - 11,142|
= 1
1 1 2
5,023 (5 + 5 )
= 0,944
Dengan derajat kepercayaan α = 1% dan dk = n1 + n2 – 2 = 5 + 5 – 2 = 8 maka
diperoleh nilai tkritis (tcr) = 3,355. Nilai tkritis diperoleh dari tabel uji-t yang tercantum pada
lampiran. Dari perhitungan diperoleh nilai thitung ˂ tkritis yaitu 0,944 ˂ 3,355 sehingga H0
diterima. Dapat disimpulkan bahwa rata-rata kedua kelompok data pada tabel 4.16 tidak ada
perbedaan yang nyata atau dapat dikatakan nilai rata-ratanya stabil (stasioner).
68
4.3.5. Uji Persistensi

Uji ini digunakan untuk melihat data berasal dari sampel acak atau tidak. Berikut
langkah perhitungan uji persistensi pada AWLR Dhompo:
Y = 4,101 (tahun 2007)
Rt1 = 10
Rt2 =9
3. Hitung nilai di (selisih antara Rt1 dengan Rt2)
di = Rt2 – Rt1 = 9 – 10 = -1
di2 = (-1)2 = 1
Ʃdi2 = 65
5. Hitung nilai KS (korelasi serial) berdasarkan persamaan (2-33)
n
6 di
2
KS = 1 i 1
m m
3
6  65
= 1
93  9
= 0,458
1
 m2  2
t = KS  2
1  KS 
1
 92 2
= 0,458  2
1  (0,458) 
= 1,364
Dengan pengujian satu sisi menggunakan derajat kepercayaan α = 1% dan dk = m –
2 = 9 – 2 = 7 maka diperoleh nilai t0,95 = +2,998 dan -t0,95 = -2,998. Nilai tkritis diperoleh dari
tabel uji-t yang tercantum pada lampiran. Dari perhitungan, nilai thitung terletak antara -t0,95
dan t0,95 yaitu -2,998 < 1,364 ˂ 2,998 sehingga H0 diterima. Dapat disimpulkan bahwa data
bersifat random (acak) atau dengan kata lain tidak menunjukkan adanya persistensi. Untuk
perhitungan uji persistensi pada AWLR Dhompo selengkapnya dapat dilihat pada tabel 4.25.
69
Tabel 4.25. Perhitungan Uji Persistensi pada AWLR Dhompo

No Tahun Debit (Y) Rt di di2
1 2007 4,101 10
2 2008 4,791 9 -1 1
3 2009 8,872 5 -4 16
4 2010 9,530 4 -1 1
5 2011 13,426 2 -2 4
6 2012 7,832 7 5 25
7 2013 7,685 8 1 1
8 2014 8,442 6 -2 4
9 2015 12,098 3 -3 9
10 2016 19,654 1 -2 4
Jumlah 65
m 9
KS 0,458
t 1,364
4.3.6. Uji Inlier-Outlier
Uji ini digunakan untuk mengetahui apakah data maksimum dan minimum dari
rangkaian data yang ada layak digunakan atau tidak. Data debit berdasarkan urutan waktu
dapat dilihat pada tabel 4.26 dan langkah pengujiannya pada data debit AWLR Dhompo
adalah sebagai berikut:
Tabel 4.26. Data Debit AWLR Dhompo Berdasarkan Urutan Waktu
No. Tahun Debit
1 2007 4,101
2 2008 4,791
3 2009 8,872
4 2010 9,530
5 2011 13,426
6 2012 7,832
7 2013 7,685
8 2014 8,442
9 2015 12,098
10 2016 19,654
1. Data debit diurutkan dari yang terbesar sampai ke terkecil atau sebaliknya (X).
Berikut data debit yang telah diurutkan berdasarkan besaran nilainya dapat dilihat
pada tabel 4.27.
70
Tabel 4.27. Data Debit AWLR Dhompo Berdasarkan Urutan Nilai
No. Tahun Debit

1 2016 19,654
2 2011 13,426
3 2015 12,098
4 2010 9,530
5 2009 8,872
6 2014 8,442
7 2012 7,832
8 2013 7,685
9 2008 4,791
10 2007 4,101
2. Menghitung nilai Y = Log X
Y1 = Log (X1) = Log 19,654 = 1,293
Y2 = Log (X2) = Log 13,426 = 1,128
𝑌1 + 𝑌2 + … + 𝑌9 + 𝑌10 9,430
𝑌= = = 0,943
𝑛 10
4. Menghitung standar deviasi Sd
∑𝑛
𝑖=1(𝑋𝑖 −𝑋)
2
Sd = √ = 0,2
𝑛−1
5. Menentukan nilai Kn berdasarkan tabel (lihat tabel 2.2.)

Untuk Kn = 10, diperoleh nilai sebesar Kn = 2,036
6. Menghitung batas atas dan batas bawah dengan persamaan (2-35) sampai (2-38)
YH = 𝑌+ Kn . Sd = 0,943 + 2,036 . 0,2 = 1,352
XH = 10YH = 101,352 = 22,466
YL = 𝑌- Kn . Sd = 0,943 - 2,036 . 0,2 = 0,535
XL = 10YL = 100,535 = 3,424
7. Menentukan data yang dapat digunakan dan tidak dapat digunakan sesuai nilai batas
atas dan batas bawah.
Pada perhitungan dapat dilihat bahwa data debit dari AWLR Dhompo tidak memiliki
data yang menyimpang dari nilai batas atas dan batas bawahnya. Maka data debit
dengan panjang data selama 10 tahun dapat digunakan untuk analisis selanjutnya.
71
4.4. Analisa Luas Daerah Pengaruh dengan Poligon Thiessen

Poligon thiessen akan menghasilkan suatu daerah dengan luasan tertentu yang
merupakan perwakilan dari setiap pos hujan. Luas yang dihasilkan merupakan faktor koreksi
bagi pos hujan yang bersangkutan. Hasil poligon thiessen DAS Welang akan disajikan pada
gambar 4.4 dan faktor koreksi luas daerah pengaruh masing-masing pos hujan disajikan pada
tabel 4.28.
Tabel 4.28. Luas Daerah Pengaruh Pos Hujan DAS Welang
Luas daerah Prosentase Keofisien
No Pos Hujan
(km2) % Thiessen
1 Prigen 28,91 6,140 0,061
2 Wilo 4,72 1,002 0,010
3 Jawi 1,058 0,225 0,002
4 Telebuk 27,036 5,742 0,057
5 Pager 57,527 12,218 0,122
6 Purwosari 19,644 4,172 0,042
7 Purwodadi 45,999 9,769 0,098
8 Lawang 88,629 18,823 0,188
9 Singosari 2,117 0,450 0,004
10 Tutur 63,401 13,465 0,135
11 Tosari 22,882 4,860 0,049
12 Selowongko 53,814 11,429 0,114
13 Oro-oro Pule 4,131 0,877 0,009
14 Wonorejo 35,142 7,463 0,075
15 Poh Jentrek 1,138 0,242 0,002
16 Ngempit 14,707 3,123 0,031
Jumlah 470,86 100,000 1,000
Luas Daerah Pengaruh
Luas Daerah Pengaruh (%) = ×100%
Luas DAS
28,91
= = 6,14 %
470,86
Luas Daerah Pengaruh
Koefisien Thiessen =
Luas DAS
28,91
= = 0,061
470,86
Hasil poligon thiessen diatas terdapat beberapa pos hujan yang memiliki prosentase
luasan yang rendah yaitu dibawah 1%, maka pos tersebut tidak dimasukkan pada analisa
tahap selanjutnya pada WMO dan stepwise. Pos hujan yang memiliki prosentase dibawah
1% diantaranya adalah Pos Hujan Jawi, Singosari, Oro-oro Pule, dan Poh Jentrek.
72
Gambar 4.4. Poligon Thiessen untuk 16 Pos Hujan

73
4.5. Analisa Kerapatan Jaringan Pos Hujan dan Pos Duga Air
4.5.1. Standar WMO
Badan Meteorologi Dunia atau WMO menyarankan kerapatan minimum jaringan
pos hujan dengan kondisi normal dan sulit. Berdasarkan tabel kriteria kerapatan untuk tipe
daerah pegunungan tropis meditarian dan sedang, pada kondisi normal minimal terdapat 1
pos hujan untuk luasan 100-250 km2 dan 1 pos duga air untuk luasan 300-1000 km2. Standar
WMO ini merupakan tolak ukur yang digunakan untuk mengevaluasi pos hujan dan pos
duga air. Luas DAS Welang yang dikaji dalam studi ini yaitu 470,86 km2. Perhitungan luas
daerah pengaruh masing-masing pos hujan di DAS Welang dapat dilihat pada tabel 4.29 dan
hasil poligon thiessen untuk 12 pos hujan tersebut dapat dilihat pada gambar 4.5.
Tabel 4.29. Luas Daerah Pengaruh Pos Hujan DAS Welang berdasarkan standar WMO
Luas daerah Prosentase Keofisien
No Pos Hujan
(km2) % Thiessen
1 Prigen 29,535 6,273 0,063
2 Wilo 5,142 1,092 0,011
3 Telebuk 27,036 5,742 0,057
4 Pager 57,537 12,220 0,122
5 Purwosari 19,644 4,172 0,042
6 Purwodadi 45,999 9,769 0,098
7 Lawang 90,745 19,272 0,193
8 Tutur 63,401 13,465 0,135
9 Tosari 22,882 4,860 0,049
10 Selowongko 55,891 11,870 0,119
11 Wonorejo 37,196 7,900 0,079
12 Ngempit 15,845 3,365 0,034
470,86 100,000 1,000
Dari hasil analisa luas daerah pengaruh pos hujan DAS Welang, dapat dilihat bahwa
terdapat 12 pos hujan dalam satuan luas DAS yaitu 470,86 km2. Berdasarkan persyaratan
WMO untuk kondisi normal pada daerah pegunungan tropis meditarian dan sedang untuk
luasan tersebut minimal terdapat 2 pos hujan. Luas daerah pengaruh pada masing-masing
pos hujan dibawah 100 km2. Karena jumlah pos hujan yang terlalu banyak maka perlu
dilakukan rasionalisasi untuk mendapatkan jumlah pos hujan yang optimum. Sedangkan
untuk pos duga air telah memenuhi standar WMO yaitu terdapat 1 pos duga air yang dapat
mewakili daerah dengan luasan 300-1000 km2. Luas daerah pengaruh pos duga air sebesar
470,86 km2.
74
Gambar 4.5. Poligon Thiessen untuk 12 Pos Hujan

75
4.5.2. Metode Stepwise

Setelah dilakukan evaluasi berdasarkan standar WMO, maka selanjutnya perlu
dilakukan rasionalisasi. Rasionalisasi adalah suatu proses untuk menjadikan rasional. Dalam
studi ini rasionalisasi bertujuan untuk memperoleh pos hujan dengan jumlah yang optimal.
Metode yang digunakan untuk merasionaliasi dalam studi ini adalah metode stepwise.
Stepwise adalah salah satu metode untuk mendapatkan model terbaik dari sebuah
analisis regresi. Dalam metode ini pada awalnya variabel independen yang dimasukkan
adalah variabel yang memiliki korelasi parsial tertinggi dan kemudian dilakukan pengujian
signifikansi hubungannya dengan variabel dependen. Jika signifikansinya kurang dari atau
sama dengan kriteria seleksi misalnya 0,05 maka variabel tersebut akan dimasukkan ke
dalam model prediksi. Data yang digunakan untuk regresi dalam studi ini adalah data hujan
sebagai variabel independen dan data debit sebagai variabel dependen.
Sebelum masuk pada analisa regresi stepwise, terlebih dahulu melihat varian data
hujan pada hasil pengujian statistikanya. Berikut adalah rekapitulasi pengujian statistika
pada 4 varian data hujan yaitu kumulatif tahunan pada tabel 4.30, kumulatif bulanan pada
tabel 4.31, rerata tahunan pada tabel 4.32, dan rerata bulanan pada tabel 4.33.
Tabel 4.30. Rekapitulasi Pengujian Data Hujan Kumulatif Tahunan Seluruh Pos hujan
Jenis Pengujian
Stasiun Ketiadaan Trend Stasioner
Persistensi
Spearman Mann Whitney Cox Stuart Uji F Uji t
Prigen Di terima Di terima Di terima Di terima Di terima Di terima
Wilo Di terima Di terima Di terima Di terima Di terima Di terima
Telebuk Di terima Di terima Di terima Di terima Di terima Di tolak
Pager Di terima Di terima Di terima Di terima Di terima Di terima
Purwosari Di terima Di terima Di terima Di terima Di terima Di terima
Purwodadi Di terima Di terima Di terima Di terima Di terima Di terima
Lawang Di terima Di terima Di terima Di terima Di terima Di terima
Tutur Di terima Di terima Di terima Di terima Di terima Di terima
Tosari Di terima Di terima Di terima Di terima Di terima Di terima
Selowongko Di terima Di terima Di terima Di terima Di terima Di terima
Wonorejo Di terima Di terima Di terima Di terima Di terima Di terima
Ngempit Di terima Di terima Di terima Di terima Di terima Di tolak
Tabel 4.31. Rekapitulasi Pengujian Data Hujan Kumulatif Bulanan Seluruh Pos hujan
Jenis Pengujian
Persistensi
Prigen Di terima Di terima Di terima Di tolak Di terima Di terima
Wilo Di terima Di terima Di terima Di tolak Di terima Di terima
Telebuk Di terima Di terima Di terima Di terima Di terima Di terima
76
Lanjutan Tabel 4.31.

Jenis Pengujian
Persistensi
Purwosari Di terima Di terima Di terima Di terima Di terima Di terima
Lawang Di tolak Di tolak Di terima Di terima Di tolak Di terima
Selowongko Di terima Di terima Di terima Di terima Di terima Di tolak
Ngempit Di terima Di terima Di terima Di terima Di terima Di terima
Tabel 4.32. Rekapitulasi Pengujian Data Hujan Rerata Tahunan Seluruh Pos hujan
Jenis Pengujian
Persistensi
Prigen Di terima Di terima Di terima Di terima Di terima Di terima
Wilo Di terima Di tolak Di terima Di terima Di terima Di terima
Pager Di terima Di terima Di terima Di terima Di terima Di tolak
Purwosari Di tolak Di terima Di terima Di terima Di terima Di terima
Lawang Di tolak Di tolak Di terima Di terima Di terima Di terima
Selowongko Di terima Di terima Di terima Di terima Di terima Di terima
Ngempit Di terima Di terima Di terima Di terima Di terima Di terima
Tabel 4.33. Rekapitulasi Pengujian Data Hujan Rerata Bulanan Seluruh Pos hujan
Jenis Pengujian
Persistensi
Prigen Di terima Di terima Di terima Di tolak Di terima Di terima
Wilo Di tolak Di tolak Di tolak Di tolak Di tolak Di terima
Purwosari Di tolak Di tolak Di tolak Di terima Di tolak Di terima
Lawang Di tolak Di tolak Di tolak Di terima Di tolak Di terima
Selowongko Di terima Di terima Di terima Di terima Di terima Di tolak
Wonorejo Di terima Di terima Di terima Di tolak Di terima Di terima
Ngempit Di terima Di terima Di terima Di tolak Di terima Di terima
77
Dapat dilihat pada tabel sebelumnya bahwa data kumulatif tahunan dan rerata
tahunan adalah yang paling bagus atau paling sedikit tertolak pengujiannya. Untuk
perhitungan selanjutnya, varian data hujan yang digunakan adalah data rerata tahunan. Data
debit dan data hujan yang akan digunakan sebagai inputan regresi stepwise dapat dilihat pada
tabel 4.34.
Tabel 4.34. Data Debit dan Data Hujan untuk Inputan Regresi Stepwise
Prigen Wilo Telebuk Pager Purwosari Purwodadi
Tahun Debit (Y)
(X1) (X2) (X3) (X4) (X5) (X6)
2007 4,10 22,45 30,65 27,63 16,94 15,09 18,22
2008 4,79 26,01 26,62 24,45 21,66 22,21 18,55
2009 8,87 32,20 40,22 24,46 19,16 18,97 17,11
2010 9,53 25,65 26,76 23,34 18,69 20,77 20,09
2011 13,43 24,51 30,89 25,15 19,61 24,83 22,87
2012 7,83 26,30 24,76 22,26 17,12 20,70 20,74
2013 7,68 29,56 24,76 22,55 19,45 24,03 20,55
2014 8,44 24,45 20,29 21,50 18,37 23,16 19,13
2015 12,10 28,44 26,36 29,45 24,01 26,24 22,49
2016 19,65 28,68 18,20 22,08 19,00 26,46 21,69
Lawang Tutur Tosari Selowongko Wonorejo Ngempit

Tahun
(X7) (X8) (X9) (X10) (X11) (X12)
2007 15,14 17,98 24,39 28,29 20,19 20,30
2008 15,90 20,87 19,85 24,27 18,95 18,52
2009 13,76 17,18 19,17 28,09 24,02 24,85
2010 16,28 22,84 17,11 28,56 34,35 34,09
2011 17,64 19,22 19,13 25,63 26,75 9,01
2012 22,42 17,03 14,53 27,56 25,28 18,04
2013 20,77 18,72 16,01 26,15 24,57 21,86
2014 17,29 20,07 20,54 27,76 20,04 17,12
2015 20,81 25,28 22,23 27,10 23,62 20,56
2016 24,89 26,43 19,45 37,12 23,23 23,54
Berikut langkah-langkah regresi Stepwise menggunakan aplikasi IBM SPSS 21:

1. Buka software IBM SPSS 21
2. Setelah muncul kotak dialog SPSS, maka klik cancel (untuk membuat data baru)
3. Pada halaman SPSS data editor klik Variable View yang terletak di pojok kiri bawah
4. Masukkan variabel dengan langkah berikut:
- Ketik y pada kolom Name, pada Label ketik Debit(Y), dan pada kolom Measure
pilih Scale
- Pada kolom Name dibawahnya ketik x1, pada Label ketik Prigen(X1), dan pada
kolom Measure pilih Scale
78
- Pada kolom Name dibawahnya ketik x2, pada Label ketik Wilo(X2), dan pada
kolom Measure pilih Scale
- Masukkan seluruh data pos hujan seperti langkah di atas
Tampilan pada tab Variable View dapat dilihat pada gambar 4.6.
Gambar 4.6. Masukkan seluruh variabel pada tab Variable View

Sumber: IBM SPSS 21, 2017
5. Setelah memasukkan variabel, maka selanjutnya klik Data View
6. Masukkan data yang akan digunakan untuk analisis pada y, x1, x2 dan seterusnya
sesuai dengan variabelnya. Tampilan pada tab Data View dapat dilihat pada gambar
4.7.
Gambar 4.7. Masukkan seluruh data pada tab Data View

7. Setelah data siap untuk di analisa regresi, klik Analyze→Regression→Linear
79
8. Setelah itu akan muncul kotak dialog Linear Regression. Masukkan variabel
Debit(Y) pada kotak Dependent dan X1-X12 pada kotak Independent. Pada Method,
pilih Stepwise. Tampilan pada Dialog box Linear Regression dapat dilihat pada
gambar 4.8.
Gambar 4.8. Dialog box Linear Regression

9. Klik tombol Statistics, sehingga muncul kotak dialog Linear Regression Statistics.
Secara default, Estimates dan Model fit sudah tercentang. Kemudian centang
Collinearity diagnostics untuk uji multikolineartias dan centang Durbin-Watson
untuk uji autokorelasi. Kemudian klik Continue untuk kembali ke kotak dialog
sebelumnya. Tampilan pada Dialog box Linear Regression: Statistics dapat dilihat
pada gambar 4.9.
Gambar 4.9. Dialog box Linear Regression: Statistics

80
10. Klik Plots untuk uji heteroskedastisitas, selanjutnya kotak dialog Linear Regression
Plots akan muncul. Masukkan *ZRESID ke kotak Y dan *ZPRED ke kotak X.
Centang pada Normal probability plot untuk uji normalitas. Kemudian klik Continue
untuk kembali ke kotak dialog sebelumnya. Tampilan pada Dialog box Linear
Regression: Plots dapat dilihat pada gambar 4.10.
Gambar 4.10. Dialog box Linear Regression: Plots

11. Klik tombol Options sehingga kotak dialog akan muncul. Pada Use probability of F
secara default nilainya 0,05 untuk variabel yang dimasukkan dan 0,10 untuk variabel
yang dikeluarkan. Klik Continue untuk kembali ke kotak dialog sebelumnya.
Tampilan Dialog box Linear Regression: Options dapat dilihat pada gambar 4.11.
Gambar 4.11. Dialog box Linear Regression: Options

12. Klik OK sehingga Output Viewer akan menampilkan hasilnya.
81
Setelah dilakukan langkah-langkah sesuai prosedur diatas, berdasarkan hasil olahan

data hujan rerata tahunan dan data debit rerata tahunan dalam SPSS dengan menggunakan
metode stepwise, berikut adalah variabel yang masuk (variable entered) dalam model regresi
stepwise dapat dilihat pada tabel 4.35.
Tabel 4.35. Output Variable Entered
Variables Entered/Removeda
Model Variables Entered Variables Method
Removed
Stepwise (Criteria: Probability-of-F-to-enter <= ,050,
1 Selowongko(X10) .
Probability-of-F-to-remove >= ,100).
2 Purwosari(X5) .
3 Wilo(X2) .
4 Prigen(X1) .
5 Tosari(X9) .
a. Dependent Variable: Debit(Y)
Sumber: Hasil Output SPSS, 2017
Berdasar hasil analisis regresi dengan metode stepwise diatas, terdapat lima tahapan
analisis dengan model yang berbeda yaitu:
- Model 1 : Selowongko
- Model 2 : Selowongko, Purwosari
- Model 3 : Selowongko, Purwosari, Wilo
- Model 4 : Selowongko, Purwosari, Wilo, Prigen
- Model 5 : Selowongko, Purwosari, Wilo, Prigen, Tosari
Pada model 1 hanya terdapat 1 pos hujan yang diterima, model ini tidak bisa
dijadikan rekomendasi terpilih karena untuk luasan DAS Welang minimal terdapat 2 pos
hujan. Untuk model 2 terdapat 2 pos hujan yang diterima, namun berdasarkan luasan daerah
pengaruhnya terdapat pos yang melebihi standar WMO, maka model2 tidak dapat dijadikan
sebagai rekomendasi terpilih. Sedangkan untuk model 3, 4 dan 5 untuk luas daerah pengaruh
masing-masing pos hujannya telah memenuhi standar WMO. Namun untuk penjelasan
analisa selanjutnya digunakan model 3 dengan kombinasi 3 pos hujan yaitu Selowongko,
Purwosari, dan Wilo.
82
Berikut adalah pembahasan mengenai masing-masing analisis pada output model

regresi stepwise:
1. Analisis Regresi Linier Berganda
Hasil analisis ini dapat meramalkan nilai variabel dependen (debit) jika variabel
independen dinaikkan atau diturunkan. Peramalan nilai debit didapat dari persamaan yang
terdapat pada tabel Output Coefficient pada kolom Unstandardized Coefficients. Berikut
adalah persamaan yang dihasilkan dari model 3 regresi stepwise:
Y = -45,505 + 0,926X1 + 0,987X2 + 0,267X2
- Nilai konstanta (a) adalah -45,505. Dapat diartikan jika data seluruh pos hujan
nilainya 0, maka debit yang dihasilkan akan turun sebesar 45,505
- Nilai koefisien regresi variabel Pos Hujan Selowongko (b1) bernilai positif yaitu
0,926. Dapat diartikan jika data hujan Pos Hujan Selowongko nilainya 1 dan pos
hujan lainnya tetap, maka debit yang dihasilkan meningkat sebesar 0,926.
- Nilai koefisien regresi variabel Pos Hujan Purwosari (b2) bernilai positif yaitu 0,987.
Dapat diartikan jika data hujan Pos Hujan Purwosari nilainya 1 dan pos hujan lainnya
tetap, maka debit yang dihasilkan meningkat sebesar 0,987.
- Nilai koefisien regresi variabel Pos Hujan Wilo (b3) bernilai positif yaitu 0,267.
Dapat diartikan jika data hujan Pos Hujan Wilo nilainya 1 dan pos hujan lainnya
tetap, maka debit yang dihasilkan meningkat sebesar 0,267.
Berikut adalah output coefficient yang menjelaskan persamaan regresi untuk stepwise
Tabel 4.36. Persamaan regresi pada Output Coefficient
Coefficientsa
Model Unstandardized Standardized t Sig.
Coefficients Coefficients
B Std. Error Beta
(Constant) -16,740 9,076 -1,844 ,102
1
Selowongko(X10) ,940 ,321 ,719 2,926 ,019
(Constant) -29,193 6,177 -4,726 ,002
2 Selowongko(X10) ,778 ,193 ,595 4,026 ,005
Purwosari(X5) ,764 ,190 ,593 4,013 ,005
(Constant) -45,505 7,598 -5,989 ,001
Selowongko(X10) ,926 ,152 ,708 6,105 ,001
3
Purwosari(X5) ,987 ,162 ,767 6,083 ,001
Wilo(X2) ,267 ,100 ,361 2,668 ,037
83
Lanjutan Tabel 4.36.

(Constant) -47,025 4,818 -9,760 ,000
Selowongko(X10) 1,071 ,106 ,819 10,099 ,000
4 Purwosari(X5) 1,222 ,126 ,948 9,676 ,000
Wilo(X2) ,428 ,081 ,579 5,284 ,003
Prigen(X1) -,451 ,142 -,288 -3,173 ,025
(Constant) -43,241 2,657 -16,273 ,000
Selowongko(X10) 1,148 ,058 ,878 19,820 ,000
Purwosari(X5) 1,267 ,066 ,984 19,253 ,000
5
Wilo(X2) ,495 ,045 ,670 10,999 ,000
Prigen(X1) -,603 ,083 -,385 -7,284 ,002
Tosari(X9) -,243 ,063 -,155 -3,874 ,018
2. Uji-F
Uji-F (uji koefisien regresi secara simultan) digunakan untuk mengetahui apakah
secara simultan variabel independen (hujan) berpengaruh secara signifikan atau tidak
terhadap variabel dependen (debit). Langkah-langkah untuk pengujian ini adalah sebagai
berikut:
1. Merumuskan hipotesis
H0 : Pos Hujan Selowongko, Purwosari, dan Wilo secara simultan tidak
berpengaruh terhadap AWLR Dhompo.
Ha : Pos Hujan Selowongko, Purwosari, dan Wilo secara simultan berpengaruh
terhadap AWLR Dhompo.
2. Menentukan Fhitung dan nilai signifikansi
Dari output diperoleh Fhitung sebessar 27,888 dan nilai signifikansi sebesar 0,001.
3. Menentukan Fkritis
Fkritis didapat dari tabel uji-F yang tertera pada lampiran dengan taraf signifikansi
0,05 dan derajat kebebasan dk1 = k-1 = 4-1 = 3 dan dk2 = n-k = 10-4 = 6, maka
diperoleh nilai Fkritis sebesar 4,757.
4. Kriteria pengujian
Fhitung ≤ Fkritis maka H0 diterima.
Fhitung > Fkritis maka H0 ditolak.
Dan berdasarkan signifikansi:
Signifikansi > 0,05 maka H0 diterima.
84
Signifikansi < 0,05 maka H0 ditolak.

5. Kesimpulan
Berdasarkan tabel output dapat diketahui Fhitung (27,888) > Fkritis (4,757) dan
Signifikansi < 0,05 (0,001 < 0,05) maka H0 ditolak. Kesimpulannya adalah Pos Hujan
Selowongko, Purwosari, Wilo, Prigen dan Tosari secara simultan berpengaruh
terhadap AWLR Dhompo.
Hasil uji-F pada model regresi stepwise dapat dilihat pada tabel 4.37.
Tabel 4.37. Nilai Uji-F pada Output ANOVA
ANOVAa
Model Sum of df Mean Square F Sig.
Squares
Regression 95,131 1 95,131 8,564 ,019b
1 Residual 88,862 8 11,108
Total 183,993 9
Regression 157,069 2 78,534 20,418 ,001c
2 Residual 26,924 7 3,846
Total 183,993 9
Regression 171,680 3 57,227 27,888 ,001d
3 Residual 12,312 6 2,052
Total 183,993 9
Regression 179,907 4 44,977 55,045 ,000e
4 Residual 4,085 5 ,817
Total 183,993 9
Regression 183,133 5 36,627 170,385 ,000f
5 Residual ,860 4 ,215
Total 183,993 9
b. Predictors: (Constant), Selowongko(X10)
c. Predictors: (Constant), Selowongko(X10), Purwosari(X5)
d. Predictors: (Constant), Selowongko(X10), Purwosari(X5), Wilo(X2)
e. Predictors: (Constant), Selowongko(X10), Purwosari(X5), Wilo(X2), Prigen(X1)
f. Predictors: (Constant), Selowongko(X10), Purwosari(X5), Wilo(X2), Prigen(X1), Tosari(X9)
3. Uji-t
Uji-t digunakan untuk mengetahui apakah secara parsial variabel independen (hujan)
berpengaruh secara signifikan atau tidak terhadap variabel dependen (debit). Langkah-
langkah untuk pengujian ini adalah sebagai berikut:
85
Pengujian b1 (Pos Hujan Selowongko)

H0 : Pos Hujan Selowongko secara parsial tidak berpengaruh terhadap AWLR
Dhompo.
Ha : Pos Hujan Selowongko secara parsial berpengaruh terhadap AWLR Dhompo.
2. Menentukan thitung dan nilai signifikansi
Dari output diperoleh thitung sebessar 6,105 dan nilai signifikansi sebesar 0,001.
3. Menentukan tkritis
tkritis didapat dari tabel uji-t yang tertera pada lampiran dengan taraf signifikansi
0,05/2= 0,025 (uji dua sisi) dan derajat kebebasan df = n-k-1 = 10-3-1 = 6, maka
didapat tkritis sebesar 2,447.
-tkritis ≤ thitung ≤ tkritis maka H0 diterima.
-thitung < -tkritis atau thitung > tkritis maka H0 ditolak.
5. Kesimpulan
Berdasarkan tabel output dapat diketahui thitung (6,105) > tkritis (2,447) dan
Selowongko secara parsial berpengaruh terhadap AWLR Dhompo.
Pengujian b2 (Pos Hujan Purwosari)
H0 : Pos Hujan Purwosari secara parsial tidak berpengaruh terhadap AWLR Dhompo.
Ha : Pos Hujan Purwosari secara parsial berpengaruh terhadap AWLR Dhompo.
86

5. Kesimpulan
Purwosari secara parsial berpengaruh terhadap AWLR Dhompo.
Pengujian b3 (Pos Hujan Wilo)
H0 : Pos Hujan Wilo secara parsial tidak berpengaruh terhadap AWLR Dhompo.
Ha : Pos Hujan Wilo secara parsial berpengaruh terhadap AWLR Dhompo.
5. Kesimpulan
Wilo secara parsial berpengaruh terhadap AWLR Dhompo.
Hasil uji-t pada model regresi stepwise dapat dilihat pada tabel output coefficients
4.38.
87
Tabel 4.38. Nilai Uji-t pada Output Coefficients

Coefficientsa
Model Unstandardized Standardized t Sig.
Coefficients Coefficients
B Std. Error Beta
1 (Constant) -16,740 9,076 -1,844 ,102
Selowongko(X10) ,940 ,321 ,719 2,926 ,019
2 (Constant) -29,193 6,177 -4,726 ,002
Selowongko(X10) ,778 ,193 ,595 4,026 ,005
Purwosari(X5) ,764 ,190 ,593 4,013 ,005
3 (Constant) -45,505 7,598 -5,989 ,001
Selowongko(X10) ,926 ,152 ,708 6,105 ,001
Purwosari(X5) ,987 ,162 ,767 6,083 ,001
Wilo(X2) ,267 ,100 ,361 2,668 ,037
4 (Constant) -47,025 4,818 -9,760 ,000
Selowongko(X10) 1,071 ,106 ,819 10,099 ,000
Purwosari(X5) 1,222 ,126 ,948 9,676 ,000
Wilo(X2) ,428 ,081 ,579 5,284 ,003
Prigen(X1) -,451 ,142 -,288 -3,173 ,025
5 (Constant) -43,241 2,657 -16,273 ,000
Selowongko(X10) 1,148 ,058 ,878 19,820 ,000
Purwosari(X5) 1,267 ,066 ,984 19,253 ,000
Wilo(X2) ,495 ,045 ,670 10,999 ,000
Prigen(X1) -,603 ,083 -,385 -7,284 ,002
Tosari(X9) -,243 ,063 -,155 -3,874 ,018
4. Analisis Koefisien Korelasi dan Determinasi

Dari output Model Summary dihasilkan beberapa nilai yaitu:
- R adalah korelasiaberganda, yaitu korelasiaantara dua atau lebih variabel independen
terhadap variabel dependen. Dalam model regresi stepwise ini dihasilkan nilai R
sebesar 0,966 yang menunjukkan bahwa korelasi atau hubungan antara pos hujan
yang masuk ke dalam model (variable entered) yaitu Pos Hujan Selowongko,
Purwosari, dan Wilo dengan AWLR Dhompo memiliki hubungan yang sangat kuat.
- R Square adalah koefisien determinasi, yaitu menunjukan nilai prosentase
sumbanganaapengaruh variabel independen secara serentak terhadapavariabel
dependen. Dari tabel didapat nilai RaSquare adalah 0,933. Jadi prosentase
sumbanganapengaruh dari variabel pos hujan Selowongko, Purwosari, dan Wilo
88
terhadap AWLR Dhompo yaitu sebesar 93,3%, sedangkan sisanya dipengaruhi oleh
variabel lain yang tidak dimasukkan dalam model ini.
Nilai koefisien korelasi dan determinasi pada model regresi stepwise dapat dilihat
pada tabel output model summary 4.39.
Tabel 4.39. NilaiaKoefisien Korelasiadan Determinasi pada Output ModelaSummary
Model Summaryf
Model R R Square Adjusted R Std. Error of Durbin-Watson
Square the Estimate
1 ,719a ,517 ,457 3,33283 1,613
2 ,924b ,854 ,812 1,96119 1,773
3 ,966c ,933 ,900 1,43249 1,471
4 ,989d ,978 ,960 ,90393 0,964
5 ,998e ,995 ,989 ,46364 2,217
5. Uji Asumsi Klasik
Setelah mendapat model terbaik, akan dilakukan uji asumsiaklasik sebagai berikut:
a. Uji NormalitasaResidual
Uji normalitasaresidual digunakan untuk menguji apakah nilaiaresidual yang
dihasilkan dari regresi terdistribusi secara normal atau tidak. Metodeayang digunakan pada
studi ini adalah metodeagrafik, yaitu dengan melihat penyebaran data pada sumber diagonal
pada grafik NormalaP-P Plot of regressionastandardized. Jika titik-titikamenyebar sekitar
garis dan mengikuti garisadiagonal, maka nilaiaresidual dapat dikatakan normal. Hasil uji
normalitas residual pada model 3 regresi stepwise dapat dilihat dalam gambar 4.12 berikut:
Gambar 4.12. Hasil Uji Normalitas Residual Metode Stepwise

Sumber: Hasil output SPSS, 2017
89
Dari gambar grafik di atas dapat dilihat bahwa titik-titik menyebar disekitar garis dan
mengikuti garis diagonal, maka nilai residual dari model 3 regresi stepwise dapat dikatakan
terdisrtribusi dengan normal.
b. UjiaMultikolinearitas
Multikolinearitas yaitu antar variabelaindependen memiliki hubungan linier yang
sempurna atau mendekati sempurna. Berikut dilakukan uji ini dengan melihat nilaiaVIF dan
Tolerance pada output regresi. Apabilaanilai VIF kurang dari 10 danaTolerance lebih dari
0,1 maka dapat disimpulkan bahwa tidakaaterjadi multikolinearitas. aHasil uji
multikolinearitas dapat dilihat pada model regresi stepwise dalam tabel 4.40 sebagai berikut:
Tabel 4.40. Hasil Uji Multikolinearitas Metode Stepwise
Coefficientsa
Model Collinearity Statistics
Tolerance VIF
(Constant)
1
Selowongko(X10) 1,000 1,000
(Constant)
2 Selowongko(X10) ,956 1,046
Purwosari(X5) ,956 1,046
(Constant)
Selowongko(X10) ,829 1,207
3
Wilo(X2) ,609 1,642
(Constant)
4 Purwosari(X5) ,462 2,163
Wilo(X2) ,370 2,705
Prigen(X1) ,540 1,852
(Constant)
5
Wilo(X2) ,315 3,174
Prigen(X1) ,418 2,390
Tosari(X9) ,730 1,370
Pada output diatas dapat diketahui bahwa untuk model 3 regresi stepwise memiliki
nilaiaTolerance lebih daria0,1 danaVIF kurang daria10. Maka dapat dikatakan bahwa model
regresi ini tidak terdapat multikolinearitas antar variabel bebasnya.
90
c. UjiaAutokorelasi
Autkorelasi merupakan korelasiaantara anggota observasiayang disusun menurut
waktu atau tempat. Metode pengujian menggunakan ujiaDurbin-Watson. Untuk mendeteksi
apakah ada autokorelasi atau tidak maka meggunakan kriteria berikut:
- JikaaDW < DL atau DW > 4-DLaberarti terdapat autokorelasi.
- JikaaDU < DW < 4-DU berarti tidak adaaautokorelasi
- JikaaDL < DW < DU atau 4-DU < DW < 4-DLamaka tidak menghasilkan
kesimpulan yang pasti.
Nilai DL dan DU diperoleh dari tabel statistik Durbin-Watson dengan melihat nilai
n = 10 (n adalah jumlah sampel) dan k = 3 (k adalahajumlah variabel independen) yaitu DL
= 0,5253 dan nilai DU = 2,0163. Pada tabel output Model Summary, nilai DW yang diperoleh
dari model 3 yaitu 2,217 maka DL < DW < DU (0,5253 < 1,471 < 2,0163) maka model
regresi ini untuk kombinasi 3 pos hujan tidakamenghasilkan kesimpulanayang pasti.
Hasil uji autokorelasi dengan durbin-watson pada model regresi stepwise dapat
Tabel 4.41. Hasil Uji Autokorelasi (Durbin-Watson) pada Metode Stepwise
Model Summaryf
Model R R Square Adjusted R Std. Error of Durbin-Watson
Square the Estimate
1 ,719a ,517 ,457 3,33283 1,613
2 ,924b ,854 ,812 1,96119 1,773
3 ,966c ,933 ,900 1,43249 1,471
4 ,989d ,978 ,960 ,90393 0,964
5 ,998e ,995 ,989 ,46364 2,217
a. Predictors: (Constant), Selowongko(X10)
b. Predictors: (Constant), Selowongko(X10), Purwosari(X5)
c. Predictors: (Constant), Selowongko(X10), Purwosari(X5), Wilo(X2)
d. Predictors: (Constant), Selowongko(X10), Purwosari(X5), Wilo(X2), Prigen(X1)
e. Predictors: (Constant), Selowongko(X10), Purwosari(X5), Wilo(X2), Prigen(X1), Tosari(X9)
f. Dependent Variable: Debit(Y)
Apabila pada ujiadurbin-watson tidakamenghasilkan kesimpulan yang pasti, maka
perlu dilakukan pengujian lebih lanjut dengan uji run test. Run test merupakan pengujian
untuk melihat apakah terdapat korelasi antar residualnya. Apabila pada hasil pengujian
menunjukkan Asymp. Sig (2-tailed) lebih dari 0,05amaka dapat disimpulkanatidak terdapat
autokorelasi. Hasilauji autokorelasi denganarunatest pada model 3 regresi stepwise dapat
91
Tabel 4.42. Hasil Uji Autokorelasi (Run Test) pada Metode Stepwise
Runs Test
Unstandardized
Residual
Test Valuea -,13356
Cases < Test Value 5
Cases >= Test Value 5
Total Cases 10
Number of Runs 6
Z ,000
Asymp. Sig. (2-tailed) 1,000
a. Median
Dari tabel diatas, dapat dilhat nilai signifikansi dari Asymp. Sig (2-tailed) sebesar
1,000. Karena lebih besar dari 0,05 maka dapat dikatakan bahwa model regresi dari
kombinasi 3 pos hujan tidak terjadi autokorelasi.
d. Uji Heteroskedastisitas
Heteroskedastisitasaadalah varian residual yangatidak sama pada semua pengamatan
di dalam model regresi. Regresiayang baik adalah yang tidak terjadiaheteroskedastisitas.
Pengujian ini menggunakan metode grafik. Jika pada grafik membentukapola tertentuayang
terartur (bergelombang, amelebar kemudianamenyempit) maka terjadiaheteroskedastisitas.
Hasil uji heteroskedastisitas pada model 3 regresi stepwise dapat dilihat dalam gambar 4.13
sebagai berikut:
Gambar 4.13. Hasil Uji Heteroskedastisitas Metode Stepwise

92
Dari grafikadapat diketahui bahwa titik-titikatidak membentuk pola yang jelas, dan
titik-titikamenyebar diaatas dan dibawah angka 0 pada sumbuaY. Maka dapat disimpulkan
pada model regresi stepwise untuk kombinasi 3 pos hujan tidak terjadi heteroskedastisitas.
Rekapitulasi pengujian asumsi klasik pada seluruh model regresi stepwise dapat
Tabel 4.43. Rekapitulasi Pengujian Asumsi Klasik Metode Stepwise
Pengujian Asumsi Klasik
Model Normalitas
Multikolinearitas Autokorelasi Heteroskedastisitas
Residual
1 √ √ √ √
2 √ √ √ √
3 √ √ √ √
4 √ √ √ √
5 √ √ √ √
Dari rekapitulasi hasil pengujian asumsi klasik pada model regresi stepwise
menunjukkan bahwa seluruh model telah memenuhi semua persyaratan. Maka pada seluruh
model atau kombinasi pos hujan dengan regresi stepwise ini nilai residualnya terdistribusi
normal, atidak terdapat multikolinearitas, atidak terjadi autokorelasiaadanatidak ada
heteroskedastisitas.
Setelah dilakukan pengujian asumsi klasik, langkah selanjutnya adalah analisa
kerapatan jaringan pos hujan berdasarkan standar WMO. Analisa ini ditujukan untuk melihat
apakah kombinasi dari regresi stepwise pada masing-masing pos hujannya telah memenuhi
standar WMO atau tidak. Berdasarkan standar WMO, untuk luasan DAS Welang 470,68
km2 minimal terdapat 2 pos hujan. Maka untuk model 1 dari regresi stepwise tidak akan
dimasukkan dalam analisa luas daerah pengaruh. Perhitungan luas daerah pengaruh pada
masing-masing pos hujan berdasarkan model regresi stepwise kombinasi 2 pos hujan dapat
dilihat pada tabel 4.44, kombinasi 3 pos hujan dapat dilihat pada tabel 4.45, kombinasi 4 pos
hujan dapat dilihat pada tabel 4.46, dan kombinasi 5 pos hujan dapat dilihat pada tabel 4.47.
Tabel 4.44. Luas Daerah Pengaruh (Kombinasi Stepwise 2)
Luas Daerah Prosentase
No. Pos Hujan 2
Pengaruh (km ) (%)
1 Selowongko 204,454 43,422
2 Purwosari 266,399 56,578
93
Tabel 4.45. Luas Daerah Pengaruh (kombiniasi stepwise 3)

No. Pos Hujan 2
Pengaruh (km ) (%)
1 Selowongko 199,403 42,349
2 Purwosari 207,941 44,163
3 Wilo 63,509 13,488
Tabel 4.46. Luas Daerah Pengaruh (kombinasi stepwise 4)
No Pos Hujan
Pengaruh (km2) (%)
1 Selowongko 199,490 42,368
2 Purwosari 193,398 41,074
3 Wilo 36,097 7,666
4 Prigen 41,869 8,892
Tabel 4.47. Luas Daerah Pengaruh (kombinasi stepwise 5)

No Pos Hujan
Pengaruh (km2) (%)
1 Selowongko 137,945 29,297
2 Purwosari 193,398 41,074
3 Wilo 36,097 7,666
4 Prigen 41,869 8,892
5 Tosari 61,545 13,071
Berdasarkan tabel diatas, masing-masing pos hujan dari kombinasi 2 pos hujan tidak
memenuhi persyaratan standar luasan WMO karena terdapat pos hujan Purwosari yang
memiliki luasan sebesar 266,399 km2. Pada kombinasi 3 pos hujan, 4 pos hujan dan 5 pos
hujan telah memenuhi persyaratan standar WMO untuk kondisi normal yaitu masing-masing
pos hujan memiliki luasan 100-250 km2. Namun, dilihat dari kebutuhan dari DAS Welang
ini yaitu minimal terdapat 2 pos hujan, kombinasi 3 pos hujan sudah bisa mewakili daerah
dengan luasan sesuai standar WMO. Maka dari itu, kombinasi model 3 regresi stepwise ini
dapat dijadikan sebagai rekomendasi untuk pos hujan terpilih. Gambar poligon thiessen
untuk kombinasi stepwise 2 dapat dilihat pada gambar 4.14, kombinasi stepwise 3 dapat
dilihat pada gambar 4.15, untuk kombinasi stepwise 4 dapat dilihat pada gambar 4.16, dan
untuk kombinasi stepwise 5 dapat dilihat pada gambar 4.17.
94
Gambar 4.14. Poligon Thiessen Kombinasi Stepwise 2

95

96

97

98
4.5.3. Metode Stepwise-Enter

Metode stepwise-enter adalah langkah lain untuk mencari korelasi yang bagus antara
pos hujan dengan pos duga air (AWLR) yaitu dengan memasukkan satu persatu variabel
independen yang memiliki korelasi sederhana (single correlation) dari yang tertinggi sampai
ke rendah. Perbedaannya dengan metode stepwise biasa yaitu pada metode stepwise-enter
tidak diperlukan persyaratan untuk memenuhi uji-f dan uji-t seperti metode stepwise. Pada
metode stepwise-enter ini hanya melihat hasil koefisien korelasinya (R) saja. Berikut adalah
langkah-langkah regresi stepwise-enter menggunakan aplikasi IBM SPSS 21:
1. Menetukan variabel dependen dan independen pada tab Variable View (seperti
langkah pada metode stepwise)
2. Memasukkan data debit dan data hujan pada tab Data View (seperti langkah pada
metode stepwise)
3. Klik Analyze→Regression→Linear. Setelah itu akan muncul kotak dialog Linear
Regression.
4. Mencari korelasi sederhana (single correlation) antara masing-masing pos hujan
terhadap pos duga air dengan memasukkan variabel Debit(Y) pada kotak Dependent
dan Prigen(X1) pada kotak Independent. Pada Method, pilih Enter. Lakukan
pengulangan langkah ini dengan memasukkan satu persatu pos hujan. Tampilan
Dialog box Linear Regression untuk korelasi sederhana dapat dilihat pada gambar
4.18.
Gambar 4.18. Dialog box Linear Regression

99
5. Mencari korelasi berganda (multiple correlation) dengan memasukkan variabel

Debit(Y) pada kotak Dependent dan variabel PosHujan(X) yang memiliki korelasi
tertinggi sampai yang rendah pada kotak Independent. Pada Method, pilih Enter.
6. Menentukan nilai korelasi berganda (multiple correlation) yang tertinggi untuk
kombinasi pos hujan.
Berikut adalah nilai korelasi sederhana antara masing-masing pos hujan terhadap
AWLR Dhompo dapat dilihat pada tabel 4.48.
Tabel 4.48. Nilai Korelasi Sederhana antara Pos Hujan terhadap AWLR Dhompo
Single Correlation
No Variabel Bebas Koefisien Tingkat Kontribusi
Pos Hujan Korelasi Hubungan %
1 Prigen (X1) 0,310 Rendah 9,600
2 Wilo (X2) -0,350 Sangat Rendah 12,200
3 Telebuk (X3) -0,144 Sangat Rendah 2,100
4 Pager (X4) 0,192 Sangat Rendah 3,700
5 Purwosari (X5) 0,718 Kuat 51,500
6 Purwodadi (X6) 0,670 Kuat 44,900
7 Lawang (X7) 0,630 Kuat 39,700
8 Tutur (X8) 0,678 Kuat 45,900
9 Tosari (X9) -0,076 Sangat Rendah 0,600
10 Selowongko (X10) 0,719 Kuat 51,700
11 Wonorejo (X11) 0,266 Rendah 7,100
12 Ngempit (X12) -0,005 Sangat Rendah 0,000
Berdasarkan hasil analisa diatas, korelasi sederhana (single correlation) antara pos
hujan dan AWLR Dhompo yang tertinggi adalah Pos Hujan Selowongko dengan nilai
korelasi sebesar 0,719. Dari nilai korelasi tersebut dapat dikatakan bahwa Pos Hujan
Selowongko memiliki hubungan yang sangat kuat dengan AWLR Dhompo.
Untuk selanjutnya, pada korelasi berganda (multiple correlation) variabel
independen dimasukkan satu persatu dari pos hujan yang memiliki korelasi sederhana
tertinggi sampai ke rendah. Dalam konteks ini, yang dijadikan dasaran untuk memilih regresi
terbaik adalah kombinasi pos hujan yang memiliki korelasi sederhana atau korelasi
parsialnya yang kuat yaitu lebih besar dari 0,6. Hasil kombinasi dari korelasi berganda antara
pos hujan dengan AWLR Dhompo dengan menggunakan metode stepwise-enter dapat
dilihat pada tabel 4.49.
100
Tabel 4.49. Nilai Korelasi Berganda antara Pos Hujan terhadap AWLR Dhompo dengan
Metode Stepwise-Enter
Multiple Correlation
No. Variabel Bebas Koefisien Tingkat Kontribusi
Pos Hujan Korelasi Hubungan %
1 X10 0,719 Sangat Kuat 51,700
2 X10, X5 0,924 Sangat Kuat 85,400
3 X10, X5, X8 0,926 Sangat Kuat 85,700
4 X10, X5, X8, X6 0,944 Sangat Kuat 89,100
5 X10, X5, X8, X6, X7 0,985 Sangat Kuat 97,000
6 X10, X5, X8, X6, X7, X1 0,993 Sangat Kuat 98,600
7 X10, X5, X8, X6, X7, X1, X11 0,994 Sangat Kuat 98,800
8 X10, X5, X8, X6, X7, X1, X11, X4 1,000 Sangat Kuat 100,000
9 X10, X5, X8, X6, X7, X1, X11, X4, X12 1,000 Sangat Kuat 100,000
10 X10, X5, X8, X6, X7, X1, X11, X4, X12, X9 1,000 Sangat Kuat 100,000
11 X10, X5, X8, X6, X7, X1, X11, X4, X12, X9, X3 1,000 Sangat Kuat 100,000
12 X10, X5, X8, X6, X7, X1, X11, X4, X12, X9, X3, X2 1,000 Sangat Kuat 100,000
Keterangan:
X1 : Prigen
X2 : Wilo
X3 : Telebuk
X4 : Pager
X5 : Purwosari
X6 : Purwodadi
X7 : Lawang
X8 : Tutur
X9 : Tosari
X10 : Selowongko
X11 : Wonorejo
X12 : Ngempit
101
Dari tabel 4.49 diatas menunjukkan bahwa seluruh kombinasi korelasi berganda
mendapatkan nilai korelasi yang kuat. Pemilihan model regresi terbaik didasarkan pada pos
hujan yang memiliki korelasi parsial lebih besar dari 0,6. Maka kombinasi yang merupakan
regresi terbaik adalah kombinasi dari 5 pos hujan yaitu Selowongko, Purwosari, Tutur,
Purwodadi, dan Lawang. Selanjutnya dari model regresi tersebut akan dilakukan pengujian
asumsi klasik dan analisa luas daerah pengaruh berdasarkan standar WMO untuk
mendukung hasil dari regresi. Berikut adalah pengujian asumsi klasik untuk model regresi
terbaik dari metode stepwise-enter:
a. UjiaNormalitas Residual
Uji normalitasaresidual digunakan untuk mengujiaaapakah nilai residual yang
dihasilkanadari regresi terdistribusi secara normal atau tidak. aMetode yang digunakan pada
studi ini adalah metode grafik, yaitu dengan melihatapenyebaran data pada sumberadiagonal
pada grafikaNormal P-P Plot of regressionastandardized. Jika titik-titikamenyebar sekitar
garis dan mengikuti garisadiagonal, maka nilaiaresidual dapat dikatakan normal. aHasil uji
normalitas residual pada model regresi stepwise-enter dapat dilihat dalam gambar 4.19
berikut:
Gambar 4.19. Hasil Uji Normalitas Residual Metode Stepwise-Enter

Dari gambaragrafik di atas dapat dilihat bahwa titik-titikamenyebar disekitar garis
dan mengikuti garisadiagonal, maka nilai residual dari model regresi stepwise-enter ini dapat
dikatakan terdisrtribusi dengan normal.
102
b. UjiaMultikolinearitas
Multikolinearitas yaitu antaravariabel independen memiliki hubungan linier yang
sempurna atau mendekati sempurna. Pengujian ini dilakukanadengan melihat nilai VIF dan
Tolerance pada output regresi. Apabila nilai VIFakurang dari 10 dan Tolerance lebihadari
0,1 maka dapat disimpulkan bahwa tidak terjadi multikolinearitas. Hasil uji multikolinearitas
untuk model regresi stepwise-enter dapat dilihat dalam tabel 4.50 sebagai berikut:
Tabel 4.50. Hasil Uji Multikolinearitas Metode Stepwise-Enter
Coefficientsa
Model Collinearity Statistics
Tolerance VIF
(Constant)
1
Tutur(X8) ,344 2,908
Purwodadi(X6) ,309 3,238
Lawang(X7) ,270 3,700
Pada tabel tersebut dapat diketahui bahwa seluruh variabel independen atau masing-
masing pos hujan memenuhi uji multikolinearitas ditunjukkan dari nilai Tolerance lebih
besar dari 0,1 dan VIF kurang dari 10. Maka dapat dikatakan bahwa antar variabel
independen dalam model regresi stepwise-enter ini tidak terdapat multikolinearitas
b. UjiaAutokorelasi
Autkorelasi merupakan korelasiaantara anggota observasiayang disusun menurut
waktu atau tempat. aMetode pengujian menggunakan uji Durbin-Watson. Untuk mendeteksi
apakah ada autokorelasi atau tidak maka meggunakan kriteria berikut:
- Jika DW < DL atau DW > 4-DLaberarti terdapat autokorelasi.
- JikaaDUa< DW < 4-DU berarti tidak adaaautokorelasi
- JikaaDL < DW < DU atau 4-DU < DW < 4-DL makatidak menghasilkan kesimpulan
yang pasti.
Nilai DL dan DU diperoleh dari tabel statistik Durbin-Watson dengan melihat nilai
n=10 (n adalah jumlah sampel) dan k=8 (k adalahajumlah variabel independen) yaitu DL =
0,2427 dan nilai DU = 2,8217. Pada tabel output Model Summary, nilai DW yang diperoleh
adalah 2,054 maka DL < DW < DU (0,2427 < 2,054 < 2,8217) maka dalam model regresi
stepwise-enter ini untuk kombinasi 5 pos hujan pada uji autokorelasinya tidak menghasilkan
103
kesimpulan yang pasti. Hasil uji autokorelasi pada model regresi stepwise-enter dapat dilihat
pada tabel 4.51 sebagai berikut:
Tabel 4.51. Uji Autokorelasi (Durbin-Watson) Metode Stepwise-Enter
Model Summaryb
Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson
1 ,985a ,971 ,935 1,15714 2,054
a. Predictors: (Constant), Pager(X4), Lawang(X7), Wonorejo(X11), Prigen(X1),
Selowongko(X10), Purwosari(X5), Purwodadi(X6), Tutur(X8)
b. Dependent Variable: Debit(Y)
Apabila pada ujiadurbin-watson tidak menghasilkanakesimpulan yang pasti, maka
perlu dilakukan pengujian lebih lanjut dengan uji run test. Run test merupakan pengujian
untuk melihat apakah terdapat korelasi antar residualnya. Apabila pada hasil pengujian
menunjukkan Asymp. Sig (2-tailed) lebih daria0,05 maka dapat disimpulkanatidak terdapat
autokorelasi. Hasil auji autokorelasi denganarun test pada model regresi stepwise-enter
dapat dilihat pada tabel 4.52 sebagai berikut:
Tabel 4.52. Hasil Uji Autokorelasi (Run Test) pada Metode Stepwise-Enter
Runs Test
Unstandardized
Residual
a
Test Value ,00434
Cases < Test Value 5
Cases >= Test Value 5
Total Cases 10
Number of Runs 6
Z ,000
Asymp. Sig. (2-tailed) 1,000
a. Median
Dari tabel diatas, dapat dilhat nilai signifikansi dari Asymp. Sig (2-tailed) sebesar
1,000. Karena lebih besar dari 0,05amaka dapat dikatakan bahwa model regresi stepwise-
enter untuk kombinasi 5 pos hujan tidak terjadi autokorelasi.
c. UjiaHeteroskedastisitas
Heteroskedastisitas adalah varianaresidual yang tidak sama pada semua pengamatan
di dalam model regresi. Pengujian ini menggunakan metode grafik. Jika pada grafik
membentuk pola tertentu yang terartur (bergelombang, amelebar kemudianamenyempit)
104
maka terjadiaheteroskedastisitas. Hasil uji heteroskedastisitas pada model regresi stepwise-

enter dapat dilihat dalam gambar 4.20 sebagai berikut:
Gambar 4.20. Hasil Uji Heteroskedastisitas Metode Stepwise-Enter

Dari grafikadapat diketahui bahwa titik-titik tidak membentuk pola yang jelas, dan
titik-titik menyebar di atas dan dibawah angka 0 pada sumbu Y. Maka dapat disimpulkan
pada model regresi stepwise-enter untuk kombinasi 5 pos hujan tidak terjadi
heteroskedastisitas. Untuk rekapitulasi pengujian asumsi klasik pada regresi stepwise-enter
dapat dilihat pada tabel 4.53 sebagai berikut:
Tabel 4.53. Rekapitulasi Pengujian Asumsi Klasik Metode Stepwise-Enter
Pengujian Asumsi Klasik
Metode Normalitas
Multikolinearitas Autokorelasi Heteroskedastisitas
Residual
Stepwise-Enter √ √ √ √
Dari rekapitulasi hasil pengujian asumsi klasik pada model regresi stepwise-enter
menunjukkan bahwa telah memenuhi semua persyaratan kecuali untuk uji multikolinearitas.
Setelah dilakukan pengujian asumsi klasik, langkah selanjutnya adalah analisa
kerapatan jaringan pos hujan berdasarkan standar WMO pada hasil model regresi terbaik
dari stepwise-enter. Hal ini dilakukan untuk melihat apakah luasan dari kombinasi hasil
regresi metode ini telah memenuhi standar WMO atau tidak. Berdasarkan hasil regresi
105
stepwise-enter, diperoleh model terbaik yaitu kombinasi dari 5 pos hujan. Perhitungan luas
daerah pengaruh pada masing-masing pos hujan berdasarkan model regresi stepwise-enter
Tabel 4.54. Luas Daerah Pengaruh (Kombinasi Stepwise-Enter)
Luas Daerah
No. Pos Hujan Prosentase (%)
Pengaruh (km2)
1 Selowongko 121,665 25,839
2 Purwosari 96,617 20,520
3 Tutur 86,283 18,325
4 Purwodadi 50,286 10,680
5 Lawang 116,004 24,637
Berdasarkan analisa luas daerah pengaruh dapat dijelaskan bahwa kombinasi
stepwise-enter ini telah memenuhi persyaratan standar WMO untuk kondisi normal yaitu
masing-masing pos hujannya mewakili dibawah 250 km2. Gambar poligon thiessen untuk
kombinasi stepwise-enter dapat dilihat pada gambar 4.21. Dapat dilihat pada peta poligon
thiessen, terdapat beberapa pos hujan yang hanya mewakili daerahnya sendiri. Jika ditinjau
dari letaknya, pos hujan yang terpilih pada metode ini masih terlalu rapat dan jarak antar
posnya berdekatan. Selain itu, pada pos hujan yang terpilih terdapat satu pos hujan yang
tertolak pada pengujian homogenitasnya yaitu Pos Lawang untuk pengujian ketiadaan trend.
Dengan kata lain, data hujan pada Pos Lawang memiliki trend atau kecendurungan pada satu
arah. Maka kombinasi hasil regresi metode stepwise-enter tidak dapat dijadikan sebagai
rekomendasi terpilih.
106
Gambar 4.21. Poligon Thiessen Kombinasi Stepwise-Enter

107
4.6. Pembahasan
Evaluasi dan rasionalisasi pada pos hujan pos duga air dalam studi bertujuan untuk
memperoleh pos hujan yang dapat mewakili kondisi hidrologi pada daerahnya dengan
melihat hubungan dengan pos duga airnya. Evaluasi merupakan proses penilaian terhadap
sesuatu dengan menggunakan tolak ukur yang ditetapkan. Evaluasi dari studi ini
menggunakan standar WMO sebagai tolak ukurnya dengan menggunakan metode Poligon
Thiessen. Dari hasil evaluasi diperoleh 12 pos hujan dan 1 pos duga air di DAS Welang yang
telah memenuhi standar minimal untuk kondisi normal pada daerah pegunungan tropis
meditarian dan sedang. Masing-masing pos hujan memiliki memiliki luasan dibawah 100
km2 yaitu Pos Hujan Prigen (29,535 km2), Wilo (5,142 km2), Telebuk (27,036 km2), Pager
(57,537 km2), Purwosari (19,644 km2), Purwodadi (45,999 km2), Lawang (90,745 km2),
Tutur (63,401 km2), Tosari (22,882 km2), Selowongko (55,891 km2), Wonorejo (37,196
km2), dan Ngempit (15,845 km2). Sedangkan untuk pos duga air memiliki luas daerah
pengaruhnya yaitu sebesar 470,86 km2. Karena jumlah pos hujan yang banyak dan terlalu
rapat jika dilihat berdasarkan standar WMO, maka perlu dilakukan rasionalisasi lebih lanjut
untuk mendapatkan jumlah pos hujan yang optimal.
Setelah dilakukan evaluasi berdasarkan standar WMO, kemudian dilakukan
rasionalisasi dengan menggunakan metode stepwise dan stepwise-enter. Rasionalisasi
merupakan sebuah proses untuk menjadikan rasional. Dalam studi ini, rasionalisasi
bertujuan untuk memperoleh pos hujanyang memiliki korelasi yang kuat dengan pos duga
airnya. Data yang digunakan dalam analisis ini adalah data hujan sebagai variabel
independen dan data debit sebagai variabel dependen. Terdapat 4 varian data pengujian
statistika yang digunakan dalam analisis ini. Berikut adalah rekapitulasi analisis regresi
metode stepwise dan metode stepwise-enter untuk seluruh varian data dapat dilihat pada
tabel 4.55 dan 4.56 sebagai berikut:
Tabel 4.55. Rekapitulasi Hasil Analisis Regresi Metode Stepwise untuk Seluruh Varian Data
Jenis Varian Data Pos Hujan yang Terpilih Koefisien Korelasi
Kumulatif Tahunan Purwosari, Pager 0,933
Kumulatif Bulanan - -
Rerata Tahunan Selowongko, Purwosari, Wilo 0,966
Rerata Bulanan Selowongko 0,261
108
Tabel 4.56. Rekapitulasi Hasil Analisis Regresi Metode Stepwise-Enter Seluruh Varian Data
Jenis Varian Data Pos Hujan yang Terpilih Koefisien Korelasi
Purwosari, Lawang, Pager,
Kumulatif Tahunan 0,941
Purwodadi
Kumulatif Bulanan - <0,2
Selowongko, Purwosari, Tutur,
Rerata Tahunan 0,985
Purwodadi, Lawang
Rerata Bulanan - <0,3
Dari tabel rekapitulasi metode stepwise dapat diketahui bahwa data kumulatif
tahunan menghasilkan 2 kombinasi pos hujan dengan nilai korelasi sebesar 0,933. Namun
dari 2 kombinasi tersebut tidak memenuhi standar WMO karena terdapat pos hujan yang
luas daerah pengaruhnya sebesar 268 km2. Pada pengujian statistika, 2 pos hujan tersebut
tidak ada yang tertolak. Untuk data rerata tahunan, menghasilkan 3 kombinasi pos hujan
dengan korelasi sebesar 0,966 dan berdasarkan luas daerah pengaruhnya sudah memenuhi
standar WMO. Dilihat dari hasil pengujian statistika tidak terdapat pos hujan yang tertolak.
Sedangkan untuk data kumulatif bulanan tidak ada satu pun pos hujan yang masuk, dan pada
data rerata bulanan hanya mengdapatkan 1 pos hujan dan korelasinya sangat rendah. Pada
pengujian statistika data bulanan juga banyak yang tertolak. Hal ini disebabkan karena data
bulanan fluktuasinya sangat tinggi. Oleh karenanya, varian data terbaik yang digunakan
sebagai variabel independen untuk inputan analisa regresi stepwise adalah data rerata
tahunan.
Pada tabel rekapitulasi metode stepwise-enter dapat dilihat data kumulatif tahunan
menghasilkan 4 kombinasi pos hujan dengan korelasi sebesar 0,941. Namun dari 4
kombinasi pos hujan tersebut tidak memenuhi pengujian asumsi klasik yaitu untuk uji
multikolinearitas dan uji autokorelasi. Untuk pengujian statistikanya pada 4 pos hujan
tersebut tidak ada yang tertolak. Sedangkan data rerata tahunan, menghasilkan 5 kombinasi
pos hujan dengan korelasi sebesar 0,985 dan berdasarkan luas daerah pengaruhnya telah
memenuhi standar WMO. Apabila dilihat kesesuaiannya dengan pengujian statistika
terdapat pos hujan yang tertolak yaitu Pos Hujan Lawang untuk uji ketiadaan trend.
Sedangkan untuk data kumulatif bulanan dan rerata bulanan, tidak ada pos hujan yang erpilih
karena korelasi parsial (single correlation) masing-masing pos hujannya dikategorikan
sangat rendah. Sama seperti yang telah dijelaskan pada paragraf sebelumnya, hal ini
disebabkan karena data bulanan fluktuasinya sangat tinggi sehingga menyebabkan uji
109
homogenitas pada masing-masing pos hujan tidak diperoleh hasil yang bagus. Oleh
karenanya, varian data terbaik yang digunakan sebagai variabel independen untuk inputan
analisa regresi stepwise-enter adalah data rerata tahunan.
Hasil dari regresi dengan metode stepwise, diperoleh 5 model regresi yaitu kombinasi
1 pos hujan, 2 pos hujan, 3 pos hujan, 4 pos hujan, dan 5 pos hujan. Kombinasi 1 pos hujan
yaitu Selowongko dengan nilai korelasi sebesar 0,719. Kombinasi 2 pos hujan yaitu
Selowongko dan Purwosari dengan nilai korelasi sebesar 0,924. Kombinasi 3 pos hujan yaitu
Selowongko, Purwosari, dan Wilo dengan nilai korelasi sebesar 0,966. Kombinasi 4 pos
hujan yaitu Selowongko, Purwosari, Wilo, dan Prigen dengan nilai korelasi sebesar 0,989.
Kombinasi 5 pos hujan yaitu Selowongko, Purwosari, Wilo, Prigen dan Tosari dengan nilai
korelasi sebesar 0,998. Korelasi hasil regresi stepwise tersebut menunjukkan nilai lebih besar
dari 0,6, maka dapat dikatakan seluruh kombinasi pos hujan ini memiliki hubungan yang
sangat kuat dengan pos duga air. Pada metode stepwise diperlukan pengujian pengaruh
secara parsial dan serentak. Untuk hasil uji-F dan uji-t pada seluruh model regresi ini telah
memenuhi persyaratan, dapat dikatakan seluruh kombinasi pos hujan sudah signifikan atau
memiliki pengaruh terhadap AWLR Dhompo secara serentak maupun parsial. Kemudian
dilanjutkan dengan uji asumsi klasik untuk kombinasi seluruh pos hujan sudah memenuhi
persyaratannya untuk semua ujinya yaitu uji normalitas residual, autokorelasi,
multikolinearitas, dan heteroskedastisitas.
Dengan langkah yang sama, untuk regresi dengan metode stepwise-enter diperoleh
model regresi terbaik yaitu kombinasi dari 5 pos hujan diantaranya Pos Hujan Selowongko,
Purwosari, Tutur, Purwodadi, dan Lawang dengan nilai korelasi sebesar 0,985. Dari korelasi
tersebut dapat dikatakan kombinasi dari 5 pos hujan ini memiliki hubungan yang kuat
dengan pos duga airnya. Pada regersi metode stepwise-enter tidak diperlukan persyaratan
untuk memenuhi pengujian pengaruh secara parsial dan serentak. Selanjutnya pada
pengujian asumsi klasik untuk kombinasi stepwise-enter ini, telah memenuhi persyaratannya
untuk seluruh pengujiannya.
Setelah dilakukan analisa kerapatan dengan metode stepwise dan stepwise-enter,
selajutnya dilihat luas pengaruh masing-masing pos hujan dari hasil regresi terbaik apakah
sesuai dengan standar WMO atau tidak. Untuk luasan DAS Welang berdasarkan syarat
WMO minimal terdapat 2 pos hujan. Pada metode stepwise, kombinasi 1 pos hujan dan 2
pos hujan memiliki luas daerah pengaruh yang tidak sesuai dengan standar WMO. Maka
kombinasi dari 3 pos hujan sudah bisa mewakili daerah untuk DAS Welang. Sedangkan
untuk hasil analisa luas daerah pengaruhnya, kombinasi 3 pos hujan telah memenuhi standar
110
minimal untuk kondisi normal berdasarkan WMO yaitu 100-250 km2. Untuk kombinasi 3
pos hujan tersebut, Pos Hujan Selowongko memiliki luas daerah pengaruh 199,403 km2,
Purwosari 207,941 km2, dan Wilo 63,509 km2. Untuk pengujian statistika pada 3 pos hujan
ini tidak terdapat permasalahan atau tidak ada yang tertolak pada pengujian hipotesisnya.
Maka kombinasi 3 pos hujan ini dapat dijadikan sebagai rekomendasi pos hujan terpilih.
Pada gambar 4.15 dapat dilihat untuk Purwosari mewakili daerah Purwodadi, Lawang, dan
Pager. Selowongko mewakili darah Ngempit, Wonorejo, Tutur dan Tosari. Sedangkan Wilo
mewakili daerah Telebuk dan Prigen.
Untuk hasil regresi dengan metode stepwise-enter, luas daerah pengaruh masing-
masing pos hujannya memenuhi standar WMO untuk luasan DAS Welang yaitu Pos Hujan
Selowongko 67,753 km2, Purwosari 67,753 km2, Tutur 104,424 km2, Purwodadi 165,836
km2, dan Lawang 132,840 km2. Namun untuk kombinasi 5 pos hujan ini, letak antar pos
hujannya sangat berdekatan satu sama lain, dapat dikatakan bahwa terlalu rapat bila dilihat
dari lokasinya. Selain itu, pada pengujian statistikanya terdapat pos hujan yang tertolak yaitu
Lawang pada uji trendnya. Pos Hujan Lawang tertolak untuk uji ketiadaan trend dengan
menggunakan 3 metode yaitu Spearman, Mann Whitney, dan Cox Stuart. Maka dari itu
kombinasi dari regresi stepwise-enter ini tidak dapat dijadikan sebagai rekomendasi pos
hujan terpilih.
Berdasarkan hasil kedua metode yaitu stepwise dan stepwise-enter yang dijadikan
sebagai rekomendasi terpilih adalah hasil dari metode stepwise dengan alasan yang sudah
dijelaskan pada paragraf sebelumnya. Jumlah pos hujan yang diperoleh merupakan jumlah
yang sesuai dengan standar WMO. Standar WMO ini merupakan standar minimal kebutuhan
pos hujan dan pos duga air yang dapat mewakili daerahnya. Metode ini sangat sesuai untuk
kondisi apabila terjadi keterbatasan dana untuk pemasangan, operasional, dan
pemeliharaannya. Apabila terdapat dana yang lebih, akan lebih baik jika menggunakan
rekomendasi pos hujan yang lebih banyak untuk menunjang pengolahan data hidrologi yang
lebih baik.
Hasil dari kedua metode tersebut diperoleh dengan perbedaan kombinasi pos hujan
yang masuk ke dalam model regresi. Dan menurut hasil studi ini apabila digunakan lokasi
daerah yang berbeda akan memperoleh rekomendasi yang berbeda pula. Hal ini disebabkan
oleh beberapa faktor diantaranya adanya perbedaan pos hujan dan pos duga air yang
digunakan, perbedaan panjang masing-masing data, serta perbedaan lokasi yang menjadi
kajian studi. Oleh karenanya studi ini sangat bergantung pada kualitas dan kuantitias data
yang digunakan. Rekomendasi dari evaluasi dan rasionalisasi pada studi ini hanya sebatas
111
jumlah pos hujan yang dapat mewakili karakteristik hidrologi pada daerah alirannya dengan
melihat hubungan atau korelasi dengan pos duga airnya. Kekurangan dari studi ini yaitu
tidak dapat merekomendasikan untuk permindahan pos hujan dikarenakan metode stepwise
merupakan metode statistika. Maka apabila dibutuhkan relokasi atau perencanaan pos hujan
yang baru, perlu dilakukan studi lanjutan dengan kombinasi metode yang lain yang telah ada
misalnya metode Kriging.
112

BAB V
KESIMPULAN DAN SARAN
5.1. Kesimpulan
Berdasarkan hasil dari pembahasan pada bab sebelumnya diperoleh kesimpulan pada
studi ini sebagai berikut:
1. Berdasarkan evaluasi kerapatan pos hujan dan pos duga air di DAS Welang
berdasarkan standar WMO (World Meteorological Organization) sudah memenuhi
persyaratan dalam kondisi normal pos hujan (100-250 km2) dan pos duga air (300-
100 km2). Masing-masing pos hujan memiliki memiliki luasan Pos Hujan Prigen
(29,535 km2), Wilo (5,142 km2), Telebuk (27,036 km2), Pager (57,537 km2),
Purwosari (19,644 km2), Purwodadi (45,999 km2), Lawang (90,745 km2), Tutur
(63,401 km2), Selowongko (55,891 km2), Wonorejo (37,196 km2), dan Ngempit
(15,845 km2). Sedangkan untuk pos duga air luas daerah pengaruhnya sebesar 470,86
km2. Jumlah pos hujan dalam DAS Welang dapat dikatakan tergolong rapat untuk
luasan DAS tersebut. Maka perlu dilakukan rasionalisasi untuk mendapatkan jumlah
pos hujan yang optimal yang dapat mempresentasikan karakteristik hidrologi DAS
Welang.
2. Hasil rasionalisasi kerapatan pos hujan dan pos duga air dengan metode stepwise
diperoleh kombinasi 1 pos hujan, 2 pos hujan, 3 pos hujan, 4 pos hujan, dan 5 pos
hujan. Kombinasi 1 pos hujan yaitu Selowongko dengan nilai korelasi sebesar 0,719.
Kombinasi 2 pos hujan yaitu Selowongko dan Purwosari dengan nilai korelasi
sebesar 0,924. Kombinasi 3 pos hujan yaitu Selowongko, Purwosari, dan Wilo
dengan nilai korelasi sebesar 0,966. Kombinasi 4 pos hujan yaitu Selowongko,
Purwosari, Wilo, dan Prigen dengan nilai korelasi sebesar 0,989. Kombinasi 5 pos
hujan yaitu Selowongko, Purwosari, Wilo, Prigen dan Tosari dengan nilai korelasi
sebesar 0,998. Dari korelasi tersebut dapat disimpulkan bahwa kombinasi pos hujan
memiliki korelasi yang sangat kuat dengan pos duga air. Sedangkan untuk metode
stepwise-enter diperoleh kombinasi dari 5 pos hujang dengan korelasi sebesar 0,985.
Kombinasi tersebut terdiri dari Pos Selowongko, Purwosari, Tutur, Purwodadi, dan
Lawang.
113
114
3. Berdasarkan hasil rasionalisasi dengan regresi metode stepwise dan stepwise-enter,

maka perlu dilakukan analisa luas daerah pengaruhnya untuk melihat luas daerah
pengaruh masing-masing pos hujan yang masuk dalam regresi telah memenuhi
standar WMO atau tidak. Dari hasil metode stepwise, untuk kombinasi 1 pos hujan
dan 2 pos hujan tidak bisa dijadikan rekomendasi terpilih karena luasan daerah
pengaruhnya melebihi standar WMO. Sedangkan untuk kombinasi 3 pos hujan, 4 pos
hujan dan 5 pos hujan, ketiga kombinasi tersebut telah memenuhi luasan standar
WMO. Namun berdasarkan kebutuhan minimal pos hujan untuk luasan DAS
Welang, maka kombinasi 3 pos hujan terpilih sebagai rekomendasi terbaik. Hasil
regresi metode stepwise dengan kombinasi 3 pos hujan diperoleh korelasi sebesar
0,966 dengan luas daerah pengaruh masing-masing pos hujan Selowongko (199,403
km2), Purwosari (207,941 km2), dan Wilo (63,509 km2). Sedangkan hasil dari metode
stepwise-enter diperoleh kombinasi dari 5 pos hujan yang masing-masing pos
hujannya telah memenuhi standar WMO. Dilihat dari letaknya, kombinasi dari
stepwise-enter masih tergolong terlalu rapat dan pada pengujian statistika terdapat
pos hujan yang memiliki trend pada datanya. Maka rekomendasi pos hujan yang
terpilih pada studi ini adalah kombinasi dari 3 pos hujan hasil metode stepwise
diantaranya pos hujan Selowongko, Purwosari dan Wilo dan pos hujan tersebut
memiliki korelasi yang sangat kuat dengan pos duga air AWLR Dhompo.
5.2. Saran
Saran yang bisa digunakan rekomendasi dalam studi ini adalah sebagai berikut:
1. Diperlukan pengecekan catatan data hujan dan data debit secara intensif agar data
yang diperoleh lebih akurat dan tidak terjadi kesalahan perhitungan ataupun hasil
pengujian yang tidak bagus karena pada studi ini sangat bergantung pada kualitas
dan kuantitas data yang digunakan.
2. Jumlah pos hujan di DAS Welang relatif banyak dan tidak tersebar merata. Perlu
dilakukan pemindahan pos hujan ke tempat yang belum tersedia pos hujan agar
wilayah lain dapat dilihat kondisi hidrologinya. Untuk pemindahan pos hujan
diperlukan studi lanjutan dengan menggunakan metode yang sudah ada.
3. Menggunakan parameter-parameter hidrologi yang lain sebagai variabel bebas untuk
menunjang hasil rasionalisasi yang lebih bagus.

Anzilirrohmah Litsaniyah

Diunggah oleh

Informasi Dokumen

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

Anzilirrohmah Litsaniyah

Diunggah oleh

Hak Cipta:

Format Tersedia

EVALUASI DAN RASIONALISASI KERAPATAN JARINGAN POS

HUJAN DAN POS DUGA AIR DENGAN METODE STEPWISE

TEKNIK PENGAIRAN KONSENTRASI PEMANFAATAN DAN

Ditujukan untuk memenuhi persyaratan

KATA PENGANTAR ..........................................................................................................i

No. Judul Halaman

No. Judul Halaman

No. Judul Halaman

1.1. Latar Belakang

1.2. Identifikasi Masalah

1.3. Rumusan Masalah

1.4. Batasan Masalah

2.1. DAS dan Sub DAS

2.2. Jaringan Pos Hujan dan Pos Duga Air

2.3. Analisa Data Hujan dan Data Debit

Px = hujan yang hilang di pos hujan x

b1 = 𝑌̅ - a1 (𝑋̅) .................................................................................................. (2-6)

b1 = 𝑋̅ – a2 (𝑌̅) .................................................................................................. (2-8)

Besarnya koefisien korelasi, yang menunjukkan derajat hubungan antara variabel Xi

Besarnya koefisien penentu atau koefisien determinasi (determination coefficient),

Gambar 2.1. Sketsa Analisa Kurva Massa Ganda

Tan α = kemiringan garis sebelum ada perubahan

Dy = √Dy 2 .................................................................................................. (2-19)

Tabel 2.1. Nilai Kritis Q/√𝑛 dan R/√𝑛

2.3.5. Penyaringan Data Hujan dan Data Debit

6. Menghitungiuji ManniWhitneyisebagai nilai Z:

Untuk sampel kecil (n < 30)

Tabel 2.2 Nilaiitc untuk Pengujian Distribusi Normal

YH = Yrerata + Kn .Sd ..........................................................................................(2-35)

2.4. Analisa Curah Hujan Rerata Daerah

Beberapa metode pendekatan yang dianggap dapat digunakan untuk menentukan

d. Garis-garisiberat tersebutimembentuk poligoniyang mengelilingiitiap pos. Tiap pos

Gambar 2.2. Poligon Thiessen

2.5. Analisa Kerapatan Pos Hujan dan Pos Duga Air

mempengaruhiiivariabel terikatnya. Pendugaaniiitersebut akaniidipertanggungjawabkan

- Padaiiiikotak dialogiiiLinear Regressioniiimasukkan masing-masing variabel

- Jikaiada polaitertentu sepertiititik-tik yang adaimembentuk suatuipola yang jelas,

3.1. Lokasi Studi

Gambar 3.1. Peta Sungai dan Elevasi di DAS Welang

3.2. Kondisi Lapangan Studi

3.2.4. Kondisi Hidrografi

3.3. Data-data yang diperlukan

3.4. Tahapan Penyelesaian Studi

3. Uji Analisa Kurva Massa Data hujan Untuk memeriksa

4. Pengujian 1. Uji Ketiadaan Trend Data hujan Untuk memastikan

5. Analisa Luas Poligon Thiessen Peta DAS Untuk mengetahui luas

7. Uji Metode RAPS Data debit Untuk memeriksa

8. Pengujian 1. Uji Ketiadaan Trend Data debit Untuk memastikan

Lanjutan Tabel 3.3. Tahapan Penyelesaian Studi

4. Analisis Koefisien 4. Untuk mengetahui

5. Uji AsumsiiKlasik 5. Untuk mengetahui

c. Output Regresi Stepwise dalam SPPS

variabelidependen. KoefisieniB terdiri nilaiikonstan (harga Y jika X1 dan X2=0)

Gambar 3.3. Diagram Alir Penyelesaian Studi

Gambar 3.4. Diagram Alir Metode Stepwise

4.1. Pengumpulan Data

4.2. Analisa Data Hujan

2007 22,45 40,12 21,69 24,30 16,94 15,09 18,22 15,14

Tabel 4.5. Uji Konsistensi Data Hujan Pos Hujan Wilo

2007 22,45 30,65 21,69 27,63 16,94 15,09 18,22 15,14

St. Wilo Garis Acuan 45˚

➢ Uji Mann Whitney

Dengan pengujian satu sisi menggunakan derajat kepercayaan α = 1% maka

Dengan pengujian satu sisi menggunakan derajat kepercayaan α = 1% maka