TUGAS HIDROLOGI

(HALAMAN 16 – 30)

3.4 Model Pemanfaatan Air Stasioner Orde Kedua

Metode matematika untuk analisis deret waktu penggunaan air memungkinkan identifikasi, estimasi dan
penghapusan tren di rata-rata dan standar deviasi, rata-rata periodik, standar deviasi dan koefisien
autokorelasi, struktur ketergantungan waktu, dan dengan demikian mengurangiori gina l proses non
stasioner xpt ke proses independen stasioner orde kedua €PT.

Semua informasi diberikan dalam bentuk model matematika dengan parameternya diperkirakan dari
data yang tersedia. Berikut ini model deterministik-stokastik diusulkan untuk deret waktu penggunaan
air :

dengan k = i jika i < j dan k = j jika i > j, dengan T mp ,T dan Ts tren rata-rata dan deviasi standar, masing-
masing, J. t-j dalam tahun ini Mean periodik dan deviasi standar

koefisien autoregresi periodik dalam tahun tergantung pada koefisien autokorelasi periodik p. ., e .
nonstasioner dan tergantung. J,T·J p,T·J proses stokastik, dan ~ proses stokastik independen stasioner
p,T orde kedua.

Model umum yang diusulkan dalam Persamaan (34) memungkinkan generasi sampel baru dariproses x 1
dengan menggunakan yang disimpulkan atau diproyeksikantren, parameter Pperiodik dan stokastik
fungsi ketergantungan, dan sampel yang dihasilkan dari komponen stokastik bebas P dari ,T nya fungsi
kepadatan probabilitas yang disimpulkan. Lalu ini· sampel g.enerated dari xp,r dapat digunakan
dalamanalisis berbagai permasalahan sumber daya air sistem.

Model matematika Persamaan yang diusulkan(34) bersifat umum. Model yang disederhanakanhasil
langsung dari Persamaan (34) ketika beberapa tren, periodisitas, dan ketergantungan waktu ditunjukkan
tidakmenjadi signifikan secara statistik. Selanjutnya Persamaan temperature adalah :

di mana ~ (W), ~ (P), dan (T) saling bebas komponen stokastik penggunaan air, presipitasi dan suhu,
masing-masing, h1 . dan h2 .k adalah koefisien regresi, dan 771 sisa acak komponen.
Model serupa atau lebih kompleks (katakanlah nonlinier model) dapat diselidiki sesuai dengan
kompleksitas kasus tertentu. Misalnya, dalam kasus menghubungkan komponen stokastik pasokan air
(limpasan sungai), permintaan air (berdasarkan analisis penggunaan air), curah hujan dan suhu,
Persamaan (35) akan memuat satu suku lagi. Penyederhanaan model umum dari Persamaan (35) adalah

yang dalam banyak kasus mungkin cukup akurat karena terbatasnya ketepatan data yang tersedia.

Hubungan linear antara output dan masukan dari suatu sistem dapat diukur dengan persilangan
koefisien korelasi dan oleh koherensi spektrum. Namun, ketika ada lebih dari satu masukan, koefisien
korelasi parsial dan fungsi koherensi parsial lebih berguna (Jenkins dan Watts, 1969).

Misalnya mengacu pada Persamaan (36), jika baik h 1 dan h2 adalah nilai bukan nol, acak proses (W)
berkorelasi dengan (P) dan ~ (T). Namun, koefisien korelasi silang P(WP) dan Pcwn yang mengukur
terpisah korelasi antara (W) dan {P), dan antara (W) dan (T), tidak bermakna karena (P) dan (T) dapat
dikorelasikan. Oleh karena itu, dalam hal ini korelasi silang parsial adalah ukuran yang lebih baik dari
korelasi antara output dan input dari sistem. Hal yang sama berlaku ketika koherensi dan koherensi
parsial digunakan.

3. S .1 Korelasi koherensi dan fase fungsinya

di mana k adalah jeda waktu dan ~x dan Jly adalahnilai yang diharapkan dari x1 dan y1 masing-masing.
Demikian pula fungsi autokorelasi dan korelasi silang didefinisikan sebagai

Fungsi spektrum dan lintas spektrum adalah diberikan oleh :

dengan cxy(f) dan qxy(f) cospectrum dan spektrum quadrature, masing-masing.

Fungsi koherensi, biasa disebut dengan spektrum koherensi, mengukur hubungan linier antara dua
proses stasioner x1 dan y1 in domain frekuensi, dan didefinisikan sebagai

Estimasi koherensi dan fase fungsi seperti yang didefinisikan di atas dijelaskan dalam Lampiran 3.

3.5.2 Korelasi parsial, koherensi dan fase fungsi. Untuk tiga proses stokastik stasioner, x x dan y , di mana
x adalah input danl ,t' 2 ,1 t (9) dan y adalah keluaran dari suatu sistem, lihat Gambar ,asumsikan1
bahwa y dan x sangat berkorelasi dengan x2t
Gambar 9 Contoh sistem yang terdiri dari satu output y1 dan dua input x1 1 dan x2 ,t yang sangat
koheren.

Sebelum menghitung korelasi antara y1 dan x 1 1, itu perlu: 1ry untuk menghapus pengaruh variabel x2 .
Hal ini dilakukan dengan con-, t menyalurkan regresi kuadrat terkecil dari y1 pada x2 ,t dan dari x1 ,t
pada x2 ,t. Koefisien koHelasi parsial antara x 1 dan y kemudian didefinisikan sebagai ,I t korelasi antara
residu dari keduanya regresi (Jenkins dan Watts, 1969).

Dengan asumsi bahwa acak variabel y1, x1 1 dan x2 1 memiliki rata-rata nol, yaitu hubungan linear
antara x1 ,t dan x2, 1 dan antara y1 dan x2, 1 adalah

di mana p adalah koefisien korelasi antara 12x dan x2 dan p2 adalah korelasi co- • t ,t y 0 efisien antara
x2 , 1 dan y1 seperti yang didefinisikan m Persamaan (40). Koefisien korelasi parsial p diperoleh dengan
menukar indeks 2y.ll dan 2 pada Persamaan (51).

Fungsi koherensi parsial antara x 1 ,r dan y1 dengan mempertahankan x2,1 konstanta didefinisikan
sebagai berikut
dengan fungsi spektrum dan lintas spektrum pada ruas kanan Persamaan (53) sampai (55) yang
didefinisikan pada Persamaan ( 41) dan ( 42), dan a 1 2 {f) dan a 2 (f) fungsi koherensi didefinisikan
dalam Persamaan (46). Fungsi koherensi parsial a 2 Y .I (f) diperoleh dengan menukar indeks 1 dan 2
dalam Persamaan {52) hingga (55).

Akhirnya, fase parsial spektrum 8 1 y./f) yang mengukur fase langsung perbedaan pada setiap frekuensi
antara x1 dan ,Iy1 setelah memperhitungkan perbedaan fasa antara X2t dan yt dan antatar x2t dan
x1adalah pemberian (Jenkins and Watts, 1969).

dimana c (f), c (f) dan c2 6(f) adalah cospectra 12 I didefinisikan dalam Persamaan {44); q 12(f), q 1 yCf)
danq (f) spektrum kuadratur yang didefinisikan dalam Persamaan (JS'), dan -r;/f) fungsi spektrum
Persamaan (41). Spektrum fase parsial 82 y. l (f) diperoleh. dengan menukar indeks I dan 2 inPersamaan
(56). Estimasi parsial di atas koherensi dan fungsi fase parsial dijelaskan dalam Lampiran 3.
 BAGIAN 4

PERAKITAN DAN PENGOLAHAN DATA RISET

4.1. Type Data

Tiga jenis data penggunaan air dikumpulkan untuk penelitian ini. Mereka adalah data untuk air
perkotaan digunakan, untuk irigasi, dan untuk penggunaan air tenaga air. Data jangka panjang untuk
kegunaan lain tidak tersedia. Data penggunaan air perkotaan diperoleh dari 14 kota di Amerika Serikat
dan satu di Kanada.

Data penggunaan air irigasi diperoleh dari proyek irigasi yang berlokasi di Colorado, Utah, dan
Nebraska. Data penggunaan air tenaga air diperoleh dari proyek pembangkit listrik tenaga air yang
berlokasi di Colorado dan Wyoming. Perkiraan lokasi geografis mereka adalah ditunjukkan pada Gambar
( 1 0).

Penggunaan air perkotaan mingguan diperoleh untuk tiga orangkota, seri bulanan untuk
sembilan dan tahunan untuk tigakota. Sebagian dari data ini berada dalam nilai satuan sepertigalon per
kapita per hari dan lainnya secara total nilai penggunaan air seperti dalam juta galon. Untuk ini
investigasi semua rangkaian mingguan, bulanan dan nilai tahunan dikonversi ke unit juta galon,
meskipun beberapa analisis seri tahunan itu. juga dibuat pada unit gpcd.

Delapan rangkaian pengiriman air irigasi tersebut diperoleh yang dua adalah nilai mingguan dan
enam nilai bulanan lainnya. Satuan data bervariasi seperti dalam second-foot-day (sfd), acre-feet (af),
dan acre-feet per satuan luas (af/a). Analisis ini seri dibuat dengan melestarikan unit aslinya diperoleh.

Satu seri nilai mingguan tenaga air penggunaan air ( cfs) dan tujuh seri produksi tenaga air
bulanan (MGH) diperoleh untuk ini penyelidikan. Meskipun seri bulanan tidak dalam satuan air
sebenarnya, tetapi dalam satuan energi, mereka analisis harus memberikan perkiraan karakteristik dari.
seri penggunaan air bulanan. Jenis penggunaan air, lokasi, dan informasi terkait lainnya dari masing-
masingdata yang terkumpul disajikan pada Tabel (1).

4.2. Sumber Data

Data penggunaan air perkotaan diperoleh dari dinas pengairan kabupaten/kota

Gambar 10 Distribusi geografis dari data yang diperoleh.
kota masing-masing. Data penggunaan air irigasi adalah diperoleh dari Wilayah 7 Biro AS Reklamasi,
Denver, Colorado; dari Utara Distrik Konservasi Air Colorado, Loveland, Colorado; dan dari Teknik
Pertanian Departemen Universitas Negeri Colorado, Fort Collin, Colorado. Data tenaga air diperoleh dari
Wilayah 7 Biro AS Reklamasi, Denver, Colorado. Suhu dan data curah hujan diambil dari data yang
diterbitkan oleh Biro Cuaca AS.

Semua data penggunaan air, suhu, dan curah hujan· disimpan pada pita magnetik dan semua
perhitungan dilakukan pada CDC-6400 digital komputer di Colorado State University Computer Tengah.
Untuk setiap jenis data yang disimpan dalam kaset, nama proyek kota, irigasi, atau pembangkit listrik
tenaga air ditentukan dan juga jenis data penggunaan air dan jumlah tahun catatan.
4.3. Prosedur umum analisis

Untuk dekomposisi yang asli diamati deret waktu penggunaan air mingguan dan bulanan tiga
program utama yang digunakan: (a) program TREND untuk menganalisis tren rata-rata dan standar
deviasi; (b) PERIODE program untuk memperkirakan, menggambarkan dan menghapus rata-rata
periodik, standar deviasi dan koefisien autokorelasi, dan untuk menghilangkan ketergantungan pada
komponen stokastik dan; (c) program DISTRIB untuk menemukan fungsi kepadatan probabilitas yang
paling sesuai dengan distribusi frekuensi komponen stokastik independen. Versi yang disederhanakan.
dari diagram alir dari ketiga program di atas ditunjukkan pada Lampiran 4.

Untuk mendapatkan tren rata-rata, rata-rata penggunaan air untuk setiap tahun dihitung dan T-test
dilakukan pada nilai-nilai ini untuk menguji hipotesis bahwa kemiringan tren linier adalah signifikan. Jika
hipotesis diterima, konstanta regresi dari polinomial, Persamaan (3), dihitung dengan prosedur kuadrat
terkecil dan analisis varians, berdasarkan uji-F pada tingkat kepercayaan 95 persen tingkat, diterapkan
untuk menemukan signifikan lebih tinggi suku urutan Persamaan (3). Koefisien regresi diperoleh dengan
nilai rata-rata tahunan, sebagai dijelaskan di atas, ditransformasikan untuk mendapatkan koefisien yang
sesuai dengan mingguan dan satuan waktu bulanan. Nilai tersebut digunakan untuk menghapus tren
dari mingguan asli atau seri bulanan, masing-masing. Tren d rata-rata, TmP ,r dari Persamaan (3), telah
dihapus dari deret asli x dengan menggunakan Persamaan ( 1 ). Seri p,r yang dihasilkan y dianalisis lebih
lanjut untuk menguji P,T pentingnya tren dalam standar deviasi.

Untuk mendapatkan trend standar deviasi, standar deviasi untuk setiap tahun adalah dihitung dan
mengikuti prosedur yang sama seperti sebelumnya uji-T dan uji-F diterapkan untuk memutuskan apakah
ada trend yang signifikan dan untuk fmding koefisien signifikan dari polynomial regresi Persamaan (4).

Untuk menghilangkan kecenderungan dalam standar deviasi Persamaan Tsp.r (2) sedikit dimodifikasi
untuk mempertahankan rata-rata asli x dan untuk memiliki standar deviasi konstan sama dengan rata-
rata standar deviasi 'i\,. Langkah ini hanya diperlukanuntuk ani.tlisis selanjutnya dari varians yang
dijelaskan setiap komponen; jika tidak, Persamaan (2) digunakan. Oleh karena itu, untuk tujuan yang
dijelaskan di atas, Persamaan (2) dimodifikasi menjadi :

Untuk menemukan dan menghapus parameter periodik di seri z dan ketergantungan koresponden p.r
model, prosedur yang diberikan di bagian 3.21 dan 3.2.3 dari 3.2 dan 3.3.1 dari 3.3 Bab 3 diikuti Setiap
langkah, seperti menghitung nilai sampel mr,s , dan rk , koefisien Fourier untuk menyimpulkan T 'T J.J., ,
or dan pk , , kriteria yang sesuai untuk menemukan harmonik yang signifikan, penghapusan periodik J.J.
dan o dan koefisien autoregresi naik 'T T untuk mendapatkan stasioner orde kedua dan komponen
independen ~ , diikuti dengan menggunakan p,r program PERIOD.

Kesesuaian fungsi distribusi yang memadai untuk komponen stokastik independen, ~ r, adalah sub p, . .
dilakukan secara berurutan. Semua langkah, seperti estJmatwn parameter normal, lognormal-3 dan
fungsi kepadatan probabilitas gamma-3, dan kriteria pas chi-kuadrat untuk memilih fungsi yang paling
cocok dilakukan dengan menggunakan program DlSTRIB.

Korelasi silang dan fungsi koherensi, seperti ditunjukkan dalam 3.5 Bab 3 digunakan untuk menganalisis
hubungan linier antara suhu bulanan, presipitasi, dan deret waktu penggunaan air. Hasil diperoleh
diberikan dalam 5.5 dari Bab 5.

Kecenderungan, struktur ketergantungan waktu, dan distribusi probabilitas dari residual independen
dipelajari dengan deret waktu penggunaan air tahunan. Juga hubungan antara komponen stokastik
independen penggunaan air, curah hujan dan suhu dianalisis. Hasilnya diberikan dalam Bab 6.

Akhirnya, analisis varian yang dijelaskan oleh berbagai komponen deterministik dan komponen stokastik
disajikan pada Bab 7.
 BAGIAN 5

ANALISIS PENGGUNAAN AIR MINGGUAN DAN BULANAN WAKTU SERI

5.1. Trend analisis

Penggunaan air perkotaan mingguan dan bulanan ume seri menunjukkan, secara umum, tren rata-rata
naik dan standar deviasi. Alasan fisik untuk ini tren ke atas adalah peningkatan tahunan dalam populasi,
standar hidup, dan beberapa perubahan sosial-ekonomi dalam setiap kasus partkular. Investigasi
mingguan dan rangkaian penggunaan air bulanan untuk irigasi dan kekuatan tidak menunjukkan tren
yang signifikan dalam parameter.

Tren rata-rata bervariasi dari linier sederhana (Gambar 11) ke tren nonlinear yang lebih kompleks
(Gambar16), seperti kuadrat dan kubik. Dua dari tiga seri penggunaan air perkotaan mingguan yang
dipelajari menunjukkan linier tren rata-rata (Denver dan Greeley, Colorado), dan yang ketiga :1 qu:~tren
drastis (Fort Collins, Colorado). Dari dua belas seri bulanan, empat memiliki a tren linier (Denver dan
Greeley, Colorado; Hanford,

Gambar 11. Seri penggunaan air bulanan yang diamati x p,T dan tren linier dalam mean Tm r D p,T tOr
alias, Texas untuk 1950-1969.

California, dan Dallas, Texas), enam memiliki kuadrat tren (Fort Collins, Colorado; Milwaukee, Wisconsin;
dan L.Angeles, Fresno. Bakers11eld dan Visalia California), dan dua lainnya adalah tren kubik (Colorado
Springs, Colorado; dan San Fernando, California). Contoh tren linier dan kubik di rata-rata ditunjukkan
pada Gambar (11) dan (16) untuk seri bulanan Dallas, Texas, dan Colorado Springs, Colorado, masing-
masing.
Tren dalam deviasi standar juga linier atau kuadrat. Dari tiga seri perkotaan mingguan dipelajari,
seseorang memiliki tren linier, (Greeley, Colorado) dan dua lainnya tren kuadrat (Denver dan Fort Collin,
Colorado). Enam dari dua belas seri bulanan memiliki tren linier dalam standar deviasi (Greeley,
Colorado; Milwaukee, Wisconsin; Dallas, Texas; dan

Gambar 12 Hasil seri y dari Persamaan. ( 1) setelah re· p,T menggerakkan tren linier dalam rata-rata dan
menjaga rata-rata umum x . Fluktuasi yang meningkat dengan waktu ~·;di sekitar genera] rata-rat
menunjukkan adanya a tren di stand:~rd deviasi untuk bulan· ly data Dallas, Texas, untuk tahun 1950 -
1969

Gambar 13 Tren linier yang dihitung dan dipasang dalam standar deviasi Ts untuk Dallas, p,T Texas,
untuk tahun 1950 - 1969.
 Gambar 14 Hasil seri z dari Persamaan. (57) setelah re-p,T memindahkan tren rata-rata dan standar
deviasi untuk Dallas, Texas, untuk 1950 - ·1969

Gambar 15. Standar deviasi dihitung ulang dari seri z 2,7 dari Persamaan. (57), untuk Dallas, Texas,untuk
tahun 195U-1969, menunjukkan kecenderungan tersebut telah dihapus.

Gambar 16 Rangkaian penggunaan air bulanan yang diamat x dan tren kubik rata-rata Trit untuk
Colorado Springs, Colorado, p ,T untuk tahun 1937 - 1969.
Gambar 17. Hasil deret y dari Persamaan. (1) setelah re- p, r memindahkan tren kubik rata-rata dan
mempertahankan rata-rata asli x . Fluktuasi yang meningkat dengan waktu sekitar rata-rata
menunjukkan adanya tren di standar deviasi untuk data bulanan Colorado Springs, Colorado, tahun 1937
-1969.

Gambar 18 Tren kuadrat yang dihitung dan dipasang distandar deviasi Ts untuk Colo rado Springs,
Colorado untuk f937-1969.
Gambar 19. Hasil seri z dari Persamaan. (57) setelah re- p r memindahkan tren rata-rata dandeviasi
standar untuk Colorado Springs, Colorado, untuk tahun 1937 - 1969.

Gambar 20. Standar deviasi dihitung ulang dariseri z dari Persamaan. (57) untuk Colorado p,r Springs,
Colorado, untuk tahun 1937 - 1969, menunjukkan bahwa tren dihapus

Los Angeles, Fresno dan Hanford, California), dan enam tren kuadrat lainnya (Fort Collins, Denver dan
Colorado Springs, Colorado; dan San Fernando, Bakersfield dan Visalia, California). Contoh tren linear
dan kuadrat dalam standar deviasi ditunjukkan pada Gambar (13) dan (18) untuk seri bulanan Dallas,
Texas, dan Colorado Springs, Colorado.

Ciri umum yang ditunjukkan oleh hasil tersebut adalah bahwa biasanya tren linier dalam rata-rata
disertai dengan tren linier dalam standar deviasi, dan tren nonlinear yang kompleks di rata-rata adalah
disertai dengan tren nonlinear kompleks di standar deviasi. Dalam rata-rata dan deviasi standar untuk
rangkaian waktu penggunaan air perkotaan mingguan dan bulanan, masing-masing. Angka (II) hingga
(15) untuk penggunaan air bulanan di Dallas, Texas, dan Angka (16) hingga (20) untuk Colorado Springs,
Colorado, menunjukkan secara grafis pemisahan tren dari seri asli x . Sebagai contoh, dalam kasus
Dallas, Texas, Gambar (l•l) menunjukkan deret awal x dan tren naik linier yang pas di rata-rata, ~~ .
Setelah tren ini dihilangkan, deret baru y i~ ~ven pada Gambar (12) p,T menunjukkan peningkatan
fluktuasi terhadap waktu di sekitar rata-rata konstan; yaitu, menunjukkan bahwa standar deviasi
meningkat seiring waktu. Tren yang dihitung dan dipasang untuk standar deviasi Tsp,r ditunjukkan pada
Gambar (1 3). Setelah tren ini TsP.T dipindahkan dari deret y dengan menggunakan Persamaan (57), p,T
deret z yang dihasilkan diberikan pada Gambar (14) p,T menunjukkan bahwa kedua tren Tm dan Ts
memiliki p,T p, T telah dihapus dari seri aslinya x p,T
Tabel 2. MEAN, VARIANCE, DAN KOEFISIEN REGRESI POLYNOMIAL UNTUK TREN RATA-RATA
PENGGUNAAN AIR PERKOTAAN MINGGUAN SERI WAKTU

Tabel 3. MEAN, VARIANCE, DAN KOEFISIEN REGRESI POLYNOMIAL UNTUK TREN DEVIASI STANDAR
DERET WAKTU PENGGUNAAN AIR PERKOTAAN .

Tabel. 4 MEAN, VARIANCE DAN KOEFISIEN REGRESI POLYNOHIAL UNTUK TREN RATA-RATA
PENGGUNAAN AIR PERKOTAAN BULANAN RANGKAIAN WAKTU

Tabel 5. MEAN, VARIANCE DAN KOEFISIEN REGRESI POLYNOMIAL UNTUK TREN DEVIASI STANDAR
PENGGUNAAN AIR PERKOTAAN BULANAN SERI WAKTU
5.2 Analisis Mean Periodik dan Standar Deviasi

5.2.1 Penggunaan air perkotaan. Analisis seri waktu penggunaan air perkotaan mingguan dan bulanan
menunjukkan bahwa siklus dalam tahun dan beberapa harmonik penting untuk menggambarkan rata-
rata periodik dan standar deviasi.

Untuk tiga deret mingguan yang dipelajari, periodisitas rata-rata, mT memiliki siklus dalam tahun,
dengan harmoniknya 52 dan 26 minggu signifikan. Namun, deviasi standar periodik selain harmonik 52
dan 26 minggu juga memiliki harmonik signifikan seperti J 7 .3, 13.0, dan seterusnya, tergantung pada
kasus tertentu. Tabel (6) memberikan rata-rata, varian, dan harmonik yang signifikan dalam rata-rata
periodik dan standar deviasi deret mingguan.

Untuk deret bulanan periodisitas rata-rata, m, memiliki siklus dalam tahun dengan harmonik T 12 dan 6
bulan signifikan dalam 11 dari 12 kasus yang dipelajari. Namun, dalam tiga kasus harmonik lainnya,
seperti 4,0 dan 2,4 bulan juga ditemukan signifikan. Deviasi standar periodik, s , memiliki siklus juga
dengan harmonik T 12 dan 6 bulan yang signifikan pada I 0 dari 12 kasus yang dipelajari. Namun,
harmonik lain seperti 4.0. 3.0, 2.4 dan 2.0 bulan signifikan tergantung pada setiap kasus tertentu. Tabel
(7) memberikan rata-rata, varians, dan harmonik signifikan rata-rata periodik dan standar deviasi deret
bulanan.

Tabel 6. RATA-RATA, VARIANSI DAN HARMONIKA SIGNIFIKAN DARI RATA-RATA PERIODIK DAN DEVIASI
STANDAR SERI WAKTU PENGGUNAAN AIR MINGGUAN
 Rata-rata periodik dan deviasi standar dengan siklus tahunan untuk seri mingguan yang
dipelajari menunjukkan, secara umum, nilai hlgh antara minggu ke-20 dan ke-35 dalam setahun (dari
pertengahan Juni hingga pertengahan September). Hasil ini diperoleh untuk tiga kota yang dianalisis
(Fort Collins, Greeley, dan Denver, Colorado) dan menunjukkan pengaruh logika iklim, kondisi udara,
irigasi rumput dan efek sosial ekonomi lingkungan terhadap penggunaan air. Angka (21) dan (22)
memberikan nilai yang dihitung dan rata-rata periodik yang dipasang serta deviasi standar untuk
rangkaian penggunaan air mingguan di Fort Collins, Colorado.

Rata-rata periodik untuk semua seri bulanan yang dipelajari menunjukkan bentuk yang serupa.
Di 10 dari 12 kota rata-rata bulanan tertinggi terjadi pada bulan Juli dan di dua kasus lainnya pada bulan
Agustus. Dua kasus terakhir ini adalah Dallas, Texas, dan Milwaukee, Wisconsin. Angka (23), (25) dan
(27) menunjukkan rata-rata yang dihitung dan rata-rata periodik yang dipasang untuk penggunaan air
bulanan di: Fort Collins, Colorado; Lapangan Dallas, Texas, dan Bakers, California.

Standar deviasi periodik untuk rangkaian bulanan yang dipelajari menunjukkan bentuk yang
berbeda terutama menurut lokasi geografis kota. Misalnya, dalam kasus kota-kota di Colorado, Dallas,
Texas, dan Milwaukee, Wisconsin, semuanya menunjukkan bentuk yang serupa dengan nilai hlgh yang
dominan selama periode Juni hingga Agustus. Dalam kasus kota-kota di California, semuanya
menunjukkan bentuk umum yang serupa dengan dua nilai yang sangat tinggi. Untuk kota-kota yang
terletak di wilayah pantai selatan California, standar deviasi, sr, memiliki nilai tertinggi pada bulan April
dan Agustus untuk San Fernando, dan pada bulan April dan September untuk Los Angeles. Untuk kota-
kota yang terletak di Cekungan Danau Tulare (Bakersfield, Fresno, Hanford, dan Visalia) nilai sr tertinggi
terjadi pada bulan Juni dan Oktober.

Hasil di atas tampaknya menunjukkan pengaruh kuat lokasi geografis dan iklim terhadap bentuk
standar deviasi periodik, sr. Angka (24), (26) dan (28) menunjukkan nilai yang dihitung dan standar
deviasi periodik yang sesuai untuk rangkaian penggunaan air bulanan di Fort Collins, Colorado; Dallas,
Texas; dan Bakersfield, California.

TABEL 7. RATA-RATA, VARIANSI DAN HARMONIKA SIGNIFIKAN PERIODE RATA-RATA DAN DEVIASI
STANDAR RANGKAIAN WAKTU PENGGUNAAN AIR BULANAN

Tabel (8) sampai (II) memberikan koefisien Fourier untuk rata-rata periodik yang dipasang dan deviasi
standar untuk deret waktu penggunaan air mingguan dan bulanan.

5.2.2 Penggunaan air irigasi. Analisis penggunaan air irigasi mingguan dan bulanan menunjukkan bahwa
siklus musiman irigasi dan beberapa keharmonisannya penting untuk menggambarkan rata-rata periodik
dan standar deviasi.

Untuk rata-rata periodik seri mingguan siklus 31 minggu dan harmoniknya 15,5 minggu adalah
27 yang terbukti signifikan. Namun. untuk deviasi standar periodik selain harmonik 31 dan 15,5 minggu,
harmonik 10,3, 7,7, 6,2 dan 5,2 minggu juga penting, tergantung pada kasus tertentu. Dalam kedua
kasus yang diteliti, nilai rata-rata periodik tertinggi dicapai antara minggu ke-15 hingga ke-25 musim
irigasi (April hingga Oktober). Di sisi lain, standar deviasi periodik menunjukkan dua nilai yang sangat
tinggi masing-masing sekitar minggu ke-8 dan ke-16 musim irigasi. Hasil untuk kedua kasus yang
dipelajari dari pengiriman irigasi mingguan harus diharapkan, karena kedua kasus tersebut berlokasi di
area yang sama di Colorado. Tabel (6) memberikan rata-rata, varian, dan harmonik signifikan rata-rata
periodik dan standar deviasi. Gambar (29) dan (30) menunjukkan mr dan sr yang dihitung dan parameter
periodik yang dipasang fJ dan a masing-masing, untuk pengiriman irigasi mingguan di Carter Lake,
Colorado.

Tabel 8. KOEFISIEN FOURIER UNTUK RATA-RATA PERIODE PENGGUNAAN AIR MINGGUAN SERI WAKTU

Tabel 9. KOEFISIEN FOURIER UNTUK DEVIASI STANDAR PERIODIK DERET WAKTU PENGGUNAAN AIR
MINGGUAN
Tabel 10. KOEFISIEN FOURIER UNTUK RATA-RATA PERIODE PENGGUNAAN AIR BULANAN RANGKAIAN
WAKTU