Proposal Analisis Debit Batang Merao

Simulasi Debit Aliran Sungai Batang Merao Dengan Menggunakan Model
SWAT (Soil And Water Assessment Tools)
SKRIPSI
PUTRI ELVIDA
D1A017087
JURUSAN AGROEKOTEKNOLOGI
FAKULTAS PERTANIAN
UNIVERSITAS JAMBI
2022
KATA PENGANTAR
Puji dan syukur penulis panjatkan kehadirat Allah SWT, karena berkat rahmat dan
karunia-Nya penulis dapat menyelesaikan penulisan proposal skripsi yang berjudul “
Simulasi debit aliran sungai batang merao dengan menggunakan model SWAT (Soil
and Water Assessment Tools”
Penulis mengucapkan terima kasih kepada Bapak Dr. Ir. Mohd. Zuhdi, M.Sc P selaku
dosen Pembimbing Skripsi I dan Bapak Dr. Ir. Asmadi Saad, M.Si selaku dosen Pembimbing
Skripsi II yang telah meluangkan waktu, memberikan bimbingan, dorongan dan pengarahan
kepada penulis dalam penulisan skipsi ini. Ucapan terima kasih juga penulis sampaikan
kepada bapak-bapak dan ibu-ibu dosen, teman-teman mahasiswa serta semua pihak yang
telah memberikan dukungan bagi terlaksananya penelitian skripsi ini.
Penulis juga menyadari bahwa skripsi ini tidak luput dari kesalahan, kekurangan dan
keterbatasan kemampuan serta pengetahuan penulis. Penulis mengharapkan kritik dan saran
yang membangun agar dapat menyempurnakan skripsi ini. Semoga hasil penelitian ini dapat
memberikan manfaat bagi masyarkah dan pihak-pihak yang memerlukan.
Jambi, Desember 2022
Penulis
ii
DAFTAR ISI
halaman
KATA PENGANTAR..............................................................................................................ii
DAFTAR ISI...........................................................................................................................iii
DAFTAR TABEL.....................................................................................................................v
DAFTAR GAMBAR...............................................................................................................vi
I. PENDAHULUAN.............................................................................................................1
1.1 Latar Belakang.............................................................................................................1
1.2 Rumusan Masalah.......................................................................................................2
1.3 Tujuan Penelitian.........................................................................................................2
1.4 Manfaat Penelitian......................................................................................................3
1.5 Batasan Penelitian......................................................................................................3
II. TINJAUAN PUSTAKA....................................................................................................4
2.1 Hidrologi......................................................................................................................4
2.1.1 Curah Hujan........................................................................................................5
2.1.2 Weather Generator (WGEN)................................................................................5
2.2 Daerah Aliran Sungai (DAS).....................................................................................10
2.3 Geographic Information System (GIS)....................................................................12
2.3.1 Digital Elevation Model (DEM)........................................................................13
2.4 Soil and Water Assessment Tool (SWAT)...............................................................13
2.5 Parameter Statistik....................................................................................................15
III. METODE PENELITIAN...............................................................................................17
3.1 Lokasi Penelitian.......................................................................................................17
3.2 Data Penelitian..........................................................................................................17
3.3 Jenis Penelitian.............................................................................................................17
3.4 Tahapan Penelitian....................................................................................................18
3.4.1 Pengolahan Data Spasial...................................................................................19
3.4.2 Pengolahan Data Klimatologi............................................................................21
3.4.3 Ketersediaan Data.............................................................................................22
3.4.4 Kalibrasi dan Validasi.......................................................................................27
3.5 Analisis Data.............................................................................................................28
IV. HASIL DAN PEMBAHASAN.......................................................................................29
4.1 Hasil Pengolahan Data Spasial..................................................................................29
4.1.1 Peta Kemiringan Lahan DAS Batang Merao.....................................................29
4.1.2 Peta Tata Guna Lahan DAS Batang Merao.......................................................30
iii
4.1.3 Peta Jenis Tanah DAS Batang Merao................................................................30
4.2 Hasil Pengolahan Data Klimatologi..........................................................................31
4.3 Delineasi DAS Batang Merao...................................................................................33
4.4 Pembentukan Hidrological Response Unit (HRU)....................................................33
4.4.1 Klasifikasi Tata Guna Lahan SWAT................................................................33
4.4.2 Klasifikasi Jenis Tanah SWAT..........................................................................34
4.4.3 Klasifikasi Kemiringan Lahan SWAT...............................................................34
4.4.4 Pembentukan HRU.............................................................................................34
4.5 Data Parameter Klimatologi.....................................................................................35
4.6 Simulasi Soil Water Assestment Tools (SWAT)...........................................................36
5.7 Hasil Kalibrasi................................................................................................................37
4.8 Hasil Validasi............................................................................................................38
4.8.1 Validasi Debit Harian Sungai Batang Merao.....................................................38
V. KESIMPULAN DAN SARAN.......................................................................................41
5.1 Kesimpulan.....................................................................................................................41
5.2 Saran..........................................................................................................................42
DAFTAR PUSTAKA.............................................................................................................43
LAMPIRAN............................................................................................................................45
iv
DAFTAR TABEL
Halaman
Tabel 1 Data Klimatologi Dalam Bentuk Variabel....................................................................6
Tabel 2 Kriteria Nilai Statistik NS...........................................................................................16
Tabel 3 Variabel Data Tanah Dalam Model Swat...................................................................20
Tabel 4 Hasil Pembentukan Weather Generator Data (WGEN)..............................................32
Tabel 5 Rekapitulasi Hasil Klasifikasi Tata Guna Lahan DAS Batang Merao.......................33
Tabel 6 Luasan Hasil Klasifikasi Kemiringan Lahan DAS Batang Merao.............................34
Tabel 7 Rekapitulasi Hasil Pembentukan Sub-DAS dan HRU DAS Batang Merao...............35
Tabel 8. Parameter Dan Rentang Nilai Yang Digunakan........................................................37
Tabel 9 Rekapitulasi nilai R2 dan NS pada periode tahun 2018-2019....................................38
v
DAFTAR GAMBAR
Halaman
Gambar 1 Siklus Hidrologi........................................................................................................5

Gambar 2 Bentuk-bentuk DAS................................................................................................11
Gambar 3 Skema Siklus Hidrologi..........................................................................................14
Gambar 4 Bagan Alir Tugas Akhir..........................................................................................18
Gambar 5 WGN Parameters Estimation Tool..........................................................................21
Gambar 6 SWAT Weather Database.......................................................................................22
Gambar 7 Watershed Delineation............................................................................................23
Gambar 8 Landuse/Soil/Slope Definition................................................................................24
Gambar 9 Database SWAT2012 WGEN_user........................................................................25
Gambar 10 Weather Data Definition.......................................................................................26
Gambar 11 Setup and Run SWAT Model Simulation Debit Harian.......................................26
Gambar 12 Peta Lereng DAS Batang Merao...........................................................................29
Gambar 13 Peta Tutupan Lahan DAS Batang Merao..............................................................30
Gambar 14 Peta Jenis Tanah Das Batang Merao.....................................................................31
Gambar 15 SWAT Error Checker............................................................................................36
Gambar 16 SWATGraph..........................................................................................................36
Gambar 17 Perbandingan Debit Simulasi Dan Observasi Harian Pada...................................39
Sungai Batang Merao Periode Tahun 2018-2019....................................................................39
Gambar 18 Perbandingan Debit Simulasi Dan Observasi 15 Harian Pada Sungai Batang
Merao Periode Tahun 2018-2019.............................................................................................40
Gambar 19 Perbandingan Debit Simulasi Dan Observasi bulanan Pada.................................40
Sungai Batang Merao Periode Tahun 2018-2019....................................................................40
vi
DAFTAR LAMPIRAN
Lampiran 1 Data Debit Simulasi Periode Tahun 2018-2019...................................................45

Lampiran 2 Data Rekapitulasi Perhitungan Parameter Statistik R2 Debit Harian...................62
Lampiran 3 Data Rekapitulasi Perhitungan NS Debit Harian................................................81
Lampiran 4 Rekapitulasi Data Perhitungan R2 Debit 15 Harian.............................................97
Lampiran 5 rekapitulasi data perhitungan NS debit 15 harian.................................................99
Lampiran 6 Rekapitulasi Data Perhitungan R2 Debit Bulanan.............................................100
Lampiran 7 Rekapitulasi Data Hasil Perhitungan NS Debit Bulanan....................................101
vii
I. PENDAHULUAN
1.1 Latar Belakang

Banjir dan tanah longsor kerap terjadi di Indonesia. Curah hujan yang tinggi dan
kurangnya daerah resapan air pada suatu daerah dapat menyebabkan tidak nomalnya siklus
hidrologi. Banjir menurut Undang-Undang Nomor 24 Tahun 2007 yaitu peristiwa dimana
daratan yang biasanya kering menjadi tergenang oleh air, hal ini disebabkan oleh curah hujan
yang tinggi dan kondisi topografi wilayah berupa dataran rendah hingga cekung. Selain itu
terjadinya banjir juga dapat disebabkan oleh limpasan air permukaan (run off) yang meluap
dan volumenya melebihi kapasitas pengaliran sistem drainase atau sistem aliran sungai.
Sungai Batang Merao termasuk dalam Sub DAS Batanghari dan merupakan rangkaian
daerah aliran sungai (DAS) yang berasal dari Kabupaten Kerinci. Hulu Sungai Batang Merao
berada di dataran tinggi vulkan Gunung Kerinci melintasi Kota Sungai Penuh dan bermuara
ke Danau Kerinci. Hampir tiap Tahun di wilayah Sungai Batang Merao Kota Sungai Penuh
terjadi banjir. Badan Penanggulangan Bencana Daerah Kota Sungai Penuh terus berupaya
dalam melaksanakan penanggulangan banjir di Kota Sungai Penuh khususnya pada Sungai
Batang Merao. Berdasarkan data BWS VI Sumatra Propinsi Jambi bahwa banjir yang terjadi
di sungai Batang Merao disebabkan adanya penurunan kapasitas tampung debit sungai dan
terjadinya penambahan debit sungai akibat perubahan fungsi lahan di daerah tangkapan air
hujan, kerusakan di daerah hulu sungai dan meningkatnya laju pertumbuhan penduduk.
Berdasarkan data DIKPLHD Kota Sungai Penuh , 2018 dapat dijelaskan bahwa sungai
Batang Merao merupakan sungai terbesar dalam Kota Sungai Penuh dengan panjang 102 km,
lebar permukaan 20 m, lebar dasar 18 m, kedalaman 5 m. Kuantitas air sungai di Kota Sungai
Penuh mengalami fluktuasi yang cukup tinggi, yaitu debit air sungai ketika hujan dan
kemarau menunjukan perbedaan yang cukup jauh. Terdapat berbagai macam perangkat lunak
GIS yang dapat digunakan untuk memperhitungkan dan mengkaji kondisi hidrologi. Salah
satu software tersebut adalah Soil and Water Assessment Tools (SWAT).
Pemodelan DAS Batang Merao dilakukan dengan pemodelan SWAT yang

membandingkan debit observasi terhadap debit simulasi. Dengan adanya analisis debit
1
tersebut diharapkan dapat menunjukkan performa pemodelan DAS Batang Merao sehingga
pemodelan dapat menggambarkan kondisi sebenarnya. Hasil dari pemodelan DAS dapat
digunakan sebagai bahan evaluasi dalam mengelola sumber daya air terhadap perubahaan
iklim dan penggunaan lahan. Model SWAT merupakan software yang terhubung dengan
Geographic Information System (GIS) dan dapat menganalisis perilaku hidrologi salah
satunya analisis debit sungai. Pemodelan DAS dengan model SWAT memerlukan data iklim
sehingga pemodelan dilakukan pada periode tahun 2017-2019 dengan ketersediaan data yang
lengkap.
Berdasarkan uraian yang telah dikemukakan diatas, penulis akan melakukan penelitian
yang berjudul “Analisis Debit Di Sungai Batang Merao Dengan Menggunakan Model
Soil And Water Assessment Tools (SWAT)”
1.2 Rumusan Masalah

Adapun rumusan masalah dalam penulisan Tugas Akhir ini adalah sebagai berikut :
1. Bagaimana hubungan antara debit harian hasil simulasi Sungai Batang Merao yang
dihasilkan dari permodelan SWAT dengan debit observasi DAS Batang Merao di outlet
Debai?
2. Bagaimana hubungan antara debit 15 harian hasil simulasi Sungai Batang Merao yang
Debai?
3. Bagaimana hubungan antara debit bulanan hasil simulasi Sungai Batang Merao yang
Debai?
4. Bagaimana peforma model SWAT dalam memodelkan debit harian, debit 15 harian, dan
debit bulanan Sungai Batang Merao?
1.3 Tujuan Penelitian

Adapun tujuan penelitian dari Tugas Akhir ini adalah sebagai berikut :
1. Mengetahui hubungan antara debit harian simulasi Sungai Batang Merao yang dihasilkan
dari permodelan SWAT dengan debit observasi DAS Batang Merao di outlet Debai.
2
2. Mengetahui hubungan antara debit 15 harian simulasi Sungai Batang Merao yang
Debai.
3. Mengetahui hubungan antara debit bulanan simulasi Sungai Batang Merao yang dihasilkan
dari permodelan SWAT dengan debit observasi DAS Batang Merao di outlet Debai.
4. Mengetahui performa model SWAT dalam memodelkan debit harian, debit 15 harian, dan
debit bulanan Sungai Batang Merao.
1.4 Manfaat Penelitian

Adapun manfaat yang akan diperoleh dari penelitian adalah dapat memberikan
informasi debit harian, debit 15 harian dan debit bulanan dari Sungai Batang Merao dan
memperlihatkan performa model SWAT dalam memodelkan DAS Batang Merao dengan
outlet di Debai.
1.5 Batasan Penelitian

Adapun batasan masalah yang membatasi penelitian ini adalah sebagai berikut :
1. Daerah aliran sungai yang digunakan adalah DAS Batang Merao dengan outlet di Debai.
2. Data iklim yang digunakan yaitu tiga stasiun curah hujan dan satu stasiun Klimatologi
yaitu Siulak Deras, Semurup dan Sanggaran Agung periode tahun 2017-2018-2019.
3. Data debit observasi menggunakan data debit stasiun Debai Automatic Water Lavel
Recorder (AWLR) periode tahun 2018-2018-2019
4. Data peta tata guna lahan menggunakan data KLHK tahun 2018-2019
5. Data peta kemiringan menggunakan data hasil analisis Digital Elevation Model Nasional
(DEMNAS) dirilis oleh Badan Informasi Geospasial (BIG).
6. Data peta jenis tanah menggunakan peta jenis tanah yang diterbitkan oleh Food and
Agriculture Organization (FAO).
7. Model hidrologi yang digunakan adalah Soil and Water Assessment Tool (SWAT).
8. Pemprograman komputer yang digunakan adalah program QSWAT 3.16.16
9. Periode simulasi dilakukan sesuai dengan ketersediaan data yaitu pada periode tahun 2017-
2019 .
10.Kalibrasi model dilakukan selama periode simulasi yakni pada periode tahun 2018-2019.
11. Kalibrasi model SWAT menggunakan enam parameter data yaitu nilai kurva SCS (CN2)
12. Kalibrasi model SWAT menggunakan SWAT CUP 2012 versi 5.1.6 dengan metode
SUFI2.
13. Validasi model dilakukan pada periode 2018-2019
3
14. Validasi data menggunakan dua parameter statistik yakni parameter R2 dan NS.
II. TINJAUAN PUSTAKA
2.1 Hidrologi
Seyhan (1977) di dalam bukunya menjelaskan sejarah singkat mengenai
perkembangan ilmu tentang air. Pada abad ke-16 gagasan daur ulang di temukan oleh
Leonardo da Vinci, namun gagasan tersebut baru dapat diterima pada abad ke-19. Sejak abad
itu perkembangan hidrologi sangat pesat dan menjadikan hidrologi sebagai ilmu dasar dari
segala pengelolaan sumber daya air.
Ilmu hidrologi itu sendiri merupakan ilmu yang membahas keberadaan dan
pergerakan air diatas permukaan bumi dengan adanya proses perubahan wujud zat cair, padat
dan gas di udara melalui sumber-sumber air di bumi seperti lautan. Hidrologi adalah ilmu
yang bersifat menafsirkan dengan syarat-syarat dasar berupa data yang diamati dan diukur
meliputi curah hujan, limpasan, aliran sungai dan sebagainya. Dengan bekal data dan
pemahaman dapat menghasilkan solusi dari masalah teknik yang timbul. (Wilson, 1990,
terjemahan Purbohadiwidjoyo, 1993).
Proses daur ulang hidrologi juga dijelaskan oleh Wilson (1990) di dalam bukunya .
Daur ulang hidrologi adalah proses pergerakan air yang berulang dari lautan ke atsmosfer
kemudian ke bumi. Dimulai dengan penguapan air yang berada di permukaan bumi akibat
penyinaran matahari. Kemudian uap air naik ke atsmosfer mengalami kondensasi menjadi
awan. Awan bergerak terbawa angin ke tempat yang lebih dingin berubah menjadi butiran
sehingga jatuh ke bumi dalam bentuk hujan, butiran es dan salju. Butiran es dan salju menjadi
simpanan air sementara. Hujan yang jatuh di daratan sebagian akan tertahan di tumbuhan dan
menguap kembali. Sebagian hujan juga meresap ke dalam tanah menuju bawah muka air
tanah dan bergerak melalui akuifer menuju sungai atau laut.
Air yang tertinggal di permukaan tanah beberapa mengalami penguapan namun
sebagian besar menjadi limpasan menuju alur sungai. Air di atas permukaan bumi seperti
4
sungai, laut dan danau akan mengalami penguapan sehingga daur hidrologi berulang kembali.
Gambar siklus hidrologi dapat dilihat pada Gambar 2.1.
Gambar 1 Siklus Hidrologi

(Sumber: E.M. Wilson, 1990, terjemahan Purbohadiwidjoyo, 1993)
2.1.1 Curah Hujan

Hujan adalah salah satu bentuk presipitasi. Presipitasi merupakan proses uap air yang
mengalami pendinginan sehingga menjadi butiran-butiran air yang jatuh ke bumi dalam
bentuk hujan atau bentuk lainnya. Istilah dari presipitasi dapat diartikan sebagai curah hujan
yang biasanya dinyatakan dalam menunjukkan kedalaman air yang diakumulasikan di atas
permukaan bumi apabila tidak terdapat kehilangan. Satuan untuk menunjukkan curah hujan
yaitu milimeter (mm). Dalam mengukur jumlah curah hujan digunakan alat penakar hujan.
(Seyhan, 1977, terjemahan Subagyo, 1990).
Berdasarkan World Meteorological Office (WMO, dikutip dalam Seyhan, 1977),

tujuan dari setiap metode pengukuran curah hujan adalah memperoleh contoh data yang dapat
mewakili curah hujan diseluruh kawasan tempat pengukuran dilakukan.
2.1.2 Weather Generator (WGEN)

Weather generator adalah suatu input data berisi data statistik yang diperlukan untuk
menghasilkan data iklim harian yang representatif untuk DAS. Data klimatologi yang
dibutuhkan untuk model SWAT diantaranya curah hujan, temperatur maksimum dan
minimum, radiasi matahari, kecepatan angin dan kelembapan relatif (Neitsc et al, 2011).
Fungsi weather generator dalam model SWAT yaitu dapat mensimulasikan presipitasi, total
tutupan awan, radiasi gelombang pendek, suhu udara, kelembapan udara, dan kecepatan
5
angin sehingga memungkinkan membuat model air dan keseimbangan energi yang lebih
terperinci (Arbor, dikutip dalam Ivanov et al, 2007). Berikut Tabel 1 menunjukkan data
klimatologi dalam bentuk variabel untuk model SWAT.
Tabel 1 Data Klimatologi Dalam Bentuk Variabel
Nama Variable Definisi

TITLE Nama stasiun iklim yang digunakan
WLATITUDE Koordinat lintang stasiun iklim
WLONGLITUDE Koordinat bujur stasiun iklim
WLEV Elevasi stasiun iklim (m)
RAIN_YRS Jumlah tahun data klimatologi yang digunakan
TMPMX Rata-rata temperatur masksimum harian dalam satu bulan
pencatatan (Cᵒ)
TMPMN Rata-rata temperatur minimum harian dalam satu bulan
pencatatan (Cᵒ)
TMPSTMTDMX Standar deviasi temperatur maksimum harian dalam satu bulan
pencatatan (Cᵒ)
TMPSTMTDMN Standar deviasi temperatur minimum harian dalam satu bulan
pencatatan (Cᵒ)
PCPMM Curah hujan rata-rata harian dalam satu bulan pencatatan (mm)
PCPPSTD Standar deviasi curah hujan harian dalam satu bulan pencatatan
(mm)
PCPSKW Koefisien Skew curah hujan harian dalam satu bulan pencatatan
(mm)
PR-W1 Kemungkinan hari basah setelah hari kering dalam satu bulan
pencatatan
PR-W2 Kemungkinan hari basah setelah hari basah dalam satu bulan
pencatatan
PCPD Rata-rata jumlah hari hujan dalam satu bulan pencatatan
SOLARAV Rata-rata radiasimatahari hariam dalam satu bulan pencatatan
(MJ/m2/hari)
DEWPT Rata-rata kelembapan harian dalam satu bulan pencatatan
WNDAV Rata-rata kecepatan angin harian dalam satu bulan pencatatan
(m/s)
Sumber : SWAT input/output File Documentation (2012)
1. Temperatur maksimum (TMPMX)

Perhitungan tempertur maksimum rata-rata dalam satu bulan dapat dihitung dengan
persamaan sebagai berikut.
N
∑ Tmx
TMPMX = d=1
N
Keterangan :
6
TMPMX = Rata-rata temperatur maksimum harian dalam satu bulan pencatatan (Cᵒ)
Tmx = Temperatur maksimum harian dalam satu bulan pencatatan (Cᵒ)
N = Jumlah hari pencatatan data
2. Temperatur minimum (TMPMN)
Perhitungan temperatur minimum rata-rata dalam satu bulan dapat dihitung dengan
N
∑ Tmn
TMPMN = d=1
N
Keterangan :
TMPMN = Rata-rata temperatur minimum harian dalam satu bulan pencatatan (Cᵒ)
Tmn = Temperatur minimum harian dalam satu bulan pencatatan (Cᵒ)
3. Standart deviasi temperatur maksimum (TMPSTMTDMX)
Perhitungan standart deviasi temperatur maksimum dalam satu bulan dapat dihitung
dengan persamaan berikut.
√
N
∑ (Tmx−TMPMX )2
d=1
TMPSTMTDMX=
N −1
Keterangan :
TMPSTMTDMX = Standart deviasi temperatur maksimum harian dalam satu bulan
pencatatan
TMPMX = Rata-rata temperatur maksimum harian dalam satu bulan pencatatan (Cᵒ)
Tmx = Temperatur maksimum harian dalam satu bulan pencatatan (Cᵒ)
4. Standart deviasi temperatur minimum (TMPSTMTDMN)
Perhitungan standart deviasi temperatur minimum dalam satu bulan dapat dihitung
dengan persamaan berikut.
√
N
∑ (Tmn−TMPMN )2
d =1
TMPSTMTDMN=
N −1
Keterangan :
TMPSTMTDMN = Standart deviasi temperatur minimum
TMPMN = Rata-rata temperatur minimum harian dalam satu bulan pencatatan (Cᵒ)
7
Tmn = Temperatur minimum harian dalam satu bulan pencatatan (Cᵒ)
5. Curah Hujan Rata-rata (PCPMM)
Perhitungan curah hujan rata-rata dalam satu bulan dapat dihitung dengan persamaan
sebagai berikut.
N
∑ Pcp
PCPMM = d =1
N
Keterangan :
PCPMM = Rata-rata curah hujan harian dalam satu bulan pencatatan (mm)
Tmx = Curah hujan harian dalam satu bulan pencatatan (mm)
6. Standart deviasi Curah Hujan Harian (PCPSTD)
Standart deviasi curah hujan harian dalam satu bulan dapat dihitung dengan persamaan
berikut.
√
N
∑ (Pcp−PCPMM )2
d=1
PCPSTD=
N −1
Keterangan :
PCPSTD = Standart deviasi curah hujan harian dalam satu bulan pencatatan
Pcp = Curah hujan harian dalam satu bulan pencatatan (mm)
7. Koefisien Skew Curah Hujan Harian (PCPSKW)
Koefisien skew curah hujan harian dalam satu bulan pencatatan dapat dihitung dengan
persamaan berikut.
N
∑ (Pcp−PCPMM )3
d =1
PCPSKW =
(N −1)(N−2)(PCPSTD)3
Keterangan :
PCPSKW = Koefisien skew curah hujan harian dalam satu bulan pencatatan
PCPSTD = Standart deviasi curah hujan harian dalam satu bulan pencatatan
Pcp = Curah hujan harian dalam satu bulan pencatatan (mm)
8
8. Kemungkinan hari basah setelah hari kering (PR-W1)
Kemungkinan hari basah setelah hari kering dalam satu bulan pencatatan dapat dihitung
dengan persamaan sebagai berikut.
hari wet
dry
PR−W 1=
haridry
Keterangan :
PR-W1 = Kemungkinan hari basah setelah hari kering dalam satu bulan pencatatan
hari wet = Jumlah hari basah yang diikuti hari kering
dry
haridry = jumlah hari kering selama periode pencatatan

9. Kemungkinan hari basah setelah hari basah (PR-W2)
Kemungkinan hari basah setelah hari basah dalam satu bulan pencatatan dapat dihitung
dengan persamaan sebagai berikut.
hari wet
wet
PR−W 2=
hari wet
Keterangan :
PR-W1 = Kemungkinan hari basah setelah hari basah dalam satu bulan pencatatan
hari wet = Jumlah hari basah yang diikuti hari basah
wet
hariwet = jumlah hari basah selama periode pencatatan

10. Rata-rata jumlah hari hujan (PCPD)
Rata-rata jumlah hari hujan dalam satu bulan pencatatan dapat dihitung dengan
haribasah
PCPD=
tahun
Keterangan :
PCPD = Rata-rata jumlah hari hujan
haribasah = Jumlah hari basah dalah satu bulan pencatatan
Tahun = Jumlah tahun pencatatan data
11. Rata-rata radiasi matahari (SOLARAV)
Rata-rata radiasi matahari harian dalam satu bulan pencatatan dapat dihitung dengan
9
N
∑ Solar
SOLARAV = d=1
N
Keterangan :
SOLARAV = Rata-rata radiasi matahari harian dalam satu bulan pencatatan
(MJ/m2/hari)
Solar = Radiasi matahari relatif harian dalam satu bulan pencatatan (MJ/m2/hari)
N = Jumlah hari penncatatan data
12. Rata-rata kelembaban relatif (DEWPT)

Rata-rata kelembaban relatif harian dalam satu bulan pencatatan dapat dihitung dengan
N
∑ Rh
DEWPT = d =1
N
Keterangan :
DEWPT = Rata-rata kelembaban relatif harian dalam satu bulan pencatatan
Rh = Kelembaban relatif harian dalam satu bulan pencatatan
13. Rata-rata kecepatan angin (WNDAV)
Rata-rata kecepatan angin harian dalam satu bulan pencatatan dapat dihitung dengan
N
∑ Wind
WNDAV = d=1
N
Keterangan :
WNDAV = Rata-rata kecepatan angin harian dalam satu bulan pencatatan (m/s)
Wind = Kecepatan harian dalam satu bulan pencatatan (m/s)
Parameter cuaca memiliki pengaruh besar terhadap elevasi suatu DAS. Maka perlu
menggunakan parameter weather generator pada resolusi spasial yang tinggi sehingga
menghasilkan faktor koreksi yang akan memberikan perkiraan input cuaca yang lebih baik
10
terhadap model DAS. Weather generator dalam simulasi juga dapat memberikan skenario
cuaca yang berbeda-beda sehingga dapat digunakan untuk memperkiraan kualitas air.
2.2 Daerah Aliran Sungai (DAS)

Daerah aliran sungai (DAS) dianggap sebagai ekosistem dari daur air sehingga DAS
merupakan wilayah daratan terdiri dari sungai dan anak sungai guna menampung,
menyimpan, dan mengalirkan air dari curah hujan ke sumber-sumber air seperti danau, laut
atau sungai secara alami. Batas darat digunakan topografi dan batas laut digunakan daerah
perairan yang masih terpengaruh aktivitas daratan. (UU No.7 Tahun 2004).
DAS terdiri dari sub DAS dan sub-sub DAS dengan karakteristik dan luasan yang
berbeda-beda. Menurut Seyhan (1977) karakteritik DAS merupakan gambaran spesifik suatu
DAS menggunakan parameter-parameter yang berhubungan dengan kondisi morfometri,
topografi, tanah, geologi, vegetasi, tata guna lahan, hidrologi dan manusia. Informasi
karakteristik ini dapat digunakan sebagai dasar pengelolaan DAS.
Gambar 2 Bentuk-bentuk DAS

(Sumber: Paimin et.al., 2012)
Menentukan karakteristik suatu DAS digunakan formula Tipologi DAS. Tipologi ini
dapat menunjukkan kerentanan dan potensi DAS.
a). TIpologi lahan, dibagi menjadi dua karakteristik di antaranya karakter alami yang relatif
statis dan karakter dinamis yang terdapat pengelolaan sumber daya alam oleh manusia.
Parameter alami berupa bentuk lahan, geologi, lereng dan iklim, sedangkan parameter
terkelola berupa penutupan atau penggunaan lahan.
11
b). Tipologi banjir, yaitu interaksi antara tipologi lahan dengan hujan. Daerah yang
berpotensi banjir dipengaruhi bagaimana kondisi atau sistem lahannya.
c). Tipologi sosial ekonomi, yaitu kondisi dimana sosial ekonomi dapat mengancam
kelestarian sumber daya alam. Hal ini dilihat dari besarnya tekanan penduduk terhadap lahan
dan kemampuan ekonomi masyarakat.
d). Tipologi kewilayahan, perlunya peristilahan dalam pembagian DAS menjadi wilayah
yang lebih kecil (Sub DAS, Sub-sub DAS) agar lebih terukur menurut cakupan luasnya
(Paimin et.al., 2012).
DAS juga merupakan suatu ekosistem. Ekosistem DAS dapat dibedakan menjadi
daerah hulu, tengah dan hilir. Daerah hulu dicirikan sebagai daerah konservasi dengan
kerapatan drainase lebih tinggi, kemiringan lereng besar (>15%), bukan termasuk daerah
banjir, pengaturan pemakaian air ditentukan oleh pola drainase dan jenis vegetasi berupa
tegakan hutan. Daerah hilir dicirikan sebagai daerah pemanfaatan dengan kerapatan drainase
lebih kecil, kemiringan lereng kecil (<8%), termasuk daerah banjir, pengaturan pemakaian air
ditentukan oleh bangunan irigasi dan jenis vegetasi yang didominasi oleh tanaman pertanian
kecuali daerah estuari yang didominasi tanaman bakau. Daerah tengah adalah daerah transisi
antara daerah hilir dan hulu. (Asdak, dikutip dalam Amin et. Al., 2018). Ekosistem DAS hulu
memiliki peranan yang sangat penting dari segi fungsi tata air sehingga sering dijadikan
fokus utama untuk pengelolaan DAS.
2.3 Geographic Information System (GIS)

Geographic Information System (GIS) merupakan sistem informasi berbasis komputer
yang berguna sebagai tempat mengolah atau menyimpan data geogragis (Aronoff, dikutip
dalam Oswald dan Astrini, 2012). GIS dapat menghubungkan berbagai data pada titik
tertentu di bumi yang kemudian digabungkan, dianalisa dan dipetakan hasilnya. Data yang
diolah berupa data yang berbasis geografis dan memiliki koordinat tertentu, sehingga GIS
dapat mengetahui lokasi, kondisi, pola dan pemodelan (Oswald dan Astrini, 2012).
GIS mempunyai dua format data yaitu sebagai berikut :
a). Data vektor adalah kumpulan titik, garis dan polygon (area) yang disimpan dalam bentuk
koordinat x dan y, yang dapat merepresentasikan bentuk bumi. Lokasi titik digambarkan
dengan sepasang koordinat x dan y. Bentuk polygon (zona projek) digambarkan dengan
pengulangan koordinat yang tertutup kemudia bentuk garis (sungai atau jalan) digambarkan
12
dengan kumpulan koordinat-koordinat titik. Kelebihan data vektor adalah dapat
merepresentasikan titik, batasan dan garis lurus secara tepat, sedangkan kelemahannya adalah
data vektor tidak mampu memenuhi perubahan gradual.
b). Data raster adalah hasil dari sistem penginderaan jauh yang obyeknya direpresentasikan
sebagai struktur sel grid yang disebut pixel. Ukuran sebenarnya di permukaan bumi
tergantung pada resolusi pixel. Semakin kecil ukuran permukaan bumi yang diwakili oleh
satu sel maka akan semakin tinggi resolusinya. Keunggulan data raster adalah ketepatan
dalam menggambarkan batasan yang berubah secara gradual seperti jenis tanah, vegetasi dan
sebagainya. Kelemahan data raster yaitu data file yang besar apabila resolusi pixelnya tinggi.
Data spasial dapat diperoleh melalui peta analog, data sistem penginderaan jauh dan data
hasil pengukuran lapangan termasuk GPS.
2.3.1 Digital Elevation Model (DEM)

Data spasial dapat diperoleh dengan menggunakan Digital Elevation Model (DEM).
DEM merupakan gambaran bentuk permukaan bumi dalam bentuk tiga dimensi. DEM
termasuk dalam metode penginderaan jauh atau metode data survei lapangan. Definisi lain
menjelaskan DEM merupakan file untuk menampung titik-titik ketinggian permukaan
(Jensen (2007), dikutip dalam Prasetyo, 2014). Jensen (2007) juga membedakan DEM
menjadi dua yaitu:
a). Digital Surface 33 Model (DSM), menggambarkan ketinggian fitur di permukaan bumi,
b). Digital Terrain Model (DTM), menggambarkan ketinggian permukaan tanah. Pembuatan
DEM dimulai dengan membuat peta topografi. Kemudian mengkonversi garis kontur,
titik ketinggian, batas wilayah perairan darat dan garis pantai menjadi layer vekor digital
sesuai dengan titik koordinat. Selanjutnya membuat layer raster dengan proses interpolasi
menggunakan algoritma tertentu. DEM bisa dihasilkan dalam bentuk grid teratur, jaringan
triangulasi dan kontur. DEM memiliki ukuran file yang besarnya mengikuti skala dan interval
kontur. (Indarto dan Prasetyo, 2014).
2.4 Soil and Water Assessment Tool (SWAT)

Soil and Water Assessment Tool (SWAT) adalah pemodelan hidrologi skala DAS
yang dikembangkan oleh Dr. Jeff Arnold dari USDA Agricultural Research Service (ARS)
awal tahun 1990-an. SWAT dikembangkan untuk memprediksikan dampak dari praktek
pengelolaan tanah terhadap air, sedimen, pestisida dan kimia hasil pertanian pada DAS yang
13
besar dan kompleks dengan variasi jenis tanah, penggunaan lahan serta kondisi pengelolaan
jangka panjang.
Simulasi hidrologi pada DAS dengan menggunakan model SWAT dapat dibagi
menjadi dua fase utama yaitu fase tanah dan fase air atau routing. Pada fase tanah dari siklus
hidrologi dapat mengontrol jumlah air, sedimen, unsur hara dan pestisida yang mengalir ke
sungai utama di setiap sub DAS. Pada fase air dapat didefinisikan sebagai pergerakan air,
sedimen, dan sebagainya melalui jaringan sungai DAS ke outlet (Neitsch dkk, 2011). Untuk
lebih jelasnya lihat Gambar 2.4.
Gambar 3 Skema Siklus Hidrologi

(Sumber: SWAT Theoritical Document, 2012)
Simulasi fase lahan dari siklus hidrologi oleh SWAT dilakukan berdasarkan
persamaan keseimbangan air:
t
SW t=SW o +∑ ( ¿ Rday +Q surf −E a−W seep−Q gw)¿
t=1
Keterangan :
𝑆𝑊𝑡 = kadar air tanah akhir (mm H2O)
𝑆𝑊0 = kadar air tanah awal (mm H2O)
t = waktu (hari)
14
𝑅𝑑𝑎𝑦 = jumlah curah hujan (mm H2O)
𝑄𝑠𝑢𝑟𝑓 = jumlah limpasan permukaan (mm H2O)
𝐸𝑎 = jumlah evapotransporasi (mm H2O)
W𝑠𝑒𝑒𝑝 = jumlah air yang masuk ke vadose zone dari soil profile (mm H2O)
𝑄𝑔𝑤 = jumlah dari return flow (mm H2O)
2.5 Parameter Statistik

Model SWAT dievaluasi performanya menggunakan perbandingan debit observasi
dan debit simulasi. Parameter evaluasi SWAT menggunakan koefisien determinasi (R 2 ) dan
indeks Nash-Sutcliffe (NS). Adapun persamaan yang digunakan untuk memperoleh nilai R 2
dan NS adalah sebagai berikut :
2
R =¿²
Keterangan :
Qm = Debit aktual rata-rata yang terukur (mm)
Qs = Debit hasil simulasi rata-rata (mm)
Qm,i = Debit aktual yang terukur (mm)
Qs,I = Debit hasil simulasi (mm)
R2 (coefficient of determination), merupakan proporsi dari total varian dalam data

yang diamati yang dapat dijelaskan oleh model. Nilainya berkisar antara 0,0 - 1,0. Nilai yang
lebih tinggi bermakna model berkinerja lebih.
∑ ( Q Mi−Qsi )2 (Q Mi−Q si)²

t−1
NS=1− n
∑ ( QMi −QMi )2 (Q Mi−Q Mi) ²

t −1
Keterangan :
R2 = Koefisien Determinansi
15
NS = Koefisien Nash-Sutcliffe
QSi = Nilai simulasi model
QMi = Nilai observasi
(Q_m ) = Rata-rata nilai observasi
n = Jumlah data
NSE (Nash-Sutcliffe Efficiency), menunjukan seberapa baik plot dari nilai observasi
(terukur) dibandingkan dengan nilai prediksi-simulasi sesuai dengan garis 1:1, nilainya
berkisar dari ∞ - ke 1. Semakin besar nilai NSE, bermakna kinerja model lebih baik. Kriteria
nilai statistik NS dapat dilihat pada Tabel 2 Berikut.
Tabel 2 Kriteria Nilai Statistik NS
Kriteria NS
Sangat Baik 0.75 < NS < 1,00
Memuaskan 0.36 < NS < 0.75
Kurang Memuaskan NS< 0.36 .
16
III. METODE PENELITIAN
3.1 Lokasi Penelitian

DAS Batang Merao yang berlokasi di Provinsi Jambi, secara admisnistratif meliputi
Kabupaten Kerinci dan Kota Sungai Penuh. Luas DAS Batang Merao adalah 68.403 ha
dengan sungai utama adalah Sungai Batang Merao dengan panjang 102 km, lebar permukaan
20 m, lebar dasar 18 m, kedalaman 5 m. Penelitian dilakukan di Sungai Batang Merao dengan
outlet Debai pada bulan Maret 2022 sampai dengan Agustus 2022.
3.2 Data Penelitian

Dalam membuat pemodelan suatu DAS perlu adanya data yang menunjukkan kondisi
nyata di lapangan. Data tersebut diantaranya adalah sebagai berikut:
1. Data klimatologi di DAS Batang Merao yaitu mengambil data di stasiun klimatologi Siulak
Deras tahun 2017-2019
2. Data curah hujan yang digunakan yaitu stasiun curah hujan Siulak Deras, Semurup dan
Sanggaran Agung periode tahun 2017-2019
3. Data debit observasi menggunakan data debit stasiun Automatic Water Lavel Recorder
(AWLR) di Siulak Deras tahun 2018-2019
4. Data peta kemiringan menggunakan data hasil analisis Digital Elevation Model Nasional
(DEMNAS) dirilis oleh Badan Informasi Geospasial (BIG).
5. Data peta tata guna lahan menggunakan data Penutupan lahan dari KLHK tahun 2019.
6. Data peta jenis tanah menggunakan peta jenis tanah yang diterbitkan oleh Food and
Agriculture Organization (FAO)
17
3.3 Jenis Penelitian
Penelitian ini termasuk penelitian survei dengan menggunakan pengamatan langsung
dilapangan. Data diolah menggunakan pemodelan SWAT. Pemodelan SWAT yang
digunakan hanya transformasi hujan menjadi debit. Analisis debit aliran sungai DAS
dilakukan dengan menggunakan model SWAT. Data input berupa karakteristik tanah, iklim
(data curah hujan (mm), temperatur maksimum dan minimum (C˚), radiasi matahari (MJ/m²
hari), dan kecepatan angin (m/det) dan tata guna lahan yang telah disiapkan kemudian
dimasukkan ke dalam data input file.
3.4 Tahapan Penelitian

Adapun tahapan penelitian ini adalah sebagai berikut:
18
Gambar 4 Bagan Alir Tugas Akhir
3.4.1 Pengolahan Data Spasial
Pemodelan ini membutuhkan tiga data spasial yaitu peta DEM, peta tata guna lahan
dan peta jenis tanah. Berikut penjelasannya,
1. Peta Digital Elevation Model (DEM)
19
DEM atau model elevasi digital yang digunakan dalam penelitian ini adalah
DEMNAS (DEM Nasional). DEMNAS adalah data format raster nasional yang dirilis
oleh Badan Informasi Geospasial (BIG). Data DEMNAS dapat diperoleh secara gratis
melalui situs DEMNAS BIG. Data yang diperoleh berupa potongan grid dari wilayah
yang akan diobservasi. Dari potongan tersebut kemudian digabungkan menjadi satu
file data raster dengan menggunakan proses mosaic data raster pada aplikasi QGIS.
Setelah penggabungan data grid kemudian dilakukan pemotongan data sesuai batas-
batas pada DAS Batang Merao. Mengolah data DEMNAS menjadi data kemiringan
lereng pada QGIS dihitung dengan perubahan ketinggian maksimum setiap piksel.
Berdasarkan Kriteria Teknis Penataan Ruang Kawasan Budidaya, klasifikasi
kemiringan lereng untuk DAS Batang Merao dibagi menjadi lima kelas dengan
tingkat kemiringan datar (0-8)%, landai (8- 15)%, agak curam (15-25)%, curam (25-
45)%, dan sangat curam (>45)%. Hasil kemiringan lereng dapat berbentuk persen atau
derajat.
2. Peta Tata Guna Lahan
Peta tata guna lahan yang digunakan diambil dari KLHK tahun 2018-2019 kemudian
klasifikasi nya disamakan dengan database yang ada di pemodelan SWAT, peta tata
guna lahan ini tidak dilakukan analisis penginderaan jauh.
3. Peta Jenis Tanah
Peta jenis tanah yang digunakan diambil dari peta jenis tanah yang diterbitkan oleh
Food and Agriculture Organization (FAO). Data tanah yang diperlukan pada simulasi
model SWAT dapat dibagi menjadi dua yaitu karakteristik tanah secara fisik
(diharuskan) dan secara kimia (opsional). Untuk memperoleh data tanah tersebut
dapat diunduh secara gratis pada situs FAO GeoNetwork. Data yang diperoleh
merupakan data tanah untuk seluruh dunia sehingga perlu untuk memotong peta
tersebut sesuai dengan batas-batas DAS Batang Merao yang telah ditentukan
sebelumnya dan diubah menjadi data raster dengan menggunakan QGIS.
Setelah peta DAS Batang Merao terbagi berdasarkan data tanahnya dengan diwakili
oleh beberapa warna, maka akan ditampilkan beberapa informasi terkait tanah
tersebut. Simulasi model ini memerlukan informasi tanah dengan variabel-variabel
20
data yang dibutuhkan model. Berikut Tabel 3. berisi variabel-variabel data tanah yang
diperlukan model SWAT.
Tabel 3 Variabel Data Tanah Dalam Model Swat
Variabel Keterangan
SNAM Nama jenis tanah (Opsional)
NLAYERS Jumlah lapisan tanah
HYDGRP Grup hidrologi tanah (Diharuskan)
SOL_ZMX Kedalaman rooting maksimum profil tanah (Diharuskan)
ANION_EXCEL Fraksi porositas (Opsional). Jika tidak ada nilai yang dimasukkan,
maka model akan mengatur secara otomatis sebesar 0,50
SOL_CRK Tekstur setiap lapisan tanah (Opsional)
TEXTURE SOL_Z Kedalaman tanah dari permukaan sampai bawah lapisan, mm
(Diharuskan)
SOL_BD Kepadatan curah basah, Mg/m3 atau g/cm3 . Dengan hasil berada
di rentang 1,1 dan 1,9 (Diharuskan)
SOL_AWC Ketersediaan kapasitas air setiap lapisan tanah (mm H2O atau mm
tanah) (Diharuskan)
SOL K Konduktivitas hidrolik jenuh, mm/hr (Diharuskan)
SOL_CBN Kandungan karbon organik, % berat tanah (Diharuskan)
SOL_CLAY Kandungan lempung, % berat tanah (Diharuskan)
SOL SILT Kandungan lanau, % berat tanah (Diharuskan)
SOLD_SAND Kandungan pasir, % berat tanah (Diharuskan)
SOL_ROCK Kandungan fragmen batuan, % berat tanah (Diharuskan)
SOL_ALB Tanah albedo basah, (Diharuskan)
USLE_K USLE persamaan erodibilitas tanah (Diharuskan)
Sumber Gies dan Merwade
Namun database informasi tanah yang diperoleh dari FAO perlu dilakukan
penyesuaian dengan database jenis tanah yang ada di QSWAT. Hal ini dikarenakan
agar program QSWAT bisa membaca database tanah tersebut dan proses pemodelan
SWAT dapat berhasil. Kemudian dilanjutkan menyiapkan data kode tanah untuk
simulasi model SWAT.
21
3.4.2 Pengolahan Data Klimatologi
Proses simulasi model SWAT diperlukan data klimatologi yang terdapat pada DAS
Batang Merao. Data klimatologi yang digunakan adalah curah hujan harian (mm), temperatur
udara maksimum dan minimum harian (ºC), radiasi sinar matahari harian (MJ/m2 /hari),
kelembaban relatif udara (%), dan data kecepatan angin (m/s). Namun data klimatologi ini
perlu diolah sehingga menghasilkan data dengan variabel yang terdapat pada weather
generator SWAT. Data yang akan diolah adalah data yang diperoleh dari stasiun klimatologi
pada tahun 2018-2019. Data ini akan dikelompokkan menjadi enam kategori yaitu stations,
HR (kelembaban relatif), PCP (curah hujan), SLR (radiasi sinar matahari) TMP (temperatur)
dan WND (kecepatan angin) dalam bentuk csv (comma separated value) file. Format data
tersebut bisa diperoleh dengan mengunduh WGN Parameter Estimation Tool pada situs
SWAT.
Gambar 5 WGN Parameters Estimation Tool

Setelah data klimatologi dikelompokkan dalam format csv file, kemudian data
tersebut diolah dengan menggunakan WeatherDatabase. Database ini bisa ditemukan pada
folder yang merupakan hasil unduhan WGN Parameter Estimation Tool sebelumnya.
Kemudian akan terbuka jendela seperti pada Gambar 3.4 dibawah
22
Gambar 6 SWAT Weather Database
Proses ini diawali dengan memperbarui data stasiun pada Manage Stations Database
dan memasukkan stasion.csv file. Kemudian dilanjutkan dengan membuka Manage Weather
Database dan memasukkan data klimatologi yang sudah dikelompokkan dalam bentuk csv
file. Pada ArcSWAT Input.txt Weather Files perlu memberikan informasi versi SWAT yang
akan digunakan dan kategori data klimatologinya. Terakhir hasil data WGEN diperoleh
dengan membuka SWAT WGEN Statistics dan memasukkan informasi WGEN Name File
dan Output File Type yang akan digunakan.
3.4.3 Ketersediaan Data

Setelah data spasial dipersiapkan, kemudian memeriksa data iklim yang tersedia di
lapangan. Dengan mengetahui data yang tersedia maka dapat menentukan periode simulasi
yang akan digunakan. Pemeriksaan data dilihat pada ketersediaan data setiap tahunnya pada
stasiun. Hal ini disebabkan proses simulasi model SWAT dilakukan secara berkelanjutan
sehingga data selama periode simulasi harus tersedia dan kontinu. Data iklim yang digunakan
yaitu stasiun klimatologi dan stasiun curah hujan yang berada di sekitar DAS Batang Merao.
Selain data iklim diperlukan data debit observasi yang akan digunakan saat validasi hasil
model SWAT. Data debit observasi pada DAS Batang Merao menggunakan data debit
stasiun Automatic Water Lavel Recorder (AWLR) di Siulak Deras.
23
Pada proses analisis data terdapat beberapa tahapan yang perlu dilakukan yaitu:
1. Delineasi daerah aliran sungai berdasarkan outlet

Proses delineasi DAS dilakukan untuk menentukan area yang berkontribusi dalam
mengalirkan curah hujan yang menjadi aliran permukaan dan keluar pada suatu
outlet. Delineasi adalah proses awal dalam menjalankan model SWAT. Proses ini
memerlukan data peta DEM. Kemudian melakukan delineasi DAS dengan
memilih Delineate watershed dan akan muncul jendela sepeperti pada Gambar
3.5.
Gambar 7 Watershed Delineation
24
Pada Select DEM, peta DEM DAS Batang Merao dimasukkan dalam bentuk
raster. Selanjutnya proses menentukan aliran sungai pada peta DEM DAS Batang
Merao dengan memilih Create stream. Kemudian menambahkan outlet baru sesuai
titik koordinat outlet di Debai dan memilih outlet tersebut sebagai acuan saat
delineasi das. Selanjutnya melakukan delineasi DAS Batang Merao berdasarkan
outlet di Debai dengan Delineate watershed. Kemudian dilanjutkan dengan
pembentukan DAS Batang Merao dengan memilih opsi “OK”.
2. Analisis HRU (Hydrologic Response Unit)
Gambar 8 Landuse/Soil/Slope Definition
25
HRU dibentuk berdasarkan karakteristik tanah, penggunaan lahan, dan kelas
lereng yang spesifik. Pada proses ini perlu memasukkan data peta tata guna lahan
serta landuse code, peta jenis tanah serta soil code dan data kelas kemiringan
lahan yang sudah ditentukan sebelumnya. Selanjutnya memilih opsi Read.
Kemudian proses penentuan batas data (threshold by percentage) dan
pembentukan HRU. Batas data yang digunakan untuk Land use (%) sebesar 20%,
Soil (%) sebesar 10% dan Slope (%) sebesar 20% sesuai yang dianjurkan oleh
SWAT. Kemudian Create HRUs.
3. Input Data Klimatologi dan Curah Hujan

Pada menu Weather Stations seperti pada Gambar 3.8 perlu dimasukkan data
stasiun klimatologi dan curah hujan yang digunakan. Data stasiun tersebut
diperoleh dari proses pembuatan data WGN dengan Weatherdatabase yang
hasilnya berupa file.txt yang terbagi menjadi pcp, hm, tmp, slr dan wnd. Namun
terlebih dahulu Tabel WGEN_user pada database QSWATRef2012 disesuaikan
dengan data stasiun yang akan digunakan. Untuk lebih jelasnya dapat dilihat pada
Gambar 3.7.
Gambar 9 Database SWAT2012 WGEN_user

Setelah menyesuaikan data stasiun seperti gambar diatas, maka saat memasukkan
Location Table pada Weather Data Definition akan terbaca jumlah stasiun yang
sesuai pada database seperti pada gambar 3.8
26
Gambar 10 Weather Data Definition
4. Simulasi Soil Water Assesment Tools (SWAT)
Semua data yang dibutuhkan sudah masuk dan terbentuk maka simulasi SWAT
dapat dijalankan. Selanjutnya adalah masuk ke menu Simulation SWAT kemudian
Run SWAT dan akan muncul jendela seperti Gambar 3.10 dan 3.11. Pada menu
Run SWAT perlu mengatur periode simulasi, output data dan jenis program
SWAT yang akan digunakan. Periode simulasi dimulai tanggal 1 Januari 2018-
2019 sampai 31 Desember 2018-2019. Hasil simulasi dapat diatur dalam format
harian, bulanan atau tahunan. Jenis program SWAT yang digunakan adalah 64 bit.
Gambar 11 Setup and Run SWAT Model Simulation Debit Harian
5. Output Simulasi Soil Water Assestment Tools

Keluaran yang dihasilkan dari simulasi SWAT tersebut adalah file HRU, SUB dan
RCH. Untuk setiap file berisikan informasi tertentu. File HRU berisikan informasi
pada setiap Hydrological Response Units (HRU), file SUB berisikan informasi
27
pada setiap sub DAS dan file RCH berisikan informasi pada setiap sungai utama.
Informasi pada setiap HRU dan SUB terdiri dari informasi jumlah curah hujan
(PRECIP), evapotranspirasi potensial (PET) dan aktual (ET), kandungan air tanah
(SW), perkolasi (PERC), aliran permukaan (SURQ), aliran lateral (LATQ), aliran
dasar (GW_Q) dan hasil air (WYLD) yang dihasilkan selama periode simulasi.
Pada informasi setiap sungai utama terdiri dari informasi jumlah aliran yang
masuk ke sungai (FLOW-IN) dan aliran keluar (FLOW-OUT) yang
dikelompokkan dalam satu sub DAS selama periode simulasi. Informasi jumlah
aliran yang masuk dan keluar sungai yang akan digunakan pada penelitian ini.
3.4.4 Kalibrasi dan Validasi

Proses kalibrasi dan validasi yang dilakukan menggunakan program SWAT-CUP
dengan metode SUFI2 (Sequential Uncertainty Fitting). Proses kalibrasi ini diawali dengan
membuat project file dengan memasukkan data TxtInOut yang berada di folder scenarios.
Kemudian masukkan versi SWAT, jenis program dan metode yang digunakan. Pada
penelitian ini versi SWAT yang digunakan ada SWAT 2012, jenis program 64 bit dan metode
yang digunakan adalah SUFI2. Setelah itu menentukan letak penyimpanan dan nama file.
Pada jendela Project Explorer terdapat Calibration Inputs yang terdiri dari beberapa
file yang perlu disesuaikan dengan model DAS Batang Merao. Adapun file tersebut adalah
sebagai berikut:
1. Par_inf.txt merupakan file yang berisi parameter-parameter serta rentang nilai
sebagai masukan kalibrasi. Parameter-parameter ini yang akan mempengaruhi model DAS
dalam menghasilkan nilai debit. Pada file ini juga mengatur jumlah parameter dan simulasi
yang digunakan.
2. SUFI_swEdit.def merupakan file yang berisi jumlah simulasi dan parameter yang
digunakan.
3. File.Cio merupakan file untuk mengontrol data input atau output.
4. Observed_rch.txt merupakan file yang berisi data hasil observasi yang akan dibandingan
hasil dari kalibrasi SWAT-CUP. Dalam penelitian ini menggunakan nilai debit sungai.
5. Var_file _rch.txt merupakan file berisi nama variable-variabel yang akan dikalibrasi.
6. SUFI2_exctract_rch.def merupakan file berisi jumlah variabel, jumlah subDAS, tahun

simulasi dan satuan output yang dihasilkan SWAT-CUP.
28
Setelah semua file disesuaikan dengan model DAS, selanjutnya menjalankan proses kalibrasi
dengan Calibrate Tool yang ada pada Tool Bar. Hasil dari proses kalibrasi dapat dilihat pada
Calibration outputs. Apabila nilai P-value kurang dari 80% dan R-factor lebih besar dari satu
maka parameter-parameter yang terdapat pada Par_inf.txt diganti dengan parameter-
parameter yang terdapat pada New_par.txt dan iterasi kembali dilakukan. Semua iterasi
disimpan dalam iteration history. Kemudian melakukan validasi data debit simulasi terhadap
data debit observasi menggunakan persamaan R2 dan NS.
3.5 Analisis Data

Analisis Data dilakukan terhadap hasil kalibrasi data debit. Jika hasil kalibrasi
didapatkan memuaskan atau layak maka model SWAT dapat diaplikasikan untuk berbagai
kondisi dalam manajemen sumber daya air. Model dianggap layak bila model tersebut dapat
menggambarkan atau mendekati keadaan yang sebenarnya. Nilai kelayakan model dapBat
diukur dengan koefisien determinasi serta efisiensi model yang tinggi.
29
IV. HASIL DAN PEMBAHASAN
4.1 Hasil Pengolahan Data Spasial

Pada QGIS Terdapat tiga data spasial yang diolah yaitu peta kemiringan lahan, peta
tata guna lahan dan peta jenis tanah. Berikut adalah hasil dan pembahasan dari setiap data
spasial yang telah diolah.
4.1.1 Peta Kemiringan Lahan DAS Batang Merao

Peta Kemiringan Lahan DAS Batang Merao Dari bab sebelumnya telah dijelaskan
bahwa kemiringan lahan diklasifikasikan menjadi lima kelas berdasarkan Kriteria Teknis
Penataan Ruang Kawasan Budidaya, yaitu datar (0-8)%, landai (8-15)%, agak curam (15-
25)%, curam (25-45)%, dan sangat curam (>45)%. Hasilnya dapat dilihat pada Gambar 4.1
Gambar 12 Peta Lereng DAS Batang Merao

Dilihat dari Gambar 4.1. DAS Batang Merao didominasi lahan sangat curam dengan
kemiringan >45 %. Hal ini dapat menyebabkan erosi dan banjir karena tanah atau lahan
sangat peka terhadap erosi, curah hujan harian sangat tinggi, dan kawasan lindung dapat
berupa jalur pengaman aliran sungai dan hutan lindung.
30
4.1.2 Peta Tata Guna Lahan DAS Batang Merao
Peta tata guna lahan yang digunakan diambil dari KLHK tahun 2018-2019 kemudian
klasifikasi nya disamakan dengan database yang ada di pemodelan SWAT, peta tata guna
lahan ini tidak dilakukan analisis penginderaan jauh. Dari klasifikasi ini di dapatkan tujuh
klasifikasi yaitu hutan campuran, tanaman baris darat pertanian, lahan pertanian, padang
rumput, sawah, kepadatan perumahan medium/rendah, tandus.
Gambar 13 Peta Tutupan Lahan DAS Batang Merao

4.1.3 Peta Jenis Tanah DAS Batang Merao
Sungai Batang Merao merupakan anak sungai dari Sungai Batanghari. Untuk data
jenis tanah yang disiapkan menggunakan data jenis tanah yang terdapat di DAS Batang
Merao. Data jenis tanah Berdasarkan data jenis tanah dari Food and Agriculture Organization
(FAO) diperoleh tujuh jenis tanah pada DAS Batang Merao.
Dalam Harmonized World Soil Database dijelaskan kode jenis tanah yang
diklasifikan oleh FAO diantaranya Acrisol (AC), Cambisol (CM), Gleysol (GL), Fluvisol
(FL), Podzol (PZ), Andosol (AN). Untuk hasil yang lebih jelas dapat dilihat pada Gambar 4.3
31
Gambar 14 Peta Jenis Tanah Das Batang Merao
4.2 Hasil Pengolahan Data Klimatologi
Data Klimatologi yang digunakan adalah data klimatologi stasiun Siulak Deras
periode tahun 2017-2018-2019. Data Klimatologi diolah mengunakan Microsoft Excel. Data
stasiun Siulak Deras yang diperlukan dalam proses pengolahan tersebut adalah data
temperatur udara maksimum dan minimum harian (ºC), radiasi sinar matahari harian
(MJ/m2 /hari), kelembaban relatif udara (%), dan data kecepatan angin (m/s). Hasil tersebut
dapat dilihat pada Tabel 4.1
32
Tabel 4 Hasil Pembentukan Weather Generator Data (WGEN)
BULAN
Nama Variabel
JAN FEB MAR APRIL MEI JUNI JULI AGUST SEPT OKT NOV DES
TITLE SIULAK DERAS
WLATITUDE -2.0467
WLONGLITUD
101.4627
E
WLEV 819.28
RAIN_YRS 5.19
25.3 25.8 25.9 25.8 26.0 25.4 25.8 26.2 26.7 26.4 26.8 25.4
TMPMX
6 5 5 5 5 9 8 4 9 8 9 0
25.3 25.8 25.9 25.8 26.0 25.4 25.8 26.2 26.7 26.4 26.8 25.4
TMPMN
6 5 5 5 5 9 8 4 9 8 9 0
1.4 1.3 1.0 1.4 0.8 1.1 1.0 0.8 0.7 0.7 0.7 1.2
TMPSTDMX
5 9 6 5 4 8 5 5 1 5 1 1
0.9 0.5 0.8 0.8 0.6 0.5 0.6 0.7 1.2 0.6 0.7 0.5
TMPSTDMN
8 6 6 4 6 2 7 2 0 2 6 8
9.7 10.7 7.9 7.7 5.3 6.9 3.7 2.7 6.8 4.8 6.2 13.4
PCPMM
8 7 6 2 0 1 9 9 4 1 4 8
12.8 8.4 9.2 5.3 9.0 5.9 5.6 5.0 9.3 4.9 9.7 13.3
PCPPSTD
7 3 4 0 7 7 0 0 3 8 2 2
2.8 0.6 3.8 0.8 2.9 0.9 1.7 3.6 1.4 1.2 2.8 2.6
PCPSKW
7 4 0 4 8 2 7 8 4 2 3 0
PR_W1 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 0.08 1.00 1.00 1.00
PR_W2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
33
3 4 3 3 3 3 3 3 3 3 3 3
31.0 28.0 31.0 30.0 31.0 30.0 31.0 31.0 22.0 31.0 30.0 31.0
PCPD
0 0 0 0 0 0 0 0 0 0 0 0
7.9 8.2 9.0 8.4 8.5 7.1 8.1 7.8 7.9 7.2 8.3 7.3
SOLARAV
2 2 4 5 6 9 4 7 1 3 4 0
89.9 90.1 88.6 90.3 89.6 91.7 89.0 87.9 86.9 88.0 87.2 91.2
DEWPT
5 2 1 7 2 5 0 4 0 2 8 5
0.3 0.2 0.3 0.2 0.2 0.2 0.3 0.3 0.3 0.3 0.2 0.2
WNDAV
2 7 2 7 8 9 3 7 7 3 6 2
0.6 0.7 0.4 0.5 0.3 0.4 0.2 0.1 0.4 0.3 0.3 0.8
RAINHHM
1 9 3 3 0 1 4 6 3 2 8 0
34
4.3 Delineasi DAS Batang Merao
Outlet di Debai berupa pos duga air dengan menggunakan alat pesawat otomatik
mingguan. Outlet ini terletak pada koordinat lintang selatan dan bujur timur di Kecamatan
Keliling Danau , Kabupaten Kerinci, Provinsi Jambi. Letak outlet ini kemudian dijadikan
acuan dalam delineasi DAS Batang Merao. Hasil delineasi DAS dapat dilihat pada Gambar
4.4.
Dari proses delineasi DAS diatas terbentuk DAS dan sub DAS baru. Luasan DAS
yang terbentuk berdasarkan outlet sebesar 66121.16 ha dengan jumlah sub DAS yang
dihasilkan sebanyak 85 sub DAS.
4.4 Pembentukan Hidrological Response Unit (HRU)

Proses pembentukan HRU diperlukan peta tata guna lahan tata guna lahan, jenis tanah
dan kemiringan lahan yang akan diklasifikasikan kembali berdasarkan DAS yang sudah
didelineasi.
4.4.1 Klasifikasi Tata Guna Lahan SWAT

Langkah pertama yang dilakukan adalah memasukkan peta tata guna lahan dan
pembagian kelas yang sudah ditentukan sebelumnya. Kemudian akan dihasilkan klasifikasi
tata guna lahan oleh SWAT. Untuk hasilnya dapat dilihat pada Tabel 5.
Tabel 5 Rekapitulasi Hasil Klasifikasi Tata Guna Lahan DAS Batang Merao
No Tata Guna SWAT Clasification Land Luas (Km²) Persentase
Lahan Landuse Use (%)
1 Hutan Campuran FRST forest-mixed 15787.3 23.88
2 Tanaman Baris AGRR Agricultural Land-Row 8796.09 13.30

Darat Pertanian Crops
3 Lahan Pertanian AGRL agricultural land 751.07 1.14
4 Padang Rumput PAST Pasture 30754.36 46.52
5 Sawah RICE Rice 8004.84 12.11

6 Kepadatan URML Residential-Med/Low 1895.19 2.87
Perumahan- Density
Med/Rendah
7 Tandus BARR Barren 132.69 0.20
JUMLAH 661221.16 100
35
Pengelompokan oleh SWAT menghasilkan tujuh kelas tata guna lahan diantaranya
hutan (FRST/forest-mixed), tanaman baris darat pertanian (AGRR/ Agricultural Land-Row
Crops), lahan pertanian (AGRL/ agricultural land), padang rumput (PAST/pasture), sawah
(RICE/rice), Kepadatan Perumahan-Medium/Rendah (URML/ Residential-Med/Low
Density), tandus (BARR/barren).
4.4.2 Klasifikasi Jenis Tanah SWAT

Setelah pengelompokkan tata guna lahan kemudian dilakukan pengelompokkan data
jenis tanah oleh SWAT. Jenis tanah pada DAS Batang Merao dihasilkan enam jenis tanah
berdasarkan klasifikasi dari Food Agriculture Organization (FAO). Untuk jenis tanah pada
DAS yang sudah didelineasi menjadi DAS Batang Merao diperoleh satu jenis tanah yaitu
jenis tanah Podzol dengan kode jenis tanah dan luasan 33978.50 Km².
4.4.3 Klasifikasi Kemiringan Lahan SWAT

Proses selanjutnya memasukan data klasifikasi kemiringan lahan. Klasifikasi dibagi
menjadi lima kelas berdasarkan Kriteria Teknis Penataan Ruang Kawasan Budidaya, yaitu
datar (0-8)%, landai (8-15)%, agak curam (15-25)%, curam (25-45)%, dan sangat curam
(>45)%. Berdasarkan DAS yang sudah didelineasi menjadi DAS Batang Merao diperoleh
empat kelas kemiringan lahan dapat dilihat pada Tabel 6.
Tabel 6 Luasan Hasil Klasifikasi Kemiringan Lahan DAS Batang Merao
No Kemiringan Keterangan Luas (km²) Persentase (%)

1 0% - 8% Datar 12344.68 19.67
2 8% - 15% Landai 4817.08 7.27
3 15% - 25% Agak Curam 8474.33 12.71
4 255 - 45% Curam 19063.15 28.45
5 > 45% Sangat Curam 21421.91 31.90
Jumlah 661221.16 100
4.4.4 Pembentukan HRU

Dari ketiga data spasial yang sudah diproses kemudian dilakukan batasan data atau
threshold by percentage. Setelah itu pembentukan HRU dilakukan dengan overlay ketiga data
tanah yaitu data tata guna lahan, jenis tanah dan kemiringan lahan. Hasil dari proses tersebut
diperoleh jumlah HRU sebanyak 513 HRU yang terbagi didalam 85 sub DAS. Untuk lebih
jelasnya hasil proses pembentukan HRU dapat dilihat pada Tabel 7.
36
Tabel 7 Rekapitulasi Hasil Pembentukan Sub-DAS dan HRU DAS Batang Merao
Komponen Sub
Keterangan Area Wat.Area
HRU Area
Sub Das 2 446.28 0.08
URML 52.5 0.19 11.76
Landuse AGRR/Agricultural Land-Row Crops 122.91 0.12 27.54
RICE/Rice 270.87 0.04 60.69
Podzol 48.43 0.07 10.85
Soils Gleysol 123.76 0.19 27.73
Cambisol 274.1 0.41 61.42
0% - 8% 314.82 0.48 70.54
8% - 15% 49.88 0.08 11.18
Slope 15% - 25% 27.05 0.04 6.06
25%- 45% 34.21 0.05 7.67
> 45% 20.32 0.03 4.55
3 RICE/Cambisol/0-8.0 168.16 0.25 37.68
4 RICE/Gleysol/0-8.0 138.82 0.21 31.11
5 AGRR/Cambisol/0-8.0 29.55 0.04 6.62
HRU 6 AGRR/Cambisol/8.0-15.0 33.65 0.05 7.54
7 AGRR/Cambisol/15.0-25.0 21.21 0.03 4.75
8 AGRR/Podzol/25.0-45.0 29.78 0.05 6.67
9 AGRR/Podzol/45.0-9999 25.11 0.04 5.63
4.5 Data Parameter Klimatologi

Pada pilihan Weather Stations perlu memasukkan data parameter klimatologi. Format
data ini berupa nama stasiun, letak koordinat stasiun dan elevasi stasiun. Terdiri dari PCP
(curah hujan), HR (kelembaban relatif), TMP (temperatur), SLR (radiasi sinar matahari) dan
WND (kecepatan angin). Data ini harus sesuai dengan data Weather Generator pada bab
sebelumnya agar nantinya aplikasi SWAT dan SWATeditor dapat membaca data klimatologi
yang sudah dimasukkan.
37
Gambar 15 SWAT Error Checker
4.6 Simulasi Soil Water Assestment Tools (SWAT)
Dari proses simulasi akan dihasilkan data keluaran diantaranya file HRU, SUB, dan
RCH. Data keluaran tersebut nantinya digunakan pada saat proses kalibrasi dengan aplikasi
SWATeditor. Hasil pemodelan dapat dilihat pada Run SwatCheck seperti Gambar 4.5.
Gambar 16 SWATGraph
Hasil pada SWAT Error Checker pemodelan simulasi SWAT diatas pada bagian
Hydrology memberikan kesimpulan bahwa rasio dari air limpasan permukaan masih cukup
tinggi, dan kandungan air tanah masih cukup rendah sehingga menghasilkan air limpasan
permukaan dan air yang menuju ke sungai menjadi berlebihan. Hasil perbandingan Dengan
memasukkan data debit observasi pada visualisasi pemodelan SWAT diperoleh nilai
parameter statistik R2 dan NS sebesar 0,20 dan -0.7. Nilai parameter statistik tersebut masih
38
minus dan jauh dari angka satu sehingga perlu dilakukan kalibrasi pada aplikasi SWAT-CUP
agar model lebih mendekati kondisi asli. Hasil pemodelan dapat dilihat pada Run SwatCheck
seperti Gambar 4.5
5.7 Hasil Kalibrasi

Proses kalibrasi diperlukan untuk optimalisasi hasil simulasi dengan menyesuaikan
nilai parameter dari suatu model untuk mendapatkan hasil yang memuaskan. Kalibrasi
bertujuan untuk meningkatkan korelasi model dengan kondisi sebenarnya karena adanya
keterbatasan model hidrologi dalam memodelkan kondisi sebenarnya. Kalibrasi
menggunakan aplikasi SWAT-CUP dengan metode SUFI-2 (Sequential Uncecrtainty
Fitting). Metode SUFI2 memiliki nilai batas yang ditentukan dari setiap parameter yang
mempengaruhi simulasi. Kemudian kalibrasi dilakukan dengan proses iterasi dimana dalam
satu iterasi maksimal terdapat 500 simulasi untuk setiap kombinasi parameter.
Dari hasil simulasi model terdapat message and warning yang dapat digunakan
sebagai acuan dalam menentukan parameter yang akan digunakan. Message and warning
pada hasil simulasi model pada Gambar 4.5 yaitu lateral flow is greater than groundwater
flow, may indicate a problem. Water yield may be excessive ,surface runoff may be
excessive, sehingga parameter yang digunakan untuk optimasi adalah parameter yang
memiliki pengaruh terhadap air tanah. Pada penelitian ini menggunakan enam parameter
yang diperkirakan dapat mempengaruhi hasil simulasi secara signifikan dengan dilakukan
kalibrasi secara bersamaan. Parameter yang digunakan dan rentang nilai parameter yang
diperoleh pada penelitian ini dapat dilihat pada tabel 8.
Tabel 8. Parameter Dan Rentang Nilai Yang Digunakan

Parameter_Name Fitted_Value Min_value Max_value
R__CN2.mgt 162.603424 150.648346 176.637634
V__GW_REVAP.gw 508.370667 412.68222 557.664734
R__SOL_K(..).sol 827.380249 756.642639 887.638245
V__CH_K2.rte 269.274139 267.676819 347.542419
V__CH_N2.rte 1159.223389 812.331421 1454.723877
V__GW_DELAY.gw 257.713898 41.328232 556.532227
V__ALPHA_BF.gw -0.972362 -1.0663 -0.89234
V__GWQMN.gw 5872.887207 -80.434242 6534.367676
V__REVAPMN.gw 383.848267 260.37262 623.536255
39
4.8 Hasil Validasi
Dari proses kalibrasi pemodelan menggunakan SWAT CUP dengan metode SUFI 2
diperoleh debit simulasi yang sudah teroptimasi. Hasil tersebut kemudian divalidasi
menggunakan persamaan R² dan NS. Validasi diperlukan untuk membandingkan hasil yang
dimodelkan tanpa adanya penyesuaian lanjut seperti yang terdapat pada kalibrasi. Proses
validasi dilakukan pada debit harian, debit 15 harian dan debit bulanan.
4.8.1 Validasi Debit Harian Sungai Batang Merao

Validasi debit harian Sungai Batang Merao dilakukan pada data debit observasi yang
diambil dari stasiun duga air AWLR (Automatic Water Lavel Recorder) di Debai kemudian
dibandingkan dengan debit simulasi yang dihasilkan dari kalibrasi pemodelan DAS Batang
Merao. Untuk rekapitulasi dari hasil perhitungan nilai statistik R2 dan NS pada debit harian
periode tahun 2018-2019 dapat dilihat pada Lampiran .
Tabel 9 Rekapitulasi nilai R2 dan NS pada periode tahun 2018-2019
No Hari 2018 2019 2018-2019
R2 Ns R2 Ns R2 Ns
1 Harian 0.74 0.31 0.85 0.77 0.78 0.77
2 15 Harian 0.55 0.8 0.97 0.49 0.84 0.56
3 Bulanan 0.95 0.25 0.95 0.26 0.81 0.28
Perhitungan nilai R2 pada debit harian Sungai Batang Merao periode tahun 2018-
2019 adalah sebagai berikut
2
R =¿¿
( )
2
2 104.76
R=
116.45
2
R =0 ,80
Perhitungan nilai NS pada debit harian Sungai Batang Merao periode tahun 2018-
2019 adalah sebagai berikut :
40
∑ (Q m−QS )
2
i
NS=1− 2
∑ (Qm , i−Qm . avr )
i
( )
2
2 216620.444
R=
45994.396
NS=0 ,78
Pada periode tahun 2018-2019 didapatkan nilai R2 sebesar 0,80 dan nilai NS sebesar
0,78 untuk debit harian. Hasil validasi dari periode tahun tersebut menunjukkan bahwa
hubungan antara debit simulasi dan debit observasi sudah memuaskan karena ditunjukan
dengan nilai statistik R2 pada periode tahun 2018-2019 sudah mendekati angka 1 dan nilai
NS >0.36 dapat dinyatakan memuaskan. Adapun perbandingan hasil debit simulasi dan
observasi harian, 15 harian dan bulanan pada Sungai Batang Merao periode tahun 2018-2019
dapat dilihat pada Gambar 4.7, Gambar 4.8 dan Gambar 4.9.
HARIAN TAHUN 2018-2019

80
70
60
50
40
30
20
10
0
1 29 57 85 113141169197225253281309337365393421449477505533561589617645673701729
Qs (Debit Simulasi) Qm (Debit Observasi)
Gambar 17 Perbandingan Debit Simulasi Dan Observasi Harian Pada

Sungai Batang Merao Periode Tahun 2018-2019
41
15 HARIAN PERIODE TAHUN 2018-2019
70.00
60.00
50.00
40.00
30.00
20.00
10.00
0.00
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
Qs (Debit Simulasi) Qm (Debit Observasi)
Gambar 18 Perbandingan Debit Simulasi Dan Observasi 15 Harian Pada Sungai

Batang Merao Periode Tahun 2018-2019
BULANAN PERIODE TAHUN 2018-2019

60.00
50.00
40.00
30.00
20.00
10.00
0.00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Qs (Debit Simulasi) Qo (Debit Observasi)
Gambar 19 Perbandingan Debit Simulasi Dan Observasi bulanan Pada

Sungai Batang Merao Periode Tahun 2018-2019
42
V. KESIMPULAN DAN SARAN
5.1 Kesimpulan
Penelitian analisis debit Sungai Batang Merao dengan model SWAT di outlet Debai
dikalibrasi menggunakan SWAT CUP program Sufi2. Proses validasi dibagi menjadi tiga
bagian yaitu validasi terhadap debit harian, debit 15 harian dan debit bulanan. Berdasarkan
hasil yang sudah dijelaskan pada bab sebelumnya dapat diambil beberapa kesimpulan sebagai
berikut.
1. Dari hasil validasi debit harian Sungai Batang Merao di outlet Debai periode tahun 2018-
2019 diperoleh nilai statistik R2 dan NS sebesar 0.80 dan 0.78. Nilai statistik R2
menunjukkan hasil yang memuaskan yaitu mendekati angka 1. Untuk efisiensi model NS
menunjukkan nilai yang memuaskan, dimana nilai NS lebih dari 0,36. Dari hasil ini dapat
disimpulkan bahwa efisiensi model SWAT dalam melakukan simulasi terhadap kondisi
lapangan dapat dikatakan memuaskan.
2. Dari hasil validasi debit 15 harian Sungai Batang Merao di outlet Debai periode tahun
2018-2019 diperoleh nilai statistik R2 dan NS sebesar 0.84 dan 0.56. Nilai statistik R2
menunjukkan nilai yang memuaskan, dimana nilai NS lebih dari 0,36. Hal ini bisa
disimpulkan bahwa pemodelan debit 15 harian Sungai Batang Merao dapat
merepresentasikan kondisi asli yang terjadi di sungai.
3. Dari hasil validasi debit bulanan Sungai Batang Merao di outlet Debai periode tahun 2018-
2018-2019 diperoleh nilai statistik R2 dan NS sebesar 0.81 dan 0.28. Nilai statistik R2
menunjukkan nilai yang kurang memuaskan, dimana nilai NS kurang dari 0,36. Hal ini bisa
disimpulkan bahwa pemodelan debit bulanan Sungai Batang Merao belum bisa
merepresentasikan kondisi asli yang terjadi di sungai.
4. Dari hasil validasi model terhadap debit harian, debit 15 harian dan debit bulanan Sungai
Batang Merao di outlet Debai dapat disimpulkan bahwa performa pemodelan dapat dikatakan
memuaskan.
43
5.2 Saran
Berdasarkan dari kesimpulan penelitian ini terdapat beberapa saran yang bisa
dijadikan pertimbangan untuk penelitian kedepannya yaitu sebagai berikut.
1. Memperhatikan data-data yang digunakan dalam pembuatan model sungai seperti peta tata
guna lahan, peta jenis tanah, slope dan data klimatologi. Sebaiknya data-data tersebut
dipersiapkan secara teliti agar model yang disimulasikan bisa mendekati kondisi
sesungguhnya.
2. Perlu periode waktu data yang lebih panjang agar mendapatkan hasil yang optimal.
3. Perlu adanya pendekatan kalibrasi yang lebih optimal pada pemodelan sungai sehingga
hasil simulasi sesuai dengan kondisi sungai sebenarnya.
4. Melakukan parameterisasi yang lebih mendalam dan luas agar nilai statistik dari kalibrasi
dan validasi pemodelan sungai bisa memenuhi syarat yang ditentukan.
44
DAFTAR PUSTAKA
Amin, M. et al. 2018. Diktat Kuliah Pengelolaan Daerah Aliran Sungai. Universitas
Lampung. Bandar Lampung.
Arnold, J. G. et al. 2012. Soil and Water Assessment Tool Input/Output File Documentation
Verrsion 2012. Agricultural Research Service US. Texas.
Arnold, J. G. et al. 2012. SWAT: MODEL USE, CALIBRATION, AND VALIDATION.

Transactions of the ASABE. Vol. 55 No.4. Texas
Documentation Version 2009. Agricultural Research Service US. Texas.
Ivanov, V. Y. et al. 2007. A Weather Generator for Hydrological, ecological, and

Agricultural Applications. Water Resources Research. Vol. 43 No.10.
Indarto dan Prasetyo, D. R.. 2014. Pembuatan Digital Elevation Model Resolusi 10m dari
Peta RBI dan Survei GPS dengan Algoritma ANUDEM. Jurnal Keteknikan Pertanian.
Vol. 2 No. 1.
Neitsch, S. L. et al. 2011. Soil and Water Assessment Tool Theoretical Documentation
Version 2009. Agricultural Research Service US. Texas.
Oswald, P., dan Astrini, R.. 2012. Modul Pelatihan ArcGIS10. Deutsche Gesellschaft für
Internationale Zusammenarbeit (GIZ). Mataram
Paimin, et al. 2012. Sistem Perencanaan Pengelolaan Daerah Aliran Sungai. Pusat Penelitian
dan Pengembangan Konservasi dan Rehailitasi (P3KR). Bogor.
Purwanto, E. H. dan Lukiawan, R.. 2018-2019. Parameter Teknis dalam Usulan Standar
Pengolahan Penginderaan Jauh: Metode Klasifikasi Terbimbing. Jurnal Standardisasi.
Vol. 21 No. 1. Jakarta.
Soil and water assessment tool theoretical documentation version 2000
Soil and water assessment tool inout/output documentation version 2012
Vilaysane, B., Takara, K., Luo, P., Akkharath, I., and Duan, W.. 2015. Hydrological Stream
Flow Modelling for Calibration and Uncertainty Analysis Using SWAT Model in The
Xedone River Basin, Lao PDR. Procedia Environmental Scienses. 380-390 (Vol.28)
45
Wilson, E. M.. 1990. Hidrologi Teknik. Terjemahan oleh MM Purbohadiwidjoyo.1993.
Institut Teknologi Bandung. Bandung
Seyhan, E.. 1977. Dasar-dasar Hidrologi. Terjemahan oleh Sentot Subagyo. 1990. Gadjah
Mada University Press. Yogyakarta
46
LAMPIRAN
Lampiran 1 Data Debit Simulasi Periode Tahun 2018-2019
No Tanggal Qs (Debit Simulasi)
1 1/1/2018 56.32
2 1/2/2018 54.43
3 1/3/2018 57.92
4 1/4/2018 51.29
5 1/5/2018 51.49
6 1/6/2018 48.23
7 1/7/2018 48.87
8 1/8/2018 49.23
9 1/9/2018 49.03
10 1/10/2018 54.68
11 1/11/2018 51.12
12 1/12/2018 50.38
13 1/13/2018 47.87
14 1/14/2018 44.45
15 1/15/2018 45.65
16 1/16/2018 45.12
17 1/17/2018 42.32
18 1/18/2018 41.67
19 1/19/2018 41.36
20 1/20/2018 38.67
21 1/21/2018 40.54
22 1/22/2018 38.9
23 1/23/2018 42.61
24 1/24/2018 42.29
25 1/25/2018 34.99
26 1/26/2018 34.64
27 1/27/2018 34.19
28 1/28/2018 39.04
29 1/29/2018 38.45
30 1/30/2018 37.85
31 1/31/2018 37.72
32 2/1/2018 58.54
33 2/2/2018 54.86
34 2/3/2018 56.79
35 2/4/2018 55.03
36 2/5/2018 52.65
37 2/6/2018 51.59
38 2/7/2018 50.39
39 2/8/2018 52.88
47
40 2/9/2018 52.65
41 2/10/2018 53.73
42 2/11/2018 49.07
43 2/12/2018 51.33
44 2/13/2018 47.81
45 2/14/2018 44.51
46 2/15/2018 44.87
47 2/16/2018 42.43
48 2/17/2018 41.78
49 2/18/2018 42.69
50 2/19/2018 41.37
51 2/20/2018 41.21
52 2/21/2018 44.56
53 2/22/2018 39.45
54 2/23/2018 38.57
55 2/24/2018 38.31
56 2/25/2018 37.61
57 2/26/2018 37.17
58 2/27/2018 36.5
59 2/28/2018 36.35
60 3/1/2018 36.07
61 3/2/2018 35.65
62 3/3/2018 35.27
63 3/4/2018 34.88
64 3/5/2018 35
65 3/6/2018 36.19
66 3/7/2018 35.83
67 3/8/2018 36.62
68 3/9/2018 53.75
69 3/10/2018 52.21
70 3/11/2018 49.96
71 3/12/2018 55.04
72 3/13/2018 51.23
73 3/14/2018 61.22
74 3/15/2018 55.09
75 3/16/2018 53.88
76 3/17/2018 57.79
77 3/18/2018 59.01
78 3/19/2018 51.23
79 3/20/2018 46.32
80 3/21/2018 45.82
81 3/22/2018 45.14
82 3/23/2018 45.7
83 3/24/2018 50.93
84 3/25/2018 53.44
48
85 3/26/2018 56.17
86 3/27/2018 55.08
87 3/28/2018 54.09
88 3/29/2018 53.66
89 3/30/2018 53.51
90 3/31/2018 52.55
91 4/1/2018 51.72
92 4/2/2018 45.55
93 4/3/2018 41.83
94 4/4/2018 45.09
95 4/5/2018 43.33
96 4/6/2018 53.07
97 4/7/2018 51.27
98 4/8/2018 51.02
99 4/9/2018 51.44
100 4/10/2018 50.99
101 4/11/2018 52.28
102 4/12/2018 50.58
103 4/13/2018 49.51
104 4/14/2018 48.93
105 4/15/2018 43.61
106 4/16/2018 43.24
107 4/17/2018 44.79
108 4/18/2018 45.86
109 4/19/2018 45.49
110 4/20/2018 46.08
111 4/21/2018 45.8
112 4/22/2018 45.25
113 4/23/2018 46.3
114 4/24/2018 49.18
115 4/25/2018 61.45
116 4/26/2018 65.89
117 4/27/2018 64.52
118 4/28/2018 66.74
119 4/29/2018 58.93
120 4/30/2018 57.04
121 5/1/2018 54.66
122 5/2/2018 50.03
123 5/3/2018 51.22
124 5/4/2018 47.87

125 5/5/2018 42.3
126 5/6/2018 44.09
127 5/7/2018 52.67
128 5/8/2018 50.78
49
129 5/9/2018 49.15
130 5/10/2018 47.72
131 5/11/2018 46.56
132 5/12/2018 46.3
133 5/13/2018 45.2
134 5/14/2018 44.11
135 5/15/2018 43.54
136 5/16/2018 47.43
137 5/17/2018 43.69
138 5/18/2018 41.25
139 5/19/2018 42.34
140 5/20/2018 39.05
141 5/21/2018 41.9
142 5/22/2018 42.34
143 5/23/2018 45.65
144 5/24/2018 44.72
145 5/25/2018 43.95
146 5/26/2018 46.3
147 5/27/2018 49.51
148 5/28/2018 48.82
149 5/29/2018 49.58
150 5/30/2018 58.33
151 5/31/2018 64.59
152 6/1/2018 49.3
153 6/2/2018 67.31
154 6/3/2018 67.73
155 6/4/2018 69.04
156 6/5/2018 60.44
157 6/6/2018 55.68
158 6/7/2018 51.14
159 6/8/2018 52.21
160 6/9/2018 52.43
161 6/10/2018 50.32
162 6/11/2018 45.5
163 6/12/2018 47.77
164 6/13/2018 46.34
165 6/14/2018 41.22
166 6/15/2018 37.67
167 6/16/2018 41.11
168 6/17/2018 36.64
169 6/18/2018 36.2
170 6/19/2018 42.75
171 6/20/2018 35.39
172 6/21/2018 40.08
173 6/22/2018 43.28
50
174 6/23/2018 40.11
175 6/24/2018 38.58
176 6/25/2018 41.05
177 6/26/2018 43.28
178 6/27/2018 48.08
179 6/28/2018 43.33
180 6/29/2018 40.08
181 6/30/2018 46.43
182 7/1/2018 41.23
183 7/2/2018 48.23
184 7/3/2018 50.83
185 7/4/2018 52.35
186 7/5/2018 51.22
187 7/6/2018 53.78
188 7/7/2018 48.76
189 7/8/2018 45.56
190 7/9/2018 43.59
191 7/10/2018 48.9
192 7/11/2018 42.23
193 7/12/2018 55.51
194 7/13/2018 53.94
195 7/14/2018 51.21
196 7/15/2018 55.57
197 7/16/2018 48.81
198 7/17/2018 47.67
199 7/18/2018 40.07
200 7/19/2018 45.02
201 7/20/2018 30.92
202 7/21/2018 37.43
203 7/22/2018 37.43
204 7/23/2018 37.43
205 7/24/2018 37.43
206 7/25/2018 40.12
207 7/26/2018 31.25
208 7/27/2018 39.78
209 7/28/2018 40.09
210 7/29/2018 43.51
211 7/30/2018 45.55
212 7/31/2018 43.51
213 8/1/2018 43.51
214 8/2/2018 41.21
215 8/3/2018 38.23
216 8/4/2018 38.23
217 8/5/2018 38.23
218 8/6/2018 38.23
51
219 8/7/2018 41.28
220 8/8/2018 53.33
221 8/9/2018 45.65
222 8/10/2018 45.65
223 8/11/2018 45.65
224 8/12/2018 40.09
225 8/13/2018 41.23
226 8/14/2018 43.12
227 8/15/2018 43.12
228 8/16/2018 43.12
229 8/17/2018 36.23
230 8/18/2018 38.34
231 8/19/2018 38.34
232 8/20/2018 38.34
233 8/21/2018 38.34
234 8/22/2018 26.16
235 8/23/2018 35.76
236 8/24/2018 35.76
237 8/25/2018 35.76
238 8/26/2018 35.76
239 8/27/2018 35.76
240 8/28/2018 35.76
241 8/29/2018 25.4
242 8/30/2018 25.36
243 8/31/2018 26.36
244 9/1/2018 26.21
245 9/2/2018 26.02
246 9/3/2018 54.43
247 9/4/2018 54.43
248 9/5/2018 54.43
249 9/6/2018 54.43
250 9/7/2018 54.43
251 9/8/2018 42.12
252 9/9/2018 42.12
253 9/10/2018 42.12
254 9/11/2018 42.12
255 9/12/2018 24.46
256 9/13/2018 24.29
257 9/14/2018 24.1
258 9/15/2018 23.87
259 9/16/2018 23.63
260 9/17/2018 23.38
261 9/18/2018 23.76
262 9/19/2018 24.09
263 9/20/2018 24.57
52
264 9/21/2018 24.34
265 9/22/2018 24.34
266 9/23/2018 24.19
267 9/24/2018 24.04
268 9/25/2018 24.09
269 9/26/2018 24.04
270 9/27/2018 23.81
271 9/28/2018 23.6
272 9/29/2018 23.39
273 9/30/2018 23.15
274 10/1/2018 23.07
275 10/2/2018 23.1
276 10/3/2018 23.29
277 10/4/2018 23.45
278 10/5/2018 23.2
279 10/6/2018 22.99
280 10/7/2018 22.99
281 10/8/2018 23.2
282 10/9/2018 23.42
283 10/10/2018 23.73
284 10/11/2018 27.27
285 10/12/2018 40.32
286 10/13/2018 39.05
287 10/14/2018 37.53
288 10/15/2018 38.63
289 10/16/2018 35.55
290 10/17/2018 36.64
291 10/18/2018 36.41
292 10/19/2018 37.65
293 10/20/2018 37.77
294 10/21/2018 35.94
295 10/22/2018 36.79
296 10/23/2018 41.36
297 10/24/2018 42.22
298 10/25/2018 35.56
299 10/26/2018 37.84
300 10/27/2018 36.64
301 10/28/2018 30.26
302 10/29/2018 30.58
303 10/30/2018 31.62
304 10/31/2018 32.8
305 11/1/2018 33.6
306 11/2/2018 41.06
307 11/3/2018 42.55
308 11/4/2018 42.89
53
309 11/5/2018 56.66
310 11/6/2018 45.65
311 11/7/2018 51.34
312 11/8/2018 54.88
313 11/9/2018 53.9
314 11/10/2018 60.12
315 11/11/2018 50.01
316 11/12/2018 58.95
317 11/13/2018 54.64
318 11/14/2018 55.02
319 11/15/2018 54.46
320 11/16/2018 53.58
321 11/17/2018 52.56
322 11/18/2018 53.29
323 11/19/2018 56.31
324 11/20/2018 58.52
325 11/21/2018 57.95
326 11/22/2018 58.39
327 11/23/2018 57.56
328 11/24/2018 56.56
329 11/25/2018 56.62
330 11/26/2018 35.58
331 11/27/2018 35.58
332 11/28/2018 35.58
333 11/29/2018 35.58
334 11/30/2018 35.12
335 12/1/2018 41.34
336 12/2/2018 44.58
337 12/3/2018 42.48
338 12/4/2018 41.21
339 12/5/2018 43.4
340 12/6/2018 47.67
341 12/7/2018 48.23
342 12/8/2018 53.45
343 12/9/2018 55.61
344 12/10/2018 55.78
345 12/11/2018 55.5
346 12/12/2018 55.23
347 12/13/2018 54.42
348 12/14/2018 57.98
349 12/15/2018 62.33
350 12/16/2018 66.83
351 12/17/2018 59.12
352 12/18/2018 58.76
353 12/19/2018 55.92
54
354 12/20/2018 51.22
355 12/21/2018 51.12
356 12/22/2018 46.54
357 12/23/2018 46.54
358 12/24/2018 42.11
359 12/25/2018 42.11
360 12/26/2018 42.11
361 12/27/2018 42.11
362 12/28/2018 32.34
363 12/29/2018 32.34
364 12/30/2018 32.34
365 12/31/2018 32.34
366 1/1/2019 32.34
367 1/2/2019 32.34
368 1/3/2019 32.12
369 1/4/2019 32.12
370 1/5/2019 32.12
371 1/6/2019 32.12
372 1/7/2019 31.87
373 1/8/2019 31.87
374 1/9/2019 31.87
375 1/10/2019 28.76
376 1/11/2019 28.76
377 1/12/2019 28.76
378 1/13/2019 28.76
379 1/14/2019 32.76
380 1/15/2019 32.76
381 1/16/2019 32.76
382 1/17/2019 32.76
383 1/18/2019 35.18
384 1/19/2019 35.18
385 1/20/2019 35.18
386 1/21/2019 35.18
387 1/22/2019 35.18
388 1/23/2019 50.1
389 1/24/2019 26.26
390 1/25/2019 26.26
391 1/26/2019 26.26
392 1/27/2019 26.26
393 1/28/2019 26.26
394 1/29/2019 26.26
395 1/30/2019 26.26
396 1/31/2019 26.26
397 2/1/2019 26.26
398 2/2/2019 40.54
55
399 2/3/2019 41.22
400 2/4/2019 42.3
401 2/5/2019 41.88
402 2/6/2019 41.49
403 2/7/2019 40.81
404 2/8/2019 40.04
405 2/9/2019 39.34
406 2/10/2019 40.84
407 2/11/2019 41.14
408 2/12/2019 41.2
409 2/13/2019 40.28
410 2/14/2019 39.88
411 2/15/2019 42.85
412 2/16/2019 44.83
413 2/17/2019 45.58
414 2/18/2019 44.72
415 2/19/2019 43.76
416 2/20/2019 43.21
417 2/21/2019 56.31
418 2/22/2019 57.23
419 2/23/2019 62.23
420 2/24/2019 54.23
421 2/25/2019 56.67
422 2/26/2019 45.18
423 2/27/2019 47.39
424 2/28/2019 50.17
425 3/1/2019 61.76
426 3/2/2019 57.24
427 3/3/2019 56.24
428 3/4/2019 57.35
429 3/5/2019 57.07
430 3/6/2019 56.85
431 3/7/2019 55.98
432 3/8/2019 55.98
433 3/9/2019 55.31
434 3/10/2019 55.48
435 3/11/2019 54.81
436 3/12/2019 54.19
437 3/13/2019 53.63
438 3/14/2019 52.58
439 3/15/2019 51.45
440 3/16/2019 50.31
441 3/17/2019 49.15
442 3/18/2019 47.98
443 3/19/2019 46.79
56
444 3/20/2019 45.59
445 3/21/2019 45.85
446 3/22/2019 45.44
447 3/23/2019 45
448 3/24/2019 44.72
449 3/25/2019 43.89
450 3/26/2019 44.09
451 3/27/2019 44.12
452 3/28/2019 43.44
453 3/29/2019 42.73
454 3/30/2019 42.03
455 3/31/2019 42.3
456 4/1/2019 42.22
457 4/2/2019 41.43
458 4/3/2019 40.75
459 4/4/2019 39.89
460 4/5/2019 40.18
461 4/6/2019 40.25
462 4/7/2019 39.79
463 4/8/2019 39.64
464 4/9/2019 39.19
465 4/10/2019 39.4
466 4/11/2019 40
467 4/12/2019 39.86
468 4/13/2019 39.18
469 4/14/2019 38.98
470 4/15/2019 40.14
471 4/16/2019 41.78
472 4/17/2019 42.17
473 4/18/2019 41.55
474 4/19/2019 41.26
475 4/20/2019 41.37
476 4/21/2019 41.22
477 4/22/2019 40.91
478 4/23/2019 41.29
479 4/24/2019 40.97
480 4/25/2019 40.37
481 4/26/2019 41.59
482 4/27/2019 42.53
483 4/28/2019 41.74
484 4/29/2019 40.8
485 4/30/2019 40.07
486 5/1/2019 39.4
487 5/2/2019 38.82
488 5/3/2019 38.38
57
489 5/4/2019 38.13
490 5/5/2019 37.92
491 5/6/2019 37.43
492 5/7/2019 36.94
493 5/8/2019 36.47
494 5/9/2019 36.05
495 5/10/2019 35.62
496 5/11/2019 35.21
497 5/12/2019 34.95
498 5/13/2019 34.55
499 5/14/2019 34.24
500 5/15/2019 37.77
501 5/16/2019 36.9
502 5/17/2019 37.44
503 5/18/2019 36.87
504 5/19/2019 36.42
505 5/20/2019 36.02
506 5/21/2019 36.79
507 5/22/2019 37.77
508 5/23/2019 37.21
509 5/24/2019 36.62
510 5/25/2019 36.07
511 5/26/2019 35.62
512 5/27/2019 35.16
513 5/28/2019 34.94
514 5/29/2019 35.14
515 5/30/2019 34.84
516 5/31/2019 34.62
517 6/1/2019 35.62
518 6/2/2019 35.3
519 6/3/2019 38.57
520 6/4/2019 31.77
521 6/5/2019 40.38
522 6/6/2019 38.76
523 6/7/2019 36.84
524 6/8/2019 33.77
525 6/9/2019 34.52
526 6/10/2019 35.27
527 6/11/2019 35.92
528 6/12/2019 36.17
529 6/13/2019 35.87
530 6/14/2019 35.56
531 6/15/2019 35.5
532 6/16/2019 35.15
533 6/17/2019 34.8
58
534 6/18/2019 35.23
535 6/19/2019 35.31
536 6/20/2019 35.02
537 6/21/2019 35.17
538 6/22/2019 34.78
539 6/23/2019 34.32
540 6/24/2019 33.91
541 6/25/2019 33.53
542 6/26/2019 33.78
543 6/27/2019 34.1
544 6/28/2019 33.91
545 6/29/2019 33.65
546 6/30/2019 33.29
547 7/1/2019 32.94
548 7/2/2019 32.64
549 7/3/2019 32.69
550 7/4/2019 33.49
551 7/5/2019 34.02
552 7/6/2019 33.81
553 7/7/2019 34.69
554 7/8/2019 35.3
555 7/9/2019 34.84
556 7/10/2019 34.34
557 7/11/2019 33.89
558 7/12/2019 33.5
559 7/13/2019 33.13
560 7/14/2019 32.76
561 7/15/2019 32.95
562 7/16/2019 32.6
563 7/17/2019 32.29
564 7/18/2019 32.01
565 7/19/2019 31.69
566 7/20/2019 31.39
567 7/21/2019 31.22
568 7/22/2019 31.17
569 7/23/2019 31.07
570 7/24/2019 30.98
571 7/25/2019 30.67
572 7/26/2019 30.37
573 7/27/2019 30.1
574 7/28/2019 29.92
575 7/29/2019 29.63
576 7/30/2019 29.34
577 7/31/2019 29.06
578 8/1/2019 28.77
59
579 8/2/2019 28.52
580 8/3/2019 28.22
581 8/4/2019 27.98
582 8/5/2019 27.99
583 8/6/2019 45.66
584 8/7/2019 47.72
585 8/8/2019 51.64
586 8/9/2019 26.78
587 8/10/2019 26.48
588 8/11/2019 26.17
589 8/12/2019 25.86
590 8/13/2019 25.62
591 8/14/2019 25.51
592 8/15/2019 25.22
593 8/16/2019 24.94
594 8/17/2019 24.62
595 8/18/2019 24.3
596 8/19/2019 23.97
597 8/20/2019 23.65
598 8/21/2019 23.32
599 8/22/2019 23.1
600 8/23/2019 22.8
601 8/24/2019 22.8
602 8/25/2019 24.13
603 8/26/2019 24.24
604 8/27/2019 24.25
605 8/28/2019 24.23
606 8/29/2019 24.03
607 8/30/2019 24.01
608 8/31/2019 23.79
609 9/1/2019 25.95
610 9/2/2019 26.27
611 9/3/2019 25.98
612 9/4/2019 25.71
613 9/5/2019 25.35
614 9/6/2019 25.01
615 9/7/2019 24.7
616 9/8/2019 25.39
617 9/9/2019 25.75
618 9/10/2019 45.23
619 9/11/2019 44.12
620 9/12/2019 46.53
621 9/13/2019 24.69
622 9/14/2019 24.35
623 9/15/2019 24
60
624 9/16/2019 23.64
625 9/17/2019 23.28
626 9/18/2019 22.93
627 9/19/2019 22.59
628 9/20/2019 22.26
629 9/21/2019 21.95
630 9/22/2019 21.65
631 9/23/2019 21.42
632 9/24/2019 22.16
633 9/25/2019 22.95
634 9/26/2019 22.86
635 9/27/2019 23.49
636 9/28/2019 25.53
637 9/29/2019 30.42
638 9/30/2019 34.53
639 10/1/2019 40.53
640 10/2/2019 43.64
641 10/3/2019 45.22
642 10/4/2019 22.55
643 10/5/2019 22.3
644 10/6/2019 22.07
645 10/7/2019 22.42
646 10/8/2019 22.76
647 10/9/2019 22.56
648 10/10/2019 22.31
649 10/11/2019 22.08
650 10/12/2019 21.92
651 10/13/2019 22.04
652 10/14/2019 21.92
653 10/15/2019 21.73
654 10/16/2019 22.09
655 10/17/2019 22.78
656 10/18/2019 23.1
657 10/19/2019 23.07
658 10/20/2019 22.88
659 10/21/2019 22.79
660 10/22/2019 22.9
661 10/23/2019 22.79
662 10/24/2019 22.65
663 10/25/2019 22.54
664 10/26/2019 22.73
665 10/27/2019 22.81
666 10/28/2019 22.84
667 10/29/2019 23.05
668 10/30/2019 23.71
61
669 10/31/2019 23.61
670 11/1/2019 23.43
671 11/2/2019 23.28
672 11/3/2019 23.15
673 11/4/2019 23.01
674 11/5/2019 22.88
675 11/6/2019 22.76
676 11/7/2019 22.64
677 11/8/2019 22.55
678 11/9/2019 22.44
679 11/10/2019 22.36
680 11/11/2019 22.31
681 11/12/2019 22.23
682 11/13/2019 22.16
683 11/14/2019 22.38
684 11/15/2019 22.51
685 11/16/2019 22.41
686 11/17/2019 22.31
687 11/18/2019 22.55
688 11/19/2019 22.9
689 11/20/2019 26.61
690 11/21/2019 26.46
691 11/22/2019 26.11
692 11/23/2019 25.86
693 11/24/2019 26.63
694 11/25/2019 26.81
695 11/26/2019 19.42
696 11/27/2019 21.31
697 11/28/2019 19.88
698 11/29/2019 18.46
699 11/30/2019 27.33
700 12/1/2019 27.47
701 12/2/2019 27.99
702 12/3/2019 28.43
703 12/4/2019 28.09
704 12/5/2019 27.85
705 12/6/2019 40.31
706 12/7/2019 31.22
707 12/8/2019 46.31
708 12/9/2019 47.32
709 12/10/2019 47.76
710 12/11/2019 37.35
711 12/12/2019 37.3
712 12/13/2019 36.55
713 12/14/2019 37.52
62
714 12/15/2019 37.77
715 12/16/2019 37.91
716 12/17/2019 38.22
717 12/18/2019 39.14
718 12/19/2019 39.47
719 12/20/2019 40.71
720 12/21/2019 41.66
721 12/22/2019 44.38
722 12/23/2019 44.53
723 12/24/2019 48.42
724 12/25/2019 48.91
725 12/26/2019 50.47
726 12/27/2019 52.32
727 12/28/2019 53.28
728 12/29/2019 53.12
729 12/30/2019 52.7
730 12/31/2019 54.17
jumlah 28654.10
rata-rata 39.25
Lampiran 2 Data Rekapitulasi Perhitungan Parameter Statistik R2 Debit Harian
Qm (Qm -
Qs (Debit (Debit Qm.avr)^ (Qm - Qmi) .
No Tanggal
Simulasi) Observasi 2 . (Qs - (Qs - Qsi)
) Qs.avr)^2
1 1/1/2018 56.32 59.42 2558729.1 1255.04
2 1/2/2018 54.43 55.89 2406777 1020.79
3 1/3/2018 57.92 58.35 2512769.7 1228.72
4 1/4/2018 51.29 54.85 2362101.4 908.56
5 1/5/2018 51.49 53.14 2288513.8 824.05
6 1/6/2018 48.23 50.13 2158936.1 626.71
7 1/7/2018 48.87 50.13 2158986.2 635.02
8 1/8/2018 49.23 50.13 2159036.3 639.7
9 1/9/2018 49.03 50.13 2159086.5 637.1
10 1/10/2018 54.68 53.48 2303423.6 893.7
63
11 1/11/2018 51.12 50.13 2159186.7 664.26
12 1/12/2018 50.38 49.14 2116594.8 604.77
13 1/13/2018 47.87 46.88 2019297.3 466.45
14 1/14/2018 44.45 43.75 1884520.2 294
15 1/15/2018 45.65 43.75 1884564 301.94
16 1/16/2018 45.12 43.75 1884607.7 298.43
17 1/17/2018 42.32 42.83 1845019.9 240.98
18 1/18/2018 41.67 40.73 1754597.4 149.77
19 1/19/2018 41.36 39.84 1716297.2 111.84
20 1/20/2018 38.67 40.73 1754678.9 138.99
21 1/21/2018 40.54 40.73 1754719.6 145.71
22 1/22/2018 38.9 40.73 1754760.3 139.81
23 1/23/2018 42.61 41.92 1806070.7 203.85
24 1/24/2018 42.29 40.73 1754841.8 152
25 1/25/2018 34.99 38.96 1678620.7 63.83
26 1/26/2018 34.64 41.92 1806196.5 165.72
27 1/27/2018 34.19 39.84 1716615.9 92.46
28 1/28/2018 39.04 38.96 1678737.6 71.22
29 1/29/2018 38.45 37.81 1629223.4 25.92
30 1/30/2018 37.85 36.11 1556006.9 -38.83
31 1/31/2018 37.72 37.81 1629299 25.43
32 2/1/2018 58.54 59.42 2560571.1 1304.51
33 2/2/2018 54.86 55.89 2408509.6 1028.85
34 2/3/2018 56.79 58.35 2514578.5 1204.75
35 2/4/2018 55.03 54.85 2363801.8 974.81
36 2/5/2018 52.65 53.14 2290161.2 842.62
37 2/6/2018 51.59 50.13 2160490.1 670.37
38 2/7/2018 50.39 50.13 2160540.2 654.78
39 2/8/2018 52.88 50.13 2160590.4 687.13
40 2/9/2018 52.65 50.13 2160640.5 684.14
41 2/10/2018 53.73 53.48 2305081.5 878.17
42 2/11/2018 49.07 50.13 2160740.8 637.62
43 2/12/2018 51.33 49.14 2118118.2 616.17
44 2/13/2018 47.81 46.88 2020750.6 465.87
45 2/14/2018 44.51 43.75 1885876.5 294.4
46 2/15/2018 44.87 43.75 1885920.2 296.78
47 2/16/2018 42.43 43.75 1885964 280.64
48 2/17/2018 41.78 42.83 1846347.7 237.9
49 2/18/2018 42.69 40.73 1755860 153.43
50 2/19/2018 41.37 39.84 1717532.2 111.87
51 2/20/2018 41.21 40.73 1755941.5 148.12
52 2/21/2018 44.56 40.73 1755982.2 160.16
64
53 2/22/2018 39.45 40.73 1756023 141.79
54 2/23/2018 38.57 41.92 1807370.2 184.52
55 2/24/2018 38.31 40.73 1756104.4 137.69
56 2/25/2018 37.61 38.96 1679828.5 68.61
57 2/26/2018 37.17 41.92 1807496 177.83
58 2/27/2018 36.5 39.84 1717850.9 98.7
59 2/28/2018 36.35 38.96 1679945.4 66.31
60 3/1/2018 36.07 37.81 1630395.5 24.32
61 3/2/2018 35.65 36.11 1557126.3 -36.57
62 3/3/2018 35.27 37.81 1630471.1 23.78
63 3/4/2018 34.88 51.45 2218716.8 499.28
64 3/5/2018 35 50.13 2161843.6 454.8
65 3/6/2018 36.19 50.13 2161893.7 470.26
66 3/7/2018 35.83 46.88 2021781.9 349.13
67 3/8/2018 36.62 49.14 2119297.5 439.59
68 3/9/2018 53.75 54.85 2365611.8 952.14
69 3/10/2018 52.21 52.46 2262586.6 800.07
70 3/11/2018 49.96 50.13 2162144.4 649.19
71 3/12/2018 55.04 54.85 2365776.4 974.99
72 3/13/2018 51.23 53.48 2306739.4 837.31
73 3/14/2018 61.22 59.42 2563007.3 1364.24
74 3/15/2018 55.09 56.94 2456092.5 1091.01
75 3/16/2018 53.88 54.85 2365995.8 954.44
76 3/17/2018 57.79 56.94 2456206.4 1144.48
77 3/18/2018 59.01 58.35 2517087.6 1251.85
78 3/19/2018 51.23 53.48 2307060.2 837.31
79 3/20/2018 46.32 49.14 2119887.2 556.03
80 3/21/2018 45.82 50.13 2162645.7 595.39
81 3/22/2018 45.14 52.46 2263216.1 691.73
82 3/23/2018 45.7 53.48 2307274.2 746.93
83 3/24/2018 50.93 50.13 2162796.1 661.79
84 3/25/2018 53.44 49.14 2120132.9 641.5
85 3/26/2018 56.17 50.13 2162896.3 729.88
86 3/27/2018 55.08 49.14 2120231.2 661.19
87 3/28/2018 54.09 49.14 2120280.3 649.3
88 3/29/2018 53.66 56.94 2456889.7 1062.69
89 3/30/2018 53.51 52.46 2263635.8 820
90 3/31/2018 52.55 50.13 2163147 682.84
91 4/1/2018 51.72 49.14 2120476.9 620.86
92 4/2/2018 45.55 46.88 2023000.8 443.85
93 4/3/2018 41.83 41.92 1809005.1 200.12
94 4/4/2018 45.09 46.04 1986844.6 401.49
65
95 4/5/2018 43.33 44.99 1941577.1 340.32
96 4/6/2018 53.07 53.7 2317517.4 879.06
97 4/7/2018 51.27 50.35 2172992.6 677.49
98 4/8/2018 51.02 50.35 2173043 674.19
99 4/9/2018 51.44 52.57 2268907.9 793.93
100 4/10/2018 50.99 50.35 2173143.7 673.79
101 4/11/2018 52.28 53.7 2317785.9 865.97
102 4/12/2018 50.58 51.45 2220723.4 724.01
103 4/13/2018 49.51 49.25 2125814.6 599.77
104 4/14/2018 48.93 47.1 2033059.6 487.55
105 4/15/2018 43.61 46.04 1987351 388.31
106 4/16/2018 43.24 46.04 1987397.1 385.02
107 4/17/2018 44.79 46.04 1987443.1 398.82
108 4/18/2018 45.86 42.93 1853234.3 265.72
109 4/19/2018 45.49 43.96 1897742.1 310.43
110 4/20/2018 46.08 42.93 1853320.2 266.99
111 4/21/2018 45.8 44.99 1942296.9 359.72
112 4/22/2018 45.25 46.04 1987673.3 402.91
113 4/23/2018 46.3 52.57 2269643.9 714.6
114 4/24/2018 49.18 50.35 2173848.6 649.87
115 4/25/2018 61.45 63.19 2728275.5 1601.03
116 4/26/2018 65.89 66.94 2890251.5 1963.8
117 4/27/2018 64.52 64.43 2781942.3 1761.02
118 4/28/2018 66.74 65.68 2835980.2 1905.04
119 4/29/2018 58.93 60.75 2623169.7 1391.58
120 4/30/2018 57.04 58.35 2519596.6 1210.06
121 5/1/2018 54.66 54.85 2368518.9 968.26
122 5/2/2018 50.03 52.57 2270117.1 772.17
123 5/3/2018 51.22 50.35 2174301.7 676.83
124 5/4/2018 47.87 47.1 2034001.6 476.98
125 5/5/2018 42.3 43.96 1898445.5 288.66
126 5/6/2018 44.09 43.96 1898489.4 300.88
127 5/7/2018 52.67 47.1 2034142.9 524.81
128 5/8/2018 50.78 50.35 2174553.5 671.01
129 5/9/2018 49.15 52.57 2270485 758.59
130 5/10/2018 47.72 47.1 2034284.2 475.49
131 5/11/2018 46.56 47.1 2034331.3 463.93
132 5/12/2018 46.3 43.96 1898753.2 315.96
133 5/13/2018 45.2 43.96 1898797.2 308.45
134 5/14/2018 44.11 42.93 1854350.5 255.58
135 5/15/2018 43.54 40.92 1767570 164.76
136 5/16/2018 47.43 48.17 2080787.3 523.35
66
137 5/17/2018 43.69 42.93 1854479.3 253.15
138 5/18/2018 41.25 40.92 1767692.8 156.1
139 5/19/2018 42.34 39.94 1725397.9 118.73
140 5/20/2018 39.05 38.96 1683101.1 71.23
141 5/21/2018 41.9 40.92 1767815.5 158.56
142 5/22/2018 42.34 41.92 1811059.2 202.56
143 5/23/2018 45.65 40.92 1767897.4 172.75
144 5/24/2018 44.72 38.96 1683257 81.58
145 5/25/2018 43.95 42.93 1854822.8 254.65
146 5/26/2018 46.3 53.7 2320202.4 766.92
147 5/27/2018 49.51 58.35 2521172.1 1050.31
148 5/28/2018 48.82 50.35 2175560.5 645.12
149 5/29/2018 49.58 52.57 2271536.4 765.23
150 5/30/2018 58.33 58.35 2521347.1 1237.42
151 5/31/2018 64.59 65.68 2838147.6 1843.67
152 6/1/2018 49.3 52.57 2271694.2 760.9
153 6/2/2018 67.31 65.68 2838279 1921.31
154 6/3/2018 67.73 68.22 2948110.1 2105.33
155 6/4/2018 69.04 68.22 2948178.3 2146.05
156 6/5/2018 60.44 60.75 2625417.4 1427.24
157 6/6/2018 55.68 54.85 2370493.5 986.32
158 6/7/2018 51.14 51.45 2223604.6 732.03
159 6/8/2018 52.21 53.7 2320900.5 864.81
160 6/9/2018 52.43 52.57 2272114.7 809.21
161 6/10/2018 50.32 50.35 2176215 664.94
162 6/11/2018 45.5 47.1 2035791.4 453.37
163 6/12/2018 47.77 46.04 1990021.4 425.35
164 6/13/2018 46.34 46.04 1990067.4 412.62
165 6/14/2018 41.22 40.92 1768797.6 155.98
166 6/15/2018 37.67 41.92 1812065.3 180.22
167 6/16/2018 41.11 39.94 1726516.3 115.28
168 6/17/2018 36.64 41.92 1812149.1 175.29
169 6/18/2018 36.2 39.94 1726596.1 101.51
170 6/19/2018 42.75 41.92 1812233 204.52
171 6/20/2018 35.39 39.94 1726676 99.24
172 6/21/2018 40.08 41.92 1812316.8 191.75
173 6/22/2018 43.28 43.96 1900555.6 295.35
174 6/23/2018 40.11 40.92 1769165.9 151.78
175 6/24/2018 38.58 39.94 1726835.8 108.18
176 6/25/2018 41.05 40.92 1769247.7 155.34
177 6/26/2018 43.28 44.99 1945266.3 339.93
178 6/27/2018 48.08 47.1 2036545 479.08
67
179 6/28/2018 43.33 44.99 1945356.3 340.32
180 6/29/2018 40.08 41.92 1812652.2 191.75
181 6/30/2018 46.43 46.04 1990850.1 413.42
182 7/1/2018 41.23 40.92 1769493.2 156.02
183 7/2/2018 48.23 48.17 2083051.3 532.18
184 7/3/2018 50.83 51.45 2224942.3 727.59
185 7/4/2018 52.35 49.25 2129853.1 634.18
186 7/5/2018 51.22 52.57 2273481.5 790.54
187 7/6/2018 53.78 51.45 2225096.6 769.82
188 7/7/2018 48.76 49.25 2130000.8 590.69
189 7/8/2018 45.56 46.04 1991218.4 405.67
190 7/9/2018 43.59 42.93 1856754.6 252.57
191 7/10/2018 48.9 46.04 1991310.5 435.41
192 7/11/2018 42.23 41.92 1813155.2 202.03
193 7/12/2018 55.51 56 2422209.9 1047.15
194 7/13/2018 53.94 51.45 2225456.8 772.11
195 7/14/2018 51.21 49.25 2130345.6 620.37
196 7/15/2018 55.57 52.57 2274007.2 857.68
197 7/16/2018 48.81 50.35 2178027.6 644.98
198 7/17/2018 47.67 46.04 1991632.8 424.46
199 7/18/2018 40.07 43.96 1901698.5 273.44
200 7/19/2018 45.02 42.93 1857183.9 260.85
201 7/20/2018 30.92 40.92 1770270.7 117.01
202 7/21/2018 37.43 38.96 1685516.7 68.28
203 7/22/2018 37.43 39.94 1727954.1 104.96
204 7/23/2018 37.43 38 1644060.4 32.35
205 7/24/2018 37.43 38.96 1685633.5 68.28
206 7/25/2018 40.12 40.92 1770475.3 151.82
207 7/26/2018 31.25 41.92 1813784 149.5
208 7/27/2018 39.78 38 1644212.4 34.38
209 7/28/2018 40.09 39.94 1728193.7 112.42
210 7/29/2018 43.51 42.93 1857613.2 252.1
211 7/30/2018 45.55 46.04 1992231.3 405.58
212 7/31/2018 43.51 44.99 1946840.9 341.73
213 8/1/2018 43.51 40.92 1770761.8 164.65
214 8/2/2018 41.21 39.94 1728393.4 115.56
215 8/3/2018 38.23 38 1644478.4 33.04
216 8/4/2018 38.23 38 1644516.4 33.04
217 8/5/2018 38.23 39.94 1728513.3 107.2
218 8/6/2018 38.23 39.94 1728553.2 107.2
219 8/7/2018 41.28 40.92 1771007.3 156.21
220 8/8/2018 53.33 54.85 2373949 944.7
68
221 8/9/2018 45.65 42.93 1858085.4 264.5
222 8/10/2018 45.65 46.04 1992737.7 406.47
223 8/11/2018 45.65 43.96 1902753.6 311.52
224 8/12/2018 40.09 39.94 1728792.8 112.42
225 8/13/2018 41.23 39.94 1728832.8 115.62
226 8/14/2018 43.12 38 1644896.4 37.26
227 8/15/2018 43.12 37.05 1603811.1 -3.7
228 8/16/2018 43.12 38 1644972.4 37.26
229 8/17/2018 36.23 37.05 1603885.2 -3.11
230 8/18/2018 38.34 38 1645048.4 33.13
231 8/19/2018 38.34 37.05 1603959.3 -3.29
232 8/20/2018 38.34 37.05 1603996.3 -3.29
233 8/21/2018 38.34 35.18 1523074.1 -74.99
234 8/22/2018 26.16 35.18 1523109.2 -51.16
235 8/23/2018 35.76 34.27 1483745.3 -102.48
236 8/24/2018 35.76 38.96 1686841.3 65.23
237 8/25/2018 35.76 38.96 1686880.3 65.23
238 8/26/2018 35.76 36.11 1563517.8 -36.68
239 8/27/2018 35.76 35.18 1523285.1 -69.94
240 8/28/2018 35.76 38 1645428.4 30.9
241 8/29/2018 25.4 35.18 1523355.5 -49.68
242 8/30/2018 25.36 38 1645504.4 21.92
243 8/31/2018 26.36 39.94 1729551.7 73.92
244 9/1/2018 26.21 48.17 2085989.7 289.21
245 9/2/2018 26.02 48.17 2086037.9 287.11
246 9/3/2018 54.43 56.35 2440335.2 1045.83
247 9/4/2018 54.43 38 1645694.4 47.04
248 9/5/2018 54.43 40.92 1772194 205.97
249 9/6/2018 54.43 38 1645770.4 47.04
250 9/7/2018 54.43 36.11 1563951.1 -55.84
251 9/8/2018 42.12 40.92 1772316.7 159.39
252 9/9/2018 42.12 37.05 1604737.3 -3.62
253 9/10/2018 42.12 35.18 1523777.7 -82.38
254 9/11/2018 42.12 38 1645960.4 36.4
255 9/12/2018 24.46 38.96 1687581.5 44.62
256 9/13/2018 24.29 38 1646036.4 20.99
257 9/14/2018 24.1 36.11 1564203.9 -24.72
258 9/15/2018 23.87 38 1646112.4 20.63
259 9/16/2018 23.63 36.11 1564276.1 -24.24
260 9/17/2018 23.38 36.12 1564745.4 -23.75
261 9/18/2018 23.76 36.11 1564348.3 -24.37
262 9/19/2018 24.09 36.11 1564384.4 -24.71
69
263 9/20/2018 24.57 36.11 1564420.5 -25.2
264 9/21/2018 24.34 36.11 1564456.6 -24.97
265 9/22/2018 24.34 35.18 1524199.8 -47.61
266 9/23/2018 24.19 43.96 1904643.8 165.08
267 9/24/2018 24.04 41.92 1816299.2 115.01
268 9/25/2018 24.09 39.94 1730550.2 67.55
269 9/26/2018 24.04 38 1646530.4 20.77
270 9/27/2018 23.81 38.01 1647001.7 20.81
271 9/28/2018 23.6 36.11 1564709.4 -24.21
272 9/29/2018 23.39 36.11 1564745.5 -23.99
273 9/30/2018 23.15 36.11 1564781.6 -23.75
274 10/1/2018 23.07 36.11 1564817.7 -23.67
275 10/2/2018 23.1 36.11 1564853.9 -23.7
276 10/3/2018 23.29 36.11 1564890 -23.89
277 10/4/2018 23.45 38 1646834.4 20.26
278 10/5/2018 23.2 40.43 1752185.6 76.42
279 10/6/2018 22.99 38.97 1688950 42.17
280 10/7/2018 22.99 38.515 1669268.9 31.71
281 10/8/2018 23.2 47.885 2075419.6 249.38
282 10/9/2018 23.42 39.99 1733276.5 66.84
283 10/10/2018 23.73 40.61 1760189.6 82.44
284 10/11/2018 27.27 40.98 1776267.8 104.83
285 10/12/2018 40.32 39.45 1709989.8 93.31
286 10/13/2018 39.05 38.97 1689222.8 71.62
287 10/14/2018 37.53 37.055 1606250.8 -3.03
288 10/15/2018 38.63 37.525 1626661.8 15.03
289 10/16/2018 35.55 37.055 1606324.9 -2.87
290 10/17/2018 36.64 36.585 1585987.1 -20.18
291 10/18/2018 36.41 37.055 1606399 -2.94
292 10/19/2018 37.65 36.58 1585843.5 -20.93
293 10/20/2018 37.77 36.58 1585880.1 -20.99
294 10/21/2018 35.94 35.645 1545380 -53.58
295 10/22/2018 36.79 35.18 1525255.2 -71.96
296 10/23/2018 41.36 39.115 1695899.2 81.86
297 10/24/2018 42.22 40.44 1753387.3 139.5
298 10/25/2018 35.56 39.45 1710502.6 82.29
299 10/26/2018 37.84 37.055 1606695.5 -3.06
300 10/27/2018 36.64 36.595 1586786.6 -19.82
301 10/28/2018 30.26 37.055 1606769.6 -2.45
302 10/29/2018 30.58 35.645 1545665.2 -45.59
303 10/30/2018 31.62 37.055 1606843.7 -2.56
304 10/31/2018 32.8 38.025 1648944.5 29.16
70
305 11/1/2018 33.6 42.14 1827432.6 168.14
306 11/2/2018 41.06 42.14 1827474.8 205.47
307 11/3/2018 42.55 42.93 1861777.4 246.54
308 11/4/2018 42.89 53.7 2328901.8 710.44
309 11/5/2018 56.66 61.96 2687189.6 1406.54
310 11/6/2018 45.65 69.51 3014700.7 1477.88
311 11/7/2018 51.34 66.94 2903304.8 1530.15
312 11/8/2018 54.88 61.96 2687375.5 1362.35
313 11/9/2018 53.9 61.96 2687437.4 1338.02
314 11/10/2018 60.12 64.43 2794635 1640.92
315 11/11/2018 50.01 59.54 2582592 1120.43
316 11/12/2018 58.95 53.7 2329331.4 976.46
317 11/13/2018 54.64 52.57 2280368.2 843.32
318 11/14/2018 55.02 52.57 2280420.8 849.19
319 11/15/2018 54.46 48.17 2089602.5 600.92
320 11/16/2018 53.58 44.99 1951699.8 420.83
321 11/17/2018 52.56 43.96 1907061.6 358.68
322 11/18/2018 53.29 41.92 1818604.8 254.95
323 11/19/2018 56.31 39.94 1732746.9 157.9
324 11/20/2018 58.52 37.05 1607404.9 -5.02
325 11/21/2018 57.95 36.11 1566659.4 -59.45
326 11/22/2018 58.39 38.96 1690347.7 106.51
327 11/23/2018 57.56 43.96 1907325.4 392.8
328 11/24/2018 56.56 40.92 1775467.6 214.03
329 11/25/2018 56.62 38 1648810.4 48.93
330 11/26/2018 35.58 34.27 1487000.9 -101.97
331 11/27/2018 35.58 32.48 1409364 -165.65
332 11/28/2018 35.58 33.37 1448016 -133.99
333 11/29/2018 35.58 30.73 1333489.9 -227.92
334 11/30/2018 35.12 32.48 1409461.4 -163.51
335 12/1/2018 41.34 42.93 1862979.5 239.53
336 12/2/2018 44.58 43.96 1907721 304.22
337 12/3/2018 42.48 42.93 1863065.3 246.14
338 12/4/2018 41.21 41.92 1819275.5 197.16
339 12/5/2018 43.4 43.96 1907852.9 296.17
340 12/6/2018 47.67 48.17 2090614 526
341 12/7/2018 48.23 48.17 2090662.2 532.18
342 12/8/2018 53.45 51.45 2233071.4 765.09
343 12/9/2018 55.61 54.85 2380695.6 985.08
344 12/10/2018 55.78 54.85 2380750.4 988.1
345 12/11/2018 55.5 53.7 2330888.7 919.31
346 12/12/2018 55.23 53.7 2330942.4 914.84
71
347 12/13/2018 54.42 56 2430833.9 1026.59
348 12/14/2018 57.98 58.35 2532900.4 1230
349 12/15/2018 62.33 61.96 2689668 1547.29
350 12/16/2018 66.83 63.19 2743125.2 1741.2
351 12/17/2018 59.12 61.96 2689791.9 1467.6
352 12/18/2018 58.76 59.54 2584795 1316.47
353 12/19/2018 55.92 54.85 2381244.1 990.58
354 12/20/2018 51.22 51.45 2233688.8 733.17
355 12/21/2018 51.12 47.1 2044881.7 509.37
356 12/22/2018 46.54 44.99 1953319.5 365.53
357 12/23/2018 46.54 42.93 1863923.9 269.66
358 12/24/2018 42.11 39.94 1734144.8 118.08
359 12/25/2018 42.11 38 1649950.4 36.39
360 12/26/2018 42.11 37.05 1608738.7 -3.61
361 12/27/2018 42.11 34.27 1488063.3 -120.68
362 12/28/2018 32.34 31.6 1372158.8 -179.03
363 12/29/2018 32.34 31.6 1372190.4 -179.03
364 12/30/2018 32.34 29.03 1260620.4 -262.14
365 12/31/2018 32.34 28.2 1224606.1 -288.99
366 1/1/2019 32.34 26.5 1150808.8 -343.96
367 1/2/2019 32.34 28.95 1257233.3 -264.73
368 1/3/2019 32.12 27.22 1182130.5 -318.5
369 1/4/2019 32.12 26.5 1150888.3 -341.62
370 1/5/2019 32.12 25.79 1120079 -364.43
371 1/6/2019 32.12 26.5 1150941.3 -341.62
372 1/7/2019 31.87 25.79 1120130.6 -361.59
373 1/8/2019 31.87 26.5 1150994.3 -338.96
374 1/9/2019 31.87 25.79 1120182.2 -361.59
375 1/10/2019 28.76 27.22 1182321.1 -285.18
376 1/11/2019 28.76 25.79 1120233.7 -326.31
377 1/12/2019 28.76 28.95 1257522.8 -235.42
378 1/13/2019 28.76 32.56 1414365.6 -131.6
379 1/14/2019 32.76 29.96 1301454.8 -235.08
380 1/15/2019 32.76 29.96 1301484.8 -235.08
381 1/16/2019 32.76 26.5 1151206.3 -348.43
382 1/17/2019 32.76 25.79 1120388.5 -371.69
383 1/18/2019 35.18 25.79 1120414.3 -399.15
384 1/19/2019 35.18 24.16 1049625.1 -456.49
385 1/20/2019 35.18 24.16 1049649.3 -456.49
386 1/21/2019 35.18 25.08 1089644.4 -424.12
387 1/22/2019 35.18 23.48 1020153.1 -480.41
388 1/23/2019 50.1 27.47 1193537.1 -484.26
72
389 1/24/2019 26.26 23.48 1020200.1 -358.6
390 1/25/2019 26.26 25.08 1089744.8 -316.59
391 1/26/2019 26.26 23.48 1020247 -358.6
392 1/27/2019 26.26 24.16 1049818.4 -340.75
393 1/28/2019 26.26 25.79 1120672.2 -297.94
394 1/29/2019 26.26 25.79 1120698 -297.94
395 1/30/2019 26.26 33.37 1450118.3 -98.89
396 1/31/2019 26.26 23.48 1020364.4 -358.6
397 2/1/2019 26.26 24.16 1049939.2 -340.75
398 2/2/2019 40.54 24.16 1049963.4 -526.04
399 2/3/2019 41.22 34.18 1485454.2 -121.84
400 2/4/2019 42.3 33.37 1450285.2 -159.3
401 2/5/2019 41.88 32.56 1415114.5 -191.64
402 2/6/2019 41.49 34.18 1485556.7 -122.64
403 2/7/2019 40.81 35.28 1533401 -75.74
404 2/8/2019 40.04 34.18 1485625.1 -118.35
405 2/9/2019 39.34 33.37 1450452 -148.15
406 2/10/2019 40.84 35.28 1533506.9 -75.79
407 2/11/2019 41.14 44.99 1955614 323.12
408 2/12/2019 41.2 44.99 1955659 323.59
409 2/13/2019 40.28 41.92 1822251.8 192.71
410 2/14/2019 39.88 41.92 1822293.8 190.79
411 2/15/2019 42.85 45.93 1996657.4 376.83
412 2/16/2019 44.83 47.2 2051913.7 451.18
413 2/17/2019 45.58 51.45 2236724.3 652.44
414 2/18/2019 44.72 50.46 2193735.8 595.86
415 2/19/2019 43.76 44.99 1955973.9 343.7
416 2/20/2019 43.21 49.14 2136447.4 518.7
417 2/21/2019 56.31 45.93 1996933 495.2
418 2/22/2019 57.23 44.06 1915673.6 396.27
419 2/23/2019 62.23 44.99 1956153.9 488.76
420 2/24/2019 54.23 44.99 1956198.8 425.93
421 2/25/2019 56.67 49.14 2136693.1 680.28
422 2/26/2019 45.18 44.06 1915849.9 312.83
423 2/27/2019 47.39 52.46 2281157.4 726.21
424 2/28/2019 50.17 51.45 2237290.3 718.14
425 3/1/2019 61.76 57.29 2491298.5 1244.72
426 3/2/2019 57.24 55.89 2430474.3 1073.49
427 3/3/2019 56.24 53.82 2340510.6 938.32
428 3/4/2019 57.35 51.45 2237496.1 820.92
429 3/5/2019 57.07 52.46 2281472.2 874.55
430 3/6/2019 56.85 51.45 2237599 813.76
73
431 3/7/2019 55.98 48.17 2094997.5 617.69
432 3/8/2019 55.98 44.99 1956738.7 439.68
433 3/9/2019 55.31 42.83 1862837.2 314.94
434 3/10/2019 55.48 38.1 1657149.9 53.49
435 3/11/2019 54.81 38.1 1657188 52.85
436 3/12/2019 54.19 38.1 1657226.1 52.25
437 3/13/2019 53.63 35.28 1534600.5 -99.53
438 3/14/2019 52.58 33.37 1451553.2 -198.01
439 3/15/2019 51.45 30.73 1336747.3 -329.58
440 3/16/2019 50.31 30.73 1336778 -322.28
441 3/17/2019 49.15 28.2 1226749.3 -439.2
442 3/18/2019 47.98 27.47 1195020.5 -463.77
443 3/19/2019 46.79 28.95 1259433.5 -383.02
444 3/20/2019 45.59 29.96 1303402.2 -327.15
445 3/21/2019 45.85 27.47 1195102.9 -443.18
446 3/22/2019 45.44 27.47 1195130.4 -439.22
447 3/23/2019 45 25.79 1122064.8 -510.56
448 3/24/2019 44.72 31.51 1370960.6 -251.59
449 3/25/2019 43.89 26.5 1153008.3 -466.81
450 3/26/2019 44.09 28.95 1259636.2 -360.91
451 3/27/2019 44.12 32.56 1416742.5 -201.89
452 3/28/2019 43.44 28.95 1259694.1 -355.59
453 3/29/2019 42.73 27.47 1195322.7 -413.02
454 3/30/2019 42.03 27.47 1195350.1 -406.26
455 3/31/2019 42.3 25.79 1122271.1 -479.93
456 4/1/2019 42.22 57.29 2493074.5 850.91
457 4/2/2019 41.43 55.89 2432206.9 776.98
458 4/3/2019 40.75 25.79 1122348.5 -462.34
459 4/4/2019 39.89 25.79 1122374.3 -452.59
460 4/5/2019 40.18 25.79 1122400.1 -455.88
461 4/6/2019 40.25 31.51 1371370.3 -226.44
462 4/7/2019 39.79 34.18 1487607.5 -117.61
463 4/8/2019 39.64 26.5 1153379.3 -421.6
464 4/9/2019 39.19 27.47 1195624.8 -378.8
465 4/10/2019 39.4 28.2 1227426.1 -352.07
466 4/11/2019 40 27.22 1184798.1 -396.63
467 4/12/2019 39.86 28.95 1260128.3 -326.29
468 4/13/2019 39.18 27.22 1184852.5 -388.5
469 4/14/2019 38.98 25.79 1122632.2 -442.26
470 4/15/2019 40.14 29.96 1304181.2 -288.04
471 4/16/2019 41.78 34.18 1487915.1 -123.5
472 4/17/2019 42.17 36.95 1608535 -7.84
74
473 4/18/2019 41.55 42.83 1864550.4 236.59
474 4/19/2019 41.26 42.83 1864593.3 234.94
475 4/20/2019 41.37 42.83 1864636.1 235.57
476 4/21/2019 41.22 40.73 1773251.7 148.15
477 4/22/2019 40.91 38.96 1696230.7 74.63
478 4/23/2019 41.29 36.95 1608756.7 -7.67
479 4/24/2019 40.97 42.83 1864807.4 233.29
480 4/25/2019 40.37 41.92 1825228.2 193.14
481 4/26/2019 41.59 40.73 1773455.4 149.48
482 4/27/2019 42.53 50.13 2182798 552.64
483 4/28/2019 41.74 49.14 2139739.8 501.05
484 4/29/2019 40.8 45.93 2000010.3 358.8
485 4/30/2019 40.07 41.92 1825437.8 191.7
486 5/1/2019 39.4 38.1 1659131.1 37.99
487 5/2/2019 38.82 34.18 1488462 -114.75
488 5/3/2019 38.38 29.96 1304720.5 -275.41
489 5/4/2019 38.13 29.96 1304750.4 -273.61
490 5/5/2019 37.92 28.95 1260794.2 -310.41
491 5/6/2019 37.43 28.95 1260823.1 -306.4
492 5/7/2019 36.94 25.79 1123225.4 -419.12
493 5/8/2019 36.47 25.79 1123251.2 -413.78
494 5/9/2019 36.05 25.79 1123277 -409.02
495 5/10/2019 35.62 25.79 1123302.7 -404.14
496 5/11/2019 35.21 25.79 1123328.5 -399.49
497 5/12/2019 34.95 26.5 1154280.3 -371.72
498 5/13/2019 34.55 26.5 1154306.8 -367.47
499 5/14/2019 34.24 36.95 1609532.7 -6.36
500 5/15/2019 37.77 38.96 1697126.7 68.9
501 5/16/2019 36.9 37.81 1647069.7 24.88
502 5/17/2019 37.44 36.11 1573050.8 -38.41
503 5/18/2019 36.87 35 1524731.2 -78.75
504 5/19/2019 36.42 35 1524766.2 -77.79
505 5/20/2019 36.02 33.37 1453789 -135.65
506 5/21/2019 36.79 32.3 1407206 -177.91
507 5/22/2019 37.77 30.73 1338836.9 -241.95
508 5/23/2019 37.21 28.2 1228638.7 -332.5
509 5/24/2019 36.62 26.5 1154598.3 -389.48
510 5/25/2019 36.07 25.79 1123689.6 -409.24
511 5/26/2019 35.62 30.73 1338959.8 -228.18
512 5/27/2019 35.16 25.79 1123741.2 -398.92
513 5/28/2019 34.94 25.79 1123767 -396.42
514 5/29/2019 35.14 25.79 1123792.8 -398.69
75
515 5/30/2019 34.84 26.5 1154757.3 -370.55
516 5/31/2019 34.62 25.79 1123844.3 -392.79
517 6/1/2019 35.62 26.5 1154810.3 -378.85
518 6/2/2019 35.3 36.11 1573628.6 -36.21
519 6/3/2019 38.57 34.18 1489555.8 -114.01
520 6/4/2019 31.77 36.95 1610308.6 -5.9
521 6/5/2019 40.38 36.11 1573736.9 -41.42
522 6/6/2019 38.76 34.18 1489658.3 -114.57
523 6/7/2019 36.84 33.37 1454389.7 -138.73
524 6/8/2019 33.77 30.73 1339359.3 -216.33
525 6/9/2019 34.52 32.3 1407819.7 -166.93
526 6/10/2019 35.27 40.73 1775288.2 126.77
527 6/11/2019 35.92 35 1525571.2 -76.72
528 6/12/2019 36.17 36.11 1573989.7 -37.1
529 6/13/2019 35.87 34.18 1489897.6 -106.03
530 6/14/2019 35.56 31.51 1373544.5 -200.05
531 6/15/2019 35.5 29.71 1295110.8 -263.62
532 6/16/2019 35.15 31.51 1373607.5 -197.75
533 6/17/2019 34.8 30.73 1339635.9 -222.92
534 6/18/2019 35.23 28.95 1262068 -288.39
535 6/19/2019 35.31 29.96 1306128.6 -253.38
536 6/20/2019 35.02 33.37 1454823.5 -131.88
537 6/21/2019 35.17 29.96 1306188.5 -252.37
538 6/22/2019 34.78 30.73 1339789.5 -222.8
539 6/23/2019 34.32 32.56 1419607.8 -157.04
540 6/24/2019 33.91 28.95 1262241.7 -277.58
541 6/25/2019 33.53 28.2 1229569.3 -299.62
542 6/26/2019 33.78 27.47 1197767.5 -326.51
543 6/27/2019 34.1 34.18 1490376.1 -100.79
544 6/28/2019 33.91 34.18 1490410.3 -100.23
545 6/29/2019 33.65 29.96 1306428.2 -241.47
546 6/30/2019 33.29 29.96 1306458.2 -238.88
547 7/1/2019 32.94 27.22 1187002.9 -326.63
548 7/2/2019 32.64 28.2 1229766.7 -291.67
549 7/3/2019 32.69 25.08 1093732.5 -394.11
550 7/4/2019 33.49 34.18 1490615.4 -98.99
551 7/5/2019 34.02 27.22 1187111.8 -337.34
552 7/6/2019 33.81 28.95 1262589.1 -276.76
553 7/7/2019 34.69 25.79 1124798.6 -393.59
554 7/8/2019 35.3 25.08 1093857.9 -425.57
555 7/9/2019 34.84 29.96 1306727.8 -250.01
556 7/10/2019 34.34 25.08 1093908 -414
76
557 7/11/2019 33.89 24.85 1083901 -416.37
558 7/12/2019 33.5 24.16 1053829 -434.69
559 7/13/2019 33.13 22.8 994530.25 -474.95
560 7/14/2019 32.76 21.92 956166.79 -498.47
561 7/15/2019 32.95 28.95 1262849.6 -269.72
562 7/16/2019 32.6 24.23 1056979.2 -420.73
563 7/17/2019 32.29 22.8 994621.45 -462.9
564 7/18/2019 32.01 21.92 956254.47 -487.06
565 7/19/2019 31.69 21.27 927919.66 -502.79
566 7/20/2019 31.39 20.42 890858.19 -524.71
567 7/21/2019 31.22 19.8 863829.41 -541.23
568 7/22/2019 31.17 20.63 900061.07 -514.49
569 7/23/2019 31.07 34.18 1491264.8 -91.84
570 7/24/2019 30.98 25.79 1125237 -351.49
571 7/25/2019 30.67 21.92 956407.91 -466.67
572 7/26/2019 30.37 21.27 928068.55 -481.85
573 7/27/2019 30.1 20.42 891001.13 -503.15
574 7/28/2019 29.92 21.27 928111.09 -474.71
575 7/29/2019 29.63 20.42 891041.97 -495.29
576 7/30/2019 29.34 20.42 891062.39 -490.44
577 7/31/2019 29.06 19.18 836972 -521.8
578 8/1/2019 28.77 19.8 864047.21 -498.75
579 8/2/2019 28.52 19.18 837010.36 -512.1
580 8/3/2019 28.22 20.63 900308.63 -465.79
581 8/4/2019 27.98 19.18 837048.72 -502.4
582 8/5/2019 27.99 19.8 864126.41 -485.23
583 8/6/2019 45.66 20.63 900370.52 -753.66
584 8/7/2019 47.72 20.63 900391.15 -787.66
585 8/8/2019 51.64 20.63 900411.78 -852.36
586 8/9/2019 26.78 19.18 837144.62 -480.86
587 8/10/2019 26.48 20.63 900453.04 -437.07
588 8/11/2019 26.17 19.8 864245.21 -453.68
589 8/12/2019 25.86 19.8 864265.01 -448.3
590 8/13/2019 25.62 19.8 864284.81 -444.14
591 8/14/2019 25.51 19.8 864304.61 -442.24
592 8/15/2019 25.22 19.8 864324.41 -437.21
593 8/16/2019 24.94 19.18 837278.88 -447.82
594 8/17/2019 24.62 19.18 837298.06 -442.07
595 8/18/2019 24.3 19.8 864383.81 -421.26
596 8/19/2019 23.97 19.8 864403.61 -415.54
597 8/20/2019 23.65 19.18 837355.6 -424.66
598 8/21/2019 23.32 17.2 750930.46 -464.9
77
599 8/22/2019 23.1 17.2 750947.66 -460.52
600 8/23/2019 22.8 17.2 750964.86 -454.54
601 8/24/2019 22.8 17.2 750982.06 -454.54
602 8/25/2019 24.13 18.57 810817.23 -447.99
603 8/26/2019 24.24 18.57 810835.8 -450.04
604 8/27/2019 24.25 17.78 776359.22 -469.38
605 8/28/2019 24.23 18.57 810872.94 -449.85
606 8/29/2019 24.03 17.2 751068.06 -479.06
607 8/30/2019 24.01 17.2 751085.26 -478.66
608 8/31/2019 23.79 17.2 751102.46 -474.27
609 9/1/2019 25.95 17.2 751119.66 -517.34
610 9/2/2019 26.27 17.78 776465.9 -508.48
611 9/3/2019 25.98 17.2 751154.06 -517.93
612 9/4/2019 25.71 17.78 776501.46 -497.64
613 9/5/2019 25.35 17.2 751188.46 -505.37
614 9/6/2019 25.01 17.78 776537.02 -484.09
615 9/7/2019 24.7 17.2 751222.86 -492.42
616 9/8/2019 25.39 23.48 1025530 -346.72
617 9/9/2019 25.75 32.3 1410791.3 -124.52
618 9/10/2019 45.23 27.22 1188935.5 -448.49
619 9/11/2019 44.12 22.58 986288.71 -642.2
620 9/12/2019 46.53 20.42 891960.87 -777.79
621 9/13/2019 24.69 19.18 837815.92 -443.33
622 9/14/2019 24.35 18.37 802452.08 -456.95
623 9/15/2019 24 17.2 751360.46 -478.46
624 9/16/2019 23.64 17.78 776714.82 -457.57
625 9/17/2019 23.28 17.78 776732.6 -450.6
626 9/18/2019 22.93 17.2 751412.06 -457.13
627 9/19/2019 22.59 17.78 776768.16 -437.25
628 9/20/2019 22.26 17.78 776785.94 -430.86
629 9/21/2019 21.95 17.78 776803.72 -424.86
630 9/22/2019 21.65 17.78 776821.5 -419.05
631 9/23/2019 21.42 17.2 751498.06 -427.03
632 9/24/2019 22.16 17.78 776857.06 -428.93
633 9/25/2019 22.95 18.37 802654.15 -430.68
634 9/26/2019 22.86 17.2 751549.66 -455.73
635 9/27/2019 23.49 17.78 776910.4 -454.67
636 9/28/2019 25.53 17.2 751584.06 -508.96
637 9/29/2019 30.42 17.78 776945.96 -588.8
638 9/30/2019 34.53 21.27 929472.37 -547.85
639 10/1/2019 40.53 19.8 865255.01 -702.62
640 10/2/2019 43.64 17.78 776999.3 -844.69
78
641 10/3/2019 45.22 19.18 838199.52 -811.96
642 10/4/2019 22.55 19.18 838218.7 -404.9
643 10/5/2019 22.3 17.2 751704.46 -444.57
644 10/6/2019 22.07 17.2 751721.66 -439.98
645 10/7/2019 22.42 18.37 802874.59 -420.73
646 10/8/2019 22.76 16.43 718101.87 -471.26
647 10/9/2019 22.56 21.92 958073.83 -343.27
648 10/10/2019 22.31 18.37 802929.7 -418.67
649 10/11/2019 22.08 18.37 802948.07 -414.35
650 10/12/2019 21.92 17.78 777177.1 -424.28
651 10/13/2019 22.04 16.43 718184.02 -456.36
652 10/14/2019 21.92 17.2 751859.26 -436.99
653 10/15/2019 21.73 16.43 718216.88 -449.94
654 10/16/2019 22.09 17.2 751893.66 -440.38
655 10/17/2019 22.78 17.2 751910.86 -454.14
656 10/18/2019 23.1 18.37 803076.66 -433.49
657 10/19/2019 23.07 17.2 751945.26 -459.92
658 10/20/2019 22.88 16.43 718299.03 -473.75
659 10/21/2019 22.79 18.37 803131.77 -427.67
660 10/22/2019 22.9 17.78 777354.9 -443.25
661 10/23/2019 22.79 16.43 718348.32 -471.89
662 10/24/2019 22.65 16.43 718364.75 -468.99
663 10/25/2019 22.54 17.78 777408.24 -436.28
664 10/26/2019 22.73 16.43 718397.61 -470.64
665 10/27/2019 22.81 17.78 777443.8 -441.51
666 10/28/2019 22.84 18.37 803260.36 -428.61
667 10/29/2019 23.05 19.18 838698.2 -413.88
668 10/30/2019 23.71 28.95 1265947.3 -194.09
669 10/31/2019 23.61 24.85 1086684.2 -290.07
670 11/1/2019 23.43 25.08 1096767.2 -282.47
671 11/2/2019 23.28 23.7 1036442.4 -312.79
672 11/3/2019 23.15 21.92 958621.83 -352.25
673 11/4/2019 23.01 20.63 902227.22 -379.8
674 11/5/2019 22.88 18.17 794660.37 -433.94
675 11/6/2019 22.76 16.81 735197.92 -462.62
676 11/7/2019 22.64 17.58 768892.03 -442.74
677 11/8/2019 22.55 17 743541.71 -454.06
678 11/9/2019 22.44 18.57 812228.55 -416.62
679 11/10/2019 22.36 20.85 911973.74 -364.15
680 11/11/2019 22.31 24.85 1086957.6 -274.1
681 11/12/2019 22.23 20.01 875272.37 -380.71
682 11/13/2019 22.16 18.57 812302.83 -411.42
79
683 11/14/2019 22.38 19.18 839005.08 -401.85
684 11/15/2019 22.51 17.58 769032.67 -440.2
685 11/16/2019 22.41 18.57 812358.54 -416.06
686 11/17/2019 22.31 17.78 777817.18 -431.83
687 11/18/2019 22.55 19.59 857018.38 -395.66
688 11/19/2019 22.9 17.78 777852.74 -443.25
689 11/20/2019 26.61 26.26 1148868.4 -289.41
690 11/21/2019 26.46 30.47 1333085.3 -176.38
691 11/22/2019 26.11 33.91 1483621.8 -84.23
692 11/23/2019 25.86 28.95 1266642.1 -211.69
693 11/24/2019 26.63 27.96 1223354.8 -244.35
694 11/25/2019 26.81 43.44 1900706.2 169.01
695 11/26/2019 19.42 43.75 1914314 128.45
696 11/27/2019 21.31 43.75 1914357.7 140.95
697 11/28/2019 19.88 37.52 1641790.7 7.64
698 11/29/2019 18.46 34.45 1507488.9 -49.58
699 11/30/2019 27.33 26.26 1149131 -297.24
700 12/1/2019 27.47 26.26 1149157.2 -298.76
701 12/2/2019 27.99 27.22 1191194.8 -277.54
702 12/3/2019 28.43 35 1531696.2 -60.72
703 12/4/2019 28.09 34.18 1495844.9 -83.03
704 12/5/2019 27.85 32.04 1402222.5 -141.92
705 12/6/2019 40.31 32.56 1425012.8 -184.45
706 12/7/2019 31.22 35.55 1555907.9 -49.51
707 12/8/2019 46.31 34.72 1519616.2 -111.88
708 12/9/2019 47.32 34.18 1496015.8 -139.87
709 12/10/2019 47.76 34.18 1496050 -141.17
710 12/11/2019 37.35 35.55 1556050.1 -59.23
711 12/12/2019 37.3 29.45 1289078 -286.68
712 12/13/2019 36.55 49.8 2179882.8 462.87
713 12/14/2019 37.52 43.44 1901531.6 236.53
714 12/15/2019 37.77 40.13 1756680.6 113.09
715 12/16/2019 37.91 44.68 1955900.4 286
716 12/17/2019 38.22 41.62 1821988.2 171.38
717 12/18/2019 39.14 38.1 1667932.2 37.74
718 12/19/2019 39.47 36.95 1617624.7 -7.34
719 12/20/2019 40.71 36.67 1605403.4 -18.96
720 12/21/2019 41.66 33.1 1449142.8 -168.13
721 12/22/2019 44.38 33.37 1460996.9 -167.13
722 12/23/2019 44.53 39.55 1731607.7 107.5
723 12/24/2019 48.42 39.84 1744344.5 130.94
724 12/25/2019 48.91 41.92 1835456.6 233.99
80
725 12/26/2019 50.47 42.83 1875343.6 287.38
726 12/27/2019 52.32 41.92 1835540.5 250.31
727 12/28/2019 53.28 50.13 2195079.8 692.33
728 12/29/2019 53.12 60.87 2665421.1 1260.76
729 12/30/2019 52.7 52.12 2282321.7 789.67
730 12/31/2019 54.17 54.16 2371706.9 922.2
jumlah 28654.1 27109.17 1.176E+09 76475.22
rata-rata 39.25 37.14 1610901.8 104.76
Lampiran 3 Data Rekapitulasi Perhitungan NS Debit Harian
Qm (Debit
Qs (Debit
No Tanggal Observasi (Qm - Qs)^2 (Qm - Qmi)^2
Simulasi)
)
1 1/1/2018 56.32 59.42 9.61 496.5837
2 1/2/2018 54.43 55.89 2.1316 351.7184
3 1/3/2018 57.92 58.35 0.1849 450.0405
4 1/4/2018 51.29 54.85 12.6736 313.7914
5 1/5/2018 51.49 53.14 2.7225 256.1331
6 1/6/2018 48.23 50.13 3.61 168.8481
7 1/7/2018 48.87 50.13 1.5876 168.8481
8 1/8/2018 49.23 50.13 0.81 168.8481
9 1/9/2018 49.03 50.13 1.21 168.8481
10 1/10/2018 54.68 53.48 1.44 267.1315
11 1/11/2018 51.12 50.13 0.9801 168.8481
12 1/12/2018 50.38 49.14 1.5376 144.0998
13 1/13/2018 47.87 46.88 0.9801 94.94861
14 1/14/2018 44.45 43.75 0.49 43.74708
15 1/15/2018 45.65 43.75 3.61 43.74708
16 1/16/2018 45.12 43.75 1.8769 43.74708
17 1/17/2018 42.32 42.83 0.2601 32.42343
18 1/18/2018 41.67 40.73 0.8836 12.91797
19 1/19/2018 41.36 39.84 2.3104 7.312468
20 1/20/2018 38.67 40.73 4.2436 12.91797
21 1/21/2018 40.54 40.73 0.0361 12.91797
22 1/22/2018 38.9 40.73 3.3489 12.91797
23 1/23/2018 42.61 41.92 0.4761 22.88816
24 1/24/2018 42.29 40.73 2.4336 12.91797
25 1/25/2018 34.99 38.96 15.7609 3.327551
26 1/26/2018 34.64 41.92 52.9984 22.88816
27 1/27/2018 34.19 39.84 31.9225 7.312468
28 1/28/2018 39.04 38.96 0.0064 3.327551
81
29 1/29/2018 38.45 37.81 0.4096 0.454488
30 1/30/2018 37.85 36.11 3.0276 1.052353
31 1/31/2018 37.72 37.81 0.0081 0.454488
32 2/1/2018 58.54 59.42 0.7744 496.5837
33 2/2/2018 54.86 55.89 1.0609 351.7184
34 2/3/2018 56.79 58.35 2.4336 450.0405
35 2/4/2018 55.03 54.85 0.0324 313.7914
36 2/5/2018 52.65 53.14 0.2401 256.1331
37 2/6/2018 51.59 50.13 2.1316 168.8481
38 2/7/2018 50.39 50.13 0.0676 168.8481
39 2/8/2018 52.88 50.13 7.5625 168.8481
40 2/9/2018 52.65 50.13 6.3504 168.8481
41 2/10/2018 53.73 53.48 0.0625 267.1315
42 2/11/2018 49.07 50.13 1.1236 168.8481
43 2/12/2018 51.33 49.14 4.7961 144.0998
44 2/13/2018 47.81 46.88 0.8649 94.94861
45 2/14/2018 44.51 43.75 0.5776 43.74708
46 2/15/2018 44.87 43.75 1.2544 43.74708
47 2/16/2018 42.43 43.75 1.7424 43.74708
48 2/17/2018 41.78 42.83 1.1025 32.42343
49 2/18/2018 42.69 40.73 3.8416 12.91797
50 2/19/2018 41.37 39.84 2.3409 7.312468
51 2/20/2018 41.21 40.73 0.2304 12.91797
52 2/21/2018 44.56 40.73 14.6689 12.91797
53 2/22/2018 39.45 40.73 1.6384 12.91797
54 2/23/2018 38.57 41.92 11.2225 22.88816
55 2/24/2018 38.31 40.73 5.8564 12.91797
56 2/25/2018 37.61 38.96 1.8225 3.327551
57 2/26/2018 37.17 41.92 22.5625 22.88816
58 2/27/2018 36.5 39.84 11.1556 7.312468
59 2/28/2018 36.35 38.96 6.8121 3.327551
60 3/1/2018 36.07 37.81 3.0276 0.454488
61 3/2/2018 35.65 36.11 0.2116 1.052353
62 3/3/2018 35.27 37.81 6.4516 0.454488
63 3/4/2018 34.88 51.45 274.5649 204.8951
64 3/5/2018 35 50.13 228.9169 168.8481
65 3/6/2018 36.19 50.13 194.3236 168.8481
66 3/7/2018 35.83 46.88 122.1025 94.94861
67 3/8/2018 36.62 49.14 156.7504 144.0998
68 3/9/2018 53.75 54.85 1.21 313.7914
69 3/10/2018 52.21 52.46 0.0625 234.8298
70 3/11/2018 49.96 50.13 0.0289 168.8481
71 3/12/2018 55.04 54.85 0.0361 313.7914
72 3/13/2018 51.23 53.48 5.0625 267.1315
73 3/14/2018 61.22 59.42 3.24 496.5837
74 3/15/2018 55.09 56.94 3.4225 392.2047
82
75 3/16/2018 53.88 54.85 0.9409 313.7914
76 3/17/2018 57.79 56.94 0.7225 392.2047
77 3/18/2018 59.01 58.35 0.4356 450.0405
78 3/19/2018 51.23 53.48 5.0625 267.1315
79 3/20/2018 46.32 49.14 7.9524 144.0998
80 3/21/2018 45.82 50.13 18.5761 168.8481
81 3/22/2018 45.14 52.46 53.5824 234.8298
82 3/23/2018 45.7 53.48 60.5284 267.1315
83 3/24/2018 50.93 50.13 0.64 168.8481
84 3/25/2018 53.44 49.14 18.49 144.0998
85 3/26/2018 56.17 50.13 36.4816 168.8481
86 3/27/2018 55.08 49.14 35.2836 144.0998
87 3/28/2018 54.09 49.14 24.5025 144.0998
88 3/29/2018 53.66 56.94 10.7584 392.2047
89 3/30/2018 53.51 52.46 1.1025 234.8298
90 3/31/2018 52.55 50.13 5.8564 168.8481
91 4/1/2018 51.72 49.14 6.6564 144.0998
92 4/2/2018 45.55 46.88 1.7689 94.94861
93 4/3/2018 41.83 41.92 0.0081 22.88816
94 4/4/2018 45.09 46.04 0.9025 79.28402
95 4/5/2018 43.33 44.99 2.7556 61.68779
96 4/6/2018 53.07 53.7 0.3969 274.3713
97 4/7/2018 51.27 50.35 0.8464 174.614
98 4/8/2018 51.02 50.35 0.4489 174.614
99 4/9/2018 51.44 52.57 1.2769 238.2132
10
4/10/2018 50.99 50.35
0 0.4096 174.614
10
4/11/2018 52.28 53.7
1 2.0164 274.3713
10
4/12/2018 50.58 51.45
2 0.7569 204.8951
10
4/13/2018 49.51 49.25
3 0.0676 146.7528
10
4/14/2018 48.93 47.1
4 3.3489 99.28444
10
4/15/2018 43.61 46.04
5 5.9049 79.28402
10
4/16/2018 43.24 46.04
6 7.84 79.28402
10
4/17/2018 44.79 46.04
7 1.5625 79.28402
10
4/18/2018 45.86 42.93
8 8.5849 33.57226
10
4/19/2018 45.49 43.96
9 2.3409 46.56913
11
4/20/2018 46.08 42.93
0 9.9225 33.57226
83
11
4/21/2018 45.8 44.99
1 0.6561 61.68779
11
4/22/2018 45.25 46.04
2 0.6241 79.28402
11
4/23/2018 46.3 52.57
3 39.3129 238.2132
11
4/24/2018 49.18 50.35
4 1.3689 174.614
11
4/25/2018 61.45 63.19
5 3.0276 678.8191
11
4/26/2018 65.89 66.94
6 1.1025 888.2878
11
4/27/2018 64.52 64.43
7 0.0081 744.971
11
4/28/2018 66.74 65.68
8 1.1236 814.7689
11
4/29/2018 58.93 60.75
9 3.3124 557.6284
12
4/30/2018 57.04 58.35
0 1.7161 450.0405
12
5/1/2018 54.66 54.85
1 0.0361 313.7914
12
5/2/2018 50.03 52.57
2 6.4516 238.2132
12
5/3/2018 51.22 50.35
3 0.7569 174.614
12
5/4/2018 47.87 47.1
4 0.5929 99.28444
12
5/5/2018 42.3 43.96
5 2.7556 46.56913
12
5/6/2018 44.09 43.96
6 0.0169 46.56913
12
5/7/2018 52.67 47.1
7 31.0249 99.28444
12
5/8/2018 50.78 50.35
8 0.1849 174.614
12
5/9/2018 49.15 52.57
9 11.6964 238.2132
13
5/10/2018 47.72 47.1
0 0.3844 99.28444
13
5/11/2018 46.56 47.1
1 0.2916 99.28444
13
5/12/2018 46.3 43.96
2 5.4756 46.56913
13
5/13/2018 45.2 43.96
3 1.5376 46.56913
13
5/14/2018 44.11 42.93
4 1.3924 33.57226
13 5/15/2018 43.54 40.92 6.8644 14.31985
84
5
13
5/16/2018 47.43 48.17
6 0.5476 121.7526
13
5/17/2018 43.69 42.93
7 0.5776 33.57226
13
5/18/2018 41.25 40.92
8 0.1089 14.31985
13
5/19/2018 42.34 39.94
9 5.76 7.863299
14
5/20/2018 39.05 38.96
0 0.0081 3.327551
14
5/21/2018 41.9 40.92
1 0.9604 14.31985
14
5/22/2018 42.34 41.92
2 0.1764 22.88816
14
5/23/2018 45.65 40.92
3 22.3729 14.31985
14
5/24/2018 44.72 38.96
4 33.1776 3.327551
14
5/25/2018 43.95 42.93
5 1.0404 33.57226
14
5/26/2018 46.3 53.7
6 54.76 274.3713
14
5/27/2018 49.51 58.35
7 78.1456 450.0405
14
5/28/2018 48.82 50.35
8 2.3409 174.614
14
5/29/2018 49.58 52.57
9 8.9401 238.2132
15
5/30/2018 58.33 58.35
0 0.0004 450.0405
15
5/31/2018 64.59 65.68
1 1.1881 814.7689
15
6/1/2018 49.3 52.57
2 10.6929 238.2132
15
6/2/2018 67.31 65.68
3 2.6569 814.7689
15
6/3/2018 67.73 68.22
4 0.2401 966.2248
15
6/4/2018 69.04 68.22
5 0.6724 966.2248
15
6/5/2018 60.44 60.75
6 0.0961 557.6284
15
6/6/2018 55.68 54.85
7 0.6889 313.7914
15
6/7/2018 51.14 51.45
8 0.0961 204.8951
15
6/8/2018 52.21 53.7
9 2.2201 274.3713
85
16
6/9/2018 52.43 52.57
0 0.0196 238.2132
16
6/10/2018 50.32 50.35
1 0.0009 174.614
16
6/11/2018 45.5 47.1
2 2.56 99.28444
16
6/12/2018 47.77 46.04
3 2.9929 79.28402
16
6/13/2018 46.34 46.04
4 0.09 79.28402
16
6/14/2018 41.22 40.92
5 0.09 14.31985
16
6/15/2018 37.67 41.92
6 18.0625 22.88816
16
6/16/2018 41.11 39.94
7 1.3689 7.863299
16
6/17/2018 36.64 41.92
8 27.8784 22.88816
16
6/18/2018 36.2 39.94
9 13.9876 7.863299
17
6/19/2018 42.75 41.92
0 0.6889 22.88816
17
6/20/2018 35.39 39.94
1 20.7025 7.863299
17
6/21/2018 40.08 41.92
2 3.3856 22.88816
17
6/22/2018 43.28 43.96
3 0.4624 46.56913
17
6/23/2018 40.11 40.92
4 0.6561 14.31985
17
6/24/2018 38.58 39.94
5 1.8496 7.863299
17
6/25/2018 41.05 40.92
6 0.0169 14.31985
17
6/26/2018 43.28 44.99
7 2.9241 61.68779
17
6/27/2018 48.08 47.1
8 0.9604 99.28444
17
6/28/2018 43.33 44.99
9 2.7556 61.68779
18
6/29/2018 40.08 41.92
0 3.3856 22.88816
18
6/30/2018 46.43 46.04
1 0.1521 79.28402
18
7/1/2018 41.23 40.92
2 0.0961 14.31985
18
7/2/2018 48.23 48.17
3 0.0036 121.7526
18 7/3/2018 50.83 51.45 0.3844 204.8951
86
4
18
7/4/2018 52.35 49.25
5 9.61 146.7528
18
7/5/2018 51.22 52.57
6 1.8225 238.2132
18
7/6/2018 53.78 51.45
7 5.4289 204.8951
18
7/7/2018 48.76 49.25
8 0.2401 146.7528
18
7/8/2018 45.56 46.04
9 0.2304 79.28402
19
7/9/2018 43.59 42.93
0 0.4356 33.57226
19
7/10/2018 48.9 46.04
1 8.1796 79.28402
19
7/11/2018 42.23 41.92
2 0.0961 22.88816
19
7/12/2018 55.51 56
3 0.2401 355.8564
19
7/13/2018 53.94 51.45
4 6.2001 204.8951
19
7/14/2018 51.21 49.25
5 3.8416 146.7528
19
7/15/2018 55.57 52.57
6 9 238.2132
19
7/16/2018 48.81 50.35
7 2.3716 174.614
19
7/17/2018 47.67 46.04
8 2.6569 79.28402
19
7/18/2018 40.07 43.96
9 15.1321 46.56913
20
7/19/2018 45.02 42.93
0 4.3681 33.57226
20
7/20/2018 30.92 40.92
1 100 14.31985
20
7/21/2018 37.43 38.96
2 2.3409 3.327551
20
7/22/2018 37.43 39.94
3 6.3001 7.863299
20
7/23/2018 37.43 38
4 0.3249 0.746768
20
7/24/2018 37.43 38.96
5 2.3409 3.327551
20
7/25/2018 40.12 40.92
6 0.64 14.31985
20
7/26/2018 31.25 41.92
7 113.8489 22.88816
20
7/27/2018 39.78 38
8 3.1684 0.746768
87
20
7/28/2018 40.09 39.94
9 0.0225 7.863299
21
7/29/2018 43.51 42.93
0 0.3364 33.57226
21
7/30/2018 45.55 46.04
1 0.2401 79.28402
21
7/31/2018 43.51 44.99
2 2.1904 61.68779
21
8/1/2018 43.51 40.92
3 6.7081 14.31985
21
8/2/2018 41.21 39.94
4 1.6129 7.863299
21
8/3/2018 38.23 38
5 0.0529 0.746768
21
8/4/2018 38.23 38
6 0.0529 0.746768
21
8/5/2018 38.23 39.94
7 2.9241 7.863299
21
8/6/2018 38.23 39.94
8 2.9241 7.863299
21
8/7/2018 41.28 40.92
9 0.1296 14.31985
22
8/8/2018 53.33 54.85
0 2.3104 313.7914
22
8/9/2018 45.65 42.93
1 7.3984 33.57226
22
8/10/2018 45.65 46.04
2 0.1521 79.28402
22
8/11/2018 45.65 43.96
3 2.8561 46.56913
22
8/12/2018 40.09 39.94
4 0.0225 7.863299
22
8/13/2018 41.23 39.94
5 1.6641 7.863299
22
8/14/2018 43.12 38
6 26.2144 0.746768
22
8/15/2018 43.12 37.05
7 36.8449 0.007369
22
8/16/2018 43.12 38
8 26.2144 0.746768
22
8/17/2018 36.23 37.05
9 0.6724 0.007369
23
8/18/2018 38.34 38
0 0.1156 0.746768
23
8/19/2018 38.34 37.05
1 1.6641 0.007369
23
8/20/2018 38.34 37.05
2 1.6641 0.007369
23 8/21/2018 38.34 35.18 9.9856 3.82532
88
3
23
8/22/2018 26.16 35.18
4 81.3604 3.82532
23
8/23/2018 35.76 34.27
5 2.2201 8.213053
23
8/24/2018 35.76 38.96
6 10.24 3.327551
23
8/25/2018 35.76 38.96
7 10.24 3.327551
23
8/26/2018 35.76 36.11
8 0.1225 1.052353
23
8/27/2018 35.76 35.18
9 0.3364 3.82532
24
8/28/2018 35.76 38
0 5.0176 0.746768
24
8/29/2018 25.4 35.18
1 95.6484 3.82532
24
8/30/2018 25.36 38
2 159.7696 0.746768
24
8/31/2018 26.36 39.94
3 184.4164 7.863299
24
9/1/2018 26.21 48.17
4 482.2416 121.7526
24
9/2/2018 26.02 48.17
5 490.6225 121.7526
24
9/3/2018 54.43 56.35
6 3.6864 369.1838
24
9/4/2018 54.43 38
7 269.9449 0.746768
24
9/5/2018 54.43 40.92
8 182.5201 14.31985
24
9/6/2018 54.43 38
9 269.9449 0.746768
25
9/7/2018 54.43 36.11
0 335.6224 1.052353
25
9/8/2018 42.12 40.92
1 1.44 14.31985
25
9/9/2018 42.12 37.05
2 25.7049 0.007369
25
9/10/2018 42.12 35.18
3 48.1636 3.82532
25
9/11/2018 42.12 38
4 16.9744 0.746768
25
9/12/2018 24.46 38.96
5 210.25 3.327551
25
9/13/2018 24.29 38
6 187.9641 0.746768
25
9/14/2018 24.1 36.11
7 144.2401 1.052353
89
25
9/15/2018 23.87 38
8 199.6569 0.746768
25
9/16/2018 23.63 36.11
9 155.7504 1.052353
26
9/17/2018 23.38 36.12
0 162.3076 1.031936
26
9/18/2018 23.76 36.11
1 152.5225 1.052353
26
9/19/2018 24.09 36.11
2 144.4804 1.052353
26
9/20/2018 24.57 36.11
3 133.1716 1.052353
26
9/21/2018 24.34 36.11
4 138.5329 1.052353
26
9/22/2018 24.34 35.18
5 117.5056 3.82532
26
9/23/2018 24.19 43.96
6 390.8529 46.56913
26
9/24/2018 24.04 41.92
7 319.6944 22.88816
26
9/25/2018 24.09 39.94
8 251.2225 7.863299
26
9/26/2018 24.04 38
9 194.8816 0.746768
27
9/27/2018 23.81 38.01
0 201.64 0.764151
27
9/28/2018 23.6 36.11
1 156.5001 1.052353
27
9/29/2018 23.39 36.11
2 161.7984 1.052353
27
9/30/2018 23.15 36.11
3 167.9616 1.052353
27
10/1/2018 23.07 36.11
4 170.0416 1.052353
27
10/2/2018 23.1 36.11
5 169.2601 1.052353
27
10/3/2018 23.29 36.11
6 164.3524 1.052353
27
10/4/2018 23.45 38
7 211.7025 0.746768
27
10/5/2018 23.2 40.43
8 296.8729 10.85147
27
10/6/2018 22.99 38.97
9 255.3604 3.364134
28
10/7/2018 22.99 38.515
0 241.0256 1.902076
28
10/8/2018 23.2 47.885
1 609.3492 115.5444
28 10/9/2018 23.42 39.99 274.5649 8.146215
90
2
28
10/10/2018 23.73 40.61
3 284.9344 12.06977
28
10/11/2018 27.27 40.98
4 187.9641 14.77755
28
10/12/2018 40.32 39.45
5 0.7569 5.355325
28
10/13/2018 39.05 38.97
6 0.0064 3.364134
28
10/14/2018 37.53 37.055
7 0.225625 0.006536
28
10/15/2018 38.63 37.525
8 1.221025 0.151444
28
10/16/2018 35.55 37.055
9 2.265025 0.006536
29
10/17/2018 36.64 36.585
0 0.003025 0.303427
29
10/18/2018 36.41 37.055
1 0.416025 0.006536
29
10/19/2018 37.65 36.58
2 1.1449 0.308961
29
10/20/2018 37.77 36.58
3 1.4161 0.308961
29
10/21/2018 35.94 35.645
4 0.087025 2.222611
29
10/22/2018 36.79 35.18
5 2.5921 3.82532
29
10/23/2018 41.36 39.115
6 5.040025 3.917065
29
10/24/2018 42.22 40.44
7 3.1684 10.91746
29
10/25/2018 35.56 39.45
8 15.1321 5.355325
29
10/26/2018 37.84 37.055
9 0.616225 0.006536
30
10/27/2018 36.64 36.595
0 0.002025 0.292511
30
10/28/2018 30.26 37.055
1 46.17203 0.006536
30
10/29/2018 30.58 35.645
2 25.65423 2.222611
30
10/30/2018 31.62 37.055
3 29.53923 0.006536
30
10/31/2018 32.8 38.025
4 27.30063 0.790601
30
11/1/2018 33.6 42.14
5 72.9316 25.04159
30
11/2/2018 41.06 42.14
6 1.1664 25.04159
91
30
11/3/2018 42.55 42.93
7 0.1444 33.57226
30
11/4/2018 42.89 53.7
8 116.8561 274.3713
30
11/5/2018 56.66 61.96
9 28.09 616.2388
31
11/6/2018 45.65 69.51
0 569.2996 1048.086
31
11/7/2018 51.34 66.94
1 243.36 888.2878
31
11/8/2018 54.88 61.96
2 50.1264 616.2388
31
11/9/2018 53.9 61.96
3 64.9636 616.2388
31
11/10/2018 60.12 64.43
4 18.5761 744.971
31
11/11/2018 50.01 59.54
5 90.8209 501.9463
31
11/12/2018 58.95 53.7
6 27.5625 274.3713
31
11/13/2018 54.64 52.57
7 4.2849 238.2132
31
11/14/2018 55.02 52.57
8 6.0025 238.2132
31
11/15/2018 54.46 48.17
9 39.5641 121.7526
32
11/16/2018 53.58 44.99
0 73.7881 61.68779
32
11/17/2018 52.56 43.96
1 73.96 46.56913
32
11/18/2018 53.29 41.92
2 129.2769 22.88816
32
11/19/2018 56.31 39.94
3 267.9769 7.863299
32
11/20/2018 58.52 37.05
4 460.9609 0.007369
32
11/21/2018 57.95 36.11
5 476.9856 1.052353
32
11/22/2018 58.39 38.96
6 377.5249 3.327551
32
11/23/2018 57.56 43.96
7 184.96 46.56913
32
11/24/2018 56.56 40.92
8 244.6096 14.31985
32
11/25/2018 56.62 38
9 346.7044 0.746768
33
11/26/2018 35.58 34.27
0 1.7161 8.213053
33 11/27/2018 35.58 32.48 9.61 21.67687
92
1
33
11/28/2018 35.58 33.37
2 4.8841 14.18157
33
11/29/2018 35.58 30.73
3 23.5225 41.03482
33
11/30/2018 35.12 32.48
4 6.9696 21.67687
33
12/1/2018 41.34 42.93
5 2.5281 33.57226
33
12/2/2018 44.58 43.96
6 0.3844 46.56913
33
12/3/2018 42.48 42.93
7 0.2025 33.57226
33
12/4/2018 41.21 41.92
8 0.5041 22.88816
33
12/5/2018 43.4 43.96
9 0.3136 46.56913
34
12/6/2018 47.67 48.17
0 0.25 121.7526
34
12/7/2018 48.23 48.17
1 0.0036 121.7526
34
12/8/2018 53.45 51.45
2 4 204.8951
34
12/9/2018 55.61 54.85
3 0.5776 313.7914
34
12/10/2018 55.78 54.85
4 0.8649 313.7914
34
12/11/2018 55.5 53.7
5 3.24 274.3713
34
12/12/2018 55.23 53.7
6 2.3409 274.3713
34
12/13/2018 54.42 56
7 2.4964 355.8564
34
12/14/2018 57.98 58.35
8 0.1369 450.0405
34
12/15/2018 62.33 61.96
9 0.1369 616.2388
35
12/16/2018 66.83 63.19
0 13.2496 678.8191
35
12/17/2018 59.12 61.96
1 8.0656 616.2388
35
12/18/2018 58.76 59.54
2 0.6084 501.9463
35
12/19/2018 55.92 54.85
3 1.1449 313.7914
35
12/20/2018 51.22 51.45
4 0.0529 204.8951
35
12/21/2018 51.12 47.1
5 16.1604 99.28444
93
35
12/22/2018 46.54 44.99
6 2.4025 61.68779
35
12/23/2018 46.54 42.93
7 13.0321 33.57226
35
12/24/2018 42.11 39.94
8 4.7089 7.863299
35
12/25/2018 42.11 38
9 16.8921 0.746768
36
12/26/2018 42.11 37.05
0 25.6036 0.007369
36
12/27/2018 42.11 34.27
1 61.4656 8.213053
36
12/28/2018 32.34 31.6
2 0.5476 30.64555
36
12/29/2018 32.34 31.6
3 0.5476 30.64555
36
12/30/2018 32.34 29.03
4 10.9561 65.70468
36
12/31/2018 32.34 28.2
5 17.1396 79.84928
36
1/1/2019 32.34 26.5
6 34.1056 113.1211
36
1/2/2019 32.34 28.95
7 11.4921 67.00802
36
1/3/2019 32.12 27.22
8 24.01 98.32393
36
1/4/2019 32.12 26.5
9 31.5844 113.1211
37
1/5/2019 32.12 25.79
0 40.0689 128.7281
37
1/6/2019 32.12 26.5
1 31.5844 113.1211
37
1/7/2019 31.87 25.79
2 36.9664 128.7281
37
1/8/2019 31.87 26.5
3 28.8369 113.1211
37
1/9/2019 31.87 25.79
4 36.9664 128.7281
37
1/10/2019 28.76 27.22
5 2.3716 98.32393
37
1/11/2019 28.76 25.79
6 8.8209 128.7281
37
1/12/2019 28.76 28.95
7 0.0361 67.00802
37
1/13/2019 28.76 32.56
8 14.44 20.93833
37
1/14/2019 32.76 29.96
9 7.84 51.49272
38 1/15/2019 32.76 29.96 7.84 51.49272
94
0
38
1/16/2019 32.76 26.5
1 39.1876 113.1211
38
1/17/2019 32.76 25.79
2 48.5809 128.7281
38
1/18/2019 35.18 25.79
3 88.1721 128.7281
38
1/19/2019 35.18 24.16
4 121.4404 168.3725
38
1/20/2019 35.18 24.16
5 121.4404 168.3725
38
1/21/2019 35.18 25.08
6 102.01 145.3433
38
1/22/2019 35.18 23.48
7 136.89 186.482
38
1/23/2019 50.1 27.47
8 512.1169 93.42851
38
1/24/2019 26.26 23.48
9 7.7284 186.482
39
1/25/2019 26.26 25.08
0 1.3924 145.3433
39
1/26/2019 26.26 23.48
1 7.7284 186.482
39
1/27/2019 26.26 24.16
2 4.41 168.3725
39
1/28/2019 26.26 25.79
3 0.2209 128.7281
39
1/29/2019 26.26 25.79
4 0.2209 128.7281
39
1/30/2019 26.26 33.37
5 50.5521 14.18157
39
1/31/2019 26.26 23.48
6 7.7284 186.482
39
2/1/2019 26.26 24.16
7 4.41 168.3725
39
2/2/2019 40.54 24.16
8 268.3044 168.3725
39
2/3/2019 41.22 34.18
9 49.5616 8.737005
40
2/4/2019 42.3 33.37
0 79.7449 14.18157
40
2/5/2019 41.88 32.56
1 86.8624 20.93833
40
2/6/2019 41.49 34.18
2 53.4361 8.737005
40
2/7/2019 40.81 35.28
3 30.5809 3.444151
40
2/8/2019 40.04 34.18
4 34.3396 8.737005
95
40
2/9/2019 39.34 33.37
5 35.6409 14.18157
40
2/10/2019 40.84 35.28
6 30.9136 3.444151
40
2/11/2019 41.14 44.99
7 14.8225 61.68779
40
2/12/2019 41.2 44.99
8 14.3641 61.68779
40
2/13/2019 40.28 41.92
9 2.6896 22.88816
41
2/14/2019 39.88 41.92
0 4.1616 22.88816
41
2/15/2019 42.85 45.93
1 9.4864 77.33721
41
2/16/2019 44.83 47.2
2 5.6169 101.2873
41
2/17/2019 45.58 51.45
3 34.4569 204.8951
41
2/18/2019 44.72 50.46
4 32.9476 177.5332
41
2/19/2019 43.76 44.99
5 1.5129 61.68779
41
2/20/2019 43.21 49.14
6 35.1649 144.0998
41
2/21/2019 56.31 45.93
7 107.7444 77.33721
41
2/22/2019 57.23 44.06
8 173.4489 47.94396
41
2/23/2019 62.23 44.99
9 297.2176 61.68779
42
2/24/2019 54.23 44.99
0 85.3776 61.68779
42
2/25/2019 56.67 49.14
1 56.7009 144.0998
42
2/26/2019 45.18 44.06
2 1.2544 47.94396
42
2/27/2019 47.39 52.46
3 25.7049 234.8298
42
2/28/2019 50.17 51.45
4 1.6384 204.8951
42
3/1/2019 61.76 57.29
5 19.9809 406.1901
42
3/2/2019 57.24 55.89
6 1.8225 351.7184
42
3/3/2019 56.24 53.82
7 5.8564 278.3611
42
3/4/2019 57.35 51.45
8 34.81 204.8951
42 3/5/2019 57.07 52.46 21.2521 234.8298
96
9
43
3/6/2019 56.85 51.45
0 29.16 204.8951
43
3/7/2019 55.98 48.17
1 60.9961 121.7526
43
3/8/2019 55.98 44.99
2 120.7801 61.68779
43
3/9/2019 55.31 42.83
3 155.7504 32.42343
43
3/10/2019 55.48 38.1
4 302.0644 0.9296
43
3/11/2019 54.81 38.1
5 279.2241 0.9296
43
3/12/2019 54.19 38.1
6 258.8881 0.9296
43
3/13/2019 53.63 35.28
7 336.7225 3.444151
43
3/14/2019 52.58 33.37
8 369.0241 14.18157
43
3/15/2019 51.45 30.73
9 429.3184 41.03482
44
3/16/2019 50.31 30.73
0 383.3764 41.03482
44
3/17/2019 49.15 28.2
1 438.9025 79.84928
44
3/18/2019 47.98 27.47
2 420.6601 93.42851
44
3/19/2019 46.79 28.95
3 318.2656 67.00802
44
3/20/2019 45.59 29.96
4 244.2969 51.49272
44
3/21/2019 45.85 27.47
5 337.8244 93.42851
44
3/22/2019 45.44 27.47
6 322.9209 93.42851
44
3/23/2019 45 25.79
7 369.0241 128.7281
44
3/24/2019 44.72 31.51
8 174.5041 31.6501
44
3/25/2019 43.89 26.5
9 302.4121 113.1211
45
3/26/2019 44.09 28.95
0 229.2196 67.00802
45
3/27/2019 44.12 32.56
1 133.6336 20.93833
45
3/28/2019 43.44 28.95
2 209.9601 67.00802
45
3/29/2019 42.73 27.47
3 232.8676 93.42851
97
45
3/30/2019 42.03 27.47
4 211.9936 93.42851
45
3/31/2019 42.3 25.79
5 272.5801 128.7281
45
4/1/2019 42.22 57.29
6 227.1049 406.1901
45
4/2/2019 41.43 55.89
7 209.0916 351.7184
45
4/3/2019 40.75 25.79
8 223.8016 128.7281
45
4/4/2019 39.89 25.79
9 198.81 128.7281
46
4/5/2019 40.18 25.79
0 207.0721 128.7281
46
4/6/2019 40.25 31.51
1 76.3876 31.6501
46
4/7/2019 39.79 34.18
2 31.4721 8.737005
46
4/8/2019 39.64 26.5
3 172.6596 113.1211
46
4/9/2019 39.19 27.47
4 137.3584 93.42851
46
4/10/2019 39.4 28.2
5 125.44 79.84928
46
4/11/2019 40 27.22
6 163.3284 98.32393
46
4/12/2019 39.86 28.95
7 119.0281 67.00802
46
4/13/2019 39.18 27.22
8 143.0416 98.32393
46
4/14/2019 38.98 25.79
9 173.9761 128.7281
47
4/15/2019 40.14 29.96
0 103.6324 51.49272
47
4/16/2019 41.78 34.18
1 57.76 8.737005
47
4/17/2019 42.17 36.95
2 27.2484 0.034537
47
4/18/2019 41.55 42.83
3 1.6384 32.42343
47
4/19/2019 41.26 42.83
4 2.4649 32.42343
47
4/20/2019 41.37 42.83
5 2.1316 32.42343
47
4/21/2019 41.22 40.73
6 0.2401 12.91797
47
4/22/2019 40.91 38.96
7 3.8025 3.327551
47 4/23/2019 41.29 36.95 18.8356 0.034537
98
8
47
4/24/2019 40.97 42.83
9 3.4596 32.42343
48
4/25/2019 40.37 41.92
0 2.4025 22.88816
48
4/26/2019 41.59 40.73
1 0.7396 12.91797
48
4/27/2019 42.53 50.13
2 57.76 168.8481
48
4/28/2019 41.74 49.14
3 54.76 144.0998
48
4/29/2019 40.8 45.93
4 26.3169 77.33721
48
4/30/2019 40.07 41.92
5 3.4225 22.88816
48
5/1/2019 39.4 38.1
6 1.69 0.9296
48
5/2/2019 38.82 34.18
7 21.5296 8.737005
48
5/3/2019 38.38 29.96
8 70.8964 51.49272
48
5/4/2019 38.13 29.96
9 66.7489 51.49272
49
5/5/2019 37.92 28.95
0 80.4609 67.00802
49
5/6/2019 37.43 28.95
1 71.9104 67.00802
49
5/7/2019 36.94 25.79
2 124.3225 128.7281
49
5/8/2019 36.47 25.79
3 114.0624 128.7281
49
5/9/2019 36.05 25.79
4 105.2676 128.7281
49
5/10/2019 35.62 25.79
5 96.6289 128.7281
49
5/11/2019 35.21 25.79
6 88.7364 128.7281
49
5/12/2019 34.95 26.5
7 71.4025 113.1211
49
5/13/2019 34.55 26.5
8 64.8025 113.1211
49
5/14/2019 34.24 36.95
9 7.3441 0.034537
50
5/15/2019 37.77 38.96
0 1.4161 3.327551
50
5/16/2019 36.9 37.81
1 0.8281 0.454488
50
5/17/2019 37.44 36.11
2 1.7689 1.052353
99
50
5/18/2019 36.87 35
3 3.4969 4.561823
50
5/19/2019 36.42 35
4 2.0164 4.561823
50
5/20/2019 36.02 33.37
5 7.0225 14.18157
50
5/21/2019 36.79 32.3
6 20.1601 23.38537
50
5/22/2019 37.77 30.73
7 49.5616 41.03482
50
5/23/2019 37.21 28.2
8 81.1801 79.84928
50
5/24/2019 36.62 26.5
9 102.4144 113.1211
51
5/25/2019 36.07 25.79
0 105.6784 128.7281
51
5/26/2019 35.62 30.73
1 23.9121 41.03482
51
5/27/2019 35.16 25.79
2 87.7969 128.7281
51
5/28/2019 34.94 25.79
3 83.7225 128.7281
51
5/29/2019 35.14 25.79
4 87.4225 128.7281
51
5/30/2019 34.84 26.5
5 69.5556 113.1211
51
5/31/2019 34.62 25.79
6 77.9689 128.7281
51
6/1/2019 35.62 26.5
7 83.1744 113.1211
51
6/2/2019 35.3 36.11
8 0.6561 1.052353
51
6/3/2019 38.57 34.18
9 19.2721 8.737005
52
6/4/2019 31.77 36.95
0 26.8324 0.034537
52
6/5/2019 40.38 36.11
1 18.2329 1.052353
52
6/6/2019 38.76 34.18
2 20.9764 8.737005
52
6/7/2019 36.84 33.37
3 12.0409 14.18157
52
6/8/2019 33.77 30.73
4 9.2416 41.03482
52
6/9/2019 34.52 32.3
5 4.9284 23.38537
52
6/10/2019 35.27 40.73
6 29.8116 12.91797
52 6/11/2019 35.92 35 0.8464 4.561823
100
7
52
6/12/2019 36.17 36.11
8 0.0036 1.052353
52
6/13/2019 35.87 34.18
9 2.8561 8.737005
53
6/14/2019 35.56 31.51
0 16.4025 31.6501
53
6/15/2019 35.5 29.71
1 33.5241 55.14314
53
6/16/2019 35.15 31.51
2 13.2496 31.6501
53
6/17/2019 34.8 30.73
3 16.5649 41.03482
53
6/18/2019 35.23 28.95
4 39.4384 67.00802
53
6/19/2019 35.31 29.96
5 28.6225 51.49272
53
6/20/2019 35.02 33.37
6 2.7225 14.18157
53
6/21/2019 35.17 29.96
7 27.1441 51.49272
53
6/22/2019 34.78 30.73
8 16.4025 41.03482
53
6/23/2019 34.32 32.56
9 3.0976 20.93833
54
6/24/2019 33.91 28.95
0 24.6016 67.00802
54
6/25/2019 33.53 28.2
1 28.4089 79.84928
54
6/26/2019 33.78 27.47
2 39.8161 93.42851
54
6/27/2019 34.1 34.18
3 0.0064 8.737005
54
6/28/2019 33.91 34.18
4 0.0729 8.737005
54
6/29/2019 33.65 29.96
5 13.6161 51.49272
54
6/30/2019 33.29 29.96
6 11.0889 51.49272
54
7/1/2019 32.94 27.22
7 32.7184 98.32393
54
7/2/2019 32.64 28.2
8 19.7136 79.84928
54
7/3/2019 32.69 25.08
9 57.9121 145.3433
55
7/4/2019 33.49 34.18
0 0.4761 8.737005
55
7/5/2019 34.02 27.22
1 46.24 98.32393
101
55
7/6/2019 33.81 28.95
2 23.6196 67.00802
55
7/7/2019 34.69 25.79
3 79.21 128.7281
55
7/8/2019 35.3 25.08
4 104.4484 145.3433
55
7/9/2019 34.84 29.96
5 23.8144 51.49272
55
7/10/2019 34.34 25.08
6 85.7476 145.3433
55
7/11/2019 33.89 24.85
7 81.7216 150.9419
55
7/12/2019 33.5 24.16
8 87.2356 168.3725
55
7/13/2019 33.13 22.8
9 106.7089 205.5164
56
7/14/2019 32.76 21.92
0 117.5056 231.5219
56
7/15/2019 32.95 28.95
1 16 67.00802
56
7/16/2019 32.6 24.23
2 70.0569 166.5608
56
7/17/2019 32.29 22.8
3 90.0601 205.5164
56
7/18/2019 32.01 21.92
4 101.8081 231.5219
56
7/19/2019 31.69 21.27
5 108.5764 251.725
56
7/20/2019 31.39 20.42
6 120.3409 279.4194
56
7/21/2019 31.22 19.8
7 130.4164 300.5314
56
7/22/2019 31.17 20.63
8 111.0916 272.4428
56
7/23/2019 31.07 34.18
9 9.6721 8.737005
57
7/24/2019 30.98 25.79
0 26.9361 128.7281
57
7/25/2019 30.67 21.92
1 76.5625 231.5219
57
7/26/2019 30.37 21.27
2 82.81 251.725
57
7/27/2019 30.1 20.42
3 93.7024 279.4194
57
7/28/2019 29.92 21.27
4 74.8225 251.725
57
7/29/2019 29.63 20.42
5 84.8241 279.4194
57 7/30/2019 29.34 20.42 79.5664 279.4194
102
6
57
7/31/2019 29.06 19.18
7 97.6144 322.4123
57
8/1/2019 28.77 19.8
8 80.4609 300.5314
57
8/2/2019 28.52 19.18
9 87.2356 322.4123
58
8/3/2019 28.22 20.63
0 57.6081 272.4428
58
8/4/2019 27.98 19.18
1 77.44 322.4123
58
8/5/2019 27.99 19.8
2 67.0761 300.5314
58
8/6/2019 45.66 20.63
3 626.5009 272.4428
58
8/7/2019 47.72 20.63
4 733.8681 272.4428
58
8/8/2019 51.64 20.63
5 961.6201 272.4428
58
8/9/2019 26.78 19.18
6 57.76 322.4123
58
8/10/2019 26.48 20.63
7 34.2225 272.4428
58
8/11/2019 26.17 19.8
8 40.5769 300.5314
58
8/12/2019 25.86 19.8
9 36.7236 300.5314
59
8/13/2019 25.62 19.8
0 33.8724 300.5314
59
8/14/2019 25.51 19.8
1 32.6041 300.5314
59
8/15/2019 25.22 19.8
2 29.3764 300.5314
59
8/16/2019 24.94 19.18
3 33.1776 322.4123
59
8/17/2019 24.62 19.18
4 29.5936 322.4123
59
8/18/2019 24.3 19.8
5 20.25 300.5314
59
8/19/2019 23.97 19.8
6 17.3889 300.5314
59
8/20/2019 23.65 19.18
7 19.9809 322.4123
59
8/21/2019 23.32 17.2
8 37.4544 397.4378
59
8/22/2019 23.1 17.2
9 34.81 397.4378
60
8/23/2019 22.8 17.2
0 31.36 397.4378
103
60
8/24/2019 22.8 17.2
1 31.36 397.4378
60
8/25/2019 24.13 18.57
2 30.9136 344.6905
60
8/26/2019 24.24 18.57
3 32.1489 344.6905
60
8/27/2019 24.25 17.78
4 41.8609 374.6486
60
8/28/2019 24.23 18.57
5 32.0356 344.6905
60
8/29/2019 24.03 17.2
6 46.6489 397.4378
60
8/30/2019 24.01 17.2
7 46.3761 397.4378
60
8/31/2019 23.79 17.2
8 43.4281 397.4378
60
9/1/2019 25.95 17.2
9 76.5625 397.4378
61
9/2/2019 26.27 17.78
0 72.0801 374.6486
61
9/3/2019 25.98 17.2
1 77.0884 397.4378
61
9/4/2019 25.71 17.78
2 62.8849 374.6486
61
9/5/2019 25.35 17.2
3 66.4225 397.4378
61
9/6/2019 25.01 17.78
4 52.2729 374.6486
61
9/7/2019 24.7 17.2
5 56.25 397.4378
61
9/8/2019 25.39 23.48
6 3.6481 186.482
61
9/9/2019 25.75 32.3
7 42.9025 23.38537
61
9/10/2019 45.23 27.22
8 324.3601 98.32393
61
9/11/2019 44.12 22.58
9 463.9716 211.8725
62
9/12/2019 46.53 20.42
0 681.7321 279.4194
62
9/13/2019 24.69 19.18
1 30.3601 322.4123
62
9/14/2019 24.35 18.37
2 35.7604 352.1568
62
9/15/2019 24 17.2
3 46.24 397.4378
62
9/16/2019 23.64 17.78
4 34.3396 374.6486
62 9/17/2019 23.28 17.78 30.25 374.6486
104
5
62
9/18/2019 22.93 17.2
6 32.8329 397.4378
62
9/19/2019 22.59 17.78
7 23.1361 374.6486
62
9/20/2019 22.26 17.78
8 20.0704 374.6486
62
9/21/2019 21.95 17.78
9 17.3889 374.6486
63
9/22/2019 21.65 17.78
0 14.9769 374.6486
63
9/23/2019 21.42 17.2
1 17.8084 397.4378
63
9/24/2019 22.16 17.78
2 19.1844 374.6486
63
9/25/2019 22.95 18.37
3 20.9764 352.1568
63
9/26/2019 22.86 17.2
4 32.0356 397.4378
63
9/27/2019 23.49 17.78
5 32.6041 374.6486
63
9/28/2019 25.53 17.2
6 69.3889 397.4378
63
9/29/2019 30.42 17.78
7 159.7696 374.6486
63
9/30/2019 34.53 21.27
8 175.8276 251.725
63
10/1/2019 40.53 19.8
9 429.7329 300.5314
64
10/2/2019 43.64 17.78
0 668.7396 374.6486
64
10/3/2019 45.22 19.18
1 678.0816 322.4123
64
10/4/2019 22.55 19.18
2 11.3569 322.4123
64
10/5/2019 22.3 17.2
3 26.01 397.4378
64
10/6/2019 22.07 17.2
4 23.7169 397.4378
64
10/7/2019 22.42 18.37
5 16.4025 352.1568
64
10/8/2019 22.76 16.43
6 40.0689 428.7319
64
10/9/2019 22.56 21.92
7 0.4096 231.5219
64
10/10/2019 22.31 18.37
8 15.5236 352.1568
64
10/11/2019 22.08 18.37
9 13.7641 352.1568
105
65
10/12/2019 21.92 17.78
0 17.1396 374.6486
65
10/13/2019 22.04 16.43
1 31.4721 428.7319
65
10/14/2019 21.92 17.2
2 22.2784 397.4378
65
10/15/2019 21.73 16.43
3 28.09 428.7319
65
10/16/2019 22.09 17.2
4 23.9121 397.4378
65
10/17/2019 22.78 17.2
5 31.1364 397.4378
65
10/18/2019 23.1 18.37
6 22.3729 352.1568
65
10/19/2019 23.07 17.2
7 34.4569 397.4378
65
10/20/2019 22.88 16.43
8 41.6025 428.7319
65
10/21/2019 22.79 18.37
9 19.5364 352.1568
66
10/22/2019 22.9 17.78
0 26.2144 374.6486
66
10/23/2019 22.79 16.43
1 40.4496 428.7319
66
10/24/2019 22.65 16.43
2 38.6884 428.7319
66
10/25/2019 22.54 17.78
3 22.6576 374.6486
66
10/26/2019 22.73 16.43
4 39.69 428.7319
66
10/27/2019 22.81 17.78
5 25.3009 374.6486
66
10/28/2019 22.84 18.37
6 19.9809 352.1568
66
10/29/2019 23.05 19.18
7 14.9769 322.4123
66
10/30/2019 23.71 28.95
8 27.4576 67.00802
66
10/31/2019 23.61 24.85
9 1.5376 150.9419
67
11/1/2019 23.43 25.08
0 2.7225 145.3433
67
11/2/2019 23.28 23.7
1 0.1764 180.5219
67
11/3/2019 23.15 21.92
2 1.5129 231.5219
67
11/4/2019 23.01 20.63
3 5.6644 272.4428
67 11/5/2019 22.88 18.17 22.1841 359.7032
106
4
67
11/6/2019 22.76 16.81
5 35.4025 413.1399
67
11/7/2019 22.64 17.58
6 25.6036 382.431
67
11/8/2019 22.55 17
7 30.8025 405.4522
67
11/9/2019 22.44 18.57
8 14.9769 344.6905
67
11/10/2019 22.36 20.85
9 2.2801 265.2287
68
11/11/2019 22.31 24.85
0 6.4516 150.9419
68
11/12/2019 22.23 20.01
1 4.9284 293.2945
68
11/13/2019 22.16 18.57
2 12.8881 344.6905
68
11/14/2019 22.38 19.18
3 10.24 322.4123
68
11/15/2019 22.51 17.58
4 24.3049 382.431
68
11/16/2019 22.41 18.57
5 14.7456 344.6905
68
11/17/2019 22.31 17.78
6 20.5209 374.6486
68
11/18/2019 22.55 19.59
7 8.7616 307.8566
68
11/19/2019 22.9 17.78
8 26.2144 374.6486
68
11/20/2019 26.61 26.26
9 0.1225 118.2839
69
11/21/2019 26.46 30.47
0 16.0801 44.43346
69
11/22/2019 26.11 33.91
1 60.84 10.40606
69
11/23/2019 25.86 28.95
2 9.5481 67.00802
69
11/24/2019 26.63 27.96
3 1.7689 84.19608
69
11/25/2019 26.81 43.44
4 276.5569 39.7424
69
11/26/2019 19.42 43.75
5 591.9489 43.74708
69
11/27/2019 21.31 43.75
6 503.5536 43.74708
69
11/28/2019 19.88 37.52
7 311.1696 0.147577
69
11/29/2019 18.46 34.45
8 255.6801 7.21375
107
69
11/30/2019 27.33 26.26
9 1.1449 118.2839
70
12/1/2019 27.47 26.26
0 1.4641 118.2839
70
12/2/2019 27.99 27.22
1 0.5929 98.32393
70
12/3/2019 28.43 35
2 43.1649 4.561823
70
12/4/2019 28.09 34.18
3 37.0881 8.737005
70
12/5/2019 27.85 32.04
4 17.5561 25.96761
70
12/6/2019 40.31 32.56
5 60.0625 20.93833
70
12/7/2019 31.22 35.55
6 18.7489 2.514896
70
12/8/2019 46.31 34.72
7 134.3281 5.836295
70
12/9/2019 47.32 34.18
8 172.6596 8.737005
70
12/10/2019 47.76 34.18
9 184.4164 8.737005
71
12/11/2019 37.35 35.55
0 3.24 2.514896
71
12/12/2019 37.3 29.45
1 61.6225 59.07217
71
12/13/2019 36.55 49.8
2 175.5625 160.3809
71
12/14/2019 37.52 43.44
3 35.0464 39.7424
71
12/15/2019 37.77 40.13
4 5.5696 8.964979
71
12/16/2019 37.91 44.68
5 45.8329 56.91431
71
12/17/2019 38.22 41.62
6 11.56 20.10767
71
12/18/2019 39.14 38.1
7 1.0816 0.9296
71
12/19/2019 39.47 36.95
8 6.3504 0.034537
71
12/20/2019 40.71 36.67
9 16.3216 0.217009
72
12/21/2019 41.66 33.1
0 73.2736 16.28802
72
12/22/2019 44.38 33.37
1 121.2201 14.18157
72
12/23/2019 44.53 39.55
2 24.8004 5.828157
72 12/24/2019 48.42 39.84 73.6164 7.312468
108
3
72
12/25/2019 48.91 41.92
4 48.8601 22.88816
72
12/26/2019 50.47 42.83
5 58.3696 32.42343
72
12/27/2019 52.32 41.92
6 108.16 22.88816
72
12/28/2019 53.28 50.13
7 9.9225 168.8481
72
12/29/2019 53.12 60.87
8 60.0625 563.3102
72
12/30/2019 52.7 52.12
9 0.3364 224.525
73
12/31/2019 54.17 54.16
0 0.0001 289.8219
Jumlah 28654.1 27109.165 45994.4 108236.1
Rata-rata 39.25 37.14 63.00602 148.2686
Lampiran 4 Rekapitulasi Data Perhitungan R2 Debit 15 Harian
[(Qm - (Qm -
Qs (Debit Qm (Debit
No Tanggal Qmi)^2 . (Qs - Qmi) . (Qs
Simulasi) Observasi)
Qsi)^2]^0,5 - Qsi)
1 Jan 1 2018 40.80 51.29 48.01 48.01
2 Jan 2 2018 36.40 40.21 2.93 -2.93
3 Feb 1 2018 38.32 51.29 13.15 13.15
4 Feb 2 2018 39.32 40.68 6.67 6.67
5 Mar 1 2018 38.98 50.58 21.37 21.37
6 Mar 2 2018 49.59 51.90 178.98 178.98
7 Apr 1 2018 47.01 48.72 110.64 110.64
8 Apr 2 2018 52.03 53.60 239.75 239.75
9 Mei 1 2018 46.81 46.81 90.31 90.31
10 Mei 2 2018 46.66 47.50 95.25 95.25
11 Juni 1 2018 41.57 52.52 63.96 63.96
12 Juni 2 2018 35.83 42.49 8.16 -8.16
109
13 Juli 1 2018 33.25 49.25 49.69 -49.69
14 Juli 2 2018 36.42 41.59 4.20 -4.20
15 Agst 1 2018 39.98 41.16 10.23 10.23
16 Agst 2 2018 33.35 37.64 1.66 -1.66
17 Sep 1 2018 39.13 39.73 4.37 4.37
18 Sep 2 2018 23.86 37.47 3.22 -3.22
19 Okt 1 2018 25.80 39.18 22.56 -22.56
20 Okt 2 2018 29.73 37.51 2.16 -2.16
21 Nov 1 2018 52.99 55.80 289.95 289.95
22 Nov 2 2018 49.24 37.81 6.83 6.83
23 Des 1 2018 62.69 51.81 368.96 368.96
24 Des 2 2018 44.43 41.19 27.89 27.89
25 Jan 1 2019 31.32 27.60 58.41 58.41
26 Jan 2 2019 30.94 25.30 76.84 76.84
27 Feb 1 2019 41.24 37.57 1.30 1.30
28 Feb 2 2019 46.45 48.49 102.19 102.19
29 Mar 1 2019 54.96 43.03 102.01 102.01
30 Mar 2 2019 44.71 30.11 52.15 -52.15
31 Apr 1 2019 40.03 30.30 18.37 -18.37
32 Apr 2 2019 41.15 42.19 18.67 18.67
33 Mei 1 2019 36.63 29.84 5.59 5.59
34 Mei 2 2019 36.07 29.37 10.30 10.30
35 Juni 1 2019 35.04 34.18 7.16 7.16
36 Juni 2 2019 34.25 30.43 21.31 21.31
37 Juli 1 2019 33.64 26.43 40.37 40.37
38 Juli 2 2019 30.61 21.97 103.42 103.42
39 Agst 1 2019 26.76 19.91 184.00 184.00
40 Agst 2 2019 23.95 18.07 257.42 257.42
41 Sep 1 2019 25.15 20.23 207.99 207.99
42 Sep 2 2019 22.71 18.03 281.70 281.70
43 Okt 1 2019 22.29 17.94 291.10 291.10
44 Okt 2 2019 22.98 19.16 260.17 260.17
45 Nov 1 2019 22.60 19.60 260.53 260.53
46 Nov 2 2019 26.19 30.54 74.82 74.82
47 Des 1 2019 33.71 36.18 3.86 3.86
48 Des 2 2019 46.77 42.88 53.00 53.00
Jumlah 1794.33 1787.02 4163.56 3833.40
Rata-rata 37.38 37.23 86.74 79.86
110
Lampiran 5 rekapitulasi data perhitungan NS debit 15 harian
Qs (Debit Qm (Debit Qm - Qm - (Qm - (Qm -

No Tanggal
Simulasi) Observasi) Qs Qmi Qs)^2 Qmi)^2
1 Jan 1 2018 40.80 51.29 10.49 14.06 110.03 197.60
2 Jan 2 2018 36.40 40.21 3.81 2.98 14.53 8.90
3 Feb 1 2018 38.32 51.29 12.97 14.06 168.20 197.60
4 Feb 2 2018 39.32 40.68 1.36 3.45 1.85 11.89
5 Mar 1 2018 38.98 50.58 11.59 13.35 134.37 178.11
6 Mar 2 2018 49.59 51.90 2.31 14.67 5.34 215.09
7 Apr 1 2018 47.01 48.72 1.70 11.49 2.89 131.92
8 Apr 2 2018 52.03 53.60 1.57 16.37 2.47 267.99
9 Mei 1 2018 46.81 46.81 0.00 9.58 0.00 91.72
10 Mei 2 2018 46.66 47.50 0.84 10.27 0.71 105.44
11 Juni 1 2018 41.57 52.52 10.95 15.29 119.92 233.69
12 Juni 2 2018 35.83 42.49 6.66 5.26 44.33 27.66
13 Juli 1 2018 33.25 49.25 16.00 12.02 255.98 144.39
14 Juli 2 2018 36.42 41.59 5.17 4.36 26.70 18.97
15 Agst 1 2018 39.98 41.16 1.18 3.93 1.40 15.47
16 Agst 2 2018 33.35 37.64 4.29 0.41 18.40 0.17
17 Sep 1 2018 39.13 39.73 0.59 2.50 0.35 6.23
18 Sep 2 2018 23.86 37.47 13.61 0.24 185.23 0.06
19 Okt 1 2018 25.80 39.18 13.38 1.95 179.03 3.79
20 Okt 2 2018 29.73 37.51 7.78 0.28 60.53 0.08
21 Nov 1 2018 52.99 55.80 2.81 18.58 7.91 345.03
22 Nov 2 2018 49.24 37.81 -11.44 0.58 130.83 0.33
23 Des 1 2018 62.69 51.81 -10.88 14.58 118.27 212.61
24 Des 2 2018 44.43 41.19 -3.24 3.96 10.49 15.67
25 Jan 1 2019 31.32 27.60 -3.72 -9.63 13.82 92.76
26 Jan 2 2019 30.94 25.30 -5.65 -11.93 31.91 142.43
27 Feb 1 2019 41.24 37.57 -3.68 0.34 13.51 0.11
28 Feb 2 2019 46.45 48.49 2.04 11.26 4.16 126.87
29 Mar 1 2019 54.96 43.03 -11.93 5.80 142.40 33.66
30 Mar 2 2019 44.71 30.11 -14.60 -7.12 213.05 50.65
31 Apr 1 2019 40.03 30.30 -9.73 -6.93 94.76 48.07
32 Apr 2 2019 41.15 42.19 1.04 4.96 1.07 24.56
33 Mei 1 2019 36.63 29.84 -6.78 -7.38 45.98 54.54
34 Mei 2 2019 36.07 29.37 -6.70 -7.86 44.94 61.80
35 Juni 1 2019 35.04 34.18 -0.86 -3.05 0.74 9.31
36 Juni 2 2019 34.25 30.43 -3.82 -6.80 14.62 46.30
37 Juli 1 2019 33.64 26.43 -7.21 -10.80 52.03 116.63
38 Juli 2 2019 30.61 21.97 -8.64 -15.26 74.57 232.87
111
39 Agst 1 2019 26.76 19.91 -6.85 -17.32 46.87 299.92
40 Agst 2 2019 23.95 18.07 -5.88 -19.16 34.62 367.26
41 Sep 1 2019 25.15 20.23 -4.91 -17.00 24.15 288.94
42 Sep 2 2019 22.71 18.03 -4.68 -19.20 21.86 368.55
43 Okt 1 2019 22.29 17.94 -4.36 -19.29 18.99 372.24
44 Okt 2 2019 22.98 19.16 -3.82 -18.07 14.56 326.35
45 Nov 1 2019 22.60 19.60 -3.01 -17.63 9.03 310.83
46 Nov 2 2019 26.19 30.54 4.35 -6.69 18.91 44.72
47 Des 1 2019 33.71 36.18 2.47 -1.05 6.09 1.10
48 Des 2 2019 46.77 42.88 -3.89 5.65 15.13 31.89
Jumlah 1794.33 1787.02 -7.31 1749.79 2557.55 5882.81
Rata-rata 37.38 37.23 -0.15 0.00 53.28 122.56
Lampiran 6 Rekapitulasi Data Perhitungan R2 Debit Bulanan
[(Qm - Qmi)^2 .
Qs (Debit Qo (Debit (Qm - Qmi) .
No Tanggal (Qs -
Simulasi) Observasi) (Qs - Qsi)
Qsi)^2]^0.5
1 1 2018 38.53 45.57 17.42 17.42

2 2 2018 38.80 46.16 21.10 21.10
3 3 2018 44.46 51.26 112.64 112.64
4 4 2018 49.52 51.16 182.63 182.63
5 5 2018 46.73 47.16 102.60 102.60
6 6 2018 38.70 47.50 23.20 23.20
7 7 2018 34.88 45.29 12.70 -12.70
8 8 2018 36.56 39.35 0.24 0.24
9 9 2018 31.50 38.60 6.99 -6.99
10 10 2018 27.83 38.32 9.77 -9.77
11 11 2018 51.12 46.81 141.09 141.09
12 12 2018 53.26 46.33 153.70 153.70
112
13 1 2019 31.32 26.41 55.28 55.28
14 2 2019 45.65 42.64 50.18 50.18
15 3 2019 41.07 36.36 3.79 -3.79
16 4 2019 36.46 36.24 0.01 -0.01
17 5 2019 46.53 29.60 76.45 -76.45
18 6 2019 34.73 32.30 8.39 8.39
19 7 2019 35.66 24.13 10.32 10.32
20 8 2019 0.76 18.96 650.51 650.51
21 9 2019 24.02 19.13 224.34 224.34
22 10 2019 22.64 18.57 257.17 257.17
23 11 2019 24.26 25.07 147.63 147.63
24 12 2019 39.83 39.53 7.91 7.91
Jumlah 874.81 892.44 2276.06 2056.63
Rata-rata 36.45 37.19 94.84 85.69
Lampiran 7 Rekapitulasi Data Hasil Perhitungan NS Debit Bulanan
Qs (Debit Qm (Debit
No Tanggal (Qm - Qs)^2 (Qm - Qmi)^2
Simulasi) Observasi)
1 1 2018 38.53 45.57 146.86 3328.06

2 2 2018 38.80 46.16 14.75 1791.36
3 3 2018 44.46 51.26 65.48 3522.27
4 4 2018 49.52 51.16 176.37 4152.26
5 5 2018 46.73 47.16 293.56 4134.12
6 6 2018 38.70 47.50 40.92 2905.17
7 7 2018 34.88 45.29 115.69 3141.42
113
8 8 2018 36.56 39.35 309.82 3243.05
9 9 2018 37.77 38.60 347.39 3275.81
10 10 2018 27.83 38.32 85.71 2263.47
11 11 2018 51.12 46.81 678.43 5307.37
12 12 2018 53.26 46.33 188.62 3607.45
13 1 2019 31.32 26.41 741533.17 696746.67
14 2 2019 45.65 42.64 71.65 2611.71
15 3 2019 41.07 36.36 1686.48 5995.45
16 4 2019 36.46 36.24 1329.45 5285.62
17 5 2019 46.53 29.60 2164.83 5795.24
18 6 2019 34.73 32.30 1206.33 4493.60
19 7 2019 35.66 24.13 1271.64 3574.57
20 8 2019 22.12 18.96 489.29 1687.46
21 9 2019 24.02 19.13 577.15 1862.41
22 10 2019 22.64 18.57 512.37 1697.89
23 11 2019 24.26 25.07 588.76 2433.94
24 12 2019 39.83 39.53 1586.17 6297.13
Jumlah 874.81 892.44 755480.89 779153.50
Rata-rata 36.45 37.19 31478.37 32464.73
114

Proposal Analisis Debit Batang Merao

Diunggah oleh

Informasi Dokumen

Judul Asli

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

Proposal Analisis Debit Batang Merao

Diunggah oleh

Hak Cipta:

Format Tersedia

Simulasi Debit Aliran Sungai Batang Merao Dengan Menggunakan Model

SWAT (Soil And Water Assessment Tools)

Jambi, Desember 2022

Gambar 1 Siklus Hidrologi........................................................................................................5

Lampiran 1 Data Debit Simulasi Periode Tahun 2018-2019...................................................45

1.1 Latar Belakang

Pemodelan DAS Batang Merao dilakukan dengan pemodelan SWAT yang

1.2 Rumusan Masalah

1.3 Tujuan Penelitian

1.4 Manfaat Penelitian

1.5 Batasan Penelitian

II. TINJAUAN PUSTAKA

Gambar 1 Siklus Hidrologi

2.1.1 Curah Hujan

Berdasarkan World Meteorological Office (WMO, dikutip dalam Seyhan, 1977),

2.1.2 Weather Generator (WGEN)

Tabel 1 Data Klimatologi Dalam Bentuk Variabel

Nama Variable Definisi

1. Temperatur maksimum (TMPMX)

haridry = jumlah hari kering selama periode pencatatan

hariwet = jumlah hari basah selama periode pencatatan

12. Rata-rata kelembaban relatif (DEWPT)

2.2 Daerah Aliran Sungai (DAS)

Gambar 2 Bentuk-bentuk DAS

2.3 Geographic Information System (GIS)

GIS mempunyai dua format data yaitu sebagai berikut :

2.3.1 Digital Elevation Model (DEM)

2.4 Soil and Water Assessment Tool (SWAT)

Gambar 3 Skema Siklus Hidrologi

𝑆𝑊0 = kadar air tanah awal (mm H2O)

𝑄𝑠𝑢𝑟𝑓 = jumlah limpasan permukaan (mm H2O)

𝐸𝑎 = jumlah evapotransporasi (mm H2O)

𝑄𝑔𝑤 = jumlah dari return flow (mm H2O)

2.5 Parameter Statistik

Qs = Debit hasil simulasi rata-rata (mm)

Qm,i = Debit aktual yang terukur (mm)

Qs,I = Debit hasil simulasi (mm)

R2 (coefficient of determination), merupakan proporsi dari total varian dalam data

∑ ( Q Mi−Qsi )2 (Q Mi−Q si)²

∑ ( QMi −QMi )2 (Q Mi−Q Mi) ²

QSi = Nilai simulasi model

QMi = Nilai observasi

(Q_m ) = Rata-rata nilai observasi

Tabel 2 Kriteria Nilai Statistik NS

Kurang Memuaskan NS< 0.36 .

3.1 Lokasi Penelitian

3.2 Data Penelitian

3.4 Tahapan Penelitian

1. Peta Digital Elevation Model (DEM)

2. Peta Tata Guna Lahan

3. Peta Jenis Tanah

Tabel 3 Variabel Data Tanah Dalam Model Swat

Gambar 5 WGN Parameters Estimation Tool

3.4.3 Ketersediaan Data

1. Delineasi daerah aliran sungai berdasarkan outlet

Gambar 7 Watershed Delineation

Gambar 8 Landuse/Soil/Slope Definition

3. Input Data Klimatologi dan Curah Hujan

Gambar 9 Database SWAT2012 WGEN_user

Gambar 11 Setup and Run SWAT Model Simulation Debit Harian

5. Output Simulasi Soil Water Assestment Tools

3.4.4 Kalibrasi dan Validasi

3. File.Cio merupakan file untuk mengontrol data input atau output.