Semhas Nurul Utami 160404041

SEMINAR HASIL TUGAS AKHIR
ANALISIS PERBANDINGAN BEBERAPA METODE PENGISIAN KEKOSONGAN

DATA HUJAN DI DAS DELI
NURUL UTAMI
16 0404 041
BIDANG STUDI TEKNIK SUMBER DAYA AIR

DEPARTEMEN TEKNIK SIPIL
FAKULTAS TEKNIK
UNIVERSITAS SUMATERA UTARA
MEDAN
2020
Pokok Pembahasan
44 55
22 33
Hasil
Hasil Kesimpulan
Kesimpulan
11 Metodologi
Metodologi
Pendahuluan
Tinjauan
Tinjauan Penelitian
&
& &
&
Pendahuluan Penelitian Pembahasan Saran
Pustaka
Pustaka Pembahasan Saran
Univesitas Sumatera Utara|Fakultas Teknik|Departemen Teknik Sipil| © 2020

BAB 1
PENDAHULUAN
Latar Belakang
Kelengkapan
Kelengkapandata
datahujan
hujanadalah
adalahhal
halpenting
pentingkhususnya
khususnyadalam
dalammerancang
merancangbangunan
bangunanair
airseperti
sepertiperencanaan
perencanaan
1)
1) sistem
sistemdrainase,
drainase,bendungan,
bendungan,waduk
wadukdan
danbangunan
bangunanair
airlainnya.
lainnya.
Permasalahan yang sering terjadi dalam pengumpulan data hujan adalah ketidaklengkapan data pada
2) perekaman di stasiun hujan pada periode tertentu.
3)
3) Dalam pengisian kekosongan data hujan dapat digunakan konsep pendekatan deterministik.
4) Parameter untuk menilai data hasil simulasi dengan menggunakan 3 uji kesalahan statistik.
5)
5) Penelitian ini akan dilakukan di Daerah Aliran Sungai (DAS) Deli.

Rumusan Masalah Tujuan Penelitian
22
Bagaimana
Bagaimana
11
proses
proses Untuk
Untukmenganalisis
menganalisisberbagai
berbagaimetode
metode
Bagaimana
Bagaimana
pengujian
pengujian pengisian
pengisiankekosongan
kekosongandata
datahujan
hujanyang
yang
proses
proses
kesalahan
kesalahan digunakan
digunakandan
danuntuk
untukmengetahui
mengetahui
pembuatan
pembuatan
secara
secarastatistik
statistik seberapa
seberapabaik
baikdata
datahujan
hujanhasil
hasilsimulasi
simulasi
model
modelhidrologi
hidrologi
antara
antaradata
data yang
yangdihasilkan
dihasilkanbila
biladibandingkan
dibandingkan
untuk
untuk
curah
curahhujan
hujan dengan
dengandata
datahujan
hujanobservasi
observasimelalui
melaluiuji
uji
digunakan
digunakan
observasi
observasi statistik
statistikdi
diDAS
DASDeli.
Deli.
sebagai
sebagaisimulasi
simulasi
dengan
dengandata
data
data
datahujan
hujanyang
yang
curah
curahhujan
hujan
hilang?
hilang?
hasil
hasilsimulasi?
simulasi?

Batasan Masalah
1 2 3 4
Data curah hujan Perbandingan data

Data hujan yang Mengosongkan
observasi yang hujan hasil
digunakan adalah data curah hujan
telah dihilangkan simulasi dengan
data hujan harian pada bulan
dihitung dengan data hujan
maksimum tertentu di setiap
menggunakan observasi diuji
bulanan dari 5 stasiun target
konsep dengan
(lima) stasiun dengan metode
pendekatan menggunakan 3
pengukur hujan 10 Nonprobability
deterministik, (tiga) analisis
(sepuluh) tahun di Sampling dengan
yaitu AM, NR, statistik kesalahan,
DAS Deli (2006- kategori Sampling
Reciprocal, LR dan yaitu STD, RMSE,
2015). Purposive.
MLR dan CC

Manfaat Penelitian
11 44
33
Sebagai
Sebagai acuan
acuan 22 Menambah
Menambah
Dapat
Dapat
perhitungan
perhitungan bila
bila Mengetahui
Mengetahui wawasan
wawasan
memprediksi
memprediksi
kita
kita kesulitan
kesulitan keakuratan
keakuratan data
data mengenai
mengenai
curah
curah hujan
hujan yang
yang
mendapatkan
mendapatkan curah
curah hujan
hujan hasil
hasil penerapan
penerapan Ilmu
Ilmu
hilang
hilang didi suatu
suatu
data
data atau
atau simulasi
simulasi dengan
dengan Statistik
Statistik dalam
dalam
lokasi
lokasi untuk
untuk
kehilangan
kehilangan data
data data
data curah
curah hujan
hujan bidang
bidang Teknik
Teknik
keperluan
keperluan
curah
curah hujan
hujan pada
pada observasi.
observasi. Sumber
Sumber Daya
Daya Air
Air
perencanaan.
perencanaan.
waktu
waktu tertentu.
tertentu. (TSA).
(TSA).

BAB 2
TINJAUAN PUSTAKAN
1
Hujan
 Hujan 2
 DAS Pengukuran Curah Hujan
 Curah hujan  Alat penakar hujan biasa
 Alat penakar hujan
3
otomatis
Permasalahan dalam
Pengukuran Curah Hujan
 Kerusakan alat ukur
 Kelalaian petugas
 Pemindahan alat ukut
 Perubahan lingkungan

4. Metode Pengisian Kekosongan Data Hujan (Soewarno)
 Konsep pendekatan deterministik
Pada pendekatan deteministik, variabel hidrologi dianggap sebagai variabel yang tidak berubah menurut waktu.
Perubahan variabel selama proses dikaitkan dengan suatu hukum tertentu yang sudah pasti dan tidak tergantung pada
peluang. Pendekatan deteministik lebih cocok, karena memiliki nilai keakuratan yang tinggi, kemudahan dalam implementasi,
dan perhitungan.
 Konsep pendekatan stokastik

Pendekatan stokastik dalam analisis hidrologi adalah dengan memperhatikan perubahan variabel hidrologi
berdasarkan fungsi waktu. Umumnya pendekatan ini sulit dilaksanakan dan jarang digunakan dalam pengerjaan analisis
hidrologi yang sifatnya sederhana dan praktis. Meskipun demikian fenomena hidrologi adalah stokastik, sehingga konsep
pendekatan ini sangat penting untuk dikembangkan.
 Konsep pendekatan probabilistik

Pendekatan probabilistik dalam menganalisis proses hidrologi adalah dengan pendekatan bahwa perubahan variabel
hidrologi mempunyai berbagai kemungkinan (tidak dapat dipastikan 100%) dan tidak tergantung waktu (Soewarno, 1995).

Konsep Pendekatan Deterministik
 Metode rata-rata aritmatik atau arithmetic mean (AM) method
 Metode perbandingan normal atau normal ratio (NR) method
 Metode reciprocal
 Metode regresi linier atau linear regression (LR) method
 Metode regresi linier berganda/multiple linear regression (MRL) method

AM
1
Metode rata-rata aritmatik (AM)
Metode rata-rata aritmatik dapat digunakan dalam pengisian data hujan yang hilang jika
curah hujan tahunan normal stasiun tetangga berada dalam niai 10 % dari curah hujan
tahunan normal stasiun target atau stasiun yang hilang (Manish Kumar Goyal, 2016).
Pengisian data hujan dapat dilakukan dengan menggunakan data hujan stasiun tetangga yang
memiliki data hujan pada waktu yang sama. Persamaan 2.1:
Dimana:
1 𝑚 Px = data curah hujan yang hilang pada stasiun x
𝑃𝑥 = ෍ 𝑃𝑖 m = jumlah stasiun tetangga (stasiun di sekitar stasiun x) pada waktu yang sama
𝑚 𝑖=1
Pi = data curah hujan pada stasiun tetangga ke-i (stasiun di sekitar stasiun x)

NR
1
Metode perbandingan normal (NR)

Metode perbaikan data hujan dengan memperkirakan data menggunakan data hujan stasiun yang
berdekatan. Stasiun hujan yang dijadikan sebagai stasiun tetangga (stasiun hujan referensi)
adalah stasiun hujan yang memiliki curah hujan tahunan normal yang lebih besar 10% dari
curah hujan tahunan normal yang dimiliki stasiun target (Manish Kumar Goyal, 2016).
Persamaan 2.2:
Dimana:
𝑃𝑥 1 𝑃1 𝑃2 𝑃3 𝑃𝑛 Nx = hujan tahunan di
= ൬ + + …+ ൰
𝑁𝑥 𝑛 𝑁1 𝑁2 𝑁3 𝑁𝑛 stasiun x

R
1
Metode reciprocal
Metode untuk mencari data hujan yang hilang dengan memperhitungkan data hujan dari
stasiun terdekat yang ada di sekitarnya (Riswandha dkk., 2017). Pertimbangan untuk
menggunakan metode ini adalah data hujan dari stasiun lain dan jarak antar stasiun
Persamaan 2.3:
𝑃𝑖 Dimana:
σ 𝑛𝑖=1 2 Li = jarak antar stasiun.
𝐿𝑖
𝑃𝑥 = 1
σ 𝑛𝑖=1
𝐿𝑖 2

LR
1
Metode regresi linier (LR)

Model regresi linier adalah metode yang digunakan dalam memperkirakan
data curah hujan di stasiun pengukur hujan yang sama. Dalam ilmu statistik,
regresi linier merupakan model pendekatan untuk pemodelan
hubungan antara variabel terikat (y) dan variabel bebas (x)
Persamaan 2.4:
Dimana:
𝑃𝑥 = 𝑎𝑃𝑖 + 𝑏 a dan b = koefisien regresi
.

MLR
Metode regresi linier berganda (MLR)

Metode ini adalah metode statistik untuk memperkirakan variabel terikat dan dua atau lebih
variabel bebas (Mohammad Taghi Sattari dkk., 2016). Persamaan 2.5
𝑛
𝑃𝑥 = 𝑐0 + ෍ ሺ𝑐𝑖 𝑃𝑖 ሻ
𝑖=1
Dimana:
ci,c1,…,cn = koefisien regresi .
Atau, 𝑌෠ = 𝐴0 + 𝐴1 𝑋1 + 𝐴2 𝑋2 + 𝐴3 𝑋3

5. Teknik Sampling
Teknik sampling adalah teknik yang dilakukan dalam pengambilan sampel untuk
menentukan sampel yang akan digunakan pada penelitian (Sugiyono, 2013).
1) Probability sampling
2) Nonprobability sampling
Kategori:
Sampling purposive : Teknik penentuan sampel dengan pertimbangan tertentu.

6. Uji Statistik Kesalahan
Uji statistik kesalahan bertujuan untuk melihat ada atau tidaknya hubungan antara data hujan
observasi dan data hujan hasil simulasi.
1 2 3
CC
RMSE
(KOEFISIEN KORELASI)
STD (AKAR KESALAHAN KUADRAT RATA-
untuk melihat ada atau tidak
(STANDAR DEVIASI) RATA)
hubungan antara dua variabel.
Deviasi standar adalah uji Akar kesalahan kuadrat rata-rata (root
Dengan kata lain, nilai koefisien
kesalahan statistik yang digunakan mean square error) adalah uji
korelasi juga dapat menunjukkan
kesalahan statistik yang didasarkan
untuk melihat seberapa besar bahwa metode estimasi dan data
pada selisih antar dua variabel. Nilai
penyimpangan yang terjadi observasi memiliki kesesuaian.
standard kesalahan dikatakan besar
Apabilai nilai koefisien korelasi
apabila masih jauh mendekati 0 (nol)
𝑛
mendekati 1 (satu), maka nilai
sampai 1 (satu).
1 koefisien korelasi menunjukkan hasil
𝑆𝑇𝐷 = ඩ ෍ (𝑋𝑖 − 𝑌𝑖 )2 yang tinggi atau mendekati nilai
𝑛−1 σ 𝑛𝑖=1(𝑋𝑖 − 𝑌𝑖 )2
𝑖=1 sebenarnya.
𝑅𝑀𝑆𝐸 = ඨ
𝑛
σ 𝑛𝑖=1ሺ𝑋𝑖 − 𝑋തሻሺ𝑌𝑖 − 𝑌തሻ
𝐶𝐶 = 𝑅 = 1
Persamaan 2.6, 2.7 & 2.8 ሾሼσ 𝑛𝑖=1ሺ𝑋𝑖 − 𝑋തሻ2 ሽሼσ 𝑛𝑖=1ሺ𝑌𝑖 − 𝑌തሻ2 ሽሿ2

Hubungan Penomena Berdasarkan Koefisien Korelasi
No Nilai R Keterangan
1 R=1 Hubungan positif sempurna
2 0,6<R<1 Hubungan langsung positif baik
3 0<R<0,6 Hubungan langsung positif lemah
4 R=0 Tidak terdapat hubungan linier
5 -0,6<R<0 Hubungan langsung negatif lemah
6 -1,0<R<-0,6 Hubungan langsung negatif baik
7 R=-1,0 Hubungan negatif sempurna
Sumber: Soewarno, 1995

11
7. PENELITIAN TERDAHULU
(H.P.G.M. Caldera, V.R.P.C. Piyathisse dan K.D.W. Nandalal, 2016) di DAS BadulOya, Sri Langka.
Tujuan : untuk menganalisis berbagai metode yang tersedia untuk mengisi data hujan yang kosong dan mengusulkan metode yang
cocok untuk daerah aliran sungai yang terletak di daerah pegunungan di Sri Lanka.
Data curah hujan harian dari sepuluh stasiun pengukur di daerah tangkapan air atas BaduluOya dikumpulkan.
Metode yang digunakan ada 7 (tujuh), yaitu (AM), (NR) , reciprocal, (LR) , (WLR), (MRL) , reciprocal dan metode probabilistik.
Hasil penelitian untuk stasiun target yang hanya memiliki satu stasiun tetangga dengan koefisien korelasi yang tinggi, yaitu
metode probabilistik dan metode regresi linier menghasilkan kesesuaian simulasi yang baik. Stasiun yang memiliki koefisien
korelasi yang relatif rendah dengan stasiun tetangga, yaitu metode reciprocal dan metode normal rasio. Untuk mendapatkan hasil
yang akurat dari metode regresi linier berganda (MRL) dan metode regresi linier tertimbang (IDW), perlu untuk memiliki satu set
stasiun tetangga yang memiliki koefisien korelasi yang cukup tinggi dengan stasiun target.

22
(Mohammad-Taghi Sattari, Ali Rezazadeh-Joudi dan Andrew Kusiak, 2016 di daerah selatan negara
Iran yang beriklim panas dan semi-panas. Tujuan: untuk menilai kesesuaian perbedaan metode untuk mengisi
data yang hilang dengan menggunakan enam stasiun yang berbeda. Data hujan dari enam stasiun
dikumpulkan tanpa ada satu data yang hilang. Metode rata-rata aritmatika, metode regresi linier berganda, dan
iteratif non-linear algoritma kuadrat terkecil parsial menghasilkan perkiraan terbaik. Hasil Metode regresi
berganda juga memberikan keberhasilan estimasi data curah hujan yang hilang. Dan metode imputasi ganda
menghasilkan hasil yang paling akurat untuk data curah hujan dari lima stasiun target.

BAB 3
METODOLOGI PENELITIAN
1
LOKASI
PENELITIAN
Lokasi Penelitian
Sumber: Tugas Akhir Hasyim, 2015

Peta Sebaran Stasiun Hujan
Sumber: Hasil
Perhitungan Google
Eart Pro, 2020

2
Mulai
Diagram Alir Next
Next
Penelitian Studi Literatur
Pengumpulan Data
Sekunder
-Data Curah Hujan 10
Tahun di DAS Deli
Pemilihan 3 Stasiun Target
Data Hujan 3 Stasiun TargetTerkoreksi 1
Pemilihan Stasiun Tetangga

untuk Setiap Stasiun Target
Mengosongkan Data Hujan di setiap Stasiun

Target dengan Metode Sanpling Purposive
Analsis Pengisian Kekosongan Data Hujan 2
Data Hujan Hasil Simulasi
Membandingkan Data Hujan Observasi dengan Data

1
Hujan Hasil Simulasi dengan uji 3 Statistik Kesalahan
Kesimpulan dan Saran
Selesai
Next
Next

Next
Next
Next
Next

Next
Next
Next
Next

BAB 4
HASIL & PEMBAHASAN
11 Pengumpulan Data
Penelitian ini menggunakan data curah hujan bulanan maksimum 10 Tahun, yaitu mulai tahun 2006 sampai 2015. Data curah
hujan yang digunakan adalah data curah hujan dari 5 (lima) stasiun hujan yang berada di DAS Deli dan sekitarnya. Data curah
hujan diperoleh dari BMKG (Badan Meteorologi, Klimatologi dan Geofisika), yaitu Stasiun Klimatologi Sampali Kelas I Medan.
 Data curah hujan maksimum bulanan Stasiun Stalkim Sampali

 Data curah hujan maksimum bulanan Stasiun Tongkoh Karo
 Data curah hujan maksimum bulanan Stasiun Geofisika Tuntungan
 Data curah hujan maksimum bulanan Stasiun Kebun Helvetia PTPN II
 Data curah hujan maksimum bulanan Stasiun Stamar Belawan

 Data curah hujan maksimum bulanan Stasiun Stalkim Sampali (mm)
Lokasi Pengamatan/Stasiun : Stalkim Sampali, Kab. Deli Serdang
Koordinat : 3.6217 LU, 98.7146 BT
Tahun Jan Feb Mar Apr Mei Jun Jul Agu Sep Okt Nov Des Max
2006 77 50 78 87 73 58 40 48 110 90 59 112 112
2007 85 14 6 77 89 56 70 63 78 135 82 95 135
2008 19 14 29 68 55 24 76 89 61 90 82 26 90
2009 103 4 44 57 58 31 58 49 97 61 50 19 103
2010 71 48 401 24 20 47 69 48 40 41 66 80 401
2011 78 35 64 64 39 40 54 98 59 58 63 60 98
2012 40 50 42 57 83 65 65 46 60 75 60 33 83
2013 29 66 53 63 27 39 58 33 32 70 21 111 111
2014 20 22 35 31 46 49 34 91 66 41 57 165 165
2015 42 46 10 12 39 11 86 50 52 76 90 43 90
Sumber: Stasiun Klimatologi Sampali I Medan, 2016

 Data curah hujan maksimum bulanan Stasiun Tongkoh Karo (mm)
Lokasi Pengamatan/Stasiun : Tongkoh Karo, Kab. Karo
Koordinat : 3.202 LU, 98.54032 BT
2006 0 62 27 114 50 46 19 42 49 85 55 50 114
2007 50 112 37 44 68 64 36 44 27 76 38 53 112
2008 23 49 84 66 18 45 61 78 57 57 42 50 84
2009 81 35 60 94 47 27 15 20 32 91 53 59 94
2010 70 34 46 79 58 46 56 58 53 17 94 77 94
2011 77 49 32 67 80 75 5 122 40 49 54 56 122
2012 13 45 88 62 38 25 95 40 31 145 84 44 145
2013 49 91 45 54 64 47 25 40 75 95 135 107 135
2014 40 19 45 113 24 37 8 43 28 85 81 66 113
2015 70 43 12 76 45 60 13 46 31 101 56 34 101

 Data curah hujan maksimum bulanan Stasiun Geofisika Tuntungan (mm)
Lokasi Pengamatan/Stasiun : Geofisika Tuntungan, Kota Medan
Koordinat : 3.202 LU, 98.54032 BT
2006 29 159 38 56 56 118 49 38 64 89 97 84 159
2007 36 40 13 31 60 33 45 46 60 219 113 113 219
2008 65 39 42 66 51 46 33 52 83 62 57 54 83
2009 39 62 52 38 69 66 25 25 72 86 87 71 87
2010 78 15 106 25 30 49 32 65 65 50 94 57 106
2011 99 16 128 27 65 80 36 75 78 72 58 58 128
2012 25 26 57 66 51 30 104 64 55 47 46 93 104
2013 69 40 79 54 100 67 50 76 80 140 38 90 140
2014 22 35 51 71 62 51 56 41 81 89 65 33 89
2015 22 23 36 14 162 32 40 65 65 147 109 169 169

 Data curah hujan maksimum bulanan Stasiun Kebun Helvetia PTPN II (mm)
Lokasi Pengamatan/Stasiun : Kebun Helvetia PTPN II, Kota Medan
Koordinat : 3.625763 LU, 98.663776 BT
2006 42 20 39 43 53 53 22 32 60 28 29 76 76
2007 42 6 0 18 60 10 46 65 52 21 65 76 76
2008 9 0 25 40 35 71 87 39 39 69 75 76 87
2009 82 0 38 113 31 41 74 88 68 69 53 36 113
2010 15 65 30 33 10 67 52 28 84 35 40 25 84
2011 45 45 35 47 30 30 45 50 53 60 45 25 60
2012 40 25 40 55 47 5 53 10 97 68 72 30 97
2013 14 49 25 25 51 27 14 30 35 78 30 57 78
2014 20 16 29 20 47 70 30 65 47 47 47 59 70
2015 59 45 10 52 37 30 67 42 42 69 63 63 69

 Data curah hujan maksimum bulanan Stasiun Stamar Belawan (mm)
Lokasi Pengamatan/Stasiun : Stamar Belawan, Kota Medan
Koordinat : 3.788 LU, 98.715 BT
2006 66 20 60 84 56 97 90 115 118 88 47 396 396
2007 50 51 31 35 0 40 58 63 100 98 103 79 103
2008 17 9 95 22 38 0 115 137 94 95 109 190 190
2009 74 34 136 30 68 48 72 92 87 57 96 36 136
2010 42 18 21 43 23 62 71 51 39 53 59 101 101
2011 36 2 54 46 28 62 39 49 46 45 50 123 123
2012 45 60 119 19 88 17 26 40 58 37 51 55 119
2013 50 54 7 114 44 0 76 67 56 65 54 64 114
2014 21 59 7 92 63 49 38 85 100 39 31 81 100
2015 58 0 2 11 81 75 32 77 69 63 57 43 81

22 Penentuan Stasiun Target
Stasiun hujan yang dijadikan sebagai stasiun target adalah stasiun hujan yang memiliki kelengkapan data
100%, artinya tidak ada data curah hujan yang kosong pada stasiun tersebut. Hal ini bertujuan agar dapat
mempermudah dalam proses pengujian statistik kesalahan.
1) Stasiun Stalkim Sampali, tahun 2006-2015
2) Stasiun Geofisika Tuntungan, tahun 2006-2015
3) Stasiun Kebun Helvetia PTPN II, tahun 2006-2015

33 Sampling Data
Pada penelitian ini data curah hujan pada setiap bulan dalam 1 (satu) tahun sengaja dikosongkan agar dapat
digunakan sebagai acuan untuk membuat model. Dalam proses pengosongan data curah hujan beracuan pada
peraturan penggunaan sampel atau sering disebut dengan sampling data. Dalam penelitian ini metode
sampling data yang dipilih adalah jenis sampling nonprobability sampling dengan kategori sampling purposive.
Pemilihan jenis sampling data ini dilakukan dengan tujuan untuk mempermudah dalam proses perhitungan
pada masing-masing metode yang digunakan.

Tabel 1 Simulasi Pengosongan
Beberapa Data Hujan di Stasiun Target
Bulan yang dikosongkan
Tahun Kebun
Stalkim Geofisika
Helvetia
Sampali Tuntungan
PTPN II
2006 Januari Maret Desember
2007 April Mei Oktober
2008 Februari Juni Juni
2009 Agustus Agustus November
2010 Maret Mei Maret
2011 Agustus April Juli
2012 September Juni Agustus
2013 Agustus Desember Mei
2014 Oktober April Oktober
2015 Mei Maret September
Sumber: Hasil Perhitungan, 2020

Tabel 2 Data Curah Hujan Stasiun Stalkim Sampali Setelah Proses Sampling
2006 50 78 87 73 58 40 48 110 90 59 112 112
2007 85 14 6 89 56 70 63 78 135 82 95 135
2008 19 29 68 55 24 76 89 61 90 82 26 90
2009 103 4 44 57 58 31 58 97 61 50 19 103
2010 71 48 24 20 47 69 48 40 41 66 80 80
2011 78 35 64 64 39 40 54 59 58 63 60 78
2012 40 50 42 57 83 65 65 46 75 60 33 83
2013 29 66 53 63 27 39 58 32 70 21 111 111
2014 20 22 35 31 46 49 34 91 66 57 165 165
2015 42 46 10 12 11 86 50 52 76 90 43 90

Tabel 3 Data Curah Hujan Stasiun Geofisika Tuntungan Setelah Proses Sampling
2006 29 159 56 56 118 49 38 64 89 97 84 159
2007 36 40 13 31 33 45 46 60 219 113 113 219
2008 65 39 42 66 51 33 52 83 62 57 54 83
2009 39 62 52 38 69 66 25 72 86 87 71 87
2010 78 15 106 25 49 32 65 65 50 94 57 106
2011 99 16 128 65 80 36 75 78 72 58 58 128
2012 25 26 57 66 51 104 64 55 47 46 93 104
2013 69 40 79 54 100 67 50 76 80 140 38 140
2014 22 35 51 62 51 56 41 81 89 65 33 89
2015 22 23 14 162 32 40 65 65 147 109 169 169

Tabel 4 Data Curah Hujan Stasiun Kebun Helvetia PTPN II Setelah Proses Sampling
2006 42 20 39 43 53 53 22 32 60 28 29 60
2007 42 6 0 18 60 10 46 65 52 65 76 76
2008 9 0 25 40 35 87 39 39 69 75 76 87
2009 82 0 38 113 31 41 74 88 68 69 36 113
2010 15 65 33 10 67 52 28 84 35 40 25 84
2011 45 45 35 47 30 30 50 53 60 45 25 60
2012 40 25 40 55 47 5 53 97 68 72 30 97
2013 14 49 25 25 27 14 30 35 78 30 57 78
2014 20 16 29 20 47 70 30 65 47 47 59 70
2015 59 45 10 52 37 30 67 42 69 63 63 69

Next
Next
44 Menghitung Jarak Antar Stasiun Hujan
Untuk menghitung jarak antar stasiun hujan dari 1 (satu) stasiun hujan dengan stasiun curah hujan lainnya
dilakukan berdasarkan hubungan antara koordinat UTM 2 (dua) stasiun curah hujan yang berbeda.
Tabel 5 Koordinat Geografis dan Koordinat UTM Stasiun Curah Hujan

Koordinat Geografis Koordinat UTM
No Nama Stasiun
X (BT)* Y (LU)* X (LU)** Y (BT)**
1 Stalkim Sampali 98,715 3,622 10989,107 403,175
2 Tongkoh Karo 98,540 3,202 10969,706 356,453
3 Geofisika Tuntungan 98,565 3,503 10972,502 389,939
4 Kebun Helvetia PTPN II 98,664 3,626 10983,449 403,627
5 Stamar Belawan 98,715 3,788 10989,151 421,688
Catatan:
*Koordinat geografis (°), 1° = 111,322 km
**Koordinat UTM (km)

Next
Next
Contoh perhitungan dalam mencari jarak antar stasiun hujan:
Koordinat UTM Stasiun Hujan Stalkim Sampali

X1 = 10989,1067 km (BT)
Y1 = 403,1749 km (LU)
Koordinat UTM Stasiun Hujan Tongkoh Karo
X2 = 10969,7055 km (BT)
Y2 = 356,44530 km (LU)
Jarak antara Stasiun Hujan Stalkim Sampali dan Stasiun Hujan Tongkoh Karo
d = ඥ(X 2 − X1 )2 + (Y2 − Y1 )2
d = ඥ(10969,7055 − 10989,1067)2 + (356,44530 − 403,1749)2

d = 50,5899 km

Next
Next
Tabel 6 Jarak Antar Stasiun Hujan (Km)
Kebun
Stalkim Tongkoh Geofisika Stamar
No Nama Stasiun Helvetia
Sampali Karo Tuntungan Belawan
PTPN II
1 Stalkim Sampali 0 50,58989169 21,233923 5,67587959 18,51290215
2 Tongkoh Karo 50,58989 0 33,602932 49,1353245 68,07129599
3 Geofisika Tuntungan 21,23392 33,6029316 0 17,5265554 35,84884991
Kebun Helvetia
4 5,67588 49,1353245 17,526555 0 18,93938377
PTPN II
5 Stamar Belawan 18,5129 68,07129599 35,84885 18,9393838 0

Next
Next
Tabel 7 Rekapitulasi Jarak Antar Stasiun Hujan

Nama Stasiun Jarak Antar
No Nama Stasiun Target
Pembanding Stasiun (km)
Kebun Helvetia PTPN II 5,67587959

Stamar Belawan 18,5129022
1 Stalkim Sampali
Geofisika Tuntungan 21,2339229
Tongkoh Karo 50,5898917
Stalkim Sampali 21,2339229
2 Geofisika Tuntungan
3 Kebun Helvetia PTPN II

Stasiun pembanding yang digunakan pada setiap stasiun target hanya digunakan 3 (tiga) stasiun pembanding
yang terdekat. Tiga stasiun pembanding untuk setiap stasiun target yang dipilih berdasarkan jarak terdekat
dapat dilihat
Tabel 8 Stasiun Target dan Stasiun Pembanding yang digunakan
Jarak Antar
No Nama Stasiun Target Nama Stasiun Tetangga
Stasiun (km)

1 Stalkim Sampali Stamar Belawan 18,5129022
2 Geofisika Tuntungan Stalkim Sampali 21,2339229
3 Kebun Helvetia PTPN II Geofisika Tuntungan 17,52655540

55 Simulasi Data Hujan dengan Metode Rata-rata Aritmatik atau Arithmetic Mean (AM)
Method
Tahapan dalam melakukan pemodelan data dengan metode rata-rata arimatik, yaitu:
1) Hitung rata-rata curah hujan maksimum tahunan pada masing-masing tahun di setiap stasiun hujan. Rata-
rata curah hujan maksimum tahunan stasiun pembanding harus berada di bawah 10% rata-rata curah
hujan maksimum tahunan stasiun target.
Contoh perhitungan dalam menghitung rata-rata curah hujan maksimum
tahunan antara stasiun target dan pembanding, yaitu:
Rata-rata curah hujan maksimum tahunan Stasiun Stalkim Sampali tahun
2006 (PX ).
= 67,083 mm
Rata-rata curah hujan maksimum tahunan stasiun pembanding tahun 2006
= 72,528 mm (PY ).
Next
Next

Perbedaan data rata-rata curah hujan maksimum tahunan (Δ)
= PY − Px
= 72,528 − 67,083
= 5,444 mm
Persentase perbedaan data rata-rata curah hujan maksimum tahunan
∆
= 𝑥100
Px
5,444
= 67,083 𝑥100
= 8,116%

Tabel 9 Perbedaan Data Curah Hujan Tahunan Maksimum Rata-rata
Stasiun Stalkim Sampali dan Stasiun Pembanding
Stasiun Target Stasiun Pembanding
Perbedaan
Kebun
Stalkim Stamar Geofisika Rata- Curah
No Tahun Helvetia
Sampali Belawan Tuntungan rata Hujan
PTPN II
Rata-rata
(X) (Y1) (Y2) (Y3) Data rata-rata curah hujan
1 2006 73,182 103,083 41,417 73,083 72,528 0,894% maksimum tahunan stasiun
2 2007 70,273 59,000 38,417 67,417 54,944 21,813% pembanding ada yang berada
lebih dari 10% data rata-rata
3 2008 56,273 76,750 47,083 54,167 59,333 5,439%
curah hujan maksimum tahunan
4 2009 52,909 69,167 57,750 57,667 61,528 16,290% stasiun target, sehingga metode
5 2010 50,364 48,583 40,333 55,500 48,139 4,417% rata-rata aritmatik pada stasiun
6 2011 55,818 48,333 42,500 66,000 52,278 6,343% hujan yang ditargetkan tidak
dapat digunakan
7 2012 56,000 51,250 45,167 55,333 50,583 9,673%
8 2013 51,727 54,250 36,250 73,583 54,694 5,736%
9 2014 56,000 55,417 41,417 54,750 50,528 9,772%
10 2015 47,091 47,333 48,250 73,667 56,417 19,804%

Stasiun Geofisika Tuntungan dan Stasiun Pembanding

Perbedaan
Kebun
Geofisika Tongkoh Stalkim Rata- Curah
No Tahun Helvetia
Tuntungan Karo Sampali rata Hujan
PTPN II
Rata-rata Data rata-rata curah hujan
(X) (Y1) (Y2) (Y3)
maksimum tahunan stasiun
1 2006 69,917 49,917 41,417 73,500 54,944 21% pembanding ada yang berada
2 2007 68,091 54,083 38,417 70,833 54,444 20% lebih dari 10% data rata-rata
3 2008 54,909 52,500 47,083 52,750 50,778 8% curah hujan maksimum tahunan
4 2009 60,636 51,167 57,750 52,583 53,833 11% stasiun target, sehingga metode
rata-rata aritmatik pada stasiun
5 2010 57,818 57,333 40,333 79,583 59,083 2% hujan yang ditargetkan tidak
6 2011 69,545 58,833 42,500 59,333 53,556 23% dapat digunakan
7 2012 57,636 59,167 45,167 56,333 53,556 7%
8 2013 72,091 68,917 36,250 50,167 51,778 28%
9 2014 53,273 49,083 41,417 54,750 48,417 9%
10 2015 77,091 48,917 48,250 46,417 47,861 38%

Stasiun Kebun Helvetia PTPN II dan Stasiun Pembanding
Perbedaan
Kebun
Stalkim Geofisika Stamar Rata- Curah
No Tahun Helvetia
Sampali Tuntungan Belawan rata Hujan
PTPN II
Rata-rata
(X) (Y1) (Y2) (Y3) Data rata-rata curah hujan
1 2006 38,273 73,500 73,083 103,083 83,222 117% maksimum tahunan stasiun
pembanding ada yang berada
2 2007 40,000 70,833 67,417 59,000 65,750 64% lebih dari 10% data rata-rata
3 2008 44,909 52,750 54,167 76,750 61,222 36% curah hujan maksimum tahunan
4 2009 58,182 52,583 57,667 69,167 59,806 3% stasiun target, sehingga metode
rata-rata aritmatik pada stasiun
5 2010 41,273 79,583 55,500 48,583 61,222 48%
hujan yang ditargetkan tidak
6 2011 42,273 59,333 66,000 48,333 57,889 37% dapat digunakan.
7 2012 48,364 56,333 55,333 51,250 54,306 12%
8 2013 34,909 50,167 73,583 54,250 59,333 70%
9 2014 40,909 54,750 54,750 55,417 54,972 34%
10 2015 48,818 46,417 73,667 47,333 55,806 14%

66 Simulasi Data Hujan dengan Metode Perbandingan Normal atau Normal Ratio (NR)
Method
Tahapan dalam melakukan pemodelan data dengan metode perbandingan normal, yaitu:
1) Hitung rata-rata curah hujan maksimum tahunan pada masing-masing tahun di setiap stasiun hujan. Curah hujan tahunan
maksimum rata-rata stasiun pembanding harus berada lebih dari 10% rata-rata curah hujan maksimum tahunan stasiun
target.
 Stasiun Stalkim Sampali & Geofisika Tuntungan
Berdasarkan tabel 9 dan 10 hasil perhitungan di atas data rata-rata curah hujan maksimum tahunan stasiun pembanding
ada yang berada di bawah 10% rata-rata curah hujan maksimum tahunan stasiun target, sehingga metode perbandingan
normal pada stasiun hujan yang ditargetkan tidak dapat digunakan.
 Stasiun Kebun Helvetia PTPN II
Berdasarkan tabel 11 hasil perhitungan di atas data rata-rata curah hujan maksimum tahunan stasiun pembanding berada
lebih dari 10% data rata-rata curah hujan maksimum tahunan stasiun target, sehingga metode perbandingan normal pada
stasiun hujan yang ditargetkan dapat digunakan.
Next
Next

2) Jika syarat terpenuhi pengisian data hujan yang kosong dapat dilakukan dengan menggunakan persamaan 2.2.
Ex:
Ex:
Pengisian data hujan bulan Desember 2006 Stasiun Kebun Helvetia PTPN
II.
Px = ?
Nx = 38,273 mm
P1 = 112 mm; P2 = 84 mm; P = 396 mm
N1 = 73,5 mm; N2 = 73,083; N3 = 103,083 mm
Maka, data hujan bulan Desember 2006 Stasiun Kebun Helvetia
𝑁𝑥 𝑃 𝑃2 𝑃3
= ቀ1 + + ቁ
𝑛 𝑁1 𝑁2 𝑁3
38,273 112 84 396
= ቀ + + ቁ
3 73,5 73,083 103,083
= 83,112 mm

NR
Tabel 12 Data Hujan Hasil Simulasi Metode Perbandingan Normal atau Normal Ratio (NR)
1
Method (mm)
2006 42 20 39 43 53 53 22 32 60 28 29 83,1 83,1
2007 42 6 0 18 60 10 46 65 52 90,9 65 76 90,9
2008 9 0 25 40 35 19,5 87 39 39 69 75 76 87
2009 82 0 38 113 31 41 74 88 68 69 74,6 36 113
2010 15 65 101,5 33 10 67 52 28 84 35 40 25 102
2011 45 45 35 47 30 30 31,9 50 53 60 45 25 60
2012 40 25 40 55 47 5 53 44,4 97 68 72 30 97
2013 14 49 25 25 31,5 27 14 30 35 78 30 57 78
2014 20 16 29 20 47 70 30 65 47 42 47 59 70
2015 59 45 10 52 37 30 67 42 56,3 69 63 63 69

77 Simulasi Data Hujan dengan Metode Reciprocal
Tahapan dalam melakukan pemodelan data dengan metode perbandingan normal, yaitu:
1) Jarak antar stasiun dihitung dan digunakan sebagai pembagai. Hal ini menandakan bahwa sebaran curah hujan juga
dipengaruhi oleh faktor jarak. Jarak antar stasiun target dan masing-masing stasiun pembandingnya dapat dilihat pada
tabel 8
2) Melakukan perhitungan pengisian data hujan yang hilang dengan metode reciprocal
Ex:
Ex:
Data curah hujan bulan Januari tahun 2006 (Stasiun Stalkim Sampali)
𝑝𝑖
σ 𝑛𝑖=1
𝐿𝑖 2
𝑝𝑥 = 1
σ 𝑛𝑖=1
𝐿𝑖 2
42 66 29
+ +
5,676 2 18,513 2 22,234 2
𝑝𝑥 = 1 1 1
+ +
5,676 2 18,513 2 22,234 2
𝑝𝑥 = 43,139 𝑚𝑚

R
1
Tabel 13 Data Hujan Hasil Simulasi Stasiun Stalkim Sampali dengan Metode Reciprocal (mm)
2006 43,1 50 78 87 73 58 40 48 110 90 59 112 112
2007 85 14 6 20,2 89 56 70 63 78 135 82 95 135
2008 19 3,1 29 68 55 24 76 89 61 90 82 26 90
2009 103 4 44 57 58 31 58 84,5 97 61 50 19 103
2010 71 48 33,9 24 20 47 69 48 40 41 66 80 80
2011 78 35 64 64 39 40 54 51,5 59 58 63 60 78
2012 40 50 42 57 83 65 65 46 91,3 75 60 33 91,3
2013 29 66 53 63 27 39 58 35,8 32 70 21 111 111
2014 20 22 35 31 46 49 34 91 66 49,0 57 165 165
2015 42 46 10 12 48,2 11 86 50 52 76 90 43 90

R
1
Tabel 14 Data Hujan Hasil Simulasi Stasiun Geofisika Tuntungan dengan Metode Reciprocal (mm)
2006 29 159 50,9 56 56 118 49 38 64 89 97 84 159
2007 36 40 13 31 71,2 33 45 46 60 219 113 113 219
2008 65 39 42 66 51 60,0 33 52 83 62 57 54 83
2009 39 62 52 38 69 66 25 64,9 72 86 87 71 87
2010 78 15 106 25 20,2 49 32 65 65 50 94 57 106
2011 99 16 128 55,7 65 80 36 75 78 72 58 58 128
2012 25 26 57 66 51 28,7 104 64 55 47 46 93 104
2013 69 40 79 54 100 67 50 76 80 140 38 82,8 140
2014 22 35 51 36,8 62 51 56 41 81 89 65 33 89
2015 22 23 10,2 14 162 32 40 65 65 147 109 169 169

R
1
Tabel 15 Data Hujan Hasil Simulasi Stasiun Kebun Helvetia PTPN II dengan Metode Reciprocal (mm)
2006 42 20 39 43 53 53 22 32 60 28 29 130,9 130,9
2007 42 6 0 18 60 10 46 65 52 139,6 65 76 139,6
2008 9 0 25 40 35 24,1 87 39 39 69 75 76 87
2009 82 0 38 113 31 41 74 88 68 69 56,7 36 113
2010 15 65 346,5 33 10 67 52 28 84 35 40 25 346,5
2011 45 45 35 47 30 30 51,3 50 53 60 45 25 60
2012 40 25 40 55 47 5 53 47,1 97 68 72 30 97
2013 14 49 25 25 34,7 27 14 30 35 78 30 57 78
2014 20 16 29 20 47 70 30 65 47 45,1 47 59 70
2015 59 45 10 52 37 30 67 42 54,4 69 63 63 69

88 Simulasi Data Hujan dengan Metode Regresi Linier atau Linear Regression (LR) Method
Contoh perhitungan pengisian data curah hujan yang hilang bulan Januari tahun 2006 pada Stasiun Stalkim Sampali
Tahapan:
1) Menghitung koefisien korelasi stasiun target (y) dan masing-masing stasiun tetangga (x). Untuk menangani data yang hilang
dalam analisis regresi dalam penelitian ini data diabaikan. Untuk mengetahui koefisien korelasi data hujan stasiun target dan
masing-masing stasiun pembandingnya, data disajikan dalam satu kolom (Lampiran 1). Proses membuat data hujan menjadi
satu kolom dibantu dengan Ms.Excel untuk digunakan sebagai analisis regresi.
Tahapan:
a) Menyediakan data hujan stasiun target dan masing-masing stasiun pembanding menjadi 1 (satu) kolom dengan tahun yang
telah diurutkan, yaitu Januari 2006 hingga Desember 2015.
Kemudian menghitung koefisien korelasi secara langsung dengan menggunakan formula Ms.Excel:
=CORREL(array1;aray2)
=CORREL(W8:W127;X8:X127)
Secara otomatis, maka Ms.Excel akan menyelesaikannya dan didapatkan koefisien korelasi Stasiun Stalkim Sampali (stasiun
target) dan Stasiun Stamar Belawan (stasiun pembanding), yaitu sebesar 0,371.
Next
Next

LAMPIRAN 1
Tabel Hasil Perhitungan
Lanjutan
Koefisien Korelasi Untuk mencari koefisien korelasi data yang hilang diabaikan
Stasiun Target Stasiun Pembanding Stasiun Target Stasiun Pembanding
Stalkim Stamar Kebun Helvetia Geofisika Stalkim Stamar Kebun Helvetia Geofisika
No No
Sampali Belawan PTN II Tuntungan Sampali PTN II
Belawan Tuntungan
(X) (Y1) (Y2) (Y3) (X) (Y2)
(Y1) (Y3)
1 66 42 29
95 21 54 30 38
2 50 20 20 159
96 111 64 57 90
3 78 60 39 38
4 87 84 43 56 97 20 21 20 22
5 73 56 53 56 98 22 59 16 35
6 58 97 53 118 99 35 7 29 51
7 40 90 22 49 100 31 92 20 71
8 48 115 32 38 101 46 63 47 62
9 110 118 60 64 102 49 49 70 51
10 90 88 28 89
103 34 38 30 56
11 59 47 29 97
104 91 85 65 41
12 112 396 76 84
13 85 50 42 36
105 66 100 47 81
14 14 51 6 40 106 39 47 89
15 6 31 0 13 107 57 31 47 65
16 35 18 31 108 165 81 59 33
17 89 0 60 60 109 42 58 59 22
18 56 40 10 33 110 46 0 45 23
19 70 58 46 45 111 10 2 10 36
20 63 63 65 46
112 12 11 52 14
21 78 100 52 60
113 81 37 162
22 135 98 21 219
23 82 103 65 113 114 11 75 30 32
24 95 79 76 113 115 86 32 67 40
25 19 17 9 65 116 50 77 42 65
26 9 0 39 117 52 69 42 65
27 29 95 25 42 118 76 63 69 147
28 68 22 40 66 119 90 57 63 109
29 55 38 35 51
120 43 43 63 169
30 24 0 71 46
Koefisien Korelasi
31 76 115 87 33
X-Y1 0,371093171
32 89 137 39 52
33 61 94 39 83 X-Y2 0,432391903
X-Y3 0,293868411
34 90 95 69 62
Next
Next

LR
1
Tabel 16 Koefisien Korelasi Antar Stasiun Target dan Stasiun Pembanding
Stasiun Jarak Antar Koefisien Keterangan
No Stasiun Pembanding
Target Stasiun (km) Korelasi Hubungan
Kebun Helvetia PTPN II 5,675879593 0,4323919 (+) lemah
Stalkim (+) lemah
1 Stamar Belawan 18,51290215 0,37109317
Sampali
Geofisika Tuntungan 21,23392295 0,29386841 (+) lemah
Stalkim Sampali 21,23392295 0,23797036 (+) lemah
Geofisika (+) lemah
2 Tongkoh Karo 33,6029316 0,14218449
Tuntungan
Kebun Helvetia PTPN II 17,52655541 0,03499876 (+) lemah
Stalkim Sampali 5,675879593 0,4730858 (+) lemah
Kebun
3 Helvetia Stamar Belawan 18,93938377 0,23299203 (+) lemah
PTPN II Geofisika Tuntungan 17,52655541 0,09822963 (+) lemah
Berdasarkan hasil perhitungan dengan melihat tabel 16,maka stasiun pembanding yang digunakan
untuk mengisi data curah hujan yang hilang pada masing-masing stasiun target adalah masing-masing 1 (satu)
stasiun pembanding dengan koefisien korelasi tertinggi.
Next
Next

2) Membuat persamaan regresi linier, contoh perhitungan koefisien regresi untuk bulan Januari tahun 2006 Stasiun Stalkim
Sampali adalah sebagai berikut:
a) Menghitung koefisien regresi (a) dan (b). c) Persamaan regresi
Berdasarkan tabel 4.25 maka : Persamaan regresi linier untuk perhitungan bulan
koefisien regresi (a) adalah: Januari tahun 2006 Stasiun Stalkim Sampali adalah:
σ 𝑛𝑖=1ሺ𝑋𝑖 − 𝑋തሻሺ𝑌𝑖 − 𝑌തሻ Y = ax + b

𝑎=
σ 𝑛𝑖=1ሺ𝑋𝑖 − 𝑋തሻ2 Y = 0ሺ42ሻ+ 73,182
0 𝑌 = 73,182
𝑎=
3076,92 Dari hasil perhitungan diperoleh data curah hujan bulan
𝑎=0 Januari tahun 2006 Stasiun Stalkim Sampali sebesar 73,182 mm.
b) koefisien regresi (b) adalah:
Untuk analisis regresi selanjutnya disajikan pada Lampiran 2
𝑏 = 73,182 − 0(41,417)
𝑏 = 73,182
Next
Next

LAMPIRAN 2
Tabel Analisis Regresi Linier Sederhana
LR
1
Untuk mencari persamaan regresi linier data yang hilang diabaikan

LR
1
Tabel 17 Rekapitulasi Koefisien Regresi Data Curah Hujan Stasiun Stalkim Sampali
Tahun Bulan a B a*Xi Hasil Estimasi
2006 Januari 0 73,1818 0 73,18181818
2007 April 0,4912 51,4028 8,841426251 60,24425768
2008 Februari -1,931 147,179 0 147,1788471
2009 Agustus -4,31 301,802 -379,2651839 -77,46331606
2010 Maret 0,7642 19,541 22,92595477 42,46691861
2011 Agustus -2,845 176,738 -142,258763 34,47936737
2012 September -1,513 124,332 -146,7507682 -22,41836581
2013 Agustus 4,4761 -110,53 134,2830103 23,75164558
2014 Oktober -3E-15 56 -1,1978E-13 56
2015 Mei -7,537 410,758 -278,8741602 131,8837281

LR
1
Tabel 18 Rekapitulasi Koefisien Regresi Data Curah Hujan Tabel 19 Rekapitulasi Koefisien Regresi Data Curah Hujan
Stasiun Geofisika Tuntungan Stasiun Kebun Helvetia PTPN II
Tahun Bulan a B a*Xi Hasil Estimasi Tahun Bulan a B a*Xi Hasil Estimasi
2006 Maret -0,819 136,436 -63,84636602 72,58928308 2006 Desember -9,551 740,267 -1069,70486 -329,4383182
2007 Mei -1,937 205,274 -172,366783 32,90742716 2007 Oktober -6,569 505,323 -886,8502615 -381,5275934
2008 Juni -3,488 238,884 -83,7041088 155,1796379 2008 Juni -4,887 302,693 -117,2856644 185,407543
2009 Agustus -2,772 206,417 -135,8465618 70,57072105 2009 November -3,127 222,601 -156,3416377 66,25946947
2010 Mei -0,828 123,737 -16,56608727 107,1713168 2010 Maret -3,127 222,601 -1253,859935 -1031,258827
2011 April -3,397 271,119 -217,4279178 53,69133554 2011 Juli -8,62 543,215 -491,3251671 51,88987045
2012 Juni -8,62 543,215 -560,2830853 -17,06804773 2012 Agustus -12,22 736,779 -562,137966 174,6410055
2013 Desember -1,107 127,606 -122,8338171 4,772075371 2013 Mei -6,42 356,979 -173,3399195 183,6390219
2014 April -2,373 183,213 -73,57358482 109,6395866 2014 Oktober -3,478 231,332 -142,5998652 88,73221642
2015 Maret -0,212 86,9371 -2,121268324 84,81586124 2015 September -2,398 160,122 -124,6922413 35,42975207
Sumber: Hasil Perhitungan, 2020 Sumber: Hasil Perhitungan, 2020

LR
1
Tabel 20 Data Hujan Hasil Simulasi Stasiun Stalkim Sampali dengan
Metode Regresi Linier atau Linear Regression (LR) Method
2006 73,1 50 78 87 73 58 40 48 110 90 59 112 112
2007 85 14 6 60,2 89 56 70 63 78 135 82 95 135
2008 19 147,2 29 68 55 24 76 89 61 90 82 26 147,2
2009 103 4 44 57 58 31 58 -77,5 97 61 50 19 103
2010 71 48 42,5 24 20 47 69 48 40 41 66 80 80
2011 78 35 64 64 39 40 54 34,9 59 58 63 60 78
2012 40 50 42 57 83 65 65 46 -22,4 75 60 33 83
2013 29 66 53 63 27 39 58 23,8 32 70 21 111 111
2014 20 22 35 31 46 49 34 91 66 56 57 165 165
2015 42 46 10 12 131,9 11 86 50 52 76 90 43 131,9

LR
1
Tabel 21 Data Hujan Hasil Simulasi Stasiun Geofisika Tuntungan
dengan Metode Regresi Linier atau Linear Regression (LR) Method
2006 29 159 72,6 56 56 118 49 38 64 89 97 84 159
2007 36 40 13 31 32,9 33 45 46 60 219 113 113 219
2008 65 39 42 66 51 155,2 33 52 83 62 57 54 155,2
2009 39 62 52 38 69 66 25 70,6 72 86 87 71 87
2010 78 15 106 25 107,2 49 32 65 65 50 94 57 107,2
2011 99 16 128 53,7 65 80 36 75 78 72 58 58 128
2012 25 26 57 66 51 -17,1 104 64 55 47 46 93 104
2013 69 40 79 54 100 67 50 76 80 140 38 4,8 140
2014 22 35 51 109,6 62 51 56 41 81 89 65 33 109,6
2015 22 23 84,8 14 162 32 40 65 65 147 109 169 169

LR
1
Tabel 22 Data Hujan Hasil Simulasi Stasiun Kebun Helvetia PTPN II dengan
Metode Regresi Linier atau Linear Regression (LR) Method
2006 42 20 39 43 53 53 22 32 60 28 29 -329,4 60
2007 42 6 0 18 60 10 46 65 52 -381,5 65 76 76
2008 9 0 25 40 35 185,4 87 39 39 69 75 76 185,4
2009 82 0 38 113 31 41 74 88 68 69 66,3 36 113
2010 15 65 -425 33 10 67 52 28 84 35 40 25 84
2011 45 45 35 47 30 30 104,9 50 53 60 45 25 104,9
2012 40 25 40 55 47 5 53 174,6 97 68 72 30 174,6
2013 14 49 25 25 183,6 27 14 30 35 78 30 57 183,6
2014 20 16 29 20 47 70 30 65 47 88,7 47 59 88,7
2015 59 45 10 52 37 30 67 42 35,4 69 63 63 69

Simulasi Data Hujan dengan Metode Regresi Linier Berganda/Multiple Linear Regression
99
(MRL) Method
Berdasarkan hasil perhitungan pada tabel 16, tidak ada nilai koefisien korelasi yang berada di atas
0,6. Artinya antara data hujan memiliki hubungan positif lemah dan hal itu menunjukkan bahwa antara
data stasiun target dan masing-masing stasiun pembandingnya tidak memiliki hubungan yang kuat,
sehingga metode ini tidak dapat diterapkan untuk mengisi data curah hujan yang hilang di stasiun target.

10
10 Uji Statistik Kesalahan
Dalam perhitungan data hujan yang hilang menggunakan 5 (lima) metode di atas akan memiliki nilai
kesalahan dengan besar nilai tertentu. Hasil dari uji statistik kesalahan bertujuan untuk melihat ada atau
tidaknya hubungan antara data hujan observasi dan data hujan hasil simulasi. Sebelum melakukan pengujian
statistik kesalahan, data hujan observasi dan data hujan hasil simulasi harus diurutkan dari bulan Januari
2006 hingga bulan Desember 2015 menjadi satu kolom.

LAMPIRAN 3
Tabel Hasil Pengujian Statistik Kesalahan Metode Perbandingan Normal
Data Observasi Data Hasil Simulasi
(Xi-Yi) (Xi-Yi)^2
(Xi) (Yi) Lanjutan
42 42 0 0 Data Observasi Data Hasil Simulasi
20 20 0 0 (Xi-Yi) (Xi-Yi)^2
(Xi) (Yi)
39 39 0 0
47 47 0 0
43 43 0 0
70 70 0 0
53 53 0 0
30 30 0 0
53 53 0 0
22 22 0 0 65 65 0 0
32 32 0 0 47 47 0 0
60 60 0 0 47 41,97529939 5,024701 25,24761618
28 28 0 0 47 47 0 0
29 29 0 0 59 59 0 0
76 83,11221928 -7,11222 50,58366313 59 59 0 0
42 42 0 0 45 45 0 0
6 6 0 0 10 10 0 0
0 0 0 0 52 52 0 0
18 18 0 0 37 37 0 0
60 60 0 0
30 30 0 0
10 10 0 0
67 67 0 0
46 46 0 0
42 42 0 0
65 65 0 0
52 52 0 0
42 56,30992859 -14,3099 204,7740563
21 90,87138913 -69,8714 4882,011019 69 69 0 0
65 65 0 0 63 63 0 0
76 76 0 0 63 63 0 0
9 9 0 0 Jumlah 15132,898
0 0 0 0 CC 0,8791152
25 25 0 0 STD 11,276844
40 40 0 0 RMSE 11,229759
35 35 0 0
71 19,52358466 51,47642 2649,821336 Sumber: Hasil Perhitungan, 2020

11
Deviasi standar atau error standard deviation (STD)

Deviasi standar adalah uji kesalahan statistik yang digunakan untuk melihat seberapa besar penyimpangan yang terjadi
antara data hujan observasi dan data hujan hasil simulasi. Hasil perhitungan dapat dilihat pada lampiran 3.
Contoh perhitungan deviasi standar metode perbandingan normal:
 Data curah hujan Kebun Helvetia PTPN II
Jumlah data curah hujan bulan Januari 2006 hingga bulan Desember 2015=
120
𝑛
1
𝑆𝑇𝐷 = ඩ ෍ (𝑋𝑖 − 𝑌𝑖 )2
𝑛−1
𝑖=1
15132,8976
𝑆𝑇𝐷 = ඨ
120 − 1
STD=11,2768, artinya nilai standar error
𝑆𝑇𝐷 = 11,2768 dikatakan cukup besar. Karena nilainya masih
jauh mendekati nilai 0 (nol) sampai 1 (satu).

Tabel 22 Rekapitulasi Hasil Perhitungan Deviasi Standar
STD
Nama Stasiun
AM NR R LR MLR
Stalkim
34,76 39,14
Sampali
Geofisika 6,297 17,38
Tuntungan
Kebun Helvetia 11,28 31,93 70,84
PTPN II

22
Akar kesalahan kuadrat rata-rata atau root mean square error (RMSE)
Akar kesalahan kuadrat rata-rata (root mean square error) adalah uji kesalahan statistik yang didasarkan pada selisih
antar dua variabel. Hasil perhitungan dapat dilihat pada Lampiran 3.
Contoh perhitungan RMSE metode perbandingan normal:
 Data curah hujan Kebun Helvetia PTPN II
Jumlah data curah hujan bulan Januari 2006 hingga bulan Desember 2015=
120
σ 𝑛𝑖=1(𝑋𝑖 − 𝑌𝑖 )2
𝑛
15132,8976
120 RMSE=11,2298, artinya nilai kesalahan antar data
𝑅𝑀𝑆𝐸 = 11,2298 hujan observasi dan data hujan simulasi
dikatakan cukup besar. Karena nilainya masih
jauh mendekati nilai 0 (nol) sampai 1 (satu).

Tabel 23 Rekapitulasi Hasil Perhitungan Pengujian RMSE
RMSE
Nama Stasiun
AM NR R LR MLR
Stalkim
34,6 39
Sampali
Geofisika 6,27 17,3

Tuntungan
Kebun Helvetia 11,23 31,8 70,5

PTPN II

33
Koefisien korelasi atau correlation coefficient (CC)
Pengujian koefisien korelasi bertujuan untuk melihat ada atau tidak hubungan antara dua variabel. Proses
membuat data hujan menjadi satu kolom dibantu dengan Ms.Excel untuk digunakan sebagai analisis regresi.
Contoh perhitungan koefisien korelasi data hujan observasi dan data hujan hasil simulasi adalah sebagai berikut:
1. Menyediakan data hujan observasi dan data hujan hasil simulasi menjadi 1 (satu) kolom dengan tahun yang sudah
urut, yaitu Januari 2006 hingga Desember 2015.
2. Kemudian menghitung koefisien korelasi secara langsung dengan menggunakan formula Ms.Excel:
=CORREL(array1;aray2)
=CORREL(AA11:AA130;AB11:AB130)
Secara otomatis, maka Ms.Excel akan menyelesaikannya dan didapatkan koefisien korelasi antar data hujan
observasi dan data hujan hasil simulasi (Stasiun Kebun Helvetia PTPN II) pada metode perbandingan normal, yaitu
sebesar 0,8791. Dari hasil perhitungan menunjukkan bahwa koefisien korelasi yang dihasilkan tinggi karena berada
di atas 0,7. Untuk hasil koefisien korelasi lainnya dapat dilihat pada Lampiran 3.

Tabel 24 Rekapitulasi Hasil Perhitungan
Pengujian Koefisien Korelasi
CC
Nama Stasiun
AM NR R LR MLR
Stalkim 0,5635 0,464
Sampali (+) lemah (+) lemah
Geofisika 0,9834 0,883
Tuntungan (+) baik (+) baik
Kebun Helvetia 0,8791 0,5215 0,307
PTPN II (+) baik (+) lemah (+) lemah

11
11 Pemilihan Metode Terbaik untuk Masing-masing Stasiun Target Berdasarkan Uji
Kesalahan Statistik
Tabel 25 Pemilihan Metode yang Paling Cocok Berdasarkan
Uji Statistik Kesalahan
Metode
No Nama Stasiun
STD RMSE CC
1 Stasiun Stalkim Sampali R R R
2 Stasiun Geofisika Tuntungan R, LR R, LR R, LR
3 Stasiun Kebun Helvetia PTPN II NR NR NR, R, LR

BAB 5
KESIMPULAN DAN SARAN
11 Kesimpulan
Berdasarkan analisis yang telah dilakukan, maka dapat diambil kesimpulan sebagai berikut:
1) Pengisian kekosongan data hujan pada ke tiga stasiun target yang dipilih dengan metode rata-rata aritmatik tidak dapat
digunakan karena perbedaan rata-rata curah hujan maksimum tahunan stasiun pembanding ada yang berada di atas 10%
rata-rata curah hujan maksimum tahunan stasiun target.
2) Pengisian kekosongan data hujan pada 2 (dua) stasiun target, yaitu Stasiun Stalkim Sampali dan Stasiun Geofisika
Tuntungan dengan metode perbandingan normal tidak dapat digunakan karena perbedaan rata-rata curah hujan
maksimum tahunan stasiun pembanding ada yang berada di bawah 10% rata-rata curah hujan maksimum tahunan stasiun
target. Sedangkan pada Stasiun Kebun Helvetia PTPN II metode ini dapat digunakan. Berdasarkan uji kesalahan statistik
pengisian kekosongan data hujan pada stasiun ini menghasilkan data yang cukup baik dengan nilai 0,8791 untuk uji
koefisien korelasi, 11,28 untuk standar deviasi, dan RMSE sebesar 11,23.
Next
Next

3) Pengisian kekosongan data hujan dengan menggunakan metode reciprocal menghasilkan data hujan simulasi yang cukup
baik, berdasarkan 3 (tiga) uji statistik kesalahan dengan nilai terbaik dihasilkan pada Stasiun Geofisika Tuntungan dengan
nilai standar deviasi, RMSE, dan koefisien korelasi berturut-turut sebesar 6,297; 6,27; dan 0,9834.
4) Metode regresi linier menghasilkan data hujan simulasi cukup baik, dengan hasil uji 3 (tiga) statistik kesalahan terbaik
terdapat pada pengisian kekosongan data hujan di Stasiun Geofisika Tuntungan dengan nilai standar deviasi, RMSE, dan
koefisien korelasi berturut-turut sebesar 17,38; 17,3; dan 0,883.
5) Metode regresi linier berganda pengisian kekosongan data hujan tidak dapat dilakukan karena koefisien korelasi antar
stasiun target dan masing-masing stasiun pembanding tidak ada yang berada di atas 0,6.
6) Besarnya penilaian antara data hujan observasi dan data hujan hasil simulasi berbeda-beda untuk setiap stasiun. Untuk itu
tidak mungkin menyebutkan 1 (satu) metode terbaik untuk semua stasiun.

22 Saran
Kepada peneliti selanjutnya,

perlu adanya evaluasi lebih lanjut, terutama terkait penggunaan pengisian kekosongan data hujan lainnya selain dari ke lima
metode yang digunakan dalam penelitian ini. Karena masih banyak metode lain yang memiliki kemungkinan menghasilkan
data hujan yang lebih baik lagi dalam pengisian kekosongan data hujan. Terutama mengenai konsep pendekatan
deterministik dan stokastik.
Kepada pengguna,
metode reciprocal dapat digunakan pada pengisian kekosongan data hujan di Stasiun Geofisika Tuntungan dengan 3 (tiga)
stasiun pembandingnya, yaitu Kebun Helvetia PTPN II, Stalkim Sampali, dan Tongkoh Karo. Karena berdasarkan 3 (tiga) uji
kesalahan statistik data hujan simulasi menghasilkan penilaian yang sangat tinggi.
.

Daftar Pustaka

Caldera, H.P.G.M., dkk. 2016. A Comparison of Methods of Estimating Missing Daily Rainfall Data. Journal of the Institution of
Engineers. 159: 1-8.
De Silva1, R. P. A Comparison of Methods Used in Estimating Missing Rainfall Data. 2007. The Journal of Agricultural Sciences. 3: 101-108.
Goyal, Manish Kumar. 2016. Engineering Hydrology. PHI Learning Private Limited. Delhi.
Kurniawan, Riswandha Dwi dkk. 2017. Mengisi Data Hujan yang Hilang dengan Metode Autoregressive dan Metode Reciprocal
dengan Pengujian Debit Kala Ulang (Studi Kasus di DAS Bakalan). e-Journal MATRIKS TEKNIK SIPIL.
Prawaka, Fanny, dkk. 2016. Analisa Data Curah Hujan yang Hilang Dengan Menggunakan Metode Normal Ratio, Inversed Square
Distance, dan Rata-Rata Aljabar. JRSDD. 4: 397-406.
Sanusi, Wahidah. Pemilihan Metode Estimasi Data Curah Hujan Tidak Lengkap. 2018. Seminar Nasional Variansi 2018. Hal.22-30.
Sugiyono. 2013. Metode Penelitian Kuantitatif Kualitatif dan R&D. ALFABET, CV. Bandung.
Soewarno. 1995. Hidrologi Aplikasi Metode Statistik Jilid 1. Nova. Bandung.
Soewarno. 1995. Hidrologi Aplikasi Metode Statistik Jilid 2. Nova. Bandung.
Sattari ,Mohammad-Taghi, dkk. 2016. Assessment of Different Methods for Estimation of Missing Data in Precipitation Studies.
Hidrology Research.
Triatmodjo, Bambang. 2008. Hidrologi Terapan. Betta Offset. Yogyakarta.
Zaiontz, Charlez. 2015. Statistics Using Excel Succinctly. 2015. Synfusion Inc. USA.

Bapak
BapakSaimun
Saimun&&Ibu
IbuUsriani
Usriani
Kedua
KeduaOrang
OrangTua
TuaSaya
Saya
Bapak
BapakIvan
IvanIndrawan,
Indrawan,S.T.,M.T.
S.T.,M.T.
Dosen
DosenPembimbing
PembimbingII
Ucapan
Terimakasih Bapak
BapakRobi
RobiArianta
AriantaSembiring,
Dosen
Sembiring,S.T,.
DosenPembimbing
S.T,.M.Eng.
PembimbingIIII
M.Eng.
kepada Bapak
BapakMuhammad
MuhammadFaisal,
Faisal,S.T.,
S.T.,M.T.
M.T.
Dosen
DosenPembanding
PembandingII
Ibu
IbuNurul
NurulIka
IkaPutri
PutriDalimunteh,
Dalimunteh,S.T.,
S.T.,M.PSDA.
M.PSDA.
Dosen
DosenPembanding
PembandingIIII

Semhas Nurul Utami 160404041

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

Semhas Nurul Utami 160404041

Diunggah oleh

Hak Cipta:

Format Tersedia

SEMINAR HASIL TUGAS AKHIR

ANALISIS PERBANDINGAN BEBERAPA METODE PENGISIAN KEKOSONGAN

BIDANG STUDI TEKNIK SUMBER DAYA AIR

Univesitas Sumatera Utara|Fakultas Teknik|Departemen Teknik Sipil| © 2020

Univesitas Sumatera Utara|Fakultas Teknik|Departemen Teknik Sipil| © 2020

Univesitas Sumatera Utara|Fakultas Teknik|Departemen Teknik Sipil| © 2020

Data curah hujan Perbandingan data

Univesitas Sumatera Utara|Fakultas Teknik|Departemen Teknik Sipil| © 2020

Univesitas Sumatera Utara|Fakultas Teknik|Departemen Teknik Sipil| © 2020

Univesitas Sumatera Utara|Fakultas Teknik|Departemen Teknik Sipil| © 2020

 Konsep pendekatan stokastik

 Konsep pendekatan probabilistik

Univesitas Sumatera Utara|Fakultas Teknik|Departemen Teknik Sipil| © 2020

Univesitas Sumatera Utara|Fakultas Teknik|Departemen Teknik Sipil| © 2020

Univesitas Sumatera Utara|Fakultas Teknik|Departemen Teknik Sipil| © 2020

Metode perbandingan normal (NR)

Univesitas Sumatera Utara|Fakultas Teknik|Departemen Teknik Sipil| © 2020

Univesitas Sumatera Utara|Fakultas Teknik|Departemen Teknik Sipil| © 2020

Metode regresi linier (LR)

Univesitas Sumatera Utara|Fakultas Teknik|Departemen Teknik Sipil| © 2020

Metode regresi linier berganda (MLR)

Univesitas Sumatera Utara|Fakultas Teknik|Departemen Teknik Sipil| © 2020

Univesitas Sumatera Utara|Fakultas Teknik|Departemen Teknik Sipil| © 2020

Univesitas Sumatera Utara|Fakultas Teknik|Departemen Teknik Sipil| © 2020

Sumber: Soewarno, 1995

Univesitas Sumatera Utara|Fakultas Teknik|Departemen Teknik Sipil| © 2020

Univesitas Sumatera Utara|Fakultas Teknik|Departemen Teknik Sipil| © 2020

Univesitas Sumatera Utara|Fakultas Teknik|Departemen Teknik Sipil| © 2020

Sumber: Tugas Akhir Hasyim, 2015

Univesitas Sumatera Utara|Fakultas Teknik|Departemen Teknik Sipil| © 2020

Univesitas Sumatera Utara|Fakultas Teknik|Departemen Teknik Sipil| © 2020

Pemilihan 3 Stasiun Target

Data Hujan 3 Stasiun TargetTerkoreksi 1

Pemilihan Stasiun Tetangga

Mengosongkan Data Hujan di setiap Stasiun

Analsis Pengisian Kekosongan Data Hujan 2

Data Hujan Hasil Simulasi

Membandingkan Data Hujan Observasi dengan Data

Kesimpulan dan Saran

Univesitas Sumatera Utara|Fakultas Teknik|Departemen Teknik Sipil| © 2020

Univesitas Sumatera Utara|Fakultas Teknik|Departemen Teknik Sipil| © 2020

Univesitas Sumatera Utara|Fakultas Teknik|Departemen Teknik Sipil| © 2020

 Data curah hujan maksimum bulanan Stasiun Stalkim Sampali

Univesitas Sumatera Utara|Fakultas Teknik|Departemen Teknik Sipil| © 2020

Univesitas Sumatera Utara|Fakultas Teknik|Departemen Teknik Sipil| © 2020

Univesitas Sumatera Utara|Fakultas Teknik|Departemen Teknik Sipil| © 2020

Univesitas Sumatera Utara|Fakultas Teknik|Departemen Teknik Sipil| © 2020

Univesitas Sumatera Utara|Fakultas Teknik|Departemen Teknik Sipil| © 2020

Univesitas Sumatera Utara|Fakultas Teknik|Departemen Teknik Sipil| © 2020

Univesitas Sumatera Utara|Fakultas Teknik|Departemen Teknik Sipil| © 2020

Univesitas Sumatera Utara|Fakultas Teknik|Departemen Teknik Sipil| © 2020

Univesitas Sumatera Utara|Fakultas Teknik|Departemen Teknik Sipil| © 2020

Univesitas Sumatera Utara|Fakultas Teknik|Departemen Teknik Sipil| © 2020

Univesitas Sumatera Utara|Fakultas Teknik|Departemen Teknik Sipil| © 2020

Univesitas Sumatera Utara|Fakultas Teknik|Departemen Teknik Sipil| © 2020

44 Menghitung Jarak Antar Stasiun Hujan

Tabel 5 Koordinat Geografis dan Koordinat UTM Stasiun Curah Hujan

Univesitas Sumatera Utara|Fakultas Teknik|Departemen Teknik Sipil| © 2020

Contoh perhitungan dalam mencari jarak antar stasiun hujan:

Koordinat UTM Stasiun Hujan Stalkim Sampali

d = ඥ(10969,7055 − 10989,1067)2 + (356,44530 − 403,1749)2

Univesitas Sumatera Utara|Fakultas Teknik|Departemen Teknik Sipil| © 2020

Tabel 6 Jarak Antar Stasiun Hujan (Km)