NURUL UTAMI
16 0404 041
44 55
22 33
Hasil
Hasil Kesimpulan
Kesimpulan
11 Metodologi
Metodologi
Pendahuluan
Tinjauan
Tinjauan Penelitian
&
& &
&
Pendahuluan Penelitian Pembahasan Saran
Pustaka
Pustaka Pembahasan Saran
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.
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?
1 2 3 4
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).
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
Dimana:
𝑃𝑥 = 𝑎𝑃𝑖 + 𝑏 a dan b = koefisien regresi
.
𝑃𝑥 = 𝑐0 + ሺ𝑐𝑖 𝑃𝑖 ሻ
𝑖=1
Dimana:
ci,c1,…,cn = koefisien regresi .
Atau, 𝑌 = 𝐴0 + 𝐴1 𝑋1 + 𝐴2 𝑋2 + 𝐴3 𝑋3
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
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.
(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.
Lokasi Penelitian
Sumber: Hasil
Perhitungan Google
Eart Pro, 2020
Pengumpulan Data
Sekunder
-Data Curah Hujan 10
Tahun di DAS Deli
Selesai
Next
Next
Next
Next
Next
Next
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.
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
Tahun Jan Feb Mar Apr Mei Jun Jul Agu Sep Okt Nov Des Max
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
Sumber: Stasiun Klimatologi Sampali I Medan, 2016
Tahun Jan Feb Mar Apr Mei Jun Jul Agu Sep Okt Nov Des Max
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
Sumber: Stasiun Klimatologi Sampali I Medan, 2016
Tahun Jan Feb Mar Apr Mei Jun Jul Agu Sep Okt Nov Des Max
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
Sumber: Stasiun Klimatologi Sampali I Medan, 2016
Tahun Jan Feb Mar Apr Mei Jun Jul Agu Sep Okt Nov Des Max
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
Sumber: Stasiun Klimatologi Sampali I Medan, 2016
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
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.
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.
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
Sumber: Hasil Perhitungan, 2020
Jarak Antar
No Nama Stasiun Target Nama Stasiun Tetangga
Stasiun (km)
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
= 8,116%
= 83,112 mm
𝑝𝑥 = 43,139 𝑚𝑚
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
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
Berdasarkan tabel 4.25 maka : Persamaan regresi linier untuk perhitungan bulan
koefisien regresi (a) adalah: Januari tahun 2006 Stasiun Stalkim Sampali adalah:
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.
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.
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).
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
𝑅𝑀𝑆𝐸 = ඨ
𝑛
15132,8976
𝑅𝑀𝑆𝐸 = ඨ
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).
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
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
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