Escolar Documentos
Profissional Documentos
Cultura Documentos
139
Uji Validasi Dan Perbaikan Data Hujan Serta Korelasinya Terhadap Data Debit AWLR
Validation and Amelioration of Rainfall Data and Their Correlation Towards
Observed Streamflow
Ery Setiawan*
Abstrak
Pada umumnya, analisis hidrologi akan memberikan hasil yang semakin baik jika data
hujan lengkap dan akurat. Akan tetapi, dalam praktek sering dijumpai data tidak lengkap karena
adanya kekosongan/kehilangan data hujan. Oleh karena itu, untuk mengurangi kesalahan
dalam analisis dan akurasinya tetap tinggi, perlu dilakukan uji validasi serta perbaikan pada
sekumpulan data hujan yang mengalami kerusakan/hilang. Metode yang digunakan untuk uji
validasi mencakup uji konsistensi, log Pearson III, trend, homogenitas dan persistensi.
Sedangkan metode rantai Markov digunakan untuk mengisi/memperbaiki data. Uji validasi dan
perbaikan dilakukan terhadap data hujan dengan interval waktu setengah bulanan pada pos
ARR (Automatic rainfall Recorder) Kuripan dan Kabul (terdapat di DAS Dodokan). Hasil yang
diperoleh menyatakan, bahwa perbaikan data hujan yang dilakukan bervariasi mulai 0% (yang
berarti data valid) sampai dengan 100% kesalahan (data invalid. Bobot perbaikan rerata data
hujan pos Kuripan sebesar 18,33%, sedangkan untuk pos hujan Kabul sebesar 7,08%. Dari
hasil analisis regresi dan korelasi, data hujan setelah diuji/diperbaiki tidak dapat
memperbaiki/meningkatkan koefisien korelasi antar parameter hujan dan debit AWLR
(Automatic Water Level Recorder). Hal ini diperlihatkan dengan tidak berubahnya nilai koefisien
korelasi secara signifikan, bahkan ada kecenderungan nilai koefisien korelasinya menurun.
Kata kunci : data hujan, uji validasi, perbaikan data, regresi, koefisien korelasi
PENDAHULUAN
Ketersediaan data dan informasi hidrologi yang memadai, akurat, tepat waktu
dan
berkesinambungan sudah menjadi tuntutan mendesak untuk dapat segera diwujudkan, sebagaimana
yang diamanatkan dalam Undang-Undang Sumber Daya Air No. 7 Tahun 2004. Namun
kenyataannya, hingga saat ini kualitas data hidrologi yang ada dapat dikatakan secara umum masih
rendah, padahal analisis pendugaan parameter hidrologi dengan data curah hujan akan semakin baik
jika data curah hujan tersebut lengkap dan akurat. Akan tetapi, dalam praktek sering dijumpai data
tidak lengkap karena adanya kekosongan/kehilangan data hujan. Hal ini disebabkan antara lain
karena kerusakan alat, kelalaian petugas, penggantian alat, pemindahan lokasi alat, bencana dan
pengrusakan. Dalam proses pengumpulan data hujan, pada umumnya data dikumpulkan dari
lapangan oleh para petugas, kemudian dipindahkan kedalam formulir baku yang telah disediakan.
Dengan mengikuti prosedur tersebut dan juga karena sebab-sebab lainnya sering terjadi data hujan
tidak terekam, atau hilang/rusak, sehingga data hujan pada hari tertentu tidak diketahui. Jika hal
seperti ini terlalu sering terjadi akan sangat merugikan dan hal inilah yang kadang-kadang digunakan
sebagai salah satu alasan untuk tidak menggunakan data di stasiun tersebut secara keseluruhan
dalam analisis (Anonim, 2004; Fitri 2009 dan Lestari, 2009). Tanpa disadari bahwa dengan
berkurangnya jumlah stasiun dalam analisis justru akan mengundang kesalahan lain.
Oleh karena itu, untuk mengurangi kesalahan analisis karena adanya data yang rusak/hilang,
perlu dilakukan analisis uji validasi serta melakukan pengisian dan/atau perbaikan terhadap
sekumpulan data hujan pada suatu pos hujan yang mengalami kerusakan/hilang. Metode yang
* Jurusan Teknik Sipil Fakultas Teknik Universitas Mataram Jl. Majapahit 62 Mataram
140
digunakan untuk uji validasi data hujan mencakup uji konsistensi menggunakan log Pearson III, uji
trend dan homogenitas menggunakan peringkat Spearman serta uji persistensi menggunakan
koefisien serial Spearman. Sedangkan metode rantai Markov digunakan untuk mengisi/memprediksi
data, jika data hujan hilang dan memperbaiki data jika data invalid. Pemilihan metode-metode tersebut
dengan pertimbangan kelengkapan kandungan faktor dan memiliki kesederhanaan serta kemudahan
dalam penggunaannya.
Lokasi studi uji validasi dan perbaikan data hujan adalah DAS Dodokan di Sub Wilayah Sungai
2
(Sub WS) Dodokan, Pulau Lombok. Sub WS Dodokan dengan luas 1.908 km terdiri dari 16 Daerah
2
Aliran Sungai (DAS) dengan kisaran luas 22,89 sampai dengan 581,40 km (Dinas Kimpraswil, 2006).
2
Salah satunya adalah DAS Dodokan dengan luas terbesar yaitu 581,40 km dan terdiri dari 2 buah
sungai utama, yaitu Sungai Dodokan dan Sungai Dalem. Cakupan DAS Dodokan yaitu sebagian
besar Kabupaten Lombok Barat dan Kabupaten Lombok Tengah dan seluruh Kota Mataram.
Besarnya curah hujan tahunan antara 836 mm di bagian selatan sampai 2500 mm di bagian utara
(Balai Hidrologi, 2004 dan Fitri, 2009). Pada Gambar 1 disajikan peta lokasi studi di DAS Dodokan,
sedangkan pada Tabel 1 disajikan pos hidroklimatologi yang ada didalamnya.
ARR Kuripan
(a)
Pengga
ARR Kabul
Mataram
Batujai
DAS
Dodokan
(b)
(c)
Gambar 1. Peta lokasi studi di Pulau Lombok (a dan b), sedangkan (c) peta Sungai Dalem dan
Dodokan di DAS Dodokan serta pos hidroklimatologi di dalamnya (sumber : Balai
Hidrologi, 2004).
TINJAUAN PUSTAKA
Uji Validasi Data Hujan
Jika suatu alat penakar hidrologi di lapangan dapat dikategorikan layak ukur, maka proses
selanjutnya adalah memastilkan validitas data secara statistika hidrologi. Jika data yang digunakan
belum valid, bagaimana upaya yang harus dilakukan untuk membuktikan bahwa data tersebut dapat
141
dikatakan valid. Selama ini pengujian hanya dilakukan sebatas untuk membuktikan bahwa data
homogen. Namun, sebenarnya sifat data harus dipandang secara menyeluruh, sehingga layak
digunakan dalam analisis hidrologi terapan (Anonim, 2004).
Tabel 1. Daftar pos hidroklimatologi yang ada di DAS Dodokan
No
1.
2.
Sungai utama
Dodokan
Dalem
Panjang data
Keterangan
10 tahun (1999-2008)
Pengga (CR)
25 tahun (1984-2008)
tidak digunakan
12 tahun (1992-2003)
10 tahun (1999-2008)
12 tahun (1992-2003)
Sumber : Balai Hidrologi (2004), Lestari (2009), Fitri (2009), diolah 2010
Pelczer dan Cisneros-Iturbe (2007) dari Universitas Nasional, Mexico, Menggunakan artificial
intelligence (metode kecerdasan buatan ) untuk melakukan validasi dan prediksi data hujan dengan
hasil berupa analisis frekuensi hujan terkoreksi dengan kala ulang 20 tahun. Abaje et al (2010) dari
Kaduna State, Nigeria, melakukan penelitian tentang anomali trend data hujan bulanan selama 35
tahun. Pengamatan yang dilakukannya menggunakan metode statistik (rerata, deviasi, koefisien
skweness, koefisien kurtosis dan koefisien variasi). Hasilnya menyimpulkan bahwa deklinasi dan
terjadi anomali pada bulan musim hujan, yaitu Juli sampai Oktober. Fitri (2009) melakukan studi
tentang pengisian data hujan yang rusak/hilang di Pulau Lombok menggunakan 2 metode yaitu :
normal ratio method dan reciprocal method. Normal ratio method adalah cara mengisi atau
memperbaiki data hujan suatu pos berdasarkan data hujan beberapa pos terdekat disekitarnya dalam
durasi waktu yang sama. Sedangkan reciprocal method adalah metode perbandingan hasil kali data
hujan dan jarak antar pos hujan terhadap seper-kuadrat jarak antara pos referensi dan pos uji. Uji
konsistensi yang dilakukan terhadap data hujan tersebut menggunakan 2 metode, yaitu : uji RAPS
(Rescaled Adjusted Partial Sums) dan DMC (Double Mass Curve). Deidda (2010) menggunakan
metode multiple statistik untuk membuat garis trend dan regresi pada deret berkala dari sekumpulan
data hujan. Hasilnya digunakan untuk memprediksi data hujan pada tahun-tahun mendatang pada
wilayah setempat yang digunakan untuk lokasi studi. Mazvimavi (2010), melakukan uji validasi data
hujan bulanan dan tahunan menggunakan the Mann-Kendall test untuk mencari penyimpangan
terhadap rentetan data hujan observasi pada 40 stasiun hujan sepanjang tahun 1892 - 2000.
Diperoleh regresi dengan nilai R sangat rendah (<0.1), sehingga disimpulkan bahwa data dengan
panjang pengamatan yang cukup akan mempunyai variansi cukup besar juga. Stampone et al (2011)
dari Uganda, Africa, melakukan penelitian yang menyatakan bahwa distribusi hujan sangat bervariasi
dan sangat dipengaruhi oleh musim, geografis dan kondisi meteorologis setempat.
Uji Secara Statistik Hidrologi
Data dapat dikatakan valid jika memenuhi beberapa kriteria (Soemarto, 1987), yaitu bahwa data
itu berada dalam range, tidak mempunyai trend, homogen dan bersifat acak. Jika data tidak
memenuhi kriteria tersebut, maka diperlukan langkah penyesuaian/perbaikan. Demikian pula jika
terjadi data hilang, maka diperlukan upaya pengisian data. Untuk menjadikan kondisi data yang invalid
menjadi valid diperlukan proses perhitungan yang rumit dan langkah iterasi, namun tetap dalam
142
koridor batas kepercayaan. Rumus-rumus yang digunakan dalam uji validasi data hujan adalah
sebagai berikut.
a) Rumus log Pearson III untuk uji konsistensi
log Xab = log X S.k......................................................................(1)
dengan
Xab = nilai batas atas (X,) dan batas bawah (Xb) yang diperkenankan
X
= deviasi standar
= koefisien log Pearson III (fungsi dari koefisien kemencengan dan batas kepercayaan)
KP 1
6 dt 2
i 1
3
.........................................................................(2)
n n
1
n 2 2 .........................................................................(3)
t KP
2
1 KP
dengan
KP
dt
= Rt Tt
Rt
Tt
= peringkat waktu
n1 S12 n2 1 .........................................................................(4)
n2 S 2 2 n1 1
dengan
n1
S1
n2
S2
2
6 di
...................................................................(5)
KS 1 i 1 3
m m
143
m 2 2 .......................................................................(6)
t KS
2
1 KS
dengan
KS
di
e) Rumus rantai Markov untuk pembangkitan data hujan yang rusak/hilang, yaitu :
Xi = . Xi-1 + (1-). X + S . z (1- ) ......................................................(7)
2 1/2
dengan
Xi
Xi-1
= bilangan acak yang harus ditransformasi dari bilangan acak uniform (komputer)
METODOLOGI PENELITIAN
Secara garis besar, ada 3 kegiatan utama dalam pelaksanaan analisis ini, yaitu uji validasi
terhadap data hujan, perbaikan terhadap hasil uji, dan verifikasi/kontrol terhadap data debit observasi
(AWLR). Metode untuk melakukan verifikasi/kontrol terhadap data debit observasi digunakan
persamaan regresi linier dan koefisien korelasi sebagai indikator tingkat hubungan antar 2 variabel
atau lebih (Kustituanto, 1984). Secara umum pelaksanaan kegiatan analisis uji validasi dan perbaikan
data hujan, ditampilkan dalam bentuk bagan alir pelaksanaan kegiatan seperti yang disajikan pada
Gambar 2 di bawah ini.
ANALISIS DAN PEMBAHASAN
Uji Validasi dan Perbaikan Data Hujan
Dari hasil pengumpulan data pos hidroklimatologi di DAS Dodokan (seperti tercantum pada Tabel 1
diatas), didapatkan 4 buah pos hujan dan 2 buah pos debit (AWLR). Pos tersebut yaitu 2 pos hujan
(Pengadang dan Kuripan) dan 1 Pos debit Karang Makam terdapat di Sub DAS Sungai Dalem serta 2
pos hujan (Kabul dan Rembitan) dan 1 Pos AWLR Karang Anyar di DAS Dodokan. Uji dilakukan
terhadap data hujan dengan interval waktu setengah bulanan pada Pos Kuripan dan Kabul dengan
durasi data masing-masing pos selama 10 tahun (tahun 1999 s/d 2008). Pada Tabel 2 di bawah,
disajikan data hujan yang ada di Pos Kuripan selama 10 tahun, sedangkan untuk data Pos Kabul
disajikan pada lampiran.
144
Mulai
Uji Data :
1. Uji Konsistensi
2. Uji Trend
3. Uji Stasioner
4. Uji Persistensi
Pengisian dan
perbaikan data
Ya
Hasil uji :
data valid ?
Tidak
Data bisa
diperbaiki ?
Tidak
Ya
Analisis regresi dan korelasi data hujan
vs data aliran/debit
a. data asli vs data aliran,
b. data hasil perbaikan vs data aliran
Selesai
Gambar 2. Bagan alir metode pelaksanaan kegiatan uji validasi dan perbaikan data hujan.
Pada tabel tersebut terlihat ada beberapa data yang hilang/rusak sehingga diberi notasi N/A. Uji
yang dilakukan meliputi uji konsistensi, trend, homogenitas dan persistensi, dengan menggunakan
persamaan (1) sampai dengan (6) seperti disebutkan pada Tinjauan Pustaka. Urutan/langkah
perhitungan uji validasi dan perbaikan dijelaskan sebagai berikut. Semua data diuji dan akan
mempunyai persen kesalahan tertentu, kemudian setelah diuji akan dilakukan perbaikan terhadap
data yang bersifat outlier serta pengisian terhadap data yang kosong atau bernotasi N/A. Rumus
Rantai Markov pada persamaan (7) digunakan untuk proses perbaikan/pengisian data hujan hasil uji.
Kemudian setelah proses pengisian/perbaikan, data akan diuji lagi hingga didapatkan tingkat
kesalahannya mendekati 0%. Untuk mempermudah dan mempercepat hitungan uji validasi dan
perbaikan/pengisian data ini digunakan fasilitas macro-VBA (Visal Basic for Application) yang terdapat
pada Microsoft Excel. Rekapitulasi prosentase bobot perbaikan data hujan untuk tiap setengah
bulanan, baik dari Pos Kuripan maupun Kabul disajikan pada Tabel 3. Sedangkan rekapitulasi data
hujan hasil pengujian dan pengisian/perbaikan data hujan ditabelkan pada Tabel 4 untuk Pos Kuripan.
Perbandingan data hujan observasi/asli dengan data hujan hasil pengisian/perbaikan disajikan secara
grafik pada Gambar 3 dan Gambar 4 (kedua pos ARR diwakili oleh data tahun 1999 dan 2000).
Grafik-grafik tersebut hanya merupakan representasi dari keseluruhan data hujan baik dari Pos
145
Kuripan atau Kabul yang diuji dan mengalami perbaikan data. Hampir semua data dari kedua pos
tersebut menunjukkan bentuk pola perbaikan data seperti yang terlihat pada Gambar 3 dan 4.
Tabel 2 data hujan observasi pos ARR Kuripan sepanjang 10 tahun (mm)
Feb
Maret
Apr
Mei
Juni
Juli
Agust
Sept
I
II
I
II
I
II
I
II
I
II
I
II
I
II
I
II
I
II
2 55 148 41 59 278 45 59 57
0
0 39
1
9 11
0
0 63
1999
0 38
0
0
2
0
0
0
2000 210 124 113 38 259 133 176 181 36 65
9 30 75 65 29 19 43 32 13
0 64
0 14
1
0
2001 155 36 91
0 129 119 166 16 17
0 58 75 16
0 11 73
2 22
2002 85 17 50
5
0 NA
3 NA
4 NA 15
2003 85 45 34 114 72 204 36 90 40
8 26 NA
6
1
0 41 23
2004 128 122 94 84 12 28 54 46 22 39
2005 91 68 NA NA NA NA 62 43 13 52 NA NA
2
0 NA NA
1 29
0 39
0
5 NA NA
7
0
2006 51 128 41 76 69 128 75 80 23 37
4 137 92 15 191 48 24
3 12
0
1
0
0
2007 76 51 128 47 111
3 29 70
0
0
0
0
1
1
0 46
2008 69 38 61 89 37 46 52
Sumber
: Balai Hidrologi,
2004, Fitri (2009), dan Lestari (2009)
sumber
: BISDA-NTB,
2009
Tahun
Jan
Okt
Nov
Des
I
II
I
II
I
II
19 14 221 159 116 162
29 41 177 166 29
1
37 141 33 172 106 15
15 46
3 85 74 91
3
0 14 280 85 157
8
0 13 195 159 203
0 11 14 81 97 190
48
0 46 35 171 120
8 52 120
7 169 186
14 71 25 75
4 64
NA = data hilang
Tabel 3 Bobot perbaikan hasil uji validasi data hujan periode setengah bulanan (dalam %)
No
Pos ARR
Januari
Februari
Maret
April
Mei
Juni
1.
Kuripan
20
10
10
20
20
20
10
30
100
20
2.
Kabul
10
10
10
10
10
10
20
10
10
No
Juli
Pos ARR
Agustus
September
Oktober
November
Desember
1.
Kuripan
30
10
30
30
20
10
10
10
10
20
2.
Kabul
10
10
10
10
20
10
Setelah dilakukan uji validasi, hampir 83,33% data hujan pos ARR Kuripan mengalami perbaikan,
sedangkan pos ARR Kabul 62,50% data mengalami perbaikan. Bobot perbaikan rerata data hujan pos
Kuripan sebesar 18,33% dengan bobot perbaikan tertinggi sebesar 100% terjadi pada bulan Juni-1.
Sedangkan untuk pos hujan Kabul bobot perbaikan rerata sebesar 7,08% dengan bobot perbaikan
tertinggi sebesar 20% terjadi pada bulan April-2 dan Nov-1. Bobot perbaikan 0% hanya terjadi selama
3 periode untuk Pos Kuripan, sedangkan Pos Kabul lebih baik lagi yaitu 9 periode. Bobot perbaikan
0% berarti kondisi data hujan observasi sebelum dan setelah diuji adalah valid, sehingga tidak ada
perbaikan akibat kerusakan data maupun pengisian akibat data kosong/hilang. Bobot perbaikan 100%
hanya terjadi 1 periode saja di Pos Kuripan yaitu pada periode Juni-1, yang berarti bahwa data tidak
valid karena mengalami kerusakan 100% dan/atau data hujan hilang/kosong.
Perbaikan yang terjadi pada hampir semua data hujan bisa disebabkan oleh beberapa faktor (Sri
Harto, 1993), yaitu : kesalahan pengamatan dalam menuliskan data, kerusakan mekanik alat, kondisi
lingkungan yang kurang memenuhi kriteria untuk penempatan pos hujan, penggantian dan
pemindahan alat, serta adanya gangguan lain yang disebabkab oleh binatang buas ataupun manusia.
Tabel 4 Data hujan hasil uji validasi dan perbaikan/pengisian data di pos Kuripan (mm)
Tahun
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
Jan
Feb
Maret
Apr
I
II
I
II
I
II
I
II
130 55 148 41 59 278 45 59
60 124 113 38 259 133 176 21
155 36 91
9 30 75 65 29
85 60 50
7 129 119 166 16
85 45 34 114 72 204 36 90
128 122 94 84 12 28 54 46
91 68 30 11
0 27 62 43
51 128 41 76 69 128 75 80
76 51 128 47 111 95 137 92
69 38 61 89 37 46 52 21
sumber
: BISDA-NTB
dengan
analisis validasi, 2010
Sumber
: hasil (2009)
analisis,
2010
Mei
Juni
I
II
I
II
25 197 28 39
36 65 65 38
19 43 43 13
17 33 192 75
40 44 19 38
22 39 39 26
13 52 52 33
23 37 37 39
15 191 191 24
29 70 70
0
Juli
I
II
1
0
0
2
0
2
2
0
3
0
9
0
1
0
3
6
0
5
12
0
Agust
I
II
11
0
2
0
0 14
11
0
4
0
1
0
8
9
0
0
0
1
1
1
Sept
I
II
0 63
0
0
1
0
2 22
1 15
6 23
1 29
7
0
0
0
0 46
Okt
Nov
Des
I
II
I
II
I
II
19 14 221 159 116 162
29 41 177 166 29 65
37 141 33 172 106 212
15 46 12 85 74 91
3
0 14 280 85 157
8
0 13 195 159 203
3 11 14 81 97 190
48
0 46 35 171 120
8 52 120 36 169 186
14 71 25 75 44 64
300
300
hujan (mm)
hujan (mm)
146
250
250
200
200
150
150
100
100
50
50
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
data asli
rekomendasi
data asli
rekomendasi
(a).
(b).
400
300
hujan (mm)
hujan (mm)
Gambar 3. Hasil uji dan perbaikan data hujan Stasiun Kuripan: (a) tahun 1999 dan (b) tahun 2000
350
300
250
250
200
150
200
150
100
100
50
50
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
data asli
rekomendasi
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
data asli
rekomendasi
(a).
(b).
Gambar 4. Hasil uji dan perbaikan data hujan Stasiun Kabul: (a) tahun 1999 dan (b) tahun 2000
147
diuji dan mengalami perbaikan/pengisian. Demikian juga analog untuk Gambar 6a dan Gambar 6b,
yaitu korelasi data hujan pos ARR Kabul dengan data debit pos AWLR Karang Anyar.
Untuk pos Kuripan, pada Gambar 5a hasil regresi untuk data hujan sebelum diuji dan diperbaiki
memiliki persamaan regresi y = 0.0177x + 1.879, mengandung pengertian bahwa hujan yang terjadi
akan dialihragam menjadi aliran di sungai sebesar 1,77% saja, sedangkan sisanya akan menjadi
parameter lainnya (seperti evaporasi, infiltrasi, perkolasi dan air tanah). Koefisien korelasi (R) data
hujan pos Kuripan terhadap data debit AWLR Karang Makam sebesar 0,6292, mempunyai keterikatan
hubungan antar parameter yang cukup baik. Pada Gambar 5b hasil regresi data hujan setelah diuji
dan diperbaiki memiliki persamaan regresi y = 0.0152x + 1.924, dengan koefisien korelasi (R) sebesar
0,5689, artinya mempunyai keterikatan hubungan antar parameter yang kurang baik. Demikian pula
hasil analisis pos Kabul yang ditabelkan di Lampiran (Tabel A s.d Tabel C) dan disajikan secara grafis
pada Gambar 6a dan 6b. Koefisien korelasi (R) data hujan Pos Kabul terhadap data debit AWLR
Karang Anyar sebelum diuji sebesar 0,7206 dengan persamaan y = 0.0678x + 3.615. Setelah diuji
diperoleh koefisien korelasinya sebesar 0,7212 dengan persamaan y = 0.0677x + 3.7569. Dilihat dari
persamaan regresi dan koefisien korelasinya, setelah diuji ternyata tidak mengalami perubahan yang
signifikan, baik data hujan sebelum ataupun setelah diuji/diperbaiki, akan tetapi hasil ini lebih baik
dibandingkan dengan data hasil uji dari Pos Kuripan terhadap data debit AWLR Karang Makam. Hal
ini bisa terjadi dimungkinkan karena beberapa faktor, yaitu kesalahan pengamatan dan pencatatan
(human error), kerusakan mekanik alat, kondisi lingkungan yang kurang memenuhi syarat dan faktor
topografi.
3
Tabel 5 Data debit AWLR Karang Makam, Sungai Dalem, DAS Dodokan (m /detik)
1992
JAN
I
II
3.13 3.13
PEB
MAR
APR
MEI
JUN
JUL
AGT
SEP
OKT
NOP
DES
I
II
I
II
I
II
I
II
I
II
I
II
I
II
I
II
I
II
I
II
I
II
1.29 2.25 3.62 2.67 4.50 1.84 0.61 3.55 1.09 0.48 1.01 0.21 0.26 0.22 0.60 1.49 1.89 2.09 2.05 8.79 4.53 1.43
1993
2.45
5.87
6.88
1.19 2.17 1.23 2.05 1.81 2.27 0.97 1.85 2.04 1.26 0.54 0.15 0.58 0.21 0.03 0.64 0.25 0.49
1994
1.77
3.87
3.10
3.70 6.03 3.60 1.68 1.50 0.57 0.33 0.32 0.15 0.26 0.23 0.35 0.18 0.05 0.05 0.01 0.00 0.02
1995
2.80
3.86
6.73
2.80 3.75 4.62 4.66 2.96 1.07 1.21 0.91 0.95 0.85 0.50 0.65 0.13 0.11 0.17 0.17 0.16 2.43
1996
1997
0.67
0.81
1.95
1.02
3.76 4.81 3.28 1.53 1.59 2.28 0.76 0.55 0.33 0.20 0.21 0.08 0.28 0.19 0.23 0.12 0.06 0.42 0.31
1.12 10.76 1.52 0.22 1.89 1.51 3.49 0.31 0.86 0.27 0.62 0.26 0.20 0.09 0.10 0.11 0.06 0.06 0.09
1998
2.18
2.44
3.28
2.48 3.24 2.97 5.96 4.23 2.58 1.93 2.03 2.94 3.32 2.63 2.78 1.73 1.59 3.78 3.57 2.79 6.23
1999
4.23
5.81
5.63
4.45 3.87 3.81 4.20 2.88 2.82 1.75 1.88 2.09 1.91 1.81 2.23 1.57 1.53 1.59 1.82 2.79 7.76
2000
3.55
4.64
4.36
2.69 5.42 6.32 4.87 4.37 2.83 3.19 1.92 1.97 1.60 1.34 1.36 1.26 1.18 0.80 0.88 2.55 6.47
2001
5.25
3.04
4.28
2.56 3.15 3.08 4.31 5.21 1.79 1.76 2.95 2.37 1.63 6.18 2.30 1.37 1.21 1.11 1.94 4.48 2.04 34.60 8.54 2.81
2002
4.74 25.21
2.62 28.02 3.81 7.07 4.48 5.25 2.78 1.52 1.46 1.17 1.04 0.88 0.87 0.83 0.80 0.80 0.79 0.60 0.65
2003
6.06
3.59
TAHUN
4.85
4.00 3.52 2.39 2.11 2.18 1.83 1.33 1.09 1.40 1.49 1.38 1.34 1.25 1.74 1.17 1.20 0.92 0.75
debit (m3/det)
debit (m3/det)
9
8
7
6
5
4
9
8
7
6
5
4
3
3
2
y = 0.0177x + 1.8785
R2 = 0.3959
y = 0.0152x + 1.9244
R2 = 0.3236
1
0
0
0
50
100
150
(a).
200
250
300
hujan (mm)
50
100
150
200
250
300
hujan (mm)
(b).
Gambar 5. Grafik korelasi data hujan Stasiun Kuripan dengan debit Sungai Dalem di AWLR Karang
Makam: (a) dengan data hujan asli, dan (b) data hujan hasil uji/perbaikan.
debit (m3/det)
debit (m3/det)
148
35
30
25
20
35
30
25
20
15
15
10
10
y = 0.0678x + 3.6152
R2 = 0.5192
0
0
50
100
150
200
250
300
350
y = 0.0677x + 3.7569
R2 = 0.5201
400
50
100
150
200
250
300
350
(a).
400
hujan (mm)
hujan (mm)
(b).
Gambar 6. Grafik korelasi antara data hujan Stasiun Kabul dengan debit Sungai Dodokan di AWLR
Karang Anyar: (a) dengan data hujan asli, dan (b) data hujan hasil uji/perbaikan.
DAFTAR RUJUKAN
Abaje, I.B., Ishaya, S and Usman, S.U., 2010, An Analysis of Rainfall Trends In Kafanchan,
Kaduna State, Nigeria, Environmental and Earth Sciences 2(2), pp. 89-96.
Anonim, 2004, Laporan Akhir : Penyusunan Model Hujan Aliran, Balai Hidrologi, Dinas
Pengairan, Provinsi Nusa Tenggara Barat.
149
Anonim, 2006, Laporan Akhir : Studi Role Sharing PSDA Berbasis Wilayah Sungai Lintas
Kabupaten/Kota Khusus Wilayah Sungai Dodokan SWS Lombok, Dinas Permukiman Dan Prasarana
Wilayah, Provinsi Nusa Tenggara Barat.
Deidda, R., 2010, A multiple Threshold Method For Fitting The Generalized Pareto Distribution
to Rainfall Time Series, Hydrology Earth System Science, Vol. 14, pp. 25592575,
Fitri, I.D., 2009, Analisis Pengisian Kekosongan Data Hujan Di DAS Babak, Renggung dan
Dodokan, Tugas Akhir S-1 Pada Jurusan Teknik Sipil Fakultas Teknik Universitas Mataram, Tidak
Dipublikasikan.
Kustituanto, B., 1984, Statistik Analisa Runtut Waktu dan Regresi-Korelasi, BPFE dan LMP2M
AMP YKPN, Yogyakarta.
Lestari, S., 2009, Analisis Perhitungan Hujan Rerata Wilayah Di Pulau Lombok, Tugas Akhir
S-1 Pada Jurusan Teknik Sipil Fakultas Teknik Universitas Mataram, Tidak Dipublikasikan.
Mazvimavi, D., 2010, Investigating Changes Over Time Of Annual Rainfall In Zimbabwe,
Hydrology and Earth System Sciences, Vol 14, pp. 26712679.
Pelczer, I. and Cisneros-Iturbe H.L., 2007, Automated Validation Of Data From A Rainfall
Network, Instituto de Ingeniera, Universidad Nacional Autnoma de Mxico.
Soemarto C.D., 1987. Hidrologi Teknik, Usaha Nasional, Surabaya.
Sri Harto, 1993, Analisis Hidrologi, PT. Gramedia Pustaka Utama Jakarta.
Stampone, M.D., Artter, J.H., Chapman, C.A and Ryan, S.J., 2011, Trends and Variability In
Localized Precipitation Around Kibale National Park, Uganda, Africa, Journal of Environmental and
Earth Sciences 3 (1), pp. 14-23, 2011.
150
Lampiran
Jan
Juli
I
II
0
0
0
0
0
0
48
0
28
0
0
0
0
0
9
0
0
0
5
0
Agust
I
II
0
0
0
7
0
0
0
0
0
0
0
0
0 30
0
0
5
1
1
2
Sept
Okt
Nov
Des
I
II
I
II
I
II
I
II
0
0 40 113 118 158 195 19
0
0 114 17 273 170 65 53
0
0
0
0 31 77 34 21
0
0
0
0
1 139 130 72
0
0 10 80 82 153
87 50
0
0
0
0 41 146 39 162
0 11 10 59
0 76 133 100
0
0 58
0 14
9 86 19
0
0
0
8 49
0 25 92
0 14
0
4 35 20 48 27
Tabel B Data hujan hasil uji validasi dan perbaikan pos hujan (ARR) Kabul (mm)
Tahun
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
Jan
I
II
173 340
108 250
192 114
84 128
85 63
274 69
43 19
168 171
77 521
57 56
Feb
I
II
307 166
102 109
62 28
261 151
46 67
25 90
99 10
43 188
66 10
124 25
Maret
I
II
107 331
115 149
60 98
57 175
61 21
60 36
98 84
160 178
55 30
150 167
Apr
I
II
100 89
119 66
102 78
119 66
63
4
5 112
107 11
85 136
130 79
100
3
Mei
I
II
0
1
27
0
12
0
0
8
0
4
0
59
10
0
0
48
48
12
54
11
Juni
II
0
0
0
0
5
0
0
0
4
0
0
0
0 38
0 57
0
8
0
0
Juli
I
0
0
0
0
0
0
26
0
28
0
II
0
0
0
0
5
0
0
0
5
0
Agust
I
II
0
0
0
7
0
0
0
0
0
0
0
0
0
8
0
0
5
1
1
2
Sept
Okt
I
II
I
II
0
0 40 113
0
0 114 17
0
0
0
0
0
0
0
0
6
0
0
87
0
0
0
0
0 11 10 59
0
0 58
0
0
0
0
8
0 14
0
4
Nov
Des
I
II
I
II
118 158 195 19
273 170 65 53
31 77 34 21
106 139 130 72
10 80 82 153
41 146 39 162
216 76 133 100
14
9 86 19
49 23 25 92
35 20 48 27
sumber
: BISDA-NTB
(2009)2010
dengan analisis validasi, 2010
Sumber
: hasil analisis,
Tabel C Data debit AWLR Karang Anyar, Sungai Dodokan, DAS Dodokan (m /detik)
1992
JAN
PEB
MAR
APR
I
II
I
II
I
II
I
II
20.76 52.79 28.13 24.03 65.07 43.43 46.83 19.37
1993
4.64
3.94
7.34
4.07
5.09
5.75
6.34
3.54
3.40
3.87
2.77
1994
3.29
2.83
2.96
3.11
2.61
3.06
3.21
3.34
3.25
3.13
2.55
2.42
2.36
1995
7.10
5.27
9.16
7.80
4.17
3.89
3.09
2.57
2.52
4.84
TAHUN
MEI
I
II
3.85 20.83
9.64 15.26
JUN
I
II
5.64 3.38
JUL
I
II
7.33 6.13
AGT
I
II
9.95 4.58
SEP
OKT
I
II
I
II
5.61 14.68 27.26 26.93
NOP
DES
I
II
I
II
9.98 44.41 30.04 7.12
3.41
5.21
3.74
1996
6.48
7.62 14.40
4.20
5.57
5.73
3.41
3.86
3.47
8.04
4.30
3.47
3.29
3.31
4.51
4.36
8.57 28.90
4.79
1997
1.84
8.54
1.22 31.62
1.53
9.44
2.12
8.59
2.45
1.53
0.83
0.85
0.79
0.75
0.86
0.98
1.18
1.37
3.95
0.90
1998
1.83
1.83
1.83
3.83
1.68
2.42
2.88
8.23 19.51
0.07
0.18
0.14
0.26
0.12
0.15
1.83
1.95
1.83
1.83
5.33
3.73
2.29
2.21
2.72
1.63
3.12
1.94
1.30
0.59
0.62
0.69
1.25
2.70
7.10
7.56 21.29
9.10
2.82
2.87
2.53
2.14
3.72
2.00
1.19
9.29
9.15
5.34 10.10
6.12
4.88
5.64
2.11
0.96
0.36
0.17
0.17
7.24
6.18
3.37
3.26
3.07
2.94
2.35
2.35
2.35
2.35
2.35
2.76
4.98
6.29
5.31
3.86
3.77
2.94
2.94
2.99
2.94
2.94
4.46
3.29
2.25
4.98
1999
2000
5.52
2001
2002
7.33
7.00
4.56
6.40
6.36
2.16
6.60 15.96
2.22
5.15
3.63
7.04
3.99 10.34
3.26
5.23
8.35
9.53 17.04