1. 1
PEMODELAN PREDIKSI DEBIT HARIAN
YANG MASUK BENDUNGAN SENGGURUH
Nama Mahasiswa : Mahmudi
NRP : 3107 205 715
Pembimbing : Ir. Soetoyo M.Sc.
Dr. Ir. Edijatno,PHD.DEA.
ABSTRAK
Debit harian yang masuk Bendungan Sengguruh sangat penting dalam pengelolaanya dimasa
sekarang maupun akan datang, salah satu sisi penting dari potensi debit tersebut adalah untuk
Pembangkit Listrik Tenaga Air (PLTA) sedangkan manfaat Bendungan Sengguruh untuk
menjaga umur ekonomis Waduk Sutami. Kondisi berubahnya tata guna lahan ditambah dengan
dampak perubahan iklim global sangat mempengaruhi kondisi hidrologi DAS Brantas hulu
sehingga mempengaruhi kuantitas potensi debit tersebut. Mengingat pentingnya debit harian yang
masuk Bendungan Sengguruh, dimasa mendatang diperlukan suatu pemodelan prediksi debit
harian yang masuk Bendungan Sengguruh yang mampu memprediksikan perilaku dari suatu
rangkaian data debit. Perbedaan time lage (Tn ) atau variabilitas data curah hujan harian mungkin
akan mempengaruhi kinerja model prediksi debit harian yang dihasilkan.
Penelitian diawali dengan studi literatur dan mengumpulkan data-data curah hujan harian
dibeberapa stasiun pengamatan curah hujan harian di DAS Brantas hulu, dalam hal ini stasiun
Bendungan Sengguruh. Data-data yang diperoleh digunakan sebagai input dalam membangun
model prediksi. Pemilihan variabel input yang berpengaruh terhadap variabel output dilakukan
menggunakan analisa korelasi. Metode peramalan menggunakan data driven model yaitu M5
Model Tree, dimana proses pembelajarannya (learning) menggunakan program bantu Weka
Knowledge Explore. Uji Kelayakan performa model melalui uji verifikasi atau test split.
Hasil analisa M5 Model Tree yang terpilih untuk prediksi debit harian yang masuk Bendungan
Sengguruh saat pembelajaran model terpilih, menghasilkan nilai performa terbaik nilai RMSE
(Root Mean Square Error) = 10.55. Saat verifikasi model 3 P_BR nilai RMSE = 11.98 dengan
jumlah persamaan regresi 6 (pruning = 2).
Kata kunci : Model Prediksi,RMSE, M5 Model Tree.
2. 2
BAB I
PENDAHULUAN
1.1. Latar Belakang
Bendungan Sengguruh terletak di desa Sengguruh
Kecamatan Kepanjen Kabupaten Malang, tepatnya 24 km
di selatan Kota Malang. Pada Studi Pola Pengelolaan
Sumber Daya Air (2010) oleh Balai Besar Wilayah Sungai
Brantas Umum Direktorat Jenderal Sumber Daya Air
Kementerian Pekerjaan Umum mempunyai fungsi dan
manfaat sebagai Pembangkit Listrik Tenaga Air (PLTA)
Sengguruh dan menjaga umur ekonomis Waduk Sutami.
Lokasi penelitian dapat dilihat pada Gambar 1.1.
Sub-DAS yang mempengaruhi potensi air yang
masuk Bendungan Sengguruh adalah Sub-DAS Kali
Brantas Hulu dan Sub-DAS Kali Lesti, keduanya bila di
gabung adalah DAS Brantas Hulu. DAS Brantas Hulu
memiliki volume potensi air permukaan sebesar 1.526 m3
milyar pertahun atau dengan debit rata – rata pertahun
48,405 m3/dt. Jenis tata guna lahan yang terdapat pada
DAS Brantas Hulu adalah hutan, tegalan, sawah irigasi,
perkebunan dan permukiman dengan persentase tertinggi
adalah sawah irigasi dan perkebunan. Meningkatnya
kebutuhan lahan yang sangat pesat menyebabkan banyak
lahan yang kemampuannya tidak sesuai untuk tujuan
pertanian yang diubah menjadi daerah pertanian tanpa
melakukan konservasi tanah dan air dengan baik. Dengan
perubahan tataguna lahan tersebut ditambah lagi perubahan
iklim dunia yang semakin buruk sehingga kedepan bisa
memperparah potensi air permukaan yang terdapat di alam
ini khususnya pada DAS Brantas Hulu. Dari data bahwa
volume air permukaan sulit untuk dipertahankan
kuantitasnya, hal tersebut dapat diketahui data Japan
International Consultants Association (JICA) pada akhir
tahun 2005 untuk sisa tampungan Bendungan Sengguruh
kurang lebih sebesar 2,32 juta m3
atau ± 25 %. dari total
awal 21.5 juta m3
.
Kondisi tata guna lahan tersebut di atas tentunya
sangat mempengaruhi kondisi aliran permukaan (surface
run- off ) yang ada di DAS Brantas Hulu sehingga untuk
mengetahui besaran aliran permukaan dari hujan menjadi
debit yang masuk Bendungan Sengguruh perlu
dianalisa
dalam simulasi prediksi debit harian yang masuk
Bendungan Sengguruh
3. Mengevaluasi akurasi performa model terpilih untuk
prediksi debit harian yang masuk Bendungan
Sengguruh.
hubunganantara curah hujan harian di DAS Brantas Hulu
dengan debit harian yang masuk di Bendungan Sengguruh.
Untuk menganalisa prediksi debit harian tersebut perlu
adanya suatu data yang akurat dan se-real time mungkin
sangat diperlukan dalam penelitian ini. Data- data yang
dimaksud adalah data historis (history data) yang tercatat
di stasiun pengamatan curah hujan harian dan debit harian
yang tercatat pada Automatic Water Level Recorder
(AWLR) di stasiun Sengguruh dalam kurun waktu yang
sama, kemudian dari data-data tersebut dipakai dalam
mensimulasikan pemodelan prediksi debit harian yang
masuk di Bendungan Sengguruh.
Untuk mengantisipasi dampak dari kondisi tersebut
diatas, debit harian yang masuk di Bendungan Sengguruh,
perlu disusun suatu model prediksi untuk memprediksikan
debit harian yang masuk di Bendungan Sengguruh. Hal
tersebut didasarkan dengan adanya perubahan iklim global
dan perubahan tata guna lahan yang bisa mengancam
kondisi sosial ekonomi serta kelangsungan hidup
masyarakat yang aman dan nyaman dari terjadinya bencana
banjir.
1.2. Permasalahan
Mengacu pada paparan di atas maka masalah yang
dikemukakan melalui penelitian ini adalah sebagai berikut :
1. Bagaimana hubungan data curah hujan harian dengan
debit harian yang masuk Bendungan Sengguruh ?
2. Stasiun mana yang memiliki kontribusi terbesar
terhadap prediksi debit harian yang masuk di
Bendungan Sengguruh ?
3. Bagaimana performa model prediksi debit harian yang
masuk di Bendungan Sengguruh ?
1.3. Tujuan Penelitian
Beberapa tujuan yang hendak dicapai melalui
penelitian ini :
Beberapa tujuan yang hendak dicapai melalui
penelitian ini :
1. Mengetahui hubungan curah hujan harian dan debit
harian yang masuk Bendungan Sengguruh
2. Mengetahui data Pencatatan Curah Hujan dan Debit
harian yang memberikan kontribusi terbesar
3. Mengevaluasi akurasi performa model terpilih
untuk prediksi debit harian yang masuk Bendungan
Sengguruh.
Gambar4.38HirarkiModel2P_BRuntukpemodelandebitharianyangmasukBendunganSengguruh
3. 3
1.4. Manfaat Penelitian
1. Model Prediksi debit harian yang masuk di Bendungan
Sengguruh, dibangun dari faktor kondisi hidrologi pada
DAS Brantas Hulu untuk dapat menjadi acuan
pelengkap bagi operasional Bendungan Sengguruh.
2. Merupakan masukan bagi regulator, yaitu sebagai
alternative tools dalam melaksanakan fungsi
pengelolaan DAS.
1.5. Batasan Masalah
Pembahasan penelitian ini adalah membangun
model prediksi debit harian yang masuk di Bendungan
Sengguruh, maka dengan hal tersebut perlu dijelaskan
batasan masalah dalam penelitian ini antara lain sebagai
berikut :
1. Prediksi banjir hanya dilakukan pada pertemuan Kali
Brantas Hulu dan Kali Lesti yaitu ujung dari
Bendungan Sengguruh.
2. Pemodelan dibuat hanya model aplikasi terbatas pada
prediksi, tidak mencakup peringatan dini.
Gambar 1.1 Lokasi Penelitian
Sub DAS Kali Brantas Hulu Sub DAS Kali Lesti
Gambar 1.2 Skema aliran dan stasiun hujan sub DAS Kali Brantas Hulu
dan sub DAS Kali Lesti
ST. ARR BATU
(RBt)
K. BANGO-SARI
K. AMPRONG
K. MERI
K. MANTEN
ST. ARR. TANGKIL
(RTkl)
ST. ARR. KAYUTANGAN
(RKyt)
ST. ARR. WAGIR
(RWgr)
ST. ARR. KEPANJEN
(RKpj)
ST. ARR SENGGURUH
ST. AWLR GADANG ST. AWLR TAWANGREJANI
ST. ARR PUJON
(RPjn)
ST. ARR KEDUNGREJO
(RKbr)
ST. ARR PACET
(Rpct)
ST. ARR TRAWAS
(RTr)
ST. PONCOKUSUMO
(RPck)
ST. ARR JABUNG
(RJbg)
ST. ARR TUMPANG
(RTpg)
ST. WAJAK
(RWjk)
ST. DAMPIT
(RDpt)
ST. SITIARJO
(RStj)
K. BENDO
K. PAMOTAN
K. GRANGSEL
K. BAMBANG
K. JARUMAN
K. SIPIRING
K. KASIM
K. GONGGANG
K. MAHARDO
K. SBR.KARANGSUKO
K. SUMBERWUNGU
K. SUMBERCURAH
KALILESTIKALILESTI
KALIBRANTAS
K. METRO
BENDUNGAN
SENGGURUH
BENDUNGAN
SUTAMI
4. 4
BAB II
TINJAUAN PUSTAKA
2.1. Model Prediksi M5 Model Tree
Salah satu model dalam teknik komputasi yang
digunakan untuk memprediksi suatu nilai secara numerik
adalah M5 Tree Model. M5 Tree Model berdasar pada
pengelompokan ruang parameter. Model ini didasarkan
hubungan variabel input dan output (Lasminto,2004).
Konsep dasar M5 Tree Model seperti yang disajikan pada
gambar 2.1. adalah variabel input diumpamakan sejumlah
sampel dalam variabel X1 ,X2........Xn. Semua sampel
variabel oleh model akan dibagi menjadi kelompok –
kelompok sampel yang lebih kecil atau subset, variabel X2
cenderung data terbagi kedalam subset yang lebih kecil atau
lebih besar dari dua sebagai nilai batas kelas. Pembagian
yang pertama dari struktur Tree Model yang tampak pada
gambar 2.2. untuk nilai batas kelas diputuskan berdasarkan
standar deviasi dan standar deviasi reduksi yang lainnya
bisa berapa saja dan sangat tergantung dari jumlah dan nilai
sampel yang digunakan. Pembagian tersebut dikerjakan
berulang – ulang terhadap semua variabel input sampai
tidak diketemukan lagi perbedaan yang berarti dari jumlah
sampel dalam subset sehingga tidak bisa untuk membagi
lagi. Setelah struktur pohon tersebut model regresi akan
meregresi setiap subsert tersebut sehingga setiap subset
akan menghasilkan suatu model tersendiri dari suatu
struktur pohon model yang besar. Pemisahan dalam Tree
Model ini merujuk pada pemikiran teori pohon keputusan
(decision tree) (Pratt,1994).
Gambar 2.1. Pengelompokan Ruang Parameter
4. Jumlah dari lipatan untuk validasi penyebarangan
(cross validation)
Menentukan cara bagaimana membangun dan kemudian
menguji model tersebut dengan menghadirkan data
pengujian.
Gambar 2.2. Regression and M5 Model tree
2.2. Analisa data
Regresi linier menghasilkan sebuah fungsi ruang
memodelkan output yang didasarkan pada attribut input
yang berbeda. Pohon regresi dan pohon model memiliki
kesamaan bahwa keduanya dapat menghasilkan pohon
keputusan dengan angka numerik output pada node
(Berry,2000). Disamping mempunyai kesamaan dalam hal
output / target yang akan dihasilkan tetapi ada juga
perbedaan dalam outputnya yaitu pohon regresi
menghasilkan nilai numerik rata-rata terhadap output
sedangkan pohon model menghasilkan sebuah persamaan
linier pada tiap modelnya. Sebelum menggunakan M5
model tree, berikut ini terdapat 5 pilihan yang harus
dipertimbangkan :
1. Atribut output :
Penyediaan pilihan terhadap attribut hasil hanya akan
dapat memilih dari attribut hasil secara numeris, karena
model M5 yang beragam hanya memperbolehkan atribut
numeris output.
2. Jenis model :
Memilih jenis model yang digunakan adalah tree model.
3. Faktor pemangkasan (pruning faktor) :
Pemilihan faktor pemangkasan adalah untuk
memperkecil jumlah persamaan dapat dilakukan dengan
memotong jumlah cabang dari model dengan
menggunakan pruning factor. Angka pruning factor
semakin besar maka fungsi linier yang dihasilkan oleh
model lebih sedikit. Pemotongan jumlah cabang pada
model membawa dampak menurunnya performa dari
model.
data T dari data training tersedia, setiap data
dikarakteristikkan oleh nilai dari sebuah atribut (input) dan
memiliki sebuah nilai target (output). Tujuannya adalah
membangun sebuah model yang menghubungkan sebuah
nilai target dari kasus training pada input atributnya.
Kualitas dari model akan diukur dengan akurasi dimana
akan memprediksi nilai target dari kasus tak nyata.
Model 3 Model 2
Model 1
Model 4 Model 6
Model 5
X2
X1
4
3
2
1 1 2 3 4 5 6
Y (output)
x2>2
x1>2.
5
x2<3.
5
x2<1
x1<4
Model 3 Model 4
Model 6Model 5Model 2Model 1
Yes
Yes
Yes
Yes
YesNo
No
No
No
No
5. 5
5. Uji verifikasi
Pemilihan uji verifikasi adalah untuk melakukan uji
verifikasi terhadap sejumlah data lain yang tidak
digunakan untuk membangun model.
2.3. Model Regresi
Ide dasar yang digunakan oleh Model Tree adalah
membagi parameter ruang menjadi sub-sub parameter ruang
dan membuat setiap sub parameter ruang tersebut satu
model regresi linier seperti terlihat pada Gambar 1.
Menggunakan konsep sebuah pohon, setiap daun dari
model pohon tersebut berisi satu Linier Model (LM). Model
Tree dapat menghasilkan model regresi linier berganda
yang melibatkan lebih dari satu variabel bebas dengan
jumlah sangat banyak. Persamaan umum model regresi
linier berganda adalah (Indriani, 2005) :
.......... (1)
Dimana :
Y = variabel terikat
Xi = variabel bebas ( i = 1, 2, 3, …, k)
0 = intersep
i = koefisien regresi ( i = 1, 2, 3, …, k)
Untuk memperkecil jumlah persamaan dapat
dilakukan dengan memotong jumlah cabang dari model
dengan menggunakan pruning factor. Angka pruning factor
semakin besar maka fungsi linier yang dihasilkan oleh
model lebih sedikit. Pemotongan jumlah cabang pada
model membawa dampak menurunnya performa dari
model.
Menurut Quinlan dalam Lasminto (2004) : Algoritma yang
dikenal sebagai M5 digunakan untuk membangun model
tree. Misalkan bahwa sebuah set
Kriteria pemisahan dalam algoritma M5 Model
Tree didasarkan pada perlakuan standar deviasi dari nilai
class yang menjangkau sebuah node sebagai sebuah ukuran
error pada node itu, dan menghitung pengurangan yang
diharapkan pada error ini sebagai hasil evaluasi pada setiap
atribut pada node tersebut. Persamaan untuk menghitung
standard deviation reduction (SDR) adalah:
i
i
i
Tsd
T
T
TsdSDR …… …………….(2)
Dimana :
T = menggambarkan set data yang menjangkau node,
Ti = merepresentasikan subset dari data yang memiliki
hasil ke-i dari set
potensial,
sd = merepresentasikan standar deviasi.
Curah hujan harian sebelumnya dikarakteristikkan
sebagai xi, sedangkan respon hidrologi berupa debit inflow
harian sesudahnya disimbolkan dengan yi. Kemudian
metode yang dapat membantu dalam menentukan variabel
input yang berpengaruh adalah Cross Correlation. Analisa
Cross correlation adalah teknik statistik yang dapat
digunakan untuk membentuk hubungan antar variabel
(Lasminto, 2004). Cross correlation membantu menentukan
kekuatan dari hubungan antara serial output dengan nilai
sebelumnya dari serial input.WEKA (Weikato Environment
for Knowledge Analysis) software ini dipakai untuk proses
analisis simulasi model, WEKA memiliki tools untuk data
processing, classification, regression, clustering,
association rules dan visualization. Secara garis besar logic
pada software WEKA dapat dilihat pada Gambar 2.3.
Kelebihan dari model tree adalah :
Waktu untuk membangun model cepat
Mudah untuk menginterprestasikan
Mudah untuk mengimplementasikan
Dapat membangun model dengan jumlah data dan
atribute banyak
Kelemahannya adalah:
Akan mengalami masalah pada banyaknya data
hilang
Tidak dapat menyelesaikan hubungan yang sangat
komplek antar data.
Tidak dapat mengektrapolasi diluar rentang dari
data yang digunakan untuk training
2.4. Performa Model
kk XXXY ...22110
6. 6
M5 Model Tree mempunyai kelebihan untuk
kemampuan belajar yang dimilikinya sehingga pengguna
tidak perlu merumuskan kaidah atau pendekatan dari suatu
proses dalam sistem. M5 Model Tree dapat digunakan untuk
menyelesaikan permasalahan nonlinear dimana kaidah atau
fungsinya tidak diketahui. Sedangkan kelemahannya adalah
model tidak akan bekerja baik bila suatu yang ada dalam
system berubah. Karena model akan dapat memprediksi
kejadian dengan baik bila kejadian tersebut telah dikenali
dalam proses belajar.
Ada 2 (dua) kriteria untuk evaluasi performa model
yang bisa digunakan untuk mengevaluasi perbandingan
perbedaan model (Shrestha, 2003) :
Evaluasi performa grafik, biasa digunakan untuk
memeriksa secara visual skala pengeplotan antara
grafik model dan obervasi.
Evaluasi statistik dari nilai Root Mean Square Error
(RMSE) adalah Parameter statistik ini
menginformasikan pengguna model tentang ukuran
aktual error yang dihasilkan oleh model. Parameter
ini mengindikasikan pengaruh signifikan yang cukup
tinggi dalam prediksi. Batasan dalam parameter
statistik ini adalah 0 sampai dengan ∞ . Performa
model dikatakan terbaik jika mendekati nilai 0
Root Mean Square Error (RMSE)
RMSE =
n
aa
n
i
ii
1
2
……......………...........(1)
Dimana :
ai = Nilai data Debit harian observasi ke-i
ia = Nilai data Debit harian model prediksi
ke-i
n = jumlah data
Surabaya (BBWS Brantas) dan Perum Jasa Tirta I
7. 7
BAB III
METHODOLOGI PENELITIAN
3.1 Prosedur Pelaksanaan Penelitian
Berikut ini adalah uraian tahapan yang dilakukan
dalam pelaksanaan penelitian :
3.1.1. Menentukan Lokasi Penelitian
Menentukan lokasi penelitian dalam pemodelan
prediksi debit harian yang masuk Bendungan Sengguruh
yaitu pada DAS Brantas hulu terletak di Desa Sengguruh
Kecamatan Kepanjen Kabupaten Malang dan berada 24 km
di selatan Kota Malang, atau pada pertemuan
ujung pertemuan Sub-DAS Kali Brantas Hulu dan Sub DAS
Kali Lesti.
3.1.2. Studi Lapangan
Melakukan survey lokasi yang akan dipakai sebagai
penelitian dengan melihat batasan – batasan penelitian di
peta. Studi lapangan adalah meliputi pengamatan kondisi
yang terkait dengan penelitian ini adalah sebagai berikut :
Kondisi stasiun pengamatan curah hujan di DAS
Brantas Hulu.
Kondisi stasiun pengamatan debit di Stasiun
Sengguruh.
Kondisi tutupan lahan DAS Brantas Hulu.
3.1.3. Studi Literatur
Studi literatur terhadap semua hasil penelitian
terdahulu atau semua yang berhubungan dengan metode
penelitian yang dipakai.
3.1.4. Pengumpulan data
Pengumpulan data yang diperlukan dalam penelitian
adalah data sekunder yang diperoleh melalui kajian
pustaka,wawancara dari pihak dinas terkait seperti Dinas PU
Pangairan Propinsi Jawa Timur, Dinas PU Pengairan
Kabupaten Malang,Balai Besar Wilayah Sungai Brantas
3.1.5 Pengolahan Data
3.1.5.1. Uji Korelasi
Uji korelasi yang dimaksud adalah korelasi silang
(Cross Corelation) yaitu suatu metode untuk mengetahui
data – data yang mempunyai ukuran (indikator) kekuatan
hubungan liner antara dua variabel y dan x. Koefisien
Malang. Jenis data yang digunakan dalam penelitian terlihat
dalam penelitian terlihat pada Tabel 3.1 dan ketersediaan
data penelitian terlihat pada Tabel 3.2.
Tabel 3.1 Jenis data, peta dan sumbernya
No Data/Gambar/Peta Sumber Data
1 Peta DAS Brantas Hulu BBWS Brantas
2 Data Hujan harian pada stasiun
pengamatan yang tersebar di DAS
Brantas Hulu selama 8 tahun (1998
- 2007)
BBWS Brantas
Perum Jasa Tirta I
3 Data Debit harian yang tercatat di
Stasiun AWLR Sengguruh selama 8
tahun (1999-2007)
BBWS Brantas
Perum Jasa Tirta I
4 Laporan – laporan, study yang yang
terdahulu yang dapat memberikan
data dan informasi tentang kondisi
tutupan lahan,ketersediaan air di
DAS Brantas Hulu
BBWS Brantas
Perum Jasa Tirta I
Dinas PU
Pengairan Propinsi
Jawa Timar dan
Kabupaten Malang
5 Buku – buku referensi yang
menyangkut teori dalam penelitian
Perpustakaan ITS
Tabel 3.2. Ketersediaan Data Hujan dan Debit
Adapun masukan data yang diperlukan adalah
sebagai berikut :
8. 8
korelasi silang / perkalian momen dari Person adalah sebagai
berikut :
rxy
=
SSSS
SS
YX
XY
; -1 ≤ rxy
≤ 1...........................3.1
Dimana : r xy : Koefisien korelasi variabel x dan y
SSxy : Slope
SSxSSy : Intercept Sampel
Nilai koefisien korelasi ini paling sedikit -1 dan paling besar
1 dapat ditulis -1 ≤ rxy
≤ 1, jika r = 1 maka
hubungan antara dua variabel yang diuji adalah sempurna
tetapi jika r = -1 atau 0 maka hubungan antara dua variabel
adalah lemah sekali atau tidak ada hubungan. Rekapitulasi
hasil uji korelasi dapat dilihat pada Tabel 4.1.
3.1.5.2. Methode Analisis
Model prediksi dibangun berdasarkan model
regresi linier. Model regresi ini digunakan untuk
memodelkan antara variabel output (debit harian yang
masuk di Bendungan Sengguruh) dan variabel input (curah
hujan harian yang tercatat di DAS Brantas hulu), dengan
formulasi yang dieskpresikan oleh persamaan 3.2 berikut :
..................... 3.2
Dimana :
Y = Debit harian yang masuk di Bendungan Sengguruh
Xi = Curah hujan harian yang tercatat di stasiun
pengamatan hujan DAS Brantas hulu( i = 1, 2,3,.., k)
0 = intersep
i = koefisien regresi ( i = 1, 2, 3, …, k)
3.1.5.3. Kalibrasi
Kalibrasi adalah suatu prosedur untuk menentukan
nilai – nilai yang telah dianggap dapat mewakili keadaan
debit harian yang masuk Bendungan Sengguruh yang
sebenarnya, berdasarkan data masukan dan keluaran yang
tersedia.
Langka kalibrasi ini dilakukan supaya debit hasil
simulasi model menyerupai debit yang terukur, sehingga
dalam kalibrasi ini memerlukan debit yang terukur dan data
hujan pada rentang waktu yang sama. Hasil kalibrasi
dinyatakan baik bila grafik model dengan observasi
1. Data curah hujan harian,
2. Data debit yang terukur harian,
Data masukan / input (1) dan (2) adalah diperoleh
dari pengolahan dan perhitungan data sekunder. Seperti yang
terlihat pada Tabel 3.2 menunjukkan data yang lengkap
adalah antara tahun 1999 sampai dengan tahun 2003 Untuk
kepentingan kalibrasi, simulasi model membutuhkan data
hujan harian dan data debit harian terukur pada waktu yang
bersamaan demikian pula untuk verifikasinya. Data kalibrasi
dipakai tahun 1999 sampai dengan tahun 2001 dan
verifikasinya dipakai data tahun 2002 sampai dengan tahun
2003.
Pembelajaran model data driven (data apa adanya
sesuai pencatatan) saat simulasi pemodelan dengan suatu
model adalah sebagai berikut :
Model M5 Model Tree
Model M5 Model Tree adalah suatu model multi regresi
dimana tools yang dipakai pada penelitian ini adalah
program WEKA Knowledge Explore (WEKA). Program
WEKA tersebut mempunyai kelebihan dalam
menyederhanakan beberapa clustering dengan melakukan
skenario simulasi pemodelan yaitu membedakan masing –
masing nilai performa model dengan cara pemangkasan
(pruning factor). Tujuan nilai pemangkasan (pruning
factor) adalah mendapatkan model yang sederhana namun
masih memiliki performa yang baik.
Performa yang baik adalah setelah dilakukan
simulasi yang berulang-ulang kemudian hasil simulasi
yang memperoleh nilai dengan tingkat kesalahan yang
terkecil, untuk mengukur tingkat kesalahan tersebut
digunakan RMSE (Root Mean Aquare Error). Dengan
asumsi awal sebesar 90% dari data yang ada digunakan
untuk proses training (kalibrasi) dan test split dengan
menggunakan data sebesar 66 %.
Dengan menggunakan program tersebut, proses
pembelajaran (learning) dapat dilakukan dengan lebih cepat
dalam menentukan bobot yang akan digunakan untuk
membuat model peramalan. Namun disamping kelebihan
dari program tersebut terdapat kekurangan yang dimiliki
yaitu jika di dalam penelitian selanjutnya terdapat data
input lain, maka semua susunan harus berubah total
3.1.6. Evaluasi Performa Model
Performa setiap model dievaluasi berdasarkan nilai
kk XXXY ...22110
9. 9
keduanya berimpit atau nilai root mean square error
(RMSE) semakin kecil.
Data series untuk kalibrasi pemodelan debit
harian yang masuk di Bendungan Sengguruh menggunakan
data series periode tahun 1998 sampai dengan tahun 2000.
3.1.5.4. Verifikasi
Verifikasi model dimaksudkan untuk menguji
persamaan yang telah didapatkan dari kalibrasi, apakah
sudah bisa dikatakan merupakan nilai yang cukup
represantatif untuk debit harian yang masuk Bendungan
Sengguruh yang ditinjau.
Langkah verifikasi yaitu dengan cara menarapkan
persamaan yang telah didapatkan saat proses kalibrasi
kedalam serial data yang terbaru. Dengan demikian bisa
diketahui apakah model yang dihasilkan baik atau tidak.
Data yang dipakai untuk verifikasi adalah data
dengan periode waktu tahun 2001 sampai dengan 2003.
3.1.5.5. Penyederhanaan Model
Penyederhanaan dilakukan melalui beberapa
proses skenario simulasi antara lain sebagai berikut :
Mereduksi variabel yang mempunyai nilai korelasi
variabel input terhadap output yang lemah. Beberapa
penyebab data yang mempunyai nilai korelasi yang
lemah kemungkinan data tidak lengkap tahun
pencatatanya, dan data pencatatan kosong atau rusak.
Meningkatkan angka pruning faktor sehingga
menghasilkan jumlah persamaan dan nilai performa
yang masih menunjukkan performa yang baik.
BAB IV
ANALISA DAN HASIL PENGOLAHAN DATA
4.1 Umum
Pemodelan prediksi debit harian ini dilakukan pada
titik prediksi yaitu Bendungan Sengguruh, dimana lokasi
yang mempengaruhi dari titik prediksi untuk model prediksi
terdapat 2 (dua) Sub-DAS yaitu Sub-DAS Kali Brantas
Hulu dan Sub-DAS Kali Lesti. Letak dari lokasi pemodelan
prediksi debit harian yang masuk Bendungan Sengguruh
adalah terletak di Desa Sengguruh Kecamatan Kepanjen
Coeffisien Correlation (CC), Mean Absolut Error (MAE),
Root Mean Square Error (RMSE), Relative Absolut Error
(RAE), Root Relative Square Error (RRSE) dan Jumlah
Linear Model (LM).
Evaluasi dengan cara ploting garis grafik prediksi
model dengan data observasi (data yang terukur). Hal
tersebut dikatakan model dengan performa baik bila garis
grafik prediksi dengan observasi berimpit.
3.2. Bagan Alir Penelitian
Gambar 3.1 Bagan alir Penelitian
10. 10
Kabupaten Malang yang berada pada ± 24 km di selatan
Kota Malang, lokasinya dapat dilihat pada Gambar 1.1.
Studi literatur yang terkait dengan penelitian ini
adalah penelitian yang pernah dilakukan dengan metode
yang sama yaitu Studi Peramalan Debit Jam – Jaman di
Kali Surabaya, Studi Peramalan Debit Harian di Bengawan
Solo (Lasminto,2007) dan Model Peramalan Banjir DAS
Bengawan Solo (Listya Heri Mularto,2009. Hasil penelitian
ketiganya mendapatkan performa model yang baik. MData
sekunder untuk menunjang penelitian ini diperoleh dari
instansi yang terkait dengan pengelolaan DAS Brantas yaitu
Balai Besar Wilayah Sungai Brantas Direktorat Jenderal
Sumber Daya Air Kementerian Pekerjaan Umum dan
Perum Jasa Tirta I Malang yaitu berupa data historis
(history data) tahun 1999 s/d 2003. Data - data yang
dimaksud adalah data debit harian yang masuk di
Bendungan Sengguruh dan data curah hujan harian dari
stasiun pengamatan curah hujan yang tercatat secara
otomatis. Data – data tersebut dirangkum dalam bentuk
grafik, yang terbagi menjadi 2 (dua) yaitu data untuk
kalibrasi dan data untuk verifikasi.
DATA UNTUK KALIBRASI
Data curah hujan harian dan debit harian yang akan
digunakan dalam proses pembelajaran (training)
periode pencatatannya pada tanggal 1 Januari 1998 –
31 Desember 2000. Data tersebut dapat dilihat secara
visualisasi gambar grafik ploting data curah hujan
harian dan debit harian pada periode yang sama
Gambar 4.1 s/d Gambar 4.3.
0
100
200
300
400
500
6005
25
45
65
85
105
125
145
165
185
1 16 31 46 61 76 91 106 121 136 151 166 181 196 211 226 241 256 271 286 301 316 331 346 361
HUJAN(MM)
GRAFIK PLOT CURAH HUJAN HARIAN VS DEBIT HARIAN YANG MASUK BENDUNGAN
SENGGURUHTAHUN 1998
Debit inflow harian Ben. Sengguruh St.Jabung St.Poncokusumo
St.Dampit St.Sitiarjo St.Wajak
St.Tumpang St.Sengguruh St.Batu
St.Wagir St.Kayutangan St.Tangkil
St.Kepanjen St.Trawas St.Pacet
St.Pujon St.Kedungrejo
WAKTU (HARI)
DEBIT(M3/DT
Gambar 4.1 Grafik plot data distribusi hujan stasiun curah
hujan harian dan debit harian DAS Brantas Hulu 1 Januari
1998 s/d 31 Desember 1998 Sumber : Data BBWS Brantas
& Perum Jasa Tirta 1, 2008)
Pada Gambar 4.1 ploting grafik data curah hujan harian
dengan debit harian rata- rata menunjukkan untuk trend
musim hujan dari bulan Januari – Desember cukup merata
di semua stasiun pengamatan curah hujan. Respon curah
hujan terhadap besaran debit harian yang menonjol terjadi
seperti pada bulan Februari = 112,87 m3/dt s/d 140.91
m3/dt, Maret = 121,51 m3/dt s/d 147.98 m3/dt , April =
111,06 m3/dt, September = 111,49 m3/dt, November =
106,26 m3/dt s/d 113,99 m3/dt dan Desember =105.99
s/d113.72. Secara keseluruhan ploting grafik pada tahun ini
musim kemarau relatif sedikit terjadi .
11. 11
0
100
200
300
400
500
6005
55
105
155
205
255
305
355
405
1 16 31 46 61 76 91 106 121 136 151 166 181 196 211 226 241 256 271 286 301 316 331 346 361
HUJAN(MM)
GRAFIK PLOT CURAH HUJAN HARIAN VS DEBIT HARIAN YANG MASUK BENDUNGAN
SENGGURUH TAHUN 1999
Debitinflow harian Ben. Sengguruh St. Jabung St. Poncokusumo
St. Dampit St. Sitiarjo St. Wajak
St. Tumpang St. Sengguruh St. Batu
St. Wagir St. Kayutangan St. Tangkil
St. Kepanjen St. Trawas St. Pacet
St. Pujon St. Kedungrejo
WAKTU (HARI)
DEBIT(M3/DT
Gambar 4.2 Grafik plot data distribusi hujan stasiun curah
hujan harian dan debit harian DAS Brantas Hulu 1 Januari
1999 s/d 31 Desember 1999 Sumber : Data BBWS Brantas
& Perum Jasa Tirta 1, 2008)
Pada Gambar 4.2 Garis grafik ploting data curah hujan
harian rata-rata untuk semua pencatatan di DAS Brantas
dan data debit harian yang tercatat di Bendungan
Sengguruh memberikan gambaran musim hujan pada bulan
Januari-April curah cukup terbesar. Pada tahun ini hanya
ada satu debit harian yang menonjol yaitu tanggal 27 April
1999 sebesar 280,05 m3
/dt namun setelah itu debit harian
menurun, hal tersebut terlihat ploting garis data curah
hujan harian pada bulan Juni – oktober musim kemarau
relatif sedikit terjadi hujan.
0
100
200
300
400
500
6005
30
55
80
105
130
155
180
205
230
255
280
1 16 31 46 61 76 91 106 121 136 151 166 181 196 211 226 241 256 271 286 301 316 331 346 361
HUJAN(MM)
GRAFIK PLOT CURAH HUJAN HARIAN VS DEBIT HARIAN YANG MASUK BENDUNGAN
SENGGURUH TAHUN 2000
Debitinflow harian Ben. Sengguruh St. Jabung St. Poncokusumo
St. Dampit St. Sitiarjo St. Wajak
St. Tumpang St. Sengguruh St. Batu
St. Wagir St. Kayutangan St. Tangkil
St. Kepanjen St. Trawas St. Pacet
St. Pujon St. Kedungrejo
WAKTU (HARI)
DEBIT(M3/DT
Gambar 4.3 Grafik plot data distribusi hujan stasiun curah
hujan DAS Brantas Hulu 1 Januari 2000 s/d 31 Desember
2000 Sumber : Data BBWS Brantas & Perum Jasa Tirta 1,
2008)
Pada Gambar 4.3 garis grafik ploting data curah hujan
periode bulan Januari-April dan Oktober-Desember
memberikan gambaran bahwa curah hujan yang cukup
tinggi dan rapat sehingga memberikan pengaruh terhadap
besaran debit maksimumnya yaitu sebesar 180.06 m3
/dt (28
April 2000). Sedangkan periode bulan Juni-oktober hujan
cukup jarang terjadi sehingga jika dilihat dari pengaruh
debit terlihat debit dibawah 55 m3
/dt maka bulan termasuk
masuk musim kemarau.
DATA UNTUK VERIFIKASI
Data yang digunakan dalam verifikasi model adalah
data periode tanggal 1 Januari 2001 – 31 Desember
2003 data tersebut dapat dilihat secara visualisasi
gambar grafik ploting data curah hujan harian dan
debit harian pada periode yang sama Gambar 4.4
s/d Gambar 4.6.
12. 12
0
100
200
300
400
500
6005
30
55
80
105
130
155
180
205
230
255
280
1 16 31 46 61 76 91 106 121 136 151 166 181 196 211 226 241 256 271 286 301 316 331 346 361
HUJAN(MM)
GRAFIK PLOT CURAH HUJAN HARIAN VS DEBIT HARIAN YANG MASUK BENDUNGAN
SENGGURUH TAHUN 2001
Debitinflow harian Ben. Sengguruh St. Jabung St. Poncokusumo
St. Dampit St. Sitiarjo St. Wajak
St. Tumpang St. Sengguruh St. Batu
St. Wagir St. Kayutangan St. Tangkil
St. Kepanjen St. Trawas St. Pacet
St. Pujon St. Kedungrejo
WAKTU (HARI)
DEBIT(M3/DT
Gambar 4.4 Grafik plot data distribusi hujan stasiun curah
hujan harian dan debit harian DAS Brantas Hulu 1 Januari
2001 s/d 31 Desember 2001 Sumber : Data BBWS Brantas
& Perum Jasa Tirta 1, 2008)
Pada Gambar 4.4 garis grafik ploting data curah hujan
periode bulan Januari–Juli memberikan gambaran bahwa
curah hujan cukup tinggi memberikan pengaruh akan
besaran debit harian rata-rata pada periode bulan tersebut.
Musim kemarau terjadi pada periode bulan Agustus-
September yaitu hujan relatif jarang terjadi, hal tersebut
terlihat dari respon debit hariannya cukup rendah.
Kemudian periode bulan Oktober-Nopember tampak hujan
cukup tinggi, hal tersebut terlihat respon debit hariannya
cukup tinggi maka bulan tersebut masuk musim penghujan.
0
100
200
300
400
500
6005
55
105
155
205
255
305
355
405
455
1 16 31 46 61 76 91 106 121 136 151 166 181 196 211 226 241 256 271 286 301 316 331 346 361
HUJAN(MM)
GRAFIK PLOT CURAH HUJAN HARIAN VS DEBIT HARIAN YANG MASUK BENDUNGAN
SENGGURUH TAHUN 2002
Debitinflow harian Ben. Sengguruh St. Jabung St. Poncokusumo
St. Dampit St. Sitiarjo St. Wajak
St. Tumpang St. Sengguruh St. Batu
St. Wagir St. Kayutangan St. Tangkil
St. Kepanjen St. Trawas St. Pacet
WAKTU (HARI)
DEBIT(M3/DT
Gambar 4.5 Grafik plot data distribusi hujan stasiun curah
hujan dan debit harian DAS Brantas Hulu 1 Januari 2002
s/d 31 Desember 2002 Sumber : Data BBWS Brantas &
Perum Jasa Tirta 1, 2008)
Pembentukan attribut variabel input dan output .
Pada Gambar 4.5 tersebut memberikan gambaran rata- rata
musim hujan cukup tinggi sangat berpengaruh pada besaran
debit harian terlihat respon debit yang tercatat cukup besar
adalah di penghujung bulan Januari – akhir bulan April.
Kemudian periode bulan Mei-Desember hujan jarang
terjadi maka untuk tahun 2002 musim kemarau relatif
panjang.
0
100
200
300
400
500
6005
30
55
80
105
130
155
180
1 16 31 46 61 76 91 106 121 136 151 166 181 196 211 226 241 256 271 286 301 316 331 346 361
HUJAN(MM)
PLOT CURAH HUJAN HARIAN VS DEBIT HARIAN YANG MASUK BENDUNGAN
SENGGURUH TAHUN 2003
Debitinflow harian Ben. Sengguruh St. Jabung St. Poncokusumo
St. Dampit St. Sitiarjo St. Wajak
St. Tumpang St. Sengguruh St. Batu
St. Wagir St. Kayutangan St. Tangkil
St. Kepanjen St. Trawas St. Pacet
WAKTU (HARI)
DEBIT(M3/DT
Gambar 4.6 Grafik plot data distribusi hujan stasiun curah
hujan harian dan debit harian DAS Brantas Hulu 1 Januari
2003 s/d 31 Desember 2003 (Sumber : Data BBWS Brantas
& Perum Jasa Tirta 1, 2008)
Pada Gambar 4.6 tersebut memberikan gambaran rata-
rata musim hujan cukup tinggi sangat berpengaruh
pada besaran debit harian terlihat respon debit yang
tercatat cukup besar adalah periode bulan Januari-
Maret, kondisi musim kemarau terjadi pada periode
bulan April-Oktober. Kemudian periode bulan
Nopember-Desember curah hujan cukup tinggi lagi
sehingga bulan tersebut masuk musim penghujan.
4.2. Analisa data
Analisa data diawali dengan menentukan attribut
variable kemudian analisa hubungan antara variabel
input atau nilai korelasi (dlihat sub bab 4.3), setelah itu
dilanjutkan simulasi model prediksi (lihat sub bab 4.4).
Pemodelan simulasi prediksis debit harian yang masuk
di Bendungan Sengguruh dilakukan simulasi dengan
beberapa skenario model, sampai mendapatkan
pemodelan yang terbaik. Pemodelan yang terbaik yaitu
bila nilai RMSE (Root Mean Square Error) lebih kecil
dari beberapa simulasi prediksi dan garis visualisasi
grafik model dengan observasi berimpit.
13. 13
Pembentukan attribut adalah penyederhanaan nama stasiun
pengamatan curah hujan harian (variabel input) dan stasiun
pencatatan debit harian (variabel output). Penjelasan dalam
pembentukan attribut variabel tersebut sebagai berikut:
Attribut Curah Hujan harian (Variabel Input)
Secara umum attribut curah hujan harian ditulis dengan
huruf R yang selanjutnya diikuti nama stasiun pencatatan
curah hujannya. Pada penelitian ini curah hujan harian yang
terjadi diasumsikan dengan waktu penundaan (time lag)
dari t0 sampai dengan t-3 (waktu 3 hari kebelakang)
terhadap debit harian yang masuk di Bendungan
Sengguruh. Pengelompokan Attribut curah hujan (variabel
input) yang tercatat di stasiun pengamatan curah hujan di
DAS Brantas Hulu terdapat 14 stasiun yang dikelompokkan
menjadi Sub-DAS Kali Brantas Hulu (10 stasiun
pengamatan curah hujan) dan Sub-DAS Kali Lesti ( 4
stasiun pengamatan curah hujan). Penyederhanaan atribut-
atribut curah hujan harian tersebut dijelaskan sebagai
berikut :
Attribut Curah Hujan (R...to-t-n) di Sub-DAS Brantas
Hulu :
Stasiun Batu
RBtt0 : St Batu untuk curah hujan harian time
lag t0.
RBtt-1 : St Batu untuk curah hujan harian time
lag t-1
RBtt-2 : St Batu untuk curah hujan harian time
lag t-2
RBtt-3 : St Batu untuk curah hujan harian time
lag t-3
Stasiun Wagir
RWgrt0 : St Wagir untuk curah hujan harian
time lag t0.
RWgrt-1 : St Wagir untuk curah hujan harian
time lag t-1
RWgrt-2 : St Wagir untuk curah hujan harian
time lag t-2
RWgrt-3 : St Wagir untuk curah hujan harian
time lag t-3.
Stasiun Kayutangan
RKytt0 : St. Kayutangan untuk curah hujan
harian time lag t0
RKytt-1 : St. Kayutangan untuk curah hujan
harian time lag t-1
RKytt-2 : St. Kayutangan untuk curah hujan
harian time lag t-2
Stasiun Jabung
RKytt-3 : St. Kayutangan untuk curah hujan
harian time lag t-3
Stasiun Tangkil
RTgklt0 : St. Tangkil untuk curah hujan harian
time lag t0
RTgklt-1 : St. Tangkil untuk curah hujan harian
time lag t-1
RTgjklt-2 : St. Tangkil untuk curah hujan harian
time lag t-2
RTgjklt-3 : St. Tangkil untuk curahhujan harian
time lag t-3
Stasiun Kepanjen
RKpjt0 : St.. Kepanjen untuk curah hujan harian
time lag t0
RKpjt-1 : St. Kepanjen untuk curah hujan harian
time lag t-1
RKpjt-2 : St. Kepanjen untuk curah hujan harian
time lag t-2
RKpjt-3 : St. Kepanjen untuk curah hujan harian
time lag t-3
Stasiun Sengguruh
RSggrt0 : St. Sengguruh untuk curah hujan harian
time lag t0
RSggrt-1 : St. Sengguruh untuk curah hujan harian
time lag t-1
RSggrt-2 :St. Sengguruh untuk curah hujan harian
time lag t-2
RSggrt-3 : St. Sengguruh untuk curah hujan
harian time lag t-3
Stasiun Pujon
RPjnt0 : St. Pujon untuk curah hujan harian
time lag t0.
RPjnt-1 : St. Pujon untuk curah hujan harian time
lag t-1
RPjnt-2 : St. Pujon untuk curah hujan harian time
lag t-2
RPjnt-3 : St. Pujon untuk curah hujan harian time
lag t-3
Stasiun Trawas
RTrwt0 : St. Trawas untuk curah hujan harian
time lag t0.
RTrwt-1 : St. Trawas untuk curah hujan harian
time lag t-1
RTrwt-2 : St. Trawas untuk curah hujan harian
time lag t-2
RTrwt-3 : St. Trawas untuk curah hujan harian
time lag t-3
14. 14
RJbgt0 : St. Jabung untuk curah hujan harian
time lag t0.
RJbgt-1 : St. Jabung untuk curah hujan harian
time lag t-1
RJbgt-2 : St. Jabung untuk curah hujan harian
time lag t-2
RJbgt-3 : St. Jabung untuk curah hujan harian
time lag t-3
Stasiun Pacet
RPctt0 : St. Pacet untuk curah hujan harian
time lag t0
RPctt-1 : St. Pacet untuk curah hujan harian
time lag t-1
RPctt-2 : St. Pacet untuk curah hujan harian
time lag t-2
RPctt-3 : St. Pacet untuk curah hujan harian
time lag t-3
Stasiun Kedungrejo
RKdrt0 : St. Kedungrejo untuk curah hujan
harian time lag t0
RKdrt-1 : St. Kedungrejo untuk curah hujan
harian time lag t-1
RKdrt-2 : St. Kedungrejo untuk curah hujan
harian time lag t-2
RKdrt-3 : St. Kedungrejo untuk curah hujan
harian time lag t-3
Attribut Curah Hujan (R...to-t-n) di Sub-DAS Kali Lesti
:
Stasiun Dampit
RDptto : St. Dampit untuk curah hujan harian
time lag t0
RDptt-1 : St. Dampit untuk curah hujan harian
time lag t-1
RDptt-2 : St. Dampit untuk curah hujan harian
time lag t-2
RDptt-3 : St. Dampit untuk curah hujan harian
time lag t-3
Stasiun Wajak
RWjkt0 : St. Wajak untuk curah hujan harian
time lag t0
RWjkt-1 : St. Wajak untuk curah hujan harian
time lag t-1
RWjkt-2 : St. Wajak untuk curah hujan harian
time lag t-2
RWjkt-3 : St. Wajak untuk curah hujan harian
time lag t-3
Stasiun Poncokusumo
RPckt0 : St. Poncokusumo untuk curah hujan
harian time lag t0
RPckt-1 : St. Poncokusumo untuk curah hujan
harian time lag t-1
RPckt-2 : St. Poncokusumo untuk curah hujan
harian time lag t-2
RPckt-3 : St. Poncokusumo untuk curah hujan
harian time lag t-3
Stasiun Tumpang
RTpgt0 : St. Tumpang untuk curah hujan harian
time lag t0
RTpgt-1 : St. Tumpang untuk curah hujan harian
time lag t-1
RTpgt-2 : St. Tumpang untuk curah hujan harian
time lag t-2
RTpgt-3 : St. Tumpang untuk curah hujan harian
time lag t-3
Attribut Debit harian yang masuk di Bendungan Sungguru
Secara umum Attribut debit harian yang masuk ditulis
dengan huruf Qin yang selanjutnya diikuti nama
stasiun pencatatan debit. Pada penelitian ini bahwa debit
yang tercatat di automatic water level recorder (AWLR)
Sengguruh diasumsikan waktu penundaannya (time lag)
t-1. Penyederhanaan atribut debit harian tersebut
dijelaskan sebagai berikut :
Attribut Debit harian yang masuk (Q in....t0-t-1) di Ben
Sengguruh
QinSggr : St. Sengguruh untuk debit harian
time lag t 0
(Variabel Output)
QinSggrt-1 : St. Sengguruh untuk debit harian
time lag t-1
( Variabel Inpu)t
Dengan terbentuknya attribut tersebut di atas selanjutnya
adalah menentukan variabel input yang tepat menggunakan
metode korelasi (Cross Correlation). Penjelasan analisa
metode cross correlation untuk mendapatkan hubungan
antara curah hujan harian (variabel input) terhadap debit
harian yang masuk di Bendungan Sengguruh (output).
Penjelasan untuk hubungan variabel dengan metode cross
correlation di jelaskan pada subbab 4.3.
4.3. Analisa data input dengan metode korelasi (Cross
Correlation)
Suatu teknik statistik untuk membentuk hubungan
antar variabel (Lasminto, 2004) adalah analisa cross
correlation. Pengukuran keandalan (reliabilitas) dalam
Tabel 4.1 Pemilihan variabel input yang
15. 15
analisa cross correlation berupa angka koefisien korelasi
yang merentang antara 0 (terendah) sampai dengan 1
(terbaik) artinya jika semakin menurun angka korelasi
maka semakin lemah hubungan antar variabel.
Variabel Output atau titik pemodelan prediksi debit
harian dalam penelitian ini adalah debit harian yang masuk
di Bendungan Sengguruh sedangkan Variabel input yang
mempengaruhi kehandalan model adalah data curah hujan
harian yang tercatat di stasiun pengamatan curah hujan
harian DAS Brantas Hulu. Data yang akan dipakai untuk
proses korelasi adalah data curah hujan harian terhadap
data debit harian yang masuk Bendungan Sengguruh,
jumlah data yang akan dikorelasikan sebanyak 1096 data.
Kemudian untuk mempercepat proses korelasi digunakan
program bantu Microsoft Office Excel.
Proses Korelasi dimulai dengan memperkirakan
waktu tempuh aliran dari stasiun pengamatan curah hujan
harian St. Sengguruh menuju titik prediksi yaitu
diperkirakan sampai dengan 3 hari kebelakang (t0 s/d t-3).
Berdasarkan informasi perkiraan tersebut, data curah hujan
harian di Stasiun Sengguruh disusun dari waktu ke_t
(t0=waktu sekarang) sampai dengan waktu t-3 hari (data 3
hari yang lalu), harapanya akan diperoleh data yang tercatat
di St. Sengguruh pada beberapa hari yang lalu yang
berpengaruh kuat terhadap data yang tercatat di Bendungan
Sengguruh saat sekarang seperti yang terlihat pada Tabel
4.1.
Sebagai contoh ; Bila data input curah hujan harian
di stasiun Sengguruh 1 hari yang lalu (Rsggrt-1)
dikorelasikan dengan data debit harian di Bendungan
Sengguruh saat sekarang (QinSggr). Bila data input curah
hujan harian di stasiun Sengguruh 2 hari yang lalu (Rsggrt-
2) dengan data debit harian di Bendungan Sengguruh saat
sekarang (QinSggr) dan sampai data input curah hujan
harian di stasiun Sengguruh 3 hari yang lalu (Rsggrt-3)
dikorelasikan dengan data debit harian di Bendungan
Sengguruh saat sekarang (QinSggr). Dengan begitu, setiap
harinya data curah hujan harian yang tercatat di stasiun
pencata curah hujan harian di stasiun Sengguruh memiliki
besaran angka korelasi terhadap data yang tercatat di
Bendungan Sengguruh saat sekarang.
Berdasarkan Tabel 4.2 hasil uji korelasi tersebut terlihat
hubungan variabel input terhadap variabel output masih
lebih kecil dari batasan angka korelasi = 1. Dari
Tabel 4.1 Pemilihan variabel input yang berpengaruh
terhadap variabel output
Variabel
Output
(Q in)
QinSggr QinSggrt-1 QinSggrt-0 Rsggrt-3 Rsggrt-2 Rsggrt-1 Rsggrt0 ...........
1 01/01/1998 28.55 28.55 0.00 ...........
2 02/01/1998 23.66 28.55 23.66 0.00 0.00 ...........
3 03/01/1998 24.18 23.66 24.18 0.00 0.00 0.00 ...........
4 04/01/1998 22.60 24.18 22.60 0.00 0.00 0.00 0.00 ...........
5 05/01/1998 20.57 22.60 20.57 0.00 0.00 0.00 0.00 ...........
6 06/01/1998 33.05 20.57 33.05 0.00 0.00 0.00 0.00 ...........
7 07/01/1998 60.44 33.05 60.44 0.00 0.00 0.00 0.00 ...........
8 08/01/1998 40.47 60.44 40.47 0.00 0.00 0.00 3.00 ...........
1087 21/12/2000 45.51 44.75 45.51 0.00 0.00 0.00 5.00 ...........
1088 22/12/2000 44.73 45.51 44.73 0.00 0.00 5.00 13.00 ...........
1089 23/12/2000 41.12 44.73 41.12 0.00 5.00 13.00 0.00 ...........
1090 24/12/2000 43.16 41.12 43.16 5.00 13.00 0.00 0.00 ...........
1091 25/12/2000 36.84 43.16 36.84 13.00 0.00 0.00 18.00 ...........
1092 26/12/2000 35.58 36.84 35.58 0.00 0.00 18.00 4.00 ...........
1093 27/12/2000 51.74 35.58 51.74 0.00 18.00 4.00 0.00 ...........
1094 28/12/2000 41.54 51.74 41.54 18.00 4.00 0.00 0.00 ...........
1095 29/12/2000 36.17 41.54 36.17 4.00 0.00 0.00 0.00 ...........
1096 30/12/2000 34.68 36.17 34.68 0.00 0.00 0.00
34.68 0.00 0.00
0.00
NO
.............
.............
variabel Input (R t0-t3 & Qin t-1)
Tanggal
.............
.............
.............
.............
.............
.............
.............
.............
Sumber : Hasil Olah data, 2009
Pengujian angka korelasi hanya bisa dilakukan pada data
yang jumlahnya sama dalam hal ini hanya data dari no. 4 –
1096 saja (Tabel 4.1). Kemudian pada program Microsoft
excel dengan menu Tools_Data Analisis_Correlation, maka
didapat hasil korelasinya seperti yang terlihat pada Tabel
Tabel 4.2. Hasil uji korelasi Curah hujan harian di DAS
Brantas Hulu Terhadap Debit harian di St. Sengguruh
T0 T-1 T-2 T-3
A DAS Kali Brantas Hulu
1 St. Sengguruh Rsggr 0.36 0.43 0.31 0.29
2 St. Batu RBt 0.32 0.41 0.30 0.28
3 St. Wagir RWgr 0.37 0.25 0.21 0.26
4 St. Kayutangan Rkyt 0.30 0.41 0.25 0.22
5 St. Tangkil RTgkl 0.36 0.46 0.27 0.26
6 St. Kepanjen RKpj 0.32 0.26 0.26 0.21
7 St. Trawas RTws 0.27 0.24 0.24 0.23
8 St. Pacet RPct 0.33 0.27 0.26 0.24
9 St. Pujon RPjn 0.40 0.29 0.24 0.25
10 St. Kedungrejo RKdr 0.30 0.27 0.30 0.28
11 St. Jabung RJbg 0.39 0.28 0.24 0.26
12 St. Tumpang RTpg 0.45 0.28 0.23 0.22
B DAS Kali Lesti
1 St. Dampit RDpt 0.41 0.30 0.24 0.23
2 St. Sitiarjo RStj 0.32 0.24 0.17 0.20
3 St. Poncokusumo RPck 0.52 0.39 0.36 0.32
4 St. Wajak RWjk 0.35 0.24 0.21 0.19
Nama Stasiun
Pengamatan Curah
Hujan harian
AttributNo.
Nilai korelasi thd St Sengguruh dg
pergeseran waktu s/d 3 hr yg lalu
Sumber : Hasil olah data, 2009