Validasi Data Curah Hujan Satelit TRMM Tropical Rainfall ...

Jurnal Teknologi dan Rekayasa Sumber Daya Air Vol. 2 No. 1 (2022) p. 265-276

© Jurusan Teknik Pengairan, Fakultas Teknik, Universitas Brawijaya

JTRESDA

Journal homepage: https://jtresda.ub.ac.id/

*Penulis korespendensi: [email protected]

Validasi Data Curah Hujan Satelit TRMM

(Tropical Rainfall Measuring Mission) dengan

Pos Stasiun Hujan pada Sub DAS Keduang

Kabupaten Wonogiri, Provinsi Jawa Tengah Devy Adlina Rushafi Oktaverina1*, Ery Suhartanto1, Sri

Wahyuni1 1 Jurusan Teknik Pengairan, Fakultas Teknik, Universitas Brawijaya,

Jalan MT. Haryono No. 167, Malang, 65145, INDONESIA

*Korespondensi Email: [email protected]

Abstract: The deployment system of ground stations is less adequate in sub-

urban Indonesia. The record data of rainfall is necessary for hydraulic

structure. It is needed to have complete and accurate data because of a

particular reason, high risk of impacting the hydrology analysis. In this

industrial era, many scientists produced modern technology, one of them is a

meteorological satellite to record the earth’s rainfall data, which is called

TRMM (Tropical Rainfall Measuring Mission). TRMM is a monitoring

technology satellite that can be utilized as elective rainfall data in tropical

regions. However, TRMM data must be validated to know the appropriateness

of TRMM rainfall data with specific rainfall stations. Keduang Sub-watershed

is used as the study location with obstacles that belong to the location.

Keduang Sub-watershed is a sub-urban with a minimum rainfall station.

Therefore, the validation analysis of rainfall data using Root Mean Squared

Error (RMSE), Nash Sutcliffe Efficiency (NSE), Correlation Coefficient (R),

Relative Error (KR). Validation analysis has been made with two calculations,

which are uncorrected and corrected validation analysis through a calibration

process. The corrected validation analysis result has a better value comparing

to uncorrected validation data. Corrected validation analysis can be utilized as

hydrology alternative information data.

Keywords: calibration, ground station, rainfall, TRMM, validation

Abstrak: Di Indonesia, sistem penyebaran pos stasiun hujan masih kurang

memadai. Pencatatan data hujan sangatlah penting untuk suatu perencanaan

bangunan air sehingga diperlukan data yang lengkap dan akurat melihat

tingginya resiko yang dapat mempengaruhi suatu analisis hidrologi. Di era

industri ini, banyak ilmuan menciptakan teknologi modern, salah satunya

satelit meteorologi untuk mencatat curah hujan yang terjadi di bumi yaitu

TRMM (Tropical Rainfall Measuring Mission). TRMM merupakan satelit

teknologi pemantau yang dapat menjadi alternatif data curah hujan daerah

Oktaverina, D.A.R. et al., Jurnal Teknologi dan Rekayasa Sumber Daya Air Vol. 2 No. 1 (2022) p. 265-276

266

tropis. Namun, data TRMM harus di validasi terlebih dahulu untuk

mengetahui apakah data TRMM dengan stasiun curah hujan di lapangan sudah

sesuai. Sub DAS Keduang digunakan sebagai lokasi studi ini berdasarkan

ketersediaan data dan kendala yang dimiliki Sub DAS Keduang. Sub DAS

Keduang terdapat pada wilayah yang minim stasiun hujan, oleh sebab itu

dilakukan analisis validasi data curah hujan dengan menggunakan metode

Root Mean Squared Error (RMSE), Nash Sutcliffe Efficiency (NSE),

Koefisien Korelasi (R), dan Kesalahan Relatif (KR). Analisis ini dilakukan

dengan dua tahap, yaitu analisis validasi data tidak terkoreksi dan analisis

validasi data terkoreksi dengan melalui suatu proses yang dinamakan

kalibrasi. Hasil analisis data terkoreksi memiliki nilai lebih baik dibandingkan

data tidak terkoreksi. Analisis validasi data terkoreksi dapat digunakan sebagai

alternatif data hidrologi.

Kata kunci: curah hujan, kalibrasi, stasiun hujan, TRMM, validasi

1. Pendahuluan

Curah hujan adalah banyaknya jumlah air hujan yang turun selama periode waktu

tertentu di permukaan tanah [1]. Hujan juga merupakan suatu unsur yang sangat berdampak

pada cuaca dan iklim suatu daerah. Hujan yang turun di suatu kawasan tertentu akan

ditampung oleh Daerah Aliran Sungai (DAS) yang memiliki kapasitas tertentu yang akan

mengaliri limpasan hujan tersebut menuju ke hilir DAS. [2]

Dalam segala perencanaan yang melibatkan data curah hujan sangat diperlukan data

hujan yang lengkap, tepat, dan akurat. Oleh karena itu, informasi kualitas data hujan

sangatlah penting. Namun, di Indonesia sistem penyebaran pos stasiun hujan di beberapa

daerah masih belum memadai seperti, jarak antar pos stasiun hujan yang sangat berjauhan,

banyak daerah sungai terpencil yang tidak terdapat pos stasiun hujan, dan lain sebagainya.

Hal tersebut menyebabkan sulitnya didapatkan hasil perhitungan hidrologi yang tepat,

sedangkan tingkat resiko yang mempengaruhi dalam analisis hidrologi pada suatu

perencanaan sangatlah tinggi.

Pada lokasi studi di Sub DAS Keduang, terletak di daerah terpencil yang memiliki

luasan sebesar 373,572 km2 dan hanya memiliki satu penakar hujan di dalam Sub DAS

tersebut yaitu stasiun Jatisrono. Hal tersebut tidak sesuai dengan standar ketentuan World

Meterogical Organization (WMO) yang telah menentukan suatu kerapatan jaringan stasiun

hujan idealnya mencakup wilayah 100 – 250 km2[3]. Oleh karena itu, digunakan stasiun

hujan terdekat untuk mempersempit luasan pengaruh pada stasiun hujan Jatisrono yang

merupakan satu – satunya stasiun hujan yang tersedia di dalam Sub DAS Keduang yang

tentunya akan mempengaruhi keakuratan dari data curah hujan tersebut.

Berdasarkan permasalahan tersebut, teknologi sistem penginderaan jarak jauh (remote

sensing) dapat menjadi alternatif baru guna mengatasi permasalahan

ketersediaan data hujan. Satelit TRMM menjadi salah satu satelit meteorologi yang

memiliki kemampuan estimasi data hujan dengan cakupan wilayah yang cukup luas, secara

near real-time dengan resolusi spasial dan resolusi temporal setiap 3 jam, harian, hingga

bulanan. TRMM dapat dengan mudah di akses secara bebas kapan saja dan gratis dengan

akses yang cepat [4]. Namun, keakuratan data satelit masih harus dilakukan validasi

Oktaverina, D.A.R. et al., Jurnal Teknologi dan Rekayasa Sumber Air Vol. 2 No. 1 (2022) p.265-276

267

sebelum digunakan menjadi alternatif karena bagaimanapun data satelit diukur melalui

atmosfer sedangkan data pos stasiun hujan diukur melalui besar hujan yang ada di

lapangan. Data saelit TRMM perlu dilakukan validasi dengan data observasi agar dapat

mengetahui keakuratan data satelit terhadap data observasi dilapangan. Keakuratan data

satelit TRMM dilihat berdasaekan hasil koefisien korelasinya, apabila mendekati anka satu

maka data satelit mendekati data observasi dilapangan [4].

Belum dilakukan penelitian yang memvalidasi data satelit TRMM dengan data stasiun

hujan pada Sub DAS Keduang. Maka, penulis mengangkat permasalahan yang ada di Sub

DAS Keduang untuk dilakukannya penelitian validasi data curah hujan. Berdasarkan

keterbatasan stasiun hujan yang ada di Sub DAS Keduang dan adanya bantuan dua stasiun

hujan terdekat yaitu Stasiun Purwantoro dan Stasiun Tirtomoyo yang memberikan

pengaruh pada Sub DAS Keduang dirasa dapat mewakilkan Sub DAS Keduang untuk

dilakukan analisis validasi data satelit TRMM dengan data curah hujan.

Harapan dari penelitian ini adalah data TRMM dapat menjadi alternatif kebutuhan data

curah hujan yang dapat memenuhi pengembangan pada Sub DAS Keduang, serta satelit

TRMM dapat menjadi alternatif pilihan data curah hujan pada suatu perencanaan dan

analisis hidrologi di seluruh wilayah Indonesia terutama pada daerah yang minim stasiun

hujan atau wilayah terpencil.

2. Bahan dan Metode

2.1 Bahan

2.1.1 Lokasi Studi

Berdasarkan letak geografis Sub DAS Keduang, berada di antara 7°42’29”-7°55’39”

LS dan 111°11’01”- 111°24’54” BT.

Gambar 1: Lokasi Studi Sub DAS Keduang dan Sebaran Pos Stasiun Hujan


268

Secara administratif, terletak di Kabupaten Wonogiri dan Kabupaten Karanganyar,

Jawa Tengah. Namun, Kabupaten Karanganyar hanya sebesar 10% saja sedangkan

Kabupaten Wonogiri berkisar 90% wilayah yang termasuk dalam Sub DAS Keduang.

2.1.2 Data Penelitian:

Berikut ini merupakan data-data yang diperlukan:

1. Titik koordinat pos stasiun/penakar hujan.

2. Data DEM, peta jaringan sungai, dan peta topografi.

3. Data curah hujan harian 3 (tiga) pos penakar hujan dengan panjang data 10 tahun

(2010-2019).

4. Data hujan harian TRMM sepanjang 10 tahun tipe TRMM_3B42RTv7 (2010-2019).

2.2 Metode

Metode yang digunakan pada penelitian ini adalah validasi data curah hujan satelit

TRMM dengan data curah hujan pos stasiun hujan menggunakan data harian sepanjang 10

tahun dengan periode bulanan, 15 harian, dan 10 harian. Pos stasiun hujan yang terdapat

pada wilayah sekitar Sub DAS Keduang diantaranya adalah Stasiun hujan Jatisrono,

Stasiun hujan Purwantoro, dan Stasiun hujan Tirtomoyo.

Analisis ini didahului dengan menguuji kualitas data pada data curah hujan stasiun dan

curah hujan TRMM berupa uji konsistensi dan uji stasioner. Uji konsistensi dilakukan

untuk menguji keseimbangan atau konsistensi terhadap data curah hujan dengan

menggunakan metode Kurva Massa Ganda dan Rescaled Adjusted Partial Sums (RAPS).

Sedangkan uji stasioner dilakukan untuk melihat kestabilan nilai varian (uji F) serta

kestabilan nilai rata-rata (uji t)[5].

Data curah hujan TRMM yang diunduh melalui website akan menghsilkan data yang

berbentuk hujan wilayah atau grid. Oleh sebab itu, data curah hujan stasiun yang diperoleh

sebelumnya diganti menjadi curah hujan rerata wilayah dengan menggunakan metode

Polygon Thiessen. Setelah di transformasikan menjadi curah hujan wilayah, dapat

dilanjutkan permodelan simulasi kalibrasi dan validasi data hujan lapangan dengan data

hujan TRMM.

Analisis validasi pada penelitian ini terbagi menjadi dua bagian, yaitu perhitungan

analisis validasi data tidak terkoreksi dan perhitungan analisis validasi data terkoreksi.

Analisis validasi data tidak terkoreksi tidak melalui tahap kalibrasi, sedangkan analisis

validasi data terkoreksi akan melalui tahap koreksi data dengan proses kalibrasi yang

menggunakan analisis regresi dengan scatter plot terlebih dahulu.

Pada analisis validasi data terkoreksi, digunakan komposisi waktu kalibrasi dan

validasi yaitu 7:3, 8:2, dan 9:1 yang memiliki arti 7 tahun (tahun 2010 - tahun 2016) untuk

kalibrasi dan 3 tahun (tahun 2017 - tahun 2019) untuk validasi. Sedangkan pada analisis

validasi data terkoreksi digunakan komposisi waktu 10 tahun, tiga tahun, dua tahun, dan 1

tahun untuk melihat hasil validasi tersebut menghasilkan hasil yang baik apabila tidak

dilakukan tahap kalibrasi dan akan dibandingkan dengan analisis validasi data terkoreksi

yang melalui tahap kalibrasi. Pada umumunya, parameter yang digunakan pada analisis

validasi ialah Root Mean Squared Error (RMSE), Nash Sutcliffe Efficiency (NSE),


269

Koefisien Korelasi (R), dan Kesalahan Relatif (KR). Namun, terdapat banyak parameter

lainnya, tetapi yang akan digunakan pada stuni ini adalah keempat parameter tersebut.

2.3 Persamaan

2.3.1 Kalibrasi

Kalibrasi model adalah sebuah proses memilih kombinasi dari suatu tolok ukur untuk

mengembangkan lebih lanjut tingkat koherensi antara respon hidrologi DAS yang teramati

dan tersimulasi, dalam contoh studi kasus ini ialah data stasiun hujan dengan data satelit

TRMM [6]. Dalam analisis hidrologi model yang seringkali digunakan adalah analisis

regresi, dimana analisis tersebut dapat menghubungkan variabel satu dengan yang lainnya

[7]. Berikut adalah persamaan regresi untuk membuat hubungan antara dua variable yang

umum digunkan, antara lain [8]:

a. Fungsi eksponensial

Y = bⅇax ……………………………………………………………………...Pers. 1

Keterangan:

Ŷ = regresi eksponensial Y terhadap X (variabel tak bebas).

X = variabel bebas.

b = parameter.

e = bilangan pokok logaritma asli (logaritma Napir = 2,7183).

b. Linear sederhana

Y = a1X + b1 …………………………………………………………………Pers. 2

X = a2Y + b2 …………………………………………………………………Pers. 3

Keterangan:

Ŷ = persamaan garis lurus Y terhadap X.

X = persamaan garis lurus X terhadap Y.

a1, a2 = koef. regresi (koefisien arah dari garis regresi).

b1, b2 = koef. yang merupakan titik potong dari garis regresi.

c. Fungsi logaritma

Ŷ = b + a log X………………………………………………………………...Pers. 4

Keterangan:

Ŷ = regresi Y terhadap X.

X = variabel bebas (harus lebih besar nol).

a, b = parameter.

d. Fungsi polinomial

Y = bo+ b1X + b2X2 + b3X3 + ...+ bmXm ……………………………………..Pers. 5

Keterangan:

Y = regresi Y terhadap X.

X = variabel bebas.

b = parameter.

e. Fungsi berpangkat

Ŷ = bXa …………………………………………………………………….Pers. 6

Keterangan:

Ŷ = regresi eksponensial Y terhadap X.

X = variabel bebas.


270

2.3.2 Validasi

Validasi menggambarkan proses evaluasi atau penilaian terhadap suatu model untuk

mendapat gambaran tentang tingkat ketidak pastian yang dimiliki oleh suatu model dalam

memprediksi analisis hidrologi atau dalam artian memiliki tujuan untuk melihat sejauh

mana akurasi dari data TRMM apakah sesuai atau mendekati dengan curah hujan

permukaan [5]. Biasanya validasi menggunakan seluruh data yang berada di luar periode

data kalibrasi. Model ini biasanya dibagi menjadi 3 (tiga) kategori, yaitu evaluasi model

statistic standar regresi, evaluasi model statistik tidak berdimensi, dan model evaluasi

statistik indeks kesalahan. Berikut merupakan beberapa indikator yang digunakan untuk

melihat hasil analisis validasi [7]:

a. Nash-Sutcliffe Efficiency (NSE)

NSE memiliki tujuan untuk melihat seberapa besar ketelitian dari korelasi hubungan

yang terbentuk antara data observasi dan data perkiraan [9]. Sebuah model dapat

dikatakan bagus apabila menghasilkan nilai koefisien Nash mendekati satu [6].

NSE = 1 −∑ (Pi−Qi)2N

i=1

∑i=1N (Pi−Pi )2 ………………………………………………………Pers. 7

Keterangan:

Pi = data lapangan

Qi = data satellite

i = rerata data lapangan

N = banyak data

Tabel 1: Kriteria Nilai Nash-Sutcliffe Efficiency (NSE)

NSE Intrepretasi

NSE > 0,75 Baik

0,36 < NSE < 0,75 Memenuhi

NSE < 0,36 Tidak Memenuhi

b. Koefisien Korelasi (R)

Koefisisen korelasi ialah salah satu metode statistik yang biasa digunakan untuk

mengetahui atau mencari tahu kekuatan suatu hubungan antara dua variabel [10].

R =N ∑ PiQi

Ni=1 −∑ Pi ×N

i=1 ∑ QiNi=1

√N ∑ Pi2N

i=1−(∑ Pi

Ni=1 )

2√N ∑ Qi

2N

i=1−(∑ Qi

Ni=1 )

2 ………………………………Pers. 8

Keterangan:

Pi = data lapangan

Qi = data satellite

N = banyak data

Tabel 2: Kriteria Nilai Koefisien Korelasi

R Intrepretasi

0 – 0,19 Sangat Rendah

0,20 – 0,39 Rendah

0,40 – 0,59 Sedang 0,60 – 0,79 Kuat

0,81 - 1 Sangat Kuat


271

c. Root Mean Squared Error (RMSE)

RMSE memiliki tujuan untuk melihat tingkat error, apabila semakin kecil nilainya

maka semakin kecil juga tingkat kesalahannya [4].

RMSE = √∑ (Pi−Qi)2N

i=1

N ……………………………………………………….Pers. 9

Keterangan:

Pi = data lapangan

Qi = data satellite

N = banyak data

d. Kesalahan Relatif (KR)

Kesalahan relatif memiliki tujuan untuk melihat perbandingan atau perpaduan antara

besar variabel satu dengan lainnya yang dianggap sebagai variabel sebenarnya.

KR =∑ (Pi−Qi)N

i=1

∑ PiNi=1

× 100% …………………………………………………...Pers. 10

Keterangan:

Pi = data lapangan

Qi = data satellite

N = banyak data

3. Hasil dan Pembahasan

Untuk mengetahui kestabilan data pada data harian maka pada penelitian ini digunakan

periode bulanan, 15 harian, dan 10 harian. Pengelompokkan tersebut bertujuan untuk

mengetahui kestabilan dari data tersebut, karena data harian memiliki variabilitas yang

tinggi sehingga datanya akan fluktuatif. Tindakan yang akan dilakukan pada studi

penelitian ini ialah melakukan uji kualitas data untuk melihat konsistenssi dan homogenitas

data, perhitungan curah hujan wilayah dan berakhir pada analisis validasi.

3.1 Uji Kualitas Data

Perhitungan ini dilakukan dengan menggunakan 2 (uji), yaitu uji konsistensi dan uji

stasioner. Perhitungan ini menggunakan data hujan stasiun dan hujan satellit TRMM

dengan panjang data 10 tahun (2010 -2019). Hasil uji kosistensi terdapat pada tabel 3

sedangkan hasil uji stasioner dapat dilihat pada tabel 4 dibawah ini.

Tabel 3: Hasil Uji Konsistensi Kurva Massa Ganda dan RAPS

No Stasiun Hujan Metode Kurva Massa Ganda Metode RAPS

Keterangan Sudut 𝑄√𝑛 𝑅√𝑛

1 Purwantoro 43,440 - - Konsisten

2 Jatisrono 42,901 - - Konsisten

3 Tirtomoyo 46,760 - - Konsisten

4 TRMM - 0,809 1,498 Konsisten


272

Tabel 3 diatas merupakan hasil dari perhitungan uji konsistensi curah hujan stasiun

dengan metode kurva masa ganda dan curah hujan TRMM dengan metode RAPS yang

seluruh hasilnya menunjukkan keterangan yang konsisten. Maka, kedua macam curah

hujan yang digunakan memiliki data yang konsisten atau seimbang.

Tabel 4: Hasil Uji Stasioner

No Pos Hujan Uji F Uji T Kete-

rangan Bulanan 15 Harian 10 Harian Bulanan 15 Harian 10 Harian

1 Purwantoro Stabil Stabil Stabil Stabil Stabil Stabil Homogen

2 Jatisrono Stabil Stabil Stabil Stabil Stabil Stabil Homogen

3 Tirtomoyo Stabil Stabil Stabil Stabil Tidak Stabil Tidak Stabil Heterogen

4 TRMM Stabil Stabil Stabil Stabil Stabil Stabil Homogen

Tabel 4 merupakan hasil uji stasioner, seluruhnya menghasilkan yang stabil atau

homogen namun, pada stasiun Tirtomoyo didapatkan nilai stabil hanya pada periode

bulanan, maka dapat ditarik disimpulkan bahwa nilai rata-rata pada stasiun Tirtomoyo

periode 15 harian dan 10 harian tidak stabil atau heterogen.

Hal tersebut dapat terjadi karena adanya kemungkinan kerusakan alat atau kesalahan

pencatatan data pada waktu tertentu, sehingga informasi curah hujan yang disajikan tidak

selaras dengan curah hujan yang turun. Karena hasil uji stasioner pada uji F dan uji t ketiga

periode sebagian besarnya tergolong stabil atau merupakan data homogen, hal tersebut

menyatakan bahwa data tersebut berasal dari populasi yang sama dan dapat dilakukan

analisis selanjutnya.

Untuk melanjutkan perhitungan analisis validasi, data curah hujan stasiun perlu

ditransformasikan menjadi curah hujan rerata wilayah dengan metode Polygon Thiessen.

Karena data hujan TRMM yang diunduh adalah data hujan yang berwujud luasan maka

data hujan stasiun juga harus diubah menjadi curah hujan wilayah agar hasil analisisnya

bisa lebih sesuai atau mendekati. Gambar dari analisa Poligon Thiessen dapat dilihat pada

Gambar 2.

Berikutnya, setelah diapatkannya luas pengaruh dari masing-masing stasiun hujan,

dilakukan perhitungan faktor pengaruh pada setiap stasiun hujan terhadap Sub DAS

Keduang untuk manghitung perhitungan curah hujan rerata wilayah. Hasil perhitungannya

terdapat pada Tabel 5 berikut:

Tabel 5: Nilai Faktor Luas Pengaruh Pos Stasiun Hujan (Kr)

No Stasiun Luas

Kr (Km2)

1 Purwantoro 2625,244 0,070

2 Jatisrono 28822,544 0,772

3 Tirtomoyo 5909,445 0,158

Luas Total 37357,233


273

Gambar 2: Polygon Thiessen Sub DAS Keduang

3.2 Analisis Validasi Data Tidak Terkoreksi

Perhitungan ini dilakukan berdasarkan periode yang digunakan, yaitu periode bulanan,

15 harian, dan 10 harain menggunakan rentang waktu 10 tahun, 3 tahun, 2 tahun, dan 1

tahun. Terdapat rentang waktu 10 tahun karena mencakup seluruh data curah hujan asli

atau belum terkoreksi yang digunakan pada studi ini, yang mana hasilnya ingin diketahui

apakah dengan tidak dilakukannya proses koreksi data hasilnya akan baik atau tidak,

selanjutnya dilakukan perbandingan dengan perhitungan analisis data terkoreksi. Validasi

data tidak terkoreksi dihitung dengan 4 (empat) metode ditunjukkan pada Tabel 6.

Tabel 6: Hasil Analisis Validasi Data TRMM Tidak Terkoreksi

Periode RMSE NSE

Kr R

Nilai Interpretasi Nilai Interpretasi

Bulanan

10 Tahun 116,956 0,996 Baik 0,237 0,745 Kuat

3 Tahun 117,147 0,329 Tidak Memenuhi 0,147 0,771 Kuat

2 Tahun 99,230 0,433 Memenuhi 0,077 0,904 Sangat Kuat


15

Harian

10 Tahun 69,058 0,633 Memenuhi 0,258 0,659 Kuat




10

Harian

10 Tahun 50,764 0,064 Tidak Memenuhi 0,295 0,569 Sedang




Dari tabel 6 diatas, didapatkan hasil perhitungan dari keempat metode yang dipakai.

Pada periode bulanan menghasilkan nilai RMSE terbesar disbanding yang lainnya. Hal


274

tersebut terjadi karena data curah hujan bulanan memiliki nilai yang paling besar daripada

data curah hujan harian. Perhitungan NSE pada analisis ini menghasilkan 50% nilai yang

menunjukkan interprestasi tidak memenuhi atau nilai NSE < 3,60. Maka dapat disimpulkan

bahwa sebagian dari perhitungan NSE pada data tidak terkoreksi adalah tidak memenuhi

persyaratan. Selanjutnya, pada perhitungaan kesalahan relatif analisis ini menghasilkan

nilai yang berkisar antara 0% - 30% yang dalam artian nilai kesalahan relatifnya terbilang

kecil. Berdasarkan metode koefisien korelasi, data hujan TRMM tidak terkoreksi tertinggi

juga dihasilkan oleh periode bulanan dan terendah dihasilkan oleh 10 harian. Apabila nilai

yang dihasilkan pada koefisien korelasi mendekati 1, maka akan semakin bagus atau sangat

kuat. Apabila hasil koefisien korelasi menunjukkan < 0,6 maka ikatan antara kedua ini,

curah hujan TRMM dan curah hujan pengukuran adalah sedang.

Dari hasil analisis validasi data tidak terkoreksi dapat dilihat, bahwa hasil analisis

menciptakan interpretasi yang kurang baik. Dapat dikatakan baik apabila nilai RMSE dan

kesalahan relatif yang kecil serta nilai NSE dan Koefisien korelasi yang besar. Maka, akan

dilakukan analisis validasi data terkoreksi untuk melihat perbandingan dari kedua analisis

tersebut. Apakah perhitungan yang dihasilkan terdapat perbedaan yang semakin membaik

atau tidak dengan melalui tahap kalibrasi.

3.3 Analisis Validasi Data TRMM Terkoreksi

Analisis ini dihitung menggunakan komposisi waktu yang terbagi dengan kalibrasi.

Sebelum menghitung analisis validasi data terkoreksi, akan dilakukn proses kalibrasi.

Komposisis perbandingan rentang waktu yang digunakan yaitu, 7:3, 8:2, dan 9:1. Yang

memiliki arti 7 tahun kalibrasi banding 3 tahun validasi, dan seterusnya.

Dengan diawali oleh proses kalibrasi yang memanfaatkan persamaan regresi sederhana

yang didapatkan dari hasil scatter plot untuk mencari faktor koreksi dengan memilih nilai

koefisien korelasi (R) terbesar dari kelima persamaan regresi sebagai persamaan terpilih

yang akan digunakan. Sama halnya dengan tahap kalibrasi, pada analisis validasi juga akan

dipilih nilai koefisien korelasi (R) terbesarnya dari kelima persamaan yang digunakan

seusai dengan rentang waktu yang dihitung. Setelah didapatkan nilai R terbesar dari

keduanya, maka akan dilakukan sinkronisasi pada kedua tahap. Apabila persamaan yang

dihasilkan berbeda, maka akan dihitung nilai NSE nya dari kedua persamaan tersebut dan

hasil NSE tertinggi yang akan menjadi persamaan akhir yang terpilih. Namun, apabila hasil

persamaan yang dihasilkan sama dapat langsung digunakan tanpa harus melihat nilai NSE

tertingginya. Berikut adalah hasil sinkronisasi nilai R dan persamaan terpilih pada Tabel 7.

Tabel 7: Hasil Sinkronisasi Jenis Persamaan Regresi Terpilih

Periode Kalibrasi Validasi Hasil Akhir

Pers. Terpilih Pers. Terpilih NSE Pers. Terpilih NSE

Bulanan

7:3 Polinomial 0,594 Logaritmik 0,595 Logaritmik

8:2 Polinomial 0,761 Berpangkat 0,691 Polinomial

9:1 Polinomial 0,763 Berpangkat 0,917 Berpangkat

15 Harian

7:3 Polinomial - Polinomial 0,497 Polinomial

8:2 Polinomial 0,657 Linear 0,654 Polinomial

9:1 Polinomial 0,639 Linear 0,639 Polinomial

10 Harian


8:2 Polinomial 0,540 Logaritmik 0,516 Polinomial



275

Persamaan terpilih pada masing – masing periode dilihat nilai NSE tertingginya pada

tiap periode apabila hasil persamaan pada kedua tahap berbeda. Hasil akhir persamaan

terpilih didominasi oleh persamaan polinomial. Setelah didapatkan hasil akhir persamaan

terpilih, maka dapat dilanjutkan pada analisis validasi data terkoreksi yang hasil

perhitungannya terdapat pada Tabel 8.

Tabel 8: Hasil Perhitungan Validasi Data Terkoreksi

Periode RMSE NSE

Kr R

Nilai Interpretasi Nilai Interpretasi

Bulanan



1 Tahun 34,953 0,917 Baik 0,025 0,958 Sangat Kuat

15 Harian




10 Harian




Dari Tabel 8 dapat dilihat, hasil dari perhitungan analisis validasi data terkoreksi jauh

lebih baik daripada analisis validasi data tidak terkoreksi. Nilai RMSE berkisar antara 32 –

90, nilai NSE meghasilkan interpretasi yang “Memenuhi” pada seluruh periode dalam

artian hasil nilai NSE > 0,36. Kesalahan relatif yang terjadi berkisar antara 0% - 30%, dan

nilai koefisien korelasi yang dihasilkan diatas 0,6 pada seluruh periodenya serta

menciptakan interpretasi yang sangat bagus.

4. Kesimpulan

Berdasarkan perbandingan antara hasil analisis validasi data tidak terkoreksi dan

analisis validasi data TRMM terkoreksi pada Sub DAS Keduang, dapat diperhatikan bahwa

banyak terjadi perubahan yang cukup signifikan apabila data hujan TRMM dilakukan

koreksi terlebih dahulu. Data hujan TRMM terkoreksi memiliki nilai yang lebih mendekati

atau memiliki hubungan yang cukup kuat dengan pos pengukuran stasiun hujan di lapangan

melalui keempat metode yang telah dianalisis yaitu RMSE, NSE, kesalahan relatif, dan

koefisien korelasi memiliki hasil yang cukup baik.

Nilai RMSE yang dihasilkan semakin rendah apabila data di koreksi terlebih dahulu,

sama halnya seperti NSE pada data terkoreksi menghasilkan nilai yang “Memenuhi” pada

seluruh perhitungannya. Nilai R yang dihasilkan pada data terkoreksi semakin meningkat

dan nilai kesalahan relatif yang terbilang stabil. Dari seluruh periode, hasil yang paling baik

ialah data dengan komposisi waktu 9:1 (kalibrasi 9 tahun dan validasi 1 tahun) periode

bulanan dengan hasil RMSE = 34,953, NSE = 0,917 dengan interpretasi “Baik”, Kesalahan

Relatif = 0,025 atau 0%, dan R = 0,958 dengan interpretasi “Sangat Kuat”.

Dengan demikian, dapat disimpulkan bahwa data hujan TRMM pada Sub DAS

Keduang dapat dijadikan alternatif data hujan apabila dilakukannya koreksi data terlebih

dahulu sehingga dapat dilihat keeratan hubungan antara hujan satelit dan hujan di lapangan

agar menghasilkan data yang maksimal keakuratannya.


276

Daftar Pustaka

[1] M. Ariffin, Modul Klimatologi. Jawa Timur: Fakultas Pertanian, Universitas

Brawijaya, 2010.

[2] S. Sosrodarsono, Hidrologi untuk Pengairan. Jakarta: PT. Padnya Paramitha, 1993.

[3] D. S. Krisnayanti, “Evaluasi Kerapatan Jaringan Stasiun Hujan Terhadap Ketelitian

Perkiraan Hujan Rancangan Pada SWS Noelmina di Pulau Timor,” J. Tek. Sipil FST

Undana, pp. 57–71, 2007.

[4] M. D. Syaifullah, “Validasi Data Trmm Terhadap Data Curah Hujan Aktual Di Tiga

Das Di Indonesia,” J. Meteorol. dan Geofis., vol. 15, no. 2, pp. 109–118, 2014, doi:

10.31172/jmg.v15i2.180.

[5] N. F. Rahma, E. Suhartanto, and D. Harisuseno, “Validasi Data Curah Hujan

TRMM (Tropical Rainfall Measuring Mission) dengan Pos Stasiun Hujan di Sub

DAS Sumber Brantas,” J. Mhs. Tek. Pengair. Univ. Brawijaya, vol. 2, no. 2, pp. 1–

13, 2019, [Online]. Available: https://jurnalpengairan.ub.ac.id/index.php/jtp.

[6] Indarto, Hidrologi Dasar Teori dan Contoh Aplikasi Model Hidrologi. Jember:

Bumi Aksara, 2010.

[7] N. M. Candra, E. Suhartanto, and D. Harisuseno, “Validasi Data Curah Hujan Trmm

( Tropical Rainfall Measurement Mission ) Sebagai Alternatif Data Hidrologi Di

Sub-Das Lesti,” p. 2, 2019, [Online]. Available:

https://jurnalpengairan.ub.ac.id/index.php/jtp.

[8] Soewarno, Hidrologi Aplikasi Metode Statistik Jilid 2. Bandung: Nova, 1995.

[9] M. Attahirah, D. Harisuseno, and E. Suhartanto, “Validasi Data Curah Hujan

TRMM (Tropical Rainfall Measuring Mission) dengan Pos Stasiun Hujan di Sub

DAS Sumber Brantas,” J. Mhs. Tek. Pengair. Univ. Brawijaya, vol. 2, no. 2, pp. 1–

13, 2019.

[10] C. Asdak, Hidrologi dan Pengelolaan Daerah Aliran Sungai. Yogyakarta: Gadjah

Mada University Press, 2007.

Validasi Data Curah Hujan Satelit TRMM Tropical Rainfall ...

Documents

Transcript of Validasi Data Curah Hujan Satelit TRMM Tropical Rainfall ...