Template Login : Jurnal Teknologi Komputer
-
Upload
khangminh22 -
Category
Documents
-
view
4 -
download
0
Transcript of Template Login : Jurnal Teknologi Komputer
MKGI: Jurnal Meteorologi, Klimatologi Geofisika dan Instrumentasi ISSN : 9999-9999 Vol. 1, No. 1, Agustus 2021, pp. 12-21 https://journal.physan.id/index.php/mkgi 12
Journal homepage: https://journal.physan.id/index.php/mkgi
Penentuan Model Evaporasi Menggunakan Analisis Statistik
Multivariat di Stasiun Klimatologi Deli Serdang
Theresia Grefyolin Simbolon1, Nikita Pusparini2, Janter Manurung3,
Immanuel Jhonson A. Saragih4
1,2Stasiun Klimatologi Deli Serdang, 3Fakultas Matematika dan IPA, Universitas Sumatera Utara, Medan, 4Stasiun Meteorologi Kualanamu, Deli Serdang.
Info Artikel ABSTRACT
Histori Artikel:
Diterima, Mei 28, 2021
Revisi, Juli 11, 2021
Disetujui, Juli 29, 2021
Penguapan merupakan komponen penting dalam siklus hidrologi yang
dipengaruhi oleh cuaca dan iklim. Penelitian ini bertujuan untuk menemukan
model evaporasi kota Medan berdasarkan faktor cuaca dan iklim. Data yang
digunakan adalah suhu udara (X1), kecepatan angin (X2), intensitas radiasi matahari (X3), tekanan udara (X4), kelembapan (X5), dan evaporasi (Y) yang
diperoleh dari Stasiun Klimatologi Deli Serdang. Untuk menyelidiki
penguapan dan faktor-faktornya, beberapa metode statistik multivariat
digunakan, seperti analisis klaster, analisis komponen utama, dan analisis regresi. Hasil penelitian menunjukkan bahwa terdapat dua klaster ideal, yaitu
klaster I (suhu udara, kecepatan angin, dan intensitas radiasi matahari) dan
klaster II (kelembapan dan tekanan). Model evaporasi yang didapat adalah Y
= -3,56 + 0,2527X1 + 0,027X2 + 0,012X3 - 0,00028X4 - 0,0001X5.
Keywords:
Analisis komponen utama,
Statistik Multivariat,
Evaporasi,
Regresi. This is an open access article under the CC BY-SA license.
Penulis Koresponden:
Theresia Grefyolin Simbolon,
Stasiun Klimatologi Kelas I Deli Serdang,
Jl. Meteorologi Raya No. 17, Desa Sampali, Kec. Percut Sei Tuan, Kab. Deli Serdang.
Email: [email protected]
1. PENDAHULUAN
Hujan sebagai salah satu unsur iklim yang memiliki peranan yang sangat penting di wilayah
tropis seperti wilayah Indonesia [1]. Di mana pada wilayah tropis relatif lebih banyak ditemui
pemukiman penduduk yang lebih padat ketimbang wilayah sub tropis ataupun wilayah polar [1].
Penduduk beserta lingkungannya ini sangat memerlukan keberadaan dan ketersediaan air untuk dapat
melangsungkan kehidupannya secara berkesinambungan. Hujan terjadi dikarenakan siklus hidrologi.
Hidrologi adalah ilmu yang berkaitan dengan air bumi, terjadinya peredaran dan agihannya, sifat-
sifat kimia dan fisiknya, dan reaksi dengan lingkungannya, termasuk hubungannya dengan makhluk
hidup [2]. Manusia pada dasarnya menginginkan siklus air dapat berlangsung seimbang. Pada
Hidrologi akan di bahas siklus atau proses terbentuknya air, salah satunya adalah evaporasi.
Evaporasi adalah suatu proses berubahnya air menjadi uap air dari perairan terbuka, tanah dan batuan
lainnya. Proses evaporasi sangat dipengaruhi oleh perbedaan tekanan uap, suhu udara, angin, kualitas
air dan permukaan bidang evaporasi [3]. Air dipindahkan dari permukaan tanah ke atmosfer melalui
dua proses yang berbeda yaitu: evaporasi dan tranpirasi. Evaporasi terjadi pada permukaan air bebas
seperti air di laut, danau atau air yang terdapat diantara pori-pori tanah [4].
Evaporasi dapat terjadi karena beberapa faktor, seperti: temperatur, kecepatan angin, tekanan
udara, radiasi matahari dan kelembapan. Pengukuran besarnya evaporasi dapat dilakukan dengan
Penentuan Model Evaporasi Menggunakan Analisis Statistik Multivariat β¦ (Theresia Grefyolin Simbolon)
13
berbagai macam teknik, mulai dari pengukuran langsung dengan panci evaporasi atau perhitungan
dengan berbagai metode dan gabungan keduanya [5].
Di dalam statistika multivariat, ada beberapa metode yang dapat digunakan untuk penelitian
tentang evaporasi ini. Analisis regresi misalnya dapat digunakan untuk membuat model evaporasi
(variabel terikat) terhadap faktor-faktor yang memengaruhinya (variabel bebas). Kemudian analisis
klaster digunakan untuk mengelompokkan faktor-faktor yang memengaruhi evaporasi. Analisis
Komponen Utama digunakan untuk mereduksi faktor-faktor yang ada menjadi lebih sedikit tanpa
mengurangi informasi yang tersedia [6]. Analisis klaster biasanya digunakan untuk
mengelompokkan objek. Namun di dalam penelitian ini, penulis mengelompokkan faktor-faktor
(variabel bebas) untuk melihat karakteristik evaporasi. Hampir sama dengan analisis klaster, analisis
komponen utama juga merupakan salah satu teknik mereduksi data [7], sehingga nantinya akan
didapat komponen- komponen utama mengenai faktor yang memengaruhi evaporasi. Diharapkan
penelitian ini dapat menjadi referensi pendukung dalam pemahaman karakteristik evaporasi
berdasarkan faktor-faktor yang memengaruhinya sehingga dapat digunakan oleh instansi terkait
untuk penelitian terhadap evaporasi.
2. METODE PENELITIAN
Data yang digunakan adalah data bulanan dengan parameter suhu, kecepatan angin, tekanan
udara, intensitas radiasi matahari, kelembapan selama 5 tahun dengan periode Januari 2013 β
Desember 2017 yang diperoleh dari Stasiun Klimatologi Deli Serdang. Data pengamatan tersebut
diolah menggunakan aplikasi Latex.
Berikut tahapan pengolahan data yang dilakukan dalam penelitian ini.
1) Membuat variabel pada parameter pengamatan, yaitu:
X1 = suhu udara (ΒΊC)
X2 = kecepatan angin (m/s)
X3 = tekanan udara (mb)
X4 = intensitas radiasi matahari (%)
X5 = kelembapan udara (%)
Y = evaporasi (mm)
2) Melakukan analisis klaster, dengan melakukan langkah-langkah berikut:
(a) membakukan variabel X1, X2, X3, X4, X5 dengan menggunakan persamaan:
π = π β Β΅
π (1)
(b) menghitung jarak antar variabel yang diamati dengan menggunakan persamaan
Euclidean berikut:
πππ = ββ(πππ β πππ)2
π
π=1
(2)
(c) menentukan banyakanya dan memprofil klaster.
3) Melakukan analisis komponen utama dengaan langkah-langkah berikut:
(a) membakukan data berdasarkan variabel yang diperoleh dari analisis klaster,
(b) menghitung koefisien korelasi,
(c) menghitung nilai Eigen dan Vector Eigen,
(d) menentukan nilai komponen utama,
(e) memodelkan evaporasi,
(f) memodelkan evaporasi terhadap komponen utama yang sudah ditentukan menggunakan
analisis regresi.
3. HASIL DAN PEMBAHASAN (11 PT)
3.1. Analisis Klaster
MKGI : Jurnal Meteorologi Klimatologi Geofisika dan Instrument, Vol. 1, Agustus 2020: 12 - 21
14
Pengelompokan berdasarkan jarak terdekat antar variabel dengan menggunakan
jarak Euclidean setelah dilakukan pembakuan variabel menghasilkan data berikut (Tabel 1). Tabel 1. Data baku variabel-variabel yang mempengaruhi evaporasi
Jarak yang sudah didapat dengan menggunakan persamaan Euclidean dimasukkan kedalam bentuk
matriks sehingga menjadi:
3.2. Memilih Prosedur Pengklasteran
Prosedur pengklasteran yang digunakan adalah Agglomerative yaitu Metode Single Linkage
Methods, dengan cara melihat jarak terdekat/ terpendek antar variabel yang berdekatan. Kemudian
jarak terdekat digabung menjadi satu klaster atau kelompok sampai akhirnya terbetuk beberapa
klaster. Dengan memperlakukan setiap variabel sebagai klaster.
Jarak antara X1 dengan X3 merupakan jarak terdekat bila dilihat pada matriks yaitu 59,242.
Maka X1 dan X3 digabungkan menjadi 1 klaster yang akan dinamai sebagai X13. Untuk membentuk
klaster berikutnya, perlu diketahui jarak antar X13 dengan X2, X4, dan X5, jarak tersebut dapat dicari
dengan cara berikut:
- d(13)2 = min(d12; d23) = min(86,785; 80,519) = 80,519;
- d(13)4 = min(d14; d34) = min(103,170; 93,243) = 93,243;
- d(13)5 = min(d15; d35) = min(112,056; 106,583) = 106,583.
Untuk membentuk klaster selanjutnya, kembali membuat matriks dengan jarak minimum dan
variabel 1 dan variabel kedua digabung menjadi sebagai berikut:
Z1 Z2 Z3 Z4 Z5
-4,504 -0,549 -1,833 11,151 -2,170
-7,800 0,129 -2,911 2,011 3,885
8,678 -4,073 10,026 3,839 -5,197
6,481 -3,396 -4,528 -7,129 -8,225
11,974 -1,227 10,566 -12,613 -8,225
11,974 -0,549 13,800 -17,183 -14,280
3,186 -2,582 6,253 -13,527 -5,197
-2,307 -3,396 1,402 -6,215 3,885
-3,405 -4,751 -1,833 -1,645 3,885
-7,800 -4,073 -3,450 7,495 6,913
-5,603 -4,073 -2,372 -5,301 6,913
-12,194 -8,276 -10,997 2,925 15,996
-16,588 11,380 -6,684 18,463 6,913
-8,898 22,495 9,487 4,753 -2,170
-0,110 16,937 5,714 7,495 -2,170
4,284 18,293 8,409 3,839 -2,170
6,481 9,889 -0,755 -2,559 3,885
14,171 16,937 8,409 -19,011 -5,197
10,876 16,260 5,714 -11,699 -11,253
-4,504 17,615 -4,528 -2,559 3,885
-6,701 14,091 -9,380 2,925 6,913
-4,504 15,446 -8,301 2,011 9,941
-6,701 9,889 -12,075 -3,473 12,968
-11,095 5,686 -9,380 -0,731 15,996
-9,997 -1,905 0,862 13,893 3,885
-9,997 -1,905 5,175 9,323 -5,197
5,383 -2,582 -1,294 9,323 -17,308
3,186 -4,751 -7,223 -1,645 -8,225
8,678 -3,396 1,402 -2,559 -8,225
13,073 -4,751 8,948 -8,043 -17,308
Z1 Z2 Z3 Z4 Z5
5,383 -2,582 0,862 -5,301 -2,170
-0,110 -3,396 0,323 -1,645 -2,170
2,087 -4,073 -23,395 3,839 -5,197
-1,208 -6,784 -19,083 10,237 6,913
-3,405 -6,107 -7,223 -2,559 6,913
-1,208 -4,751 -1,833 11,151 3,885
3,186 -3,396 5,175 10,237 0,858
-2,307 -3,396 -0,216 11,151 0,858
14,171 -1,905 7,331 6,581 -11,253
20,762 -4,073 3,019 -5,301 -14,280
7,580 -5,429 -1,294 -5,301 -2,170
-0,110 -3,396 7,870 2,011 -8,225
-0,110 -4,751 8,948 -3,473 -5,197
3,186 -4,751 6,253 -8,043 -5,197
-0,110 -3,396 7,331 0,183 0,858
-5,603 -6,107 -6,145 -2,559 9,941
-6,701 -4,751 -12,614 -0,731 9,941
-6,701 -1,905 -3,989 -1,645 3,885
-9,997 -4,073 -3,989 -1,645 6,913
-6,701 -1,905 1,941 12,065 0,858
-1,208 -2,582 3,558 4,753 -2,170
2,087 -3,396 4,097 2,925 0,858
6,481 -4,751 -2,911 -8,957 3,885
8,678 -3,396 13,261 -2,559 -5,197
5,383 -4,073 9,487 -0,731 -5,197
-1,208 -4,073 4,636 -3,473 3,885
-3,405 -4,751 -0,216 3,839 6,913
-0,110 -3,396 5,714 1,097 0,858
-4,504 -3,396 -8,301 -12,613 6,913
-9,997 -4,073 -7,223 2,925 9,941
Penentuan Model Evaporasi Menggunakan Analisis Statistik Multivariat β¦ (Theresia Grefyolin Simbolon)
15
Jarak terdekat pada matriks diatas adalah jarak X4 dan X5 yaitu 73,558, maka X4 dan X5 digabung
menjadi 1 klaster yang baru. Dicari kembali jarak terdekat:
- d(45)2 = min(d24; d25) = min(84,374; 82,140) = 82,140;
- d(13)(45) = min(d(13)4; d(13)5) = min(93,243; 106,583) = 93, 243.
Dari jarak terdekat di atas dimasukkan kembali kedalam bentuk matriks, sebagai berikut:
Apabila dilakukan pengklasteran dengan menggunakan bantuan progam SPSS maka di dapat
hasil yang sama dengan perhitungan diatas. Berikut ditunjukkan hasil dendogram yang diperoleh
pada output SPSS.
Gambar 1. Dendogram hasil pengklasteran
Dengan melihat jarak terdekat dan dendogram penglasteran di atas maka dapat dijabarkan
beberapa opsi klaster yang bisa ditentukan, yaitu:
- 4 klaster (Klaster I = suhu dan intensitas matahari; Klaster II = kecepatan angin; Klaster III
= tekanan udara; Klaster IV = kelembapan),
- 3 klaster (Klaster I = suhu dan intensitas matahari; Klaster II = kecepatan angin; Klaster III
= tekanan udara dan kelembapan),
- 2 klaster (Klaster I = suhu, intensitas matahari dan kecepatan angin; Klaster II = tekanan
udara dan kelembapan).
Bila dilihat beberapa pengklasteran, dipilih 2 klaster dikarenakan Klaster I (suhu, intensitas
matahari dan kecepatan angin) merupakan faktor yang berbanding lurus dengan evaporasi, jika
semakin besar suhu, intensitas matahari, dan kecepatan angin maka laju evaporasi akan semakin
besar dan sebaliknya. Sedangkan pada Klaster II (tekanan udara dan kelembapan), semakin besar
tekanan udara dan kelembapan maka akan memperlambat laju evaporasi dan sebaliknya.
3.3. Analisis Komponen Utama
Klaster I dan Klaster II akan dianalisis dengan analisis komponen utama secara terpisah,
dengan terlebih dahulu dilakukan pembakuan variabel dan matriks korelasi untuk mengetahui
hubungan antara variabel yang satu dengan variabel yang lain.
(a) Klaster I: membakukan variabel suhu (X1), kecepatan angin (X2), dan intensitas matahari
(X3), seperti yang ditunjukkan pada Tabel 2 berikut.
MKGI : Jurnal Meteorologi Klimatologi Geofisika dan Instrument, Vol. 1, Agustus 2020: 12 - 21
16
Tabel 2. Data Klaster I yang sudah dibakukan
Selanjutnya menghitung koefisien korelasi menggunakan persamaan berikut:
πππ =1
π β 1β (
πππ β οΏ½Μ οΏ½π
βπ ππ
) (πππ β οΏ½Μ οΏ½π
βπ ππ
)
π
π=1
(3)
Sehingga didapat matriks korelasi sebagai berikut:
[1 β0,064 0,504
β0,064 1 0,0840,504 0,084 1
]
Menghitung nilai Eigen dan Vector Eigen
Untuk mengetahui variabel komponen utama berdasarkan matriks korelasi, terlebih dahulu
dihitung nilai Eigen (Ξ») yang bersesuaian dengan menggunakan persamaan berikut:
det (Ξ»I β A) = 0 (4)
πππ‘ (π [1 0 00 1 00 0 1
] β [1 β0,064 0,504
β0,064 1 0,0840,504 0,084 1
]) = 0
πππ‘ ([π β 1 β0,064 0,504
β0,064 π β 1 0,0840,504 0,084 π β 1
]) = 0
βπ3 β 3π2 β 2,74π + 0,7448 = 0
sehingga didapatkan:
π1 = 1,505 ; π2 = 1,020 ; π3 = 0,476
Salah satu syarat untuk menetukan komponen utama adalah nilai Eigen harus lebih besar dari
1. Dari nilai Eigen yang memenuhi adalah π1 = 1,505 dan π2 = 1,020, maka dilanjutkan hitung
Vector Eigen hanya untuk Ξ»1 dan Ξ»2. Berikut hasil menentukan Vector Eigen untuk kedua
komponen utama diatas:
(ππΌ β π΄)π = 0
Z 1 Z 2 Z 3
-4,50402 -0,54899 -1,8328
-7,79964 0,128776 -2,91091
8,678468 -4,07339 10,02647
6,481388 -3,39562 -4,52808
11,97409 -1,22676 10,56553
11,97409 -0,54899 13,79988
3,185767 -2,5823 6,253069
-2,30693 -3,39562 1,40155
-3,40547 -4,75116 -1,8328
-7,79964 -4,07339 -3,44997
-5,60256 -4,07339 -2,37185
-12,1938 -8,27556 -10,9968
-16,588 11,37974 -6,68431
-8,89818 22,49515 9,487414
-0,10985 16,93745 5,714011
4,284307 18,29298 8,409299
6,481388 9,888649 -0,75468
14,17117 16,93745 8,409299
10,87555 16,25968 5,714011
-4,50402 17,61521 -4,52808
Z 1 Z 2 Z 3
-6,7011 14,09082 -9,3796
-4,50402 15,44635 -8,30149
-6,7011 9,888649 -12,0749
-11,0953 5,686481 -9,3796
-9,99672 -1,90453 0,862492
-9,99672 -1,90453 5,174953
5,382847 -2,5823 -1,29374
3,185767 -4,75116 -7,22337
8,678468 -3,39562 1,40155
13,07263 -4,75116 8,948357
5,382847 -2,5823 0,862492
-0,10985 -3,39562 0,323435
2,087227 -4,07339 -23,3951
-1,20839 -6,78447 -19,0826
-3,40547 -6,1067 -7,22337
-1,20839 -4,75116 -1,8328
3,185767 -3,39562 5,174953
-2,30693 -3,39562 -0,21562
14,17117 -1,90453 7,331184
20,76241 -4,07339 3,018723
Z 1 Z 2 Z 3
7,579928 -5,42893 -1,29374
-0,10985 -3,39562 7,870242
-0,10985 -4,75116 8,948357
3,185767 -4,75116 6,253069
-0,10985 -3,39562 7,331184
-5,60256 -6,1067 -6,14526
-6,7011 -4,75116 -12,6139
-6,7011 -1,90453 -3,98903
-9,99672 -4,07339 -3,98903
-6,7011 -1,90453 1,940607
-1,20839 -2,5823 3,55778
2,087227 -3,39562 4,096838
6,481388 -4,75116 -2,91091
8,678468 -3,39562 13,26082
5,382847 -4,07339 9,487414
-1,20839 -4,07339 4,635896
-3,40547 -4,75116 -0,21562
-0,10985 -3,39562 5,714011
-4,50402 -3,39562 -8,30149
-9,99672 -4,07339 -7,22337
Penentuan Model Evaporasi Menggunakan Analisis Statistik Multivariat β¦ (Theresia Grefyolin Simbolon)
17
(π [1 0 00 1 00 0 1
] β [1 β0,064 0,504
β0,064 1 0,0840,504 0,084 1
]) π = 0
untuk π1 = 1,505maka didapat Vector Eigen (π1) sebagai berikut:
π = [0,8640,0360,870
]
Dari penjabaran diatas data ditafsirkan 2 kompenen utama dari Klaster I, yaitu:
K1 = 0, 864Z1 + 0, 036Z2 + 0, 870Z3
K2 = β0, 161Z1 + 0, 990Z2 + 0, 119Z3
(b) Klaster II: membakukan tekanan udara (X4) dan kelembapan (X5), seperti yang
ditunjukkan pada Tabel 3 berikut.
Tabel 2. Data Klaster II yang sudah dibakukan
Selanjutnya menghitung koefisien korelasi menggunakan Persamaan 3, sehingga didapat
matriks korelasi sebagai berikut:
[1 0,236
0,236 1]
Menghitung nilai Eigen dan Vector Eigen
πππ‘(ππΌ β π΄) = 0
πππ‘ (π [1 00 1
] β [1 0,236
0,236 1]) = 0
πππ‘ ([π β 1 0,2360,236 π β 1
]) = 0
π2 β 2π + 0,9443 = 0
Z4 Z5
11,15068 -2,16981
2,01078 3,88548
3,83876 -5,19746
-7,12913 -8,2251
-12,6131 -8,2251
-17,183 -14,2804
-13,5271 -5,19746
-6,21513 3,88548
-1,64518 3,88548
7,49472 6,91312
-5,30114 6,91312
2,92477 15,99605
18,46261 6,91312
4,75275 -2,16981
7,49472 -2,16981
3,83876 -2,16981
-2,55917 3,88548
-19,011 -5,19746
-11,6991 -11,2528
-2,55917 3,88548
Z4 Z5
2,92477 6,91312
2,01078 9,94077
-3,47316 12,96841
-0,73119 15,99605
13,89265 3,88548
9,3227 -5,19746
9,3227 -17,308
-1,64518 -8,2251
-2,55917 -8,2251
-8,04312 -17,308
-5,30114 -2,16981
-1,64518 -2,16981
3,83876 -5,19746
10,23669 6,91312
-2,55917 6,91312
11,15068 3,88548
10,23669 0,85783
11,15068 0,85783
6,58073 -11,2528
-5,30114 -14,2804
Z4 Z5
-5,30114 -2,16981
2,01078 -8,2251
-3,47316 -5,19746
-8,04312 -5,19746
0,1828 0,85783
-2,55917 9,94077
-0,73119 9,94077
-1,64518 3,88548
-1,64518 6,91312
12,06467 0,85783
4,75275 -2,16981
2,92477 0,85783
-8,95711 3,88548
-2,55917 -5,19746
-0,73119 -5,19746
-3,47316 3,88548
3,83876 6,91312
1,09679 0,85783
-12,6131 6,91312
2,92477 9,94077
MKGI : Jurnal Meteorologi Klimatologi Geofisika dan Instrument, Vol. 1, Agustus 2020: 12 - 21
18
sehingga didapatkan:
π1 = 1,236 ; π2 = 0,764
Sesuai dengan syarat yang sudah di jabarkan pada klaster I yaitu nilai Eigen β₯ 1, maka untuk
Ξ»=1,236 Vector Eigen-nya adalah:
(π [1 00 1
] β [1 0,236
0,236 1]) π = 0
([π β 1 0,2360,236 π β 1
]) π = 0
maka didapatkan v1 = v2 = 0,786, sehingga dari penjabaran di atas didapat persamaan
komponen utama dari Klaster II:
K3 = 0,786Z4 + 0,786Z5 3.4. Membuat Model
K sebagai fungsi dari Z. Nilai-nilai komponen utama Ki selanjutnya dihitung untuk setiap
titik data asal dan dicantumkan bersama -sama nilai peubah responnya dan hasilnya diperoleh seeprti
yang ditunjukkan pada Tabel 4. Nilai-nilai komponen utama diatas kemudian diregresikan dengan
variabel tak bebas Y dengan metode analisis regresi berganda. Adapun model regresi komponen
utama dengan tiga komponen adalah:
π = 3,979 + 0,026πΎ1 + 0,001πΎ2 β 0,0000276πΎ3
Tabel 4. Nilai komponen utama untuk setiap variabel asal
3.5. Uji-F
Dilakukan Uji-F dengan menggunakan beberapa hipotesis berikut:
H0 : variabel K1, K2, dan K3 tidak berpengaruh terhadap variabel Y,
H1 : variabel K1, K2, dan K3 berpengaruh terhadap variabel Y,
dimana taraf Signifikansi (Ξ±) yang digunakan adalah 5%.
K 1 K 2 K 3
-5,50577 -0,03646 6,863681
-9,26674 1,036836 4,984154
16,07458 -4,23674 -1,53571
1,538249 -4,94401 -12,8087
19,49346 -1,88502 -17,1191
22,33175 -0,82914 -26,0155
8,099713 -2,32527 -15,1852
-0,89608 -2,82346 -1,48141
-4,7079 -4,37347 2,110569
-9,887 -3,18746 11,94674
-7,05076 -3,41289 1,889197
-20,4006 -7,53822 16,31141
-19,7377 13,14117 20,5675
1,375845 24,83181 1,834908
5,486027 17,46573 3,990096
11,67628 18,42098 1,116512
5,299341 8,656453 1,392173
20,16973 15,48722 -19,4956
14,95301 15,02609 -19,0529
-7,19676 17,62536 1,392173
K 1 K 2 K 3
-13,4427 13,91262 8,354762
-10,5577 15,02916 10,28859
-15,9389 9,431729 8,630423
-17,5418 6,29978 13,43782
-7,95536 -0,17338 14,3233
-4,20352 0,339806 2,774667
3,432266 -3,57707 -7,83419
-3,70287 -6,07614 -8,4983
8,595304 -4,59211 -9,2167
18,90878 -5,74349 -21,4837
5,308186 -3,32048 -6,06745
0,064231 -3,30549 -3,19387
-18,697 -7,15272 -1,53571
-9,4465 -6,35693 4,044386
-2,80963 -4,7272 12,16811
7,132469 -3,25875 8,797497
-2,30302 -3,01591 9,515894
18,55345 -3,29463 -4,68496
20,41837 -7,01618 -16,6763
5,228064 -6,74896 -6,06745
K 1 K 2 K 3
6,629956 -2,40742 -5,62471
7,519121 -3,62111 -7,28288
8,021634 -4,47244 -10,8749
6,160974 -2,47157 0,89514
-10,4068 -5,87491 6,696607
-16,9349 -5,12583 8,133399
-9,32877 -1,2813 2,110569
-12,2543 -2,89788 4,762782
-4,16998 -0,57568 10,23429
1,958257 -1,93855 1,834908
5,245375 -3,21018 3,050328
2,896388 -6,09355 -3,63661
18,91287 -3,18086 -6,56448
12,75819 -3,77029 -5,12769
2,842542 -3,28643 0,673777
-3,30096 -4,18103 9,073158
4,754036 -2,66401 1,613536
-11,236 -3,62439 -3,85798
-15,0681 -3,28277 11,00698
Penentuan Model Evaporasi Menggunakan Analisis Statistik Multivariat β¦ (Theresia Grefyolin Simbolon)
19
Gambar 2. Nilai output SPSS Uji-F
Pada Gambar 2 diketahui bahwa nilai Fhitung = 14,219. Dengan nilai Ftabel = 2,77 maka dapat
disimpulkan bahwa Fhitung > Ftabel sehingga H0 ditolak, yang berarti bahwa ada pengaruh
komponen K1, K2, K3 terhadap variabel Y.
3.6. Uji-T
Adapun hasil thitung untuk setiap komponen utama ditunjukkan pada Gambar 3 berikut.
Gambar 3. Nilai output SPSS Uji-T
(a) Uji-T komponen πΎ1terhadap Y, dengan hipotesis sebagai berikut:
H0 : komponen K1 tidak berpengaruh signifikan/nyata terhadap Y, dan
H1 : komponen K1 berpengaruh signifikan/nyata terhadap Y.
Gambar 3 menunjukkan nilai thitung untuk K1 = 4,020 dimana nilai ttabel = 2,005 maka thitung >
ttabel yang bahwa berarti komponen K1 berpengaruh signifikan terhadap Y.
(b) Uji-T komponen πΎ2terhadap Y, dengan hipotesis sebagai berikut:
H0 : komponen K2 tidak berpengaruh signifikan/nyata terhadap Y, dan
H1 : komponen K2 berpengaruh signifikan/nyata terhadap Y.
Gambar 3 menunjukkan nilai thitung untuk K2 = 0,225 dimana nilai ttabel = 2,005 maka thitung <
ttabel yang bahwa berarti komponen K2 tidak berpengaruh signifikan terhadap Y.
(c) Uji-T komponen πΎ3terhadap Y, dengan hipotesis sebagai berikut:
H0 : komponen K3 tidak berpengaruh signifikan/nyata terhadap Y, dan
H1 : komponen K3 berpengaruh signifikan/nyata terhadap Y.
Gambar 3 menunjukkan nilai thitung untuk K3 = -0,004 dimana nilai ttabel = 2,005 maka thitung
< ttabel yang bahwa berarti komponen K3 tidak berpengaruh signifikan terhadap Y.
Dengan mensubstitusikan persamaan K1, K2, K3 ke persamaan Y maka didapat model
regresi linier berganda yang melibatkan variabel Z yang merupakan hasil transformasi dari variabel
K sebagai variabel bebas. Hasil transformasi ditunjukkan pada persamaan berikut:
Y = 3,797 + 0,026K1 + 0,001K2β 0,0000276K3
Y = 3,797 + 0,026(0, 864Z1 + 0,036Z2 + 0,870Z3) + 0,001 (β0,161Z1 +0,990Z2 + 0,119Z3) β
0,0000276 (0,786Z4 + 0,786Z5)
MKGI : Jurnal Meteorologi Klimatologi Geofisika dan Instrument, Vol. 1, Agustus 2020: 12 - 21
20
Y = 3,797 + 0,02266Z1 + 0,00193Z2 + 0,0227Z3 β 0,000022Z4β 0,000022Z5
Pada persamaan diatas masih dalam bentuk variabel baku (Z) maka perlu di transformasikan
kedalam bentuk variabel asal (X). Dengan menggunakan rumus untuk membakukan data yang ada
pada analisis klaster sebelumnya, sehingga kita dapat seperti hasil dibawah ini:
π = 3,797 + 0,023 (π1 β 27,51
0,091) + 0,002 (
π2 β 1,481
0,074) + 0,023 (
π3 β 46,4
1,855)
+ 0,0002 (π4 β 1011,38
0,109) + 0,0002 (
π5 β 82,717
0,33)
sehingga didapat model evaporasi sebagai berikut:
Y = β3, 56 + 0,2527X1 + 0,027X2 + 0,012X3 β 0,00028X4 β 0,0001X5
Adapun variabel dari model evaporasi di atas adalah sebagai berikut:
- Konstanta (bo) = -3,56; nilai konstanta negatif menunjukkan pengaruh negatif variabel
independen. Bila variabel independen berpengaruh sebesar satu satuan maka variabel evaporasi
(Y) akan menurun sebesar 3,56 satuan.
- b1 = 0,2527; merupakan nilai koefisien regresi variabel suhu (X1) terhadap laju evaporasi. Jika
suhu mengalami kenaikan sebesar satu satuan maka akan menambah laju evaporasi sebesar
0,2527 atau berpengaruh sekitar 25,27%.
- b2 = 0,027; merupakan nilai koefisien regresi variabel kecepatan angin (X2) terhadap laju
evaporasi. Jika kecepatan angin mengalami kenaikan sebesar satu satuan maka akan menambah
laju evaporasi sebesar 0,027 atau berpengaruh sekitar 2,7%.
- b3 = 0,012; merupakan nilai koefisien regresi variabel intensitas radiasi matahari (X3) terhadap
laju evaporasi. Jika intensitas radiasi matahari mengalami kenaikan sebesar satu satuan maka
akan menambah laju evaporasi sebesar 0,0012 atau berpengaruh sekitar 1,2%.
- b4 = -0,0002; merupakan nilai koefisien regresi variabel tekanan udara (X4) terhadap laju
evaporasi. Jika tekanan udara mengalami kenaikan sebesar satu satuan maka akan laju evaporasi
akan menurun sebesar 0,0002 atau berpengaruh sekitar 0,2%.
- b5 = -0,0001; merupakan nilai koefisien regresi variabel kelembapan (X5) terhadap laju
evaporasi. Jika kelembapan mengalami kenaikan sebesar satu satuan maka laju evaporasi
menurun sebesar 0,0001 atau berpengaruh sekitar 0,01%.
4. KESIMPULAN
Berdasarkan hasil perhitungan dan analisis maka dapat ditarik kesimpulan sebagai berikut:
Hasil analisis klaster menunjukkan bahwa berdasarkan perhitungan jarak terdekat diperoleh 2 klaster
untuk pengelompokan faktor-faktor yang mempengaruhi evaporasi, yaitu:
a) Klaster I, terdiri dari suhu udara (X1), kecepatan angin (X2), intensitas radiasi matahari (X3),
b) Klaster II, terdiri dari tekanan udara (X4) dan kelembapan udara (X5).
Kedua klaster dari analisis klaster dianalisis kembali menggunakan analisis komponen utama,
sehingga didapat 2 komponen utama dari Klaster I dan 1 komponen utama dari Klaster II seperti
penjabaran berikut:
a) Komponen utama Klaster I:
K1 = 0,864Z1 + 0,360Z2 + 0,870Z3
K2 = β0, 161Z1 + 0,990Z2 + 0,119Z3
b) Komponen utama Klaster II:
K3 = 0,786Z4 + 0,786Z5
Dengan melakukan analisis regresi pada ketiga komponen utama, maka didapatkan model evaporasi
di Stasiun Klimatologi Deli Serdang sebagai berikut:
Y = β3,56 + 0,2527X1 + 0,027X2 + 0,012X3 β 0,00028X4 β 0,0001X5
Penentuan Model Evaporasi Menggunakan Analisis Statistik Multivariat β¦ (Theresia Grefyolin Simbolon)
21
REFERENSI [1] T. J. Chandler dan S. Nieuwolt, βTropical Climatology: An Introduction to the Climates of the
Low Latitudes,β Geogr. J., vol. 143, no. 3, 1977, doi: 10.2307/634726.
[2] S. Gunawan, βHidrologi dan Pengelolaan Daerah Aliran Sungai,β Journal of Chemical
Information and Modeling, vol. 53, no. 9. 2015.
[3] E. Aldrian, Meteorologi Laut Indonesia, no. June 2008. Jakarta: Badan Meteorologi dan
Geofisika, 2008.
[4] T. K. Manik, Klimatologi Dasar: Unsur Iklim dan Proses Pembentukan Iklim. Yogyakarta:
Graha Ilmu, 2014.
[5] D. G. C. Kirono, Modul Matakuliah Hidrometeorologi. Yogjakarta: Fakultas Geografi UGM,
2001.
[6] K. Tri, S. Sutoro, dan S. Djunaidy, βAnalisis Faktor yang Mempengaruhi Mahasiswa/i dalam
Pemilihan Jurusam dengan Metode Analisis Utama Berbasiskan Komputer,β J. Mat Stat, vol.
10, no. 01, 2010.
[7] J. Supranto, Analisis Multivariat Arti dan Interpretasi. Jakarta: Rineka Cipta, 2004.