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

https://journal.physan.id/index.php/mkgi

https://creativecommons.org/licenses/by-sa/4.0/

mailto:[email protected]

Penentuan Model Evaporasi Menggunakan Analisis Statistik Multivariat … (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 –

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 (ºC)

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:

𝑍 = 𝑋 − µ

𝜎 (1)

(b) menghitung jarak antar variabel yang diamati dengan menggunakan persamaan

Euclidean berikut:

𝑑𝑖𝑗 = √∑(𝑋𝑖𝑘 − 𝑋𝑗𝑘)2

𝑛

𝑘=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


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.


16

Tabel 2. Data Klaster I yang sudah dibakukan

Selanjutnya menghitung koefisien korelasi menggunakan persamaan berikut:

𝑟𝑖𝑘 =1

𝑛 − 1∑ (

𝑋𝑖𝑟 − �̅�𝑖

√𝑠𝑖𝑖

) (𝑋𝑘𝑟 − �̅�𝑖

√𝑠𝑘𝑘

)

𝑛

𝑟=1

(3)

Sehingga didapat matriks korelasi sebagai berikut:

[1 −0,064 0,504

−0,064 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 (λ) yang bersesuaian dengan menggunakan persamaan berikut:

det (λI − A) = 0 (4)

𝑑𝑒𝑡 (𝜆 [1 0 00 1 00 0 1

] − [1 −0,064 0,504

−0,064 1 0,0840,504 0,084 1

]) = 0

𝑑𝑒𝑡 ([𝜆 − 1 −0,064 0,504

−0,064 𝜆 − 1 0,0840,504 0,084 𝜆 − 1

]) = 0

−𝜆3 − 3𝜆2 − 2,74𝜆 + 0,7448 = 0

sehingga didapatkan:

𝜆1 = 1,505 ; 𝜆2 = 1,020 ; 𝜆3 = 0,476

Salah satu syarat untuk menetukan komponen utama adalah nilai Eigen harus lebih besar dari

1. Dari nilai Eigen yang memenuhi adalah 𝜆1 = 1,505 dan 𝜆2 = 1,020, maka dilanjutkan hitung

Vector Eigen hanya untuk λ1 dan λ2. Berikut hasil menentukan Vector Eigen untuk kedua

komponen utama diatas:

(𝜆𝐼 − 𝐴)𝑉 = 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


17

(𝜆 [1 0 00 1 00 0 1

] − [1 −0,064 0,504

−0,064 1 0,0840,504 0,084 1

]) 𝑉 = 0

untuk 𝜆1 = 1,505maka didapat Vector Eigen (𝑉1) sebagai berikut:

𝑉 = [0,8640,0360,870

]

Dari penjabaran diatas data ditafsirkan 2 kompenen utama dari Klaster I, yaitu:

K1 = 0, 864Z1 + 0, 036Z2 + 0, 870Z3

K2 = −0, 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

𝑑𝑒𝑡(𝜆𝐼 − 𝐴) = 0

𝑑𝑒𝑡 (𝜆 [1 00 1

] − [1 0,236

0,236 1]) = 0

𝑑𝑒𝑡 ([𝜆 − 1 0,2360,236 𝜆 − 1

]) = 0

𝜆2 − 2𝜆 + 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


18

sehingga didapatkan:

𝜆1 = 1,236 ; 𝜆2 = 0,764

Sesuai dengan syarat yang sudah di jabarkan pada klaster I yaitu nilai Eigen ≥ 1, maka untuk

λ=1,236 Vector Eigen-nya adalah:

(𝜆 [1 00 1

] − [1 0,236

0,236 1]) 𝑉 = 0

([𝜆 − 1 0,2360,236 𝜆 − 1

]) 𝑉 = 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:

𝑌 = 3,979 + 0,026𝐾1 + 0,001𝐾2 − 0,0000276𝐾3

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 (α) 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


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 𝐾1terhadap 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 𝐾2terhadap Y, dengan hipotesis sebagai berikut:



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 𝐾3terhadap Y, dengan hipotesis sebagai berikut:



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 + 0,001K2− 0,0000276K3

Y = 3,797 + 0,026(0, 864Z1 + 0,036Z2 + 0,870Z3) + 0,001 (−0,161Z1 +0,990Z2 + 0,119Z3) −

0,0000276 (0,786Z4 + 0,786Z5)


20

Y = 3,797 + 0,02266Z1 + 0,00193Z2 + 0,0227Z3 − 0,000022Z4− 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:

𝑌 = 3,797 + 0,023 (𝑋1 − 27,51

0,091) + 0,002 (

𝑋2 − 1,481

0,074) + 0,023 (

𝑋3 − 46,4

1,855)

+ 0,0002 (𝑋4 − 1011,38

0,109) + 0,0002 (

𝑋5 − 82,717

0,33)

sehingga didapat model evaporasi sebagai berikut:

Y = −3, 56 + 0,2527X1 + 0,027X2 + 0,012X3 − 0,00028X4 − 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 = −0, 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 = −3,56 + 0,2527X1 + 0,027X2 + 0,012X3 − 0,00028X4 − 0,0001X5


21

REFERENSI [1] T. J. Chandler dan S. Nieuwolt, “Tropical Climatology: An Introduction to the Climates of the

Low Latitudes,” Geogr. J., vol. 143, no. 3, 1977, doi: 10.2307/634726.

[2] S. Gunawan, “Hidrologi dan Pengelolaan Daerah Aliran Sungai,” 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, “Analisis Faktor yang Mempengaruhi Mahasiswa/i dalam

Pemilihan Jurusam dengan Metode Analisis Utama Berbasiskan Komputer,” J. Mat Stat, vol.

10, no. 01, 2010.

[7] J. Supranto, Analisis Multivariat Arti dan Interpretasi. Jakarta: Rineka Cipta, 2004.

Template Login : Jurnal Teknologi Komputer

Documents

Transcript of Template Login : Jurnal Teknologi Komputer