390
dibantu dengan
software statistik
WinBUGS 1.4. Model ini dievaluasi melalui
membandingkan model dengan hasil
implementasi Heytos. Selanjutnya, prediksi
model disagregasi
hujan ini
dibantu dengan Matlab yang
dihubungkan dengan WinBUGS.
compared the results provided by the Heytos
program. Furthermore, the prediction of the
disaggregated data is modeled
by using
Matlab linked
with WinBUGS.
3. T6p3Hasil simulasi
model PAR 1
24
yang diberi
perlakuan dengan adjusting dan
filtering ini
memberikan nilai
MeanAbsolute Error MAE sebesar 0,44.
Model ini
mampu meningkatkan kinerja
sebesar 15
jika dibandingkan
hasil aplikasi
Heytos. Kinerja
prediksi model menunjukkan
hasil yang
bagus untuk tinggi hujan
T6p3The simulation
model of PAR 1
24
coupled with adjusting and
filtering procedures
gives Mean Absolute Error
MAE value of 0.44. This
model has
successfully increased the performance of the
output by
15 compared to the results
of Heytos application. This
model demonstrates
better prediction of maximum
rainfall depth only
3 2
1 3
2 1
commit to user
391
maksimum selisih
tinggi hujannya hanya 6,1 terhadap tinggi
hujan observasi.
Keandalan model ini telah diuji untuk dua
kejadian. Pertama,
implementasi untuk
bulan Desember tahun 2009
memberikan kinerja yang bagus
dengan nilai MAE 0.37. Kedua, hasil
kalibrasi dan
implementasi model
untuk bulan-bulan
lain selain Desember tahun
2005-2008 menunjukkan bahwa
model ini
mampu mendisagregasi
data hujan dari harian ke
jam-jaman terutama
pada bulan
basah. Pemanfaatan
data hasil disagregasi telah
diuji dalam
perhitungan hidrograf banjir dengan hasil
yang sangat
memuaskan karena
6.1 differ from the observation than the
Heytos. The realibility of this model is tested
for 2 conditions. Firstly is by implementing the
model to the rainfall data
in December
2009. 1 shows that this model
works significantly well in
disaggregating the
rainfall data from daily to hourly with the
MAE value of 0.37. Secondly
is by
calibrating and
implementing the
model to the rainfall data
in Januari
– Nopember 2005-2008.
It shows
that this
parameter model works well mostly for the wet
seasons. The
data obtained
from the
model has been used for developing a flood
hydrograph and the result
shows the
similarity with the one perpustakaan.uns.ac.id
commit to user
392
mengahsilkan hidrograf banjir yang
polanya mirip dengan hidrograf banjir yang
dibangun dari data observasi.
Kata kunci: disagregasi data
hujan, PAR, Bayesian, adjusting,
filtering. build
by using
observed data.
Key word : rainfall
disaggregation, periodic auto-
regression PAR, Bayesian, adjusting,
filtering
4. 3
2 1
3 2
1 5.
3 2
1 3
2 1
commit to user
393
Tabel Penilaian Keberterimaan: Struktur Abstrak, Koherensi Teks, Struktur Gramatikal Terjemahan Teks Abstrak Disertasi
T-6
Aspek Total
Rerata Struktur
Abstrak Koherensi
Teks Struktur
Gramatikal Nilai
3 3
3 2
2 2
1 1
1
CATATAN:
Paragraf 1.
………………………………………………………………………………… …………………………………………………………………………………
2. …………………………………………………………………………………
………………………………………………………………………………… 3.
………………………………………………………………………………… …………………………………………………………………………………
4. …………………………………………………………………………………
………………………………………………………………………………… 5.
………………………………………………………………………………… …………………………………………………………………………………
commit to user
394
Tabel Penilaian: Keakuratan Kesepadanan Makna dan Keberterimaan
Terjemahan Teks Abstrak Disertasi
T-7 P
rg Tsu
Tsa Validitas
Keakuratan Struktur
Gramatikal
1. T7p1Surabaya
