Penggunaan Model Tisean Dan Wavelet Untuk Analisis Simulasi Komputasi Pemetaan Validasi Prediksi Curah Hujan Di Sumatera Utara
PENGGUNAAN MODEL TISEAN DAN WAVELET UNTUK
ANALISIS SIMULASI KOMPUTASI PEMETAAN
VALIDASI PREDIKSI CURAH HUJAN
DI SUMATERA UTARA
TESIS
Oleh
MUHAMMAD HASANUDDIN
097026020/FIS
PROGRAM STUDI MEGISTER (S2) ILMU FISIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
(2)
PENGGUNAAN MODEL TISEAN DAN WAVELET UNTUK
ANALISIS SIMULASI KOMPUTASI PEMETAAN
VALIDASI PREDIKSI CURAH HUJAN
DI SUMATERA UTARA
TESIS
Diajukan sebagai salah satu syarat untuk memperoleh gelar
Magister sains dalam program studi Magister Ilmu Fisika
pada program pascasarjana Fakultas MIPA
Universitas Sumatera Utara
Oleh
MUHAMMAD HASANUDDIN
097026020/FIS
PROGRAM STUDI MEGISTER (S2) ILMU FISIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
(3)
PENGESAHAN TESIS
Judul Tesis
: PENGGUNAAN MODEL TISEAN
DAN WAVELET UNTUK ANALISIS
SIMULASI
KOMPUTASI
PEMETAAN VALIDASI PREDIKSI
CURAH HUJAN DI SUMATERA
UTARA
Nama Masiswa
: MUHAMMAD HASANUDDIN
Nomor Induk Mahasiswa : 097026020
Program Studi
: Magister Fisika
Fakultas
: Matematika dan Ilmu pengetahuan
Alam Universitas Sumatera Utara
Menyetujui
Komisi Pembimbing
(Drs. Nasir Saleh, M.Eng.Sc) (Prof. Dr. Muhammad Zarlis, M.Sc)
Anggota
Ketua
Ketua Program Studi,
Dekan,
(4)
PERNYATAAN PERSETUJUAN PUBLIKASI
KARYA ILMIAH UNTUK KEPENTINGAN
AKADEMIS
Sebagai sivitas akademika Universitas Sumatera Utara, saya yang bertanda tangan dibawah ini :
N a m a : Muhammad Hasanuddin
N I M :
097026020
Program Studi : Magister Fisika Jenis Karya Ilmiah : Tesis
Demi pengenmbangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Sumatera Utara Hak Bebas Royalti Non-Ekslusif (Non-Exclusive Free Right) atas Tesis saya yang berjudul :
“
PENGGUNAAN MODEL TISEAN DAN WAVELET UNTUK
ANALISIS SIMULASI KOMPUTASI PEMETAAN VALIDASI
PREDIKSI CURAH HUJAN DI SUMATERA UTARA”
Beserta perangkat yang ada (jika diperkirakan). Dengan Hak Bebas Royalti Non-Ekslusif ini, Universitas Sumatera Utara berhak menyimpan, mengalih media, memformat, mengelola dalam bentuk data base, merawat dan mempublikasikan Tesis saya tanpa meminta izin dari saya selama tetap mencantumkan nama saya sebagai penulis dan sebagai pemegang dan atau sebagai pwmilik hak cipta.
Dengan pernyataan ini dibuat dengan sebenarnya.
Medan, Juni 2011
Muhammad Hasanudddin NIM.
097026020
(5)
Telah diujikan pada Tanggal : 23 Juni 2011
PANITIA PENGUJI TESIS
Ketua : Dr. Nasruddin MN, M.Eng.Sc
Anggota : 1. Prof. Dr. Muhammad Zarlis, M.Sc 2. Drs. Nasir Saleh, M.Eng.Sc
3. Dr. Anwar Dharma Sembiring, MS 4. Dr. Nasruddin MN, M.Eng.Sc 5. Dr. Mester Sitepu, M.Sc, M.Phill
(6)
PERNYATAAN ORISINALITAS
PENGGUNAAN MODEL TISEAN DAN WAVELET UNTUK
ANALISIS SIMULASI KOMPUTASI PEMETAAN
VALIDASI PREDIKSI CURAH HUJAN
DI SUMATERA UTARA
T E S I S
Dengan ini saya nyatakan bahwa saya mengakui semua karya tesis ini adalah hasil kerja saya sendiri kecuali kutipan dan ringkasan yang tiap satuannya telah di jelaskan sumbernya dengan benar.
Medan, Juni 2011
Muhammad Hasanudddin NIM.
097026020
(7)
RIWAYAT HIDUP
DATA PRIBADI
Nama Lengkap berikut Gelar : Muhammad Hasanuddin Tempat dan Tanggal Lahir : Binjai, 30 Maret 1979
Alamat Rumah : Jln. Tanjung Periok Gg. Tapian Kuda Kelurahan Rambung Dalam Binjai
Telepon/HP : - / 08126336321
E-mail : hasan_man50@yahoo.co.id
Instansi Tempat Bekerja : SMA Swasta Dharma Pancasila Medan Alamat Kantor : Jl. Dr. Mansur No. 71-C Medan
Telepon/Faks : 061-7862140
DATA PENDIDIKAN
SD : Muhammadiyah-01 Binjai Tamat : 1993
SMP : SMP Muhammadiyah-12 Binjai Tamat : 1996
SMA : MAN Binjai Tamat : 1999
Strata-1 : FMIPA Universitas Negeri Medan Tamat : 2004 Fisika
(8)
KATA PENGANTAR
Puji dan Syukur Penulis panjatkan kehadirat Allah SWT karena atas rahmat dan karunia-Nya tesis yang berjudul “PENGGUNAAN MODEL TISEAN DAN WAVELET UNTUK ANALISIS SIMULASI KOMPUTASI PEMETAAN VALIDASI PREDIKSI CURAH HUJAN DI SUMATERA UTARA” ini telah selesai disusun. Tesis ini selesai berkat adanya bantuan moril maupun materil dari berbagai pihak. Untuk itu, tak lupa Penulis menyampaikan dan mengucapkan rasa terima kasih yang sebesar-besarnya kepada:
1. Pemerintah Provinsi Sumatera Utara, Kepala Dinas Tk. 1 dan Tk. 2 yang telah memberikan bantuan dana sehingga Penulis dapat melaksanakan Program Studi Magister Ilmu Fisika Program Pascasarjana FMIPA Universitas Sumatera Utara.
2. Rektor Universitas Sumatera Utara, Prof. Dr. dr. Syahril Pasaribu, DTM&H, M.Sc (CTM), Sp.A(K) atas kesempatan yang diberikan kepada Penulis untuk mengikuti dan menyelesaikan pendidikan Program Magister Sains.
3. Dekan Fakultas MIPA Universitas Sumatera Utara, Dr. Sutarman, M.Sc atas kesempatan menjadi mahasiswa Program Studi Magister Ilmu Fisika pada Program Pascasarjana FMIPA Universitas Sumatera Utara.
4. Ketua Program Studi Magister Fisika, Dr. Nasruddin, M.N, M.Eng.Sc. Sekretaris Program Studi Magister Fisika, Dr. Anwar Dharma Sembiring, M.S berserta seluruh Staf Pengajar pada Program Studi Magister Ilmu Fisika Program PascasarjanaFakultas MIPA Universitas Sumatera Utara.
5. Terimakasih yang tak terhingga dan penghargaan yang setinggi-tingginya Penulis ucapkan kepada Bapak Prof. Dr. Muhammad Zarlis, M.Sc dan Bapak Drs. Nasir Saleh, M.Eng.Sc selaku pembimbing utama dan pembimbing kedua yang mana dengan penuh perhatian dan telah memberikan dorongan, bimbingan, bimbingan dan arahan penuh dengan kesabaran menuntun dan membimbing Penulis hingga selesainya prnrlitian ini.
6. Bapak Dr. Anwar Dharma Sembiring, M.S, Bapak Dr. Nasruddin, M.N, M.Eng.Sc., Bapak Dr. Mester Sitepu, M.Phil, M.Sc dan Ibu Dr. Susilawati, M.Si selaku tim penguji dan nara sumber yang banyak memberikan arahan kepada Penulis demi kebaikan Penulisan tesis ini.
7. Teristimewa kepada Ayahanda Hasan Basri Jambak dan Ibunda Nurbaiti Piliyang, disini Penulis ucapkan terimakasih atas segala pengorbanan, baik berupa moril maupun materil, budi baik ini tidak dapat dibalas hanya Penulis serahkan kepada ALLAH SWT.
8. Kepada Istri tercinta dan tersayang A I S Y A H, Ananda Latifa Raisya Husna, kepada orang-orang yang Penulis sayangi Muharmansyah Putra (kakanda), Rahmatsyah (Alm) (adinda), Salamuddin (adinda), Hanifa (adinda), Siti Fatimah (adinda), Khairuddin (adinda), Ramadhan (adinda), Sabri (adinda), Khairiansyah (adinda), Abdul Ridho Hamdi (adinda), Sakinah (adinda), Syawal Fitrah (adinda) dan Nurul Hudani (adinda) yang selalu memberi dukungan dan semangat kepada Penulis selama dalam pendidikan dan waktu penulisan tesis ini.
9. Rekan-rekan mahasiswa Program Studi Magister Ilmu Fisika Program Pascasarjana Universitas Sumatera Utara khususnya Azroini, Nani Sri Rezeki,
(9)
rekan-rekan mahasiswa Program Studi Magister Ilmu Fisika Program Pascasarjana Universitas Sumatera Utara angkatan 2009/2010 yang nama-namanya tidak dapat disebut yang telah memberikan semangat dan dukungan kepada Penulis selama dalam pendidikan dan penulisan tesis ini.
Kiranya Allah SWT yang dapat membalas kebaikan yang telah saudara berikan kepada Penulis dan mudah-mudahan kita selalu dalam lindungan-Nya. Akhirnya Penulis berharap semoga tesis ini menjadi kebanggan semua orang-orang yang saya cintai. Semoga tesis ini juga dapat memberikan manfaat kepada siapa saja yang membacanya.
Medan, Juni 2011 Penulis,
Muhammad Hasanuddin NIM. 097026020
(10)
PENGGUNAAN MODEL TISEAN DAN WAVELET UNTUK
ANALISIS SIMULASI KOMPUTASI PEMETAAN
VALIDASI PREDIKSI CURAH HUJAN
DI SUMATERA UTARA
ABSTRAK
Provinsi Sumatera Utara merupakan salah satu provinsi yang berada di pulau Sumatera yang kondisi cuaca dan iklimnya sangat dipengaruhi oleh kondisi topografi daerah tersebut. Wilayah Sumatera Utara berdasarkan Klasifikasi Oldeman dibagi atas 7 (tujuh) wilayah hujan yang mana masing-masing wilayah hujan tersebut akan dilakukan pengujian untuk mendapatkan model prediksi yang paling baik digunakan untuk tiap-tiap wilayah tersebut. Dalam pengujian ini menggunakan 2 (dua) model prediksi antara lain: Wavelet dan Tisean dimana hasil validasi pengujian masing-masing tipe ikim mempunyai keakuratan yang berbeda untuk masing-masing wilayah. Dari hasil validasi model prediksi curah hujan menunjukkan model Wavelet lebih baik digunakan untuk memprediksi curah hujan pada Tipe A1, Tipe D2 dan E3, sedangkan model Tisean lebih baik digunakan untuk memprediksi curah hujan pada Tipe D2 dan E3, dengan nilai validasi rata-rata lebih dari 0.5. Sedangkan secara keseluruhan untuk wilayah Sumatera Utara, Wavelet lebih baik digunakan untuk memprediksi dibandingkan dengan model Tisean.
(11)
USE OF MODEL TISEAN AND WAVELET ANALYSIS FOR
COMPUTATIONAL SIMULATION VALIDATION
PREDICTION MAPPING RAINFALL
IN NORTH SUMATRA
ABSTRACT
North Sumatra Province is one of the province in Sumatra island weather conditions and climate is strongly influenced by the local topography. North Sumatra region on the basis of classification Oldeman divided over 7 (seven) areas where rain rain each region will be tested to obtain the best prediction model used for each region. In this test using two predictive models among others: Wavelet and Tisean where the results of validation testing ikim each type has a different accuracy for each region. From the results of the validation of rainfall prediction model shows a better Wavelet model used to predict rainfall in the Type A1, Type D2 and E3, whereas Tisean better models used to predict rainfall in Type D2 and E3, while overall North Sumatra Wavelet is used to predict better than the model Tisean.
(12)
DAFTAR ISI
Halaman
KATA PENGANTAR i
ABSTRAK iii
ABSTRACT iv
DAFTAR ISI v
DAFTAR TABEL x
DAFTAR GAMBAR xi
DAFTAR LAMPIRAN xv
BAB I PENDAHULUAN 1
1.1 Latar Belakang 1
1.2 Perumusan Masalah 2
1.3 Tujuan Penelitian 3
1.4 Manfaat Penelitian 3
1.5 Batasan Masalah 4
BAB II TINJAUAN PUSTAKA 5
2.1 Sistem Komputer 5
2.2 Program Komputer 6
2.3 Klasifikasi Komputer 7
2.3.1 Berdasarkan sinyal masukan 7
2.3.2 Berdasarkan Ukuran 7
2.3.3 Berdasarkan Tujuan Pembuatan 8
2.3.4 Berdasarkan Generasi 8
2.4 Pengertian Hujan 9
2.4.1 Tipe Hujan 10
2.4.2 Distribusi Hujan 11
(13)
2.4.5 Alat Pengukur Curah Hujan 12
2.5 Sistem Klasifikasi Oldeman 13
2.6 Matlab 15
2.6.1 Pengertian Matlab 15
2.6.2 Perbedaan matlab dengan software
pemograman lain 16
2.6.3 Aplikasi Matlab 16
2.6.4 Perkembangan Matlab 17
2.7 Metode Wavelet 18
2.8 Metode Tisean 18
2.9 Validasi Prakiraan 19
2.10 Simulasi Komputasi 20
BAB III METODOLOGI PENELITIAN 22
3.1 Pelaksanaan Dan Waktu Penelitian 22
3.2 Bahan-Bahan 22
3.3 Rancangan Umum Penelitian 22
3.4 Variabel Yang Diamati 23
3.5 Data Validasi 23
3.6 Proses Analisis Dan Pemetaan 24
3.6.1 Proses Analisis Data Menggunakan Hy BMG 24 3.6.2 Proses Pemetaan Menggunakan Arc View 3.3 31
BAB IV ANALISIS DAN PEMBAHASAN 33
4.1 Tipe Iklim Oldeman Di Sumatera Utara 33
4.2 Prediksi Model Wavelet 33
4.2.1 Prediksi Model Wavelet Tipe A1 33 4.2.2 Prediksi Model Wavelet Tipe C1 34 4.2.3 Prediksi Model Wavelet Tipe D1 34 4.2.4 Prediksi Model Wavelet Tipe D2 35
(14)
4.2.5 Prediksi Model Wavelet Tipe E1 36 4.2.6 Prediksi Model Wavelet Tipe E2 36 4.2.7 Prediksi Model Wavelet Tipe E3 37
4.3 Prediksi Model Tisean 38
4.3.1 Prediksi Model Tisean Tipe A1 38 4.3.2 Prediksi Model Tisean Tipe C1 38 4.3.3 Prediksi Model Tisean Tipe D1 39 4.3.4 Prediksi Model Tisean Tipe D2 40 4.3.5 Prediksi Model Tisean Tipe E1 40 4.3.6 Prediksi Model Tisean Tipe E2 41 4.3.7 Prediksi Model Tisean Tipe E3 42 4.4 Validasi Hasil Prediksi Model Wavelet 42 4.4.1 Validasi Hasil Prediksi Model Wavelet Tipe A1 42 4.4.2 Validasi Hasil Prediksi Model Wavelet Tipe C1 43 4.4.3 Validasi Hasil Prediksi Model Wavelet Tipe D1 43 4.4.4 Validasi Hasil Prediksi Model Wavelet Tipe D2 44 4.4.5 Validasi Hasil Prediksi Model Wavelet Tipe E1 44 4.4.6 Validasi Hasil Prediksi Model Wavelet Tipe E2 45 4.4.7 Validasi Hasil Prediksi Model Wavelet Tipe E3 45 4.5 Validasi Hasil Prediksi Model Tisean 46 4.5.1 Validasi Hasil Prediksi Model Tisean Tipe A1 46 4.5.2 Validasi Hasil Prediksi Model Tisean Tipe C1 47 4.5.3 Validasi Hasil Prediksi Model Tisean Tipe D1 47 4.5.4 Validasi Hasil Prediksi Model Tisean Tipe D2 48 4.5.5 Validasi Hasil Prediksi Model Tisean Tipe E1 48 4.5.6 Validasi Hasil Prediksi Model Tisean Tipe E2 49 4.5.7 Validasi Hasil Prediksi Model Tisean Tipe E3 49
(15)
4.6 Analisis Validasi Model Wavelet
dan Tisean 50
4.6.1 Analisis Validasi Model Wavelet dan
Tisean Bulan Januari 50
4.6.2 Analisis Validasi Model Wavelet dan
Tisean Bulan Pebruari 51
4.6.3 Analisis Validasi Model Wavelet dan
Tisean Bulan Maret 52
4.6.4 Analisis Validasi Model Wavelet
dan Tisean Bulan April 53
4.6.5 Analisis Validasi Model Wavelet dan
Tisean Bulan Mei 54
4.6.6 Analisis Validasi Model Wavelet dan
Tisean Bulan Juni 55
4.6.7 Analisis Validasi Model Wavelet dan
Tisean Bulan Juli 56
4.6.8 Analisis Validasi Model Wavelet dan
Tisean Bulan Agustus 57
4.6.9 Analisis Validasi Model Wavelet dan
Tisean Bulan September 58
4.6.10 Analisis Validasi Model Wavelet dan
Tisean Bulan Oktober 59
4.6.11 Analisis Validasi Model Wavelet
dan Tisean Bulan Nopember 60
4.6.12 Analisis Validasi Model Wavelet
(16)
BAB V KESIMPULAN DAN SARAN 63
5.1 Kesimpulan 63
5.2 Saran 63
DAFTAR PUSTAKA 65
(17)
DAFTAR TABEL
Nomor Gambar
Judul Halaman
(18)
DAFTAR GAMBAR
Nomor
Gambar Judul Halaman
2.1 Pembagian wilayah Indonesia menurut pola (Modified from DPI-Australia, 2002)
12
2.2 Alat pengukur curah hujan jenis otomatis 13
3.1 Alur Penelitaian 23
3.2 Tampilan Format Excel dan Text 25
3.3 Tampilan Text dalam Folder 25
3.4 Tampilan HyBMG dalam Destop 25
3.5 Tampilan HyBMG 26
3.6 Tampilan HyBMG dan File Input 26
3.7 Tampilan WAVELET dalam HyBMG 27
3.8 Tampilan Proses WAVELET 27
3.9 Tampilan Hasil Prediksi WAVELET 28
3.10 Tampilan Hasil dalam Prediksi Bulanan 28
3.11 Tampilan TISEAN dalam HyBMG 29
3.12 Tampilan Proses TISEAN 29
3.13 Tampilan Proses dan Output TISEAN 30 3.14 Tampilan Hasil Prediksi TISEAN dalam
Bulanan
30
3.15 Tampilan ArcView 31
3.16 Tampilan ArcView membuat Folder 31
3.17 Tampilan ArcView Proses Analisis 32
3.18 Tampilan Layout dalam ArcView 32
4.1 Prediksi Curah Hujan Model WAVELET Tipe A1
(19)
4.2 Prediksi Curah Hujan Model WAVELET Tipe C1
34
4.3 Prediksi Curah Hujan Model WAVELET Tipe D1
35
4.4 Prediksi Curah Hujan Model WAVELET Tipe D2
35
4.5 Prediksi Curah Hujan Model WAVELET Tipe E1
36
4.6 Prediksi Curah Hujan Model WAVELET Tipe E2
37
4.7 Prediksi Curah Hujan Model WAVELET Tipe E3
37
4.8 Prediksi Curah Hujan Model TISEAN Tipe A1 38 4.9 Prediksi Curah Hujan Model TISEAN Tipe C1 39 4.10 Prediksi Curah Hujan Model TISEAN Tipe D1 39 4.11 Prediksi Curah Hujan Model TISEAN Tipe D2 40 4.12 Prediksi Curah Hujan Model TISEAN Tipe E1 41 4.13 Prediksi Curah Hujan Model TISEAN Tipe E2 41 4.14 Prediksi Curah Hujan Model TISEAN Tipe E3 42 4.15 Validasi Prediksi Curah Hujan Model
WAVELET Tipe A1
43
4.16 Validasi Prediksi Curah Hujan Model WAVELET Tipe C1
43
4.17 Validasi Prediksi Curah Hujan Model WAVELET Tipe D1
44
4.18 Validasi Prediksi Curah Hujan Model WAVELET Tipe D2
44
4.19 Validasi Prediksi Curah Hujan Model WAVELET Tipe E1
45
4.20 Gambar 4.20. Validasi Prediksi Curah Hujan Model WAVELET Tipe E2
45
4.21 Validasi Prediksi Curah Hujan Model WAVELET Tipe E3
(20)
4.22 Validasi Prediksi Curah Hujan Model TISEAN Tipe A1
46
4.23 Validasi Prediksi Curah Hujan Model TISEAN Tipe C1
47
4.24 Validasi Prediksi Curah Hujan Model TISEAN Tipe D1
47
4.25 Validasi Prediksi Curah Hujan Model TISEAN Tipe D2
48
4.26 Validasi Prediksi Curah Hujan Model TISEAN Tipe E1
48
4.27 Validasi Prediksi Curah Hujan Model TISEAN Tipe E2
49
4.28 Validasi Prediksi Curah Hujan Model TISEAN Tipe E3
49
4.29 Validasi Model WAVELET Bulan Januari 50 4.30 Validasi Model TISEAN Bulan Januari 51 4.31 Validasi Model WAVELET Bulan Pebruari 51 4.32 Validasi Model TISEAN Bulan Pebruari 52 4.33 Validasi Model WAVELET Bulan Maret 52 4.34 Validasi Model TISEAN Bulan Maret 53 4.35 Validasi Model WAVELET Bulan April 53 4.36 Validasi Model TISEAN Bulan April 54
4.37 Validasi Model WAVELET Bulan Mei 54
4.38 Validasi Model TISEAN Bulan Mei 55
4.39 Validasi Model WAVELET Bulan Juni 55
4.40 Validasi Model TISEAN Bulan Juni 56
4.41 Validasi Model WAVELET Bulan Juli 56 4.42 Validasi Model TISEAN Bulan Juli 57 4.43 Validasi Model WAVELET Bulan Agustus 57 4.44 Validasi Model TISEAN Bulan Agustus 58
(21)
4.46 Validasi Model TISEAN Bulan September 59 4.47 Validasi Model WAVELET Bulan Oktober 59 4.48 Validasi Model TISEAN Bulan Oktober 60 4.49 Validasi Model WAVELET Bulan Nopember 60 4.50 Validasi Model TISEAN Bulan Nopember 61 4.51 Validasi Model WAVELET Bulan Desember 61
(22)
DAFTAR LAMPIRAN
Nomor
Lampiran Judul Halaman
A Data Curah Hujan Bulanan Klasifikasi Iklim Tipe A1
L – 1 B Data Curah Hujan Bulanan Klasifikasi
Iklim Tipe C1
L – 2 C Data Curah Hujan Bulanan Klasifikasi
Iklim Tipe D1
L – 3 D Data Curah Hujan Bulanan Klasifikasi
Iklim Tipe D2
L – 4 E Data Curah Hujan Bulanan Klasifikasi
Iklim Tipe E1
L – 5 F Data Curah Hujan Bulanan Klasifikasi
Iklim Tipe E2
L – 6 G Data Curah Hujan Bulanan Klasifikasi
Iklim Tipe E3
L – 7
H Prediksi Wavelet Tipe A1 L – 8
I Prediksi Wavelet Tipe C1 L – 9
J Prediksi Wavelet Tipe D1 L – 10
K Prediksi Wavelet Tipe D2 L – 11
L Prediksi Wavelet Tipe E1 L – 12
M Prediksi Wavelet Tipe E2 L – 13
N Prediksi Wavelet Tipe E3 L – 14
O Prediksi Tisean Tipe A1 L – 15
P Prediksi Tisean Tipe C1 L – 16
Q Prediksi Tisean Tipe D1 L – 17
R Prediksi Tisean Tipe D2 L – 18
S Prediksi Tisean Tipe E1 L – 19
T Prediksi Tisean Tipe E2 L – 20
(23)
PENGGUNAAN MODEL TISEAN DAN WAVELET UNTUK
ANALISIS SIMULASI KOMPUTASI PEMETAAN
VALIDASI PREDIKSI CURAH HUJAN
DI SUMATERA UTARA
ABSTRAK
Provinsi Sumatera Utara merupakan salah satu provinsi yang berada di pulau Sumatera yang kondisi cuaca dan iklimnya sangat dipengaruhi oleh kondisi topografi daerah tersebut. Wilayah Sumatera Utara berdasarkan Klasifikasi Oldeman dibagi atas 7 (tujuh) wilayah hujan yang mana masing-masing wilayah hujan tersebut akan dilakukan pengujian untuk mendapatkan model prediksi yang paling baik digunakan untuk tiap-tiap wilayah tersebut. Dalam pengujian ini menggunakan 2 (dua) model prediksi antara lain: Wavelet dan Tisean dimana hasil validasi pengujian masing-masing tipe ikim mempunyai keakuratan yang berbeda untuk masing-masing wilayah. Dari hasil validasi model prediksi curah hujan menunjukkan model Wavelet lebih baik digunakan untuk memprediksi curah hujan pada Tipe A1, Tipe D2 dan E3, sedangkan model Tisean lebih baik digunakan untuk memprediksi curah hujan pada Tipe D2 dan E3, dengan nilai validasi rata-rata lebih dari 0.5. Sedangkan secara keseluruhan untuk wilayah Sumatera Utara, Wavelet lebih baik digunakan untuk memprediksi dibandingkan dengan model Tisean.
(24)
USE OF MODEL TISEAN AND WAVELET ANALYSIS FOR
COMPUTATIONAL SIMULATION VALIDATION
PREDICTION MAPPING RAINFALL
IN NORTH SUMATRA
ABSTRACT
North Sumatra Province is one of the province in Sumatra island weather conditions and climate is strongly influenced by the local topography. North Sumatra region on the basis of classification Oldeman divided over 7 (seven) areas where rain rain each region will be tested to obtain the best prediction model used for each region. In this test using two predictive models among others: Wavelet and Tisean where the results of validation testing ikim each type has a different accuracy for each region. From the results of the validation of rainfall prediction model shows a better Wavelet model used to predict rainfall in the Type A1, Type D2 and E3, whereas Tisean better models used to predict rainfall in Type D2 and E3, while overall North Sumatra Wavelet is used to predict better than the model Tisean.
(25)
BAB I
PENDAHULUAN
1.1. LATAR BELAKANG
Sumatera Utara merupakan salah satu provinsi yang berada di Pulau Sumatera yang mana posisi Sumatera Utara terletak pada garis 1°-4° Lintang Utara dan 98°-100° Bujur Timur. Sebelah Utara berbatasan dengan Nanggroe Aceh Darussalam, sebelah Timur berbatasan dengan Negara Malaysia di Selat Malaka, sebelah Selatan berbatasan denga Provinsi Riau dan Sumatera Barat dan di sebelah Barat berbatasan dengan Samudera Hindia.
Luas daratan Provinsi Sumatera Utara adalah 71.680 km2, Berdasarkan kondisi letak dan kondisi alam, Sumatera Utara memiliki kondisi wilayah yang khas yang mana terbentang Pegunungan Bukit Barisan yang membentang dari Utara hingga Selatan dan diapit oleh dua perairan yaitu Samudera Hindia dan Selat Malaka. Kondisi ini yang sangat mempengaruhi pola-pola cuaca dan iklim didaerah tersebut (bps, 2007).
Sebagaimana Provinsi lainya di Indonesia, Provinsi Sumatera Utara mempunyai dua musim yaitu: Musim Hujan periode Juli-Desember dan Musim Kemarau periode Januari-Juni. Curah hujan merupakan unsur iklim yang sangat signifikan yang menunjang berbagai aspek seperti sektor pertanian, perkebunan, kesehatan dan lain-lain. Untuk memprediksi curah hujan ada beberapa metode yang telah dikembangkan antara lain : ARIMA, Wavelet, TISEAN, Regresi, ANFIS, yang mana dari beberapa metode diatas akan divalidasi keakuratannya dan dipetakan secara spasial.
Badan Meteorologi, Klimatologi dan Geofisika (BMKG) merupakan lembaga resmi pemerintah yang bertugas memberikan layanan informasi kepada masyarakat terkait cuaca dan curah hujan. Itulah sebabnya, BMKG dianggap sebagai lembaga yang paling unggul dalam memprediksi curah hujan.
Dari tabel informasi curah hujan dapat diketahui, BMKG telah menyebarkan informasi curah hujan terkini dari skala waktu harian, mingguan,
(26)
bulanan. Bahkan adapula analisis yang ditulis oleh BMKG mengenai prakiraan awal musim serta berbagai fenomena curah hujan. Tapi, semua model prediksi yang diberikan BMKG merupakan model statistik. BMKG masih belum banyak bereksperimen dengan model numeric atau model dinamik.
Dengan menggunakan model prediksi curah hujan secara tepat, akan memiliki skenario perubahan curah hujan selama tiga puluh tahun ke depan. Banyak model prediksi cuaca dikembangkan di Indonesia . Tapi model tersebut kurang mampu merepresentasikan parameter-parameter di khatulistiwa yang sangat dinamis seperti Indonesia. Akibatnya model prediksi memiliki banyak sekali kelemahan dan kurang menggambarkan kondisi sebenarnya dari atmosfer Indonesia.
Berdasarkan uraian diatas, maka penulis tertarik untuk melakukan penelitian dengan judul ” PENGGUNAAN METODE TISEAN DAN WAVELET UNTUK ANALISIS SIMULASI KOMPUTASI PEMETAAN VALIDASI PREDIKSI CURAH HUJAN DI SUMATERA UTARA”
1.2. PERUMUSAN MASALAH
Sumatera Utara memiliki karakteristik pola hujan yang sangat khas karena wilayahnya dipengerahui oleh kondisi topografinya serta kondisi wilayahnya yang terdiri dari pegunungan dan dikelilingi oleh perairan yaitu: Samudra Hindia dan Selat Malaka, oleh karena itu untuk masing-masing wilayah yang mengalami perbedaan yang signifikan dan telah ditentukan pengelompokan curah hujannya serta masing-masing daerah tersebut telah diambil titik sampel untuk mewakili daerah tersebut maka titik-titik sampel yang menjadi sampel tersebut akan divalidasi berdasarkan model yang ada sehingga diketahui model mana yang paling akurat dalam memprediksi daerah tersebut.
Curah hujan sangat sulit diprediksi atau diperikan sehingga hanya dapat dianalisis setelah kejadian itu terjadi. Dengan semakin majunya ilmu pengetahuan dan tekhnologi dari berbagai disiplin ilmu sehingga curah hujan dapat di prediksi dengan melakukan pendekatan-pendekatan empiris salah satunya dengan Model Tisean dan Wavelet.
(27)
Sejauh mana keakuratan hasil prediksi model Tisean dan Wavelet memprediksi curah hujan di sumatera utara, sehingga model ini dapat kita gunakan sebagai acuan dalam melakukan prediksi dan dapat diterapkan dan digunakan pada wilayah-wilayah lain khususnya Sumatera Utara.
1.3. TUJUAN PENELITIAN Tujuan Penelitian yang dilakukan :
1. Melakukan prediksi curah hujan dengan metode Tisean dan Wavelet. 2. Melakukan validasi dan pemetaan hasil-hasil prediksi masing-masing
metode untuk melihat keakuratannya .
3. Menyimpulkan metode yang baik digunakan pada bulan-bulan tertentu untuk masing-masing wilayah .
4. Mempermudah dengan cara memetakan proses analisis prediksi curah hujan di Sumatera Utara yang bermanfaat di berbagai sektor.
1.4. MANFAAT PENELITIAN
Manfaat penelitian yang dilakukan antara lain :
1. Hasil prediksi diharapkan dapat menjadi suatu informasi yang berguna dalam mengantisipasi dampak yang akan ditimbulkan oleh curah hujan yang di prediksi akan terjadi.
2. Sebagai sistem informasi dini dalam bidang pertanian untuk melihat curah hujan yang terjadi di Sumatera Utara
3. Informasi yang dihasilkan diharapkan dapat mengetahui dampak curah hujan bagi masyarak pertanian khususnya
(28)
1.5. BATASAN MASALAH
Batasan masalah dalam penelitian yang dilakukan :
1. Wilayah penelitian merupakan daerah hasil pengelompokan curah hujan berdasarkan klasifiksi Oldeman.
2. Wilayah penelitian adalah seluruh wilayah Provinsi Sumatera Utara. 3. Model yang digunakan adalah Model Tisean dan Wavelet.
4. Menggunakan program MATLAB, HY BMG Versi-2 dan Arc View Versi-3.3.
(29)
BAB II
TINJAUAN PUSTAKA
2.1. SISTEM KOMPUTER
Komputer yang kita kenal saat ini adalah hasil pengembangan teknologi elektronika dan informatika sehingga bentuk komputer yang asalnya berukuran besar dan makan tempat, sekarang berbentuk kecil dengan kemampuan besar. Kemajuan industri komponen elektronika IC (integrated circuit) telah mendorong terciptanya berbagai perangkat chip IC yang beragam dan mendukung berbagai keperluan pembuatan produk elektronik. Kemajuan teknologi elektronika tidak terlepas dari adanya kemajuan dibidang pengetahuan dan pengolahan bahan semikonduktor khususnya silicon.
Dalam dunia hiburan, dunia anak telah lama mengenal alat permainan game yang dikendalikan oleh sistem komputer. Di bidang industri, komputer telah dipergunakan untuk mengontrol mesin-mesin produksi dengan ketepatan tinggi (misalnya CNC, sebuah mesin serba guna dalam industri metal) sehingga dapat kita jumpai berbagai produk industri logam yang bervariasi dan kita bayangkan sulit apabila dikerjakan secara manual. Banyak pula mesin-mesin dalam industri garmen dilengkapi dengan kontrol komputer, misalnya perusahaan topi bodir dapat memproduksi topi dengan kualitas gambar bordir yang seragam dalam jumlah banyak dalam waktu singkat.
Di perusahaan dagang seperti department store telah dipergunakan mesin cash register (mesin kasir) yang dilengkapi dengan kontrol komputer sehingga mesin tersebut dapat dikontrol oleh pihak manajer hanya dari ruangan kerjanya saja.
Di bidang pendidikan, selain dijumpai sebagai alat bantu pelajaran, banyak peralatan laboratorium yang dilengkapi dengan komputer sehingga alat tersebut dapat bekerja lebih teliti dan dapat mengatasi kendala hambatan indra manusia. Dari bidang pendidikan dan riset yang mempergunakan alat-alat demikian dihasilkan berbagai hasil penelitian yang bermanfaat yang tidak terasa sudah banyak digunakan dalam kehidupan sehari-hari masyarakat banyak. Dalam bidang
(30)
bioteknologi, peralatan-peralatan kultur telah banyak yang dilengkapi dengan kontrol komputer untuk mengusahakan ketelitian kerja pada ruang steril. Perusahaan Australia telah mengembangkan robot untuk keperluan bioteknologi ini.
Banyak kendaraan terbaru yang telah dilengkapi dengan sistem komputer sehingga penggunaan bahan bakarnya dapat diatur sedemikian rupa sampai taraf sangat efisien untuk sebuah perjalanan yang jauh. Bus-bus penumpang sudah dilengkapi dengan sistem kontrol komputer dan sensor-sensor canggih sehingga mengendarai bus tersebut terasa lebih aman.
Penerapan kontrol komputer yang tercanggih terdapat di pesawat terbang dan pesawat angkasa. Untuk dapat mengatasi berbagai kendala alam dan sulit dilakukan oleh seorang pilot secara manual, sebuah pesawat terbang dapat dikendalikan secara otomatis sehingga bisa terbang dengan selamat di tujuan.
Tujuan pokok dari sistem komputer adalah mengolah data untuk menghasilkan informasi sehingga perlu didukung oleh elemen-elemen yang terdiri dari perangkat keras (hardware), perangkat lunak (software), dan brainware.
2.2. PROGRAM KOMPUTER
Program komputer (sering kali disebut sebagai perangkat lunak program, atau program saja) merupakan suatu aplikasi yang dibuat dengan menggunakan bahasa program tertentu dan telah ter-install di dalam komputer. Program komputer merupakan contoh perangkat lunak komputer yang menuliskan aksi komputasi yang akan dijalankan oleh komputer. Komputasi ini biasanya dilaksanakan berdasarkan suatu algoritma atau urutan perintah tertentu.Urutan perintah (atau algoritma)merupakan suatu perangkat yang sudah termasuk dalam program komputer tersebut. Tanpa algoritma tersebut program komputer tak dapat berjalan dengan baik.
Single user, program jenis ini berarti pada saat yang bersamaan hanya dapat dipakai oleh seorang pengguna, biasanya yang dijalankan di komputer mandiri.
(31)
Multi user, program jenis ini dapat digunakan oleh banyak user baik pada saat bersamaan atau tidak. Biasanya untuk program-program di jaringan komputer.
Multi concurrent user, program jenis ini dapat digunakan banyak user pada saat bersamaan, jadi pembatasannya pada saat bersamaan, oleh siapa pun. Sehingga dapat oleh satu orang pengguna tetapi menjalankan program yang sama. Harga program akan berbeda apakah untuk satu user atau multi user, contoh program Novell Netware (untuk Local Area).(...2011a. Sistem Komputer).
2.3 KLASIFIKASI KOMPUTER
2.3.1 Berdasarkan sinyal masukan, komputer dapat diklasifikasikan:
1. Komputer Analog, menerima sinyal masukan berupa data analog. Contoh : komputer penghitung aliran BBM dalam SPBU
2. Komputer Digital, menerima masukan digital, merupakan komputer kebanyakan yang kita kenal.
3. Komputer hibrid, menerima masukan analog dan digital
2.3.2 Berdasarkan Ukuran
Berdasarkan ukuran fisik dan kapabilitasnya, komputer dapat diklasifikasikan menjadi :
1. Supercomputers
Superkomputer adalah sebuah komputer yang memimpin di dunia dalam kapasitas proses, terutama kecepatan penghitungan, pada awal perkenalannya. Superkomputer diperkenalkan pada tahun 1960-an, didesain oleh Seymour Cray di Control Data Corporation (CDC), memimpin di pasaran pada tahun 1970an sampai Cray berhenti untuk membentuk perusahaanya sendiri, Cray Research. Dia kemudian mengambil pasaran superkomputer dengan desainnya, dalam keseluruhan menjadi pemimpin superkomputer selama 25 tahun (1965-1990). Pada tahun 1980an beberapa pesaing kecil memasuki pasar, yang bersamaan dengan penciptaan komputer mini dalam dekade sebelumnya. Sekarang ini, pasar superkomputer dipegang oleh IBM dan HP, meskipun Cray Inc. masih
(32)
menspesialisasikan dalam pembuatan superkomputer.
2.3.3 Berdasarkan Tujuan Pembuatan
Berdasarkan tujuan pembuatan, komputer dapat diklasifikasikan menjadi
1. General Purpose, merupakan komputer yang dikembangkan untuk kebutuhan
umum. Contoh : PC, Notebook, dll
2. Special Purpose, merupakan komputer yang dikembangkan untuk kebutuhan khusus.
Contoh : komputer khusus untuk meramal cuaca.
2.3.4 Berdasarkan Generasi
Berdasarkan generasi teknologi penyusunnya, komputer dapat diklasifikasikan menjadi :
1. Generasi Pertama - 1944-1958
Punch cards, magnetic tapes, vacuum tubes 2. Generasi Kedua - 1959-1963
Solid state transistors replace vacuum tubes 3. Generasi Ketiga - 1964-1970
Integrated Circuits
4. Generasi Keempat - 1971-Now
LSI and VLSI circuits w/ 100’s of millions of transistors.
2.4 PENGERTIAN HUJAN
Hujan adalah jatuhnya hydrometeor yang berupa partikel-partikel air dengan diameter 0.5 mm atau lebih. Jika jatuhnya sampai ketanah maka disebut hujan, akan tetapi apabila jatuhannya tidak dapat mencapai tanah karena menguap lagi maka jatuhan tersebut disebut Virga. Hujan juga dapat didefinisikan dengan uap yang mengkondensasi dan jatuh ketanah dalam rangkaian proses hidrologi.
Hujan merupakan salah satu bentuk presipitasi uap air yang berasal dari awan yang terdapat di atmosfer. Bentuk presipitasi lainnya adalah salju dan es.
(33)
asam belerang. Titik-titik kondensasi ini mempunyai sifat dapat mengambil uap air dari udara. Satuan curah hujan selalu dinyatakan dalam satuan millimeter atau inchi namun untuk di Indonesia satuan curah hujan yang digunakan adalah dalam satuan millimeter (mm).
Curah hujan merupakan ketinggian air hujan yang terkumpul dalam tempat yang datar, tidak menguap, tidak meresap, dan tidak mengalir. Curah hujan 1 (satu) milimeter artinya dalam luasan satu meter persegi pada tempat yang datar tertampung air setinggi satu milimeter atau tertampung air sebanyak satu liter.
Intensitas hujan adalah banyaknya curah hujan persatuan jangka waktu tertentu. Apabila dikatakan intensitasnya besar berarti hujan lebat dan kondisi ini sangat berbahaya karena berdampak dapat menimbulkan banjir, longsor dan efek negatif terhadap tanaman.
Hujan merupakan unsur fisik lingkungan yang paling beragam baik menurut waktu maupun tempat dan hujan juga merupakan faktor penentu serta faktor pembatas bagi kegiatan pertanian secara umum. Oleh karena itu klasifikasi iklim untuk wilayah Indonesia (Asia Tenggara umumnya) seluruhnya dikembangkan dengan menggunakan curah hujan sebagai kriteria utama (Lakitan, 2002). Bayong (2004) mengungkapkan bahwa dengan adanya hubungan sistematik antara unsur iklim dengan pola tanam dunia telah melahirkan pemahaman baru tentang klasifikasi iklim, dimana dengan adanya korelasi antara tanaman dan unsur suhu atau presipitasi menyebabkan indeks suhu atau presipitasi dipakai sebagai kriteria dalam pengklasifikasian iklim.
2.4.1 Tipe Hujan
Hujan dibedakan menjadi empat tipe, pembagiannya berdasarkan factor yang menyebabkan terjadinya hujan tersebut :
a. Hujan Orografi
Hujan ini terjadi karena adanya penghalang topografi, udara dipaksa naik kemudian mengembang dan mendingin terus mengembun dan selanjutnya dapat jatuh sebagai hujan. Bagian lereng yang menghadap angina hujannya akan lebih lebat dari pada bagian lereng yang ada dibelakangnya. Curah hujannya berbeda menurut ketinggian, biasanya
(34)
curah hujan makin besar pada tempat-tempat yang lebih tinggi sampai suatu ketinggian tertentu.
b. Hujan Konvektif
Hujan ini merupakan hujan yang paling umum yang terjadi didaerah tropis. Panas yang menyebabkan udara naik keatas kemudian mengembang dan secara dinamika menjadi dingin dan berkondensasi dan akan jatuh sebagai hujan. Proses ini khas buat terjadinya badai guntur yang terjadi di siang hari yang menghasilkan hujan lebat pada daerah yang sempit. Badai guntur lebih sering terjadi di lautan dari pada di daratan.
c. Hujan Frontal
Hujan ini terjadi karena ada front panas, awan yang terbentuk biasanya tipe stratus dan biasanya terjadi hujan rintik-rintik dengan intensitas kecil. Sedangkan pada front dingin awan yang terjadi adalah biasanya tipe cumulus dan cumulunimbus dimana hujannya lebat dan cuaca yang timbul sangat buruk. Hujan front ini tidak terjadi di Indonesia karena di Indonesia tidak terjadi front.
d. Hujan Siklon Tropis
Siklon tropis hanya dapat timbul didaerah tropis antara lintang 0°-10° lintang utara dan selatan dan tidak berkaitan dengan front, karena siklon ini berkaitan dengan sistem tekanan rendah. Siklon tropis dapat timbul dilautan yang panas, karena energi utamanya diambil dari panas laten yang terkandung dari uap air. Siklon tropis akan mengakibatkan cuaca yang buruk dan hujan yang lebat pada daerah yang dilaluinya (Ika Darsilawarni. S, 2010).
2.4.2 Distribusi Hujan
Hujan merupakan unsur iklim yang paling penting di Indonesia karena keragamannnya sangat tinggi baik menurut waktu maupun menurut tempat. Oleh karena itu kajian tentang iklim lebih banyak diarahkan pada hujan. Berdasarkan
(35)
pola hujan, wilayah Indonesia dapat dibagi menjadi tiga, yaitu pola Monsoon, pola ekuatorial dan pola lokal.
Pola Moonson dicirikan oleh bentuk pola hujan yang bersifat unimodal (satu puncak musim hujan yaitu sekitar Desember). Selama enam bulan curah hujan relatif tinggi (biasanya disebut musim hujan) dan enam bulan berikutnya rendah (bisanya disebut musim kemarau). Secara umum musim kemarau berlangsung dari April sampai September dan musim hujan dari Oktober sampai Maret.
Pola Moonson dicirikan oleh bentuk pola hujan yang bersifat unimodal (satu puncak musim hujan yaitu sekitar Desember). Selama enam bulan curah hujan relatif tinggi (biasanya disebut musim hujan) dan enam bulan berikutnya rendah (bisanya disebut musim kemarau). Secara umum musim kemarau berlangsung dari April sampai September dan musim hujan dari Oktober sampai Maret.
Pola equatorial dicirikan oleh pola hujan dengan bentuk bimodal, yaitu dua puncak hujan yang biasanya terjadi sekitar bulan Maret dan Oktober saat matahari berada dekat equator. Pola lokal dicirikan oleh bentuk pola hujan unimodal (satu puncak hujan) tapi bentuknya berlawanan dengan pola hujan pada tipe moonson (Gambar 2.1). 0 100 200 300 400
12 34 56 78 9 10 11 12
0 100 200 300 400
12 34 56 78 9 10 11 12 0
100 200 300 400
12 3456 78 9 10 11 12
0 100 200 300 400
12 34 5678 9 10 11 12
0 100 200 300 400
12 34 56 78 9 10 11 12
0 100 200 300 400
12 34 56 78 9 10 11 12
0 100 200 300 400
12 3456 78 9 10 11 12
0 100 200 300 400
12 34 5678 9 10 11 12
Gambar 2.1. Pembagian wilayah Indonesia menurut pola hujan (Modified from DPI-Australia, 2002)
(36)
Curah hujan diukur dalam satuan milimeter (mm). Pengukuran curah hujan dilakukan melalui alat yang disebut penakar curah hujan dan diukur setiap jam 07 pagi waktu setempat.
2.4.3 Jenis Hujan Berdasarkan Ukuruan Butirnya
a. Hujan gerimis / drizzle, diameter butirannya kurang dari 0,5 mm.
b. Hujan salju, terdiri dari kristal-kristal es yang suhunya berada dibawah 0° Celsius.
c. Hujan batu es, curahan batu es yang turun dalam cuaca panas dari awan yang suhunya dibawah 0° Celsius.
d. Hujan deras / rain, curahan air yang turun dari awan dengan suhu diatas 0° Celsius dengan diameter ±7 mm.
2.4.4 Jenis Hujan berdasarkan Besarnya Curah Hujan a. hujan sedang, 20 - 50 mm per hari.
b. hujan lebat, 50-100 mm per hari.
c. hujan sangat lebat, di atas 100 mm per hari.
2.4.5 Alat Pengukur Curah Hujan
Presipitasi/hujan adalah suatu endapan dalam bentuk padat/cair hasil dari proses kondensasi uap air di udara yang jatuh kepermukaan bumi. Satuan ukur untuk presipitasi adalah Inch, millimetres (volume/area), atau kg/m2 (mass/area) untuk precipitation bentuk cair. 1 mm hujan artinya adalah ketinggian air hujan dalam radius 1 m2 adalah setinggi 1 mm, apabila air hujan tersebut tidak mengalir, meresap atau menguap. Pengukuran curah hujan harian sedapat mungkin dibaca/dilaporkan dalam skala ukur 0.2 mm (apabila memungkinkan menggunakan resolusi 0.1 mm). Prinsip kerja alat pengukur curah hujan antara lain : pengukur curah hujan biasa (observariaum) curah hujan yang jatuh diukur tiap hari dalam kurun waktu 24 jam yang dilaksanakan setiap pukul 00.00 GMT, pengukur curah hujan otomatis melakukan pengukuran curah hujan selama 24 jam dengan merekam jejak hujan menggunakan pias yang terpasang dalam jam alat
(37)
GMT, sedangkan pengukuran curah hujan digital dimana curah hujan langsung terkirim kemonitor komputer berupa data sinyal yang telah diubah kedalam bentuk satuan curah hujan.
2.5 SISTEM KLASIFIKASI OLDEMAN
Klasifikasi iklim yang dilakukan oleh Oldeman didasarkan kepada jumlah kebutuhan air oleh tanaman, terutama pada tanaman padi. Penyusunan tipe iklimnya berdasarkan jumlah bulan basah yang berlangsung secara berturut-turut.
Oldeman et al. (1980) mengungkapkan bahwa kebutuhan air untuk tanaman padi adalah 150 mm per bulan, sedangkan untuk tanaman palawija adalah 70 mm/bulan. Dengan asumsi bahwa peluang terjadinya hujan yang sama adalah 75%, maka untuk mencukupi kebutuhan air tanaman padi 150 mm/bulan diperlukan curah hujan sebesar 220 mm/bulan, untuk mencukupi kebutuhan air untuk tanaman palawija diperlukan curah hujan sebesar 120 mm/bulan. Maka menurut Oldeman suatu bulan dikatakan bulan basah apabila mempunyai curah hujan bulanan lebih besar dari 200 mm dan dikatakan bulan kering apabila curah hujan bulanan lebih kecil dari 100 mm.
(38)
Lamanya periode pertumbuhan padi terutama ditentukan oleh jenis/varietas yang digunakan, sehingga periode 5 bulan basah berurutan dalam satu tahun dipandang optimal untuk satu kali tanam. Jika lebih dari 9 bulan basah maka petani dapat melakukan 2 kali masa tanam. Jika kurang dari 3 bulan basah berurutan, maka tidak dapat membudidayakan padi tanpa irigasi tambahan (Bayong, 2004).
Oldeman et al.(1980) membagi lima zona iklim dan lima sub zona iklim. Zona iklim merupakan pembagian dari banyaknya jumlah bulan basah berturut-turut yang terjadi dalam setahun, sedangkan sub zona iklim merupakan banyaknya jumlah bulan kering berturut-turut dalam setahun. Pemberian nama Zone iklim berdasarkan huruf yaitu zone A, zone B, zone C, zone D dan zone E, sedangkan pemberian nama sub zone berdasarkan angka yaitu sub 1, sub 2, sub 3 sub 4 dan sub 5.
Zone A dapat ditanami padi terus menerus sepanjang tahun. Zone B hanya dapat ditanami padi 2 periode dalam setahun. Zone C, dapat ditanami padi 2 kali panen dalam setahun, dimana penanaman padi yang jatuh saat curah hujan di bawah 200 mm per bulan dilakukan dengan sistem gogo rancah. Zone D, hanya dapat ditanami padi satu kali masa tanam. Zone E, penanaman padi tidak dianjurkan tanpa adanya irigasi yang baik. (Oldeman et al., 1980).
Penentuan tipe iklim Oldeman dapat dilihat pada Tabel, sedangkan penentuan zona agroklimat Oldeman dapat dilihat pada Tabel 2.
(39)
Tabel 2.1. Kriteria penentuan tipe iklim Oldeman Zone Klasifikasi Bulan Basah Bulan Kering
A1 10-12 Bulan 0-1 Bulan
A2 10-12 Bulan 2 Bulan
B1 7-9 Bulan 0-1 Bulan
B2 7-9 Bulan 2-3 Bulan
B3 7-9 Bulan 4-5 Bulan
C1 5-6 Bulan 0-1 Bulan
C2 5-6 Bulan 2-3 Bulan
C3 5-6 Bulan 4-6 Bulan
C4 5 Bulan 7 Bulan
D1 3-4 Bulan 0-1 Bulan
D2 3-4 Bulan 2-3 Bulan
D3 3-4 Bulan 4-6 Bulan
D4 3-4 Bulan 7-9 Bulan
E1 0-2 Bulan 0-1 Bulan
E2 0-2 Bulan 2-3 Bulan
E3 0-2 Bulan 4-6 Bulan
E4 0-2 Bulan 7-9 Bulan
E5 0-2 Bulan 10-12 Bulan
A
B
C
D
E
Sumber : (Oldeman et al., 1980)
2.6 MATLAB
2.6.1 Pengertian Matlab
Matlab adalah suatu software pemrograman perhitungan dan analisis yang banyak digunakan dalam semua area penerapan matematika baik bidang pendidikan maupun penelitian pada universitas dan industri. Dengan matlab, maka perhitungan matematis yang rumit dapat diimplementasikan dalam program dengan lebih mudah.
Matlab merupakan singkatan dari MATriks LABoratory dan berarti
software ini dibuat berdasarkan vektor-vektor dan matrik-matrik. Hal ini mengakibatkan software ini pada awalnya banyak digunakan pada studi aljabar linier, serta juga merupakan perangkat yang tepat untuk menyelesaikan persamaan aljabar dan diferensial dan juga untuk integrasi numerik.
(40)
Matlab memiliki perangkat grafik yang powerful dan dapat membuat gambar-gambar dalam 2D dan 3D. Dalam hal pemrograman, Matlab serupa dengan bahasa C dan bahkan salah satu dari bahasa pemrograman termudah dalam hal penulisan program matematik. Matlab juga memiliki beberapa toolbox yang berguna untuk pengolahan sinyal (signal processing), pengolahan gambar (image processing), dan lain-lain.
2.6.2 Perbedaan matlab dengan software pemograman lain
Terdapat perbedaan yang signifikan antara Matlab dengan software
pemrograman lainnya (C/C++, Visual Basic, Java, dan lain-lain). Perbedaan yang utama antara keduanya dapat dilihat dari tiga faktor yaitu tujuan penggunaannya, fitur yang disediakan dan orientasi hasil masing-masing
Ditinjau dari segi orientasi hasilya, software pemrograman lain lebih berorientasi sebagai program untuk menghasilkan solusi program baru yang eksekusinya cepat, reliable dan efektif terhadap berbagai kebutuhan. Sedangkan Matlab lebih berorientasi spesifik untuk memudahkan penuangan rumus perhitungan matematis. Dalam hal ini dengan Matlab maka pembuatan program matematis yang kompleks bisa menjadi lebih singkat waktunya namun bisa jadi eksekusi program Matlab ini jauh lebih lambat dibandingkan bila dibuat dengan software pemrograman lainnya.
2.6.3 Aplikasi Matlab
Matlab memiliki ruang lingkup kegiatan penggunaan yaitu : Disain matematis
Pemodelan sistem matematis
Pengolahan data matematis (sinyal, citra dan lain-lain) Simulasi, baik yang real time maupun tidak
Visualisasi 2D dan 3D Tools analisis & testing
Karena kemampuan komputasi matematisnya yang tinggi, library program perhitungan yang lengkap, serta tools disain dan analisis matematis yang sudah
(41)
riset penelitian (akademis maupun industri) di dunia. Matlab digunakan mulai dari mengajarkan siswa tentang matriks, grafik fungsi matematik, sistem kontrol, pengolahan citra, pengolahan sinyal, sampai dengan memprediksi (forecasting) harga saham serta disain persenjataan militer berteknologi tinggi.
Terdapat beberapa bidang yang paling sering menggunakan Matlab sebagai software pembantu :
Bidang MIPA, terutama matematika termasuk statistik (aljabar linier, diferensial, integrasi numerik, probability, forecasting), fisika (analisis gelombang), dan biologi (computational biology, matematika genetika) Bidang teknik (engineering), terutama elektro (analisis rangkaian, sistem kontrol, pengolahan citra dan pengolahan sinyal digital), mesin (disain bentuk alat, analisis sistem kalor)
Bidang ekonomi dan bisnis, terutama dalam hal pemodelan ekonomi, analisis finansial, dan peramalan (forecasting)
2.6.4 Perkembangan Matlab
Karena kebutuhan yang tinggi terhadap program komputer yang menyediakan tools komputasi, pemodelan dan simulasi dengan berbagai fasilitasnya, maka berbagai fitur ditambahkan kepada Matlab dari tahun ke tahun. Matlab kini sudah dilengkapi dengan berbagai fasilitas yaitu Simulink, Toolbox, Blockset, Stateflow, Real Time Workshop, GUIDE dan lain-lain. Selain itu hasil dari program Matlab sudah dapat diekspor ke C/C++, Visual Basic, Fortran, COM, Java, Excel, dan web/internet. Dengan demikian hasil dari Matlab dapat dikompilasi dan menjadi program yang waktu eksekusinya lebih cepat, serta bisa diakses dengan berbagai cara.
Selain Matlab sebenarnya sudah ada beberapa software komputasi lain yang sejenis, namun tidak selengkap dan berkembang sebagus Matlab. Selain itu Matlab tersedia untuk berbagai platform komputer dan sistem operasi. Hingga kini Matlab tetap menjadi software terbaik untuk komputasi matematik, baik di dunia komputer Macintosh maupun PC, yang sistem operasinya Windows ataupun
(42)
2.7 METODE WAVELET
Transformasi wavelet merupakan alat yang ideal untuk mendeteksi fluktuasi-fluktuasi periodik yang bersifat transien dan juga parameter-parameternya, karena mampu memusatkan perhatian pada suatu rentang waktu terbatas dari data yang ada (Torrence dan Compo 1998) dan dapat mengambarkan proses dinamik nonlinear komplek yang diperlihatkan oleh interaksi gangguan dalam skala ruang dan waktu (Astafeva 1996. dalam Modul Desiminasi hasil-hasil LITBANG, 2007).
Transformasi wavelet dikembangkan sebagai pendekatan alternatif dari Short Term Fourier Transform untuk mengatasi masalah resolusi tersebut. Analisa Wavelet dilakukan dengan cara yang sama dengan analisa STFT, dalam pengertian bahwa sinyal (deret waktu) dikalikan dengan suatu fungsi, {\wavelet}, mirip dengan fungsi jendela STFT, dan transformasi dihitung secara terpisah untuk segmen-segmen yang berbeda dari sinyal domain waktu (Polikar 1996.dalam Modul Desiminasi hasil-hasil LITBANG, 2007).
2.8 METODE TISEAN
Tisean (Time Series Analysis) Ver 2.0 adalah Model Prediksi Tool (alat bantu) yang didesain untuk menganalisis deret waktu nonlinear yang dapat memprediksi curah hujan.
Suatu deret waktu multi dimensi dapat dibangun dari deret waktu skalar satu dimensi dengan metode delay waktu(delay embedding). Lintasan dari titik yang dihubungkan dalam ruang keadaan ini dapat dikatakan sebagai atraktor. Konstruksi atraktor dalam ruang keadaan tersebut mungkin menjadi metode paling umum dalam analisis deret waktu nonlinear. Hal ini kemudian dapat dikatakan sebagai prosedur embedding dinamika sistem pembangkitan deret waktu skalar dapat direkonstruksi.
Dalam Matematika, suatu theorema delay embedding memberikan kondisi dimana suatu sistem dinamika chaos dapat direkonstruksi dari suatu rangkaian observasi dari kedudukan sistem dinamika. Rekonstruksi tersebut menjamin
(43)
koordinat yang kecil, akan tetapi tidak menjamin bentuk struktur geometrik dalam ruang keadaan.
Menurut Cheng dan Tong (1995. dalam Modul Desiminasi hasil-hasil LITBANG, 2007) adalah penting mengambil nilai delay embedding dalam penentuan embedding dimension. Hal ini mengindikasikan bahwa dengan memilih
delay embedding, kita dapat melekatkan dinamikanya dalam ruang dimensi yang lebih rendah, yang diperlukan pada sudut pandang dimensionalitasnya.
Definisi : Jika diberikan Xt suatu data deret waktu dengan t =1,2,… maka dapat dituliskan sebagai Xt=(X(t- (d-1)T),X(t-(d-2)T),…,Xt) dengan d merupakan
embedding dimension dan T merupakan delay embedding. 2.9 VALIDASI PRAKIRAAN
Validasi dapat diterapkan pada berbagai model prakiraan karena pada dasarnya data yang dipakai dalam proses validasi adalah sama, yaitu observasi (data real) dan hasil prakiraan.
Validasi dapat dilakukan melalui cara sebagai berikut : 1. Menghitung Koefisien Korelasi
Korelasi dinyatakan dengan suatu koefisien (dinotasikan dengan r) yang menunjukkan hubungan (linear) relatif antara dua variabel. Dalam validasi hasil prakiraan, dua variabel yang dimaksud adalah observasi atau data real (dinotasikan dengan Y) dan hasil prediksi (dinotasikan dengan Yˆ). Koefisien korelasi dihitung dengan menggunakan persamaan :
= = = − − − − = n i i n i i n i i i Y Y Y Y Y Y Y Y Y Y r 1 2 1 2 1 ˆ ) ˆ ˆ ( ) ( ) ˆ ˆ )( ( dimana Y Y
r ˆ = koefisien korelasi antara observasi (data real) dengan hasil prakiraan
i
Y = observasi (data real) pada periode ke–i dengan i=1,2, ,n
Y = nilai rata–rata observasi (data real) i
Yˆ = hasil prakiraan pada pada periode ke–i dengan i=1,2, ,n
(44)
Yˆ = nilai rata–rata hasil prakiraan n = panjang periode
Nilai korelasi berkisar antara -1 sampai dengan +1.
Secara umum interpretasi nilai korelasi dijelaskan sebagai berikut :
1 __________ 5 . 0 __________ 0 __________ 5 . 0 __________
1 − + +
− kuat positif korelasi lemah positif korelasi lemah negatif korelasi kuat negatif korelasi
Untuk validasi hasil prakiraan dengan menggunakan koefisien korelasi, semakin kuat korelasi maka semakin bagus hasil validasi (semakin tinggi tingkat akurasi prakiraan).(Sutamto dan Alifi Maria Ulfah, 2007).
2.10. SIMULASI KOMPUTASI
simulasi komputer, penggunaan komputer untuk mewakili respon dinamis dari satu sistem oleh perilaku sistem lain model setelah itu. Sebuah simulasi menggunakan deskripsi matematis, atau model, dari suatu sistem nyata dalam bentuk program komputer . Model ini terdiri dari persamaan yang menduplikasi hubungan fungsional dalam sistem nyata. Ketika program dijalankan, dinamika matematika yang dihasilkan merupakan analog dari perilaku sistem nyata, dengan hasil yang disajikan dalam bentuk data. simulasi A juga dapat mengambil bentuk gambar komputer grafis yang merupakan proses dinamis dalam urutan animasi.
Simulasi komputer digunakan untuk mempelajari perilaku dinamis dari benda atau sistem dalam merespon kondisi yang tidak dapat dengan mudah atau aman diterapkan dalam kehidupan nyata. Sebagai contoh, sebuah ledakan nuklir dapat dijelaskan oleh model matematika yang menggabungkan variabel seperti panas, kecepatan, dan emisi radioaktif. persamaan matematika tambahan kemudian dapat digunakan untuk menyesuaikan model terhadap perubahan variabel tertentu, seperti jumlah bahan fisi yang menghasilkan ledakan itu. Simulasi sangat berguna dalam memungkinkan pengamat untuk mengukur dan memprediksi bagaimana fungsi dari seluruh sistem dapat dipengaruhi dengan mengubah komponen individual dalam sistem itu.
(45)
Simulasi sederhana dilakukan oleh komputer pribadi terutama terdiri dari model bisnis dan model geometris. Yang pertama meliputi spreadsheet, keuangan, dan program perangkat lunak statistik yang digunakan dalam analisis bisnis dan perencanaan. Model Geometris digunakan untuk berbagai aplikasi yang memerlukan pemodelan matematika sederhana dari benda-benda, seperti bangunan, bagian industri, dan struktur molekul bahan kimia. simulasi lebih canggih, seperti yang meniru pola cuaca atau perilaku sistem ekonomi makro, biasanya dilakukan pada workstation yang kuat atau di komputer mainframe. Dalam teknik , komputer model yang baru struktur dirancang menjalani tes simulasi untuk menentukan tanggapan mereka terhadap stres dan variabel fisik lainnya. Simulasi sistem sungai dapat dimanipulasi untuk menentukan dampak potensial dari bendungan dan jaringan irigasi sebelum konstruksi yang sebenarnya telah terjadi. Contoh lain dari simulasi komputer termasuk memperkirakan tanggapan kompetitif perusahaan di pasar tertentu dan mereproduksi gerakan dan penerbangan kendaraan ruang angkasa.
(46)
BAB III
METODOLOGI PENELITIAN
3.1 PELAKSAAN DAN WAKTU PENELITAIAN
Untuk mendapatkan data dukung beberapa lokasi di wilayah Sumatera Utara dilakukan pengambilan data di Badan Meteorologi, Klimatologi dan Geofisika, Stasiun Klimatologi Klas I Medan.
3.2 BAHAN-BAHAN
Bahan-bahan yang digunakan dalam penelitian antara lain: 1. Komputer/Laptop untuk membantu dalam mengolah data. 2. Software Sistem Informasi Geografis (SIG) Arc View 3.3.
3. Data curah hujan bulanan 7 stasiun hujan yang tersebar yang mewakili masing-masing tipe iklim yang ada diwilayah Sumatera Utara.
4. Sedangkan pengolahan prediksi curah hujan dengan model Wavelet dan Tisean menggunakan aplikasi Hy BMG 2.0.
3.3 RANCANGAN UMUM PENELITIAN
Rancangan umum penelitian yang akan dilakukan antara lain:
1. Melakukan pengumpulan data sebagai data dukung dalam melakukan pengolahan.
2. Melakukan validasi model prediksi Wavelet dan Tisean di beberapa titik pengamatan yang diambil,
(47)
Gambar 3.1. Alur Penelitaian
3.4. VARIABEL YANG DIAMATI
Variabel yang diamati dalam penelitian ini adalah curah hujan bulanan 7 stasiun/pos pengamat curah hujan yang mewakili tipe hujan berdasarkan klasifikasi Oldeman di Sumatera Utara.
3.5 DATA VALIDASI
Data validasi adalah data hasil prediksi metode Wavelet dan Tisean serta dikorelasikan dengan data aktual yang ada sehingga diketahui keakuratan metode yang sedang diujikan. Validasi model yang diujikan selama 10 tahun kebelakang yaitu tahun 2001 hingg 2010. Sumber: BMKG Stasiun Klimatologi Sampali Medan
(48)
3.6 PROSES ANALISIS DAN PEMETAAN
3.6.1 Proses Analisis Data Menggunakan Hy BMG
HyBMG (Hybrid BMG) merupakan aplikasi antarmuka windows berbasis perangkat lunak MATLAB (MATrix LABoratory) menggunakan PC tunggal.
HyBMG adalah kompilasi model-model statistik non-konvensional yang menggabungkan beberapa teknik prakiraan time series diantaranya neural network (ANFIS), transformasi wavelet, AutoRegressive Integrated Moving Average (ARIMA) dan non-linear dynamics (teori chaotic). Data input yang digunakan HyBMG adalah data time series curah hujan. HyBMG digunakan untuk prakiraan jangka panjang (1 tahun ke depan) yang didalamnya juga terdapat fitur untuk melakukan validasi model. Data input untuk HyBMG adalah file teks dengan extension “txt” (*.txt) yang berisi satu kolom data time series. Dalam hal ini, data tersebut adalah data curah hujan dalam format dasarian (1 tahun = 12 data).
Misalkan : Terdapat data observasi curah hujan dasarian selama 25 tahun dari tahun 1986 sampai tahun 2010 untuk stasiun pengamatan curah hujan di Sumatera Utara, Indonesia (12 x 25 = 300 data) dalam format file Excel. Kemudian akan dilakukan validasi data hasil prakiraan untuk tahun masing-masing-masing tahun dengan aplikasi HyBMG.
Ubah data input tahun 1986-2010 dari format file Excel ke format file teks (*.txt)
(49)
Gambar 3.2. Tampilan Format Excel dan Text
Simpan data input tahun 1986-2005 dalam format file teks (*.txt) dengan nama Tipe C1 86-05.txt
`
Gambar 3.3. Tampilan Text dalam Folder HyBMG juga dapat dijalankan dari menu program shortcut
(50)
Setelah mengeksekusi file HyBMG_1_6.exe, maka jendela berikut akan muncul setelah beberapa saat.
Gambar 3.5. Tampilan HyBMG
Klik tombol “Add” dan memilih data input yang akan dibuka
(51)
Klik tombol “View” untuk melihat isi dan panjang dari data input
Gambar 3.7. Tampilan WAVELET dalam HyBMG Klik tombol “Wavelet” untuk menampilkan interface Wavelet lalu jalankan
Gambar 3.8. Tampilan Proses WAVELET
(52)
Gambar 3.9. Tampilan Hasil Prediksi WAVELET
Simpan hasil grafik dan data ouput prediksi
Gambar 3.10. Tampilan Hasil dalam Prediksi Bulanan
(53)
Gambar 3.11. Tampilan TISEAN dalam HyBMG
Running Tisean model
Gambar 3.12. Tampilan Proses TISEAN
Plot grafik hasil aplikasi TISEAN (Tipe Grafik dapat ditentukan dengan memilih pilihan pada bagian “Output Graphic Type”)
(54)
Gambar 3.13. Tampilan Proses dan Output TISEAN
Untuk menyimpan file grafik dan data text dapat dilakukan dengan menekan tombol “Save” kemudian pilih “Graphic” atau “Data” pada window output grafik.
Gambar 3.14. Tampilan Hasil Prediksi TISEAN dalam Bulanan
3.6.2 Proses Pemetaan Menggunakan Arc View 3.3 Membuka aplikasi Arc View 3.3
(55)
Gambar 3.15. Tampilan ArcView
Menyiapkan data digital berupa data: batas kabupaten, batas propinsi, batas tipe iklim yang telah di klasifikasi di wilayah Sumatera Utara.
Membuka project yang telah di kerjakan
Gambar 3.16. Tampilan ArcView membuat Folder
Membuka tampilan view untuk memasukkan data pendukung yang seperti validasi model yang telah di bagi pertipe iklim,
(56)
Gambar 3.17. Tampilan ArcView Proses Analisis Membuat Layout peta dan tahap penyelesaian
(57)
BAB IV
ANALISIS DAN PEMBAHASAN
4.1 TIPE IKLIM OLDEMAN DI SUMATERA UTARA
Hasil analisis Pengklasifikasian curah hujan berdasarkan Klasifikasi Oldeman di Sumatera Utara dibeberapa stasiun dan pos hujan, menunjukkan bahwa terdapat 7 (tujuh) klasifikasi hujan, antara lain Tipe A1, C1, D1, D2, E1, E2 dan E3.
4.2 PREDIKSI MODEL WAVELET
WAVELET merupakan salah satu model yang digunakan dalam penelitian ini. Model tersebut digunakan untuk memprediksi curah hujan dibeberapa pewilayahan hujan berdasarkan Tipe Iklim Oldeman yang ada di Sumatera Utara, hasil prediksi masing-masing tipe hujan tersebut antara lain:
4.2.1 Prediksi Model WAVELET Tipe A1
Pewilayahan hujan berdasarkan klasifikasi Oldeman tipe A1 yang mana terlihat dari hasil prediksi curah hujan selama 10 tahun menggunakan model WAVELET ini menunjukkan bahwa pada daerah tipe A1 potensi curah hujan maksimum terjadi pada bulan Juli, Oktober dan Nopember dengan potensi curah hujan hingga 500-700 mm, sedangkan pada bulan-bulan yang lain potensi curah hujan masih berkisar 500 – 400 mm perbulannya.
(58)
4.2.2 Prediksi Model WAVELET Tipe C1
Pewilayahan hujan berdasarkan klasifikasi Oldeman tipe C1 yang mana terlihat dari hasil prediksi curah hujan selama 10 tahun menggunakan model WAVELET ini menunjukkan bahwa pada daerah tipe C1 potensi curah hujan maksimum terjadi pada bulan September dan Oktober dengan potensi curah hujan hingga 250-400 mm, sedangkan pada bulan-bulan yang lain potensi curah hujan masih berkisar 100 – 250 mm perbulannya.
4.2.3 Prediksi Model WAVELET Tipe D1
Pewilayahan hujan berdasarkan klasifikasi Oldeman tipe D1 yang mana terlihat dari hasil prediksi curah hujan selama 10 tahun menggunakan model WAVELET ini menunjukkan bahwa pada daerah tipe D1 potensi curah hujan maksimum terjadi pada bulan Januari, Pebruari, September, Oktober, Nopember dan Desember dengan potensi curah hujan hingga 200-300 mm, sedangkan pada bulan-bulan yang lain potensi curah hujan masih berkisar 150 – 200 mm perbulannya.
(59)
4.2.4 Prediksi Model WAVELET Tipe D2
Pewilayahan hujan berdasarkan klasifikasi Oldeman tipe D2 yang mana terlihat dari hasil prediksi curah hujan selama 10 tahun menggunakan model WAVELET ini menunjukkan bahwa pada daerah tipe D2 potensi curah hujan maksimum terjadi pada bulan Septembet dan Oktober dengan potensi curah hujan hingga 200-300 mm, sedangkan pada bulan-bulan yang lain potensi curah hujan masih berkisar 100 – 200 mm perbulannya.
Gambar 4.3. Prediksi Curah Hujan Model WAVELET Tipe D1
(60)
4.2.5 Prediksi Model WAVELET Tipe E1
Pewilayahan hujan berdasarkan klasifikasi Oldeman tipe E1 yang mana terlihat dari hasil prediksi curah hujan selama 10 tahun menggunakan model WAVELET ini menunjukkan bahwa pada daerah tipe E1 potensi curah hujan maksimum terjadi pada bulan Januari, Oktober dan Nopember dengan potensi curah hujan hingga 200-300 mm, sedangkan pada bulan-bulan yang lain potensi currah hujan masih berkisar 100 – 200 mm perbulannya.
4.2.6 Prediksi Model WAVELET Tipe E2
Pewilayahan hujan berdasarkan klasifikasi Oldeman tipe E2 yang mana terlihat dari hasil prediksi curah hujan selama 10 tahun menggunakan model WAVELET ini menunjukkan bahwa pada daerah tipe E2 potensi curah hujan maksimum terjadi pada bulan Januari, September dan Oktober dengan potensi curah hujan hingga 150-400 mm, sedangkan pada bulan-bulan yang lain potensi curah hujan masih berkisar 100 – 200 mm perbulannya.
(61)
4.2.7 Prediksi Model WAVELET Tipe E3
Pewilayahan hujan berdasarkan klasifikasi Oldeman tipe E3 yang mana terlihat dari hasil prediksi curah hujan selama 10 tahun menggunakan model WAVELET ini menunjukkan bahwa pada daerah tipe E3 potensi curah hujan maksimum terjadi pada bulan Agustus, September dan Oktober dengan potensi curah hujan hingga 150-250 mm, sedangkan pada bulan-bulan yang lain potensi curah hujan masih berkisar 80 – 150 mm perbulannya.
Gambar 4.6. Prediksi Curah Hujan Model WAVELET Tipe E2
(62)
4.3 PREDIKSI MODEL TISEAN
TISEAN merupakan salah satu model yang digunakan dalam penelitian ini. Model tersebut digunakan untuk memprediksi curah hujan dibeberapa pewilayahan hujan berdasarkan Tipe Iklim Oldeman yang ada di Sumatera Utara, hasil prediksi masing-masing tipe hujan tersebut antara lain:
4.3.1 Prediksi Model TISEAN Tipe A1
Pewilayahan hujan berdasarkan klasifikasi Oldeman tipe A1 yang mana terlihat dari hasil prediksi curah hujan selama 10 tahun menggunakan model TISEAN ini menunjukkan bahwa pada daerah tipe A1 potensi curah hujan maksimum terjadi pada bulan Januari, Mei, Oktober dan Nopember dengan potensi curah hujan hingga 500-800 mm, sedangkan pada bulan-bulan yang lain potensi curah hujan masih berkisar 400 – 600 mm perbulannya.
4.3.2 Prediksi Model TISEAN Tipe C1
Pewilayahan hujan berdasarkan klasifikasi Oldeman tipe C1 yang mana terlihat dari hasil prediksi curah hujan selama 10 tahun menggunakan model TISEAN ini menunjukkan bahwa pada daerah tipe C1 potensi curah hujan maksimum terjadi pada bulan April, Juli, Agustus dan Nopember dengan potensi curah hujan hingga 300-550 mm, sedangkan pada bulan-bulan yang lain potensi
(63)
4.3.3 Prediksi Model TISEAN Tipe D1
Pewilayahan hujan berdasarkan klasifikasi Oldeman tipe D1 yang mana terlihat dari hasil prediksi curah hujan selama 10 tahun menggunakan model TISEAN ini menunjukkan bahwa pada daerah tipe D1 potensi curah hujan maksimum terjadi pada bulan Januari, April, Juli, Agustus dan Nopember dengan potensi curah hujan hingga 250-3000 mm, sedangkan pada bulan-bulan yang lain potensi currah hujan masih berkisar 200 – 250 mm perbulannya.
Gambar 4.9. Prediksi Curah Hujan Model TISEAN Tipe C1
(64)
4.3.4 Prediksi Model TISEAN Tipe D2
Pewilayahan hujan berdasarkan klasifikasi Oldeman tipe D2 yang mana terlihat dari hasil prediksi curah hujan selama 10 tahun menggunakan model TISEAN ini menunjukkan bahwa pada daerah tipe D2 potensi curah hujan maksimum terjadi pada bulan Maret, April, Juli, Agustus, Nopember dan Desember dengan potensi curah hujan hingga 200-350 mm, sedangkan pada bulan-bulan yang lain potensi currah hujan masih berkisar 100 – 250 mm perbulannya.
4.3.5 Prediksi Model TISEAN Tipe E1
Pewilayahan hujan berdasarkan klasifikasi Oldeman tipe E1 yang mana terlihat dari hasil prediksi curah hujan selama 10 tahun menggunakan model TISEAN ini menunjukkan bahwa pada daerah tipe E1 potensi curah hujan maksimum terjadi pada bulan Januari, Pebruari, Maret, April, Juli, Agustus dan Nopember dengan potensi curah hujan hingga 200-450 mm, sedangkan pada bulan-bulan yang lain potensi currah hujan masih berkisar 150 – 250 mm perbulannya.
(65)
4.3.6 Prediksi Model TISEAN Tipe E2
Pewilayahan hujan berdasarkan klasifikasi Oldeman tipe E2 yang mana terlihat dari hasil prediksi curah hujan selama 10 tahun menggunakan model TISEAN ini menunjukkan bahwa pada daerah tipe E2 potensi curah hujan maksimum terjadi pada bulan April, Agustus dan September dengan potensi curah hujan hingga 200-350 mm, sedangkan pada bulan-bulan yang lain potensi currah hujan masih berkisar 100 – 250 mm perbulannya.
Gambar 4.12. Prediksi Curah Hujan Model TISEAN Tipe E1
(66)
4.3.7 Prediksi Model TISEAN Tipe E3
Pewilayahan hujan berdasarkan klasifikasi Oldeman tipe E3 yang mana terlihat dari hasil prediksi curah hujan selama 10 tahun menggunakan model TISEAN ini menunjukkan bahwa pada daerah tipe E3 potensi curah hujan maksimum terjadi pada bulan Maret, April, Agustus dan September dengan potensi curah hujan hingga 200-350 mm, sedangkan pada bulan-bulan yang lain potensi currah hujan masih berkisar 100 – 250 mm perbulannya.
4.4 VALIDASI HASIL PREDIKSI MODEL WAVELET
Prediksi model WAVELET dari tahun 2001 hingga 2010 untuk masing-masing pewilayahan hujan di Sumatera Utara akan divalidasi dengan membandingkan prediksi dengan data aktual, sehingga diketahui nilai korelasi atau hubungan hasil prediksi dengan data yang aktual.
4.4.1 Validasi Hasil Prediksi Model WAVELET Tipe A1
Hasil validasi prediksi WAVELET dengan data aktual untuk daerah Tipe A1 menunjukkan bahwa nilai korelasi baik terdapat pada bulan Mei, Juni, Juli, Oktober dan Desember dengan nilai korelasi tertinggi -0,89.
(67)
-1,00 -0,75 -0,50 -0,25 0,00 0,25 0,50 0,75 1,00 V a li d a si
Grafik Validasi Predikasi Curah Hujan Tipe A
WAVELET 0,29 -0,22 -0,19 0,09 -0,52 0,59 -0,60 -0,47 -0,09 -0,67 -0,38 -0,89 JAN PEB MAR APR MEI JUN JUL AGST SEP OKT NOP DES
Gambar 4.15. Validasi Prediksi Curah Hujan Model WAVELET Tipe A1 4.4.2 Validasi Hasil Prediksi Model WAVELET Tipe C1
Hasil validasi prediksi WAVELET dengan data aktual untuk daerah Tipe C1 menunjukkan bahwa nilai korelasi baik terdapat pada bulan Mei dan Desember dengan nilai korelasi tertinggi -0,92.
-1,00 -0,75 -0,50 -0,25 0,00 0,25 0,50 0,75 1,00 V a li d a si
Grafik Validasi Predikasi Curah Hujan Tipe C1
WAVELET 0,01 0,06 0,47 -0,28 -0,51 -0,41 0,01 -0,06 -0,48 -0,21 -0,15 -0,92 JAN PEB MAR APR MEI JUN JUL AGST SEP OKT NOP DES
Gambar 4.16. Validasi Prediksi Curah Hujan Model WAVELET Tipe C1
4.4.3 Validasi Hasil Prediksi Model WAVELET Tipe D1
Hasil validasi prediksi WAVELET dengan data aktual untuk daerah Tipe D1 menunjukkan bahwa nilai korelasi baik terdapat pada bulan Oktober dengan nilai korelasi tertinggi -0,49.
(68)
-1,00 -0,75 -0,50 -0,25 0,00 0,25 0,50 0,75 1,00 V a li d a si
Grafik Validasi Predikasi Curah Hujan TipeD1
WAVELET -0,13 0,09 0,04 -0,02 -0,21 -0,36 -0,43 0,10 0,01 -0,49 -0,20 -0,33 JAN PEB MAR APR MEI JUN JUL AGST SEP OKT NOP DES
Gambar 4.17. Validasi Prediksi Curah Hujan Model WAVELET Tipe D1 4.4.4 Validasi Hasil Prediksi Model WAVELET Tipe D2
Hasil validasi prediksi WAVELET dengan data aktual untuk daerah Tipe D2 menunjukkan bahwa nilai korelasi baik terdapat pada bulan Juni, Oktober dan Desember dengan nilai korelasi tertinggi -0,76.
-1,00 -0,75 -0,50 -0,25 0,00 0,25 0,50 0,75 1,00 V a li d a si
Grafik Validasi Predikasi Curah Hujan TipeD2
WAVELET -0,35 0,04 -0,44 -0,47 -0,38 -0,69 -0,02 0,16 -0,13 -0,76 -0,18 -0,67 JAN PEB MAR APR MEI JUN JUL AGST SEP OKT NOP DES
Gambar 4.18. Validasi Prediksi Curah Hujan Model WAVELET Tipe D2
4.4.5 Validasi Hasil Prediksi Model WAVELET Tipe E1
Hasil validasi prediksi WAVELET dengan data aktual untuk daerah Tipe E1 menunjukkan bahwa nilai korelasi baik terdapat pada bulan Januari dan Juni dengan nilai korelasi tertinggi -0,47.
(69)
-1,00 -0,75 -0,50 -0,25 0,00 0,25 0,50 0,75 1,00 V a li d a si
Grafik Validasi Predikasi Curah Hujan TipeE1
WAVELET -0,47 -0,39 -0,27 0,15 -0,36 -0,46 0,12 -0,33 -0,31 -0,31 -0,38 -0,26 JAN PEB MAR APR MEI JUN JUL AGST SEP OKT NOP DES
Gambar 4.19. Validasi Prediksi Curah Hujan Model WAVELET Tipe E1
4.4.6 Validasi Hasil Prediksi Model WAVELET Tipe E2
Hasil validasi prediksi WAVELET dengan data aktual untuk daerah Tipe E2 menunjukkan bahwa nilai korelasi baik terdapat pada bulan Pebruari, Juli dan Nopember dengan nilai korelasi tertinggi -0,61.
-1,00 -0,75 -0,50 -0,250,00 0,25 0,50 0,75 1,00 V a li d a si
Grafik Validasi Predikasi Curah Hujan TipeE2
WAVELET -0,23 -0,58 -0,12 0,41 -0,42 0,11 -0,61 0,22 0,00 -0,32 -0,57 -0,28 JAN PEB MAR APR MEI JUN JUL AGST SEP OKT NOP DES
Gambar 4.20. Validasi Prediksi Curah Hujan Model WAVELET Tipe E2
4.4.7 Validasi Hasil Prediksi Model WAVELET Tipe E3
Hasil validasi prediksi WAVELET dengan data aktual untuk daerah Tipe E3 menunjukkan bahwa nilai korelasi baik terdapat pada bulan Agustus dengan nilai korelasi tertinggi -0,59.
(70)
-1,00 -0,75 -0,50 -0,25 0,00 0,25 0,50 0,75 1,00 V a li d a si
Grafik Validasi Predikasi Curah Hujan TipeE3
WAVELET -0,24 -0,05 -0,18 0,06 -0,20 -0,36 -0,44 -0,59 -0,01 -0,41 -0,33 -0,05 JAN PEB MAR APR MEI JUN JUL AGST SEP OKT NOP DES
Gambar 4.21. Validasi Prediksi Curah Hujan Model WAVELET Tipe E3
4.5 VALIDASI HASIL PREDIKSI MODEL TISEAN
Prediksi model Wavelet dari tahun 2001 hingga 2010 untuk masing-masing pewilayahan hujan di Sumatera Utara akan divalidasi dengan membandingkan prediksi dengan data aktual, sehingga diketahui nilai korelasi atau hubungan hasil prediksi dengan data yang aktual.
4.5.1 Validasi Hasil Prediksi Model TISEAN Tipe A1
Hasil validasi prediksi TISEAN dengan data aktual untuk daerah Tipe A1 menunjukkan bahwa nilai korelasi baik terdapat pada bulan Pebruari dan Agustus dengan nilai korelasi tertinggi 0,48.
-1,00 -0,75 -0,50 -0,25 0,00 0,25 0,50 0,75 1,00 V a li d a si
Grafik Validasi Predikasi Curah Hujan Tipe A
TISEAN 0,22 0,48 0,21 -0,07 -0,12 -0,22 -0,25 0,15 -0,24 0,13 0,24 0,44 JAN PEB MAR APR MEI JUN JUL AGST SEP OKT NOP DES
(71)
4.5.2 Validasi Hasil Prediksi Model TISEAN Tipe C1
Hasil validasi prediksi TISEAN dengan data aktual untuk daerah Tipe C1 menunjukkan bahwa nilai korelasi baik terdapat pada bulan Pebruari dan Nopember dengan nilai korelasi tertinggi -0,59.
-1,00 -0,75 -0,50 -0,25 0,00 0,25 0,50 0,75 1,00 V a li d a si
Grafik Validasi Predikasi Curah Hujan Tipe C1
TISEAN -0,17 -0,56 0,35 -0,07 0,08 0,26 0,26 -0,39 -0,28 -0,35 -0,59 -0,24 JAN PEB MAR APR MEI JUN JUL AGST SEP OKT NOP DES
Gambar 4.23. Validasi Prediksi Curah Hujan Model TISEAN Tipe C1
4.5.3 Validasi Hasil Prediksi Model TISEAN Tipe D1
Hasil validasi prediksi TISEAN dengan data aktual untuk daerah Tipe D1 menunjukkan bahwa nilai korelasi baik terdapat pada bulan Mei dan Juli dengan nilai korelasi tertinggi -0,62.
-1,00 -0,75 -0,50 -0,25 0,00 0,25 0,50 0,75 1,00 V a li d a si
Grafik Validasi Predikasi Curah Hujan TipeD1
TISEAN -0,03 -0,16 0,21 0,35 0,57 0,02 -0,62 0,14 0,14 -0,44 0,09 0,00 JAN PEB MAR APR MEI JUN JUL AGST SEP OKT NOP DES
(1)
LAMPIRAN P
PREDIKSI TISEAN TIPE C1
Bulan 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Januari 217,7 135,65 188,75 419,5 308,1 313,15 353,4 176,45 356,5 199 Februari 197,75 59,45 211,7 390,65 257,25 281,3 327,55 250,95 262,2 252,35 Maret 341,7 369,95 282,65 452,6 287,65 241,7 322,4 268,55 390,95 300,5 April 340,25 344,1 472,85 572,75 285,35 325,85 320,8 267,2 405,85 313,25 Mei 172,5 225,15 269,35 143,55 196,95 337,3 358,3 184,1 260,15 144,8 Juni 154,25 182,6 185,85 333,4 201,45 332,6 349,9 206,65 185,8 231,9 Juli 261,2 318,95 507,45 514,1 268,95 272,2 345,25 282,95 283,55 251,6 Agustus 399,95 395,65 448,5 539,1 330 276,7 328,15 247,4 353 362,85 September 220,95 225,1 409,8 79,4 269,45 294,5 333,8 269,8 197,2 215,6 Oktober 184,35 285,85 254,8 317,45 210,55 296,55 329,7 242,15 298,05 252,2 Nopember 295,45 426 378,9 562,2 271,15 316,2 335,55 279,7 347,95 322 Desember 337,6 365,25 352,3 393,95 365,85 313,2 349,25 261,35 425,5 409,25
(2)
LAMPIRAN Q
PREDIKSI TISEAN TIPE D1
Bulan 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Januari 196,45 252,05 213,9 207,9 303,25 203,2 203,4 311,4 286,95 229,95 Februari 228,5 196,5 253,7 219,25 224,1 287,9 286,4 247,55 271,8 244,4 Maret 233,3 270,15 231,35 211 191,9 248,45 212,45 248,85 290,8 254,2 April 248,35 193,6 227,1 265,45 253,75 226,95 273,65 307,75 282,1 243,4 Mei 207,7 282 239,85 287,8 266,9 246,5 206,35 247,95 281,15 211,75 Juni 225,95 194,9 208,55 206,65 206,2 198 273,65 152,7 275,65 249,95 Juli 232,9 280,35 235,7 270,9 170 274,55 210,1 253,65 294,65 242,05 Agustus 179,9 216,7 210,55 217,6 242,4 243,4 267,8 214,4 282,45 226,4 September 228,95 295 233,7 238,1 247,4 255,55 215,2 211,9 274,15 248,1 Oktober 249,75 233,35 218,05 204,65 220,7 186,4 276,45 188 265,85 277,75 Nopember 230,85 242,9 227,85 262,4 198,35 294,5 216,6 180,2 276,7 232,5 Desember 230,05 211,85 226,05 234,1 222,85 209,8 258,75 206,25 290 234,3
(3)
LAMPIRAN R
PREDIKSI TISEAN TIPE D2
Bulan 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Januari 264,1 70,5 57,35 58,9 151,15 175,95 126,35 229,4 128,2 173 Februari 266,65 70,8 44,8 38,6 201,55 211,05 233,5 235,5 90,5 142 Maret 262,85 56,65 54,85 32,45 345,25 311 358,85 252,8 246,2 251,65 April 268,3 40,45 24,75 67,45 323,15 340,9 324,05 295,3 320,45 307,25 Mei 269,05 86,85 67,25 76,75 140,15 166,95 95,8 247,8 108,1 167,1 Juni 270,15 69,75 63,4 71,35 182,8 207,8 233,15 230,25 220,6 215 Juli 263,8 69,75 54,7 56,25 302,15 309,3 342,35 244,6 261,1 234,55 Agustus 265,7 85,05 64,1 78,05 338,55 348,6 319,45 247 286,6 290,9 September 264,85 115,85 121,65 141,8 148,75 163,4 107,75 230,8 212,9 219,85 Oktober 267,9 160,8 141,2 132,75 180,6 185,85 217,65 245,35 181,6 224,6 Nopember 264,8 112 103,95 114,75 297,4 294,2 336,5 242,4 198,2 298,3 Desember 262,7 140,25 104,85 91,65 316,7 334,35 330,35 267,65 306,1 304,55
(4)
LAMPIRAN S
PREDIKSI TISEAN TIPE E1
Bulan 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Januari 180,3 332,75 235,8 232,65 228,2 198,05 227,9 249,9 245,85 211,4 Februari 269,25 236,95 161,05 291,45 245,9 244,25 208,45 284,25 249 460,85 Maret 207,75 369,15 155,9 336,75 235,05 222 218,9 361,5 251,05 343,7 April 293,35 313,8 190,75 321,7 249,3 254,35 250,55 301,75 256,55 356,2 Mei 195,65 312 215,9 293,8 213 199,45 241,6 252,85 241,6 126,75 Juni 302,15 261,5 183,7 312,5 229,95 243,95 253,55 213 227,45 206,4 Juli 210,7 293,1 179,8 268,15 208,5 220,7 238,15 280,35 232,8 267,55 Agustus 289,05 366,4 225,1 304,5 248,85 237,4 260,6 259,5 251,05 415,25 September 207,35 194,6 221,7 203,1 225 205,55 244,95 257,05 241,95 120,45 Oktober 289 232,75 188,45 222,8 250,8 244,2 227,75 240,5 248,15 263,7 Nopember 234,5 238,8 197,5 210,9 232,15 220 236,45 373,9 251,4 320,75 Desember 307,35 297,7 177,8 226 251 238,55 247,6 256,55 261,9 64,35
(5)
LAMPIRAN T
PREDIKSI TISEAN TIPE E2
Bulan 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Januari 168,35 36,65 186,45 232,55 219,65 168,1 178,7 197,6 157,4 204,15 Februari 163,15 150,3 126,1 177,55 173,25 66,25 138,25 255,6 209,1 189,75 Maret 208,7 260,4 142,15 185,3 143,6 182,35 179,25 96,45 186,1 214,4 April 205,85 239,6 204,3 188,4 220,4 212,4 180,2 283,4 183,2 384,15 Mei 178,55 61,85 209 227 242,2 192,45 231,55 199,9 234,3 230,1 Juni 187,4 226,6 145,55 208,9 179,8 172,6 175 157,45 170,95 183,9 Juli 217,4 106,9 135,45 259,45 151,5 116,3 155,45 238,4 219,4 207,25 Agustus 195,25 302,75 173,85 316 162,15 258,15 167,1 136,05 266,5 141,5 September 186,85 81,45 232,2 233,75 196 170,4 205,05 160,8 217,75 339,45 Oktober 161,65 79,9 168,25 172,65 238,3 173,7 232,35 125,1 206,05 136 Nopember 192,95 111,05 124,3 195,4 195,55 133,4 129 90,65 232,65 252,05 Desember 212,05 286,05 148,55 203 141,6 259,45 168,5 268,5 209,4 203,55
(6)
LAMPIRAN U
PREDIKSI TISEAN TIPE E3
Bulan 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Januari 164 26,8 116,85 111,85 180,9 312,35 240,5 141,5 194,7 193,9 Februari 188,95 63,3 53,75 187,6 234,2 275,3 204,95 180,55 279,55 238,6 Maret 253,5 202 320,85 110,55 267,2 181,95 304,35 326 245,2 239,2 April 197,15 143,5 377,4 98 241,95 291 271,45 258,55 156,1 280,15 Mei 158,1 100,45 235,5 12,2 198,5 335,15 231,75 217,25 139,2 212,4 Juni 185,3 25,1 105,8 140,1 191,8 289,4 259,95 264,75 276,15 235,5 Juli 224,45 121,5 203,75 261,45 274,2 268,95 346,3 264,9 259,9 269,05 Agustus 295,95 177,1 132,9 234,9 286,35 289,2 274,4 200,35 154,1 261 September 302,95 107,5 155,85 317,75 228,35 235,2 219,7 152,95 195,05 248,65 Oktober 229,8 9,45 140,05 47,55 235,15 263,7 232,85 190,4 271,35 222,4 Nopember 296,15 101,1 197,4 245,1 302,65 231,45 323,7 239,1 225,25 300,05 Desember 226,05 190 258,7 371,35 279,6 225,4 271,7 219,55 127,8 247,7