123

BAB 5

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Berdasarkan permasalahan dan tujuan yang diangkat dalam penelitian

pendisagregasian data hujan secara temporal dengan pendekatan Bayesian guna

mengatasi keterbatasan data, maka penelitian ini dapat disimpulkan sebagai

berikut.

1.Hasil identifikasi karakteristik data hujan jam-jaman dan harian di stasiun

Sentral DAS Sampean menunjukkan bahwa:

a. Bulan basah terjadi pada bulan Desember sampai dengan April memiliki nilai

proporsi interval kering di bawah rata-rata sebesar 0,958 atau di atas 1536

mm/tahun; sebaliknya bulan kering terjadi pada bulan Mei sampai dengan

Nopember,

b.Data hujan jam-jaman mempunyai korelasi yang signifikan terhadap data

hujan harian dengan nilai R2 sebesar 0.944, sehingga data dapat digunakan

untuk model disagregasi hujan.

c. Distribusi data hujan jam-jaman untuk bulan Januari sampai dengan

Desember, berdasarkan hasil uji goodness of fit menggunakan Anderson

Darling menunjukkan distribusinya ekponensial sehingga untuk pemodelan

selanjutnya digunakan distribusi eksponensial.

d.Pola PACF yang turun setelah lag 1 dan nilai statistik T pada lag 24 adalah

signifikan, sehingga pola data hujan di stasiun Sentral DAS Sampean ini

mengikuti pola 24 jam. Berdasarkan kondisi tersebut, maka model dasar yang

digunakan adalah periodik autoregresi (1)24

.

2.Pemodelan hujan temporal dengan menggunakan dasar model PAR(1)24

dengan

asumsi model berdistribusi ekponensial dan menggunakan prior parameter

berdistribusi normal (0.0, 0.000001) untuk data hujan jam-jaman bulan

Desember 2005-2008, ternyata mampu menghasilkan model terbaik. Model

terbaik ini diindikasikan oleh:

124

a. Secara struktur, modifikasi model PAR(1)24

dengan prosedur adjusting dan

filtering model mampu untuk melakukan disagregasi dari data hujan dari

harian ke jam-jaman.

b.Output model (tinggi hujan) yang dihasilkan mampu mereduksi output model

dasar PAR(1)24

dengan memberikan nilai nol saat tidak terjadi hujan dan

memberikan nilai tinggi hujan maksimum yang hanya berselisih 6,1 % antara

observasi terhadap simulasi.

c. Modifikasi model PAR(1)24

dengan prosedur adjusting dan filtering

memberikan nilai MAE sebesar 0,44. Maka jika dibandingkan dengan hasil

running program Heytos dengan nilai MAE sebesar 0,561, model ini sudah

mampu memberikan peningkatan hasil sebesar 15 %

d.Model disagregasi ini memberikan hasil yang baik ditunjukkan oleh korelasi

antara hujan harian observasi dengan penjumlahan hasil disagregasi dalam 1

hari yang memberikan nilai R2

sebesar 0.810

3.Pengujian keandalan model dilakukan dengan dua cara yaitu menguji model

terhadap bulan selain Desember pada tahun yang sama 2005-2008 dan menguji

terhadap tahun yang berbeda (2009).

a. Aplikasi model untuk bulan-bulan lain selain Desember pada periode tahun

yang sama dilakukan dengan mengkalibrasi parameter model terlebih dahulu.

Hasil kalibrasi menunjukkan bahwa proses simulasi model dengan MCMC

dapat bekerja mayoritas untuk bulan-bulan basah (musim penghujan: Januari,

Februari, Maret, April dan Desember) dan sebagian kecil untuk musim

kemarau (Mei dan September). Hasil simulasi model menunjukkan terdapat

selisih tinggi hujan yang relatif kecil untuk bulan Maret, April, September

dan Desember, dan sebaliknya menunjukkan selisih relatif cukup besar untuk

bulan-bulan lainnya. Selain bulan Desember, hasil pemodelan yang baik

adalah bulan Maret.

b.Hasil penaksiran (prediksi) model hujan jam-jaman dengan menggunakan data

bulan Desember tahun 2009 didapatkan kinerja model yang bagus dan nilai

MAEnya sebesar 0,37. Nilai MAE prediksi ini di bawah nilai MAE dari hasil

pada saat pembuatan model yaitu sebesar 0,44. Proses disagregasi terbentuk

125

dengan sempurna yang ditunjukkan dengan nilai R2 sebesar 1 oleh plot hujan

hariannya.

4.Evaluasi secara grafis dapat dilihat dengan membandingkan hasil hidrograf

model antara observasi terhadap hasil simulasi. Hasil plot hidrograf

menunjukkan pola yang sama dan terdapat sedikit kesalahan volume yang

ditunjukkan dengan nilai RMSE sebesar 0.05.

5.2. Saran

Berdasarkan kesimpulan di atas didapatkan kekurangan dan keterbatasan

dari model yang dihasilkan maka untuk pemodelan selanjutnya perlu disarankan

sebagai berikut:

1.Dalam memodelkan disagregasi data hujan perlu ke hati-hatian dalam penentuan

distribusi data, agar dicapai model disagregasi hujan yang tepat yang sesuai

dengan karakter data hujannya.

2.Dalam pemodelan disagregasi hujan PAR(1)24

dengan adjusting dan filtering

perlu dicoba menggunakan input data hujannya disusun secara series dalam dua

bagian yaitu periode kering dan basah.

3.Dalam mengatasi trend underestimate yang tinggi untuk bulan-bulan lain

Januari dan Februari ini, maka untuk memperbaiki model perlu memasukkan

pengaruh Heteroschedasticity.

4.Untuk menyiapkan input data hujan pemodelan hujan-debit pada DAS skala

luas, maka penelitian selanjutnya perlu dilakukan pemodelan hujan temporal

dan spasial.

126

Halaman ini sengaja dikosongkan