bab 5 kesimpulan dan saran - digilib.its.ac.id filedesember, berdasarkan hasil uji goodness of fit...
TRANSCRIPT
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