PEMODELAN DAN SIMULASI
TINGGI GENANGAN BANJIR DI KECAMATAN GUBENG
KOTA SURABAYA
MENGGUNAKAN SISTEM INFORMASI GEOGRAFIS
Penyusun Tugas Akhir :
Ratri Enggar Pawening/5107100613
Pembimbing I
Dr. Ir. Joko Lianto Buliali, M. Sc
Pembimbing II
Ahmad Saikhu, S. Si, M.T
Page 2
Pendahuluan
Latar Belakang
1. Pesatnya perkembangan teknologi informasi memberikan
kemudahan untuk melakukan penelitian terhadap kondisi
alam, melakukan analisa, dan pengambilan keputusan.
2. Dengan menganalisis data-data faktor penyebab banjir,
yaitu mencari korelasi antara ketinggian banjir dengan
sejumlah tautan, kemudian mengintegrasikan ke dalam
Sistem Informasi Geografis (SIG) maka dapat diprediksi
tingginya genangan banjir di suatu daerah pada kondisi
cuaca yang disimulasikan.
Page 3
Pendahuluan
Tujuan
1. Mencari model matematis untuk mengetahui tinggi
genangan banjir yang diduga dipengaruhi oleh curah
hujan, kelembaban, temperatur, dan pasang air laut.
2. Mengimplementasikan model dan mensimulasikannya
menggunakan Sistem Informasi Geografis.
Page 4
Pendahuluan
Batasan Masalah
1. Penelitian dilakukan di Kecamatan Gubeng Kota
Surabaya.
2. Variabel-variabel yang digunakan dalam proses
pemodelan dan simulasi adalah tinggi genangan banjir,
curah hujan, temperatur, kelembaban, pasang air laut.
Faktor-faktor lain penyebab banjir tidak termasuk dalam
pembahasan tugas akhir ini.
3. Data yang diambil hanya difokuskan pada musim hujan.
4. Proses pemodelan menggunakan metode principal
component regression .
Page 5
Dasar Teori
Multikolinearitas
Adanya hubungan linear yang sempurna atau pasti antara
beberapa atau semua variabel prediktor dari model regresi
ganda.
Multikolinearitas terjadi apabila nilai R2 dan nilai korelasi antar
variabel prediktor tinggi, tetapi tidak satupun atau sedikit
koefisien regresi parsial yang signifikan secara individu.
Page 6
Dasar Teori
Analisis Komponen Utama
1. Analisis komponen utama digunakan untuk mereduksi
dimensi suatu data tanpa mengurangi karakteristik data
tersebut secara signifikan.
2. Komponen utama dapat dibentuk berdasarkan matriks
korelasi X, Z’Z, yang sudah dibakukan (Σ) dan eigen value
(λi) untuk matriks korelasi dengan persamaan.
3. Komponen utama ke-i didefinisikan
(2.7)
(2.8)
Page 7
Dasar Teori
Analisis Komponen Utama
4. Proporsi total varian yang dijelaskan oleh komponen
utama didapatkan dari persamaan
5. Pemilihan komponen utama dapat dihitung sampai
sejumlah proporsi keragaman data tertentu (mungkin 75%
atau lebih) dari varian yang dijelaskan [1].
(2.9)
Page 8
Dasar Teori
Regresi Komponen Utama
1. Digunakan untuk meregresikan komponen utama yang
terpilih, dimana
2. Transformasi komponen utama adalah variabel W pada
regresi komponen utama diubah menjadi variabel asal X.
(2.10)
p
j
iijjixy
1
0(2.1)
Page 9
Perancangan
Rangkaian SistemMULAI
SELESAI
Data Masukan
Analisis Data
Pemodelan dan
Simulasi
Sistem Informasi
Geografis
Solusi
Analisis Solusi
BanjirPembangkitan
Bilangan Acak
1
1
Page 10
No Nama Satuan Sumber
1 Tinggi genangan banjir cm PU Bina Marga
2 Curah hujan mm Dinas Pengairan
3 Kelembaban % BMG
4 Temperatur 0C BMG
5 Pasang air laut cm BMG
Perancangan
Data dan Sumbernya
Jenis data : data rata-rata harian
Lokasi : Kecamatan Gubeng
Waktu penelitian : Desember 2008-Maret 2009
Page 11
Perancangan
Pemodelan Data
Model 1
Y = Tinggi genangan
X1 = Curah hujan
X2 = Kelembaban
X3 = Temperatur
X4 = pasang air laut
Model 2
Y = Tinggi genangan
X1 = Curah hujan
X2 = Kelembaban
X3 = Temperatur
X4 = Pasang air laut
X5 = Tinggi genangan hari
sebelumnya
Page 12
Perancangan
Principal Component Regression
Page 13
Perancangan
Sistem Informasi Geografis
Page 14
Uji Coba Sistem
Lingkungan Uji Coba
HardwareProcessor Intel Celeron M, 1,73 GHz
Memory 480 MB
Software
OS Windows XP Professional SP 2
DeveloperMathlab 7.0.4
ArcView GIS 3.3
Page 15
Uji Coba Sistem
Model 1
Y X1 X2 X3 X4
Y 1 0.9393 0.2018 -0.2829 -0.0082
X1 0.9393 1 0.2755 -0.326 0.0134
X2 0.2018 0.2755 1 -0.7422 0.1316
X3 -0.2829 -0.326 -0.7422 1 -0.2381
X4 -0.0082 0.0134 0.1316 -0.2381 1
Matriks Korelasi
Deskripsi Data
(5.1)
(5.2)
Page 16
Uji Coba Sistem
Model 1
W1 W2 W3 W4
Eigen value 1.9961 0.9913 0.7657 0.2469
Proportion 0.4990 0.2478 0.1914 0.0617
Cumulative 0.4990 0.7468 0.9383 1.000
Eigen Value
Variabel W1 W2 W3 W4
Z1 0.3843 -0.4932 0.7776 0.0667
Z2 0.6172 -0.0619 -0.4021 0.6734
Z3 -0.6431 -0.03 0.2364 0.7278
Z4 0.2404 0.8672 0.4217 0.1112
Eigen Vector
Page 17
Uji Coba Sistem
Model 1
Pemilihan Komponen Utama
Y = 7.48394 + 0.25359X1 - 0.05348X2 - 0.08860X3 - 0.00284X4
(5.2)
Persamaan 1
Page 18
Uji Coba Sistem
Model 2
Y X1 X2 X3 X4 X5
Y 1 0.9393 0.2018 -0.2829 -0.0082 0.0281
X1 0.9393 1 0.2755 -0.326 0.0134 -0.0329
X2 0.2018 0.2755 1 -0.7422 0.1316 -0.0408
X3 -0.2829 -0.326 -0.7422 1 -0.2381 -0.0177
X4 -0.0082 0.0134 0.1316 -0.2381 1 0.044
X5 0.0281 -0.0329 -0.0408 -0.0177 0.044 1
Matriks Korelasi
Deskripsi Data
(5.3)
(5.8)
Page 19
Uji Coba Sistem
Model 2
Eigen Value
Eigen Vector
W1 W2 W3 W4 W5
Eigen value 1.9964 1.0541 0.9389 0.7656 0.2450
Proportion 0.3993 0.2108 0.1878 0.1531 0.0490
Cumulative 0.3993 0.6101 0.7979 0.9510 1.0000
Variable W1 W2 W3 W4 W5
Z1 -0.385 -0.32 0.381 0.774 0.068
Z2 -0.617 -0.063 0.019 -0.401 0.673
Z3 0.643 -0.05 -0.006 0.238 0.727
Z4 -0.24 0.589 -0.634 0.427 0.108
Z5 0.016 0.738 0.673 -0.023 0.05
Page 20
Uji Coba Sistem
Model 2
Y = 7.8732 + 0.2539X1 - 0. 0553X2 - 0. 1034X3 - 0. 0034X4 + 0.0575X5
(5.5)
Persamaan 2
(5.4)
Page 21
Uji Coba Sistem
Validasi Model
NO Model RMSE RMSPE MAPE U R2
1. Model 1 1.6789 0.0988 1.0588 0.1354 88.66%
2. Model 2 1.6543 0.0973 1.0433 0.1334 88.99%
Page 22
Uji Coba Sistem
Sistem Informasi Geografis
Skenario 1
Pengguna melakukan input satu persatu untuk mengetahui
tinggi genangan banjir di daerah Gubeng.
(5.6)
(5.7)
Page 23
Uji Coba Sistem
Sistem Informasi Geografis
Skenario 2
Pengujian dilakukan untuk mendapatkan tinggi genangan yang
dipengaruhi oleh curah hujan, kelembaban, temperatur, pasang air laut,
dan tinggi genangan hari sebelumnya. Data input tersebut adalah data
hasil pengamatan nyata.
Page 24
Uji Coba Sistem
Sistem Informasi Geografis
Skenario 3
Pengujian dilakukan untuk mendapatkan tinggi genangan banjir yang
dipengaruhi oleh curah hujan, kelembaban, temperatur, pasang air laut,
dan tinggi genangan pada hari sebelumnya. Masing-masing variabel
mempunyai 87 baris data uji hasil pembangkitan bilangan acak.
Page 25
Uji Coba Sistem
Sistem Informasi Geografis
Skenario 4
Pengujian dilakukan untuk mendapatkan tinggi genangan banjir yang dipengaruhi
oleh curah hujan, kelembaban, temperatur, pasang air laut, dan tinggi genangan
pada hari sebelumnya. Masing-masing variabel mempunyai 87 baris data, dimana
data input merupakan hasil pembangkitan bilangan acak dengan menaikkan
standar deviasi pada variabel curah hujan sebesar 25%.
Page 26
Uji Coba Sistem
Sistem Informasi Geografis
Skenario 5
Pengujian dilakukan untuk mendapatkan tinggi genangan banjir yang dipengaruhi
oleh curah hujan, kelembaban, temperatur, asang air laut, dan tinggi genangan
pada hari sebelumnya. Masing-masing variabel mempunyai 87 baris data,
dimana data input merupakan hasil pembangkitan bilangan acak dengan
menaikkan nilai rata-rata variabel curah hujan sebesar 25%.
Page 27
Uji Coba Sistem
Sistem Informasi Geografis
Skenario 6
Pada skenario 6 ini pengujian dilakukan untuk mendapatkan tinggi genangan banjir
yang dipengaruhi oleh curah hujan, kelembaban, temperatur, pasang air laut, dan
tinggi genangan pada hari sebelumnya. Masing-masing variabel mempunyai 87 baris
data, dimana data input merupakan hasil pembangkitan bilangan acak dengan
menaikkan nilai rata-rata dan standar deviasi variabel curah hujan sebesar masing-
masing 25%.
Page 28
Uji Coba Sistem
Analisa hasil uji coba
Untuk membandingkan hasil skenario 2 dengan skenario 3
dilakukan uji anova yang menggunakan uji statistik distribusi F.
Ftabel Fhitung α
3,314 0,2799 0,05
skenario 2 = μ skenario
Page 29
Uji Coba Sistem
Analisa hasil uji coba
SkenarioRata-rata tinggi
genangan (cm)Kenaikan (cm)
Skenario 4 4,49363 0,28398
Skenario 5 4,90785 0,6982
Skenario 6 5,08778 0,6982
Rata-rata kenaikan = 0,62010 cm
Page 30
Kesimpulan
1. Model yang dipilih adalah model yang mempunyai error paling
kecil, dimana mempunyai 5 variabel prediktor curah hujan,
kelembaban, temperatur, pasang air laut, dan ketinggian banjir
pada hari sebelumnya. Hasil validasi mempunyai RMSE 1,6543,
RMSPE 0,0973, MAPE 1,0433, dan U 0,1334.
2. Model regresi yang dihasilkan mempunyai nilai R2 sebesar
88,99%. Hal ini berarti tinggi genangan banjir dapat diterangkan
oleh variabel curah hujan, kelembaban, temperatur, pasang air
laut, dan ketinggian banjir hari sebelumnya sebesar 88,99%.
Page 31
Kesimpulan
3. Penggunaan Sistem Informasi Geografis mempermudah dalam
memvisualisasikan hasil rata-rata perhitungan tinggi genangan.
4. Dengan mensimulasikan pola perubahan curah hujan yang tidak
menentu, uji coba yang dilakukan adalah dengan meningkatkan nilai
rata-rata variabel curah hujan dari data aslinya. Ketika nilai rata-rata
curah hujan naik 20% pada standar deviasi yang sama maka
diperoleh nilai rata-rata ketinggian banjir sebesar 4,49363. Ketika
standar deviasi curah hujan dinaikkan 25% pada rata-rata yang
tetap maka didapatkan nilai rata-rata ketinggian banjir sebesar
4,90785. Ketika rata-rata dan standar deviasi curah hujan dinaikkan
25% maka nilai rata-rata ketinggian banjir yang diperoleh sebesar
5,08778.
Page 32
Saran
1. Untuk itu pada penelitian lebih lanjut dapat menambahkan
variabel lain yang mempunyai pengaruh kuat terhadap tinggi
genangan banjir.
2. Untuk pengembangan lebih lanjut diharapkan dapat melakukan
pemodelan dan simulasi untuk seluruh kecamatan di Surabaya.
Page 33 Sunday, January 17, 2010
Daftar Pustaka
Anderson, Hair, Tatham, Black, Multivariate Data Analysis, Prentice-
Hall International, 1998.
Drapper, NR & Smith, H, Analisis Regresi Terapan, Edisi Kedua, PT
Gramedia Pustaka Utama, Jakarta, 1992.
Law, Averil M. and W. David Kelton, Simulation Modeling and Analysis
Third Edition, McGraw-Hill, 2000.
Natalia, Deasy Astrid, Penerapan Decissiekomendasi Solusi
Penanggulangan Banjir, [Tugas Akhir], Institut Teknologi
Sepuluh Nopember, 2009.
Nugraha, Surya Agung Ika, Sistem Informasi Geografis Pendukung
Penentuan Daerah Rawan Banjir Studi Kasus Kota Surabaya,
[Tugas Akhir], Institut Teknologi Sepuluh Nopember, 2009.
Puntodewo. A, S. Dewi, Tarigan. J, Sistem Informasi Geografis Untuk
Pengelolaan Sumber Daya Alam, Center for International
Forestry Research, Bogor Barat, 2003.
Page 34 Sunday, January 17, 2010
Daftar Pustaka
Purbowati, Ajeng Mumpuni, Pemodelan Data Curah Hujan,
Temperatur, Kelembaban Udara, serta Pasang Air Laut
Harian Kota Surabaya, [Tugas Akhir], Institut Teknologi
Sepuluh Nopember, 2009.
Rencher, A.C, Multivariate Statistical Inference and Application,
Wiley-Interscience Publication, Brigham, 1998.
Rovicky, Prakiraan Hujan dan Peramalan Banjir,
http://rovicky.wordpress.com/2009/02/07/prakiraan-hujan-
dan-peramalan-banjir, diakses pada 21 Desember 2009.
Sembiring. K, Aplikasi Sistem Informasi Penanggulangan Bencana di
Indonesia, Lomba Karya Tulis Mahasiswa, 2007.
Sembiring, RK, Analisis Regresi, Edisi ke-2, Penerbit ITB, 2003.
Page 35
Daftar Pustaka
Sridadi, Bambang, Pemodelan dan Simulasi Sistem Teori,
Aplikasi dan Contoh Program dalam Bahasa C,
Informatika, 2009.
Sulaiman, Wahid, Analisis Regresi Menggunakan SPSS Contoh
Kasus dan Pemecahannya, ANDI, 2004.
Wiarini, Putu Pitri, Pembangkitan Bilangan Acak untuk Data
Temperatur dan Kelembaban Kota Surabaya, [Tugas
Akhir], Institut Teknologi Sepuluh Nopember, 2009
Page 36
Terima Kasih