4 HASIL DAN PEMBAHASAN Analisis Keluaran Model
48. Abevs_q75 = 1.09xC int -0.79
Sebagian besar kriteria tahunan, musiman dan kejadian hujan tidak dapat diekspresikan dalam persamaan sederhana dalam bentuk linear atau kubik. Oleh sebab itu dalam korelasi kriteria hidrologis terhadap Cint terdapat banyak persamaan polinomial. Selanjutnya, untuk CRev_maximum dan CRevs_maximum selalu sama dengan 1 seperti terlihat pada Gambar 21 (a dan c). Pada Gambar 21 (a dan c), dapat diketahui juga bahwa persamaan CRev_minimum dan CRevs_minimum sama dengan nol. Berbeda dengan CR, Abev_maximum dan Abevs_maximum menunjukkan korelasi linear yang juga ditunjukkan pada Gambar 21 (b dan d). Sama halnya dengan CR, Abev_minimum dan Abevs_minimum selalu sama dengan nol. Persamaan polinomial kriteria CR dan Ab terhadap Cint dari hasil simulasi untuk Kcint =1.2 sebagian besar sama dnegan persamaan yang diperoleh dari simulasi untuk Kcint =1. Persamaan yang berbeda antara keduanya diperoleh dari CRan_minimum, CRete_maximum, CRhiver_median, CRhiver_maximum, CRev_rata-rata, CRev_q75, CRevs_median, CRevs_q75, Ab_an_minimum, Ab_an_median, Ab_an_maximum, Ab_ete_median, Ab_hiver_minimum, Ab_hiver_median, Abev_median, Abevs_median dan Abevs_q25. Selanjutnya, selain kriteria CR dan Ab, perlu juga menganalisis korelasi kriteria q_max terhadap Cint untuk melengkapi kriteria hidrologis pada model green roof.
Analisis Sensitivitas Parameter Simulasi Model FAVEUR
Parameter-parameter simulasi yang telah diinisialisasi pada awal simulasi model FAVUER masih dapat divariasikan untuk menganalisis sensitivitas model. Oleh karena itu, simulasi model FAVEUR dilakukan dengan perubahan 3 parameter yang dapat divariasikan seperti dT2, ncalc dan d’ev sebagai berikut :
- dT2 = 60 det
Karena dT1 = 300 det, tidak mungkin mengaplikasikan dT2 untuk nilai yang lebih besar dari dT1.
- ncalc = 200
Simulasi model FAVEUR yang menggunakan ncalc = 500 diuji dengan menjalankan model dengan ncalc = 200.
- d’ev = 6h dan 24h
Untuk uji sensitivitas, dilakukan perubahan identifikasi kejadian hujan dengan menambah dan mengurangi durasi kejadian hujan untuk mengetahui evolusi kriteria hidrologis kejadian hujan. Durasi yang digunakan dalam uji sensitivitas ini adalah d’ev = 6h , 12h dan 24h.
Pada analisis sensitivitas parameter model FAVEUR, perubahan utama yang diamati adalah evolusi kurva fungsi CR dan Ab rata-rata dan median terhadap Cint skala waktu tahunan serta setiap kejadian hujan. Pertama, untuk uji sensitivitas pada simulasi model FAVEUR dengan variasi dT2 = 60 det diperoleh bahwa kurva fungsi CR dan Ab rata-rata dan median terhadap Cint baik pada skala tahunan maupun setiap kejadian hujan tidak berubah dibandingkan dengan kurva fungsi CR dan Ab rata-rata dan median terhadap Cint dari hasil simulasi dengan dT2 =300 det. Perbedaanya hanya pada durasi simulasi yang lebih lama dengan dT2 = 60 det. Pengurangan dT2 akan mengakibatkan jumlah interval waktu simulasi bertambah sehingga konsekuensinya adalah waktu simulasi yang dibutuhkan akan lebih lama. Oleh sebab itu dapat disimpulkan bahwa dT2 bukan merupakan parameter yang mempengaruhi sensitivitas baik pada model maupun hasil.
Kedua, berdasarkan uji sensitivitas pada simulasi model FAVEUR dengan variasi ncalc = 200 diketahui bahwa kurva fungsi CR dan Ab rata-rata dan median terhadap Cint baik pada skala tahunan maupun setiap kejadian hujan memiliki kecenderungan bentuk yang sama dengan kurva fungsi CR dan Ab rata-rata dan median terhadap Cint dari hasil simulasi dengan ncal = 500. Hal ini ditunjukkan pada Gambar 22 dan 23.
Pada Gambar 22 ditunjukkan evolusi CR_an dan CR_ev rata-rata dan median terhadap perubahan ncalc. Berdasarkan Gambar 22, baik pada kurva CR_an rata-rata dan median maupun pada kurva CR_ev rata-rata dan median dari simulasi ncalc=200, pengurangan ncalc hanya menyebabkan kurva keduanya menjadi kurang detail dan presisi dibandingkan kurva CR_an dan CR_ev rata-rata dan median dari simulasi ncalc = 500.
Sebagaimana CR, Ab_an dan Ab_ev rata-rata dan median dari hasil simulasi dengan ncalc=200 menunjukkan kecenderungan yang sama dengan hasil CR, Ab_an dan Ab_ev rata-rata dan median dengan ncalc=500. Seperti yang ditunjukkan pada Gambar 23, pengurangan ncalc memang tidak berpegaruh secara nyata pada nilai Ab_an dan Ab_ev rata-rata dan median, hanya saja kurva keduanya menjadi kurang presisi. Oleh sebab itu dapat disimpulkan bahwa model tidak sensitif terhadap perubahan parameter ncalc.
Parameter terakir yang diuji pada analisis sensitivitas parameter adalah d’ev yang hanya dilakukan pada kriteria kejadian hujan. Pada Gambar 24 (a) dan (b), dapat dilihat evolusi kurva CR_ev dan Ab_ev rata-rata dan median terhadap Cint dengan adanya variasi d’ev yaitu d’ev = 6 jam, d’ev = 12 jam dan d’ev 24 jam. Dari Gambar 24 (a) dapat dinyatakan bahwa semakin rendah nilai d’ev, semakin tinggi pula nilai CR_ev. Seperti diketahui bahwa CR_ev merupakan q_ev dan selisih Stra_ev pada akhir dan awal kejadian hujan terhadap Plu_ev. Oleh sebab itu, semakin rendah nilai d’ev, semakin rendah pula nilai Plu_ev. Dengan nilai q_ev yang sama, semakin rendah Plu_ev, maka nilai CR_ev pun akan semakin tinggi.
Berdasarkan Gambar 24 (a), ketiga kurva CR_ev rata-rata dengan d’ev yang berbeda memiliki kecenderungan yang sama yaitu berbanding terbalik dengan peningkatan nilai Cint. Berbeda dengan CR_ev rata-rata, ketiga kurva CR_ev median dengan d’ev berbeda memiliki kecenderungan menurun secara tajam seiring dengan peningkatan Cint hingga pada titik tertentu CR_ev median akan stabil pada titik nol. Pada CR_ev median dengan d’ev = 6 jam, CR_ev median akan stabil pada Cint = 26 mm. Pada CR_ev median dengan d’ev = 12 jam, CR_ev median akan stabil pada Cint = 24 mm. Sedangkan pada CR_ev median dengan d’ev = 24 jam, CR_ev median akan stabil pada Cint = 20 mm. Sama halnya dengan CR_ev rata-rata, pada kurva CR_ev median pun dapat dikatakan bahwa semakin rendah nilai d’ev, semakin tinggi pula nilai
Gambar 23 Sensitivitas Ab_an dan Ab_ev rata-rata dan median terhadap ncalc
CR_ev.
Dari Gambar 24 (b) dapat dilihat bahwa nilai d’ev berbanding lurus dengan Ab_ev baik rata-rata maupun median. Semakin rendah nilai d’ev, semakin rendah pula nilai Ab_ev begitu pula sebaliknya. Seperti diketahui bahwa Ab_ev merupakan selisih Cint dan Sint pada awal kejadian hujan. Oleh sebab itu, semakin rendah nilai d’ev, semakin tinggi nilai Sint di setiap awal kejadian hujan dan semakin rendah pula nilai Ab_ev begitu pula sebaliknya. Berdasarkan Gambar 24 (b), ketiga kurva Ab_ev rata-rata dan median dengan d’ev yang berbeda memiliki kecenderungan yang sama yaitu berbanding lurus dengan peningkatan nilai Cint. Hal ini menunjukkan bahwa identifikasi d’ev berpengaruh terhadap sensitivitas keluaran model. Sebuah simulasi limpasan green roof dalam skala waktu kejadian hujan pada lokasi green roof dengan luas 37m2, ketebalan substrat 10 cm dan jenis vegetasi sedum dengan HYDRUS 1D yang menggunakan asumsi durasi kejadian hujan =24 jam berdasarkan hyetograph curah hujan dengan sistem Soil Conservation Service (SCS) tahun 1992 menunjukkan bahwa kemampuan retensi green roof akan maksimal hingga 100% untuk kejadian hujan dengan curah hujan yang kecil (<2.54 mm) dan sebaliknya kemampuan retensi akan turun dengan meningkatnya curah hujan (Hilten et al.2008). Akan tetapi, masih menurut Hilten et al. (2008), pada simulasi tersebut green roof menunjukkan kemampuan menahan curah hujan untuk batas waktu tertentu (detensi) yang dapat mencapai kisaran 11-14 jam sebelum akhirnya jatuh sebagai limpasan. telah melakukan. Fenomena tersebut menggambarkan implikasi perbedaan asumsi durasi kejadian hujan. Oleh sebab itu, selanjutnya perlu dilakukan simulasi model FAVEUR untuk menilai kriteria hidrologis CR dan Ab kejadian hujan dengan d’ev yang berbeda.
Formulasi Pengembangan Model FAVEUR dengan Tools
Tahapan terakhir dari penelitian ini adalah menyusun sebuah tools berdasarkan persamaan yang memuat hubungan kriteria hidrologis green roof (CR dan Ab) dengan karakteristik green roof. Tools ini akan disusun dalam format Excel© yang menunjukkan nilai statistik kriteria hidrologis green roof seperti nilai minimum, rata-rata, median, maksimum, q25 dan q75.
Perhitungan pada file tersebut dimulai dengan mengisi nilai karakteristik green roof dengan cara berikut :
- CME substrat : dapat diisi dengan CME yang diinginkan dalam % (cm) - Ketebalan substat : dapat diisi dengan ketebalan substrat yang diinginkan (cm) - Jenis tutupan vegetasi : “S” untuk sedum dengan Kcint = 1 atau “G” untuk
rumput (graminée) dengan Kcint = 1.2
Selanjutnya berdasarkan informasi dasar tersebut, nilai Cint green roof dapat dihitung berdasarkan persamaan (8) dan (9). Dengan nilai Cint, nilai kriteria CR dan Ab tahunan, musiman dan kejadian hujan dapat diperoleh secara langsung berdasarkan persamaan fungsi kriteria terhadap Cint yang telah terintegrasi dalam file tersebut. Secara detail, dalam setiap perhitungan akan diperoleh nilai kriteria sebagai berikut :
- CR dan Ab tahunan minimum, rata-rata, median, maksimum;
- CR dan Ab musim panas dan dingin minimum, rata-rata, median, maksimum;
- CR dan Ab kejadian hujan dan kejadian hujan terpilih minimum, rata-rata, median, maksimum serta q25 dan q75.
Contoh hasil perhitungan kriteria hidrologis dari tools operasional FAVEUR b)
dalam dokumen Excel© dengan contoh variasi CME dan ketebalan substrat serta jenis vegetasi disajikan pada Tabel 4 – Tabel 7. Dengan melihat hasil tersebut, jenis green roof yang akan diaplikasikan pada suatu tempat dapat ditentukan sesuai dengan kinerja hidrologis green roof yang telah diketahui.
Pada Tabel 4 disajikan hasil perhitungan kriteria hidrologis dari model operasional FAVEUR green roof dalam dokumen Excel© dengan CME substrat 30 %, ketebalan substrat 10 cm dan jenis vegetasi “S”. Berdasarkan karakteristik green roof tersebut, didapatkan nilai Cint = 15 mm. Pada Tabel 4 dapat diketahui bahwa nilai CR_ete yang berkisar antara 0-0.5 lebih kecil dibanding CR_hiver yang berkisar antara 0.5-0.8. Selanjutnya dapat dilihat pula bahwa nilai rata-rata dan median CR_evs lebih tinggi dari CR_ev. Sebaliknya Ab_ete lebih besar dibanding Ab_hiver. Nilai q25
menunjukkan bahwa 25% nilai CR_ev sama dengan 0 dan Ab_ev lebih kecil 0.5 mm sedangkan nilai q75 menunjukkan 75% nilai CR_ev lebih kecil dari 0.8 dan Ab_ev 13.6 mm. Kemudian dapat diketahui pula bahwa q75 CR dan Ab kejadian hujan lebih kecil dibanding kejadian hujan terpilih.
Pada Tabel 5 disajikan hasil perhitungan kriteria hidrologis green roof dengan CME substrat 20 %, ketebalan substrat 3 cm dan jenis vegetasi “S”. Berdasarkan Tabel 5 Hasil perhitungan dengan tools operasional green roof dalam format Excel©
untuk CME 20%, ketebalan substrat = 3 cm dan jenis vegetasi “S”
Tabel 4 Hasil perhitungan dengan tools operasional green roof dalam format Excel© untuk CME 30%, ketebalan substrat = 10 cm dan jenis vegetasi “S”
CR_hiver yang berkisar antara 0.6-0.8. Dapat dilihat pula bahwa nilai rata-rata dan median CR_evs dan Ab_evs lebih tinggi dari CR_ev dan Ab_evs. Sebaliknya Ab_ete lebih besar dibanding Ab_hiver. Nilai q25 pada Tabel 5 menunjukkan bahwa 25% nilai CR_ev memiliki nilai sama dengan 0 dan Ab_ev lebih kecil dari 0.4 sedangkan nilai q75 menunjukkan 75% nilai CR_ev yang besarnya lebih kecil dari 0.8 dan Ab_ev lebih kecil dari 5.5 mm mm. Dapat diketahui pula bahwa q75 CR dan Ab kejadian hujan lebih kecil dibanding kejadian hujan terpilih.
Pada Tabel 6 disajikan hasil perhitungan kriteria hidrologis green roof dengan CME substrat 30 %, ketebalan substrat 10 cm dan jenis vegetasi “G”. Berdasarkan karakteristik green roof tersebut, didapatkan nilai Cint = 15 mm. Pada Tabel 6 dapat
dilihat bahwa nilai CR_ete yang berkisar antara 0-0.4 lebih kecil dibanding CR_hiver yang berkisar antara 0.5-0.8. Sebaliknya Ab_ete lebih besar dibanding Ab_hiver. Nilai q25 menunjukkan bahwa 25% nilai CR_ev sama dengan 0 dan Ab_ev lebih kecil 0.5 mm sedangkan nilai q75 menunjukkan 75% nilai CR_ev lebih kecil dari 0.8 dan Ab_ev lebih kecil dari 13.6 mm.
Pada Tabel 7 disajikan hasil perhitungan kriteria hidrologis dengan CME substrat 20 %, ketebalan substrat 3 cm dan jenis vegetasi “G”. Berdasarkan karakteristik green roof tersebut, didapatkan nilai Cint = 6 mm. Berdasarkam Tabel 7 diketahui bahwa Tabel 7 Hasil perhitungan dengan tools operasional green roof dalam format Excel©
untuk CME 20%, ketebalan substrat = 3 cm dan jenis vegetasi “G”
Tabel 6 Hasil perhitungan dengan tools operasional green roof dalam format Excel© untuk CME 30%, ketebalan substrat = 10 cm dan jenis vegetasi “G”
nilai CR_ete yang berkisar antara 0.1 - 0.6 lebih kecil dibanding CR_hiver yang berkisar antara 0.6-0.8. Selanjutnya dapat dilihat pula bahwa nilai rata-rata dan median CR_evs lebih tinggi dari CR_ev. Sebaliknya Ab_ete lebih besar dibanding Ab_hiver. Nilai q25 pada Tabel 7 menunjukkan bahwa 25% nilai CR_ev memiliki nilai sama dengan 0 dan Ab_ev lebih kecil dari 0.4 sedangkan nilai q75 menunjukkan 75% nilai CR lebih kecil dari 0.8 dan Ab_ev lebih kecil dari 5.5 mm. Dapat diketahui pula bahwa q75 CR dan Ab kejadian hujan lebih kecil dibanding kejadian hujan terpilih.
Berdasarkan tools green roof dalam dokumen Excel© seperti yang telah ditunjukkan pada Tabel 4 – Tabel 7, dapat disimpulkan bahwa secara keseluruhan CR lebih kecil pada jenis vegetasi “G” dibanding jenis vegetasi “S”. Sebaliknya, nilai Ab pada jenis vegetasi “G” lebih tinggi dibanding jenis vegetasi “S”. Selanjutnya, perbandingan kriteria hidrologis dengan jenis vegetasi yang sama yaitu “S” menunjukkan bahwa green roof dengan CME substrat 30% dan ketebalan substrat 10 cm menghasilkan nilai CR yang relatif tidak jauh berbeda dengan green roof dengan CME substrat 20% dan ketebalan substrat 3 cm. Sebaliknya, perbandingan nilai Ab menunjukkan bahwa nilai Ab pada green roof dengan CME substrat 30% dan ketebalan substrat 10 cm lebih tinggi dibanding green roof dengan CME substrat 20% dan ketebalan substrat 3 cm.
Perbandingan kriteria hidrologis dengan jenis vegetasi “G” menunjukkan bahwa green roof dengan CME substrat 30% dan ketebalan substrat 10 cm menghasilkan nilai CR relatif lebih rendah dibanding pada green roof dengan CME substrat 20% dan ketebalan substrat 3 cm. Sebaliknya, perbandingan nilai Ab menunjukkan bahwa nilai Ab pada green roof dengan CME substrat 30% dan ketebalan substrat 10 cm lebih tinggi dibanding green roof dengan CME substrat 20% dan ketebalan substrat 3 cm.
Dari contoh Tabel 4 – Tabel 7 dapat dilihat bahwa semakin besar CME substrat dan semakin tinggi ketelaban subtrat, maka nilai Ab secara keseluruhan akan semakin tinggi. Kebalikan dari Ab, semakin besar nilai Cint, nilai CR akan semakin kecil. Akan tetapi, ternyata ketebalan substrat hanya berpengaruh dalam interval 0-5 cm (Bethier dan Ramier 2010). Jika ketebalan lebih besar dari 5, hanya CME yang akan menjadi karakteristik yang mempengaruhi CR dan Ab. Selain itu dapat dilihat juga bahwa nilai CR akan lebih rendah dan nilai Ab akan lebih tinggi pada jenis vegetasi rumputn atau “G”. Hal ini senada dengan yang dinyatakan Rowe et al. (2003) bahwa jenis vegetasi campuran rumput pada green roof akan dapat menurunkan limpasan lebih banyak dibanding jenis vegetasi campuran sedum. Akan tetapi pada praktiknya, jenis vegetasi sedum lebih banyak digunakan pada green roof. Hal ini karena selain tidak terlalu memerlukan perawatan khusus yang disebabkan oleh pertumbuhannya yang lambat, jenis vegetasi sedum juga dapat tumbuh pada substrat dengan ketebalan rendah serta dapat bertahan dalam kondisi kering yang ekstrim (Dunnett et al. 2008). VanWoert et al. (2005) telah membuktikan bahwa jenis vegetasi sedum merupakan jenis vegetasi yang paling ideal untuk green roof dengan ketebalan substrat yang rendah.
Selain itu, pada Tabel 4 – Tabel 7 dapat diamati bahwa nilai CR tahunan secara umum berkisar antara 0.3-0.6. Hal ini sesuai dengan batasan yang dikeluarkan oleh ADIVET (2007) yang menyatakan bahwa CR tahunan ideal untuk green roof adalah lebih kecil dari 0.8 Dengan tools ini, penilaian kinerja hidrologis green roof akan lebih mudah. Tools ini akan dapat diaplikasikan dengan baik untuk kondisi dimana intensitas hujan berada dalam kisaran 0-25 mm/ 300 detik atau 0-5 mm/ menit.
membandingakan kriteria hidrologis antara green roof dan atap tanpa vegetasi, perlu sekiranya menambahkan analisis tersebut pada model. Selain itu, pembacaan nilai-nilai CR dan Ab pada ketiga skala waktu berbeda ditambah dengan statistikanya akan lebih mudah jika digambarkan dalam bentuk grafik box plot. Model green roof pada penelitian ini baru menggambarkan kondisi hidrologis green roof pada daerah beriklim kontinental seperti wilayah studi Ile de France, Prancis. Untuk wilayah dengan jenis iklim lainnya seperti iklim mediterania dan iklim tropis, model ini dapat diterapkan dengan terlebih dahulu menyesuaikan nilai evapotranspirasi dan curah hujan yang ada.