Tanggal Lulus:
DAFTAR LAMPIRAN
IV. PEMBAHASAN 4.1 Kondisi Klimatolog
4.5 Validasi Model
Suatu model estimasi curah hujan yang dihasilkan masih harus ditinjau keterandalannya untuk melihat apakah data estimasi memilki kemampuan untuk mengikuti variasi hujan permukaan. Keterandalan suatu model dapat dilihat melalui proses validasi antara data estimasi
dengan data observasi. Suatu model estimasi curah hujan dapat dikatakan layak digunakan untuk menduga curah hujan jika hasil validasi modelnya baik.
Tingkat keterandalan model dapat dilihat dari nilai koefisien korelasi antara curah hujan observasi dan curah hujan estimasi. Jika nilai koefisien korelasi curah hujan estimasi dengan curah hujan observasi semakin besar maka semakin kuat hubungan diantara keduanya sehingga pola nilai estimasi akan semakin mendekati pola data aktualnya. Selain itu, tingkat keterandalan model juga dapat dilihat dari nilai RMSE (Root Mean Square Error). Jika nilai RMSE antara curah hujan estimasi dan curah hujan observasi semakin kecil maka semakin kecil perbedaan diantara keduanya sehingga nilai estimasi akan semakin akurat. Hasil validasi model estimasi untuk masing-masing domain pada setiap titik pengamatan ditunjukkan pada Tabel 4.
Tabel 4. Parameter statistik dalam validasi model
Stasiun Verifikasi Validasi Domain Korelasi RMSE P value R2 Prediksi (%)
Pekanbaru 2003-2007 2008 3x3 0.607 49.44 0.000 36.8 5x5 0.700 45.20 0.000 48.9 7x7 0.630 49.19 0.000 39.6 9x9 0.647 48.32 0.000 41.9 Japura Rengat 2003-2007 2008 3x3 0.505 35.44 0.002 25.4 5x5 0.551 34.43 0.000 30.3 7x7 0.491 35.88 0.002 24.1 9x9 0.521 34.89 0.001 27.1 Tanjung Pinang 2003-2007 2008 3x3 0.237 61.96 0.165 5.6 5x5 0.136 66.20 0.429 1.8 7x7 0.177 67.33 0.301 3.1 9x9 0.151 73.79 0.379 2.2 Dabo Singkep 2003-2007 2008 3x3 0.663 53.35 0.000 43.9 5x5 0.540 70.80 0.001 29.1 7x7 0.595 64.31 0.000 35.4 9x9 0.456 78.49 0.008 20.8
13
Wilayah Riau dibagi menjadi dua bagian, yaitu wilayah daratan (Provinsi Riau) dan wilayah kepulauan (Kepulauan Riau). Wilayah daratan diwakili oleh Pekanbaru dan Japura Rengat. Sementara wilayah kepulauan diwakili oleh Tanjung Pinang dan Dabo Singkep. Karakteristik hujan kedua wilayah tersebut dipengaruhi oleh kondisi sekitar stasiun pengamatan.
Curah hujan estimasi wilayah Pekanbaru menunjukkan korelasi yang signifikan dengan curah hujan observasi. Hal ini ditunjukkan oleh nilai koefisien korelasi yang relatif tinggi, yaitu berkisar 0.607 hingga
0.700. Sementara itu, berdasarkan uji Pearson diketahui bahwa terdapat hubungan yang signifikan antara curah hujan estimasi dengan curah hujan observasi sehingga ada korelasi diantara kedua data tersebut. Hasil validasi model estimasi menunjukkan variabilitas curah hujan lebih sering terjadi saat musim hujan, dengan faktor kesalahan atau galat terkecil sebesar 45.20 mm yaitu pada domain 5x5. Dengan demikian, model estimasi curah hujan pada domain 5x5 memberikan hasil keluaran estimasi terbaik dalam mengestimasi curah hujan wilayah Pekanbaru dibandingkan domain lainnya.
Gambar 6 Pola curah hujan observasi dan curah hujan estimasi Pekanbaru. Perbandingan antara curah hujan
observasi dengan curah hujan estimasi ditunjukkan oleh Gambar 6. Berdasarkan gambar tersebut, terlihat bahwa curah hujan observasi dan curah hujan estimasi memiliki pola yang hampir sama. Namun, secara umum model estimasi curah hujan untuk wilayah
Pekanbaru menghasilkan keluaran yang nilainya lebih tinggi daripada kondisi sebenarnya (over estimate). Hasil estimasi yang bersifat over estimate sebagian besar terjadi saat musim hujan terjadi. Hal ini dimungkinkan akibat tingginya fluktuasi curah hujan pada bulan-bulan tersebut.
Gambar 7 Pola curah hujan observasi dan curah hujan estimasi Japura Rengat. Hasil validasi curah hujan observasi
dan curah hujan estimasi wilayah Japura Rengat memiliki korelasi yang signifikan diantara kedua data tersebut. Hal ini terlihat dari nilai koefisien korelasi yang relatif tinggi, yaitu berkisar 0.491 hingga 0.551 seperti ditunjukkan oleh Tabel 4. Berbeda dengan wilayah Pekanbaru, curah hujan estimasi pada wilayah Japura Rengat bersifat under estimate
atau hasil estimasi curah hujan memiliki nilai yang lebih rendah dibandingkan dengan
kondisi sebenarnya seperti terlihat pada Gambar 7. Nilai curah hujan yang bersifat
under estimate umumnya terjadi pada Agustus hingga November. Kondisi ini menyebabkan nilai koefisien determinasi yang dihasilkan menjadi rendah yaitu sekitar 24.1% hingga 30.3% dengan galat terkecil sebesar 34.43 mm pada domain 5x5. Dengan demikian, model estimasi curah hujan pada domain tersebut memberikan hasil yang terbaik dibandingkan domain lainnya.
15
Gambar 8 Pola curah hujan observasi dan curah hujan estimasi Tanjung Pinang. Curah hujan estimasi pada wilayah
Tanjung Pinang menunjukkan korelasi yang tidak signifikan dengan curah hujan observasi. Hal ini terlihat dari nilai koefisien korelasi yang relatif rendah. Selain itu, uji Pearson juga menunjukkan bahwa tidak terdapat hubungan yang signifikan antara curah hujan estimasi dan curah hujan observasi. Oleh karena itu, curah hujan CMORPH kurang mampu mengestimasi curah hujan permukaan wilayah Tanjung Pinang.
Berdasarkan Gambar 8 diketahui bahwa curah hujan estimasi dan curah hujan observasi memiliki pola yang tidak signifikan. Selain itu, curah hujan hasil estimasi juga bersifat under estimate. Kondisi ini menyebabkan nilai galat menjadi tinggi sehingga menjadikan nilai Root Mean Square Error (RMSE) juga meningkat. Oleh karena itu, model estimasi yang dibangun kurang baik dalam mengestimasi curah hujan permukaan wilayah Tanjung Pinang.
Validasi curah hujan estimasi dengan curah hujan observasi wilayah Dabo Singkep menunjukkan korelasi yang cukup signifikan,
dengan nilai koefisien korelasi berkisar 0.456 hingga 0.663. Sementara itu, perbandingan antara curah hujan estimasi dan curah hujan observasi ditunjukkan oleh Gambar 9. Berdasarkan gambar tersebut diketahui bahwa curah hujan estimasi memiliki pola yang signifikan dengan curah hujan observasi, terutama pada domain 3x3. Namun, untuk bulan November hingga Desember terlihat perbedaan yang signifikan antara curah hujan estimasi dan curah hujan observasi atau curah hujan estimasi memiliki nilai yang lebih tinggi dibandingkan curah hujan observasi (over estimate). Hal ini akan mempengaruhi faktor kesalahan atau galat pada model estimasi. Tabel 4 menunjukkan bahwa galat terkecil pada Dabo Singkep terjadi pada domain 3x3 sebesar 53.35 mm. Selain itu, curah hujan estimasi yang dihasilkan oleh model estimasi pada domain tersebut mampu mewakili 43.9% dari keragaman hujan yang terjadi. Dengan demikian, domain 3x3 memberikan hasil yang lebih baik dalam menduga curah hujan permukaan dibandingkan domain lainnya.
Gambar 9 Pola curah hujan observasi dan curah hujan estimasi Dabo Singkep. Secara keseluruhan, curah hujan
estimasi cukup mampu mengikuti pola curah hujan permukaan. Namun, untuk bulan Agustus hingga November yang diperkirakan bulan-bulan basah curah hujan estimasi menunjukkan perbedaan yang cukup signifikan dengan curah hujan observasi. Hal ini dimungkinkan tingginya variabilitas curah hujan yang terjadi pada bulan-bulan tersebut. Jika ditinjau dari kondisi wilayah terlihat bahwa untuk wilayah daratan, domain yang memberikan hasil keluaran terbaik adalah domain 5x5. Sementara itu untuk wilayah kepulauan, domain 3x3 memberikan hasil keluaran yang terbaik. Hal ini disebabkan oleh kondisi wilayah, dimana wilayah kepulauan akan lebih dipengaruhi oleh faktor lautan. Selain itu, model estimasi curah hujan akan memberikan hasil keluaran yang lebih baik pada wilayah daratan. Dengan demikian, curah hujan CMORPH lebih baik digunakan dalam mengestimasi curah hujan permukaan pada wilayah daratan.
V. PENUTUP
5.1 Kesimpulan
Curah hujan CMORPH mampu mengikuti pola dan variasi curah hujan permukaan sehingga baik digunakan sebagai prediktor curah hujan permukaan, dimana curah hujan CMORPH mampu mewakili sekitar 10.7% hingga 47.5% keragaman hujan yang terjadi. Teknik downscaling dengan menggunakan partial least square (PLS) lebih baik dibandingkan teknik downscaling dengan menggunakan regresi sederhana, dimana penggunaan PLS dapat meningkatkan nilai koefisien determinasi (R2) dari 47.5% dengan menggunakan regresi sederhana menjadi 98.7% dengan menggunakan PLS. Validasi
model menunjukkan bahwa untuk wilayah daratan, domain yang memberikan hasil keluaran terbaik adalah domain 5x5. Sementara itu untuk wilayah kepulauan, domain 3x3 memberikan hasil keluaran yang terbaik. Dengan demikian, curah hujan CMORPH lebih baik digunakan dalam mengestimasi curah hujan permukaan wilayah daratan.
5.2 Saran
• Kebutuhan periode data yang lebih panjang dan kualitas data yang lebih baik sangat dibutuhkan untuk memberikan hasil estimasi yang lebih akurat.
• Kajian efektifitas penggunaan domain dan bentuk domain masih sangat terbatas sehingga diperlukan kajian lebih lanjut.
DAFTAR PUSTAKA
Abdi H. 2007. Partial Least Square (PLS) Regression. The University of Texas. Dallas, USA.
Asdak C. 1995. Hidrologi dan Pengelolaan Daerah Aliran Sungai. Gadjah Mada University Press. Yogyakarta.
[Balitklimat] Balai Penelitian Agroklimat. 2007. Pengembangan Sistem Informasi Spasial Database Iklim Nasional. http://balitklimat.litbang.deptan.go.id/. [30 Agustus 2010].
Bilfarsah A. 2005. Efektifitas Metode Aditif Spline Kuadrat Terkecil Parsial Dalam Pendugaan Model Regresi. Makara Sains Vol 9 No. 1, Page 28-33.
Boer R. 2002. Analisis Risiko Iklim untuk Produksi Pertanian dalam Pelatihan Dosen PT Se-Sumatera-Kalimantan
17
dalm Bidang pemodelan dan Simulasi Pertanian dan Lingkungan, Bogor, 1-13 Juli 2002.
Boer R. 2002. Fenomena ENSO dan Hubungannya Dengan Keragaman Hujan di Indonesia dalam Pelatihan Dosen PT Se-Sumatera-Kalimantan dalm Bidang Pemodelan dan Simulasi Pertanian dan Lingkungan, Bogor, 1-13 Juli 2002.
Budiyanto E. 2008. Penginderaan Jauh Sistem
Aktif dan Pasif. http://www.geounesa.net/. [30 Oktober
2010].
Busuioc A, von Stroch H, Schnur R. 1999. Verification of GCM-Generated Regional Seasonal Precipitation for Current Climate and of Statistical Downscaling Estimates under Changing Climate Conditions. Journal Climate 12:258-272.
Canadian Climate Change Scenarios Network. 2010. Downscaling. http://cccsn.ca/. [30 Agustus 2010].
Decision Assistance Branch Meteorological Development Laboratory National Weather Service. 2008. An Overview of Satellite-Based Rainfall Techniques dalam Sixth NOAA CREST Sysposium, Puerto Rico.
Fitriani A. 2010. Metode Regresi Kuadrat Terkecil Parsial Untuk Pra-Pemrosesan Data Luaran GCM CSIRO Mk-3. [Skripsi]. Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Teknologi Sepuluh November. Tidak dipublikasikan.
Formayer H. 2005. Statistical Downscaling dalam Agridema Workshop, Vienna, November 2005.
Handoko. 1995. Klimatologi Dasar. Pustaka Jaya. Jakarta.
Handoyo D. 2008. Analisis Korelasi Linier Sederhana. http://ilmustatistik.com. [29 September 2010].
Hou A H, Jackson S, Kummerow, dan Shepherd. 2008. Global Precipitation Measurement. In : Michaelides 2008. Springer, Berlin.
Joyce R J, Janowiak J E, Arkin P A, dan Xie P. 2004. CMORPH : A Method that Produces Global Precipitation Estimates from Passive Microwave and Infrared Data at High Spatial and Temporal Resolution. Journal Hydromet 5, Page 487-503.
Kadarsah. 2007. Tiga Pola Curah Hujan Indonesia.
http://kadarsah.wordpress.com/. [29 September 2010].
Kidder S Q. 1981. The Measurement of Precipitation Frequencies by Passive Microwave Radiometer. In : Precipitation Measurements From Space, Workshop Report. October 1981. NASA Goddard Space Flight Center, Greenbelt.
Kurniawan D. Rgresi Linier. http://ineddeni.wordpress.com. [30 Agustus 2010].
Kusaeri H. 2010. Statistical Downscaling
Data Curah Hujan Luaran GCM (General Circulation Model ) untuk Wilayah DAS Cisadane, Jawa Barat. [Skripsi]. Departemen Meteorologi dan Geofisika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Tidak dipublikasikan. Lillesand & Kiefer. 1997. Penginderaan Jauh
dan Interpretasi Citra. Dulbahri (Penerjemah). Gadjah Mada University Press. Yogyakarta.
Michaelides S. 2008. Precipitation: Advances in Measurement, Estimation and Prediction. Springer: Berlin.
Oktavariani D. 2008. Evaluasi Ketepatan Luaran Data CMORPH Untuk Interpolasi Data Hujan di Indonesia. [Skripsi]. Departemen Meteorologi dan Geofisika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Tidak dipublikasikan. [Pemerintah Provinsi Riau]. 2009. Provinsi
Riau. http://www.riau.go.id/. [30 Agustus 2010].
[Pemerintah Provinsi Kepulauan Riau]. Profil
Kepulauan Riau. http://www.kepriprov.go.id. [30
Agustus 2010].
Rosenfeld E. Cattani S. Melani, dan Levizzani V. 2004. Considerations on Daylight Operation of 1.6 μm vs 3.7 μm Channel on NOAA and METOP Satellites. B Am Meteorol Soc 85:873– 881.
Storch H von, Hewitson B, Mearns L. 2001. Review of Empirical Downscaling Techniques. http://www.nilu.no/. [30 Agustus 2010].
Sucahyono D, Pawitan H, dan Wigena A H. 2009. Model Prakiraan Curah Hujan Bulanan di Wilayah Jawa Bagian Utara dengan Prediktor Suhu Muka Laut (SML) dan Outgoing Longwave Radiation (OLR). Jurnal Meteorologi
dan Geofisika Vol. 10 No. 2, Page 95- 107.
Sutikno. 2008. Statistical Downscaling
Luaran GCM dan Pemanfaatannya Untuk Peramalan Produksi Padi. 2008. [Disertasi]. Sekolah Pascasarjana, Institut Pertanian Bogor. Tidak dipublikasikan.
Tjasyono B . 2004. Klimatologi. Institut Teknologi Bandung. Bandung.
Tejasukamana B & Khomarudin R. 2000. Metode Pembangkit Data Untuk Menduga Unsur Iklim dalam Prosiding Lokakarya Sehari Kebijakan Nasional dan Pemanfaatan Informasi Cuaca dan Iklim di Indonesia, 12 Mei 1999. Pusat Pemanfaatan Penginderaan Jauh Lembaga Penerbangan dan Antariksa Nasional.
Ulkhaq M. 2010. Analisis Korelasi Linier –
Koefisien Determinasi. http://languageaholic.wordpress.com/.
[20 Mei 2010].
Wibowo Y A. 2010. Evaluasi Curah Hujan GSMAP dan TRMM TMPA dengan Curah Hujan Permukaan Wilayah Jakarta – Bogor. [Skripsi]. Departemen Meteorologi dan Geofisika, Fakultas Matematika dan Ilmu Pengetahuan Alam. Institut Pertanian Bogor. Tidak dipublikasikan.
Wigena A H. 2006.Pemodelan Statistical Downscaling dengan Regresi Projection Persuit untuk Peramalan Curah Hujan. [Disertasi]. Sekolah Pascasarjana, Institut Pertanian Bogor. Tidak dipublikasikan.
Yarnal B, Comrie A C, Frakes B, Brown D P. 2001. Developments and Prospects in Synoptic Climatology. Review. Int Journal Climatology 21 : 1923 – 1950.
19
Lampiran 1. Peta administrasi Riau dan plotting stasiun pengamatan wilayah Riau
21
Lampiran 2. Proses pengolahan data hujan satelit dari data CMORPH
Data CMORPH memberikan gambaran curah hujan estimasi secara global. Informasi numerik tersebut diperoleh dengan mengkonversi informasi hujan format shapefile menjadi format
text sehingga akan diperoleh nilai curah hujan yang diinginkan. Berikut ini langkah pengolahan data hujan satelit dari data CMORPH (Oktavariani 2008) :
1. Data CMORPH yang sudah diekstrak dari format zip, kemudian dibuka menggunakan Arcview 3.3 dengan mengaktifkan extention 3D-Analysi, Grid Analyst, dan Spatial Analyst.
2. Open basemap Indonesia, kemudian cropping wilayah kajian – save – ok. 3. Open data CMORPH.
4. Drid Analyst – extract grid theme using polygon – pilih hasil cropping pada langkah sebelumnya.
5. Aktifkan theme hasil extract – convert grid theme to XYZ text file.
Maka akan diperoleh informasi hujan global sesuai dengan koordinat lintang dan bujur yang tersimpan dalam file .txt.
Lampiran 3. Uji dua regresi Stasiun Pekanbaru 2.1 Musim Hujan
Regression Analysis: Y versus X
The regression equation is Y = 0.960 X
Predictor Coef SE Coef T P Noconstant X 0.96003 0.05279 18.19 0.000 S = 60.0985 Analysis of Variance Source DF SS MS F P Regression 1 1194507 1194507 330.72 0.000 Residual Error 107 386466 3612 Total 108 1580973 2.2 Musim Kemarau
Regression Analysis: Y versus X
The regression equation is Y = 1.08 X
Predictor Coef SE Coef T P Noconstant X 1.07893 0.07389 14.60 0.000 S = 52.6893 Analysis of Variance Source DF SS MS F P Regression 1 591987 591987 213.24 0.000 Residual Error 107 297050 2776 Total 108 889037
Z = 0.8261 dengan α = 0.7967, dimana α > taraf nyata sehingga persamaan musim hujan dan musim kemarau tidak berbeda nyata.
23
Lampiran 4. Uji dua regresi Stasiun Japura Rengat 3.1 Musim Hujan
Regression Analysis: Y versus X
The regression equation is Y = 0.495 X
Predictor Coef SE Coef T P Noconstant X 0.49482 0.03271 15.13 0.000 S = 32.3208 Analysis of Variance Source DF SS MS F P Regression 1 239077 239077 228.86 0.000 Residual Error 107 111776 1045 Total 108 350853 3.2 Musim Kemarau
Regression Analysis: Y versus X
The regression equation is Y = 0.595 X
Predictor Coef SE Coef T P Noconstant X 0.59536 0.05101 11.67 0.000 S = 29.9739 Analysis of Variance Source DF SS MS F P Regression 1 122398 122398 136.24 0.000 Residual Error 107 96132 898 Total 108 218531
Z = 0.7392 dengan α = 0.7704, dimana α > taraf nyata sehingga persamaan musim hujan dan musim kemarau tidak berbeda nyata.
Lampiran 5. Uji dua regresi Stasiun Tanjung Pinang 4.1 Musim Hujan
Regression Analysis: Y versus X
The regression equation is Y = 0.826 X
Predictor Coef SE Coef T P Noconstant X 0.8259 0.1009 8.19 0.000 S = 53.8562 Analysis of Variance Source DF SS MS F P Regression 1 194322 194322 67.00 0.000 Residual Error 107 310352 2900 Total 108 504675 4.2 Musim Kemarau
Regression Analysis: Y versus X
The regression equation is Y = 1.36 X
Predictor Coef SE Coef T P Noconstant X 1.35802 0.09341 14.54 0.000 S = 38.7146 Analysis of Variance Source DF SS MS F P Regression 1 316800 316800 211.37 0.000 Residual Error 107 160374 1499 Total 108 477174
Z = 6.1702 dengan α = 0.9997, dimana α > taraf nyata sehingga persamaan musim hujan dan musim kemarau tidak berbeda nyata.
25
Lampiran 6. Uji dua regresi Stasiun Dabo Singkep 5.1 Musim Hujan
Regression Analysis: Y versus X
The regression equation is Y = 0.799 X
Predictor Coef SE Coef T P Noconstant X 0.79933 0.04956 16.13 0.000 S = 43.7527 Analysis of Variance Source DF SS MS F P Regression 1 497924 497924 260.11 0.000 Residual Error 107 204830 1914 Total 108 702754 5.2 Musim Kemarau
Regression Analysis: Y versus X
The regression equation is Y = 1.15 X
Predictor Coef SE Coef T P Noconstant X 1.14893 0.06827 16.83 0.000 S = 41.8755 Analysis of Variance Source DF SS MS F P Regression 1 496658 496658 283.23 0.000 Residual Error 107 187631 1754 Total 108 684289
Z = 2.5661 dengan α = 0.9949, dimana α > taraf nyata sehingga persamaan musim hujan dan musim kemarau tidak berbeda nyata.
Lampiran 7. Contoh hasil keluaran VIF (Variation Inflation Factor) Stasiun Pekanbaru
• Domain 3x3
Regression Analysis: X1 versus X2, X3, X4, X5, X6, X7, X8, X9
The regression equation is
X1 = 1.45 + 1.24 X2 - 0.450 X3 + 0.658 X4 - 0.680 X5 + 0.231 X6 - 0.0625 X7 - 0.0212 X8 + 0.0784 X9
Predictor Coef SE Coef T P VIF Constant 1.451 1.749 0.83 0.408 X2 1.24220 0.06916 17.96 0.000 14.2 X3 -0.45022 0.06872 -6.55 0.000 12.8 X4 0.65843 0.08441 7.80 0.000 22.9 X5 -0.6796 0.1015 -6.70 0.000 31.4 X6 0.23121 0.09228 2.51 0.013 23.3 X7 -0.06250 0.07583 -0.82 0.411 20.4 X8 -0.02120 0.09154 -0.23 0.817 25.2 X9 0.07844 0.07125 1.10 0.272 13.1 S = 12.9878 R-Sq = 94.7% R-Sq(adj) = 94.5% Analysis of Variance Source DF SS MS F P Regression 8 517066 64633 383.16 0.000 Residual Error 171 28845 169 Total 179 545911
27
Lampiran 8. Contoh hasil keluaran VIF (Variation Inflation Factor) Stasiun Japura Rengat
• Domain 3x3
Regression Analysis: X1 versus X2, X3, X4, X5, X6, X7, X8, X9
The regression equation is
X1 = 0.99 + 1.10 X2 - 0.316 X3 + 0.658 X4 - 0.457 X5 + 0.0749 X6 - 0.174 X7 + 0.261 X8 - 0.149 X9
Predictor Coef SE Coef T P VIF Constant 0.995 1.663 0.60 0.551 X2 1.10488 0.08217 13.45 0.000 15.2 X3 -0.31624 0.07824 -4.04 0.000 12.0 X4 0.65814 0.07614 8.64 0.000 17.7 X5 -0.4569 0.1057 -4.32 0.000 28.7 X6 0.07490 0.09448 0.79 0.429 19.1 X7 -0.17449 0.07813 -2.23 0.027 20.7 X8 0.26086 0.09875 2.64 0.009 29.6 X9 -0.14878 0.07621 -1.95 0.053 15.0 S = 12.7578 R-Sq = 94.1% R-Sq(adj) = 93.9% Analysis of Variance Source DF SS MS F P Regression 8 446312 55789 342.76 0.000 Residual Error 171 27832 163 Total 179 474144
Lampiran 9. Contoh hasil keluaran VIF (Variation Inflation Factor) Stasiun Tanjung Pinang
• Domain 3x3
Regression Analysis: X1 versus X2, X3, X4, X5, X6, X7, X8, X9
The regression equation is
X1 = 1.05 + 1.24 X2 - 0.317 X3 + 0.353 X4 - 0.501 X5 + 0.088 X6 + 0.218 X7 - 0.022 X8 - 0.0578 X9
Predictor Coef SE Coef T P VIF Constant 1.0506 0.6054 1.74 0.084 X2 1.23808 0.06971 17.76 0.000 26.0 X3 -0.31743 0.07132 -4.45 0.000 31.9 X4 0.35316 0.07571 4.66 0.000 29.1 X5 -0.5011 0.1220 -4.11 0.000 84.5 X6 0.0883 0.1030 0.86 0.392 72.5 X7 0.21799 0.07940 2.75 0.007 31.1 X8 -0.0220 0.1154 -0.19 0.849 78.8 X9 -0.05778 0.08039 -0.72 0.473 45.9 S = 6.23610 R-Sq = 96.5% R-Sq(adj) = 96.4% Analysis of Variance Source DF SS MS F P Regression 8 185294 23162 595.59 0.000 Residual Error 171 6650 39 Total 179 191944
29
Lampiran 10. Contoh hasil keluaran VIF (Variation Inflation Factor) Stasiun Dabo Singkep
• Domain 3x3
Regression Analysis: X1 versus X2, X3, X4, X5, X6, X7, X8, X9
The regression equation is
X1 = 0.455 + 1.03 X2 - 0.279 X3 + 0.594 X4 - 0.345 X5 - 0.0373 X6 - 0.0876 X7 - 0.128 X8 + 0.213 X9
Predictor Coef SE Coef T P VIF Constant 0.4545 0.8934 0.51 0.612 X2 1.02938 0.07334 14.04 0.000 29.4 X3 -0.27896 0.06156 -4.53 0.000 30.5 X4 0.59405 0.05529 10.74 0.000 16.7 X5 -0.34537 0.08517 -4.06 0.000 51.0 X6 -0.03726 0.05928 -0.63 0.530 28.9 X7 -0.08762 0.06275 -1.40 0.164 25.0 X8 -0.12783 0.09386 -1.36 0.175 62.2 X9 0.21333 0.05913 3.61 0.000 26.0 S = 8.22001 R-Sq = 95.9% R-Sq(adj) = 95.7% Analysis of Variance Source DF SS MS F P Regression 8 270757 33845 500.89 0.000 Residual Error 171 11554 68 Total 179 282311
Lampiran 11. Partial Least Square (PLS) Stasiun Pekanbaru a. Domain 3x3
PLS Regression: Y versus X1, X2, X3, X4, X5, X6, X7, X8, X9
Number of components specified: 5
Analysis of Variance for Y
Source DF SS MS F P Regression 5 399225 79845.0 31.37 0.000 Residual Error 174 442882 2545.3
Total 179 842107
Model Selection and Validation for Y Components X Variance Error SS R-Sq 1 0.860830 502282 0.403541 2 0.896507 453751 0.461172 3 0.954814 450520 0.465008 4 0.973081 445720 0.470709 5 0.982214 442882 0.474079 b. Domain 5x5 PLS Regression: Y versus X1, X2, X3, X4, X5, X6, X7, X8, ...
Number of components specified: 5
Analysis of Variance for Y
Source DF SS MS F P Regression 5 3682367 736473 221.08 0.000 Residual Error 174 579645 3331
Total 179 4262012
Model Selection and Validation for Y Components X Variance Error SS R-Sq 1 0.840239 942939 0.778757 2 0.945897 799293 0.812461 3 0.957915 636876 0.850569 4 0.967756 600215 0.859171 5 0.982104 579645 0.863997 c. Domain 7x7 PLS Regression: Y versus X1, X2, X3, X4, X5, X6, X7, X8, ...
Number of components specified: 3
Analysis of Variance for Y
Source DF SS MS F P Regression 3 41562899 13854300 4531.95 0.000 Residual Error 176 538037 3057
Total 179 42100936
Model Selection and Validation for Y Components X Variance Error SS R-Sq 1 0.905286 1280752 0.969579 2 0.970463 571409 0.986428 3 0.975203 538037 0.987220
31
d. Domain 9x9
PLS Regression: Y versus X1, X2, X3, X4, X5, X6, X7, X8, ...
Number of components specified: 11
Analysis of Variance for Y
Source DF SS MS F P Regression 11 574214 52201.2 32.74 0.000 Residual Error 168 267893 1594.6
Total 179 842107
Model Selection and Validation for Y Components X Variance Error SS R-Sq 1 0.621955 547959 0.349300 2 0.702334 487081 0.421592 3 0.755631 438254 0.479575 4 0.792673 400086 0.524899 5 0.821672 370721 0.559769 6 0.830362 329533 0.608680 7 0.845836 308871 0.633216 8 0.863729 296217 0.648242 9 0.880338 286275 0.660048 10 0.890059 274865 0.673598 11 0.900857 267893 0.681878
Lampiran 12. Partial Least Square (PLS) Stasiun Japura Rengat a. Domain 3x3
PLS Regression: Y versus X1, X2, X3, X4, X5, X6, X7, X8, X9
Number of components specified: 5
Analysis of Variance for Y
Source DF SS MS F P Regression 5 66772 13354.3 15.28 0.000 Residual Error 174 152053 873.9
Total 179 218824
Model Selection and Validation for Y Components X Variance Error SS R-Sq 1 0.839062 164460 0.248437 2 0.886706 160725 0.265506 3 0.902245 155724 0.288359 4 0.954468 154428 0.294281 5 0.978373 152053 0.305138 b. Domain 5x5 PLS Regression: Y versus X1, X2, X3, X4, X5, X6, X7, X8, ...
Number of components specified: 4
Analysis of Variance for Y
Source DF SS MS F P Regression 4 9043314 2260828 1208.97 0.000 Residual Error 175 327257 1870
Total 179 9370570
Model Selection and Validation for Y Components X Variance Error SS R-Sq 1 0.828310 1685862 0.820090 2 0.944038 650152 0.930618 3 0.964630 352851 0.962345 4 0.980464 327257 0.965076 5 0.984394 293037 0.968728 c. Domain 7x7 PLS Regression: Y versus X1, X2, X3, X4, X5, X6, X7, X8, ...
Number of components specified: 3
Analysis of Variance for Y
Source DF SS MS F P Regression 3 27410368 9136789 4606.41 0.000 Residual Error 176 349095 1983
Total 179 27759464
Model Selection and Validation for Y Components X Variance Error SS R-Sq 1 0.830031 1975675 0.928829 2 0.945332 462319 0.983346 3 0.951652 349095 0.987424
33
d. Domain 9x9
PLS Regression: Y versus X1, X2, X3, X4, X5, X6, X7, X8, ...
Number of components specified: 12
Analysis of Variance for Y
Source DF SS MS F P Regression 12 116608 9717.36 15.88 0.000 Residual Error 167 102216 612.07
Total 179 218824
Model Selection and Validation for Y Components X Variance Error SS R-Sq 1 0.609809 162236 0.258602 2 0.690525 154449 0.294184 3 0.728496 143092 0.346086 4 0.753411 136839 0.374664 5 0.767391 128869 0.411085 6 0.787903 124107 0.432845 7 0.805584 118179 0.459937 8 0.855198 116123 0.469330 9 0.871852 111811 0.489036 10 0.884067 107676 0.507934 11 0.895979 104446 0.522692 12 0.908082 102216 0.532886
Lampiran 13. Partial Least Square (PLS) Stasiun Tanjung Pinang a. Domain 3x3
PLS Regression: Y versus X1, X2, X3, X4, X5, X6, X7, X8, X9
Number of components specified: 4
Analysis of Variance for Y
Source DF SS MS F P Regression 4 83834 20958.4 13.54 0.000 Residual Error 175 270834 1547.6
Total 179 354668
Model Selection and Validation for Y Components X Variance Error SS R-Sq 1 0.930431 286216 0.193004 2 0.939306 272444 0.231834 3 0.958772 271190 0.235371 4 0.984754 270834 0.236372 b. Domain 5x5 PLS Regression: Y versus X1, X2, X3, X4, X5, X6, X7, X8, ...
Number of components specified: 5
Analysis of Variance for Y
Source DF SS MS F P Regression 5 812309 162462 100.86 0.000 Residual Error 174 280265 1611
Total 179 1092574
Model Selection and Validation for Y Components X Variance Error SS R-Sq 1 0.815661 552145 0.494638 2 0.946064 349036 0.680538 3 0.954771 309863 0.716392 4 0.967711 294457 0.730492 5 0.977193 280265 0.743482 c. Domain 7x7 PLS Regression: Y versus X1, X2, X3, X4, X5, X6, X7, X8, ...
Number of components specified: 5
Analysis of Variance for Y
Source DF SS MS F P Regression 5 2330496 466099 261.94 0.000 Residual Error 174 309621 1779
Total 179 2640117
Model Selection and Validation for Y Components X Variance Error SS R-Sq 1 0.779742 828029 0.686367 2 0.939489 404162 0.846915 3 0.949731 344351 0.869570 4 0.964833 321995 0.878038 5 0.971654 309621 0.882725
35
d. Domain 9x9
PLS Regression: Y versus X1, X2, X3, X4, X5, X6, X7, X8, ...
Number of components specified: 11
Analysis of Variance for Y
Source DF SS MS F P Regression 11 176839 16076.3 15.19 0.000 Residual Error 168 177814 1058.4
Total 179 354653
Model Selection and Validation for Y Components X Variance Error SS R-Sq 1 0.753082 285120 0.196058 2 0.793677 262863 0.258816 3 0.837217 247479 0.302195 4 0.860591 233300 0.342172 5 0.903983 226447 0.361496 6 0.919291 210808 0.405594 7 0.931429 203533 0.426105 8 0.935733 192836 0.456268 9 0.941689 186380 0.474473 10 0.947443 181414 0.488473 11 0.952402 177814 0.498626
Lampiran 14. Partial Least Square (PLS) Stasiun Dabo Singkep a. Domain 3x3
PLS Regression: Y versus X1, X2, X3, X4, X5, X6, X7, X8, X9
Number of components specified: 5
Analysis of Variance for Y
Source DF SS MS F P Regression 5 324341 64868.1 49.99 0.000 Residual Error 174 225785 1297.6
Total 179 550126
Model Selection and Validation for Y Components X Variance Error SS R-Sq 1 0.904752 300257 0.454203 2 0.940044 243121 0.558063 3 0.970850 234345 0.574016 4 0.981111 228004 0.585541 5 0.988920 225785 0.589575 b. Domain 5x5 PLS Regression: Y versus X1, X2, X3, X4, X5, X6, X7, X8, ...
Number of components specified: 5
Analysis of Variance for Y
Source DF SS MS F P Regression 5 3973367 794673 638.54 0.000 Residual Error 174 216545 1245
Total 179 4189911
Model Selection and Validation for Y Components X Variance Error SS R-Sq 1 0.794795 635450 0.848338 2 0.950092 292760 0.930128 3 0.969522 262479 0.937355 4 0.976460 230797 0.944916 5 0.981562 216545 0.948318 c. Domain 7x7 PLS Regression: Y versus X1, X2, X3, X4, X5, X6, X7, X8, ...
Number of components specified: 3
Analysis of Variance for Y
Source DF SS MS F P Regression 3 5921141 1973714 1330.72 0.000 Residual Error 176 261041 1483
Total 179 6182182
Model Selection and Validation for Y Components X Variance Error SS R-Sq 1 0.857442 701592 0.886514 2 0.942271 309220 0.949982 3 0.958812 261041 0.957775
37
d. Domain 9x9
PLS Regression: Y versus X1, X2, X3, X4, X5, X6, X7, X8, ...
Number of components specified: 11
Analysis of Variance for Y
Source DF SS MS F P Regression 11 419302 38118.3 48.95 0.000 Residual Error 168 130824 778.7
Total 179 550126
Model Selection and Validation for Y Components X Variance Error SS R-Sq 1 0.681429 317800 0.422315 2 0.732657 237731 0.567861 3 0.800585 225696 0.589738 4 0.845445 212952 0.612903 5 0.865842 198461 0.639244 6 0.877460 182578 0.668115 7 0.893917 170925 0.689299 8 0.904720 154741 0.718717 9 0.912864 144388 0.737536 10 0.923236 138315 0.748576 11 0.928684 130824 0.762192
Lampiran 15. Keragaman curah hujan yang dapat diterangkan oleh setiap komponen berdasarkan metode Partial Least Square (PLS) Stasiun Domain X variance PC1 PC2 PC3 PC4 PC5 PC6 PC7 PC8 PC9 PC10 PC11 PC12 Pekanbaru 3x3 0.8608 0.8965 0.9548 0.9731 0.9822 5x5 0.8402 0.9459 0.9579 0.9678 0.9821 7x7 0.9053 0.9705 0.9752 9x9 0.6220 0.7023 0.7556 0.7927 0.8217 0.8304 0.8458 0.8637 0.8803 0.8901 0.9009 Japura Rengat 3x3 0.8391 0.8867 0.9022 0.9545 0.9784 5x5 0.8283 0.9440 0.9646 0.9805 7x7 0.8300 0.9453 0.9517 9x9 0.6098 0.6905 0.7285 0.7534 0.7674 0.7879 0.8056 0.8552 0.8719 0.8841 0.8960 0.9081 Tanjung Pinang 3x3 0.9304 0.9393 0.9588 0.9848 5x5 0.8157 0.9461 0.9548 0.9677 0.9772 7x7 0.7797 0.9395 0.9497 0.9648 0.9717 9x9 0.7531 0.7937 0.8372 0.8606 0.9040 0.9193 0.9314 0.9357 0.9417 0.9474 0.9524 Dabo Singkep 3x3 0.9048 0.9400 0.9709 0.9811 0.9889 5x5 0.7948 0.9501 0.9695 0.9765 0.9816 7x7 0.8574 0.9423 0.9588 9x9 0.6814 0.7327 0.8006 0.8454 0.8658 0.8775 0.8939 0.9047 0.9129 0.9232 0.9287 38
39
Lampiran 16. Koefisien determinasi berdasarkan metode Partial Least Square (PLS)
Stasiun Domain R 2 (%) PC1 PC2 PC3 PC4 PC5 PC6 PC7 PC8 PC9 PC10 PC11 PC12 Pekanbaru 3x3 40.4 46.1 46.5 47.1 47.4 5x5 77.9 81.2 85.1 85.9 86.4 7x7 97.0 98.6 98.7 9x9 34.9 42.2 48.0 52.5 56.0 60.9 63.3 64.8 66.0 67.4 68.2 Japura Rengat 3x3 24.8 26.6 28.8 29.4 30.5 5x5 82.0 93.1 96.2 96.5 7x7 92.9 98.3 98.7 9x9 25.9 29.4 34.6 37.5 41.1 43.3 46.0 46.9 48.9 50.8 52.3 53.3 Tanjung Pinang 3x3 19.3 23.2 23.5 23.6 5x5 49.5 68.1 71.6 73.0 74.3 7x7 68.6 84.7 87.0 87.8 88.3 9x9 19.6 25.9 30.2 34.2 36.1 40.6 42.6 45.6 47.4 48.8 49.9 Dabo Singkep 3x3 45.4 55.8 57.4 58.6 59.0 5x5 84.8 93.0 93.7 94.5 94.8 7x7 88.7 95.0 95.8 9x9 42.2 56.8 59.0 61.3 63.9 66.8 68.9 71.9 73.8 74.9 76.2 39
Lampiran 17. Regresi sederhana Stasiun Pekanbaru
41
Lampiran 18. Regresi sederhana Stasiun Japura Rengat
41
Lampiran 19. Regresi sederhana Stasiun Tanjung Pinang
42
43
Lampiran 20. Regresi sederhana Stasiun Dabo Singkep
43
20
Lampiran 1. Peta administrasi Riau dan plotting stasiun pengamatan wilayah Riau
Lampiran 2. Proses pengolahan data hujan satelit dari data CMORPH
Data CMORPH memberikan gambaran curah hujan estimasi secara global. Informasi numerik tersebut diperoleh dengan mengkonversi informasi hujan format shapefile menjadi format
text sehingga akan diperoleh nilai curah hujan yang diinginkan. Berikut ini langkah pengolahan data hujan satelit dari data CMORPH (Oktavariani 2008) :
1. Data CMORPH yang sudah diekstrak dari format zip, kemudian dibuka menggunakan Arcview 3.3 dengan mengaktifkan extention 3D-Analysi, Grid Analyst, dan Spatial Analyst.
2. Open basemap Indonesia, kemudian cropping wilayah kajian – save – ok. 3. Open data CMORPH.
4. Drid Analyst – extract grid theme using polygon – pilih hasil cropping pada langkah sebelumnya.
5. Aktifkan theme hasil extract – convert grid theme to XYZ text file.
Maka akan diperoleh informasi hujan global sesuai dengan koordinat lintang dan bujur yang tersimpan dalam file .txt.
22
Lampiran 3. Uji dua regresi Stasiun Pekanbaru