JTRESDA. Validasi Data Curah Hujan Satelit dengan Data Stasiun Hujan di DAS Sadar, Kabupaten Mojokerto

Journal homepage: https://jtresda.ub.ac.id/

*Penulis korespendensi: anamaria@student.ub.ac.id

Validasi Data Curah Hujan Satelit dengan Data Stasiun Hujan di DAS Sadar, Kabupaten Mojokerto

Ana Maria^1*, Ery Suhartanto¹, Jadfan Sidqi Fidari¹

1 Jurusan Teknik Pengairan, Fakultas Teknik, Universitas Brawijaya, Jalan MT. Haryono No. 167, Malang, 65145, INDONESIA

*Korespondensi Email: anamaria@student.ub.ac.id

Abstract: Hydrological analysis is a basis for water building planning.

However, the problem in hydrological analysis usually in the availability of data, such as empty/incomplete rain data, inadequate rain stations, manually rain recording that can increase the risk of errors. To solve the problem of the lack of availability of rain data, the alternative that can be used is using satellite rainfall. Satellite rainfall is using remote sensing technology, so it is possible to get wider area coverage, near real time data, fast and free access and economical. This study was include for calibration and validation of uncorrected satellite rainfall data in the Sadar watershed area, Mojokerto Regency and using two types of satellites, TRMM and CHIRPS. The data validation analysis methods used are Nash- SutcliffeiEfficiencyi (NSE), CorrelationiCoefficient (R), and RootiMeaniSquarediError-observationsistandardideviationiratio (RSR).

The results of the validation of the TRMM and CHIRPS satellite rainfall data show that the TRMM satellite has the suitability of the field data by 70,3% while the CHIRPS satellite has the suitability of theifield data by 20,7%. So, from the overall analysis can be concluded that TRMM data recommended as an alternative hydrology data in the Sadar watershed.

Keywords: Satellite, Rainfall, TRMM, CHIRPS, Validation, Calibration Abstrak: Analisis hidrologi adalah suatu dasar perencanaan bangunan air.

Namun, permasalahan dalam analisis hidrologi biasanya terletak pada ketersediaan data yang kurang memadai, contoh seperti data hujan yang kosong/tidak lengkap, stasiun hujan yang tidak memadai, pencatatan hujan yang masih dilakukan secara manual sehingga dapat meningkatkan risiko kesalahan pencatatan. Untuk mengatasi permasalahan tentang minimnya ketersediaan data hujan, maka alternatif yang dapat digunakan adalah menggunakan curah hujan satelit. Curah hujan satelit yang menggunakan teknologi penginderaan jauh, sehingga cakupaniluas, datainearirealitime, akses cepat dan gratis serta. Studi ini dilakukan untuk kalibrasi dan validasi terhadap curah hujan satelit belum terkoreksi pada wilayah DAS Sadar, Kabupaten Mojokerto dan menggunakan dua jenis satelit yaitu TRMM dan CHIRPS. Metode analisis validasi data yang digunakan berupa Nash-

368

Sutcliffe Efficiencyi (NSE), KoefisieniKorelasi (R), dan RootiMeaniSquarediError- observations standard deviation ratio (RSR).

Berdasarkan hasil perhitungan satelit TRMM menunjukan kesesuaian data dengan data lapangan sebesar 70,3%, sedangkan untuk satelit CHIRPS menunjukan kesesuaian data dengan data lapangan sebesar 20,7%, sehingga dapat disimpulkan TRMM dapat direkomendasikan menjadi data alternatif hidrologi.

Kata kunci: Satelit, Curah Hujan,TRMM, CHIRPS, Validasi, Kalibrasi.

1. Pendahuluan

Studi tentang keberadaan dan gerakan air di alam, termasuk banyak manifestasinya dalam transisi fase seperti cair, gas, dan padat di atmosfer di atas maupun di bawah permukaan bumi. Selain itu, terdapat air laut yang menjadi sumber dan cadangan air guna menjadi komponen kehidupan di bumi. [1]

Data hujan adalah data yang penting untuk keperluan perhitungan hidrologi dalam perencanaan bangunan air, dan kebutuhan sumber daya air seperti embung, danau, air tanah, sungai, dll. Data hujan merupakan masukan penting untuk mendapatkan debit yang digunakan dalam kegiatan perencanaan bangunan pengendali banjir untuk menyelesaikan permasalahan banjir di wilayah hulu DAS maupun di wilayah perkotaan. [2] [14]

Namun, fakta di lapangan, untuk memperoleh data hujan yang layak secara quality dan quantity tidak mudah dan bisa digolongkan sulit. Hal ini disebabkan karena jumlah stasiun hujan yang menyebar di Indonesia masih terbatas, perekaman data yang masih manual yang dapat menyebabkan kesalahan-kesalahan dalam pencatatannya, pelaporan data dari daerah sampai ke pusat masih berjalan begitu lambat sehingga arsip yang dimiliki Lembaga berwenang seringkali tidak lengkap. [3]

Seiring berkembangnya teknologi, salah satu teknologi yang dapat membantu dalam mengatasi permasalahan sulitnya mendapatkan data hujan yang representatif adalah teknologi penginderaan jauh (satelit). Teknologi satelit ini mampu melakukan pencatatan hujan secara otomatis menggunakan sensor-sensor yang canggih. Dengan menggunakan satelit, data hujan dapat diakses dengan mudah dan cepat, karena data hujan yang didapatkan dari satelit berbasis pengukuran secara jarak jauh (remote) [3]. Banyak jenis satelit yang sudah berkembang dan sudah digunakan dalam penelitian-penelitian serupa.

Contoh satelitnya adalah TRMM (Tropical Rainfall Measuring Mission) yang dikembangkan oleh NASA dan JAXA. Selain itu, ada satelit CHIRPS (Climate Hazards Group Infrared Precipitation with Station), yang awalnya digunakan untuk memantau kondisi kekeringan di wilayah Afrika. [4]

Beda satelit maka beda spesifikasi, seperti dari segi ketelitiaan spasial, beda waktu perekaman data, dan perbedaan satuan data. Untuk satelit TRMM mempunyai resolusi spasial 0,25⁰ x 0,25⁰ dan CHIRPS (Climate Hazards Group Infrared Precipitation with Station) dengan ketelitian spasial 0,05⁰ x 0,05⁰. Kedua satelit ini sangat mudah untuk diakses, dan waktu perekaman data hujan yang disediakan beragam dan aksesnya pun gratis. [4]

Salah satu kelemahan ketika menggunakan data satelit adalah bias curah hujan dan resolusi spasial yang tergolong rendah. Hal ini menyebabkan data satelit perlu dikoreksi secara statistik dengan cara validasi data hujan satelit [5]. Tujuan dari validasi adalah untuk

369 mengkoreksi data hujan satelit dengan data hujan pengukuran (ground station), selain itu tahap validasi diharapkan dapat memaksimalkan data hujan satelit agar ketika digunakan dalam analisa lanjutan dapat meminimalisir galat pada data satelit sehingga data dapat diandalkan [3]. Dengan adanya data satelit, maka akan sangat bermanfaat dalam mengatasi kurangnya data hujan yang akan digunakan untuk perencanaan bangunan air.

Pada studi kali ini, peneliti memilih DAS Sadar yang terletak di Kabupaten Mojokerto, Jawa Timur, karena belum ada yang melakukan penelitian pada DAS tersebut. Selain itu dari salah satu stasiun hujan yang terletak di DAS tersebut masih melakukan perekaman data hujan secara manual. Maka dari itu, peneliti akan melakukan validasi (pembuktian) data hujan terhadap tiga stasiun yang berada di DAS tersebut dengan data satelit TRMM dan CHIRPS. Hasil menunjukan jika data satelit dapat menjadi solusi bila data hujan kurang lengkap.

2. Bahan dan Metode 2.1 Bahan

Koordinat DAS Sadar di 112°25'55.49" sampai 112°41'39.23" Bujur Timur dan 7°27'39.70" sampai 7°32'49.48" Lintang Selatan. DAS Sadar adalah bagian dari Wilayah Sungai Brantas yang memiliki luasan 386,35 km. Wilayah DAS Sadar beriklim tropis, yang mana terdapat dua jenis musim yaitu musim basah dan musim kering. Periode basah hujan biasanya terjadi dalam rentang bulan Oktober hingga April, untuk periode musim kering terjadi dalam rentang bulan Mei hingga Oktober.

Gambar 1: Batas DAS Sadar dan Sebaran Stasiun Hujan DataiPenelitianiyangiDibutuhkan:

Data yang diperlukan dalam penelitian ini, antara lain:

1. Titik stasiun hujan dalam bentuk DDM.

2. Topografi dan jaringan sungai

3. Dataihujaniharianidarii3 stasiunihujan 10 tahun (2010 s.d 2019)

4. Dataihujanihariani (TRMM dan CHIRPS) selama 10 tahun tipe TRMM_3B42RTv7 (2010 s.d 2019).

DEPARTEMEN TEKNIK PENGAIRAN FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA

370

2.2 Metode

Dalam penelitian ini, teknik yang dipakai adalah validasi hujan satelit (TRMM dan CHIRPS) dengan hujan pengukuran, untuk rentang data 10 tahun dengan periode bulanan dan tahunan. Stasiun yang digunakan adalah Stasiun Janjing, Stasiun Pudaksari, dan Stasiun Pacet. Sebelum dilakukan uji validasi terhadap masing-masing stasiun. Dilakukan uji data secara kualitas. Uji kualitasidata stasiun hujan berupaiuji kepanggahan, uji homogenitas (uji f-t), serta uji outlier-inlier. Uji kepanggahan dilakukan untuk melihat kepanggahan data, metode yang digunakan adalah KMG (Double Curved Mass) dan Rescaled Adjusted Partial Sums (RAPS). KMG dilakukan untuk pengujian data pengukuran, sedangkan RAPS digunakan untuk menguji data satelit.

Data hujan satelit (TRMM dan CHIRPS) diunduh berupa point. Sehingga pada perhitungan kalibrasi dan validasi akan ditinjau berdasarkan point sesuai dengan titik lokasi stasiun hujan pengukuran maupun satelit [6]. Pada analisa kalibrasi dan validasi menggunakan Split Sample Test dimana pada tahap kalibrasi dan validasi dibagi menjadi dua komposisi waktu [7]. Adapun komposisi waktunya adalah 7:3 (7 tahun perhitungan kalibrasi dan 3 tahun perhitungan validasi), 8:2 (perhitungan kalibrasi 8 tahun dan perhitungan validasi 2 tahun), dan 9:1 (perhitungan kalibrasi 9 tahun dan perhitungan validasi 1 tahun). Dan parameter evaluasi data yang digunakan adalah RMSE-Observation standard deviation ratio (RSR), Nash Sutcliffe Efficiency (NSE), dan Koefisien Korelasi (R).

2.3 Kalibrasi

Kalibrasi model adalah proses pemilihan kombinasi parameter. Maka, proses optimalisasi nilai parameter untuk meningkatkan kesesuaian antara respon hidrologi yangi teramati (data pengukuran) dan yang tersimulasi (data satelit) [7]. Dalam pemodelan analisa hidrologi yang biasanya digunakan adalah analisis regresi, dimana analisa ini menggabungkan variable bebas dan variable terikat untuk dilihat tingkat hubungan antar variabelnya. Dalam penelitian ini digunakan beberapa variable bebas yaitu jumlah hujan satelit, rerata hujan satelit, hari hujan satelit, dan maksimum hujan satelit. Berikut persamana Regresi Linear Berganda (multiple linear regression) :

Ŷ = a₁X + a₂X + a_nX + b₁ Pers. 1 Keterangan:

Ŷ = persamaanigarisilurusiYiatasiX X̂ = persamaanigarisilurusiXiatasiY

a1, a2 = koefisieniregresiimerupakanikoefisieniarahidariigarisiregresi.

b1 = koefisieniyangimerupakanititikipotongidariigarisiregresi.

2.4 Validasi

Validasii (validation) iadalah mengevaluasi modeliuntukimendapatkanirepresentasi tentangitingkat ketidakpastianisuatuimodel dalamiprekdiksi suatu proses hidrologi [7].

a. Nash-Sutcliffe Efficiency (NSE)

NSEimenunjukanitingkat kecermatan dariikorelasiiantaraidata teramati dan data prediksi. Teknik ini menghasilkan seberapaibaikiplotidariinilaiiteramatii (pengukuran) dibandingkanidenganinilai prediksi, idenganigaris 1:1, denganirentanginilaii∞ kei1[8].

371 Sebuah model yang baik akan menghasilkan nilai NSE menuju 1[9]. Persamaannya dirumuskan sebagai berikut:

NSE = 1 − ∑^N_i=1(P_i− Qi)²

∑ ∞_i=1^N (P_i− P̅)_i ² Pers.2 Keterangan:

Pi = data teramati Qiii = data prediksi i = rerataidata teramati N = banyakidata

Tabel 1: Kriteria Nilai Nash-Sutcliffe Efficiency (NSE)

Nilai NSE Interpretasi

0,80< NSE ≤ 1,00 0,70< NSE > 0,80

Sangat Baik Baik 0,50 < NSE ≤ 0,70 Memuaskan

NSE ≤ 0,50 Tidak Memuaskan b. Koefisien Korelasi (R)

Nilai koefisienikorelasi merupakan salahisatu parameter statistikiyang biasa dipakai untuk melihat kuatnyaihubunganiantaraidua peubah [10].

R= N ∑^N_i=1P_iQ_i- ∑^N_i=1P_i ×∑^N_i=1Q_i

√N ∑^N_i=1P_i²-(∑^N_i=1P_i)²√N ∑^N_i=1Q_i²-(∑^N_i=1Q_i)²

Pers. 3

Keterangan:

Pi = data teramati Qii= data prediksi N = banyakidata

Tabel 2: Kriteria Nilai Koefisien Korelasi

Nilai R Intrepretasi

0 – 0,19 Sangat Rendah

0,20 – 0,39 Rendah

0,40 – 0,59 Sedang

0,60 – 0,79 Kuat

0,81 - 1 Sangat Kuat

c. RMSE-Observation Standard Deviation Ratio (RSR)

RMSE menunjukkan tingkat kesalahan atau error [8]. Menurut Moriasi, model evaliasi RMSE dikembangkan menjadi RSR, dimana nilai RMSE dibagi oleh nilai standard deviasi observasi, persamaannya sebagai persamaan berikut:

RSR =√

(√^{∑𝑁𝑖=1(𝑋𝑖−𝑌𝑖)}_𝑁 ²)

𝑆𝑇𝐷𝐸𝑉 𝑜𝑏𝑠 ^{Pers. 4}

372

Keterangan:

Pi = dataiteramati Qi = dataiprediksi N = banyakidata

3. Hasil dan Pembahasan 3.1 Uji Kualitas Data

Untuk penelitian kali ini, uji data secara kualitas menggunakan uji kepanggahan, stasioner, dan outlier-inlier. Uji data secara kualitas dilakukan pada hujan pengukuran maupun satelit dengan rentang data 10 tahun (2010-2019). Tabeli3 adalah hasil dari uji data secara kualitas yang berupa uji kepanggahan, stasioner, dan outlier-inlier. Seluruh data menunjukan hasil konsisten, stabil, dan data tidak ada gejala outlier-inlier.

Denganidemikian, dataidapatidigunakan untuk analisaiselanjutnya.

Tabel 3: Uji Kualitas Data

Data Uji Konsistensi Uji Stasioner

Outlier-Inlier Kurva Massa Ganda RAPS Uji-F Uji-t

St.Janjing Konsisten - Stabil Stabil Tidak ada data outlier St.Pudaksari Konsisten - Stabil Stabil Tidak ada data outlier St.Pacet Konsisten - Stabil Stabil Tidak ada data outlier TRMM - Konsisten Stabil Stabil Tidak ada data outlier CHIRPS - Konsisten Stabil Stabil Tidak ada data outlier 3.2 Kalibrasi

Kalibrasiidataisatelitidenganibantuan software IBM SPSS v.25. Pada studi ini, peneliti menggunakan satu persamaan yaitu regresi linear berganda. Adapun variabel-variabel yang digunakan adalah jumlah hujan satelit, rerata hujan satelit, hari hujan satelit, dan maksimum hujan satelit sebagai variabel-variabel bebasnya, sedangkan untuk variabel terikatnya adalah curah hujan pengukuran. Untuk pemilihan persamaan regresi terbaik, dilakukan kombinasi variabel-variabel terlebih dahulu. Setelah mendapatkan hasil dari kombinasi variabel, selanjutnya dipilih nilai R² untuk melihat seberapa besar korelasi antar variabelnya, dan hasil uji asumsi klasiknya untuk melihat seberapa baik persamaan regresi tersebut.

Tabel 4: Hasil Kombinasi Variabel

Satelit Stasiun Variabel R R²

TRMM

Janjing X1,X3,X4 0.841 0.707 Pacet X1,X3,X4 0.912 0.832 Pudaksari X1,X3 0,774 0.599 CHIRPS

Janjing X1,X3 0,778 0.605 Pacet X1,X3,X4 0.905 0.82 Pudaksari X1,X3 0.793 0.629

373 3.3 Validasi

Validasi data satelit yang sudah dilakukan koreksi, tujuannya untuk melihat keakuratan dari persamaan kalibrasi menggunakan tiga parameter yaitu RSR, NSE, dan Koefisien Korelasi (R). Validasi dilakukan dengan periode bulanan dengan rentang data di luar data kalibrasi yaitu 3, 2, 1 tahun. Persamaan terpilih dari tahapan kalibrasi digunakan pada tahap validasi.

Hasil validasi menunjukan bahwa nilai RSR yang “tidak memuaskan” dihasilkan oleh satelit CHIRPS pada stasiun janjing dengan rentang data 1,2, dan 3 tahun validasi, sedangkan untuk nilai “sangat baik” dihasilkan oleh satelit TRMM pada stasiun pudaksari dengan nilai 0,351 rentang data 1 tahun validasi (2019).

Untuk nilai NSE yang “tidak memuaskan” dihasilkan oleh satelit CHIRPS pada stasiun janjing dengan rentang data 1,2, dan 3 tahun validasi, sedangkan untuk nilai “sangat baik”

dihasilkan oleh satelit TRMM pada stasiun pudaksari dengan nilai 0,862 rentang data 1 tahun validasi (2019).

Untuk nilai R yang korelasinya “cukup” dihasilkan oleh satelit CHIRPS pada stasiun janjing dengan rentang data 1,2, dan 3 tahun validasi, sedangkan untuk nilai R yang korelasinya “tinggi” dihasilkan oleh satelit TRMM pada stasiun pudaksari dengan nilai 0,932 rentang data 1 tahun validasi (2019).

Tabel 5: Rekap Hasil Validasi Data Terkoreksi

Satelit Stasiun Rentang

Data RSR Interpretasi NSE Interpretasi R Interpretasi

TRMM

Janjing

1 0.391 Sangat Baik 0.825 Sangat Baik 0.918 Tinggi

2 0.520 Baik 0.709 Baik 0.844 Tinggi

3 0.553 Baik 0.681 Memuaskan 0.846 Tinggi Pacet

1 0.422 Sangat Baik 0.802 Sangat Baik 0.930 Tinggi 2 0.462 Sangat Baik 0.773 Baik 0.912 Tinggi 3 0.481 Sangat Baik 0.761 Baik 0.901 Tinggi

Pudaksari

1 0.351 Sangat Baik 0.862 Sangat Baik 0.932 Tinggi 2 0.455 Sangat Baik 0.781 Baik 0.914 Tinggi 3 0.714 Tidak

Memuaskan 0.523 Memuaskan 0.850 Tinggi

CHIRPS

Janjing

1 1.001 Tidak Memuaskan

- 0.092

Tidak

Memuaskan 0.594

Cukup 2 0.955 Tidak

Memuaskan 0.049 Tidak

Memuaskan 0.697

Cukup 3 0.756 Tidak

Memuaskan 0.413 Tidak

Memuaskan 0.697

Cukup Pacet

1 0.485 Sangat Baik 0.732 Baik 0.918 Tinggi 2 0.444 Sangat Baik 0.791 Baik 0.915 Tinggi 3 0.432 Sangat Baik 0.806 Sangat Baik 0.917 Tinggi Pudaksari

1 0.371 Sangat Baik 0.845 Sangat Baik 0.927 Tinggi 2 0.488 Sangat Baik 0.749 Baik 0.878 Tinggi 3 0.662 Memuaskan 0.548 Memuaskan 0.845 Tinggi

374

3.3 Rekomendasi Satelit Hujan Terpilih

Tabel 6: Rekomendasi Satelit Curah Hujan

Stasiun Rentang Data

Hasil Kriteria Statistik Terbaik

NSE R RSR

Janjing 1 0.825 TRMM 0.918 TRMM 0.391 TRMM

2 0.709 TRMM 0.844 TRMM 0.520 TRMM

3 0.681 TRMM 0.846 TRMM 0.553 TRMM

Pacet 1 0.802 TRMM 0.930 TRMM 0.422 TRMM

2 0.791 CHIRPS 0.915 CHIRPS 0.444 CHIRPS

3 0.806 CHIRPS 0.917 CHIRPS 0.432 CHIRPS

Pudaksari 1 0.862 TRMM 0.932 TRMM 0.351 TRMM

2 0.781 TRMM 0.914 TRMM 0.455 TRMM

3 0.548 CHIRPS 0.850 CHIRPS 0.662 CHIRPS

Hasil validasi data menggunakan tiga parameter statistik yaitu nilai RSR, NSE, dan Koefisien Korelasi (R) pada 2 satelit berbeda yakni TRMM dan CHIRPS. Berdasarkan hasil perhitungan satelit TRMM menunjukan kesesuaian data dengan data lapangan sebesar 70,3%, sedangkan untuk satelit CHIRPS menunjukan kesesuaian data dengan data lapangan sebesar 20,7%. Maka dapat ditarik kesimpulan bahwa TRMM merupakan satelit yang bisa direkomendasikan dan bisa direkomendasikan pada lokasi DAS Sadar.

4. Kesimpulan

Dari analisis studi ini, dapat ditarik simpulan bahwa hasil validasi menggunakan 3 parameter statistik menunjukan hasil yang beragam pada kedua satelit hujan TRMM dan CHIRPS. Hasilivalidasi satelit TRMM untuk nilaiiNSE, RidaniRSR berturut-turut sebesar 0,862, 0,932, dan 0,351. Sedangkan untuk hasil satelitiCHIRPS untuk nilaiiNSE, RidaniRSR berturut-turutisebesar 0,845, 0,927 dan 0,371. Dari keseluruhan penilaian parameter statistik untuk kedua jenis satelit TRMM dan CHIRPS, hasil dari satelitiTRMM lebih menunjukan kesesuaian data sebesar 70,3% dengan data lapangan jika dibandingkan satelit CHIRPS yang hanya sebesar 20,7%. Sehingga dapat disimpulkan, satelit TRMM dapat direkomendasikan pada lokasi DAS Sadar.

Daftar Pustaka

[1] Bambang Triatmodjo, Hidrologi Terapan. Yogyakarta: Beta Offset Yogyakarta, 2008.

[2] M. M. Rahman, D. Harisuseno, and D. Sisinggih, “Studi Penanganan Konservasi Lahan Di Sub Das Keduang Das Bengawan Solo Kabupaten Wonogiri”, JTP, vol.

3, no. 2, pp. pp.250–257, May 2013.

[3] Hidrologi Aplikasi Metode Statistik Jilid 1 , vol. 1. Bandung, 1995.

[4] N. Achmad Arrokhman, S. Wahyuni, and E. Suhartanto, “Evaluasi Kesesuaian Data Satelit untuk Curah Hujan dan Evaporasi Terhadap Data Pengukuran di Kawasan Waduk Sutami,” 2021. [Online]. Available: https://jtresda.ub.ac.id/

[5] H. Pawitan, “VALIDASI DAN KOREKSI DATA SATELIT TRMM PADA TIGA POLA HUJAN DI INDONESIA VALIDATION AND CORRECTION OF TRMM

375 SATELLITE DATA ON THREE RAINFALL PATTERNS IN INDONESIA Water food nexus RIHN View project Machine Learning View project,” 2014. [Online].

Available: https://www.researchgate.net/publication/273140858

[6] E. Dzisofi Amelia, S. Wahyuni, and D. Harisuseno, “Evaluasi Kesesuaian Data Satelit sebagai Alternatif Ketersediaan Data Evaporasi di Waduk Wonorejo,”

Jurnal Teknik Pengairan, vol. 12, no. 2, pp. 127–138, Dec. 2021, doi:

10.21776/ub.pengairan.2021.012.02.05.

[7] D. N. Moriasi, J. G. Arnold, M. W. Van Liew, R. L. Bingner, R. D. Harmel, and T.

L. Veith, “Model Evaluation Guidelines for Systematic Quantification of Accuracy in Watershed Simulations,” Trans ASABE, vol. 50, no. 3, pp. 885–900, 2007, doi:

10.13031/2013.23153.

[8] A. Nomleni, E. Suhartanto, and D. Harisuseno, “Estimation of Flow Discharge Model at Temef Watershed - East Nusa Tenggara Using TRMM Satellite Data,”

Civil and Environmental Science, vol. 004, no. 02, pp. 115–126, Oct. 2021, doi:

10.21776/ub.civense.2021.00402.2.

[9] S. Lufi, S. Ery, and R. Rispiningtati, “Hydrological Analysis of TRMM (Tropical Rainfall Measuring Mission) Data in Lesti Sub Watershed,” Civil and Environmental Science, vol. 003, no. 01, pp. 018–030, Apr. 2020, doi:

10.21776/ub.civense.2020.00301.3.

[10] D. Adlina, R. Oktaverina, E. Suhartanto, and S. Wahyuni, “Validasi Data Curah Hujan Satelit TRMM (Tropical Rainfall Measuring Mission) dengan Pos Stasiun Hujan pada Sub DAS Keduang Kabupaten Wonogiri, Provinsi Jawa Tengah,” 2022.

[Online]. Available: https://jtresda.ub.ac.id/

[11] M. Ilham, E. Suhartanto, and J. S. Fidari, “Analisis Hujan TRMM (Tropical Rainfall Measuring Mission) menjadi Debit dengan Metode F.J. Mock pada DAS Bango,”

2022. [Online]. Available: https://jtresda.ub.ac.id/

[12] D. P. Jarwanti, E. Suhartanto, and J. S. Fidari. "Validasi Data Curah Hujan Satelit TRMM (Tropical Rainfall Measuring Mission) dengan Data Pos Penakar Hujan di DAS Grindulu, 2021. [Online]. Available: https://jtresda.ub.ac.id/

[13] N. F. Alnino, E. Suhartanto, and J. S. Fidari, J. S. "Analisis Hujan TRMM (Tropical Rainfall Measuring Mission) menjadi Debit dengan Metode NRECA pada Das Bango", 2022. [Online]. Available: https://jtresda.ub.ac.id/

[14] R. Rismasari, D. Harisuseno, and A. P. Hendrawan, “KAJIAN PENANGGULANGAN GENANGAN YANG TERINTEGRASI DI KAWASAN PILANG, PROBOLINGGO”, JTP, vol. 9, no. 1, pp. pp.47–59, May 2018.