ANALISIS TINGGI CURAH HUJAN BERDASARKAN KONDISI
KLIMATOLOGI DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN Yuzy Alfahnie1, Very Dermawan2, Lily Montarcih Limnatara2
1Mahasiswa Program Sarjana Teknik Jurusan Pengairan Universitas Brawijaya 2
Dosen Jurusan Pengairan Fakultas Teknik Universitas Brawijaya
1yuzyalfahnie12@gmail.com
ABSTRAK
Tinggi curah hujan yang jatuh di bumi tidak dapat di ketahui secara pasti besarnya. Prakiraan parameter klimatologi terutama hujan sudah menjadi kebutuhan. Curah hujan yang terjadi dapat diprediksi dengan menggunakan kecerdasan buatan. Metode problem solving yang digunakan dalam penelitian ini adalah jaringan syaraf tiruan (JST) dengan software NeuroSolutions 6 dan MATLAB 7.10.0 (R2010a). Kajian ini bertujuan untuk memprediksi curah hujan berdasarkan iklim yang terjadi dengan kedua software tersebut. Terdapat tiga data yang di running menggunakan software tersebut, yaitu data bulanan, harian dan jam-jaman. Pembagian data dengan menggunakan software NeuroSolution 6 yaitu training, cross validation,
testing dan production, sedang pembagian data dengan menggunakan MATLAB 7.10.0 (R2010a) yaitu input, sample , dan output. Berdasarkan hasil proses running pada data bulanan, harian dan jam-jaman
menggunakan NeuroSolutions 6 dan MATLAB 7.10.0 (R2010a) menunjukkan nilai kesalahan relatif (KR) yang dihasilkan lebih kecil bila menggunakan MATLAB 7.10.0 (R2010a). Untuk data bulanan KR menggunakan NeuroSolution 6 sebesar 11,49 % , dengan MATLAB 7.10.0 (R2010a) sebesar 7,59 %. Data harian KR menggunakan NeuroSolution 6 sebesar 8,49 % , dengan MATLAB 7.10.0 (R2010a) sebesar 6,36 %. Data jam-jaman KR menggunakan NeuroSolution 6 sebesar 19,32 % , dengan MATLAB 7.10.0 (R2010a) sebesar 14,72 %.
Kata kunci: Jaringan syaraf siruan, NeuroSolution 6, MATLAB 7.10.0 (R2010a), kesalahan relatif
ABSTRACT
High of precipitation that falls on the earth can not be known certainly. Forecast parameters, especially rainfall has become very important. The rainfall can be predicted using the artificial neural network (ANN). Problem solving methods that used in this research is the artificial neural network (ANN) with software NeuroSolutions 6 and MATLAB 7.10.0 (R2010a). This study aims to predict rainfall depth based on climate data with both software. There are three data that are running using the software, monthly, daily and hourly. Sharing of data using software NeuroSolution 6 are training, cross validation, testing and production, while sharing data by using MATLAB 7.10.0 (R2010a) are input, sample, and output. Based on the results of running process on monthly data, daily and hourly using NeuroSolutions 6 and MATLAB 7.10.0 (R2010a) indicate that the value of the relative error (KR) is smaller if using MATLAB 7.10.0 (R2010a). For monthly data using NeuroSolution 6 to 11.49%, while MATLAB 7.10.0 (R2010a) 7.59%. Relative error daily data using NeuroSolution 6 to 8.49%, while MATLAB 7.10.0 (R2010a) 6.36%. Hourly data use NeuroSolution 6 error is 19.32%, while MATLAB 7.10.0 (R2010a) 14.72%.
A. PENDAHULUAN
Unsur air di bumi terdiri dari sur presipitasi, misalnya curah hujan, un-sur cuaca, seperti temperatur, kelembab-an, kecepatan dan arah angin, durasi pe-nyinaran matahari, intensitas pepe-nyinaran matahari, unsur penguapan, unsur air per-mukaan, seperti tinggi muka air dan debit sungai, angkutan sedimen, nsur air bawah permukaan, misalnya infiltrasi dan perko-lasi, unsur airtanah.
Prakiraan parameter klimatologi terutama hujan sudah menjadi kebutuhan Nasional. Betapa tidak, bencana banjir akibat hujan yang turun dengan jumlah di atas normal atau bencana kekeringan akibat jumlah curah hujan yang berada di bawah normal, sering melanda wilayah Indonesia. Semua itu dapat diantisipasi dengan informasi yang akurat tentang be-rapa besar curah hujan yang akan turun di suatu tempat pada kurun waktu tertentu.
Seiring dengan pesatnya kemajuan teknologi, pekerjaan manusia lebih dimu-dahkan dengan adanya komputer. Kom-puter diharapkan mampu mengerjakan pekerjaan yang seharusnya hanya dapat dikerjakan oleh manusia, atau biasa disebut kecerdasan buatan (Artificial
Inte-legency). Pembacaan pola curah hu-jan
dapat dilakukan oleh model kecerda-san buatan dengan menggunakan data historis mengenai parameter klimatologi. Adapun metode problem solving yang digunakan dalam penelitian ini adalah jaringan syaraf tiruan (JST). Salah satu bidang dimana JST dapat diaplikasikan dengan baik adalah bidang peramalan (Setiawan, 2008). Dalam JST terdapat teknik pera-malan yang sering digunakan yaitu
Ne-uroSolutions 6 dan Matlab Backpropaga-tion. Pada saat musim penghujan, curah
hujan yang tercatat pada pengukuran ter-lihat cukup baik. Namun, karena peruba-han yang terjadi pada bumi akibat pema-nasan global (global warming) menye-babkan iklim serta cuaca cenderung berubah sehingga terjadinya penyim-pangan yang tidak dapat dihindari.
Sehingga diharapkan jaringan saraf tiruan ini akan dapat menganalisa data curah hujan serta data klimatologi Kota Malang.
B. METODE
Pada studi ini diperlukan data-data yang mendukung guna memudahkan da-lam menganalisis permasalahan yang ter-jadi, untuk itu perlu disajikan beberapa data sebagai berikut:
1. Peta lokasi studi
2. Data klimatologi (curah hujan, suhu, kelembaban udara, lama penyinaran, tekanan udara)
Adapun langkah-langkah dalam pe-nyelesaian studi ini adalah sebagai beri-kut:
1. Mengoreksi seluruh data klimatologi akibat kesalahan teknis terdapat data yang hilang.
2. Menguji seluruh data klimatologi dengan uji statistik
3. Memprediksi tinggi curah hujan bu-lanan, harian, jam-jaman berdas-arkan kondisi klimatologi yang ada dengan menggunakan software
Neu-roSolutions 6.0.
4. Memprediksi tinggi curah hujan bulanan, harian, jam-jaman berda-sarkan kondisi klimatologi yang ada dengan menggunakan software MA-TLAB 7.10.0 R2010a.
5. Membuat pemodelan dengan kedua
software yang digunakan.
6. Membandingkan hasil dari kedua
software dengan melihat persentase
kesalahan relatif yang dihasilkan. 7. Selesai
C. HASIL DAN PEMBAHASAN Uji Statistik
Data iklim yang didapatkan dari sta-siun hujan tidak dapat langsung diguna-kan dalam perhitungan karena perlu ada-nya pengujian terhadap data. Pengujian data bertujuan untuk menge-tahui kualitas data dan keandalan data yang akan diper-gunakan dalam perhitungan.
Kualitas dan keandalan data yang digunakan akan mempengaruhi kesesu-aian hasil perhitungan dengan keadaan yang sesungguhnya (Soewarno, 1995: 7).
Pengujian data yang dilakukan pada studi ini adalah:
a. Uji Stasioner Data (Uji Kestabilan Nilai dan Rerata Varian)
1. Uji F 2. Uji T
b. Uji Keacakan Data (Uji Ketidakada-an Trend)
1. Uji Korelasi Metode Spearman 2. Uji Mann-Whitney
c. Uji Persistensi (Uji Ketidak Tergan-tungan)
1. Uji Korelasi Serial Metode Spear-man
Uji Stasioner (Uji F dan Uji T)
Pengujian nilai varian suatu deret berkala dilakukan dengan menggunakan
uji-F. Apabila uji kestabilan varian
me-nunjukkan stasioner maka pengujian se-lanjutnya adalah pengujian kestabilan ni-lai rata-ratanya dengan menggunakan uji T.
Tabel 1. Rekapitulasi Hasil Uji Stasioner
Iklim Bulanan dengan Ftabel =
2,6 dan Ttabel = 1,714 pada
Lokasi Stasiun Klimatologi Ka-rangploso No Unsur Klimatologi Nilai F Hitung Kesimpulan Nilai T Hitung Kesimpulan
1 Hujan 1,034 Diterima -1,227 Diterima
2 Suhu 2,224 Diterima 1,106 Diterima
3 Kelembaban 1,594 Diterima 1,701 Diterima
4 Radiasi 1,018 Diterima 1,311 Diterima
5 Tekanan 0,359 Diterima 1,435 Diterima
Sumber: Hasil Perhitungan
Tabel 2. Rekapitulasi Hasil Uji Stasioner
Iklim Harian dengan Ftabel = 4,28
dan Ttabel = 1,812 pada Lokasi
Stasiun Klimatologi Karangplo-so No Unsur Klimatologi Nilai F Hitung Kesimpulan Nilai T Hitung Kesimpulan
1 Hujan 4,188 Diterima -1,227 Diterima
2 Suhu 2,969 Diterima 1,106 Diterima
3 Kelembaban 1,537 Diterima 1,701 Diterima
4 Radiasi 0,566 Diterima 1,311 Diterima
Sumber: Hasil Perhitungan
Uji Ketidakadaan Trend (Uji Korelasi Metode Spearman dan Uji Mann-Whitney)
Data dari stasiun klimatologi Ka-rangploso diuji keacakannya mengguna-kan Uji Korelasi Spearman. Uji ini bertu-juan untuk mengetahui ada atau tidaknya trend dalam suatu deret berkala.
Uji Mann-Whitney digunakan untuk menguji dua kelompok data yang tidak berpasangan berasal dari populasi yang sama atau tidak. Data masing-masing unsur iklim yang telah diurutkan diberi-kan peringkat mulai dari yang paling kecil sampai yang terbesar kemudian dibagi menjadi dua kelompok. Dua ke-lompok yaitu populasi A dan populasi B diuji apakah A mempunyai sebaran yang sama dengan B.
Tabel 3. Rekapitulasi Hasil Iklim Bula-nan Uji Spearman dengan α = 1,714 dan Uji Mann-Whitney dengan α = 1,645 No Unsur Klimatologi Nilai Spearman Kesimpulan Nilai Mann & Whitney Kesimpulan
1 Hujan -1,721 Diterima -1,414 Diterima
2 Suhu -1,585 Diterima -0,925 Diterima
3 Kelembaban -3,071 Diterima -2,502 Diterima
4 Radiasi -0,793 Diterima -1,197 Diterima
5 Tekanan -1,436 Diterima -0,381 Diterima
Sumber: Hasil Perhitungan
Tabel 4. Rekapitulasi Hasil Iklim Harian Uji Spearman dengan α = 1,812 dan Uji Mann-Whitney dengan α = 1,645 No Unsur Klimatologi Nilai Spearman Kesimpulan Nilai Mann & Whitney Kesimpulan
1 Hujan 0,111 Diterima -0,320 Diterima
2 Suhu 0,424 Diterima -0,801 Diterima
3 Kelembaban -0,492 Diterima -0,961 Diterima
4 Radiasi -0,774 Diterima -1,121 Diterima
Sumber: Hasil Perhitungan
Uji Persistensi (Uji Korelasi Serial Metode Spearman)
Persistensi (Persistence) adalah keti-dak tergantungan dari setiap nilai dalam deret berkala. Untuk melaksanakan pe-ngujian persistensi harus dihitung besar-nya koefisien korelasi serial. Salah satu metode untuk menentukan koefisien
ko-relasi serial adalah dengan Metode Spear-man.
Tabel 5. Rekapitulasi Hasil Iklim Bula-nan Uji Spearman
No Unsur Klimatologi Nilai T Tabel Nilai T Hitung Kesimpulan 1 Hujan 1,717 -1,927 Diterima 2 Suhu 1,717 0,339 Diterima 3 Kelembaban 1,717 0,848 Diterima 4 Radiasi 1,717 -0,235 Diterima 5 Tekanan 1,717 1,713 Diterima
Sumber: Hasil Perhitungan
Tabel 6. Rekapitulasi Hasil Iklim Harian Uji Spearman No Unsur Klimatologi Nilai T Tabel Nilai T Hitung Kesimpulan 1 Hujan 1,833 -1,670 Diterima 2 Suhu 1,833 0,137 Diterima 3 Kelembaban 1,833 -1,755 Diterima 4 Radiasi 1,833 -3,498 Diterima
Sumber: Hasil Perhitungan
Analisis dengan NeuroSoltions 6.0 (NS 6) NeuroSolutions adalah lingkungan
simulasi jaringan syaraf utama. Perangkat lunak ini digunakan untuk merancang, melatih dan menyebarkan jaringan saraf model untuk melakukan berbagai tugas seperti data mining, klasifikasi, aprok-simasi fungsi, regresi multivarian dan prediksi waktu (Halimi, 2005).
Tahap pengerjaan menggunakan
Ne-uroSolutions 6.0:
1. Combine MS. Excel dengan
soft-ware NeuroSolutions 6.0, akan
muncul menu Add Ins pada MS. Excel
2. Blog kolom dari data suhu, kelem-baban udara, lama penyinaran dan tekanan, lalu klik dan pilih
Neuro-Solution → Tag Data → Column(s) As Input.
3. Blog kolom data curah hujan, lalu klik dan pilih NeuroSolution →
Tag Data → Column(s) As Desired.
4. Blog kolom tahun dan bulan, lalu klik dan pilih NeuroSolution →
Tag Data → Column(s) As Symbol.
5. Blog baris sebanyak yang diingin-kan untuk dijadidiingin-kan data Training,
Cross Validation, Testing, dan Production.
Kemudian pilih NeuroSolution →
Tag Data → Row(s) As Training.
Begitu pula dengan ketiga proses lainnya.
6. Buat network baru dengan cara
Create/Open Network → New Classification Networks. Setelah itu
pilih Train Network → Train untuk
proses pembentukan jarring-an
syaraf tiruan
7. Save breadboard yang terbentuk sesuai yang diinginkan. Lalu akan keluar kotak dialog train yang berisikan pengaturan Number of
Epochs, Isikann sesuai dengan yang
kita inginkan (disini diguna-kan 1000 Epoch).
Gambar 1. Grafik Hubungan MSE dan Epoch (Bulanan)
Gambar 2. Grafik Hubungan MSE dan Epoch (Harian)
Gambar 3. Grafik Hubungan MSE dan Epoch (Jam-jaman)
Gambar 4. Jaringan Single Layer NS 6 Gambar 4 merupakan jaringan single
layer perceptron yang dilakukan oleh software NeuroSolutions 6. Pada jaringan
ini tidak terdapat lapisan tersembunyi, jaringan ini hanya melakukan pembelaja-ran dengan satu lapisan saja.
Analisis dengan MATLAB 7.10.0 R2010a
Matlab merupakan tool yang banyak diaplikasikan untuk menyelesaikan per-masalahan sistem persamaan linear, prog-lin dengan simpleks, hingga peramalan runtun waktu (time series), dll (Siang, 2005:112). Berbeda dengan software
NeuroSolutions 6, MATLAB tidak under
MS.Excel, namun compatible dengan MS Excel.
Tahap pengerjaan menggunakan
soft-ware MATLAB 7.10.0 (R2010a):
1. Buka lembar kerja data pada MS. Excel, buka software MATLAB. 2. Pilih New Variable pada
MAT-LAB 7.10.0 R2010a. Buat menjadi 3 variabel, yaitu Input, Sampel dan Target.
Pada variabel input masukkan data klimatologi suhu, kelem-baban udara, lama penyinaran dan tekanan.
Pada variabel sampel masuk-kan data klimatologi suhu, kelembaban udara, lama pe-nyinaran dan tekanan, namun pada variabel sampel hanya dimasukkan beberapa data. Pada variabel Target masukan
data curah hujan.
3. Pilih menu Start → Toolboxes →
More → Neural Network → Neural Network Tool (nntool), atau
menggunakan perintah Command, dengan cara menulis ‘nntool’ pada
command window.
4. Akan muncul pada kotak dialog
Network/Data Manager. Pilih Imp-ort lalu akan keluar kotak dialog Import to Network/Data Manager.
Pilih variabel lalu disesuaikan de-ngan destinasi nya, ke-mudian ok. 5. Buat New Network dan isi setiap
data seperti dibawah ini:
Network Type : Feed-forward
backprop
Input data : Input
Target data : Target
Training function : TRAINGDX
Adaption learning function :
LEARNGD
Performance function : MSE
Number of layers : 4
Properties for : Layer 2
Transfer function : TANSIG
6. Buka Network yang baru dibuat, terdapat beberapa variabel terikat yang perlu diisi dan disesuaikan.
Hasil Bulanan (a) (b) (c) Hasil Harian (a) (b) (c)
Hasil Jam-jaman
(a)
(b)
(c)
Gambar 6. (a) Hubungan performa va-lidasi terbaik dengan epoch (b) Training State
(c) Regresi Hasil Running
Gambar 7. Jaringan Multi Layer MA-TLAB 7.10.0 R2010a Gambar 7 merupakan jaringan Multi
layer Backpropagation yang dilakukan
oleh software MATLAB 7.10.0 R2010a. Pada jaringan ini terdapat lapisan tersem-bunyi (Hidden Layer), jaringan ini melakukan pembelajaran lebih baik deng-an menerapkdeng-an propagasi maju ddeng-an mun-dur melalui beberapa lapisan tersembu-nyi.
PEMBAHASAN
Gambar 1, 2, da 3 merupakan hasil dari software NeuroSolutions. Grafik ini menunjukkan hubungann antara MSE dan epoch. Dimana, semakin banyak iterasi (epoch) yang dilakukan maka MSE akan semakin konstan.
Gambar 6 (a) menunjukkan grafik pelatihan bulanan, harian, jam-jaman ya-ng menjelaskan bagaimana nilai gradien momentum dan grafik pengecekan vali-dasi pada proses pelatihan JST. Gradien merupakan nilai kemiringan antar iterasi. Nilai gradien bulanan yang dihasilkan adalah sebesar 0,75 x 10-2
, nilai gradient harian yang dihasilkan sebesar 0,2 x 10, dan untuk jam-jaman sebesar 0,9 x 10 pada epoch terakhir yaitu epoch ke 1000. Hal ini menunjukkan bahwa pemodelan telah mendekati konstan dan cocok deng-an apa ydeng-ang dipelajari di iterasi sebelum-nya.
Gambar 6 (b) menunjukkan bahwa performa pelatihan pada pemodelan bu-lanan, harian, jam-jaman sudah bagus, karena nilai MSE-nya mendekati target
10-1. Grafik performance menunjukkan hasil performa train, validation, dan test. Hasil train dan test cukup baik karena
MSE yang dihasilkan antara 101 dan 10-1.
Nilai validation, performa untuk model bulanan mengalami fase terbaik pada
epoch ke 496 yaitu MSE nya hanya 0,24
x 10-1. Nilai validation, performa untuk
model harian mengalami fase terbaik pada epoch ke 985 yaitu MSE nya hanya
0,27 x 10-1. Nilai validation, performa
untuk model jam-jaman mengalami fase terbaik pada epoch ke 790 yaitu MSE nya hanya 0,32 x 10-1.
Gambar 6 (c) menunjukkan grafik hubungan antara hasil output pada tahap pelatihan dengan target yang ditentukan. Hasil regresi proses pelatihan pada data bulanan adalah sebesar 0,68702, sedang pada harian adalah sebesar 0,68448 dan pada jam-jaman adalah sebesar 0,50711. Nilai MSE yang didapat, jaringan terse-but tetap dikatakan berhasil karena nilai MSE nya tergolong cukup kecil.
D. KESIMPULAN
Dari hasil-hasil analisa tersebut, dapat di-simpulkan beberapa hal sebagai berikut: 1. Pemodelan tinggi curah hujan
bula-nan pada tahun 1987-2011 berda-sarkan data klimatologi bulanan di stasiun klimatologi Karangploso
de-ngan menggunakan dua model
software yaitu:
a. Kesalahan relatif (KR) dengan model software NeuroSolution 6.0 sebesar 11,49 %
b. Kesalahan relatif (KR) dengan model software MATLAB 7.10.0 R2010a sebesar 7,59 %
Sehingga dapat dibuat persamaan dari pemodelan bulanan yang telah dila-kukan yaitu: 𝑌𝑘= 𝑊𝑘0+ B1𝑗+ X1Z𝑗 1 4 i=1 + X2Z𝑗 2+ X3Z𝑗 3+ X4Z𝑗 4 n j=1 𝑊𝑘1 + B2𝑗+ X1Z𝑗 1 4 i=2 + X2Z𝑗 2+ X3Z𝑗 3+ X4Z𝑗 4 𝑊𝑘2
2. Pemodelan tinggi curah hujan harian pada tahun 2008-2013 berdasarkan data klimatologi bulanan di stasiun
klimatologi Karangploso dengan me-nggunakan dua model software yaitu: a. Kesalahan relatif (KR) dengan model software NeuroSolution 6.0 sebesar 8,49 %
b. Kesalahan relatif (KR) dengan model software MATLAB 7.10.0 R2010a sebesar 6,36 %
Sehingga dapat dibuat persamaan dari pemodelan harian yang telah di-lakukan yaitu: 𝑌𝑘= 𝑊𝑘0+ B1𝑗+ X1Z𝑗1 3 i=1 + X2Z𝑗 2+ X3Z𝑗 3 n j=1 𝑊𝑘1 + B2𝑗+ X1Z𝑗 1 3 i=2 + X2Z𝑗 2+ X3Z𝑗 3 𝑊𝑘2
3. Membandingkan pemodelan tinggi curah hujan bulanan dan harian pada
stasiun klimatologi Karangploso,
yang dihasilkan yaitu bahwa dengan
menggunakan model MATLAB
7.10.0 R2010a perlakuan yang sama lebih baik. Terbukti dari hasil pemo-delan tinggi curah hujan jam-jaman Laboratorium Hidrologi Uni-versitas Brawijaya, nilai kesalahan relatif pe-modelan tinggi curah hujan jam-jaman:
a. Kesalahan relatif (KR) dengan model software NeuroSolution 6 sebesar 19,32 %
b. Kesalahan relatif (KR) dengan
model software MATLAB
7.10.0 R2010a sebesar 14,72 % Sehingga dapat dibuat persamaan dari pemodelan jam-jaman yang telah dilakukan yaitu: 𝑌𝑘= 𝑊𝑘0+ B1𝑗+ X1Z𝑗 1 4 i=1 + X2Z𝑗 2+ X3Z𝑗 3+ X4Z𝑗 4 n j=1 𝑊𝑘1 + B2𝑗+ X1Z𝑗 1 4 i=2 + X2Z𝑗 2+ X3Z𝑗 3+ X4Z𝑗 4 𝑊𝑘2 E. SARAN
Berdasarkan analisa perhitungan
pada model software Neurosolution 6.0 dan MATLAB 7.10.0 (R2010a) di Stasi-un Klimatologi Karngploso dan Labora-torium Hidrologi Universitas Brawijaya pada kajian ini, maka disarankan bebera-pa hal sebagai berikut:
1. Bagi instansi untuk dapat digunakan sebagai alternatif baru meramalkan atau memprediksi tinggi curah hujan dengan menggunakan Neurosolutuon
6.0 dan MATLAB 7.10.0 (R2010a)
untuk mendapatkan model ramalan terbaik yang lebih akurat serta dapat menghemat waktu dan biaya diban-dingkan dengan perhitungan konven-sional.
2. Bagi pembaca dan peneliti sebagai tambahan referensi terkait dengan metode jaringan syaraf tiruan prog-ram Neurosolution 6 dan MATLAB 7.10.0 R2010a dapat digunakan un-tuk menghitung besarnya tinggi cu-rah hujan.
DAFTAR PUSTAKA
Kuncoro, A. H. & Dalimi, R. 2005. Aplikasi Jaringan Syaraf Tiruan Untuk Peramalan Beban Tenaga Listrik Jangka Panjang Pada Sistem Kelistrikan Di Indonesia.
Jurnal Teknologi. XIX
(3):211-217.
Setiawan, Wahyudi. 2008. Prediksi
Har-ga Saham Menggunakan JarinHar-gan Syaraf Tiruan Multilayer Feedfor-ward Network dengan Alogaritma Backpropagation: 08-020. Bali:
Konferensi Nasional Sistem dan Informatika.
Siang, J. J. 2005. Jaringan Syaraf Tiruan
dan Pemrogramannya Mengguna-kan Matlab. Yogyakarta: ANDI.
Soewarno, 1995. Hidrologi Aplikasi
Metode untuk Analisa Data.
