Pengaruh Tingkat Konsistensi dan Korelasi Data Curah Hujan Terhadap Kerapatan Stasiun Hujan Di Das Landak

PENGARUH TINGKAT KONSISTENSI DAN KORELASI DATA CURAH HUJAN TERHADAP KERAPATAN STASIUN HUJAN

DI DAS LANDAK

Arnando Capri Saidi ¹⁾, Nurhayati ²⁾ dan Umar ³⁾

1) Jurusan Teknik Sipil Fakultas Teknik Universitas Tanjungpura Pontianak

2,3) Dosen Teknik Sipil, Universitas Tanjungpura Pontianak Email: arnandocaprisaidi@gmail.com

ABSTRAK

Salah satu faktor penting dalam analisis hidrologi, terutama yang menyangkut parameter hujannya, adalah kerapatan (density) stasiun hujan suatu daerah aliran sungai (DAS). Besar sebaran dan kerapatan stasiun hujan dapat mempengaruhi tingkat kesalahan nilai rerata suatu data. Kerapatan stasiun hujan yang tinggi dalam suatu DAS memberikan data yang berkualitas untuk kebutuhan perencanan bangunan air. Permasalahan jumlah dan sebaran stasiun hujan DAS di Indonesia sampai saat ini masih kurang mendapat perhatian. Hal ini terlihat pada ketidakadaan petunjuk baku mengenai metode pola penempatan dan penyebaran stasiun pengukur hujan yang tepat. DAS Landak memiliki permasalahan serupa, sehingga diperlukan analisis mengenai kerapatan stasiun hujan yang berada di DAS Landak. DAS Landak memiliki total luas sebesar 8.627,347 km² atau sama dengan 8,8% dari total luas DAS Kapuas yaitu 98.021,82 km² dengan panjang sungai utama sepanjang 232,85 km. Kerapatan jaringan stasiun hujan eksisting pada DAS Landak tidak memenuhi standar World Meteorological Organization (WMO) menurut kriteria wilayahnya, tidak memenuhi kesalahan perataan 5% dan tidak memenuhi kesalahan interpolasi 2,5%. Analisis Kagan menghasilkan jumlah stasiun hujan sebanyak 36 buah yang terdiri dari 7 stasiun eksisting dan 29 stasiun baru yang diplot secara acak di dalam masing-masing jaring Kagan dengan kondisi cakupan area 238,29 km²/stasiun dan jarak antar stasiun 16,52 km.

Key Words: Daerah Aliran Sungai Landak, Kerapatan Stasiun Hujan, Metode Kagan

ABSTRACT

The important factors in hydrological analysis, especially regarding in rain parameters is the density of rain stations in a watershed. Density of rain stations in a watershed is affecting the error rate in the mean data value. density of the rain station in a watershed can provide data that represents the relevant watershed.The number and density of rain station distribution within watershed has becomed problems and only received little attention. These facts can be proven by the absence of standard guidelines regarding the appropriate method of rain station placement and distribution. One of the case is Landak Watershed which needed to analyze rain station density. Landak watershed has a total area of 8.627,347 km² or equal to 8,8% of Kapuas watershed total area which is 98.021,82 km² with the length of the main river 232,85 km. The density of existing rain station network in Landak watershed does not meet the World Meteorological Organization standard according to the classification of the region, does not meet the 5% leveling error and 2,5% interpolation error. Kagan analysis resulted in a total of 36 rain stations included 7 existing rain stations and 29 new rain stations which plotted randomly inside Kagan shape with an average value of coverage per each of Kagan net 238,29 km²/station and distance between stations of 16,52 km.

Key Words: Density of Rain Station, Landak Watershed, Kagan Method

I. PENDAHULUAN

Air adalah salah satu kebutuhan utama untuk makhluk hidup. Air di bumi ini mempunyai siklus yang disebut siklus hidrologi, dimana siklus tersebut dapat berubah pada setiap bulannya atau musimnya dengan jumlah air di bumi yang tetap sepanjang waktunya. Pemenuhan kebutuhan manusia dalam sumber daya alam air memerlukan ilmu manajemen yang baik agar kebutuhan air dapat dilakukan secara optimal (Taufik, 2016). Salah satu bentuk sumber daya air yang tersedia di alam adalah curah hujan.

Curah hujan di Indonesia dipengaruhi oleh beberapa faktor alam, antara lain suhu udara, kelembaban udara dan angin (Lakitan, 2002 dalam Oktavianingsih, 2018). Kerapatan, penyebaran dan intensitas hujan yang tidak merata dapat diketahui dengan menempatkan stasiun hujan yang tepat baik secara lokasi, jumlah dan pola penyebarannya (Yasa, 2001).

Salah satu faktor penting dalam analisis hidrologi, terutama yang menyangkut parameter hujannya adalah kerapatan (density) stasiun hujan dalam suatu daerah aliran sungai. Hal ini berkaitan dengan berapa besar sebaran dan kerapatannya

mempengaruhi tingkat kesalahan nilai rerata datanya serta berapa besar sebaran dan kerapatan stasiun hujan dalam suatu DAS dapat memberikan data yang mewakili DAS yang bersangkutan (Yasa, 2001).

Permasalahan jumlah dan sebaran stasiun hujan dalam DAS di Indonesia sampai saat ini masih kurang mendapat perhatian, hal ini terbukti dari belum adanya petunjuk yang baku tentang metode yang tepat tentang pola penempatan dan penyebaran stasiun penakar hujan yang dikarenakan bentang alam yang berbeda di masing-masing wilayah, salah satunya adalah DAS Landak sehingga diperlukan adanya analisis mengenai dan kerapatan stasiun hujan yang berada di DAS Landak.

II. METODOLOGI DAN PUSTAKA

Pada umumnya wilayah hujan yang terjadi lebih luas dibandingkan dengan wilayah hujan yang diwakili oleh stasiun hujan maka dengan memperhatikan pertimbangan ekonomi, topografi dan aspek lainnya, stasiun hujan harus ditempatkan dengan kerapatan optimal yang bisa memberikan kualitas data yang baik. Dalam melakukan perhitungan kerapatan jaringan terdapat pedoman yang digunakan yakni Standar World Meteorological Organization (WMO) yang mengatur mengenai kerapatan jaringan minimum (Linsley, 1986 dalam Junaidi, 2015).

Tabel 1.Standar World Meteorological Organization (Linsley, 1986 dalam Junaidi, 2015)

Daerah Kerapatan Jaringan Minimum (km²/stasiun) Daerah datar, beriklim

sedang, laut tengah dan tropis

600-900 Laut tengah dan tropis 100-250 Kondisi normal,

daerah pegunungan 25 Pulau-pulau kecil

bergunung (< 20.000 km²)

1.500-10.000

Penetapan jaringan stasiun hujan tidak hanya terbatas pada penetapan jumlah stasiun yang diperlukan untuk suatu DAS, tetapi berpengaruh juga terhadap tempat dan pola penyebarannya akibat dari parameter koefisien korelasi hujan yang dapat dianalisis dengan metode Kagan (Harto, 1993 dalam Purba, 2012). Metode Kagan dapat

merepresentasikan tingkat kerapatan jaringan stasiun hujan dari parameter kesalahan interpolasi dan kesalahan perataan (interpolation error and averaging error). Persamaan-persamaan yang dipergunakan adalah (Krisnayanti, 2011):

𝑟

_(𝑑)

= 𝑟

₍₀₎

𝑒

^{−𝑑/𝑑(0)}

𝑍

₁

= 𝐶

_𝑣

√

^{1−𝑟(0)+0,23}

√𝐴 𝑑(0)√𝑁

𝑁

𝑍

₃

= 𝐶

_𝑣

√

(1−𝑟₍₀₎)

3

+

^0,52𝑟(0)

𝑑₍₀₎√^𝐴 𝑁

𝑙 = 1,07√

^𝐴

𝑁

Dimana:

r(d = koefisien korelasi untuk jarak d km r(0) = koefisien korelasi untuk jarak sangat dekat d = jarak antar stasiun, dalam km

d(0) = radius korelasi, yaitu jarak antar stasiun dimana korelasi berkurang dengan faktor e

Z1 = kesalahan perataan, dalam % Cv = koefisien variasi

A = luas daerah aliran sungai (DAS), dalam km² N = jumlah stasiun

Z3 = kesalahan interpolasi, dalam %

Data yang dikumpulkan untuk kebutuhan analisis kerapatan jaringan stasiun hujan:

a. Data curah hujan pada setiap stasiun di DAS Landak dengan rentang tahun yang mengikuti rentang tahun paling sedikit di antara semua stasiun hujan terkait yaitu 12 tahun

b. Posisi lokasi dan jarak antar setiap stasiun hujan pada DAS Landak

c. Data digital elevation model (DEM)

d. Data shapefile (shp) tata guna lahan dan jenis tanah

Karakteristik DAS Landak dapat diketahui dengan menggunakan beberapa analisis di antaranya adalah:

a. Analisis Luas Daerah Aliran Sungai b. Analisis Tata Guna Lahan

c. Analisis Elevasi dan Kemiringan Lereng d. Analisis Jenis Tanah

Analisis kerapatan stasiun hujan biasanya menggunakan pengelolaan data hidrologi dengan metode statistik dengan cara (Lestari, 2018):

a. Menentukan stasiun-stasiun hujan yang aktif pada DAS yang mempengaruhi daerah tangkapan hujan DAS.

b. Menentukan curah hujan maksimum harian

stasiun-stasiun hujan yang aktif pada DAS yang mempengaruhi daerah tangkapan hujan DAS.

c. Menghitung jarak antar stasiun hujan

d. Menghitung korelasi dan konsistensi antar stasiun curah hujan, baik untuk hujan harian maupun hujan bulanan, sesuai dengan yang diperlukan. Penentuan parameter ini tidak difokuskan pada orientasi arahnya, karena tidak ada dampak terhadap besarnya korelasi, tingkat korelasi cukup dilakukan pada hari hujan pada stasiun terkait

e. Jaringan stasiun hujan eksisting dapat dianalisis dari nilai koefisien variasi (Cv) baik harian maupun bulanan, sesuai dengan perencanaan

f. Korelasi yang didapatkan dari analisis sebelumnya direpresentasikan dalam grafik eksponensial, sehingga dapat memperoleh besaran d(0)dengan menggunakan nilai rata- rata dan r(d).

III. HASIL DAN PEMBAHASAN

Konsistensi Data Hujan

Uji konsistensi menggunakan metode Cummulative Deviation (Rescaled Adjusted Partial Sum). Data curah hujan yang digunakan bersumber dari Stasiun KKR-01 dari tahun 2007 – 2018 dengan jumlah data 12 tahun yang mayoritas data berasal dari analisa bangkitan data curah hujan. Pada tabel derajat kepercayaan tidak terdapat n = 12 untuk setiap nilai derajat kepercayaan sehingga dilakukan interpolasi pada nilai Q/√N untuk n = 12 di nilai derajat kepercayaan 90% yang menghasilkan nilai interpolasi Q kritis 1,060.

Hasil pengujian konsistensi data dari metode Rescaled Adjusted Partial Sum, nilai Q hitung/√n (1,017) tidak melebihi nilai Q kritis (1,060) di tabel interpolasi sehingga data tersebut dapat dikategorikan konsisten untuk data stasiun hujan KKR-01. Pengujian konsistensi data juga dilakukan pada data stasiun hujan KKR-02, PTK-03, PTK-04, PTK-07, PTK-10 dan PTK-22.

Korelasi Data Hujan

Analisis korelasi data hujan antar stasiun dibutuhkan untuk menentukan besarnya korelasi antar stasiun hujan. Dalam penetapan hubungan antara jarak stasiun dan koefisien korelasi tidak perlu

memperhatikan oritensi arahnya, karena hal tersebut tidak berpengaruh terhadap besarnya korelasi.

Nilai korelasi data hujan antar stasiun yang aktif di DAS Landak diperoleh dengan membuat grafik regresi linier dengan menghubungkan data curah hujan bulanan maksimum antar satu stasiun dengan stasiun lainnya secara bergantian, sehingga akan diperoleh nilai r² sebagai indikator tingkat korelasi data antar stasiun hujan. Nilai r² akan mendekati nilai 1 untuk data antar stasiun yang memiliki tingkat korelasi tinggi.

Gambar 1 menampilkan nilai korelasi data curah hujan bulanan maksimum antara stasiun hujan KKR-01 Mandor dan KKR-02 Rasau dengan hasil korelasi 0,276. KKR-01 adalah stasiun hujan yang berada di Desa Korek, Kecamatan Ambawang, Desa Kubu Raya. Stasiun ini cuma memiliki data stasiun hujan dengan rentang data 3 bulan saja di tahun 2018 sehingga sebagian besar dari nilai analisis Kagan akan menggunakan data hujan sintetis dari bangkitan data curah hujan metode Reciprocal yang dibantu dengan beberapa stasiun hujan di dalam daerah aliran Sungai Landak maupun yang berada di luar daerah aliran Sungai Landak.

KKR-02 Rasau yang berada di Desa Rasau Jaya, Kecamatan Rasau Umum, Kabupaten Kubu Raya juga memiliki stasiun hujan dengan data yang tidak lengkap di tahun 2018 karena baru beroperasi, sehingga data hujan yang digunakan untuk analisis Kagan akan menggunakan data hujan sintetis dari bangkitan data curah hujan metode Reciprocal yang dibantu dengan beberapa stasiun hujan di dalam daerah aliran Sungai Landak maupun yang berada di luar daerah aliran Sungai Landak

Nilai korelasi yang rendah dengan nilai 0,276 diakibatkan oleh sifat hujan yang cukup berbeda antar data stasiun hujan yang disebabkan oleh banyaknya data curah hujan yang dibangkitkan secara sintetis dan letak/posisi stasiun hujan eksisting yang memiliki perbedaan jarak serta elevasi yang cukup jauh.

Gambar 1. Korelasi data curah hujan bulanan maksimum stasiun KKR-01 dengan KKR-02 (Analisis, 2021)

R² = 0,276

70 90 110 130 150

60 80 100 120 140

KKR-02

KKR-01

Tabel 2 menampilan keseluruhan pengujian nilai korelasi data curah hujan bulanan maksimum antar stasiun hujan dalam bentuk matriks dari stasiun hujan KKR-01, KKR-02, PTK-03, PTK-04, PTK- 07, PTK-10 dan PTK-22. Nilai korelasi tertinggi antar data stasiun hujan ada pada nilai korelasi data curah hujan bulanan maksimum KKR-02 dengan PTK-03. Hal ini disebabkan oleh kedudukan stasiun hujan KKR-02 dengan stasiun PTK-03 memiliki jarak stasiun yang cukup berdekatan yaitu 9,27 km sehingga parameter lainnya juga mempengaruhi tingkat korelasi data curah hujan maksimum bulanan seperti nilai elevasi lahan, kemiringan lereng, jenis tanah dan penggunaan lahan di daerah tersebut. Nilai korelasi terendah antar data stasiun hujan ada pada nilai korelasi data curah hujan bulanan maksimum KKR-01 dengan PTK-10. Nilai tersebut melambangkan tidak adanya korelasi sama sekali terkait pola data curah hujan maksimum bulanan dari kedua stasiun tersebut.

Tabel 2.Matriks korelasi antar stasiun hujan aktif di DAS Landak (Analisis, 2021)

Stasiun Hujan (mm)

KKR -01

KKR -02

PTK -03

PTK -04

PTK -07

PTK -10

PTK -22

KKR-01 1 0,28 0,27 0,06 0,00 0,00 0,82

KKR-02 0,28 1 0,94 0,00 0,02 0,00 0,29

PTK-03 0,27 0,94 1 0,00 0,02 0,00 0,28

PTK-04 0,06 0,00 0,00 1 0,02 0,02 0,07

PTK-07 0,00 0,02 0,02 0,02 1 0,13 0,08

PTK-10 0,00 0,00 0,00 0,02 0,13 1 0,08

PTK-22 0,82 0,29 0,28 0,07 0,08 0,08 1

Analisis Kerapatan Stasiun Hujan dengan Metode Kagan

Analisis kerapatan jaringan stasiun hujan eksisting pada DAS Landak menggunakan metode Poligon Thiessen dimana tiap stasiun hujan memiliki luas daerah pengaruh pos hujan untuk mengakomodasi ketidakseragaman jarak. Stasiun hujan yang digunakan berasal dari stasiun hujan eksisting di dalam DAS Landak maupun beberapa stasiun hujan eksisting di luar DAS Landak yang berada dekat dengan DAS Landak. Hal ini dilakukan agar hasil analisa kerapatan eksisting mendapatkan hasil yang maksimal, dikarenakan adanya kekurangan stasiun hujan di area timur dan utara DAS Landak, stasiun hujan eksisting lebih banyak terpusat pada posisi barat dan selatan dari DAS Landak yaitu berkenaan dengan Kabupaten Landak, Kabupaten Mempawah dan Kabupaten Kubu Raya.

Luas daerah pengaruh tersebut kemudian dicek besaran luasannya dengan Standar World

Meteorological Organization (Tabel 1).

Berdasarkan standar tersebut, untuk daerah datar beriklim sedang dan tropis seperti di DAS Landak diperlukan kerapatan jaringan diantara 600-900 km²/stasiun.

Gambar 2. Peta luas poligon thiessen DAS Landak (Analisis, 2021)

Tabel 3.Luas daerah pengaruh stasiun hujan aktif pada DAS Landak (Analisis, 2021)

Nama Stasiun

Luas Daerah Pengaruh

Keterangan (km²/stasiun)

KKR-01 1680,85 Tidak Memadai

KKR-02 251,17 Memadai (Kurang

Efektif)

PTK-03 395,47 Memadai (Kurang

Efektif)

PTK-04 845,54 Memadai

PTK-07 2991,96 Tidak Memadai

PTK-10 2177,31 Tidak Memadai

PTK-22 236,17 Memadai (Kurang

Efektif)

Analisis luas daerah pengaruh stasiun hujan dengan metode Poligon Thiessen pada DAS Landak menghasilkan luas daerah pengaruh yang cukup bervariasi, dengan luas daerah pengaruh terbesar berada pada stasiun PTK-07 di posisi Timur Luat DAS Landak dengan nilai luas 2.991,96 km² sedangkan luas daerah pengaruh terkecil berada pada stasiun PTK-22 dengan nilai luas 236,17 km². Berdasarkan nilai pada Tabel 3 dapat diketahui bahwa dari 7 stasiun aktif di DAS Landak terdapat 5 stasiun hujan yang tidak memenuhi kerapatan jaringan minim yang diberikan oleh Standar World Meteorological Organization yakni sebesar 600-900 km². Kondisi DAS Landak yang seperti ini diperlukan perhitungan lebih lanjut agar kerapatan jaringan stasiun hujan aktif yang mempengaruhi DAS Landak dapat dipenuhi ketentuan kerapatan

jaringan sesuai dengan Standar World Meteorological Organization.

Hasil analisis Kagan menunjukkan nilai kesalahan perataan (Z1) dengan nilai kurang dari 5% yaitu 1,3686% dan kesalahan interpolasi (Z2) dengan nilai lebih dari 2,5% yaitu 3,7399% pada kondisi jumlah stasiun hujan berjumlah 7 buah sesuai dengan kondisi eksisting dimana stasiun hujan yang terkait adalah stasiun hujan KKR-01, KKR-03, PTK-03, PTK-04, PTK-07, PTK-10 dan PTK-22. Jumlah stasiun eksisting dengan jumlah 7 buah menghasilkan jarak antar stasiun pada jaring- jaring Kagan 37,46 km dengan total luas cakupan setiap jaring-jaring adalah berkisar 1.225,50 km²/stasiun. Hal ini tentu masih jauh dan tidak mask dalam Standar World Meteorological Organization yaitu pada daerah datar, beriklim sedang, laut dan tropis masuk dalam standar kerapatan jaringan minimum di nilai 600-900 km²/stasiun.

Perhitungan metode Kagan dilakukan kembali untuk mendapatkan nilai jumlah stasiun yang ideal dengan faktor kesalahan perataan (Z1), kesalahan interpolasi (Z2) dan standar WMO 600-900 km²/stasiun. Hasil analisis Kagan pada jumlah stasiun 36 buah menghasilkan nilai kesalahan perataan (Z1) dengan nilai kurang dari 5% yaitu 0,4012% dan kesalahan interpolasi (Z2) dengan nilai lebih dari 2,5% yaitu 2,4961%. Nilai tersebut telah memenuhi batas kesalahan yang telah ditetapkan dan menghasilkan jarak antar stasiun di angka 16,52 km dengan total luas setiap jaring-jaring Kagan dengan nilai rata-rata 238,29 km²/stasiun yang sudah sesuai lewat di angka aman standar WMO pada kondisi wilayah daerah datar, beriklim sedang, laut dan tropis masuk dalam standar kerapatan jaringan minimum di nilai 600-900 km²/stasiun. Pemetaan dari poligon atau jaring-jaring kagan dari hasil perhitungan untuk jumlah stasiun 36 buah (7 stasiun eksisting dan 29 stasiun baru analisa Kagan) dapat dilihat pada Gambar 3.

Gambar 3. Peta jaringan analisis Kagan (Analisis, 2021)

Evaluasi Kerapatan Stasiun Hujan

Plotting dari stasiun hujan baru hasil analisa Kagan dengan jumlah stasiun sebanyak 29 buah dilakukan dengan cara acak pada masing-masing luasan jaring-jaring Kagan yang telah disebar secara merata. Posisi stasiun eksisting, yaitu KKR-01, KKR-02, PTK-03, PTK-04. PTK-07, PTK-10, PTK- 22, tetap berada pada posisi eksisting dan tidak digeser karena sudah masuk ke dalam masing- masing 1 luasan jaring-jaring Kagan sehingga sudah sesuai dengan standar WMO yang telah diaplikasikan ke dalam analisis Kagan.

Stasiun-stasiun hujan baru dari analisis Kagan diplot pada hampir semua jaring-jaring analisis Kagan dengan kode penamaan yang dimulai dari K- 01, K-02 sampai dengan K-29 seperti terlihat pada Gambar 4. Stasiun-stasiun hujan baru yang sudah terpetakan ke dalam peta jaringan analisis Kagan dianalisis kembali terkait kesesuaian cakupan luasan masing-masing stasiun hujan terhadap standar WMO yang telah ditetapkan. Stasiun hujan tersebut masuk dalam kategori memadai dan kurang efektif dengan range luas cakupan dari 154-370 km²/stasiun.

Gambar 4. Peta poligon thiessen analisis Kagan (Analisis, 2021)

IV. KESIMPULAN

Hasil penelitian evaluasi kerapatan jaringan stasiun hujan di DAS Landak menghasilkan beberapa kesimpulan sebagai berikut:

1. Daerah aliran Sungai Landak memiliki total luas sebesar 8.627,347 km² atau sama dengan 8,8% dari total luasan DAS Kapuas yaitu 98.021,82 km² dengan panjang sungai utama sepanjang 232,85 km. Daerah aliran Sungai Landak memiliki luas daerah yang cenderung datar (kelas lereng 0-8%) dengan luas cakupan 5.898,67 km² pada wilayah range kontur 0-200 m, penggunaan lahan dengan luasan terbesar di

penggunaan lahan untuk pertanian lahan kering bercampur semak di angka 5.054,15 km² dan jenis tanah dasar PMK dengan luasan sebesar 5.253,369 km².

2. Kondisi curah hujan maksimum harian dan curah hujan maksimum bulanan di DAS Landak memiliki data curah hujan yang lengkap pada Stasiun Hujan Untang (PTK-04), Stasiun Hujan Serimbu (PTK-07) dan Stasiun Hujan Sungai Ambawang (PTK-22), sedangkan untuk stasiun hujan KKR-01, KKR- 02 dan PTK-03 tidak memiliki data curah hujan yang lengkap dan perlu dibangkitkan data hujannya menggunakan bantuan dari stasiun curah hujan di luar DAS Landak dengan jumlah 11 stasiun. Data curah hujan maksimum terbanyak dan tertinggi ada pada stasiun PTK- 10 dengan data curah hujan maksimum tertinggi di nilai 184 mm dengan data series 5 tahun dengan curah hujan maksimum di atas 100 mm. Stasiun PTK-03 dan PTK-22 memiliki data series nilai curah hujan maksimum di atas 100 mm sebanyak 6 tahun.

3. Tingkat konsistensi data curah hujan eksisting di dalam DAS Landak memiliki nilai yang cukup konsisten pada masing-masing stasiunnya dengan nilai Qkritis di angka 1,060 (menggunakan Derajat Kepecayaan 90% di n = 12) dan nilai Qtabel bervariasi di angka 0,364 terendah dan 1,031 tertinggi sedangkan untuk tingkat korelasi antar stasiun hujan memiliki sifat/tingkat korelasi yang cukup rendah akibat dari karakteristik wilayah yang berbeda sehingga menyebabkan pola curah hujan di masing-masing stasiun relatif berbeda dengan nilai korelasi terendah ada pada korelasi data curah hujan stasiun KKR-01 dengan PTK-10 dengan nilai korelasi 0,0001 dan korelasi tertinggi ada pada korelasi data curah hujan stasiun KKR-02 dan PTK-03 dengan nilai 0,9428.

4. Analisis kerapatan jaringan stasiun hujan menggunakan metode Kagan dengan batas kesalahan perataan 5% dan kesalahan interpolasi 2,5% menghasilkan total 36 stasiun hujan dengan nilai rata-rata cakupan per masing-masing jaring Kagan 238,29 km²/stasiun dan jarak antar stasiun 16,52 km.

5. Kerapatan jaringan stasiun hujan eksisting tidak memenuhi standar WMO sesuai pada kriteria wilayahnya, tidak memenuhi kesalahan perataan 5% dan tidak memenuhi kesalahan interpolasi 2,5%. Analisis Kagan

36 buah yang terdiri dari 7 stasiun eksisting dan 29 stasiun baru yang diplot secara acak di dalam masing-masing jaring Kagan dengan kondisi cakupan area yang memadai tetapi tidak efektif karena berada di nilai cakupan luas 238,29 km²/stasiun di bawah standar WMO yang sudah ditetapkan.

Evaluasi kerapatan jaringan stasiun hujan di DAS Landak pada kajian ini dapat dikembangkan menjadi penelitian yang lebih baik dengan adanya:

1. Penggunaan metode pembangkitan data hujan yang lebih baik dan akurat sesuai dengan kondisi wilayah masing-masing.

2. Penetapan batas kesalahan perataan dan kesalahan interpolasi yang lebih kecil sehingga dapat menghasilkan kerapatan jaringan Kagan yang lebih baik agar meningkatkan kualitas data stasiun hujan.

3. Penetapan titik lokasi stasiun hujan baru dengan melihat kondisi eksisting di lapangan terkait kemudahan dalam mengakses data hujan maupun dalam mengkonstruksi bangunan stasiun hujan.

4. Penggunaan data wilayah prioritas untuk penanggulangan banjir untuk dioverlaykan dengan evaluasi kerapatan jaringan stasiun hujan sehingga mendapatkan peta jaringan stasiun hujan baru yang lebih efektif.

REFERENSI

Junaidi, A. 2015. Kajian Rasionalisasi Jaringan Stasiun Hujan pada WS Parigi-Poso Sulawesi Tengah Dengan Metode Kagan Rodda dan Kriging. Malang: Universitas Brawijaya.

Krisnayanti, D.S. 2011. Penggunaan Metode Kagan untuk Analisis Kerapatan Jaringan Stasiun Hujan pada Wilayah Sungai (WS) Wae- Jamal di Pulau Flores. Flores: Universitas Nusa Cendana.

Krisnayanti, D.S. 2011. Evaluasi Kerapatan Jaringan Stasiun Hujan Terhadap Ketelitian Perkiraan Hujan Rancangan Pada SWS Noelmina di Pulau Timor. Flores:

Universitas Nusa Cendana.

Lestari, U. D., Andajani, S., dan Hidayat, D.P.A.

2018. Studi Kerapatan Jaringan Stasiun Hujan di DAS Cisadane Menggunakan Metode Kagan Rodda. Jakarta: Universitas Trisakti.

Oktavianingsih, I. 2018. Estimasi Curah Hujan di Kota Pontianak Menggunakan Metode Propagasi Balik Berdasarkan Parameter Cuaca dan Suhu Permukaan Laut.

Pontianak: Universitas Tanjungpura.

Purba, A.P. 2012. Rasionalisasi Jaringan Stasiun Hujan Pada Daerah Aliran Sungai Kali Progo. Yogyakarta: Universitas Muhammadiyah Yogyakarta.

Taufik, R. 2016. Evaluasi Kerapatan Jaringan Stasiun Hujan di DAS Kali Pepe. Surakarta:

Universitas Muhamamdiyah Surakarta.

Yasa, I.W. 2001. Beberapa Metode Pola Jaringan Stasiun Hujan dan Implikasinya pada Ketelitian Analisis. Yogyakarta:

Universitas Gadjahmada.