Scribd Logo
Upload

Welcome to Scribd!

  • None 42af4e18

    Uploaded by

    Geenza Devis
    8 views13 pages

    Original Title

    90481-none-42af4e18

    Copyright

    © © All Rights Reserved

    Available Formats

    PDF or read online from Scribd

    Did you find this document useful?

    Is this content inappropriate?

    Report this Document

    Copyright:

    © All Rights Reserved
    Download as PDF or read online from Scribd
    Flag for inappropriate content
    8 views13 pages

    None 42af4e18

    Uploaded by

    Geenza Devis

    Copyright:

    © All Rights Reserved
    Download as PDF or read online from Scribd
    Flag for inappropriate content
    of 13
    ANALISIS STOKHASTIK UNTUK CURAH HUJAN BULANAN DAN 10 HARIAN PADA STASIUN HUJAN DI DAERAH IRIGAS! CIKEUSIK, CIREBON, JAWA BARAT *)Bambang J. |. Pendahuluan Data yang digunakan pada perenca- naan, perancangan dan studi penelitian sumber daya ait pada umumnya memilki keterbatasan pencatatan. Hal ini merupakan suatu kekurangan_ serius, sebab suatu rangkaian data penelitian yang didapat tidaklah identik dengan ke- Jadian di masa mendatang, sehingga sifat data tersebut kurang memberikan infor- masi untuk suatu perancangan yang telti (Kottegoda, 1980) Untuk mengatasi hal tersebut maka digunakan model stokhastik untuk menu- runkan data, yang menirukan sifat statistik data tercatat. Melalui fungsi matematis dapat dibuat rangkaian waktu yang berbeda dari rangkaian waktu hasil pen- catatan, telapi dengan tetap memper- tahankan sebagian dari sifat-sifat statistiknya Tiap-tiap runtun waktu dikonstruksi sedemikian rupa sehingga kejadian- kejadiannya mempunyai peluang yang sama seperti runtun hasil pencatatan. Tujuan dari penelitian ini adalah un- tuk mensimulasikan rangkaian data hujan ")Mahasiswa FTP-UGM Jurusan Mekanisasi Per- tanian “")stat Pengajar FTP-UGM Jurusan Mekanisasi Pertanian 18 Oleh » **) Putu Sudira, **) Bambang Hari P. bulanan dan 10 harian pada stasiun hujan di D.|. Cikeusik untuk digunakan sebagai input dalam pengelolaan air irigasi 41, Tinjauan Pustaka Ada beberapa hal penting yang harus diperhatikan dalam perkiraan dan pemakaian model stokhastik, yaitu 1. Jika data hasil pencatatan tidak cukup menggambarkan suatu proses, maka praktis tidak dapat dipakai sebagai analisis. 2. Dari analisis pendahuluan, apabila ada maka dimungkinkan untuk mengenali dan meralat kesalahan- kesalahan pada pengukuran dan pen- catatan. 3. Suatu model, di suatu pihak dapat diatur bentuknya di lain pihak harus dapat menjaga hubungan antara sifat- sifat statistik dan hidrologi dari suatu proses, sehingga rangkaian data dari berbagai peristiwa yang mungkin ter- jadi dapat dibangkitkan seperti keja- dian sebenarnya (Kottegoda, 1980), 2.1, Mode! Swaregresi (autoregressive) Model swaregresi disebut juga rantai Markov, menurut nama ali matematika Rusia A.A. Markov (1856 — 1922). Agritech Vol. 11. No. 1 \S! hujan 2agai yang dan ukup naka vagai abila ntuk han- pen- apat arus sifat uatu dari ter eja- ntai tika 22). Pemakaian model ini sangat menarik dalam hidrologi karena 1) Bentuk swaregresi mempunyai type intuitif dari ketergantungan_ waktu (narga variabel pada waktu sekarang tergantung pada harga waktu yang lal), 2) Merupakan model paling sederhana untuk digunakan. Di kalangan analisis stokhastik banyak dipakai anggapan bahwa data hidrologi dapat dipisahkan menjadi komponen yang menunjukkan kecen- derungan (trend), komponen periodik gan komponen acak. Komponen kecenderungan dan komponen periodik disebut Komponen deterministik dan kom- ponen acak sering disebut komponen stokhastik. Model ini digunakan pada komponen stokhastiknya, ini berarti yang Gianalisis hanya komponen acaknya saja yang sudah terikat pada suatu nilai deter ministik yang sudah pasti 2.1.1. Formulasi Matematik Model Swa- regresi Harkat p, ARD Model swaregresi harkat p. AR(p) un- tuk suatu variabel Y, dapat ditulis sebagai berikut Y= w +BY, —H) + BY 2-H) to t BY p mH) + Et 4 w+ = Bi let —u) + ot (2.1) di mana Y, _ adalah deret stasioner yang tergan- tung waktu yang terdistribusi nor- mal B. i = 1, 2,3, ... p adalah parameter swaregresi Agritech Vol. 11. No. 1 adalah komponen acak atau deret yang tidak tergantung waktu yang bebas dari Y,, dan juga terdistribusi normal dengan rate-rata nol dan variansi 0, N(o, 0%). 2.1.2. Sifat-sitat Model Swaregresi Sifat-sifat utama model swaregresi adalah harga ekspeltasi, variansi dan autokorelasi dari model pada persamaan (2.1), adalah : EY.) = wp, EC) = 0 var(Y,) = E(Y.2) = 0° vari &) = E( 4?) = Ek = E(Y,, Y,_ le dan E(é. Y.x) = 0, untuk k = 1, 2,3, ....... Parameter 0” dan y diestimasi dari data. 2.2. Model Thomas-Flering Model Thomas-Fiering biasanya dipakai untuk membangkitkan debit sungai perennial, yaitu sungai yang selalu mengalir sepanjang tahun atau dengan kata lain sungai yang tidak pernah nol debitnya. Untuk data hujan yang dengan sendirinya mempunyai nilai data no! pada bulan-bulan kering, sebaiknya digunakan cara khusus agar data turunan mem- punyai frekuensi nilai nol yang mendekati frekuensi nilai nol data observasinya. 2.2.1. Formulasi Matematik Mode! Tho- mas-Fiering Thomas-Fiering memberikan persa- maan sebagai berikut Q, = 9, + b(Q_, G_)+ ts, Vian... (2.2) dengan Q> = data hidrologi (hujan, debit, atau lainnya) urutan dalam rangkaian data 19 j= interval waktu dalam 1 tahun (12 bulan) by = koefisien regresi antara waktu ke; dan j—1 S = Simpangan baku 1 = koefisien korelasi antara waktu ke- j dan j—1 $= bilangan acak, biasanya merupa- kan variabel bebas bersebaran normal, dengan rerata 0 dan va- riansi 1, N(O,12) 2.2.2. Sifat-sifat Model Thomas-Fiering 1. Variasi musiman ditunjukkan oleh penggunaan hubungan regres an- tara waktu ke j dan j—1 2. Model ini menganggap adanya keteguhan antara waktu ke j dan j—1 Karena distribusi normal tidak memberikan probabilitas nol kepada nilai-nilai negatip, maka model tersebut akan memberikan data hidrologi negatip. Data hidrologi yang negatip ini hanya digunakan. untuk menggenerasi data hidrologi selanjut- nya, kemudian dibuang. Dengan kata lain data hidrologi yang negatip tersebut tidak boleh dicantumkan sebagai hasil simulasi, tapi diganti dengan nilai nol (Soemarto, 1987). Langkah pertama dalam membuat data turunan adalah memilin distribusi- nya. Dalam memilih suatu distribusi, tidak ada suatu dasar prioritas karena catatan data observasi yang relatif pendek yang biasa dijumpai tidak mampu menetapkan sifat-sifat (parameter) dari distribusinya Maka biasanya distribusi yang dipilih ada- lah yang cocok dengan data observasi yang berada dalam batas-batas kriteria yang masin diperkenankan. Pemilihan ini dipengaruhi oleh kenyataan bahwa distr- busi-distribusi tertentu cocok untuk teknik- @ 20 teknik pembangkitan sementara distribusi lainnya sangat sult diterima. Banyak peneliti mendapatkan bahwa Pembangkitan data hidrologi dengan menggunakan distribusi__ normal merupakan metode yang paling efektip. Beberapa teknik untuk merubah deret data supaya mendekati normal telah banyak dipakai. Pengubahan ini dikenal sebagai pemutihan (orewhitening) Model ini mengijinkan adanya ketak-stasioneran dalam data hidrologi yang tercatat. Untuk menurunkan data hidrologi bulanan maka data dari setiap bulan diregresikan terhadap bulan sebe- lumnya, sehingga didapat 12 persamaan regres linear. ML, Landasan Teoritis 3.1. Estimasi Parameter-parameter Mode! Swaregresi 3.1.1. Estimasi parameter B, Jika persamaan (2.1) dikalikan dengan Y,_, dan diekspektasikan, maka Es. Y_4) = BEM 4. %,4) + BEC 2. Yea) Fo HAREM Yea) + BLY 4) P= BPo+ BP +. + BO, Selanjutnya, jika persamaan (2.1) ber- turutturut dikalikan dengan Y,., Y,_s, .. Y,_. dan diekspektasikan, maka ‘diper- oleh bentuk matrik sebagai berikut Pi] [1P. Ps Poi] P2| [A. 10, Po2|| Bs 7 @1) e,| Pr-1Pp~2 0-3: 1]] Pr Agritech Vol. 11. No. 1 wa lan ral tip. ret ah ral ya gi ita ap an Apabila "r'’ adalah estimasi dari. , dan untuk model AR1, persamaan (2.1) men- jadi ART =Y =u + Bilh_y—w) +o... 2) dan persamaan (3.1) menjadi Bie 63) Untuk model AR2, persamaan (2.1) men- jadi AR2 = Y, =n + Bil’, BY,» —K) + & (3.4) dan persamaan (3.1) menjadi ry = By + Ban dans = Bits + Ba sehingga Br = (2p —1?)(1 — 12) dan By = n(1 — Ay — 12) (5) dimana 11 = koefisien korelasi geser (/ag)—1 tz = koefisien korelasi geser (/ag)—2 (. dan 2 diestimasi dari data). 3.1.2, Estimasi parameter 02, Estimasi parameter 02, didapat dengan mengalikan persamaan (2.1) dengan Y, dan kemudian diekspektasi- kan EVs. ¥z) = BrE(M_,. Ye) + BrEM_2-Y.) to + BeEM_,. Ys) + OY te 02 = Bi Pror+PrPre+..+ B, Pp 07 + 0% atau D 0%, = o(1— = Bip)... 86) Untuk AR1, didapat Agritech Vol. 11. No. 1 0% = ot — 2)... BZ) Untuk AR2, didapat of, = &1 Bit: —Bata).. 68) 3.2, Uji Stasioneritas Data Agar supaya model AR(p) dengan parameter Konstan adalah stasioner, parameter B,, B2, .... Bp harus memenuhi kondisi_stasione! Kondisi_ tersebut dipenuhi apabila akar-akar dari persa- maan karakteristik br —p,be?—...—B, = 0 (3.9) terletak di dalam lingkaran satuan yang diberikan b? = 1 dadi |b,|<1, i= 1)..P Untuk AR1, persamaan (3.9) menjadi b—B, = 0, sehingga B, <1 adalah kon- disi stasioner untuk model AR1 atau —1

    You might also like