analisis topografi dan curah hujan wilayah

7/21/2019 Analisis Topografi dan Curah Hujan Wilayah

1/46

ANALISIS TOPOGRAFI DAN CURAH HUJAN WILAYAH

KELOMPOK 4

Niken Andika Putri E14120045

Iman Tochid E14120054

Andi Yuniar A E14120080

Dinda Piyan L E14120090

M. Isa A E14120104

Dosen :

Dr. Ir. Hendrayanto, M.Agr

Asisten :

Endrawati, S.Hut

Bayu Pradana, S.Hut

M. Yanuar P E14100043

Mawardah Nur H E14100039

LABORATORIUM HIDROLOGI HUTAN DAN PENGELOLAAN DAS

DEPARTEMEN MANAJEMEN HUTAN

FAKULTAS KEHUTANAN

INSTITUT PERTANIAN BOGOR

2015


2/46

BAB I

PENDAHULUAN

1.1Latar Belakang

Topografi adalah studi tentang bentuk permukaan bumi dan objek lain

seperti planet, satelit alami (bulan dan sebagainya), dan asteroid. Dalam

pengertian yang lebih luas, topografi tidak hanya mengenai bentuk permukaan

saja, tetapi juga vegetasi dan pengaruh manusia terhadap lingkungan, dan

bahkan kebudayaan lokal(Ilmu Pengetahuan Sosial). Kata topografi berasal

dari bahasa Yunani yaitu topos yang berarti tempat, dan graphia yang berarti

tulisan. Objek dari topografi adalah mengenai posisi suatu bagian dan secara

umum menunjuk pada koordinat secara horizontal seperti garis lintang dan

garis bujur, dan secara vertikal yaitu ketinggian.

Topografi umumnya

menyuguhkan relief permukaan, model tiga dimensi, dan identifikasi jenis

lahan. Penggunaan kata topografi dimulai sejak zaman Yunani kuno dan

berlanjut hingga Romawi kuno, sebagai detail dari suatu tempat.

Hujan adalah titik-titik air di udara atau awan yang sudah terlalu berat

karena kandungan airnya sudah sangat banyak, sehingga akan jatuh kembali

ke permukaan bumi sebagai hujan (presipitasi). Alat untuk mengukur curah

hujan adalah fluviometer. Garis khayal di peta yang menghubungkan tempat-

tempat yang mendapatkan curah hujan yang sama disebut isohyet. Curah

hujan adalah jumlah air yang jatuh di permukaan tanah datar selama periode

tertentu yang diukur dengan satuan tinggi (mm) di atas permukaan horizontal

bila tidak terjadi evaporasi, runoff dan infiltrasi. Curah hujan di suatu tempat

antara lain dipengaruhi oleh keadaan iklim, keadaan orografi dan perputaran

pertemuan arus udara. Faktor iklim sangat menentukan pertumbuhan dan

produksi tanaman. Apabila tanaman ditanam di luar daerah iklimnya, maka

produktivitasnya sering kali tidak sesuai dengan yang diharapkan.

1.2Tujuan

1. Untuk mengetahui curah hujan rata-rata wilayah Sub-DAS ALO


3/46


4/46

BAB II

TINJAUAN PUSTAKA

Daerah Aliran Sungai/DAS dapat didefinisikan sebagai suatu daerah yang

dibatasi oleh topografi alami (Suripin 2001). Topografi tersebut termasuk sisi

punggung bukit. Hal tersebut mempengaruhi kemiringan lereng yang ada di

sekeliling DAS tersebut. Lereng adalah kenampakan permukaan alam disebabkan

adanya beda tinggi apabila beda tinggi dua tempat tersebut dibandingkan dengan

jarak lurus mendatar sehingga akan diperoleh besarnya kelerengan (slope) (Aditya

2011). Bentuk lereng juga mempengaruhi dalam penentuan wilayah suatu DAS.

Bentuk Lereng tergantung pada proses erosi juga gerakan tanah dan pelapukan.

Morfomertri DAS merupakan ukuran kuantitatif karakteristik DAS yang

terkait dengan aspek geomorfologi suatu daerah. (Seyhan 1977). Morfometri DAS

sangat ditentukan oleh kondisi fisioigrafi (topografi dan batuan) dan iklim, terutama

curah hujan. Curah hujan adalah jumlah air yang jatuh di permukaan tanah datar

selama periode tertentu yang diukur dengan satuan tinggi milimeter (mm) diatas

permukaan horizontal.Curah hujan juga dapat diartikan sebagai ketinggian air hujan

yang terkumpul dalam tempat yang datar, tidak menguap, tidak meresap dan tidak

mengalir (Anonim 2013).

Dua unsur topografi yang berpengaruh adalah panjang lereng dan kemiringan

lereng, unsur lain yang mungkin berpengaruh adalah konfigurasi, keragaman, dan

arah lereng. Kondisi topografi yang berat atau curam dan sistem jaringan sungai yang

lebih padat pada umumnya akan mempercepat konsentrasi pada titik di wilayah DAS

dibandingkan dengan kondisi topografi yang relatif datar (Sudarmadji 1997). Sistem

klasifikasi kelas kelerengan lapangan menurut S.K Menteri Pertanian No.837 Tahun

1980 dalam Sudarmadji (1997) adalah sebagai berikut:


5/46

Tabel 1. Klasifikasi Kelas Kelerengan Lapangan

No Kelas Persen (%) Penilaian

1 1 0-8 Datar

2 2 8-15 Landai

3 3 15-25 Agak curam

4 4 25-45 Curam

5 5 >45 Sangat Curam

Sumber: Sudarmadji (1997)

Intensitas hujan akan mempengaruhi laju dan volume air larian. Semakin

besar ukuran DAS, semakin besar air larian dan volume air larian. Tetapi, baik laju

maupun volume air larian per satuan wilayah dalam DAS tersebut turun apabila luasdaerah tangkapan air (catchement area) bertambah besar. Sistem klasifikasi intensitas

hujan menurut S.K Menteri Pertanian No.837 Tahun 1980 dalam Sudarmadji (1997)

adalah sebagai berikut:

Tabel 2. Klasifikasi Intensitas Hujan

No Kelas Intensitas (mm/jam) Keterangan

1 1 0-13,6 Sangat rendah

2 2 13,6-20,7 Rendah

3 3 20,7-27,7 Sedang

4 4 27,7-34,8 Tinggi

5 5 >34,8 Sangat Tinggi

Sumber: Sudarmadji (1997)

Beberapa pengaruh morfometri DAS, dalam hal ini terdiri atas luas,

kemiringan lereng, bentuk DAS, dan kerapatan drainase DAS terhadap besaran dan

timing dari hidrograf aliran yang dihasilkan (Asdak 2004). Analisa curah hujan rata-

rata daerah dihitung dengan cara polygon Thiessen. Cara ini lazim digunakan dalam

perhitungan curah hujan rata-rata daerah, namun dalam hal tertentu harus disesuaikan

dengan kondisi topografi dan ketersediaan data yang ada (Buchari 2008). Cara ini

memberikan bobot tertentu untuk setiap stasiun hujan dengan pengertian bahwa

setiap stasiun hujan dianggap mewakili hujan dalam suatu daerah dengan luas tertentu


6/46

dan luas tersebut merupakan faktor koreksi bagi hujan di stasiun yang bersangkutan.

Cara di atas dipandang cukup baik karena memberikan koreksi terhadap kedalaman

hujan sebagai fungsi luas daerah yang (dianggap) diwakili. Akan tetapi cara ini

dipandang belum memuaskan karena pengaruh topografi tidak tampak. Demikian

pula apabila salah satu stasiun tidak berfungsi, misalnya rusak atau data tidak benar,

masa poligon harus diubah (Buchari 2010).

Dengan menggunakan software ArcGis kita mampu membuat interpolasi dan

poligon Thiessen secara otomatis data-data sebaran titik yang mempunyai nilai dan

koordinat proyeksi sesuai dengan lokasi tersebut, jika data titik (point) masih dalam

bentuk attribut maka perlu dikonversikan dalam format shp terlebih dulu. Interpolasi

adalah metode untuk mendapatkan data berdasarkan beberapa data yang telah

diketahui. Dalam pemetaan, interpolasi adalah proses estimasi nilai pada wilayah

yang tidak disampel atau diukur, sehingga ter-buatlah peta atau sebaran nilai pada

selu-ruh wilayah (Gamma Design Software, 2005). Ada beberapa metode yang bisa

digunakan untuk melakukan interpolasi seperti Natural Neighbor, Spline, Inverse

Distance Weighted (IDW) dan Kriging (Pramono 2008). Setiap metode ini akan

memberikan hasil interpolasi yang berbeda.

Metode IDW dapat dikelompokkan dalam estimasi deterministic dimana

interpolasi dilakukan berdasarkan perhitungan matematik. Metode Inverse Distance

Weighted (IDW) merupakan metode deterministik yang sederhana dengan

mempertimbangkan titik disekitarnya (NCGIA 1997). Asumsi dari metode ini adalah

nilai interpolasi akan lebih mirip pada data sampel yang dekat daripada yang lebih

jauh. Bobot (weight) akan berubah secara linear sesuai dengan jaraknya dengan data

sampel. Bobot ini tidak akan dipengaruhi oleh letak dari data sampel. Metode ini

biasanya digunakan dalam industri pertambangan karena mudah untuk digunakan.

Metode Kriging dapat digolongkan kedalam estimasi stochastic dimana

perhitungan secara statistik dilakukan untuk menghasilkan interpolasi. Metode

Kriging adalah estimasi stochastic yang mirip dengan Inverse Distance Weighted

(IDW) dimana menggunakan kombinasi linear dari weight untuk memperkirakan

nilai diantara sampel data (Ctech Development Corporation 2004). Metode ini


7/46

diketemukan oleh D.L. Krige untuk memperkirakan nilai dari bahan tambang.

Asumsi dari metode ini adalah jarak dan orientasi antara sampel data menunjukkan

korelasi spasial yang penting dalam hasil interpolasi (ESRI 1996). Metode Kriging

sangat banyak menggunakan sistem komputer dalam perhitungan. Kecepatan

perhitungan tergantung dari banyaknya sampel data yang digunakan dan cakupan dari

wilayah yang diperhitungkan. Tidak seperti metode IDW, Kriging memberikan

ukuran error dan confidence. Metode ini menggunakan semivariogram yang

merepresentasikan perbedaan spasial dan nilai diantara semua pasangan sampel data.

Semivariogram juga menunjukkan bobot (weight) yang digunakan dalam interpolasi.

Metode Spline adalah metode interpolasi yang biasa digunakan untuk

mendapatkan nilai melalui kurva minimum antara nilai-nilai input. Metoda ini baik

digunakan dalam membuat permukaan seperti ketinggian permukaan bumi,

ketinggian muka air tanah, ataupun konsentrasi polusi udara. Metoda Spline kurang

bagus untuk siatuasi dimana terdapat perbedaan nilai yang signifikan pada jarak yang

sangat dekat. Jika dipilih metoda Spline maka ada pilihan tipe Regularized dan

Tension. Regularized membuat permukaan halus sedangkan Tension mempertegas

bentuk permukaan sesuai dengan fenomena model. (Pramono 2008).

Metoda Nearest Neighbor Interpolation adalah metode paling sederhana dan

pada dasarnya membuat piksel lebih besar. Sebagian besar perangkat lunak untuk

melihat dan mengedit gambar menggunakan interpolasi jenis ini untuk memperbesar

gambar digital untuk keperluan pemeriksaan lebih dekat karena tidak mengubah

informasi warna dari gambar dan tidak memperlihatkan anti-aliasing dan tidak cocok

untuk memperbesar gambar foto karena meningkatkan visibilitas jaggies (Pramono

2008). Metode natural neighbor memberikan hasil interpolasi yang lebih realistis

dengan pola sebaran . Data hasil interpolasi dapat berupa raster dengan format grid

dengan resolusi (Kumbara 2011).


8/46

BAB III

METODOLOGI

3.1 Waktu dan Tempat

Praktikum Pengelolaan Ekositem Hutan dan Daerah Aliran Sungai dengan

judul materi Analisi Topografi dan Curah Hujan Wilayah ini dilaksanakan pada hari

Kamis tanggal 12 Maret 2015 mulai pukul 09.00-12.00 WIB yang bertempat di RK X

3.01, Fakultas Kehutanan, IPB.

3.2Alat dan Bahan

Adapun alat yang digunakan pada praktikum ini adalah laptop, Software

ARCGIS 10.1, Microsoft word dan excel. Sedangkan bahan yang digunakan pada

praktikum ini adalah alat tulis dan data DAS Limboto.3.3Langkah Kerja

Adapun cara kerja dari praktikum ini adalah :

1. Buka software arcMap 10.1

2. Klik ikon lalu Add data Stasiun_CH, Sub_DAS_Alo, dan fill_ALO

3. Klik kanan pada Layer Stasiun_CH klik Properties pilih Source untuk

melihat sistem koordinat yang digunakan.


9/46

4. Apabila sistem koordinantnya sudah UTM maka selanjutnya pada ArcToolbox

pilih Analysis ToolsProximityCreate Thiessen Polygons

5. Lalu isikan kolom Input dan Output pada Tabel Create Thiessen Polygons

6. Klik EnvironmentsProcessing Extent

7. Pada kolom Extent pilih same as Layer Sub_DAS_Aloklik Okklik OK


10/46

8. Lalu akan muncull

9. Kemudian pada ArcToolbox pilih Analysis ToolsExtractClip

10.

Lalu isikan Input dan Output pada Tabel Clipklik OK


11/46

11.Sehingga akan muncul

12.Lalu klik kanan pada Layer Thiessen_Clippilih Open Attributes Table


12/46

13.Klik Add Fieldlalu isi tabel Add Fieldklik OK

14.Maka akan muncul kolom luas

15.Klik kanan pada kolom luaspilih Calculate Geometry


13/46

16.Klik OKYesOK

17.

Sehingga akan muncul nilai luas

18.Kemudian buka Ms ExcelOpen thiessen_clip.dbf


14/46

19.Sehingga akan muncul seperti ini :

20.

Lalu buat tabel baruhitung curah hujan wilayah tahun 20092012


15/46

21.Kemudian pada ArcToolbox pilih Spatial Analyst ToolsInterpolationIDW

22.Isi tabel IDW

23.Klik Environmentspilih Processing Extent


16/46

24.Pada kolom Extent pilih same as Layer Sub_DAS_Aloklik Okklik OK

25.

Pada ArcTooolbox pilih Spatial Analyst ToolsExtractionExtract by Mask.Isi tabel Extract by Maskklik OK

26.Maka akan diperoleh :


17/46

27.Klik kanan pada layer IDW_aloclippilih PropertiesSymbology

28.Pilih Color Range sesuai yang diinginkan, maka akan mucul :

29.Kemudian lakukan langkah seperti pada nomor 21 sampai 30 untuk interpolation

menggunakan Kriging, Natural Neighbor dan Spline

30.Lalu klik kanan pada Layer fill_alopilih PropertiesSource untuk melihat

format yang diguanakan


18/46

31.Karena format tersebut GRID maka langkah selanjutnya pada ArcToolbox pilih

Data Mangement ToolProjections and TransformationsRasterProjectRaster

32.Isikan Input dan Output pada tabel Project Raster. Pada Output pilih Projected

Coordinate Systems - UTM - WGS 1984 - Northern HemisphereWGS 1984

UTM Zone 51Nklik OK


19/46

33.Pada ArcToolbox pilih 3D Analyst ToolsRaster SurfaceSlope

34.

Lalu isi tabel Slope

35.

Pada ArcToolbox pilih 3D Analyst ToolsRaster ReclassReclassify. Lalu isitabel Reclassifyklik Classifyklik OK


20/46

36.Klik kanan pada layer slope_polipilih Open Attribute Table

37.Lalu klik ikon pilih Add Fieldisi tabel Add Fieldklik OK

38.Klik kanan pada kolom Luaspilih Calculate Geometry. Klik OkYesOk


21/46

39.

Maka akan muncul nilai Luas


22/46


41.Klik ikon pilih Select by Attributesisi tabel Select by Attributes

42.Klik kanan pada kolom Kelaspilih Field Calculator


23/46


24/46

45.Buka Ms ExcelOpen slope_poli.dbf

46.Klik ikon isi tabel Create PivotTableklik OK

47.Beri tanda checklist untuk kelas dan luas


25/46

48.Pada ArcToolbox pilih 3D Analyst ToolsRaster SurfaceSlope


26/46

49.Lalu isi tabel Slope

50.Pada ArcToolbox pilih 3D Analyst ToolsRaster ReclassReclassify

51.Lalu isi tabel Reclassifyklik Classifyklik OK


27/46

52.Klik kanan pada layer tinggi_polipilih Open Attribute Table lalu akan muncul



28/46

54.Klik kanan pada kolom Luaspilih Calculate Geometry

55.Klik OKYesOK


29/46

56.Maka akan muncul nilai Luasnya


58.Klik ikon pilih Select by Attributesisi tabel Select by Attributes


30/46

59.Klik kanan pada kolom Kelaspilih Field Calculator

60.Klik Yesisi tabel Field Calculator sesuai kelas yang di inginkanklik OK

61.Lalu ulangi langkah seperti pada nomor 64 sampai 66 untuk kelas tinggi ke 2

sampai ke 5. Sehingga akan diperoleh nilai kelas :


31/46

62. Buka Ms ExcelOpen tinggi_poli.dbf

63.Klik ikon isi tabel Create PivotTableklik OK


32/46

64.Beri tanda checklist untuk kelas dan luas

65.Maka akan muncul :


33/46

BAB III

HASIL DAN PEMBAHASAN

3.1

Hasil

Gambar 1 Stasiun Curah Hujan Sub DAS Alo

Gambar 2 Poligon Thiessen Sub DAS Alo


34/46

Gambar 3 Kelerengan Sub DAS Alo

Gambar 4 Slope Poligon Sub DAS Alo

Gambar 5 Kelas Kelerengan Sub DAS Alo


35/46

Gambar 6 Slope Sub DAS Alo

Gambar 7 Slope Fill Sub DAS Alo

Gambar 8 Fill Sub DAS Alo (UTM)


36/46

Gambar 9 Fill Sub DAS Alo (raster)

Gambar 10 MetodeInverse Distance Weighted (IDW)

Gambar 11 Metode Kriging


37/46

Gambar 12 Metode Natural Neighbor

Gambar 13 Metode Spline


38/46

Tabel 1 Kelerengan dan Ketinggian Sub DAS Alo

KelasLereng

Selang Luas (Km2)

1 0-8% 28785415,882 8-15% 20727052,78

3 15-25% 24292787,49

4 25-40% 23241185,65

5 >40% 13427128,62

Total 110473570,4

Tabel 2 Data Poligon Thiessen

Id Input_FID No X Y E Keterangan (Stasiun)

0 0 1 483586 70657 31 SCH Bandara Djalaludin

0 1 2 484186 72234 34 SCH Alo0 2 3 484919 86586 19 SCH Molingkaputo

0 3 4 482405 80885 92 CA. Tangale

Tabel 3 Perhitungan Curah Hujan Tahun 2009

Stasiun LuasA/A

totalCH_09 A X D

CH

2009

SCH BandaraDjalaludin

19,34 0,17 1244,00 24058,96

SCH Alo 11,81 0,11 389,00 4594,09

SCH Molingkaputo 36,42 0,33 1436,00 52299,12CA. Tangale 43,87 0,39 1278,00 56065,86

Jumlah 111 137018,03 1229,52


Stasiun LuasA/A

totalCH_10 A X D CH 2010

SCH Bandara

Djalaludin19,34 0,17 2311,00 44694,74

SCH Alo 11,81 0,11 2279,00 26914,99

SCH Molingkaputo 36,42 0,33 2977,00 108422,34CA. Tangale 43,87 0,39 1968,00 86336,16

Jumlah 111 266368,23 2390,24

Kelas

KetinggianSelang Luas (m

2)

1 0-150 mdpl 43033575,332 150-250 mdpl 33496174,04

3 250-350 mdpl 23238703,4

4 350-450 mdpl 5642366,94

5 >450 mdpl 816470,73

Total 106227290,4


39/46


Stasiun LuasA/A

totalCH_11 A X D

CH

2011

SCH Bandara

Djalaludin

19,34 0,17 1644,00 31794,96

SCH Alo 11,81 0,11 1338,00 15801,78

SCH Molingkaputo 36,42 0,33 2540,00 92506,80

CA. Tangale 43,87 0,39 1581,00 69358,47

Jumlah 111 209462,01 1879,59


Stasiun LuasA/A

totalCH_12 A X D

CH

2012

SCH Bandara

Djalaludin19,34 0,17 1734,00 33535,56

SCH Alo 11,81 0,11 1570,00 18541,70

SCH Molingkaputo 36,42 0,33 2222,00 80925,24

CA. Tangale 43,87 0,39 1735,00 76114,45

Jumlah 111 209116,95 1876,50

Tabel 7 Perhitungan Curah Hujan Rata-rata Tahun 2009-2012

Stasiun LuasA/A

total

RATA-

RATAA X D

RATA-

RATA

SCH Bandara

Djalaludin19,34 0,17 1733,00 33516,22

SCH Alo 11,81 0,11 1394,00 16463,14

SCHMolingkaputo

36,42 0,33 2294,00 83547,48

CA. Tangale 43,87 0,39 1640,00 71946,80

Jumlah 111 205473,64 0,77

3.2Pembahasan

Curah hujan adalah jumlah air yang jatuh di permukaan tanah datar selama

periode tertentu yang diukur dengan satuan tinggi milimeter (mm) diatas permukaan

horizontal.Curah hujan juga dapat diartikan sebagai ketinggian air hujan yang

terkumpul dalam tempat yang datar, tidak menguap, tidak meresap dan tidak mengalir

Interpolasi adalah metode untuk mendapatkan data berdasarkan beberapa data

yang telah diketahui. Dalam pemetaan, interpolasi adalah proses estimasi nilai pada


40/46

wilayah yang tidak disampel atau diukur, sehingga terbentuk peta atau sebaran nilai

pada seluruh wilayah. Ada beberapa metode yang bisa digunakan untuk melakukan

interpolasi sepertinatural neighbor, Spline, Inverse Distance Weighted (IDW)

dan Kriging (Pramono 2008). Dalam pemetaan, interpolasi adalah proses estimasi

nilai pada wilayah yang tidak disampel atau diukur, sehingga ter-buatlah peta atau

sebaran nilai pada selu-ruh wilayah (Gamma Design Software, 2005).

Pengamatan dan pendataan curah hujan dapat dilakukan dengana berbagai

macam metode yang ada. Pengukuran dengan metode tersebut di lakukan berdasarkan

data yang telah terekan pada masing masing stasiun curah hujan di daerah DAS

tertentu. Pengolahan data dengan metode tersebut saat ini dapat dilakukan dengan

menggunakan software yang kemudian data akan di olah oleh komputer. Masing-

masing dari metode tersebut memiliki kelebihan dan kekurangan dalam pengolahan

dan hasil data yang dihasilkan. Metode tersebut terdiri dari, Polygon Thiessen,

Metode interpolasi yang terdiri dari, Spline, Kriging, Neighbor, dan IDW.

Metode Inverse Distance Weighted (IDW) merupakan metode deterministik

yang sederhana dengan mempertimbangkan titik disekitarnya. Asumsi dari metode ini

adalah nilai interpolasi akan lebih mirip pada data sampel yang dekat daripada yang

lebih jauh. Bobot (weight) akan berubah secara linear sesuai dengan jaraknya dengan

data sampel. Bobot ini tidak akan dipengaruhi oleh letak dari data sampel (Pramono

2008). Kelebihannya yaitu sederhana dengan mempertimbangkan titik disekitarnya

(NCGIA, 1997), keakuratan data baik dikarenakan semua hasil dengan metode IDW

memberikan nilai mendekati nilai minimum dan maksimum dari sampel data, nilai

interpolasi akan lebih mirip pada data sampel yang dekat daripada yang lebih jauh,

bobot (weight) akan berubah secara linear sesuai dengan jaraknya dengan data sampel

digunakan dalam industri pertambangan karena mudah untuk digunakan.

Sedangkan kekurangan dari metode IDW yaitu nilai hasil interpolasi terbatas

pada nilai yang ada pada data sampel (isotropic terbatas), puncak bukit atau lembah

terdalam tidak dapat ditampilkan dari hasil interpolasi model ini (Watson & Philip,

1985), agar mendapatkan hasil yang baik, sampel data yang digunakan harus rapat

yang berhubungan dengan variasi lokal. Jika tidak merata, hasilnya kemungkinan


41/46

besar tidak sesuai dengan yang diinginkan. Secara keseluruhan metode ini lebih

unggul jika dibandingkan dengan metode Kriging.

Metode kriging adalah suatu metode geostatistika yang memanfaatkan nilai

spasial pada lokasi tersampel dan variogram untuk memprediksi nilai pada lokasi lain

yang belum atau tidak tersampel dimana nilai prediksi tersebut tergantung pada

kedekatannya terhadap lokasi tersampel. Pada semua metode analisis data non spatial

(crosssectional, time series, panel, dll.), kriging juga dapat menghasilkan nilai

prediksi kurang presisif jika di antara data yang ada terdapat pencilan (outlier).

Outlier didefinisikan sebagai nilai yang ekstrim dari nilai amatan lainnya yang

kemungkinan dapat disebabkan oleh kesalahan pencatatan, kalibrasi alat yang tidak

tepat atau kemungkinan lainnya. Kriging sebagai interpolasi spasial optimum dapat

menghasilkan nilai prediksi kurang presisif jika di antara data yang ada terdapat

pencilan (outlier) (Pramono 2008).

Metode Kriging adalah estimasi stochastic yang mirip dengan Inverse

Distance Weighted (IDW) dimana menggunakan kombinasi linear dari weight untuk

memperkirakan nilai diantara sampel data (Ctech Development Corporation, 2004).

Metode ini ditemukan oleh D.L. Krige untuk memperkirakan nilai dari bahan

tambang. Asumsi dari metode ini adalah jarak dan orientasi antara sampel data

menunjukkan korelasi spasial yang penting dalam hasil interpolasi ESRI, 1996).

Jenis Kriging yang bisa dilakukan adalah dengan cara spherical, circular,

exponential, gaussian dan linear (ESRI, 1999).Metode Kriging sangat banyak

menggunakan sistem komputer dalam perhitungannya. Kelebihan metode krigging

yaitu sudah banyak menggunakan sistem komputer dalam perhitungan, sering

digunakan dalam bidang ketanahan dan geologi, memberikan ukuran error dan

confidence dan menggunakan semivariogram yang merepresentasikan perbedaan

spasial dan nilai diantara semua pasangan sampel data. Sedangkan kekurangannya

yaitu tidak dapat menampilkan puncak, lembah atau nilai yang berubah drastis dalam

jarak yang dekat (Bancroft & Hobbs. 1986) atau (Siska P.P. 2001). Kriging terkadang

memberikan hasil interpolasi dengan kisaran yang rendah. Opsi power dan jumlah

sampel tidak memberikan perubahan yang signifikan pada hasil interpolasi.


42/46

Metode Spline adalah metode interpolasi yang biasa digunakan untuk

mendapatkan nilai melalui kurva minimum antara nilai-nilai input. Metoda ini baik

digunakan dalam membuat permukaan seperti ketinggian permukaan bumi,

ketinggian muka air tanah, ataupun konsentrasi polusi udara. Metoda Spline kurang

bagus untuk siatuasi dimana terdapat perbedaan nilai yang signifikan pada jarak yang

sangat dekat (Pramono 2008). Kelebihan metode ini yaitu baik digunakan dalam

membuat permukaan seperti ketinggian permukaan bumi, ketinggian muka air tanah,

ataupun konsentrasi polusi udara dan hanya menggunakan input 4 poin data untuk

interpolasi setiap sel output. Sedangkan kekurangannya adalah kurang baik jika

digunakan untuk siatuasi dimana terdapat perbedaan nilai yang signifikan pada jarak

yang sangat dekat.

Metoda Nearest Neighbor Interpolation adalah metode paling sederhana dan

pada dasarnya membuat piksel lebih besar. Sebagian besar perangkat lunak untuk

melihat dan mengedit gambar menggunakan interpolasi jenis ini untuk memperbesar

gambar digital untuk keperluan pemeriksaan lebih dekat karena tidak mengubah

informasi warna dari gambar dan tidak memperlihatkan anti-aliasing dan tidak cocok

untuk memperbesar gambar foto karena meningkatkan visibilitas jaggies (Pramono

2008). Kelebihan metode ini yaitu memberikan hasil interpolasi yang lebih realistis

dengan pola sebar dan menghasilkan permukaan yang halus. Sedangkan

kekurangannya adalah nilai minimum ketinggian yang diperoleh dengan

menggunakan metode natural neighbor ini lebih rendah dibandingkan nilai minimum

ketinggian interpolasi IDW dan menghasilkan permukaan dengan topografi yang

lebih landai dibandingkan dengan kenampakan permukaan bumi.

Perhitungan curah hujan wilayah menggunakan rumus poligon thiessen pada

sub DAS Alo dilakukan pada Stasiun Curah Hujan (SCH) Bandara Djalaludin, SCH

Alo, SCH Molingkaputo dan CA Tangale pada tahun 2009 sampai tahun 2012. Luas

seluruh stasiun curah hujan tersebut sebesar 111 Ha dengan CA Tangale sebagai

stasiun curah hujan terluas yaitu 43,87 Ha. Pada tahun 2009, curah hujan wilayah

pada keempat stasiun tersebut sebesar 1229,52 mm/tahun. Pada tahun 2010, curah

hujan wilayah pada keempat stasiun tersebut sebesar 2390,24 mm/tahun. Pada tahun


43/46

2011, curah hujan wilayah pada keempat stasiun tersebut sebesar 1879,59 mm/tahun.

Pada tahun 2012, curah hujan wilayah pada keempat stasiun tersebut sebesar 1876,50

mm/tahun. Curah hujan wilayah rata-rata tertinggi pada tahun 2011 sedangkan

terendah pada tahun 2009. Semakin besar ukuran DAS, semakin besar air larian dan

volume air larian. Tetapi, baik laju maupun volume air larian per satuan wilayah

dalam DAS tersebut turun apabila luas daerah tangkapan air (catchement area)

bertambah besar

Kondisi topografi yang berat atau curam dan sistem jaringan sungai yang

lebih padat pada umumnya akan mempercepat konsentrasi pada titik di wilayah DAS

dibandingkan dengan kondisi topografi yang relatif datar . Berdasarkan pada tabel

kelerengan, sub DAS Alo didominasi pada kelas sedang yaitu antara 15-25% seluas

24.292.787,49 Km2. sedangkan untuk kelas ketinggian, sub DAS Alo pada ketinggian

antara 0-150 mdpl memiliki area paling luas yaitu 43.033.575,33 m2. Hal tersebut

menandakan bahwa kondisi topografi pada sub DAS Alo didominasi pada ketinggian

0-150 mdpl dengan kelerengan 15-25%.


44/46

BAB IV

KESIMPULAN

Analisa curah hujan rata-rata daerah dihitung dengan cara polygon Thiessen.

Cara ini lazim digunakan dalam perhitungan curah hujan rata-rata daerah, namun

dalam hal tertentu harus disesuaikan dengan kondisi topografi dan ketersediaan data

yang ada. Curah hujan rata-rata wilayah pada sub DAS Alo tahun 2009 sampai tahun

2010 sebesar 0, 77. Semakin besar ukuran DAS, semakin besar air larian dan volume

air larian. Tetapi, baik laju maupun volume air larian per satuan wilayah dalam DAS

tersebut turun apabila luas daerah tangkapan air (catchement area) bertambah besar

Ada beberapa metode yang bisa digunakan untuk melakukan interpolasi seperti

Natural Neighbor, Spline, Inverse Distance Weighted (IDW) dan Kriging Setiap

metode ini akan memberikan hasil interpolasi yang berbeda. Dua unsur topografi

yang berpengaruh adalah panjang lereng dan kemiringan lereng. Kelas lereng pada

sub DAS Alo didominasi 15-25% yang tergolong pada kelas sedang (agak curam).


45/46

DAFTAR PUSTAKA

Anonim. 2013. Pengertian Curah Hujan. [terhubung berkala]. http://reposito

ry.usu.ac.id/bitstream/1234566789/19244/4/Chapter%2011.pdf//. [16 Maret

2015].

Asdak C. 2004.Hidrologi dan Pengelolaan Daerah Aliran Sungai. Yogyakarta (ID) :

Gadjah Mada University Press.

Bancroft, B.A. & Hobbs, G.R. 1986. Distribution of Kriging Error and Stationarity of

the Variogram in a Coal Property. Mathematical Geology 8(7): 635-651.

Bukhari S. 2008. Pengaruh Perubahan Tataguna Lahan Terhadap Kapasitas dan

Desain Banjir Kanal Timur [skripsi]. Jakarta (ID) : Fakultas Teknik

Universitas Indonesia.

ESRI. 1996. Using the ArcView Spatial Analyst. Redlands, Environmental Systems

Research Institute, Inc.

Gamma Design Software. 2005. Interpolation in GS+. http://www.geostatistics.com/

OverviewInterpolation.html(23 Juni 2008).

Haryanto. 2004. Bahaya Perubahan Penggunaan Lahan di Kota Semarang. Forum

Geografi, Vol. 18, No. 2, Desember 2006. Hlm. 152-160.

Kumbara B. 2011. ArcGIS. [terhubung berkala].

http://pendekarbramakumbara.blogspot.com.[16 Maret 2015].

NCGIA. 2007. Interpolation: Inverse Distance Weighting [terhubung berkala].

http://www.ncgia.ucsb.edu/pubs/ spherekit/inverse.html(23 Juni 2008).

Pramono G. 2008, Akurasi Metode IDW dan Krigging untuk Interpolasi Sebaran

Sedimen Tersuspensi di Maros, Sulawesi Selatan, Forum Geografi, Vol. 22,

No. 1, pp.145-158.

Pramono G. 2005. Perbandingan Metode Trend dan Spline untuk Interpolasi Sebaran

Sedimen Tersuspensi Di Kabubaten Maros, Sulawesi Selatan. Jurnal Ilmiah

Geomatika 11(1): 20-32.

Siska P.P. & Hung I.K. 2001. Assesment of Kriging Accuracy in the GIS

Environment[terhubungberkala].http://gis.esri.com/library/userconf/proc01/p

rofessional/ papers/pap280/p280.html(23 Juni 2008).


46/46

Sudarmadji T. 1997. Pengelolaan Daerah Aliran Sungai (Watershed Management).

Samarinda (ID) : Fakultas Kehutanan Universitas Mulawarman.

Suripin. 2001. Pelestarian Sumber Daya Tanah dan Air. Yogyakarta (ID) : Andi

Yogyakarta.

Watson, D. F., and G. M. Philip, 1985, A Refinement of Inverse Distance Weighted

Interpolation, Geoprocessing, Vol.2, pp.315327.

Wiradisastra, U.S. dkk. (2004a). Laporan Akhir Analisis Tingkat Kesesuaian

Marine Culture Wilayah ALKI II, Buku II (Kajian ilmiah). Bogor, Lembaga

Penelitian dan Pemberdayaan Masyarakat, IPB.

Wiradisastra, U.S. dkk. (2004b). Laporan Akhir Analisis Tingkat Kesesuaian

Marine Culture Wilayah ALKI II, Buku I.

analisis topografi dan curah hujan wilayah

Documents