1. Pendahuluan
SMAR (Soil Moisture and Accounting) adalah model hujan-aliran (rainfall run-off) untuk perhitungan neraca air pada skala harian. SMAR termasuk model konseptual global. Fokus utama adalah untuk memodkan proses hidrologi terkait dengan perubahan kadar lengas tanah (O'Connell et al, 1970; Kachroo, 1992; Tuteja and Cunnane, 1999). Model akan menghitung: aliran permukaan, debit air-tanah (groundwater discharge), evapotranspirasi dan kehilangan (leakage) dari profil tanah untuk seluruh wilayah DAS (Daerah Aliran Sungai) pada interval waktu harian. Model ini sudah
digunakan di Negara Asalnya. Makalah ini memaparkan hasil studi pendahuluan tentang prosedur kalibrasi dan validasi model SMAR di Indonesia, dengan mengambil contoh salah satu DAS di Jawa Timur. Fokus pembahasan lebih pada bagaimana prosedur kalibrasi dan validasi model tersebut dilakukan.
1.1 Deskripsi proses hidrologi
Model SMAR terdiri dari dua komponen utama: (1) Neraca Air dan (2) Penelurusan Aliran (Gambar 1). SMAR menggunakan input berupa data hujan dan evaporasi (hasil pengukuran panci evaporasi) untuk menghitung debit aliran sungai yang terjadai pada suatu DAS. Selanjutnya, model dikalibrasi dengan data pengukuran debit pada outlet DAS.
Komponen Neraca air membagi kolom tanah menjadi lapisan-lapisan horizontal. Lapisan tersebut diasumsikan telah mengandung sejumlah lengas tanah (soil moisture), biasanya 25 mm ekuivalen-tebal-air pada kapasitas lapang. Evaporasi dari permukaan tanah dimodelkan dan diasumsikan akan mengurangi kadar air di dalam tanah secara eksponensial dari nilai kebutuhan evapotranspirasi potensial. Komponen penulusuran aliran (routing component) mentransfer aliranpermukaan (run-Off) yang dihasilkan oleh komponen neraca air sampai Outlet DAS menggunakan persamaan Gamma dari Nash (1960).
Persamaan tersebut diselesaikan dengan persamaan differensial dalam suatu sistem input dan output tunggal. Selanjutnya, aliran air-bawah-tanah (groundwater flow) yang dihasilkan, dipropagasi melalui reservoir-linear tunggal yang selanjutnya memberi kontribusi ke aliran sungai pada outlet DAS. Model SMAR menggunakan (5) parameter untuk Neraca Air dan (4) parameter untuk Penelusuran Aliran. Aliran yang dihasilkan oleh permukaan tanah di dalam DAS (landscape) ditransfer ke outlet menggunakan model-reservoir-linear-bertingkat (linear-cascade-model) dari Nash (1960).
Penyelesaian umum untuk menyatakan hubungan antara satu satuan volum input dan output dinyatakan dalam Persamaan (1):
\[h(t) = \frac{1}{t} \int_{t-1}^{t} \frac{1}{K\Gamma(n)} \exp\left(\frac{-\tau}{K}\right) \left(\frac{\tau}{K}\right)^{n-1} d\tau\] (1)
dimana:
t = interval simulasi (d)
d = hari
\(\tau\) = waktu (s) = detik
\(K_1 = K_2 = ... = K_n = K\) adalah koefisien penyimpanan dari sejumlah (n) reservoir-linear yang disusun secara bertingkat, h (t) = ordinat dari fungsi respon pada hitungan ke \((d^{-1})\).
\[\Gamma(n) = \int\limits_0^\infty \exp \left( -\tau \right) \tau^{\text{n-1}} \, \text{d}\tau \,\,\] adalah fungsi gamma dari sistem (tidak berdimensi).
1.2 Komponen neraca air
Komponen neraca air menggunakan (5) parameter untuk mendeskripsikan gerakan air masuk dan ke luar pada kolom tanah di bawah kondisi tekanan atmosfer, yaitu: C, Z, H, Y dan T.
Gambar 1. Struktur moder SMAR (Sumber: Podger, 2004)
- C (tidak-berdimensi) penguapan dari lapisan tanah. Evaporasi diasumsikan berubah sebagai fungsi eksponensial dari bentuk C<sup>i-1</sup>, dimana C bernilai antara 0 dan 1 dan (i) = 1,2,3,... menunjukkan urutan lapisan tanah. Oleh karena itu jika diberikan nilai evapotranspirasi potensial, lapisan pertama akan memenuhi kebutuhan ini pada laju potensial, lapisan ke dua pada laju C, lapisan ke tiga dengan laju C², dan seterusnya. Hal ini akan menggambarkan pengurangan kadar lengas tanah secara eksponensial. Laju evapotranspirasi potensial dari lapisan atas pada hakekatnya mewakili evapotranspirasi dari reser-voir intersepsi dan lapisan tanah bagian atas, dengan asumsi tidak ada hambatan oleh gaya kapilaritas tanah.
- 2. Parameter Z (mm), mewakili kapasitas penyimpanan lengas effektif (effective moisture storage capacity) dari tanah yang berkontribusi terhadap mekanisme pembentukan aliran. Tiap lapisan mengandung 25mm air pada kapasitas lapang.
- 3. Parameter H (tidak-berdimensi), digunakan untuk mengestimasi variabel H', bagian dari kelebihan hujan (rainfall excess) yang menjadi aliran, karena tanah telah jenuh (aliran ini sering disebut sebagai Dunne run-off). H' diperoleh dari nilai H, kelebihan hujan dan kejenuhan tanah. Kejenuhan tanah (soil saturation) didefinisikan sebagai perbandingan antara kadar lengas yang tersedia (dalam mm) pada waktu t (days) dan 125 mm. Nilai 125 mm, menggambarkan kadar air maksimum dari ke lima lapisan pertama.
- 4. Parameter Y (mm.d<sup>-1</sup>) menggambarkan kapasitas infiltrasi tanah dan digunakan untuk mengestimasi aliran yang dihasilkan karena kapasitas infiltrasi tanah telah terlampaui (Hortonian run-off).
- 5. Parameter T (tidak-berdimensi), digunakan untuk menghitung evaporasi potensial dari panci evaporasi (E). Aliran permukaan dihitung dari kelebihan hujan (excess rainfall) sebagai: aliran karena tanah jenuh (saturation-excess-runoff) + aliran Horton + proporsi lengas tanah (1-G) yang melebihi kapasitas penyimpanan tanah (misalnya: through flow).
1.3 Penelusuran aliran secara lateral
Air tanah dan aliran permukaan yang dihasilkan dari komponen neraca-air, dialirkan untuk simulasi jeda waktu (lag-time) sejak kejadian hujan sampai aliran teramati pada outlet DAS. Persamaan yang digunakan untuk memodelkan komponen aliran secara lateral adalah sebagai berikut (Kachroo dan Liang, 1992).
a. Komponen aliran permukaan
Aliran permukaan yang dihasilkan (rs, dalam mm/ hari) dan propagasi aliran (\(O_T\),mm/hari) dapat dicari nilai reratanya, menggunakan Persamaan (2) dan (3), untuk merepresentasikan nilai harian.
\[r_s(t) = \frac{1}{t} \int_{\tau - t}^{t} r_s(\tau) d\tau\] (2)
\[Q_{T}^{r}(t) = \frac{1}{t} \int_{\tau - t}^{t} Q_{T}^{r} (\tau) d\tau\] (3)
Persamaan linear (4) merupakan persamaan sederhana vang menghu-bungkan antara input sebagai fungsi waktu (aliran yang dihasilkan) dan aliran yang ditranfer (routed run-off). Persamaan ini digunakan dalam pemodelan konseptual, sebagai komponen yang merepresentasikan proses penelusuran aliran.
\[Q_{T}^{r}(t) = \sum_{j=1}^{m} h(j) r_{s} (t-j+1)\] (4)
dimana:
\(m = pulse \ response \ function \ (d).\)
b. Komponen aliran air-tanah
Persamaan kesetimbangan massa untuk aliran air bawah tanah dapat ditulis (5).
\[Q_{T}^{rech}(\tau) - Q_{T}^{r} = \frac{dS(\tau)}{dt} = DS(\tau)\] (5)
Keterangan:
\[Q_{T}^{rech}\] = air tanah yang terisi ulang (mm/s),
\[Q_{T}^{r}\] = air tanah yang dilepaskan (mm/s),
= waktu (s),
\(S(\tau)\)= simpanan air tanah,
\(D = d/d\tau = operator differential (s<sup>-1</sup>).\)
1.4 Aplikasi model
Model SMAR merupakan bagian dari satu paket program aplikasi vang disebut RRL (rainfall runoff library). RRL digunakan untuk membandingkan proses hidrologi pada tempat yang berbeda dan juga untuk mempelajari tentang model hujan - aliran.
RRL dilengkapi dengan: lima (5) model hujan aliran, delapan (8) metode optimisasi parameter, sepuluh (10) fungsi objectif dan tiga jenis transformasi data untuk proses kalibrasi. Model yang ada di dalam RRL, meliputi: (1) AWBM, (2) Sacramento, (3) SymHyd, (4) SMAR, dan (5) Tank. Delapan (8) metode optimasi yang ada pada RRL, meliputi: (1) Uniform random sampling; (2) Pattern search; (3) Multi start pattern search; (4) Rosenbrock search; (5) Rosenbrock multi-start search; (6) Genetic algorithm; (7) Shuffled Complex Evolution (SCE-UA): (8) AWBM custom optimiser.
Sepuluh (10) fungsi objectif vang dapat digunakan. yaitu: (1) Nash-Sutcliffe criterion (Coefficient of efficiency),(2) Sum of square errors, (3) Root mean sauare error (RMSE). (4) Root mean sauare difference about bias.(5) Absolute value of bias.(6) Sum of square roots,(7) Sum of square of the difference of square root, (8) Sum of absolute difference of the log. Ada tiga pilihan untuk kalibrasi berdasarkan dua fungsi objektif: (1) Runoff difference, dalam %, (2) Flow duration curve, (3) Base flow method-2 (Boughton, Chapman and Maxwell).
Model-model RRL sudah ditest pada DAS dengan ukuran dari 10 km2 sd 10000 km2 (Podger, 2004).
2. Metodologi
2.1 Lokasi penelitian
Penelitian dilakukan di sub-DAS Rawatamtu. Secara administratif sub-DAS Rawatamtu meliputi wilayah Kabupaten Jember (92%) dan Kabupaten Bondowoso (8%) dengan luas sub-DAS sekitar 698 km2 .
Tabel 3. Karakteristik Sub-DAS
| Bentuk DAS | Triangle melebar |
| Luas (km2 ) | 698 |
| Range ketinggian (d.p.l) m | (40 - 3218) |
| Prosentase luas wilayah di | > 50% |
| atas ketinggian > 1000 m | |
| Bifurcation ratio | 3,69 |
2.2 Data masukan
Input data untuk pemodelan berupa: data hujan, dan data debit diperoleh dari Dinas PU Pengairan Provinsi Jawa Timur. Data iklim (yang mencakup: kecepatan angin, kelembaban udara, suhu udara maksimum dan minimum, dan lama penyinaran matahari) diperoleh dari Stasiun Iklim di Kaliwining. Data diperoleh dari PUSLIT Kopi dan Kakao Indonesia, yang berada di Kaliwining – Jember. Data pendukung lain berupa peta
-peta digital dicopy dari database yang ada di laboratorium Teknik pengendalian dan Konservasi Lingkungan (lab TPKL), PS Teknik Pertanian, FTP UNEJ.
2.2.1 Data hujan
Data hujan harian dari tujuh stasiun hujan di wilayah sub-DAS Rawatamtu digunakan sebagai input model. Hujan wilayah dihitung berdasarkan nilai rerata aritmatik hujan-harian. Periode rekaman yang digunakan adalah dari tahun 1991 sampai dengan 2005.
2.2.2 Evapotranspirasi
Nilai evapotranspirasi potensial (PET/Eto) dihitung dari data klimatologi yang diambil dari stasiun Kaliwining yang terletak di dalam sub-DAS. Input data berupa: kecepatan angin, lama penyinaran matahari, suhu dan kelembaban udara.
2.2.3 Data debit
Data debit diperoleh dari stasiun AWLR yang terpasang pada outlet ke dua Sub DAS, yaitu: stasiun AWLR di Rawatamtu. Periode rekaman data debit antara: 1991 sd 2005.
2.3 Tahap pemodelan
Tahap penelitian mencakup: (1) visualisasi data, (2) kalibrasi model, dan (3) Validasi model.
Gambar 2. Sub-DAS Rawatamtu
2.3.1 Visualisasi data
Data yang sudah terformat perlu ditampilkan terlebih dahulu untuk mengetahui apakah data sudah dapat diintegrasikan ke dalam model dengan baik. Visualisasi juga membantu kita untuk melihat apakah ada data yang kosong, atau salah penulisan (Gambar 3).
2.3.1 Pemilihan periode kalibrasi
Karena keterbatasan keseragaman data, maka untuk keperluan pemodelan digunakan rentang waktu antara 1990 sd 2005. Selanjutnya, dari periode dimana terdapat data rentang-waktu (hujan, debit, evaporasi) dibagi menjadi dua: periode untuk kalibrasi (1991- 1995) dan periode untuk validasi, yaitu: (1996-2005).
2.3.2 Prosedur kalibrasi
a. Metode kalibrasi
Metode kalibrasi yang digunakan adalah kombinasi metode generic dan manual. Pada metode generic maka nilai parameter awal ditentukan oleh model. Sedangkan pada metode manual, nilai parameter awal model dapat ditentukan oleh user (pengguna) dengan mengentri suatu nilai ke dalam kolom yang telah disediakan.
b. Metode optimasi parameter
Optimasi nilai parameter dilakukan dengan metode: Genetic Algoritma. Fungsi objektif primer menggunkan Nash-Sutcliffe-Criterion (coefficient of efficientcy) dan fungsi objektif sekunder menggunakan: Run off Difference (%).
c. Visualisasi hasil
Visualisasi hasil dilakukan dengan membandingkan grafik hasil perhitungan dan pengukuran. Beberapa grafik yang dapat ditampilkan untuk menunjukkan hasil kalibrasi.
2.3.3 Prosedur validasi
Setting nilai parameter yang didapat selama periode kalibrasi, selanjutnya digunakan untuk validasi/ verifikasi model pada periode rentang waktu 1996 sd 2005.
3. Hasil dan Pembahasan
3.1 Visualisasi data
Setelah diimport ke dalam RRL, data time-series (Hujan, Eto, dan Debit) dapat divisualisasikan melalui fasilitas yang ada di RRL (Gambar 4). Visualisasi semacam ini diperlukan untuk mengetahui jika ada kesalahan format dalam integrasi data.
3.2 Hasil kalibrasi
Kalibrasi dengan setting parameter tersebut, menghasilkan nilai Coefficient Nash-Sutcliffe = 0,695. Gambar (5) meperlihatkan scatter-plot antara debit terhitung vs terukur, dalam (mm/hari). Lingkaran berbentuk elips dengan garis putus-putus menunjukkan lokasi titik-titik yang berkontribusi meningkatkan nilai Coefficient Nash. Semakin banyak titik-titik scatter-plot yang terletak di dalam elips, maka nilai Coefficient-Nash semakin tinggi.
| 00 | Courier New | ||||
|---|---|---|---|---|---|
| A | В | Council New | |||
| 1 | 01/01/90 | 50.4 | Paste | B I U | abe X |
| 2 | 02/01/90 | 78.7 | Clipboard | Font | |
| 3 | 03/01/90 | 89.6 | H 9 C | - | |
| 4 | 04/01/90 | 37.2 | 1 | ||
| 5 | 05/01/90 | 34.8 | . Z i | ||
| 6 | 06/01/90 | 35.6 | 1990 | 0101 5 | 0.4 |
| 7 | 07/01/90 | 37.2 | 8.7 | ||
| 8 | 08/01/90 | 21.6 | 9.6 | ||
| 9 | 09/01/90 | 53.2 | 37.2 | ||
| 10 | 10/01/90 | 28 | 34.8 | ||
| 11 | 11/01/90 | 17.6 | 37.2 | ||
| 12 | 12/01/90 | 14.2 | 21.6 | ||
| 13 | 13/01/1990 | 10.8 | 0109 5 | 28 | |
| 14 | 14/01/1990 | 25.9 | 7.6 | ||
| 15 | 15/01/1990 | 25.7 | 4.2 | ||
| 16 | 16/01/1990 | 20.1 | 0.8 | ||
| 17 | 17/01/1990 | 48.4 | 5.9 | ||
| 18 | 18/01/1990 | 41.4 | 25.7 |
Format Excel Format (*.prn/*.dat)
Gambar 3. Format data
Gambar 4. Visualisasi data di dalam RRL
Gambar 5. Run off terukur vs terhitung
Gambar 6. Run off terhitung vs terukur bulanan
Gambar 7. Perbedaan Run-Off terukur vs terhitung
Gambar 8. Hidrograf Run-Off (terhitung) vs terukur (Obs.Runoff)
Hasil perbandingan secara grafis untuk periode bulanan (Gambar 6) menghasilkan Coefficient Nash = (0,89). Terlihat bahwa scatter-plot grafik Run off bulanan terkumpul di dalam elips dan dekat dengan garis kemiringan (slope = 1).
Hasil kalibrasi dapat juga dilihat dari kriteria fungsi objectif sekunder yaitu nilai perbedaan Run Off (run off difference). Gambar (7) menampilkan grafik perbedaan RunOff (terhitung – terukur) sepanjang periode kalibrasi. Wilayah di antara garis horizontal (titik-titik putus) menunjukkan perbedaan Run-Off di bawah 10%. Terlihat bahwa sepanjang periode kalibrasi hasil pemodelan menunjukkan perbedaan Run Off di bawah 10%, kecuali pada sebagian periode di tahun 1994. Gambar (8) memperlihatkan zoom perbedaan Run-Off terukur dan terhitung untuk periode tahunan (1992 sd 1995). Gambar (9) menggambarkan zoom yang sama untuk periode musim penghujan dan Gambar (10) mempelihatkan perbedaan Run Off terukur (Obs. Run Off) dan terhitung (Run Off) untuk periode musim kemarau.
Gambar (11) memperlihatkan komponen Excess Rainfall yang diplotkan terhadap Run Off untuk periode yang sama. Gambar (12) menunjukkan perbandingan antara Runoff vs baseflow untuk periode yang sama. Ketepatan hasil kalibrasi juga dapat ditampilkan melalui perbandingan FDC (Flow Duration Curve) antara debit terhitung vs terukur (Gambar 13).
3.3 Nilai parameter
Kalibrasi tersebut di atas, menghasilkan setting nilai parameter, sebagaimana tercantum di dalam Tabel (5). Warm_Up periode: 25 Agustus 1991 sd 23 May 1992. Kalibrasi dilakukan dari: 23 may 1992 sd 15 Desember 1995. Kalibrasi menghasilkan koefisien Nash = 0,65.
Gambar 9. Hidrograf Run-Off (terhitung) vs terukur Zoom untuk musim penghujan
Gambar 10. Hidrograf Run-Off (terhitung) vs terukur (Obs.Run Off)
Gambar 11. Grafik perbandingan antara Excess rainfall vs Run Off
Gambar 12. Grafik Run Off vs Baseflow
Gambar 13. Perbandungan FDC antara debit terhitung vs terukur
Tabel 5. Parameter hasil kalibrasi
| Parameter | Sub-DAS Rawatamtu | Range Parameter |
|---|---|---|
| C | 0,99 | 0 sd 1 |
| G | 0,91 | 0 sd 1 |
| H | 0,257 | 0 sd 1 |
| Kg | 0,043 | 0 sd 1 |
| n | 1 | 1 sd 6 |
| Nk | 1 | 0.01 sd 1 |
| T | 0,49 | 0 sd 1 |
| Y | 4745 | 0 sd 5000 |
| Z | 627 | 0 sd 5000 |
3.4 Analisa sensitivitas
Analisa sensitifitas diperlukan untuk mengetahui pengaruh nilai parameter terhadap fungsi objectif. Analisa dilakukan melalui menu "Sensitivy" pada layar RRL. Hasil analisa sensitifitas beberapa nilai parameter terhadap coefficient Nash ditampilkan dalam grafik berikut.
Sebagai contoh, pada Gambar 14 menunjukkan bahwa nilai range untuk parameter C atau "Groundwater evaporation rate" adalah dari 0 sd 1 (Gambar 19). Semakin tinggi nilai parameter C akan meningkatkan nilai coefficient Nash. Selanjutnya parameter T atau "Evaporation Conversion Parameter" nilai default
Gambar 14. Sensitivitas parameter C
Gambar 15. Sensitivitas parameter H
Gambar 16. Sensitivitas parameter H
Gambar 17. Sensitivitas parameter Kg
Gambar 18. Sensitivitas parameter T
| Model details | ||||||
|---|---|---|---|---|---|---|
| Groundwater evaporation rate C | 0.99 | Min | 0 | Max | 1 🔽 | Fixed |
| Groundwater runoff coefficient G | 0.91 | Min | 0 | Max | 1 🔽 | Fixed |
| Proportion direct runoff H | 0.257 | Min | 0 | Max | 1 🔽 | Fixed |
| Storage loss coef. Kg | 0.0392 | Min | 0 | Max | 1 | Fixed |
| U.H. linear routing N | 1 | Min | 1 | Max | 6 | Fixed |
| U.H. linear routing component NK = N x K | 1 | Min | 0.01 | Max | 1 | Fixed |
| Evap. Conversion Param. T | 0.49 | Min | 0 | Max | 1 | Fixed |
| Infiltration Rate Y | 2823.5 | Min | 0 | Max | 5000 厂 | Fixed |
| Soil Moisture total storage depth Z | 470.5 | Min | 0 | Max | 5000 [ | Fixed |
Gambar 19. Prosedur kalibrasi manual
parameter adalah dari 0 sd 1, tetapi nilai yang paling optimal memberikan kontribusi pada Coefficient Nash adalah sekitar (0,5) sd (0,6). Lain halnya dengan parameter H atau "proportion of direct run off" (Gambar 16) dan parameter Kg atau "storage loss coefficient" (Gambar 17), meskipun nilai range parameter antara 0 sd 1, tetapi kedua parameter akan berkontribusi effektif terhadap hasil pemodelan, jika nilai nya kecil atau mendekati NOL.
3.5 Kalibrasi secara manual
Peningkatan hasil kalibrasi dapat dilakukan dengan prosedur kalibrasi manual, dalam hal ini beberapa nilai parameter yang nilai-nya sudah optimal dibuat konstan. Gambar (19) menampilkan contoh setting parameter untuk kalibrasi secara manual pada periode waktu yang sama. Dalam hal ini nilai parameter C, G, dan H dibuat konstan (fixed), sementara paramter lain dapat berubah nilai-nya. Kalibrasi manual tersebut menghasilkan nilai setting parameter lain, tercantum dalam Tabel (6).
Proses kalibrasi secara manual tersebut menghasilkan Coefficient Nash = 0,695; Coeff correlation = 0,844; relatif difference = -4,117%, dan absolute difference = -185,3.
Tabel 6. Parameter hasil kalibrasi manual
| Parameter | Sub-DAS Rawatamtu | Range nilai parameter |
|---|---|---|
| C | 0,99 | 0 sd 1 |
| G | 0,91 | 0 sd 1 |
| H | 0,25 | 0 sd 1 |
| Kg | 0,03 | 0 sd 1 |
| n | 1 | 1 sd 6 |
| Nk | 0,93 | 0.01 sd 1 |
| T | 0,24 | 0 sd 1 |
| Y | 3450,9 | 0 sd 5000 |
| Z | 627,4 | 0 sd 5000 |
3.6 Hasil validasi
Periode validasi dilakukan antara : 1996 sd 1999 dan menghasilkan Coefficient Nash = 0,39 dan korelasi = 0,64. Gambar (20) menampilkan scatter-plot antara debit terukur (observed) dalam (mm/day) pada sumbux dan debit terhitung (calculated) dalam (mm/day) pada sumbu-y. Data debit sudah dikonversi secara otomatis oleh model ke dalam satuan (mm/day). Grafik tersebut dihasilkan dari proses kalibrasi (periode: 1991 sd 1995) dan validasi (periode: 1996 sd 1999). Proses kalibrasi dan validasi yang baik akan menghasilkan coefficient nash yang mendekati 1, dan titik-titik di dalam Gambar 20 akan terlihat mengumpul di sekitar garis-kemiringan (slope) Dapat dikatakan bahwa model cukup dapat menggambarkan proses hidrologi dari hujan menjadi aliran pada skala harian pada DAS tersebut, hal ini terlihat dari banyaknya titik-titik yang terkumpul di sekitar gariskemiringan pada grafik tersebut. Namun demikian model belum dapat mereproduksi dengan baik semua proses hidrologi pada skala harian sepanjang periode panjang tersebut. Ada banyak faktor yang mempengaruhi: kualitas input data, struktur model, proses kalibrasi dan validasi. Pada kasus ini, data pengambilan air untuk irigasi dan keperluan lain tidak diperhitungkan dalam pemodelan. Data yang ada mungkin juga tidak cukup untuk menggambarkan proses hidrologi yang memang sangat kompleks atau Struktur model mungkin juga kurang pas untuk menggambarkan proses hidrologi di wilayah tropis.
Gambar (21) menampilkan hal yang sama tetapi pada skala bulanan, sehingga debit terhitung (calculated) dalam (mm/month) dan debit terukur (oberved) dalam (mm/month). Terlihat bahwa, koefisien Nash-Sutcliffe
Gambar 20. Perbandingan kalibrasi vs validasi
Gambar 21. Run Off terhitung vs terukur bulanan
Gambar 22. Run Off terhitung vs terukur
Gambar 23. Perbedaan Run Off
Gambar 24. Flow duration curve (FDC) periode validasi
Gambar 25. Perbandingan Run Off terukur vs terhitung
untuk periode kalibrasi sekitar 0,86 dan untuk periode validasi (verifikasi) sekitar 0,73. Hal ini menunjukkan bahwa meskipun model tidak dapat menggambarkan proses hidrologi pada sakala harian dengan baik, tetapi model cukup memadai untuk memperkirakan proses hidrologi pada skala bulanan. Dalam hal ini, dapat dikatakan bahwa model dapat digunakan untuk mereproduksi dan menghitung debit pada skala bulanan.
Gambar (22) menunjukkan hal ini dimana naik turunnya debit dari musim kemarau ke musim penghujan dapat ditirukan dengan baik oleh model, tetapi kejadaian debit besar (banjir) yang sesaat tidak dapat ditirukan oleh model. Gambar (23), menunjukkan tingkat kesalahan model dalam menghitung debit harian, dalam hal ini yang dijadikan ukuran adalah selisih antara run-off terhitung dan terukur. Pada beberapa kejadian (misal: Th 1994) selisih dapat mencapai lebih dari 20%. Performan model juga dapat
dipresentasikan melalui grafik FDC. Gambar 24 mengilustrasikan FDC untuk debit terukur dan terhitung pada periode validasi.
3.7 Simulasi
Simulasi dilakukan untuk periode 1991 sd 2004. Hasil perbandingan antara Run-Off terhitung vs terukur sepanjang periode ditunjukkan dalam Gambar (25). Dapat dikatakan bahwa untuk periode panjang dan pada skala bulanan, musiman atau tahunan model dapat digunakan untuk merepresentasikan proses hidrologi di dalam DAS tersebut, tetapi model masih belum cukup mampu untuk mereproduksi kejadian banjir besar yang terjadi di dalam DAS.
4. Kesimpulan
- 1. Hasil klaibrasi dan validasi menunjukkan bahwa model SMAR pada prinsipnya dapat mereproduksi fluktuasi debit (naik dan turunnya debit) pada Sub-DAS Rawatamtu pada skala bulanan, musimam dan tahunan.
- 2. Baik proses kalibrasi maupun validasi menghasilkan koefisien Nash-Sutcliffe > 0,60 untuk skala bulanan. Namun demikian model masih belum dapat mereproduksi kejadian "banjir besar" yang terjadi di dalam DAS.
- 3. Penelitian lebih lanjut untuk mengkalibrasi model SMAR dapat dilakukan dengan menambah atau melengkapi data hasil pengukuran.