Detail Cantuman

Kondisi data hujan di Indonesia sangat minim dan banyak ditemui data hujan yang kosong baik disebabkan oleh alat yang rusak, maupun memang tidak dibaca dan sebab hal lain. Untuk analisa ketersediaan air, analisa kekeringan da analisa lain yang membutuhkan data menerus, dan panjang maka dibutuhkan pengisian data yang kosong. Dalam tulisan ini menguraikan model MNSC yang dikembangkan di Canada untuk mengisi dan memperpanjang data aliran. Persyaratan pada model adalah korelasi yang tinggi dari rentetan data pengisi maupun yang diisi dan bentuk transformasi yang sesuai. Model ini dicoba digunakan untuk mengisi data hujan bulanan yang kosong dengan studi kasus di DPS Citarum.
Hasil dari penelitian untuk panjang data 10 tahun dengan data yang diuji 1 tahun mempunyai kesalahan paling kecil sebsar 0.00% dan kesalah terbesar pada panjang data 10 tahun bernilai 25% yang terjadi pada data yang diuji 3 tahun untuk panjang data hujan selama 20 tahun kesalahan terbesar bernilai 17.85% yang terjadi pada data yang diuji 7 tahun dan untuk data yang diuji 1 tahun untuk panjang data 20 tahun kesalahan terkecil sebesar 0.00% dan untuk panjang data 30 tahun kesalahan terbesar bernilai 18.05% terjadi pada data yang diuji 6 tahun.
Untuk hubungan korelasi antara seri data hujan bulanan dan jarak antar pos di DPS Citarum tidak berhubungan sama sekali kecuali nilai korelasi antara 0,9 sampai 1.00 dimana nilai korelasi data hujan semakin besar jika jarak antar pos di DPS Citarum semakin pendek dari 0 km sampai dengan 10 km.
Dari hasil perhitungan di atas dapat disimpulkan bahwa metode MNSC dapat digunakan dengan cukup baik untuk panjang data 10 tahun, 20 tahun maupun 30 tahun dengan tidak mempunyai pengaruh terhadap jumlah pos pengisi.