IV. KALIBRASI DAN VALIDASI MODEL SWAT
4.1. Kalibrasi dan validasi di Sub DAS Cisadane Hulu Aplikasi model SWAT di Indonesia belum banyak dilakukan, sehingga untuk menguji dan mengetahui tingkat penerimaan dan aplikasi model SWAT di Indonesia perlu dilakukan kalibrasi dan validasi terhadap model SWAT untuk disesuaikan dengan kondisi DAS di Indonesia. berbagai kelebihan karena mampu
Model
mengitegrasikan
SWAT mempunyai antar proses-proses
hidrologi, berbasis data sapasial, proses yang kontinyu dan dapat dikombinasikan dengan berbagai skenario perubahan lahan dan manajemen DAS. Sebelum program SWAT dapat diterima dan diaplikasikan di suatu DAS di Indonesia, diperlukan validasi dan kalibrasi parameter-parameter yang sensitif dan sangat berpengaruh terhadap debit sungai. Kegiatan verifikasi hanya dilakukan khusus membandingkan debit keluaran dari model dibandingkan dengan debit hasil pengukuran di lapangan. Tahapan verifikasi, kalibrasi dan akseptibilitas merupakan tahapan awal dalam aplikasi pemodelan DAS dengan model SWAT sehingga dapat diketahui parameter-paramater yang sangat berpengaruh dan dominan terhadap keluaran model. Berdasarkan tipe penutupan lahan, Sub DAS Cisadane Hulu
lebih
didominasi oleh hutan (± 57,67%) dan semak belukar (± 26,38%). Perincian luas areal setiap tipe penutupan lahan ditunjukkan pada Tabel 5.
45
Tabel 5. Tipe penutupan lahan di Sub DAS Cisadane Hulu Tipe Penutupan Lahan
Luas (Ha)
Belukar/Semak
(%)
477,96
26,38
1.044,60
57,67
116,11
6,41
13,47
0,74
2,70
0,15
Sawah Irigasi
23,18
1,28
Sawah Tadah Hujan
40,64
2,24
Tegalan/Ladang
92,85
5,13
Hutan Kebun/Perkebunan Pemukiman Rumput/Tanah kosong
Jumlah 1.811,50 Sumber : hasil interpretasi data SPOT 5 Tahun 2005.
100,00
Data penampakan dari Citra SPOT 5 ditunjukkan pada Gambar 12 dan hasil interpretasi citra dengan kombinasi peta RBI skala 1 : 25.000, ditunjukkan pada Gambar 13.
Gambar 12. Penampakan penutupan lahan dari citra SPOT 5 tahun 2005 di Sub DAS Cisadane Hulu
46
Gambar 13. Hasil interpretasi citra SPOT5 kombinasi dengan RBI skala 1 : 25.000 di Sub DAS Cisadane Hulu Berdasarkan klasifikasi
tanah sistem USDA, jenis tanah yang ada di
daerah kajian ada 2 jenis, yaitu distropept dan hidraquent. Jenis tanah distropept merupakan tanah agak lapuk iklim panas dengan nilai jenuh tanah bawah basa yang rendah. Jenis tanah hidraquent merupakan tanah tidak lapuk, kejenuhan permanen, yang lembut bila terinjak dan sebagian besar bertekstur halus. Sebaran tanah distropept hanya sebagian kecil, sekitar 56,2 ha ( ± 3,1 %) dan sisanya termasuk dalam jenis hidraquent sekitar 1.755,3 ha (± 96,9 %).
Peta sebaran
jenis tanah ditunjukkan pada Gambar 14.
Sumber : peta sistem lahan skala 1 : 250.000 Gambar 14. Peta sebaran jenis tanah di Sub DAS Cisadane Hulu
47
Kondisi ketinggian tempat daerah kajian berkisar antara 512,5 – 2.235,4 m dpl seperti disajikan pada Gambar 15 dan sebaran kelas lereng disajikan pada Gambar 16.
Gambar 15. Sebaran topografi di Sub DAS Cisadane Hulu
Gambar 16. Sebaran kemiringan lahan di Sub DAS Cisadane Hulu Daerah hulu DAS Cisadane merupakan daerah sekitar G. Lingkung, termasuk dalam Taman Nasional Gede-Pangrango.
Bentuk fisiografi sangat
curam ( > 40%) paling banyak ditemukan di sekitar Desa Cibedug. Prosentase setiap kelas lereng di Sub DAS Cisadane hulu ditunjukkan pada Tabel 6.
48
Tabel 6. Prosentase setiap kelas lereng di Sub DAS Cisadane Hulu No 1 2 3 4 5
Kelas Lereng
0-8 % 8 - 15% 15 - 25% 25 - 40% >40% Jumlah Sumber : hasil pengolahan
Luas (Ha) 91,8 109,2 384,1 1.031,0 195,5 1.811,6
(%) 5,07 6,03 21,21 56,91 10,79 100,00
Struktur formasi geologi daerah kajian berdasarkan peta geologi lembar Bogor termasuk kedalam batuan gunung api. Daerah kajian termasuk batuan gunungapi tua (Qvt) yang mengandung tuff berbatu apung. Luas daerah yang termasuk Qvt sekitar 101,4 ha (± 5,6 %). Daerah di sebelah selatan terdapat batuan gunungapi G. Pangrango dengan endapan lava dan lahar yang lebih tua (Qvpy), mengandung basal andesit dengan ologoklas-andesin, labradorit, olovin, piroksen dan horenblenda. Kategori batuan ini sekitar 179,7 Ha (± 9,92 %). Sebagian besar daerah kajian termasuk batuan gunung api G. Pangrango dengan endapan lahar yang lebih muda (Qvpo) yang tersusun atas andesit, sekitar 84,49 % (± 1.530,5 ha). Sebaran formasi geologi ditunjukkan pada Gambar 17.
sumber : peta geologi lembar bogor skala 1 : 100.000; Direktorat GTL Bandung Gambar 17. Struktur formasi geologi daerah Sub DAS Cisadane Hulu
49
Data input peta untuk aplikasi model SWAT adalah data spasial dan non spasial. Data spasial yang digunakan adalah tipe penggunaan lahan, jenis tanah, peta Digital Elevation Model (DEM) dan jaringan sungai. Data non spasial meliputi data cuaca dan data hidrologi.
Data cuaca meliputi
curah hujan,
kelembaban, relatif, suhu, radiasi surya dan kecepatan angin sepetrti yang disajikan pada Gambar 18. Berdasarkan data hasil pengukuran suhu udara rata-rata berkisar antara 21,8 oC – 25,4 oC dengan suhu maksimum antara 22,9 oC – 30,8 oC dan suhu minimum berkisar antara 17,8 oC – 22,6 oC. Kelembaban relatif udara berkisar antara 85,8 – 100 %, dengan kecepatan angin berkisar antara 0,02 – 0,716 m/s. Data radiasi surya berkisar antara 13,99 – 21,07 MJ/m2/hari.
Gambar 18. Penampang outlet di Sub DAS Cisadane Hulu. Hubungan antara tinggi muka air (H, m) dengan debit sungai (Q, m3/s) untuk lokasi studi mengikuti persamaan sebagai berikut :
Q 37, 254* H 2.9162 , R2 0.967 .......................................(36) Berikut adalah tampilan beberapa input model SWAT dalam proses input data, kalibrasi dan validasi model :
50
Gambar 19. Tampilan input model SWAT
Gambar 20. Proses pembuatan pembatasan DAS secara otomatis
51
Penutupan Lahan
Jenis Tanah
Gambar 21. Penentuan hidrologi respon unit berbasis data tanah dan landuse
Gambar 22. Input data iklim pada model SWAT
52
Form Input Parameter
Form input parameter HRU Form input parameter Sub Basin
Gambar 23. Input parameter sub basin dan input parameter HRU
Form input parameter main chanel
F E
Form input parameter ground water
Gambar 24. Input parameter ground water dan saluran sungai
53
Gambar 25. Halaman user interface input model SWAT
Prosedur dalam algoritma SUFI2 dalam melakukan kalibrasi adalah sebagai berikut (Abbaspour et al., 2004): 1. Mendefinisikan objective function, g(h), sebagai tujuan optimasi. Dalam studi ini menggunakan Nash-Sutcliffe efficiency (Nash dan Sutcliffe, 1970) : n
NSE 1.0
(O P ) i 1 n
i
2
i
(Oi õ)2
..………………………………….……………(37)
i 1
Dimana : Oi : data observasi ke-i, õ
: rata-rata data observasi
Pi : hasil simulasi ke-i, n
: jumlah data
Mendefinisikan nilai awal kisaran parameter yang digunakan dalam SWAT min,
[abs
abs max] , dengan asumsi parameter tersebar seragam dalam batas kisaran yang
ditentukan (bj: bj, [j,abs min ≤ bj ≤ j,abs max, j = 1.... m, m=jumlah parameter).
54
Dalam studi ini batas kisaran yang ditentukan yang menjadi input parameter SWAT, disajikan Tabel 7. Tabel 7. Kisaran nilai parameter yang digunakan dalam parameter SUFI2 No(j)
Parameter
Keterangan
1
cn2.mgt
Curve number
2
shallst.gw
3
Unit
abs
abs
min
max
-
35
70
Initial depth of water in the shallow aquifer
mm
0
1.000
deepst.gw
Initial depth of water in the deep aquifer
mm
0
3.000
4
gw_delay.gw
Groundwater delay
hari
0
500
5
alpha_bf.gw
Baseflow alpha factor
hari
0,01
1
6
gwqmn.gw
Threshold deep of water in the shallow aquifer required for return to occur
mm
0
5.000
7
gw_revap.gw
Groundwater revap coefficient
0,02
0,2
8
revapmn.gw
Threshold deep of water in the shallow aquifer required for revap to occur
mm
0
500
9
rchrg_dp.gw
Deep aquifer percolation fraction
-
0
1
10
gwht.gw
Initial groundwater height
m 3
-
0
25
3
11
gw_spyld.gw
Specific yield of shallow aquifer
m /m
0
0,4
12
sol_crk.sol
Crack volume potensial of soil
m3/m3
0
1
13
sol_bd.sol
Moisture bulk density
g/cm3
1,1
2,5
14
sol_awc.sol
Available water capacity of the soil layer
mm/mm
0
1
15
sol_k.sol
Saturated hydraulic conductivity
mm/jam
0
2.000
55
Tabel 7. Kisaran nilai parameter yang digunakan dalam parameter SUFI2 (lanjutan) No(j) Parameter
Keterangan
Unit
abs
abs
min
max
16
sol_alb.sol
Moisture soil albedo
-
0
0,25
17
ch_n2.rte
Manning's "n" value for the main channel
-
0
0,3
18
ch_k2.rte
Effective hydraulic conductivity in main channel alluvium
mm/jam
0
10
19
slsubbsn.hru
Average slope length
mm
10
150
20
slope.hru
Average slope steepness
m/m
0
0,6
21
ov_n.hru
Manning's "n" value for overland flow
-
0
0,8
22
Slsoil.hru
Slope length for lateral subsurface flow
m
0
0,6
23
esco.hru
Soil evaporation compensation factor
-
0,01
0,5
24
ch_k1.sub
Effective hydraulic conductivity in tributary channel alluvium
mm/hr
0
150
25
ch_n11.sub
Manning's "n" value for tributary channel
-
0,01
0,3
26
surlag.bsn
Surface run off lag time
hari
1
24
2. Metode latin hipercube sampling digunakan untuk membangkitkan parameter yang digunakan dalam simulasi. Jumlah kombinasi yang muncul sebanyak niterasi simulasi yang dikehendaki. Dalam studi ini dilakukan sebanyak 400 iterasi (rekomendasi 500 – 1000 iterasi).
Kisaran parameter yang muncul
menjadi [j,min ≤ bj ≤ j,max], j,min > j,abs min dan j,max< j,abs max. 3. Menghitung nilai objective function, g(h), sebagai tujuan optimasi. Hasil simulasi yang paling baik dirumuskan sebagai max(wns) dari sejumlah iterasi simulasi yang dilakukan, w sebagai faktor pembobot.
56
4. Menghitung standar deviasi (sj) pada selang kepercayaan 95 % dari parameter yang terbaik hasil iterasi. c, merupakan batas bawah parameter covariance matrix,dimana
sg 2
merupakan
ragam dari objective function sebanyak n iterasi. J merupakan sensitivity matrix yang diperoleh dari persamaan J ij
gi , i=1 bj
to n iterasi, j= 1 sampai jumlah parameter. 6. Menghitung sensitivitas parameter dengan menggunakan t-tes yang diperoleh dengan menggunakan analisis regresi berganda antara sejumlah nilai parameter dengan nilai objective function, dirumuskan sebagai berikut:
Di mana m sebagai jumlah parameter disimulasikan. 7. Menilai tingkat ketidakpastian keluaran model dengan seberapa banyak data observasi masuk dalam 95ppu (batas bawah 2.5 %(xl) dan batas atas 97.5 % (xu) dari akumulasi sebaran setiap n data observasi yang disebut sebagai pfactor
dan
r-faktor (tingkat ketidakpastian) yang diekspresikan sebagai
berikut: di mana x sebagai standar deviasi data observasi. Hasil terbaik dalam proses kalibrasi diperoleh pada iterasi ke 1.260 dari jumlah iterasi 3000. Objective function dengan menggunakan nash Sutcliffe coefficient (NSC) atau efesiensi model menunjukkan nilai 0,88. Parameter pfaktor menunjukkan nilai 0,62; artinya pada selang kepercayaan 95% sekitar 62%
57
data observasi berada dalam kisaran ketidakpastian model. Grafik 95% prediction uncertainty (95PPU) hasil kalibrasi disajikan Gambar 26. Debit (m3/s) 50
Curah Hujan(mm) 0
45 40
50
35 30
100
95PPU
25
Debit observasi
20
150
15 10
200
5 0
250 1/1
2/1
3/1
4/1
5/1
6/1
7/1
8/1
9/1
10/1
11/1
12/1
Gambar 26. Perbandingan data observasi terhadap kisaran hasil model Parameter terpilih yang digunakan dalam model ditunjukkan dalam Tabel 8. Dari 26 parameter yang dikalibrasi terdapat 7 parameter yang sensitif, yaitu gwht, slsubsn, gwqmn, ch_k2, sol_awc, chnii dan ch_n2. Parameter ini memiliki t-stat lebih besar dari p-value. Tabel 8. Hasil kalibrasi model dengan algoritma SUFI2 No
Parameter
1
surlag.bsn
2
cn2.mgt
3
Fitted Nilai Nilai value Minimum Maksimum 1.2875 1 24
t-stat
P-value
-8,61
0,00
77.862495
35
80
-4,99
0,00
sol_bd.sol
2.2025
1.1
2.5
-4,09
0,00
4
deepst.gw
157.5
0
3000
-1,46
0,15
5
sol_k.sol
547,5
0
3000
-1,29
0,20
6
sol_crk.sol
0,1775
0
1
-1,19
0,23
7
rchrg_dp.gw
0,0375
0
1
-1,02
0,31
8
revapmn.gw
251,25
0
500
-0,99
0,32
9
slope.hru
0,0555
0
0.6
-0,87
0,38
58
Tabel 8. Hasil kalibrasi model dengan algoritma SUFI2 (lanjutan) No
Parameter
10
gw_delay.gw
11
shallst.gw
12
Fitted value
Nilai Nilai Minimum Maksimum
T-stat
P-value
288,75
0
500
-0,81
0,42
592,5
0
1000
-0,57
0,57
alpha_bf.gw
1,437825
0,01
2
-0,33
0,74
13
gw_revap.gw
0,19775
0,02
0.2
-0,25
0,80
14
sol_alb.sol
0,109375
0
0.25
-0,24
0,81
15
ch_k1.sub
7,375
0
10
-0,05
0,96
16
gw_spyld.gw
0,255
0
0.4
-0,02
0,99
17
esco.hru
0,329725
0,01
0.5
0,10
0,92
18
slsoil.hru
0,2655
0
0.6
0,27
0,79
19
ov_n.hru
0,166
0
0.8
0,51
0,61
20
gwht.gw*
13,0625
0
25
0,89
0,37
21
slsubbsn.hru*
123,75
10
150
1,22
0,22
22
gwqmn.gw*
387,5
0
5000
1,52
0,13
23
ch_k2.rte*
19,125
0
150
1,61
0,11
24
sol_awc.sol*
0,3175
0
1
2,21
0,03
25
ch_n11.sub*
0,173125
0,01
0,3
3,14
0,00
26
ch_n2.rte*
0,00075
0
0,3
8,07
0,00
Ket: *) parameter yang sensitive (t-stat> p-value)
Pada Gambar 27 menunjukkan bahwa hubungan antara debit sungai keluaran model simulasi dan observasi berupa linear positif dengan koefesien determinasi (R2) sebesar 0,881(n=366). Jika dibandingkan dengan garis y=x (Qobs=Qmodel), terlihat bahwa rat-rata hasil keluaran model 4,4 % relatif lebih tinggi dibandingkan dengan debit hasil pengukuran.
59
12 QObs = 0,957*Qmodel R² = 0,881 n=366
Qobs (m3/s)
10 8 6
4 2 Qmodel (m3/s)
0 0
2
4
6
8
10
12
Q Outflow (m3/s)
20.0 Curah Hujan Observasi Model
15.0 10.0 5.0 0.0 1/1
2/1
3/1
4/1
5/1
6/1
7/1
8/1
9/1
0 20 40 60 80 100 120 140 160 180 200 220 240
Curah Hujan (mm)
Gambar 27. Hubungan antara debit model dan debit observasi
10/1 11/1 12/1
Gambar 28. Hasil kalibrasi harian antara keluaran model dan hasil observasi. Proses validasi menggunakan data debit 1 Januari 2009 sampai 7 Januari 2010 dengan menggunakan parameter hasil kalibrasi. Pada Gambar 29 menunjukan koefesien determinasi (R2) dari hubungan linear antara debit hasil model dan observasi menunjukan nilai 0,72 (n data 372). Nilai koefesien determinasi hasil validasi lebih rendah dibandingkan hasil kalibrasi. Rata-rata hasil model relatif lebih tinggi 6 %. Nilai nash Sutcliffe coefficient (NSC) menunjukkan nilai 0,7. Hydrograp antara hasil model dan observasi di sajikan
60
Gambar 30. Gambar ini menunjukan pada musim kemarau dan kejadian hujan extrem kurang begitu baik disimulasi oleh model, namun model cukup sensitif terhadap kejadian hujan. 8 7
Qobs= 0,926*Qmodel R² = 0,721 n=372
Qobs (m3/s)
6 5 4 3 2 1 Qmodel (m3/s)
0 0
1
2
3
4
5
6
7
8
Q Outflow (m3/s)
20.0 15.0 Curah Hujan Observasi Model
10.0 5.0 0.0 1/1
2/1 3/1
4/1
5/1
6/1
7/1
8/1
0 20 40 60 80 100 120 140 160 180 200 220 240
Curah hujan (mm)
Gambar 29. Hubungan antara debit simulasi dan debit observasi
9/1 10/1 11/1 12/1
Gambar 30. Perbandingan debit observasi dan hasil validasi 4.2. Validasi dan Kalibrasi di Sub DAS Gumbasa Lokasi studi merupakan daerah tangkapan air Sungai Gumbasa dengan panjang aliran utama 98,75 Km. Masyarakat sekitar memanfaatkan air Sungai Gumbasa sebagai sumber air untuk pengairan di daerah irigasi Gumbasa. Sumber
61
air
Sungai Gumbasa berasal dari Danau Lindu ( 3.488 ha).
Masyarakat
memanfaatkan Danau Lindu sebagai tempat mencari ikan dan daerah wisata alam. Aliran maksimum di Sungai Gumbasa mencapai 80,5 m3/s yang terjadi pada bulan Januari, dan aliran minimum mencapai 16,87 m3/s yang terjadi pada bulan Maret. Lokasi studi merupakan outlet kawasan Taman Nasional Lore Lindu (TNLL). Sekitar 83,53 %, tipe penutupan lahannya berupa hutan yang termasuk tipe ekosistem hutan tropika, dengan tipe hutan pegunungan bawah. Tipe vegetasi yang dapat dijumpai di hutan tropika dan pegunungan bawah, antara lain Eucalyptus deglupta, Pterospermum celebicum, Cananga odorata, Gnetum gnemon, Castanopsis argentea, Agathis philippinensis, Philoclados hypophyllus, tumbuhan obat, dan rotan. Tipe penutupan lahan lainnya adalah kebun coklat dan kopi (6,96 %). Tipe penutupan secara lengkap ditunjukkan pada Tabel 9. Tabel 9. Berbagai tipe penutupan lahan di Sub DAS Gumbasa No 1 2 3 4 5 6 7 8 9 10
Tipe Penutupan Lahan
Hutan Alam Hutan Terbuka Tubuh Air Padi sawah Tegalan / Tanah Terbuka Kebun Kelapa Kebun Coklat / Kopi Padang Rumput Ilalang Pemukiman Jumlah Sumber : Hasil analisis
Luas (%) 71,95 11,58 3,15 1,34 3,19 0,02 6,96 0,82 0,83 0,16 100,00
(Ha) 86.547,5 13.924,3 3.793,4 1.616,8 3.835,7 18,3 8.378,2 992,0 998,9 187,1 120.292,3
Berdasarkan klasifikasi tanah Dudal-Supraptoharjo, jenis tanah di lokasi studi terbagi menjadi dua kelompok besar yaitu asosiasi podsolik merah kuning,
62
litosol dan regosol serta asosiasi podsolik coklat kelabu dan renzina. Asosiasi podsolik coklat kelabu dan renzina lebih mendominasi sebaran jenis tanah di lokasi studi, sebesar 84,46%. Sebaran jenis tanah secara lengkap disajikan pada Tabel 10. Peta sebaran jenis tanah di lokasi studi di tunjukkan pada Gambar 31.
Gambar 31. Sebaran jenis tanah di Sub DAS Gumbasa Jenis tanah asosiasi podsolik merah kuning, litosol dan regosol tersebar terutama di daerah dataran-perbukitan. Jenis tanah ini mengalami podzolisasi dan sedikit latosolisasi, di mana hutan merupakan vegetasi utama, bahan organik cukup tinggi, tingkat infiltrasi sedang dan termasuk kelompok hidrologi tanah B. Asosiasi podsolik coklat kelabu dan renzina merupakan tanah yang berkembang pada iklim dengan curah hujan diatas 1.500 mm/tahun, tanpa bulan kering.
63
Terletak pada topografi datar, bergelombang, sampai pegunungan; pada elevasi 10 – 2.000 m dpl. Warna tanah kehitaman, coklat tua hingga kekuningan. Reaksi tanah masam hingga netral (pH 5-7) dan termasuk kelompok hidrologi tanah B. Tabel 10. Sebaran jenis tanah di Sub DAS Gumbasa No
Luas
Jenis tanah
%
Ha
1
Podsolik Merah Kuning, Litosol, Regosol
15,54
18.687,8
2
Podsolik Coklat Kelabu, Renzina
84,46
101.604,5
100,00
120.292,3
Jumlah
Ketinggian tempat lokasi studi berkisar antara 82,9 – 2.525,0 m dpl. Bentuk fisiografi lahan terbentang dari dataran hingga pegunungan. Wilayah datar banyak terdapat di sekitar wilayah Kecamatan Sigibiromaru dan Kulawi. Pada bagian tengah sampai selatan merupakan daerah pegunungan; masing-masing berjejer G. Nokelan (2.350 m), G. Tonosa (2.230 m), G. Lantawungu (2.270 m) dan G. Potowonoa (1.930 m). Tampilan 3 Dimensi dari Sub DAS Gumbasa ditunjukkan pada Gambar 32 dan distribusi kelas lereng disajikan pada Tabel 11. Tabel 11. Distribusi kelas lereng di Sub DAS Gumbasa Luas
No
Kelas Lereng
1
0-8%
Datar
38.705,7
32,2
2
8 - 15 %
Landai
19.175,2
15,9
3
15 - 25 %
Agak curam
31.312,3
26,0
4
25 - 40 %
Curam
27.134,8
22,6
5
> 40 %
3.964,2
3,3
120.292,3
100,0
Klasifikasi Lereng
Sangat curam Jumlah
Sumber : Hasil analisis
( Ha )
(%)
64
Danau Lindu
Gambar 32. Tampilan 3 dimensi Sub DAS Gumbasa Kondisi iklim wilayah studi sangat dipengaruhi oleh kondisi monsunal, yaitu musim barat yang kering dan musim timur yang banyak membawa uap air. Musim timur terjadi sekitar Bulan April sampai dengan September yang ditandai dengan banyak curah hujan, sedangkan musim barat sekitar Bulan Oktober sampai Maret yang ditandai dengan kurangnya curah hujan. Rataan curah hujan tahunan lokasi studi berkisar antara 1.237 – 1.927 mm/tahun. Sebarannya paling tinggi berada di sekitar wilayah dataran yang termasuk Kecamatan Sigibiromaru. Paling rendah berada di sekitar outlet lokasi studi.
Gambaran kondisi iklim
lokasi studi berdasarkan pada data tahun 2001 – 2005 dari 7 stasiun cuaca yang tersebar di sekitar lokasi studi disajikan pada Lampiran 1-7.
Rekapitulasi nilai
rataan setiap unsur cuaca setiap stasiun disajikan Tabel 12. Sebaran curah hujan tertinggi ada di lembah Palolo berkisar 1.800 - 1.900 mm/tahun. Pola sebaran curah hujan secara lengkap disajikan pada Gambar 33 Lokasi studi Sub DAS Gumbasa dengan luas 120.292,3 Ha dalam
pembagian
Hydrologi Respon Unit (HRU) ditentukan dengan memilih penutupan lahan dan jenis tanah yang dominan, yaitu hutan dan tanah asosiasi podsolik coklat kelabu
65
dan renzina berdasarkan nilai kisaran awal untuk kalibrasi secara lengkap disajikan pada Tabel 13. Tabel 12. Nilai unsur-unsur cuaca setiap stasiun di sekitar Sub DAS Gumbasa Curah Hujan No
RH
Radiasi
Stasiun (mm)
(HH)
(%)
(MJ/m)
Tmax o
Tmin o
T o
( C)
( C)
( C)
KecAngin (m/s)
1
pl01
1.190
155
80,3
18,7
25,8
19,8
22,8
0,89
2
pl02
1.726
242
83,0
17,1
17,1
11,1
14,1
0,95
3
pl03
1.927
231
86,6
18,0
27,2
21,2
24,2
0,65
4
pl04
1.695
242
84,3
17,1
18,6
12,6
15,6
0,94
5
pl07
1.235
174
80,1
19,6
30,3
24,3
27,3
0,80
6
pl010
582
115
74,5
19,6
30,9
24,9
27,9
1,40
7
pl012
1.935
232
85,0
17,7
26,6
20,6
23,6
0,95
Sumber : Hasil analisis
Gambar 33. Pola sebaran curah hujan di Sub DAS Gumbasa
66
Tabel 13. Kisaran nilai parameter yang digunakan dalam kalibrasi SUFI2 No
Parameter
Keterangan
Unit -
abs
abs
min
max
1
cn2.mgt
curve number
2
shallst.gw
Initial depth of water in the shallow aquifer
mm
0 1000
3
deepst.gw
Initial depth of water in the deep aquifer
mm
0 3000
4
gw_delay.gw
Groundwater delay
Hari
0
500
5
alpha_bf.gw
Baseflow alpha factor
Hari
0,01
1
6
gwqmn.gw
Threshold deep of water in the shallow aquifer required for return to occur
mm
7
gw_revap.gw
Groundwater revap coeffecient
8
revapmn.gw
Threshold deep of water in the shallow aquifer required for revap to occur
9
rchrg_dp.gw
10
-
35
70
0 5000 0,02
0,2
mm
0
500
Deep aquifer percolation fraction
-
0
1
gwht.gw
Initial groundwater height
M
0
25
11
gw_spyld.gw
Specific yield of shallow aquifer
m3/m3
0
0,4
12
sol_crk.sol
Crack volume potensial of soil
m3/m3
0
1
13
sol_bd.sol
Moisture bulk density
gr/cm3
1,1
2,5
14
sol_awc.sol
Available water capacity of the soil layer
mm/mm
0
1
15
sol_k.sol
Saturated hydraulic conductivity
mm/jam
0 2000
16
sol_alb.sol
Moisture soil albedo
-
0
0,25
17
ch_n2.rte
Manning's "n" value for the main channel
-
0
0,3
18
ch_k2.rte
Effective hydraulic conductivity in main channel alluvium
mm/jam
0
10
19
slsubbsn.hru
Average slope length
M
10
150
20
slope.hru
Average slope steepness
m/m
0
0,6
67
Tabel 13. Kisaran nilai parameter yang digunakan dalam (lanjutan) No
Parameter
Keterangan
kalibrasi SUFI2
Unit
abs
abs
min
max
21
ov_n.hru
Manning's "n" value for overland flow
22
slsoil.hru
Slope length for lateral subsurface flow
M
0
0,6
23
esco.hru
Soil evaporation compensation factor
-
0,01
0,5
24
ch_k1.sub
Effective hydraulic conductivity in tributary channel alluvium
mm/jam
0
150
25
ch_n11.sub
Manning's "n" value for tributary channel
-
0,01
0,3
26
surlag.bsn
Surface run off lag time
Hari
1
24
-
0
0,8
Dalam proses kalibrasi model SWAT di Sub DAS Gumbasa, dilakukan iterasi simulasi sebanyak 400 kali. Hasil terbaik diperoleh pada iterasi ke 7 dengan nilai g(h) paling tinggi (0,001388). Parameter model terbaik hasil iterasi disajikan pada Tabel 14. Nilai p-factor sekitar 0,82; artinya 82 % data observasi berada dalam kisaran 95PPU. Nilai d-factor (the degree of uncertainty) sebesar 3,82. Idealnya, nilai (p-factor) adalah 100 % dan d-factor adalah nol (0), karena dalam pengukuran data observasi juga memiliki error dan output model juga memiliki nilai ketidakpastian, maka nilai p-factor dan d-factor yang mendekati nilai ideal juga bisa diterima (Abbaspour et al., 2008 dan Abraham et al., 2007). Nilai koefesien determinasi (R2) dengan intercept 0 sebesar 0,747. Rata-rata hasil model sekitar 10,4 % lebih besar dibandingkan hasil observasi. Nilai
Nash-
Sutcliffe coefficient (NSC) sebesar 0,79. Dalam proses kalibrasi Nilai R2 yang bisa diterima lebih besar dari 0,6 dan NSC lebih besar dari 0,5 (Nash dan Sutcliffe,
68
1970). Perbandingan Q observasi, Q simulasi dan 95 PPU selama periode kalibrasi ditunjukkan pada Gambar 34 dan 35. 200
0
180
Debit sungai (m 3/s)
140
40
120
95PPU Qobs (m3/s)
100
CH(mm) Qmodel (m3/s)
60
80 80
60 40
100
20 0
120 1/1
2/1
3/1
4/1
5/1
6/1
7/1
8/1
9/1
10/1
11/1
12/1
Gambar 34. Perbandingan debit simulasi dan observasi pada proses kalibrasi 70 Qobs= 0,9055Qmodel R2 = 0,7473 n=366
60
Qobs (m3/s)
50 40 30 20 10 0 0
10
20
30
40
50 60 70 Qmodel (m3/s)
Gambar 35. Hubungan antara debit observasi dan debit model SWAT
Curah Hujan (mm)
20
160
69
Tabel 14. Parameter model terbaik hasil iterasi dengan algorithma SUFI2
1
cn2.mgt*
Fitted Value 66,019
4,076
PValue 0,000
2
shallst.gw
23,750
0,0
512,0
0,319
0,750
3
deepst.gw*
2096,250
1047,7
3144,8
1,411
0,159
4
gw_delay.gw
176,875
15,2
338.5 -0,052
0,959
5
alpha_bf.gw
0,115
0,0
0,6 -5,148
0,000
6
gwqmn.gw
4031,250
2014,9
6047,6 -0,599
0,549
7
gw_revap.gw*
0,051
0,0
0,1
1,090
0,276
8
revapmn.gw*
161,875
0,0
331,0
0,676
0,499
9
rchrg_dp.gw
0,584
0,3
0,9 -0,585
0,559
10
gwht.gw
2,281
0,0
13,6 -0,984
0,326
11
gw_spyld.gw
0,118
0,0
0,3
0,299
0,765
12
sol_crk.sol
0,621
0.3
0,9
1,803
0,072
13
sol_bd.sol
2,369
1,7
3,0 -3,115
0,002
14
sol_awc.sol
0,294
0,0
0,6 -0,346
0,729
15
sol_k.sol
517,500
0,0
1259,0 -0,043
0,966
16
sol_alb.sol
0,087
0,0
0,2 -1,206
0,229
17
ch_n2.rte*
0,252
0,1
0,4 30,296
0,000
18
ch_k2.rte*
9,713
4,9
14,6
4,090
0,000
19
slsubbsn.hru
40,975
0,0
95,5
0,316
0,752
20
slope.hru*
0,451
0,2
0,7
1,531
0,127
21
ov_n.hru
0,013
0,0
0,4 -0,115
0,909
22
slsoil.hru
0,196
0,0
0,4
0,487
0,627
23
esco.hru*
0,209
0,1
0,4
0,681
0,497
24
ch_k1.sub
149,813
74,9
224,7 -1,401
0,162
25
ch_n11.sub
0,123
0,0
0,2 -0,182
0,855
26
surlag.bsn*
18,796
9,9
No
Parameter
Nilai Minimum 50,5
Nilai Maksimum 81,5
Ket: *) parameter yang sensitive (t-stat> p-value)
27,7
t-Stat
0,745
0,457
70
Analisis sensitivitas setiap parameter terhadap output model dilakukan dengan menggunakan t-test. Jika nilai t-Stat lebih besar dibandingkan P-Value menunjukan parameter tersebut sensitif. Dari 26 parameter dilakukan pengujian terdapat 10 parameter yang sensitif; yaitu ch_n2, ch_k2, cn2, sol_crk, slope, deepst, gw_revap, surlag, esco dan revapmn. Diantara parameter – parameter yang sensitif tersebut, ch_n2 paling sensitif selanjutnya parameter ch_k2 dan cn2. Pengembangan model SWAT kedepan mengarah pada proses aplikasi di pertanian dalam arti luas (Gassman et al., 2007), untuk bidang perubahan iklim (Gui dan Rosbjerg, 2009). Dari hasil analisis kalibrasi tersebut, maka aplikasi model SWAT di Sub DAS Gumbasa sangat mengembirakan untuk ditindaklanjuti dengan validasi dan simulasi pemodelan sumberdaya air, dan simulasi perubahan penutupan lahan, perubahan iklim dan sosial di masa mendatang dan model SWAT dapat dipergunakan untuk tahapan lebih lanjut dalam pemodelan DAS di Sub DAS Gumbasa.
