PEMODELAN DAN SIMULASI TINGGI GENANGAN BANJIR DI KECAMATAN GUBENG KOTA SURABAYA MENGGUNAKAN SISTEM INFORMASI GEOGRAFIS Ratri Enggar Pawening 1, Joko Lianto Buliali 2, Ahmad Saikhu 2 Mahasiswa Jurusan Teknik Informatika 1 , Dosen Pembimbing 2 Jurusan Teknik Informatika, Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember Email :
[email protected] Abstrak Salah satu pemanfaatan teknologi informasi adalah untuk melakukan prediksi tinggi genangan banjir. Dengan menganalisis data-data faktor penyebab banjir, yaitu mencari korelasi antara ketinggian banjir dengan sejumlah tautan, kemudian mengintegrasikan ke dalam Sistem Informasi Geografis (SIG) maka dapat diprediksi tingginya genangan banjir di suatu daerah, sehingga proses pengambilan keputusan dalam mengantisipasi banjir bisa dilakukan jauh hari. Tugas akhir ini dibuat untuk melakukan analisis statistik terhadap data faktor-faktor alam yang diduga menjadi penyebab banjir (curah hujan, kelembaban udara, temperatur, dan pasang air laut) dalam sebuah model matematis. Model matematis tersebut selanjutnya digunakan di dalam SIG untuk proses simulasi menghitung tinggi genangan banjir di wilayah Kecamatan Gubeng Kota Surabaya pada musim hujan. Hasil korelasi antar variabel prediktor menunjukkan adanya kasus multikolinearitas, untuk itu pembuatan model dilakukan dengan menggunakan metode principal component regression. Ada dua model yang diujicobakan dalam tugas akhir ini. Berdasarkan nilai RMSE, RMSPE, MAPE, dan U, hasil regresi menunjukkan bahwa model yang terbaik adalah model yang menambahkan sebuah faktor pengaruh yaitu tinggi genagan banjir pada hari sebelumnya. Hasil validasi model untuk RMSE adalah 1.6543,RMSPE adalah 0.0973, MAPE adalah 1.0433, dan U adalah 0.1334. Model terbaik mempunyai nilai R2 88.99%. Penggunaan Sistem Informasi Geografis mempermudah dalam memvisualisasikan hasil rata-rata perhitungan tinggi genangan untuk melakukan prediksi daerah rawan banjir. Hasil simulasi perhitungan tinggi genangan banjir dimana data input merupakan hasil pembangkitan bilangan acak berdasarkan data hasil pengamatan menunjukkan bahwa rata-rata tinggi genangan banjir di Kecamatan Gubeng sebesar 4.20965 cm. Kata kunci : Pemodelan dan Simulasi, Principal Component Regression, Prediksi Tinggi Banjir. 1. PENDAHULUAN Pesatnya perkembangan teknologi informasi memberikan kemudahan untuk melakukan penelitian terhadap kondisi alam. Data-data dan informasi yang diperlukan dalam penelitian dapat diperoleh dengan lebih mudah. Kemudahan lainnya juga terjadi dalam proses analisa serta pengambilan keputusan. Dengan pemanfaatan teknologi ini diharapkan lebih banyak lagi hasil-hasil penelitian yang bermanfaat untuk diterapkan dalam kehidupan manusia. Salah satu pemanfaatan teknologi informasi adalah untuk melakukan prediksi tinggi genangan banjir sehingga dapat memberikan kemudahan dalam mengantisipasi terjadinya banjir. Dengan menganalisis data-data faktor penyebab banjir, yaitu mencari korelasi antara ketinggian banjir dengan sejumlah tautan, kemudian mengintegrasikan ke dalam Sistem Informasi Geografis (SIG) maka dapat diprediksi tingginya genangan banjir di suatu daerah, sehingga proses pengambilan keputusan dalam mengantisipasi banjir bisa dilakukan jauh hari. Menurut Kasi Informasi dan Observasi BMG Tanjung Perak, ada dua faktor yang menyebabkan banjir besar melanda Surabaya, yaitu tingginya curah hujan dan terjadinya air pasang laut di sekitar Surabaya. Hujan
merupakan proses siklus air karena air laut yang menguap membentuk awan. Temperatur udara yang tinggi menyebabkan penguapan air laut menjadi tinggi sehingga kelembaban udara meningkat. Hal inilah yang meyebabkan curah hujan terutama di Indonesia menjadi tinggi (Rovicky, 2009). Tugas akhir ini dibuat untuk melakukan analisis statistik terhadap data faktor-faktor alam yang diduga menjadi penyebab banjir (curah hujan, kelembaban udara, temperatur, dan pasang air laut) dalam sebuah model matematis. Model matematis tersebut selanjutnya digunakan di dalam SIG untuk proses simulasi menghitung tinggi genangan banjir di wilayah Kecamatan Gubeng Kota Surabaya pada musim hujan. Penelitian untuk menentukan daerah rawan banjir pernah dilakukan oleh Nugraha (2009), dimana metode prediksinya menggunakan multi criteria, yaitu dengan melakukan pembobotan terhadap indikator banjir. Tugas akhir ini diharapkan bisa menyempurnakan proses perhitungan dalam memprediksi banjir sehingga dapat menjadi bagian dari keseluruhan sistem yang pada akhirnya menghasilkan sebuah rekomendasi keputusan penanggulangan banjir pada daerah yang diprediksi sebagai area rawan banjir di Kota Surabaya.
1
Rangkaian dari sisitem ini terdiri dari sub sistemsub sistem yang mendukungnya. Pada sub sistem analisis data, data temporal dari BMG dianalisis untuk mengetahui data tersebut berdistribusi normal multivariate atau tidak (Purbowati, 2009). Pada sub sistem pembangkitan bilangan acak dilakukan proses membangkitkan suatu bilangan acak yang dikerjakan menggunakan linear congruential generator dan inverse transform untuk pembangkitan variasi acaknya (Wiarini, 2009). Pada sub sistem Sistem Informasi Geografis (SIG) dilakukan pembuatan SIG untuk menentukan daerah rawan banjir di Kota Surabaya. Metode yang dilakukan untuk menentukan area rawan banjir adalah menggunakan multi criteria (Nugraha, 2009). Pada sub sistem decission support system dilakukan analisis solusi penanggulangan banjir pada daerah yang tingkat kerawanan banjirnya tinggi. Solusi ini direkomendasikan menggunakan decission tree (Natalia, 2009). Sub sistem-sub sistem yang sudah disebutkan di atas sudah dikembangkan oleh penelitipeneliti sebelumnya. 2. TUJUAN PEMBUATAN TUGAS AKHIR Tujuan dari tugas akhir ini adalah mencari model matematis untuk mengetahui tinggi genangan banjir yang diduga dipengaruhi oleh faktor-faktor alam antara lain curah hujan, kelembaban, temperatur, dan pasang air laut, dengan studi kasus di Kecamatan Gubeng Kota Surabaya dan mengimplementasikannya ke dalam program SIG untuk selanjutnya dilakukan proses simulasi. 3. METODOLOGI Metode yang digunakan dalam proses pemodelan adalah menggunakan principal component regression yang ditunjukkan dalam Gambar 1.
Mulai
Deskripsi dan identifikasi Data
Standarisasi variabel X menjadi Z
Membuat matriks korelasi antar variabel prediktor
Menghitung eigen value dan eigen vector
1
Menentukan jumlah komponen yang akan digunakan
Melakukan regresi OLS dengan variabel respon Y
Tidak R2 > 75%
Tambah jumlah komponen yang digunakan
Ya Menghitung proporsi dan kumulatif
Menghitung nilai variabel baru W
Transformasi variabel W menjadi X asal
Selesai
1
Gambar 1 Diagram alir principal component regression Langkah-langkah pembuatan model menggunaan Principal Component Regression adalah : 1. Mendeskripsikan dan mengidentifikasi data, yaitu dengan mendeskripsikan karakteristik data melalui mean dan varian serta mengidentifikasi hubungan antar variabel. 2. Menstandarisasi variabel X menjadi Z dengan persamaan (1) 3. 4. 5.
Membuat matriks korelasi antar variabel prediktor. Menghitung eigen value dan eigen vector dari matriks korelasi. Membangkitkan variabel baru yang saling independen, dimana (2)
6.
Menentukan jumlah komponen yang akan digunakan berdasarkan kriteria nilai proporsi kumulatif eigen value lebih dari 75%. (3)
7.
Melakukan regresi Ordinary Least Square (OLS) antara Y dengan komponen yang dipilih. Dengan melihat nilai R-Squarenya, apabila nilainya kurang dari dari 75% maka dilakukan penambahan komponen, apabila sudah lebih dari 75% maka tidak perlu melakukan penambahan komponen. Mengubah variabel komponen hasil regresi ke dalam bentuk X yang asli, dengan cara mensubstitusikan variabel komponen dengan nilai Z (variabel prediktor yang sudah terstandarisasi).
8.
9.
2
Mulai
1.
Pengujian terhadap model dilakukan dengan : Uji Parameter Ada dua macam pengujian dalam uji parameter, yaitu uji serentak dan uji parsial. Pada uji serentak, statitik uji yang digunakan adalah F hitung. Data input yang digunakan dalam uji serentak adalah ditunjukkan dalam Tabel 1. NO 1. 2. 3. 4. 5.
Tabel 1 Input uji serentak Nama Input Keterangan y pengamatan aktual y prediksi Mean y n Jumlah pengamatan k Jumlah variabel prediktor
Output uji serentak ini adalah F hitung. Hipotesis : H0 : 1 0 2 j H1 : minimal ada satu
j
0 , j=1, 2, ..., k
Apabila Fhitung > Fα,(k,n-k-1), maka tolak H0. Apabila menggunakan P-value, jika P-value < α maka H0 ditolak, artinya parameter signifikan secara serentak. Data input yang digunakan dalam uji parsial ditunjukkan dalam Tabel 2. NO 1. 2.
Tabel 2 Input uji parsial Nama Input Keterangan Nilai dugaan Simpangan baku
Output uji parsial ini adalah thitung. Hipotesis : H0 : j 0 H1 :
j
0 , j=0, 1, 2, ..., k
Apabila thitung > t(α,n-k-1) maka tolak H0. Apabila menggunakan P-value, jika P-value < α maka tolak H0, artinya sudah signifikan. 2. Validasi Model Untuk melakukan validasi model, dalam tugas akhir ini menggunakan kriteria nilai sebagai berikut : a. Root Mean Square Error (RMSE) b. Root Mean Square Percent Error (RMSPE) c. Theil’s Inequality Coefficient (U) d. Mean Absolute Percentage Error (MAPE) e. R2 (koefisien determinasi) Model dikatakan baik apabila RMSE, RMSPE, MAPE bernilai kecil, R2 bernilai besar setidaknya lebih dari 0,75; dan U bernilai antara 0-1 dan yang paling mendekati 0. Diagram alir proses pembuatan Sistem Informasi Geografis ditunjukkan dalam Gambar 2.
Peta kecamatan
Seleksi Kecamatan Gubeng
Simulasi tinggi genangan banjir
Visualisasi hasil simulasi
Selesai
Gambar 2 Perancangan SIG Langkah-langkah pembuatan Sistem Informasi Geografis adalah sebagai berikut : 1. Memasukkan peta kecamatan di Surabaya (file .shp) ke dalam program ArcView. 2. Melakukan seleksi kecamatan sampel, yakni kecamatan Gubeng yang kemudian dijadikan sebuah theme baru. 3. Melakukan simulasi tinggi genangan banjir. Hasil rancangan pemodelan pada sub bab 3.3 diaplikasikan pada proses ini sebagai fungsi untuk menghitung tinggi genangan banjir. Data input yang digunakan dalam proses penghitungan adalah data hasil pembangkitan bilangan acak. 4. Hasil simulasi akan divisualisasikan ke dalam peta sesuai dengan besarnya tinggi genangan yang telah dikalkulasi. Variabel-variabel input yang diperlukan dalam proses simulasi ini adalah curah hujan, kelembaban, temperatur, dan pasang air laut. Gambar 3 menunjukkan diagram alir proses simulasi tinggi genangan banjir.
3
MULAI
Model data
Nilai variabel inputan
Menghitung tinggi genangan
Klasifikasi tinggi genangan
Matriks korelasi untuk model 1 menyatakan bahwa ada hubungan yang erat antara Y dengan X1. Hal ini ditunjukkan dengan nilai korelasi yang besar, yaitu 0,9393. Hubungan antar variabel prediktor juga terdapat nilai yang menyatakan adanya korelasi yang tinggi yaitu antara variabel prediktor X2 dengan vaiabel prediktor X3 sebesar -0,7422. Adanya sebuah hubungan yang erat antar variabel prediktor inilah yang menjadi indikasi adanya kasus multikolinearitas. Teknik regresi yang dipakai untuk menangani kasus multikolinearitas ini adalah dengan menggunakan principal component regression. Uji coba pemilihan komponen utama untuk proses regresi adalah sebagai berikut : a. 3 Komponen utama (komponen 1,2, dan 3) Hasil regresi apabila menggunakan 3 komponen utama ditunjukkan dalam Gambar 4.
Update property legend
SELESAI
Gambar 3 Simulasi tinggi genangan Besarnya tinggi genangan yang diperoleh dari hasil perhitungan selanjutnya diklasifikasikan ke dalam 3 kelompok yang ditunjukkan dalam Tabel 3. NO 1. 2. 3.
Tabel 3 Klasifikasi tinggi genangan banjir Klasifikasi Keterangan 0 – 5 cm banjir kecil 6 – 20 cm banjir sedang 21 – 60 cm banjir besar
Selanjutnya hasil pengklasifikasian ini digunakan sebagai property untuk meng-update legenda. 4. UJI COBA DAN EVALUASI Dalam perkembangan pembuatan tugas akhir, terdapat sebuah faktor yang diduga mempunyai pengaruh terhadap ketinggian banjir, yaitu nilai ketinggian banjir pada hari sebelumnya. Untuk itu ada 2 model yang akan dilakukan uji coba, tujuannya agar model-model tersebut bisa dibandingkan untuk mendapatkan model yang terbaik. Model 1 Data yang diperlukan dalam proses uji coba ditunjukkan dalam Tabel 4. NO 1.
2.
Tabel 4 Data uji coba Jenis Data Uji Coba Model Model 1 Data tinggi genangan, curah hujan, kelembaban, dan temperatur Model 2 Data tinggi genangan, curah hujan, kelembaban, temperatur, ketinggian banjir hari sebelumnya
Gambar 4 Hasil uji 3 komponen utama Pada uji parsial, hasil dari statistik uji distribusi t menunjukkan bahwa semua parameter signifikan terhadap model secara individu. Hal ini juga ditunjukkan oleh p-value untuk masing-masing variabel bernilai 0. Sedangkan pada uji serentak menggunakan statistik uji distribusi F yang menunjukkan bahwa parameter signifikan terhadap model. Parameter yang dihasilkan dari model regresi adalah ditunjukkan dalam Tabel 5. Tabel 5 Parameter regresi 3 komponen utama Parameter Nilai β0 3.8736 β1 1.6715 β2 -2.3995 β3 3.7902 Dari parameter yang ditunjukkan dalam Tabel 5 persamaan yang diperoleh: Y = 3,8736 - 1.6709W1 - 1.3453W2 - 2.0719 W3 Dimana W1 = variabel komponen 1, W2 = variabel komponen 2, dan W3 = variabel komponen 3. Dengan mentransformasikan variabel komponen
4
ke dalam bentuk X asal, maka didapatkan persamaan sebagai berikut : Y = 7.48394 + 0.25359X1 - 0.05348X2 0.08860X3 - 0.00284X4 Nilai R2 pada model ini > 75% yaitu sebesar 88,66% sehingga tidak perlu dilakukan penambahan komponen. Model 2 1. Uji coba 3 komponen utama Hasil regresi apabila menggunakan 3 komponen utama ditunjukkan dalam Gambar 5.
Gambar 6 Hasil uji 4 komponen utama Pada uji parsial, hasil dari statistik uji distribusi t menunjukkan bahwa semua parameter signifikan terhadap model secara individu. Hal ini juga ditunjukkan oleh p-value untuk masing-masing variabel bernilai 0. Sedangkan pada uji serentak menggunakan statistik uji distribusi F yang menunjukkan bahwa parameter signifikan terhadap model. Parameter yang dihasilkan dari model regresi ditunjukkan dalam Tabel 7. Gambar 5 Hasil uji 3 komponen utama Pada uji parsial, hasil dari statistik uji distribusi t menunjukkan bahwa semua parameter signifikan terhadap model secara individu. Hal ini juga ditunjukkan oleh p-value untuk masing-masing variabel bernilai 0. Sedangkan pada uji serentak menggunakan statistik uji distribusi F yang menunjukkan bahwa parameter signifikan terhadap model. Parameter yang dihasilkan dari model regresi ditunjukkan dalam Tabel 6. Tabel 6 Parameter regresi 3 komponen utama Parameter Model β0 3.8736 β1 -1.6709 β2 -1.3453 β3 -2.0719
2.
Dari parameter dalam Tabel 6 persamaan yang diperoleh : Y = 3,8736 - 1.6709W1 - 1.3453W2 - 2.0719 W3 Dimana W1 = variabel komponen 1, W2 = variabel komponen 2, dan W3 = variabel komponen 3. Nilai R2 pada model ini < 75% yaitu sebesar 45,80% sehingga perlu dilakukan penambahan komponen. Uji coba 4 komponen utama Hasil regresi apabila menggunakan 4 komponen ditunjukkan dalam Gambar 6.
Tabel 7 Parameter regresi 4 komponen utama Parameter Model β0 3.8736 β1 -1.6709 β2 -1.3453 β3 -2.0719 β4 3.7653 Dari parameter tersebut persamaan yang diperoleh: Y = 3,8736 - 1.6709W1 - 1.3453W2 - 2.0719 W3 + 3,7653W4 Dimana W1 = variabel komponen 1, W2 = variabel komponen 2, W3 = variabel komponen 3, W4 = variabel komponen 4. Nilai R2 pada model ini > 75% yaitu sebesar 88,99% sehingga tidak perlu dilakukan penambahan komponen. Dengan mentransformasikan variabel komponen ke dalam bentuk X asal, maka didapatkan persamaan sebagai berikut : Y = 7.8732 + 0.2539X1 - 0. 0553X2 - 0. 1034X3 0. 0034X4 + 0.0575X5 Untuk mencari model terbaik, maka perlu dilakukan validasi model. Hasil validasi model ditunjukkan dalam Tabel 8. Tabel 8 Validasi model Model 1 Model 2 RMSE
1.6789
1.6543
RMSPE
0.0988
0.0973
MAPE
1.0588
1.0433
5
U 2
R
0.1354
0.1334
88.66
88.99
Dari Tabel 8 dapat disimpulkan bahwa model 2 memiliki nilai RMSE, RMSPE, MAPE, dan U yang lebih kecil dibandingkan dengan model 1, sedangkan nilai R2 pada model 2 lebih besar daripada R2 model 1. Berdasarkan keterangan tersebut dapat disimpulkan bahwa model 2 lebih baik dibandingkan dengan model 1. Selanjutnya model 2 tersebut akan digunakan dalam proses simulasi pada SIG. Sistem Informasi Geografis Pada skenario 1 proses yang diujicobakan adalah bagaimana jika pengguna melakukan input satu persatu untuk memprediksi tinggi genangan banjir di daerah Gubeng. Pada skenario 2 pengujian dilakukan untuk mendapatkan tinggi genangan yang dipengaruhi oleh curah hujan, kelembaban, temperatur, pasang air laut, dan ketinggian pada hari sebelumnya. Data input tersebut adalah data hasil pengamatan nyata. Pada skenario 3 pengujian dilakukan untuk mendapatkan tinggi genangan banjir yang dipengaruhi oleh curah hujan, kelembaban, temperatur, pasang air laut, dan ketinggian pada hari sebelumnya. Masingmasing variabel mempunyai 87 baris data uji, hal ini dimaksudkan agar hasil uji coba dapat dibandingkan pada pengujian skenario 2. Data input pada pengujian skenario 3 ini merupakan hasil pembangkitan bilangan acak berdasarkan data hasil pengamatan. Pada skenario 4 pengujian dilakukan untuk mendapatkan tinggi genangan banjir yang dipengaruhi oleh curah hujan, kelembaban, temperatur, pasang air laut, dan ketinggian pada hari sebelumnya. Masingmasing variabel mempunyai 87 baris data, dimana data input merupakan hasil pembangkitan bilangan acak dengan menaikkan standar deviasi pada variabel curah hujan sebesar 25%. Pada skenario 5 pengujian dilakukan untuk mendapatkan tinggi genangan banjir yang dipengaruhi oleh curah hujan, kelembaban, temperatur, pasang air laut, dan ketinggian pada hari sebelumnya. Masingmasing variabel mempunyai 87 baris data, dimana data input merupakan hasil pembangkitan bilangan acak dengan menaikkan nilai rata-rata variabel curah hujan sebesar 25%. Pada skenario 6 pengujian dilakukan untuk mendapatkan tinggi genangan banjir yang dipengaruhi oleh curah hujan, kelembaban, temperatur, pasang air laut, dan ketinggian pada hari sebelumnya. Masingmasing variabel mempunyai 87 baris data, dimana data input merupakan hasil pembangkitan bilangan acak dengan menaikkan nilai rata-rata dan standar deviasi variabel curah hujan sebesar 25%. Hasil evaluasi dari percobaan yang sudah dilakukan adalah : 1. Untuk membandingkan hasil skenario 2 dengan skenario 3 dilakukan uji anova dengan hipotesis H0 : μ 1 = μ 2
H1 : μ 1 ≠ μ 2 Hasil perhitungan didapatkan nilai Fhitung = 0,2799, Ftabel = 3,314. Karena Fhitung < Ftabel maka pada pada taraf α sebesar 0,05 terima H0. Sehingga dapat disimpulkan bahwa hasil uji skenario 2 sama dengan hasil uji skenario 3. 2. Hasil uji coba skenario 4 diperoleh nilai rata-rata tinggi genangan sebesar 4,49363. Pada saat standar deviasi variabel curah hujan naik 25%, hal ini dapat mempengaruhi kenaikan rata-rata tinggi genangan sebesar 0,28896. 3. Hasil uji coba skenario 5 diperoleh nilai rata-rata tinggi genangan sebesar 4,90785. Dengan menaikkan nilai rata-rata variabel curah hujan sebesar 25% akan menyebabkan kenaikan pada nilai rata-rata tinggi genangan sebesar 0,70318. 4. Hasil uji coba skenario diperoleh nilai rata-rata tinggi genangan sebesar 5,08778. Dengan menaikkan nilai rata-rata dan standar deviasi variabel curah hujan sebesar 25% akan menyebabkan kenaikan pada nilai rata-rata tinggi genangan sebesar 0,88311. 5. KESIMPULAN DAN SARAN Kesimpulan 1. Nilai korelasi yang tinggi antar variabel prediktor (antara kelembaban dan temperatur) sebesar 0,7422 mengindikasikan adanya kasus multikolinearitas, untuk itu perlu penanganan dengan menggunakan principal component regression. 2. Model yang dipilih adalah model yang mempunyai tingkat error paling kecil, dimana mempunyai variabel prediktor curah hujan, kelembaban, temperatur, pasang air laut, dan ketinggian banjir pada hari sebelumnya. Model ini lebih baik daripada model yang tidak menyertakan variabel ketinggian banjir pada hari sebelumnya. Hal ini dibuktikan pada proses validasi dimana model mempunyai RMSE, RMSPE, MAPE, dan U lebih kecil dengan nilai masing-masing 1,6543; 0,0973; 1,0433; dan 0,1334. 3. Model regresi yang dihasilkan mempunyai nilai R2 sebesar 88,99%. Hal ini berarti tinggi genangan banjir dapat diterangkan oleh variabel curah hujan, kelembaban, temperatur, pasang air laut, dan ketinggian banjir hari sebelumnya sebesar 88,99%. 4. Dengan mensimulasikan pola perubahan curah hujan yang tidak menentu, uji coba yang dilakukan adalah dengan meningkatkan nilai rata-rata variabel curah hujan dari data aslinya. Ketika nilai rata-rata curah hujan naik 20% pada standar deviasi yang sma maka diperoleh nilai rata-rata ketinggian banjir sebesar 4,49363. Ketika standar deviasi curah hujan dinaikkan 25% pada rata-rata yang tetap maka didapatkan nilai rata-rata ketinggian banjir sebesar 4,90785. Ketika rata-rata dan standar deviasi curah hujan dinaikkan 25% maka nilai rata-rata ketinggian banjir yang diperoleh sebesar 5,08778.
6
5.
Penggunaan Sistem Informasi Geografis mempermudah dalam memvisualisasikan hasil rata-rata perhitungan tinggi genangan untuk melakukan prediksi daerah rawan banjir.
6. SARAN 1. Untuk mendapatkan hasil pemodelan yang baik diperlukan pemilihan variabel-variabel prediktor yang benar-benar berpengaruh terhadap variabel respon. Untuk itu pada penelitian lebih lanjut dapat menambahkan variabel lain yang mempunyai pengaruh kuat terhadap tinggi genangan banjir. 2. Pada tugas akhir ini penelitian dalam melakukan proses pemodelan dan simulasi terbatas pada satu kecamatan, yaitu Kecamatan Gubeng. Untuk pengembangan lebih lanjut diharapkan dapat melakukan pemodelan dan simulasi untuk seluruh kecamatan di Surabaya, sehingga hasil simulasi dapat digunakan untuk menentukan area rawan banjir di Kota Surabaya.
Sridadi, Bambang, Pemodelan dan Simulasi Sistem Teori, Aplikasi dan Contoh Program dalam Bahasa C, Informatika, 2009. Sulaiman, Wahid, Analisis Regresi Menggunakan SPSS Contoh Kasus dan Pemecahannya, ANDI, 2004. Wiarini, Putu Pitri, Pembangkitan Bilangan Acak untuk Data Temperatur dan Kelembaban Kota Surabaya, [Tugas Akhir], Institut Teknologi Sepuluh Nopember, 2009
7. DAFTAR PUSTAKA Anderson, Hair, Tatham, Black, Multivariate Data Analysis, Prentice-Hall International, 1998. Drapper, NR & Smith, H, Analisis Regresi Terapan, Edisi Kedua, PT Gramedia Pustaka Utama, Jakarta, 1992. Law, Averil M. and W. David Kelton, Simulation Modeling and Analysis Third Edition, McGraw-Hill, 2000. Natalia, Deasy Astrid, Penerapan Decissiekomendasi Solusi Penanggulangan Banjir, [Tugas Akhir], Institut Teknologi Sepuluh Nopember, 2009. Nugraha, Surya Agung Ika, Sistem Informasi Geografis Pendukung Penentuan Daerah Rawan Banjir Studi Kasus Kota Surabaya, [Tugas Akhir], Institut Teknologi Sepuluh Nopember, 2009. Puntodewo. A, S. Dewi, Tarigan. J, Sistem Informasi Geografis Untuk Pengelolaan Sumber Daya Alam, Center for International Forestry Research, Bogor Barat, 2003. Purbowati, Ajeng Mumpuni, Pemodelan Data Curah Hujan, Temperatur, Kelembaban Udara, serta Pasang Surut Air Laut Harian Kota Surabaya, [Tugas Akhir], Institut Teknologi Sepuluh Nopember, 2009. Rencher, A.C, Multivariate Statistical Inference and Application, Wiley-Interscience Publication, Brigham, 1998. Rovicky, Prakiraan Hujan dan Peramalan Banjir, http://rovicky.wordpress.com/2009/02/07/pr akiraan-hujan-dan-peramalan-banjir, diakses pada 21 Desember 2009. Sembiring. K, Aplikasi Sistem Informasi Penanggulangan Bencana di Indonesia, Lomba Karya Tulis Mahasiswa, 2007. Sembiring, RK, Analisis Regresi, Edisi ke-2, Penerbit ITB, 2003.
7