71
VI ANALISIS CAMPURAN (MIXING ANALYSIS) DALAM HIDROLOGI UNTUK PENENTUAN SOURCE AREA 6.1 PENDAHULUAN Model campuran (mixing model) dapat dipergunakan dalam separasi hidrograf secara geokimia, yakni untuk memisahkan komponen runoff pada saat terjadi hujan. Karena kimia air sungai merupakan campuran dari berbagai input sumber aliran (sources area), maka identifikasi potensial sumber air yang berkontribusi terhadap kimia air sungai sangat penting. Hal ini memerlukan model campuran secara temporal dan geografis (Genereux dan Hooper, 1998). Pertimbangan untuk menggunakan pendekatan ini adalah bahwa seluruh komponen sumber air diasumsikan bercampur secara konservatif. Percampuran sifat kimia air secara konservatif terjadi karena komponen kimia air yang berasal dari sumber aliran mengalir mengikuti pergerakan air. Kimia air sungai merupakan turunan dari kimia air masing-masing komponen sumber aliran yang mengalir ke sungai, dengan prinsip bahwa air dapat membawa unsur atau komponen kimia air dari masing-masing sumber aliran tersebut. Source area merupakan sumber aliran yang merupakan kontributor terhadap aliran air di dalam suatu daerah tangkapan air atau daerah aliran sungai. Salah satu metode yang digunakan dalam mempelajari mixing model dalam hidrologi adalah metode EMMA (End Member Mixing Analyses). EMMA juga merupakan salah satu
metode untuk
separasi
hidrograf secara
geokimia
(Christopherson et al 1990, Hooper et al 1990, dan Burns et al 2001). End member menggambarkan karakteristik air yang teridentifikasi dari unit hidrologi atau geologi yang berbeda. End member yang berbeda biasanya memiliki pertanda isotop atau kimia yang berbeda. Pada penelitian ini menggunakan model campuran yang terdiri dari 3 komponen sumber aliran (three end member) dengan dua perunut konservatif. Ada beberapa asumsi jika menggunakan mixing model dalam pemodelan hidrologi, yaitu: a) Perunutnya merupakan perunut konservatif (bukan merupakan reaksi kimia), b) Seluruh komponen memiliki konsentrasi yang berbeda nyata paling tidak dengan
72
satu perunut, c) Konsentrasi perunut dalam seluruh komponen secara temporal (temporally) konstan atau keragamannya diketahui, d) Konsentrasi perunut dalam seluruh komponen secara ruang (spatially) konstan atau diperlakukan sebagai komponen yang berbeda, dan e) Komponen yang tidak terukur memiliki konsentrasi perunut yang sama atau tidak berkontribusi secara nyata. Model campuran dari perspektif geometrik memiliki karakter sebagai berikut: 1) Untuk model dengan 2 perunut dan 3 komponen, mixing antara sub ruang ditentukan oleh 2 perunut, 2) Jika diplotkan, 3 komponen puncak dari segitiga dan seluruh contoh aliran harus terikat oleh segitiga, 3) Jika tidak terikat dengan baik, berarti perunut tidak konservatif atau komponen tidak terkarakterisasi dengan baik. Beberapa peneliti telah mengidentifikasi sumber limpasan secara spasial di dalam DAS melalui penggunaan tool seperti EMMA, pemisahan hidrograf berdasarkan perunut, dan analisis hidrometrik (Bernal et al 2006, Burns et al 2001, Hangen et al 2001, McGlynn and McDonnell 2003, Subagyono et al 2005, Wenninger et al 2004). Penelitian-penelitian tersebut telah berhasil mengkuantifikasi sejumlah runoff dari sumber (source) yang berbeda dan juga menunjukkan kontribusi yang berbeda dengan kondisi kelembaban yang berbeda di dalam DAS (Burns et al 2001, McGlynn and McDonnell 2003). Bahkan Cary et al (2011) telah berhasil mengidentifikasi sumber limpasan menjadi empat komponen menggunakan silikat dan chlor.
Identifikasi sumber runoff dari unit DAS penting karena : a) membantu
dalam mengembangkan model pengelolaan DAS yang lebih realistik, b) membantu mengidentifikasi sumber kunci sumber polutan, c) membantu evaluasi yang lebih baik tentang pengaruh perubahan penggunaan lahan terhadap kualitas air. Pendekatan deliniasi sumber air dengan menggunakan analisis neraca air belum memberikan jawaban yang definitif. Kombinasi menggunakan data hidrokimia dan hidrometrik sudah memberikan masukan terhadap model hidrologi daerah aliran sungai.
EMMA
sudah
dapat
mengidentifikasi
komponen-komponen
yang
berkontribusi terhadap aliran (Mulholland 1993, Tardy et al 2004). Metode ini merupakan metode analisis campuran sederhana untuk mengidentifikasi end member
73
yang berkontribusi terhadap aliran dan memiliki komposisi kimia yang berbeda dan relatif konstan (Mulholland 1993). Ketidak teraturan separasi hidrograf secara geokimia (mixing approach) sangat besar karena: 1) adanya keragaman karakteristik kimia dari end member secara spasial dan temporal, dan 2) kimia air sungai tergantung pada jalur aliran dimana air itu mengalir menuju sungai. Dalam hal ini pemahaman tentang jalur aliran yang dominan dan bagaimana perubahan yang terjadi selama hujan sangat penting dalam memahami proses limpasan/runoff generation. 6.2 Analisis Multivariate Dalam melakukan EMMA sesuai dengan prosedur yang telah digunakan oleh Hooper (2001), Christophersen dan Hooper (1992), dan Burns et al. (2001), setelah menyusun set data dan melakukan normalisasi terhadap data yang ada, tahap selanjutnya adalah analisis multivariate dengan menggunakan analisis komponen utama (PCA:Principal Component Analysis). Analisis multivariate banyak digunakan dalam penelitian geokimia (Jo¨reskog et al., 1976; Reid et al., 1981; Davis, 1986). Manfaat analisis ini dalam EMMA yaitu: a) untuk memilih end-members, b) merupakan masukan dalam model campuran (mixing model), c) hasilnya dapat diuji, d) memberikan hasil yang tepat dengan alasan yang benar, dan e) dapat memberi tahu jika end-member tidak benar. Analisis komponen utama merupakan salah satu teknik statistik yang digunakan untuk mengidentifikasi peubah baru yang mendasari data peubah ganda, menghilangkan masalah multikolinieritas (peubah yang saling berkorelasi) dan menghilangkan paubah-peubah asal yang memberikan sumbangan informasi yang relatif kecil (Iriawan dan Astuti 2006). Sumbangan keragaman ditunjukkan oleh proportion dalam eigen analysis of the covarian matrix. Dalam principal komponen, apabila sebagian besar total variasi populasi (sekitar 80-90%) untuk jumlah variabel yang besar dapat diterangkan oleh 2 atau 3 komponen utama (principal component, PC), maka kedua atau ketiga komponen dapat menggantikan variabel semula tanpa menghilangkan banyak informasi.
74
Dalam penelitian ini analisis multivariate dengan menggunakan PCA adalah untuk menguji model campuran aliran kimia air menggunakan solute K, Na, Ca, Mg, SiO2, SO4, NO3, Cl, dan HCO3 terhadap beberapa sumber limpasan seperti air tanah, air bumi, air sungai, dan air hujan. Pada Tabel 7 disajikan eigenvalue yang merupakan nilai varian komponen utama. Hasil analisis menunjukkan eigenvalue untuk komponen utama pertama (F1) dan kedua (F2) masing-masing sebesar 5.070 dan 3.001. Eigenvalue kedua komponen utama mewakili 56.3% dan 33.3% dari seluruh variabilitas. Bila diakumulasikan, kedua komponen utama menyatakan 89.6% dari total variabilitas. Ini berarti apabila kesembilan variabel (K, Na, Ca, Mg, Si, SO4, NO3, Cl, dan HCO3) direduksi menjadi 2 variabel, maka kedua variabel baru dapat menjelaskan 89.6% dari total variabilitas kesembilan variabel. Tabel 8. Hasil eigenvalue dengan sembilan variabel K, Na, Ca, Mg, SiO2, SO4, NO3, dan HCO3 F1
F2
F3
F4
F5
Eigenvalue
5.070
3.001
0.661
0.153
0.115
Variabilitas (%)
56.3
33.3
7.3
1.7
1.3
Kumulatif (%)
56.3
89.6
97.0
100
100
Pada Tabel 9 disajikan korelasi Pearson’s, angka-angka positif yang ditulis tebal menunjukkan adanya hubungan yang tinggi antar unsur yang satu dengan yang lainnya. Sebaliknya angka-angka negatif yang ditulis tebal menunjukkan adanya hubungan berbanding terbalik yang tinggi antar unsur yang satu dengan yang lainnya. Kation K dengan SiO2, Na dengan Mg, Ca dengan Mg dan HCO3, serta Mg dengan HCO3 menunjukkan hubungan yang tinggi satu dengan yang lainnya, sedangkan K dengan Cl, Na dengan SO4 dan NO3, Mg dengan SO4 dan NO3 memiliki hubungan berbanding terbalik. Gambar 27 menunjukkan hubungan faktor 1 dengan faktor 2. Jika variabel satu dengan yang lainnya saling berdekatan berarti nyata berkorelasi positif (r mendekati 1), sedangkan jika orthogonal berarti tidak berkorelasi (r mendekati nol). Jika variabel
75
tertentu terletak berlawanan arah dari pusat, berarti variabel tersebut nyata berkorelasi negatif dengan variabel lainnya (r mendekati -1). Dari Gambar 25 dapat dilihat bahwa SiO2 dan K, Ca dan HCO3, SO4 dan NO3 memiliki hubungan positif , sedangkan SO4 dan NO3 yang letaknya bersebrangan dari titik pusat menunjukkan adanya korelasi negatif dengan Na, Mg, Ca, dan HCO3.
Tabel 9. Korelasi Pearson’s Variabel K Na Ca Mg SiO2 SO4 NO3 Cl HCO3 K 1 Na 0,491 1 Ca -0,150 0.660 1 Mg 0,141 0.931 0.792 1 SiO2 1 0,933 0.638 0.113 0.334 SO4 -0,337 -0.771 -0.347 -0.741 -0.273 1 NO3 -0,564 -0.943 -0.641 -0.826 -0.642 0.804 1 Cl 1 -0,864 -0.055 0.428 0.298 -0.798 -0.172 -0.115 HCO3 -0.213 0.739 0.911 0.923 0.011 -0.576 -0.650 0.589 1 Angka yang ditulis tebal menunjukkan berbeda nyata dengan derajat nyata =0.05
SiO2
0,50
K
Komponen kedua
0,25 Na SO4
0,00
NO3
Mg
-0,25
Ca HCO3
-0,50
Cl
-0,4
-0,3
-0,2
-0,1 0,0 0,1 0,2 Komponen Pertama
0,3
0,4
0,5
Gambar 25 Grafik hubungan antara faktor 1 dan faktor 2 untuk melukiskan keeratan antar unsur hidrokimia 6.3 Analisis Campuran secara Hidrokimia Untuk menguji bahwa kimia air dari sumber air yang menuju sungai menyebar di dalam plot kimia air sungai, data kimia air sungai diproyeksikan ke dalam mixing
76
subspace/subruang (ruang segitiga yang terikat oleh ketiga end member). Set data hidrokimia tersebut diproyeksikan terhadap data hidrokimia sungai. Pencampuran hidrokimia dapat terjadi dengan baik apabila data hidrokimia sungai terikat dengan baik dalam tiga ikatan end member. Menurut Hooper (2001), dengan menggunakan model regresi, pencampuran yang baik di dalam subruang ditunjukkan oleh pola acak dari residual terhadap konsentrasi masing-masing unsurnya. Plot residual konsentrasi setiap solute terhadap konsentrasi air sungai (Gambar 26) menunjukkan adanya pola acak pada K, Ca, Mg, Na, dan HCO3, hal ini menggambarkan adanya mixing yang baik dalam subruang. 3
6 Na
K+ Residual (mg L-1 )
Residual (mg L-1 )
2 1 0 -1
2 0 -2
-4
-2
-6 0
0,5
1
1,5
2
Konsentrasi (mg
2,5
3
0
3
L-1 )
9
12
L-1 )
0,8
Ca
8
Mg Residual (mg L-1 )
6
4 2 0 -2
-4 -6
0,4 0 -0,4 -0,8 -1,2
0
10
20
30
40
0
2
Konsentrasi (mg L-1 )
4
6
8
Konsentrasi (mg L-1 )
4
4
NO3
0 -2 -4 -6 -8
SO4
3 Residual (mg L-1 )
2 Residual (mg L-1 )
6 Konsentrasi (mg
10 Residual (mg L-1 )
4
2
1 0 -1 -2
-3
-10
-4
0
3
6
9
Konsentrasi (mg L-1 )
12
15
0
2
4
6
Konsentrasi (mg
8 L-1 )
10
77
12 Si
Residual (mg L-1 )
Residual (mg L-1 )
8
4 0 -4 -8
-12
-16 0
5
10
15
20
25
30
10 8 6 4 2 0 -2 -4 -6 -8
Cl
0
2
Konsentrasi (mg L-1 )
4
6
8
Konsentrasi (mg L-1 )
50 HCO3
Residual (meq L-1 )
40 30 20 10
0 -10 -20 0
10
20
30
40
50
60
70
Konsentrasi (meq
L-1)
80
90 100
Gambar 26 Plot residual konsentrasi masing-masing unsur terhadap konsentrasi air sungai Untuk mengetahui validitas EMMA atau mengetahui fit terbaik dari data kimia air yang diprediksi dengan EMMA dengan konsentrasi terukur pada saat pengamatan selama kejadian hujan dilakukan analisis regresi linier. Hasil pengujian disajikan pada Gambar 27. Dari 9 unsur kimia yang diamati, unsur Na, Ca, Mg, SO4, Cl, dan HCO3 memiliki R2 yang tinggi antara hasil pengamatan dan pendugaan berkisar antara 0.73 sampai 0.96. Nilai R2 terbaik dicapai oleh Natrium, sedangkan empat unsur lain yaitu K, SiO2, NO3, dan Cl, memiliki R2 yang rendah. Nilai R2 antara prediksi EMMA dengan hasil pengukuran yang berkisar antara 0.73 dan 0.96 tersebut menunjukkan bahwa tiga komponen terpilih berdasarkan EMMA merupakan prediktor konsentrasi pelarut yang kuat seperti dikemukakan oleh Mitchell (2006b).
Inamdar and
10
78
Nilai kimia aliran air terproyeksi diperoleh dengan cara menggandakan matrik eigenvector yang diperoleh dari hasil PCA dengan set data hidrokimia yang telah distandarisasi. Residu antara nilai terproyeksi dengan data awal diplot terhadap konsentrasi unsur yang dimonitor untuk mengetahui fit dari data tersebut. Untuk mengetahui fit data digunakan relative bias (RB) dan relative root mean square error (RRMSE). Berdasarkan hasil RB dan RRSME (Gambar 28 dan 29) ketiga sumber area yang diproyeksikan terhadap air sungai sebagai referensi, ternyata air tanah tanah dan air bumi menunjukkan fit terbaik di dalam mixing subspace. Untuk melihat lebih jauh end member mana yang dapat mengikat kimia air sungai dengan baik, pengujian dilakukan
terhadap episode hujan 14 Pebruari 2010. Gambar
30
menunjukkan diagram campuran (mixing diagram) antara Ca dan SO4 dengan ketiga end member yang dapat mengikat aliran sungai dengan baik disajikan pada sub bab 6.4.
K+
0,8 0,6 0,4
y = 0,177x + 0,424 R² = 0,53
0,2
0,0
Pendugaan (mg L-1 )
Pendugaan (mg L-1 )
1,0
7 6 5 4 3 2 1 0
0,0 0,2 0,4 0,6 0,8 1,0
y = 0,268x + 13,90 R² = 0,93 0
4
8 12 16 20 24
Pengamatan (mg L-1 )
Pengamatan (mg L-1 )
Pendugaan (mg L-1 )
Pendugaan (mg L-1 )
Ca2+
y = 0,227x + 3,878 R² = 0,96 0 1 2 3 4 5 6 7
Pengamatan (mg L-1 ) 24 20 16 12 8 4 0
Na+
7 6 5 4 3 2 1 0
Mg2+
y = 0,248x + 3,349 R² = 0,82 0 1 2 3 4 5 6 7 Pengamatan (mg L-1 )
24 20 16 12 8 4 0
Pendugaan (mg L-1 )
Pendugaan (mg L-1 )
79
SiO2
y = 0,169x + 7,465 R² = 0,69 0
4
3,0 2,5 2,0 1,5 1,0 0,5 0,0
8 12 16 20 24
SO42-
y = 0,258x + 0,789 R² = 0,86 0,0 0,5 1,0 1,5 2,0 2,5 3,0
Pengamatan (mg L-1 )
Pengamatan (mg L-1 )
Pendugaan (mg L-1 )
Pendugaan (mg L-1 )
5 NO3-
4 3 2
y = 0,239x + 2,352 R² = 0,73
1
0 0
1
2
3
4
7 6 5 4 3 2 1 0
Cl-
y = 0,191x + 3,399 R² = 0,38
5
0 1 2 3 4 5 6 7
Pengamatan (mg L-1 )
Pengamatan (mg L-1 )
Pendugaan (meq L-1 )
100 HCO3-
80 60 40
y = 0,282x + 49,83 R² = 0,80
20
0 0
20
40
60
80 100
Pengamatan (meq L-1)
Gambar 27 Konsentrasi hidrokimia hasil pengamatan dan pendugaan berdasarkan EMMA
80
100 80
Relatif Bias /RB (%)
60 K
40
Ca
Mg
20
Na
0 -20
Air tanah
Air bumi
Air hujan
Air sungai
SiO2 NO3 SO4
-40
Cl
-60
HCO3
-80
Gambar 28 Hasil analisis statistik (RB) terhadap tiga sumber area yang diproyeksikan terhadap 3 dimensi subruang air sungai
Relatif Root Mean Square Error / RRMSE (%)
35
30 K
25
Ca
Mg
20
Na
15
SiO2 NO3
10
SO4
5
Cl HCO3
0 Air tanah
Gambar 29
Air bumi
Air hujan
Air sungai
Hasil analisis statistik (RRMSE) terhadap tiga sumber area yang diproyeksikan terhadap 3 dimensi subruang air sungai
81
6.4 Analisis Komponen Aliran Berdasarkan Separasi Hidrograf Secara Geokimia Mixing model dapat dipergunakan dalam separasi hidrograf secara geokimia, yakni untuk memisahkan komponen runoff pada saat terjadi hujan. Mixing model dapat terdiri dari 2 komponen sumber air (two end member) dengan satu perunut konservatif, ataupun terdiri 3 komponen sumber air (three end member) dengan dua perunut konservatif. Mixing model dari perspektif geometrik memiliki karakteristik seperti berikut: 1) Untuk model dengan 2 perunut dan 3 komponen misalnya, mixing antara sub ruang ditentukan oleh 2 perunut, 2) Jika diplotkan, 3 komponen puncak dari segitiga dan seluruh contoh aliran harus terikat oleh segitiga, 3) Jika tidak terikat dengan baik, berarti perunut tidak konservatif . Berdasarkan hasil end member mixing analysis (EMMA) menggunakan Ca2+ dan SO42- ditemukan bahwa sumber aliran di DAS mikro Cakardipa berasal dari airbumi (groundwater), air tanah (soil water), dan air hujan. Dari ketiga sumber aliran tersebut airbumi merupakan sumber aliran yang paling dominan, sedangkan air tanah merupakan sumber aliran terbesar kedua setelah airbumi. Pada penelitian ini Ca2+ dan SO42-dapat dipertimbangkan sebagai perunut konservatif pada DAS mikro Cakardipa. Mulholland (1993) menunjukkan bahwa Ca2+ dan SO42- dapat digunakan sebagai perunut konservatif dalam analisis end member mixing untuk mencirikan jalur aliran air dominan di dalam DAS). Dari Gambar 30 dapat dilihat bahwa pada awal kejadian hujan (tanda panah no. 1) air sungai mengalir (bergerak) ke arah sumber ‘air hujan’ hal ini menggambarkan bahwa kimia air dari air sungai memiliki kemiripan dengan kimia air dari air hujan. Selanjutnya pada saat puncak hujan (tanda panah no. 2) air sungai mengalir (bergerak) menuju sumber ‘airbumi’, hal ini menggambarkan bahwa kimia air dari air sungai memiliki kemiripan dengan kimia air dari airbumi. Sedangkan pada saat menuju kondisi resesi (fase akhir kejadian hujan, tanda panah no. 3) air mengalir (bergerak) menuju ‘air tanah’, hal ini menggambarkan bahwa kimia air dari air sungai memiliki kemiripan dengan kimia air dari air tanah. Dari ilustrasi ini dapat dijelaskan bahwa pada awal kejadian hujan atau pada saat baseflow sumber air di DAS mikro
82
Cakardipa berasal dari air hujan. Pada saat mencapai debit puncak sumber airnya berasal dari airbumi, sedangkan pada saat kurva resesi sumber air berasal dari air tanah.
5,0 Airbumi (groundwater) Air hujan Air tanah
SO42- (mg L-1 )
4,0
3,0 x: awal hujan : puncak hujan +: akhir hujan
2,0 1
1,0
0,0 0,0
5,0
10,0
15,0
20,0
25,0
30,0
35,0
Ca 2+ (mg L-1 )
Gambar 30 Hasil mixing analisis antara Kalsium (Ca2+) dengan Sulfat (SO42-) pada episode hujan tanggal 14 Februari 2010 Hasil analisis separasi hidrograf secara hidrometrik pada kejadian hujan 14 Februari 2010 disajikan pada Tabel 10. Dengan curah hujan sebesar 46,5 mm selama 8 jam 35 menit menghasilkan debit sebesar 2377 m3.
83
Tabel 10. Hasil separasi hidrograf secara hidrometrik pada kejadian hujan 14 Pebruari 2010 di DAS mikro Cakardipa Total Curah hujan (mm)
Total debit Durasi jam, mnt
46,5
8,35
Volume (m3)
Aliran permukaan langsung (%)
2377
22
Debit puncak (L/dtk)
83,4
Kontribusi end member (%) AirAir Air bumi tanah hujan
47,3
28
24,7
Berdasarkan end member mixing analysis seperti disajikan pada Gambar 30 dimana sumber aliran (source area) yang utama dari DAS mikro Cakardipa yaitu airbumi (groundwater), air tanah, dan air hujan maka kontribusi setiap sumber aliran terhadap aliran sungai dianalisis dari separasi hidrograf menggunakan formula menurut Hinton et al (1994): [(cT-cAT)(CCH-CAT)-(CAT-CT)(cAT-cCH)] QAB = QT [(cAB-cAT)(CCH-CAT)-(CAT-CAB) (cAT-cCH)] [(cT-cAB)(CCH-CAB)-(CAB-CT)(cAB-cCH)] QAT = QT [(cAT-cAB)(CCH-CAB)-(CAB-CAT) (cAB-cCH)] [(cT-cAT)(CAB-CAT)-(CAT-CT)(cAT-cAB)] QCH = QT [(cCH-cAT)(CAB-CAT)-(CAT-CCH) (cAT-cAB)] Dalam hal ini: Q = debit; c = konsentrasi Ca; C = konsentrasi SO4; and AB, AT, CH, dan T masing-masing = airbumi, air tanah, curah hujan, dan aliran total. Kontribusi setiap sumber aliran terhadap aliran sungai, yang dianalisis dari separasi hidrograf menggunakan formula di atas, menunjukkan bahwa pada episode hujan (storm event) tanggal 14 Pebruari 2010, airbumi merupakan kontributor utama terhadap aliran sungai yaitu mencapai 47,3 %. Air bumi dilaporkan sebagai sumber limpasan (kontributor aliran) oleh beberapa peneliti yaitu (Tanaka 1992, McGlynn et al 1999, Gibson et al 2000, Burns et al 2001, Hangen et al 2001, Subagyono 2002). Menurut Weiler et al (2005), aliran bawah permukaan adalah termasuk air tanah dan
84
airbumi (soil water dan groundwater). Airbumi atau zone jenuh didefinisikan sebagai area di dalam profil tanah yang memiliki matrik potensial ≥ 0 kPa. Airbumi berada di bawah permukaan tanah di dalam ruang pori dan di dalam formasi batuan. Air tanah (soil water) atau zone tidak jenuh adalah area di dalam profil tanah yang memiliki matrik potensial < 0 kPa. Air tanah terdapat dalam lapisan tanah atau bebatuan di bawah permukaan tanah. Dalam beberapa tahun terakhir, peran air tanah dalam proses limpasan sudah mendapat perhatian para peneliti. Komponen air tanah sering mendominasi pada saat debit puncak terutama pada hujan yang besar (Bazemore et al 1994, Tanaka dan Ono 1998). Pada penelitian ini air tanah berkontribusi sebesar 28,0 % dan curah hujan sebesar 24,7 %. Separasi masingmasing sumber aliran disajikan pada Gambar 31.
Gambar 31. Separasi Hidrograf pada Kejadian Hujan 14 Pebruari 2010
