PEMODELAN DAN SIMULASI TINGGI GENANGAN BANJIR DI KECAMATAN GUBENG KOTA SURABAYA MENGGUNAKAN SISTEM INFORMASI GEOGRAFIS

Transkripsi

1 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 ratrie_enggar@yahoo.com Abstrak Salah satu pemanfaatan teknologi informasi adalah untuk melakukan prediksi tinggi genangan banir. Dengan menganalisis data-data faktor penyebab banir, yaitu mencari korelasi antara ketinggian banir dengan seumlah tautan, kemudian mengintegrasikan ke dalam Sistem Informasi Geografis (SIG) maka dapat diprediksi tingginya genangan banir di suatu daerah, sehingga proses pengambilan keputusan dalam mengantisipasi banir bisa dilakukan auh hari. Tugas akhir ini dibuat untuk melakukan analisis statistik terhadap data faktor-faktor alam yang diduga menadi penyebab banir (curah huan, kelembaban udara, temperatur, dan pasang air laut) dalam sebuah model matematis. Model matematis tersebut selanutnya digunakan di dalam SIG untuk proses simulasi menghitung tinggi genangan banir di wilayah Kecamatan Gubeng Kota Surabaya pada musim huan. Hasil korelasi antar variabel prediktor menunukkan adanya kasus multikolinearitas, untuk itu pembuatan model dilakukan dengan menggunakan metode principal component regression. Ada dua model yang diuicobakan dalam tugas akhir ini. Berdasarkan nilai RMSE, RMSPE, MAPE, dan U, hasil regresi menunukkan bahwa model yang terbaik adalah model yang menambahkan sebuah faktor pengaruh yaitu tinggi genagan banir pada hari sebelumnya. Hasil validasi model untuk RMSE adalah ,RMSPE adalah , MAPE adalah , dan U adalah Model terbaik mempunyai nilai R %. Penggunaan Sistem Informasi Geografis mempermudah dalam memvisualisasikan hasil rata-rata perhitungan tinggi genangan untuk melakukan prediksi daerah rawan banir. Hasil simulasi perhitungan tinggi genangan banir dimana data input merupakan hasil pembangkitan bilangan acak berdasarkan data hasil pengamatan menunukkan bahwa rata-rata tinggi genangan banir di Kecamatan Gubeng sebesar cm. Kata kunci : Pemodelan dan Simulasi, Principal Component Regression, Prediksi Tinggi Banir. 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 uga teradi 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 banir sehingga dapat memberikan kemudahan dalam mengantisipasi teradinya banir. Dengan menganalisis data-data faktor penyebab banir, yaitu mencari korelasi antara ketinggian banir dengan seumlah tautan, kemudian mengintegrasikan ke dalam Sistem Informasi Geografis (SIG) maka dapat diprediksi tingginya genangan banir di suatu daerah, sehingga proses pengambilan keputusan dalam mengantisipasi banir bisa dilakukan auh hari. Menurut Kasi Informasi dan Observasi BMG Tanung Perak, ada dua faktor yang menyebabkan banir besar melanda Surabaya, yaitu tingginya curah huan dan teradinya air pasang laut di sekitar Surabaya. Huan merupakan proses siklus air karena air laut yang menguap membentuk awan. Temperatur udara yang tinggi menyebabkan penguapan air laut menadi tinggi sehingga kelembaban udara meningkat. Hal inilah yang meyebabkan curah huan terutama di Indonesia menadi tinggi (Rovicky, 2009). Tugas akhir ini dibuat untuk melakukan analisis statistik terhadap data faktor-faktor alam yang diduga menadi penyebab banir (curah huan, kelembaban udara, temperatur, dan pasang air laut) dalam sebuah model matematis. Model matematis tersebut selanutnya digunakan di dalam SIG untuk proses simulasi menghitung tinggi genangan banir di wilayah Kecamatan Gubeng Kota Surabaya pada musim huan. Penelitian untuk menentukan daerah rawan banir pernah dilakukan oleh Nugraha (2009), dimana metode prediksinya menggunakan multi criteria, yaitu dengan melakukan pembobotan terhadap indikator banir. Tugas akhir ini diharapkan bisa menyempurnakan proses perhitungan dalam memprediksi banir sehingga dapat menadi bagian dari keseluruhan sistem yang pada akhirnya menghasilkan sebuah rekomendasi keputusan penanggulangan banir pada daerah yang diprediksi sebagai area rawan banir di Kota Surabaya. 1

2 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 dikerakan 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 banir di Kota Surabaya. Metode yang dilakukan untuk menentukan area rawan banir adalah menggunakan multi criteria (Nugraha, 2009). Pada sub sistem decission support system dilakukan analisis solusi penanggulangan banir pada daerah yang tingkat kerawanan banirnya tinggi. Solusi ini direkomendasikan menggunakan decission tree (Natalia, 2009). Sub sistem-sub sistem yang sudah disebutkan di atas sudah dikembangkan oleh penelitipeneliti sebelumnya. Mulai Deskripsi dan identifikasi Data Standarisasi variabel X menadi Z Membuat matriks korelasi antar variabel prediktor Menghitung eigen value dan eigen vector Menghitung proporsi dan kumulatif Menghitung nilai variabel baru W 1 Menentukan umlah komponen yang akan digunakan Melakukan regresi OLS dengan variabel respon Y R 2 > 75% Selesai Ya Transformasi variabel W menadi X asal Tidak Tambah umlah komponen yang digunakan 2. TUJUAN PEMBUATAN TUGAS AKHIR Tuuan dari tugas akhir ini adalah mencari model matematis untuk mengetahui tinggi genangan banir yang diduga dipengaruhi oleh faktor-faktor alam antara lain curah huan, kelembaban, temperatur, dan pasang air laut, dengan studi kasus di Kecamatan Gubeng Kota Surabaya dan mengimplementasikannya ke dalam program SIG untuk selanutnya dilakukan proses simulasi. 3. METODOLOGI Metode yang digunakan dalam proses pemodelan adalah menggunakan principal component regression yang ditunukkan dalam Gambar 1. 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 menadi Z dengan persamaan (1) 3. Membuat matriks korelasi antar variabel prediktor. 4. Menghitung eigen value dan eigen vector dari matriks korelasi. 5. Membangkitkan variabel baru yang saling independen, dimana (2) 6. Menentukan umlah 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. 8. 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. 9. Mengubah variabel komponen hasil regresi ke dalam bentuk X yang asli, dengan cara mensubstitusikan variabel komponen dengan nilai Z (variabel prediktor yang sudah terstandarisasi). 2

3 Penguian terhadap model dilakukan dengan : 1. Ui Parameter Ada dua macam penguian dalam ui parameter, yaitu ui serentak dan ui parsial. Pada ui serentak, statitik ui yang digunakan adalah F hitung. Data input yang digunakan dalam ui serentak adalah ditunukkan dalam Tabel 1. Tabel 1 Input ui serentak NO Nama Input Keterangan 1. y pengamatan aktual 2. y prediksi 3. Mean y 4. n Jumlah pengamatan 5. k Jumlah variabel prediktor Output ui serentak ini adalah F hitung. Hipotesis : H 0 : H 1 : minimal ada satu 0, =1, 2,..., k Apabila F hitung > F α,(k,n-k-1), maka tolak H 0. Apabila menggunakan P-value, ika P-value < α maka H 0 ditolak, artinya parameter signifikan secara serentak. Data input yang digunakan dalam ui parsial ditunukkan dalam Tabel 2. Tabel 2 Input ui parsial NO Nama Input Keterangan 1. Nilai dugaan 2. Simpangan baku Output ui parsial ini adalah t hitung. Hipotesis : H 0 : 0 H 1 : 0, =0, 1, 2,..., k Apabila t hitung > t (α,n-k-1) maka tolak H 0. Apabila menggunakan P-value, ika P-value < α maka tolak H 0, 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. R 2 (koefisien determinasi) Model dikatakan baik apabila RMSE, RMSPE, MAPE bernilai kecil, R 2 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 ditunukkan dalam Gambar 2. Mulai Peta kecamatan Seleksi Kecamatan Gubeng Simulasi tinggi genangan banir 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 diadikan sebuah theme baru. 3. Melakukan simulasi tinggi genangan banir. Hasil rancangan pemodelan pada sub bab 3.3 diaplikasikan pada proses ini sebagai fungsi untuk menghitung tinggi genangan banir. 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 huan, kelembaban, temperatur, dan pasang air laut. Gambar 3 menunukkan diagram alir proses simulasi tinggi genangan banir. 3

4 MULAI Model data Nilai variabel inputan Menghitung tinggi genangan Klasifikasi tinggi genangan Update property legend Matriks korelasi untuk model 1 menyatakan bahwa ada hubungan yang erat antara Y dengan X1. Hal ini ditunukkan dengan nilai korelasi yang besar, yaitu 0,9393. Hubungan antar variabel prediktor uga 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 menadi indikasi adanya kasus multikolinearitas. Teknik regresi yang dipakai untuk menangani kasus multikolinearitas ini adalah dengan menggunakan principal component regression. Ui 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 ditunukkan dalam Gambar 4. SELESAI Gambar 3 Simulasi tinggi genangan Besarnya tinggi genangan yang diperoleh dari hasil perhitungan selanutnya diklasifikasikan ke dalam 3 kelompok yang ditunukkan dalam Tabel 3. Tabel 3 Klasifikasi tinggi genangan banir NO Klasifikasi Keterangan cm banir kecil cm banir sedang cm banir besar Selanutnya 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 banir, yaitu nilai ketinggian banir pada hari sebelumnya. Untuk itu ada 2 model yang akan dilakukan ui coba, tuuannya agar model-model tersebut bisa dibandingkan untuk mendapatkan model yang terbaik. Model 1 Data yang diperlukan dalam proses ui coba ditunukkan dalam Tabel 4. Tabel 4 Data ui coba NO Jenis Model Data Ui Coba 1. Model 1 Data tinggi genangan, curah huan, kelembaban, dan temperatur 2. Model 2 Data tinggi genangan, curah huan, kelembaban, temperatur, ketinggian banir hari sebelumnya Gambar 4 Hasil ui 3 komponen utama Pada ui parsial, hasil dari statistik ui distribusi t menunukkan bahwa semua parameter signifikan terhadap model secara individu. Hal ini uga ditunukkan oleh p-value untuk masing-masing variabel bernilai 0. Sedangkan pada ui serentak menggunakan statistik ui distribusi F yang menunukkan bahwa parameter signifikan terhadap model. Parameter yang dihasilkan dari model regresi adalah ditunukkan dalam Tabel 5. Tabel 5 Parameter regresi 3 komponen utama Parameter Nilai β β β β Dari parameter yang ditunukkan dalam Tabel 5 persamaan yang diperoleh: Y = 3, W W W 3 Dimana W 1 = variabel komponen 1, W 2 = variabel komponen 2, dan W 3 = variabel komponen 3. Dengan mentransformasikan variabel komponen 4

5 ke dalam bentuk X asal, maka didapatkan persamaan sebagai berikut : Y = X X X X 4 Nilai R 2 pada model ini > 75% yaitu sebesar 88,66% sehingga tidak perlu dilakukan penambahan komponen. Model 2 1. Ui coba 3 komponen utama Hasil regresi apabila menggunakan 3 komponen utama ditunukkan dalam Gambar 5. Gambar 6 Hasil ui 4 komponen utama Gambar 5 Hasil ui 3 komponen utama Pada ui parsial, hasil dari statistik ui distribusi t menunukkan bahwa semua parameter signifikan terhadap model secara individu. Hal ini uga ditunukkan oleh p-value untuk masing-masing variabel bernilai 0. Sedangkan pada ui serentak menggunakan statistik ui distribusi F yang menunukkan bahwa parameter signifikan terhadap model. Parameter yang dihasilkan dari model regresi ditunukkan dalam Tabel 6. Tabel 6 Parameter regresi 3 komponen utama Parameter Model β β β β Dari parameter dalam Tabel 6 persamaan yang diperoleh : Y = 3, W W W 3 Dimana W 1 = variabel komponen 1, W 2 = variabel komponen 2, dan W 3 = variabel komponen 3. Nilai R 2 pada model ini < 75% yaitu sebesar 45,80% sehingga perlu dilakukan penambahan komponen. 2. Ui coba 4 komponen utama Hasil regresi apabila menggunakan 4 komponen ditunukkan dalam Gambar 6. Pada ui parsial, hasil dari statistik ui distribusi t menunukkan bahwa semua parameter signifikan terhadap model secara individu. Hal ini uga ditunukkan oleh p-value untuk masing-masing variabel bernilai 0. Sedangkan pada ui serentak menggunakan statistik ui distribusi F yang menunukkan bahwa parameter signifikan terhadap model. Parameter yang dihasilkan dari model regresi ditunukkan dalam Tabel 7. Tabel 7 Parameter regresi 4 komponen utama Parameter Model β β β β β Dari parameter tersebut persamaan yang diperoleh: Y = 3, W W W 3 + 3,7653W 4 Dimana W 1 = variabel komponen 1, W 2 = variabel komponen 2, W 3 = variabel komponen 3, W 4 = variabel komponen 4. Nilai R 2 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 = X X X X X 5 Untuk mencari model terbaik, maka perlu dilakukan validasi model. Hasil validasi model ditunukkan dalam Tabel 8. Tabel 8 Validasi model Model 1 Model 2 RMSE RMSPE MAPE

6 U R Dari Tabel 8 dapat disimpulkan bahwa model 2 memiliki nilai RMSE, RMSPE, MAPE, dan U yang lebih kecil dibandingkan dengan model 1, sedangkan nilai R 2 pada model 2 lebih besar daripada R 2 model 1. Berdasarkan keterangan tersebut dapat disimpulkan bahwa model 2 lebih baik dibandingkan dengan model 1. Selanutnya model 2 tersebut akan digunakan dalam proses simulasi pada SIG. Sistem Informasi Geografis Pada skenario 1 proses yang diuicobakan adalah bagaimana ika pengguna melakukan input satu persatu untuk memprediksi tinggi genangan banir di daerah Gubeng. Pada skenario 2 penguian dilakukan untuk mendapatkan tinggi genangan yang dipengaruhi oleh curah huan, kelembaban, temperatur, pasang air laut, dan ketinggian pada hari sebelumnya. Data input tersebut adalah data hasil pengamatan nyata. Pada skenario 3 penguian dilakukan untuk variabel mempunyai 87 baris data ui, hal ini dimaksudkan agar hasil ui coba dapat dibandingkan pada penguian skenario 2. Data input pada penguian skenario 3 ini merupakan hasil pembangkitan bilangan acak berdasarkan data hasil pengamatan. Pada skenario 4 penguian dilakukan untuk variabel mempunyai 87 baris data, dimana data input merupakan hasil pembangkitan bilangan acak dengan menaikkan standar deviasi pada variabel curah huan sebesar 25%. Pada skenario 5 penguian dilakukan untuk variabel mempunyai 87 baris data, dimana data input merupakan hasil pembangkitan bilangan acak dengan menaikkan nilai rata-rata variabel curah huan sebesar 25%. Pada skenario 6 penguian dilakukan untuk variabel mempunyai 87 baris data, dimana data input merupakan hasil pembangkitan bilangan acak dengan menaikkan nilai rata-rata dan standar deviasi variabel curah huan sebesar 25%. Hasil evaluasi dari percobaan yang sudah dilakukan adalah : 1. Untuk membandingkan hasil skenario 2 dengan skenario 3 dilakukan ui anova dengan hipotesis H 0 : μ 1 = μ 2 H 1 : μ 1 μ 2 Hasil perhitungan didapatkan nilai F hitung = 0,2799, F tabel = 3,314. Karena F hitung < F tabel maka pada pada taraf α sebesar 0,05 terima H 0. Sehingga dapat disimpulkan bahwa hasil ui skenario 2 sama dengan hasil ui skenario Hasil ui coba skenario 4 diperoleh nilai rata-rata tinggi genangan sebesar 4, Pada saat standar deviasi variabel curah huan naik 25%, hal ini dapat mempengaruhi kenaikan rata-rata tinggi genangan sebesar 0, Hasil ui coba skenario 5 diperoleh nilai rata-rata tinggi genangan sebesar 4, Dengan menaikkan nilai rata-rata variabel curah huan sebesar 25% akan menyebabkan kenaikan pada nilai rata-rata tinggi genangan sebesar 0, Hasil ui coba skenario diperoleh nilai rata-rata tinggi genangan sebesar 5, Dengan menaikkan nilai rata-rata dan standar deviasi variabel curah huan sebesar 25% akan menyebabkan kenaikan pada nilai rata-rata tinggi genangan sebesar 0, 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 huan, kelembaban, temperatur, pasang air laut, dan ketinggian banir pada hari sebelumnya. Model ini lebih baik daripada model yang tidak menyertakan variabel ketinggian banir 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, Model regresi yang dihasilkan mempunyai nilai R 2 sebesar 88,99%. Hal ini berarti tinggi genangan banir dapat diterangkan oleh variabel curah huan, kelembaban, temperatur, pasang air laut, dan ketinggian banir hari sebelumnya sebesar 88,99%. 4. Dengan mensimulasikan pola perubahan curah huan yang tidak menentu, ui coba yang dilakukan adalah dengan meningkatkan nilai rata-rata variabel curah huan dari data aslinya. Ketika nilai rata-rata curah huan naik 20% pada standar deviasi yang sma maka diperoleh nilai rata-rata ketinggian banir sebesar 4, Ketika standar deviasi curah huan dinaikkan 25% pada rata-rata yang tetap maka didapatkan nilai rata-rata ketinggian banir sebesar 4, Ketika rata-rata dan standar deviasi curah huan dinaikkan 25% maka nilai rata-rata ketinggian banir yang diperoleh sebesar 5,

7 5. Penggunaan Sistem Informasi Geografis mempermudah dalam memvisualisasikan hasil rata-rata perhitungan tinggi genangan untuk melakukan prediksi daerah rawan banir. 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 lanut dapat menambahkan variabel lain yang mempunyai pengaruh kuat terhadap tinggi genangan banir. 2. Pada tugas akhir ini penelitian dalam melakukan proses pemodelan dan simulasi terbatas pada satu kecamatan, yaitu Kecamatan Gubeng. Untuk pengembangan lebih lanut diharapkan dapat melakukan pemodelan dan simulasi untuk seluruh kecamatan di Surabaya, sehingga hasil simulasi dapat digunakan untuk menentukan area rawan banir di Kota Surabaya. Sridadi, Bambang, Pemodelan dan Simulasi Sistem Teori, Aplikasi dan Contoh Program dalam Bahasa C, Informatika, Sulaiman, Wahid, Analisis Regresi Menggunakan SPSS Contoh Kasus dan Pemecahannya, ANDI, Wiarini, Putu Pitri, Pembangkitan Bilangan Acak untuk Data Temperatur dan Kelembaban Kota Surabaya, [Tugas Akhir], Institut Teknologi Sepuluh Nopember, DAFTAR PUSTAKA Anderson, Hair, Tatham, Black, Multivariate Data Analysis, Prentice-Hall International, Drapper, NR & Smith, H, Analisis Regresi Terapan, Edisi Kedua, PT Gramedia Pustaka Utama, Jakarta, Law, Averil M. and W. David Kelton, Simulation Modeling and Analysis Third Edition, McGraw-Hill, Natalia, Deasy Astrid, Penerapan Decissiekomendasi Solusi Penanggulangan Banir, [Tugas Akhir], Institut Teknologi Sepuluh Nopember, Nugraha, Surya Agung Ika, Sistem Informasi Geografis Pendukung Penentuan Daerah Rawan Banir Studi Kasus Kota Surabaya, [Tugas Akhir], Institut Teknologi Sepuluh Nopember, Puntodewo. A, S. Dewi, Tarigan. J, Sistem Informasi Geografis Untuk Pengelolaan Sumber Daya Alam, Center for International Forestry Research, Bogor Barat, Purbowati, Aeng Mumpuni, Pemodelan Data Curah Huan, Temperatur, Kelembaban Udara, serta Pasang Surut Air Laut Harian Kota Surabaya, [Tugas Akhir], Institut Teknologi Sepuluh Nopember, Rencher, A.C, Multivariate Statistical Inference and Application, Wiley-Interscience Publication, Brigham, Rovicky, Prakiraan Huan dan Peramalan Banir, akiraan-huan-dan-peramalan-banir, diakses pada 21 Desember Sembiring. K, Aplikasi Sistem Informasi Penanggulangan Bencana di Indonesia, Lomba Karya Tulis Mahasiswa, Sembiring, RK, Analisis Regresi, Edisi ke-2, Penerbit ITB,