Académique Documents
Professionnel Documents
Culture Documents
LANDASAN TEORI
2.1 Evaporasi
2.1.1 Pengertian
Evaporasi adalah salah satu komponen siklus hidrologi, yaitu peristiwa menguapnya air
dari permukaan air, tanah,dan bentuk permukaan bukan dari vegetasi lainnya.Evaporasi
merupakan proses penguapan air yang berasal dari permukaan bentangan air atau dari
bahan padat yang mengandung air (Lakitan, 1994). Sedangkan menurut Manan dan
Suhardianto (1999), evaporasi (penguapan) adalah perubahan air menjadi uap air. Air
yang ada di bumi bila terjadi proses evaporasi akan hilang ke atmosfer menjadi uap air.
Evaporasi dapat terjadi dari permukaan air bebas seperti bejana berisi air, kolam,
waduk, sungai ataupun laut. Proses evaporasi dapat terjadi pada benda yang
mengandung air, lahan yang gundul atau pasir yang basah. Pada lahan yang basah,
evaporasi mengakibatkan tanah menjadi kering dan dapat memengaruhi tanaman yang
berada di tanah itu. Mengetahui banyaknya air yang dievaporasi dari tanah adalah
penting dalam usaha mencegah tanaman mengalami kekeringan dengan mengembalikan
sejumlah air yang hilang karena evaporasi.
Faktor meteorologi yang memengaruhi evaporasi adalah radiasi matahari, suhu udara,
kelembaban udara dan angin. Tempat-tempat dengan radiasi matahari tinggi
mengakibatkan evaporasi tinggi karena evaporasi memerlukan energi. Umumnya radiasi
matahari tinggi diikuti suhu udara tinggi dan kelembaban udara rendah. Kedua hal ini
dapat memacu terjadinya evaporasi. Angin yang kencang membuat kelembaban udara
rendah, hal inipun memacu evaporasi (Manan dan Suhardianto, 1999). Laju evaporasi
sangat tergantung pada masukan energi yang diterima. Semakin besar jumlah energi
yang diterima, maka akan semakin banyak molekul air yang diuapkan. Sumber energi
utama untuk evaporasi adalah radiasi matahari. Oleh sebab itu, laju evaporasi yang
tinggi tercapai pada waktu sekitar tengah hari (solar noon). Selain masukan energi, laju
evaporasi juga dipengaruhi oleh kelembaban udara di atasnya. Laju evaporasi akan
semakin terpacu jika udara diatasnya kering (kelembaban rendah), sebaliknya akan
terhambat jika kelembaban udaranya tinggi (Lakitan, 1994). Evaporasi sangat
bergantung kepada karakteristik lokasi sehingga faktor-faktor meteorologi yang
berperan dalam proses evaporasi dapat berbeda dari tempat ke tempat lainnya.
Pada setiap perubahan bentuk zat; dari es menjadi air (pencairan), dari zat cair menjadi
gas (penguapan) dan dari es lengsung menjadi uap air (penyubliman) diperlukan panas
laten (laten heat). Panas laten untuk penguapan berasal dari radiasi matahari dan tanah.
Radiasi matahari merupakan sumber utama panas dan memengaruhi jumlah evaporasi di
atas permukaan bumi, yang tergantung letak pada garis lintang dan musim.
Pada saat terjadi penguapan, tekanan udara pada lapisan udara tepat di atas permukaan
air lebih rendah di banding tekanan pada permukaan air. Perbedaan tekanan tersebut
menyebabkan terjadinya penguapan. Pada waktu penguapan terjadi, uap air bergabung
dengan udara di atas permukaan air, sehingga udara mengandung uap air.
Udara lembab merupakan campuran dari udara kering dan uap air. Apabila
jumlah uap air yang masuk ke udara semakin banyak, tekanan uapnya juga semakin
tinggi. Akibatnya perbedaan tekanan uap semakin kecil, yang menyebabkan
berkurangnya laju penguapan. Apabila udara di atas permukaan air sudah jenuh uap air
tekanan udara telah mencapai tekanan uap jenuh, di mana pada saat itu penguapan
terhenti. Kelembaban udara dinyatakan dengan kelembaban relatif (RH).
Indonesia yang merupakan negara kepulauan dengan perairan laut cukup luas
mempunyai kelembaban udara tinggi. Kelembaban udara tergantung pada musim, di
mana nilainya tinggi pada musim penghujan dan berkurang pada musim kemarau. Di
daerah pesisir kelembaban udara akan lebih tinggi daripada di daerah pedalaman.
2.2.1 Definisi
Matriks
Matriks adalah suatu kumpulan angka-angka yang juga sering disebut elemen-elemen
yang disusun secara teratur menurut baris dan kolom sehingga berbentuk persegi
panjang, dimana panjang dan lebarnya ditunjukkan oleh banyaknya kolom dan baris
serta dibatasi tanda [ ] atau ( ).
Suatu matriks dinotasikan dengan symbol huruf besar seperti A, X, atau Z dan
sebagainya. Sebuah matriks A yang berukuran m baris dan n kolom dapat ditulis sebagai
berikut:
11 12 1
22 2
= 21
1 2
Skalar
Skalar adalah besaran yang hanya memiliki nilai, tetapi tidak memiliki arah.
Vektor Baris
Suatu matriks yang terdiri dari satu baris dan n kolom disebut vektor baris.
= disebut vektor baris m = 1
Vektor Kolom
Suatu matriks yang hanya terdiri dari m baris dan satu kolom disebut vektor kolom.
= disebut vektor kolom n = 1
Kombinasi Linier
Vektor w merupakan kombinasi linier dari vektor-vektor 1 , 2 , , jika terdapat
skalar 1 , 2 , , sehingga berlaku:
= 1 1 + 2 2 + + (2.1)
Matriks Kuadrat
Matriks kuadrat adalah matriks yang memiliki baris dan kolom yang sama banyak.
Dalam suatu matriks kuadrat, elemen-elemen 11 , 22 , , disebut elemen diagonal
utama.
11 12 1
22 2
= 21
1 2
Matriks Diagonal
Matriks kuadrat = ; , = 1, 2, , disebut matrik simetris jika semua elemen
di luar diagonal utama adalah nol, = 0 untuk i j dan paling tidak satu elemen pada
diagonal pokok 0 untuk i = j. Jumlah elemen-elemen diagonal utama suatu
matriks kuadrat A disebut trace A ditulis tr(A).
() = , ( = )
=1
11 12 1
22 2
= 21
1 2
() = 11 + 22 + +
Matriks Simetris
Suatu matriks kuadrat = ; , = 1, 2, , disebut matriks simetris jika elemen
di bawah diagonal utama merupakan cermin dari elemendi atas diagonal utama. Matriks
= artinya =
Contoh:
2 3 1 3
3 0 6 2
=
1 6 4 8
3 2 8 5
Matriks Identitas
Matriks A disebut matriks identitas dan biasa diberi simbol I.
= = 1 = 1, 2, , <=> = dan untuk
= 1 =
= 1
Matriks Nol
Matriks nol suatu matriks dengan semua elemennya mempunyai nilai nol. Biasanya
diberi simbol 0, dibaca nol.
Matriks Elementer
Suatu matriks nxn dikatakan matriks elementer jika matriks tersebut dapat diperoleh
dari matriks identitas nxn yakni Indengan melakukan operasi baris elementer tunggal.
Matriks Segitiga
Matriks = suatu matriks bujur sangkar dikatakan segitiga bawah (lower
triangular) jika = 0 untuk i < j dan matriks = suatu matriks bujur sangkar
dikatakan segitiga atas (upper triangular) jika = 0 untuk i > j.
Contoh:
5 00 0 1 23 5
Segitiga bawah = 1 20 0, segitia atas = 0 12 3
2 53 0 0 02 6
3 54 1 0 00 3
Matriks Singular
Matriks kuadrat = dikatakan singular jika semua elemen pada salah satu baris
atau kolom adalah nol atau jika semua kofaktor dari elemen suatu baris atau kolom
sama dengan nol. Untuk melihat kesigularan suatu matriks adalah dengan menghitung
determinan matriks tersebut. Apabila determinannya sama dengan nol, maka matriks
tersebut singular.
Matriks Ortogonal
Matriks kuadrat = dikatakan dapat didiagonalisasi secara ortogonal jika
terdapat matriks ortogonal P sehingga berlaku 1 = 1 AP. Matriks ortogonal
didefinisikan sebagai matriks kuadrat yang inversnya sama dengan transposenya,
sehingga:
1 =
maka P adalah matriks ortogonal.
2.2.3 Operasi Matriks
Penjumlahan Matriks
Jika = adalah matriks mxn dan = adalah matriks mxn maka
penjumlahan matriks dari matriks A dan matriks B yang ditulis dengan =
dengan: = + ( = 1, 2, , ; = 1, 2, , ).
Pengurangan Matriks
Jika = adalah matriks mxn dan = adalah matriks mxn maka
pengurangan matriks dari matriks A dan matriks B yang ditulis dengan =
dengan: = ( = 1, 2, , ; = 1, 2, , ).
Determinan Matriks
Misalkan = adalah matriks nxn. Fungsi determinan dari A ditulis dengan det(A)
atau || . Secara matematis ditulis:
Det(A) = || = () 1 1 2 2 dengan 1 , 2 , , merupakan himpunan S=
{1, 2, ..., n}.
Invers Matriks
Misalkan A matiks nxn disebut matriks non singular (invertible) jika terdapat matriks B
sehinga menyebabkan: = = , maka matriks B disebut invers matriks A. Jika
tidak terdapat matriks B yang menyebabkan kejadian tersebut, maka matriks A disebut
matriks singular (non-invertible).
Secara umum invers matriks A adalah:
1
1 = ()
det()
Jika A adalah matriks nxn, maka vektor tak nol X di dalam Rn dinamakan vektor eigen
(eigen vector) dari A jika AX adalah kelipatan skalar dari X, yakni:
AX = X (2.3)
untuk suatu skalar . Skalar ini dinamakan nilai eigen (eigen value) dari A dan X
dinamakan vektor eigen yang bersesuaian dengan .
Untuk mencari nilai eigen matriks A yang berukuran nxn, dari persamaan (2.3)
dapat ditulis kembali sebagai suatu persamaan homogen:
(A I) X = 0 (2.4)
Dengan I adalah matriks identitas yang berordo sama dengan matriks A, dalam catatan
mariks:
11 12 1 1 0 0 1
21 22 2 2
= = 0 1 0 , =
,
1 2 0 0 1
AX = X, X 0
AX = IX
AX - IX = 0
(A - I)X = 0
X 0 | A - I| = 0 (2.5)
Untuk memperoleh nilai ,
| A - I| = 0 2.5
() = 0 + 1 1 + + 1 + = 0 maka didapatlah n buah akar
1 , 2 , , n .
Jika nilai eigen disubstitusi pada persamaan (A - I)X = 0, maka solusi dari vektor
eigen adalah (A - n I)Xn = 0. (2.6)
Jadi apabila matriks mempunyai akar karakteristik 1 , 2 , , n dan ada
kemungkinan bahwa diantaranya mempunyai nilai yang sama, bersesuaian dengan akar-
akar karakteristik ini adalah himpunan vektor-vektor karakteristik yang ortogonal
(artinya masing-masing nilai akar karakteristik akan memerikan vektor karakteristik)
X1 , X2 , , Xn sedemikian sehingga:
= 0; , = 1, 2, ,
Definisi:
Misalkan = matriks nxn.
21 1
Determinan () = det( ) =
1
dikatakan karakterisitik polinom dari A.
11 = (1 1 )(1 1 ) = (1 1 )2
12 = (1 1 )(2 2 )
1 = (1 1 )( )
2 = (2 2 )( )
= ( )( )=( )2
(1 1 )2 (1 1 )(2 2 ) (1 1 )( )
=
(1 1 )( ) (2 2 )( ) ( ) 2
11 12 1
=
1 2
2. menghitung matriks baku yang isinya adalah simpangan baku, dengan asumsi
k dihasilkan (, ) = 0 sehingga dapat ditulis ke dalam bentuk matriks
sebagai berikut:
11 0 0
12 11 0
( ) = 0
0 0 11
dengan:
1
= =1 (2.11)
1
Untuk i = k menghasilkan r =1
1 1 1 1 (1 1 )(1 1 )
11 = = =1
11 11 11 11
( )( )
= = =1
Dan untuk i k
1 1 2 2 (1 1 )(2 2 )
12 = =
11 22 11 22
1 1 (1 1 )( )
1 = =
11 11
2 2 (1 1 )( )
2 = =
22 22
2.5 Analisis Regresi Linier Berganda
Dalam perkembangannya, terdapat dua jenis regresi yang sangat terkenal, yaitu regresi
linier sederhana dan regresi linier berganda. Regresi linier sederhana digunakan untuk
menggambarkan hubungan antara suatu variabel bebas (X) dengan satu variabel tak
bebas (Y) dalam bentuk persamaan linier sederhana.
0 + 1 1 i = 1,2, , n (2.12)
Regresi linier berganda merupakan perluasan dari regresi linier sederhana. Perluasannya
terlihat dari banyaknya variabel bebas pada model regresi tersebut. Bentuk umum
persamaan regresi linier berganda dapat dinyatakan secara statistik sebagai berikut:
= 0 + 1 1 + 2 2 + + + (2.13)
dengan:
= variabel tak bebas
= variabel bebas
0 , , = parameter regresi
= variabel gangguan
Dalam model regresi linier berganda ada beberapa asumsi yang harus dipenuhi, asumsi
tersebut adalah:
1. Nilai rata-rata kesalahan pengganggu nol, yaitu E( ) = 0,
untuk i= 1, 2, , n
2. Varian ( ) = E(2 ) = 2 , sama untuk semua kesalahan pengganggu (asumsi
heterokedastisitas)
3. Tidak ada autokorelasi antara kesalahan pengganggu, berarti kovarian ( , ) =
0,
4. Variabel bebas 1 , 2 , , , konstan dalam sampling yang terulang dan bebas
terhadap kesalahan pengganggu .
5. Tidak ada multikolinieritas dalam variabel bebas X.
6. ~ (0; 2 , artinya kesalahan pengganggu mengikuti distribusi normal
dengan rata-rata 0 dan varian 2 .
Metode kuadrat terkecil merupakan suatu metode yang paling banyak digunakan untuk
menduga parameter-parameter regresi. Pada model regresi linier berganda juga
digunakan metode kuadrat terkecil untuk menduga parameter. Biasanya metode kuadrat
terkecil ini diperoleh dengan meminimumkan jumlah kuadrat galat. Misalkan model
yang akan diestimasi adalah parameter dari persamaan dengan n pengamatan, maka
diperoleh:
= 0 + 1 1 + 2 2 + + +
= 0 + 1 1 + 2 2 + + +
= 0 + 1 1 + 2 2 + + +
= ( )( )
= +
atau:
=
= ()1 dengan ketentuan det () 0 (2.18)
Menurut Sembiring (2003), metode kuadrat terkecil memiliki beberapa sifat yang baik.
Untuk menyelidiki sifatnya, pandang kembali model umum regresi linier pada persamaa
(2.14). Dalam hal ini, dianggap bahwa bebas satu sama lain dan E() = 0, var = 2 .
Dengan demikian, maka () = dan () = 2 .
Jadi sifat penduga kuadrat terkecil adalah:
1. Tak bias
Jika = maka adalah penduga tak bias dari . Dari persamaan (2.15)
diketahui:
= ()1
= ( )1 ( + )
= ( )1 + ( )1
= + ( )1 (2.19)
dengan ( )1 = 1
= [( )1 ]
= ( )1 ()
= ( )1 ()
= ( )1
=
=
2. Varian minimum
Jika () = 2 maka matriks kovarian untuk diberikan oleh 2 =
( )1 . Jika () = dan () = 2 , maka penduga kuadrat terkecil
mempunyai varian minimum diantara semua variabel penduga tak bias linier.
Bukti:
=
= [( + ( )1 )( + ( )1 ( ) ) ]
= [(( )1 )(( )1 ) ]
= [( )1 ()1 ]
= ( )1 ( )1 ( )
= ( )1 2
= ( )1 2 (2.20)
Pengujian nyata regresi adalah sebuah pengujian untuk menentukan apakah ada
hubungan linier antara varaiabel tak bebas Y dan variabel bebas 1 , 2 , , .
Uji yang digunakan adalah uji mengggunakan statistik F berbentuk:
= (2.21)
(1)
dengan:
JKR = Jumlah Kuadrat Regresi
JKS = Jumlah Kuadrat Sisa
k = Derajat kebebasan JKR
(n k- 1) = Derajat kebebasan JKS
Statistik uji yang digunakan untuk menguji parameter regresi secara parsial
adalah:
= (2.23)
Jika > (1); /2 , maka 0 ditolak yang artinya variabel bebas ke-
berpengaruh nyata terhadap .
(X1)
Gambar 2.1 menunjukkan hasil pengklasteran yang ideal, di mana setiap objek/
variabel/ kasus hanya masuk atau menjadi anggota dari salah satu klaster (tidak
mungkin menjadi anggota dari dua klaster atau lebih). Gambar 2.1 menunjukkan situasi
di mana klaster dipisahkan secara berbeda (distincly separated) pada dua variabel.
Perhatikan bahwa setiap objek/ kasus/ variabel hanya masuk ke dalam1 klaster dan tidak
terjadi tumpang tindih, kalster saling meniadakan (mutually exclusive).
(X1)
2.7.2 Melakukan Analisis Klaster
Clustering Procedure
Non- Hierarchical
Hierarchical
Wards Method
Prosedur pengklasteran bisa hierarki dan bisa juga non hierarki. Pengklasteran
hierarki ditandai dengan pengembangan suatu hierarki atau struktur mirip pohon
(tree like structure). Metode hierarki bisa aglomeratif atau devisif (agglomerative
or divisive).
Hasil dari kedua metode agglomeratif dan devisif bisa disajikan dalam
bentuk dendogram, sebagai suatu diagram dua dimensi. Di sini akan dibahas
prosedur agglomerasi hierarkis, khususnya metode pertalian (linkage method), yaitu
single linkage method (metode pertalian tunggal), complete linkage method (metode
pertalian lengkap), average linkage method (metode pertalian rata-rata).
Analisis komponen utama merupakan teknik statsistik yang dapat digunakan untuk
mereduksi sejumlah variabel bebas menjadi beberapa variabel baru yang bersifat
orthogonal dan tetap mempertahankan total keragaman dari variabel asalnya.
Komponen utama ditentukan melalui matriks kovarian () dan matriks korelasi () dari
1 , 2 , , . Matriks kovarian digunakan untuk membentuk komponen utama apabila
semua variabel yang diamati mempunyai satuan pengukuran yang sama. Sedangkan
matriks korelasi digunakan apabila variabel yang diamati tidak mempunyai satuan
pengukuran yang sama. Variabel tersebut perlu dibakukan, sehingga komponen utama
berdasarkan matriks korelasi ditentukan dari variabel baku.
dengan:
1 = 11 , 12 , , 1 dan 1 1 = 1
= 1 1 (2.30)
(1 , 1 ) = 2 1 1 (1 1 1) = 1 1 1 (1 1 1)
Persamaan (2.31) dipenuhi oleh 1 dan 1 yang merupakan pasangan akar ciri
dan vektor ciri matriks . Akibatnya, 1 1 = 1 1 1 =1 1 1 = 1 . Oleh karena itu,
varian 1 = 2 1 = 1 1 = 1 harus maksimum, maka 1 adalah akar ciri yang
terbesar dari matriks dan1 adalah vektor ciri yang bersesuaian dengan 1 .
Komponen utama kedua adalah kombinasi linier terbobot variabel asal yang
tidak berkorelasi dengan komponen utama pertama, serta memaksimumkan sisa
kovarian data setelah diterangkan oleh komponen utama pertama. Komponen utama
kedua dapat dituliskan sebagai:
2 = 21 1 + 22 2 + + 2
2 = 2 (2.32)
dengan:
2 = 21 , 22 , , 2 dan 2 2 = 1
= 2 2 (2.33)
21 2 22 1 2 1 1 1 = 0
21 2 0 1 = 0
Jadi 2 dan 2 merupakan pasangan akar ciri dan vektor ciri dari matriks varian
kovarian . Seperti halnya penurunan pada pencarian 1 , akan diperoleh bahwa 1
adalah vektor yang bersesuaian dengan akar ciri terbesar kedua dari matriks.
Jika variabel yang diamati tidak mempunyai satuan pengukuran yang sama, maka
varaiabel tersebut perlu dibakukan sehingga komponen utama ditentukan dari variabel
baku (Vincent Gasperz, 1991). Variabel asal perlu ditransformasi ke dalam variabel
baku Z, dalam catatan matriks adalah:
= (2.40)
dengan:
Z = variabel baku
X = variabel asal
= rata-rata variabel asal
= standard deviasi
Komponen utama dari Z dapat ditentukan dari vektor ciri yang diperoleh melalui
matriks korelasi yang diduga dengan matriks , dimana vektor pembobot diperoleh
dengan memaksimumkan keragaman komponen utama ke- j dengan kendala: = 1,
serta = 0, untuk .
Salah satu tujuan dari analisis komponen utama adalah mereduksi dimensi data asal
yang semula terdapat p variabel bebas menjadi k komponen utama (dimana < ).
Kriteria pemilihan k didasarkan pada akar ciri yang lebih besar dari satu, dengan kata
lain hanya komponen utama yang memiliki akar ciri lebih besar dari satu yang
dilibatkan dalam analisis.
y= Ax
= 0 + 1 1 + 2 2 + + (2.41)
dengan:
Y = variabel tak bebas
Wi = variabel komponen utama
i = parameter model regresi komponen utama
1 = 11 1 + 21 2 + + 1
2 = 12 1 + 22 2 + + 2
. . . .
. . . .
. . . .
= 1 1 + 2 2 + +
dengan:
Wi = komponen utama
ij =koefisien komponen utama
Zi = variabel baku
Komponen utama W1, W2, , Wkdalam persamaan di atas disubstitusikan ke dalam
persamaan bentuk umum regresi komponen utama, kemudian diselesaikan secara
aljabar, maka diperoleh:
= 0 + 1 1 + 2 2 + + (2.42)
dengan:
0 = 0 =
1 = 111 + 212 + + k1k
. . . .
. . . .
. . . .
p = 1p1 + 2p2 + + kpk