Forum Geografi, Vol. 25, No. 2, Desember 2011: 178 - 193178

APLIKASI ESDA UNTUK STUDI VARIABILITAS SPASIAL HUJANBULANAN DI JAWA TIMUR

Application of Exploratory Spatial Data Analysis to Study The Spatial Variabilityof Monthly-Rainfall in East Java Region

IndartoLab. Teknik Pengendalian dan Konservasi Lingkungan (TPKL), PS Teknik Pertanian

Universitas Negeri JemberE-mail: indarto.ftp@unej.ac.id

ABSTRACTThis article expose the spatial variability of monthly-rainfall (MR) in East Java region. Monthlyrainfall data were collected from 943 pluviometres spread around the regions. Spatial statistics analysedby means of ESDA (Exploratory Spatial Data Analysis) techniques available on Geostatistical Ana-lyst extention of ArcGIS (9.3). Statistical tools exploited to analise the data include: (1) Histogram, (2)Voronoi Map, and (3) QQ-Plot. The result show that histogram and QQ-Plot of Monthly Rainfalldata are leptocurtosis. Statistical value obtained from the analysis are: minimum = 54 mm/month,average = 155,5 mm/month, maximum = 386 mm/month, and median = 150 mm/month. Otherstatistical value summarised are: standard deviation = 44,2 ; skewness = 0,95; dan curtosis = 5,09.Finally, monthly rainfall-maps are produced by interpolating the data using Inverse Distance Weighed(IDW) interpolation method. The research demonstrate the capability and benefit of those statistical toolto describe detailed spatial variability of rainfall.

Keywords: spatial variability, Monthly Rainfall, ESDA, East Java

ABSTRAKArtikel memaparkan variabilitas spasial hujan-bulanan di Jawa Timur. Data hujan bulanan diperolehdari 943 lokasi stasiun hujan yang tersebar merata di seluruh wilayah Provinsi Jawa Timur. Analisaspasial dilakukan menggunakan tool ESDA (Exploratory Spatial Data Analysis) yang ada padaArcGIS Geostatistical Analyst. Tool yang digunakan mencakup: Histogram, Voronoi Map, QQ-Plotdan Trend Analysis. Hasil analisa menunjukkan histogram dan normal QQPlot untuk hujan bulananrelatif condong ke kanan dibandingkan dengan distribusi normal. Nilai statistik hujan bulanan yangdiperoleh, minimal = 54 mm/bulan, maksimal = 386 mm/bulan, rerata dari seluruh stasiun untuksemua periode = 155,5 mm/bulan, dan nilai median = 150 mm/bulan. Histogram juga menampilkannilai standar deviasi = 44,2; koefisien skewness = 0,95; dan koefisien curtosis sebesar (5,09).Selanjutnya, peta hujan bulanan diproduksi dengan menginterpolasi data hujan tersebut menggunakanmetode interpolasi IDW. Penelitian menunjukkan bahwa aplikasi: histogram, Voronoi Map, QQPlotdan interpolasi IDW dapat menggambarkan variabilitas spasial hujan pada suatu wilayah lebihdetail.

Kata kunci: variabilitas spasial, hujan bulanan, ESDA, Jawa Timur

179Aplikasi ESDA untuk Studi ... (Indarto)

Analisa paling sederhana di dalam EDAadalah membuat ringkasan nilai statistikdari suatu seri data atau dalam konteks dataspasial (ESDA) adalah ringkasan dariatribut tabel atau nilai-grid.

Analisa dalam bentuk grafik umumnyaberupa: histogram, pie charts, box plots dan/atau scatter plot. Tidak satupun grafik di atasmenunjukkan secara explsit perspectifspasial dari suatu set-data, tetapi jika adafasilitas untuk menghubungkan datatersebut dengan peta dan tabel, maka data-data tersebut dapat lebih bermakna untukanalisa spasial. ESDA memfasilitasi analisatersebut. Pemilihan terhadap objek melaluilinking dapat dilakukan secara otomatis(melalui pemrograman) atau didefinisikanoleh pengguna (user defined) melalui grafik.Teknik yang ke dua disebut “brushing”, danumumnya mensyaratkan pemilihansejumlah objek (mis, titik) dari tampilanlayar monitor dengan luasan tertentu (mis:rectangular shape) (de Smith et al., 2007).

Fasilitas seperti tersebut di atas telahdiimplementasikan pada banyak perangkatlunak misalnya: ArcGIS Geostatistical Ana-lyst (Johnston, K et al., 2001), GeoDa(https://geoda.uiuc.edu), GS+TM

(Robertson, 2008), SatScan (http://www.satscan.org), dan STARS (http://regal.sdsu.edu/index.php/ main/STARS).

Teknik ESDA dapat digunakan untuk lebihmemahami bagaimana data terdistribusisecara spasial dan telah dipergunakan padaberbagi bidang kehidupan, misalnya:analisis kebijakan publik, pemasaran, ilmusosial, epidemiologi, dan geologi. Contohmanfaat ESDA dalam bidang geologimisalnya, ahli geologi pertambanganmenganalisis sejumlah titik ekstraksi untukmenyimpulkan daerah bar u yangberpotensi kaya minyak, gas, atau mineralmenggunakan tool yang disebut sebagaiGeostatistik. Pada kasus Epidemiologi,

PENDAHULUAN

Hujan merupakan bagian dari daurhidrologi yang banyak berpengar uhterhadap kehidpan termasuk kejadianbencana (Anna, Suharjo, dan Cholil, 2011).Fenomena hujan bervariasi sebagai fungsiruang (varibilitas Spasial) dan waktu(variabilitas temporal). Variabilitas tempo-ral hujan dapat diamati dan dideskripsikandengan malakukan analisa rentang waktu(time series analysis) terhadap suatu seri datahujan dengan periode rekaman yang memadai.

Variabilitas spasial hujan umumnyadigambarkan dalam suatu peta yangmenggambarkan distribusi hujan per sub-wilayah. Variabilitas spasial hujan dapatdideskripsikan dengan melakukan analisaspasial. Ada banyak metode terkait denganpegolahan data yang bervariasi terhadapruang secara statistik. Salah satu-nya adalahteknik yang dikenal sebagai ESDA (Explor-atory Spatial Data Analysis). Konsep ESDAmerupakan pengembangan dari EDA (Ex-ploratory Data Analysis).

EDA dan ESDA pada prinsipnya sama-sama merupakan analisa stat istik.Perbedaannya, pada ESDA/ESTDA nilaidan visualisasi statistik terintegrasi dengannilai dan visualisasi peta yang dianalisa.Perangkat lunak EDA umumnya tidakmenyediakan alat untuk visualisasi datasecara spasial. Sementara, teknik ESDAdapat digunakan untuk menganalisa datadalam berbagai cara (sudut pandang).Sebelum membentuk luasan, ESDAmemungkinkan kita untuk memahamilebih mendalam fenomena yang sedang kitaanalisa, sehingga keputusan yang kitaambil terkait dengan data, dapat lebih tepat.

Ada berbagai analisa statistik di dalam konsepESDA. Misalnya, ESDA dapat digunakanuntuk memplotkan distribusi data, melihatkecenderungan global dan lokal, meng-evaluasi autokorelasi spasial (spasial auto-correlation), memahami covarian diantarabeberapa seri data (de Smith et.al., 2007).

Forum Geografi, Vol. 25, No. 2, Desember 2011: 178 - 193180

misalnya, ESDA digunakan untuk mem-prediksi seberapa jauh resiko yang ditanggungoleh orang yang tinggal berdekatan denganinstalasi Nuklir. Dalam hal ini, analisa statistikdapat dilakukan dengan membandungkanantara lain distribusi penyakit kanker vsjarak dari sumber radiasi. Selanjutnya over-lay informasi dapat memberikan hasil yangmemadai (Lowe, 2008).

Artikel ini memaparkan aplikasi ESDAuntuk mendeskripsikan variabilitas spasialsuatu fenomena. Fenomena dalam hal iniadalah hujan bulanan. Analisa ESDAdilakukan dengan memanfaat ArcGISGeostatistical Analyst Extension. Tool yangdigunakan mencakup: (1) Histogram, (2)Voronoi Map dan (3) QQPlot. Hasil analisaESDA diaharpkan dapat memberikaninformasi tentang varibilitas spasial hujandi wilayah Jawa Timur, kecenderungan,dan distribusi hujan per sub-wilayah.

METODE PENELITIAN

Lokasi Penelitian

Penelitian dilakukan di seluruh wilayahprovinsi Jawa Timur. Data hujan yangdigunakan dalam penelitian berasal dari943 alat ukur (penakar hujan/pluviometri/gelas ukur) yang ada di seluruh wilayahJawa Timur. Data diperoleh dari Dinas PUPengairan Provinsi Jawa Timur, melalui keSembilan (9) UPT PSAWS yang ada.

Lokasi alat ukur tersebut terdistribusimerata ke dalam (9) wilayah UPT PSAWS.

Input Data

Data hujan yang digunakan adalah hujanbulanan. Hujan rerata bulanan diperolehdari data hujan setiap bulan selama periode2 sampai 48 tahun. Karena analisa ini lebihfokus pada variabilitas spasial, makamasalah periode yang berbeda dianggap

sudah mewakili satu rentang waktu.Sebaliknya, analisa lebih mementingkandistribusi lokasi dan jumlah stasiun hujan.Dari data tiap lokasi tersebut selanjutnyadidapatkan nilai hujan rerata untuk bulanJanuari sampai dengan bulan Desember.

Pada kasus ini, hujan rerata bulananditentu-kan dari jumlah hujan rerata Januarisd Desember dibagi 12. Penentuan hujanrerata bulan semacam ini dimaksudkanuntuk mendapatkan satu data (ringkasandari 12 bulan) yang dapat digunakan untukmengukur variabilitas antar stasiun. Hujanrerata per bulan tetap dianalisa untukmenunjukkan per ubahan variabilitasspasial hujan tiap bulannya.

Format Data

Data hujan selanjutnya direkam dalamtabel EXCEL. Identifikasi untuk tiapkolom dalam tabel tersebut adalah sebagaiberikut: kolom ke 1 adalah: ID (No urutidentifikasi); kolom ke 2 = Dtbs (kodestasiun hujan di dalam database); kolomke 3 = mT (Meter Timur) atau koordinat(x) untuk sistem proyeksi UTM Zone 49SWGS84; kolom ke 4 = mU (Meter Utara)atau koordinat (y); kolom ke 5 = El(m)yang menunjukkan ketinggian lokasistasiun hujan (satuan meter); kolom ke 6= Pr(tahun) mewakili periode rekaman data(satuan tahunan); kolom ke 7-18= h-jan,h-feb, h-mar, h-apr, dst sd h-des menunjuk-kan nilai rerata hujan pada setiap bulan.

Semua data asalnya adalah dari pengukuranhujan harian yang dilakukan oleh parapengamat stasiun hujan yang ada di seluruhwilayah Jawa Timur dan dikoordinasikanoleh Dinas PU Pengairan Jawa Timur. Datatersebut diperoleh dari Dinas PU PengairanProvinsi Jawa Timur.

Analisa ESDA

Analisa menggunakan tool statistik yangada pada: ArcGIS Geostatistical Analysis.

181Aplikasi ESDA untuk Studi ... (Indarto)

Setelah data terformat dan dapatdiintegrasikan dengan database ArcGIS(gambar 1), dilanjutkan dengan melakukananalisa ESDA melalui sub-menuExplorData. Selanjutnya, dilakukan analisa:(1) Histogram, (2) Voronoi Map dan (3) QQPlot.

Finalisasi pembuatan peta hujan bulanandilakukan dengan interpolasi data titikmenjadi data luasan menggunakan metodeInverse Distance Weighting (IDW) yangtersedia pada tool yang sama. Dalam kasusini, dipilih metode interpolasi mengguna-kan IDW dengan asumsi bahwa semakindekat jarak antara dua titik stasiun hujan,semakin berkorelasi data hujan yang adapada ke dua stasiun tersebut.

Hasil akhir analisa adalah peta distribusi spasialhujan rerata tiap bulan dan hujan reratabulanan untuk seluruh wilayah Jawa Timur.

Tahap analisa mengikuti prosedur yang adadi dalam ArcGIS Geostatistical Analyst. Padaartikel ini hanya dibahas hasil analisamenggunakan: Histogram, Voronoi Map,Normal QQ-Plot dan General QQ-Plot.

HASIL DAN PEMBAHASAN

Histogram

Histogram menampilkan distribusifrekuensi data dan menghitung nilaistatistik utama. Distribusi Frekuensi (Fre-quency Distribution) adalah diagram batangyang menunjukkan seberapa sering suatunilai data terjadi (frekuensi) untuk inter-val atau klas tertentu. Histogram ESDA jugamemuat ringkasan nilai statistik (statisticsummary) , dari suatu seri-data yangmenggambarkan distribusi: lokasi (location),penyebaran (spread) dan bentuk (shape).Distribusi lokasi menggambarkan pusatdan arah distribusi, yang digambarkan olehnilai rerata (mean) dan median. Meanmenggambarkan pusat distribusi. Medianmenunjukkan nilai tengah, dimana: 50%nilai berada di bawah median dan 50%berada di atas median.

Distribusi frekuensi juga dicirikan olehbentuk (shape), yang ditunjukkan olehkemencengan (coefficient of skewness) dankurtosis. Skewness mengukur tingkat simetri

Sumber: hasil analisis

Gambar 1. Integrasi Data ke Dalam Database ArcGIS

Forum Geografi, Vol. 25, No. 2, Desember 2011: 178 - 193182

dari suatu distribusi. Distribusi frekuensiyang simetri (kiri dan kanan relat ifseimbang), dikatakan memiliki nilai skew-ness = 0. Distribusi frekuensi dengan nilaiskewness positif berarti condong ke kanandan lebih banyak mempunyai nilai besar(Johnston et al., 2001).

Gambar 2, mengilustrasikan peran SD danvariance untuk menggambarkan sebarandata. Kurva merah (pada Gambar 2)menunjukkan suatu distribusi dengan nilaiSD dan variance yang relatif kecil (bentukkurva distribusi lebih runcing). Sedangkurva hitam menghasilkan nilai SD danvariance relatif besar dan bentuk kurva distribusilebih tumpul (Johnston et.al., 2001).

Sebaliknya, distribusi dengan nilai skewnessnegatif (Gambar 3) disebut sebagaicondong ke kiri dan lebih banyak terdiridari nilai-nilai kecil.

Kurtosis didasarkan pada bentuk dan ukurandistribusi. Kurtosis menjelaskan bagaimanasuatu distribusi akan menghasilkan nilaiekstrem (outliers). Kurtosis untuk distribusinormal = 3. Distribusi dengan bentukrelatif tebal disebut Leptokurtisis, dimananilai kurtosis lebih besar dari 3. Distribusi

dengan bentuk relatif kurus disebutplatykurtisis dengan nilai kurtosis kurang dari3 (Johnston et.al., 2001).

Sebagai contoh, Gambar 4 menampilkanhistogram hujan-rerata-bulanan (HRB)hasil analisa ESDA. Gambar 4amenunjukkan ringkasan nilai statistik.Selanjutnya, diperoleh nilai HRB minimal= 53,9 mm/bulan dan maksimal = 386,08mm/bulan. Sedangkan, nilai mean dariseluruh stasiun untuk semua periodeadalah 155,5 mm/bulan dan nilai median= 150 mm/bulan.

Nilai Standar Deviasi (SD) = 44,2, hal inimenunjukkan sebaran data yang relatiftidak merata ke semua skala (mengumpuldi sekitar nilai rerata) dan menghasilkanbentuk grafik yang relatif runcing.

Histogram HRB (Gambar 4a) tergolongmenceng ke kanan atau menceng ke arahpositif, dengan nilai koefisien skewness =0,95. Hal ini juga diperkuat oleh nilai rerata(mean) yang lebih tinggi dari nilai median-nya. Gambar 6a memperlihatkan distribusihujan rerata bulanan dengan nilai kurto-sis= 5,09 yang menunjukkan distribusileptokurtisis (thick-tailed).

Sumber: hasil analisisGambar 2. Effek Nilai SD dan Variance

terhadap Bentuk Grafik Distribusi

Sumber: hasil analisisGambar 3. Histogram dengan Skewness

Negatif

183Aplikasi ESDA untuk Studi ... (Indarto)

(a)

Sumber: hasil analisisGambar 4. Hasil Analisa Histogram Hujan Rerata Bulanan (HRB) memperlihatkan: (a)

ringkasan nilai statistik umum, (b) sebaran stasiun hujan dengan nilai hujan reratabulanan antara 119 sd 153 mm/bulan (mayoritas nilai)

(b)

Selanjutnya, Gambar 4b menampilkanstasiun hujan dengan nilai HRB antara: 119sd 153 mm/bulan. Lokasi alat ukur tersebutrelatif tersebar merata ke seluruh wilayah(merupakan mayoritas nilai hujan reratabulanan). Selanjutnya, Histogram untukmenggambarkan varibilitas spasial hujantiap bulannya (Januari sd Desember) dapatdilakukan dengan cara yang sama.

Gambar (5) memperlihatkan distribusistasiun dengan berbagai nilai HRB. Gambar(5a) memperlihatkan distribusi stasiun hujandengan nilai HRB antara 53 sd 119 mm/bulan. Terlihat bahwa wilayah dengan nilaiHRB rendah (<119 mm/bulan) tersebutmeliputi sebagian besar wilayah PanturaJawa Timur, wilayah tengah (Jombang,Nganjuk, Madiun, Bojonegoro, Ngawi) dansebagian kecil Wilayah Pantai Selatanbagian timur (Jember & Lumajang).

Gambar (5b) memperlihatkan distribusistasiun hujan dengan nilai HRB >153 mm/bulan. Stasiun-stasiun tersebut lokasinyarelatif tersebar merata ke seluruh wilayah,kecuali daerah Tuban, Lamongan, Gresik,dan Madura.

Gambar (5c) memperlihatkan distribusispasial stasiun hujan dengan nilai HRBlebih dari 255 mm/bulan, yang terdistribusihanya pada beberapa stasiun di wilayahJawa Timur.

Voronoi Map

Voronoi map dibuat dari suatu seri poligonyang dibentuk mengelilingi tiap titikpengukuran. Poligon dibuat sedemikainrupa sehingga setiap lokasi di dalampoligon lebih dekat terhadap sampel titiktersebut, jika dibandingkan jaraknyaterhadap titik lainnya. Setelah suatupoligon terbentuk, maka poligon-tetangga(neighbors), didefinisikan sebagai semuapoligon yang mengelilingi titik-titik sampeldi sekitarnya dan berbatasan langsungdengan poligon yang dimaksud.

Dengan menggunakan konsep semacam ini,maka beberapa nilai statistik lokal dapatdihitung. Selanjutnya, cara perhitungansemacam ini diulangi untuk semua poligondan poligon tetangga (neighbors), seri warnamenunjukkan nilai-relatif rerata lokal

Forum Geografi, Vol. 25, No. 2, Desember 2011: 178 - 193184

(a)

Sumber: hasil analisisGambar 5. Hasil analisa histogram HRB yang menggambarkan distribusi spasial: (a)

wilayah dengan nilai HRB <119 mm/bulan, (b) wilayah dengan nilai HRB >153 mm/bulan, dan (c) wilayah dengan nilai HRB >255 mm/bulan

(c)

(b)

185Aplikasi ESDA untuk Studi ... (Indarto)

tersebut, yang selanjutnya dapat meng-gambarkan daerah dengan nilai rerata tinggiatau rendah.

Voronoi Mapping Tool (VMT) di dalamArcGIS Geostatistical Analyst menyediakanberbagai metode untuk penentuan danperhitungan nilai polygon. Voronoi statistikdigunakan untuk berbagai keperluan danpada prinsipnya dapat dikelompokkanmenjadi 4 kategori:Local Smoothing : Mean, Mode, MedianLocal Variation : Standard Deviation,

Interquartile range,Entropy

Local Outliers : ClusterLocal Influence : Simple

QQ-Plot

QQPlots membandingkan kuantile dari duadistribusi dalam satu grafik. Ada dua jenis:Normal QQPlot dan General QQPlot.

Pada Normal QQPlot kuantile dari suatuseri-data dibandingkan dengan kuantile daridistribusi normal. Normal QQ-Plot dibuatdengan memplotkan nilai data terhadapnilai standard distribusi normal. Jika ke duagrafik mirip/identik, maka seri-data tersebutdapat diasumsikan memiliki distribusi normal.General QQPlot digunakan untuk meng-ukur similaritas distribusi dari dua seri-data.General QQPlot dibuat dengan memplotkandistribusi kumulatif nilai data dari dua seri-data tersebut (Johnston et.al., 2001).

Gambar 6, menampilkan grafik NormalQQ-Plot untuk HRB. Terlihat adanyasedikit penyimpangan dari distribusi nor-mal, ter-utama pada nilai ekstrim rendahdan tinggi.

Titik-titik berwarna biru (Gambar 7)menunjukkan lokasi stasiun hujan yangterseleksi (yang menunjukkan penyimpang-an dari distribusi normal).

Intepolasi Data

Analisa ESDA dilakukan untuk mem-pelajari karakteristik atau kecenderunganspasial suatu seri data. Setelah dilakukanESDA, selanjutnya data hujan tersebutdapat diinterpolasi menggunakan salahsatu metode interpolasi untuk membuatpeta tematik hujan bulanan.

Gambar 8 sd 19 menampilkan petadistribusi spasial HRB di Jawa Timur. Petadibuat dengan melakukan interpolasi datadari semua stasiun tersebut, menggunakanmetode Interpolasi Inverse DistanceWeigthing (IDW).

Gambar 8 menunjukkan awal musim peng-hujan jatuh pada bulan oktober, dan hanyaterjadi pada beberapa wilayah bagian timurdari Jawa Timur, terutama pantai selatan(Banyuwangi, sebagian kecil Lumajang danJember). Hal ini ditandai dengan bagian petayang berwarna biru. Selanjutnya, warna birupada peta tersebut menjalar ke berbagaiwilayah mulai bulan November (Gambar 9).

Puncak musim penghujan terjadi padabulan Desember sd Februari, hal iniditandai dengan intensitas hujan yangsemakin merata di seluruh wilayah jatim,yang ditunjukkan oleh semakin meluasnyadaerah berwarna biru muda dan biru tuapada peta (Gambar 10 sd 12). Musim hujanmasih terasa pada beberapa wilayah sampaidengan bulan Maret.

Transisi antara musim penghujan ke musimkemarau dimulai pada bulan April, dimanahujan yang jatuh mulai berkurang disebagian besar wilayah Jawa Timur ( < 200mm/bulan). Pada bulan ini hanya sebagiankecil saja ( di wilayah pegunungan) yangmasih menerima hujan > 200 mm/bulan.

Musim kemarau dimulai pada bulan Mei,dimana > 60% wilayah di Jawa Timurmenerima hujan < 100mm/bulan (Gambar15). Puncak musim kemarau berlangsungantara bulan juni sd september, dimana

Forum Geografi, Vol. 25, No. 2, Desember 2011: 178 - 193186

Sumber: hasil analisisGambar 7. Distribusi Spasial Stasiun Hujan dengan Nilai HRB Maksimum dan Minimum

Sumber: hasil analisisGambar 6. Normal QQPlot Hujan Rerata Bulanan

187Aplikasi ESDA untuk Studi ... (Indarto)

Sumber: hasil analisisGambar 8. HRB Oktober

Sumber: hasil analisisGambar 9. HRB November

Forum Geografi, Vol. 25, No. 2, Desember 2011: 178 - 193188

Sumber: hasil analisisGambar 10. HRB Desember

Sumber: hasil analisisGambar 11. HRB Januari

189Aplikasi ESDA untuk Studi ... (Indarto)

Sumber: hasil analisisGambar 12. HRB Februari

Sumber: hasil analisisGambar 13. HRB Maret

Forum Geografi, Vol. 25, No. 2, Desember 2011: 178 - 193190

Sumber: hasil analisisGambar 15. HRB Mei

Sumber: hasil analisisGambar 14. HRB April

191Aplikasi ESDA untuk Studi ... (Indarto)

Sumber: hasil analisisGambar 16. HRB Juni

Sumber: hasil analisisGambar 17. HRB Juli

Forum Geografi, Vol. 25, No. 2, Desember 2011: 178 - 193192

Sumber: hasil analisisGambar 18. HRB Agustus

Sumber: hasil analisisGambar 19. HRB September

193Aplikasi ESDA untuk Studi ... (Indarto)

DAFTAR PUSTAKA

Anna, A. N., Suharjo, Cholil, M. (2011). Analisis Flktuasi Hjan dan Morfologi Sungai terhadapKonsentrasi Banjir daerah Surakarta. Forum Geografi. Vol. 25, No. 1, Pp. 41-52.

Cressie, N. (1993). Statistics for Spatial Data, Revised Edition, Wiley: New York.

De Smith, M.J., Goodchild, M.F., and Longley, P.A. (2007). Geospatial Analysis. AComprehensive Guide to principles, Techniques and Software Tools. Matador, Leiceister, UK.www.spatialanalysisonline.com

Johnston, K. Ver Hoef,J.M., Krivoruchko, K., and Lucas, N. (2001). Using ArcGISGeostatistical Analyst. GIS by ESRI.

Lowe, J.W. (2008). Emerging Tools and Concepts of Exploratory Spatial Data Analysis. http://www.giswebsite.com/pubs/200307/nr200307_p1.html [10 Mei 2011]

Robertson, G.P. (2008). GS+: Geostatistics for the Environmental Sciences. Gamma DesignSoftware, Plainwell, Michigan USA.

https://geoda.uiuc.edu

http://www.giswebsite.com/pubs/200307/nr200307_p1.html

http://www.satscan.org

http://regal.sdsu.edu/index.php/main/STAR

hampir sebagian besar wilayah (lebih dari80% luas Jawa Timur) menerima hujan <100 mm/bulan. Hal ini ditandai denganperkembangan wilayah peta yang berwarnamerah-muda, yang semakin merata keseluruh bagian propinsi.

Informasi dalam bentuk peta tematiksebagaimana ditampilkan di atas dapatdikembangkan lebih lanjut. Peta-petatersebut dapat dimanfaatkan untukperencanaan di bidang sumberdaya air,pertanian atau bidang lain.

KESIMPULAN DAN SARAN

Hasil analisa menunjukkan adanyavariabilitas spasial hujan rerata bulanan diJawa Timur. Analisa histogram dan Nor-

mal QQPlot menunjukkan hujan reratabulanan terdistribusi secara acak.Penelitian menunjukkan aplikasi histo-gram, voronoi-map dan QQPlot dapatmenggambarkan variabilitas spasial hujanpada suatu wilayah dengan lebih detail.

UCAPAN TERIMA KASIH

Penelitian ini didanai oleh Program MHEREUNEJ Tahun 2011. Penulis mengucapkanterima kasih kepada : Dinas PU PengairanProvinsi Jawa Timur; Lab. TPKL - PSTeknik Per tanian, FTP, UNEJ; Timmahasiswa (a.n: Ardian NF, Fatma Amalia,Fentry Ayu R) yang telah membantu secarateknis untuk entri dan pengolahan data,serta semua pihak yang telah membantukelancaran proses penelitian ini.