Tentang TrenHidro
Platform pengolah data runtut waktu (time series) hidrometeorologi, khususnya data curah hujan, berbasis metode statistik untuk mendeteksi dan mengestimasi tren.
Apa itu TrenHidro?
TrenHidro menyediakan metode-metode uji statistik berikut yang dapat dijalankan langsung pada browser:
- Uji Mann-Kendall, mendeteksi keberadaan tren secara non-parametrik
- Sen's Slope, mengestimasi besaran kemiringan tren secara non-parametrik (robust terhadap outlier)
- Seasonal Mann-Kendall, adaptasi Mann-Kendall untuk data dengan siklus musiman
- Seasonal Sen's Slope, adaptasi Sen's Slope untuk data dengan siklus musiman
- Regresi Linear, uji tren parametrik dengan estimasi slope
Sumber Data
Data curah hujan harian yang tersedia pada halaman Peta Interaktif bersumber dari
BBWS Bengawan Solo,
Balai Besar Wilayah Sungai Bengawan Solo. Dataset dapat diunduh di
Mendeley Data.
Batasan Platform
- Data yang tersedia mencakup stasiun curah hujan di wilayah sungai Bengawan Solo yang terdaftar dalam database.
- Semua uji signifikansi menggunakan tingkat kepercayaan 95%.
Changelog
Riwayat versi TrenHidro.
v1.0 – Juni 2026
Peluncuran TrenHidro dengan fitur lengkap: Peta Interaktif berbasis Leaflet.js dengan marker berwarna hasil uji statistik, halaman Detail Stasiun dengan grafik dan ketersediaan data harian, halaman Olah Data untuk mengunggah file CSV/XLS/XLSX, serta lima metode statistik (Mann-Kendall, Sen's Slope, Seasonal Mann-Kendall, Seasonal Sen's Slope, Regresi Linear) yang berjalan pada server PHP dan browser.
Panduan Peta Interaktif
Halaman Peta Interaktif menampilkan seluruh stasiun curah hujan dalam satu peta. Warna setiap marker mencerminkan hasil uji tren sesuai metode dan parameter yang dipilih.
Panel Kontrol
Panel kiri dapat disembunyikan/ditampilkan dengan tombol ‹ › di tepi layar.
Wilayah Sungai
Pilih WS
Peta memperbesar otomatis ke batas wilayah terpilih dan memuat semua stasiunnya.
Tipe Data
Bulanan/Tahunan/Musiman
Agregasi pada periode sebelum data diolah. Musiman: Jan–Mar, Apr–Jun, Jul–Sep, Okt–Des.
Agregasi
Kumulatif/Rerata/Maks
Fungsi perhitungan nilai curah hujan pada periode terpilih.
Periode Tahun
Year picker
Klik angka tahun untuk membuka pemilih. Tahun tidak tersedia ditampilkan abu-abu.
Metode
Toggle switch
Aktifkan satu metode (Mann-Kendall, Sen's Slope, Seasonal Mann-Kendall, Seasonal Sen's Slope, atau Regresi Linear). Marker berubah warna sesuai hasil.
Filter Kualitas
Sembunyikan < 16 / < 30 Tahun
Sembunyikan stasiun dengan data pendek. Muncul setelah metode diaktifkan.
Legenda Marker
▲ Hijau berarti meningkat.
▼ Merah berarti menurun.
Abu-abu berarti tidak ada tren.
Tanda ! (kuning) pada marker menandakan panjang data < 16 tahun. Hasil perlu diinterpretasi dengan hati-hati.
Interaksi Peta
- Klik marker, membuka lightbox informasi stasiun (nama, koordinat, elevasi, pengelola, rentang data, nilai tren).
- Tombol Detail di lightbox, membuka halaman detail stasiun.
- Zoom, memperbesar/perkecil peta; tombol +/− di kiri bawah.
- Label Stasiun, menunjukkan nama stasiun.
- Ganti base map, ikon lapisan di kiri bawah: OpenStreetMap, ESRI Gray, atau Topo v4.
Halaman Detail Stasiun
Grafik Curah Hujan
Bar + garis regresi
Diagram batang data runtut waktu; garis merah menunjukkan regresi linear.
Rekapitulasi Tren
Lima metode
Hasil Mann-Kendall, Sen's Slope, Seasonal Mann-Kendall, Seasonal Sen's Slope, dan Regresi Linear ditampilkan berdampingan.
Ketersediaan Data
Persen kelengkapan data per periode
Hijau ≥ 80%, Kuning 50–79%, Merah < 50%.
Statistik Deskriptif
Rerata, Maks, Min, CV
Simpangan baku, koefisien variasi, dan deteksi outlier (IQR).
Ketersediaan Data Harian
Grid setahun penuh
Biru = data tersedia, Merah = data hilang. Diagram lingkaran juga tersedia.
Peta Mini
Lokasi stasiun
Peta kecil yang menampilkan posisi geografis stasiun.
Panduan Olah Data Anda
Halaman Olah Data memungkinkan Anda mengunggah data curah hujan sendiri dan menjalankan uji statistik langsung di browser. Data tidak disimpan di server.
Cara Penggunaan
1 – Upload
CSV, XLS, atau XLSX
Seret file ke area upload atau klik untuk memilih. Format tanggal dan separator CSV terdeteksi otomatis.
2 – Pratinjau
20 baris pertama
Tabel pratinjau muncul setelah file diproses. Klik "Ganti File" untuk mengganti.
3 – Parameter
Tipe, Bulan, Periode
Pilih tipe data (Bulanan/Tahunan/Musiman), filter bulan/musim, dan rentang tahun.
4 – Olah
Klik "Olah Data"
Server menjalankan kelima metode dan hasilnya ditampilkan langsung di halaman.
Format File
File harus memiliki minimal 2 kolom:
| Posisi | Isi | Format yang Didukung |
|---|
| Kolom 1 | Waktu |
Tahunan: YYYY
Bulanan: YYYY-MM
Harian: dd/mm/yyyy
|
| Kolom 2 | Nilai data | Numerik |
| Baris pertama (header) dilewati otomatis. Separator CSV (koma atau titik koma) terdeteksi otomatis. Format tanggal fleksibel, jika format tidak dikenali, browser akan mencoba parse secara otomatis. |
Contoh CSV
Tanggal,Data
01/01/2020,12
02/01/2020,0
03/01/2020,5
04/01/2020,8
05/01/2020,15
Hasil yang Ditampilkan
Grafik
Bar + garis tren
Diagram batang data agregat. Jika Regresi Linear aktif, garis merah ditampilkan di atas batang.
Rekapitulasi Tren
5 kartu metode
MK: Z uji & Z kritis. Sen's Slope: Qmed, Qmin, Qmax. Seasonal MK & SS: hasil gabungan musim. Regresi: t uji & t kritis.
Ketersediaan Data
Persen data pada periode terpilih
Hijau ≥ 80%, Kuning 50–79%, Merah < 50%.
Statistik Deskriptif
Rerata, Maks, Min, CV
Simpangan baku, koefisien variasi, jumlah titik data, dan deteksi outlier (IQR).
Uji Mann-Kendall
Uji non-parametrik untuk mendeteksi keberadaan tren dalam data runtut waktu. Tidak memerlukan asumsi distribusi normal, cocok untuk data hidrologi yang sering miring (skewed).
Rumus
Statistik S
$$S = \sum_{k=1}^{n-1} \sum_{j=k+1}^{n} \text{sign}(x_j - x_k)$$
$$\text{sign}(\theta) = \begin{cases} +1 & \theta > 0 \\ 0 & \theta = 0 \\ -1 & \theta < 0 \end{cases}$$
$S$ = jumlah selisih bertanda dari semua pasangan; $n$ = jumlah titik data; $\text{sign}(\theta)$ = fungsi tanda.
Varians S
$$\text{Var}(S) = \frac{n(n-1)(2n+5) - \displaystyle\sum_{p=1}^{g} t_p(t_p - 1)(2t_p + 5)}{18}$$
$\text{Var}(S)$ = varians $S$ dengan koreksi tied groups; $t_p$ = jumlah data dalam tied group ke-$p$; $g$ = banyaknya tied groups.
Statistik Z (uji)
$$Z = \begin{cases}
\dfrac{S - 1}{\sqrt{\text{Var}(S)}} & S > 0 \\[10pt]
0 & S = 0 \\[10pt]
\dfrac{S + 1}{\sqrt{\text{Var}(S)}} & S < 0
\end{cases}$$
$Z$ = statistik uji (distribusi normal standar); koreksi ±1 meningkatkan akurasi pada sampel kecil. $|Z| > 1{,}96$ → tren signifikan pada tingkat kepercayaan 95%; $Z > 0$ → meningkat, $Z < 0$ → menurun.
p-value
$$p = 2 \times \bigl[1 - \Phi(|Z|)\bigr]$$
$p$ = p-value uji dua sisi; $\Phi$ = CDF normal standar $N(0,1)$.
Hipotesis
- $H_0$: Tidak ada tren, data bersifat i.i.d.
- $H_1$: Terdapat tren (meningkat atau menurun)
Seasonal Mann-Kendall
Adaptasi uji Mann-Kendall untuk data dengan siklus musiman. Membandingkan data yang berasal dari bulan atau musim yang sama, sehingga efek musiman tidak memengaruhi deteksi tren.
Rumus
Statistik S per musim
$$S_i' = \sum_{k=1}^{n_i-1} \sum_{j=k+1}^{n_i} \text{sign}(x_{ij} - x_{ik})$$
$S_i'$ = statistik Mann-Kendall untuk musim ke-$i$; $n_i$ = jumlah tahun yang memiliki data pada musim ke-$i$; $x_{ij}$ = nilai data pada musim ke-$i$, tahun ke-$j$.
Statistik gabungan ($S^*$)
$$S^* = \sum_{i=1}^{12} S_i'$$
$S^*$ = statistik uji gabungan dari seluruh musim.
Varians per musim
$$\text{Var}(S_i') = \frac{n_i(n_i-1)(2n_i+5) - \displaystyle\sum_{p=1}^{g_i} t_{ip}(t_{ip} - 1)(2t_{ip} + 5)}{18}$$
$\text{Var}(S_i')$ = varians $S_i'$ dengan koreksi tied groups per musim; $t_{ip}$ = jumlah data dalam tied group ke-$p$ pada musim ke-$i$; $g_i$ = banyaknya tied groups pada musim ke-$i$.
Varians gabungan
$$\text{Var}(S^*) = \sum_{i=1}^{12} \text{Var}(S_i')$$
$\text{Var}(S^*)$ = varians gabungan dari seluruh musim.
Statistik uji $Z^*$
$$Z^* = \begin{cases}
\dfrac{S^* - 1}{\sqrt{\text{Var}(S^*)}} & S^* > 0 \\[10pt]
0 & S^* = 0 \\[10pt]
\dfrac{S^* + 1}{\sqrt{\text{Var}(S^*)}} & S^* < 0
\end{cases}$$
$Z^*$ = statistik uji gabungan, disubstitusikan ke persamaan (3.6) menggantikan $S$ dan $\text{Var}(S)$. Kriteria: $|Z^*| > 1{,}96$ → tren signifikan pada tingkat kepercayaan 95%.
Hipotesis
- $H_0$: Tidak ada tren pada seluruh musim
- $H_1$: Terdapat tren pada salah satu atau lebih musim
Sen's Slope Estimator
Estimator non-parametrik untuk menghitung besaran kemiringan tren. Lebih robust terhadap outlier dibandingkan regresi linear karena menggunakan median dari seluruh kemiringan pasangan data.
Rumus
Kemiringan setiap pasangan
$$Q_i = \frac{y_j - y_k}{t_j - t_k} \quad \text{untuk semua } j > k, \quad i = 1, 2, \ldots, N$$
$$N = \frac{n(n-1)}{2}$$
$Q_i$ = kemiringan pasangan ke-$i$; $t_j, t_k$ = indeks waktu; $y_j, y_k$ = nilai data; $N$ = total jumlah pasangan; $n$ = jumlah titik data.
Sen's Slope ($Q_{\text{med}}$)
$$Q_{\text{med}} = \text{median}(Q_1, Q_2, \ldots, Q_N)$$
$Q_{\text{med}}$ = median dari seluruh $Q_i$, yaitu nilai Sen's Slope. Besarnya perubahan per satuan waktu, robust terhadap outlier.
Interval Kepercayaan 95%
$$C_{\alpha} = Z_{\alpha/2} \cdot \sqrt{\text{Var}(S)}, \quad
M_1 = \frac{N - C_{\alpha}}{2}, \quad
M_2 = \frac{N + C_{\alpha}}{2}$$
$$Q_{\min} = Q_{(M_1)}, \quad Q_{\max} = Q_{(M_2)}$$
$C_{\alpha}$ = lebar interval (jumlah kemiringan); $\text{Var}(S)$ = varians $S$ dari Mann-Kendall; $Z_{\alpha/2}=1{,}96$ pada tingkat kepercayaan 95%; $Q_{\min}, Q_{\max}$ = batas bawah/atas IK 95%. Jika 0 tidak berada dalam ($Q_{\min}, Q_{\max}$), tren signifikan.
Hipotesis
- $H_0$: Tidak ada tren, kemiringan populasi ($\beta$) = 0
- $H_1$: Terdapat tren, $\beta \ne 0$ (meningkat atau menurun)
Seasonal Sen's Slope
Adaptasi Sen's Slope untuk data dengan siklus musiman. Pasangan data dibatasi hanya dari bulan atau musim yang sama, sehingga kemiringan dihitung dari perubahan antar-tahun pada musim yang setara.
Rumus
Kemiringan per musim
$$Q_i' = \frac{x'_{ij} - x'_{ik}}{t_j - t_k} \quad \text{untuk semua } j > k \text{ pada musim ke-}m, \quad i = 1, 2, \ldots, N_m$$
$Q_i'$ = kemiringan pasangan ke-$i$ pada musim ke-$m$; $x'_{ij}, x'_{ik}$ = nilai data pada musim ke-$m$ tahun ke-$j$ dan ke-$k$; $N_m$ = jumlah pasangan pada musim ke-$m$.
Jumlah pasangan per musim
$$N_m = \frac{n_m(n_m-1)}{2}$$
$N_m$ = jumlah total pasangan data yang mungkin dibentuk dari data musim ke-$m$; $n_m$ = jumlah tahun yang memiliki data pada musim ke-$m$.
Total pasangan gabungan
$$N^* = \sum_{m=1}^{12} N_m$$
$N^*$ = jumlah total pasangan data gabungan dari seluruh musim.
Median gabungan ($Q^*_{\text{med}}$)
$$Q^*_{\text{med}} = \text{median}(Q_1', Q_2', \ldots, Q_{N^*}')$$
$Q^*_{\text{med}}$ = median dari seluruh $Q_i'$ gabungan dari seluruh musim, yaitu besarnya perubahan per satuan waktu.
Interval Kepercayaan 95%
$$C^*_{\alpha} = Z_{\alpha/2} \cdot \sqrt{\text{Var}(S^*)}, \quad
M_1^* = \frac{N^* - C^*_{\alpha}}{2}, \quad
M_2^* = \frac{N^* + C^*_{\alpha}}{2}$$
$$Q^*_{\min} = Q'_{(M_1^*)}, \quad Q^*_{\max} = Q'_{(M_2^*)}$$
$C^*_{\alpha}$ = lebar interval kepercayaan gabungan; $\text{Var}(S^*)$ = varians gabungan dari persamaan (3.10); $Q^*_{\min}, Q^*_{\max}$ = batas bawah/atas IK 95%. Jika 0 tidak berada dalam ($Q^*_{\min}, Q^*_{\max}$), tren signifikan.
Hipotesis
- $H_0$: Tidak ada tren, kemiringan populasi gabungan musim ($\beta^*$) = 0
- $H_1$: Terdapat tren, $\beta^* \ne 0$ (meningkat atau menurun)
Regresi Linear
Metode parametrik (Ordinary Least Squares) untuk menentukan garis lurus terbaik yang meminimalkan jumlah kuadrat residual. Memberikan estimasi slope dan uji signifikansi $t$.
Rumus
Model regresi
$$y_i = \alpha + \beta x_i$$
$y_i$ = nilai variabel dependen; $x_i$ = nilai variabel bebas ke-$i$; $\beta$ = kemiringan garis regresi; $\alpha$ = perpotongan garis regresi dengan sumbu-$y$.
Rata-rata
$$\bar{x} = \frac{1}{n}\sum_{i=1}^{n} x_i, \quad \bar{y} = \frac{1}{n}\sum_{i=1}^{n} y_i$$
$\bar{x}$ = rerata variabel bebas; $\bar{y}$ = rerata variabel dependen; $n$ = jumlah titik data.
Slope ($\hat{\beta}$) dan intercept ($\hat{\alpha}$)
$$\hat{\beta} = \frac{S_{xy}}{S_{xx}}, \quad \hat{\alpha} = \bar{y} - \hat{\beta} \cdot \bar{x}$$
$\hat{\beta}$ = estimasi slope regresi (perubahan $y$ per satuan waktu); $\hat{\alpha}$ = estimasi intercept.
Uji signifikansi ($t$-test)
$$t = \frac{\hat{\beta}}{SE(\hat{\beta})}, \quad SE(\hat{\beta}) = \sqrt{\frac{MSE}{S_{xx}}}, \quad MSE = \frac{SS_{\text{res}}}{n - 2}$$
$t$ = nilai statistik uji $t$; $SE(\hat{\beta})$ = standard error slope; $MSE$ = mean squared error. $|t| > t_{\text{kritis}}(df=n-2)$ → tren signifikan pada tingkat kepercayaan 95%.
Derajat kebebasan
$$df = n - k$$
$df$ = derajat kebebasan; $k$ = parameter yang diestimasi ($k = 1$ untuk slope regresi).
Hipotesis
- $H_0$: Tidak ada tren linear, $\beta = 0$
- $H_1$: Terdapat tren linear, $\beta \ne 0$ (meningkat atau menurun)
Interpretasi Hasil
Panduan membaca output yang ditampilkan di Peta Interaktif maupun halaman Olah Data.
Arah Tren
Meningkat Signifikan, warna gelap; bukti statistik kuat bahwa nilai data naik seiring waktu
Meningkat Tidak Signifikan, warna terang; kenaikan terdeteksi namun belum cukup bukti pada tingkat kepercayaan 95%
Menurun Signifikan, warna gelap; bukti statistik kuat bahwa nilai data turun seiring waktu
Menurun Tidak Signifikan, warna terang; penurunan terdeteksi namun belum cukup bukti
Tidak Ada Tren, tidak terdeteksi perubahan sistematis
Nilai yang Ditampilkan per Metode
| Metode | Nilai Output | Artinya |
|---|
| Mann-Kendall |
Z uji |
Nilai statistik Z yang dihitung; dibandingkan dengan Z kritis (±1,96) |
| Z kritis |
Nilai batas signifikansi = ±1,96 pada tingkat kepercayaan 95% |
| Sen's Slope |
$Q_{\text{med}}$ |
Kemiringan median, besarnya perubahan per satuan waktu (mm/tahun) |
| $Q_{\min}$ |
Batas bawah interval kepercayaan 95% |
| $Q_{\max}$ |
Batas atas interval kepercayaan 95% |
| Regresi Linear |
$t$ uji |
Nilai statistik $t$; dibandingkan dengan $t$ kritis |
| $t$ kritis |
Nilai batas dari tabel $t$-distribusi pada $df = n-2$ dan tingkat kepercayaan 95% |
Perbandingan Antar Metode
| Skenario | Interpretasi |
|---|
| Metode non-parametrik sepakat signifikan |
Keyakinan tinggi, tren sangat mungkin nyata |
| Mann-Kendall dan Sen's Slope sepakat; Regresi Linear berbeda |
Kemungkinan ada outlier yang mempengaruhi regresi. Hasil non-parametrik lebih andal. |
| Hanya Regresi Linear yang signifikan |
Data kemungkinan pendek (< 10 titik). Regresi punya power lebih tinggi pada sampel kecil, namun bergantung asumsi normalitas. |
| Semua tidak signifikan / tidak ada tren |
Tidak terdeteksi perubahan sistematis. Data mungkin terlalu pendek atau variabilitas terlalu tinggi. |
Ketersediaan Data
- Baik (≥ 80%): Data cukup lengkap, hasil dapat diandalkan
- Cukup (50–79%): Data cukup, interpretasi perlu hati-hati
- Kurang (< 50%): Data banyak hilang, hasil mungkin tidak representatif
FAQ
Pertanyaan yang sering diajukan.
Apa perbedaan Mann-Kendall dan Regresi Linear?
Mann-Kendall adalah uji non-parametrik yang mendeteksi tren tanpa asumsi distribusi normal, sehingga lebih robust terhadap outlier. Regresi Linear adalah uji parametrik yang mengasumsikan hubungan linear dan residual normal, namun memberikan estimasi slope dan uji signifikansi $t$. Untuk data hidrologi, Mann-Kendall dan Sen's Slope umumnya lebih direkomendasikan.
Mengapa hasil Mann-Kendall dan Regresi Linear bisa berbeda?
Perbedaan bisa terjadi karena: (1) adanya outlier yang memengaruhi regresi, (2) hubungan non-linear yang tidak tertangkap regresi, (3) asumsi normalitas tidak terpenuhi, atau (4) sampel terlalu kecil. Dalam kasus perbedaan, hasil non-parametrik (Mann-Kendall / Sen's Slope) umumnya lebih reliable.
Berapa minimal jumlah data yang diperlukan?
Platform memerlukan minimal 3 titik data untuk menjalankan perhitungan. Namun, untuk hasil yang bermakna, direkomendasikan minimal 10–15 tahun data tahunan. WMO merekomendasikan 30 tahun untuk kajian klimatologi.
Apa arti tingkat kepercayaan 95%?
Tingkat kepercayaan 95% berarti ada 5% kemungkinan bahwa tren yang terdeteksi adalah false positive, yaitu kita menyimpulkan ada tren padahal sebenarnya tidak. Atau: jika studi diulang 100 kali dengan data acak tanpa tren, sekitar 5 kali akan terdeteksi "signifikan" secara kebetulan.
Mengapa data perlu diagregasi (bulanan/tahunan/musiman)?
Data curah hujan harian memiliki variabilitas sangat tinggi sehingga tren jangka panjang sulit terdeteksi di tengah noise. Agregasi (penjumlahan atau rata-rata per bulan/tahun/musim) meredam noise dan memperkuat sinyal tren.
Apa arti tanda ⚠ pada marker peta?
Menandakan stasiun memiliki panjang data kurang dari 16 tahun. Periode data yang pendek mengurangi keandalan uji statistik, sehingga hasil perlu diinterpretasi dengan lebih hati-hati.
Apakah data saya aman saat diunggah ke Olah Data?
Ya. Data dikirim ke server hanya untuk diproses (perhitungan statistik) dan tidak disimpan setelah hasil ditampilkan. Untuk keamanan optimal, pastikan koneksi menggunakan HTTPS.
Bagaimana cara menangani nilai hilang dalam data?
Baris dengan nilai kosong atau tidak valid dilewati otomatis. Indikator Ketersediaan Data akan menunjukkan persentase kelengkapan data pada periode yang dipilih, sehingga Anda dapat menilai seberapa besar pengaruh data hilang terhadap hasil.
Glosarium
Istilah teknis yang muncul di antarmuka TrenHidro.
Agregasi
Proses meringkas data harian menjadi nilai bulanan, tahunan, atau musiman menggunakan fungsi SUM, AVG, MAX, atau MIN.
IQR
Interquartile Range, selisih antara kuartil ketiga (Q3) dan kuartil pertama (Q1). Digunakan untuk mendeteksi outlier: nilai di luar $[Q1 - 1{,}5 \times IQR,\; Q3 + 1{,}5 \times IQR]$ dianggap outlier.
Outlier
Pencilan, nilai data yang jauh dari pola umum. Dapat memengaruhi hasil regresi linear secara signifikan; Mann-Kendall dan Sen's Slope lebih tahan terhadapnya.
Slope ($\hat{\beta}$)
Kemiringan garis tren, besarnya perubahan nilai per satuan waktu (misalnya mm/tahun). Positif berarti meningkat, negatif berarti menurun.
Signifikan
Hasil uji statistik yang menolak hipotesis nol ($H_0$) pada tingkat kepercayaan 95%, artinya ada bukti kuat bahwa tren bukan sekadar variasi acak.
Time series
Runtut waktu, data yang dikumpulkan secara berurutan dalam interval waktu yang teratur (misalnya curah hujan harian selama beberapa dekade).
Tren
Kecenderungan sistematis nilai data untuk naik atau turun secara seiring berjalannya waktu. Bukan fluktuasi musiman, melainkan perubahan jangka panjang.
Z kritis / t kritis
Nilai batas distribusi yang digunakan untuk menentukan signifikansi. Pada tingkat kepercayaan 95%: Z kritis = ±1,96; t kritis bergantung pada derajat bebas ($df = n-2$).
$Q_{\text{med}}$
Median kemiringan (Sen's Slope), estimasi robust besarnya perubahan per satuan waktu.
$Q_{\min}$, $Q_{\max}$
Batas bawah dan atas interval kepercayaan 95% dari Sen's Slope. Jika keduanya bertanda sama, tren dinyatakan signifikan.
Ketersediaan Data
Persentase titik data yang tersedia dibandingkan total yang diharapkan pada periode dan tipe data terpilih. Hijau ≥ 80%, Kuning 50–79%, Merah < 50%.