II.

ANALISIS HUJAN

1. Mengisi data hujan yang hilang

2. Konsistensi data
3. Analisis hujan rerata
1. Mengisi Data Hujan yang Hilang

Langkah pertama yang harus dilakukan

setelah memperoleh set data hujan
adalah memVERIFIKASInya sebelum
digunakan untuk analisis.

Data hujan bisa hilang karena alat

rusak, atau kesalahan manusia
1. Mengisi Data Hujan yang Hilang
1. Mengisi Data Hujan yang Hilang

a) Jika perbedaan hujan tahunan

normal masing-masing stasiun
didekatnya tidak lebih dari 10%,
digunakan metode aritmatik:
n

P i
Px  i 1

n
1. Mengisi Data Hujan yang Hilang

b) Jika perbedaan hujan tahunan

normal (N) stasiun didekatnya lebih
besar dari 10%, digunakan metode
rasio hujan tahunan pemberat

Nx n
 Pi 
Px 
n
  
i 1  Ni 
1. Mengisi Data Hujan yang Hilang

c) Metode aritmatik modifikasi:

n
 Pi 
 
i 1 

Li 
Px  n
 1 
 
i 1 

Li 
1. Mengisi Data Hujan yang Hilang

d) Biarkan kosong, tidak digunakan

untuk analisis
 2. Konsistensi Data

Ada beberapa faktor yang dapat

menyebabkan inkonsistensi data:
• Kerusakan atau penggantian alat
• Perubahan lokasi atau elevasi alat
• Pertumbuhan tanaman atau gedung
• Perubahan prosedur pengukuran
• Kesalahan baca oleh manusia atau
mesin
 2. Konsistensi Data

Ada beberapa faktor yang dapat

menyebabkan inkonsistensi data:
• Kerusakan atau penggantian alat
• Perubahan lokasi atau elevasi alat
• Pertumbuhan tanaman atau gedung
• Perubahan prosedur pengukuran
• Kesalahan baca oleh manusia atau
mesin
 2. Konsistensi Data

Metode yang dapat digunakan untuk

mengecheck konsistensi data adalah
DOUBLE MASS ANALYSIS

Yaitu dengan membandingkan

kumulatif hujan tahunan stasiun ybs
dengan kumulatif hujan tahunan
stasiun di sekitarnya
2. Konsistensi Data
 2. Konsistensi Data

Perubahan kemiringan garis data

menunjukkan adanya INKONSISTENSI
DATA.

Misalnya kemiringan data pertama

adalah m1 dan kedua adalah m2,
maka kelompok data kedua harus
dikoreksi dengan faktor m1/m2.
 3. Analisis Hujan Rerata
a. Metode RERATA ARITMATIK, metode ini
digunakan jika distribusi hujan hampir
seragam

P i
P i 1

n
 3. Analisis Hujan Rerata
b. Metode POLIGON THIESSEN, kawasan
dibagi menjadi beberapa subkawasan
dengan stasiun hujan sebagai titik
pusatnya.

 A .P i i
P i 1
n

A
i 1
i
3. Analisis Hujan Rerata
 3. Analisis Hujan Rerata
c. Metode ISOHYET, isohyet adalah garis
pada peta yang mengubungkan titik-titik
dengan tinggi hujan yang sama

 A .P i i
P i 1
n

A
i 1
i
3. Analisis Hujan Rerata
 II. STATISTIK HIDROLOGI
Periode ulang = kala ulang = return period

Adalah waktu pengulangan kejadian rerata

atau kemungkinan kejadian terulang.
Periode ulang 100 tahun, artinya
KEMUNGKINAN akan terjadi adalah satu
kali dalam 100 tahun.
 II. STATISTIK HIDROLOGI

1
P  Prob  X  X T  
T

Kemungkinan bahwa kejadian X akan

melebihi XT dalam setiap tahun adalah 1/T
 II. STATISTIK HIDROLOGI

n
 1
R  1  1  P   1  1  
n

 T

Kemungkinan R, atau disebut RESIKO, bahwa

kejadian XT akan sama atau terlampaui
minimal sekali dalam n tahun berturut-turut.
 II. STATISTIK HIDROLOGI

X T    X T    kT S

Besaran XT dari sebuah kejadian hidrologi

ditunjukkan sebagai rerata ditambah
simpangan rerata.
 = rerata; kT = faktor frekuensi;
S = deviasi standar
II. STATISTIK HIDROLOGI
II. STATISTIK HIDROLOGI
II. STATISTIK HIDROLOGI
 II. STATISTIK HIDROLOGI

Distribusi NORMAL

  x   
2
1
f  x  exp   
 2  2 2

 

Cs=0
 II. STATISTIK HIDROLOGI

Distribusi NORMAL
 II. STATISTIK HIDROLOGI

Distribusi NORMAL
1/ 2
  1 
  ln  2   0  p  0,5
  p 
1/ 2
  1 
  ln   p  0,5
  1  p   
2
 II. STATISTIK HIDROLOGI

Distribusi NORMAL

2,515517  0,802853  0,010328 2

z  
1  1, 432788  0,189269 2  0,001308 3

X T    kT S kT  z
 II. STATISTIK HIDROLOGI

Distribusi LOGNORMAL
  y   2 
1
f  x  
exp  
y

 y 2  2 2

 y


y = log(x)

Cs=3Cv+Cv3
 II. STATISTIK HIDROLOGI

Distribusi LOGNORMAL
 II. STATISTIK HIDROLOGI

Distribusi LOGPEARSON TIPE III

Y   e   Y 
  1

f  x 
x   
y = log(x)
2
sy  2 
   
  Cs  y    y  s y 
Cs(y) positif
 II. STATISTIK HIDROLOGI

Distribusi EXTREME VALUE TIPE I (GUMBEL)

1  x  x   
f  x   exp    exp   
     


6s y   x  0,5772


Cs=0,1396
 II. STATISTIK HIDROLOGI

Distribusi EXTREME VALUE TIPE I (GUMBEL)

X T    kT S

6   T  
kT   0,5772  ln ln   
    T  1  