Anda di halaman 1dari 22

ANALISIS HUJAN RENCANA MENGGUNAKAN DATA DARI TRMM

GAMBARAN UMUM SATELIT METEOROLOGI

Sebagai gambaran umum mengenai satelit meteorologi berikut ini disajikan karakteristik satelit orbit
kutub hasil kerjasama Amerika Serikat dan Jepang yaitu TRMM (Tropical Rainfall Measuring Mission)
yang membawa berbagai sensor untuk mendeteksi obyek dan fenomena atmosfir dan dirancang untuk
memonitor dan mengkaji hujan di daerah tropis. TRMM adalah misi pertama NASA yang didedikasikan
untuk mengamati dan memahami curah hujan tropis dan bagaimana curah hujan ini mempengaruhi
iklim global. Misi bersama dengan Badan Pengembangan Antariksa Nasional Jepang diluncurkan pada 27
November 1997, dari Space Center Jepang, Tanegashima, Jepang, dan telah menghasilkan data kontinu
sejak 8 Desember 1997. Instrumen utama pada curah hujan TRMM adalah TRMM Microwave Imager
(TMI), TRMM Microwave Imager (TMI), The Precipitation Radar (PR), dan the Visible and Infrared
Radiometer System (VIRS). Selain itu, TRMM membawa Lightning Imaging Sensor (LIS) dan the Clouds
and the Earth's Radiant Energy System Instrument (CERES). Instrumen ini semua dapat berfungsi secara
individual atau dalam kombinasi dengan satu sama lain.

Tabel Karakteristik Satelit TRMM (JAXA 2002).


Tanggal Peluncuran November 28, 1997

Circular, non-sun-synchronous, with an


Orbit
inclination of 35 degrees to the Equator.

350 km (1997/11/27 2001/08/08)


Ketinggian orbit
403 km (2001/08/24 sekarang)

Tanggal Peluncuran November 28, 1997

TMI merupakan sensor gelombang mikro yang digunakan untuk mendeteksi hujan. Sensor ini
merupakan pengembangan dari sensor SSM/I (Special Sensor Microwave/Imager) yang sudah dibawa
dalam beberapa kali misi peluncuran satelit DMSP (Defense Meteorological Satelitte Programme).
Karakteristik yang cukup unik dari TMI adalah model penyiamannya yang berbentuk konikal (conical
scanning). Keuntungan penggunaan model penyiaman ini adalah adalah bahwa sudut penyiaman dapat
dipertahankan tetap sama sehingga tenaga pancaran yang diterimapun adalah sama untuk semua sudut
penyiaman (Strangeways 2007). Resolusi spasial yang dihasilkan tergantung dari frekuensi yang
digunakan yang bervariasi antara 5 km pada frekuensi 85.5 GHz sampai dengan 45 km pada frekuensi
10.65GHz (Strangeways 2007). Karakterisitik sensor TMI adalah seperti yang tersaji pada Tabel berikut.
Tabel Karakteristik sensor TMI (JAXA 2002).
Center Freq Horizontal Resolution
Band Polarization Objective
(GHz) (km)
1 10.65 V 36.8 Very strong rain
2 10.65 H 36.8 Very strong rain
3 19.35 V 18.4 strong rain
4 19.35 H 18.4 strong rain
5 21.3 V 18.4 vapor
6 37 V 9.2 Light rain
7 37 H 9.2 Light rain
8 85.5 V 4.6 strong rain, Light rain
9 85.5 H 4.6 strong rain, Light rain

Gambar Instrumentasi Satelit TRMM.

METODE PEROLEHAN DATA, PENGOLAHAN DAN ANALISA DATA TRMM

Salah satu kelebihan penggunaan teknik penginderaan jauh adalah ketersediaan data yang relatif bisa
diakses dimana saja dan kapan saja, karena data citra satelit yang digunakan tersedia secara gratis di
internet. Untuk citra TRMM datanya dapat diunduh dari alamat web sebagai berikut:
http://trmm.gsfc.nasa.gov/trmm_rain/Events/trmm_climatology_3B42.html. Format data yang tersedia
untuk citra TRMM ini adalah *.bin yang menyajikan citra estimasi intensitas hujan. Untuk membuka citra
TRMM ini adalah dengan menggunakan converter dari binary menjadi ascii dengan perangkat lunak yang
disediakan secara gratis oleh NASA. Data tersebut yang masih tercakup dalam bentuk Grid dengan
besaran 0.25 x 0.25 perlu di-overlay dengan lokasi DAS agar didapatkan besaran hujan pada lokasi DAS.
Data satelit ini belum melalui proses kalibrasi dengan data hujan lapangan (groundstation) sehingga
perlu diverifikasi dan melakukan analisa kurva massa ganda antara data satelit dan data groundstation.
Tujuan proses ini adalah untuk mendapatkan besaran hujan yang dapat dipercaya semirip mungkin
dengan yang terjadi dilapangan.

Tabel Resolusi dan cakupan waktu produk TRMM

Produk Resolusi dan cakupan Waktu Keterangan

3B42RT 3 jam-an, mulai Maret 2000 Data Real time

3B42 3 jam-an, mulai Januari 1998 Terkalibrasi dengan stasiun hujan

3B43 Bulanan, mulai Januari 1998 Reanalisis 3B42 dengan GPCC

Grid 0.25 x 0.25

Pos Galela - TRMM 80 A

Pos Goal - TRMM 58


Gambar Contoh Pembagian Grid TRMM untuk WS Halmahera Utara dan lokasi pos hujan Groundstation.

PEMANFAATAN DAN HASIL PENGOLAHAN DATA TRMM

Data yang dihasilkan dari data satelit TRMM adalah data hujan 3 jam-an. Pemanfaatan data hujan TRMM
ini pada kegiatan studi ini adalah untuk melengkapi analisa data hujan bulanan untuk perhitungan
ketersediaan air maupun data hujan harian pada analisa banjir. Data yang didapatkan dari satelit ini
sudah merupakan data yang sudah dikalikan dengan faktor koreksi, dimana data TRMM sudah dikalibrasi
dengan data groundstation yang ada data pos hujannya pada tahun yang sama. Sebagai contoh, Gambar
ini adalah hasil olahan data TRMM dalam bentuk harian untuk seluruh grid yang termasuk dalam DAS
A (lihat gambar diatas) pada periode hujan harian tanggal 1 Jan 1998 sampai dengan 31 Nov 2016.

Sebagai bagian dari validasi data TRMM dilakukan perbandingan secara grafis nilai hujan di pos Galela
dengan nilai hujan yang dihasilkan TRMM grid 80 atau grid yang sama dengan pos Galela (lihat Gambar
) . Secara matematis melalui Lengkung Frequency Hujan Harian yang terbentuk (lihat didapat besaran
faktor koreksi yang tepat. Hasil perhitungan dari hal diatas didapatkan bahwa untuk nilai hujan kurang
atau sama dengan 20 mm Hujan TRMM dikalikan 0.9 dan yang lebih besar dikalikan 1.15.

Gambar Fluktuasi hujan harian TRMM pada setiap grid di DAS A


Gambar Fluktuasi hujan harian TRMM pada setiap grid di DAS B.

Gambar 1 Perbandingan Grafis Data Hujan Bulanan pos Galela dan data TRMM Grid 80.
Gambar Lengkung Frequency Hujan Harian Galela untuk data TRMM.

Tabel Data hujan bulanan untuk wilayah grid DAS A.


Tabel Data hujan harian maksimum tahunan untuk wilayah grid DAS A.

HUJAN WILAYAH

Data hujan yang tercatat disetiap stasiun penakar hujan adalah tinggi hujan disekitar stasiun tersebut
atau disebut sebagai Point Rainfall. Karena stasiun penakar hujan tersebar di daerah aliran maka akan
banyak data tinggi hujan yang diperoleh yang besarnya tidak sama. Di dalam analisa hidrologi diperlukan
data hujan rata-rata di daerah aliran (Catchment Area) yang kadang-kadang dihubungkan dengan
besarnya aliran yang terjadi.

Salah satu cara yang digunakan untuk menghitung hujan rata-rata daerah (average river basin rainfall)
adalah metode Thiesen. Namun karena berdasarkan data satelit, maka dasar pembuatan hujan rata-rata
adalah berdasarkan luasan DAS pada setiap gridnya. Perhitungan hujan wilayah khususnya akan
dilakukan bersamaan dengan pembentukan model HEC HMS yang membagi DAS menjadi beberapa sub
DAS yang lebih kecil sehingga setiap sub DAS tersebut terwakili oleh grid yang sesuai. Berdasarkan
analisa hujan wilayah, besaran hujan tahunan yang terjadi di DAS A adalah sebesar 1956.3 mm,
sedangkan di DAS B sebesar 1774.5 mm.

HUJAN HARIAN MAXIMUM

Data curah hujan harian maksimum diperlukan pemeriksaan agar data yang diperoleh cukup laik untuk
digunakan dalam analisis lanjutan. Pemeriksaan tersebut meliputi :

1. Pemeriksaan secara manual dalam rentetan data dalam satu pos yang terdiri dari:
a. Pemeriksaan hujan harian maksimum tahunan yang lebih kecil dari 20 mm dibuang dan data
tidak layak lainnya yang mudah terdeteksi.
b. Perbandingan secara umum antara hujan harian maksimum tahunan dengan hujan bulanan.
2. Penyaringan data secara statistik
Pengujian secara statistik meliputi pengujian terhadap homogenitas, independence, stationarity dan
outlier. Homogenitas dalam hal ini dapat diartikan semua elemen dari seluruh seri data dalam satu
pos berasal dari satu populasi. Independence berarti tidak ada satupun data di dalam rentetan seri
data yang saling mempengaruhi. Stationarity adalah tidak bervariasinya data terhadap waktu, seperti
adanya kecenderungan (trend) atau lompatan (jumps). Dalam penyaringan data ini digunakan
program HFA (Hydrological Frequency Analysis).

Pengujian sifat-sifat statistik tersebut menggunakan test dengan tipe non parametric yang
menghindari mengikuti distribusi tertentu. Pengujian dilakukan dengan bantuan Paket Program HFA
(Hydrological Frequency Analysis), dengan significance level 5%. Apabila tidak lulus pengujian data
yang bersangkutan diusahakan disaring kembali dengan membuang data di luar batas ambang
(outlier), jika ternyata lulus maka seri data tersebut dianggap meragukan dan perlu diuji secara
spasial. Pembuangan outlier atas harus melalui beberapa pertimbangan, sedangkan pembuangan
outlier bawah dapat langsung dilakukan.

Pengujian ini terdiri dari 3 rangkaian uji yaitu:

A. Uji Wald-Wolfowitz untuk pemeriksaan ketidaktergantungan.

Untuk besar sampel N (X1, ......, XN) Wald and Wolfowitz menguji ketidaktergantungan dan stasioner
dengan statistik R sebagai berikut

N1
R=
( i=1
)
X i X i+1 + x 1 x N

dengan pengertian :

Xi adalah banjir maksimum tahunan sesaat pada saat i

Xi+1 adalah banjir maksimum tahunan sesaat pada saat i+1

N adalah jumlah sampel data

Sampel dinyatakan ketidaktergantungan, bila R mengikuti distribusi normal dengan rata-rata dan
varian sebagai berikut :

(
R= s 2 s2 / ( N 1 )
1 )
Var( R)= ( ) ( s 2 s 4 )
2
( N1)
R +2
( S 414S 21 S2 +4 S1 S3 +S 222S 4
( N1)( N2) )
N
S m=N . X mi
i=1
dengan pengertian :

m adalah momen 1, 2, 3 dan 4

N adalah banyak sampel

Xi adalah data ke i
1
2
U = ( R R ) / ( Var ( R ) )

Rumus diatas mengikuti distribusi normal dan dapat digunakan untuk menguji hipotesa
ketidaktergantungan dengan tingkat , dengan cara membandingkan u dengan standard normal
deviate /2 untuk kemungkinan melampaui /2.

Interprestasi hasil uji statistik U adalah seperti berikut :

JikaU 1.96 hipotesa ketidaktergantungan diterima dengan tingkat kepercayaan 5 %.


Jika 1,96 U (2,57) hipotesa ketidaktergantungan dengan tingkat kepercayaan 5 % di tolak
tetapi pada 1 % diterima.
JikaU 2,57 hipotesa ketidaktergantungan ditolak pada tingkat kepercayaan 1%.

B. Uji Mann Whitney untuk pemeriksaan keseragaman.

Seri data dibagi menjadi dua sub-kelompok dengan jumlah data masing-masing sub adalah p dan q.
Seluruh seri data (berjumlah N) diurutkan dari kecil ke besar.

N= p+ q

V=R p( p+1)/2
W= pqV
dengan pengertian :

R adalah jumlah nomor urut (1 sampai N) dari sampel pertama (ukuran p)

Statistik Mann-Whitney yaitu ,U, ditentukan dari nilai terkecil V atau W.

U didekati dengan distribusi normal, dengan U = pq/2 dan variannya seperti rumus berikut,

][ ]
3
Var (U )= [ pq N N
N (N 1) 12
T

dengan pengertian :

T = (J3 J)/12
J = adalah nomor data yang terikat pada rangking p atau q yang terkecil.

N = adalah jumlah sampel data

Untuk tingkat kepercayaan, , besarnya |U| (rumus 17) dibandingkan dengan varian Normal Baku,
/2 yang mempunyai nilai kemungkinan melampaui /2.
1
2
|U|=|( U U ) / [ Var ( U ) ]|

Interprestasi hasil uji statistik U adalah seperti berikut :

Jika U 1.96 hipotesa ketidaktergantungan diterima tingkat kepercayaan 5 %.

Jika 1,96 U (2,57) hipotesa ketidaktergantungan dengan tingkat kepercayaan 5 % ditolak


tetapi pada 1 % diterima.

Jika U 2,57 hipotesa ketidaktergantungan ditolak pada tingkat kepercayaan 1%.

C. Uji Grubbs & Beck untuk pendeteksian outlier.

Outlier adalah data dengan nilai jauh berada di antara data yang lain. Keberadaan outlier biasanya
mengganggu pemilihan jenis distribusi untuk suatu sampel data.

Uji Grubbs and Beck menetapkan dua batas ambang bawah (XL) dan atas (XH):

X H =exp ( x + K N S )

X L=exp ( x K N S )

dengan pengertian :
x adalah rata-rata dari Ln sampel data.
S adalah simpangan baku dari Ln sampel data.
KN - 3,62201 + 6,28446 N - 2,49835 N + 0,491436 N - 0,037911 N.
N adalah jumlah sampel data.
Data yang nilainya dibawah XL diklasifikasikan sebagai outlier bawah dan yang nilainya diatas XH
dikategorikan outlier atas.

Seri data yang mengandung outlier atas diuji keseragamannya, ketidaktergantungan dan stationaritas
dengan status :

Uji diterima, maka outlier atas tidak dibuang.

Uji ditolak, maka outlier atas dibuang sementara kemudian diuji lagi, jika hasil diterima maka
outlier atas tidak dibuang, jika hasil ditolak maka seri data dalam pos tersebut tidak digunakan.
Hasil pemeriksaan dari data yang dihasilkan ditunjukkan pada Tabel ini. Dari tabel ini menunjukan
semua pos tersebut dapat lolos uji.

Tabel Hasil Uji HFA Stasiun Hujan di dalam dan sekitar DAS A dan DAS B

CURAH HUJAN RANCANGAN

Masalah pemodelan peristiwa ekstrim sering muncul di banyak daerah di mana peristiwa
tersebut dapat memiliki konsekuensi yang sangat negatif antara lain banjir ekstrim dan hujan,
kecepatan angin yang tinggi maupun suhu ekstrim. Untuk mengembangkan model probabilistik
yang tepat dan menilai risiko yang disebabkan oleh peristiwa ini, para insinyur sering
menggunakan distribusi nilai ekstrim (Extreme Value Distribution, EVD).

Teori nilai ekstrem adalah cabang terpisah dari statistik yang berhubungan dengan kejadian
ekstrem. Teori ini didasarkan pada jenis extremal teorema, juga disebut tiga jenis teorema,
menyatakan bahwa hanya ada tiga jenis distribusi yang diperlukan untuk model maksimum
atau minimum dari koleksi pengamatan acak dari distribusi yang sama. Dengan kata lain, jika
Anda menghasilkan N set data dari distribusi yang sama, dan membuat satu set data baru yang
mencakup nilai-nilai maksimum dari set ini N data, kumpulan data yang dihasilkan hanya dapat
dijelaskan oleh salah satu dari tiga model - khususnya, Gumbel , Frchet , dan Weibull
distribusi.

Distribusi Gumbel, juga dikenal sebagai distribusi


Extreme Value Tipe I, tak terbatas (didefinisikan pada
seluruh sumbu real), dan memiliki mengikuti fungsi
kepadatan probabilitas:
dimana z = (x-) / , adalah parameter lokasi, dan
adalah skala distribusi (> 0). Bentuk model Gumbel
tidak tergantung pada parameter distribusi. Grafik di
samping atas menunjukkan Gumbel untuk = 1 dan
= 0.

Distribusi Frchet, juga dikenal sebagai


distribusi Extreme Value Type II, didefinisikan sebagai:

dimana adalah parameter bentuk (> 0), dan adalah parameter skala (> 0). Distribusi ini
dibatasi di sisi bawah (x> 0) dan memiliki ekor atas yang berat. Gambar di samping atas ini
menunjukkan Frchet grafik untuk = 1 dan berbagai nilai :

Distribusi Weibull, juga dikenal sebagai distribusi Extreme Value Type III, Versi dua parameter
distribusi ini memiliki fungsi kepadatan.

Distribusi Weibull didefinisikan untuk x> 0, dan


kedua parameter distribusi ( - bentuk, -
skala) yang positif. Dua-parameter distribusi
Weibull dapat digeneralisasi dengan
menambahkan lokasi (shift) parameter :

Dalam model ini, parameter lokasi dapat mengambil nilai nyata, dan distribusi didefinisikan
untuk x> . Perlu dicatat bahwa model Gumbel dan Frchet dijelaskan di atas berhubungan
dengan maximal (nilai ekstrim terbesar), sedangkan model Weibull berhubungan dengan
minimal (nilai ekstrem terkecil). Bentuk distribusi
Weibull umumnya digunakan dalam praktek.

The Generalized Extreme Value (GEV) distribusi


adalah model tiga parameter yang fleksibel yang
menggabungkan distribusi nilai
ekstrim maksimum Gumbel, Frchet, dan
Weibull. Ini memiliki rumusan berikut:
dimana z = (x-) / , dan k, , adalah
parameter bentuk, skala, dan lokasi masing-
masing. Skala harus positif (sigma> 0), bentuk

dan lokasi dapat mengambil nilai nyata. Kisaran


definisi distribusi GEV tergantung pada k:

Berbagai nilai parameter bentuk menghasilkan


ekstrem jenis nilai I, II, dan III distribusi. Secara
khusus, tiga kasus k = 0, k> 0, dan k <0
bersesuaian dengan Gumbel, Frchet, dan
distribusi Weibull "terbalik".

Distribusi Gumbel tersedia dalam dua bentuk: Gumbel Max (nilai ekstrim maksimum) dan
Gumbel Min (nilai ekstrim minimum), sehingga terdapat 2 model data yang Alt-2-miring dan Alt-
1 miring.

Hasil dari analisa frekuensi GEV untuk setiap grid TRMM yang dihasilkan untuk pekerjaan ini
ditunjukkan pada Tabel berikut ini.

Tabel Hujan Rencana setiap grid di DAS A dan B

Untuk DAS A, apabila besaran hujan rencana ini kita plotkan sebagai sebuah grafik distribusi
periode ulang, maka dapat dilihat karakteristik setiap grid. Grid TRMM 1 dan 3 memiliki
kelompok yang sama, sedangkan kelompok lainnya adalah grid 2 dan 4. Selanjutnya untuk
analisa akan digunakan grid 4 dengan pertimbangan bahwa untuk grid 1 sampai 3,
perbandingan R100 dengan R50 terlalu kecil, dan apabila R100/R2 juga memiliki nilai kurang
dari 1.5. sehingga diputuskan untuk menggunakan grid 4 saja. Sedangkan untuk DAS B
digunakan hanya satu grid yaitu grid 5.
Gambar Perbandingan grafik besaran berbagai periode ulang hujan setiap grid TRMM.

Tabel Resume Hujan Rencana di DAS A dan B.

Probabilit Nilai Hujan DAS A Nilai Hujan DAS B


Periode Ulang (tahun)
y (mm) (mm)
0.500 2 87.43 74.6
0.800 5 107.16 93.0
0.900 10 117.89 104.4
0.960 25 129.26 118.1
0.980 50 136.37 127.6
0.990 100 142.47 136.7
0.995 200 147.74 145.4
0.998 500 153.62 156.3
0.999 1000 157.37 164.0

HUJAN MAKSIMUM BOLEH JADI (Probable Maximum Precipitation)

Desain bangunan pelimpah pada bendungan besar perlu memperhitungkan faktor keamanan,
agar supaya waduk mampu mengakomodasikan dan melalukan air dengan aman. Oleh karena
itu dibutuhkan perkiraan besarnya hujan badai terbesar yang akan menghasilkan debit aliran
masuk yang besar pula. Nilai besaran hujan badai terbesar yang mungkin terjadi harus
sedemikian rupa sehingga realistis ditinjau secara matematis maupun fisik (meteorologi).
Dengan demikian banjir aliran masuk ( inflow) menjadi realistis pula dan akan menghasilkan
suatu dimensi bangunan yang cukup tinggi tingkat kehandalannya.
PMP, Probable Maximum Precipitation dapat diartikan sebagai tebalnya curah hujan turun dan
merupakan batas atas secara fisik, untuk suatu durasi dan DAS tertentu. Metode Hershfield
(1961, 1986) merupakan prosedur statistik yang digunakan untuk memperkirakan PMP, untuk
kondisi dimana data meteorologi sangat kurang atau perlu perkiraan secara cepat. Secara
meteorologi, PMP dapat diperkirakan dengan metode Storm Transposition dan Moisture
Maximization yang membutuhkan data-data meteorologi seperti pusat teAlt-1 tinggi dan
rendah, moisture source, dew point dan lain-lain. Data meteorologi yang dibutuhkan untuk
kedua macam pendekatan tersebut, tidak tersedia di Indonesia. Oleh karena itu, metode yang
dapat digunakan hanya pendekatan statistik. Kelemahan dari metode ini adalah, menghasilkan
point values of PMP sehingga memerlukan Area Reduction Curves untuk menyesuaikannya
menjadi hujan rata-rata di DAS (basin rainfall). Prosedur ini telah dibuat dalam bentuk SNI No.
2 Tahun 2012.

Gambar Grafik hubungan Xn-m / X n dengan factor penyesuaian Xn


Gambar Grafik penyesuaian terhadap panjang data

Gambar Pola Grafik hubungan antara Sn-m / Sn dengan faktor penyesuaian Sn

Hasil dari perhitungan hujan rencana menggunakan hujan titik, untuk dijadikan hujan wilayah
pada DAS-DAS di daerah studi perlu suatu pendekatan.Faktor reduksi sebaiknya dilakukan
dengan mempelajari hujan badai (storm) di daerah studi yang diukur di beberapa pos hujan
pada saat yang sama dan beberapa kali kejadian, sehingga cakupan luasannya dapat dianalisa.
Karena keterbatasan data maka analisa tersebut tidak dapat dilakukan, untuk itu faktor reduksi
menggunakan perumusan yang sudah ada. Menurut manual HEC-1 halaman 13, reduksi luasan
dirumuskan seperti berikut:

FACTOR = 1 BV * (1- EXP(-0.015*AREA))

Dengan :

FACTOR : koefisien reduksi

BV : 0.09 (24 jam) dan 0.15 (12 jam)

AREA : luas DAS (miles2)

Sedangkan menurut HOP Brook factor penyesuaian PMP untuk luas sama dengan atau lebih
kecil dari 10 sq mi (25.9 km2) sebesar 0.8. Menurut Monenco 1986 berdasarkan studi 12 hujan
badai di Gondang /Prijetan di Bengawan Solo Hilir, besarnya reduksi 0.9.Dari Manual for
Estimation PMP (WMO 332) sebesar 0.97. Pada studi ini faktor reduksi yang digunakan sebesar
0.90.

Sumber lain untuk faktor reduksi diambil dari Sri Werdari dan Bell dengan rumus berikut:

FACTOR=1-0.4*(A^0.14-0.7*LOG(Td))*Td^-0.48+(0.002*A^0.4)*(Td^0.41)*(0.3+LOG(1/T)))

Sehingga dihasilkan faktor reduksi seperti ditampilkan pada Error: Reference source not found
berikut, untuk periode ulang lebih dari 100 tahun, digunakan Faktor reduksi 0.78.

Tabel Faktor Reduksi (ARF) untuk berbagai periode ulang.

T (tahun) 2 5 10 25 50 100
A (km2) luas 249 249 249 249 249

Td (hours) 24 24 24 24 24 24
ARF 0.90 0.87 0.85 0.82 0.80 0.78

Tabel Perhitungan PMP di DAS A.

TRMM TRMM
Stasiun 4 4
Analisa
Hujan

Count n 18 Weighting Factor 1.00


Count n-m 17 N 18.00
for n Xn 88.50
TRMM TRMM
Stasiun 4 4
Analisa
Hujan

Mean 88.50 Sn 21.21


StDev 21.21 Xn-m/Xn 0.97
Cov 4.17 Sn-m/Sn 0.89
Koreksi Xn-m/Xn (Gambar 5-
Skewness 0.22 0.99
9)
Curtosis -0.71 Koreksi N (Xn) (Gambar 5-10) 1.02
Koreksi Sn-m/Sn (Gambar 5-
Min 57.47 0.97
11)
Max 131.32 Koreksi N (Sn) (Gambar 5-10) 1.12
for n - m Xn terkoreksi 89.60
Mean 85.98 Sn terkoreksi 22.95
StDev 18.88 Km 1 jam 5.76
Cov 4.55 Xm (1 jam) 221.90
Min 57.47 Km 6 jam 11.99
Max 116.19 Xm (6 jam) 364.69
Km 8 jam 13.25
Xm (8 jam) 393.66
Km (12 jam) 14.35
Xm (12 jam) 418.87
Km (18 jam) 14.46
Xm (18 jam) 421.42
Km (24 jam) 15.72
Xm (24 jam) 450.39
PMP*1.13 508.94
PMP DAS A TRMM 4 508.94

Tabel Perhitungan PMP di DAS B.

TRMM TRMM
Stasiun DAS B DAS B
Analisa
Hujan

Count n 19 Weighting Factor 1.00


Count n-m 18 N 19.00
for n Xn 77.30
Mean 77.30 Sn 19.44
StDev 19.44 Xn-m/Xn 0.97
TRMM TRMM
Stasiun DAS B DAS B
Analisa
Hujan

Cov 3.98 Sn-m/Sn 0.89


Koreksi Xn-m/Xn (Gambar 5-
Skewness 0.52 0.99
9)
Curtosis -0.53 Koreksi N (Xn) (Gambar 5-10) 1.02
Koreksi Sn-m/Sn (Gambar 5-
Min 49.84 0.97
11)
Max 117.80 Koreksi N (Sn) (Gambar 5-10) 1.11
for n - m Xn terkoreksi 78.03
Mean 75.05 Sn terkoreksi 20.82
StDev 17.27 Km 1 jam 6.76
Cov 4.35 Xm (1 jam) 218.81
Min 49.84 Km 6 jam 12.71
Max 109.33 Xm (6 jam) 342.72
Km 8 jam 13.94
Xm (8 jam) 368.34
Km (12 jam) 14.94
Xm (12 jam) 389.25
Km (18 jam) 14.96
Xm (18 jam) 389.54
Km (24 jam) 16.17
Xm (24 jam) 414.80
PMP*1.13 468.72

Dari hasil perhitungan dengan metode Hersfield besarnya PMP yang terjadi di DAS A sebesar
509 mm dan DAS B sebesar 469. Berdasarkan hasil analisa di Amerika nilai PMP
dibandingkan dengan R100, ratio berkisar antara 2 6. Untuk PMP = 2*R100 terjadi di daerah
pegunungan dan PMP = 6*R100 terjadi di dataran rendah. Di daerah studi memiliki ratio PMP
dan R100 berkisar 2 sampai 3. Untuk rasio ini terlihat homogen hampir di seluruh pos hujan.

Tabel Perbandingan Rmax, R100 dan PMP setiap pos hujan di DAS A dan DAS B

Nama Jumlah
No PMP RMax R100 PMP/RMax PMP/R100
DAS Data
1 A 19 509 131 142.5 3.88 3.57
19.0 468.7 117. 136.7 3.98 3.43
2 B
8

Evaluasi PMP berdasarkan Peta Isohit PMP yang dikeluarkan oleh Dirjen SDA, Balai Bendungan,
Kementerian PU, Tanggal 18 Maret 2011, hujan wilayah PMP untuk DAS A adalah sebesar
950 mm. Perbedaan besaran PMP yang terjadi dengan hasil analisa diatas yang lebih kecil
dimungkinkan dari adanya perbedaan jenis dan panjang data yang digunakan serta metode
perhitungan yang digunakan untuk kegiatan ini.

Untuk memperkuat hasil analisa PMP, dengan berdasarkan data-data Pos Hujan Galela yang
berlokasi berada di Halmahera Utara yang dibandingkan dengan data hujan TRMM pada Grid
yang bersangkutan (Grid 80), ternyata memiliki kemiripan dari sisi besaran hujannya. Kemudian
TRMM Grid Halmahera Utara apabila dibandingkan juga memiliki besaran yang mirip, artinya
data TRMM masih layak untuk digunakan seperti ditampilkan pada Gambar 2.

Gambar Isohit PMP di Lokasi Studi


(sumber: Balai Bendungan, Ditjen SDA).
Gambar 2 Perbandingan hujan bulanan Galela dan TRMM 80 (pada lokasi pos Galela).

HUJAN BULANAN TRMM HALUT DAN


TRMM DAS A

Gambar Perbandingan hujan bulanan TRMM Halmahera Utara dengan TRMM DAS A.

Dengan validasi tersebut maka perhitungan PMP dengan menggunakan data TRMM layak
digunakan, namun dengan melihat besaran PMP yang dihasilkan pada Peta Isohit PMP dari Balai
Bendungan yang sangat besar di Morotai mencapai 950 mm, patut dipertimbangkan
besarannya, apakah akan mengambil data perhitungan atau Isohit. Jika meneliti kembali
catatan sebelumnya mengenai badai Cyclon yang pernah terjadi di Baguio, Filipina bagian utara
dan Pulau Palau (lihat gambar ) maka tercatat pada kedua lokasi tersebut hujan extreme
dengan adanya pengaruh cyclon, pernah terjadi di Baguio City 800 mm per hari (2015) dan di
Palau 280 mm (1982) sementara di lokasi penelitian, hal tersebut tidak ada catatan anomali
mencapai besaran tersebut. Dengan kondisi demikian diputuskan akan mengambil besaran
hujan PMP hasil perhitungan sebesar 509 mm.
Gambar Kedekatan lokasi penelitian dengan lokasi lain yang memilik catatan hujan ekstrem.