Analisis Frekuensi
BAB V
ANALISIS FREKUENSI
Tujuan analisis frekuensi data hidrologi adalah berkaitan dengan besaran peristiwa-
peristiwa ekstrim yang berkaitan dengan frekuensi kejadiannya melalui penerapan
distribusi kemungkinan. Data hidrologi yang dianalisis diasumsikan tidak bergantung
(independent) dan terdistribusi secara acak dan bersifat stokastik.
Frekuensi hujan adalah besarnya kemungkinan (peluang) suatu besaran hujan disamai
atau dilampaui. Sebaliknya, periode ulang (return period) adalah waktu hipotetik dimana
hujan dengan suatu besaran tertentu akan disamai atau dilampaui. Dalam hal ini tidak
terkandung pengertian bahwa kejadian tersebut akan berulang secara teratur setiap
periode ulang tersebut. Misalnya, hujan dengan periode ulang 10 tahun, tidak berarti akan
terjadi sekali setiap 10 tahun, akan tetapi ada kemungkinan dalam jangka waktu 1.000
tahun akan terjadi 100 kali kejadian hujan 10 tahunan. Ada kemungkinan selama kurun
waktu 10 tahun terjadi hujan 10 tahunan lebih dari satu kali, atau sebaliknya tidak terjadi
sama sekali.
Seperti yang telah dijelaskan sebelumnya bahwa periode ulang merupakan waktu
hipotetik dimana hujan atau debit dengan suatu besaran tertentu akan disamai atau
dilampaui. Hal ini dapat berarti bahwa suatu kejadian ekstrim didefinisikan sebagai
kejadian yang terjadi jika variabel acak X lebih besar dari atau sama dengan besaran
tertentu xT . Interval kejadian ulang (recurrence interval) τ merupakan waktu antara
kejadian X ≥ xT . Sebagai contoh, perhatikan Gambar 5.1 yang menunjukkan
rekaman/pencatatan data debit maksimum tahunan di Sungai Guadalupe dekat Victoria,
Texas dari tahun 1935 sampai dengan 1978 yang diplot berdasarkan data dalam Tabel
5.1. Jika xT = 50.000 ft 3/det , maka dapat terlihat bahwa debit maksimum tahunan yang
melampaui besaran tersebut sebanyak 9 kali selama periode pencatatan, dengan interval
kejadian ulang berkisar antara 1 sampai dengan 16 tahun sebagaimana yang ditunjukkan
dalam Tabel 5.2.
Periode ulang T dari suatu kejadian X ≥ xT adalah interval kejadian ulang τ , dimana
untuk kejadian terukur yang sangat banyak, periode ulang adalah interval kejadian ulang
rata-rata E (τ ) . Untuk data Sungai Guadalupe, terdapat 8 interval kejadian ulang selama
41 tahun periode pencatatan yang diukur terhadap xT = 50.000 ft 3/det , sehingga periode
ulang dengan besaran debit maksimum tahunan 50.000 ft3/det adalah diperkirakan
M. Baitullah Al Amin V-1
Hidrologi Teknik V. Analisis Frekuensi
τ = 41 / 8 = 5,1 tahun . Dengan demikian, periode ulang suatu kejadian terhadap besaran
tertentu dapat didefinisikan sebagai interval/waktu kejadian ulang antara besaran yang
menyamai atau melampaui suatu besaran tertentu yang ditetapkan.
Gambar 5.1. Plot rekaman data debit tahunan maksimum di Sungai Guadalupe dekat
Victoria, Texas
Tabel 5.1
Tabel 5.2
1
E (τ ) = T = (5.1)
p
Probabilitas kejadian suatu besaran dalam suatu pengukuran adalah kebalikan (inverse)
dari periode ulang, sehingga persamaan (5.1) dapat ditulis ulang sebagai:
1
P( X ≥ xT ) = (5.2)
T
Pertanyaan selanjutnya adalah berapa probabilitas bahwa suatu kejadian dengan periode
ulang T tahun akan terjadi paling tidak sekali dalam N tahun? Untuk menghitungnya,
pertama ditetapkan dulu kondisi dimana tidak terdapat kejadian dengan periode ulang T
tahun yang terjadi dalam N tahun. Hal ini disebut sebagai probabilitas kegagalan
(failure) suatu kejadian dalam N tahun yang ditulis sebagai:
Karena p = 1 / T , maka
N
1
P( X ≥ xT paling tidak sekali dalam N tahun ) = 1 − 1 − (5.4)
T
Contoh 5.1
Penyelesaian
Dari pembahasan sebelumnya diperoleh P(Q ≥ 50.000 ft 3 / det dalam tiap tahun) ≈ 0,195 ,
sehingga dari persamaan (5.3)
P(Q ≥ 50.000 ft 3 / det paling tidak sekali dalam 3 tahun ) = 1 − (1 − 0,195)3 = 0,48 = 48% .
Permasalahan dalam Contoh 5.1 dapat dinyatakan ulang sebagai “Berapa probabilitas
bahwa debit di Sungai Guadalupe akan melampaui 50.000 ft3/det paling tidak (minimal)
sekali dalam 3 tahun?” Perhitungan di atas hanya menggunakan data maksimum tahunan,
dimana dalam satu tahun diambil satu data maksimum yang mewakili. Seri data ini
disebut sebagai seri data maksimum tahunan (annual maximum series). Namun sebagai
alternatif, semua kejadian yang melampaui 50.000 ft3/det berdasarkan pencatatan di
Sungai Guadalupe dapat digunakan. Artinya, setiap tahun dapat digunakan lebih dari satu
data. Seri data ini disebut sebagai seri data parsial (partial duration series). Penjelasan
lebih lanjut mengenai seri data hidrologi dijelaskan pada subbab di bawah ini.
Analisis frekuensi memerlukan seri data hujan yang diperoleh dari stasiun penakar hujan,
baik yang manual maupun yang otomatis. Analisis frekuensi ini didasarkan pada sifat
statistik data kejadian yang telah lalu untuk memperoleh probabilitas besaran hujan di
masa yang akan datang. Dengan anggapan bahwa sifat statistik kejadian hujan yang akan
datang masih sama dengan sifat statistik kejadian hujan masa lalu.
Data debit banjir atau hujan yang digunakan untuk analisis frekuensi dipilih dari seri data
lengkap hasil observasi selama beberapa tahun. Penjelasan mengenai seri data yang
digunakan dalam analisis frekuensi diberikan dalam Gambar 5.2. Gambar 5.2a
menunjukkan seri data lengkap yang berisi seluruh data sepanjang tahun pencatatan.
Apabila data debit adalah harian, maka dalam satu tahun terdapat 365 data debit. Pada
Gambar 5.2a terdapat data selama 20 tahun.
Data yang digunakan untuk analisis frekuensi dapat dibedakan sebagai berikut:
Dalam statistik dikenal beberapa parameter yang berkaitan dengan analisis data yang
meliputi nilai rata-rata, simpangan baku, koefisien variasi, dan koefisien skewness
(kecondongan atau kemencengan). Parameter statistik tersebut dijelaskan dalam Tabel 5.3
berikut.
Parameter Persamaan
1 n
Rata-rata x = ∑ xi
n i =1
1/ 2
1 n 2
Deviasi standar sx = ∑ ( xi − x )
n − 1 i =1
s
Koefisien variasi Cv = x
x
n
n ∑ ( xi − x ) 3
Koefisien skewness Cs = i =1
(n − 1)( n − 2) s 3
n
n 2 ∑ ( xi − x ) 4
Koefisien kurtosis Ck = i =1
(n − 1)( n − 2)( n − 3) s 4
Terdapat beberapa distribusi probabilitas yang sering digunakan dalam analisis frekuensi
untuk hidrologi, seperti distribusi normal, log normal, Gumbel, log Pearson III, dan
sebagainya.
Distribusi normal adalah simetris terhadap nilai rata-rata dan berbentuk dan berbentuk
lonceng yang juga sering disebut sebagai distribusi Gauss. Distribusi normal mempunyai
dua parameter, yaitu nilai rata-rata µ x dan deviasi standar σ x dari populasi. Dalam
praktik, nilai rata-rata x dan deviasi standar s x diturunkan dari data sampel untuk
menggantikan µ x dan σ x ( µ x = x dan σ x = s x ). Fungsi distribusi normal yang
digambarkan sebagai kurva probability density function (PDF) sebagai berikut:
1 ( x − µx )2
f ( x) = exp − −∞ ≤ x ≤ ∞ (5.5)
σx 2π 2σ 2
x
x − µx
z= (5.6)
σx
1 z2
f ( z) = exp − (5.7)
2π 2
Dengan z adalah nilai standar yang terdistribusi normal. Sedangkan f (z ) adalah fungsi
PDF untuk distribusi normal standar, dimana cirinya nilai µ x = 0 dan σ x = 1 .
x = µ x + zσ x
dimana z disebut juga faktor frekuensi dari distribusi normal. Pada umumnya, faktor
frekuensi dari distribusi statistik diberi notasi KT . Dengan demikian:
xT = x + K T s x (5.8)
1 z z2
F ( z) = ∫ exp − dz (5.9)
2π −∞ 2
1
B = [1 + 0,196854 z + 0,115194 z + 0,000344 z + 0,019527 z ]− 4
2 3 4
(5.10a)
2
F ( z) = 1 − B untuk z ≥ 0 (5.10c)
Selisih/error antara nilai F (z ) yang dihitung dengan persamaan (5.9) dengan (5.10a)
adalah kurang dari 0,00025.
Sri Harto (1993) dalam Triatmodjo (2008) memberikan sifat-sifat (ciri) distribusi normal,
yaitu nilai koefisien skewness C s ≈ 0 dan nilai koefisien kurtosis Ck ≈ 3 . Selain itu
terdapat sifat-sifat probabilitas kumulatif berikut ini.
F ( x − s x ) = 15,87%
F ( x ) = 50%
F ( x + s x ) = 84,14%
Kemungkinan variat berada pada daerah ( x − s x ) dan ( x + s x ) adalah 68,27% dan yang
berada antara ( x − 2 s x ) dan ( x + 2 s x ) adalah 95,45%.
Untuk menghitung besaran hujan dengan periode ulang T tahun menggunakan distribusi
normal, maka dapat digunakan persamaan (5.8). Nilai faktor frekuensi KT umumnya
sudah tersedia dalam tabel untuk memudahkan perhitungan. Nilai KT untuk distribusi
normal ditunjukkan pada Tabel 5.5. Faktor frekuensi K T dari probabilitas terlampaui
(exceedence probability) p , dimana p = 1 / T juga dapat dihitung menggunakan
persamaan berikut.
dimana:
1/ 2
1
w = ln 2 untuk (0 < p ≤ 0,5) (5.12)
p
Ketika p > 0,5 , digunakan 1 − p untuk menggantikan p dalam persamaan (5.12) dan
faktor frekuensi K T yang dihitung menggunakan persamaan (5.11) diberi tanda negatif.
Selisih/error nilai K T yang terhitung menggunakan persamaan tersebut adalah kurang
dari 0,00045 (Abramowitz dan Stegun, 1965 dalam Chow, dkk., 1988).
Contoh 5.2
Hitung hujan rancangan dengan periode ulang 2, 5, 10, 20, dan 50 tahun dari data hujan
maksimum harian di stasiun penakar hujan Ngemplak (Tabel 5.6) menggunakan distribusi
normal. (Diadaptasi dari Suripin, 2004)
Penyelesaian:
Jumlah data, n = 74
Rata-rata, x = 106,57 mm
Deviasi standar, sx = 23,34 mm
M. Baitullah Al Amin V - 10
Hidrologi Teknik V. Analisis Frekuensi
Dengan menggunakan persamaan (5.8) dan nilai K T dalam Tabel 5.5, dapat dihitung
curah hujan maksimum harian dengan beberapa periode ulang sebagai berikut.
Distribusi log normal digunakan apabila nilai-nilai variabel random tidak mengikuti
distribusi normal, tetapi nilai logaritmanya memenuhi distribusi normal. Fungsi PDF
diperoleh dengan mengubah nilai x , yang dalam hal ini digunakan persamaan berikut:
y = ln x , dimana x = exp(y )
atau
y = log x , dimana x = 10 y
Parameter dari distribusi log normal adalah nilai rata-rata dan deviasi standar dari nilai y ,
yaitu µ y dan σ y . Menggunakan parameter tersebut, maka fungsi PDF distribusi log
normal dapat ditulis sebagai:
1 ( y − µ y )2
f ( y) = exp − −∞ ≤ y ≤ ∞ (5.13)
σy 2π 2σ y 2
1 y ( y − µ y )2
F ( y) = − dy
∫ exp
(5.14)
σy 2π −∞ 2σ y 2
Sri Harto (1993) dalam Triatmodjo (2008) memberikan sifat-sifat distribusi log normal
sebagai berikut:
Koefisien skewness, C s = C v 3 + 3C v
Koefisien kurtosis, C k = C v 8 + 6C v 6 + 15C v 4 +16C v 2 + 3
Untuk menghitung besaran hujan dengan periode ulang T tahun menggunakan distribusi
log normal, maka dapat digunakan persamaan berikut.
yT = y + K T s y (5.15)
M. Baitullah Al Amin V - 11
Hidrologi Teknik V. Analisis Frekuensi
Nilai KT untuk distribusi log normal sama dengan nilai K T untuk distribusi normal
seperti yang diberikan dalam Tabel 5.5.
Contoh 5.2
Data curah hujan harian maksimum pada Contoh 5.2, dihitung kembali menggunakan
distribusi log normal.
Penyelesaian
Jumlah data, n = 74
Rata-rata, y = 2,02
Deviasi standar, s y = 0,093
M. Baitullah Al Amin V - 12
Hidrologi Teknik V. Analisis Frekuensi
Dengan menggunakan persamaan (5.15) dan nilai K T dalam Tabel 5.5, dapat dihitung
curah hujan maksimum harian dengan beberapa periode ulang sebagai berikut.
Salah satu dari serangkaian distribusi probabilitas yang dikembangkan Pearson yang
menjadi perhatian ahli hidrologi adalah distribusi log Pearson III. Tiga parameter penting
dalam distribusi log Pearson III adalah nilai rata-rata, deviasi standar, dan koefisien
skewness. Yang menarik, jika koefisien skewness sama dengan nol, distribusi kembali ke
distribusi log normal. Fungsi PDF distribusi log Pearson III ditulis sebagai:
λβ ( y − ∈) β −1 e − λ ( y −∈)
f ( x) = log x ≥∈ (5.16)
xΓ( β )
M. Baitullah Al Amin V - 13
Hidrologi Teknik V. Analisis Frekuensi
dimana KT pada persamaan (5.17) adalah faktor frekuensi untuk distribusi log Pearson
III yang besarnya tergantung pada koefisien skewness C s . Tabel 5.8 dan Tabel 5.9
memberikan nilai KT untuk berbagai nilai C s . Ketika Cs = 0 , faktor frekuensi K T
adalah sama dengan variabel z pada distribusi normal standar. Namun untuk Cs ≠ 0 ,
faktor frekuensi K T selain dapat diperkirakan dengan tabel, dapat juga didekati dengan
persamaan yang diusulkan oleh Kite (1977) dalam Chow, dkk (1988) sebagai:
1 1
KT = z + ( z 2 − 1)k + ( z 3 − 6 z )k 2 − ( z 2 − 1)k 3 + zk 4 + k 5 (5.18)
3 3
dimana:
k = Cs / 6 (5.19)
Contoh 5.4
Data curah hujan harian maksimum pada Contoh 5.2, dihitung kembali menggunakan
distribusi log Pearson III.
Penyelesaian
Data hujan harian maksimum pada Tabel 5.6 terlebih dahulu diubah nilainya kedalam
logaritmik seperti halnya pada Contoh 5.3 (Tabel 5.7).
Jumlah data, n = 74
Rata-rata, y = 2,02
Deviasi standar, s y = 0,093
Koefisien skewness, C s = 0,1664
Dengan nilai C s = 0,1664 , maka nilai K T untuk periode ulang T tahun dapat diperoleh
dengan interpolasi nilai yang terdapat pada Tabel 5.8. Selanjutnya, dengan menerapkan
persamaan (5.17), dapat dihitung curah hujan maksimum harian dengan beberapa periode
ulang sebagai berikut.
M. Baitullah Al Amin V - 14
Hidrologi Teknik V. Analisis Frekuensi
Tabel 5.8. Nilai KT untuk distribusi log Pearson III (kemencengan positif)
M. Baitullah Al Amin V - 15
Hidrologi Teknik V. Analisis Frekuensi
Tabel 5.9. Nilai KT untuk distribusi log Pearson III (kemencengan negatif)
Fungsi PDF untuk distribusi Gumbel atau yang dikenal juga dengan distribusi nilai
ekstrim tipe I (extreme value distribution type I) dapat ditulis sebagai:
1 x−u x − u
f ( x) = exp − − exp − −∞< x<∞ (5.20)
α α α
M. Baitullah Al Amin V - 16
Hidrologi Teknik V. Analisis Frekuensi
x − u
F ( x ) = exp − exp − −∞< x<∞ (5.21)
α
Besaran hujan atau debit dengan periode ulang T tahun dapat dihitung berdasarkan
distribusi Gumbel dengan persamaan berikut:
xT = x + K T s x (5.22)
YTr − Yn
KT = (5.23)
Sn
dengan:
T −1
YTr = − ln − ln r (5.24)
Tr
YTr − Yn
xT = x + sx
Sn
Yn s x YTr s x
xT = x − +
Sn Sn
atau
1
xT = b + YTr (5.25)
a
dimana
Sn Y s
a= dan b = x − n x
sx Sn
M. Baitullah Al Amin V - 17
Hidrologi Teknik V. Analisis Frekuensi
M. Baitullah Al Amin V - 18
Hidrologi Teknik V. Analisis Frekuensi
Chow (1953) dalam Chow, dkk. (1988) menurunkan persamaan untuk menghitung faktor
frekuensi K T untuk distribusi nilai ekstrim tipe I (EVI) sebagai berikut.
6 T
KT = − 0,5772 + ln ln (5.26)
π T − 1
1
T= (5.27)
πK
1 − exp − exp − γ + T
6
Contoh 5.5
Data curah hujan harian maksimum pada Contoh 5.2, dihitung kembali menggunakan
distribusi Gumbel.
Penyelesaian
Parameter statistik dari data hujan harian maksimum pada Tabel 5.6 adalah:
Jumlah data, n = 74
Rata-rata, x = 106,57 mm
1,189
a= = 0,051
23,34
0,5557 x 23,34
b = 106,57 − = 95,662
1,189
Dengan menggunakan persamaan (5.25) dan nilai YTr dalam Tabel 5.11, dapat dihitung
curah hujan maksimum harian dengan beberapa periode ulang sebagai berikut.
M. Baitullah Al Amin V - 19
Hidrologi Teknik V. Analisis Frekuensi
1
R24,T = 2 = 95,662 + 0,367 = 102,86 mm
0,051
1
R24,T =5 = 95,662 + 1,500 = 125,07 mm
0,051
1
R24,T =10 = 95,662 + 2,251 = 139,80 mm
0,051
1
R24,T =20 = 95,662 + 2,971 = 153,92 mm
0,051
1
R24,T =50 = 95,662 + 3,903 = 172,19 mm
0,051
Uji kecocokan dari suatu distribusi probabilitas dapat diuji dengan membandingkan
frekuensi relatif atau kumulatif antara nilai sampel dengan teoritik. Pada umumnya,
terdapat dua uji kecocokan yang digunakan untuk menguji suatu distribusi probabilitas,
yaitu uji chi-kuadrat (chi-square test) dan uji Smirnov-Kolmogorov (Smirnov-
Kolmogorov test).
k
χ 2 = ∑ χi 2 (5.28a)
i =1
dimana
( Ef i − Of i ) 2
χi 2 = (5.28b)
Ef i
dengan:
χ2 : nilai chi-kuadrat
Ef i : frekuensi yang diharapkan untuk kelas i , dimana Ef = n / k
Of i : frekuensi terbaca pada kelas i
k : jumlah kelas
Nilai χ 2 terhitung harus lebih kecil dari nilai χ 2 kritik yang diperoleh berdasarkan
derajat nyata α dan derajat kebebasan υ tertentu seperti yang diberikan dalam Tabel
5.12. Umumnya digunakan derajat nyata 5% (α = 0,05) dan untuk distribusi chi-kuadrat,
nilai υ dapat dihitung menggunakan persamaan berikut:
υ = k −3 (5.29)
M. Baitullah Al Amin V - 20
Hidrologi Teknik V. Analisis Frekuensi
1. Distribusi Normal
Penjelasan uji chi-kuadrat untuk distribusi normal ditunjukkan dalam Tabel 5.13 sebagai
berikut.
M. Baitullah Al Amin V - 21
Hidrologi Teknik V. Analisis Frekuensi
Penjelasan uji chi-kuadrat untuk distribusi log normal ditunjukkan dalam Tabel 5.14 di
bawah ini. Pada dasarnya tahapan uji chi-kuadrat untuk distribusi log normal sama
dengan distribusi normal, hanya saja digunakan variat y , dimana y = log x atau y = ln x .
Penjelasan uji chi-kuadrat untuk distribusi log Pearson III ditunjukkan dalam Tabel 5.15.
Untuk distribusi log Pearson III digunakan variat y , dimana y = log x atau y = ln x .
Tabel 5.15. Tahapan uji chi-kuadrat untuk distribusi log pearson III
Tahap 1 Tentukan derajat nyata α , jumlah kelas k , dan derajat kebebasan υ .
Tahap 2 Berdasarkan jumlah kelas tersebut, tentukan rentang probabilitas
untuk setiap kelasnya, dimana rentang probabilitas = 1/k.
Tahap 3 Menggunakan rentang probabilitas setiap kelasnya, hitung faktor
frekuensi z (distribusi normal) menggunakan persamaan (5.11) atau
menggunakan Tabel 5.4. Selanjutnya hitung K T (distribusi log
pearson III) menggunakan persamaan (5.18). Hitung juga rentang
variat y menggunakan persamaan (5.17).
Tahap 4 Tentukan rentang variat x menggunakan persamaan x = 10 y untuk
y = log x atau x = exp( y ) untuk y = ln x .
M. Baitullah Al Amin V - 22
Hidrologi Teknik V. Analisis Frekuensi
4. Distribusi Gumbel
Penjelasan uji chi-kuadrat untuk distribusi Gumbel ditunjukkan dalam Tabel 5.16 di
bawah ini. Untuk distribusi Gumbel digunakan variat x .
M. Baitullah Al Amin V - 23
Hidrologi Teknik V. Analisis Frekuensi
dengan:
pempirik : probabilitas empirik
pteoritik : probabilitas teoritik berdasarkan distribusi terpilih
m
pempirik = (5.31)
n +1
dengan:
m : nomor urut data
n : jumlah data
M. Baitullah Al Amin V - 24
Hidrologi Teknik V. Analisis Frekuensi
1. Distribusi Normal
M. Baitullah Al Amin V - 25
Hidrologi Teknik V. Analisis Frekuensi
Tahap 8 Bandingkan ∆i maks dengan ∆ kritik . Jika ∆ i maks < ∆ kritik , maka
hipotesis bahwa seri data mengikuti distribusi log normal diterima.
Namun jika ∆i maks ≥ ∆ kritik , maka hipotesis ditolak.
Penjelasan uji Smirnov-Kolmogorov untuk distribusi log Pearson III ditunjukkan dalam
Tabel 5.20. Untuk distribusi log Pearson III digunakan variat y , dimana y = log x atau
y = ln x .
Tabel 5.20. Tahapan uji Smirnov-Kolmogorov untuk distribusi log Pearson III
Tahap 1 Tentukan derajat nyata α , dan jumlah data n .
Tahap 2 Urutkan data mulai dari yang terbesar sampai ke yang terkecil dengan
nomor urut data m = 1,2,3,..., n .
Tahap 3 Hitung probabilitas empirik menggunakan persamaan (5.31) untuk
setiap variat y yang telah diurutkan.
Tahap 4 Hitung faktor frekuensi z menggunakan persamaan (5.11) dan hitung
pula K T untuk setiap variat y menggunakan persamaan (5.18).
Tahap 5 Tentukan probabilitas teoritik setiap variat y menggunakan
persamaan (5.10a).
Tahap 6 Hitung selisih probabilitas menggunakan persamaan (5.30) dan
tentukan ∆i maks .
Tahap 7 Tentukan nilai ∆ kritik menggunakan Tabel 5.17.
Tahap 8 Bandingkan ∆i maks dengan ∆ kritik . Jika ∆ i maks < ∆ kritik , maka
hipotesis bahwa seri data mengikuti distribusi log Pearson III
diterima. Namun jika ∆i maks ≥ ∆ kritik , maka hipotesis ditolak.
4. Distribusi Gumbel
Penjelasan uji Smirnov-Kolmogorov untuk distribusi Gumbel ditunjukkan dalam Tabel
5.21 sebagai berikut.
M. Baitullah Al Amin V - 26
Hidrologi Teknik V. Analisis Frekuensi
Pada banyak kasus, dimana biasanya beberapa distribusi probabilitas memenuhi baik uji
chi-kuadrat maupun uji Smirnov-Kolmogorov, maka dipilih distribusi terbaik yaitu
distribusi yang memiliki nilai chi kuadrat χ 2 dan penyimpangan ∆i maks yang terkecil.
Contoh 5.6
Lakukan uji kecocokan berdasarkan data curah hujan harian maksimum pada Contoh 5.2
untuk distribusi normal, log normal, log Pearson III, dan Gumbel. Tentukan juga
distribusi terbaik untuk seri data tersebut. Gunakan derajat nyata 5% dan jumlah kelas
adalah 5 ( k = 5) .
Penyelesaian
1. Distribusi Normal
Parameter statistik untuk distribusi normal yang dihasilkan pada Contoh 5.2, yaitu n = 74
, x = 106,57 mm , dan s x = 23,34 mm . Uji chi-kuadrat untuk distribusi normal
berdasarkan data curah hujan harian maksimum dapat dilakukan menggunakan tabel
seperti yang ditunjukkan dalam Tabel 5.12. Nilai rentang hujan berdasarkan setiap
rentang probabilitasnya dapat dihitung sebagai berikut.
Untuk p = 0,20 , menggunakan persamaan (5.12), diperoleh w = [ln(1 / 0,202 )]1 / 2 = 1,794 .
Menggunakan persamaan (5.11), diperoleh KT = 1.794 − (3,989 / 4,187 ) = 0,841 . Dengan
demikian, rentang hujan adalah R24 = 106,57 + (0,841 x 23,34 ) = 126,18 mm . Untuk
rentang probabilitas lainnya dapat dilakukan cara yang sama seperti yang telah dijelaskan
di atas.
Tabel 5.18. Uji chi-kuadrat untuk distribusi normal pada Contoh 5.5
Kelas Rentang Probabilitas Rentang Hujan (mm)
(i)
Ef Of χi 2
1 0,01 < p ≤ 0,20 188,03 > R24 ≥ 126,18 14,80 14 0,043
2 0,20 < p ≤ 0,40 126,18 > R24 ≥ 112,41 14,80 14 0,043
3 0,40 < p ≤ 0,60 112,41 > R24 ≥ 100,74 14,80 10 1,557
4 0,60 < p ≤ 0,80 100,74 > R24 ≥ 86,96 14,80 22 3,503
5 0,80 < p ≤ 0,99 86,96 > R24 ≥ 25,11 14,80 14 0,043
Nilai chi-kuadrat χ 2 = 0,043 + 0,043 + 1,557 + 3,503 + 0,043 = 5,189 . Nilai χ 2 kritik
berdasarkan Tabel 5.12, untuk α = 0,05 dan υ = 5 − 3 = 2 diperoleh χ 2 kritik = 5,991.
Karena χ 2 < χ 2 kritik, maka distribusi normal diterima (cocok dengan seri data).
M. Baitullah Al Amin V - 27
Hidrologi Teknik V. Analisis Frekuensi
Uji Smirnov-Kolmogorov dilakukan dengan terlebih dahulu mengurutkan data mulai dari
yang terbesar sampai terkecil. Selanjutnya dihitung nilai selisih probabilitas tiap nilai
curah hujan harian maksimum menurut distribusi empirik dan teoritik. Hasil uji Smirnov-
Kolmogorov diberikan dalam Tabel 5.19.
Tabel 5.19. Uji Smirnov-Kolmogorov untuk distribusi normal pada Contoh 5.5
m R24 (mm) pempirik pteoritik ∆i m R24 (mm) pempirik pteoritik ∆i
1 183 0,013 0,001 0,013 38 101 0,507 0,594 0,088
2 158 0,027 0,014 0,013 39 100 0,520 0,611 0,091
3 155 0,040 0,019 0,021 40 100 0,533 0,611 0,077
4 152 0,053 0,026 0,028 41 100 0,547 0,611 0,064
5 148 0,067 0,038 0,029 42 100 0,560 0,611 0,051
6 142 0,080 0,065 0,015 43 97 0,573 0,659 0,086
7 136 0,093 0,104 0,010 44 97 0,587 0,659 0,072
8 136 0,107 0,104 0,003 45 96 0,600 0,675 0,075
9 130 0,120 0,158 0,038 46 95 0,613 0,690 0,077
10 130 0,133 0,158 0,024 47 95 0,627 0,690 0,063
11 130 0,147 0,158 0,011 48 95 0,640 0,690 0,050
12 130 0,160 0,158 0,002 49 94 0,653 0,705 0,052
13 130 0,173 0,158 0,016 50 94 0,667 0,705 0,038
14 128 0,187 0,179 0,007 51 93 0,680 0,720 0,040
15 125 0,200 0,215 0,015 52 92 0,693 0,734 0,040
16 125 0,213 0,215 0,002 53 92 0,707 0,734 0,027
17 125 0,227 0,215 0,012 54 91 0,720 0,748 0,028
18 124 0,240 0,228 0,012 55 90 0,733 0,761 0,028
19 124 0,253 0,228 0,026 56 89 0,747 0,774 0,028
20 123 0,267 0,241 0,026 57 87 0,760 0,799 0,039
21 122 0,280 0,254 0,026 58 87 0,773 0,799 0,026
22 120 0,293 0,283 0,011 59 87 0,787 0,799 0,012
23 119 0,307 0,297 0,009 60 87 0,800 0,799 0,001
24 118 0,320 0,312 0,008 61 85 0,813 0,822 0,009
25 118 0,333 0,312 0,021 62 85 0,827 0,822 0,004
26 116 0,347 0,343 0,004 63 85 0,840 0,822 0,018
27 115 0,360 0,359 0,001 64 85 0,853 0,822 0,031
28 115 0,373 0,359 0,014 65 85 0,867 0,822 0,044
29 110 0,387 0,442 0,055 66 83 0,880 0,844 0,036
30 109 0,400 0,459 0,059 67 80 0,893 0,873 0,021
31 108 0,413 0,476 0,062 68 80 0,907 0,873 0,034
32 106 0,427 0,510 0,083 69 77 0,920 0,897 0,023
33 106 0,440 0,510 0,070 70 75 0,933 0,912 0,021
34 105 0,453 0,527 0,073 71 72 0,947 0,931 0,016
35 104 0,467 0,544 0,077 72 71 0,960 0,936 0,024
36 103 0,480 0,561 0,081 73 67 0,973 0,955 0,018
37 102 0,493 0,578 0,084 74 67 0,987 0,955 0,032
M. Baitullah Al Amin V - 28
Hidrologi Teknik V. Analisis Frekuensi
Parameter statistik untuk distribusi log normal yang dihasilkan pada Contoh 5.3, yaitu
n = 74 , y = 2,02 , dan s y = 0,093 . Uji chi-kuadrat untuk distribusi log normal dapat
dilakukan menggunakan tabel seperti yang ditunjukkan dalam Tabel 5.20.
Untuk p = 0,20 , menggunakan persamaan (5.12), diperoleh w = [ln(1 / 0,202 )]1 / 2 = 1,794 .
Menggunakan persamaan (5.11), diperoleh KT = 1.794 − (3,989 / 4,187 ) = 0,841 . Dengan
demikian, rentang hujan adalah y = 2,02 + ( 0,841 x 0,093) = 2,10 , sehingga
R24 = 102,10 = 125,89 mm . Untuk rentang probabilitas lainnya dapat dilakukan cara yang
sama seperti yang telah dijelaskan di atas.
Tabel 5.20. Uji chi-kuadrat untuk distribusi log normal pada Contoh 5.5
Kelas Rentang Rentang
(i) Probabilitas
Rentang y
Hujan (mm)
Ef Of χi 2
1 0,01 < p ≤ 0,20 2,34 < y ≤ 2,10 218,78 > R24 ≥ 125,89 14,80 14 0,043
2 0,20 < p ≤ 0,40 2,10 < y ≤ 2,04 125,89 > R24 ≥ 109,65 14,80 15 0,003
3 0,40 < p ≤ 0,60 2,04 < y ≤ 1,99 109,65 > R24 ≥ 97,72 14,80 13 0,219
4 0,60 < p ≤ 0,80 1,99 < y ≤ 1,94 97,72 > R24 ≥ 87,10 14,80 14 0,043
5 0,80 < p ≤ 0,99 1,94 < y ≤ 1,69 87,10 > R24 ≥ 48,98 14,80 18 0,692
Nilai chi-kuadrat χ 2 = 0,043 + 0,003 + 0,219 + 0,043 + 0,692 = 1,000 . Nilai χ 2 kritik
berdasarkan Tabel 5.12, untuk α = 0,05 dan υ = 5 − 3 = 2 diperoleh χ 2 kritik = 5,991.
Karena χ 2 < χ 2 kritik, maka distribusi log normal diterima (cocok dengan seri data).
Hasil uji Smirnov-Kolmogorov untuk distribusi log normal diberikan dalam Tabel 5.21.
Dari tabel tersebut, diperoleh nilai ∆ i maksimum adalah sebesar 0,066. Nilai ∆ kritik
diperoleh menggunakan Tabel 5.17, dimana ∆ kritik = 0,158 . Karena ∆ i maks < ∆ kritik ,
maka distribusi log normal diterima.
Tabel 5.21. Uji Smirnov-Kolmogorov untuk distribusi log normal pada Contoh 5.5
R24 R24
m log R24 pempirik pteoritik ∆ m log R24 pempirik pteoritik ∆
(mm) (mm)
1 183 2,26 0,013 0,005 0,009 38 101 2,00 0,507 0,567 0,060
2 158 2,20 0,027 0,027 0,001 39 100 2,00 0,520 0,585 0,065
3 155 2,19 0,040 0,034 0,006 40 100 2,00 0,533 0,585 0,052
4 152 2,18 0,053 0,041 0,012 41 100 2,00 0,547 0,585 0,038
5 148 2,17 0,067 0,053 0,014 42 100 2,00 0,560 0,585 0,025
M. Baitullah Al Amin V - 29
Hidrologi Teknik V. Analisis Frekuensi
Parameter statistik untuk distribusi log Pearson III yang dihasilkan pada Contoh 5.4, yaitu
n = 74 , y = 2,02 , s y = 0,093 , dan C s = 0,1664 . Uji chi-kuadrat untuk distribusi log
Pearson III dapat dilakukan menggunakan tabel seperti yang ditunjukkan dalam Tabel
5.22.
Untuk p = 0,20 , menggunakan persamaan (5.12), diperoleh w = [ln(1 / 0,202 )]1 / 2 = 1,794 .
Menggunakan persamaan (5.11), diperoleh KT = z = 1.794 − (3,989 / 4,187 ) = 0,841 .
Faktor frekuensi untuk distribusi log Pearson III dihitung dengan persamaan (5.18)
dimana k = 0,1664 / 6 = 0,0277 , sehingga diperoleh KT = 0,832 . Dengan demikian,
rentang hujan adalah y = 2,02 + (0,832 x 0,093) = 2,097 , sehingga
M. Baitullah Al Amin V - 30
Hidrologi Teknik V. Analisis Frekuensi
R24 = 102,097 = 125,14 mm . Untuk rentang probabilitas lainnya dapat dilakukan cara yang
sama seperti yang telah dijelaskan di atas.
Tabel 5.22. Uji chi-kuadrat untuk distribusi log Pearson III pada Contoh 5.5
Kelas Rentang Rentang
(i) Probabilitas
Rentang y
Hujan (mm)
Ef Of χi 2
1 0,01 < p ≤ 0,20 2,329 < y ≤ 2,097 213,66 > R24 ≥ 125,14 14,80 14 0,043
2 0,20 < p ≤ 0,40 2,097 < y ≤ 2,041 125,14 > R24 ≥ 109,92 14,80 15 0,003
3 0,40 < p ≤ 0,60 2,041 < y ≤ 1,994 109,92 > R24 ≥ 98,67 14,80 13 0,219
4 0,60 < p ≤ 0,80 1,994 < y ≤ 1,942 98,67 > R24 ≥ 87,54 14,80 14 0,043
5 0,80 < p ≤ 0,99 1,942 < y ≤ 1,813 87,54 > R24 ≥ 65,01 14,80 18 0,692
Nilai chi-kuadrat χ 2 = 0,043 + 0,003 + 0,219 + 0,043 + 0,692 = 1,000 . Nilai χ 2 kritik
berdasarkan Tabel 5.12, untuk α = 0,05 dan υ = 5 − 3 = 2 diperoleh χ 2 kritik = 5,991.
Karena χ 2 < χ 2 kritik, maka distribusi log Pearson III diterima (cocok dengan seri data).
Hasil uji Smirnov-Kolmogorov untuk distribusi log Pearson III diberikan dalam Tabel
5.23. Dari tabel tersebut, diperoleh nilai ∆ i maksimum adalah sebesar 0,075. Nilai ∆ kritik
diperoleh menggunakan Tabel 5.17, dimana ∆ kritik = 0,158 . Karena ∆ i maks < ∆ kritik ,
maka distribusi log Pearson III diterima.
Tabel 5.23. Uji Smirnov-Kolmogorov untuk distribusi log Pearson III pada Contoh 5.5
R24 R24
m log R24 pempirik pteoritik ∆ m log R24 pempirik pteoritik ∆
(mm) (mm)
1 183 2,26 0,013 0,003 0,010 38 101 2,00 0,507 0,577 0,071
2 158 2,20 0,027 0,023 0,004 39 100 2,00 0,520 0,595 0,075
3 155 2,19 0,040 0,029 0,011 40 100 2,00 0,533 0,595 0,062
4 152 2,18 0,053 0,036 0,017 41 100 2,00 0,547 0,595 0,049
5 148 2,17 0,067 0,048 0,018 42 100 2,00 0,560 0,595 0,035
6 142 2,15 0,080 0,074 0,006 43 97 1,99 0,573 0,649 0,075
7 136 2,13 0,093 0,109 0,016 44 97 1,99 0,587 0,649 0,062
8 136 2,13 0,107 0,109 0,002 45 96 1,98 0,600 0,666 0,066
9 130 2,11 0,120 0,157 0,037 46 95 1,98 0,613 0,683 0,070
10 130 2,11 0,133 0,157 0,023 47 95 1,98 0,627 0,683 0,056
11 130 2,11 0,147 0,157 0,010 48 95 1,98 0,640 0,683 0,043
12 130 2,11 0,160 0,157 0,003 49 94 1,97 0,653 0,700 0,047
13 130 2,11 0,173 0,157 0,017 50 94 1,97 0,667 0,700 0,033
14 128 2,11 0,187 0,176 0,011 51 93 1,97 0,680 0,717 0,037
15 125 2,10 0,200 0,207 0,007 52 92 1,96 0,693 0,733 0,040
16 125 2,10 0,213 0,207 0,006 53 92 1,96 0,707 0,733 0,026
17 125 2,10 0,227 0,207 0,020 54 91 1,96 0,720 0,749 0,029
18 124 2,09 0,240 0,218 0,022 55 90 1,95 0,733 0,764 0,031
19 124 2,09 0,253 0,218 0,035 56 89 1,95 0,747 0,779 0,033
20 123 2,09 0,267 0,230 0,037 57 87 1,94 0,760 0,808 0,048
M. Baitullah Al Amin V - 31
Hidrologi Teknik V. Analisis Frekuensi
4. Distribusi Gumbel
Parameter statistik untuk distribusi Gumbel yang dihasilkan pada Contoh 5.5, yaitu
n = 74 , x = 106,57 mm , dan s x = 23,34 mm . Uji chi-kuadrat untuk distribusi Gumbel
dapat dilakukan menggunakan tabel seperti yang ditunjukkan dalam Tabel 5.24.
Tabel 5.24. Uji chi-kuadrat untuk distribusi Gumbel pada Contoh 5.5
Kelas Rentang Probabilitas Rentang Hujan (mm)
(i)
Ef Of χi 2
1 0,01 < p ≤ 0,20 221,82 > R24 ≥ 123,37 14,80 19 1,192
2 0,20 < p ≤ 0,40 123,37 > R24 ≥ 108,29 14,80 11 0,976
3 0,40 < p ≤ 0,60 108,29 > R24 ≥ 97,65 14,80 12 0,530
4 0,60 < p ≤ 0,80 97,65 > R24 ≥ 87,39 14,80 14 0,043
5 0,80 < p ≤ 0,99 87,39 > R24 ≥ 60,87 14,80 18 0,692
Nilai chi-kuadrat χ 2 = 1,192 + 0,976 + 0,530 + 0,043 + 0,692 = 3,432 . Nilai χ 2 kritik
berdasarkan Tabel 5.12, untuk α = 0,05 dan υ = 5 − 3 = 2 diperoleh χ 2 kritik = 5,991.
Karena χ 2 < χ 2 kritik, maka distribusi Gumbel diterima (cocok dengan seri data).
Hasil uji Smirnov-Kolmogorov untuk distribusi Gumbel diberikan dalam Tabel 5.25. Dari
tabel tersebut, diperoleh nilai ∆ i maksimum adalah sebesar 0,086. Nilai ∆ kritik diperoleh
M. Baitullah Al Amin V - 32
Hidrologi Teknik V. Analisis Frekuensi
menggunakan Tabel 5.17, dimana ∆ kritik = 0,158 . Karena ∆ i maks < ∆ kritik , maka
distribusi Gumbel diterima.
Tabel 5.25. Uji Smirnov-Kolmogorov untuk distribusi Gumbel pada Contoh 5.5
R24 R24
m pempirik pteoritik ∆ m pempirik pteoritik ∆
(mm) (mm)
1 183 0,013 0,006 0,007 38 101 0,507 0,543 0,036
2 158 0,027 0,026 0,001 39 100 0,520 0,564 0,044
3 155 0,040 0,031 0,009 40 100 0,533 0,564 0,031
4 152 0,053 0,037 0,017 41 100 0,547 0,564 0,018
5 148 0,067 0,046 0,020 42 100 0,560 0,564 0,004
6 142 0,080 0,066 0,014 43 97 0,573 0,630 0,056
7 136 0,093 0,092 0,001 44 97 0,587 0,630 0,043
8 136 0,107 0,092 0,014 45 96 0,600 0,652 0,052
9 130 0,120 0,130 0,010 46 95 0,613 0,674 0,060
10 130 0,133 0,130 0,004 47 95 0,627 0,674 0,047
11 130 0,147 0,130 0,017 48 95 0,640 0,674 0,034
12 130 0,160 0,130 0,030 49 94 0,653 0,695 0,042
13 130 0,173 0,130 0,044 50 94 0,667 0,695 0,029
14 128 0,187 0,145 0,042 51 93 0,680 0,717 0,037
15 125 0,200 0,171 0,029 52 92 0,693 0,738 0,045
16 125 0,213 0,171 0,043 53 92 0,707 0,738 0,031
17 125 0,227 0,171 0,056 54 91 0,720 0,759 0,039
18 124 0,240 0,180 0,060 55 90 0,733 0,779 0,045
19 124 0,253 0,180 0,073 56 89 0,747 0,798 0,052
20 123 0,267 0,190 0,077 57 87 0,760 0,835 0,075
21 122 0,280 0,200 0,080 58 87 0,773 0,835 0,062
22 120 0,293 0,223 0,071 59 87 0,787 0,835 0,049
23 119 0,307 0,235 0,072 60 87 0,800 0,835 0,035
24 118 0,320 0,247 0,073 61 85 0,813 0,869 0,056
25 118 0,333 0,247 0,086 62 85 0,827 0,869 0,042
26 116 0,347 0,274 0,073 63 85 0,840 0,869 0,029
27 115 0,360 0,288 0,072 64 85 0,853 0,869 0,016
28 115 0,373 0,288 0,085 65 85 0,867 0,869 0,002
29 110 0,387 0,367 0,019 66 83 0,880 0,899 0,019
30 109 0,400 0,385 0,015 67 80 0,893 0,935 0,042
31 108 0,413 0,403 0,010 68 80 0,907 0,935 0,029
32 106 0,427 0,441 0,014 69 77 0,920 0,962 0,042
33 106 0,440 0,441 0,001 70 75 0,933 0,975 0,042
34 105 0,453 0,460 0,007 71 72 0,947 0,988 0,041
35 104 0,467 0,480 0,014 72 71 0,960 0,991 0,031
36 103 0,480 0,501 0,021 73 67 0,973 0,997 0,024
37 102 0,493 0,522 0,028 74 67 0,987 0,997 0,011
M. Baitullah Al Amin V - 33
Hidrologi Teknik V. Analisis Frekuensi
Berdasarkan hasil uji kecocokan menggunakan uji chi-kuadrat untuk keempat distribusi
probabilitas, maka distribusi probabilitas terbaik untuk seri data curah hujan harian
maksimum di atas adalah distribusi log normal ( χ 2 = 1,000) . Sedangkan berdasarkan
hasil uji Smirnov-Kolmogorov, maka distribusi probabilitas terbaik juga adalah distribusi
log normal ( ∆ i maks = 0,066) .
Sebagai pengecekan bahwa suatu distribusi probabilitas cocok dengan dengan suatu seri
data hidrologi, dapat dilakukan dengan plot probabilitas pada kertas probabilitas khusus
atau menggunakan skala plot yang melinierkan fungsi distribusi. Data yang diplotkan
kemudian dicocokkan dengan garis lurus (garis teoritik dari suatu distribusi probabilitas
terpilih) untuk tujuan interpolasi dan ekstrapolasi.
Probabilitas kumulatif dari suatu distribusi teoritik dapat direpresentasikan secara grafis
pada kertas probabilitas khusus. Kertas tersebut terdiri dari garis ordinat yang
memberikan atau merepresentasikan nilai variat x dalam skala tertentu, sedangkan garis
absis merepresentasikan probabilitas P ( X ≥ x ) atau P ( X < x ) , periode ulang T , atau
reduced variate YTr . Skala ordinat dan absis dari kertas tersebut didesain sedemikian rupa
sehingga data yang diplotkan diharapkan dapat mendekati garis teoritik. Tujuan
menggunakan kertas probabilitas adalah untuk melinierkan fungsi probabilitas sehingga
data yang diplotkan dapat dengan mudah digunakan untuk interpolasi, ekstrapolasi, atau
pun untuk perbandingan. Namun kekurangan menggunakan kertas probabilitas adalah
kemungkinan kesalahan (error) dalam melakukan pembacaan sehingga dapat
memberikan pengaruh yang cukup besar. Oleh karena itu, diperlukan kehati-hatian dari
seorang praktisi hidrologi dalam menggunakan metode ini.
Posisi plot data mengacu pada nilai probabilitas yang diterapkan pada setiap data yang
diplotkan di atas kertas probabilitas. Terdapat beberapa metode untuk menentukan posisi
plot, yang sebagian besar merupakan metode empirik. Oleh karena itu, nilai probabilitas
ini disebut sebagai probabilitas empirik. Jika n adalah jumlah data yang akan diplotkan
dan m adalah nomor urut data yang diurutkan dari yang terbesar ke terkecil, maka
probabilitas terlampaui suatu besaran adalah:
m
P ( X ≥ xm ) = (5.32)
n
M. Baitullah Al Amin V - 34
Hidrologi Teknik V.
V Analisis Frekuensi
Gambar 5.4. Contoh plot data pada kertas probabilitas distribusi normal
M. Baitullah Al Amin V - 35
Hidrologi Teknik V. Analisis Frekuensi
m −1
P ( X ≥ xm ) = (5.33)
n
Persamaan di atas tidak menghasilkan probabilitas 100 persen, namun jika m = 1 , maka
persamaan tersebut akan menghasilkan probabilitas 0 persen, yang juga tidak mudah
diplotkan di atas kertas probabilitas.
Kedua persamaan di atas memiliki batasan apabila digunakan untuk plot posisi data.
Persamaan lainnya diusulkan oleh Hazen (1930) dalam Chow, dkk. (1988) yang
merepresentasikan kedua persamaan tersebut adalah:
m − 0,5
P ( X ≥ xm ) = (5.34)
n
Persamaan lainnya yang juga dapat digunakan dan dikenal sebagai persamaan
Chegodayev ditulis sebagai:
m − 0,3
P ( X ≥ xm ) = (5.35)
n + 0,4
Persamaan Weibull memberikan persamaan dengan penyesuaian statistik yang lebih baik.
Metode sederhana untuk posisi plot data di atas kertas probabilitas dinyatakan dalam
persamaan Weibull:
m
P ( X ≥ xm ) = (5.36)
n +1
Dalam praktik, untuk suatu seri data lengkap (menerapkan semua data, tidak hanya data
maksimum/ekstrim), digunakan persamaan (5.32), dengan n mengacu pada jumlah data.
Untuk seri data maksimum tahunan, persaman (5.36), yang ekivalen dengan persaman
berikut untuk periode ulang, diadopsi sebagai metode posisi plot standar oleh U.S. Water
Resources Council (1981) dalam Chow, dkk. (1988):
n +1
T= (5.37)
m
m−b
P ( X ≥ xm ) = (5.38)
n + 1 − 2b
dimana b adalah konstanta. Sebagai contoh, b = 0,5 untuk persamaan Hazen, b = 0,3
untuk persamaan Chegodayev, dan b = 0 untuk persamaan Weibull. Selain itu, beberapa
konstanta b lainnya yang diusulkan diantaranya adalah b = 3 / 8 untuk persamaan Blom,
M. Baitullah Al Amin V - 36
Hidrologi Teknik V. Analisis Frekuensi
b = 1 / 3 untuk persamaan Turki, dan b = 0,44 untuk persamaan Gringorten (Chow, 1964
dalam Chow, dkk., 1988).
Cunnane (1978) dalam Chow,dkk. (1988) melakukan studi terhadap berbagai metode
posisi plot menggunakan kriteria unbiasedness dan varian terkecil (minimum variance).
Hasil studi tersebut memberikan kesimpulan bahwa persamaan Blom lebih baik
digunakan dibandingkan persamaan Weibull untuk seri data yang terdistribusi normal.
Untuk data yang terdistribusi menurut distribusi Gumbel, persamaan Gringorten adalah
yang terbaik. Untuk distibusi log Pearson III, konstanta b optimal tergantung pada nilai
koefisien skewness, dimana b > 3 / 8 ketika data dengan kemencengan positif dan
b < 3 / 8 ketika data dengan kemencengan negatif. Untuk distribusi log normal, dapat
diterapkan posisi plot yang sama digunakan untuk distribusi log Pearson III (logaritma
dari seri data).
M. Baitullah Al Amin V - 37