Analisis Frekuensi PDF

Hidrologi Teknik V.
Analisis Frekuensi
BAB V
ANALISIS FREKUENSI
Sistem hidrologi kadang-kadang dipengaruhi oleh peristiwa-peristiwa yang luar biasa

(ekstrim), seperti hujan deras, banjir, dan kekeringan. Besaran peristiwa ekstrim
berbanding terbalik dengan frekuensi kejadiannya. Peristiwa ekstrim kejadiannya sangat
langka.
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.
5.1. Periode Ulang
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

Interval kejadian ulang rata-rata E (τ ) atau periode ulang T dinyatakan sebagai:
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
Sebagai contoh, probabilitas debit maksimum tahunan di Sungai Guadalupe akan

menyamai atau melampaui besaran 50.000 ft3/det di tiap tahunnya diperkirakan
p = 1 /τ = 1 / 5,1 = 0,195 .
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:
P( X < xT setiap tahun untuk N tahun) = (1 − p ) N
Komplemen dari kondisi di atas merupakan kondisi yang dibutuhkan (probabilitas

kesuksesan) yang ditulis sebagai:
P( X ≥ xT paling tidak sekali dalam N tahun) = 1 − (1 − p ) N (5.3)
Karena p = 1 / T , maka
N
 1
P( X ≥ xT paling tidak sekali dalam N tahun ) = 1 − 1 −  (5.4)
 T
Contoh 5.1
Perkirakan probabilitas debit maksimum tahunan Q di Sungai Guadalupe akan

melampaui besaran 50.000 ft3/det paling tidak sekali dalam 3 tahun.
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.
5.2. Seri Data Hidrologi
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:
1. Seri data parsial (partial duration series)

Metode ini digunakan apabila jumlah data kurang dari 10 tahun data runtut waktu.
Partial duration series yang juga sering disebut dengan peaks over treshold
(POT) adalah rangkaian data yang besarnya di atas suatu nilai batas bawah
tertentu. Penentuan batas bawah dapat dilakukan dengan sistem peringkat, dimana
semua besaran data data yang cukup besar diambil, kemudian diurutkan dari besar
ke kecil. Dengan demikian dalam satu tahun bisa terdapat lebih dari satu data yang
digunakan dalam analisis. Dari setiap tahun data dipilih 2 sampai 5 tertinggi.
Metode ini ditunjukkan pada Gambar 5.2b.
2. Seri data maksimum tahunan (annual maximum series)

Metode ini digunakan apabila tersedia data minimal 10 tahun data runtut waktu.
Tiap tahun diambil hanya satu besaran maksimum yang dianggap berpengaruh
pada analisis selanjutnya. Dengan cara ini, data terbesar kedua dalam suatu tahun
yang mungkin lebih besar dari data maksimum pada tahun yang lain tidak
diperhitungkan. Metode ini ditunjukkan pada Gambar 5.2c.

Gambar 5.2. Seri data hidrologi
5.3. Parameter Statistik
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.
Tabel 5.3. Parameter statistik untuk analisis frekuensi
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
5.4. Distribusi Probabilitas
Terdapat beberapa distribusi probabilitas yang sering digunakan dalam analisis frekuensi
untuk hidrologi, seperti distribusi normal, log normal, Gumbel, log Pearson III, dan
sebagainya.
5.4.1. Distribusi Normal
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 
dengan x adalah variabel random dan f (x ) adalah fungsi PDF.
Apabila variabel x ditulis dalam bentuk berikut:
x − µx
z= (5.6)
σx
Maka persamaan (5.5) menjadi:
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 .
Persamaan (5.6) dapat ditulis dalam bentuk:

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)
Fungsi cumulative distribution function (CDF) dapat diturunkan dengan mengintegralkan

fungsi PDF dari persamaan (5.7) sebagai berikut:
1 z  z2 
F ( z) = ∫ exp − dz (5.9)
2π −∞  2 
Dimana F (z ) adalah probabilitas kumulatif. Dalam pemakaian praktis, biasanya untuk

menghitung F (z ) dilakukan dengan menggunakan tabel seperti yang diberikan dalam
Tabel 5.4. Nilai F (z ) juga dapat diperkirakan dengan persamaan polinomial yang
diusulkan oleh Abramowitz dan Stegun (1965) dalam Chow, dkk (1988) sebagai:
1
B = [1 + 0,196854 z + 0,115194 z + 0,000344 z + 0,019527 z ]− 4
2 3 4
(5.10a)
2
dimana z adalah nilai absolut z dan untuk distribusi normal standar:
F ( z) = B untuk z < 0 (5.10b)
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%.

Tabel 5.4. Probabilitas kumulatif distribusi normal standar

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.
2,515517 + 0,802853w + 0,010328w2

KT = z = w − (5.11)
1 + 1,432788w + 0,189269 w2 + 0,001308w3
dimana:
1/ 2
  1 
w = ln 2  untuk (0 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).
Tabel 5.5. Nilai K T untuk distribusi normal

No. Periode Ulang, T (tahun) Peluang KT
1 1,001 0,999 -3,05
2 1,005 0,995 -2,58
3 1,010 0,990 -2,33
4 1,050 0,952 -1,64
5 1,110 0,901 -1,28
6 1,250 0,800 -0,84
7 1,330 0,752 -0,67
8 1,430 0,699 -0,52
9 1,670 0,599 -0,25
10 2,000 0,500 0,00
11 2,500 0,400 0,25
12 3,330 0,300 0,52
13 4,000 0,250 0,67
14 5,000 0,200 0,84
15 10,000 0,100 1,28
16 20,000 0,050 1,64
17 50,000 0,020 2,05
18 100,000 0,010 2,33
19 200,000 0,005 2,58
20 500,000 0,002 2,88
21 1000,000 0,001 3,09

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)
Tabel 5.6. Data hujan maksimum harian dari stasiun Ngemplak
No Tahun R24 (mm) No Tahun R24 (mm) No Tahun R24 (mm)

1 1915 130 26 1940 106 51 1965 92
2 1916 130 27 1941 136 52 1966 85
3 1917 85 28 1942 101 53 1967 85
4 1918 95 29 1943 96 54 1968 128
5 1919 97 30 1944 125 55 1969 67
6 1920 110 31 1945 142 56 1970 105
7 1921 123 32 1946 94 57 1971 97
8 1922 148 33 1947 89 58 1972 106
9 1923 83 34 1948 71 59 1973 115
10 1924 87 35 1949 124 60 1974 155
11 1925 67 36 1950 118 61 1975 130
12 1926 87 37 1951 80 62 1976 95
13 1927 77 38 1952 115 63 1977 85
14 1928 100 39 1953 100 64 1978 80
15 1929 130 40 1954 136 65 1979 125
16 1930 90 41 1955 130 66 1980 102
17 1931 87 42 1956 119 67 1981 85
18 1932 122 43 1957 125 68 1982 72
19 1933 75 44 1958 104 69 1983 152
20 1934 91 45 1959 93 70 1984 100
21 1935 103 46 1960 108 71 1985 100
22 1936 124 47 1961 94 72 1986 120
23 1937 87 48 1962 95 73 1987 158
24 1938 118 49 1963 116 74 1988 92
25 1939 183 50 1964 109
Penyelesaian:
Parameter statistik dari data hujan harian maksimum di atas adalah:
Jumlah data, n = 74
Rata-rata, x = 106,57 mm
Deviasi standar, sx = 23,34 mm
M. Baitullah Al Amin V - 10
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.
R24,T = 2 = 106,57 + 0,00 x 23,34 = 106,57 mm

R24,T =5 = 106,57 + 0,84 x 23,34 = 126,17 mm
R24,T =10 = 106,57 + 1,28 x 23,34 = 136,44 mm
R24,T = 20 = 106,57 + 1,64 x 23,34 = 144,85 mm
R24,T =50 = 106,57 + 2,05 x 23,34 = 154,42 mm
5.4.2. Distribusi Log Normal
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 
 
Fungsi CDF dapat diturunkan dengan mengintegralkan persamaan (5.13) sehingga:
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)
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
Tabel 5.7. Data hujan maksimum harian dari stasiun Ngemplak
No Tahun x (mm) y = log x No Tahun x (mm) y = log x No Tahun x (mm) y = log x

1 1915 130 2,11 26 1940 106 2,03 51 1965 92 1,96
2 1916 130 2,11 27 1941 136 2,13 52 1966 85 1,93
3 1917 85 1,93 28 1942 101 2,00 53 1967 85 1,93
4 1918 95 1,98 29 1943 96 1,98 54 1968 128 2,11
5 1919 97 1,99 30 1944 125 2,10 55 1969 67 1,83
6 1920 110 2,04 31 1945 142 2,15 56 1970 105 2,02
7 1921 123 2,09 32 1946 94 1,97 57 1971 97 1,99
8 1922 148 2,17 33 1947 89 1,95 58 1972 106 2,03
9 1923 83 1,92 34 1948 71 1,85 59 1973 115 2,06
10 1924 87 1,94 35 1949 124 2,09 60 1974 155 2,19
11 1925 67 1,83 36 1950 118 2,07 61 1975 130 2,11
12 1926 87 1,94 37 1951 80 1,90 62 1976 95 1,98
13 1927 77 1,89 38 1952 115 2,06 63 1977 85 1,93
14 1928 100 2,00 39 1953 100 2,00 64 1978 80 1,90
15 1929 130 2,11 40 1954 136 2,13 65 1979 125 2,10
16 1930 90 1,95 41 1955 130 2,11 66 1980 102 2,01
17 1931 87 1,94 42 1956 119 2,08 67 1981 85 1,93
18 1932 122 2,09 43 1957 125 2,10 68 1982 72 1,86
19 1933 75 1,88 44 1958 104 2,02 69 1983 152 2,18
20 1934 91 1,96 45 1959 93 1,97 70 1984 100 2,00
21 1935 103 2,01 46 1960 108 2,03 71 1985 100 2,00
22 1936 124 2,09 47 1961 94 1,97 72 1986 120 2,08
23 1937 87 1,94 48 1962 95 1,98 73 1987 158 2,20
24 1938 118 2,07 49 1963 116 2,06 74 1988 92 1,96
25 1939 183 2,26 50 1964 109 2,04
Jumlah data, n = 74
Rata-rata, y = 2,02
Deviasi standar, s y = 0,093
Dengan menggunakan persamaan (5.15) dan nilai K T dalam Tabel 5.5, dapat dihitung
yT = 2 = 2,02 + 0,00 x 0,093 = 2,018

yT =5 = 2,02 + 0,84 x 0,093 = 2,096
yT =10 = 2,02 + 1,28 x 0,093 = 2,137
yT =20 = 2,02 + 1,64 x 0,093 = 2,170
yT =50 = 2,02 + 2,05 x 0,093 = 2,208
R24,T = 2 = 102,018 = 104,17 mm

R24,T =5 = 102,096 = 124,67 mm
R24,T =10 = 102,137 = 136,97 mm
R24,T =20 = 102,170 = 147,94 mm
R24,T =50 = 102,208 = 161,50 mm
5.4.3. Distribusi Log Pearson III
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 )
dimana y = log x , λ = s y / β , β = [2 / Cs ( y )]2 , dan ∈= y − s y β . Nilai Cs ( y )

diasumsikan positif.
Berikut ini langkah-langkah penggunaan distribusi log Pearson III:

1. Ubah data ke dalam bentuk logaritmis, y = log x , dimana x = 10 y
2. Hitung nilai rata-rata:
n
∑ yi
y = i =1
n
3. Hitung nilai deviasi standar:
0 ,5
 n 2
 ∑ ( yi − y ) 
s y =  i =1 
 n −1 
 
 
4. Hitung koefisien skewness:

n
n ∑ ( yi − y ) 3
i =1
Cs =
( n − 1)( n − 2) s y 3
5. Hitung logaritma hujan atau banjir dengan periode ulang T tahun dengan
persamaan:
yT = y + K T s y (5.17)
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
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.
yT = 2 = 2,02 + (- 0,027 x 0,093) = 2,015 R24,T = 2 = 102,015 = 103,51 mm

yT =5 = 2,02 + (0,832 x 0,093) = 2,095 R24,T =5 = 102,095 = 124,45 mm
yT =10 = 2,02 + (1,296 x 0,093) = 2,141 R24,T =10 = 102,141 = 138,36 mm
yT =20 = 2,02 + (1,637 x 0,093) = 2,170 R24,T =20 = 102,170 = 147,91 mm
yT =50 = 2,02 + (2,141 x 0,093) = 2,217 R24,T =50 = 102,217 = 164,82 mm
Tabel 5.8. Nilai KT untuk distribusi log Pearson III (kemencengan positif)
Tabel 5.9. Nilai KT untuk distribusi log Pearson III (kemencengan negatif)
5.4.4. Distribusi Gumbel
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 
dimana α = 6s x / π , dan u = x − 0,5772α .
Fungsi CDF untuk distribusi Gumbel dinyatakan sebagai:
  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)
Faktor frekuensi KT untuk distribusi Gumbel dapat dinyatakan dalam persamaan:
YTr − Yn
KT = (5.23)
Sn
dengan:
Yn : reduced mean yang tergantung jumlah sampel/data n

Sn : reduced standard deviation yang juga tergantung pada jumlah data n
YTr : reduced variate, yang dapat dihitung dengan persamaan berikut.
 T −1
YTr = − ln − ln r  (5.24)
 Tr 
Substitusikan persamaan (5.23) ke dalam persamaan (5.22), maka akan diperoleh

persamaan berikut:
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
Tabel 5.10. Reduced mean, Yn dan Reduced standard deviation, S n fungsi n
Tabel 5.11. Reduced variate, YTr sebagai fungsi periode ulang
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  
Untuk menyatakan periode ulang T menggunakan faktor frekuensi K T , persamaan di

atas dapat ditulis ulang sebagai:
1
T= (5.27)
   πK  
1 − exp − exp −  γ + T  
   6  
dengan γ = 0,5772 . Ketika xT = x , faktor frekuensi KT = 0 dan persamaan (5.27)

memberikan nilai T = 2,33 tahun . Nilai tersebut merupakan periode ulang dari rata-rata
distribusi Gumbel.
Contoh 5.5
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
Deviasi standar, sx = 23,34 mm
Dari Tabel 5.10, untuk n = 74 diperoleh Yn = 0,5557 dan S n = 1,189 . Sehingga:
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
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
5.5. Uji Kecocokan (Testing of Goodness of Fit)
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).
5.5.1. Uji Chi-Kuadrat
Pada dasarnya uji chi-kuadrat merupakan pengecekan terhadap penyimpangan rata-rata

dari data yang dianalisis berdasarkan distribusi probabilitas terpilih. Penyimpangan
tersebut diukur dari perbedaan antara nilai probabilitas setiap variat x menurut hitungan
dengan pendekatan empiris. Persamaan yang digunakan adalah sebagai berikut:
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)
Tabel 5.12. Nilai χ 2 kritik untuk distribusi chi-kuadrat

α
υ
0.950 0.050 0.025 0.010 0.005
1 0.004 3.841 5.024 6.635 7.879
2 0.103 5.991 7.378 9.210 10.597
3 0.352 7.815 9.348 11.345 12.838
4 0.711 9.488 11.143 13.277 14.860
5 1.145 11.070 12.833 15.086 16.750
6 1.635 12.592 14.449 16.812 18.548
7 2.167 14.067 16.013 18.475 20.278
8 2.733 15.507 17.535 20.090 21.955
9 3.325 16.919 19.023 21.666 23.589
10 3.940 18.307 20.483 23.209 25.188
11 4.575 19.675 21.920 24.725 26.757
12 5.226 21.026 23.337 26.217 28.300
13 5.892 22.362 24.736 27.688 29.819
14 6.571 23.685 26.119 29.141 31.319
15 7.261 24.996 27.488 30.578 32.801
Prosedur uji chi-kuadrat untuk masing-masing distribusi probabilitas dijelaskan secara

rinci di bawah ini.
1. Distribusi Normal
Penjelasan uji chi-kuadrat untuk distribusi normal ditunjukkan dalam Tabel 5.13 sebagai
berikut.
Tabel 5.13. Tahapan uji chi-kuadrat untuk distribusi normal

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 K T menggunakan persamaan (5.11) atau menggunakan
Tabel 5.4. Hitung juga rentang variat x menggunakan persamaan
(5.8).
Tahap 4 Hitung frekuensi teoritik (yang diharapkan) untuk setiap kelasnya.
Tahap 5 Hitung frekuensi terukur/terbaca berdasarkan rentang variat x
melalui pembacaan seri data.
Tahap 6 Hitung nilai chi-kuadrat χ i 2 untuk setiap kelas menggunakan
persamaan (5.28b) . Hitung juga jumlah chi-kuadrat χ 2 menggunakan
persamaan (5.28a).
Tahap 7 Tentukan nilai chi-kritik χ 2 kritik menggunakan Tabel 5.12.
Tahap 8 Bandingkan χ 2 dengan χ 2 kritik . Jika χ 2 < χ 2 kritik , maka
hipotesis bahwa seri data mengikuti distribusi normal diterima.
Namun jika χ 2 ≥ χ 2 kritik , maka hipotesis ditolak.
2. Distribusi Log Normal
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 .
Tabel 5.14. Tahapan uji chi-kuadrat untuk distribusi log normal

frekuensi K T menggunakan persamaan (5.11) atau menggunakan
Tabel 5.4. Hitung juga rentang variat y menggunakan persamaan
(5.15).
Tahap 4 Tentukan rentang variat x menggunakan persamaan x = 10 y untuk
y = log x atau x = exp( y ) untuk y = ln x .
persamaan (5.28a).
hipotesis bahwa seri data mengikuti distribusi log normal diterima.
3. Distribusi Log Pearson III
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
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 .

persamaan (5.28a).
hipotesis bahwa seri data mengikuti distribusi log Pearson III
diterima. Namun jika χ 2 ≥ χ 2 kritik , maka hipotesis ditolak.
4. Distribusi Gumbel
Penjelasan uji chi-kuadrat untuk distribusi Gumbel ditunjukkan dalam Tabel 5.16 di
bawah ini. Untuk distribusi Gumbel digunakan variat x .
Tabel 5.16. Tahapan uji chi-kuadrat untuk distribusi Gumbel

frekuensi K T menggunakan persamaan (5.26) dengan T = 1 / p .
Tahap 4 Tentukan rentang variat x menggunakan persamaan (5.22)
persamaan (5.28a).
hipotesis bahwa seri data mengikuti distribusi Gumbel diterima.
5.5.2. Uji Smirnov-Kolmogorov
Uji Smirnov-Kolmogorov dilakukan dengan menghitung nilai selisih probabilitas tiap

variat x menurut distribusi empirik dan teoritik, yaitu ∆ i . Nilai ∆ i maksimum harus
lebih kecil dari nilai ∆ kritik yang dapat ditentukan berdasarkan Tabel 5.17. Selisih
probabilitas untuk uji Smirnov-Kolmogorov ditulis sebagai:
∆i = pempirik − pteoritik (5.30)

i
dengan:
pempirik : probabilitas empirik
pteoritik : probabilitas teoritik berdasarkan distribusi terpilih
Probabilitas empirik dapat dihitung menggunakan persamaan Weibull sebagai berikut.
m
pempirik = (5.31)
n +1
dengan:
m : nomor urut data
n : jumlah data
Tabel 5.17. Nilai ∆ kritik untuk uji Smirnov-Kolmogorov

n/α 0,20 0,15 0,10 0,05 0,01
1 0,900 0,925 0,950 0,975 0,995
2 0,684 0,726 0,776 0,842 0,929
3 0,565 0,597 0,642 0,708 0,829
4 0,494 0,525 0,564 0,642 0,734
5 0,446 0,474 0,510 0,563 0,669
6 0,410 0,436 0,470 0,521 0,618
7 0,381 0,405 0,438 0,486 0,577
8 0,358 0,381 0,411 0,457 0,543
9 0,339 0,360 0,388 0,432 0,514
10 0,322 0,342 0,368 0,409 0,486
11 0,307 0,326 0,352 0,391 0,468
12 0,295 0,313 0,338 0,375 0,450
13 0,284 0,302 0,325 0,361 0,433
14 0,274 0,292 0,314 0,349 0,418
15 0,266 0,283 0,304 0,338 0,404
16 0,258 0,274 0,295 0,328 0,391
17 0,250 0,266 0,286 0,318 0,380
18 0,244 0,259 0,278 0,309 0,370
19 0,237 0,252 0,272 0,301 0,361
20 0,231 0,246 0,264 0,294 0,352
25 0,210 0,220 0,240 0,264 0,320
30 0,190 0,200 0,220 0,242 0,290
35 0,180 0,190 0,210 0,230 0,270
Persamaan asistot: 1,07 / n 1,14 / n 1,22 / n 1,36 / n 1,63 / n
Prosedur uji Smirnov-Kolmogorov untuk masing-masing distribusi probabilitas

dijelaskan secara rinci di bawah ini.
Penjelasan uji Smirnov-Kolmogorov untuk distribusi normal ditunjukkan dalam Tabel

5.18 sebagai berikut.
Tabel 5.18. Tahapan uji Smirnov-Kolmogorov untuk distribusi normal

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 x yang telah diurutkan.
Tahap 4 Hitung faktor frekuensi K T untuk setiap variat x menggunakan
persamaan (5.6).
Tahap 5 Tentukan probabilitas teoritik setiap variat x 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 normal diterima.
Namun jika ∆i maks ≥ ∆ kritik , maka hipotesis ditolak.
Penjelasan uji Smirnov-Kolmogorov untuk distribusi normal ditunjukkan dalam Tabel

5.19. Pada dasarnya tahapan uji Smirnov-Kolmogorov untuk distribusi log normal sama
dengan distribusi normal, hanya saja digunakan variat y , dimana y = log x atau y = ln x .
Tabel 5.19. Tahapan uji Smirnov-Kolmogorov untuk distribusi log normal

setiap variat y yang telah diurutkan.
Tahap 4 Hitung faktor frekuensi K T untuk setiap variat y menggunakan
persamaan (5.15).
Tahap 5 Tentukan probabilitas teoritik setiap variat y menggunakan
persamaan (5.10a).
hipotesis bahwa seri data mengikuti distribusi log normal diterima.
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
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).
hipotesis bahwa seri data mengikuti distribusi log Pearson III
diterima. Namun jika ∆i maks ≥ ∆ kritik , maka hipotesis ditolak.
Penjelasan uji Smirnov-Kolmogorov untuk distribusi Gumbel ditunjukkan dalam Tabel
5.21 sebagai berikut.
Tabel 5.21. Tahapan uji Smirnov-Kolmogorov untuk distribusi normal

setiap variat x yang telah diurutkan.
Tahap 4 Hitung faktor frekuensi K T untuk setiap variat x menggunakan
persamaan (5.22).
Tahap 5 Tentukan probabilitas teoritik setiap variat x menggunakan
persamaan (5.27) dengan p = 1 / T .

hipotesis bahwa seri data mengikuti distribusi Gumbel diterima.
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
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 R24 ≥ 126,18 14,80 14 0,043
2 0,20 R24 ≥ 112,41 14,80 14 0,043
3 0,40 R24 ≥ 100,74 14,80 10 1,557
4 0,60 R24 ≥ 86,96 14,80 22 3,503
5 0,80 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).
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
Dari hasil uji Smirnov-Kolmogorov untuk distribusi normal, diperoleh nilai ∆ i

maksimum adalah sebesar 0,091. Nilai ∆ kritik diperoleh menggunakan Tabel 5.17,
dimana untuk α = 0,05 dan n = 74 , ∆ kritik = 1,36 / 740,5 = 0,158 . Karena ∆ i maks <
∆ kritik , maka distribusi normal diterima.
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.
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 R24 ≥ 125,89 14,80 14 0,043
2 0,20 R24 ≥ 109,65 14,80 15 0,003
3 0,40 R24 ≥ 97,72 14,80 13 0,219
4 0,60 R24 ≥ 87,10 14,80 14 0,043
5 0,80 R24 ≥ 48,98 14,80 18 0,692
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
6 142 2,15 0,080 0,077 0,003 43 97 1,99 0,573 0,640 0,066

7 136 2,13 0,093 0,111 0,018 44 97 1,99 0,587 0,640 0,053
8 136 2,13 0,107 0,111 0,004 45 96 1,98 0,600 0,658 0,058
9 130 2,11 0,120 0,156 0,036 46 95 1,98 0,613 0,675 0,062
10 130 2,11 0,133 0,156 0,023 47 95 1,98 0,627 0,675 0,049
11 130 2,11 0,147 0,156 0,010 48 95 1,98 0,640 0,675 0,035
12 130 2,11 0,160 0,156 0,004 49 94 1,97 0,653 0,693 0,040
13 130 2,11 0,173 0,156 0,017 50 94 1,97 0,667 0,693 0,026
14 128 2,11 0,187 0,174 0,012 51 93 1,97 0,680 0,710 0,030
15 125 2,10 0,200 0,204 0,004 52 92 1,96 0,693 0,727 0,034
16 125 2,10 0,213 0,204 0,009 53 92 1,96 0,707 0,727 0,021
17 125 2,10 0,227 0,204 0,023 54 91 1,96 0,720 0,744 0,024
18 124 2,09 0,240 0,215 0,025 55 90 1,95 0,733 0,760 0,027
19 124 2,09 0,253 0,215 0,038 56 89 1,95 0,747 0,776 0,029
20 123 2,09 0,267 0,226 0,041 57 87 1,94 0,760 0,807 0,047
21 122 2,09 0,280 0,238 0,042 58 87 1,94 0,773 0,807 0,033
22 120 2,08 0,293 0,262 0,031 59 87 1,94 0,787 0,807 0,020
23 119 2,08 0,307 0,275 0,032 60 87 1,94 0,800 0,807 0,007
24 118 2,07 0,320 0,288 0,032 61 85 1,93 0,813 0,835 0,022
25 118 2,07 0,333 0,288 0,045 62 85 1,93 0,827 0,835 0,008
26 116 2,06 0,347 0,316 0,030 63 85 1,93 0,840 0,835 0,005
27 115 2,06 0,360 0,331 0,029 64 85 1,93 0,853 0,835 0,018
28 115 2,06 0,373 0,331 0,042 65 85 1,93 0,867 0,835 0,032
29 110 2,04 0,387 0,409 0,022 66 83 1,92 0,880 0,861 0,019
30 109 2,04 0,400 0,426 0,026 67 80 1,90 0,893 0,896 0,002
31 108 2,03 0,413 0,443 0,029 68 80 1,90 0,907 0,896 0,011
32 106 2,03 0,427 0,477 0,051 69 77 1,89 0,920 0,924 0,004
33 106 2,03 0,440 0,477 0,037 70 75 1,88 0,933 0,940 0,007
34 105 2,02 0,453 0,495 0,042 71 72 1,86 0,947 0,960 0,013
35 104 2,02 0,467 0,513 0,046 72 71 1,85 0,960 0,965 0,005
36 103 2,01 0,480 0,531 0,051 73 67 1,83 0,973 0,981 0,008
37 102 2,01 0,493 0,549 0,055 74 67 1,83 0,987 0,981 0,005
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.
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
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 R24 ≥ 125,14 14,80 14 0,043
2 0,20 R24 ≥ 109,92 14,80 15 0,003
3 0,40 R24 ≥ 98,67 14,80 13 0,219
4 0,60 R24 ≥ 87,54 14,80 14 0,043
5 0,80 R24 ≥ 65,01 14,80 18 0,692
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
21 122 2,09 0,280 0,242 0,038 58 87 1,94 0,773 0,808 0,035

22 120 2,08 0,293 0,268 0,026 59 87 1,94 0,787 0,808 0,021
23 119 2,08 0,307 0,281 0,025 60 87 1,94 0,800 0,808 0,008
24 118 2,07 0,320 0,295 0,025 61 85 1,93 0,813 0,835 0,021
25 118 2,07 0,333 0,295 0,038 62 85 1,93 0,827 0,835 0,008
26 116 2,06 0,347 0,324 0,023 63 85 1,93 0,840 0,835 0,005
27 115 2,06 0,360 0,339 0,021 64 85 1,93 0,853 0,835 0,019
28 115 2,06 0,373 0,339 0,034 65 85 1,93 0,867 0,835 0,032
29 110 2,04 0,387 0,420 0,033 66 83 1,92 0,880 0,859 0,021
30 109 2,04 0,400 0,436 0,036 67 80 1,90 0,893 0,892 0,001
31 108 2,03 0,413 0,454 0,040 68 80 1,90 0,907 0,892 0,014
32 106 2,03 0,427 0,488 0,062 69 77 1,89 0,920 0,920 0,000
33 106 2,03 0,440 0,488 0,048 70 75 1,88 0,933 0,936 0,002
34 105 2,02 0,453 0,506 0,053 71 72 1,86 0,947 0,955 0,008
35 104 2,02 0,467 0,524 0,057 72 71 1,85 0,960 0,960 0,000
36 103 2,01 0,480 0,541 0,061 73 67 1,83 0,973 0,977 0,004
37 102 2,01 0,493 0,559 0,066 74 67 1,83 0,987 0,977 0,010
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.
Untuk p = 0,20 , dimana T = 1 / 0,20 = 5 tahun dan menggunakan persamaan (5.26),

diperoleh KT = 0,719 . Dengan demikian, rentang hujan untuk rentang probabilitas
tersebut adalah R24 = 106,57 + (0,719 x 23,34 ) = 123,37 mm . Untuk rentang probabilitas
lainnya dapat dilakukan cara yang sama seperti yang telah dijelaskan di atas.
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 R24 ≥ 123,37 14,80 19 1,192
2 0,20 R24 ≥ 108,29 14,80 11 0,976
3 0,40 R24 ≥ 97,65 14,80 12 0,530
4 0,60 R24 ≥ 87,39 14,80 14 0,043
5 0,80 R24 ≥ 60,87 14,80 18 0,692
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
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
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) .
5.6. Plot Probabilitas
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.
5.6.1. Kertas Probabilitas
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.
5.6.2. Posisi Plot
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
Namun, persamaan sederhana di atas (dikenal sebagai persamaan California)

menghasilkan probabilitas 100 persen ( P( X ≥ xm ) = 1,00 ) yang tidak mudah diplotkan
pada skala probabilitas. Sebagai penyesuaian, persamaan di atas dapat dimodifikasi
menjadi:
Hidrologi Teknik V.
V Analisis Frekuensi
Gambar 5.3. Kertas probabilitas distribusi normal
Gambar 5.4. Contoh plot data pada kertas probabilitas distribusi normal
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
dengan n mengacu pada jumlah tahun dalam periode pencatatan/perekaman.
Persamaan posisi plot yang banyak digunakan direpresentasikan dalam persamaan

berikut.
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,
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).

Analisis Frekuensi PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Analisis Frekuensi PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

Hidrologi Teknik V.

Sistem hidrologi kadang-kadang dipengaruhi oleh peristiwa-peristiwa yang luar biasa

5.1. Periode Ulang

M. Baitullah Al Amin V-2

Interval kejadian ulang rata-rata E (τ ) atau periode ulang T dinyatakan sebagai:

Sebagai contoh, probabilitas debit maksimum tahunan di Sungai Guadalupe akan

P( X < xT setiap tahun untuk N tahun) = (1 − p ) N

Komplemen dari kondisi di atas merupakan kondisi yang dibutuhkan (probabilitas

P( X ≥ xT paling tidak sekali dalam N tahun) = 1 − (1 − p ) N (5.3)

Perkirakan probabilitas debit maksimum tahunan Q di Sungai Guadalupe akan

M. Baitullah Al Amin V-3

5.2. Seri Data Hidrologi

1. Seri data parsial (partial duration series)

2. Seri data maksimum tahunan (annual maximum series)

M. Baitullah Al Amin V-4

Gambar 5.2. Seri data hidrologi

5.3. Parameter Statistik

Tabel 5.3. Parameter statistik untuk analisis frekuensi

M. Baitullah Al Amin V-5

5.4. Distribusi Probabilitas

5.4.1. Distribusi Normal

dengan x adalah variabel random dan f (x ) adalah fungsi PDF.

Apabila variabel x ditulis dalam bentuk berikut:

Maka persamaan (5.5) menjadi:

Persamaan (5.6) dapat ditulis dalam bentuk:

M. Baitullah Al Amin V-6

Fungsi cumulative distribution function (CDF) dapat diturunkan dengan mengintegralkan

Dimana F (z ) adalah probabilitas kumulatif. Dalam pemakaian praktis, biasanya untuk

dimana z adalah nilai absolut z dan untuk distribusi normal standar:

F ( z) = B untuk z < 0 (5.10b)

M. Baitullah Al Amin V-7

Tabel 5.4. Probabilitas kumulatif distribusi normal standar

M. Baitullah Al Amin V-8

2,515517 + 0,802853w + 0,010328w2

Tabel 5.5. Nilai K T untuk distribusi normal

M. Baitullah Al Amin V-9

Tabel 5.6. Data hujan maksimum harian dari stasiun Ngemplak

No Tahun R24 (mm) No Tahun R24 (mm) No Tahun R24 (mm)

Parameter statistik dari data hujan harian maksimum di atas adalah:

R24,T = 2 = 106,57 + 0,00 x 23,34 = 106,57 mm

5.4.2. Distribusi Log Normal

Fungsi CDF dapat diturunkan dengan mengintegralkan persamaan (5.13) sehingga:

Tabel 5.7. Data hujan maksimum harian dari stasiun Ngemplak

No Tahun x (mm) y = log x No Tahun x (mm) y = log x No Tahun x (mm) y = log x

Parameter statistik dari data hujan harian maksimum di atas adalah:

yT = 2 = 2,02 + 0,00 x 0,093 = 2,018

R24,T = 2 = 102,018 = 104,17 mm

5.4.3. Distribusi Log Pearson III

dimana y = log x , λ = s y / β , β = [2 / Cs ( y )]2 , dan ∈= y − s y β . Nilai Cs ( y )

Berikut ini langkah-langkah penggunaan distribusi log Pearson III:

4. Hitung koefisien skewness:

Parameter statistik dari data hujan harian maksimum di atas adalah:

yT = 2 = 2,02 + (- 0,027 x 0,093) = 2,015 R24,T = 2 = 102,015 = 103,51 mm

yT =50 = 2,02 + (2,141 x 0,093) = 2,217 R24,T =50 = 102,217 = 164,82 mm

5.4.4. Distribusi Gumbel

dimana α = 6s x / π , dan u = x − 0,5772α .

Fungsi CDF untuk distribusi Gumbel dinyatakan sebagai:

Faktor frekuensi KT untuk distribusi Gumbel dapat dinyatakan dalam persamaan:

Yn : reduced mean yang tergantung jumlah sampel/data n

Substitusikan persamaan (5.23) ke dalam persamaan (5.22), maka akan diperoleh

Tabel 5.10. Reduced mean, Yn dan Reduced standard deviation, S n fungsi n

Tabel 5.11. Reduced variate, YTr sebagai fungsi periode ulang

Untuk menyatakan periode ulang T menggunakan faktor frekuensi K T , persamaan di