Analisis

Frekuensi
0.01 0.1 0.5 1 2 5 10 20 30 40 50 60 70 80 90 95 98 99 99.5 99.9 99.99
ANALISIS FREKUENSI
Digunakan untuk menetapkan besaran hujan
atau debit dengan kala ulang tertentu.
Dapat dilakukan untuk seri data yang diperoleh
dari rekaman data baik data hujan/debit.
Didasarkan pada sifat statistik data yang
tersedia untuk memperoleh probabilitas besaran
hujan/debit di masa yang akan datang.
Digunakan asumsi bahwa sifat statistik tidak
berubah/sama (stationer).
Kala ulang ditakrifkan sebagai waktu hipotetik di
mana hujan atau debit dengan suatu besaran
tertentu akan disamai atau dilampaui sekali dalam
jangka waktu tersebut.
1 2 3 2 2 1 3 1 2 1 1

QT Q = 50 m3/dt

1 2 3 . . . . 18 19 20
Tahun ke
QT = 50 m3/dt.
T = [ 1+2+3+2+2+1+3+1+2+1+1] / 11 = 1,73 tahun.
 PENGERTIAN KALA ULANG BERBASIS
FUNGSI DISTRIBUSI PROBABILITAS
PDF dan Kala Ulang (T)
Dist. Normal ?
Dist. Log Normal ?
Kurva fungsi hub. prob. (p) & debit (Q)
(Fungsi distribusi probabilitas)
Dist. Gumbel ? p = f(Q)
Dist. Pearson III ?
Dist. Lainnya?
Ordinat = p = probabilitas
kejadian debit = Q1
Luas bawah kurva bagian
kiri = prob. Q≤Q1

Q1
Absis = variat (nilai data hidrologi, P atau Q)

Prob. kejadian Q≥Q1 tiap tahun = 1/T

“Kejadian Q≥Q1 terulang rata-rata setiap T tahun sekali”
 PENGERTIAN KALA ULANG BERBASIS
FUNGSI DISTRIBUSI PROBABILITAS
Contoh analisis banjir rancangan
1. Mencari nilai/posisi suatu variat QT dimana luas area kanan
(Q ≥QT) = 1/T.
2. Hub. antara posisi QT dengan luas kumulatif kiri
(= 1-Luas area kanan) tergantung bentuk fungsi PDF.
3. Luas kumulatif area kiri dinyatakan sebagai CDF.
4. Berarti bentuk CDF tergantung fungsi PDF.
5. Bagaimana pendekatan gambar grafik CDF ?
6. Setiap fungsi PDF (dugaan) akan membentuk kurva spesifik.
7. CDF dugaan valid jika sebaran data cukup dekat dengan kurva
teoritis CDF dari distribusi.
8. Ukuran kedekatan dengan uji Smirnov Kolmogorov & Chi Square.
 PENGERTIAN KALA ULANG BERBASIS
FUNGSI DISTRIBUSI PROBABILITAS
Bagaimana ploting sebaran data (dibandingkan dengan kurva CDF) ?
CDF

CDF
Prob. Q ≤QT Prob. Q ≤QT

QT QT
Plotting pd. grafik skala linier Plotting pd. Grafik modified scale

• 1. Kurva CDF digambar sesuai fungsi distribusi teoritisnya.

• 2. Plotting posisi data (nilai CDF) digunakan rumus empiris.
• 3. Observasi apakah plotting sebaran data cukup dekat kurva CDF.
 PENGERTIAN KALA ULANG BERBASIS
FUNGSI DISTRIBUSI PROBABILITAS
Bagaimana ploting sebaran data (dibandingkan dengan kurva CDF) ?

Misal rumus empiris CDF Weibull

(berlaku umum tdk. tergantung
CDF = Prob. Q≤Qm

B jenis distribusi):

Prob. Q≤Qm = m/(n+1)

m = nomor urut data kecil ke besar
A n = jumlah data

Misal distribusi Normal:

Qm
Q 1  Qm   2 
P  exp  
Plotting modified scale  2    2 2

• Untuk menarik kurva CDF plot 2 titik yang melalui kurva.
• Gunakan sifat statistik distribusi Normal (mean & deviasi standar).
Penetapan seri data dapat dilakukan dengan:
Mengambil satu data maksimum setiap
tahun (maximum annual series).
Ini berarti bahwa besaran maximum kedua
dalam suatu tahun mungkin lebih besar dari
maksimum data tahun yang lain tidak
diperhitungkan pengaruhnya, untuk itu
dipakai cara “partial series”.
Partial series (peak over threshold) dengan
menetapkan suatu batas bawah tertentu
dengan pertimbangan-pertimbangan tertentu.
Khusus untuk analisis data hujan, dalam praktek
terdapat beberapa cara penyiapan data (hujan
rata-rata DAS) sebagai berikut :
1. Data hujan DAS diperoleh dengan menghitung
hujan rata-rata setiap hari sepanjang data yang
tersedia (cara terbaik).
2. Dalam satu tahun tertentu, untuk sta. I dicari hujan
maksimum tahunannya. Selanjutnya dicari hujan untuk
stasiun lainnya pada waktu yang sama, selanjutnya
dihitung hujan rata-rata DAS. Masih dalam tahun yang
sama, dicari hujan maksimum tahunan untuk sta. II, dan
dicari hujan di stasiun lainnya pada waktu yang sama dan
dicari rata-ratanya. Prosedur yang sama untuk stasiun
lainnya dan untuk tahun-tahun berikutnya.
3. Menggunakan data pada salah satu stasiun ( data
maksimum) dan mengalikan data tersebut dengan
koefisien reduksi.
4. Merata-ratakan hujan maksimum pada seluruh
stasiun pada setiap tahun (sebaiknya cara ini tidak
digunakan).
5. Analisis frekuensi data hujan setiap stasiun
sepanjang data yang ada. Hasil analisis frekuensi
tersebut selanjutnya dirata-ratakan sebagai hujan
rata-rata DAS (sebaiknya cara ini tidak
digunakan).
Jenis Agihan (Distribusi) Probabilitas
Dalam statistik dikenal beberapa jenis distribusi
(agihan) frekuensi dan yang banyak digunakan
dalam hidrologi yaitu :
1. agihan Normal
2. agihan Log-normal
3. agihan Log-pearson III
4. agihan Gumbel
Masing-masing agihan memiliki sifat-sifat khas
sehingga setiap data hidrologi harus diuji
kesesuaiannya dengan sifat statistik masing-
masing agihan tersebut.
Pemilihan agihan yang tidak benar dapat
mengundang kesalahan perkiraan yang cukup
besar baik overestimated maupun underestimated.

Analisis frekuensi data hidrologi menuntut syarat

tertentu terhadap data tersebut, yaitu :
a. Seragam (homogeneous)
Data harus berasal dari populasi yang sama (sta.
pengumpul data tidak berubah, DAS tak
berubah, tak ada gangguan lain yang
menyebabkan sifat data berubah)
b. Mewakili (representative) untuk perkiraan
kejadian yang akan datang. Tidak terjadi
perubahan secara besar-besaran (stationer).
c. Independence, data ekstrim tidak terjadi
lebih dari sekali.

Urutan yang lazim dilakukan dalam analisis

frekuensi:
1. Hitung beberapa parameter statistik data
yang bersangkutan ( X , s, Cv, Cs, Ck)
 2. Berdasar nilai statistik tersebut, perkirakan
agihan yang sesuai.
3. Data diurutkan dari kecil ke besar (atau
_
x sebaliknya).
4. Data digambarkan pada kertas probabilitas.
5. Tarik garis teoritik pada gambar tersebut,
selanjutnya dilakukan pengujian dengan Chi-
kuadrat dan Smirnov-Kolmogorov.

Bila tidak sesuai dengan kriteria pengujian, ulangi

dengan agihan yang lain.
Distribusi Normal
Distribusi Log Normal atau Log Pearson III
Distribusi Gumbel
Analisis Data hujan titik
Frekuensi (Sta)

Hujan
Hujan DAS

Pemilihan data
Partial series or
Annual maximum series

Data hujan maximum

Diurutkan/diranking

Parameter statistik
x, s, Cv, Cs, Ck
 Pemilihan jenis sebaran
Normal: Cs~0
log normal:(Cs/Cv)~3.0
Gumbel: Cs~1.14; Ck~5.4
log pearson

Plotting pada kertas probabilitas

Plotting grs. teoritis: X T  X  K . S

Pengujian:
- smirnov kolmogorov
- chi kuadrat

sebaran terpilih

Hujan rencana (Design Rainfall)

Analisis Frequensi Data Debit

Pengamatan Pengukuran
papan duga/AWLR debit
(H vs t) Q = V. A

Rating curve
(H vs Q)

Discharge hidrograph
(Q vs t)

Data debit puncak

hidrograph
 Pemilihan data
Partial series
Annual naximum series

Analisis frequensi
data debit maksimum

Banjir rencana
(Design Flood)
Parameter Statistik
n
Nilai rata  rata, x 
n
 x
i 1
i

1/ 2
 1 n
2
Sta ndard deviation, s   
 n  1 i 1
( xi  x ) 


s
Koefisien var iasi , CV 
x

n
n ( xi  x ) 3
Koefisien skewness, Cs  i 1
(n  1)(n  2) s 3
Tahun Tinggi hujan (mm) Tahun Tinggi hujan (mm)
1971 82 1982 86
1972 83 1983 132
1973 81 1984 140
1974 86 1985 152
1975 48 1990 80
1977 48 1991 65
1978 40 1992 117
1979 52 1993 131
1980 60 1994 97
1981 68

Jumlah Data = 19
Nilai Rerata (Mean) = 86.737
Standar Deviasi = 33.476
Koefisien Variasi = 0.386
Koefisien Skewness = 0.564
Koefisien Kurtosis = -0.689
No Prob = 100m/N+1) P (mm)
1 5 40
2 10 48
3 15 48
4 20 52
5 25 60
6 30 65
7 35 68
8 40 80
9 45 81
10 50 82
11 55 83
12 60 86
13 65 86
14 70 97
15 75 117
16 80 131
17 85 132
18 90 140
19 95 152
0.01 0.1 0.5 1 2 5 10 20 30 40 50 60 70 80 90 95 98 99 99.5 99.9 99.99
Tabel Perhitungan Uji Chi Kuadrat

Jml Kelas Probabilitas (%) Ef Of Ef – Of (Ef – Of)2/Ef

5 Px < 21 4 5 -1 0.25
21<=Px<42 4 2 2 1.00

42<=Px<63 4 6 -2 1.00

63<=Px<84 4 2 2 1.00

84<=Px<100 3 4 -1 0.33

19 19 Chi Kuadrat = 3.58

Derajat Kebebasan (DK) P= jumlah parameter distribusi

DK = K – (P +1)
K = jumlah kelas
Chi Kritik = 5.9915 Diterima
Rumus empiris umum: X T  X  KT S
XT nilai hujan besaran hidrologi (hujan atau
debit) dengan kala ulang T tahun.
KT yang merupakan faktor frekuensi dapat
diperoleh dalam Tabel atau rumus
pendekatan misal:
Agihan Gumbel (EV I):

6  T 
KT  0.5772  ln ln( )
   T  1 
Penggambaran garis teoritis

T K XT 1/T (%)
2 -0.174 80.1 50

10 1.307 130.5 10

100 3.160 192.5 1

X T  X  KT S