Masimin
Jurusan Teknik Sipil, Fakultas Teknik, Universitas Syiah Kuala
Jl. Tgk. Syeh Abdul Rauf No. 7, Darussalam Banda Aceh 23111, Email: masimin_mas@yahoo.com
Abstract: Study on rainfall design was conducted by using a time base – annual daily
maximum rainfall. A preliminary test was applied to the data set for independency and
homogeneity and also for outliers. The probability weighted moments (PWM) was used as a
method in frequency analysis and the result was used to define a temporal hourly rainfall
distribution. The identification for data distribution showed that the data set tended to follow
the Lognormal (LN) and Generalized Extreme Values (GEV) distributions. By using a Peak
Block method, a 24 hours of rainfall duration scale consisted of two-sequence rainfall events
that the first rainfall peak was reached on the 4th hours and the second rainfall peak was on
the 18th hours. The structure of this temporal rainfall distribution, more over, can be used as
an input data for the work of flood modelling.
Keywords : temporal distribution, probability weighted moments, peak block
Abstrak: Studi perancangan curah hujan dilakukan dengan menggunakan data ’time base’ curah hujan
harian maksimum tahunan. Pengujian awal data dilakukan untuk uji independensi, homogeneitas dan
data luar (outliers). Metode ’probability weighted moments’ (PWM) diterapkan dalam analisa frekuensi
dan hasilnya digunakan untuk menentukan distribusi waktu curah hujan jam-jaman. Identifikasi
distribusi menunjukkan bahwa data set cenderung cocok untuk mengikuti distribusi Lognormal (LN)
dan distribusi ’Generalized Extreme Values’ (GEV). Dengan menggunakan metode ’Peak Block’ ,
selama 24 jam terjadi dua hujan yang berurutan dengan puncak hujan pertama dicapai pada jam ke 4
dan puncak hujan kedua terjadi pada jam ke 18. Struktur distribusi waktu curah hujan ini selanjutnya
dapat digunakan sebagai data masukan pada kegiatan pemodelan banjir.
Salah satu komponen pada pengembangan yang lebih realistik pada pemodelan hujan-
sumber daya air adalah perilaku banjir, limpasan (rainfall-runoff model).
yang bukan saja identifikasi besarnya Dalam studi ini, data curah hujan
puncak banjir akan tetapi juga waktu harian maksimum tahunan dari Sta.107C
puncak dan bentuk hidrografnya. Sesuai Blang Bintang diambil sebagai data olahan.
anggapan bahwa hujan maksimum akan Panjang pencatatan data adalah 28 tahun
memproduksi banjir maksimum, maka (1972-1999) dan secara statistik data
distribusi waktu curah hujan yang tersebut layak untuk digunakan. Sebelum
menunjukkan variabilitas curah hujan perlu dianalisa, maka data perlu dilakukan uji
diadopsi dalam desain curah hujan statistik untuk mengetahui independensi
rancangan. Hasil rancangan ini dimaksud- dan homogeneitas data serta kemungkinan
kan untuk menyediakan data masukan adanya data luar (outliers).
1 n
⎛n − i⎞ ⎛ n − 1⎞
M 1,0,s = α s = ∫ x( F )(1 − F ) s dF (2) as = 1
n ∑ ⎜⎜
i =1 ⎝ s ⎠
⎟⎟ xi / ⎜⎜ ⎟⎟ (8)
0 ⎝ s ⎠
1
M 1,r ,0 = β r = ∫ x( F ) F r dF (3) n
⎛ i − 1⎞ ⎛ n − 1⎞
0 br = 1
n ∑ ⎜⎜
i =1 ⎝ r ⎠
⎟⎟ xi / ⎜⎜ ⎟⎟ (9)
⎝ r ⎠
Kedua α s dan β r adalah linear terhadap x
Alternatif lain yang konsisten dan tak bias,
dan biasanya cukup relevan untuk estimasi
posisi plot nilai estimasi dapat diperoleh
parameter. Hubungan antara α s dan β r
dengan menggunakan Rumus (10) dan (11).
adalah seperti pada Rumus (4) dan (5). n
s
⎛s⎞ a s = α̂ s = 1
n ∑ (1 − P i:n ) s xi (10)
α s = ∑ ⎜⎜ ⎟⎟( −1) k β k (4) i =1
k =0 ⎝ k ⎠
n
⎛r⎞
r br = β r = 1
n ∑P r
i:n xi (11)
β r = ∑ ⎜⎜ ⎟⎟( −1) k α k (5) i =1
k =0 ⎝ k ⎠
dengan Pi:n adalah posisi plot. Penggunaan
Parameter L-momen λr +1 diperkenalkan Pi:n = (i – 0.35)/n biasanya dapat memberi-
oleh Hosking et al. (1985) dan Hosking kan estimasi parameter dan kuantil untuk
(1990) dengan membuat fungsi linear distribusi general nilai ekstrim seperti
PWM’s. Disini lebih nyaman untuk distribusi GEV (Hosking et al., 1985),
menggunakan PWM’s kerena memberikan General Pareto (Hosking and Wallis,
interprestasi langsung terhadap besaran 1987a), dan distribusi Wakeby (Lattenmeir
skala dan bentuk distribusi probabilitasnya. et al., 1987). Walaupun demikian Hosking
yang diketahui xi ≤ ... ≤ xn , n > r, dan momen yang analog dengan rasio momen
konfensional seperti ditentukan oleh
nilai n > s maka nilai sampel tak bias
Hosking et al. (1985) dand Hosking (1990)
PWM’s dapat dihitung dengan mengguna-
dalam Rumus (2.7).
kan Rumus (8) dan (9).
τ = λ2 / λ1 dan τ r = λ r / λ 2 ; r ≥ 3 (12)
Struktur distribusi waktu curah hujan menurut Rumus (13a) dengan S dan R
Sebuah anggapan bahwa bentuk adalah nilai standar deviasi dan nilai
segitiga pada distribusi waktu baik men- tengah. Waktu puncak dicari berdasarkan
ceng positif, simetris atau negatif adalah lokasi nilai tengah setelah data disortir dari
sebuah kemungkinan untuk kerangka kecil ke besar seperti pada Rumus (13b)
distribusi curah hujan (Hromadka et al., dimana m R adalah lokasi nilai tengah dan
1987). Sebuah studi untuk mengakomo- N adalah jumlah data.
dasi bukan saja karakteristik puncak hujan PB = S / R (13a) dan t p = m R / N (13b)
tetapi juga untuk mengetahui volume air
Untuk curah hujan yang mempunyai durasi
dilaksanakan oleh beberapa peneliti
panjang dan merupakan multiple hujan maka
(Peyron et al., 2004). Salah satu studi
perlu dipecahkan menjadi beberapa curah
dilakukan untuk hujan 1-jam dengan
hujan karena desain curah hujan diarahkan
menentukan volume puncak berdasarkan
pada curah hujan tunggal.
waktu puncak 25-menit sebagai pusat total
durasi untuk 15 menit dan volume sisanya METODOLOGI
didistribusikan pada bagian awal dan akhir Pengumpulan Data
secara merata (Peyron et al., 2004). Data yang digunakan pada penelitian
Struktur dari distribusi waktu curah ini merupakan data hujan harian maksi-
hujan terdiri dari tiga blok; AB, PB and RB mum tahunan yang merupakan data hasil
dengan kemungkinannya terdiri dari dua pencatatan selama 28 tahun (1972-1999)
blok jika waktu puncak terlalu pendek atau dari Sta.107C Blang Bintang, Banda Aceh.
terlalu panjang dan juga kalau ukuran PB Data tersebut merupakan data ’time base’
adalah terlalu besar. Sebagai contoh struk- yaitu data yang dicatat pada jam tertentu
tur curah hujan yang terdiri dari total setiap harinya.
nilai kritik maka hasil uji dapat diterima. yang cocok untuk data hujan dan hanya
u = (U − U ) /[var(U )]1 / 2 (21) distribusi yang akan digunakan maka
disajikan disini dengan cara analisanya
Uji data luar menggunakan metode PWM’s. Identifika-
Hadirnya data luar dalam set data si dan pemilihan distribusi statistik dilaku-
dapat membuat kesukaran ketika menentu- kan dengan menggunakan metode diagram
kan jenis distribusinya. Kedua jenis data rasio L-momen. Distribusi tersebut adalah
luar baik kecil maupun besar akan LN dan GEV yang struktur distribusinya
membuat efek yang berbeda dalam analisa. memperlihatkan estimasi parameter dan
kuantil yang disajikan secara singkat pada
Uji Grubbs dan Beck (Uji-GB) dapat
bagian berikut.
digunakan untuk mendeteksi data luar
tersebut. Dalam uji ini, nilai xH dan xL Distribusi LN
dihitungan dengan menggunakan Rumus Probabilitas fungsi kerapatan (pdf)
(22) dimana xH dan xL adalah nilai batas dari distribusi LN diberikan seperti pada
atas dan bawah. Rumus (24) seperti dikemukakan oleh
x H = exp( x ± k N S ) (22) Evans et al.. (2000); Balakrishnan dan
Nevzorov (2003).
dengan x dan S adalah nilai tengah dan
standar deviasi dari nilai logaritma natural
{ }
f (x) = 1/(xσ y 2π ) exp− (logx − μy )2 / 2σ y2 (24)
dari sampel. Untuk jumlah sampel N, nilai dimana μ y dan σ y adalah nilai tengah dan
kN dapat ditentukan dengan Rumus (23). standar deviasi dari logaritma natural dari x.
= −3.62201 + 6.28446 N Besarnya nilai μ y dan σ y didapat masing-
1/ 4
kN
− 2.49835 N 1 / 2 + 0.491436 N 3 / 4 (23)
masing dengan Rumus (25) dan (26).
− 0.037911N
σˆ y = 2erf −1 (l2 / l1 ) = 2erf −1 (t ) (25)
Identifikasi Distribusi Data
)
Distribusi statistik dapat ditentukan dengan
μˆ y = log l1 − (σ y2 / 2) (26)
menggunakan metode diagram parameter dimana erf-1(t) didapat dari Rumus (27)
momen statistik (MPD’s) akan tetapi hal dengan F(.) adalah fungsi distribusi normal
ini dapat didapatkan dengan mudah apabila sebagai F = (t+1)/2.
menggunakan diagram rasio parameter L- erf ( x ) = 2 F ( x 2 ) − 1 (27)
momen khusunya kalau distribusinya Estimasi nilai kuantil didapat
menceng. Nilai hubungan untuk memben- dengan menggunakan Rumus (28), dimana
tuk diagram rasio L-momen diberikan oleh nilai u didapat dari Rumus (29) dengan P
Rao dan Hamed (2000) dimana τ 4 dan τ 3 adalah nilai probabilitas, c dan d adalah
diganti dengan L-Ck dan L-Cv. konstanta serta ε (P ) adalah kesalahan
sebesar 0.0045 (Rao dan Hamed, 2000).
Analisa Frekuensi
log xˆT = μˆ y + uσˆ y (28)
Terdapat banyak distribusi statistik
76 - Volume 1 Nomor 1, September 2011
Jurnal Teknik Sipil
Universitas Syiah Kuala
0.10
Pemilihan distribusi statistik yang
akan digunakan bersifat subjektif yaitu
GPAR GLOG GEV
G/P3 LN Data tergantung pada kebijakan dan lokasi
0.00
0.10 0.20 L -Cs 0.30 0.40 pekerjaan. Untuk pekerjaan yang mempu-
Gambar 1: Identifikasi distribusi data nyai resiko tinggi seperti padat penduduk
dan nilai properti didalamnya, maka lebih
Analisa Frekuensi Data Curah Hujan baik digunakan distribusi statistik GEV.
Analisa frekuensi terhadap data curah
400 60
RT = 26.831Ln(T) + 100.95 50
300
43.92
RT (mm) R 2 = 0.9998
200 40
32.15
R (mm)
RT = 15.321Ln(T) + 116.34
100 30
R 2 = 0.9945
15.05
0 20
12.48
11.04
0 20 40 60 80 100
9.13
8.72
7.98
6.51
6.08
6.29
T (Tahun) 10
5.59
4.28 4.28
LN - PWM GEV - PWM
Log. (LN - PWM) Log. (GEV - PWM)
0
Jam
1
24
Gambar 2: Curah hujan rancangan R 24
T Gambar 3: Distribusi R100 = 225.33 mm
adopsi usulan Masimin (2008) dengan penden dan tidak dijumpai outliers.
skala 30-menit diubah menjadi jam-jaman. (2) Data set cenderung mengikuti
24
Untuk curah hujan R100 = 225.33 mm hasil distribuasi LN dan GEV.
(3) Disarankan untuk menggunakan
analisa GEV-PWM, distribusi waktu hujan
dan besarannya disajikan pada Gambar 3. distribusi GEV daripada LN untuk
(2) Perlu analisa regional homogeneitas ‘Index Flood’ Procedure for Regional
dan faktor reduksi dalam analisa curah Rainfall Frequency Ana-lysis, EOS:
Transaction of American Geophysical
hujan kawasan (areal rainfall).
Union, 68: 312.
DAFTAR PUSTAKA Hosking, J.R.M. (1990). L-Moments: Analysis
Balakrishnan, N. dan Nevzorov, V.B. (2003). A and Estimation of Distri-butions Using
Primer on Statistical Distri-butions,: Linear Combinations of Order Statistics.
Wiley-Interscience, N. Jersey Journal of Royal Statistical Society, 52(1),
Burn, D.H. (1990). Evaluation of Flood 105-124.
Frequency Analysis with a Region of Hosking, J.R.M. dan Wallis, J.R. (1993). Some
Influence Approach. Water Resources Statistics Useful in Regional Frequency
Research. 26(10), 2257-2265. Analysis. Water Resources Research, 29(2),
Evans M., Hastings, N. dan Peacock, B. (2000). 271-281.
Statistical Distribution. New York: Wiley- Kanji, G.P., (1995). 100 Statistical Tests, SAGE
Interscience. Publications, New Delhi.
Greenwood, J.A., Landwehr, J.M., Matalas, Kottegoda, N.T. dan Rosso, R. (1977).
N.C. dan Wallis, J.R. (1979). Proba-bility Statistics, Probability, and Reliability for
Weighted Moments: Definition and Civil and Environmental Engineers,
Relation to Parameters of Several McGraw Hill, New York.
Distributions Expressable in Inverse Form. Martins, E.S. dan Stedinger, J.R. (2000).
Water Resources Research. 15(5), 1049- Generalized Maximum-Likelihood
1054. Generalized Extreme-Value Quantile
Haan, C.T. (1977). Statistical Method in Estimators for Hydrologic Data. Water
Hydrology. 4th ed. Ames, Iowa: Iowa State Resources Research, 36(3), 737-744.
University Press. Masimin, (2008). Temporal and Spatial
Hromadka II, T.V., McCuen, R.H. dan Yen, C- Rainfall Variability in Design Storms using
C. (1987). Computational Hydro-logy in Block Method, (Disertasi) Universiti
Flood Control Design and Planning, Teknologi Malaysia, Skudai, Johor Bahru.
Mission Vieja - California, USA: Peyron, N., Nguyen, V.T.V. and Rivard, G.
Lighthouse Publications. (2004). Regional Estimation of Floods for
Hosking, J.R.M., Wallis, J.R. dan Wood, E.F. Ungaged Medium-Sized Basins in Quebec,
(1985). Estimation of the Generalized Montréal, Quebec, Canada Dept. Civil
Extreme-Value Distri-bution by the Engineering and Applied Mechanics,
Method of Probability-Weighted Moments. McGill University.
Technometrics, 27(3), 251-261. Peyron, N., Nguyen, V.T.V. dan Rivard, G.
Hosking, J.R.M. dan Wallis, J.R. (1987a). (2005). Development of an Optimal Storm
Parameter and Quantile Estimation for the Pattern for Urban Drainage Systems
Generalized Pareto Distribution. Design. NOVATECH’2004, Montreal.
Technometrics, 29(3), 339-349. Rao, A.R., dan K.H. Hamed, (2000). Flood
Hosking, J.R.M. dan Wallis, J.R. (1987b). An Frequency Analysis, CRC Press, New