Juknis Bendungan 6 Sept 2017

KEMENTERIAN PEKERJAAN UMUM DAN PERUMAHAN RAKYAT
D I R E K T O R A T J E N D E R A L S U M B E R D A Y A A IR
SATUAN KERJA BALAI BENDUNGAN
Gedung Balai Bendungan, Jl. Sapta Taruna Raya Komplek PU Pasar Jumat Jakarta Selatan 12310
PETUNJUK TEKNIS PERHITUNGAN

DEBIT BANJIR PADA BENDUNGAN
Berdasarkan Kontrak No. 01/KU.02.07/SKBB/III/2017

Tanggal 31 Maret 2017
Jakarta, ………………. 2017

DAFTAR ISI
BAB 1 PENDAHULUAN..................................................................................................4
1.1 Latar Belakang.....................................................................................................4
1.2 Maksud dan Tujuan..............................................................................................5
1.3 Ruang Lingkup.....................................................................................................5
1.4 Validitas dan keterbatasan...................................................................................5
1.5 Metodologi Analisis Debit Banjir Rencana............................................................5
BAB 2 KETERSEDIAAN DATA.......................................................................................9
2.1 Umum.................................................................................................................. 9
2.2 Data Hujan........................................................................................................... 9
2.2.1 Data Pos Hujan.............................................................................................9
2.2.2 Data Satelit...................................................................................................9
2.3 Data Debit.......................................................................................................... 14
2.4 Data Tinggi Muka Air..........................................................................................14
2.5 Data Teknis Bendungan.....................................................................................15
2.6 Penyaringan Data...............................................................................................15
2.6.1 Uji Outlier....................................................................................................15
2.6.2 Uji Trend.....................................................................................................16
2.6.3 Uji Stabilitas (mean dan variance)...............................................................17
2.6.4 Uji Independensi.........................................................................................18
BAB 3 ANALISIS CURAH HUJAN RENCANA..............................................................19
3.1 Umum................................................................................................................19
3.2 Analisis Frekuensi..............................................................................................19
3.3 Uji Kecocokan Distribusi.....................................................................................33
3.3.1 Uji Chi-Square.............................................................................................34
3.3.2 Kolmogorov-Smirnov...................................................................................34
3.4 Koreksi Hujan Tropical Rainfall Measuring Mission (TRMM)..............................35
3.4.1 Pemeriksaan Data Hujan Bulanan pos hujan dan TRMM...........................35
3.4.2 Koreksi Data Hujan Harian TRMM..............................................................36
3.5 Curah Hujan Wilayah.........................................................................................37
1
3.5.1 Poligon Thiessen.........................................................................................37
3.5.2 Isohiet.........................................................................................................38
3.6 Faktor Reduksi Luas / Areal Reduction Factor (ARF).........................................38
3.6.1 Perbandingan ARF......................................................................................39
3.6.2 Penerapan ARF Jawa dibandingkan dengan nilai ARF sesungguhnya.......40
3.6.3 Penentuan Nilai ARF...................................................................................42
3.7 Durasi dan Distribusi Curah Hujan.....................................................................43
3.7.1 Durasi Hujan...............................................................................................43
3.7.2 Distribusi Hujan...........................................................................................43
3.8 Curah Hujan Maksimum Boleh Jadi (CMB)........................................................52
3.9 Pemilihan distribusi hujan...................................................................................55
BAB 4 ANALISIS DEBIT BANJIR RENCANA................................................................60
4.1 Uraian Umum.....................................................................................................60
4.2 Kehilangan Air....................................................................................................60
4.2.1 Metode NRCS/SCS.....................................................................................60
4.2.2 Penentuan Nilai Curve Number (CN)..........................................................61
4.2.3 Metode Deficit Constant..............................................................................67
4.2.4. Kalibrasi Parameter dan Debit Bangkitan.......................................................68
4.3 Hidrograf Satuan Sintetik...................................................................................69
4.3.1 Metode NRCS/SCS.....................................................................................69
4.3.2 Metode Clark...............................................................................................70
4.4 Aliran Dasar.......................................................................................................70
4.4.1 Linear Reservoir..........................................................................................70
4.4.2 Recession...................................................................................................71
4.5 Penelusuran Banjir.............................................................................................71
4.5.1 Penelusuran Banjir Sungai (Metode Muskingum Cunge)............................71
4.5.2 Penelusuran Banjir Waduk (Metode Storage Indication).............................72
4.6 Evaluasi Debit Banjir Maksimum Boleh Jadi.......................................................73
BAB 5 PEMODELAN HIDROLOGI................................................................................75
5.1 Model Matematik................................................................................................75
5.2 Fungsi Objektif...................................................................................................75
5.2.1 Root Mean Square Error (RMSE)................................................................75
2
5.2.2 Nash Sutcliffe (NS)......................................................................................75
5.2.3 Beda Puncak...............................................................................................76
5.2.4 Prosen Beda Rata Rata..............................................................................77
5.2.5 Nilai Korelasi...............................................................................................77
5.3 Kalibrasi Model...................................................................................................77
5.4 Verifikasi Model..................................................................................................77
BAB 6 STUDI KASUS...................................................................................................79
6.1 Analisis DEbit Banjir Rencana Kasus 1..............................................................79
6.1.1 Pemodelan DAS Bendungan Sutami..........................................................82
6.1.2 Analisis Sensitivitas Parameter Model Hidrologi DAS Bendungan Sutami. .83
6.1.3 Kalibrasi dan Verifikasi Model Hidrologi DAS Bendungan Sutami...............84
6.2 Analisis Debit Banjir Rencana Kasus 2..............................................................85
6.3.1 Pemodelan DAS Nanjung...........................................................................90
6.3.2 Analisis Sensitivitas Parameter Model Hidrologi DAS Nanjung...................92
6.3.3 Kalibrasi dan Verifikasi Model Hidrologi DAS Nanjung................................93
6.3.4 Prediksi Debit Banjir Rencana dengan Hujan Rencana 100, 1000 tahun,
CMB, dan 0,5 CMB...................................................................................................94
6.5.1 Koreksi Hujan TRMM..................................................................................99
6.5.2 Penentuan Nilai CN Berdasarkan Harmonized World Soil Database (HWSD)
113
6.5.3 Prediksi Debit Banjir Berdasarkan Data Kejadian Banjir...........................117
6.6 Analisis Debit Banjir Rencana Kasus...............................................................118
3
BAB 1 PENDAHULUAN
1.1 LATAR BELAKANG

Bendungan merupakan salah satu bangunan air yang memiliki peran vital dalam
pengelolaan sumber daya air. Selain dimanfaatkan sebagai waduk atau tampungan air
untuk memenuhi berbagai kebutuhan seperti air baku air bersih, air irigasi, perikanan, dan
rekreasi, beberapa bendungan juga memiliki fungsi sebagai pembangkit listrik tenaga air
dan pengendali banjir. Dengan dimensi bangunan yang sangat besar, keruntuhan sebuah
bendungan dapat menyebabkan terjadinya bencana banjir bandang yang sangat dashyat
yang berdampak tidak hanya berupa kerugian materi namun juga korban jiwa. Untuk
mereduksi risiko dan atau mengantisipasi terjadinya bencana banjir bandang atau
keruntuhan bendungan, mutlak diperlukan persiapan, perencanaan, dan pelaksanaan
konstruksi bendungan yang baik. Analisis debit banjir adalah salah satu aspek penting
dalam perencanaan bendungan yang mana sering kali dihadapkan pada kondisi
terbatasnya atau bahkan tidak tersedianya data. Kondisi ini umumnya terjadi di negara
berkembang, termasuk Indonesia.
Keterbatasan atau ketidaktersediaan data terutama data debit menyebabkan analisis
debit banjir menjadi rumit. Praktis, untuk memperkirakan besarnya debit banjir, perencana
mengandalkan model hujan limpasan sebagaimana diuraikan dalam baik Buku Petunjuk
Teknis Perhitungan Debit Banjir Bendungan sebelumnya maupun SNI 2415:2016 tentang
Tata Cara Perhitungan Debit Banjir Rencana. Namun demikian, dalam pelaksanaan
analisis debit banjir menggunakan model hujan limpasan ini pun perencana menghadapi
berbagai kendala seperti minimnya atau tidak tersedianya informasi hujan yang
diperlukan, adanya data hujan yang kosong atau hilang, tidak tersedianya pola distribusi
hujan, pencatatan data hujan dan muka air banjir atau debit yang umumnya berbasis
harian, dan banyaknya variasi metode perhitungan curah hujan rencana dan debit banjir
rencana.
Dokumen ini disusun sebagai upaya untuk menyempurnakan Buku Petunjuk Teknis
Perhitungan Debit Banjir Pada Bendungan yang telah tersedia sebelumnya. Jika buku
petunjuk teknis sebelumnya lebih mengutamakan perhitungan debit banjir untuk single
basin, buku petunjuk teknis ini justru lebih menekankan pada pemodelan hidrologi
multibasins. Selain menyajikan sejumlah metode perhitungan debit banjir, dokumen ini
juga menyediakan panduan tentang teknik pemodelan hidrologi dengan
mempertimbangkan variasi ketersediaan data di lapangan termasuk pemanfaatan data
satelit TRMM untuk daerah aliran sungai yang tidak terukur.
Pada kondisi dimana tidak semua DAS di Indonesia dilengkapi dengan data hidrologi
yang cukup sementara di sisi lain tersedia dataset curah hujan hasil pengukuran satelit
yang sangat potensial sebagai alternatif, pelengkap, maupun pengganti data hujan yang
diukur di lapangan, ketersediaan basis data hujan harian TRMM yang mencakup seluruh
4
wilayah Indonesia ini menjadi sangat penting untuk mendukung analisis debit banjir yang
dapat dipertanggungjawabkan.
Pendekatan yang digunakan dalam Petunjuk Teknis ini adalah model matematik
hubungan hujan-limpasan yang memperhatikan proses kalibrasi parameternya dan diikuti
dengan verifikasi bilamana memungkinkan. Agar proses perhitungan banjir rencana lebih
mudah, disarankan menggunakan perangkat lunak yang ada seperti MIKE-11, HEC-HMS,
SOBEK, dan lain-lain.
1.2 MAKSUD DAN TUJUAN

Petunjuk teknis ini disusun sebagai panduan atau pegangan umum bagi Direksi Balai
Bendungan dan para praktisi dalam melakukan analisis banjir rencana pada bendungan
dengan mempertimbangkan berbagai aspek yaitu ketersediaan data, kesesuaian metode
analisis, teknik pemodelan, dan pemanfaatan teknologi TRMM. Atas dasar itu, petunjuk
teknis ini ditujukan untuk memperoleh hasil analisis debit banjir pada bendungan yang
lebih handal (reliable) dengan metode dan prosedur yang logis dan konsisten sebagai
dasar perencanaan bendungan.
1.3 RUANG LINGKUP

Buku petunjuk teknis perhitungan debit banjir pada bendungan ini mencakup beberapa
hal yaitu penyaringan data hujan dan debit, analisis curah hujan rencana, analisis curah
hujan wilayah, penentuan pola / distribusi hujan, penentuan faktor reduksi luas,
perhitungan debit banjir dengan mempertimbangkan variasi ketersediaan data di
lapangan termasuk pemanfaatan data satelit TRMM untuk daerah aliran sungai tidak
terukur.
1.4 VALIDITAS DAN KETERBATASAN

Petunjuk Teknis ini harus digunakan bersama dengan Panduan Perencanaan Bendungan
Urugan Volume II Analisis Hidrologi dan merujuk pada Norma Standar Pedoman Manual
(NSPM) terkait terutama SNI 241-2016 tentang Perhitungan Banjir Rencana. Petunjuk
Teknis ini dimaksudkan sebagai pegangan umum dalam melakukan analisis banjir desain
pada bendungan, dan hanya menampilkan beberapa metode perhitungan banjir desain
yang lazim digunakan di Indonesia. Petunjuk Teknis ini tidak mencakup seluruh aspek
perhitungan hidrologi banjir desain untuk bendungan. Metode lain dapat digunakan
sepanjang tidak menyimpang dari NSPM yang berlaku. Petunjuk Teknis ini tidak
membebaskan tanggung jawab pengguna untuk menyiapkan analisis banjir desain yang
handal.
1.5 METODOLOGI ANALISIS DEBIT BANJIR RENCANA

Pada dasarnya pemilihan metodologi analisis debit banjir rencana sangat tergantung
pada ketersediaan data hidrologi. Petunjuk teknis ini menguraikan 5 (lima) kasus
perhitungan debit banjir rencana pada bendungan dengan mempertimbangkan
ketersediaan data hidrologi sebagaimana dirangkum pada Tabel 1 di bawah ini:
5
Tabel 1. Metode perhitungan debit banjir berdasarkan ketersediaan data hidrologi
Kasus Kehilangan air Transformasi Aliran dasar Ketersediaan data
hidrograf Hujan Debit
1 1 atau 2 1 atau 2 1 1 1
2 1 atau 2 1 atau 2 1 2 1
3 1 atau 2 1 atau 2 1 2 2
4 2 1 2 2 -
5 2 1 2 - -
Keterangan 1) Deficit constant 1) SCS 1) Linear 1) Jam-jaman 1) Jam-jaman
reservoir
2) SCS 2) Clark 2) Recession 2) Harian 2) Harian
Kasus 1: Tersedia data hujan jam-jaman dan debit jam-jaman.
Kasus 2: Tersedia data hujan harian dan debit jam-jaman.
Kasus 3: Tersedia data hujan harian dan debit harian.
Kasus 4: Tersedia data hujan harian dan tidak ada pencatatan debit
Kasus 5: Tidak tersedia data hujan dan data debit. (menggunakan data hujan
TRMM)
Secara umum perhitungan debit banjir pada bendungan dapat diklasifikasikan menjadi 2
macam, yaitu (1) perhitungan debit banjir dimana tersedia data debit banjir atau muka air
banjir yang dapat digunakan untuk mengkalibrasi model matematik dan (2) perhitungan
debit banjir dimana tidak tersedia data debit banjir maupun data muka air debit banjir
sehingga hidrograf debit banjir yang diperoleh merupakan hasil prediksi berdasarkan
kondisi fisik daerah aliran sungai. Kerangka pikir perhitungan debit banjir sesuai dengan
klasifikasi di atas disajikan pada Gambar 1 dan 2.
6
Gambar 1. Kerangka pikir perhitungan debit banjir rencana berdasarkan model
matematik terkalibrasi
7
Gambar 2. Kerangka pikir perhitungan debit banjir rencana berdasarkan model
matematik tidak terkalibrasi
Beberapa metode yang dapat digunakan sebagai rujukan dalam pemodelan hidrologi di
dalam Petunjuk Teknis ini mencakup metode untuk perhitungan kehilangan air,
transformasi hidrograf, dan aliran dasar. Untuk menentukan besarnya kehilangan air,
Petunjuk Teknis ini merekomendasikan 2 metode yaitu deficit constant dan SCS / NRCS.
Metode SCS / NRCS juga digunakan sebagai metode transformasi hidrograf. Sedangkan
untuk menentukan besarnya aliran dasar, digunakan metode linear reservoir dan
recession. Sebagaimana diuraikan di atas, bahwa Petunjuk Teknis ini membagi
pemodelan hidrologi dalam 5 studi kasus berdasarkan variasi ketersediaan data hujan
dan debit.
8
BAB 2 KETERSEDIAAN DATA
2.1 UMUM
Ketersediaan data hidrologi dalam suatu DAS sangat mempengaruhi pemilihan
metode/pendekatan analisis debit banjir rencana yang akan digunakan untuk
perencanaan maupun review study bendungan. Data hidrologi yang dimaksud meliputi:
1. Data hujan jam-jam-an dan atau harian,
2. Data debit jam-jam-an dan atau harian,
3. Data tinggi muka air jam-jam-an dan atau harian,
4. Data evaporasi,
5. Data evapotranspirasi
Disamping data hidrologi, diperlukan juga data penunjang lainnya seperti:
1. Peta DEM (Digital Elevation Model),
2. Peta tata guna lahan, tanah, topografi / RBI (Rupa Bumi Indonesia),
3. Data bendungan berupa hubungan elevasi-tampungan, elevasi dan lebar
pelimpah, dimensi outlet, dan sistem pengoperasian (jika menggunakan pintu air).
2.2 DATA HUJAN

Data hujan jam-jaman dan atau harian pada beberapa kejadian banjir tertentu dibutuhkan
untuk melakukan proses kalibrasi dan verifikasi model hidrologi. Selain data tersebut,
dibutuhkan juga data curah hujan maksimum harian tahunan (HHMT) untuk penentuan
hujan rencana. Data HHMT yang dibutuhkan, mengacu pada SNI 2415:2016, dibutuhkan
paling tidak sebanyak 20 tahun.
2.2.1 Data Pos Hujan

Data curah hujan yang bersumber dari pos penakar hujan pada umumnya terbatas secara
ruang dan waktu. Keterbatasan secara ruang artinya sebaran pos penakar hujan tidak
merata dan keterbatasan secara waktu artinya panjang data tidak sama untuk di setiap
pos dan panjang data kurang dari 20 tahun. Akibat dari keterbatasan ini data hujan dari
pos penakar hujan sering mengandung sampling error.
2.2.2 Data Satelit

Untuk mengatasi minimnya dan atau tidak tersedianya data hujan, dalam beberapa tahun
terakhir telah dilakukan sejumlah studi tentang penggunaan data hujan berbasis satelit
sebagai komplemen data hujan yang diukur di lapangan. Data satelit merupakan data
hujan harian rata-rata yang bersifat global dan open source dengan grid 28 x 28 km2 atau
0.25° x 0.25°. Untuk mempermudah proses pengumpulan data, maka telah disediakan
data satelit secara nasional mulai 1 januari 1998 – 31 desember 2016 dalam bentuk hujan
harian dan 3 jaman. Format dari pada data ada dalam excel dengan baris 3 sebagai bujur
9
dan baris 4 sebagai Lintang dengan jumlah data ada 6.940 nilai untuk harian dan empat
kalinya untuk 3 jam-an, format data ada pada satu kolom untuk 1 grid.
Secara umum prosedur pemilihan grid untuk sebuah pos hujan atau DAS adalah sebagai
berikut:
1. Gunakan aplikasi Google Earth untuk mencari koordinat pos hujan atau DAS yang
akan dimodelkan.
2. Pilih koordinat TRMM yang mendekati dengan nilai koordinat pos hujan atau DAS
3. Gunakan aplikasi Autocad untuk membuat grid TRMM.
4. Masukkan titik koordinat pos hujan atau DAS dengan cara:
a. Buat lingkaran dengan titik pusatnya adalah titik koordinat pos hujan atau DAS.
b. Ketik circle, kemudian klik sembarang titik untuk memasukkan nilai koordinat
sebagai titik pusat pos hujan atau TRMM.
c. Lakukan prosedur yang sama untuk setiap kordinat TRMM dengan interval
jarak vertikal 0.25° dan interval jarak horizontal 0.25°
d. Hubungkan setiap titik pusat TRMM hingga membentuk grid.
e. Tarik garis di tengah garis hubung antar titik hingga terbentuk grid baru dengan
titik pusatnya adalah kordinat TRMM
Kerangka pikir dari pembuatan grid TRMM disajikan pada gambar di bawah.
Mulai Memasukkan titik

koordinat pos hujan atau
DAS
Gunakan Google Earth
Buat lingkaran dengan titik
pusat berupa titik koordinat
Pilih koordinat TRMM yang pos hujan atau DAS
mendekati koordinat pos
hujan atau DAS Ketik circle dan klik
sembarang tempat untuk
memasukkan nilai koordinat
Gunakan Autocad untuk
membuat grid TRMM
Lakukan prosedur yang sama
untuk setiap kordinat TRMM
Memasukkan titik dengan interval jarak vertikal
koordinat pos 0.25° dan interval jarak
hujan atau DAS horizontal 0.25°
Hubungkan setiap titik

TRMM hingga membentuk Kembali
grid
Buat grid baru dengan cara

menghubungkan setiap titik
tengah grid yang sebelumnya
Selesai
Gambar 3. Kerangka pikir pembembutan grid TRMM
10
Berikut di bawah ini adalah contoh pemilihan grid untuk DAS Sutami:
1. Buka aplikasi Google Earth
2. Masukkan nama lokasi stasiun hujan atau DAS pada kolom search.
11
3. Secara otomatis Google Earth akan menunjukkan lokasi yang kita masukkan dalam
kolom search.
4. Untuk mendapatkan titik koordinat lokasi yang kita inginkan klik tanda pin (Add
Placemark) pada toolbar di atas, seperti pada gambar di bawah ini.
12
5. Klik add placemark kemudian klik lokasi yang kita ingin ketahui koordinatnya. Nilai
Koordinat akan muncul pada toolbox seperti di bawah ini.
6. Sesuai dengan gambar diatas diperoleh nilai latitude = 8°9'34.89"S , dan longitude =
112°26'49.57"E
7. Pilih koordinat TRMM yang mendekati dengan nilai tersebut yaitu -8.125 , 112.375
8. Buka aplikasi Autocad.
9. Buka file DAS Sutami.
10. Masukkan titik koordinat pos hujan atau DAS dengan cara:
13
a. Buat lingkaran dengan titik pusatnya adalah titik koordinat DAS.
b. Ketik circle, kemudian klik sembarang titik untuk memasukkan nilai koordinat
sebagai titik pusat TRMM.
c. Lakukan prosedur yang sama untuk setiap koordinat TRMM dengan interval jarak
vertikal 0.25° dan interval jarak horizontal 0.25°
d. Hubungkan setiap titik pusat TRMM hingga membentuk grid.
e. Tarik garis di tengah garis hubung antar titik hingga terbentuk grid baru dengan
titik pusatnya adalah koordinat TRMM
11. Hasil akhir dari pembuatan grid tersaji pada gambar dibawah ini.
Gambar 4. Hasil akhir dari pembutan grid
2.3 DATA DEBIT

Data hidrograf banjir dengan interval minimal 1 jam biasanya diperoleh dari pos duga air
yang tersedia di dalam DAS bendungan yang dikaji atau di dalam perluasan DAS (river
basin) yang bersangkutan. Jika data hidrograf banjir tersebut tidak tersedia, data hidrograf
dengan interval harian masih dapat digunakan selama periode banjir terjadi.
2.4 DATA TINGGI MUKA AIR

Data tinggi muka air yang dimaksud menggambarkan fluktuasi muka air di dalam
bendungan sebaiknya dengan interval waktu 1 jam dan mencapai ketinggian maksimum.
14
2.5 DATA TEKNIS BENDUNGAN
Data teknis bendungan yang harus disediakan dalam analisis penulusuran banjir di
bendungan, baik bendungan lama maupun bendungan baru, adalah:
1. Hubungan elevasi-tampungan-luas bendungan,
2. Elevasi puncak pelimpah, elevasi tampungan mati,
3. Rating Curve pelimpah dan outlet.
2.6 PENYARINGAN DATA

Sebelum dilakukan analisis, suatu seri data hujan dari pos penakar hujan maupun dari
data satelit perlu diperiksa terlebih dahulu kelayakannya melalui beberapa buah uji,
mencakup uji pencilan (outlier test), uji kecenderungan (trend test), uji kestabilan terhadap
rata-rata dan simpangan baku (stability test to mean and variance) dan uji kemandirian
(independency test). Secara terperinci, proses dari masing-masing uji tersebut adalah
sebagai berikut.
2.6.1 Uji Outlier

Outlier, dalam Bahasa Indonesia dikenal dengan terminologi ‘pencilan’, merupakan nilai
suatu datum dari suatu seri data yang memiliki nilai sangat berbeda dengan datum-datum
lainnya, baik terlalu besar ataupun terlalu kecil. Meskipun hujan merupakan kejadian yang
stokastik, tetapi normalisasi besaran nilai suatu hujan dapat didekati secara statistik.
Kemungkinan kesalahan pencatatan hujan, baik oleh manusia ataupun alat pencatat
hujan, dapat menyebabkan kesalahan pada tahap analisis. Oleh karena itu, suatu seri
data hujan perlu diperiksa terlebih dahulu batas outliernya. Pemeriksaan adanya outlier
pada seri data hujan harian maksimum tahunan, baik outlier atas maupun outlier bawah
dilakukan dengan metode yang dikembangkan oleh Water Resource Council (1981).
Menurut Water Resource Council, bila:
1. Koefisien skewness dari data sampel > +0,4, maka perlu dilakukan pemeriksaan
outlier atas,
2. Koefisien skewness dari data sampel < -0,4, maka perlu dilakukan pemeriksaan
outlier bawah,
3. -0,4 < koefisien skewness < +0,4, maka perlu dilakukan pemeriksaan outlier atas
dan outlier bawah sekaligus sebelum menghilangkan data yang dipandang
sebagai outlier
Bila terdapat outlier, maka perlu dilakukan pemeriksaan atas kebenaran data tersebut.
Jika data tersebut tidak dapat dibuktikan benar secara ilmiah, maka data outlier tersebut
harus dibuang terlebih dahulu sebelum suatu seri data digunakan untuk analisis hidrologi
lebih lanjut.
Persamaan frekuensi untuk mendeteksi adanya outlier adalah:
Y H ,L = ý ± K n S y
15
Keterangan:
YH,L : Batas (threshold) dari outlier atas dan bawah, dalam logaritma
ý : Nilai rata-rata dari data dalam bentuk logaritma
Kn : Konstanta uji outlier, merupakan fungsi dari jumlah data sampel
sY : Simpangan baku dari data dalam bentuk logaritma
Nilai dari konstanta uji outlier dapat dilihat pada tabel di bawah.
Tabel 2. Nilai konstanta uji outlier
Sample Sample Sample Sample
Kn Kn Kn Kn
size n size n size n size n
10 2,036 24 2,467 38 2,661 60 2,837
11 2,088 25 2,486 39 2,671 65 2,866
12 2,134 26 2,502 40 2,682 70 2,893
13 2,175 27 2,519 41 2,692 75 2,917
14 2,213 28 2,534 42 2,700 80 2,940
15 2,247 29 2,549 43 2,710 85 2,961
16 2,279 30 2,563 44 2,719 90 2,981
17 2,309 31 2,577 45 2,727 95 3,000
18 2,335 32 2,591 46 2,736 100 3,017
19 2,361 33 2,604 47 2,744 110 3,049
20 2,385 34 2,616 48 2,753 120 3,078
21 2,408 35 2,628 49 2,760 130 3,104
22 2,429 36 2,639 50 2,768 140 3,129
23 2,448 37 2,650 55 2,804
2.6.2 Uji Trend

Sebelum digunakan untuk analisis, suatu seri data hidrologi harus dipastikan terlebih
dahulu bebas dari adanya trend (kecenderungan), yaitu korelasi antara urutan data
dengan peningkatan (atau penurunan) besarnya nilai data tersebut. Secara umum, uji
trend dilakukan untuk periode seluruh data yang ada, walaupun dapat juga dilakukan
hanya pada periode data yang dicurigai terdapat trend.
Untuk mengetahui adanya trend, digunakan metode Spearman’s rank-correlation. Metode
ini didasarkan pada Spearman rank-correlation coefficient, Rsp, yang didefinisikan
sebagai:
n
6 × ∑ D i2
i=1 dengan D i=Kx i−Ky i
R SP =1− 2
n ×(n −1)
Keterangan:
n : jumlah data sampel

Di : perbedaan antara rank variabel xi, Kxi, (data diurutkan dari kecil ke besar) dan
rank berdasarkan nomor urut data asli, Kyi.
Bila ada ties, yaitu ada dua atau lebih data dengan nilai sama, maka rank Kxi diambil
sebagai nilai rata-rata.
16
Uji eksistensi trend dilakukan dengan menggunakan formulasi berikut:
n−2
tt=R sp
√ 1−R2sp
Dimana tt mempunyai distribusi Student’s t dengan derajat kebebasan = n – 2. Distribusi
Student’s t dengan significance level 5% dapat dilihat pada lampiran. Seri data yang diuji
tidak mengandung trend bila memenuhi:
t {v , 2,5 % }< tt< t {v ,97,5 % }
2.6.3 Uji Stabilitas (mean dan variance)

Dalam uji kestabilan ini dilakukan untuk mengetahui data stasioner atau tidak. Secara
umum terdapat dua uji yang dilakukan varian dan mean berupa uji F dan T, dimana uji F
distribusi dari rasio variannya mengikuti distribusi normal dan mengindikasikan stabilitas
dari varian. Uji F digambarkan dengan persamaan:
2 2
σ 1 s1
Ft = 2 = 2
σ 2 s2
Keterangan:
Ft : stabilitas yang indikasinya dapat diterima
σ : deviasi standar skala populasi
s : deviasi standar skala sampel
Dua persamaan yang digunakan untuk menghitung s sebagai berikut:
n n 0.5
s= [ ∑ ( xi 2)−( ∑ ( X i ))2/n
i=1 i=1
n−1
0 .5
]
n
s=
Keterangan:
[ ∑ ( xi 2)−n× X 2
i=1
n−1
]
Xi : data pengamatan
n : jumlah total data sampel
x́ : rata-rata nilai data
Data menunjukkan kestabilan varian dengan tingkat kesalahan 5% apabila Ft < F{
v1 , v2 ,97.5%}
17
Pemeriksaan stabilitas mean dilakukan dengan menggunakan uji T (distribusi Student’s t).
Dalam uji ini, seperti halnya uji stabilitas variance, maka data dibagi dua atau tiga sama
besar, kemudian dihitung nilai rata-rata (mean) dari masing-masing sub-sampel tersebut
dan dibandingkan. Kesamaan nilai mean ini diuji secara statistik sebagai berikut:
x´1− x́ 2
t t=
(n¿¿ 1−1) s 12+(n2−1)s 22
√ n1 +n 2−2
×
1 1
( +
n 1 n2)¿
Keterangan:
n : banyaknya data
x́ : nilai rata-rata sub sampel
s : variance
Nilai mean dari sampel dikatakan stabil bila:
t { v ,2.5 % } <t t <t { v , 97.5 % }
2.6.4 Uji Independensi

Untuk melakukan pemeriksaan independensi dari seri data digunakan serial-correlation
coefficient. Apabila seri data adalah acak sempurna, maka fungsi auto-correlation dari
populasi akan sama dengan nol untuk semua lag, kecuali nol. Untuk pemeriksaan
independensi ini cukup dilakukan perhitungan digunakan serial-correlation coefficient,
yaitu korelasi antara data pengamatan yang berdekatan dalam seri data.
Menurut Box dan Jenkins (1970), serial-correlation coefficient, r1, adalah:
n−1
∑ ( xi −x́) ×(x i +1−x́)

r 1= i=1 n
∑ ( x i− x́ )2
i=1
Seri data dikatakan independen apabila memenuhi persamaan:

¿
18
BAB 3 ANALISIS CURAH HUJAN RENCANA
3.1 UMUM
Banjir merupakan sebuah kejadian ekstrem yang terjadi dalam suatu siklus hidrologi yang
besarnya berbanding terbalik dengan frekuensi kejadiannya. Analisis frekuensi bertujuan
untuk mencari hubungan antara besaran peristiwa-peristiwa ekstrem baik curah hujan
rencana maupun debit banjir rencana dan frekuensi kejadiannya dengan menggunakan
distribusi probabilitas. Beberapa distribusi probabilitas yang umum digunakan dalam
analisis frekuensi adalah distribusi normal, distribusi log normal 2 parameter, distribusi log
normal 3 parameter, distribusi Pearson III, distribusi log Pearson III, distribusi gumbel tipe
I, dan distribusi Generalized Extreme Value (GEV).
3.2 ANALISIS FREKUENSI

Dalam melakukan analisis hidrologi, seringkali ditemukan kejadian-kejadian ekstrim,
terutama banjir. Kejadian ekstrim tersebut menuntut perlunya perencanaan bangunan air
agar dapat melewatkan debit banjir maksimum yang mungkin terjadi. Untuk mencari
hubungan antara besarnya kejadian ekstrim terhadap frekuensi kejadian dengan
menggunakan distribusi probabilitas, digunakanlah metode analisis frekuensi. Besarnya
magnitude kejadian ekstrim mempunyai hubungan terbalik dengan probabilitas kejadian,
dinyatakan dengan hubungan:
1
P( x )=
T
Keterangan:
P( x ) : probabilitas terjadinya kejadian yang sama besar atau lebih besar dari x
T : periode ulang rencana (tahun)
Dalam aplikasinya, analisis frekeuensi dapat diterapkan untuk data debit sungai atau data
hujan. Data yang digunakan umumnya adalah data debit atau hujan maksimum tahunan,
yaitu data terbesar yang terjadi selama satu tahun, yang terukur selama beberapa tahun.
Secara umum, analisis frekuensi suatu seri data curah hujan harian maksimum tahunan
memiliki persamaan:
x T =x+k⋅s
Keterangan:
xT : tinggi curah hujan rencana dengan periode ulang T tahun (mm)
x : rata-rata tinggi curah hujan dari seri data yang dimiliki (mm)
19
k : koefisien yang bergantung dari jenis distribusi seri data
s : standar deviasi tinggi curah hujan dari seri data yang dimiliki
Oleh karena rumus umum seperti di atas, maka akurasi dari hasil analisis frekuensi amat
bergantung pada jenis distribusi data yang dimiliki. Pada bagian berikut dibahas
mengenai jenis-jenis distribusi yang umum digunakan dalam analisis frekuensi, yaitu:
 Distribusi Normal
Distribusi normal atau distribusi Gauss adalah distribusi yang sering digunakan untuk
analisis frekuensi hujan harian maksimum. Kemungkinan fungsi kerapatannya (probability
density function) ditunjukkan pada persamaan berikut:
−1
1 2
¿¿
P ( x) = e
σ √2 π
Keterangan:
P(x) : peluang terjadinya x
x : variabel acak kontinyu
µ : nilai x rata-rata
σ : standar deviasi nilai x
Nilai dari koefisien distribusi normal yang ditetapkan berdasarkan fungsi periode ulang
dan probabilitasnya dapat dilihat pada tabel di bawah.
Tabel 3. Faktor frekuensi distribusi normal
Periode Ulang, T (Tahun) Peluang KT
2 0,500 0,00
5 0,200 0,84
10 0,100 1,28
20 0,050 1,64
50 0,020 2,05
100 0,010 2,33
200 0,005 2,58
500 0,002 2,88
1.000 0,001 3,09
 Distribusi Log Normal 2 Parameter

Distribusi log normal dua parameter merupakan distribusi yang terdiri dari dua parameter
2
yaitu µn dan σ n , masing-masing merupakan harga tengah dan variansi untuk fungsi
logaritma dari variabelnya. Kemungkinan fungsi kerapatannya (probability density
function) ditunjukan pada persamaan berikut.
20
2
−1 ln x−μn
P ( x) =
1
e
2( σn )
x σn √ 2 π
Keterangan:
σn : standar deviasi nilai x
μn : nilai x rata-rata
Variasi nilai koefisien distribusi log normal dua parameter, bergantung pada peluang
kumulatif, periode ulang rencana dan koefisien variasi dari data yang dimiliki, dapat dilihat
pada tabel di bawah ini.
Tabel 4. Faktor frekuensi distribusi log normal 2 parameter
Koefisien
Peluang Kumulatif P(%):P(X)
Variasi
50 80 90 95 98 99
(Cv) Periode Ulang (Tahun)
2 5 10 20 50 100
0,05 -0,0250 0,8334 1,2965 1,6863 2,1341 2,4570
0,10 -0,0496 0,8222 1,3078 1,7247 2,2130 2,5489
0,15 -0,0738 0,8085 1,3156 1,7598 2,2899 2,2607
0,20 -0,0971 0,7926 1,3200 1,7911 2,3640 2,7716
0,25 -0,1194 0,7746 1,3209 1,8183 2,4318 2,8805
0,30 -0,1406 0,7647 1,3183 1,8414 2,5015 2,9866
0,35 -0,1604 0,7333 1,3126 1,8602 2,5638 3,0890
0,40 -0,1788 0,7200 1,3037 1,8746 2,6212 3,1870
0,45 -0,1957 0,6870 1,2920 1,8848 2,6731 3,2799
0,50 -0,2111 0,6626 1,2778 1,8909 2,7202 3,3673
0,55 -0,2251 0,6379 1,2613 1,8931 2,7613 3,4488
0,60 -0,2357 0,6129 1,2428 1,8915 2,7971 3,5211
0,65 -0,2185 0,5879 1,2226 1,8866 2,8279 3,3930
0,70 -0,2582 0,5631 1,2011 1,8786 2,8532 3,3663
0,75 -0,2667 0,5387 1,1784 1,8677 2,8735 3,7118
0,80 -0,2739 0,5118 1,1548 1,8543 2,8891 3,7617
0,85 -0,2801 0,4914 1,1306 1,8388 2,9002 3,8056
0,90 -0,2852 0,4686 1,1060 1,8212 2,9071 3,8140
0,95 -0,2895 0,4466 1,0810 1,8021 2,9103 3,8762
1,00 -0,2929 0,4254 1,0560 1,7815 2,9098 3,9035
21
 Distribusi Log Normal 3 Parameter
Distribusi log normal tiga parameter merupakan distribusi yang hampir sama dengan log
normal dua parameter, akan tetapi batas bawahnya tidak selalu sama dengan nol
sehingga diperlukan modifikasi parameter dengan batas bawah β. Kemungkinan fungsi
kerapatannya (probability density function) ditunjukkan pada persamaan berikut.
2
−1 ln( x−β )−μn
P ( x) =
1
e
2 ( σn )
ln (x−β ) √ 2 π
Keterangan:
σn : standar deviasi nilai x
μn : nilai x rata-rata
Variasi nilai koefisien distribusi log normal tiga parameter, bergantung pada peluang
kumulatif, periode ulang rencana dan koefisien variasi dari data yang dimiliki, dapat dilihat
pada tabel di bawah ini.
Tabel 5. Faktor frekuensi distribusi log normal 3 parameter
Koefisien
Peluang Kumulatif P(%):P(X&X)
Variasi
50 80 90 95 98 99
(Cv) Periode Ulang (Tahun)
2 5 10 20 50 100
-2,0 0,2366 -0,6144 -1,2437 -1,8916 -2,7943 -3,5196
-1,8 0,2240 -0,6395 -1,2621 -1,8928 -2,7578 -3,4433
-1,6 0,2092 -0,6654 -1,2792 -1,8901 -2,7138 -3,3570
-1,4 0,1920 -0,6920 -1,2943 -1,8827 -2,6615 -3,2601
-1,2 0,1722 -0,7186 -1,3067 -1,8696 -2,6002 -3,1521
-1,0 0,1495 -0,7449 -1,3156 -1,8501 -2,5294 -3,0333
-0,8 0,1241 -0,7700 -1,3201 -1,8235 -2,4492 -2,9043
-0,6 0,0959 -0,7930 -0,3194 -1,7894 -2,3600 -2,7665
-0,4 0,0654 -0,8131 -0,3128 -1,7478 -2,2631 -2,6223
-0,2 0,0332 -0,8296 -0,3002 -1,6993 -2,1602 -2,4745
0,0 0 0 0 0 0 0
0,2 -0,0332 0,8296 0,3002 1,6993 2,1602 2,4745
0,4 -0,0654 0,8131 0,3128 1,7478 2,2631 2,6223
0,6 -0,0959 0,793 0,3194 1,7894 2,3600 2,7665
0,8 -0,1241 0,77 1,3201 1,8235 2,4492 2,9043
1,0 -0,1495 0,7449 1,3156 1,8501 2,5294 3,0333
1,2 -0,1722 0,7186 1,3067 1,8696 2,6002 3,1521
1,4 -0,192 0,692 1,2943 1,8827 2,6615 3,2601
1,6 -0,2092 0,6654 1,2792 1,8901 2,7138 3,3570
22
1,8 -0,224 0,6395 1,2621 1,8928 2,7578 3,4433
2,0 -0,2366 0,6144 1,2437 1,8916 2,7943 3,5196
 Distribusi Gumbel Tipe 1

Kemungkinan fungsi kerapatan (probability density function) untuk distribusi Gumbel tipe I
ditunjukan pada persamaan berikut.
−α (x−β )
P ( x ) =∝e−( x−β )−e

Keterangan:
α : parameter konsentrasi
β : parameter lokasi
x : variabel acak kontinu
Koefisien distribusi Gumbel tipe I ditunjukan pada Persamaan berikut.
(Y −Yn)
k=
Sn
Keterangan:
Yn : nilai rata-rata dari reduced variant
Sn : deviasi standar nilai variant
Nilai dari Yn dan Sn, bergantung dari panjang data yang dimiliki, dapat dilihat pada tabel
di bawah ini.
Tabel 6. Reduced mean, Yn
N 0 1 2 3 4 5 6 7 8 9
0,499 0,503 0,515 0,518
10 0,4952 0,507 0,51 0,5128 0,5202 0,522
6 5 7 1
0,525 0,526 0,529 0,533
20 0,5236 0,5283 0,5309 0,532 0,5343 0,5353
2 8 6 2
0,537 0,839 0,541
30 0,5326 0,538 0,5388 0,5403 0,541 0,5424 0,5436
1 6 8
0,544 0,544 0,545 0,546 0,547
40 0,5436 0,5453 0,5463 0,5477 0,5481
2 8 8 8 3
0,548 0,549 0,550 0,550 0,551
50 0,5485 0,5497 0,5504 0,5515 0,5518
9 3 1 8 1
0,552 0,552 0,553 0,553
60 0,5521 0,553 0,5535 0,554 0,5543 0,5545
4 7 3 8
0,555 0,555 0,556 0,556
70 0,5548 0,555 0,5555 0,5559 0,5565 0,5567
2 7 1 3
0,557 0,557 0,558
80 0,5569 0,557 0,5574 0,5578 0,558 0,5583 0,5585
2 6 1
0,558 0,558 0,559 0,559 0,559
90 0,5586 0,5591 0,5593 0,5598 0,5599
7 9 2 5 6
23
10 0,560 0,560 0,560 0,560 0,560
0,56 0,5604 0,5607 0,561 0,5611
0 2 3 6 8 9
Tabel 7. Reduced standard deviation, Sn

N 0 1 2 3 4 5 6 7 8 9
0,967 0,983 1,009 1,031 1,041
10 0,9496 0,9971 1,0206 1,0493 1,0565
6 3 5 6 1
1,069 1,075 1,086 1,096 1,100
20 1,0628 1,0811 1,0915 1,1047 1,108
6 4 4 1 4
1,115 1,119 1,125 1,131 1,133
30 1,1124 1,1226 1,1285 1,1363 1,1388
9 3 5 3 9
1,143 1,145 1,149 1,153 1,155
40 1,1413 1,148 1,1519 1,1574 1,159
6 8 9 8 7
1,162 1,163 1,166 1,169 1,170
50 1,1607 1,1658 1,1681 1,1721 1,1734
3 8 7 6 8
1,175 1,179 1,181 1,182
60 1,1747 1,177 1,1782 1,1803 1,1834 1,1844
9 3 4 4
1,186 1,187 1,190 1,191
70 1,1854 1,1881 1,189 1,1898 1,1923 1,193
3 3 6 5
1,194 1,195 1,196 1,198
80 1,1938 1,1959 1,1973 1,198 1,1994 1,2001
5 3 7 7
1,201 1,203 1,204 1,204
90 1,2007 1,202 1,2026 1,2038 1,2055 1,206
3 2 4 9
10 1,206 1,207 1,208 1,208
1,2065 1,2077 1,2084 1,209 1,2093 1,2096
0 9 3 1 7
 Distribusi Pearson III dan Log-Pearson III

Distribusi Pearson III dan Log-Pearson III, sering digunakan pada perhitungan hujan
harian maksimum untuk menghitung besarnya banjir rencana yang terjadi pada periode
ulang tertentu. Kedua metode ini memiliki konsep yang serupa, namun pada metode Log-
Pearson III, persamaan umum analisis frekuensinya terlebih dahulu dilogaritmakan.
Karena alasan inilah, maka tabel yang digunakan untuk menentukan nilai koefisien
distribusi pun berbeda. Kemungkinan fungsi kerapatannya (probability density function)
distribusi ini ditunjukkan pada persamaan berikut.
b−1 −x−c
1 X −C
P ( x) = [
aΓb a ] e a
24
Keterangan:
a,b,c : parameter
Γ : fungsi gamma
Nilai koefisien distribusi kedua metode ini ditentukan tidak hanya dari derajat kepercayaan
dan periode ulang rencana, tetapi juga koefisien kecondongan dari seri data yang ada,
seperti dapat dilihat pada tabel di bawah ini.
Tabel 8. Nilai koefisien distribusi Pearson III

Interval kejadian tahun (periode ulang)
2 5 10 25 50 100 200
Koef. G Presentase Peluang Terlampaui
50 20 10 4 2 1 0.5
1,18 4,05
3,0 -0,396 0,420 2,278 3,152 4,970
0 1
1,21 3,97
2,8 -0,384 0,460 2,275 3,114 4,847
0 3
1,23 3,88
2,6 -0,368 0,499 2,267 3,071 4,718
8 9
1,26 3,80
2,4 -0,351 0,537 2,256 3,023 4,584
2 0
1,28 3,70
2,2 -0,330 0,574 2,240 2,970 4,444
4 5
1,30 3,60
2,0 -0,307 0,609 2,219 2,912 4,298
2 5
1,31 3,49
1,8 -0,282 0,643 2,193 2,848 4,147
8 9
1,32 3,38
1,6 -0,254 0,675 2,163 2,780 3,990
9 8
1,33 3,27
1,4 -0,225 0,705 2,128 2,706 3,828
7 1
1,2 -0,195 0,732 1,34 2,087 2,626 3,14 3,661
25
0 9
1,34 3,02
1,0 -0,164 0,758 2,043 2,542 3,489
0 2
1,33 2,89
0,8 -0,132 0,780 1,993 2,453 3,312
6 1
1,32 2,75
0,6 -0,099 0,800 1,939 2,359 3,132
8 5
1,31 2,61
0,4 -0,066 0,816 1,880 2,261 2,949
7 5
1,30 2,47
0,2 -0,033 0,830 1,818 2,159 2,763
1 2
1,28 2,32
0,0 0,000 0,842 1,751 2,054 2,576
2 6
1,25 2,17
-0,2 0,033 0,850 1,680 1,945 2,388
8 8
1,23 2,02
-0,4 0,066 0,855 1,606 1,834 2,201
1 9
1,20 1,88
-0,6 0,099 0,857 1,528 1,720 2,016
0 0
1,16 1,73
-0,8 0,132 0,856 1,448 1,606 1,837
6 3
1,12 1,58
-1,0 0,164 0,852 1,366 1,492 1,664
8 8
1,08 1,44
-1,2 0,195 0,844 1,282 1,379 1,501
6 9
1,04 1,31
-1,4 0,225 0,832 1,198 1,270 1,351
1 8
0,99 1,19
-1,6 0,254 0,817 1,116 1,166 1,216
4 7
0,94 1,08
-1,8 0,282 0,799 1,035 1,069 1,097
5 7
0,89 0,99
-2,0 0,307 0,777 0,959 0,980 0,995
5 0
0,84 0,90
-2,2 0,330 0,752 0,888 0,900 0,907
4 5
0,79 0,83
-2,4 0,351 0,725 0,823 0,830 0,833
5 2
0,74 0,76
-2,6 0,376 0,696 0,764 0,768 0,769
7 9
0,70 0,71
-2,8 0,384 0,666 0,712 0,714 0,714
2 4
0,66 0,66
-3,0 0,396 0,636 0,666 0,666 0,667
6 7
26
Tabel 9. Nilai koefisien distribusi Log Pearson III
Interval kejadian tahun (periode ulang)
2 5 10 25 50 100 200
Koef. G Presentase Peluang Terlampaui
50 20 10 4 2 1 0.5
3,15
3,0 -0,396 0,42 1,18 2,278 4,051 -0,396
2
3,11
2,8 -0,384 0,46 1,21 2,275 3,973 -0,384
4
3,07
2,6 -0,368 0,499 1,238 2,267 2,889 -0,368
1
3,02
2,4 -0,351 0,537 1,262 2,256 3,8 -0,351
3
2,2 -0,33 0,574 1,284 2,24 2,97 3,705 -0,33
2,19
2,0 -0,307 0,609 1,302 2,219 3,605 -0,307
2
2,84
1,8 -0,282 0,643 1,318 2,193 3,499 -0,282
8
1,6 -0,254 0,675 1,329 2,163 2,78 3,388 -0,254
2,70
1,4 -0,225 0,705 1,337 2,128 3,271 -0,225
6
2,62
1,2 -0,195 0,732 1,34 2,087 3,149 -0,195
6
2,54
1,0 -0,164 0,758 1,34 2,043 3,022 -0,164
2
2,45
0,8 -0,132 0,78 1,336 1,993 2,891 -0,132
3
2,35
0,6 -0,099 0,8 1,328 1,939 2,755 -0,099
9
2,26
0,4 -0,066 0,816 1,317 1,88 2,615 -0,066
1
2,15
0,2 -0,033 0,83 1,301 1,818 2,472 -0,033
9
2,05
0,0 0 0,842 1,282 1,751 2,326 0
1
1,94
-0,2 0,033 0,85 1,258 1,68 2,178 0,033
5
1,84
-0,4 0,066 0,855 1,231 1,606 2,029 0,066
3
-0,6 0,099 0,857 1,2 1,528 1,72 1,88 0,099
1,60
-0,8 0,132 0,856 1,166 1,448 1,733 0,132
6
1,49
-1,0 0,164 0,852 1,128 1,366 1,588 0,164
2
27
1,37
-1,2 0,195 0,844 1,086 1,282 1,449 0,195
9
-1,4 0,225 0,832 1,041 1,198 1,27 1,318 0,225
1,16
-1,6 0,254 0,817 0,994 1,116 1,197 0,254
6
1,06
-1,8 0,282 0,799 0,945 1,035 1,087 0,282
9
-2,0 0,307 0,777 0,895 0,959 0,98 0,99 0,307
-2,2 0,33 0,752 0,844 0,888 0,9 0,905 0,33
-2,4 0,351 0,725 0,795 0,823 0,83 0,832 0,351
0,76
-2,6 0,368 0,696 0,747 0,764 0,769 0,368
8
0,71
-2,8 0,384 0,666 0,702 0,712 0,714 0,384
4
0,66
-3,0 0,396 0,636 0,66 0,666 0,667 0,396
6
 Distribusi Probabilitas General Extreme Value (GEV)

Distribusi probabilitas General Extreme Value (GEV) merupakan distribusi probabilitas
kontinu yang dikembangkan berdasarkan teori nilai ekstrem yang mencakup distribusi
Gumbel, Frechet, dan Weibull. Sesuai dengan teori tersebut, distribusi GEV adalah satu-
satunya distribusi yang menormalisasi nilai maksimum atas serangkaian data identik dan
independen yang terdistribusi secara acak. Persamaan PDF dari GEV dengan parameter
lokasi µ, parameter skala σ, dan parameter bentuk k ≠ 0 adalah sebagai berikut.
−1 1
1 ( x−μ ) ( x−μ )
() (( ) )(
−1−
y=f ( x|k , μ , σ )=
σ
exp − 1+k
σ
k
1+ k
σ ) k
Untuk
( x−μ )
1+k >0
σ
Untuk k = 0, maka
( σ1 )exp (−exp( −( x−μ

y=f ( x|0 , μ , σ ) =
σ
) ( x−μ )
)− σ )
Keterangan:
k = Parameter bentuk
σ = Parameter lokasi
μ = Parameter skala
28
Distribusi probabilitas GEV ini telah banyak digunakan di berbagai negara baik di benua
Asia, Eropa, Amerika, maupun Australia dan diakui sebagai distribusi probabilitas yang
paling akurat dalam memprediksi nilai ekstrem. Untuk memudahkan perhitungan nilai
ekstrem berdasarkan distribusi GEV, direkomendasikan digunakan perangkat lunak
seperti dilampirkan dalam Petunjuk Teknis ini.
Secara umum prosedur memperoleh data curah hujan maksimum harian tahunan.
1. Buka data hujan harian pada pos hujan terpilih.
2. Gunakan formula =max(seluruh data hujan pada tahun yang ditinjau) untuk
memperoleh nilai hujan harian maksimum tahunan.
3. Baca nilai curah hujan harian maksimum tahunan.
BULAN
TANGGAL TAHUNAN
Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nov Des
21 11 1 10 44 0 0 19 0 31 9 0 10 135
22 5 0 41 1 0 0 0 0 0 2 6 74 129
23 0 23 62 5 0 0 0 0 54 5 3 0 152
24 1 0 7 0 7 0 48 23 1 1 0 0 88
25 0 3 0 0 46 5 5 1 5 2 22 0 89
26 1 1 3 0 0 0 0 0 38 49 45 18 155
27 0 46 0 0 0 0 2 0 15 0 9 25 97
28 0 17 34 0 0 1 21 0 7 36 13 14 143
29 0 0 11 0 16 0 0 27 20 0 1 75
30 0 0 0 3 0 0 0 16 47 0 7 73
31 0 2 0 0 0 31 9 42
Hujan Max 52 46 79 55 52 61 48 67 54 49 45 74 79
4. Ulangi langkah 2 untuk mencari nilai hujan harian maksimum tahunan pada tahun
selanjutnya sampai pada jangka waktu yang diinginkan, minimal 10 tahun panjang
data.
5. Rangkum data hujan harian maksimum tahunan.
29
30
Secara umum prosedur menghitung curah hujan rencana menggunakan aplikasi SMADA-
DISTRIB adalah sebagai berikut.
1. Buka aplikasi Distrib 2.20.exe dalam folder SMADA
2. Masukkan data curah hujan harian maksimum tahunan pada kolom data.
31
3. Tentukan periode ulang yang diinginkan dengan mengubah nilai probabilitas
kejadian pada kolom prob menggunakan rumus dibawah ini.
1
Probabilitas=1−
periode ulang
4. Pilih pola distribusi yang diinginkan (Normal, Log Normal 2 Parameter, Log Normal
3 Parameter, Pearson III, Log Pearson 3, Gumbel, Generalized Extreme Value)
5. Curah hujan rencana dengan periode ulang tertentu akan tersaji pada kolom
prediction bagian bawah.
32
Contoh perhitungan curah hujan rencana dengan aplikasi SMADA-DISTRIB.
Berikut ini terlampir data curah hujan harian maksimum tahunan dari Stasiun Chinchona.
Cara menghitung curah hujan rencana :

1. Buka aplikasi Distrib 2.20.exe dalam folder SMADA
33
2. Masukkan data curah hujan harian maksimum tahunan pada kolom data.
3. Tentukan periode ulang yang diinginkan dengan mengubah nilai probabilitas

kejadian pada kolom prob.
4. Pilih pola distribusi yang diinginkan (normal, log normal 2 parameter, log normal 3
parameter, pearson III, log pearson 3, gumbel, Generalized Extreme Value).
5. Curah hujan rencana dengan periode ulang tertentu akan tersaji pada kolom
prediction bagian bawah.
34
6. Copy hasil curah hujan rencana yang tampil pada kolom Prediction dengan
periode ulang tertera pada kolom R Period ke dalam excel
7. Ulangi langkah nomor 4 untuk mendapatkan curah hujan rencana dengan pola
distribusi lain.
8. Rangkum data curah hujan rencana dari berbagai pola distribusi.
3.3 UJI KECOCOKAN DISTRIBUSI

Kecocokan dalam pemilihan fungsi distribusi diuji dengan uji kecocokan menggunakan
metod pengujian dan dengan confidence interval (tingkat interval kepercayaan) tertentu
dapat menggunakan metode Chi-Square dan metode Kolmogorov-Smirnov.
35
3.3.1 Uji Chi-Square
Metode ini menganggap pengamatan membentuk variabel acak dan dilakukan secara
statistik dengan mengikuti kurva distribusi chi square dengan derajat kebebasan k-p-1,
dengan p merupakan jumlah parameter yang diestimasi dari daya. Uji statistik ini
berdasarkan pada bobot jumlah kuadrat perbedaan antara pengamatan dan teoritisnya
yang dibagi dalam kelompok kelas. Uji kecocokan ini dapat dilihat pada persamaan di
bawah ini.
(Oi −Ei )2
X
k
i=1 Ei
Keterangan:
X : parameter chi square terhitung
K : jumlah sub kelompok
Oi : jumlah nilai pengamatan pada sub kelompok ke i
Ei : jumlah nilai teoritis pada sub kelompok ke i
Jika hasil X besar menunjukkan bahwa distribusi yang dipilih tidak cocok, tetapi uji ini
dapat memberikan hasil yang baik jika mempunyai data yang panjang. Akan lebih baik
jika jumlah data n lebih besar atau sama dengan 50 tahun dengan jumlah kelas interval
lebih besar sama dengan 5.
3.3.2 Kolmogorov-Smirnov
Untuk menghindarkan hilangnya informasi data pada uji Chi-Square akibat
pengelompokan data dalam kelas-kelas interval, ada beberapa metode lain yang telah
dikembangkan. Salah satu metode yang sering digunakan adalah metode Kolmogorov-
Smirnov (1993). Uji kecocokan ini adalah uji kecocokan non-parametric karena tidak
mengikuti distribusi tertentu. Uji ini menghitung besarnya jarak maksimum secara vertikal
antara pengamatan dan teoritisnya dari distribusi sampelnya. Perbedaan jarak maksimum
untuk Kolmogorov-Smirnov tertera pada persamaan di bawah ini.
Dn=max|P( x)−P o( x )|
Keterangan:
Dn : jarak vertikal maksimum antara pengamatan dan teoritisnya
P(x) : probabilitas dari sampel data
Po(x) : probabilitas dari teoritisnya
Distribusi dikatakan cocok jika nilai Dn< D kritisnya pada derajat kepercayaan yang
diinginkan. Jika Δ < Δkritis sesuai harga kritis uji Kolmogorov-Smirnov seperti tabel di
bawah maka distribusi teoritisnya dapat diterima dan sebaliknya.
36
Tabel 10. Harga kritis Kolmogorov-Smirnov
α
n
0,20 0,10 0,05 0,01
5 0,45 0,51 0,56 0,67
10 0,32 0,37 0,41 0,49
15 0,27 0,30 0,34 0,40
20 0,23 0,26 0,29 0,36
25 0,21 0,24 0,27 0,32
30 0,19 0,22 0,24 0,29
35 0,18 0,20 0,23 0,27
40 0,17 0,19 0,21 0,25
45 0,16 0,18 0,20 0,24
50 0,15 0,17 0,19 0,23
>5 1,07 1,22 1,36 1,63
0 √n √n √n √n
Keterangan: :
α : significant level.
n : jumlah data.
3.4 KOREKSI HUJAN TROPICAL RAINFALL MEASURING MISSION (TRMM)
3.4.1 Pemeriksaan Data Hujan Bulanan pos hujan dan TRMM

Sebelum digunakan dalam pemodelan hidrologi, data hujan yang didapatkan melalui
metode TRMM perlu diuji terlebih dahulu kualitasnya, dengan parameter kesesuaian dan
kecocokan dengan data yang tercatat di pos hujan (pada bagian ini disebut dengan pos
hujan). Pada bagian ini, evaluasi dilakukan dengan basis bulanan. Data TRMM dan pos
hujan dikategorikan baik bila terdapat kesesuaian pola hujan dan besaran dengan nilai
serupa.
Pemeriksaan data hujan bulanan TRMM dengan pos hujan bertujuan untuk melihat
kualitas data hujan bulanan secara umum. Jika data pos hujan cukup baik maka koefisien
korelasi antara TRMM dan pos hujan bernilai 0,6 atau lebih (Mamenun, 2014). Koefisien
korelasi tersebut bergerak dari 0,6 untuk wilayah pola hujan equatorial sampai dengan 0,8
untuk wilayah pola hujan monsun, selain itu sebaiknya dilengkapi dengan RMSE yang
bergerak antara 97-158 untuk wilayah pola hujan equatorial dan 58-84 untuk wilayah pola
hujan monsun.
Prosedur pemilihan pos hujan yang layak digunakan dalam perhitungan debit banjir
bendungan:
1. Tentukan pos hujan yang memiliki data hujan harian (minimal 3 tahun).
2. Periksa periode data hujan harian pada pos hujan yang dipilih (periode data hujan
yang dapat digunakan adalah tahun 1998 - 2016).
3. Pilih grid TRMM yang terdekat dengan koordinat pos hujan terpilih.
4. Plot hujan bulanan pos hujan vs hujan TRMM.
37
5. Hitung nilai koefisien korelasi hujan bulanan pos hujan terhadap hujan TRMM
(nilai koefisien korelasi > 0,6).
6. Jika nilai koefisien korelasi < 0,6 maka pos hujan tersebut tidak dapat digunakan
untuk perhitungan debit banjir pada bendungan.
Secara umum prosedur pemilihan pos hujan dan koreksi data hujan harian TRMM
disajikan pada Gambar 5.
3.4.2 Koreksi Data Hujan Harian TRMM

Tahap koreksi ini hanya dapat dilakukan jika data hujan harian pos hujan ada dalam
peringkat cukup baik. Salah satu bentuk pengujian untuk menilai keakuratan / kelayakan
data hujan harian tersebut adalah dengan melalui proses yang digambarkan sub bab
sebelumnya. Persyaratan lain yang perlu di pertimbangkan adalah data hujan harian pos
hujan memiliki panjang minimal 3 tahun dan ada pada periode TRMM (1998 – 2016).
Kedua seri data hujan (TRMM dan pos hujan) dengan periode yang sama disandingkan
menjadi dua kolom. Untuk selanjutnya dihitung probabilitas kejadian hujan tertentu yang
lebih kecil (non-exceedance probability) untuk setiap kelompok hujan dengan interval 10
-20 mm. Sudah barang tentu lengkung probabilitas (cumulative density function) itu
berbeda probababilitasnya dan jumlah absolut perbedaan tersebut adalah error. Lihat
gambar di bawah. Sebagai panduan koreksi yang dilakukan sebaiknya mengikuti
rumusan sebagai berikut.
1. Hujan TRMM yang lebih kecil dari sesuatu nilai hujan dianggap 0, nilai tersebut
biasanya bergerak antara 0 - 10 mm.
2. Curah hujan yang lebih kecil dari suatu nilai dikalikan dengan sesuatu konstanta.
Nilai tersebut biasanya bergerak antara 50 – 100 mm dan konstanta bergerak
antara 0,8 - 1.
3. Data curah hujan yang lebih besar dari nilai yang di sebutkan pada butir 2
dikalikan suatu konstanta biasanya konstanta tersebut bergerak antara 1 – 1,3.
38
Gambar 5. Prosedur koreksi data hujan harian TRMM
Gambar 6. Koreksi hujan dengan lengkung probabilitas.
3.5 CURAH HUJAN WILAYAH
3.5.1 Poligon Thiessen

Curah hujan yang diperlukan untuk melakukan analisis ini adalah curah hujan rata-rata
diseluruh daerah yang bersangkutan, bukan curah hujan pada suatu titik tertentu. Curah
hujan ini disebut curah hujan wilayah dan dinyatakan dalam mm. Bila dalam suatu area
terdapat pos penakar hujan, maka untuk mendapatkan harga hujan area adalah dengan
mengambil harga rata-ratanya. Pada analisis ini akan digunakan salah satu metode dari
beberapa metode perhitungan curah hujan wilayah, yaitu metode poligon Thiessen.
39
Metode ini memberikan proporsi luasan daerah pengaruh pos penakar hujan untuk
mengakomodasi ketidakseragaman jarak. Meskipun belum dapat memberikan bobot yang
tepat sebagai sumbangan satu pos untuk hujan wilayah, metode ini telah memberikan
bobot tertentu kepada masing-masing pos sebagai fungsi jarak pos hujan. Hujan rata-rata
daerah untuk poligon Thiessen dihitung dengan persamaan berikut:
n
∑ Pi A i
P= i=1n
∑ Ai
i=1
Keterangan:
P : curah hujan wilayah (mm)
Pi : curah hujan di titik pos hujan (mm)
Ai : luas daerah pengaruh masing-masing data hujan (km2)
n : jumlah pos curah hujan
Gambar 7. Poligon Thiessen
3.5.2 Isohiet
Selain poligon Thiessen juga dapat digunakan metode Isohiet untuk memperkirakan hujan
rata-rata, tertutama pada waktu menerapkan hujan dengan berbagai periode ulang 100,
1000 tahun, dan PMP (Probable Maximum Precipitation) yang dikeluarkan oleh Balai
Bendungan
3.6 FAKTOR REDUKSI LUAS / AREAL REDUCTION FACTOR (ARF)

Area reduction factor (ARF) atau dapat juga dikatakan sebagai faktor penyesuaian waktu
kejadian hujan sangat diperlukan dalam rangka untuk melakukan analisis hujan rencana
dan juga banjir rencana berbasis data hujan. Nilai ARF ini merupakan salah satu variabel
yang sangat penting dalam analisis hujan rencana maupun banjir rencana. Umumnya
penelitian besarnya ARF banyak dilakukan di negara-negara yang sudah maju atau
40
negara yang berada di iklim subtropis dan sangat minim sekali untuk wilayah yang berada
di negara tropis seperti Indonesia. Beberapa negara seperti USA, Australia, dan beberapa
negara di Eropa membuat ARF dengan berbagai pendekatan tergantung dari
ketersediaan data yang dimiliki.
Secara umum, ARF menunjukkan rasio antara hujan wilayah dan hujan titik yang
diperoleh pada periode waktu yang sama. Besaran ARF sebanding dengan luas area,
semakin besar luas area semakin kecil faktor reduksi. Semakin luas area semakin jarang
terjadinya hujan homogen atau merata, tetapi semakin kecil area akan semakin merata
hujan yang terjadi. Oleh karena itu luas area yang kecil akan mempunyai faktor reduksi
mendekati 1 (satu). Khusus dalam Petunjuk Teknis ini, besarnya nilai ARF yang
digunakan adalah nilai ARF yang merupakan hasil studi yang dilakukan di Pulau Jawa
seperti tersaji pada Gambar 8 di bawah ini.
1.000
0.950
0.900
0.850
0.800
ARF
0.750
0.700
0.650
0.600
0.550
0.500
0 1000 2000 3000 4000 5000
Luas (km2)
1 harian 2 harian 3 harian
Gambar 8. ARF untuk Pulau Jawa dengan berbagai periode hujan
3.6.1 Perbandingan ARF

Setiap wilayah memiliki lengkung ARF berbeda yang diturunkan dari ketersediaan data
yang dimiliki. Perbedaan lengkung ARF ini diakibatkan oleh perbedaan distribusi hujan
dan iklim tiap wilayah. Seperti yang tersaji pada Gambar 9 di bawah ini lengkung ARF
pulau Jawa memiliki kemiripan dengan lengkung ARF negara Malaysia dan Thailand.
Oleh sebab itu dalam perhitungan debit banjir petunjuk teknis ini merekomendasikan ARF
pulau Jawa untuk digunakan di seluruh Indonesia.
41
1
0.9
0.8
ARF
0.7
0.6
0.5
0 200 400 600 800 1000 1200 1400 1600 1800 2000
Luas Wilayah (km2)
Jawa New Jersey North Carolina

Victoria Malaysia Thailand
Gambar 9. Perbandingan ARF berbagai wilayah
1
0.95
0.9
0.85
0.8
ARF
0.75
0.7
0.65
0.6
0.55
0.5
0 200 400 600 800 1000 1200 1400 1600 1800 2000
Luas (km2)
ARF Jawa ARF Malaysia ARF Thailand
Gambar 10. Perbandigan ARF Jawa, Malaysia, dan Thailand
3.6.2 Penerapan ARF Jawa dibandingkan dengan nilai ARF sesungguhnya

Untuk beberapa wilayah di Indonesia dicoba dicari besar nilai ARF sesungguhnya
kemudian dibandingkan dengan besar ARF Jawa yang ditentukan berdasarkan luas DAS.
ARF sesungguhnya didapat dengan cara membandingkan besar curah hujan rencana per
stasiun dengan besar curah hujan wilayah rencana untuk jangka waktu dan periode ulang
yang sama.
42
1
0.95
0.9
0.85
0.8
ARF
0.75
0.7
0.65
0.6
0.55
0.5
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Luas (km2)
ARF Jawa ARF Dodokan ARF Sutami

Nanjung ARF Dodokan Sesungguhnya ARF Sutami Sesungguhnya
ARF Nanjung Sesungguhnya
Gambar 11. Perbandingan Hasil ARF Jawa dengan ARF asli
Tabel 11. Perbandingan Hasil ARF Jawa dengan ARF asli
DAS Luas ARF Jawa ARF Sesungguhnya % Deviasi

Dodoka
n 565.9 0.72 0.55 23.46%
Sutami 2214.0 0.60 0.57 5.67%
Nanjung 2282.3 0.60 0.50 16.95%
Dari hasil perhitungan didapat bahwa ARF Jawa memiliki nilai yang lebih besar daripada
ARF sesungguhnya, maka ARF Jawa aman untuk digunakan.
43
3.6.3 Penentuan Nilai ARF
Mulai
Hitung luas DAS
Tarik garis vertikal dari titik

luas DAS sampai memotong
lengkung ARF
Dari perpotongan tarik garis

horizontal ke sumbu Y untuk
mendapatkan nilai ARF
Selesai
Gambar 12. Kerangka pikir penentuan ARF
Contoh: DAS Sutami dengan luas 2214,044 km2 memiliki nilai ARF sebesar 0,604.
0.95
0.9
0.85
0.8
ARF
0.75
0.7
0.65
0.6
0.55
0.5
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Luas (km2)
ARF Jawa
Gambar 13. Contoh penentuan nilai ARF berdasarkan luas
44
3.7 DURASI DAN DISTRIBUSI CURAH HUJAN
Penentuan distribusi hujan rencana merupakan hal yang sangat bervariasi dan sensitif
pada lokasi studi. Distribusi yang dimaksud di sini merupakan distribusi secara temporal
(besaran hujan setiap waktu pada ketelitian harian, jam-jaman atau bahkan menitan),
bukan distribusi secara spasial. Oleh sebab itu perlu dilakukan proses verifikasi pada
suatu daerah sebelum dapat menggunakan pola-pola distribusi yang ada. Perbedaan pola
distribusi curah hujan rencana dapat menghasilkan distribusi debit banjir yang berbeda
juga. Jika pada sebuah daerah studi / pekerjaan tidak tersedia data curah hujan dengan
durasi pendek, maka dapat digunakan data curah hujan berdurasi pendek pada lokasi
terdekat dengan lokasi studi. Terdapat tiga jenis distribusi hujan yang dapat digunakan:
distribusi hujan PSA 007, distribusi hujan NRCS / SCS, dan distribusi hujan Huff-1.
3.7.1 Durasi Hujan

Dalam perhitungan debit banjir pada daerah aliran sungai berukuran besar dengan waktu
dasar hidrograf satuan kurang dari 12 jam, disarankan untuk menggunakan durasi hujan
12 jam sebagai dasar perhitungan. Sedangkan untuk DAS berukuran kecil dan menengah
dengan waktu konsentrasi 2 – 3 jam disarankan untuk menggunakan durasi hujan 6 jam.
Gambar 14. Justifikasi durasi hujan

Dalam flowchart diatas, terlihat penentuan jenis distribusi (PSA, SCS, Huff) tergantung
dari data hujan jam-jaman atau 3 jam-an yang ada. Dalam konteks banjir hujan jam-jaman
yang dipilih adalah berskala besar, paling tidak diusahakan agar hujan hariannya sama
dengan absolut maksimum (biasanya mendekati R100) atau yang mendekati.
3.7.2 Distribusi Hujan
3.7.2.1 Distribusi Hujan PSA-007

Mengacu pada dokumen Guidelines for Dam Flood Safety, salah satu distribusi hujan
yang digunakan adalah distribusi hujan PSA-007. Selain dokumen tersebut, penggunaan
45
PSA 007 juga dianjurkan dalam dokumen ‘Petunjuk Teknis Perhitungan Banjir Desain
Bendungan’ dan ‘Panduan Perencanaan Bendungan Urugan, Volume II Analisis Hidrologi
Bab 3’. Terdapat beberapa versi dari distribusi curah hujan berdasarkan PSA 007, namun
secara umum distribusinya terjadi sesuai tabel di bawah ini.
Tabel 12. Distribusi curah hujan 24 jam pada berbagai periode ulang
Periode Ulang Durasi Hujan [Jam]
Tahun 1/2 3/4 1 2 3 6 12 24
5 32 41 48 59 66 78 88 100
10 30 38 45 57 64 76 88 100
25 28 36 43 55 63 75 88 100
50 27 35 42 53 61 73 88 100
100 26 34 41 52 60 72 88 100
1000 25 32 39 49 57 69 88 100
CMB 20 27 34 45 52 64 88 100
Tabel 13. Distribusi curah hujan PSA 007

Durasi Hujan (jam) 1 2 3 4 5 6 8 12 16 20 24
Curah Hujan
Kumulatif (%) 33 45 54 60 65 69 76 86 92 97 100
Bentuk distribusi curah hujan PSA 007 biasanya didistribusikan dengan bentuk lonceng
(bell shaped) dan dapat diterjemahkan terhadap durasi hujan yang lain, dengan contoh
sebagai berikut:
 Mengubah distribusi PSA 007 dari 24 jam menjadi 6 jam

1. Pada jam pertama di distribusi 6 jam, rasio waktu tersebut terhadap
panjang waktu total adalah 1/6. Pada rasio yang sama di distribusi 24 jam,
waktu tersebut dapat diterjemahkan menjadi jam keempat. Melalui rasio
tersebut, diketahui bahwa pada jam pertama distribusi 6 jam, telah turun
hujan sebanyak 60% dari hujan total. Proporsi 60% ini kemudian
didistribusikan pada jam ketiga dengan tujuan untuk meletakkan puncak
hujan pada titik tengah durasi.
2. Pada jam kedua di distribusi 6 jam, rasio waktu tersebut terhadap panjang
waktu total adalah 2/6. Pada rasio yang sama di distribusi 24 jam, waktu
tersebut dapat diterjemahkan menjadi jam kedelapan. Melalui rasio
tersebut, diketahui bahwa pada jam kedua distribusi 6 jam, telah turun
hujan sebanyak 76% dari hujan total, atau 16% antara jam pertama dan
jam kedua. Proporsi 16% ini kemudian didistribusikan pada jam keempat,
di sebelah jam ketiga untuk memberikan efek resesi dari puncak hujan.
3. Pada jam ketiga di distribusi 6 jam, rasio waktu tersebut terhadap panjang
tersebut dapat diterjemahkan menjadi jam kedua belas. Melalui rasio
tersebut, diketahui bahwa pada jam ketiga distribusi 6 jam, telah turun
hujan sebanyak 86% dari hujan total, atau 10% antara jam kedua dan jam
ketiga. Proporsi 10% ini kemudian didistribusikan pada jam kedua, di
sebelah jam ketiga untuk memberikan efek naik menuju puncak hujan.
46
4. Pada jam keempat di distribusi 6 jam, rasio waktu tersebut terhadap
waktu tersebut dapat diterjemahkan menjadi jam keenam belas. Melalui
rasio tersebut, diketahui bahwa pada jam keempat distribusi 6 jam, telah
turun hujan sebanyak 92% dari hujan total, atau 6% antara jam ketiga dan
jam keempat. Proporsi 6% ini kemudian didistribusikan pada jam kelima
dengan tujuan untuk memberikan efek resesi dari hujan jam keempat.
5. Pada jam kelima di distribusi 6 jam, rasio waktu tersebut terhadap panjang
tersebut dapat diterjemahkan menjadi jam kedua puluh. Melalui rasio
tersebut, diketahui bahwa pada jam kelima distribusi 6 jam, telah turun
hujan sebanyak 97% dari hujan total, atau 5% antara jam keempat dan jam
kelima. Proporsi 5% ini kemudian didistribusikan pada jam pertama, di
sebelah jam kedua untuk memberikan efek naik menuju hujan jam kedua.
6. Pada jam keenam di distribusi 6 jam, rasio waktu tersebut terhadap
waktu tersebut dapat diterjemahkan menjadi jam kedua puluh empat.
Melalui rasio tersebut, diketahui bahwa pada jam keenam distribusi 6 jam,
telah turun hujan sebanyak 100% dari hujan total, atau 3% antara jam
kelima dan jam keenam. Proporsi 3% ini kemudian didistribusikan pada
jam keenam, di sebelah jam kelima untuk memberikan efek resesi dari
hujan jam kelima.
Dari uraian di atas, didapatkan hujan tiap jam pada durasi 6 jam sebagai
berikut:
Tabel 14. Distribusi curah hujan 6 jam
Durasi Hujan (jam) 1 2 3 4 5 6
Curah Hujan Jam-

5 10 60 16 6 3
Jaman (%)
Curah Hujan
Kumulatif (%) 5 15 75 91 97 100
Distribusi tersebut kemudian dimasukkan ke dalam grafik. Hal yang sama

dilakukan pada durasi 12 jam dan 24 jam, sehingga menghasilkan grafik
sebagai berikut. Secara tabulasi, tabel di bawah juga memberikan nilai
kuantitatif distribusi curah hujan sesuai standar PSA 007.
47
Gambar 15. Distribusi hujan kumulatif PSA007
48
Tabel 15. Distribusi hujan kumulatif PSA 007
Distribusi PSA 007
R/Rt
Jam ke-
6 jam 12 jam 24 jam
0 0.0000 0.0000 0.0000
1 0.0500 0.0200 0.0075
2 0.1500 0.0400 0.0150
3 0.7500 0.0700 0.0275
4 0.9100 0.1200 0.0400
5 0.9700 0.2100 0.0550
6 1.0000 0.6600 0.0700
7 0.8100 0.0950
8 0.8800 0.1200
9 0.9300 0.1550
10 0.9600 0.2050
11 0.9900 0.2950
12 1.0000 0.6250
13 0.7450
14 0.8050
15 0.8450
16 0.8800
17 0.9050
18 0.9300
19 0.9450
20 0.9600
21 0.9725
22 0.9850
23 0.9925
24 1.0000
49
Gambar 16. Distribusi curah hujan 6 Jam
Gambar 17. Distribusi curah hujan 12 jam
Gambar 18. Distribusi curah hujan 24 jam
50
3.7.2.2 Distribusi Hujan NRCS/SCS
Distribusi hujan NRCS/SCS merupakan distribusi hujan yang diturunkan di seluruh daerah
di Amerika Serikat oleh The U.S. Department of Agriculture, Soil Conservation Service
pada tahun 1986. Pada awalnya, pola distribusi curah hujan SCS dikembangkan terhadap
dua buah durasi hujan, yaitu 6 jam dan 24 jam. Terdapat empat jenis distribusi
NRCS/SCS yang secara umum disebut distribusi NRCS/SCS tipe I, distribusi NRCS/SCS
tipe IA, distribusi NRCS/SCS tipe II, dan distribusi NRCS/SCS tipe III. Berdasarkan buku
Applied Hydrology karangan Ven Te Chow, berikut distribusi SCS masing-masing tipe.
Gambar 19. Distribusi hujan kumulatif NRCS/SCS
51
Tabel 16. Distribusi Hujan Kumulatif NRCS/SCS
R/Rt
t/24
SCS I SCS IA SCS II SCS III
0.0000 0 0 0 0
0.0833 3.5 5 2.2 2
0.1667 7.6 11.6 4.8 4.3
0.2500 12.5 20.6 8 7.2
0.2917 15.6 26.8 9.8 8.9
0.3333 19.4 42.5 12 11.5
0.3542 21.9 48 13.3 13
0.3750 25.4 52 14.7 14.8
0.3958 30.3 55 16.3 16.7
0.4063 36.2 56.4 17.2 17.8
0.4167 51.5 57.7 18.1 18.9
0.4375 58.3 60.1 20.4 21.6
0.4583 62.4 62.4 23.5 25
0.4792 65.4 64.5 28.3 29.8
0.4896 66.9 65.5 35.7 33.9
0.5000 68.2 66.4 66.3 50
0.5208 70.6 68.3 73.5 70.2
0.5417 72.7 70.1 77.2 75.1
0.5625 74.8 71.9 79.9 78.5
0.5833 76.7 73.6 82 81.1
0.6667 83 80 88 88.6
0.8333 92.6 90.6 95.2 95.7
1.0000 100 100 100 100
3.7.2.3 Distribusi Hujan Huff-1

Selain distribusi hujan NRCS/SCS, di Amerika juga, tepatnya di Illinois, Huff (1967)
mengembangkan analisis runtut waktu tipe hujan. Distribusi yang dikembangkan tersebut
memiliki sebaran kumulatif seperti dapat dilihat pada gambar di bawah ini.
52
Gambar 20. Distribusi hujan kumulatif Huff-1
Tabel 17. Distribusi Hujan Kumulatif Huff-1

R/Rt
t/td
6 jam 12 jam 24 jam
0.05 0.063 0.063 0.063
0.10 0.178 0.178 0.178
0.15 0.333 0.333 0.333
0.20 0.500 0.500 0.500
0.25 0.620 0.620 0.620
0.30 0.705 0.705 0.705
0.35 0.760 0.760 0.760
0.40 0.798 0.798 0.798
0.45 0.830 0.830 0.830
0.50 0.855 0.855 0.855
0.55 0.880 0.880 0.880
0.60 0.898 0.898 0.898
0.65 0.915 0.915 0.915
0.70 0.930 0.930 0.930
0.75 0.944 0.944 0.944
0.80 0.958 0.958 0.958
0.85 0.971 0.971 0.971
0.90 0.983 0.983 0.983
0.95 0.994 0.994 0.994
1.00 1.000 1.000 1.000
53
3.8 CURAH HUJAN MAKSIMUM BOLEH JADI (CMB)
Curah hujan maksimum boleh jadi didefinisikan sebagai tinggi terbesar hujan dengan
durasi tertentu yang secara meteorologis dimungkinkan bagi suatu daerah pengaliran
dalam suatu waktu dalam tahun, tanpa adanya kelonggaran yang dibuat untuk trend
klimatologis jangka panjang.
Rumus yang digunakan oleh HERSHFIELD didasarkan atas persamaan frekuensi umum,
yaitu:
X m= X́ n+ K m Sn
Dengan
XT = curah hujan maksimum yang tercatat
X́ n = nilai rata-rata (mean) data hujan maksimum tahunan
Sn = standar deviasi data hujan maksimum tahunan
K = faktor pengali terhadap deviasi
Nilai-nilai Km untuk durasi 5 menit. 1, 6, dan 24 jam dan hubungannya dengan

keberagaman X́ n dimuat pada Gambar 20.
Gambar 21. Faktor pengali terhadap deviasi (Km)
Hujan yang jarang terjadi (outlier) dapat mempengaruhi X́ ndan sn deret data tahunan
(annual series). Besarnya pengaruh tersebut menjadi berkurang untuk data panjang,
54
tetapi menjadi besar pada data yang pendek. Gambar di bawah ini dibuat oleh
HERSHFIELD untuk menyesuaikan besarnya X́ n dan sn sebagai kompensasi dengan
adanya outlier tersebut.
Gambar 22. Faktor koreksi Xn
Gambar 23. Faktor koreksi sn

Lengkung pada gambar di bawah ini dibuat berdasarkan nilai rata-rata yang didapat dari
analisis depth-area-duration (DAD) untuk badai badai besar.
55
Gambar 24. Lengkung reduksi luas
56
3.9 PEMILIHAN DISTRIBUSI HUJAN
Gambar 25. Kerangka pikir pemilihan distribusi hujan.
Contoh pemilihan distribusi hujan DAS Sutami.
1. Pilih pos hujan yang memiliki data hujan jam-jaman. Dalam hal ini pos hujan DAS Sutami yang
dapat digunakan adalah pos hujan Pujon, Dampit, Poncokusumo, dan Sengguruh.
2. Rangkum nilai hujan jam jaman yang memiliki nilai kumulatif terbesar untuk durasi hujan yang
sama.
3. Kumulatifkan data hujan jam-jaman.
57
4. Ubah tinggi hujan kumulatif menjadi persentase hujan kumulatif.
Jam ke-
Pos Hujan
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Tinggi Hujan (mm) 0 3 16 14 13 6 6 2 13 21 5 6 3 2 3 4
Pujon Kumulatif (mm) 0 3 19 33 46 52 58 60 73 94 99 105 108 110 113 117
Bobot (%) 0 2.6 16.2 28.2 39.3 44.4 49.6 51.3 62.4 80.3 84.6 89.7 92.3 94.0 96.6 100.0
Tinggi Hujan (mm) 0 34 16 20 34 38 22 20 14 2 2 8
Dampit Kumulatif (mm) 0 34 50 70 104 142 164 184 198 200 202 210
Bobot (%) 0 16.2 23.8 33.3 49.5 67.6 78.1 87.6 94.3 95.2 96.2 100.0
Tinggi Hujan (mm) 0 19 10 7 10 15 8 7 4
Poncokusumo Kumulatif (mm) 0 19 29 36 46 61 69 76 80
Bobot (%) 0 23.8 36.3 45.0 57.5 76.3 86.3 95.0 100.0
Tinggi Hujan (mm) 0 51 18 23 28 21 11 12 6
Sengguruh Kumulatif (mm) 0 51 69 92 120 141 152 164 170
Bobot (%) 0 30.0 40.6 54.1 70.6 82.9 89.4 96.5 100.0
5. Plot bobot hujan pada grafik.
6. Lakukan dengan prosedur yang sama untuk data TRMM 3 jam-an DAS Sutami.
7. Plot distribusi hujan pada DAS Sutami pada masing masing grafik distribusi hujan PSA 007,
Huff-1, dan SCS.
58
59
60
8. Diketehui bahwa curah hujan DAS Sutami mengikuti pola distribusi SCS tipe 1A dengan durasi
12 jam.
61
BAB 4 ANALISIS DEBIT BANJIR RENCANA
4.1 URAIAN UMUM

Mengacu pada SNI 2415-2016 tentang “Tata cara perhitungan debit banjir rencana”
disarankan untuk menggunakan pendekatan model matematik untuk perhitungan banjir
rencana jika memungkinkan melalui proses kalibrasi. Untuk DAS kecil < 50 km2 dapat
diperlakukan sebagai DAS tunggal (single catchment) sedangkan untuk DAS besar luas
DAS dibagi bagi menjadi beberapa sub-DAS yang lebih kecil. Hampir pada semua model
hidrologi tersedia sub-model hubungan hujan limpasan (rainfall runoff relationship) dan
sub-model penelusuran banjir (flood routing) terutama di sungai jika ada lebih dari satu
sub-DAS. Untuk memodelkan hujan limpasan terdiri dari 3 komponen utama yaitu
kehilangan air (infiltrasi), hidrograf satuan sintetik, dan aliran dasar (baseflow). Untuk DAS
kecil, Sub-model penelusuran banjir tidak ada.
4.2 KEHILANGAN AIR
4.2.1 Metode NRCS/SCS

Perhitungan kehilangan air dengan menggunakan metode NRCS/SCS bergantung dari
parameter CN (Curve Number). Karakteristik DAS secara umum yang mempengaruhi
parameter SCS-CN adalah jenis tanah, jenis tutupan vegetasi, penggunaan lahan, kondisi
hidrologi, kondisi kelengasan tanah sebelumnya (AMC), dan iklim pada DAS.
Metode ini mengestimasi kelebihan hujan sebagai fungsi dari hujan komulatif, tutupan
lahan, tata guna lahan, kelembapan tanah. Persamaannya dapat ditulis menjadi
( P− I a )2
Pe =
{ P −I a + S }
I a= λ . S
25400−254 CN
S= { CN }
Keterangan :
Pe : kelebihan hujan kumulatif (mm)
P : hujan kumulatif (mm)
Ia : kehilangan awal air (mm)
S : potensi tampungan di dalam DAS (mm)
λ : koefisien
62
CN : Curve Number
Hubungan Ia dan S diturunkan secara empiris dimana nilai λ diambil sebesar 0,2.
Sehingga pada DAS yang berbeda nilai λ dapat berbeda-beda.
Untuk DAS dengan sub-DASyang memiliki jenis tanah dan tutupan lahan yang berbeda,
maka nilai komposit CN ditentukan berdasarkan :
CN 1 A1 +CN 2 A 2+ …+CN i Ai …+CN n A n
CN c = n
∑ Ai
i=1
Keterangan :
CNi : nilai CN pada sub-DAS i,
Ai : luas pada sub-DAS i, dan
n : jumlah sub-DAS.
Penentuan nilai CN dimulai dengan pengumpulan data. Untuk menentukan jenis tanah,
peta yang diperlukan adalah peta tanah. Peta tanah yang digunakan adalah Peta
Harmonized World Soil Database (HWSD).
4.2.2 Penentuan Nilai Curve Number (CN)

Nilai dari HSG ditentukan dengan menggunakan peta HWSD (Harmonized World Soil
Database). Peta ini dapat diakses dari http://webarchive.iiasa.ac.at. Peta HWSD
merupakan database raster 30 arc-second dengan lebih dari 1600 pemetaan tanah yang
berbeda yang menggabungkan pembaruan informasi regional dan nasional yang ada di
seluruh dunia (SOTER, ESD, Soil Map of China, WISE) dengan informasi yang terdapat
dalam 1: 5000.000 skala FAO-UNESCO Tanah Peta Dunia (FAO, 19711981).
Peta HWSD sudah memiliki informasi mengenai tekstur tanah dominan menurut USDA
(United States Department of Agriculture). Informasi tersebut di transformasikan sebagai
kelompok kelas HSG berdasarkan kelas tekstur dari USDA.
Secara umum prosedur penentuan nilai HSG :
1. Unduh aplikasi dan data dari web
http://webarchive.iiasa.ac.at/Research/LUC/External-World-soil-
database/HTML/index.html?sb=1
63
2. Pada tautan Download Data Only unduh data raster.
3. Buka data pada aplikasi berbasis GIS, data tersebut memuat peta global HWSD.
4. Masukkan DAS terpilih pada peta HWSD dalam aplikasi berbasis GIS.
5. Lihat informasi jenis tanah dengan kode GRIDCODE pada DAS terpilih dalam
aplikasi berbasis GIS.
6. Buka aplikasi Harmonized World Soil Database v 1.2.
7. Cari informasi Soil Mapping Unit yang sesuai dengan GRIDCODE pada lokasi
DAS terpilih.
8. Gunakan informasi tekstur tanah Dominant Soil pada baris Topsoil USDA Texture
Classification.
9. Ubah informasi tekstur tanah menjadi HSG dari tabel klasifikasi tanah USDA (lihat
Tabel 18).
10. Pilih kondisi vegetasi dan penggunaan lahan dari peta tutupan lahan yang
tersedia, lalu sesuaikan dengan HSG yang telah ditentukan.
11. Gunakan nilai CN yang didapat dari Tabel 19.
12. Untuk DAS dengan sub-DAS yang memiliki jenis tanah dan tutupan lahan yang
berbeda, maka hitung nilai komposit CN.
64
Mulai
Peta Tanah : Peta Tutupan Lahan :

Harmonized World Rupabumi Indonesia /
Soil Database BAPPEDA / Kehutanan
Klasifikasi Jenis Tanah Dominan

Penggunaan
berdasarkan Tekstur Tanah Kondisi Vegetasi
Lahan
USDA
Penentuan Hydrologic Soil

Group menurut USDA
Penentuan Nilai CN
Selesai
Gambar 26. Diagram Alir Penentuan HSG Menggunakan Peta HWSD
Hydrologic Soil Group (HSG) menurut NRCS dibagi menjadi empat kelas, yaitu A,
B, C, dan D. Kriteria pengelompokan HSG menurut USDA adalah sebagai berikut :
Tabel 18. Nilai HSG Berdasarkan Klasifikasi Tanah USDA
HS
Tekstur Tanah
G
A Sand, loamy sand or sandy loam
B Silt or loam
C Sandy clay loam
D Clay loam, silt clay loam, sandy clay or clay
Nilai CN diambil dari tabel Klasifikasi Nilai CN Berdasarkan HSG. Kondisi vegetasi
(Hydrologic Conditions/% impervious area) dan penggunaan lahan diambil dari peta
tutupan lahan yang tersedia, lalu sesuaikan dengan HSG yang telah ditentukan (lihat
Tabel 18).
65
Tabel 19. Klasifikasi Nilai CN Berdasarkan HSG
Hydrologic Hydrologic Soil Groups
Conditions/%
No Land Use Description/Treatment
impervious A B C D
area
Urban
1 Residential:
Average lot size 1/8 acre or less 65 77 85 90 92
1/4 acre 38 61 75 83 87
1/3 acre 30 57 72 81 86
1/2 acre 25 54 70 80 85
1 acre 20 51 68 79 84
2 acre 12 46 65 77 8
Paved parking lots, roofs,
driveways, etc. (excluding ri_ght- 98 98 98 98
2 of-way)
3 Streets and roads:
Paved with crurbs and storm
98 98 98 98
sewers (excluding right-of-way)
Paven, open ditch
82 89 92 93
(including right-of-way)
Gravel (including right-of-way) 76 85 89 91
Dirt (including (right-of-way) 72 82 87 89
4 Western desert areas:
Natural desert landscaping
63 77 85 88
(pervious areas only)
Artificial desert landscaping
(impervious weed barrier, desert
96 96 96 96
shrub with 1-2 inch sand or gravel
mulch and basin borders)
5 Urban districts:
Commercial and business areas 85 89 92 94 95
Industrial districts 72 81 88 91 93
6 Developing areas:
Newly graded areas
(pervious areas only, no 77 86 91 94
vegetation)
Idle lands
Open spaces, lawns, parks, gold

7 courses, cemetries, etc.
Grass cover on 75% or more of the
Good 36 61 74 80
area
Grass cover on 50% to 75% of the
Fair 49 69 79 84
area
66
Tabel 20. Klasifikasi Nilai CN Berdasarkan HSG (Lanjutan)
Conditions/%
impervious A B C D
area
Agricultural
Cultivated lands:
8 Fallow:
Bare soil Straight row 77 86 91 94
Crop residue cover Poor 76 85 90 93
9 Row crops
Straight row Poor 72 81 88 91
Straight row Good 67 78 85 89
Crop residue cover Straight row Poor 71 80 87 90
Crop residue cover Straight row Good 64 75 82 85
Contoured Poor 70 79 84 88
Contoured Good 65 75 82 86
Crop residue cover Contoured Poor 69 78 83 87
Crop residue cover Contoured Good 64 74 81 85
Contoured & terraced Poor 66 74 80 82
Contoured & terraced Good 62 71 78 81
Crop residue cover Contoured &
Poor 65 73 79 81
terraced
Good 61 70 77 80
terraced
10 Small grain:
Crop residue cover Straight row Poor 64 75 83 86
Crop residue cover Straight row Good 60 72 80 84
Crop residue cover Contoured Poor 62 73 81 84
Crop residue cover Contoured Good 60 72 80 83
Poor 60 71 78 81
terraced
Good 58 69 77 80
terraced
67
Conditions/%
impervious A B C D
area
Close-seeded legumes or rotation

11 meadow
Uncultivated lands:
12 Pasture or range: Poor 68 79 86 89
Fair 49 69 79 84
Good 39 61 74 80
Contoured Fair 25 59 75 83
Meadow-continuous grass,
protected from grazing, and Good 30 58 71 78
13 generally mowed for hay
Brush-brush weed grass mixture
with brush being the major Poor 48 67 77 83
element
Fair 35 56 70 77
Good 30 48 65 73
Farmsteads-buildings, lanes,
59 74 82 86
14 driveways, and surrounding lots
68
Conditions/%
impervious A B C D
area
Woods and Forest
15 Woods or forest land Poor 45 66 77 83
Fair 36 60 73 79
Good 25 55 70 77
Woods-grass combination (orchard
57 73 82 86
16 or tree farm) Poor
Fair 43 65 76 82
Good 32 58 72 79
Arid and Semiarid rangelands :
17 Herbaceous Poor 80 87 93
Fair 71 81 89
Good 62 74 85
18 Oak-aspen Poor 66 74 79
Fair 48 57 63
Good 30 41 48
19 Pinyon-juniper Poor 75 85 89
Fair 58 73 80
Good 41 61 71
20 Sagebrush with grass understory Poor 67 80 85
Fair 51 63 70
Good 35 47 55
21 Desert shrub Poor 63 77 85 88
Fair 55 72 81 86
Good 49 68 79 84
4.2.3 Metode Deficit Constant

Secara konsep rumus, metode ini sama dengan metode initial and constant loss. Namun,
yang membedakannya adalah kemampuan tanah dalam meresapkan air dapat berubah
dan mengalami pemulihan jika tidak terjadi hujan. Hal ini bertolak belakang dengan
metode initial and constant loss, dimana potensi kehilangan air maksimum (fc).
Dengan demikian, metode ini masuk kelompok satu lapis tanah untuk perubahan kontinu
kelengasan. Harus digunakan dengan menerapkan metode canopy yang akan mengisap
air dari tanah dalam menanggapi evapotranspirasi dari model meteorologi. Lapisan tanah
mengering antara kejadian hujan karena canopy mengisap air dalam tanah. Perkolasi
diluar satu lapis tanah tersebut di atas hanya terjadi jika lapisan tanah menjadi jenuh.
Metode ini mengandung tiga parameter: defisit awal dalam mm, defisit maksimum dalam
mm, laju konstan dalam mm/jam.
Defisit awal adalah kondisi awal perhitungan mengindikasikan jumlah air yang dibutuhkan
untuk mengisi lapisan tanah mencapai tampungan maksimum.
69
Defisit maksimum didefinisikan sebagai jumlah air dari lapisan tanah yang dapat tertahan
dan dinyatakan dalam ketebalan. Batas atas adalah ketebalan lapisan tanah aktif
dikalikan dengan porositas didekati dengan Soil Storage dari CN SCS. Namun, dalam
banyak hal harus dikurangi oleh titik layu permanen dan untuk kondisi lainnya yang
mengurangi kapasitas air tertahan. Laju infiltrasi akan mencapai nilai konstan pada saat
tanah mengalami kondisi jenuh yang dapat diperkirakan dari saturated hydraulic
conductivity (konduktivitas hidraulik jenuh).
Dimana rumus yang dapat digunakan adalah
p t −f c jika , pt > f c
pet =
{ 0 lainnya }
Sampai dengan akumulasi hujan pada daerah yang lolos air melebihi volume defisit awal,
maka tidak ada limpasan yang terjadi.
0 jika ∑ pt < I a
{
pet = p t −f c
0
jika ∑ pt > I a
jika ∑ pt > I a
dan , pt > f c
dan , pt < f c }
Keterangan:
pet : curah hujan efektif pada waktu t (mm)
pt : curah hujan pada waktu t (mm)
Ia : defisit awal (mm)
fc : potensi laju kehilangan curah hujan maksimum (mm)
4.2.4. KALIBRASI PARAMETER DAN DEBIT BANGKITAN
Untuk kajian ketersediaan air yang kontinu maupun banjir, infiltrasi dapat diperkirakan
berdasarkan metode Deficit Constant menggunakan parameter Initial Deficit dalam mm,
Maximum Deficit atau Maximum Storage dalam mm, Constant Rate dalam mm/jam dan
persentase impervious. Maximum storage diperkirakan dari soil storage menggunakan
rumus Curve Number dan Constant Rate diperkirakan dari permeabilitas atau
konduktivitas hidraulik yang tergantung dari HSG. Perkiraan soil storage diperoleh dari
rumus SCS 254*{(100/CN)-1} dalam mm. Berdasarkan SCS (NRCS,2007, Chapter 7:
Hydrologic Soil Groups) nilai saturated hydraulic conductivity bagi setiap jenis HSG: HSG
jenis B saturated hydraulic conductivity 0,57-1.42 inchi/jam, HSG C 0,06-0,57 inchi/jam
dan HSG D lebih kecil dari 0,06 inchi/jam. Batasan dari parameter nilai constant rate
tertera pada Tabel 23.
Nilai constant rate seharusnya diperoleh melalui proses kalibrasi dengan tetap
memperhatikan besaran nilai sesuai rentang yang tersaji pada Tabel 23.
70
Tabel 23. Dasar Penentuan Parameter Laju Infiltrasi Konstan
(Constant Rate)
Hydrologic Soil Group
Kelompok A Kelompok B Kelompok C Kelompok D
Saturated Hydraulic
Conductivity
inchi/jam >1.42 0.57-1.42 0.06-0.57 <0.06
mm/jam >36.1 14.5-36.1 1.5-14.5 <1.5
terpilih (mm/jam) 2
4.3 HIDROGRAF SATUAN SINTETIK
4.3.1 Metode NRCS/SCS

Dalam melakukan transformasi hujan efektif menjadi hidrograf, metode SCS
merepresentasikan hidrografnya dalam bentuk hidrograf satuan tidak berdimensi.
Komponen penting dalam hidrograf seperti waktu keterlambatan (tl), waktu puncak (tp) dan
debit puncak (Qp) dihitung dengan persamaan:
L0. 8 ( 2540−22. 86 CN )0 .7 10 Q p=
2.08 A
tl = t p= t
14104 CN 0 . 7 Y 0. 5 9 l tp
Keterangan:
tl : waktu keterlambatan (jam)
L : panjang DAS (km)
Y : kemiringan rata-rata DAS (m/m)
Qp : debit puncak setiap 1 cm hujan efektif (m3/s)
Setelah perhitungan komponen-komponen penting tersebut, maka lengkung hidrograf

dapat diturunkan mengikuti distribusi pada Tabel 24 di bawah
Tabel 24. Ordinat hidrograf satuan sintetis SCS tak berdimensi
t/tp q/qp t/tp q/qp t/tp q/qp
0.00 0.000 1.10 0.990 2.40 0.147
0.10 0.030 1.20 0.930 2.60 0.107
0.20 0.100 1.30 0.860 2.80 0.077
0.30 0.190 1.40 0.780 3.00 0.055
0.40 0.310 1.50 0.680 3.20 0.040
0.50 0.470 1.60 0.560 3.40 0.029
0.60 0.660 1.70 0.460 3.60 0.021
0.70 0.820 1.80 0.390 3.80 0.015
0.80 0.930 1.90 0.330 4.00 0.011
0.90 0.990 2.00 0.280 4.50 0.005
1.00 1.000 2.20 0.207 5.00 0.000
71
4.3.2 Metode Clark
Metode clark menurunkan unit hidrograf sebuah DAS dengan memperhatikan 2 faktor
penting. Faktor pertama adalah Translation, merupakan pergerakan limpasan dari
sumbernya menuju outlet DAS melalui saluran. Faktor kedua adalah Attenuation atau
pengurangan dari besarnya debit limpasan dikarenakan kemampuan DAS dalam
menampung kelebihan limpasan.
Secara garis besar, metode Clark didasarkan pada persamaan kontinuitas St.Venant.
ΔS
I−O=
Δt
Keterangan:
I : Aliran masuk (m3/s)
O : Aliran keluar (m3/s)
ΔS : Perubahan volume tampungan (m3)
Δt : Selang waktu (s)
Dengan menggunakan metode tampungan linear, tampungan pada saat t (waktu)

dikaitkan dengan aliran keluar sebagai:
S t =RO t
, dengan R adalah parameter konstant linear. Dengan menggabungkan
kedua persamaan tersebut maka:
O t =C A I t +C B O t −1
dimana CA dan CB merupakan koefisien routing dan dapat
dihitung menggunakan persamaan
Δt
CA=
R +0 .5 Δt
C B =1−C A
Dengan aliran keluar rata-rata selama selang waktu t adalah

O t −1 + Ot
Ot =
2
4.4 ALIRAN DASAR
4.4.1 Linear Reservoir

Metode ini seperti namanya menggunakan waduk linier untuk mensimulasi aliran dasar di
bagian rosotan setelah hujan berhenti. Infiltrasi yang dihitung sebelumnya berperan
sebagai inflow bagi waduk linier, dapat menggunakan satu atau dua lapis dengan
pembagian 50% dan 50%.
Parameter dalam metode ada 6 yaitu: Air tanah lapis 1 ada tiga parameter: kondisi awal
(m3/s/km2), koefisien tampungan waduk (jam), jumlah waduk serta air tanah lapis 2:
kondisi awal (m3/s/km2), koefisien tampungan waduk (jam), dan jumlah waduk.
72
Kondisi awal menggambarkan kontribusi aliran dasar yang berasal dari lapisan air tanah
pertama dan kedua. Koefisien tampungan waduk adalah waktu dari simpanan air di
waduk dalam setiap lapisan karena diperhitungkan dalam jam maka akan memberi
makna tentang waktu respons dari sub-DAS. Jumlah waduk air tanah menggambarkan
penelusuran aliran dasar melalui beberapa seri waduk. Pengurangan debit aliran dasar
disetiap waduk berarti makin banyak waduk pengurangan makin banyak terjadi
pengurangan debit atau attenuation.
S = kQn
Gambar 27. Ilustrasi model konseptual linear resovoir
4.4.2 Recession
Metode ini sering digunakan untuk menjelaskan aliran air dari tampungan alami pada
sebuah DAS. Hubungan antara aliran dasar untuk setiap waktu t adalah
Qt =Q o k t
Dimana Q0 adalah aliran dasar pada saat t = 0, dan Q t adalah aliran dasar pada saat
waktu t dan k adalah konstanta eksponensial degradasi.
4.5 PENELUSURAN BANJIR
4.5.1 Penelusuran Banjir Sungai (Metode Muskingum Cunge)

Penelusuran banjir sungai didasarkan pada persamaan diferensial St. Venant dari prinsip
kontinuitas dan difusi dari persamaan momentum. Dalam menyelesaikan persamaan
tersebut, metode Muskingum sangat umum dan mudah digunakan. Namun, model ini
mengandung parameter yang tidak memiliki karakter fisik sehingga sangat sulit untuk
diestimasi. Untuk itu, pengembangan dari metode ini, yaitu metode Muskingum-Cunge
ditujukan untuk mengatasi keterbatasan tersebut.
Persamaan kontinuitas
∂A ∂Q
+ =q L
∂t ∂ x
Dimana ql merupakan aliran lateral (m3/s)
73
Persamaan difusi dari persamaan momentum
∂y
S f =S 0 −
∂x
Dengan menggabungkan kedua persamaan tersebut dan menggunakan pendekatan
linear menghasilkan persamaan difusi konfeksi.
2
∂Q ∂Q ∂ Q
+c =μ 2 +cq L
∂t ∂x ∂x
Dimana c = cepat rambat gelombang, dan μ = difusitas hidraulik. Dimana cepat rambat
gelombang dan difusitas hidraulik dapat diekspresikan melalui persamaan berikut.
∂Q Q
c= μ=
∂A , dan
2 BS o
Dimana B adalah lebar atas permukaan air. Untuk menyelesaikan persamaan tersebut,
pendeketan beda hingga maka persamaannya menjadi
Ot =C 1 I t−1+C 2 It +C 3 Ot−1+C 4( q L Δx)

Dimana koefisien-koefisiennya adalah:
C1 =
Δt
K
+2 X
C2 =
Δt
K
−2 X
C1 =
Δt
K
+2 X
C1 =
2 ( ΔtK )
Δt Δt Δt Δt
+2(1− X ) +2(1− X ) +2(1− X ) +2(1− X )
K ; K ; K ; K
Dan parameter K dan X (Cunge, 1969; Ponce, 1978)
1 Q
K=
Δx
c ;
2(
X = 1−
BSo cΔx )
Karena pemilihan Δt dan Δx sangat penting untuk menjamin keakuratan dan kestabilan
hasil, maka perlu dilakukan kalibrasi. Setelah Δt ditentukan Δx dapat ditentukan dengan:
1 Q
Δx=cΔt ; dan nilai Δx dibatasi oleh
Δx<
2(cΔt + 0
BS o c )
1
Q0 =QB + (Q peak −Q B )
Dimana Q0 adalah debit acuan dan dihitung berdasarkan 2 ; QB=
debit aliran dasar dan Qpeak= debit puncak.
4.5.2 Penelusuran Banjir Waduk (Metode Storage Indication)

Penelusuran banjir waduk (reservoir) didasarkan pada konsep tampungan dan disebut
sebagai penelusuran banjir secara hidrologi. Untuk reservoir tunggal, aliran masuk
tergantung pada aliran dari hulu, dimana aliran keluar dapat berupa aliran tidak terkontrol,
aliran dikendalikan atau kombinasi keduanya. Teknik penulusuran banjir waduk
didasarkan pada persamaan diferensial St. Venant dari prinsip kontinuitas. Dikarenakan
74
persamaan tersebut tidak dapat diselesaikan secara langsung maka untuk dapat
diselesaikan maka persamaan tersebut harus didiskritasi menjadi persamaan beda
hingga. Sehingga persamaan tersebut menjadi seperti:
ΔS
I −O=
Δt
Keterangan:
I : aliran masuk (m3/s)
O : aliran keluar (m3/s)
ΔS : perubahan volume tampungan (m3)
Δt : selang waktu (s)
Diskritasi persamaan di atas pada bidang x-t
Gambar 28. Ilustrasi diskritasi persamaan penulusuran banjir waduk

Sehingga persamaannya menjadi
I 1+ I 2 O 1 +O 2 S2 −S1
− =
2 2 Δt
Persamaan di atas tidak dapat diselesaikan dikarenakan terdapat 2 (dua) variabel yang
tidak diketahui, yaitu S2 dan O2. Oleh sebab itu, untuk menyelesaikan persamaan ini
dapat digunakan metode storage indication, dimana data yang diperlukan adalah
 Kurva hubungan elevasi-tampungan
 Kurva hubungan elevasi-aliran keluar
 Kurva hubungan tampungan-aliran keluar
 Kurva hubungan storage function-aliran keluar
4.6 EVALUASI DEBIT BANJIR MAKSIMUM BOLEH JADI

Untuk mengevaluasi besarnya debit banjir maksimum boleh jadi, digunakan lengkung
Creager. Pada dasarnya lengkung Creager ini menggambarkan hubungan antara debit
puncak banjir dengan luas daerah pengaliran. Lengkung ini dibuat berdasarkan
persamaan perkiraan banjir meurut Creager (Amerika Serikat) yang dirangkum pada
75
“Fourth Congress on Large Dams”, 1951. Berdasarkan makalah oleh Hunter dan Widmot,
rumus tersebut dapat ditulis sebagai berikut:
−0,048
Q=46 C 0,894 A
Keterangan :
Q : debit banjir (ft3/hari)
A : luas DAS (mil2)
C : koefisien banjir
100000.0
C100
C60
C50
C40
10000.0
C30
Debit Max(m 3/det)
C20
C150
1000.0
100.0
10.0
1 10 100 1000 10000
L. DAS (Km2)
Gambar 29. Grafik lengkung Creager
76
BAB 5 PEMODELAN HIDROLOGI
5.1 MODEL MATEMATIK

Sesuai dengan SNI 2415-2016, model matematik adalah suatu bagian dari pendekatan
terhadap sistem hidrologi. Model matematik yang umumnya digunakan dapat
diklasifikasikan dalam model deterministik, statistik, stokastik dan optimasi.
Pendekatan model deterministik banyak digunakan untuk mensimulasikan hubungan
antara hujan badai menjadi debit banjir. Model statistik dan probabilistik digunakan untuk
menghitung besarnya debit banjir bila data banjirnya tersedia untuk periode waktu yang
memadai, sedangkan metode stokastik dan optimasi tidak lazim untuk digunakan dalam
menentukan debit banjir.
Selain menggunakan model deterministik, dalam pemodelan hidrologi diperlukan
pembagian DAS menjadi sub-sub-DAS dimana analisis secara rinci dilakukan pada
masing-masing sub-DAS tersebut. Cara ini memang mempunyai kekurangan, yaitu sistem
DAS yang ada hanya dapat dibuat dengan bentuk dendintrik.
5.2 FUNGSI OBJEKTIF
5.2.1 Root Mean Square Error (RMSE)

Root mean square error digunakan untuk mengukur perbedaan nilai observasi dan
simulasi, dimana semakin dekat nilai dengan nilai nol maka hasil simulasi semakin baik.
n
1
√
RMSE= ∑ ¿ ¿ ¿
n i=1
Keterangan :
F : hasil simulasi
O : data observasi
N : Jumlah Data
RMSE dapat digunakan untuk mengkalibrasi debit dan tinggi muka air.
5.2.2 Nash Sutcliffe (NS)

Nash-Sutcliffe Efficiency (NS) merupakan fungsi objektif yang dapat mengevaluasi hasil
simulasi dari perspektif rata-rata debit observasi. Nilai NS memiliki rentang antara 0
sampai dengan 1 dimana nilai NS mendekati 1 mengindikasikan hasil simulasi yang
semakin baik terhadap nilai pengamatan. Hasil yang semakin kecil menunjukkan bahwa
estimasi yang dilakukan terlampau besar dibandingkan dengan data sesungguhnya
(Legates dan McCabe, 1999). Mempertimbangkan kualitas data hujan dan debit yang
77
tersedia di Indonesia, petunjuk teknis ini merekomendasikan nilai NS minimum yang
disyaratkan adalah 0.375.
Secara matematik persamaan NS disajikan seperti di bawah ini:
n
∑ ( Qobsi −Qsimi )2
i−1
NS= n
∑ ( Q obsi− RQ obs )2
i −1
Keterangan:
NS : Nash-Sutcliffe Efficiency
Qsim : Debit simulasi (m3/s)
Qobs : Debit Pencatatan (m3/s)
RQobs : Rata-rata debit pencatatan (m3/s)
N : Jumlah data
NS dapat digunakan untuk mengkalibrasi debit.
5.2.3 Beda Puncak

Puncak sebuah hidrograf merupakan nilai maksimum selama kejadian banjir
mengindikasikan waktu kritis yang perlu disimulasikan.
Ada dua variable puncak yang diperhitungkan yaitu puncak dari hidrograf debit di pos
duga air atau inflow waduk serta puncak hidrograf muka air waduk.
Untuk hidrograf debit, beda puncak dihitung sebagai berikut :
|( MAX QF −MAX Q∅ )|
BP = ×100 %
MAX Q ∅
Keterangan:
Bp : beda puncak debit
MAX QF : maksimum hidrograf debit simulasi
MAX Q∅ : maksimum hidrograf debit pengamatan
Untuk hidrograf muka air, beda puncak dihitung sebagai berikut :
|( MAX EF −MAX E∅ )|
BEp = × 100 %
∆E
Keterangan:
BEp : beda puncak muka air waduk
MAX EF : maksimum hidrograf muka air hasil simulasi
78
MAX E∅ : maksimum hidrograf muka air hasil pengamatan
∆E : selisih muka air terendah dan tertinggi pengamatan
5.2.4 Beda Rata Rata

Pengertian rata-rata disini adalah nilai rerata dari satu kejadian banjir, satu hidrograf
lengkap, dapat bernilai beberapa jam maupun beberapa puluh jam atau hari. Perbedaan
nilai rata-rata hidrograf dirumuskan sebagai berikut:
|{|( AVG ) F−( AVG )∅ }

BR = ×100 %
( AVG )∅
Keterangan:
BR : beda rata-rata dalam persen
(AVG)F : rata-rata hidrograf debit atau hidrograf TMA hasil simulasi
(AVG)∅ : rata-rata hidrograf debit atau hidrograf TMA hasil pengamatan
5.2.5 Nilai Korelasi

Nilai korelasi, juga disebut koefisien korelasi, adalah nilai yang menunjukkan kekuatan
dan arah hubungan linier antara dua peubah acak (random variable). Nilai korelasi
digunakkan untuk mencari hubungan antara dua variabel yang bersifat kuantitatif. Dalam
Matematika, korelasi merupakan ukuran dari seberapa dekat dua variabel berubah dalam
hubungan satu sama lain. Nilai korelasi dapat diperoleh menggunakan excel dengan
rumus (=correl)
Nilai koefisien korelasi digunakan untuk mendapatkan korelasi antara data TRMM
bulanan dan pos hujan bulanan.
5.3 KALIBRASI MODEL

Mengingat model matematik dibangun atas sejumlah asumsi, data masukan, dan
parameter, maka untuk mengetahui kesesuaian model dalam merepresentasikan sistem
DAS yang dimodelkan perlu dilakukan kalibrasi. Dalam proses kalibrasi ini, parameter
model seyogyanya mencerminkan kondisi fisik DAS yang dimodelkan. Dalam pemodelan
hidrologi proses kalibrasi model dapat dilakukan secara manual atau otomatis. Fungsi
objektif seperti Root Mean Square Error (RMSE), least square method, atau Nash
Sutcliffe (NS) dapat digunakan untuk mengukur besarnya perbedaan hasil perhitungan
model terhadap data pengamatan. Makin kecil nilai RMSE, Bp dan Br hidrograf simulasi
makin mendekati hidrograf pengamatan sebaliknya makin besar nilai NS (paling besar
sama dengan 1) hasil simulasi makin dekat dengan pengamatan. Direkomendasikan
RMSE, Bp, dan Br tidak lebih dari 20% dan nilai NS tidak kurang dari 0,375.
79
5.4 VERIFIKASI MODEL
Karena hasil kalibrasi pada satu periode seri data pengamatan bersifat kondisional, untuk
mengetahui kesesuaian parameter tersebut perlu dilakukan verifikasi model. Dalam
pemodelan hidrologi umumnya seri data dibagi menjadi dua bagian dimana seri data
pertama digunakan untuk kalibrasi dan seri data ke dua digunakan untuk verifikasi.
Verifikasi model ini pada dasarnya diperlukan untuk mengetahui bias nilai parameter yang
diperoleh dalam proses kalibrasi.
80
BAB 6 STUDI KASUS
6.1 ANALISIS DEBIT BANJIR RENCANA KASUS 1

Studi kasus 1 pada bagian ini menggunakan DAS Sutami sebagai lokasinya. Terdapat
beberapa stasiun hujan yang tersedia, dengan sebaran metode Poligon Thiessen seperti
gambar di bawah ini. Analisis curah hujan wilayah dilakukan sebanyak dua kali, yaitu
dengan memasukkan Stasiun Tunggorono dan Stasiun Tangkil ke dalam analisis, serta
tanpa kedua stasiun hujan tersebut. Gambar dan tabel hasil analisis curah hujan wilayah
dapat dilihat di bawah ini.
Gambar 30. Poligon Thiessen DAS Waduk Sutami dengan Stasiun Tangkil
Tabel 25. Faktor bobot DAS Waduk Sutami Lengkap
Faktor Bobot
Nama Stasiun
Luas (km2) Persentase (%)
Dampit 304,14 13,90%
81
Poncokusumo 448,16 20,48%
Pujon 275,79 12,60%
Sengguruh 265,16 12,12%
Sutami 114,28 5,22%
Tangkil 231,80 10,59%
Tunggorono 152,85 6,98%
Wagir 396,36 18,11%
Gambar 31. Poligon Thiessen DAS Waduk Sutami tanpa Stasiun Tangkil
Tabel 26. Faktor bobot DAS Waduk Sutami tanpa Dua Stasiun
Faktor Bobot
Nama Stasiun
Dampit 366,75 16,76%
Poncokusumo 484,81 22,15%
Pujon 292,16 13,35%
82
Sengguruh 294,86 13,47%
Sutami 138,22 6,32%
Wagir 611,74 27,95%
Pada DAS Waduk Sutami, kejadian hujan jam-jaman yang tercatat diplotkan ke dalam
grafik untuk dilihat kesesuaiannya dengan pola distribusi PSA 007. Hasil plotting dapat
dilihat pada gambar berikut.
Gambar 32. Plotting distribusi data hujan jam-jaman DAS Waduk Sutami dan
PSA 007
Berdasarkan gambar di atas, dapat disimpulkan bahwa sesuai dengan distribusi PSA 007,
karakteristik distribusi curah hujan rencana DAS Waduk Sutami berada antara durasi 6
jam dan 12 jam.
Kesesuaian pola tersebut diplotkan kembali pada DAS lokasi studi dengan distribusi Huff,
seperti yang dilakukan sebelumnya. Hasil plotting dapat dilihat di bawah ini.
83
Gambar 33. Plotting distribusi data hujan jam-jaman DAS Waduk Sutami &Huff
Distribusi Hujan Sutami

100.00
90.00
80.00
70.00
Tinggi Hujan (%)
60.00
50.00
40.00
30.00
20.00
10.00
0.00
0 3 6 9 12 15 18 21 24
Jam ke-
Pujon Dampit Dampit (2) Poncokusumo

Sengguruh SCS-IA 24 jam SCS-IA 12 jam SCS-IA 6 jam
84
100.00
90.00
80.00
70.00
60.00
Tinggi Hujan (%)
50.00
40.00
30.00
20.00
10.00
0.00
0 3 6 9 12 15 18 21 24
Jam ke-

Sengguruh SCS-II 24 jam SCS-II 12 jam SCS-II 6 jam

100.00
90.00
80.00
70.00
Tinggi Hujan (%)
60.00
50.00
40.00
30.00
20.00
10.00
0.00
0 5 10 15 20
Jam ke-

Sengguruh SCS-III 24 jam SCS-III 12 jam SCS-III 6 jam
Gambar 34. Plotting distribusi data hujan jam-jaman DAS Waduk Sutami &
NRCS/SCS Tipe I-III
6.1.1 Pemodelan DAS Bendungan Sutami

Pemodelan DAS Bendungan Sutami dibagi menjadi 47 sub-DAS dengan masing-masing
karakteristik fisik dimodelkan pada masing-masing sub-DAS. Selain karakteristik fisik,
pada masing-masing DAS juga dimodelkan sub-model transformasi, sub-model
kehilangan (loss model), sub-model aliran dasar, dan Routing. Pemodelan dilakukan
menggunakan model matematik, dengan metode seperti dapat dilihat di bawah ini.
Tabel 27. Pemodelan hidrologi DAS Bendung Sutami
Model Sub-Model Metode Parameter Pendekatan
Rainfall- Trial and
Initial Deficit (mm)
Runoff Error
Maximum Storage
Rumus CN
(mm)
Loss Model
Deficit Batasan
(Kehilangan
Constant Constant Rate HSG dan
)
(mm/jam) Trial and
Error
Prosentasi Kedap Dapat
Air diabaikan
Transforma Clark Coefficient Storage Empiris dari
si (R) Bedient
85
Empiris dari
Concentration Time
Bedient
Trial and
Initial GW 1
Error
Trial and
Initial GW 2
Error
GW 1 Coefficient Trial and
Linear (jam) Error
Baseflow
Reservoir GW 2 Coefficient Trial and
(jam) Error
Trial and
GW 1 Reservoir
Error
Trial and
GW 2 Reservoir
Error
Panjang dan Dapat
Kemiringan diabaikan
River Muskingu Tergantung
Routing m-Cunge kondisi
Manning n
Routing dasar
saluran
Elevasi-Storage Data
Reservoir Storage
Elevasi-Discharge Data
Routing Indication
Release Data
6.1.2 Analisis Sensitivitas Parameter Model Hidrologi DAS Bendungan Sutami

Sebelum melakukan proses kalibrasi parameter, perlu dilakukan analisis sensitivitas
parameter. Analisis sensitivitas parameter bertujuan untuk mengetahui parameter-
parameter mana saja yang sensitif terhadap fungsi objektif yang digunakan. Melalui
proses ini, proses kalibrasi diharapkan dapat menjadi lebih mudah. Analisis sensitivitas
dilakukan dengan mengambil nilai tengah dari masing-masing parameter menjadi acuan
awal (default). Kemudian nilai parameter tersebut dicoba menuju nilai maksimum dan nilai
minimum. Jika ada banyak parameter yang harus dianalisis, maka selagi 1 paramter
dianalisis sensitivitasnya nilai parameter yang lain diberikan sebesar nilai acuan (default)
yang telah ditetapkan sebelumnya.
Pada kasus ini, 3 parameter yang diuji sensitivitasnya, yaitu ID (initial deficit), GW1
(groundwater 1), dan GW2 (groundwater 2). Karena data yang dikalibrasi adalah tiinggi
muka air maka dari hasil analisis sensitivitas diketahui bahwa ke-3 parameter yang
dianalisis, parameter ID, GW 1 dan GW 2 tidak terlalu sensitif.
6.1.3 Kalibrasi dan Verifikasi Model Hidrologi DAS Bendungan Sutami

Kalibrasi dan verifikasi model di lakukan pada 3 kejadian banjir, yaitu pada tanggal 21-
25maret 2007, 25-31 Desember 2007, dan 9-13 April 2010. Dilakukan kalibrasi dan
verifikasi untuk 2 data hujan, yaitu data hujan jam jaman dari pos hujan dan data hujan
harian menggunakan data dari satellite (TRMM). Data yang di kalibrasi dan verifikasi
adalah tinggi muka air pada bendungan sutami pada kejadian banjir tertentu.
Kejadian Banjir 21-25 Maret 2007
86
274
272
270
Elevasi (m)
268
266
264
262
260
7/3/2007 8/3/2007 8/3/2007 9/3/2007 9/3/2007 10/3/2007 10/3/2007 11/3/2007
Tanggal
Elevasi Observasi Elevasi (Jam-jaman)
Gambar 35. Hasil Simulasi Tanpa Tangkil & Tunggorono (Maret 2007)
Kejadian Banjir 25-31 Desember 2007
274
272
270
Elevasi (m)
268
266
264
262
260
25/12/2007 26/12/2007 27/12/2007 28/12/2007 29/12/2007 30/12/2007
Tanggal
Elevasi (Jam-jaman) Elevasi Observasi
Gambar 36. Hasil Simulasi Tanpa Tangkil & Tunggorono (Desember 2007)
Kejadian Banjir 9-13 April 2010
274
272
270
Elevasi (m)
268
266
264
262
260
10/4/2010 10/4/2010 11/4/2010 11/4/2010 12/4/2010 12/4/2010 13/4/2010
Tanggal
Elevasi (Jam-jaman) Elevasi Observasi
Gambar 37. Hasil Simulasi Tanpa Tangkil & Tunggorono (April 2010)
87
Untuk kasus 2, masih digunakan DAS Waduk Sutami. Data hujan yang digunakan
merupakan data hujan harian dari pos pencatatan hujan, namun tidak didistribusikan
terhadap waktu selama 24 jam kejadian. Simulasi kasus 2 memberikan hasil sebagai
berikut.
274
272
270
Elevasi (m)
268
266
264
262
260
7/3/2007 8/3/2007 8/3/2007 9/3/2007 9/3/2007 10/3/2007 10/3/2007 11/3/2007
Tanggal
Elevasi Observasi Elevasi (Harian)
Gambar 38. Hasil Simulasi Tanpa Tangkil & Tunggorono (Maret 2007)
274
272
270
Elevasi (m)
268
266
264
262
260
25/12/2007 26/12/2007 27/12/2007 28/12/2007 29/12/2007 30/12/2007
Tanggal
Elevasi (Harian) Elevasi Observasi
88
274
272
270
Elevasi (m)
268
266
264
262
260
10/4/2010 10/4/2010 11/4/2010 11/4/2010 12/4/2010 12/4/2010 13/4/2010
Tanggal
Elevasi (Harian) Elevasi Observasi

Waduk Saguling merupakan salah satu waduk yang membendung Sungai Citarum.
Lokasi Waduk Saguling sendiri terletak di Kabupaten Bandung Barat, Jawa Barat. Daerah
aliran sungai (DAS) PDA (Pos Duga Air) Nanjung merupakan salah satu daerah aliras
sungai yang memberikan kontribusi limpasan ke Waduk Saguling. DAS PDA Nanjung
dipilih menjadi lokasi studi dikarenakan ketersediaan data yang lebih lengkap dan ruang
linkup kajian yang lebih sempit jika dibandingkan dengan Waduk Saguling. Namun tujuan
akhir daripada analisis ini akan mengkaji Waduk Saguling secara keseluruhan. DAS
Nanjung terdapat 11 pos hujan dimana data yang tersedia berupa data hujan harian.
Berdasarkan hasil penyaringan data awal, dapat disimpulkan bahwa data dari ke-11 pos
hujan tersebut dapat digunakan untuk analisis.
Studi kasus kedua yaitu Bendungan Saguling memiliki 11 stasiun curah hujan. Berbeda
dengan Bendungan Sutami, distribusi Gumbel tipe I justru mendominasi dalam
memberikan hasil curah hujan rencana paling besar. Dari 11 stasiun curah hujan, 9
stasiun curah hujan rencana terbesar diberikan oleh distribusi Gumbel tipe 1 dan 2
stasiun lainnya curah hujan rencana terbesar diberikan oleh metode GEV.
89
Gambar 41. DAS PDA Nanjung
Tabel 28. Resume uji validitas data Bendungan Saguling
Stasiun Bandung Stasiun Cililin Stasiun Montaya
Independensi Independen Independensi Independen Independensi Independen
Outlier Tidak ada Outlier Outlier Tidak ada Outlier Outlier Tidak ada Outlier
Trend Data Tidak ada Trend Trend Data Tidak ada Trend Trend Data Tidak ada Trend
Trend Variance Tidak ada Trend Trend Variance Tidak ada Trend Trend Variance Tidak ada Trend
Trend rata-rata Tidak ada Trend Trend rata-rata Ada Trend Trend rata-rata Tidak ada Trend
Stasiun Chincona Stasiun Ciparay Stasiun Paseh

Independensi Independen Independensi Independen Independensi Independen
Trend Data Ada Trend Trend Data Tidak ada Trend Trend Data Tidak ada Trend
Trend rata-rata Ada Trend Trend rata-rata Ada Trend Trend rata-rata Tidak ada Trend
Stasiun Cicalengka Stasiun Cisondari Stasiun Saguling DAM

Independensi Tidak Independen Independensi Independen Independensi Independen
Trend Data Tidak ada Trend Trend Data Tidak ada Trend Trend Data Ada Trend
Trend rata-rata Ada Trend Trend rata-rata Tidak ada Trend Trend rata-rata Ada Trend
Stasiun Sukawana Stasiun Ujung Berung

Independensi Independen Independensi Tidak Independen
Outlier Tidak ada Outlier Outlier Tidak ada Outlier
Trend Data Tidak ada Trend Trend Data Tidak ada Trend
Trend Variance Tidak ada Trend Trend Variance Tidak ada Trend
Trend rata-rata Tidak ada Trend Trend rata-rata Tidak ada Trend
90
Gambar 42. Curah hujan rencana Bendungan Saguling
Setelah dilakukan analisis frekuensi, berikutnya dilakukan analisis uji kecocokan distribusi
frekuensi. Hasil analisis yang telah dilakukan tidak mengikutsertakan distribusi GEV
dikarenakan metode GEV merupakan metode yang sedikit berbeda jika dibandingkan
dengen metode distribusi lainnya. Walaupun demikian, metode GEV sudah sering
digunakan dalam perencanaan-perencanaan di negara-negara lain. Metode ini sering
digunakan dikarenakan adanya beberapa keunggulan jika dibandingkan dengan metode
lainnya, salah satunya adalah kemudahan dan memberikan hasil yang stabil dan akurat.
91
Tabel 29. Resume hasil uji kecocokan pemilihan distribusi curah hujan rencana
Bendungan Saguling
Simpangan
No Stasiun Distribusi
Baku
1 Bandung Pearson III 6,78
2 Chincona Gumbel I 6,93
3 Cicalengka Pearson III 6,91
4 Cililin Gumbel I 9,68
5 Ciparay Gumbel I 10,37
Lognormal 2
6 Cisondari 5,51
Parm.
7 Montaya Gumbel I 5,07
8 Paseh Normal 5,67
Saguling Lognormal 3
9 4,75
DAM Parm.
Lognormal 3
10 Sukawana 7,14
Parm.
Ujung
11 Pearson III 10,51
Berung
Tabel 30. Resume hasil curah hujan rencana Bendungan Saguling
Periode Curah Hujan Rencana (mm)
Ulang T Saguling Ujung
Bandung Chincona Cicalengka Cililin Ciparay Cisondari Montaya Paseh Sukawana
(tahun) DAM Berung
2 72.5 70.1 72.4 67.7 80.1 76.5 70.6 83.3 83.1 55.3 75.8
5 89.8 91.6 99.7 88.5 101.9 95.7 85.2 103.2 104.8 76.6 87.6
10 100.3 105.8 118 102.2 116.4 107.5 94.8 113.6 116.9 89.3 93.6
20 109.6 119.4 135.5 115.4 130.2 118.4 104.1 122.1 127.3 100.6 98.4
25 112.5 123.8 141 119.6 134.6 121.7 107 124.6 130.4 104.1 99.8
50 121 137.1 157.9 132.5 148.1 131.9 116.1 131.8 139.5 114.4 103.7
100 129.1 150.3 174.5 145.2 161.6 141.8 125 138.2 147.9 124.3 107.1
500 146.9 180.8 212.6 174.8 192.6 164.2 145.8 151.2 165.6 145.9 113.9
1000 154.2 194 228.9 187.5 206 173.6 154.7 156.2 172.7 154.9 116.5
Data yang berhasil diperoleh adalah data curah hujan harian dari tahun 1986-2015 untuk
11 pos hujan. Ke-11 pos hujan adalah Cicalengka, Paseh, Chincona, Ciparay,
Ujungberung, Bandung, Cililin, Montaya, Sukawana, Saguling, dan Cisondari. Dengan
menggunakan metode Poligon Thiessen bobot hujan per masing-masing stasiun dapat
dilihat pada gambar di bawah.
92
Gambar 43. Poligon Thiessen DAS Nanjung
6.3.1 Pemodelan DAS Nanjung

Pada pemodelan hidrologi DAS Nanjung dibagi menjadi 4 sub-model. Sub model
pertama, yaitu loss model menggunakan metode deficit constant. Alasan menggunakan
metode ini adalah dikarenakan untuk proses kalibrasi, data banjir yang terekam
menunjukkan banjir terjadi selama hampir 3 bulan. Dengan menggunakan metode deficit
constant, kehilangan air dapat berfluktuasi sepanjang waktu.
Sub model kedua yaitu itu transformasi menggunakan metode HSS-SCS (Hidograf
Satuan Sintetik-SCS) dengan parameter yang terkandung adalah lag time (waktu
keterlambatan). Sub model ketiga adalah model aliran dasar, dimana pada pemodelan ini
digunakan metode linear reservoir. Sub model terakhir yaitu penulusuran banjir. Karena
pada DAS ini tidak terdapat bendungan, maka penulusuran banjir yang terjadi hanya
penulusuran banjir saluran. Metode yang digunakan adalah muskingum-cunge.
Tabel 31. Pemodelan hidrologi PDA Nanjung
Model Sub-Model Metode Parameter Pendekatan
Rainfall- Loss Model Deficit Initial Deficit Trial and
Runoff (Kehilangan) Constant (mm) Error
Maximum Rumus CN
Storage
(mm)
Constant Batasan
Rate HSG dan
(mm/jam) Trial and
93
Error
Prosentasi Dapat
Kedap Air diabaikan
Lag Time TR55 (SCS)
Transformasi HSS-SCS
(menit)
Initial GW 1 Trial and
Error
Initial GW 2 Trial and
Error
GW 1 Trial and
Coefficient Error
Linear (jam)
Baseflow
Reservoir GW 2 Trial and
Coefficient Error
(jam)
GW 1 Trial and
Reservoir Error
GW 2 Trial and
Reservoir Error
Total luas DAS Nanjung adalah sebesar 1.743,9 ha. Untuk mendapatkan hasil yang
akurat, maka dalam pemodelan ini dibantu dengan menggunakan model matematik.
Model matematik ini sendiri memiliki 4 sub model yang harus dimodelkan secara terpisah.
Model pertama yaitu basin model. Pada basin model ini, karakteristik fisik dari DAS
dimodelkan. DAS Nanjung dibagi menjadi 83 sub-DAS dengan masing-masing
karakteristik fisik dimodelkan pada masing-masing sub-DAS. Selain karakteristik fisik,
pada masing-masing DAS juga dimodelkan 3 sub-model yang telah disebutkan di atas,
yaitu sub-model transformasi, sub-model kehilangan (loss model), dan sub-model aliran
dasar. Sedangkan untuk sub-model penulusuran banjir saluran digunakan untuk
menghubungkan masing-masing sub-DAS.
Model kedua adalah meteorologic model . Pada model ini data hujan dimasukkan beserta
dengan bobot hujan untuk masing-masing sub-das yang telah dimodelkan pada basin
model. Model ketiga adalah control specification model. Model ini berfungsi untuk
menentukan time-step perhitungan dan keluaran yang akan digunakan. Selain itu juga
model ini untuk menentukan kestabilan daripada model. Model terakhir adalah time-
series-data model. Model ini berfungsi untuk mendistribusikan hujan terhadap waktu yang
telah dimodelkan pada meteorologic model.
94
Gambar 44. Basin Model DAS PDA Nanjung
6.3.2 Analisis Sensitivitas Parameter Model Hidrologi DAS Nanjung

Sebelum melakukan proses kalibrasi parameter, perlu dilakukan analisis sensitivitas
parameter. Analisis sensitivitas parameter bertujuan untuk mengetahui parameter-
parameter mana saja yang sensitif terhadap fungsi objektif yang digunakan. Melalui
proses ini, proses kalibrasi diharapkan dapat menjadi lebih mudah. Analisis sensitivitas
dilakukan dengan mengambil nilai tengah dari masing-masing parameter menjadi acuan
awal (default). Kemudian nilai parameter tersebut dicoba menuju nilai maksimum dan nilai
minimum. Jika ada banyak parameter yang harus dianalisis, maka selagi 1 paramter
dianalisis sensitivitasnya nilai parameter yang lain diberikan sebesar nilai acuan (default)
yang telah ditetapkan sebelumnya.
Pada kasus ini, 3 parameter yang diuji sensitivitasnya, yaitu ID (initial deficit), GW1
(groundwater 1), dan GW2 (groundwater 2). Dari hasil analisis sensitivitas diketahui
bahwa ke-3 parameter yang dianalisis, paramter sangat sensitif sedangkan parameter
GW 1 dan GW 2 tidak terlalu sensitif. Dari grafik di bawah juga dapat dilihat bahwa
semakin kecil nilai ID, hasil menunjukkan nilai NS dan RMSE yang lebih mendekati nilai 0.
Berkebalikan dengan ID, dua parameter Initial GW 1 dan Initial GW 2, semakin besar kecil
nilai parameternya, nilai NS dan RMSE menjauhi 0.
95
ROOT MEAN SQUARE ERROR NS
Parameter Relative Value Parameter Relative Value
0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0
91.0 0.00
-0.02
90.0
-0.04
-0.06
89.0
-0.08
NSE
88.0 -0.10
RE
-0.12
87.0 -0.14
-0.16
86.0
-0.18
-0.20
85.0
ID GW 2 GW 1 ID GW 2 GW 1
Gambar 45. Hasil Analisis Sensitivitas
6.3.3 Kalibrasi dan Verifikasi Model Hidrologi DAS Nanjung

Melalui hasil analisis sensitivitas tersebut maka dapat dilakukan kalibrasi terhadap ke-3
parameter tersebut untuk mendapatkan hasil yang optimal. Berdasarkan data yang
diperoleh, maka data yang digunakan untuk kalibrasi adalah data debit pengamatan pada
tanggal 9 Januari – 31 Maret 2005. Dari hasil analisis didapat dengan menggunakan
parameter, yang dapat dilihat pada tabel di bawah, didapat nilai NS dan RMSE optimum
adalah 0,52 dan 57,5. Hal ini dapat disimpulkan bahwa model dan parameter-parameter
yang digunakan memberikan hasil yang memuaskan dan dapat digunakan untuk
menghitung debit banjir rencana.
Gambar 46. Hasil analisis hidrologi DAS Nanjung 09 Januari – 31 Maret 2005
96
6.3.4 Prediksi Debit Banjir Rencana dengan Hujan Rencana 100, 1000 tahun, CMB,
dan 0,5 CMB
Berdasarkan model yang sudah terkalibrasi maka prediksi debit banjir rencana dapat
dilakukan. Dengan menggunakan model yang terkalibrasi, hujan yang digunakan adalah
curah hujan rencana, yaitu curah hujan dengan periode ulang 100, 1000 tahun, CMB,
dan 0,5 CMB.
800 646
645.5
750 645
644.5
Tampungan (m3)
700
644
Elevasi (m)
650 643.5
643
600 642.5
550 642
641.5
500 641
7:00 9:00 11:00 13:00 15:00 17:00 19:00 21:00 23:00 1:00 3:00 5:00 7:00
Waktu
Tampungan Elevasi
7000
6000
5000
Debit (m3/s)
4000
3000
2000
1000
0
7:00 9:00 11:00 13:00 15:00 17:00 19:00 21:00 23:00 1:00 3:00 5:00 7:00
Waktu
Inflow Outflow
Gambar 47. Debit Banjir Rencana DAS Saguling Periode Ulang 100 Tahun
Berdasarkan pengolahan data hujan R100 didapatkan hasil sebagai berikut
Puncak Inflow : 5.915,4 (m3/s) pada jam 14:30
Puncak Discharge : 960,1 (m3/s) pada jam 01:00
Puncak Storage : 692.833,2 (1000 m3)
97
Puncak Elevasi Muka Air : 645,4 (m)
800 647
750 646
Tampungan (x1000 m3)
645
700
Elevasi (m)
644
650
643
600
642
550 641
500 640
7:00 9:00 11:00 13:00 15:00 17:00 19:00 21:00 23:00 1:00 3:00 5:00 7:00
Waktu
Tampungan Elevasi
8000
7000
6000
5000
Debit (m3/s)
4000
3000
2000
1000
0
7:00 9:00 11:00 13:00 15:00 17:00 19:00 21:00 23:00 1:00 3:00 5:00 7:00
Waktu
Inflow Outflow
Gambar 48. Debit Banjir Rencana DAS Saguling Periode Ulang 1000 Tahun
Berdasarkan pengolahan data hujan R1000 didapatkan hasil sebagai berikut:
Puncak Inflow : 7.186,5 (m3/s)
Puncak Discharge : 1.287,4 (m3/s)
Puncak Storage : 721.711,7 (1000m3)
98
800 644.5
750 644
Tampungan (x1000 m3)
700 643.5
Elevasi (m)
650 643
600 642.5
550 642
500 641.5
7:00 9:00 11:00 13:00 15:00 17:00 19:00 21:00 23:00 1:00 3:00 5:00 7:00
Waktu
Tampungan Elevasi
3000
2500
2000
Debit (m3/s)
1500
1000
500
0
7:00 9:00 11:00 13:00 15:00 17:00 19:00 21:00 23:00 1:00 3:00 5:00 7:00
Waktu
Inflow Outflow
Gambar 49. Debit Banjir Rencana DAS Saguling dengan 0,5 CMB
Berdasarkan pengolahan data hujan 0.5 CMB didapatkan hasil sebagai berikut
Puncak Discharge : 501,4 (m3/s) pada jam 02:15
Puncak Storage : 61.001,.7 (1000m3)
Puncak Elevasi Muka Air : 644 (m)
99
900 649
850 648
647
800
646
Tampungan (m3)
750 645
Elevasi (m)
700 644
650 643
642
600
641
550 640
500 639
7:00 9:00 11:00 13:00 15:00 17:00 19:00 21:00 23:00 1:00 3:00 5:00 7:00
Waktu
Tampungan Elevasi
14000
12000
10000
Debit (m3/s)
8000
6000
4000
2000
0
7:00 9:00 11:00 13:00 15:00 17:00 19:00 21:00 23:00 1:00 3:00 5:00 7:00
Waktu
Inflow Outflow
Gambar 50. Debit Banjir Rencana DAS Saguling dengan CMB

Berdasarkan pengolahan data hujan CMB didapatkan hasil sebagai berikut
Puncak Discharge : 2.551,5 (m3/s) pada jam 23:15
Puncak Storage : 840.457,6 (1000m3)
Untuk mengevaluasi hasil perhitungan debit banjir maksimum boleh jadi, nilai debit banjir
yang diperoleh untuk DAS Bendungan Sutami, DAS Nanjung, dan DAS Bendungan
Manggar diplot pada grafik lengkung Creager seperti tersaji pada gambar di bawah ini.
100
100000.0 C100
C60
C50
C40
C30
C20
10000.0
C150
PM F Sagu ling
Debit Max(m 3 /det)
PM F Mangg ar
PM F Sutami
1000.0
100.0
10.0
1 10 100 1000 10000
L. DAS (Km2 )
Gambar 51. Hasil plotting debit banjir maksimum boleh jadi untuk ketiga DAS

Untuk kasus 4, masih digunakan DAS Waduk Sutami. Data hujan yang digunakan
merupakan data hujan hasil penjumlahan dari data hujan jam-jaman yang ada, namun
tidak didistribusikan terhadap waktu selama 24 jam kejadian. Selain itu, tidak ada data
debit yang tersedia, sehingga kehilangan air dianalisis berdasarkan peta jenis tanah dan
tutupan lahan (metode SCS). Simulasi kasus 4 memberikan hasil sebagai berikut.
274
272
270
Elevasi (m)
268
266
264
262
260
25/12/2007 26/12/2007 27/12/2007 28/12/2007 29/12/2007 30/12/2007
Tanggal
Elevasi (Harian SCS) Elevasi Observasi
101
274
272
270
Elevasi (m)
268
266
264
262
260
10/4/2010 10/4/2010 11/4/2010 11/4/2010 12/4/2010 12/4/2010 13/4/2010
Tanggal
Elevasi (Harian SCS) Elevasi Observasi

Untuk mengatasi minimnya dan atau tidak tersedianya data hujan, dalam beberapa tahun
terakhir telah dilakukan sejumlah studi tentang penggunaan data hujan berbasis satelit
sebagai komplemen data hujan yang diukur di lapangan. Kizza dkk. (2012) menggunakan
data satelit TRMM 3B43 (Tropical Rainfall Measurement Mission) dan PERSIANN, yang
terkoreksi bisa menggunakan data hujan lapangan untuk mengestimasi hujan di Danau
Victoria, Afrika. Data hujan satelit TRMM 3B42R versi 6 juga telah digunakan untuk
melengkapi data hujan harian di Ekuador (Arias-Hidalgo, 2013). Pemanfaatan teknologi
ini di Indonesia pun telah dilakukan dalam rangka pengembangan sistem peringatan dini
banjir FEWS (Flood Early Warning System) hasil kerjasama Kementerian PUPERA,
BMKG, dan Deltares, Belanda. FEWS menggunakan data hujan satelit TRMM sebagai
salah satu inputnya (JCP, 2013). Kelebihan data satelit adalah ketersediaan data yang
kontinu dengan memiliki cakupan spasial yang luas, cepat dan mudah diakses.
Validasi data TRMM juga telah dilakukan dengan data curah hujan di tiga buah DAS di
wilayah Indonesia (Syaifullah, 2014). Ketiga DAS tersebut Citarum, Sutami, dan Larona
dengan periode data yang digunakan tahun 2009-2013. Secara umum dari hasil analisis
untuk ketiga DAS memperlihatkan bahwa nilai curah hujan TRMM Jaxa (GSMap_NRT)
mempunyai pola yang mengikuti curah hujan pengamatan (aktual) meskipun nilainya
cenderung di bawah perkiraan. Untuk plot scatter bulanan nilai korelasinya lebih baik
dibandingkan dengan plot scatter harian (dari 0.13 - 0.14 meningkat menjadi 0.58 - 0.75)
dan nilai RMSE menurun (dari rerata 11.6 mm/hari menjadi 7.6 mm/hari), sehingga
analisis TRMM lebih akurat untuk interval waktu yang lebih besar.
6.5.1 Koreksi Hujan TRMM

Pada bagian ini, diambil studi kasus pemodelan debit banjir rencana di DAS Sutami,
dengan data TRMM yang tersebar seperti dapat dilihat pada gambar di bawah ini. Sesuai
dengan pembagian kasus, diasumsikan pada DAS Sutami tidak terdapat data pos hujan.
Meskipun demikitan, evaluasi data TRMM tetap dilakukan pada bagian ini dengan
102
perbandingan data pos hujan. Hal ini dilakukan hanya sebagai studi. Pada kasus tidak
terdapat data pos hujan, data TRMM tidak perlu diperbandingkan.
Gambar 54. Sebaran grid TRMM DAS Waduk Sutami (28 km x 28 km)
Tabel 32. Faktor bobot DAS Waduk Sutami dengan metode TRMM
Faktor Bobot
Titik berat grid
103
7037’50’’ LS
1.319.834,7 0.06%
112022’50’’ BT
7052’50’’ LS
52.624.774,1 2.40%
112022’50’’ BT
7052’50’’ LS
585.849.692,0 26.77%
112037’50’’ BT
7052’50’’ LS
162.486.937,6 7.42%
112052’50’’ BT
807’50’’ LS
168.486.834,9 7.70%
112022’50’’ BT
807’50’’ LS
754.017.560,2 34.45%
112037’50’’ BT
807’50’’ LS
395.640.428,7 18.08%
112052’50’’ BT
8022’50’’ LS
157.172,5 0.01%
112022’50’’ BT
8022’50’’ LS
35.692.626,4 1.63%
112037’50’’ BT
8022’50’’ LS
32.250.538,8 1.47%
112052’50’’ BT
Sebelum digunakan dalam pemodelan hidrologi, data hujan yang didapatkan melalui
metode TRMM perlu diuji terlebih dahulu kualitasnya, dengan parameter kesesuaian dan
kecocokan dengan data yang tercatat di pos stasiun hujan (pada bagian ini disebut
dengan pos hujan). Pada bagian ini, evaluasi dilakukan dengan basis bulanan. Data
TRMM dan pos hujan dikategorikan baik bila terdapat kesesuaian pola hujan dan besaran
dengan nilai serupa.
Sebagai studi kasus, evaluasi hujan TRMM bulanan dilakukan dengan acuan delapan pos
hujan di DAS Waduk Sutami, yaitu Stasiun Pujon, Stasiun Poncokusumo, Stasiun Dampit,
Stasiun Wagir, Stasiun Tangkil, Stasiun Sengguruh, Stasiun Tunggorono, dan Stasiun
Sutami. Kedelapan stasiun hujan tersebut memiliki pencatatan hujan harian dari tahun
1998 hingga tahun 2013. Data TRMM yang tersedia untuk diuji terletak pada sistem grid
dengan titik berat pada koordinat 7037’30’’ LS hingga 8022’30’’ LS dan 112022’30’’ BT
hingga 112052’30’’ BT. Hasil plotting data hujan TRMM dan pos hujan pada masing-
masing stasiun dapat dilihat pada gambar berikut.
104
Gambar 55. Plotting hujan bulanan TRMM vs pos hujan
105
Dari gambar di atas, dapat dilihat bahwa pada basis bulanan, data TRMM memberikan
pola yang cukup mirip dengan data pos hujan, meskipun seringkali ditemukan besaran
tinggi curah hujan dengan nilai yang cukup berbeda. Hanya Stasiun Tunggorono yang
tidak memiliki kesesuaian dengan data TRMM, bahkan dengan pos hujan lainnya. Namun
demikian, mengingat pekerjaan ini terkait dengan banjir dan curah hujan besar, data
Stasiun Tunggorono tetap dimasukkan ke dalam perhitungan. Berdasarkan hasil plotting,
data hujan TRMM dianggap teruji untuk digunakan dalam analisis tahap berikutnya, yaitu
perhitungan debit banjir rencana.
Setelah disimpulkan kualitas data bulanan TRMM cukup baik, proses validasi hujan
TRMM berikutnya dilakukan dengan basis yang lebih kecil, yaitu harian. Pada tiga periode
di mana terdapat pencatatan hujan jam-jaman (21 – 25 Maret 2007, 25 – 31 Desember
2007 dan 9 – 13 April 2010), terdapat tiga data yang diplot, yaitu 1) total dari data hujan
jam-jaman selama satu hari, 2) data hujan harian pos hujan, dan 3) data hujan harian
TRMM. Hasil plotting ketiga data tersebut dapat dilihat pada gambar di bawah ini.
106
Gambar 56. Kesesuaian data hujan pada kejadian banjir 21-25 Maret 2007
Pada kejadian banjir periode ini, data hujan jam-jaman dan harian dari keenam pos
stasiun hujan memberikan konsistensi pola, di mana kecenderungan naik turun dari
kedua ini terlihat serupa, meskipun terdapat sedikit perbedaan besaran. Pos stasiun hujan
Tungorono tidak dimasukkan, karena inkonsistensi data yang terlalu jauh dengan besaran
hujan yang sangat besar. Kebalikan dari data hujan harian dan jam-jaman, data hujan
TRMM memberikan hasil yang cukup berbeda, di mana tidak hanya besaran, tetapi pola
dari hujan harian pun teridentifikasi tidak sesuai. Dapat disimpulkan, pada periode ini
kualitas data TRMM kurang memuaskan.
Gambar 57. Kesesuaian data hujan pada kejadian banjir 25-31 Desember 2007
Kejadian hujan tercatat pada periode ini memberikan kesesuaian pola antar seluruh data
yang diplot pada grafik. Trend naik turun hujan harian memberikan kesesuaian yang
cukup memuaskan, cenderung naik pada tanggal 26 Desember 2017 dan konstan pada
hari lainnya. Meskipun begitu, terdapat perbedaan besaran hujan yang cukup besar pada
107
data TRMM, seperti dapat dilihat pada pos hujan Dampit dan Sengguruh. Secara
keseluruhan, data TRMM pada periode ini masih dapat dikategorikan baik.
Gambar 58. Kesesuaian data hujan pada kejadian banjir 9-13 April 2010
Pada periode ini, tidak terdapat kecocokan dari seluruh data yang diplot, kecuali pada
Stasiun Pujon. Secara keseluruhan, melalui tiga kejadian banjir yang dikompilasi pada
grafik-grafik di atas, disimpulkan bahwa data TRMM pada basis harian memberikan nilai
yang kurang baik.
Untuk melakukan validasi lebih jauh, dilakukan plotting lebih panjang. Dalam kasus ini,
plotting dipilih selama satu hari sepanjang tahun 2007, pada basis harian antara data
TRMM dan data pos hujan. Hasil plotting dapat dilihat di bawah ini.
108
120.0
100.0
Tinggi Hujan (mm)
80.0
60.0
40.0
20.0
0.0
01-Jan 01-Feb 01-Mar 01-Apr 01-May 01-Jun 01-Jul 01-Aug 01-Sep 01-Oct 01-Nov 01-Dec
Tanggal
TRMM Groundstation
Gambar 59. Data TRMM vs pos hujan harian tahun 2007, Stasiun Pujon
Gambar 60. Data TRMM vs pos hujan harian tahun 2007, Stasiun Cicalengka
Hasil plotting di atas memberikan nilai harian yang berbeda, baik dari besaran maupun
polanya. Secara umum, data TRMM pada basis bulanan memberikan kesesuaian yang
cukup baik dengan data yang tercatat di pos hujan. Namun, pada basis harian yang lebih
sempit, data TRMM memberikan hasil yang kurang baik.
Gambar 61. TRMM Harian Waduk Sutami
109
Gambar 62. TRMM Harian Waduk Saguling
Gambar 63. TRMM Bulanan Waduk Sutami
Gambar 64. TRMM Bulanan Waduk Saguling
Gambar 65. TRMM Harian Max Tahunan Waduk Sutami
Gambar 66. TRMM Harian Max Tahunan Waduk Saguling
110
Koreksi Data TRMM DAS Bendungan Sutami
Tinggi Hujan Bulanan st. 112.375, -8.125(TRMM vs Groundstation )

800
700
600
Tinggi Curah Hujan (mm)
500
400
300
200
100
0
1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016
Tahun
TRM M Pos Hujan St. Outlet Sutami TRMM Koreksi bulanan TRMM Koreksi Harian
Gambar 67. Koreksi Data TRMM terhadap Data Pos Hujan Outlet Sutami
Gambar 68. Koreksi Data TRMM terhadap Data Pos Hujan Wagir
Gambar 69. Koreksi Data TRMM terhadap Data Pos Hujan Sengguruh
111
Gambar 70. Koreksi Data TRMM terhadap Data Pos Hujan Poncokusumo
Gambar 71. Koreksi Data TRMM terhadap Data Pos Hujan Dampit
Koreksi Data TRMM DAS Bendungan Sutami
Gambar 72. Koreksi Data TRMM terhadap Data Pos Hujan Sukawana
112
Gambar 73. Koreksi Data TRMM terhadap Data Pos Hujan Saguling
Gambar 74. Koreksi Data TRMM terhadap Data Pos Hujan Montaya
Gambar 75. Koreksi Data TRMM terhadap Data Pos Hujan Bandung
113
Gambar 76. Koreksi Data TRMM terhadap Data Pos Hujan Cililin
Gambar 77. Koreksi Data TRMM terhadap Data Pos Hujan Cisondari
Gambar 78. Koreksi Data TRMM terhadap Data Pos Hujan Ujung Berung
114
Gambar 79. Koreksi Data TRMM terhadap Data Pos Hujan Ciparay
Gambar 80. Koreksi Data TRMM terhadap Data Pos Hujan Cicalengka
Gambar 81. Koreksi Data TRMM terhadap Data Pos Hujan Paseh
115
Gambar 82. Koreksi Data TRMM terhadap Data Pos Hujan Chincona
6.5.2 Penentuan Nilai CN Berdasarkan Harmonized World Soil Database (HWSD)

Karena pada kasus ini dianggap bahwa tidak tersedia data debit ataupun data tinggi muka
air pada bendungan, sehingga proses kalibrasi parameter model tidak dapat dilakukan.
Sehingga jika pada kasus sebelumnya metode kehilangan air digunakan metode deficit
constant maka pada kasus ini perhitungan kehilangan air digunakan metode SCS-CN.
Metode ini dapat digunakan dengan cara menentukan nilai parameter CN melalui peta
Harmonized World Soil Database (HWSD). Peta Harmonized World Soil Database
(HWSD) merupakan database raster 30 arc-second dengan lebih dari 1600 pemetaan
tanah yang berbeda yang menggabungkan pembaruan informasi regional dan nasional
yang ada di seluruh dunia (SOTER, ESD, Soil Map of China, WISE) dengan informasi
yang terdapat dalam 1: 5000.000 skala FAO-UNESCO Tanah Peta Dunia (FAO,
19711981). Peta global ini bisa didapatkan secara gratis dari link:
http://webarchive.iiasa.ac.at/Research/LUC/External-World-soil-
database/HTML/index.html?sb=1
Peta HWSD sudah memiliki informasi mengenai klasifikasi tekstur tanah dominan pada
tanah teratas menurut USDA. Informasi tersebut di transformasikan sebagai kelompok
kelas HSG berdasarkan kelas tekstur dari USDA. Pada sub-DAS Sutami jenis tanah yang
digunakan adalah sebagai berikut :
116
Gambar 83. Peta Jenis Tanah DAS Sutami
Dari legenda tersebut diklasifikasikan tanah dominan di tanah teratas (topsoil) sesuai
dengan gridcode pada lokasi DAS Sutami, lalu ditransormasikan tanah tersebut sesuai
dengan kelas tekstur tanah menurut USDA. Berikut hasil klasifikasi tanahnya :
Tabel 33. Klasifikasi Tanah DAS Sutami
No
Gridcode Tanah Dominan HSG
.
1 4509 clay (light) D
2 4518 loam B
3 4538 clay (light) D
4 4570 loamy sand A
5 4573 loam B
6 4575 loam B
7 4576 loam B
8 4580 loamy sand A
Untuk DAS dengan sub-DASyang memiliki jenis tanah dan tutupan lahan yang berbeda,
Nilai Curve Number diambil dari Penentuan jenis tutupan lahan untuk DAS Sutami diambil
dari Peta Rupabumi Indonesia Tahun 2006.
117
Gambar 84. Peta Hydrologic Soil Group DAS Sutami
Gambar 85. Peta Tutupan Lahan DAS Sutami
Nilai CN yang digunakan untuk DAS Sutami sesuai dengan tabel nilai penentuan CN
pada bab sebelumnya adalah
118
Tabel 34. Nilai Curve Number DAS Sutami
Hydrologic Soil Group (HSG)
No
. Jenis Tutupan Lahan A B C D
1 Air Tawar 98 98 98 98
2 Hutan 57 73 82 86
3 Kebun 57 73 82 86
4 Padang Rumput\Tanah Kosong 72 82 87 89
5 Pemukiman 61 75 83 87
6 Rawa 98 98 98 98
7 Sawah Irigasi 62 71 78 81
8 Sawah Tadah Hujan 72 81 88 91
9 Semak Belukar 48 67 77 83
10 Tanah Ladang 66 77 85 89
Dengan menggabungkan informasi HSG yang telah didapat sebelumnya maka dapat
ditentukan nilai CN komposit untuk masing-masing sub-DAS pada DAS Sutami.
Tabel 35. Nilai Curve Number Sub-DAS Sutami
No SubDAS CNkomposit
1 R640W640 77,890
2 R660W660 74,493
3 R670W670 67,771
4 R680W680 81,343
5 R690W690 76,067
6 R700W700 70,983
7 R710W710 72,025
8 R720W720 63,160
9 R740W740 65,216
10 R750W750 62,445
11 R760W760 79,135
12 R770W770 70,906
13 R780W780 72,964
14 R790W790 78,192
15 R800W800 71,855
16 R810W810 70,162
17 R820W820 67,278
18 R830W830 76,636
19 R840W840 71,232
20 R850W850 75,521
21 R870W870 67,047
22 R890W890 73,990
23 R910W910 76,441
24 R930W930 69,852
25 R960W960 79,752
119
No SubDAS CNkomposit
26 R970W970 63,445
27 R980W980 76,394
28 R990W990 84,463
29 R1000W1000 84,980
30 R1030W1030 71,045
31 R1050W1050 86,162
32 R1060W1060 70,475
33 R1070W1070 71,999
34 R1080W1080 86,000
35 R1130W1130 72,768
36 R1140W1140 83,557
37 R1150W1150 71,517
38 R1160W1160 95,446
39 R1180W1180 75,704
40 R1210W1210 88,626
41 R1220W1220 84,321
42 R1230W1230 78,579
43 R1240W1240 88,068
44 R1250W1250 87,396
45 R1260W1260 82,251
46 R1270W1270 88,848
47 R1280W1280 88,132
48 R1290W1290 93,152
6.5.3 Prediksi Debit Banjir Berdasarkan Data Kejadian Banjir

Dengan menggunakan data hujan TRMM dan metode kehilangan air SCS-CN maka
didapat hasil sebagai berikut:
274
272
270
Elevasi (m)
268
266
264
262
260
7/3/2007 8/3/2007 8/3/2007 9/3/2007 9/3/2007 10/3/2007 10/3/2007 11/3/2007
Tanggal
Elevasi Observasi Elevasi (TRMM SCS)
Gambar 86. Hasil Simulasi Banjir Menggunakan Data TRMM (Maret 2007)
120
274
272
270
Elevasi (m)
268
266
264
262
260
25/12/2007 26/12/2007 27/12/2007 28/12/2007 29/12/2007 30/12/2007
Tanggal
Elevasi (TRMM SCS) Elevasi Observasi
Gambar 87. Hasil Simulasi Menggunakan Data TRMM (Desember 2007)

274
272
270
Elevasi (m)
268
266
264
262
260
10/4/2010 10/4/2010 11/4/2010 11/4/2010 12/4/2010 12/4/2010 13/4/2010
Tanggal
Elevasi (TRMM SCS) Elevasi Observasi
Gambar 88. Hasil Simulasi Menggunakan Data TRMM (April 2010)
6.6 ANALISIS DEBIT BANJIR RENCANA KASUS

Kejadian banjir pada DAS yang memiliki luas sangat besar pada banyak kasus
disebabkan oleh hujan lebih dari 24 jam. Untuk studi kasus 6, lokasi yang menjadi contoh
studi adalah banjir pada Bendungan Sutami dimana banjir yang terjadi disimulasikan
terhadap hujan 3 harian dibandingkan terhadap 3 kejadian banjir yang terjadi yaitu Maret
2007, Desember 2007, dan April 2010. Sebagaimana disajikan pada Gambar 87 – 89,
analisis debit banjir 3 harian dapat menggambarkan kondisi banjir ekstrem yang terjadi
pada Bendungan Sutami pada periode ulang berulang.
121
274
272
270
Elevasi (m)
268
266
264
262
260
7/3/2007 8/3/2007 8/3/2007 9/3/2007 9/3/2007 10/3/2007 10/3/2007 11/3/2007
Tanggal
Elevasi Observasi 3Harian 25 Tahunan 3Harian 50 Tahunan

3Harian 100 Tahunan 3Harian 1000 Tahunan
Gambar 89. Kejadian banjir 3 harian dibandingkan banjir Maret 2007
274
272
270
Elevasi (m)
268
266
264
262
260
25/12/2007 26/12/2007 27/12/2007 28/12/2007 29/12/2007 30/12/2007
Tanggal

Gambar 90. Kejadian banjir 3 harian dibandingkan banjir Desember 2007
274
272
270
Elevasi (m)
268
266
264
262
260
10/4/2010 10/4/2010 11/4/2010 11/4/2010 12/4/2010 12/4/2010 13/4/2010
Tanggal

Gambar 91. Kejadian banjir 3 harian dibandingkan banjir April 2010
122

Juknis Bendungan 6 Sept 2017

Diunggah oleh

Informasi Dokumen

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

Juknis Bendungan 6 Sept 2017

Diunggah oleh

Hak Cipta:

Format Tersedia

KEMENTERIAN PEKERJAAN UMUM DAN PERUMAHAN RAKYAT

PETUNJUK TEKNIS PERHITUNGAN

Berdasarkan Kontrak No. 01/KU.02.07/SKBB/III/2017

Jakarta, ………………. 2017

1.1 LATAR BELAKANG

1.2 MAKSUD DAN TUJUAN

1.3 RUANG LINGKUP

1.4 VALIDITAS DAN KETERBATASAN

1.5 METODOLOGI ANALISIS DEBIT BANJIR RENCANA

2.2 DATA HUJAN

2.2.1 Data Pos Hujan

2.2.2 Data Satelit

Mulai Memasukkan titik

Hubungkan setiap titik

Buat grid baru dengan cara

Gambar 3. Kerangka pikir pembembutan grid TRMM

Gambar 4. Hasil akhir dari pembutan grid

2.3 DATA DEBIT

2.4 DATA TINGGI MUKA AIR

2.6 PENYARINGAN DATA

2.6.1 Uji Outlier

2.6.2 Uji Trend

n : jumlah data sampel

2.6.3 Uji Stabilitas (mean dan variance)

t { v ,2.5 % } <t t <t { v , 97.5 % }

2.6.4 Uji Independensi

∑ ( xi −x́) ×(x i +1−x́)

Seri data dikatakan independen apabila memenuhi persamaan:

3.2 ANALISIS FREKUENSI

Periode Ulang, T (Tahun) Peluang KT

 Distribusi Log Normal 2 Parameter

 Distribusi Gumbel Tipe 1

P ( x ) =∝e−( x−β )−e

Koefisien distribusi Gumbel tipe I ditunjukan pada Persamaan berikut.

Tabel 7. Reduced standard deviation, Sn

 Distribusi Pearson III dan Log-Pearson III

Tabel 8. Nilai koefisien distribusi Pearson III

 Distribusi Probabilitas General Extreme Value (GEV)

( σ1 )exp (−exp( −( x−μ

Cara menghitung curah hujan rencana :

3. Tentukan periode ulang yang diinginkan dengan mengubah nilai probabilitas

3.3 UJI KECOCOKAN DISTRIBUSI

3.4 KOREKSI HUJAN TROPICAL RAINFALL MEASURING MISSION (TRMM)

3.4.1 Pemeriksaan Data Hujan Bulanan pos hujan dan TRMM

3.4.2 Koreksi Data Hujan Harian TRMM

Gambar 6. Koreksi hujan dengan lengkung probabilitas.

3.5 CURAH HUJAN WILAYAH

3.5.1 Poligon Thiessen

Gambar 7. Poligon Thiessen

3.6 FAKTOR REDUKSI LUAS / AREAL REDUCTION FACTOR (ARF)

Gambar 8. ARF untuk Pulau Jawa dengan berbagai periode hujan

3.6.1 Perbandingan ARF

Jawa New Jersey North Carolina

Gambar 9. Perbandingan ARF berbagai wilayah

ARF Jawa ARF Malaysia ARF Thailand

Gambar 10. Perbandigan ARF Jawa, Malaysia, dan Thailand

3.6.2 Penerapan ARF Jawa dibandingkan dengan nilai ARF sesungguhnya

ARF Jawa ARF Dodokan ARF Sutami

Gambar 11. Perbandingan Hasil ARF Jawa dengan ARF asli

Tabel 11. Perbandingan Hasil ARF Jawa dengan ARF asli

DAS Luas ARF Jawa ARF Sesungguhnya % Deviasi

Hitung luas DAS

Tarik garis vertikal dari titik

Dari perpotongan tarik garis