DISTRIBUSI CURAH HUJAN

Beberapa jenis sebaran yang paling banyak digunakan dalam memanfaatkan berbagai
teknik analisa frekuensi pada pengolahan data hidrologi adalah distribusi Log Normal, Log
Pearson type III, dan Gumbel Generalized Extreme Value (GEV).

 Parameter statistik
R
Analisis kecocokan distribusi menggunakan parameter statistik yang meliputi: harga rata-rata (
) standar deviasi (Sd), koefisien variasi (Cv), koefisien asimetri (Cs), dan koefisien kurtosis (Ck).
Rumusan parameter disajikan sebagai berikut :
n
∑ Ri
i =1
R=
n
, i = 1, 2,3,…,n

√
n
∑ ( Ri −R ) 2
i=1
Sd=
n−1

Sd
Cv=
R

n ∑ ( Ri−R )3
Cs=
(n−1)(n−2 )S 3
d

n
n2 ∑ ( Ri −R ) 4
i=1
Ck=
( n−1)( n−2)( n−3) S 4
d

dengan : Ri = curah hujan, dan

n = jumlah data.
 Distribusi normal
Distribusi normal atau kurva normal disebut pula distribusi Gauss (Suripin, 2003 : 35).
Distribusi Normal memiliki sifat khas yaitu nilai asimetrisnya (skewness) hampir sama dengan
nol (Cs  0) dan koefisien kurtosis (Ck  3).

 Distribusi log normal

Menurut Suripin (2003 : 39), jika variabel acak dilogaritmakan (curah hujan Ri = log Ri)
terdistribusi secara normal, maka distribusi curah hujan (Ri) mengikuti distribusi log normal.
Sifat khas dari distribusi log normal adalah besaran skewness (Cs)  3Cv + Cv3.

 Distribusi log Pearson type III

Menurut Suripin (2003: 41), distribusi Log Pearson type III tidak mengikuti konsep yang
melatarbelakangi pemakaian distribusi Log Normal untuk banjir puncak, distribusi ini tidak
berbasis teori.

 Distribusi Gumbel
Menurut Suripin (2003 : 50), distribusi Gumbel menggunakan harga ekstrim untuk
menunjukkan bahwa dalam deret harga-harga ekstrim mempunyai fungsi distribusi eksponensial
ganda. Sifat khas dari distribusi ini adalah nilai koefisien skewnessnya (Cs) = 1,1396 dan
koefisien kurtosisnya (Ck) = 5,4002 (Harto, 1981 : 176).
Menurut Suripin (2003 : 57), diperlukan penguji parameter untuk menguji kecocokan (the
goodness of fittest test) distribusi frekuensi sampel data terhadap fungsi distribusi peluang yang
diperkirakan dapat menggambarkan atau mewakili distribusi frekuensi tersebut.
Menurut Shahin (1976), Pengujian parameter dapat dilakukan dengan dua cara, yaitu uji
Chi-kuadrat dan uji Smirnov-Kolmogorov (Harto, 198 1: 180).

 Uji Chi-kuadrat (Chi-square)

 Uji Chi-kuadrat dimaksud untuk menentukan apakah persamaan distribusi yang telah
dipilih dapat mewakili distribusi statistik sampel data yang dianalisis (Suripin, 2003 : 57).
2
Pengambilan keputusan uji ini menggunakan parameter χ h , yang dihitung dengan persamaan :

2
K
( E f −Of )
χ 2h = ∑ Ef
i =1

dengan :
h2 = parameter Chi-kuadrat hitung;
K = banyak kelas (group);
Ef = frekuensi (banyaknya pengamatan) yang diharapkan;
Of = frekuensi yang terbaca pada kelas yang sama.

Nilai Chi-kuadrat hitung (h2) harus lebih kecil dari harga Chi-kuadrat kritik ( 2). Untuk
suatu derajad nyata tertentu (level of significance), yang sering diambil adalah () = 5 % (Harto,
1981 : 180).

Derajad kebebasan (dk) secara umum dapat dihitung dengan :

dk = K – P – 1

dengan :
P = banyaknya keterikatan (constrain) untuk Chi-kuadrat P = 2.
Besarnya nilai kritik (2) untuk uji distribusi Chi-kuadrat diperlihatkan pada Lampiran B Tabel
B.2.5 halaman 74.

 Uji Smirnov-kolmogorov
Uji kecocokan Smirnov-Kolmogorov sering disebut juga uji kecocokan non parameterik,
karena pengujiannya tidak menggunakan fungsi distribusi tertentu (Suripin, 2003 : 58).
Pengujian kecocokan dapat dilakukan dengan membandingkan kemungkinan (probability) untuk
tiap variat, dari distribusi empiris dan teoritisnya, akan dapat perbedaan () tertentu. Menurut
Chance, apabila harga  max yang terbaca pada kertas kemungkinan <  cr yang didapat dari
tabel nilai kritik  , maka kesalahan-kesalahan yang terjadi secara kebetulan (Harto, 1981 : 182).
Bentuk persaamaan Smirnov-Kolmogorov :

P {max P (x) – P (xi) cr =  .................................................... (2.21)

Besarnya nilai kritik ( cr) untuk uji Smirnov-Kolmogorov dapat dilihat pada Lampiran B Tabel
B.2.6 halaman 75.

2.3.5 Curah Hujan Rencana

Setelah mengetahui jenis sebaran untuk setiap set data maka selanjutnya dihitung curah
hujan rencana berdasarkan kecocokan distribusi.
 Distribusi normal
Prakiraan besarnya curah hujan rencana untuk distribusi normal menggunakan rumus
statistik sebagai berikut :
RT =R+ K T S d ................................................................................ (2.22)

dengan,
RT = curah hujan rencana dengan periode ulang T (mm);
R = curah hujan rata-rata (mm);
KT = faktor frekuensi Gauss, merupakan fungsi dari periode ulang;
Sd = standar deviasi (mm).
Nilai variabel reduksi Gauss dapat dilihat pada Lampiran B Tabel B.2.7 halaman 76.

 Distribusi log normal dan log Pearson type III

Persamaan untuk distribusi log normal dan log Pearson type III adalah sebagai berikut :
log RT =log R+ K T S d ..................................................................... (2.23)

dengan :
RT = curah hujan rencana dengan periode ulang T (mm);
R = curah hujan rata-rata (mm);
 KT = faktor frekuensi;
Sd = standar deviasi(mm).

Faktor frekuensi (KT) untuk distribusi log normal ditentukan berdasarkan nilai Cv dan
periode ulang, sedangkang faktor frekuensi (KT) untuk distribusi log Pearson type III berdasarkan
nilai Cs dan periode ulang. Faktor frekuensi KT untuk distribusi log Pearson type III dapat dilihat
pada Lampiran B Tabel B.2.8 halaman 77.

 Distribusi Gumbel dan GEV

Perkiraan curah hujan untuk distribusi Gumbel dan GEV adalah sebagai berikut :

RT =R+ K T S d ................................................................................ (2.24)

Y T −Y n
KT=
Sn ................................................................................... (2.25)

{
Y T =−ln − ln
T −1
}
T ....................................................................... (2.26)

dengan :
RT = curah hujan rencana dengan periode ulang T (mm);
R = curah hujan rata-rata (mm);
KT = faktor frekuensi;
Sd = standar deviasi (mm);
T = tahun rencana periode ulang;
Yn = reduced mean yang tergantung dari jumlah data;
Sn = reduced standar deviation yang juga tergantung dari jumlah data;
YT = reduced variate.
Besarnya nilai reduced mean (Yn) dan reduced standar deviation (Sn) diperlihatkan pada
Lampiran B Tabel B.2.9 dan B.2.10 dan halaman 78.