ANALISA STATISTIK HIDROLOGI

 Statistik adalah ilmu yang mempelajari tentang cara pengumpulan fakta, teknik
pemrosesan data (pengolahan dan analisis) menjadi informasi yang berguna baik dalam
penelitian ilmiah atau dalam pengambilan keputusan berdasarkan pada fakta dan
analisis. Dari informasi yang diperoleh dapat diketahui sifat atau karakteristik kumpulan
data tersebut.

 Data hidrologi adalah kumpulan keterangan atau fakta mengenai penomena hidrologi
seperti debit, tinggi muka air sungai, curah hujan, klimatologi dsb, dengan nilai dan
sifatnya (maksimum, minimum, simpangan baku dll) yang selalu berubah-ubah dan
menggambarkan karakteristik populasi.
 Penomena hidrologi selalu berubah-ubah menurut waktu, yang disebut
sebagai proses hidrologi, yaitu uraian sembarang penomena yang secara
kontinyu selalu berubah menurut waktu. Dalam menganalisis proses
hidrologi, umumnya dapat didekati dengan tiga konsep pendekatan, yaitu
:

1. Deterministik (Deterministic)

2. Stokastik (Stochastic)

3. Peluang (Probalistik)
 Pada pendekatan deterministik, variabel hidrologi dipandang sebagai suatu variabel
yang tidak berubah menurut waktu. Contoh : Dalam analisis ketersediaan air
menggunakan data debit rata-rata harian yang telah dicatat selama 50 tahun yang lalu
dan dianggap bahwa debit tidak berubah dimasa mendatang. Kenyatan di lapangan,
adalah sangat sulit untuk menentukan proses hidrologi yang betul-betul deterministik.

 Apabila perubahan variabel hidrologi merupakan faktor peluang, maka prosesnya

disebut stokastik (stochastic) atau peluang (probabilistic).
Pendekatan stokastik adalah analisis proses hidrologi yang dilakukan
dengan memperhatikan perubahan variabel hidrologi menurut fungsi waktu.
Proses ini dipandang sebagai proses yang tergantung waktu (time
dependent). Umumnya pendekatan ini sulit dilaksanakan dan jarang
digunakan dalam pekerjaan analisis hidrologi yang sifatnya sederhana dan
praktis. Contoh : analisis angkutan sedimen dan debit aliran dapat
dipandang sebagai proses stokastik, dimana variable turbulensi aliran selalu
berubah, karena banyak faktor yang mempengaruhinya.
 Konsep pendekatan peluang (probalistic) dalam menganalisis proses hidrologi adalah
dengan pendekatan bahwa perubahan variable hidrologi mempunyai berbagai
kemungkinan (tidak dapat dipastikan 100 %), dan tidak tergantung waktu. Sebagai
contoh, adalah biasanya menggunakan distribusi peluang untuk menentukan prosentase
peluang debit banjir pada periode ulang (return period) tertentu. Analisis peluang
didasarkan pada data hidrologi yang telah dicatat pada masa yang lalu untuk
memprediksi besarnya prosentase peluang kejadiannya dimasa mendatang pada
periode ulang tertentu. Konsep peluang banyak dipergunakan dalam pekerjaan praktis
analisis hidrologi. Adakalanya juga ketiga pendekatan tersebut digunakan bersama-
sama.
 3.2 Kualitas Data Hidrologi

 Analisis statistik dilakukan berdasarkan sample yang dikumpulkan di lapangan dan

merupakan fungsi dari keandalan data yang dikumpulkan tersebut. Nilai variable
hidrologi dapat diperoleh dengan pengukuran tunggal pada setiap waktu tertentu
(discrete time intervals) atau dengan pencatatan yang kontinyu (contnous time intervals).
Untuk keperluan analisis statistik umumnya data kontinyu diubah dahulu menjadi data
diskrit. Misalnya data tinggi muka air yang tercatat pada grafik alat duga air otomatis
(AWLR) yang merupakan data kontinyu diubah menjadi data tinggi muka air rata-rata
jam-jaman atau harian sebagai data diskrit.
 Kualitas data sangat menentukan kebenaran dari hasil analisis. Data lapangan yang berupa data
sample atau populasi sebagai data mentah, harus mempunyai kesalahan sekecil mungkin. Yang
dimaksud kesalahan adalah nilai selisih antara sample yang diukur dan nilai sebenarnya,
sedangkan nilai kepercayaan (confidence interval) adalah interval dari nilai yang sebenarnya
dapat diharapkan terjadi pada tingkat peluang tertentu. Pada umumnya kesalahan dapat
dibedakan menjadi 3 jenis, yaitu :

a. kesalahan fatal (spurious error)

b. kesalahan acak (random error).

c. Kesalahan sistematik (systematic errors)

 Kesalahan fatal, adalah kesalahan yang disebabkan oleh kelalaian manusia dan atau
alat pengukur yang tidak berfungsi sebagaimana mestinya. Jenis kesalahan ini tidak
dapat diperbaiki dengan analisis statistik. Hasil pengukuran tidak dapat digunakan
sebagai data hidrologi, sehingga perlu pengukuran ulang agar hasilnya benar.


 Kesalahan acak (random errors), adalah kesalahan yang diakibatkan oleh ketidak
telitian pengukuran. Besar kesalahan acak, merupakan nilai pengukuran suatu variabel
hidrologi terhadap nilai rata-ratanya. Jenis kesalahan acak dapat dikurangi dengan
cara memperbanyak jumlah pengukuran.


 Kesalahan sistematik (systematic errors) adalah kesalahan yang disebabkan terutama

oleh ketelitian peralatan yang digunakan, misalnya alat duga air atau alat ukur arus
dalam pelaksanaan pengukuran debit dari suatu pos duga air. Kesalahan ini tidak dapat
dikurangi dengan penambahan jumlah pengukuran selama pengukuran masih
dilaksanakan dengan alat yang sama dan belum diperbaiki atau dikalibrasi. Kesalahan
sistematik dapat diperbaiki dengan cara menggunakan alat yang berbeda, mengulangi
pengukuran atau mengganti tenaga pengukur, dll.
 3.3 Pemeriksaan dan Pengujian Data Hidrologi
 Setelah pengukuran selesai dilaksanakan, umumnya data hidrologi dikirimkan ke
Pusat Pengolahan Data (PPD) untuk dikumpulkan, dicek dan disimpan serta
diolah menjadi data siap pakai. Data yang diterima oleh PPD selanjutnya
diurutkan menurut fungsi waktu, sehingga menjadi data deret berkala (time
series). Selanjutnya terhadap data tersebut dilakukan pemeriksaan dan
pengujian, antara lain tentang konsistensi (consistency), dan kesamaan jenis
(homogenity).
 Ada beberapa cara untuk menguji konsistensi dan kesamaan jenis dari data
hidrologi, antara lain ; cara Grafis, cara Kurva Massa Ganda, Statistik, dll.
3.3.1 Pengujian Homogenitas Data
Analisis grafis dengan menggunakan deret berkala dapat untuk mengetahui
kesamaan / homogenitas jenis data yang diurutkan. Gambar 3.1 menunjukkan
sketsa perubahan nilai rata-rata X1 pada periode ke I menjadi X2 pada periode ke
II. Sedangkan Gambar 3.2 menunjukkan sketsa perubahan nilai varian yang
semakin kecil. Batas antara sama jenis dan tidak sama jenis dilakukan secara
empiris.

Gambar 3.1 Sketsa Perubahan Nilai Rata-Rata yang Bertambah.

Gambar 3.2 Sketsa Perubahan Nilai Varian yang Bertambah.

 .3.2 Pengujian Konsistensi Data

 Kurva Massa Ganda (Double Mass Curve), adalah salah satu cara yang banyak
dipergunakan untuk pengujian konsistensi data hidrologi. Dengan metode ini
juga dapat dilakukan koreksinya. Konsep cara ini adalah membandingkan curah
hujan
curah hujan tahunan atau musiman kumulatif dari stasiun yang akan diuji,
dengan nilai kumulatif curah hujan rata-rata dari suatu jaringan stasiun dasar
yang bersesuaian. Stasiun-stasiun dasar ini dipilih dari tempat-tempat
berdekatan dengan stasiun pengamatan yang akan diuji konsistensinya. Jumlah
stasiun pembanding minimal lima stasiun. Data-data disusun menurut urutan
kronologis mundur, dimulai dari tahun terakhir.
Gambar 3.3 Contoh Kurva Massa Ganda.
 3.5 Distribusi Probabilitas Frekuwensi

 Fungsi probabilitas dapat berbentuk diskrit atau kontinyu.

 Distribusi diskrit antara lain :

- Fungsi sebaran Binomial

- Fungsi sebaran Poison.

 Distribusi kontinyu antara lain :

- Distribusi Normal/Gauss

- Distribusi Gumbel/Exponential Ganda.

- Distribusi Pearson

- Distribusi Transformasi Log : - Log Normal.

- Log Pearson.
3.5.1 Distribusi Normal.
Fungsi densitas peluang normal dari variabel acak kontinyu X, dapat ditulis
sebagai berikut :
1 X    2
1  
2  
P( X )  e
 2
dengan :
P(X) = fungsi densitas peluang normal (ordinat kurva normal).
X = variabel acak kontinyu.
 = rata-rata dari nilai X.
 = standar deviasi dari nilai X
Untuk analisis kurva normal, cukup menggunakan parameter statistik  dan .
Bentuk kurva simetris terhadap X = , dan grafiknya selalu di atas sumbu datar X,
serta mendekati (berasimtut) sumbu X dimulai dari X =  + 3 dan  – 3. Nilai
mean = modus = median. Nilai X mempunyai batas -∞ < X < +∞.

Gambar 3.4 Kurva Distribusi Frekwensi Normal.

Apabila sebuah populasi data hidrologi mempunyai distribusi normal, maka :
1. Kira-kira 68,27%, terletak di daerah 1sekitar nilai rata-rata,  -dan  +
2. Kira-kira 95,45%, terletak di daerah 2sekitar nilai rata-rata,  -dan  +
3. Kira-kira 99,73%, terletak di daerah 3sekitar nilai rata-rata,  -dan  +
4. 50 % terletak di daerah  -dan  +
Apabila nilai X adalah standar, yaitu nilai rata-rata  = 0 dan standar deviasi  =
1, maka berlaku ;
X 
1
1  t2
P( t )  e 2
dengan t
2 
yang disebut persamaan distribusi normal standar.
Dalam pemakaian praktis, umumnya digunkan tabel distribusi normal.
Analisis hubungan periode ulang dan probabilitas, dinyatakan dengan p = 1/T,
dimana p = probalitas dan T = periode ulang (th). Analisis dilakukan dengan
menggunakan distribusi data yang tersedia.
Berbagai rumus yang dapat digunakan untuk perhitungan probabilitas dan periode
ulang, antara lain :
Rumus T Distribusi T untuk N = 50, M = 1
N
- California (1929) - 50
m
2N
- Hazen (1930) Normal 100
2m  1

N  0,4
- Bernard (1962) Pearson II 72
m  0,3

N 1
- Weibull (1939) Normal, Pearson III 51
m
N  0,25
- Blom (1958) Normal 80,4
m  0,375

- Gringorten N  0,12 Exponential

89,5
(1963) m  0,44 Extreme value I
Keterangan : N = jumlah data; m = nomor urut; T = periode ulang.
Tabel 3.1 Luas Areal di Bawah Kurva Normal
3.5.2 Distribusi Gumbel
Persamaan Gumbel untuk periode ulang Tr :
X Tr  X  S x (0,78 y  0,45)

Sx 

 Xi  X 
2

( n  1)

 T 1 
Y   ln   ln 
 T 
keterangan :
X = nilai rata-rata
Sx = simbangan baku
Y = perubahan reduksi
N = jumlah data.

Bentuk lain dari Persamaan Gumbel :

X t  X  K .S x
dimana : Xt = besaran yang diharapkan terjadi dalam t tahun.
t = periode ulang.
X = harga pengamatan rata-rata.
K = faktor frekuensi.
Sx = standar deviasi.

Harga K tergantung dari banyaknya data dan besarnya periode ulang yang
dikehendaki, dengan rumus
Yt  Yn  Y  Yn 
K  sehingga rumus Gumbel menjadi ; X t  X a   t .S n
Sn  Sn 
dimana : Yt = reduced variate.
Yn = reduced mean.
Sn reduced standar deviasi.
Untuk menyelesaikan perhitungan di atas Gumbel telah membuat tabel untuk harga-harga Yt, Yn dan Sn, sepeti berikut ini.
Tabel 3.2 Nilai - Nilai Yn dan Sn untuk Distr. Gumbel. Tabel 3.3 Nilai Yt

n ( tahun ) Yn Sn Periode Yt
Ulang ( T )

10 0,4952 0,9497 2 0,3665

15 0,5128 1,0206 5 1,4999
20 0,5232 1,0628 10 2,2502
25 0,5309 1,0915 20 2,9702
30 0,5362 1,1124 25 3,1985
35 0,5403 1,1285 50 3,9019
40 0,5436 1,1423 100 4,6001
45 0,5463 1,1518 200 5,2950
50 0,5565 1,1607
55 0,5504 1,1681
60 0,5521 1,1747
65 0,5536 1,1803

70 0,5546 1,1854
75 0,5549 1,1896
80 0,5569 1,1938
85 0,5478 1,1973
90 0,4489 1,2007
95 0,4593 1,2038
100 0,5600 1,2065
200 0,5672 1,2359
500 0,5724 1,2588
1000 0,5742 1,2685
3.5.3 Distribusi Log Pearsen Tipe III
log X Tr  log X  K ( S logx )
N
 log X i
i 1
log X 
N
N
 (log X i  log X )
2
i 1
S log x 
N 1
N

N  log X i  log X
i 1

3

g log x 
N  1N  2S log x 3

K = faktor penyimpangan untuk suatu periode ulang tertentu, yang merupakan

fungsi g log x tertentu (Tabel).
Tabel 3.4 Faktor Penyimpangan KT untuk Distribusi Log Pearson Type III.
g log x KALA ULANG (T)
koef. 2 5 10 25 50 100 200 1000
sim- KEMUNGKINAN TERJADI (%)
pangan 50 20 10 4 2 1 0,5 0,1

3,0 - 0,396 0,420 1,180 2,278 3,152 4,051 4,970 7,250

2,5 - 0,360 0,518 1,250 2,262 3,048 3,845 4,652 6,600
2,2 - 0,330 0,574 1,384 2,240 2,970 3,705 4,444 6,200
2,0 - 0,307 0,609 1,302 2,219 2,912 3,605 4,298 5,910
1,8 - 0,282 0,643 1,318 2,193 2,848 3,499 4.147 5,660
1,6 - 0,254 0,675 1,329 2,163 2,780 3,388 3,990 5,390
1,4 - 0,225 0,705 1,337 2,128 2,706 3,271 3,828 5,110
1,2 - 0,195 0,732 1,340 2,087 2,626 3,149 3,661 4,820
1,0 - 0,164 0,758 1,340 2,043 2,542 3,022 3,489 4,540
0,9 - 0,148 0,769 1,339 2,018 2,498 2,957 3,401 4,395
0,8 - 0,132 0,780 1,336 1,998 2,453 2,891 3,312 4,250
0,7 - 0,116 0,790 1,333 1,967 2,407 2,824 3,223 4,105
0,6 - 0,009 0,800 1,328 1,939 2,359 2,755 3,132 3,960
0,5 - 0,083 0,808 1,323 1,910 2,311 2,686 3,041 3,815
0,4 - 0,006 0,816 1,317 1,880 2,261 2,615 2,949 3,670
0,3 - 0,050 0,824 1,309 1,849 2,211 2,544 2,856 3,525
0,2 - 0,033 0,830 1,301 1,818 2,159 2,472 2,763 3,380
0,1 - 0,017 0,836 1,292 1,785 2,107 2,400 2,670 3,235
0 0 0,842 1,282 1,751 2,054 2,326 2,576 3,090
- 0,1 0,017 0,836 1,270 1,716 2,000 2,252 2,482 2,950
- 0,2 0,033 0,850 1,258 1,680 1,945 2,178 2,388 2,810
- 0,3 0,050 0,853 1,245 1,643 1,890 2,104 2,294 2,675
- 0,4 0,066 0,855 1,231 1,606 1,834 2,029 2,201 2,540
- 0,5 0,083 0,856 1,216 1,567 1,777 1,955 2,108 2,400
- 0,6 0,099 0,857 1,200 1,528 1,720 1,880 2,016 2,275
Apabila data diperkirakan mengikuti distribusi normal, maka besar kejadian dan
probabilitas (1/T) yang digambarkan pada kertas probabilitas normal akan
menghasilkan suatu garis lurus. Metode ini dapat dilakukan dengan cara grafis
dan analitis.

3.5.4 Distribusi Log Normal

log X Tr  log X  K ( S logx )
N
 log X i
i 1
log X 
N
N
 (log X i  log X )
2
i 1
S log x 
N 1
N

N  log X i  log X
i 1

3

g log x 
N  1N  2S log x 3
K = faktor penyimpangan untuk suatu periode ulang tertentu, yang merupakan
fungsi g log x tertentu (Tabel 3.4).
 3.6 Pemiihan fungsi Distribusi

 Pemilihan fungsi distribusi yang dipakai dalam perhitungan analisis frekuensi

didasarkan pada nilai parameter-parameter statistik dari data lapangan yang cocok
atau mendekati pada sifat khas yang dimiliki oleh fungsi distribusi yang berkaitan,
seperti yang disajikan di bawah ini :

 1) Distribusi Gumbel

Memiliki sifat khas, yaitu nilai   1,14 dan koefisien kartosis Ck = 5,4.

 2) Distribusi Normal

Memiliki sifat khas, yaitu asimetrisnya (skewness) hampir sama dengan no

l (Cs  0) dan koefisien kartosis Ck = 3.

 3) Distribusi log Normal
Memiliki sifat khas, yaitu asimetrisnya (skewness) Cs hampir sama dengan 3 dan
bertanda positif (Cs  3). Atau dengan nilai Cs kira-kira sama dengan tiga kali
nilai koefisien variansi Cv.

 4) Distribusi Gumbel type I

Memiliki sifat khas, yaitu nilai asimetrinya (skewness) Cs  1,1396, sedangkan
nilai kartosis Ck  5,4002.

 5) Distribusi Log Pearson Type III

Tidak mempunyai sifat khas yang dapat digunakan untuk memperkirakan jenis
distribuís type ini.
3.7 Cara Grafis.
Cara ini menggambarkan data tahunan yang sudah tersusun dari besar ke kecil
dengan kala ulangnya pada kertas Gumbel atau kertas probabilitas normal.
Apabila hasilnya merupakan garis lurus, maka ekstrapolasi dapat dilakukan.
Sedangkan kala ulang dan probabilitasnya anatara lain dapat dihitung dengan
mempergunakan rumus Weibull :
N 1
T
m