TEKNIK SIPIL

FAKULTAS TEKNIK
UNIVERSITAS TANJUNGPURA
UJI KECOCOKAN

Apa yang akan dipelajari ?

Apa yang akan dipelajari ?
[D1011171028] IRVEBRY AYU WULANDARY
[D1011171030] FANY PUSPABELLA
[D1011171038] ISMI SUKMAWATI
[D1011171048] PUTRI RISMAWATI
[D1011171058] PEDRO AGUS R SILABAN
[D1011171080] RUSSEL SAVARINO PASARIBU
PENDAHULUAN

Dalam analisa hidrologi ada beberapa distribusi peluang yang dapat digunakan
 distribusi kontinyu
 distribusi diskrit
 distribusi poisson

Namun yang biasanya digunakan adalah distribusi kontinyu.

PENDAHULUAN

Maksud dan tujuan uji kecocokan adalah untuk menentukan metode analisa apa yang cocok
digunakan dalam menentukan hujan periode ulang tertentu. Metode yang dimaksud adalah metode
yang merupakan metode yang tercakup dalam distribusi kontinu:

 Normal
 Log Pearson Tipe III
 Gumbel Tipe I dan sebagainya
 NORMAL

Distribusi normal banyak digunakan dalam analisa hidrologi. Distribusi normal atau kurva normal
ini biasanya disebut juga distribusi Gauss. Bentuk persamaan kurva frekwensi adalah ;

X  x  t p .
Dengan;

X = nilai suatu kejadian dengan perioda ulang T tahun

= nilai rata-rata hitung kejadian-kejadian
x
 = simpangan baku (standar deviasi)
tp = karakteristik dari distribusi probabilitas normal. Nilai t p didapat
dengan membaca tabel area di bawah kurva standar Normal
untuk nilai probabilitas komulatif yang dihitung.
NORMAL

Tabel 1. Nilai Variasi Reduksi Gauss

Pe rio d e Ula ng T Pe lua ng k Pe rio d e Ula ng T Pe lua ng k
(ta hun) (ta hun)

1.001 0.999 -3.05 3.33 0.3 0.52

1.005 0.995 -2.58 4 0.25 0.67

1.01 0.99 -2.33 5 0.2 0.84

1.05 0.95 -1.64 10 0.1 1.28

1.11 0.9 -1.28 20 0.05 1.64

1.25 0.8 -0.84 50 0.2 2.05

1.33 0.75 -0.67 100 0.01 2.33

1.43 0.7 -0.52 200 0.005 2.58

1.67 0.6 -0.25 500 0.002 2.88

2 0.5 0 1000 0.001 3.09

2.5 0.4 0.25

Sumber; Hidrologi, Aplikasi Metode Statistik untuk Analisa Data (Soewarno,1995; 119)
NORMAL

Data Hujan Peringkat m 1

P T
(Xi) (m) n 1 P
184 1 0.0769 13.00 X = X + ( k x S )
153 2 0.1538 6.50
= 111.9167 + ( k x 32.9620 )
145 3 0.2308 4.33

120 4 0.3077 3.25

X2 = 111.9167 + ( 0.5 x 32.9620 ) = 128.3977 mm
107 5 0.3846 2.60 X5 = 111.9167 + ( 0.2 x 32.9620 ) = 118.5091 mm
103 6 0.4615 2.17
X10 = 111.9167 + ( 0.1 x 32.9620 ) = 115.2129 mm
97 7 0.5385 1.86

96 8 0.6154 1.63

96 9 0.6923 1.44

90 10 0.7692 1.30

81 11 0.8462 1.18

72 12 0.9231 1.08

N= 12 x = 111.9167
S = 32.9620
Log Pearson Tipe III

Distribusi Log -Pearson Tipe III, banyak digunakan dalam analisis hidrologi,
terutama dalam analisis data maksimum (banjir) dan minimum (debit minimum)
dengan nilai ekstrem (Soewarno; 1995; 141). Bentuk ini merupakan hasil
transformasi dari Distribusi Pearson tipe III dengan menggantikan variat menjadi
nilai logarithmik. Bentuk kumulatif dari distribusi Log Pearson Tipe III dengan
nilai variatnya X apabila digambarkan pada kertas peluang logaritmik akan
merupakan model matematik persamaan garis lurus; Y  Y  k.S
Log Pearson Tipe III

Y = nilai logaritma dari X (log x atau ln x)

Y = nilai rata-rata hitung atau rata-rata geometrik nilai Y
S = simpangan baku (deviasi standar) nilai Y
k = faktor sifat distribusi Log Pearson tipe III, didapat dari tabel
yang merupakan fungsi dari probabilitas terjadinya atau periode
ulang dan koefisien Skweness, seperti berikut;
Log Pearson Tipe III
Log Pearson Tipe III
Log Pearson Tipe III

Hujan rencana untuk periode ulang 2 tahun (X2) :

                   _____ 4. Hujan rencana untuk periode ulang 50 tahun (X 50) :
1. Log X2 = Log X  + (KT x S Log X) = 2,1971 + (-0,018 x 0,1369)                _____
            = 2,1946 Log X50 = Log X  + (KT x S Log X) = 2,1971 + (2,108 x
X2 = 156,53 mm 0,1369)
            = 2,4856
2. Hujan rencana untuk periode ulang 5 tahun (X5) :
X50 = 305,91 mm
               _____
Log X5 = Log X  + (KT x S Log X) = 2,1971 + (0,837 x 0,1369) 5. Hujan rencana untuk periode ulang 100 tahun (X 100) :
            = 2,3116                   _____
X5 = 204,92 mm Log X100 = Log X  + (KT x S Log X) = 2,1971 + (2,401 x
3. Hujan rencana untuk periode ulang 20 tahun (X20) : 0,1369)
               _____                = 2,5257
Log X20 = Log X  + (KT x S Log X) = 2,1971 + (1,685 x 0,1369) X100 = 335,50 mm
            = 2,4277
X20 = 267,73 mm
Log Pearson Tipe III

 Nilai Cs yang sudah didapat dipakai untuk mencari nilai T pada

lampiran Tabel Frekuensi KT untuk Distribusi Log Pearson Type
III, maka didapat :
 T = 2 dan Cs = 0,541 maka nilai KT = - 0,018
 T = 5 dan Cs = 0,541 maka nilai KT = 0,837
 T = 20 dan Cs = 0,541 maka nilai KT = 1,685
 T = 50 dan Cs = 0,541 maka nilai KT = 2,108
 T = 100 dan Cs = 0,541 maka nilai KT = 2,401
 Gumbel Tipe I

Dalam Soewarno, 2000; 123 dikatakan bahwa distribusi Gumbel Tipe I atau disebut
juga dengan distribusi ekstrem 1 (extreme type I distribution) umumnya digunakan
untuk analisa data maksimum, misal untuk analisis frekwensi banjir. Peluang kumulatif
ini sering dipakai untuk menganalisa keadaan maximum seperti frekwensi banjir.
Persamaan garis lurus model matematik distribusi Gumbel Tipe I yang ditentukan
dengan menggunakan metode momen adalah;
3.1 Metode Gumbel Tipe I
Dalam Soewarno, 2000; 123 dikatakan bahwa distribusi Gumbel Tipe I atau
disebut juga dengan distribusi ekstrem 1 (extreme type I distribution) umunya
digunakan untuk analisa data maksimum, misal untuk analisis frekuensi banjir.
Persamaan garis lurus model matematik distribusi Gumbel Tipe I yang ditentukan
dengan menggunakan metode momen adalah :
Y  a X  X o 
3. 1
Keterangan :
Met ode Gumbel T ipe I
Dalam Soe wa rno, 2000; 123 dikatakan bahwa dis tribusi Gumbel T ipe I ata u

1, 283 dis ebut juga dengan distr ibus i eks tr em 1 ( extreme type I distribution ) umunya

a  digunakan untuk analisa data maks imum, misal untuk analisis f rekuens i banjir.

 Per sa maan
den gan
ga ris
menggunakan
lur us model
metode
Y  a
ma tematik

X
momen
 X 
distr
adalah
ibus i
:
Gumbel Tipe I yan g ditentukan

0,577
1, 283

a

X o    atauX 0    0, 455 X o   
0,577
atauX 0    0, 455 
a
a
De ngan : μ = nilai r ata -r ata
σ = devias i standar
dis tribusi Gumbel Tipe I mempunyai koef isien keme nc engan ( coe fficient of

Dengan : μ = nilai rata-rata skew nes s )

bes ar mya
Cs =
peluang
1,139.
atau
nila i
pe riode
Y, f aktor
ula ng
reduksi
se perti
Gumbel
ya ng
T ipe
ditunjukkan
I merupaka n
dalam tabel
fungsi da ri
ber iku t
:

σ = deviasi standar
distribusi Gumbel Tipe I mempunyai koefisien kemencengan (coefficient of
skewness) Cs = 1,139. nilai Y, faktor reduksi Gumbel Tipe I merupakan fungsi dari
besarmya peluang atau periode ulang seperti yang ditunjukkan dalam tabel berikut
:
 Gumbel Tipe I

Perhitungan persamaan garis lurus untuk distribusi Gumbel Tipe I dapat juga
menggunakan persamaan distribusi frekuensi empiris sebagai berikut;
S
XX  Y  Yn 
Sn
Dengan
X = Nilai variat yang diharapkan terjadi Dengan

X = Nilai rata-rata hitung variat X = Nilai variat yang diharapkan terjadi

X = Nilai rata-rata hitung variat
Y = Nilai reduksi variat dari variabel yang diharapkan terjadi pada
Y = Nilai reduksi variat dari variabel yang diharapkan terjadi pada
periode ulang tertentu
periode ulang tertentu
Y =  T  1 Y =  T  1
 Ln   Ln   Ln   Ln
 T  
 T 

Untuk T  20, maka Y = Ln T Untuk T  20, maka Y = Ln T

Yn = Nilai rata-rata dari reduksi variat ( mean of reduced variate)
Yn = Nilai rata-rata dari reduksi variat (mean of reduced variate)
nilainya tergantung dari jumlah data (n) seperti tabel berikut;
nilainya tergantung dari jumlah data (n) seperti tabel berikut;
Sn = Deviasi standar dari reduksi variat (standard deviation of the
Sn = Deviasi standar dari reduksi variat (standard deviation of the reduced variate), nilai tergantung dari jumlah data (n) seperti
reduced variate), nilai tergantung dari jumlah data (n) seperti tabel berikut;

tabel berikut;
Gumbel Tipe I

Tabel 5. Hubungan Periode Ulang (T) Dengan Reduksi Variat Dari variabel (Y)

T Y T Y
2 0,3065 20 29,702

5 14,999 50 39,019

10 22,504 100 46,001

Sumber; Hidrologi, Aplikasi Metode Statistik untuk Analisa
Data (Soewarno,1995; 127)

Untuk nilai periode ulang yang besar (Tr  20), rumus di atas dapat dinyatakan
sebagai Y = Ln (Tr).
Gumbel Tipe I

Tahun Data Hujan

(Xi)
Dengan Metode Empiris
2003 184
S
1995 153 X = X + ( Y - Yn )
Sn
1998 145
32.9620
X2 = 111.9167 + ( 0.3065 - 0.5053 )
2004 120 0.9933
1999 106.5 = 111.9167 + -6.59704

2002 103 = 105.32 mm

1997 97 32.9620
X5 = 111.9167 + ( 1.4999 - 0.5053 )
1996 96 0.9933

= 111.9167 + 33.0051
2001 96
= 144.92 mm
1993 90
32.9620
1994 81 X10 = 111.9167 + ( 2.2504 - 0.5053 )
0.9933
2000 71.5 = 111.9167 + 57.91
x = 111.9167 = 169.83 mm

S = 32.9620
UJI
KECOCOKAN

1. Uji Chi Kuadrat

2. Uji Smirnov-Kolmogorov
Uji Chi Kuadrat .

Dilakukan dengan membagi data pengamatan menjadi beberapa sub

bagian pengamatan dengan interval peluang tertentu, sesuai dengan
pengguna inginkan. Kemudian peluang yang telah ditentukan tersebut
dikompilasi dengan persamaan garis lurus dari distribusi yang diuji,
selanjutnya parameter dapat dihitung dengan rumus
 
2

= G
 Oi  Ei  2 .

 
2

i 1 Ei
Uji Chi Kuadrat
.

.
Uji Chi Kuadrat
a De ra ja t Ke p e rc a y a a n
dk
0.995 0.99 0.975 0.95 0.05 0.025 0.01 0.005

1 0.0000393 0.000157 0.000982 0.00393 3.841 5.024 6.635 7.879

2 0.01 0.0201 0.0506 0.103 5.991 7.378 9.21 10.597

3 0.0717 0.115 0.216 0.352 7.815 9.348 11.345 12.838

4 0.207 0.297 0.484 0.711 9.488 11.143 13.277 14.86

5 0.412 0.554 0.831 1.145 11.07 12.832 15.086 16.75

6 0.676 0.872 1.237 1.635 12.592 14.449 16.812 18.548

7 0.989 1.239 1.69 2.167 14.067 16.013 18.475 20.278

8 1.344 1.646 2.18 2.733 15.507 17.535 20.09 21.955

9 1.735 2.088 2.7 3.325 16.919 19.023 21.666 23.589

10 2.156 2.558 3.247 3.94 18.307 20.483 23.209 25.188

11 2.603 3.053 3.816 4.575 19.675 21.92 24.725 26.757

12 3.074 3.571 4.404 5.226 21.026 23.337 26.217 28.3

13 3.565 4.107 5.009 5.892 22.362 24.736 27.688 29.819

14 4.075 4.66 5.629 6.571 23.685 26.119 29.141 31.319

15 4.601 5.229 6.262 7.261 24.996 27.488 30.578 32.801

16 5.142 5.812 6.908 7.962 26.296 28.845 32 34.267

17 5.697 6.408 7.564 8.672 27.587 30.191 33.409 35.718

18 6.265 7.015 8.231 9.39 28.869 31.526 34.805 37.156

19 6.844 7.633 8.907 10.117 30.144 32.852 36.191 38.582

20 7.434 8.26 9.591 10.851 31.41 34.17 37.566 39.997

21 8.034 8.897 10.283 11.591 32.671 35.479 38.932 41.401

22 8.643 9.542 10.982 12.338 33.924 36.781 40.289 42.796

23 9.26 10.196 11.689 13.091 36.172 38.076 41.638 44.181

24 9.886 10.856 12.401 13.848 36.415 39.364 42.98 45.558

25 10.52 11.524 13.12 14.611 37.652 40.646 44.314 46.928

26 11.16 12.198 13.844 15.379 38.885 41.923 45.642 48.29

27 11.808 12.879 14.573 16.151 40.113 43.194 46.963 49.645

28 12.461 13.565 15.308 16.928 41.337 44.461 48.278 50.993

29 13.121 14.256 16.047 17.708 42.557 45.722 49.588 52.336

30 13.787 14.953 16.791 18.493 43.773 46.979 50.892 53.672

Uji Smirnov-Kolmogorov

Jika pengujian chi kuadrat (y2) merupakan pengujian parametik, maka pengujian dengan smirnov – Kolmogorof
ini adalah merupakan pengujian non parametrik. Tahapan pengujian seperti berikut :
 Urutkan data pengamatan ( dari besar ke kecil atau dari kecil ke besar) dan temukan besarnya peluang dari masing-masing data
tersebut.
 Tentukan nilai masing-masing peluang teoritis dari persamaan distribusinya.
 Berdasarkan tabel nilai kritis Smirnov – Kolmogorov, tentukan harga DO
 Keputusan ;
 Apabila Dmax< Do maka distribusi teoritis yang digunakan untuk menentukan persamaan distribusi maka persamaan distribusi
teoritis yang digunakan dapat diterima.
 Apabila Dmax > Do, maka persamaan distribusi teoritis yang dgunakan tidak dapat diterima atau ditolak .
Uji Smirnov-Kolmogorov

Tabel Nilai Kritis Do untuk uji Smirnov –

Kolmogorov

N 0.2 0.1 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 0.3 0.34 0.4
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 0.2 0.23 0.27
40 0.17 0.19 0.21 0.25
45 0.16 0.18 0.2 0.24
50 0.5 0.17 0.19 0.23
CONTOH SOAL

1. Uji Chi Kuadrat

2. Uji Smirnov-Kolmogorov