STATISTICAL HYDROLOGY

HYDROCLIMATOLOGY

K O M PI L A SI M A TER I

I R . H A R SU N U PU R WO TO , M P
L I SM A SA F I TR I , S. TP, M . SC
Introduction to statistical hydrology
Statistika Curah Hujan
 Prakiraan Data Hujan Hilang
 Konsistensi Data Hujan

Probabilitas peristiwa hidrologi

Return period
 INTRODUCTION TO STATICAL HYDROLOGY

Hydrological processes are driven by physical,

chemical and biological principles, the so called ‘Laws
of Nature’. However, in real life, the hydrological
setting is usually of such complexity that the
underlying hydrological processes cannot be
modelled on first principles. Therefore, statistical
models may be needed to link the hydrological
processes in a descriptive way instead of a cause-
effect relationship. Probability is the foundation for
statistics and some relevant probability concepts for
flood risk management are introduced here
 PRAKIRAAN DATA HUJAN
HILANG
 Data hujan sering ditemukan dalam keadaan tidak
lengkap, hal ini disebabkan karena kerusakan alat
ataupun kesalahan pengamatan. Untuk
mengurangi kesulitan analisis data yang hilang
tersebut dapat diperoleh dengan memanfaatkan
data hujan ditempat lain yang berdekatan (masih
termasuk dalam satu sistem jaringan pengukuran
curah hujan).

4
 Untuk melengkapi data yang hilang atau rusak
diperlukan data dari stasiun lain yang memiliki data
yang lengkap dan diusahakan letak stasiunnya
paling dekat dengan stasiun yang hilang datanya.
 Untuk perhitungan data yang hilang dapat
digunakan antara lain :
1. Metode Normal Ratio,
2. Metode Kebalikan Kuadrat Jarak
3. Metode Rata-Rata Aljabar

5
1. Metode Normal Ratio
 Pada metode Normal Ratio, syarat untuk
menggunakan metode ini adalah rata-rata curah
hujan tahunan stasiun yang datanya hilang harus
diketahui, disamping dibantu dengan data curah
hujan rata-rata tahunan dan data pada stasiun
pengamatan sekitarnya.

6
 1  NA NA NA NA 
PA  . * P1  * P2  * P3  .......... .  * Pn 
n  N1 N2 N3 Nn 

dengan
PA : data hujan yang diperkirakan pada stasiun A
NA : curah hujan tahunan normal pada stasiun A
P1, P2, P3 … Pn : curah hujan pada saat yang sama dengan hujan
yang diperkirakan stasiun 1, 2, 3 …. n
N1, N2, N3 …. N : jumlah hujan tahunan normal pada stasiun-
stasiun pembanding yang berdekatan.

7
2. Metode Kebalikan Kuadrat Jarak
 Metode ini diperlukan data curah hujan pada
stasiun pembanding, sehingga diusahakan
memiliki elevasi yang tidak jauh berbeda
 Diusahakan stasiun pembanding memiliki jarak
yang tidak terlalu jauh dan stasiun yang akan
dikaji, karena metode ini menggunakan data
curah hujan referensi dari stasiun pembanding
dengan mempertimbangkan jarak stasiun yang
dilengkapi datanya dengan referensi tersebut.

8
 1 1 1 1
2
* PA  2 * PB  2 * PC  ......  2 * PN
PX  a b c n
1 1 1 1
2
 2  2  .....  2
a b c n

dengan
PX : hujan yang diperkirakan pada stasiun X (mm)
PA, PB, PC …. PN : jumlah hujan pada stasiun A, B, C …. N (mm)
a, b, c, …. N : jarak dari stasiun X ke masing-masing stasiun
pembanding A, B, C …. N (km)

9
3. Metode Rerata Aritmatik
Bila besarnya perbedaan antara hujan rata–rata tahunan
dari masing–masing ketiga stasiun penakar hujan
tersebut dan curah hujan rata–rata tahunan dari alat
penakar hujan yang akan diperkirakan kurang dari
sepuluh persen (< 10%), maka digunakan metode
perkiraan sebagai berikut :
1
PX  PA  PB  Pc 
3

10
dengan :
Px = volume curah hujan harian / bulanan yang diperkirakan
besarnya (mm)
PA = PB = PC = Volume curah hujan harian / bulanan yang
digunakan sebagai masukan (mm).

11
12
 KONSISTENSI DATA HUJAN
Satu seri data hujan untuk satu stasiun tertentu,
dimungkinkan sifatnya tidak panggah (inconsistency).
Data semacam ini tidak dapat langsung dianalisis,
karena sebenarnya data didalamnya berasal dari
populasi data yang berbeda. Ketidak-panggahan data
seperti ini dapat terjadi karena berbagai sebab antara
lain :
● Alat ukur yang diganti dengan spesifikasi yang
berbeda atau alat yang sama akan tetapi dipasang
dengan patokan aturan yang berbeda.
13
● Alat ukur dipindahkan dari tempat semula, akan
tetapi secara administratif nama stasiun tersebut
tidak diubah, misalnya karena masih dalam satu
desa yang sama.
● Alat ukur sama, tempat tidak dipindahkan, akan
tetapi lingkungan yang berubah, misalnya semula
dipasang ditempat yang ideal (sesuai dengan
syarat-syarat yang ditentukan), akan tetapi
kemudian berubah karena ada bangunan atau
pohon besar yang terlalu dekat.

14
Variasi Hujan Tahunan
R (mm)
10000

Mass Curve
7500

5000 Rerata massa hujan

2500

90 91 92 93 94 95 96 97 98
Disebut tahun basah apabila kemiringan mass curve > kemiringan
massa hujan rata-rata, demikian pula sebaliknya.
15
Contoh grafik Double mass curve untuk data tidak konsisten

16
Contoh grafik Double mass curve untuk data yang konsisten

17
Checking data hujan terhadap perubahan :
 Cara pengujian sederhana dapat dilakukan untuk
mendeteksi ketidak-konsistenan (inconsistency),
yaitu dengan Analisis Kurva Massa Ganda (Double
Mass Curve Analysis), dengan menggambarkan
besarnya hujan komulatif stasiun yang diuji dengan
besaran hujan komulatif rata-rata hujan dari
beberapa stasiun acuan disekitarnya.
 Ketidak-konsistenan (inconsistency) data hujan
ditunjukkan oleh penyimpangan garisnya dari garis
lurus.
18
Contoh :
Setelah beberapa tahun pengamatan data curah hujan di
suatu wilayah, diperkirakan mengalami penyimpangan.
Data hujan pada bulan October – April untuk enam (6)
buah stasiun penakar hujan yang terekam seperti pada
tabel dibawah ini
Pertanyaan :
1. Hitung dan bahaslah bagaimana konsistensi data curah
hujan di stasiun A terhadap beberapa stasiun penakar
hujan disekitarnya dengan metode Double Mass
Curve.
2. Gambarkan dalam kertas grafik (milimeter)

19
20
Solution :
Average of Stat Commulative of Commulative of
Year Stat (A)
(BCDEF) Stat (A) Stat (BCDEF)
1960 13.75 14.96 13.75 14.96
1961 20.12 20.62 33.87 35.58
1962 18.74 20.16 52.71 55.74
1963 20.27 20.20 72.98 75.94
1964 15.17 18.59 88.15 94.53
1965 17.13 15.99 105.28 110.52
1966 15.22 17.90 120.50 128.42
1967 18.17 17.81 138.67 146.23
1968 12.14 12.23 150.81 159.46
1969 18.50 19.44 169.31 178.90
1970 23.36 23.42 192.67 202.32
1971 9.5 15.27 202.17 217.59
1972 11.83 15.67 214.00 233.26
1973 13.40 18.12 227.40 251.38
1974 11.23 15.67 238.63 267.05
1975 13.14 16.31 251.77 283.36

21
Komulatif hujan stasiun yang diuji (A)

Komulatif hujan stasiun pembanding (BCDEF)

22
 From graphical measurement can be
obtained :
Slope (a) = 0.92
Slope (b) = 0.76 0.92
 1.21
Correction factor = 0.76

Data corrected of
Year Data of stat (A)
stat (A)
1971 9.5 11.50
1972 11.83 14.31
1973 13.40 16.21
1974 11.23 13.59
1975 13.14 15.90

23
FREKUENSI HUJAN
 Adalah kemungkinan terjadinya atau dilampauinya
suatu tinggi hujan tertentu dalam massa tertentu pula
yang juga disebut MASA ULANG (return period)
 Frekuensi hujan dapat berupa harga-harga tinggi
hujan maksimum dan tinggi hujan minimum.
 Tinggi hujan ekstrim maksimum dan minimum
didapatkan melalui pendekatan statistik.

24
TEBAL HUJAN RENCANA
 Diperlukan untuk perencanaan bangunan air, proyek-
proyek pengembangan sumberdaya air (SDA),
perancangan gorong-gorong, saluran irigasi, saluran
drainase, dan lain-lain
 Tebal hujan rencana diambil yang mendekati tebal
hujan ekstrim maksimum, sehingga resiko kegagalan
rencana (bangunan) menjadi kecil.

25
 Metode Log Person III

Y  Y  KS
dengan :
Y = log X (X adalah nilah hujan maksimum)
Y = nilai rerata Y
K = karakteristik distribusi Log Pearson III
S = standar deviasi

26
Langkah perhitungan Metode Log Pearson III

27
28
ANALISIS INTENSITAS HUJAN
 Mononobe

2
R  24  3
I  
24  t c 

dengan :
R = curah hujan rancangan setempat dalam mm
Tc = lama waktu konsentrasi dalam jam/durasi hujan
I = intensitas curah hujan maksimum dalam
mm/jam.
DEBIT RANCANGAN dengan METODE
RASIONAL
Q = β. C. I. A

dengan :
Q : debit rancangan
β : koefisien penyebaran hujan
C : koefisien pengaliran/limpasan
I : intensitas selama waktu konsentrasi dalam mm/jam
A : luas daerah aliran dalam Ha
 PROBABILITY
Probability is a measure of how likely that some event will
occur. If a random event occurs a large number of times n and
the event has attribute A in na of these occurrences, then the
probability of the occurrence of the event having attribute A is

For this probability estimate (based on relative frequency) to

be very accurate, n may have to be quite large. Since it is
impossible to get an infinite number of observations, the actual
probability in hydrology can only be approximated.
 EXERCISE #1

What is the propability that the annual precipitation

R in any year will be less than 35 in? Greater than 45
in ? Between 35 and 45 in?
EMPIRICAL PROBABILITY
Metode Ranking
a. Urutkan data CH bulan (contoh : bulan Juli pada Tabel
5.2) dari yang terbesar paling atas(kolom 3) dan beri
nomor 1, 2, 3, dan seterusnya (kolom 4).
b. Untuk menentukan peluang CH (pada kolom 5), beri nilai
0% pada CH terbesar, kemudian selanjutnya tambahkan
nilai interval peluang untuk tiap baris dan terakhir 100%
pada CH terkecil.
c. Interval (%) peluang = 100/(n-1); n= jumlah tahun
d. Contoh : untuk data Tabel (5.2) jumlah tahun = 26, maka
interval peluang =100/(26-1) = 4%, maka CH (P>75%)
pada Tabel (5.2) diatas adalah CH 120 mm dengan
peluang 76%.
Taken from : Aprizal 35