Modul 1 Analisis Curah Hujan - OK [PDF]

Citation preview

BIMBINGAN TEKNIS ANALISIS DEBIT BANJIR DESAIN DENGAN MENGGUNAKAN DATA HUJAN SATELIT



Juni 2022



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



KATA PENGANTAR Puji dan syukur kami panjatkan ke hadirat Tuhan Yang Maha Esa atas selesainya pengembangan Modul 1 – Analisis Curah Hujan sebagai materi inti/substansi dalam pelatihan analisis debit banjir menggunakan data hujan satelit. Modul ini disusun untuk memenuhi kebutuhan kompetensi dasar Aparatur Sipil Negara (ASN), maupun perencana profesional di bidang sumber daya air. Pelatihan analisis debit banjir menggunakan data hujan satelit merupakan rangkaian 3 (tiga) topik, yaitu analisis curah hujan, analisis debit banjir, dan pemodelannya. Penyusunan modul yang sistematis diharapkan mampu mempermudah peserta pelatihan dalam memahami dan menerapkan materi dasar-dasar perencanaan alur dan bangunan sungai. Penekanan orientasi pembelajaran pada modul ini lebih menonjolkan partisipasi aktif dari para peserta. Akhirnya, ucapan terima kasih dan penghargaan kami sampaikan kepada Tim Penyusun dan Narasumber, sehingga modul ini dapat diselesaikan dengan baik. Penyempurnaan maupun perubahan modul di masa mendatang senantiasa terbuka dan dimungkinkan mengingat akan perkembangan situasi, kebijakan dan peraturan yang terus menerus terjadi. Semoga Modul ini dapat memberikan manfaat bagi peningkatan kompetensi ASN/perencana professional di bidang SDA. Jakarta, Juni 2022 Kepala Balai Teknik Bendungan,



Duki Malindo, ST., M.CM NIP. 19751015200112 1 007



Balai Teknik Bendungan – Ditjen SDA Juni 2022



i



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



DAFTAR ISI KATA PENGANTAR ........................................................................................................... i DAFTAR ISI ....................................................................................................................... ii DAFTAR GAMBAR ........................................................................................................... iv DAFTAR TABEL ................................................................................................................ v DAFTAR ISTILAH ............................................................................................................. vi BAB 1 Pendahuluan ...................................................................................................... 1-1 1.1



Latar Belakang ................................................................................................. 1-1



1.2



Tujuan Pembelajaran ....................................................................................... 1-2



1.3



Acuan Standar, Pedoman dan Manual ............................................................. 1-2



BAB 2 Pengumpulan Data Hujan ................................................................................... 2-1 2.1



Data Pos Hujan ................................................................................................ 2-1



2.2



Data Hujan Satelit ............................................................................................ 2-1



2.2.1



TRMM dan GPM ....................................................................................... 2-2



2.2.2



Data Hujan Satelit Lain .............................................................................. 2-3



BAB 3 Pemeriksaan Data Hujan .................................................................................... 3-1 3.1



Uji Outlier ......................................................................................................... 3-1



3.2



Uji Trend .......................................................................................................... 3-2



3.3



Uji Stabilitas (mean dan variance) .................................................................... 3-3



3.4



Uji Independensi .............................................................................................. 3-4



BAB 4 Koreksi Data Hujan Satelit .................................................................................. 4-1 4.1



Pemilihan Data Stasiun Hujan .......................................................................... 4-2



4.2



Koreksi Hujan Harian ....................................................................................... 4-4



4.3



Pemeriksaan Lengkung Distribusi HHMT ......................................................... 4-6



BAB 5 Analisis Frekuensi ............................................................................................... 5-1 5.2



Distribusi Probabilitas Yang Umum Digunakan ................................................ 5-3



5.2.1



Distribusi Probabilitas General Extreme Value (GEV) ............................... 5-3



5.2.2



Distribusi Log Normal 2-Parameter............................................................ 5-4



5.2.3



Distribusi Log Normal 3-Parameter............................................................ 5-5



Balai Teknik Bendungan – Ditjen SDA Juni 2022



ii



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



5.2.4



Distribusi Gumbel-1 ................................................................................... 5-5



5.2.5



Distribusi Pearson III dan Log-Pearson III ................................................. 5-6



5.3



Uji Kecocokan Probabilitas ............................................................................... 5-7



5.3.1



Uji Chi-Square ........................................................................................... 5-7



5.3.2



Kolmogorov-Smirrnoff ............................................................................... 5-8



BAB 6 Analisis Curah Hujan Maksimum Boleh Jadi ....................................................... 6-1 6.1



Analisis Metode Hershfield ............................................................................... 6-1



6.2



Peta Isohyet PMP ............................................................................................ 6-3



BAB 7 Curah Hujan Wilayah .......................................................................................... 7-1 7.1



Hujan Titik dan Hujan Rata-rata Wilayah .......................................................... 7-1



7.2



Rata-rata Aritmatik ........................................................................................... 7-1



7.3



Poligon Thiessen.............................................................................................. 7-2



BAB 8 Penentuan Durasi dan Distribusi Curah Hujan .................................................... 8-1 8.2



Penentuan Durasi Hujan Rencana ................................................................... 8-2



8.2.1



Pencatatan Hujan ...................................................................................... 8-2



8.2.2



Klasifikasi Ukuran DAS.............................................................................. 8-2



8.3



Distribusi Hujan Rencana ................................................................................. 8-2



8.3.1



Distribusi PSA-007 .................................................................................... 8-3



8.3.2



Distribusi Huff-1 ......................................................................................... 8-6



8.3.3



Distribusi SCS ........................................................................................... 8-7



8.3.4



Pemilihan Distribusi Hujan ....................................................................... 8-10



BAB 9 Faktor Reduksi Hujan ......................................................................................... 9-1 9.1



Reduksi Hujan Terhadap Luas ......................................................................... 9-1



9.2



Reduksi Hujan Terhadap Durasi Temporal....................................................... 9-2



REFERENSI ................................................................................................................... viii



Balai Teknik Bendungan – Ditjen SDA Juni 2022



iii



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



DAFTAR GAMBAR Gambar 4-1. Diagram alir penggunaan dan koreksi data hujan satelit ........................... 4-1 Gambar 4-2. Peta pola curah hujan musiman/ iklim di Indonesia ................................... 4-5 Gambar 4-3. Contoh perbandingan error hujan harian yang dihasilkan sebelum dan sesudah koreksi ...................................................................................................... 4-6 Gambar 4-4. Contoh lengkung probabilitas untuk koreksi data hujan harian TRMM ...... 4-6 Gambar 4-5. Contoh lengkung probabilitas untuk koreksi data hujan harian maksimum tahunan TRMM........................................................................................................ 4-7 Gambar 5-1. Contoh Cumulative Distribution Function .................................................. 5-3 Gambar 6-1. Faktor pengali terhadap deviasi (Km) ........................................................ 6-2 Gambar 6-2. Faktor koreksi Xn ...................................................................................... 6-2 Gambar 6-3. Faktor koreksi Sn ...................................................................................... 6-3 Gambar 6-4. Peta Isohyet PMP Sumatera ..................................................................... 6-4 Gambar 7-1. Poligon Thiessen ...................................................................................... 7-2 Gambar 8-1. Penentuan durasi dan distribusi hujan ...................................................... 8-1 Gambar 8-2. Distribusi hujan kumulatif PSA007 ............................................................ 8-4 Gambar 8-3. Distribusi hujan PSA007 untuk durasi 6, 12 dan 24 jam peride ulang 50 tahun ................................................................................................................................ 8-5 Gambar 8-4. Distribusi hujan kumulatif Huff-1 ................................................................ 8-6 Gambar 8-5. Distribusi hujan kumulatif SCS Tipe I ........................................................ 8-7 Gambar 8-6. Distribusi hujan kumulatif SCS Tipe IA ...................................................... 8-8 Gambar 8-7. Distribusi hujan kumulatif SCS Tipe II ....................................................... 8-8 Gambar 8-8. Distribusi hujan kumulatif SCS Tipe III ...................................................... 8-9 Gambar 8-9. Kerangka pikir pemilihan distribusi hujan ................................................ 8-10 Gambar 9-1. ARF untuk Pulau Jawa dengan berbagai periode hujan ............................ 9-2 Gambar 9-2. Rasio hujan durasi tertentu terhadap hujan 24 jam ................................... 9-3



Balai Teknik Bendungan – Ditjen SDA Juni 2022



iv



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



DAFTAR TABEL Tabel 1.1. Standar analisis debit banjir desain ............................................................... 1-2 Tabel 1.2. Pedoman teknis analisis debit banjir desain .................................................. 1-3 Tabel 1.3. Manual analisis debit banjir desain ................................................................ 1-3 Tabel 2.1. Perbandingan data hujan satelit GPM dan TRMM......................................... 2-3 Tabel 3.1. Konstanta uji outlier ....................................................................................... 3-2 Tabel 4.1. Contoh Koefisien koreksi TRMM ................................................................... 4-4 Tabel 5.1. Faktor frekuensi distribusi log normal 2 parameter ........................................ 5-4 Tabel 5.2. Faktor frekuensi distribusi log normal 3 parameter ........................................ 5-5 Tabel 5.3. Reduced mean, Yn ....................................................................................... 5-6 Tabel 5.4. Reduced standard deviation, Sn ................................................................... 5-6 Tabel 5.5. Nilai koefisien distribusi Pearson III dan Log-Pearson III ............................... 5-7 Tabel 5.6. Nilai kritis Kolmogorov-Smirnov..................................................................... 5-9 Tabel 8.1. Klasifikasi Luas DAS ..................................................................................... 8-2 Tabel 8.2. Distribusi curah hujan 24 jam pada berbagai periode ulang .......................... 8-3 Tabel 8.3. Contoh Distribusi hujan kumulatif PSA007 .................................................... 8-5 Tabel 8.4. Distribusi hujan kumulatif Huff-1 .................................................................... 8-6 Tabel 8.5. Distribusi hujan kumulatif NRCS/SCS ........................................................... 8-9 Tabel 9.1. Faktor reduksi hujan terhadap durasi temporal ............................................. 9-2



Balai Teknik Bendungan – Ditjen SDA Juni 2022



v



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



DAFTAR ISTILAH Banjir Peristiwa meluapnya air sungai melebihi palung sungai atau genangan air yang terjadi pada daerah yang rendah dan tidak bisa terdrainasikan Bendungan Bangunan yang berupa urukan tanah, urukan batu, dan beton, yang dibangun selain untuk menahan dan menampung air, dapat pula dibangun untuk menahan dan menampung limbah tambang, atau menampung lumpur sehingga terbentuk waduk Daerah Aliran Sungai (DAS) Suatu wilayah daratan yang merupakan satu kesatuan dengan sungai dan anak-anak sungainya, yang berfungsi menampung, menyimpan, dan mengalirkan air yang berasal dari curah hujan ke danau atau ke laut secara alami, yang batas di darat merupakan pemisah topografi dan batas di laut sampai dengan daerah perairan yang masih terpengaruh aktivitas daratan Debit Banjir Rencana Debit maksimum dari suatu sungai, atau saluran yang besarnya didasarkan/terkait dengan periode ulang tertentu Hidrograf Satuan Hidrograf (hubungan antara muka air/debit dan waktu) yang terbentuk dari satu satuan hujan efektif, dengan durasi waktu curah hujan tertentu Hujan Efektif Curah hujan dikurangi infiltrasi dan evaporasi/evapotranspirasi Hujan Harian Maksimum Tahunan (HHMT) Akumulasi curah hujan yang terjadi selama satu hari dan tercatat sebagai curah hujan paling tinggi dalam satu tahun Hujan Wilayah Curah hujan rata-rata dalam suatu daerah aliran sungai Hujan Maksimum Boleh Jadi/Probable Maximum Precipitation (PMP) Tebalnya curah hujan turun dan merupakan batas atas secara fisik untuk suatu durasi dan daerah aliran sungai tertentu Hujan Rencana Hujan dengan periode ulang tertentu Balai Teknik Bendungan – Ditjen SDA Juni 2022



vi



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



Periode Ulang Selang waktu pengulangan suatu kejadian (terlampaui) pada kurun waktu tertentu (T) Pencilan (Outlier, Data Bias) Data yang keluar dari populasinya dan jarang terjadi serta besarannya jauh dari yang lainnya, nilainya bisa sangat besar atau kecil dibandingkan dengan yang lainnya Probabilitas Kejadian debit banjir kemungkinan terjadinya banjir pada sembarang tahun (p) Tinggi Curah Hujan Tinggi tampungan air dalam mm yang diukur dengan alat penakar hujan Waktu Konsentrasi Waktu yang diperlukan air hujan untuk mengalir dari titik terjauh pada suatu DAS ke titik yang ditinjau yang terletak di bagian hilir sungai Debit Banjir Maksimum Boleh Jadi (BMB)/Probable Maximum Flood (PMF) Debit banjir terbesar yang mungkin terjadi dengan mengandaikan semua faktor secara kebetulan menghasilkan curah hujan dan limpasan terbesar dan tidak akan terlampaui Penelusuran Banjir Proses pelacakan banjir untuk menentukan waktu kejadian, muka air di dalam waduk, dan debit masuk waduk maupun keluar melalui pelimpah secara berurutan Probability Density Function (Fungsi Kepekatan Probabilitas) Sekumpulan fungsi yang digunakan untuk menjelaskan perilaku suatu distribusi probabilitas teoretis dari sekumpulan data Waduk Wadah buatan yang terbentuk sebagai akibat dibangunnya bendungan



Balai Teknik Bendungan – Ditjen SDA Juni 2022



vii



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



BAB 1 PENDAHULUAN 1.1



LATAR BELAKANG



Bendungan, selain memiliki manfaat yang besar, juga memiliki potensi bahaya besar. Peristiwa keruntuhan bendungan akan menyebabkan banjir yang parah sampai jauh ke hilir yang akan menyebabkan banyak korban jiwa, properti, fasilitas umum dan kerusakan lingkungan yang parah di daerah hilir. Untuk mencegah bencana tersebut, perancangan bendungan harus didesain dengan baik, serta bendungan yang sudah ada harus dipantau dan dipelihara dengan baik. Pelimpah, dalam hal ini merupakan infrastruktur yang sangat penting dalam pengendalian banjir bendungan. Untuk meningkatkan keamanan bendungan, diperlukan kajian mengenai kapasitas pelimpah untuk mengalirkan debit banjir sesuai dengan periode ulang yang ditetapkan. Analisis debit banjir merupakan salah satu aspek penting baik untuk perencanaan bendungan maupun sebagai aspek yang perlu diperhatikan. Permasalahan muncul karena umumnya di negara berkembang termasuk di Indonesia, data yang dapat digunakan dalam analisis debit banjir, terutama data curah hujan, sangat terbatas atau bahkan tidak tersedia. Salah satu solusi yang dapat digunakan sebagai data hujan adalah data hujan satelit. Akan tetapi berdasarkan kajian lain diketahui bahwa curah hujan satelit memiliki deviasi dibandingkan dengan data stasiun hujan sehingga perlu dilakukan koreksi terlebih dahulu sebelum kemudian dihitung menjadi hujan rencana. Hujan rencana kemudian digunakan dalam analisis hujan efektif yang kemudian ditransformasi menjadi debit banjir menggunakan metode hidrograf satuan melalui proses kalibrasi sesuai dengan SNI 2415:2016. Apabila kalibrasi tidak dapat dilakukan, maka analisis debit banjir perlu dibandingkan dengan beberapa metode baik dalam analisis hujan efektif maupun hidrograf satuan. Debit banjir yang dihitung menggunakan berbagai periode ulang termasuk dalam kondisi Probable Maximum Flood (PMF) dan kemudian digunakan sebagai dasar dalam analisis penelusuran banjir. Dalam analisis penelusuran banjir, dapat diketahui besaran elevasi muka air waduk dengan dimensi pelimpah tertentu yang menjadi acuan dalam kondisi keamanan bendungan mengikuti SNI 3432:2020. Modul 1 “Analisis Curah Hujan” ini merupakan bagian pertama dari tiga modul yang disiapkan untuk kegiatan bimbingan teknis “Analisis Debit Banjir Desain dengan Menggunakan Data Hujan Satelit”. Setelah melewati bimbingan teknis ini diharapkan peserta dapat melakukan analisis data hujan, termasuk menggunakan data satelit, hingga memperoleh debit banjir dan dapat mengkaji keamanan bendungan sesuai dengan peraturan yang berlaku.



Balai Teknik Bendungan – Ditjen SDA Juni 2022



1-1



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



1.2



TUJUAN PEMBELAJARAN



Setelah mengikuti rangkaian pembelajaran dengan bahan yang tertera pada modul ini, diharapkan peserta mampu memahami langkah analisis curah hujan baik menggunakan data stasiun hujan maupun menggunakan data hujan satelit. Analisis curah hujan dalam modul ini mencakup pemeriksaan data hujan, koreksi data hujan satelit, analisis frekuensi menggunakan distribusi probabilitas GEV, analisis curah hujan maksimum boleh jadi, analisis hujan wilayah, penentuan durasi & distribusi hujan rencana, dan penentuan faktor reduksi hujan. 1.3



ACUAN STANDAR, PEDOMAN DAN MANUAL



Berkaitan dengan analisis curah hujan dalam hubungannya dengan keamanan bendungan, dikumpulkan beberapa dokumen standar, pedoman dan manual yang berkaitan dengan modul ini. Daftar seluruh dokumen yang terkait dengan modul ini dapat dilihat pada Tabel 1.1, Tabel 1.2, dan Tabel 1.3 di bawah. Salah satu pedoman teknis yang dirumuskan pada tahun 2017 di bawah Balai Teknik Bendungan bahkan secara spesifik telah membahas sedikit banyak mengenai perhitungan debit banjir pada bendungan dengan memanfaatkan data hujan satelit TRMM. Seiring dengan berjalannya waktu dan perkembangan teknologi, petunjuk teknis ini perlu diperbaharui, salah satunya dilakukan melalui pekerjaan bahan ajar ini. Tabel 1.1. Standar analisis debit banjir desain No. 1



Nomor SNI SNI 1731:1989



Judul SNI Tata Cara Keamanan Bendungan



Ruang Lingkup Acuan dan pegangan dalam kegiatan desain, konstruksi, eksploitasi, pemeliharaan dan penghapusan bendungan serta pengawasan kegiatan untuk menjamin kemanan bendungan. Kegiatan tersebut mencakup aspek desain hidrologi dan hidraulika, struktur, pemantauan, perencanaan dan desain waduk, petunjuk inspeksi keamanan, rencanan darurat dan tata cara, aspek kemanan desain yang berkaitan dengan sungai perbatasan dan pengesahan desain.



2



SNI 7746:2012



Tata Cara Perhitungan Hujan Maksimum Boleh Jadi dengan Metode Hersfield



3



SNI 2415:2016



Tata Cara Perhitungan Debit Banjir Rencana



Tata cara perhitungan hujan maksimum boleh jadi: 1. Data yang digunakan 2. Penyaringan data 3. Perhitungan hujan maksimum boleh jadi dengan hersfield yang hanya berlaku untuk hujan titik dan bukan untuk hujan wilayah 4. Evaluasi hasil perhitungan hujan maksimum boleh jadi (HMBJ) Metode dan cara perhitungan debit banjir rencana di saluran atau sungai untuk keperluan perencanaan bangunan air yang mencakup berbagai ketersediaan data, persyaratan dan metode yang umum digunakan untuk terutama untuk aliran yang tidak dipengaruhi oleh arus balik



Balai Teknik Bendungan – Ditjen SDA Juni 2022



1-2



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



Tabel 1.2. Pedoman teknis analisis debit banjir desain No. 1



Tahun Maret 2003



Judul Pedoman Pedoman Kriteria Umum Desain Bendungan



2



Mei 2020



Pedoman Inspeksi dan Evaluasi Keamanan Bendungan



Ruang Lingkup Analisis Hidrologi yang mencakup: 1. Pengumpulan data hidrologi dan meteorologi 2. Pemeriksaaan data 3. Analisis probabilitas banjir desain 4. Perkiraan banjir desain dari data hujan 5. Ketersediaan air waduk 6. Tinggi jagaan 7. Sedimentasi Salah satu pokok kegiatan inspeksi dan evalyasi desain hidrologi yang mencakup: 1. Karakteristik hidrologi dan pola banjir 2. Pengendalian operasi waduk 3. Kondisi air buri (tail water) 4. Pengendalian banjir 5. Pengelolaan sungai dan DPS



Tabel 1.3. Manual analisis debit banjir desain No. 1



Tahun 1999



Judul Panduan Perencanaan Bendungan Urugan Volume II (Analisis Hidrologi)



2



2017



Petunjuk Teknis Perhitungan Debit Banjir Bendungan



Balai Teknik Bendungan – Ditjen SDA Juni 2022



Ruang Lingkup Perencanaan hidrologi bendungan yang mencakup: 1. Pengolahan data 2. Banjir desain 3. Ketersediaan air 4. Kapasistas waduk, dan Sedimentasi waduk 1. 2. 3. 4. 5. 6.



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, dan 7. Debit banjir yang terhitung yang disebabkan oleh hujan satu hari (terdistribusi 24 jam) atau lebih



1-3



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



BAB 2 PENGUMPULAN DATA HUJAN 2.1



DATA POS HUJAN



Dalam perhitungan banjir, data hujan yang diperlukan adalah tinggi curah hujan harian maksimum tahunan (HHMT), intensitas hujan dengan berbagai durasi curah hujan, pola distribusi curah hujan, jaringan pos hujan yang mampu memantau karakteristik hujan di dalam Daerah Aliran Sungai (DAS) dengan periode pencatatan curah hujan yang memadai. Data hujan bersumber dari pos penakar hujan yang terbagi menjadi dua jenis, yaitu:



▪



Penakar hujan manual (PHM), pos penakar hujan mencatat variabel tinggi hujan setiap hari (satuan mm/hari).



▪



Penakar hujan otomatik (PHO), pos penakar hujan otomatik mencatat variabel tinggi hujan setiap menit, jam (satuan mm/jam).



Data hujan jam-jaman dan atau harian pada beberapa kejadian banjir tertentu dibutuhkan untuk melakukan proses kalibrasi dan verifikasi model hidrologi. Data HHMT diperlukan untuk penentuan besaran curah hujan rencana. Panjang data HHMT yang dibutuhkan paling tidak sebanyak 20 tahun. Data tersebut diperoleh dari pos hujan yang biasanya dikelola oleh BWS/BBWS, BMKG, Dinas PSDA. 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 pada DAS dan keterbatasan secara waktu artinya panjang data tidak sama untuk disetiap pos dan panjang data kurang dari 20 tahun. Akibat dari keterbatasan ini data hujan dari pos penakar hujan sering mengandung sampling error. 2.2



DATA HUJAN 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 minim ditemui dalam beberapa wilayah dengan kasus berupa data cukup panjang tetapi kualitasnya kurang baik, sementara tidak tersedianya data hujan berarti sama sekali tidak ada pos hujan di dalam maupun di sekitar DAS yang bersangkutan. Berdasarkan beberapa penelitian mengenai penggunaan data hujan satelit, terdapat error atau perbedaan nilai antara hujan satelit dengan pos hujan. Perbedaan dapat berupa overestimate maupun underestimate, bergantung kepada wilayah studi. Untuk mengatasi perbedaan tersebut, data hujan satelit perlu dikoreksi terlebih dahulu sebelum digunakan untuk analisis hidrologi.



Balai Teknik Bendungan – Ditjen SDA Juni 2022



2-1



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



2.2.1



TRMM dan GPM



Diluncurkan pada 27 November 1997, TRMM (Tropical Rainfall Measuring Mission) adalah misi yang dilakukan bersama antara Amerika Serikat dan Jepang untuk memperoleh data secara detail dan komprihensif untuk curah hujan pada daerah tropis (40º Lintang Utara sampai 40º Lintang Selatan). Selama lebih dari 15 tahun, TRMM telah menjadi salah satu sumber data utama untuk penelitian meteorologi, hidrologi dan penelitian lain di seluruh dunia. Pada bulan April 2015, TRMM berhenti dan dilanjutkan oleh GPM (Global Precipitation Mission). Untuk analisis data TRMM yang paling relevan untuk digunakan adalah data TMPA (TRMM Multi-satellite Precipitation Analysis) 3B42 harian dan 3 jam-an. Data tersebut terdistribusi secara spasial dengan luas 0,25º (NCAR Climate Data Guide, 2016). Dengan keberhasilan TRMM, perencanaan misi pengukuran hujan berikutnya, GPM, dimulai pada awal 2000-an. GPM dikembangkan untuk menyediakan tidak hanya kontinuitas data, tetapi juga peningkatan kualitas dari data TRMM. Meskipun GPM hanya memiliki dua instrumen dibandingkan lima instrumen pada TRMM, kedua instrumen ini (Dual-frequency Precipitation Radar/DPR dan radiometer yang disebut GPM Microwave Imager/GMI) adalah peralatan yang paling canggih yang pernah dikembangkan untuk mengukur curah hujan menggunakan satelit. DPR adalah satu-satunya radar frekuensi ganda di luar angkasa, dan mampu membuat profil 3-D serta perkiraan intensitas curah hujan. GMI memiliki rentang frekuensi yang lebih besar daripada TRMM (13 channels dibandingkan 9 channels), yang memungkinkan GPM mengukur intensitas dan pola curah hujan melalui lapisan awan menggunakan petak data yang lebih luas. Peningkatan kualitas data GPM penting lainnya melalui TRMM adalah penggunaan beberapa satelit milik Amerika Serikat dan internasional untuk mengkalibrasi data. Kalibrasi tersebut bertujuan untuk memastikan bahwa data hujan yang dikumpulkan dari beberapa satelit tersebut memiliki struktur yang seragam. Berdasarkan ketersediaan data, tahun data hujan TRMM yang secara efektif dapat digunakan untuk HHMT adalah 1998 hingga 2019. Sedangkan, tahun data hujan GPM yang dapat digunakan adalah tahun 2001 sampai dengan 2020. Meskipun TRMM dan GPM saat ini sama-sama menyediakan hampir 20 tahun lebih data curah hujan kontinu, kedua misi ini menggunakan algoritma yang berbeda untuk menghasilkan data hujan. Oleh karena itu, penggunaan kedua data ini terutama dalam tahap koreksi tidak disarankan untuk digunakan bersamaan. Untuk memungkinkan studi jangka panjang yang lebih mudah menggunakan data ini dan membuat pengumpulan data yang lebih terintegrasi dan terstandarisasi, tim GPM Amerika Serikat mengembangkan Integrated Multi-satellite Retrievals untuk GPM (IMERG). Sistem serupa, Global Satellite Mapping of Precipitation (GSMaP), juga dikembangkan oleh JAXA dengan sponsor Japan Science and Technology Agency.



Balai Teknik Bendungan – Ditjen SDA Juni 2022



2-2



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



Tabel 2.1. Perbandingan data hujan satelit GPM dan TRMM Data Hujan Satelit Panjang Data Cakupan Resolusi Grid Resolusi Temporal



2.2.2



GPM-IMERG 01 Juni 2000 – sekarang (H-2 hari untuk versi Early Run, H-3 hari untuk versi Late Run, H-4 bulan untuk versi Final Run) 60N - 60S 0.1 derajat lat/lon 30 menit



TRMM 01 Januari 1998 – 31 Desember 2019 35N -35S 0.25 derajat lat/lon 3 jam



Data Hujan Satelit Lain



Dalam modul ini, data hujan satelit yang dibahas dan digunakan secara mendetail adalah data TRMM/GPM. Data hujan satelit lain dapat digunakan dengan prosedur pengunaan yang sama dengan data TRMM/GPM melalui tahap pemeriksaan dan koreksi sebelum digunakan lebih lanjut. Tiga data hujan satelit lain yang umum digunakan dalam beberapa studi adalah GSMaP, CMORPH dan PERSIANN. The Global Satellite Mapping of Precipitation (GSMaP) menggunakan algoritma yang dikembangkan berbasis model yang handal, untuk mendapatkan intensitas curah hujan menggunakan data observasi dari microwave radiometer (imagers, sounders, and imager/sounders) dan Precipitation Radar (PR) pada satelit Tropical Rainfall Measuring Mission (TRMM). Proyek GSMaP mengembangkan sebuah metode untuk menginterpolasi data Microwave Imager dengan memanfaatkan informasi dari Infrared Imager pada lima satelit geostasioner, yaitu satelit MTSAT / Himawari JMA, dua satelit GOA NOAA, dan satelit Meteosat EUMETSAT, sehingga mencapai produksi peta curah hujan global per jam dalam lintang / bujur lintang 0.1 derajat. JAXA telah menyediakan produk GSMaP near real time (GSMaP_NRT) dengan ketersediaan data empat jam setelah pengamatan melalui situs JAXA Global Rainfall Watch (http://sharaku.eorc.jaxa.jp/GSMaP/) sejak tahun 2008 sebagai prototipe dari Global Precipitation Measurement (GPM). Untuk memastikan ketersediaan data yang mendekati real-time, sistem GSMaP_NRT menyederhanakan sebagian algoritma dan prosedur pemrosesannya. Oleh karena itu, produk GSMaP_NRT memberi prioritas lebih tinggi pada latency (kecepatan ketersediaan data baru) daripada akurasi. Climate Prediction Center Morphing Method (CMORPH) merupakan data hujan satelit yang telah diolah dan dikoreksi menggunakan Morphing Technique (MORPH) oleh Climate Prediction Center (CPC). CMORPH mengukur curah hujan dari data gelombang mikro pasif. CMORPH menggunakan vektor gerakan yang berasal dari citra satelit geostasioner dengan interval setengah jam (Joyce et al., 2004). Data yang dihasilkan adalah berupa grid dengan resolusi spasial 8 km x 8 km dengan resolusi temporal minimum 30 menit. Data CMORPH tersedia mulai dari Januari 1998 sampai saat ini. Selama 2 dekade terakhir, rangkaian produk Precipitation Estimation from Remotely Sensed Information using Artificial Neural Networks (PERSIANN) telah dikembangkan di Center for Hydrometeorology and Remote Sensing (CHRS) di University of California,



Balai Teknik Bendungan – Ditjen SDA Juni 2022



2-3



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



Irvine, bekerja sama dengan NASA, NOAA, dan program UNESCO untuk Water and Development Information for Arid Lands (G-WADI). PERSIANN telah dikembangkan untuk mengukur curah hujan dari geosynchronous satellite longwave infared imagery (GOES-IR) pada resolusi 0,25° × 0,25° dengan interval waktu setengah jam (Sorooshian et al., 2000). Keakuratan produk curah hujan ditingkatkan dengan menyesuaikan parameter jaringan secara adaptif menggunakan perkiraan curah hujan dari Tropical Rainfall Measurement Mission (TRMM) (produk TMI 2A12), dan kesalahan acak selanjutnya dikurangi dengan akumulasi ke resolusi 1° × 1° setiap hari.



Balai Teknik Bendungan – Ditjen SDA Juni 2022



2-4



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



BAB 3 PEMERIKSAAN DATA HUJAN 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). Sebelum dilakukan uji kelayakan, terdapat satu persyaratan awal yang harus dipenuhi, yaitu semua data hujan yang memiliki nilai dibawah 50 mm harus dibuang terlebih dahulu. Dalam hal penyusunan hujan rencana, data hujan yang harus diperiksa adalah seri data hujan harian maksimum tahunan (HHMT). Secara terperinci, proses dari masing-masing uji tersebut adalah sebagai berikut. 3.1



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: Koefisien skewness dari data sampel > +0,4, maka perlu dilakukan pemeriksaan outlier atas, Koefisien skewness dari data sampel < -0,4, maka perlu dilakukan pemeriksaan outlier bawah, -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 atas, maka perlu dilakukan pemeriksaan atas kebenaran data tersebut. Apabila terdapat outlier bawah, maka data outlier dapat langsung dibuang. 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: 𝑌𝐻,𝐿 = 𝑦̅ ± 𝐾𝑛 𝑆𝑦 Balai Teknik Bendungan – Ditjen SDA Juni 2022



3-1



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



Keterangan: 𝑌𝐻,𝐿 : Batas (threshold) dari outlier atas dan bawah, dalam logaritma 𝑦̅



: 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 3.1. Konstanta uji outlier Sample size n



Kn



Sample size n



Kn



Sample size n



Kn



10 11 12 13 14 15 16 17 18 19 20 21 22 23



2,036 2,088 2,134 2,175 2,213 2,247 2,279 2,309 2,335 2,361 2,385 2,408 2,429 2,448



24 25 26 27 28 29 30 31 32 33 34 35 36 37



2,467 2,486 2,502 2,519 2,534 2,549 2,563 2,577 2,591 2,604 2,616 2,628 2,639 2,650



38 39 40 41 42 43 44 45 46 47 48 49 50 55



2,661 2,671 2,682 2,692 2,700 2,710 2,719 2,727 2,736 2,744 2,753 2,760 2,768 2,804



3.2



Sample size n



Kn



60 65 70 75 80 85 90 95 100 110 120 130 140



2,837 2,866 2,893 2,917 2,940 2,961 2,981 3,000 3,017 3,049 3,078 3,104 3,129



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: 𝑅𝑆𝑃



6 × ∑𝑛𝑖=1 𝐷𝑖 2 =1− 𝑛 × (𝑛2 − 1)



𝐷𝑖 = 𝐾𝑥𝑖 − 𝐾𝑦𝑖 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. Balai Teknik Bendungan – Ditjen SDA Juni 2022



3-2



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



Uji eksistensi trend dilakukan dengan menggunakan formulasi berikut: 𝑛−2 𝑡𝑡 = 𝑅𝑠𝑝 √ 1 − 𝑅 2 𝑠𝑝 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 %} 3.3



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: 𝐹𝑡 =



𝜎 21 𝑠21 = 𝜎 22 𝑠22



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: 0.5



∑𝑛𝑖=1(𝑥𝑖 2 ) − (∑𝑛𝑖=1(𝑋𝑖 ))2 /𝑛 𝑠=[ ] 𝑛−1 2 0.5



∑𝑛𝑖=1(𝑥𝑖 2 ) − 𝑛 × 𝑋 𝑠=[ ] 𝑛−1



Keterangan: Xi : data pengamatan n : jumlah total data sampel 𝑥̅



: rata-rata nilai data



Data menunjukkan kestabilan varian dengan tingkat kesalahan 5% apabila Ft < F{𝑣1 , 𝑣2 ,97.5%} 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:



Balai Teknik Bendungan – Ditjen SDA Juni 2022



3-3



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



𝑥1 − ̅̅̅ ̅̅̅ 𝑥2



𝑡𝑡 = √



2



(𝑛1 − 1)𝑠1 + (𝑛2 − 1)𝑠2 2 1 1 × (𝑛 + 𝑛 ) 𝑛1 + 𝑛2 − 2 1 2



Keterangan: n : banyaknya data 𝑥̅



: nilai rata-rata sub sampel



s



: variance



Nilai mean dari sampel dikatakan stabil bila: 𝑡{𝑣, 2.5%} < 𝑡𝑡 < 𝑡{𝑣, 97.5%} 3.4



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: 𝑟1 =



∑𝑛−1 𝑖=1 (𝑥𝑖 − 𝑥̅ ) × (𝑥𝑖+1 − 𝑥̅ ) ∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2



Seri data dikatakan independen apabila memenuhi persamaan: {−1, (−1 − 1.96√𝑛 − 2/(𝑛 − 1)} < 𝑟1 < {(−1 + 1.96√𝑛 − 2 / (𝑛 − 1), +1}



Balai Teknik Bendungan – Ditjen SDA Juni 2022



3-4



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



BAB 4 KOREKSI DATA HUJAN SATELIT Secara umum langkah penggunaan data hujan satelit hingga data hujan dapat digunakan dapat dilihat dalam bentuk diagram alir pada Gambar 4-1 berikut. Data hujan satelit dapat digunakan pada kondisi data stasiun hujan terbatas dalam segi spasial maupun temporal. Keterbatasan spasial disini dalam artian lokasi stasiun hujan yang berada jauh dari DAS yang dikaji, sementara keterbatasan temporal berarti panjang data hujan yang tersedia terlalu pendek atau memiliki banyak data kosong. Berdasarkan kajian-kajian terdahulu, diketahui bahwa data hujan satelit memiliki error apabila dibandingkan dengan data stasiun hujan/groundstation. Oleh karena itu, sebelum digunakan untuk analisis selanjutnya, data hujan satelit perlu dikoreksi terlebih dahulu.



Gambar 4-1. Diagram alir penggunaan dan koreksi data hujan satelit Balai Teknik Bendungan – Ditjen SDA Juni 2022



4-1



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



Langkah koreksi yang dijelaskan dalam modul ini dapat diterapkan baik untuk data hujan satelit GPM, TRMM maupun data satelit lain dengan langkah yang sama. Dalam kasus tidak ditemukan sama sekali data hujan dengan kualitas baik pada DAS yang dikaji, maka disarankan untuk memperluas daerah kajian dan mencari data stasiun hujan pada DAS sekitar. 4.1



PEMILIHAN DATA STASIUN HUJAN



Kebanyakan pos hujan di Indonesia saat ini belum melalui proses Quality Control sebagaimana yang diharuskan mulai dari kondisi alat, lingkungan dan SDM yang mengoperasikan dan mengelola datanya. Di lain sisi, data hujan GPM/TRMM perlu dikoreksi menggunakan data groundstation, sehingga data groundstation yang dijadikan acuan koreksi benar-benar harus berkualitas baik. Proses koreksi TRMM akan berjalan dengan baik dan menghasilkan nilai koreksi yang optimum jika kondisi data ground tersebut tercapai. Seleksi data groundstation cukup sederhana, dengan mengacu pada makalah BMKG yaitu membandingkan hujan bulanan groundstation dan TRMM, karena pada dasarnya hujan bulanan TRMM mendekati hujan bulanan groundstation (Mamenun et al., 2014). Dalam interval harian, dapat terjadi lag atau kelambatan dalam pencatatan data hujan. Lag dapat terjadi karena pencatatan data stasiun biasanya dilakukan setiap pagi pukul 07:00 sementara data satelit direkam mulai pukul 00:00, sehingga data hujan pada tanggal yang sama dalam kedua data memiliki nilai berbeda. Sementara dalam interval bulanan, seri data hujan stasiun dan satelit memiliki kemiripan, sehingga dapat digunakan sebagai acuan untuk mengeliminir data stasiun hujan yang memiliki kualitas kurang baik. Dalam pemilihan data groundstation, direkomendasikan untuk menggunakan/ melibatkan sebanyak mungkin stasiun hujan dan grid data satelit yang sesuai dengan koordinat lokasi stasiun hujan tersebut. Apabila pada daerah studi tidak tersedia data hujan dengan kualitas yang baik maka diperlukan data hujan lain yang dapat diperoleh dari lokasi lain yang dekat dengan daerah studi serta memiliki karakteristik meteorologis yang mirip dengan daerah studi. Perbandingan data curah hujan satelit dan data curah hujan groundstation dilakukan menggunakan analisis statistik dengan menghitung nilai korelasi (r) dan RMSE (Root Mean Square Error). Pada tahapan ini dipilih pos hujan mana yang dapat digunakan, berdasarkan pengelompokan data yang sudah dilakukan. Yang dibutuhkan sebagai input pemodelan untuk analisis banjir adalah hujan harian maksimum tahunan (HHMT) yang akan digunakan sebagai dasar penentuan hujan rencana. Koefisien korelasi (r) dihitung dengan menggunakan persamaan: 𝑟=



∑𝑛𝑖=1(𝑌𝑖 − 𝑌̅)(𝑌̂𝑖 − 𝑌̂) ̂𝑖 − 𝑌̂)2 √∑𝑛𝑖=1(𝑌𝑖 − 𝑌̅)2 √∑𝑛𝑖=1(𝑌



Balai Teknik Bendungan – Ditjen SDA Juni 2022



4-2



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



dimana: 𝑟



:



koefisien korelasi antara data satelit TRMM dengan data curah hujan ground station



𝑌𝑖 𝑌̅



:



data satelit TRMM pada periode ke– i dengan i: 1, 2, ….n



:



nilai rata–rata data satelit TRMM



𝑌̂𝑖 𝑌̂



:



data curah hujan ground station pada periode ke– i dengan i: 1, 2, ….n



:



nilai rata–rata curah hujan ground station



𝑛



:



panjang periode.



Untuk nilai RMSE dinyatakan dengan rumus di bawah ini: 𝑛



1 𝑅𝑀𝑆𝐸 = √ ∑(𝑦𝑖 − 𝑦̂𝑖 )2 𝑛 𝑘=1



dimana: 𝑦



: nilai hasil observasi



ŷ



: nilai hasil prediksi



𝑖



: urutan data pada database



𝑛



: jumlah data



Untuk mengetahui kesamaan meteorologis dari suatu wilayah, maka dapat dibuat matriks yang menunjukan suatu nilai korelasi dan nilai RMSE antara seluruh groundstation dan grid TRMM yang ada. Kegunaan pembuatan matriks ini, untuk melihat secara keseluruhan RMSE yang wajar didaerah bersangkutan (mayoritas) karena matriks ini mengabaikan faktor jarak. Mamenun (2014) melakukan penelitian dengan judul “Validasi dan Korelasi Data Satelit TRMM pada Tiga Pola Hujan di Indonesia.” yang dilakukan untuk validasi dan koreksi data satelit TRMM terhadap data observasi pada tiga pola hujan berbeda di Indonesia (Mamenun et al., 2014). Analisis dilakukan menggunakan analisis statistika, perhitungan galat dan pengembangan faktor koreksi untuk data satelit TRMM di wilayah dengan pola hujan monsun (Lampung, Jawa Timur, Kalimantan Selatan), pola hujan equatorial (Sumatera Utara, Kalimantan Barat), dan pola lokal (Maluku). Hasil validasi data satelit TRMM terhadap data observasi menunjukkan nilai korelasi tinggi di wilayah pola monsun (>0.80), cukup tinggi pada pola equatorial (>0.60) dan pola lokal (>0.75). Nilai RMSE lebih rendah di wilayah pola hujan monsun (RMSE = 58-84), dibandingkan wilayah pola hujan equatorial (RMSE=97-158) dan local (RMSE=173). Hasil koreksi data satelit TRMM diperoleh faktor koreksi dengan bentuk persamaan geometrik untuk pola monsun dan equatorial, serta linier untuk pola lokal. Penelitian tersebut dapat menjadi dasar dalam studi yang berhubungan dengan penggunaan data hujan TRMM untuk perencanaan bangunan air.



Balai Teknik Bendungan – Ditjen SDA Juni 2022



4-3



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



4.2



KOREKSI HUJAN HARIAN



Pada analisis selanjutnya dilakukan analisis untuk mendapatkan faktor koreksi yang kemudian digunakan untuk mengoreksi data TRMM. Dengan memasukan data TRMM ke dalam persamaan koreksi yang dihasilkan akan diperoleh TRMM terkoreksi. Tabel 4.1 hanya merupakan contoh faktor koreksi berjenjang yang biasa digunakan, tidak berlaku secara umum diseluruh Indonesia. Tabel 4.1. Contoh Koefisien koreksi TRMM Interval hujan [mm] 110



Koefisien Koreksi 0,60 0,80 1,00 1,15 1,20 1,25 1,25



Hujan harian TRMM disemua grid dikoreksi oleh ground station yang terpilih berdasarkan proses seleksi hujan bulanan. Apabila hujan bulanan dapat dicari kekuatan dari hubungannya oleh koefisien korelasi yang lebih dari 0,6 dan RMSE nya tidak dapat diterima maka hujan harian tidak dapat diberlakukan seperti hal yang sama dengan hujan bulanan. Hujan harian TRMM tidak dapat dikorelasikan dengan ground station karena kejadian hujan TRMM seringkali bergeser beberapa hari sebelum dan sesudah ground station, jadi hubungan antara keduanya hanya dapat dilakukan jika faktor waktu dihilangkan sehingga menjadi lengkung probabilitasnya. Faktor koreksi selayaknya sama untuk seluruh grid data satelit yang memiliki kesamaan pola iklim. Wilayah dengan kesamaan pola iklim ini dapat dilihat pada Gambar 4-2. Pencarian faktor koreksi dilakukan dengan Trial and Error dengan fungsi objektif Mean Absolut Error (MAE) dimana error dihitung dari selisih probabilitas dari kejadian hujan yang sama.



Balai Teknik Bendungan – Ditjen SDA Juni 2022



4-4



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



Gambar 4-2. Peta pola curah hujan musiman/ iklim di Indonesia Data ground station mempunyai lengkung kumulatif probablitas yang berbeda dengan lengkung kumulatif probablitas yang dihasilkan oleh TRMM. Dari berbagai percobaan yang telah dilakukan, koreksi terhadap TRMM yang paling sesuai adalah melalui koreksi linear berjenjang secara trial and error, sampai nilai error yang terkecil tercapai. Koefisien koreksi yang paling optimal ditentukan oleh error yang digambarkan oleh rata-rata absolute penyimpangan kedua variabel tersebut. Proses tersebut melalui Coba-coba atau Trial and Error. Sebelum koreksi dilakukan, MAE dihitung berdasarkan probabilitas hujan harian TRMM 1998-2018 atau GPM 2000-sekarang, dan semua data ground station yang tersedia dengan mengabaikan periode yang sama. Setelah melalui proses koreksi, lengkung probabilitas TRMM bergeser serta nilai MAE berubah seharusnya menjadi lebih kecil jika faktor koreksi yang dipilih mengarah ke true value. Contoh hasil perhitungan error melalui MAE dapat dilihat pada Gambar 4-3 dan contoh hasil perbandingan lengkung probabilitas untuk hujan harian dapat dilihat pada Gambar 4-4.



Balai Teknik Bendungan – Ditjen SDA Juni 2022



4-5



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



Gambar 4-3. Contoh perbandingan error hujan harian yang dihasilkan sebelum dan sesudah koreksi



Gambar 4-4. Contoh lengkung probabilitas untuk koreksi data hujan harian TRMM 4.3



PEMERIKSAAN LENGKUNG DISTRIBUSI HHMT



Selain pada skala harian, perlu diperiksa juga lengkung probabilitas kumulatif untuk seri HHMT yang dijadikan dasar analisis hujan rencana. Contoh perbandingan kurva lengkung probabilitas kumulatif HHMT dapat dilihat pada Gambar 4-5. Gambar tersebut menunjukkan lengkung probabilitas kumulatif hujan satelit sebelum koreksi dimana titik-titik kuning posisinya cenderung di sebelah kiri atau lebih kecil dari kumpulan pos hujan. Setelah koreksi, posisi titik-titik dengan warna merah bergeser ke tengah kumpulan pos hujan. Faktor koreksi HHMT ini sudah barang tentu merupakan lanjutan dari seri hujan harian dimana HHMT ditentukan. Khusus untuk Hujan Harian Maksimum Tahunan (HHMT) dilakukan pemeriksaan lebih rinci karena akan menjadi penentu bagi besaran banjir Balai Teknik Bendungan – Ditjen SDA Juni 2022



4-6



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



rencana. Pemeriksaan dapat dilakukan terhadap besaran hujan rencana berbagi periode ulang dengan membandingkan besaran hujan rencana antara pos hujan dengan data hujan satelit, baik sebelum maupun sesudah koreksi. Penjelasan lebih lanjut akan ditambahkan pada bagian awal Bab 5.



Gambar 4-5. Contoh lengkung probabilitas untuk koreksi data hujan harian maksimum tahunan TRMM



Balai Teknik Bendungan – Ditjen SDA Juni 2022



4-7



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



BAB 5 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: 𝑃(𝑥) =



1 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: 𝑥𝑇 = 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)



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. Distribusi probabilitas yang disarankan dalam modul ini adalah distribusi probabilitas GEV. Beberapa alasan mengapa GEV merupakan distribusi probabilitas yang paling baik untuk pemodelan banjir rencana adalah sebagai berikut: Filosofi yang melatarbelakangi jenis distrbusi probabilitas (LN-2, LN-3, LP-3, Gumbel, GEV) adalah sejatinya satu jenis distribusi untuk satu wilayah dengan kesamaan iklim. Perbedaan jenis distrbusi dengan pos-pos hujan disekeliling lebih banyak disebabkan oleh sampling error (perbedaan periode dan panjang data). Akibat perubahan iklim yang berdampak pada seri data Hujan Harian Maksimum Tahunan (HHMT) akan merubah besaran periode ulang. Dalam masa transisi ini, Balai Teknik Bendungan – Ditjen SDA Juni 2022



5-1



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



meninggalkan Analisis Frekuensi yang membutuhkan seri HHMT menuju era baru menggunakan Global Climate Model yang mampu memberi informasi proyeksi hujan ekstrim beberapa puluh tahun mendatang, sebaiknya menggunakan satu jenis distrbusi probabilitas saja. Dengan demikian tidak perlu lagi, dipilih berdasarkan uji S-K, ChiSqure, RMSE dan lain-lain Menimbang kedua butir tersebut di atas, disarankan untuk memilih distribusi probabilitas GEV tanpa perlu pengujian (best fit) seperti diketahui bersama jenis distribusi GEV diterapkan di negara India, Malaysia, Cina, Banglades, Perancis, Inggris, Qatar, Brazil. Taiwan (Villafuerte & Matsumoto, 2015) Di samping distribusi probabilitas GEV, terdapat pula beberapa distribusi lain yang umum digunakan di Indonesia seperti Log Normal 2 Parameter, Log Normal 3 Parameter, Gumbel1, Pearson III, dan Log-Pearson III. Dalam penggunaan distribusinya, perhitungan nilai debit atau hujan rencana dengan periode ulang yang lebih dari 200 tahun, disarankan menggunakan perangkat lunak Hydrognomon (yang akan dijelaskan pada Modul 3). Dari berbagai macam distribusi tersebut, dapat dilakukan uji kecocokan probabilitas menggunakan uji chi-square atau Kolmogorov-Smirnov. Hal yang perlu diperhatikan dalam analisis frekuensi dengan uji kecocokan probabilitas adalah bahwa dalam satu area kajian harus digunakan distribusi probabilitas yang sama. Pemeriksaan kewajaran dari curah hujan rencana yang dihitung dapat dilakukan melalui perbandingan periode ulang 100 tahun (R100) terhadap hujan periode ulang 2 tahun (R2). Rasio R100/R2 sebaiknya diatas 1,7 dan kurang dari 3,2. Rasio R100/R2 lebih kecil dari 1,7 berarti hujan rencana periode ulang tinggi terlalu kecil, sementara rasio R100/R2 lebih besar dari 3,2 mengindikasikan hujan rencana periode ulang tinggi terlalu besar. Error! Reference source not found. di bawah menunjukkan contoh kurva hujan rencana t erhadap periode ulang atau dapat disebut Cumulative Distribution Function (CDF) dimana pada gambar terdapat tiga grid TRMM (Grid 6,7, dan 10) yang melenceng dari family curve stasiun hujan lain. Oleh karena itu ketiga grid yang digambarkan dengan garis putus-putus tersebut sebaiknya tidak digunakan dalam analisis. Pengecualian dapat dilakukan apabila letak dari ketiga grid data satelit tersebut dipengaruhi hujan konvektif. Jika hal tersebut terjadi, maka hujan dari grid yang melenceng dari family curve tersebut masih dapat digunakan.



Balai Teknik Bendungan – Ditjen SDA Juni 2022



5-2



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



900 800 700



Rainfall (mm)



600 500 400 300 200 100 0 0



200



400



600



800



1000



1200



Return Period (year) Wiwirano-GEV



TRMM13-GEV



TRMMCor2



TRMMCor3



TRMMCor5



TRMMCor6



TRMMCor7



TRMMCor8



TRMMCor9



TRMMCor10



TRMMCor11



TRMMCor12



TRMMCor13



TRMMCor14



TRMMCor15



Gambar 5-1. Contoh Cumulative Distribution Function 5.2



DISTRIBUSI PROBABILITAS YANG UMUM DIGUNAKAN



5.2.1



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 satusatunya distribusi yang menormalisasi nilai maksimum atas serangkaian data identik dan independen yang terdistribusi secara acak. Persamaan PDF (Probability Density Function) dari GEV dengan parameter lokasi µ, parameter skala σ, dan parameter bentuk k ≠ 0 adalah sebagai berikut. (x − μ) 1 y = f(x|k, μ, σ) = ( ) exp (− (1 + k ) σ σ



−



1 k



(x − μ) ) (1 + k ) σ



1 −1− k



Untuk 1+k



(x − μ) >0 σ



Untuk k = 0, maka (x − μ) (x − μ) 1 y = f(x|0, μ, σ) = ( ) exp (−exp (− )− ) σ σ σ



Balai Teknik Bendungan – Ditjen SDA Juni 2022



5-3



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



keterangan: k = Parameter bentuk σ = Parameter lokasi μ = Parameter skala 5.2.2



Distribusi Log Normal 2-Parameter



Distribusi log normal dua parameter merupakan distribusi yang terdiri dari dua parameter yaitu µn dan 𝜎 2 𝑛 , masing-masing merupakan harga tengah dan variansi untuk fungsi logaritma dari variabelnya. Persamaan PDF-nya adalah sebagai berikut: 𝑃(𝑥) =



1 𝑥 𝜎𝑦 √2𝜋



𝑒



2 1 ln 𝑥−𝜇𝑦 − ( ) 2 𝜎𝑦



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 5.1. Faktor frekuensi distribusi log normal 2 parameter Koefisien Variasi



Peluang Kumulatif P(%):P(X) 50



80



2



5



10



-0,0250 -0,0496 -0,0738 -0,0971 -0,1194 -0,1406 -0,1604 -0,1788 -0,1957 -0,2111 -0,2251 -0,2357 -0,2185 -0,2582 -0,2667 -0,2739 -0,2801 -0,2852 -0,2895 -0,2929



0,8334 0,8222 0,8085 0,7926 0,7746 0,7647 0,7333 0,7200 0,6870 0,6626 0,6379 0,6129 0,5879 0,5631 0,5387 0,5118 0,4914 0,4686 0,4466 0,4254



1,2965 1,3078 1,3156 1,3200 1,3209 1,3183 1,3126 1,3037 1,2920 1,2778 1,2613 1,2428 1,2226 1,2011 1,1784 1,1548 1,1306 1,1060 1,0810 1,0560



(Cv) 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50 0,55 0,60 0,65 0,70 0,75 0,80 0,85 0,90 0,95 1,00



90



95



98



99



20



50



100



1,6863 1,7247 1,7598 1,7911 1,8183 1,8414 1,8602 1,8746 1,8848 1,8909 1,8931 1,8915 1,8866 1,8786 1,8677 1,8543 1,8388 1,8212 1,8021 1,7815



2,1341 2,2130 2,2899 2,3640 2,4318 2,5015 2,5638 2,6212 2,6731 2,7202 2,7613 2,7971 2,8279 2,8532 2,8735 2,8891 2,9002 2,9071 2,9103 2,9098



2,4570 2,5489 2,2607 2,7716 2,8805 2,9866 3,0890 3,1870 3,2799 3,3673 3,4488 3,5211 3,3930 3,3663 3,7118 3,7617 3,8056 3,8140 3,8762 3,9035



Periode Ulang (Tahun)



Balai Teknik Bendungan – Ditjen SDA Juni 2022



5-4



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



5.2.3



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



𝑃(𝑥) =



1 ln(𝑥 − 𝑎) √2𝜋



𝑒



1 ln(𝑥−𝑎)−μy [− ( ) ] 2 𝜎𝑦



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 5.2. Faktor frekuensi distribusi log normal 3 parameter Koefisien Variasi 50 (Cv) -2,0 -1,8 -1,6 -1,4 -1,2 -1,0 -0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8 1,0 1,2 1,4 1,6 1,8 2,0



5.2.4



2 0,2366 0,2240 0,2092 0,1920 0,1722 0,1495 0,1241 0,0959 0,0654 0,0332 0 -0,0332 -0,0654 -0,0959 -0,1241 -0,1495 -0,1722 -0,192 -0,2092 -0,224 -0,2366



Peluang Kumulatif P(%):P(X&X) 80 90 95 98 Periode Ulang (Tahun) 5 10 20 50 -0,6144 -1,2437 -1,8916 -2,7943 -0,6395 -1,2621 -1,8928 -2,7578 -0,6654 -1,2792 -1,8901 -2,7138 -0,6920 -1,2943 -1,8827 -2,6615 -0,7186 -1,3067 -1,8696 -2,6002 -0,7449 -1,3156 -1,8501 -2,5294 -0,7700 -1,3201 -1,8235 -2,4492 -0,7930 -0,3194 -1,7894 -2,3600 -0,8131 -0,3128 -1,7478 -2,2631 -0,8296 -0,3002 -1,6993 -2,1602 0 0 0 0 0,8296 0,3002 1,6993 2,1602 0,8131 0,3128 1,7478 2,2631 0,793 0,3194 1,7894 2,3600 0,77 1,3201 1,8235 2,4492 0,7449 1,3156 1,8501 2,5294 0,7186 1,3067 1,8696 2,6002 0,692 1,2943 1,8827 2,6615 0,6654 1,2792 1,8901 2,7138 0,6395 1,2621 1,8928 2,7578 0,6144 1,2437 1,8916 2,7943



99 100 -3,5196 -3,4433 -3,3570 -3,2601 -3,1521 -3,0333 -2,9043 -2,7665 -2,6223 -2,4745 0 2,4745 2,6223 2,7665 2,9043 3,0333 3,1521 3,2601 3,3570 3,4433 3,5196



Distribusi Gumbel-1



Koefisien distribusi Gumbel tipe I ditunjukan pada Persamaan berikut. 𝑘=



(𝑌 − 𝑌𝑛) 𝑆𝑛



keterangan: 𝑌𝑛



: nilai rata-rata dari reduced variant



𝑆𝑛 : deviasi standar nilai variant Balai Teknik Bendungan – Ditjen SDA Juni 2022



5-5



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



Nilai dari Yn dan Sn, bergantung dari panjang data yang dimiliki, dapat dilihat pada tabel di bawah ini. Tabel 5.3. Reduced mean, Yn N



0



1



2



3



4



5



6



7



8



9



10 20 30 40 50



0,4952 0,5236 0,5326 0,5436 0,5485



0,4996 0,5252 0,5371 0,5442 0,5489



0,5035 0,5268 0,538 0,5448 0,5493



0,507 0,5283 0,5388 0,5453 0,5497



0,51 0,5296 0,8396 0,5458 0,5501



0,5128 0,5309 0,5403 0,5463 0,5504



0,5157 0,532 0,541 0,5468 0,5508



0,5181 0,5332 0,5418 0,5473 0,5511



0,5202 0,5343 0,5424 0,5477 0,5515



0,522 0,5353 0,5436 0,5481 0,5518



60



0,5521



0,5524



0,5527



0,553



0,5533



0,5535



0,5538



0,554



0,5543



0,5545



70



0,5548



0,555



0,5552



0,5555



0,5557



0,5559



0,5561



0,5563



0,5565



0,5567



80 90 100



0,5569 0,5586 0,56



0,557 0,5587 0,5602



0,5572 0,5589 0,5603



0,5574 0,5591 0,5604



0,5576 0,5592 0,5606



0,5578 0,5593 0,5607



0,558 0,5595 0,5608



0,5581 0,5596 0,5609



0,5583 0,5598 0,561



0,5585 0,5599 0,5611



Tabel 5.4. Reduced standard deviation, Sn N 10 20 30 40 50 60 70 80 90 100



5.2.5



0 0,9496 1,0628 1,1124 1,1413 1,1607 1,1747 1,1854 1,1938 1,2007 1,2065



1 0,9676 1,0696 1,1159 1,1436 1,1623 1,1759 1,1863 1,1945 1,2013 1,2069



2 0,9833 1,0754 1,1193 1,1458 1,1638 1,177 1,1873 1,1953 1,202 1,2073



3 0,9971 1,0811 1,1226 1,148 1,1658 1,1782 1,1881 1,1959 1,2026 1,2077



4 1,0095 1,0864 1,1255 1,1499 1,1667 1,1793 1,189 1,1967 1,2032 1,2081



5 1,0206 1,0915 1,1285 1,1519 1,1681 1,1803 1,1898 1,1973 1,2038 1,2084



6 1,0316 1,0961 1,1313 1,1538 1,1696 1,1814 1,1906 1,198 1,2044 1,2087



7 1,0411 1,1004 1,1339 1,1557 1,1708 1,1824 1,1915 1,1987 1,2049 1,209



8 1,0493 1,1047 1,1363 1,1574 1,1721 1,1834 1,1923 1,1994 1,2055 1,2093



9 1,0565 1,108 1,1388 1,159 1,1734 1,1844 1,193 1,2001 1,206 1,2096



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. Namun, besaran faktor frekuensi yang digunakan memiliki besaran yang sama. Kedua besaran faktor frekuensi tersebut dapat diestimasikan dengan persamaan berikut ini (Kite, 1977): 1 1 𝐾𝑇 ≈ 𝑧 + (𝑧 2 − 1)𝑘 + (𝑧 3 − 6𝑧)𝑘 2 − (𝑧 2 − 1)𝑘 3 + 𝑧𝑘 4 + 𝑘 5 3 3 dimana, 𝑘 =



𝐶𝑠⁄ 6



𝐶𝑠



= koefisien skew



𝑧



= standar normal deviate, dalam fungsi periode ulang (T)



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.



Balai Teknik Bendungan – Ditjen SDA Juni 2022



5-6



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



Tabel 5.5. Nilai koefisien distribusi Pearson III dan Log-Pearson III Cs/Cw



3,0 2,8 2,6 2,4 2,2 2,0 1,8 1,6 1,4 1,2 1,0 0,8 0,6 0,4 0,2 0 -0,2 -0,4 -0,6 -0,8 -1,0 -1,2 -1,4 -1,6 -1,8 -2,0 -2,2 -2,4 -2,6 -2,8 -3,0



5.3



2



5



10



0,5 -0,365 -0,358 -0,347 -0,333 -0,315 -0,295 -0,272 -0,247 -0,220 -0,192 -0,162 -0,131 -0,099 -0,066 -0,033 0,000 0,033 0,066 0,099 0,131 0,162 0,192 0,220 0,247 0,272 0,295 0,315 0,333 0,347 0,358 0,365



0,2 0,424 0,459 0,495 0,531 0,567 0,602 0,636 0,669 0,699 0,728 0,754 0,777 0,798 0,816 0,830 0,842 0,850 0,854 0,856 0,854 0,848 0,839 0,827 0,812 0,794 0,772 0,748 0,720 0,690 0,657 0,622



0,1 1,148 1,179 1,208 1,236 1,261 1,282 1,301 1,315 1,326 1,333 1,335 1,333 1,327 1,316 1,301 1,282 1,258 1,231 1,199 1,165 1,127 1,086 1,042 0,996 0,948 0,899 0,848 0,797 0,746 0,695 0,645



Interval kejadian tahun (Periode Ulang) 25 20 50 100 200 Probabilitas Terlampaui 0,04 0,05 0,02 0,01 0,005 2,217 1,946 3,094 4,023 4,997 2,222 1,959 3,067 3,955 4,881 2,223 1,969 3,035 3,881 4,757 2,219 1,974 2,996 3,799 4,626 2,210 1,975 2,950 3,709 4,486 2,195 1,971 2,898 3,613 4,339 2,175 1,962 2,840 3,509 4,185 2,150 1,948 2,775 3,399 4,024 2,118 1,928 2,704 3,282 3,857 2,082 1,903 2,626 3,159 3,684 2,039 1,872 2,543 3,030 3,506 1,991 1,837 2,454 2,897 3,324 1,938 1,796 2,360 2,759 3,139 1,880 1,750 2,262 2,617 2,952 1,818 1,700 2,160 2,473 2,764 1,751 1,645 2,054 2,326 2,576 1,680 1,586 1,945 2,179 2,389 1,606 1,524 1,835 2,032 2,204 1,529 1,458 1,723 1,885 2,024 1,450 1,390 1,611 1,741 1,848 1,370 1,320 1,500 1,601 1,680 1,288 1,248 1,390 1,465 1,520 1,207 1,175 1,283 1,335 1,370 1,126 1,102 1,180 1,212 1,231 1,046 1,029 1,081 1,099 1,107 0,969 0,958 0,989 0,996 0,997 0,895 0,888 0,903 0,905 0,905 0,824 0,821 0,827 0,827 0,832 0,759 0,758 0,759 0,765 0,781 0,700 0,700 0,703 0,719 0,752 0,647 0,646 0,660 0,693 0,750



500



1000



10000



0,002 6,348 6,158 5,960 5,753 5,539 5,317 5,088 4,853 4,613 4,369 4,122 3,872 3,621 3,371 3,123 2,878 2,638 2,405 2,179 1,964 1,761 1,572 1,399 1,244 1,109 0,998 0,911 0,852 0,822 0,826 0,864



0,001 7,414 7,161 6,900 6,630 6,353 6,069 5,779 5,484 5,185 4,883 4,580 4,276 3,974 3,674 3,379 3,090 2,810 2,539 2,281 2,037 1,809 1,600 1,412 1,248 1,109 1,000 0,922 0,878 0,872 0,905 0,981



0,0001 11,201 10,701 10,194 9,682 9,166 8,647 8,127 7,607 7,090 6,577 6,071 5,573 5,087 4,614 4,157 3,719 3,303 2,911 2,546 2,212 1,912 1,650 1,427 1,249 1,119 1,040 1,017 1,053 1,152 1,318 1,556



UJI KECOCOKAN PROBABILITAS



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. 5.3.1



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. Balai Teknik Bendungan – Ditjen SDA Juni 2022



5-7



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



X i=1 =  k



(Oi − Ei ) 2 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. 5.3.2



Kolmogorov-Smirrnoff



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 (Frank Jr., 1951). 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 KolmogorovSmirnov tertera pada persamaan di bawah ini. 𝐷𝑛 = 𝑚𝑎𝑥|𝑃(𝑥) − 𝑃𝑜 (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



Balai Teknik Bendungan – Ditjen SDA Juni 2022



5-8



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



Tabel 5.6. Nilai kritis Kolmogorov-Smirnov n 5 10 15 20 25 30 35 40 45 50 >50



α 0,20



0,10



0,05



0,01



0,45 0,32 0,27 0,23 0,21 0,19 0,18 0,17 0,16 0,15 1,07



0,51 0,37 0,30 0,26 0,24 0,22 0,20 0,19 0,18 0,17 1,22



0,56 0,41 0,34 0,29 0,27 0,24 0,23 0,21 0,20 0,19 1,36



0,67 0,49 0,40 0,36 0,32 0,29 0,27 0,25 0,24 0,23 1,63



√𝑛



√𝑛



√𝑛



√𝑛



Keterangan: α : significant level. n : jumlah data.



Balai Teknik Bendungan – Ditjen SDA Juni 2022



5-9



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



BAB 6 ANALISIS CURAH HUJAN MAKSIMUM BOLEH JADI 6.1



ANALISIS METODE HERSHFIELD



Curah hujan maksimum boleh jadi (PMP/Probable Maximum Precipitation) 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 untuk menghitung PMP yang disarankan pada SNI 7746:2012 adalah menggunakan metode Hershfield (Badan Standardisasi Nasional, 2012). Yang perlu menjadi catatan dalam perhitungan metode ini adalah bahwa durasi hujan yang dihitung adalah sama dengan durasi hujan yang menjadi input. Secara umum di Indonesia, data yang tersedia adalah data harian maksimum sehingga dalam perhitungan durasi yang digunakan adalah 24 jam. Perhitungan hujan dengan durasi kurang dari 24 jam seperti hujan 6 jam hanya dapat digunakan apabila input data adalah hujan 6 jam maksimum juga. Apabila hujan akan didistribusikan secara temporal dengan durasi kurang dari 24 jam, maka reduksi dapat dilakukan mengikuti metode yang dibahas pada Bab 8 dan 9 dalam modul ini. Sementara untuk hujan lebih dari 24 jam, besaran hujan 3 harian dapat diperkirakan sesuai dengan distribusi hujan yang digunakan seperti distribusi PSA-007 yang dijelaskan lebih jauh pada Subbab 8.2. Rumus yang digunakan oleh Hershfield didasarkan atas persamaan frekuensi umum, yaitu: 𝑋𝑚 = 𝑋̅𝑛 + 𝐾𝑚 𝑆𝑛 Dengan 𝑋𝑇 = curah hujan maksimum yang tercatat 𝑋̅𝑛 = 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 𝑋̅𝑛 dimuat pada Gambar 6-1. Hujan maksimum rata-rata tahunan (sumbu x) pada gambar tersebut merupakan rata-rata dari HHMT apabila input data adalah berupa pos hujan biasa dengan pencatatan hujan harian. Hujan yang jarang terjadi (outlier) dapat mempengaruhi 𝑋̅𝑛 dan Sn deret data tahunan (annual series). Besarnya pengaruh tersebut menjadi berkurang untuk data panjang, tetapi menjadi besar pada data yang pendek. Gambar di bawah ini dibuat oleh Hershfield untuk menyesuaikan besarnya 𝑋̅𝑛 dan sn sebagai kompensasi dengan adanya outlier tersebut. Balai Teknik Bendungan – Ditjen SDA Juni 2022



6-1



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



Gambar 6-1. Faktor pengali terhadap deviasi (Km)



Gambar 6-2. Faktor koreksi Xn Balai Teknik Bendungan – Ditjen SDA Juni 2022



6-2



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



Gambar 6-3. Faktor koreksi Sn 6.2



PETA ISOHYET PMP



Peta Isohyet periode ulang 100, 1000 tahun, dan PMP (Probable Maximum Precipitation) merupakan peta dari Balai Bendungan untuk seluruh wilayah di Indonesia. Dipublikasikan tahun 2012, menggunakan seri data HHMT sampai dengan tahun 2010. Contoh peta isohyet PMP yang dapat digunakan sebagai pembanding dapat dilihat pada Gambar 6-4. Praktek yang umum dilakukan saat ini adalah dengan menggunakan hujan PMP paling besar antara hasil perhitungan metode Hershfield atau dari peta isohyet. Akan tetapi dalam modul ini disarankan untuk menggunakan analisis metode Hershfield dengan data yang lebih terbaru. Nilai hujan PMP isohyet dapat digunakan sebatas sebagai pembanding yang tidak mengikat untuk memeriksa kewajaran hujan PMP yang dihitung dengan metode Hershfield.



Balai Teknik Bendungan – Ditjen SDA Juni 2022



6-3



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



Gambar 6-4. Peta Isohyet PMP Sumatera



Balai Teknik Bendungan – Ditjen SDA Juni 2022



6-4



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



BAB 7 CURAH HUJAN WILAYAH 7.1



HUJAN TITIK DAN HUJAN RATA-RATA WILAYAH



Langkah yang paling sederhana dalam mendapatkan data hujan adalah dengan melakukan pengukuran hujan titik pada sebuah daerah. Pengukuran hujan titik (point rainfall) adalah metode yang paling umum dilakukan, dengan pelaksanaan operasional baku sesuai dengan alat ukurnya, seperti corong, tipping bucket, dll. Dengan memiliki jumlah pencatatan hujan titik pada sebuah daerah yang cukup, maka informasi tentang distribusi spasial hujan wilayah dapat digunakan untuk kebutuhan analisis hidrologi. Selain itu, pengaruh luasan hujan titik tersebut adalah bagian yang penting dalam informasi distribusi spasial hujan wilayah. Salah satu batas luas pengaruh yang dapat digunakan dalam analisis hidrologi adalah batas daerah tangkapan air. Oleh karena itu, transformasi hujan titik menjadi hujan wilayah (areal rainfall) perlu dilakukan. Hujan wilayah yang menggunakan daerah tangkapan hujan menjadi batas pengaruhnya seringkali disebut juga sebagai basin rainfall. Dalam pengubahan hujan titik menjadi hujan wilayah, perlu memperhatikan beberapa hal untuk menghindari penyimpangan yang terlalu besar, antara lain: Apabila basin rainfall merupakan transformasi dari point rainfall, maka harga hujan ratarata wilayah tersebut perlu direduksi terhadap luasan menggunakan fungsi hubungan luas atau Area Reduction Factor (ARF) yang dijelaskan lebih lanjut pada BAB 9 (Point →Anfrek → Basin); Apabila hujan rencana wilayah (basin rainfall) disusun dari hujan titik (point rainfall), yang kemudian dianalisis frekuensi nya, maka nilai tersebut tidak perlu direduksi terhadap luasan. (Point → Basin → Anfrek). Dalam menentukan hujan rencana menggunakan salah satu dari dua metode di atas, perlu diperiksa kewajaran besaran hujan rencana yang dihasilkan. Pemeriksaan kewajaran besaran hujan rencana dapat dilakukan melalui rasio R100/R2 yang sebaiknya di antara 1,7 dan 3,2; atau melalui peta hujan 100/1000 tahunan yang dipublikasikan Balai Bendungan tahun 2012. 7.2



RATA-RATA ARITMATIK



Metode rata-rata aritmatik adalah metode yang paling mudah dilakukan untuk mendapatkan sebuah nilai representasi hujan wilayah. Hasil yang diperoleh dari metode ini akan menjadi akurat, apabila topografi DAS relatif datar dan stasiun pengamatan curah hujan tersebar merata secara spasial pada DAS yang dikaji. Metode ini mengasumsikan penggunaan ratarata data hujan titik yang jatuh di dalam DAS yang dikaji, sehingga dapat diformulasikan secara matematik, sebagai berikut: Balai Teknik Bendungan – Ditjen SDA Juni 2022



7-1



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit 𝑛



𝑃̅ =



1 ∑ 𝐴𝑖 ⋅ 𝑃𝑖 𝐴 𝑖=1



dimana: 𝑃̅ : curah hujan wilayah (mm)



7.3



𝐴



: luas total DAS yang dikaji (km2)



𝑃𝑖



: curah hujan di titik pos hujan(mm)



𝐴𝑖



: luas daerah pengaruh masing-masing data hujan (km2)



𝑛



: jumlah pos curah hujan 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.



Gambar 7-1. Poligon Thiessen 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



Balai Teknik Bendungan – Ditjen SDA Juni 2022



7-2



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



daerah untuk poligon Thiessen dihitung dengan persamaan berikut: ∑𝑛𝑖=1 𝑃𝑖 𝐴𝑖 𝑃= 𝑛 ∑𝑖=1 𝐴𝑖 dimana: 𝑃



: curah hujan wilayah (mm)



𝑃𝑖



: curah hujan di titik penakar hujan(mm)



𝐴𝑖



: luas daerah pengaruh masing-masing data hujan (km2)



𝑛



: jumlah pos curah hujan



Balai Teknik Bendungan – Ditjen SDA Juni 2022



7-3



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



BAB 8 PENENTUAN DURASI DAN DISTRIBUSI CURAH HUJAN Penentuan durasi dan distribusi curah hujan secara umum mengikuti diagram alir pada Gambar 8-1. Durasi dan distribusi hujan ditentukan dari data hujan jam-jaman atau 3 jaman (TRMM) atau 30 menitan (GPM) yang ada baik dari data hujan satelit maupun dari data stasiun hujan apabila tersedia. Dalam konteks banjir, hujan jam-jaman yang dipertimbangkan adalah peristiwa hujan besar, paling tidak diusahakan agar hujan hariannya lebih besar dari 100 mm/hari atau setidaknya lebih besar dari hujan rencana periode ulang 2 tahunan.



Justfikasi Durasi Hujan



Data Hujan TRMM (3 jam-an) atau GPM (0,5 Jam-an)



Tidak



Ada ARR



Ya



Pengecekan Distribusi Hujan (PSA/Huff/SCS)



Pengecekan Susunan Hujan Advance; Bellshape; Delayed



Gambar 8-1. Penentuan durasi dan distribusi hujan



Balai Teknik Bendungan – Ditjen SDA Juni 2022



8-1



Modul 1 – Analisis Curah Hujan



Bahan Ajar Bimbingan Teknis Analisis Stabilitas Bendungan dan Analisis Debit Banjir Menggunakan Data Hujan Satelit



8.2



PENENTUAN DURASI HUJAN RENCANA



Pertimbangan dalam penentuan durasi hujan rencana adalah dari pencatatan hujan besar dengan interval jam-jaman baik dengan sumber dari pos hujan atau data hujan satelit, atau dari ukuran DAS, atau dari waktu konsentrasi DAS. Urutan penentuan durasi hujan rencana adalah sebagai berikut: Dipilih berdasarkan pencatatan jam-jaman dari hujan paling besar yang terjadi atau hujan besar yang sering terjadi, yang nanti jadi pertimbangan pemilihan durasi hujan yang akan digunakan setelah butir 2 selesai dihitung. Perbandingan puncak debit yang dihasilkan beberapa durasi hujan, dan dipilih durasi hujan yang menghasilkan debit puncak atau elevasi muka air banjir paling tinggi 8.2.1



Pencatatan Hujan



Durasi hujan rencana dapat ditentukan berdasarkan Pencatatan data hujan 3 jaman / jamjaman / 30 menitan pada peristiwa hujan besar baik dari penakar hujan maupun dari data satelit. Pada beberapa peristiwa hujan besar tersebut perlu dicari durasi hujan yang sering terjadi dan durasi hujan paling besar yang tercatat. 8.2.2



Klasifikasi Ukuran DAS



Penentuan durasi hujan pada DAS kecil dan DAS menegah dapat dilakukan berdasarkan ukuran DAS. Durasi hujan kurang dari 24 jam disarankan untuk DAS kecil saja, sementara untuk DAS menengah dan besar sebaiknya menggunakan durasi hujan setidaknya 1 hari. Durasi hujan lebih dari 1 hari menggambarkan kondisi apabila banjir terjadi dengan beberapa puncak. Klasifikasi ukuran DAS dapat diambil dari literatur dengan contoh klasifikasi menurut Singh (Singh, 1994) dengan pembagian sebagai berikut: Tabel 8.1. Klasifikasi Luas DAS Luas DAS (km2)



Klasifikasi



Durasi Hujan



Tc



>100



DAS Besar



>= 24 jam



NRCS Velocity Method



10-100



DAS Menengah