Laporan Pba (Fixx Skali)

UNIVERSITAS SAM RATULANGI
FAKULTAS TEKNIK SIPIL

MATA KULIAH “PERANCANGAN BANGUNAN AIR”
2019
Dosen Pengajar : Dr. Eng. Ir. Jeffry S. F. Sumarauw, MT
ANALISIS DEBIT BANJIR RENCANA DAS SUNGAI ONGKAKO BIYOU DI

TITIK A
A. Analisis Daerah Aliran Sungai (DAS)

DAS atau Daerah Aliran Sungai adalah suatu daerah dimana curah hujan yang jatuh di
derah tersebut limpasannya akan mengalir menuju titik keluaran (outlet) dari system sungai
yang dimaksud.
Limpasan yang dikumpulkan oleh DAS akan mengalir ke DAS yang lebih besar atau
menuju ke laut.
 Cara Menentukan Batas DAS

1. Pada peta topografi, carilah sungai dan arah alirannya.
2. Akan terlihat pola kontur yang mengikuti kemiringan permukaan tanah.
3. Kontur yang mempunyai arah ke hulu pada sungai menunjukkan posisi lembah,
sedangkan kontur yang mempunyai arah sebaliknya (hilir) adalah punggung.
4. Tentukan titik outlet untuk DAS dimaksud, dimulai dari titik outlet, tariklah garis
yang menghubungkan punggung pembatas DAS
5. Batas DAS tidak boleh memotong sungai lebih dari satu kali, batas DAS hanya
memotong sungai satu kali yaitu pada titik outlet.
 Cara Menghitung Luas DAS

1. Peta yang digunakan adalah peta Huidu Inotaita, dengan skala 1 : 50.000 dan
mempunyai 1 titik kontrol dan 4 stasiun hujan.
2. Skala yang digunakan adalah skala 1 : 50.000. Artinya 1 cm di peta sama dengan
50.000 cm sebenarnya atau 0,5 km.
3. Karena peta disalin ke Milimeter Block, maka luas peta dihitung dari setiap kotak
(ukuran 1cm x 1 cm) yang ada. Jadi karena luas kotak dalam milimeter block
adalah 1 cm2 maka luas DAS adalah 0,25 km2 untuk setiap kotak.
Perhitungan Luas DAS sungai Buiro Subo di titik A

Cara perhitungan dengan menggunakan millimeter blok, gambar DAS yang sudah di buat di
peta di salin kedalam millimeter blok.
SKALA 1: 50.000
Luas 1 Kotak Milimeter Block = 0,5 km x 0,5 km
= 0,25 km2 1 cm
cm2 = 0,5 km x 0,5 km = 0,25 km2
 Luas DAS = Jumlah kotak keseluruhan x Luas 1 kotak millimeter block 1 cm

= 937 x 0,25 km2
= 234,25 km2
Jadi, total luas DAS adalah 234,25 km2 , Luas ini dapat digunakan dalam perhitungan
analisis selanjutnya.
WIDYA NOVELIA
16021101040
2019
B. Analisis curah hujan
Ada empat stasiun pengukur hujan yang berada di sekitar DAS, yaitu; stasiun Buiro
Subo, stasiun Huidu Tulumotumoro, stasiun Buidu Balagudu, dan stasiun Buiru Konito.
Untuk menganalisis hujan DAS akan digunakan data hujan dari empat stasiun tersebut. Data
hujan yang tersedia di empat stasiun tersebut berupa data curah hujan harian maksimum,
dengan panjang pencatatan data selama 15 tahun. Data ditunjukkan pada table.
Tabel Data Hujan Harian Maksimum

Hujan Harian Maksimum (mm)
NO Tahun Stasiun 1 Stasiun 2 Stasiun 3 Stasiun 4
(Buiro Subo) (Huidu Tulumotumoro) (Buidu Balagudu) (Buiru Konito)
1 2004 55 62 57 49
2 2005 140 111 123 111
3 2006 101 140 211 189
4 2007 123 124 227 111
5 2008 120 110 100 102
6 2009 150 155 170 200
7 2010 200 245 130 120
8 2011 123 140 130 115
9 2012 114 155 134 125
10 2013 211 167 111 146
11 2014 140 180 155 150
12 2015 111 121 130 187
13 2016 230 220 178 187
14 2017 111 154 130 145
15 2018 231 240 200 187
1. Uji Kualitas Data

Data hujan yang ada, sebelum digunakan diuji terlebih dahulu kualitasnya. Pengujian
meliputi Uji Outlier.
 Uji Data Outlier

Data outlier adalah data yang menyimpang terlalu jauh dari kumpulan datanya, baik
terlalu tinggi maupun terlalu rendah. Data outlier harus disesuaikan untuk analisis
selanjutnya. Pengujian data outlier berdasarkan koefisien skewness (Cslog )
WIDYA NOVELIA
16021101040
2019
Keterangan :
 Syarat Pengujian Data Outlier

 CSlog > +0,4
Jika CSlog > +0,4 maka uji outlier tinggi (batas tertinggi) terlebih dahulu.
Batas tertinggi : 𝒍𝒐𝒈 𝑿𝒉 = ̅̅̅̅̅̅̅̅
𝒍𝒐𝒈 𝑿 + 𝒌𝒏. 𝑺𝒍𝒐𝒈
- Jika terdapat data >Xh, maka data-data tersebut disesuaikan menjadi = Xh.
- Setelah data disesuaikan, hitung kembali nilai ̅̅̅̅̅̅̅
𝑙𝑜𝑔 𝑋 𝑑𝑎𝑛 𝑆𝑙𝑜𝑔
Setelah uji outlier tinggi, selanjutnya uji outlier rendah.

Batas Terendah : 𝒍𝒐𝒈 𝑿𝒍 = ̅̅̅̅̅̅̅̅
𝒍𝒐𝒈 𝑿 − 𝒌𝒏. 𝑺𝒍𝒐𝒈
- Jika terdapat data <Xl, maka data-data tersebut disesuaikan menjadi = Xl
- Data yang sudah disesuaikan sudah siap digunakan dalam analisis selanjutnya.
Perhitungan nilai kn
Keterangan :
Xh = Batas tertinggi
Xl = Batas terendah
kn = Konstanta uji outlier (tergantung jumlah data)
𝑋̅ = Rata-rata hujan
 CSlog < -0,4

Jika CSlog < -0,4 maka uji outlier rendah (batas terendah) terlebih dahulu.
Batas terendah : 𝒍𝒐𝒈 𝑿𝒍 = ̅̅̅̅̅̅̅̅
- Jika terdapat data <Xl, maka data-data tersebut disesuaikan menjadi = Xl
- Setelah data disesuaikan, hitung kembali nilai ̅̅̅̅̅̅̅
𝑙𝑜𝑔 𝑋 𝑑𝑎𝑛 𝑆𝑙𝑜𝑔
Setelah uji outlier rendah, selanjutnya uji outlier tinggi

- Jika terdapat data >Xh, maka data-data tersebut disesuaikan menjadi = Xh
WIDYA NOVELIA
16021101040
2019
Keterangan :
Xl = Batas terendah
 -0,4 < CSlog < +0,4

Jika -0,4 < CSlog < +0,4 maka uji outlier rendah (batas terendah) dan uji outlier tinggi
(batas tertinggi) secara bersamaan
Batas terendah : 𝒍𝒐𝒈 𝑿𝒍 = ̅̅̅̅̅̅̅̅

- Jika terdapat data <Xl, maka data-data tersebut disesuaikan menjadi = Xl, serta
Jika terdapat data >Xh, maka data-data tersebut disesuaikan menjadi = Xh.
Keterangan :
Xl = Batas terendah
WIDYA NOVELIA
16021101040
2019
Uji Outlier Stasiun Hujan Buiro Subo
NO Tahun Data Hujan Harian Maksimum (mm)

1 2004 55
2 2005 140
3 2006 101
4 2007 123
5 2008 120
6 2009 150
7 2010 200
8 2011 123
9 2012 114
10 2013 211
11 2014 140
12 2015 111
13 2016 230
14 2017 111
15 2018 231
Membuat Tabel Analisis parameter statistik untuk mendapatkan atau memudahkan dalam
menghitung Cslog dan Slog.
Tabel Analisis Parameter Statistik (Stasiun Buiro Subo)

Stasiun Buiro Subo Data (Seri Y)
No Tahun (Y - Ῡ) ̅)2
(Y − Y ̅)3
(Y − Y
(x) Y = log X
1 2004 55 1,740362689 -0,39223273 0,15384651 -0,06034364
2 2005 158 2,198657087 0,06606167 0,00436414 0,00028830
3 2006 101 2,004321374 -0,12827404 0,01645423 -0,00211065
4 2007 123 2,089905111 -0,04269030 0,00182246 -0,00007780
5 2008 126 2,100370545 -0,03222487 0,00103844 -0,00003346
6 2009 222 2,346352974 0,21375756 0,04569229 0,00976707
7 2010 212 2,326335861 0,19374044 0,03753536 0,00727212
8 2011 123 2,089905111 -0,04269030 0,00182246 -0,00007780
9 2012 114 2,056904851 -0,07569056 0,00572906 -0,00043364
10 2013 211 2,324282455 0,19168704 0,03674392 0,00704333
11 2014 145 2,161368002 0,02877259 0,00082786 0,00002382
12 2015 111 2,045322979 -0,08727244 0,00761648 -0,00066471
13 2016 127 2,103803721 -0,02879170 0,00082896 -0,00002387
14 2017 109 2,037426498 -0,09516892 0,00905712 -0,00086196
15 2018 231 2,36361198 0,23101656 0,05336865 0,01232904
Jumlah 2168 31,98893124 0,37674797 -0,02790383
Rata-rata 144,53333 2,132595416
WIDYA NOVELIA
16021101040
2019
Jika n = 15
Hasil perhitungan didapat :

Slog dengan menggunakan rumus yang ada pada halaman materi outlier hasilnya didapat
1
Slog = √(15−1) 𝑥 0,37674797
Slog = 0,164044412
Selanjutnya menghitung Cs log dengan menggunakan rumus yang ada pada halaman materi outlier,
maka hasilnya didapat
15 𝑥 −0,02790383
Cslog =√(15−1)(15−2)(0,37674797)3
Cs Log = -0,520954047
Setelah itu menghitung nilai kn dengan menggunakan rumus seperti dibawah ini :
Kn = 2,246730305
Cs Log = -0,520954047
Cs < -0,4
-0,520954047 < -0,4
Karena Cs Log < -0,4 maka dilakukan uji outlier rendah terlebih dahulu.
Uji Outlier Rendah
Kn = 2,246730305
Log XI =
Log Xl = 2,132595416 - (2,246730305 x 0,164044412)
Log Xl = 1,764031865
XL = 10𝐿𝑜𝑔 𝑋𝐼
XL = 101,764031865
XL = 58,08070305
Setelah mendapatkan hasil Xl, kita melihat pada tabel data hujan stasiun Buiro Subo jikaada data
yang berada diatas nilai Xl, maka data tersebut diganti dengan nilai Xh dan hasilnya lihat pada tabel
data terkoreksi outlier rendah dibawah ini:
WIDYA NOVELIA
16021101040
2019
Data yang <Xl diganti dengan Xl

Data sebelum dikoreksi Outlier Rendah Data Setelah dikoreksi Outlier Rendah
Stasiun Buiro Subo Stasiun Buiro Subo
NO Tahun NO Tahun
(x) (x)
1 2004 55 1 2004 58,08070305
2 2005 158 2 2005 158
3 2006 101 3 2006 101
4 2007 123 4 2007 123
5 2008 126 5 2008 126
6 2009 222 6 2009 222
7 2010 212 7 2010 212
8 2011 123 8 2011 123
9 2012 114 9 2012 114
10 2013 211 10 2013 211
11 2014 145 11 2014 145
12 2015 111 12 2015 111
13 2016 127 13 2016 127
14 2017 109 14 2017 109
15 2018 231 15 2018 231
Dari tabel diatas dapat dilihat bahwa ada data yang berada dibawah atau kurang dari nilai Xl yaitu
pada tahun 2004, maka data hujan pada tahun 2004 dari 55 menjadi nilai Xl yaitu 58,08070305.
Karena ada data yang berubah maka hitung parameter stasistik data yang baru.
Tabel Analisis Parameter Statistik (Stasiun Buiro Subo) Data Terkoreksi Outlier Rendah
Stasiun Buiro Subo Data (Seri Y)
No Tahun (Y - Ῡ) (Y − ̅
Y)2 ̅)3
(Y − Y
(x) Y = log X
1 2004 58,08070305 1,764031865 -0,3701415 0,1370047 -0,0507111
2 2005 158 2,198657087 0,0644837 0,0041582 0,0002681
3 2006 101 2,004321374 -0,1298520 0,0168615 -0,0021895
4 2007 123 2,089905111 -0,0442682 0,0019597 -0,0000868
5 2008 126 2,100370545 -0,0338028 0,0011426 -0,0000386
6 2009 222 2,346352974 0,2121796 0,0450202 0,0095524
7 2010 212 2,326335861 0,1921625 0,0369264 0,0070959
8 2011 123 2,089905111 -0,0442682 0,0019597 -0,0000868
9 2012 114 2,056904851 -0,0772685 0,0059704 -0,0004613
10 2013 211 2,324282455 0,1901091 0,0361415 0,0068708
11 2014 145 2,161368002 0,0271946 0,0007395 0,0000201
12 2015 111 2,045322979 -0,0888504 0,0078944 -0,0007014
13 2016 127 2,103803721 -0,0303696 0,0009223 -0,0000280
14 2017 109 2,037426498 -0,0967469 0,0093600 -0,0009055
15 2018 231 2,36361198 0,2294386 0,0526421 0,0120781
Jumlah 2171,080703 32,01260042 0,3587032 -0,0193236
Rata-rata 144,7387135 2,134173361
WIDYA NOVELIA
16021101040
2019
Dari hasil perhitungan parameter statistik data yang baru didapat S log (terkoreksi)
Dengan menggunakan rumus pada halaman pertama maka didapatlah Slog (terkoreksi)
1
Slog = √(15−1) 𝑥 0,3587032
Slog (terkoreksi) = 0,160067664
Setelah itu menguji outlier tinggi atau menghitung nilai Xh untuk mendapatkan apakah ada data
hujan yang melebihi nilai Xh
Uji Outlier Tinggi
Kn = 2,246730305
Log Xh =
Log Xh = 2,134173361+ (2,246730305 x 0,160067664)

Log Xh = 2,493802232
Xh = 10𝐿𝑜𝑔 𝑋ℎ
Xh = 102,493802232
Xh = 311,7469633362
Setelah mendapatkan hasil Xh, kita melihat pada tabel data hujan stasiun Buiro Subo kalau ada data
yang berada diatas nilai Xh maka data tersebut diganti dengan nilai Xh, hasilnya lihat pada tabel
data terkoreksi outlier tinggi dibawah ini:
Data yang >Xl diganti dengan Xl

Data sebelum dikoreksi Outlier Tinggi Data Setelah dikoreksi Outlier Tinggi
Stasiun Buiro
NO Tahun NO Tahun Stasiun Buiro Subo (x)
Subo (x)
1 2004 58,0807 1 2004 58,08070305
2 2005 158 2 2005 158
3 2006 101 3 2006 101
4 2007 123 4 2007 123
5 2008 126 5 2008 126
6 2009 222 6 2009 222
7 2010 212 7 2010 212
8 2011 123 8 2011 123
9 2012 114 9 2012 114
10 2013 211 10 2013 211
11 2014 145 11 2014 145
12 2015 111 12 2015 111
13 2016 127 13 2016 127
14 2017 109 14 2017 109
15 2018 231 15 2018 231
Tidak ada data yang berubah
WIDYA NOVELIA
16021101040
2019
Dari hasil koreksi outlier tinggi ini didapatkan bahwa tidak ada data hujan yang melebihi nilai Xh
atau tidak ada data yang berubah.
Data hasil koreksi Outlier ini dapat digunakan dalam analisis selanjutnya. Tabel hasil koreksi data
hujan stasiun Buiro Subo seperti dibawah ini :
NO Tahun Stasiun Buiro Subo

1 2004 58,08070305
2 2005 158
3 2006 101
4 2007 123
5 2008 126
6 2009 222
7 2010 212
8 2011 123
9 2012 114
10 2013 211
11 2014 145
12 2015 111
13 2016 127
14 2017 109
15 2018 231
WIDYA NOVELIA
16021101040
2019
Uji Outlier Stasiun Hujan Huidu Tulumotumoro
Data Hujan Harian Maksimum

NO Tahun
(mm)
1 2004 62
2 2005 111
3 2006 140
4 2007 124
5 2008 110
6 2009 155
7 2010 245
8 2011 140
9 2012 155
10 2013 167
11 2014 180
12 2015 121
13 2016 220
14 2017 154
15 2018 240
Tabel Analisis Parameter Statistik (Stasiun Huidu Tulumotumoro)

Stasiun Huidu
Data (Seri Y)
No Tahun Tulumotumoro (Y - Ῡ) (Y − ̅
Y)2 (Y − ̅
Y)3
Y = log X
(x)
1 2004 62 1,792391689 -0,3746445 0,1403585 -0,0525846
2 2005 111 2,045322979 -0,1217133 0,0148141 -0,0018031
3 2006 140 2,146128036 -0,0209082 0,0004372 -0,0000091
4 2007 124 2,093421685 -0,0736146 0,0054191 -0,0003989
5 2008 110 2,041392685 -0,1256436 0,0157863 -0,0019834
6 2009 155 2,190331698 0,0232955 0,0005427 0,0000126
7 2010 245 2,389166084 0,2221298 0,0493417 0,0109603
8 2011 140 2,146128036 -0,0209082 0,0004372 -0,0000091
9 2012 155 2,190331698 0,0232955 0,0005427 0,0000126
10 2013 167 2,222716471 0,0556802 0,0031003 0,0001726
11 2014 180 2,255272505 0,0882363 0,0077856 0,0006870
12 2015 121 2,08278537 -0,0842509 0,0070982 -0,0005980
13 2016 220 2,342422681 0,1753864 0,0307604 0,0053950
14 2017 154 2,187520721 0,0204845 0,0004196 0,0000086
15 2018 240 2,380211242 0,2131750 0,0454436 0,0096874
Jumlah 2324 32,50554358 0,3222871 -0,0304502
Rata-rata 154,93333 2,167036239
WIDYA NOVELIA
16021101040
2019
Jika n = 15

1
Slog = √(15−1) 𝑥 0,3222871
Slog = 0,15172511
15 𝑥 −0,0304502
Cslog =√(15−1)(15−2)(0,15172511)3
Cs Log = -0,71851768
Kn = 2,246730305
Cs Log = -0,71851768
-0,71851768 < -0,4
-0,71851768 < -0,4
Uji Outlier Rendah
Kn = 2,246730305
Log XI =
Log Xl = 2,167036239 - (2,246730305 x 0,15172511)

Log Xl = 1,826150835
XL = 101,826150835
XL = 67,011730792
Setelah mendapatkan hasil Xl, kita melihat pada tabel data hujan stasiun Huidu Tulumotumoro
jikaada data yang berada diatas nilai Xl, maka data tersebut diganti dengan nilai Xh dan hasilnya
lihat pada tabel data terkoreksi outlier rendah dibawah ini:
WIDYA NOVELIA
16021101040
2019

Stasiun Huidu Stasiun Huidu
NO Tahun NO Tahun
Tulumotumoro (x) Tulumotumoro (x)
1 2004 62 1 2004 67,01173079
2 2005 111 2 2005 111
3 2006 158 3 2006 158
4 2007 124 4 2007 124
5 2008 111 5 2008 111
6 2009 166 6 2009 166
7 2010 177 7 2010 177
8 2011 179 8 2011 179
9 2012 155 9 2012 155
10 2013 167 10 2013 167
11 2014 190 11 2014 190
12 2015 121 12 2015 121
13 2016 111 13 2016 111
14 2017 154 14 2017 154
15 2018 240 15 2018 240
Tabel Analisis Parameter Statistik (Stasiun Huidu Tulumotumoro) Data Terkoreksi

Outlier Rendah
Stasiun Huidu
Data (Seri Y)
No Tahun Tulumotumoro (Y - Ῡ) ̅)2
(Y − Y ̅)3
(Y − Y
Y = log X
(x)
1 2004 67,01173079 1,826150835 -0,3283460 0,1078111 -0,0353993
2 2005 111 2,045322979 -0,1091738 0,0119189 -0,0013012
3 2006 158 2,198657087 0,0441603 0,0019501 0,0000861
4 2007 124 2,093421685 -0,0610751 0,0037302 -0,0002278
5 2008 111 2,045322979 -0,1091738 0,0119189 -0,0013012
6 2009 166 2,220108088 0,0656113 0,0043048 0,0002824
7 2010 177 2,247973266 0,0934765 0,0087378 0,0008168
8 2011 179 2,252853031 0,0983562 0,0096739 0,0009515
9 2012 155 2,190331698 0,0358349 0,0012841 0,0000460
10 2013 167 2,222716471 0,0682197 0,0046539 0,0003175
11 2014 190 2,278753601 0,1242568 0,0154398 0,0019185
12 2015 121 2,08278537 -0,0717114 0,0051425 -0,0003688
13 2016 111 2,045322979 -0,1091738 0,0119189 -0,0013012
14 2017 154 2,187520721 0,0330239 0,0010906 0,0000360
WIDYA NOVELIA
16021101040
2019
15 2018 240 2,380211242 0,2257144 0,0509470 0,0114995

Jumlah 2231,011731 32,31745203 0,2505227 -0,0239453
Rata-rata 148,7341154 2,154496802
1
Slog = √(15−1) 𝑥 0,2505227
Uji Outlier Tinggi
Kn = 2,246730305
Log Xh =
Log Xh = 2,154496802 + (2,246730305 x 0,13377025)

Log Xh = 2,455042476
Xh = 102,455042476
Xh = 285,129712355
Setelah mendapatkan hasil Xh, kita melihat pada tabel data hujan stasiun Huidu Tulumotumoro
kalau ada data yang berada diatas nilai Xh maka data tersebut diganti dengan nilai Xh, hasilnya
lihat pada tabel data terkoreksi outlier tinggi dibawah ini:
Data yang >Xh diganti dengan Xh

Stasiun Huidu Stasiun Huidu
NO Tahun Tulumotumoro NO Tahun Tulumotumoro
(x) (x)
1 2004 67,01173079 1 2004 67,01173079
2 2005 111 2 2005 111
3 2006 158 3 2006 158
4 2007 124 4 2007 124
5 2008 111 5 2008 111
6 2009 166 6 2009 166
7 2010 177 7 2010 177
8 2011 179 8 2011 179
9 2012 155 9 2012 155
10 2013 167 10 2013 167
WIDYA NOVELIA
16021101040
2019
11 2014 190 11 2014 190

12 2015 121 12 2015 121
13 2016 111 13 2016 111
14 2017 154 14 2017 154
15 2018 240 15 2018 240
hujan stasiun Stasiun Huidu Tulumotumoro seperti dibawah ini :
Stasiun Huidu Tulumotumoro

NO Tahun
(x)
1 2004 67,01173079
2 2005 111
3 2006 158
4 2007 124
5 2008 111
6 2009 166
7 2010 177
8 2011 179
9 2012 155
10 2013 167
11 2014 190
12 2015 121
13 2016 111
14 2017 154
15 2018 240
WIDYA NOVELIA
16021101040
2019
Uji Outlier Stasiun Hujan Buido Balagudu Hujan Buido Balagudu

NO Tahun
(mm)
1 2004 57
2 2005 123
3 2006 211
4 2007 227
5 2008 100
6 2009 170
7 2010 130
8 2011 130
9 2012 134
10 2013 111
11 2014 155
12 2015 130
13 2016 178
14 2017 130
15 2018 200
Tabel Analisis Parameter Statistik (Stasiun Buido Balagudu)

Stasiun Buido
Data (Seri Y)
No Tahun Balagudu (Y - Ῡ) (Y − ̅
Y)2 (Y − ̅
Y)3
Y = log X
(x)
1 2004 57 1,75587 -0,38589 0,14891 -0,05746
2 2005 123 2,08991 -0,05186 0,00269 -0,00014
3 2006 211 2,32428 0,18251 0,03331 0,00608
4 2007 227 2,35603 0,21426 0,04591 0,00984
5 2008 100 2,00000 -0,14177 0,02010 -0,00285
6 2009 170 2,23045 0,08868 0,00786 0,00070
7 2010 130 2,11394 -0,02782 0,00077 -0,00002
8 2011 130 2,11394 -0,02782 0,00077 -0,00002
9 2012 134 2,12710 -0,01466 0,00022 0,00000
10 2013 111 2,04532 -0,09645 0,00930 -0,00090
11 2014 155 2,19033 0,04856 0,00236 0,00011
12 2015 130 2,11394 -0,02782 0,00077 -0,00002
13 2016 178 2,25042 0,10865 0,01181 0,00128
14 2017 130 2,11394 -0,02782 0,00077 -0,00002
15 2018 200 2,30103 0,15926 0,02536 0,00404
Jumlah 2186 32,12652 0,31093 -0,03939
Rata-rata 145,7333 2,14177
WIDYA NOVELIA
16021101040
2019
Jika n = 15

1
Slog = √(15−1) 𝑥 0,310925275
Slog = 0,149026669
15 𝑥 −0,039390061
Cslog =√(15−1)(15−2)(0,149026669)3
Cs Log = -0,980876982
Kn = 2,246730305
Cs Log = -0,980876982
Cs < -0,4
-0,980876982 < -0,4
Uji Outlier Rendah
Kn = 2,246730305
Log XI =
Log Xl = 2,141768006 - (2,246730305 x 0,149026669)

Log Xl = 1,806945271
XL = 101,806945271
XL = 64,112877784
Setelah mendapatkan hasil Xl, kita melihat pada tabel data hujan stasiun Buido Balagudu jika ada
data yang berada diatas nilai Xl, maka data tersebut diganti dengan nilai Xh dan hasilnya lihat pada
tabel data terkoreksi outlier rendah dibawah ini:
WIDYA NOVELIA
16021101040
2019

Stasiun Buido Balagudu Stasiun Buido Balagudu
NO Tahun NO Tahun
(x) (x)
1 2004 57 1 2004 64,112877784
2 2005 123 2 2005 123
3 2006 211 3 2006 211
4 2007 227 4 2007 227
5 2008 281 5 2008 281
6 2009 115 6 2009 115
7 2010 148 7 2010 148
8 2011 164 8 2011 164
9 2012 134 9 2012 134
10 2013 111 10 2013 111
11 2014 165 11 2014 165
12 2015 145 12 2015 145
13 2016 134 13 2016 134
14 2017 116 14 2017 116
15 2018 200 15 2018 200
dibawah ini:
Tabel Analisis Parameter Statistik (Stasiun Buido Balagudu) Data

Terkoreksi Outlier Rendah
Stasiun Buido
Data (Seri Y)
No Tahun Balagudu (Y - Ῡ) ̅)2
(Y − Y ̅)3
(Y − Y
Y = log X
(x)
1 2004 64,112877784 1,806945271 -0,3607575 0,1301459 -0,0469511
2 2005 123 2,089905111 -0,0777976 0,0060525 -0,0004709
3 2006 211 2,324282455 0,1565797 0,0245172 0,0038389
4 2007 227 2,356025857 0,1883231 0,0354656 0,0066790
5 2008 281 2,44870632 0,2810036 0,0789630 0,0221889
6 2009 115 2,06069784 -0,1070049 0,0114500 -0,0012252
7 2010 148 2,170261715 0,0025590 0,0000065 0,0000000
8 2011 164 2,214843848 0,0471411 0,0022223 0,0001048
9 2012 134 2,127104798 -0,0405979 0,0016482 -0,0000669
10 2013 111 2,045322979 -0,1223797 0,0149768 -0,0018329
11 2014 165 2,217483944 0,0497812 0,0024782 0,0001234
12 2015 145 2,161368002 -0,0063347 0,0000401 -0,0000003
13 2016 134 2,127104798 -0,0405979 0,0016482 -0,0000669
14 2017 116 2,064457989 -0,1032447 0,0106595 -0,0011005
WIDYA NOVELIA
16021101040
2019
15 2018 200 2,301029996 0,1333273 0,0177762 0,0023700

Jumlah 2338,113 32,51554093 0,3380502 -0,0164097
Rata-rata 155,8742 2,167702728
1
Slog = √(15−1) 𝑥 0,3380502
Uji Outlier Tinggi
Kn = 2,246730305
Log Xh =
Log Xh = 2,167702728 + (2,246730305 x 0,155391267)

Log Xh = 2,516824998
Xh = 102,516824998
Xh = 328,719144351
Setelah mendapatkan hasil Xh, kita melihat pada tabel data hujan stasiun Buido Balagudu kalau ada
data yang berada diatas nilai Xh maka data tersebut diganti dengan nilai Xh, hasilnya lihat pada
tabel data terkoreksi outlier tinggi dibawah ini:

Stasiun Bulud Stasiun Bulud
NO Tahun NO Tahun
Nanasi (x) Nanasi (x)
1 2004 64,112877784 1 2004 64,112877784
2 2005 123 2 2005 123
3 2006 211 3 2006 211
4 2007 227 4 2007 227
5 2008 281 5 2008 281
6 2009 115 6 2009 115
7 2010 148 7 2010 148
8 2011 164 8 2011 164
9 2012 134 9 2012 134
10 2013 111 10 2013 111
11 2014 165 11 2014 165
WIDYA NOVELIA
16021101040
2019
12 2015 145 12 2015 145

13 2016 134 13 2016 134
14 2017 116 14 2017 116
15 2018 200 15 2018 200
hujan stasiun Buidu Balagudu seperti dibawah ini :
Stasiun Buido Balagudu

NO Tahun
(x)
1 2004 64,112877784
2 2005 123
3 2006 211
4 2007 227
5 2008 281
6 2009 115
7 2010 148
8 2011 164
9 2012 134
10 2013 111
11 2014 165
12 2015 145
13 2016 134
14 2017 116
15 2018 200
WIDYA NOVELIA
16021101040
2019
Uji Outlier Stasiun Hujan Buido Balagudu Hujan Buiro Konito

NO Tahun
(mm)
1 2004 49
2 2005 111
3 2006 189
4 2007 111
5 2008 102
6 2009 200
7 2010 120
8 2011 115
9 2012 125
10 2013 146
11 2014 150
12 2015 187
13 2016 187
14 2017 145
15 2018 187
Tabel Analisis Parameter Statistik (Stasiun Buiro Konito)

Stasiun Buiro
Data (Seri Y)
No Tahun Konito (Y - Ῡ) (Y − ̅
Y)2 (Y − ̅
Y)3
Y = log X
(x)
1 2004 49 1,69019608 -0,4378746 0,1917342 -0,0839555
2 2005 111 2,045322979 -0,0827477 0,0068472 -0,0005666
3 2006 189 2,276461804 0,1483911 0,0220199 0,0032676
4 2007 111 2,045322979 -0,0827477 0,0068472 -0,0005666
5 2008 102 2,008600172 -0,1194705 0,0142732 -0,0017052
6 2009 200 2,301029996 0,1729593 0,0299149 0,0051741
7 2010 120 2,079181246 -0,0488894 0,0023902 -0,0001169
8 2011 115 2,06069784 -0,0673728 0,0045391 -0,0003058
9 2012 125 2,096910013 -0,0311607 0,0009710 -0,0000303
10 2013 146 2,164352856 0,0362822 0,0013164 0,0000478
11 2014 150 2,176091259 0,0480206 0,0023060 0,0001107
12 2015 187 2,271841607 0,1437709 0,0206701 0,0029718
13 2016 187 2,271841607 0,1437709 0,0206701 0,0029718
14 2017 145 2,161368002 0,0332973 0,0011087 0,0000369
15 2018 187 2,271841607 0,1437709 0,0206701 0,0029718
Jumlah 2124 31,92106005 0,3462782 -0,0696945
Rata-rata 141,6 2,12807067
WIDYA NOVELIA
16021101040
2019
Jika n = 15

1
Slog = √(15−1) 𝑥 0,3462782
Slog = 0,157270960
15 𝑥 −0,0696945
Cslog =√(15−1)(15−2)(0,157270960)3
Cs Log = -1,476634260
Kn = 2,246730305
Cs Log = -1,476634260
Cs < -0,4
-1,476634260 < -0,4
Uji Outlier Rendah
Kn = 2,246730305
Log XI =
Log Xl = 2,12807067- (2,246730305 x 0,157270960)

Log Xl = 1,774725238
XL = 101,774725238
XL = 59,52854093
Setelah mendapatkan hasil Xl, kita melihat pada tabel data hujan stasiun Buiro Konito jika ada data
yang berada diatas nilai Xl, maka data tersebut diganti dengan nilai Xh dan hasilnya lihat pada tabel
data terkoreksi outlier rendah dibawah ini:
WIDYA NOVELIA
16021101040
2019

Stasiun Buiro Stasiun Buiro
NO Tahun NO Tahun
Konito(x) Konito(x)
1 2004 49 1 2004 59,528540931
2 2005 109 2 2005 109
3 2006 189 3 2006 189
4 2007 111 4 2007 111
5 2008 134 5 2008 134
6 2009 211 6 2009 211
7 2010 234 7 2010 234
8 2011 115 8 2011 115
9 2012 125 9 2012 125
10 2013 146 10 2013 146
11 2014 167 11 2014 167
12 2015 187 12 2015 187
13 2016 165 13 2016 165
14 2017 145 14 2017 145
15 2018 187 15 2018 187
Tabel Analisis Parameter Statistik (Stasiun Buiro Kunito) Data Terkoreksi

Outlier Rendah
Stasiun Buiro Data (Seri Y) ̅)2 ̅)3

NO Tahun (Y - Ῡ) (Y − Y (Y − Y
Konito (x) Y = log x
1 2004 59,528540931 1,774725238 -0,386724893 0,149556143 -0,057837084
2 2005 109 2,037426498 -0,124023633 0,015381862 -0,001907714
3 2006 189 2,276461804 0,115011673 0,013227685 0,001521338
4 2007 111 2,045322979 -0,116127153 0,013485516 -0,001566035
5 2008 134 2,127104798 -0,034345333 0,001179602 -0,000040514
6 2009 211 2,324282455 0,162832324 0,026514366 0,004317396
7 2010 234 2,369215857 0,207765726 0,043166597 0,008968539
8 2011 115 2,06069784 -0,100752291 0,010151024 -0,001022739
9 2012 125 2,096910013 -0,064540118 0,004165427 -0,000268837
10 2013 146 2,164352856 0,002902724 0,000008426 0,000000024
11 2014 167 2,222716471 0,061266340 0,003753564 0,000229967
12 2015 187 2,271841607 0,110391475 0,012186278 0,001345261
13 2016 165 2,217483944 0,056033813 0,003139788 0,000175934
14 2017 145 2,161368002 -0,000082129 0,000000007 0,000000000
WIDYA NOVELIA
16021101040
2019
15 2018 187 2,271841607 0,110391475 0,012186278 0,001345261

Jumlah 2284,528541 32,42175197 0,308102562 -0,044739201
Rata-rata 152,3019027 2,161450131
1
Slog = √(15−1) 𝑥 0,308102562
Uji Outlier Tinggi
Kn = 2,246730305
Log Xh =
Log Xh = 2,161450131 + (2,246730305 x0,148348663)

Log Xh = 2,494749568
Xh = 102,494749568
Xh = 312,427726298
Setelah mendapatkan hasil Xh, kita melihat pada tabel data hujan stasiun Buiro Konito kalau ada
data yang berada diatas nilai Xh maka data tersebut diganti dengan nilai Xh, hasilnya lihat pada
tabel data terkoreksi outlier tinggi dibawah ini:

Stasiun Buiro Konito Stasiun Buiro Konito
NO Tahun NO Tahun
(x) (x)
1 2004 59,528540931 1 2004 59,528540931
2 2005 109 2 2005 109
3 2006 189 3 2006 189
4 2007 111 4 2007 111
5 2008 134 5 2008 134
6 2009 211 6 2009 211
7 2010 234 7 2010 234
8 2011 115 8 2011 115
9 2012 125 9 2012 125
10 2013 146 10 2013 146
11 2014 167 11 2014 167
12 2015 187 12 2015 187
WIDYA NOVELIA
16021101040
2019
13 2016 165 13 2016 165

14 2017 145 14 2017 145
15 2018 187 15 2018 187
hujan stasiun Buiro Konito seperti dibawah ini :
Stasiun Buiro
NO Tahun
Konito (x)
1 2004 59,528540931
2 2005 109
3 2006 189
4 2007 111
5 2008 134
6 2009 211
7 2010 234
8 2011 115
9 2012 125
10 2013 146
11 2014 167
12 2015 187
13 2016 165
14 2017 145
15 2018 187
WIDYA NOVELIA
16021101040
2019
Data hasil uji kualitas berupa uji Outlier ditampilkan pada tabel data hujan harian maksimum yang
sudah dikoreksi atau diuji. Data tersebut sudah layak untuk digunakan untuk analisis selanjutnya.
Tabel Data Hujan Harian Maksimum Hasil Uji Outlier

(Buiro Subo) (Huidu Tulumotumoro) (Buidu Balagudu) (Buiru Konito)
1 2004 58,080703055 67,011730792 64,112877784 59,528540931
2 2005 158 111 123 109
3 2006 101 158 211 189
4 2007 123 124 227 111
5 2008 126 111 281 134
6 2009 222 166 115 211
7 2010 212 177 148 234
8 2011 123 179 164 115
9 2012 114 155 134 125
10 2013 211 167 111 146
11 2014 145 190 165 167
12 2015 111 121 145 187
13 2016 127 111 134 165
14 2017 109 154 116 145
15 2018 231 240 200 187
WIDYA NOVELIA
16021101040
2019
C. Analisis Hujan Wilayah (Hujan Rerata DAS)

Hujan wilayah dianalisis dengan menggunakan metode Polygon Thiessen.
 Metode Poligon Thiessen

1. Syarat poligon thiessen
a) Apabila titik-titik stasiun pengamatan curah hujan tidak tersebar merata di dalam
DAS, maka cara perhitungan curah hujan wilayah dilakukan dengan
menggunakan metode poligon Thiessen.
b) Dalam metode ini, besarnya pengaruh curah hujan yang jatuh pada suatu daerah
diperhitungkan sebagai faktor bobot luas poligon terhadap luas total.
c) Diasumsikan besarnya jarak pengaruh curah hujan suatu stasiun pengamatan
adalah sebesar 50% jarak antara stasiun pengamatan curah hujan lain yang
berdekatan.
d) Metode Thiessen memberikan hasil perhitungan yang lebih teliti dibandingkan
dengan metode aritmatika.
2. Langkah-langkah pembuatan polygon thiesen:

a) Hubungkan semua stasiun hujan yang ada menjadi jaring-jaring segitiga, hindari
segitiga tumpul
b) Cari titik tengah dari tiap sisi segitiga
c) Lakukan untuk semua segitiga yang ada
d) Tarik garis tegak lurus tiap sisi segitiga, melewati titik tengah sisi segitiga
e) Lakukan untuk semua segitiga yang ada
f) Garis-garis tadi merupakan batas poligon thiessen
g) Daerah pengaruh dari tiap stasiun adalah daerah yang dibatasi oleh garis-garis
tadi.
3. Rumus Poligon Thiessen
R1.A1+R2.A2+R3.A3+⋯+Rn.An
Ṝ= A1+A2+A3+⋯+An
Keterangan :
Ṝ = Hujan Rerata (mm)

R1,2,3,n = Hujan yang tercatat di stasiun 1, 2, 3, n
A1,2,3,n = Luas Pengaruh Stasiun 1, 2, 3, n
WIDYA NOVELIA
16021101040
2019
 Luas Pengaruh Masing-masing Stasiun Hujan
Luas 1 Kotak Milimeter Block = 0,5 km x 0,5 km

= 0,25 km2 1 cm
cm2 = 0,5 km x 0,5 km = 0,25 km2

1 cm
 Stasiun 1 (Buiro Subo) = Jumlah Kotak x Luas 1 Kotak

= 186 x 0,25 km2
= 46,5 km2
 Stasiun 2 (Huidu Tulumotumoro) = Jumlah Kotak x Luas 1 Kotak

= 143 x 0,25 km2
= 35,75 km2
 Stasiun 3 (Buido Balagudu) = Jumlah Kotak x Luas 1 Kotak

= 123 x 0,25 km2
= 30,75 km2
 Stasiun 4 (Buiro Konito) = Jumlah Kotak x Luas 1 Kotak

= 485 x 0,25 km2
= 121,25 km2
Jadi, luas DAS sesuai metode Poligon Thiesen adalah

= A1 + A2 + A3 + A4
= 46,5 km2 + 35,75 km2 + 30,75 km2 + 121,25 km2
= 234,25 km2
 Hujan Wilayah (Hujan Rerata DAS)
Contoh Perhitungan Hujan Wilayah (Hujan Rerata DAS) pada tahun 2004 :
Diketahui data hujan harian maksimum 4 stasiun yang sudah diuji outlier dan luas
pengaruh masing-masing stasiun
 Stasiun Buiro Subo
Curah hujan maksimum = 58,08 mm
Luas pengaruh = 46,5 km2
 Stasiun Huidu Tulumotumoro

 Stasiun Buidu Balagudu

WIDYA NOVELIA
16021101040
2019
 Stasiun Buiro Konito

R1.A1+R2.A2+R3.A3+R4.A4
Ṝ =
A1+A2+A3+A4
(58,08×46,5)+(67,01×35,75)+(64,11×30,75)+(59,53×121,25)
=
46,5 + 35,75 + 30,75 + 121,75
= 61 mm
Untuk perhitungan Hujan wilayah (Hujan rerata DAS) tahun-tahun berikutnya

ditampilkan pada table dibawah ini (dalam bentuk Tabulasi).
Tabel Analisis Hujan Wilayah (Hujan Rerata DAS)

Rerata
(Buiro (Huidu (Buidu (Buiru (mm)
Subo) Tulumotumoro) Balagudu) Konito)
1 2004 58,08 67,01 64,11 59,53 61,0
2 2005 158 111 123 109 120,9
3 2006 101 158 211 189 169,7
4 2007 123 124 227 111 130,6
5 2008 126 111 281 134 148,2
6 2009 222 166 115 211 193,7
7 2010 212 177 148 234 209,6
8 2011 123 179 164 115 132,8
9 2012 114 155 134 125 128,6
10 2013 211 167 111 146 157,5
11 2014 145 190 165 167 165,9
12 2015 111 121 145 187 156,3
13 2016 127 111 134 165 145,1
14 2017 109 154 116 145 135,4
15 2018 231 240 200 187 205,5
WIDYA NOVELIA
16021101040
2019
Dari analisis didapatkan curah hujan wilayah (hujan rerata DAS) selama 15 tahun seperti
ditujukan pada table dibawah ini.
Tabel Hujan Wilayah (Hujan Rerata DAS) Selama 15 Tahun
Hujan Rata-rata
NO Tahun
Maksimum (mm)
1 2004 61,0
2 2005 120,9
3 2006 169,7
4 2007 130,6
5 2008 148,2
6 2009 193,7
7 2010 209,6
8 2011 132,8
9 2012 128,6
10 2013 157,5
11 2014 165,9
12 2015 156,3
13 2016 145,1
14 2017 135,4
15 2018 205,5
WIDYA NOVELIA
16021101040
2019
D. Analisis Hujan Rencana
Analisis hujan rencana adalah analisis untuk mendapatkan besaran curah hujan yang
direncanakan akan terjadi di daerah penelitian. Untuk analisis ini digunakan Analisis
Frekwensi hujan. Dalam analisis hidrologi ada 4 jenis Distribusi Frekwensi yang sering
digunakan yaitu:
1. Distribusi Frekwensi Normal
2. Distribusi Frekwensi Log-Normal
3. Distribusi Frkewnsi Gumbell
4. Distribusi Frekwensi Log-Pearsson Type III.
 Rumus Distribusi Frekwensi
1. Distribusi Nornal
Tipe distribusi normal Distribusi normal disebut juga dengan distribusi Gauss.
Distribusi ini dirumuskan sebagai berikut :
XTR = Xbar + S.K
Keterangan : Xbar : Curah Hujan rata-rata (mm)

S : Standar Deviasi
K : Faktor Frekwensi
2. Distribusi Log-normal
Distribusi log-normal merupakan hasil transformasi dari distribusi normal dengan
merubah variant x menjadi log variant x. Dirumuskan sebagai berikut :
LogXTR = LogXbar + SLog.K

S : Standar Deviasi
K : Faktor Frekwensi
3. Distribusi Gumbell
Tipe distribusi ini umumnya digunakan untuk analisis data maksimum. Dirumuskan
sebagai berikut :
XTR = Xbar + S.KTR
Dimana mencari KTR dirumuskan sebagai berikut :

𝑇𝑟−1
[− 𝑙𝑛{−𝑙𝑛 }]−𝑌𝑛
𝑇𝑟
KTR =
𝑆𝑛
WIDYA NOVELIA
16021101040
2019

XTR : Nilai curah hujan pada periode ulang yang diharapkan.
KTR : Faktor frekwensi Gumbell
S : Standard deviasi
Yn : Reduced Mean, yang tergantung jumlah data
Sn : Reduced Standard Deviation, yang tergantung jumlah data
4. Distribusi Log-Pearson Type III

Distribusi ini merupakan hasil transformasi dari distribusi Pearson tipe III dengan
merubah variant x menjadi nilai log variant x dengan rumus :
LogXTR =LogXbar + Slog . KTR,CS
Keterangan : KTR,CS : Faktor frekwensi Pearson yang dapat dilihat dari table
Pearson dengan memperhitungkan nlai Cs
LogXTR : Curah hujan tergantung pada TR dalam Log
Distribusi Frekwensi apa yang akan digunakan, tergantung dari jenis sebaran data yang
ada.
 Penentuan Jenis Sebaran Data

Jenis sebaran data dapat diperkirakan dari parameter statistiknya. Parameter
parameter statistic tersebut adalah; Cs (Koefisien Skewness), Cv (Koefisien Variasi)
dan Ck (Koefisien Kurtosisi).
 Parameter Statistik
1. Cs (Koefisien Skewness)
Kemencengan (skewness) adalah suatu nilai yang menunjukkan derajat
ketidak simetrisan (asymmetry) dari suatu bentuk distribusi. Apabila suatu
kurva frekuensi dari suatu distribusi mempunyai ekor memanjang kekanan
atau kekiri terhadap titik pusat maksimum maka kurva tersebut tidak akan
berbentuk simetri, keadaan itu disebut menceng kekanan atau kekiri.
Rumus :
𝑛 ∑𝑛
𝑖=1(𝑋𝑖 −𝑋𝑏𝑎𝑟)
3
Cs =
(𝑛−1)(𝑛−2)𝑆 3
Dimana :
Xbar = Curah hujan rata-rata (mm)
Xi = Curah hujan pada tahun pengamatan (mm)
n = Jumlah data
S = Standard deviasi
Cs = Koefisien Skewness
WIDYA NOVELIA
16021101040
2019
Untuk perhitungan dalam nilai log seperti pada analisis data outlier maka
persamaan harus diubah dahulu kedalam bentuk logaritmik, sehingga
menjadi :
Rumus :
𝑛 ∑𝑛
𝑖=1(𝐿𝑜𝑔𝑋𝑖 −𝐿𝑜𝑔𝑋𝑏𝑎𝑟)
3
Cslog =
(𝑛−1)(𝑛−2)𝑆 3
Dimana :
Xbar = Curah hujan rata-rata dalam log (mm)
Xi = Curah hujan pada tahun pengamatan dalam log (mm)
n = Jumlah data
Cs = Koefisien Skewness
2. Ck (Koefisien Kurtosis)
Pengukuran kurtosis dimaksudkan untuk mengukur keruncingan dari bentuk
kurva distribusi, yang umumnya dibandingkan dengan distribusi normal.
Koefisien kurtosis digunakan untuk menentukan keruncingan kurva
distribusi.
Rumus
𝑛 2 ∑𝑛
𝑖=1(𝑋𝑖 −𝑋𝑏𝑎𝑟)
4
Ck =
(𝑛−1)(𝑛−2)(𝑛−3)𝑆 4
Dimana :
Xbar = Curah hujan rata-rata (mm)
Xi = Curah hujan pada tahun pengamatan (mm)
n = Jumlah data
Ck = Koefisien Kurtosis
3. Cv (Koefisien Variasi)
Koefisien variasi (Coefficient Of Variation) adalah nilai perbandingan antara
deviasi standart dengan nilai rata-rata hitung dari suatu distribusi. Semakin
besar nilai variasi berarti datanya kurang merata (heterogen) Semakin kecil
berarti data pengamatan semakin merata (homogen) Koefisien variasi dapat
dihitung dengan rumus berikut :
Rumus:
𝑆
Cv =
𝑋𝑏𝑎𝑟
WIDYA NOVELIA
16021101040
2019
Dimana :
Cv = Koefisien Variasi
Xbar = Curah hujan rata-rata
 Syarat Penentuan Jenis Sebaran Data

Jenis sebaran data bisa dilihat dari parameter statistic data. Parameter statistic
data yang akan dilihat adalah, mean, standar deviasi, koefisien skewness, koefisien
kurtosis, koefisien variasi.
Kriteria pemilihan awal kesesuaian tipe distribusi berdasarkan parameter
statistik. Secara teoritis, langkah awal penentuan tipe distribusi dapat dilihat dari
parameter-parameter statistic data pengamatan. Parameter-parameter yang
dilakukan adalah CS, CV, dan CK.
Kriteria pemilihan untuk tiap tipe distribusi berdasarkan parameter statistic
adalah sebagai berikut ini.
Tabel Syarat Penentuan Jenis Sebaran

Cs ≈ 0
Normal
Ck ≈ 3
Cs ≈ Cv^3+3Cv
Log-normal
Ck = Cv^8+6Cv^6+16Cv^4+16Cv^2+3
Cs ≈ 1,14
Gumbell
Ck ≈ 5,40
Log-Pearson
Jika tidak memenuhi ketiga syarat diatas
Type III
WIDYA NOVELIA
16021101040
2019
Analisis Parameter Statistik Data
Tabel Hujan Rerata Selama 15 Tahun

NO Tahun Hujan Rerata
1 2004 61,0
2 2005 120,9
3 2006 169,7
4 2007 130,6
5 2008 148,2
6 2009 193,7
7 2010 209,6
8 2011 132,8
9 2012 128,6
10 2013 157,5
11 2014 165,9
12 2015 156,3
13 2016 145,1
14 2017 135,4
15 2018 205,5
Berikut ini ditampilkan table hujan rerata DAS selama 15 tahun untuk digunakan dalam
analisis frekwensi hujan.
Setelah itu data diurutkan dari yang paling besar dampai terkecil , seperti ditampilkan
pada table dibawah ini :
Data Setelah Diurutkan

NO Tahun Hujan Rerata
1 2010 209,6
2 2018 205,5
3 2009 193,7
4 2006 169,7
5 2014 165,9
6 2013 157,5
7 2015 156,3
8 2008 148,2
9 2016 145,1
10 2017 135,4
11 2011 132,8
12 2007 130,6
13 2012 128,6
14 2005 120,9
15 2004 61,0
WIDYA NOVELIA
16021101040
2019
Setelah data diurutkan dari yang terbesar hingga yan terkecil selanjutnya menghitung
probabilitas seperti yang ditampilkan table dibawah ini :
Tabel Probabilitas Hujan Rerata DAS

HujanRerata Ln Hujan Rerata Log Hujan
m P = m/(N+1) Tahun (mm) (mm) (mm)
1 0,0625 2010 209,6446105 5,345413766 2,321483702
2 0,1250 2018 205,529349 5,325588841 2,312873847
3 0,1875 2009 193,7139808 5,266382745 2,287160966
4 0,2500 2006 169,6883671 5,13396362 2,229652071
5 0,3125 2014 165,8804696 5,111267466 2,219795256
6 0,3750 2013 157,5133404 5,059510156 2,197317342
7 0,4375 2015 156,3276414 5,05195407 2,194035776
8 0,5000 2008 148,1985059 4,998552631 2,170843825
9 0,5625 2016 145,1462113 4,977741588 2,161805704
10 0,6250 2017 135,4204909 4,908384685 2,131684384
11 0,6875 2011 132,7876201 4,88875101 2,123157587
12 0,7500 2007 130,5933831 4,87208855 2,115921173
13 0,8125 2012 128,5763074 4,85652256 2,109160949
14 0,8750 2005 120,8697972 4,79471391 2,082317794
15 0,9375 2004 60,98496755 4,1106274 1,785222797
Langkah selanjutnya membuat table analisis parameter statistic data, seperti ditampilkan
pada table dibawah ini :
Tabel Analisis Parameter Statistik
NO Tahun Hujan Rerata (x) Data (Seri Y), Y = log x (Y-Ῡ) (Y-Ῡ)^2 (Y-Ῡ)^3 (Y-Ῡ)^4 (X-Xbar) (X-Xbar)^2 (X-Xbar)^3 (X-Xbar)^4
1 2010 209,6 2,321483702 0,15865 0,02517 0,00399 0,00063 58,91961 3471,52016 204540,60603 12051452,25389
2 2018 205,5 2,312873847 0,15004 0,02251 0,00338 0,00051 54,80435 3003,51636 164605,75027 9021110,51904
3 2009 193,7 2,287160966 0,12433 0,01546 0,00192 0,00024 42,98898 1848,05223 79445,87649 3415297,03429
4 2006 169,7 2,229652071 0,06682 0,00447 0,00030 0,00002 18,96336 359,60919 6819,40000 129318,76668
5 2014 165,9 2,219795256 0,05697 0,00325 0,00018 0,00001 15,15547 229,68817 3481,03147 52756,65678
6 2013 157,5 2,197317342 0,03449 0,00119 0,00004 0,00000 6,78834 46,08153 312,81697 2123,50720
7 2015 156,3 2,194035776 0,03121 0,00097 0,00003 0,00000 5,60264 31,38956 175,86436 985,30443
8 2008 148,2 2,170843825 0,00801 0,00006 0,00000 0,00000 -2,52650 6,38319 -16,12710 40,74507
9 2016 145,1 2,161805704 -0,00102 0,00000 0,00000 0,00000 -5,57879 31,12291 -173,62825 968,63582
10 2017 135,4 2,131684384 -0,03114 0,00097 -0,00003 0,00000 -15,30451 234,22808 -3584,74650 54862,79540
11 2011 132,8 2,123157587 -0,03967 0,00157 -0,00006 0,00000 -17,93738 321,74970 -5771,34752 103522,86946
12 2007 130,6 2,115921173 -0,04691 0,00220 -0,00010 0,00000 -20,13162 405,28211 -8158,98532 164253,58942
13 2012 128,6 2,109160949 -0,05367 0,00288 -0,00015 0,00001 -22,14870 490,56471 -10865,36837 240653,73496
14 2005 120,9 2,082317794 -0,08051 0,00648 -0,00052 0,00004 -29,85521 891,33330 -26610,93895 794475,05333
15 2004 61,0 1,785222797 -0,37761 0,14259 -0,05384 0,02033 -89,74004 8053,27393 -722701,08656 64855220,99795
Jumlah 2260,9 32,44243317 0,22978 -0,04487 0,02180 19423,79513 -318500,88299 90887042,46373
Rata-rata 150,7 2,162828878
 Standar Deviasi (S)

Standart deviasi atau simpangan baku adalah suatu nilai pengukuran dispersi terhadap
data yang dikumpulkan. Untuk data yang kurang dari 100 digunakan rumus Fisher dan
Wicks dalam menghitung standart deviasi.
WIDYA NOVELIA
16021101040
2019
𝑛
1
𝑆=√ ∑(𝑋𝑖 − 𝑋̅)2
(𝑛 − 1)
𝑖=1
Keterangan :
X̄ = Curah hujan rata-rata (mm),
Xi = Curah hujan pada tahun pengamatan ke-1 (mm),
S = Standar deviasi,
n = Jumlah data curah hujan.
𝑛 2
1
𝑆𝑙𝑜𝑔 =√ ∑(log 𝑋𝑖 − ̅̅̅̅̅̅̅
log 𝑋)
(𝑛 − 1)
𝑖=1
Keterangan :
Slog = Standar Deviasi (dalam log)
n = Jumlah Data
̅̅̅̅̅̅̅
log 𝑋𝑖 = Nilai Rerata Data (dalam log)
Diketahui jumlah data (n) = 15, maka di dapatkan :
 Standard Deviasi
1
S = √(15−1) (0,22978)
= 37,248005829
1
Slog = √(15−1) (0.19254)
= 0.117273853
 Koefisien Variasi
37,248005829
Cv =
150,7
= 0,247125594
 Koefisien Skewness
15 𝑥 (−318500,88299)
Cs =
(15−1)(15−2)(37,248005829)3
= -0,507950547
15 𝑥 (−0,04487)
Cslog =
(15−1)(15−2)(37,248005829)3
= -0,000000072
WIDYA NOVELIA
16021101040
2019
 Koefisien Kurtosis
152 𝑥 (90887042,46373)
Ck =
(15−1)(15−2)(15−3)(37,248005829)4
= 4,864293250
Untuk lebih detailnya ditampilkan pada table parameter statistic data dibawah ini :
Tabel Parameter Statistik Data

S Cv CS Ck
37,248005829 0,247125594 -0,507950547 4,864293250
Hasil Analisis Statistik data

Dari hasil analisis statistic data, didapatkan seperti pada tabel berikut.
Jenis Parameter Statistik
Syarat Parameter Statistik Kesimpulan
sebaran Data
Cs ≈ 0 Cs = -0,507950547 Tidak
Normal
Ck ≈ 3 Ck = 4,864293250 Diterima
Cs ≈ Cv^3+3Cv = 0,756469003 Cs = -0,507950547
Log- Tidak
normal Ck = Cv^8+6Cv^6+16Cv^4+16Cv^2+3 Diterima
Ck = 4,864293250
= 4,038192296
Cs ≈ 1,14 Cs = -0,507950547 Tidak
Gumbell
Ck ≈ 5,40 Ck = 4,864293250 Diterima
Log-
Ketiga syarat diatas
Pearson Jika tidak memenuhi ketiga syarat diatas Diterima
tidak memenuhi
Type III
Kesimpulan
Dari hasil analisis didapatkan, jenis sebaran data mengikuti sebaran Log-Pearson Type III
Menghitung hujan rencana

Untuk menganalisis hujan rencana, menggunakan sebaran Log-Pearson Type III, langkah
selanjutnya menghitung hujan rencana kala ulang 50 dan 100 tahun.
Rumus Log-Pearson Type III :

LogXTR =LogXbar + Slog . KTR,CS
Dimana diketahui :
LogXbar = 2,162828878
Slog = 0,128111333
WIDYA NOVELIA
16021101040
2019
Untuk nilai KTR,CS dilihat pada table faktor frekuensi Pearson
Telah diketahui nilai Cs adalah -0,507950547, maka untuk mendapatkan nilai KTR dilakukan
interpolasi
Cs 50 Tahun 100 Tahun
-0,5 1,777 1,955
-0,50795 1,772 1,949
-0,6 1,720 1,880
Untuk mendapatkan kala ulang 25 tahun menggunakan rumus perhitungan interpolasi.

(−0,50795 − (−0,5)) × (1,720 − 1,777)
𝐾50 = 1,777 +
(−0,6 − (−0,5))
Jadi, didapatkan kala ulang 50 tahun = 1,772
(−0,50795 − (−0,5)) × (1,880 − 1,955)

𝐾100 = 1,955 +
(−0,6 − (−0,5))
Jadi, didapatkan kala ulang 100 tahun = 1,949
WIDYA NOVELIA
16021101040
2019
Setelah mendapatkan nilai KT maka langkah selanjutnya adalah menghitung hujan rencana
untuk masing-masing kala ulang
Sehingga didapat Log XTR untuk kala ulang 50 tahun

Log X50 = 2,162828878+( 0,128111333 x 1,772)
= 2,38990214
X50 = 102,38990214
= 245,4155854 mm
Jadi nilai curah hujan pada periode kala ulang 50 tahun adalah 245,4155854 mm
Sehingga didapat Log XTR untuk kala ulang 100 tahun

Log X100 = 2,162828878+( 0,128111333 x 1,949)
= 2,412522617
X100 = 102,412522617
= 258,5369475 mm
Jadi nilai curah hujan pada periode kala ulang 100 tahun adalah 258,5369475 mm
Setelah mendapatkan nilai KT maka langkah selanjutnya adalah menghitung hujan rencana
untuk masing-masing kala ulang.
Kesimpulan
Dari hasil analisis hujan rencana didapatkan besaran hujan rencana seperti ditunjukkan pada
tabel berikut.
Tabel Hujan Rencana dengan Berbagai Kala Ulang
Kala Ulang (Tahun) Hujan Rencana (mm)
50 245,4155854
100 258,5369475
WIDYA NOVELIA
16021101040
2019
E. Analisis Debit Banjir
Debit banjir rencana adalah debit sungai terbesar yang direncanakan mungkin terjadi
pada sungai yang bersangkutan. Jika tersedia data debit yang cukup panjang, maka debit
banjir rencana dapat didapatkan dengan cara analisis frekwensi data debit. Jika tidak
terdapat data debit yang cukup, maka debit banjir rencana dapat diturunkan dari data hujan
dengan metode pengalihragaman hujan menjadi aliran, dengan anggapan bahwa kala ulang
hujan, sama dengan kala ulang banjir.
Pada sungai Ongkako Biyou tidak tersedia data debit, sehingga debit banjir rencana,
diturunkan dari data hujan. Ada banyak metode untuk mengalihragamkan hujan menjadi
aliran. Salah satu metode yang sering digunakan adalah metode hidrograf satuan sintetik
SCS. DAS sungai Ongkako Biyou di titik A dengan luas DAS sebesar 234,25 km2, dan
mempunyai waktu konsentrasi (Tc) lebih dari 1 jam, termasuk DAS sedang. Metode yang
sering digunakan untuk mengalihragamkan hujan menjadi aliran untuk DAS sedang dan
besar jika tidak terdapat data debit adalah metode hidrograf satuan sintetik SCS. Dari uraian
di atas, untuk menganalisis debit banjir Rencana DAS Ongkako Biyou di titik A, sangat
cocok menggunakan metode Hidrograf Satuan Sintetik SCS.
A. Hidrograf Satuan Sintetik SCS

Hidrograf didefinisikan sebagai hubungan antara salah satu unsur aliran terhadap
waktu, hidrograf muka air dan hidrograf debit aliran. Praktis yang umumnya disebut
sebagai hidrograf adalah hidrograf debit aliran.
Hidrograf satuan adalah hidrograf limpasan langsung yang dihasilkan oleh hujan
efektif yang terjadi merata diseluruh DAS dengan intensitas sama selama satuan waktu
tertentu (hujan satuan = 1 cm).
Hidrograf satuan digunakan untuk memperkirakan hubungan antara hujan efektif dan
aliran permukaan.
1. PARAMETER-PARAMETER SCS
Langkah pertama mencari kemiringan (S) :
 Selisih elevasi = Elevasi maksimum - Elevasi minimum
= 1182-404
= 778 m
 Panjang sungai ( Skala 1:50.000)

1 cm di peta = 0,5 km di lapangan
= 45 x 0,5 = 22,5 km = 22500 m

Selisih elevasi
 Kemiringan (S) = Panjang sungai
778
= 225000
= 0,0346 m/m
WIDYA NOVELIA
16021101040
2019
Kemudian menghitungan parameter-parameter SCS
Lag Time (tl)

Lag Time (tl) adalah waktu dari pusat masa hujan sampai debit puncak banjir
(jam)
Untuk menghitung Tl terdapat 2 rumus yang dapat digunakan tergantung luas
DAS
𝑳𝟎,𝟖 (𝟐𝟓𝟒𝟎−𝟐𝟐,𝟖𝟔𝑪𝑵)𝟎,𝟕
𝑻𝒍 = = untuk Luas DAS < 16 km2
𝟏𝟒,𝟏𝟎𝟒𝑪𝑵𝟎,𝟕 𝒙 𝑺𝟎,𝟓
𝑻𝒍 = 𝟎, 𝟔𝑻𝒄 = untuk Luas DAS ≥ 16 km2
Diketahui Luas DAS 234,25 km2

Karena Luas DAS ≥ 16 km2 maka menggunakan rumus
𝑻𝒍 = 𝟎, 𝟔𝑻𝒄
Terlebih dahulu mencari nilai Tc menggunakan

Rumus Hathaway
𝟎,𝟔𝟎𝟔(𝑳.𝒏)𝟎,𝟒𝟔𝟕
𝑻𝒄 =
𝑺𝟎,𝟐𝟑𝟒
Ket :
Tc = Waktu konsentrasi (jam)
L = Panjang sungai (km)
S = Kemiringan lahan antara elevasi maksimum dan minimum (m/m)
n = Koefisien kekasaran lahan
Nilai n digunakan 0,8 dalam DAS dominan hutan, dan langsung masukkan
kedalam rumus, dan hasilnya seperti dibawah ini
0,606(22,5×0,8)0,467
Tc =
0,03460,234
Tc = 5,1358 jam
WIDYA NOVELIA
16021101040
2019
Setelah mendapatkan nilai Tc kemudian masukkan kedalam rumus mencari nilai

Tl
𝑻𝒍 = 𝟎, 𝟔𝑻𝒄
Tl = 0,6 x 5,1358
Tl = 3,0815 jam
Waktu Naik (Tp)

Adalah waktu dari awal hujan smapai puncak banjir (jam)
Untuk mencari nilai Tp dapat digunakan rumus seperti dibawah ini
𝑻𝒓
𝑻𝒑 = + 𝑻𝒍
𝟐
Untuk Tr diketahui selama 8 jam dan Tl telah diketahui nilainya dari perhitungan
sebelumnya, maka langsung masukkan kedalam rumus
8
𝑇𝑝 = + 3,0815
2
Tp = 7,0815 jam
Debit Puncak (Qp)

Adalah waktu dasar hidrograf satuan tidak berdimensi (jam)
Untuk mencari nilai Qp dapat digunakan rumus seperti dibawah ini
𝟐,𝟎𝟖 𝒙 𝑨
𝑸𝒑 =
𝑻𝒑
Diketahui untuk luas DAS sebesar 234,25 km2 dan Tp telah diketahui dari
perhitungan sebelumnya , setelah itu langsung masukkan nilai A dan Tp kedalam
rumus
2,08 𝑥 234,25
𝑄𝑝 =
7,0815
Qp = 68,8049 m³/det
Time Base (Tb)

Untuk mencari nilai Tb terdapat 2 rumus yang dapat digunakan tergantung luas
DAS
𝟖
𝑻𝒃 = + 𝑻𝒑 = untuk A < 2km2
𝟑
𝒔
𝑻𝒃 = 𝟓 𝟐𝟎 𝑻𝒑
𝒅
WIDYA NOVELIA
16021101040
2019
Karena luas DAS lebih dari 2 km2 maka digunakan rumus

𝒔
𝑻𝒃 = 𝟓 𝟐𝟎 𝑻𝒑
𝒅
Nilai Tp telah diketahui dari perhitungan sebelumnya maka langsung

dimasukkan kedalam rumus
𝑇𝑏 = 5 𝑥 7,0815
Tb = 35,4073 jam
Dari perhitungan didapatkan nilai-nilai parameter HSS-SCS seperti tabel

dibawah ini
Tp Qp
Tl (Jam) Tb (Jam)
(Jam) (m3/det)
3,0815 7,0815 68,8049 35,4073
Setelah Tp dan Qp sudah diketahui, maka selanjutnya yang dihitung adalah nilai
t dan Qt (dengan menggunakan tabel).
t/Tp Qt/Qp t Qt
0 0 0 0
0,1 0,015 0,70814677 1,03207419
0,2 0,075 1,41629354 5,16037093
0,3 0,16 2,12444031 11,0087913
0,4 0,28 2,83258707 19,2653848
0,5 0,43 3,54073384 29,5861267
0,6 0,6 4,24888061 41,2829674
0,7 0,77 4,95702738 52,9798082
0,8 0,89 5,66517415 61,2364017
0,9 0,97 6,37332092 66,7407974
1 1 7,08146769 68,8049457
1,1 0,98 7,78961446 67,4288468
1,2 0,92 8,49776122 63,3005501
1,3 0,84 9,20590799 57,7961544
1,4 0,75 9,91405476 51,6037093
1,5 0,66 10,6222015 45,4112642
1,6 0,56 11,3303483 38,5307696
1,8 0,42 12,7466418 28,8980772
2 0,32 14,1629354 22,0175826
2,2 0,24 15,5792289 16,513187
2,4 0,18 16,9955224 12,3848902
WIDYA NOVELIA
16021101040
2019
2,6 0,13 18,411816 8,94464295

2,8 0,098 19,8281095 6,74288468
3 0,075 21,2444031 5,16037093
3,5 0,036 24,7851369 2,47697805
4 0,018 28,3258707 1,23848902
4,5 0,009 31,8666046 0,61924451
5 0,004 35,4073384 0,27521978
Hidrograf yang terjadi akibat hujan 1 satuan (1 cm) di DAS
Hidrograf Satuan Sintesis

80
70
60
Debit (m3/det)
50
40
30
20
10
0
0 5 10 15 20 25 30 35 40
Waktu (Jam)
WIDYA NOVELIA
16021101040
2019
HUJAN EFEKTIF
Hujan efektif (effective rainfall) atau hujan lebihan (excess rainfall) adalah bagian dari hujan
yang menjadi aliran langsung disungai.
Hujan efektif = hujan total yang jatuh dipermukaan tanah dikurangi kehilangan air.
Langkah pertama ubahlah hujan rencana harian menjadi hujan rencana jam-jaman dengan
pola distribusi hujandaerah, karena pada data sebelumnya adalah data rencana hujan harian.
a. Hujan rencana kala ulang 50 tahun (R50)
R(50) = 245,416 mm
Pola Distribusi Hujan Daerah Manado

Jam ke - 1 2 3 4 5 6 7 8
% Hujan 51 25 9 5 4 3 2 1
Karena tabel diatas masih berupa distribusi hujan harian (%), maka diubah terlebih dahulu
menjadi hujan rencana jam-jaman (mm).
Untuk mendapatkan hasil hujan rencana jam-jaman (mm), maka menggunakan cara sebagai
berikut :
Contoh :
51
𝐻𝑢𝑗𝑎𝑛 = × 245,416 𝑚𝑚
100
𝐻𝑢𝑗𝑎𝑛 = 125,162 𝑚𝑚
Jam
1 2 3 4 5 6 7 8
ke-
Hujan
125,162 61,3539 22,0874 12,2708 9,81662 7,36247 4,90831 2,45416
(mm)
b. Hujan rencana kala ulang 100 tahun (R100)

R(100) = 258,537 mm
Pola Distribusi Hujan Daerah Manado

Jam ke - 1 2 3 4 5 6 7 8
% Hujan 51 25 9 5 4 3 2 1
Karena tabel diatas masih berupa distribusi hujan harian (%), maka diubah terlebih dahulu
menjadi hujan rencana jam-jaman (mm).
WIDYA NOVELIA
16021101040
2019
Untuk mendapatkan hasil hujan rencana jam-jaman (mm), maka menggunakan cara sebagai
berikut :
Contoh :
51
𝐻𝑢𝑗𝑎𝑛 = × 258,537 𝑚𝑚
100
𝐻𝑢𝑗𝑎𝑛 = 131,854 𝑚𝑚
Jam
1 2 3 4 5 6 7 8
ke-
Hujan
131,854 64,6342 23,2683 12,9268 10,3415 7,75611 5,17074 2,58537
(mm)
Selanjutnya menghitung nilai potensial retensi maksimum (S)

1000
𝑆 = (( ) − 10) 𝑥 (25,4)
𝐶𝑁
Nilai CN yang dipakai adalah 74, selanjutnya masukkan dala rumus
WIDYA NOVELIA
16021101040
2019
1000
𝑆 = (( ) − 10) 𝑥 (25,4)
74
S = 89,2432
Kemudian menghitung hujan efektif menggunakan rumus seperti dibawah ini
Sehingga dapat dihitung hujan efektif selama 8 jam seperti dibawah ini
a. Kala ulang 50 tahun
Jam ke- 1 2 3 4 5 6 7 8
Hujan
125,161949 61,3539 22,0874 12,2708 9,81662 7,36247 4,90831 2,45416
(mm)
Dengan hujan rencana atau nilai P yang telah didapatkan, maka kita dapat menghitung
hujan efektif (mm) dengan rumus :
Maka hasil hujan efektif sebagai berikut :

P Efektif jam ke - (mm)
1 2 3 4 5 6 7 8
58,5894733 14,2578 0,1922 0,37187 0,79439 1,39619 2,19457 3,20913
Karena dalam hidrograf terjadi hujan 1 satuan (1 cm) di DAS, maka ubah kedalam satuan
cm
P Efektif jam ke - (cm)

1 2 3 4 5 6 7 8
5,85894733 1,42578 0,01922 0,03719 0,07944 0,13962 0,21946 0,32091
WIDYA NOVELIA
16021101040
2019
b. Kala ulang 100 tahun
Hujan Rencana Jam-jaman

Jam ke- 1 2 3 4 5 6 7 8
Hujan
131,854 64,6342 23,2683 12,9268 10,3415 7,75611 5,17074 2,58537
(mm)
Dengan hujan rencana atau nilai P yang telah didapatkan, maka kita dapat menghitung
hujan efektif (mm) dengan rumus :
Maka hasil hujan efektif sebagai berikut :

P Efektif jam ke - (mm)
1 2 3 4 5 6 7 8
63,9473 16,0914 0,31029 0,28728 0,68951 1,2869 2,09925 3,14906
Karena dalam hidrograf terjadi hujan 1 satuan (1 cm) di DAS, maka ubah kedalam satuan
cm
P Efektif jam ke - (cm)

1 2 3 4 5 6 7 8
6,39473 1,60914 0,03103 0,02873 0,06895 0,12869 0,20992 0,31491
WIDYA NOVELIA
16021101040
2019
Analisa Banjir Akibat Hujan 8 jam

Base Flow diketahui = 5 m3/det
Hujan Efektif (cm) Base Debit

No t (jam) HSS
5,85895 1,42578 0,01922 0,03719 0,07944 0,13962 0,21946 0,32091 Flow (m3/det) Total (m3/det)
1 0 0 0 0 0 0 0 0 0 0 5 5
2 0,7081468 1,03207 6,04687 0 0 0 0 0 0 0 5 11,0468683
3 1,4162935 5,16037 30,2343 1,47151 0 0 0 0 0 0 5 36,70585622
4 2,1244403 11,0088 64,4999 7,35757 0 0 0 0 0 0 5 76,85750217
5 2,8325871 19,2654 112,875 15,6962 0,01984 0 0 0 0 0 5 133,5908683
6 3,5407338 29,5861 173,344 27,4683 0,09918 0 0 0 0 0 5 205,9110141
7 4,2488806 41,283 241,875 42,1834 0,21159 0,03838 0 0 0 0 5 289,3081205
8 4,9570274 52,9798 310,406 58,8606 0,37028 0,1919 0,08199 0 0 0 5 374,9106573
9 5,6651741 61,2364 358,781 75,5378 0,56864 0,40938 0,40994 0,1441 0 0 5 440,8506636
10 6,3733209 66,7408 391,031 87,3099 0,79345 0,71642 0,87453 0,72049 0 0 5 486,4455768
11 7,0814677 68,8049 403,125 95,158 1,01826 1,10022 1,53042 1,53704 0,2265 0 5 508,6949441
12 7,7896145 67,4288 395,062 98,101 1,17695 1,53519 2,35029 2,68982 1,13248 0,33121 5 507,378983
13 8,4977612 63,3006 370,875 96,139 1,28274 1,97016 3,27948 4,13079 2,41596 1,65603 5 486,7487173
14 9,205908 57,7962 338,625 90,2529 1,32242 2,2772 4,20867 5,7639 4,22793 3,53287 5 455,2104997
15 9,9140548 51,6037 302,343 82,4048 1,29597 2,48189 4,86456 7,397 6,49289 6,18252 5 418,4630671
16 10,622202 45,4113 266,062 73,5757 1,21662 2,55865 5,30183 8,54978 9,05985 9,49458 5 380,8192466
17 11,330348 38,5308 225,75 64,7466 1,11083 2,50748 5,4658 9,3183 11,6268 13,2483 5 338,7738584
18 12,746642 28,8981 169,312 54,9365 0,99181 2,35396 5,35648 9,60649 13,4388 17,0019 5 277,9983061
19 14,162935 22,0176 129 41,2024 0,87279 2,14926 5,02854 9,41436 14,6468 19,6516 5 226,9655561
20 15,579229 16,5132 96,7499 31,3923 0,74055 1,91899 4,59127 8,83797 15,0997 21,418 5 185,748746
21 16,995522 12,3849 72,5624 23,5442 0,55541 1,68871 4,09935 8,06945 14,7978 22,0804 5 152,3977537
22 18,411816 8,94464 52,4062 17,6582 0,42317 1,43284 3,60743 7,20487 13,8918 21,6388 5 123,263261
23 19,82811 6,74288 39,5062 12,7531 0,31738 1,07463 3,06085 6,34029 12,6838 20,314 5 101,0502528
24 21,244403 5,16037 30,2343 9,6139 0,23803 0,81877 2,29564 5,37964 11,3248 18,5476 5 83,45267474
25 24,785137 2,47698 14,5125 7,35757 0,17191 0,61408 1,74906 4,03473 9,96583 16,5603 5 59,9659779
26 28,325871 1,23849 7,25624 3,53164 0,1296 0,46056 1,31179 3,07408 8,45586 14,5731 5 43,79283563
27 31,866605 0,61924 3,62812 1,76582 0,09918 0,33262 0,98384 2,30556 6,34189 12,365 5 32,82207489
28 35,407338 0,27522 1,6125 0,88291 0,04761 0,25075 0,71055 1,72917 4,83192 9,27378 5 24,33917938
0 0,3924 0,0238 0,1919 0,53565 1,24884 3,62394 7,06573 5 18,08227192
0 0,0119 0,09211 0,40994 0,94144 2,71795 5,2993 5 14,47263944
0,00529 0,04606 0,19677 0,72049 1,96297 3,97448 5 11,90604364
0 0,02303 0,09838 0,34583 1,47978 2,87045 5 9,817475674
0,01023 0,04919 0,17292 1,13248 2,16388 5 8,52870577
0 0,02186 0,08646 0,54359 1,65603 5 7,307943911
0 0,03843 0,2718 0,7949 5 6,105116483
0 0,1359 0,39745 5 5,533345256
0,0604 0,19872 5 5,259122753
0 0,08832 5 5,088321669
0 5 5
WIDYA NOVELIA
16021101040
2019
Debit banjir rencana (Q50) adalah debit puncak yang terjadi = 508,695 m3/det
WIDYA NOVELIA
16021101040
2019
Analisa Banjir Akibat Hujan 8 jam

Base Flow diketahui = 5 m3/det
Hujan Efektif (cm) Base Debit

No t (jam) HSS
6,39473 1,60914 0,03103 0,02873 0,06895 0,1287 0,20992 0,31491 Flow (m3/det) Total (m3/det)
1 0 0 0 0 0 0 0 0 0 0 5 5
2 0,70814677 1,03207 6,59983 0 0 0 0 0 0 0 5 11,59983351
3 1,41629354 5,16037 32,9992 1,66075 0 0 0 0 0 0 5 39,65991706
4 2,12444031 11,0088 70,3982 8,30375 0 0 0 0 0 0 5 83,7019717
5 2,83258707 19,2654 123,197 17,7147 0,03202 0 0 0 0 0 5 145,9435779
6 3,54073384 29,5861 189,195 31,0007 0,16012 0 0 0 0 0 5 225,3560058
7 4,24888061 41,283 263,993 47,6082 0,34159 0,02965 0 0 0 0 5 316,9727341
8 4,95702738 52,9798 338,791 66,43 0,59778 0,14825 0,07116 0 0 0 5 411,0386297
9 5,66517415 61,2364 391,59 85,2518 0,91803 0,31626 0,35581 0,1328 0 0 5 483,5648497
10 6,37332092 66,7408 426,789 98,5378 1,28097 0,55346 0,75906 0,6641 0 0 5 533,5846214
11 7,08146769 68,8049 439,989 107,395 1,64391 0,84996 1,32836 1,4167 0,21666 0 5 557,8396487
12 7,78961446 67,4288 431,189 110,717 1,9001 1,18599 2,03998 2,4793 1,08329 0,32501 5 555,919398
13 8,49776122 63,3006 404,79 108,502 2,0709 1,52202 2,84649 3,8075 2,31102 1,62503 5 532,4749976
14 9,20590799 57,7962 369,591 101,859 2,13494 1,75922 3,653 5,3127 4,04428 3,46674 5 496,8208773
15 9,91405476 51,6037 329,992 93,002 2,09225 1,91735 4,22229 6,818 6,21085 6,06679 5 455,3211793
16 10,6222015 45,4113 290,393 83,0375 1,96415 1,97665 4,60183 7,8805 8,66631 9,31686 5 412,8364823
17 11,3303483 38,5308 246,394 73,073 1,79335 1,93712 4,74415 8,5889 11,1218 13,0003 5 365,6523183
18 12,7466418 28,8981 184,795 62,0013 1,60121 1,81852 4,64927 8,8545 12,855 16,6837 5 298,2588899
19 14,1629354 22,0176 140,796 46,501 1,40906 1,66039 4,36462 8,6774 14,0105 19,2837 5 241,7032164
20 15,5792289 16,5132 105,597 35,4293 1,19557 1,48249 3,98509 8,1462 14,4438 21,0171 5 196,2969288
21 16,9955224 12,3849 79,198 26,572 0,89668 1,30459 3,55811 7,4378 14,155 21,6671 5 159,7892736
22 18,411816 8,94464 57,1986 19,929 0,68318 1,10692 3,13114 6,6409 13,2883 21,2338 5 128,211816
23 19,8281095 6,74288 43,1189 14,3932 0,51239 0,83019 2,65672 5,844 12,1328 19,9338 5 104,4219547
24 21,2444031 5,16037 32,9992 10,8502 0,38429 0,63253 1,99254 4,9585 10,8329 18,2004 5 85,85056546
25 24,7851369 2,47698 15,8396 8,30375 0,27754 0,4744 1,51813 3,7189 9,53294 16,2503 5 60,91559931
26 28,3258707 1,23849 7,9198 3,9858 0,20922 0,3558 1,1386 2,8335 8,08855 14,3003 5 43,83152197
27 31,8666046 0,61924 3,9599 1,9929 0,16012 0,25696 0,85395 2,1251 6,06641 12,1336 5 32,54892383
28 35,4073384 0,27522 1,75996 0,99645 0,07686 0,19371 0,61674 1,5938 4,62203 9,10019 5 23,95975271
0 0,44287 0,03843 0,14825 0,46493 1,1511 3,46652 6,93348 5 17,64556256
0 0,01921 0,07116 0,35581 0,8677 2,59989 5,20011 5 14,1139311
0,00854 0,03558 0,17079 0,6641 1,8777 3,90008 5 11,65678091
0 0,01779 0,08539 0,3188 1,4155 2,81673 5 9,654170507
0,00791 0,0427 0,1594 1,08329 2,12338 5 8,416651908
0 0,01898 0,0797 0,51998 1,62503 5 7,243679995
0 0,0354 0,25999 0,78002 5 6,075423744
0 0,12999 0,39001 5 5,520002798
0,05778 0,195 5 5,252779477
0 0,08667 5 5,08666849
0 5 5
WIDYA NOVELIA
16021101040
2019
Debit banjir rencana (Q100) adalah debit puncak yang terjadi = 557,840 m3/det
Dari analisis dengan menggunakan Hidrograf Satuan Sintetik SCS, didapatkan debit rencana
deengan berbagai kala ulang, seperti pada table berikut :
Tabel Debit Rencana

Kala Ulang Debit
(Tahun) (m3/det)
50 508,695
100 557,840
WIDYA NOVELIA
16021101040

Laporan Pba (Fixx Skali)

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Laporan Pba (Fixx Skali)

Uploaded by

Copyright:

Available Formats

UNIVERSITAS SAM RATULANGI

FAKULTAS TEKNIK SIPIL

ANALISIS DEBIT BANJIR RENCANA DAS SUNGAI ONGKAKO BIYOU DI

A. Analisis Daerah Aliran Sungai (DAS)

 Cara Menentukan Batas DAS

 Cara Menghitung Luas DAS

Perhitungan Luas DAS sungai Buiro Subo di titik A

 Luas DAS = Jumlah kotak keseluruhan x Luas 1 kotak millimeter block 1 cm

B. Analisis curah hujan

Tabel Data Hujan Harian Maksimum

1. Uji Kualitas Data

 Uji Data Outlier

 Syarat Pengujian Data Outlier

Setelah uji outlier tinggi, selanjutnya uji outlier rendah.

 CSlog < -0,4

Setelah uji outlier rendah, selanjutnya uji outlier tinggi

 -0,4 < CSlog < +0,4

Batas tertinggi : 𝒍𝒐𝒈 𝑿𝒉 = ̅̅̅̅̅̅̅̅

Uji Outlier Stasiun Hujan Buiro Subo

NO Tahun Data Hujan Harian Maksimum (mm)

Tabel Analisis Parameter Statistik (Stasiun Buiro Subo)

Hasil perhitungan didapat :

Log Xl = 2,132595416 - (2,246730305 x 0,164044412)

Data yang <Xl diganti dengan Xl

Log Xh = 2,134173361+ (2,246730305 x 0,160067664)

Data yang >Xl diganti dengan Xl

NO Tahun Stasiun Buiro Subo

Uji Outlier Stasiun Hujan Huidu Tulumotumoro

Data Hujan Harian Maksimum

Tabel Analisis Parameter Statistik (Stasiun Huidu Tulumotumoro)

Hasil perhitungan didapat :

Log Xl = 2,167036239 - (2,246730305 x 0,15172511)

Data yang <Xl diganti dengan Xl

Tabel Analisis Parameter Statistik (Stasiun Huidu Tulumotumoro) Data Terkoreksi

15 2018 240 2,380211242 0,2257144 0,0509470 0,0114995

Log Xh = 2,154496802 + (2,246730305 x 0,13377025)

Data yang >Xh diganti dengan Xh

11 2014 190 11 2014 190

Stasiun Huidu Tulumotumoro

Uji Outlier Stasiun Hujan Buido Balagudu Hujan Buido Balagudu

Data Hujan Harian Maksimum

Tabel Analisis Parameter Statistik (Stasiun Buido Balagudu)

Hasil perhitungan didapat :

Log Xl = 2,141768006 - (2,246730305 x 0,149026669)

Data yang <Xl diganti dengan Xl

Tabel Analisis Parameter Statistik (Stasiun Buido Balagudu) Data

15 2018 200 2,301029996 0,1333273 0,0177762 0,0023700

Log Xh = 2,167702728 + (2,246730305 x 0,155391267)

Data yang >Xh diganti dengan Xh

12 2015 145 12 2015 145

Stasiun Buido Balagudu

Uji Outlier Stasiun Hujan Buido Balagudu Hujan Buiro Konito

Data Hujan Harian Maksimum

Tabel Analisis Parameter Statistik (Stasiun Buiro Konito)

Hasil perhitungan didapat :

Log Xl = 2,12807067- (2,246730305 x 0,157270960)

Data yang <Xl diganti dengan Xl

Tabel Analisis Parameter Statistik (Stasiun Buiro Kunito) Data Terkoreksi

Stasiun Buiro Data (Seri Y) ̅)2 ̅)3

15 2018 187 2,271841607 0,110391475 0,012186278 0,001345261

Log Xh = 2,161450131 + (2,246730305 x0,148348663)

Data yang >Xh diganti dengan Xh

13 2016 165 13 2016 165