Teorema: Teori dan Riset Matematika, 7(1), 213–224, Maret 2022

p-ISSN 2541-0660, e-ISSN 2597-7237 © 2022

https://jurnal.unigal.ac.id/index.php/teorema/article/view/7137

IMPLEMENTASI DISTRIBUSI PELUANG GUMBEL UNTUK ANALISIS

DATA CURAH HUJAN RENCANA

Dadang Ruhiat
Universitas Bale Bandung, Jl.R.A.A. Wiranatakusumah No. 7, Baleendah, Bandung, Indonesia
email : [email protected]

ABSTRACT
The continuous probability distribution is the probability distribution for a continuous scale variable, where it is defined that
the sample space has an infinite number of sample points and as many points as there are points on a line. Rainfall data
is one example of continuous random variable data. In this study, the continuous probability distribution is used to analyze
the planned rainfall data based on regional rainfall data from 3 (three) rain gauge stations, namely Bayongbong rain station,
Cikajang rain station, and Cipasang rain station in the Cimanuk Watershed (DAS), which is administratively located in
Garut Regency. Planned rainfall data is an estimate of rainfall that will occur in a watershed in a certain time period. Several
types of continuous probability distribution methods used in this study are Gumbel probability distribution, Log Normal 2
parameters and Log Pearson type III. The results of the calculations of the three methods are compared to determine the
level of suitability of the method in calculating the planned rainfall based on the criteria for the magnitude of the deviation
value and the mean absolute percentage error (MAPE). Based on the results of the analysis, it is known that the Gumbel
method has the smallest deviation value and MAPE value, thus the Gumbel method is the most suitable method for
calculating planned rainfall because it is closest to the actual rainfall data.

Keywords: Continuous probability distribution, gumbel, log normal 2 parameter, log pearson type iii

ABSTRAK
Distribusi peluang kontinu adalah distribusi peluang untuk variabel berskala kontinu, di mana didefinisikan ruang sampel
memiliki titik sampel yang tak berhingga banyaknya dan sama banyaknya dengan banyak titik pada sepotong garis. Data
curah hujan merupakan salah satu contoh data peubah acak kontinu. Pada penelitian ini distribusi peluang kontinu
digunakan untuk menganalisis data curah hujan rencana berdasarkan data curah hujan wilayah dari 3 (tiga) stasiun
penakar hujan, yaitu stasiun hujan Bayongbong, stasiun hujan Cikajang, dan stasiun hujan Cipasang di daerah aliran
sungai (DAS) Cimanuk yang secara administratif berada di wilayah Kabupaten Garut. Data curah hujan rencana
merupakan estimasi curah hujan yang akan terjadi di suatu DAS pada periode waktu tertentu. Beberapa jenis metode
berbasis distribusi peluang kontinu yang digunakan pada penelitian ini adalah distribusi peluang Gumbel, Log Normal 2
parameter dan Log Pearson type III. Hasil penghitungan ketiga metode tersebut dibandingkan untuk diketahui tingkat
kecocokan metode dalam menghitung curah hujan rencana dengan mengacu pada kriteria besar nilai simpangan dan nilai
mean absolute percentage error (MAPE). Berdasarkan hasil analisis diketahui metode Gumbel memiliki nilai simpangan
dan nilai MAPE terkecil, dengan demikian metode Gumbel merupakan metode yang paling cocok untuk menghitung curah
hujan rencana karena paling mendekati data curah hujan aktual.

Kata kunci: Distribusi peluang kontinu, gumbel, log normal 2 parameter, log pearson type iii,

Dikirim: 31 Januari 2022; Diterima: 03 Maret 2022; Dipublikasikan: 30 Maret 2022

Cara sitasi: Ruhiat, D. (2022). Implementasi distribusi peluang gumbel untuk analisis data curah hujan rencana. Teorema:
Teori dan Riset Matematika, 7(1), 213-224. DOI: http://dx.doi.org/10.25157/teorema.v7i1.7137
• 214 Teorema: Teori dan Riset Matematika, 7(1), 213–224, Maret 2022

PENDAHULUAN
Distribusi peluang berdasarkan karakteristik peubah acaknya dapat dibedakan menjadi dua
jenis, yakni distribusi peluang diskrit dan distribusi peluang kontinu. Kedua jenis distribusi peluang
tersebut memiliki perbedaan yang dapat diidentifikasi dari pola sebaran datanya, data diskrit mengacu
pada jenis data perhitungan (kuantitif) di mana ini hanya berisi nilai-nilai terbatas yang dapat dihitung
dengan bilangan bulat dan tidak dapat dipecah menjadi pecahan atau desimal, seperti jumlah
mahasiswa di universitas, jumlah kendaraan yang ada di parkiran, jumlah laki-laki dan perempuan dan
sebagainya. Sedangkan data kontinu merupakan data hasil pengukuran dalam kisaran nilai yang
terbatas dan tidak terbatas. Secara statistik, rentang mengacu pada perbedaan antara pengamatan
tertinggi dan terendah. Contohnya seperti data pengamatan mengenai usia, tinggi badan, berat badan,
suhu, waktu dan curah hujan. Berbagai macam data dapat dianalisis, baik menggunakan distribusi
peluang diskrit ataupun distribusi peluang kontinu (Walpole & Myers,1989).
Definisi curah hujan atau yang sering disebut presipitasi adalah jumlah air hujan yang turun
di daerah tertentu dalam satuan atau periode waktu tertentu (harian, mingguan, bulanan, atau
tahunan) yang diukur dengan satuan tinggi milimiter (mm) di atas permukaan horizontal. Hujan juga
dapat diartikan sebagai ketinggian air hujan yang terkumpul dalam tempat yang datar, tidak menguap,
tidak meresap, dan tidak mengalir (Suroso, 2006). Sedangkan curah hujan rencana merupakan
estimasi curah hujan yang akan terjadi di suatu DAS pada periode waktu tertentu.
Untuk analisis curah hujan rencana diperlukan data curah hujan yang dikumpulkan atau
dicatat oleh stasiun hujan. Di Indonesia sendiri terdapat banyak stasiun hujan yang tersebar di
berbagai daerah, khusus pada penelitian ini, stasiun hujan yang menjadi sumber data penelitian
adalah stasiun hujan yang berlokasi di Kec. Bayongbong, Kec. Cikajang, dan Kec. Cipasang di
Kabupaten Garut. Wilayah ini secara hidrologis masuk dalam wilayah Daerah Aliran Sungai (DAS)
Cimanuk. Berbagai pemodelan data hidrologi (curah hujan dan debit sungai) baik berbasis forecasting
maupun berbasis regresi menggunakan data curah hujan wilayah, yakni curah hujan rata-rata dari
beberapa stasiun hujan yang mewakili suatu wilayah, seperti pemodelan ridge regression yang
dilakukan oleh Arisandi et al., (2021).
Analisis curah hujan dilakukan untuk memprediksi kejadian hujan di suatu tempat pada waktu
tertentu dalam bentuk curah hujan rencana juga menggunakan curah hujan wilayah, yang selanjutnya
sangat berguna dalam memprediksi debit banjir rencana. Beberapa metode yang dapat
diimplementasikan untuk menghitung curah hujan rencana di antaranya adalah distribusi Gumbel, Log
Normal 2 Parameter, Log Pearson Type III, Haspers, Normal, Pearson, dan Goodrich (Soewarno,
1995). Pada penelitian ini akan digunakan tiga metode, yaitu Gumbel, Log Normal 2 Parameter dan
Log Pearson Type III.
Beberapa penelitian sebelumnya tentang analisis curah hujan dan debit sungai yang dilakukan
dengan menggunakan distribusi peluang kontinu, diantaranya adalah: Lestari (2016), menghitung
debit banjir sungai negara di ruas kecamatan sungai pandan menggunakan metode Distribusi Normal,
Log Normal, Gumbel, dan Log Pearson; Juleha (2016), menganalisa intensitas hujan pada stasiun
hujan Rokan IV Koto, Ujung Batu, dan Tandun menggunakan metode Log Normal, Gumbel, dan Log
Pearson; Upomo dan Rini (2016), melakukan penelitian terhadap pemilihan distribusi peluang pada
analisa hujan menggunakan metode Normal Log Normal dan Gumbel. Sebelumnya peneliti juga
mencoba melakukan riset terkait dengan prediksi curah hujan dan debit sungai, di mana tidak hanya
besaran yang diprediksi akan tetapi perilakunya. Ruhiat & Effendi (2018) melakukan peramalan debit
sungai dengan menggunakan metode SARIMA, Ruhiat & Suwanda (2019) melakukan peramalan
debit sungai dengan menggunakan metode regresi spektral dan Ruhiat et al., (2020) melakukan
peramalan curah hujan dengan menggunakan metode Singular Spektrum Analisis (SSA). Prediksi
curah hujan dan debit sungai selain berbasis data harian, mingguan dan bulanan, juga bisa
berdasarkan data hujan jam-jaman seperti yang dilakukan oleh Agustin (2010). Pada penelitian ini
peneliti mencoba menghitung curah hujan rencana dengan menggunakan curah hujan harian
maksimum dan membentuk persamaan pola hubungan antara tahun periode ulang dengan nilai curah
 Dadang Ruhiat • 215

hujan rencana serta melakukan perbandingan secara grafis untuk masing-masing metode terhadap
curah hujan aktual.
Uraian di atas memotivasi peneliti untuk menganalisa curah hujan rencana menggunakan
metode distribusi Gumbel, Log Normal 2 Parameter, dan Log Pearson Type III untuk implementasi
data curah hujan dari stasiun hujan Bayongbong, stasiun hujan Cikajang, dan stasiun hujan Cikajang
yang berlokasi di Kabupaten Garut. Adapun tujuan dari penelitian ini adalah diperoleh data curah
hujan rencana dari masing-masing metode yang digunakan, diketahui pola atau trend curah hujan
rencana hasil dari analisis distribusi peluang yang digunakan, dan diketahui jenis distribusi dan data
curah hujan rencana yang paling mendekati data curah hujan aktual.

METODE PENELITIAN
Analisis curah hujan rencana dengan menggunakan metode distribusi peluang Gumbel, Log
Normal 2 Parameter dan Log Pearson Type III dalam garis besar terdiri atas beberapa tahapan
analisis statistik, antara lain:
1. Identifikasi Data (uji outlier)
Outliers adalah data pencilan yang menyimpang terlalu jauh dari data yang lainnya dalam
suatu rangkaian data. Data outliers akan mempengaruhi hasil analisis menjadi bias, artinya tidak
mencerminkan fenomena yang sebenarnya. Data outlier yang terdeteksi hendaknya dibuang atau
tidak diikutsertakan dalam analisis selanjutnya.
2. Penghitungan Parameter Statistik
Penghitungan nilai parameter-parameter statistik bertujuan untuk memberikan gambaran
atau mendeskripsikan data dalam variabel yang dilihat melalui beberapa ukuran statistik, yaitu rata-
rata (mean), nilai minimum, nilai maksimum, standar deviasi, koefisien kemencengan, koefisien
variasi dan koefisien kurtois.
Penghitungan nilai parameter-parameter statistik dilakukan dengan menggunakan
rumus-rumus sebagai berikut:
a. Rata-rata hitung (mean)
Rata-rata hitung (mean) biasanya dinyatakan dengan symbol 𝑋 ̅ . Bila dikehui sejumlah n data
hasil pengukuran variat dengan nilai X1, X2, X3, …. Xn, yang tidak dikelompokan (Ungrouped
data), Maka rata-rata hitung (mean) dapat dihitung dengan persamaan
𝑛
̅ = ∑𝑖=1 𝑋𝑖
𝑋 (1)
𝑛
̅ = Rata-rata (mean)
𝑋
𝑛 = Jumlah data
𝑋𝑖 = nilai pengukuran dari suatu variat
b. Standar deviasi
Dalam analisis statistik ukuran dispersi yang umum digunakan adalah standar deviasi (Sd).
Apabila sebaran data terhadap rata-rata besar, maka nilai Sd akan besar, demikian pula apabila
sebaran data terhadap rata-rata kecil, maka nilai Sd akan kecil.
∑𝑛 ̅ 2
𝑖=1(𝑋𝑖 −𝑋 )
𝑆𝑑 = √ (2)
𝑛−1
Keterangan:
𝑆𝑑 = Standar deviasi
𝑋𝑖 = Nilai pengukuran dari suatu variat
̅ = Rata-rata (mean)
𝑋
𝑛 = Jumlah data
c. Koefisien variasi (Coefficient of Variation)
Koefisien variasi (Coefficient of Variation) adalah nilai perbandingan antara standar deviasi
(𝑆𝑑) dengan nilai rata-rata hitung (𝑋 ̅ ) dari suatu distribusi. Koefisien variasi dapat dihitung
dengan rumus sebagai berikut.
• 216 Teorema: Teori dan Riset Matematika, 7(1), 213–224, Maret 2022

𝑆𝑑
𝐶𝑣 = 𝑋̅ (3)
Bila dinyatakan dalam bentuk persentase:
100𝑆𝑑
𝐶𝑣 = 𝑋̅ (4)
𝐶𝑣 = Koefisien variasi
Sd = Standar deviasi
̅ = Rata-rata (mean)
𝑋
d. Koefisien kemencengan (Coefficient of Skewness)
Kemencengan (Skewness) adalah suatu nilai yang menunjukkan derajat ketidaksimetrisan
(assymetry) dari suatu bentuk distribusi. Besarnya kemencengan diukur dengan koefisien
kemencengan (Coefficient of Skewness) yang disimbolkan dengan Cs. Nilai koefisien
kemencengan dihitung dengan rumus:
𝑛 ∑𝑛 (𝑋 −𝑋̅)3
𝑖=1 𝑖
𝐶𝑠 = (𝑛−1)(𝑛−2)𝑆𝑑 3
(5)
Keterangan:
Cs = Koefisien kemencengan
Sd = Standar deviasi
̅ = Rata-rata (mean)
𝑋
𝑋𝑖 = nilai dari suatu variat
𝑛 = Jumlah data
e. Koefisien kurtosis (Coefficient of Kurtosis)
Pengukuran kurtosis digunakan untuk mengukur keruncingan dari bentuk kurva distribusi, yang
umumnya dibandingkan dengan distribusi normal. Koefisien kurtosis (Coefficient of Kurtosis)
dapat dihitung dengan rumus:
1
∑𝑛 ̅ 4
𝑖=1(𝑋𝑖 −𝑋 )
𝐶𝑘 = 𝑛 𝑆𝑑4 (6)
Keterangan:
𝐶𝑘 = Koefisien Kurtois
𝑆𝑑 = Standar deviasi
̅ = Rata-rata (mean)
𝑋
𝑋𝑖 = Nilai pengukuran dari suatu variat
𝑛 = Jumlah data
3. Analisis Distribusi Frekuensi Hujan
Untuk melakukan analisis distribusi frekuensi hujan digunakan beberapa metode yaitu
distribusi frekuensi Gumbel, distribusi frekuensi Log Normal, dan distribusi frekuensi Log Pearson
Type III. Hasil dari analisis hujan rencana dari beberapa jenis metode itu akan dibandingkan untuk
mendapatkan curah hujan rencana yang paling cocok dengan data aktual.
a. Distribusi Gumbel
Distribusi Gumbel atau disebut juga dengan distribusi ekstrem umumnya digunakan untuk
analisis data maksimum. Persamaan peluang kumulatif dari distribusi Gumbel adalah:
(−𝑦)
𝑃(𝑋 ≤ 𝑥) = 𝑒 (−𝑒) , −∞ < 𝑋 < ∞ (7)
Keterangan:
𝑃(𝑋 ≤ 𝑥) = Fungsi densitas peluang Gumbel
𝑋 = Variabel acak kontinu
𝑒 = 2,71828
𝑌 = Faktor reduksi Gumbel
Langkah-langkah perhitungan curah hujan rencana menggunakan metode Gumbel adalah
sebagai berikut:
1) Hitung standar deviasi (Sd) dengan menggunakan persamaan (2)
2) Hitung nilai faktor frekuensi (K)
 Dadang Ruhiat • 217

𝑌𝑡 −𝑌𝑛
𝑘= (8)
𝑆𝑛
3) Hitung hujan dalam periode ulang tahun T tahun
𝑋𝑡 = 𝑋̅ + 𝑘. 𝑠𝑑 (9)
b. Distribusi Log Normal 2 Parameter
Distribusi Log Normal 2 parameter merupakan hasil transformasi dari distribusi normal, yaitu
dengan mengubah nilai variat 𝑋 menjadi nilai logaritmik variat 𝑋. Secara matematis distribusi
Log Normal 2 Parameter ditulis sebagai berikut:
2
1 1 𝑙𝑜𝑔𝑋−𝑋̅
( )
𝑃(𝑋) = 𝑒2 𝑆 (10)
(log 𝑋)(𝑆)(√2𝜋)
Keterangan:
𝑃(𝑋) = Fungsi padat peluang log normal 2 parameter
𝑋 = Nilai variat pengamatan
𝑋̅ = nilai rata-rata dari logaritmik variat X
𝑆 = standar deviasi dari logaritmik nilai variat X
Distribusi Log Normal 2 parameter mempunyai persamaan transformasi sebagai berikut:
𝐿𝑜𝑔 𝑋𝑡 = ̅̅̅̅̅̅̅
𝐿𝑜𝑔𝑋 + 𝑘. 𝑠𝑑𝐿𝑜𝑔𝑋 (11)
c. Distribusi Log Pearson Type III
Log Pearson Type III digunakan untuk analisis variabel dengan nilai varian minimum misalnya
analisis frekuensi distribusi dari debit minimum (low flows). Distribusi Log Pearson Tipe III,
mempunyai koefisien kemencengan (Coefisien of skewnnes) atau CS ≠ 0. Fungsi padat
peluang Log Pearson Tipe III adalah:
1 𝑋 − 𝐶 𝑏−1 (𝑋−𝐶)
𝑃(𝑋) = [ ] 𝑒 𝑎 (12)
𝑎 Γ(𝑏) 𝑎
Keterangan:
𝑃(𝑋) = Fungsi padat peluang Log Pearson Type III
𝑋 = Variat acak Kontinu
𝑎 = Parameter Skala
𝑏 = Parameter bentuk
Γ(𝑏) = Fungsi Gamma
Langkah-langkah perhitungan kurva distribusi Log Pearson III adalah:
1) Tentukan logaritma dari semua nilai variat 𝑋
2) Hitung nilai rata-ratanya
̅̅̅̅̅̅̅̅ ∑ log 𝑋
𝑙𝑜𝑔 𝑋 = 𝑛 (13)
3) Hitung nilai standar deviasi dari log 𝑋
2
̅̅̅̅̅̅̅̅̅ ∑(log 𝑋−log 𝑋)
𝑆𝑙𝑜𝑔𝑋 = √ 𝑛−1
(14)
4) Hitung nilai koefisien kemencengan
𝑛 ∑𝑛 (log 𝑋−log 𝑋)3
𝐶𝑠 = 𝑖−1 𝑛−1 (15)
Sehingga persamaan garis lurusnya dapat ditulis :
̅̅̅̅̅̅̅
𝑙𝑜𝑔𝑋𝑡 = log ̅̅̅̅̅̅̅̅̅
𝑋 + 𝑘𝑡 𝑆𝑙𝑜𝑔 𝑋 (16)
Harga faktor 𝑘𝑡 untuk sebaran Log Pearson III dapat dihitung dengan interpolasi
1) Menentukan anti Log dari Log Rt, untuk mendapat nilai Rt yang diharapkan terjadi pada
tingkat peluang atau periode tertentu sesuai dengan nilai Cs nya. Adapun proses
perhitungan curah hujan rencana dengan Metode Log Pearson Type III adalah sebagai
berikut
a) Tentukan logaritma dari semua nilai variat 𝑋
b) Hitung nilai rata – ratanya
• 218 Teorema: Teori dan Riset Matematika, 7(1), 213–224, Maret 2022

̅̅̅̅̅̅̅ ∑ log 𝑋
log 𝑋 = 𝑛
(17)
c) Hitung nilai standar deviasi dari log X
̅̅̅̅̅̅̅ 2
̅̅̅̅̅̅̅̅̅ ∑(log 𝑋−log 𝑋)
𝑆 log 𝑋 = √ 𝑛−1
(18)
2) Hitung nilai kemencengannya
𝑛 ∑𝑛 (log 𝑋−log 𝑋)3
𝑖=1
𝐶𝑠 = (𝑛−1)(𝑛−2)(𝑆𝑙𝑜𝑔
̅̅̅̅̅̅̅̅̅
(19)
𝑋 )3
4. Uji Kecocokan
Tahap berikut yaitu melakukan uji kecocokan distribusi frekuensi (Goodness of Fit) untuk
diketahui apakah data dapat diterima atau ditolak. Uji kesesuaian distribusi ini dilakukan melalui
metode Chi-Square dan metode Kolmogorov-Smirnov.
Tahapan analisis statistik di atas dilakukan dengan asumsi bahwa sebelumnya telah
dilakukan penghitungan curah hujan wilayah dengan menggunakan metode Aritmetika atau
Isohyet dan tahapan-tahapan dasar lainnya seperti dijelaskan oleh Linsley (1998), Asdak (2004),
Triatmodjo (2008) & Andriani (2016).

HASIL DAN PEMBAHASAN

Data yang digunakan untuk analisis adalah data curah hujan harian maksimum dari tiga
stasiun penakar hujan, yaitu stasiun hujan Bayongbong, stasiun hujan Cikajang, dan stasiun hujan
Cipasang. Rekapitulasi data curah hujan harian maksimum yang akan dianalisis disajikan pada pada
Tabel 1.

Tabel 1. Data curah hujan harian maksimum

Stasiun Rata-Rata
Tahun
Bayongbong Cikajang Cipasang (mm/hari)
2008 106 82 275 154.33
2009 0 80 96 58.67
2010 51 88 80 73.00
2011 84 76 122 94.00
2012 106 92 95 97.67
2013 75 113 84 90.67
2014 68 80 0 49.33
2015 98 97 0 65.00
2016 110 99 0 69.67
2017 82 95 597 258.00
2018 76 79 379.5 178.17
2019 53 85 88 75.33
Sumber: Hasil analisis 2021

1. Outlier Data
Data yang diperoleh dari stasiun hujan kemudian dilakukan uji outlier, untuk menentukan
apakah series data mengandung data outlier. Hasil uji outlier disajikan pada Tabel 2.
Pendeteksian data outlier dapat pula dilakukan secara visual melalui ploting data curah
hujan harian maksimum seperti yang disajikan pada Gambar 1., pada gambar tersebut nampak
jelas bahwa data harian maksimum di tahun 2017 merupakan data outlier. Hasil uji outlier yang
disajikan pada Tabel 2 dan Gambar 1, memberi informasi terdapat satu data outlier yang harus
dibuang, sehingga jumlah data yang digunakan berkurang dari semula berjumlah 12 menjadi 11.
 Dadang Ruhiat • 219

Tabel 2. Uji outlier data curah hujan harian maksimum

Tahun Xi Standardize Absolute Outlier
2008 154.33 0.80 0.80 Tidak Outlier
2009 58.67 -0.76 0.76 Tidak Outlier
2010 73.00 -0.53 0.53 Tidak Outlier
2011 94.00 -0.18 0.18 Tidak Outlier
2012 97.67 -0.12 0.12 Tidak Outlier
2013 90.67 -0.24 0.24 Tidak Outlier
2014 49.33 -0.91 0.91 Tidak Outlier
2015 65.00 -0.66 0.66 Tidak Outlier
2016 69.67 -0.58 0.58 Tidak Outlier
2017 258.00 2.48 2.48 Outlier
2018 178.17 1.18 1.18 Tidak Outlier
2019 75.33 -0.49 0.49 Tidak Outlier
n = 12
Rata-rata= 105.32
S.dev = 61.48
Kn = 2,134
Sumber: Hasil analisis 2021

300 Hujan Maksimum

250
200
150
100
50
0
2006 2008 2010 2012 2014 2016 2018 2020
Sumber: Hasil analisis 2021
Gambar 1. Grafik data curah hujan maksimum

2. Perhitungan Parameter Statistik

Berikut ini adalah data curah hujan harian maksimum, proses dan hasil penghitungan
parameter-parameter statistik dari data tiga stasiun penakar hujan, seperti yang disajikan pada
Tabel 3.

Tabel 3. Perhitungan parameter statistik

Tahun Xi ̅
𝑿𝒊 − 𝑿 ̅ )𝟐
(𝑿𝒊 − 𝑿 ̅ )𝟑
(𝑿𝒊 − 𝑿 ̅ )𝟒
(𝑿𝒊 − 𝑿
2008 154.33 71 4972 350610 24722858
2009 58.67 -25 633 -15913 400261
2010 73.00 -11 117 -1267 13703
2011 94.00 10 104 1055 10742
2012 97.67 14 192 2655 36766
2013 90.67 7 47 321 2198
2014 49.33 -34 1189 -41014 1414415
2015 65.00 -19 354 -6665 125437
2016 69.67 -14 200 -2835 40121
2018 178.17 94 8901 839822 79234892
• 220 Teorema: Teori dan Riset Matematika, 7(1), 213–224, Maret 2022

Tahun Xi 𝑿𝒊 − 𝑿 ̅ ̅ )𝟐
(𝑿𝒊 − 𝑿 ̅ )𝟑
(𝑿𝒊 − 𝑿 ̅ )𝟒
(𝑿𝒊 − 𝑿
2019 75.33 -8 72 -611 5186
∑ 1006 16781 1126158 106006580
̅
𝑿 83.82 Cv 0.49 Ck 3.42
Sd 40.97 Cs 0.18
Sumber: Hasil analisis 2021

3. Analisis Distribusi Frekuensi

a. Distribusi Gumbel
Data hujan rencana hasil analisis menggunakan metode Gumbel untuk periode ulang
2, 5, 10, 25, 25, 50 dan 100 tahunan disajikan pada Tabel 4 berikut ini.

Tabel 4. Curah hujan rencana periode ulang t tahun

Periode Curah Hujan Max Koefisien Standar ̅ + 𝒌. 𝑺𝒙
T Yt 𝑹𝑻 = 𝑹
Ulang (Rata-Rata) Faktor Deviasi
( Tahun ) (mm) (k) ( Sx ) ( mm )
2 0.3665 R2 91.439 -0.1376 40.1780 85.911
5 1.4999 R5 91.439 1.0338 40.1780 132.975
10 2.2503 R10 91.439 1.8094 40.1780 164.135
25 3.1985 R25 91.439 2.7893 40.1780 203.507
50 3.9019 R50 91.439 3.5162 40.1780 232.715
100 4.6001 R100 91.439 4.2378 40.1780 261.707
Sumber: Hasil analisis 2021

b. Distribusi Log Normal 2 Parameter

Data hujan rencana hasil analisis menggunakan metode distribusi Log Normal 2
Parameter untuk periode ulang 2, 5, 10, 25, 25, 50 dan 100 tahunan disajikan pada Tabel 5
berikut ini.

Tabel 5. Curah hujan rencana periode ulang t tahun

T K 𝑺𝑳𝒐𝒈 𝒙 ̅
𝑳𝒐𝒈 𝑿 𝑳𝒐𝒈 𝑹𝒕 RT
( tahun ) ( mm )
2 -0.2990 0.169307 1.928853 1.878232 75.550
5 0.8361 0.169307 1.928853 2.070418 117.603
10 1.2965 0.169307 1.928853 2.148360 140.721
25 1.6863 0.169307 1.928853 2.214356 163.816
50 2.1148 0.169307 1.928853 2.286906 193.600
100 2.4106 0.169307 1.928853 2.336989 217.265
Sumber: Hasil analisis 2021

c. Log Pearson Type III

Data hujan rencana hasil analisis metode distribusi Log Pearson Type III untuk periode
ulang 2, 5, 10, 25, 25, 50 dan 100 tahunan disajikan pada Tabel 6.

Tabel 6. Curah hujan rencana periode ulang t tahun

T K 𝑺𝑳𝒐𝒈 𝑿 𝑳𝒐𝒈 ̅
𝑿 𝑳𝒐𝒈 𝑹𝑻 RT
( tahun ) ( tabel ) ( mm )
2 -0.164 0.169307 1.928853 1.901087 79.632
5 0.758 0.169307 1.928853 2.057188 114.074
10 1.340 0.169307 1.928853 2.155725 143.128
25 2.043 0.169307 1.928853 2.274748 188.256
50 2.544 0.169307 1.928853 2.359571 228.861
 Dadang Ruhiat • 221

T K 𝑺𝑳𝒐𝒈 𝑿 𝑳𝒐𝒈 ̅𝑿 𝑳𝒐𝒈 𝑹𝑻 RT

100 3.022 0.169307 1.928853 2.440500 275.740
Sumber: Hasil analisis 2021

Setelah didapatkan hasil analisis dari ketiga jenis metode yang digunakan, selanjutnya
dilakukan pembandingan untuk mendapatkan informasi metode mana yang paling cocok untuk
menghitung curah hujan rencana di kawasan sekitar 3 (tiga) stasiun hujan, yaitu stasiun hujan
Bayongbong, stasiun hujan Cikajang dan stasiun hujan Cipasang. Nilai simpangan dan nilai MAPE
dari tiga metode yang digunakan disajikan pada Tabel 7.

Tabel 7. Nilai simpangan dan nilai MAPE tiga metode yang digunakan
Log Normal 2
NILAI Gumbel Log Pearson III
Parameter
Simpangan 42,317 46,543 79,458
MAPE 23.7% 28.9% 35.0%
Sumber: Hasil analisis 2021

Berdasarkan Tabel 7 diketahui metode dengan simpangan terkecil mulai dari periode ulang
2 tahunan sampai 100 tahunan adalah metode Gumbel yaitu sebesar 42,317 dan memiliki nilai MAPE
sebesar 23,7%. Dengan demikian data curah hujan rencana hasil metode Gumbel merupakan yang
paling mendekati data curah hujan aktual. Grafik pola data curah hujan rencana hasil tiga metode dan
data aktual disajikan dalam Gambar 2.

Sumber: Hasil analisis 2021

Gambar 2. Perbandingan pola curah hujan aktual dengan pola beberapa metode

4. Uji Kecocokan (Goodness of Fit)

Berdasarkan hasil analisis sebelumnya diketahui bahwa metode yang paling cocok yang
mendekati data curah hujan aktual adalah metode Gumbel. Selanjutnya dilakukan uji kecocokan
distribusi frekuensi (goodness of fit) dengan menggunakan metode Chi-Square dan Kolmogorov-
Smirnov. Hasil perhitungan uji Chi-Square dan uji Kolmogorov-Smirnov disajikan pada Tabel 8 dan
Tabel 9.
• 222 Teorema: Teori dan Riset Matematika, 7(1), 213–224, Maret 2022

Tabel 8. Perhitungan uji chi-square

Interval Oi Ei (Oi-Ei) (Oi-Ei)^2 ((Oi-Ei)^2)/Ei
X < 82 6 2.75 3.25 10.5625 3.8
82 < X < 114 3 2.75 0.25 0.0625 0.0
114 < X < 146 1 2.75 -1.75 3.0625 1.1
146 < X < 178 1 2.75 -1.75 3.0625 1.1
Jumlah 6.1
Sumber: Hasil analisis 2021

Nilai Chi-Square hitung dibandingkan dengan nilai Chi-Square tabel, diketahui:

𝑎 = 0,05
dk = k-1 = 4-1 = 3, maka:
2 2
𝑋𝑎;𝑑𝑘 = 𝑋0,05;3 = 7,815
Keputusan:
2 2
𝑋𝑎;𝑑𝑘 < 𝑋0,05;3 , maka hipotesis bahawa data curah hujan mengikuti distribusi tertentu diterima.
Kesimpulan:
Dengan tingkat kepercayaan 95 % diketahui bahwa data curah hujan yang tersedia berdistribusi
Gumbel.

Tabel 9. Perhitungan uji kolmogorov-smirnov

Curah F(x)=(x-
P(x) P(x<)=1- P'(x<)=1-
M Tahun Hujan rerata P'(x) D
=m/(n+1) P(x) P'(x)
(Xi) x)/s
1 2018 178.17 0.083 0.917 2.16 0.0154 0.9846 0.068
2 2008 154.33 0.167 0.833 1.57 0.0582 0.9418 0.108
3 2012 97.67 0.250 0.750 0.15 0.4404 0.5596 0.190
4 2011 94.00 0.333 0.667 0.06 0.5239 0.4761 0.191
5 2013 90.67 0.417 0.583 -0.02 0.5080 0.4920 0.091
6 2019 75.33 0.500 0.500 -0.40 0.6554 0.3446 0.155
7 2010 73.00 0.583 0.417 -0.46 0.6772 0.3228 0.094
8 2016 69.67 0.667 0.333 -0.54 0.7054 0.2946 0.039
9 2015 65.00 0.750 0.250 -0.66 0.7454 0.2546 0.005
10 2009 58.67 0.833 0.167 -0.82 0.7939 0.2061 0.039
11 2014 49.33 0.917 0.083 -1.05 0.8531 0.1469 0.064
n 11 D= 0.191
Rerata 91.44
Std.Dev(s) 40.178
Sumber: Hasil analisis 2021

Berdasarkan data hasil hitung pada Tabel 9 diketahui nilai Dhitung = 0,191, sedangkan nilai D0
dari tabel Kolmogorov-Smirnov adalah 0,3912, karena nilai Dhitung < D0 maka keputusan pengujian uji
kecocokan diterima, artinya dengan tingkat kepercayaan 95 % diketahui model distribusi gumbel
cocok untuk kondisi curah hujan aktual di kawasan lokasi kajian.

KESIMPULAN
Ada beberapa kesimpulan yang diperoleh dari hasil penelitian ini di antaranya:
1. Nilai simpangan data curah hujan rencana berbagai periode ulang hasil analisis beberapa metode
distribusi frekuensi peluang terhadap data curah hujan aktual, diketahui simpangan untuk metode
Gumbel sebesar 42.317/mm, Log Normal 2 Parameter sebesar 79.458/mm dan Log Pearson Type
III sebesar 46.543/mm.
 Dadang Ruhiat • 223

2. Trend eksponensial berdasarkan grafik dari masing-masing metode distribusi peluang dinyatakan
dalam bentuk persamaan: 𝑦 = 0,4357𝑒 0,0149𝑥 untuk metode Gumbel, 𝑦 = 0,4684𝑒 0,0175𝑥
untuk metode Log Normal 2 Parameter dan 0,9738𝑒 0,0119𝑥 untuk metode Log Person type III.
3. Nilai simpangan data hasil hitung metode Gumbel terhadap data curah hujan aktual untuk berbagai
periode ulang (T) mulai dari 2 tahunan sampai dengan 100 tahunan merupakan yang terkecil
dengan nilai sebesar 42,317 mm. Hal tersebut dipertegas secara visual oleh grafik perbandingan
pola data hasil hitung ketiga metode dengan pola data aktualnya, dimana pola data hasil metode
Gumbel merupakan yang paling cocok dibandingkan dengan pola data hasil hitung metode lainnya.

REKOMENDASI
Hasil perbandingan data curah hujan rencana yang dihitung dengan berbasis data curah
hujan harian maksimum tanpa outlier dan data yang mengandung outlier, terdapat fenomena bahwa
data curah hujan rencana hasil analisis data tanpa outlier tidak lebih baik dari hasil analisis dengan
tanpa menghilangkan data outlier. Untuk itu penulis merekomendasikan perlu adanya kajian khusus
meneliti fenomena tersebut.

UCAPAN TERIMAKASIH
Penulis mengucapkan terima kasih sebesar-besarnya kepada Unit Pelayanan Data Hidrologi
Balai Besar Wilayah Sungai (BBWS) Cimanuk-Cisanggarung yang telah membantu dalam
penyediaan data curah hujan yang digunakan dalam penelitian ini, sehingga proses penelitian bisa
diselesaikan dan dipublikasikan.

DAFTAR PUSTAKA
Agustin, W. (2010). Pola disribusi hujan jam-jaman di sub das keduang. Surakarta: Skripsi Universitas
Sebelas Maret.

Alkadri. (2019). Analisis debit di spillway amonggedo akibat sedimentasi. Jurnal Akbar Juara, 4(2),
227-240.

Andriani, P. S. (2016). Analisa distribusi curah hujan di area merapi menggunakan metode aritmatika
atau rata-rata aljabar dan isohyet. Semarang: Skripsi Universitas Semarang.

Arisandi, R., Ruhiat, D., & Marlina, E. (2021). Implementasi ridge regression untuk mengatasi gejala
multikolinearitas pada pemodelan curah hujan berbasis data time series klimatologi. Jurnal
Riset Matematika dan Sains Terapan (JRMST), 1(1), 1-11, ISSN: 2809-4581 / 772809-
458000.

Asdak, C. (2004). Hidrologi dan pengelolaan daerah aliran sungai. Gadjah Mada University Press.
Yogyakarta.

Astuti, F. U., Andy, H., & Yohanna, L. H. (2015). Pemilihan metode intensitas hujan yang sesuai
dengan stasiun hujan pekan baru. Jom Fteknik, 2(1). 1-9.

Bluman, A.G. (2013). Elementary statistics, a step by step approach, A Brief Version, Six edition.
McGraw Hill

Indarto. (2010). Dasar teori dan contoh aplikasi model hidrologi. Penerbit Bumi Aksara. Jember.
• 224 Teorema: Teori dan Riset Matematika, 7(1), 213–224, Maret 2022

Juleha., Rismalinda., & Alfi, R. (2016). Analisa Metode Intensitas Hujan Pada Stasiun Hujan Rokan Iv
Koto, Ujung Batu, dan Tandun Mewakili Ketersediaan Air Di Sungai Rokan. Universitas Pasir
Pangairan.

Lestari, U. S. (2016). Kajian Metode Empiris Untuk Menghitung Debit Banjir Sungai Negara Di Ruas
Kecamatan Sungai Pandan (Alabio). Jurnal POROS TEKNIK, 8(2), 55-103.

Linsley, R. K., Kohler, M. A., Paulhus, J. L., & Hermawan, Y. (1996). Hidrologi untuk insinyur (edisi
ketiga). Jakarta: Penerbit Erlangga.

Ruhiat, D., Kamilah, W. N., & Andiani, D. (2020). Forecasting data runtun waktu musiman
menggunakan metode singular spectrum analysis (ssa). Jurnal Teorema: Teori dan Riset
Matematika, 5(1), 47-60, p-ISSN 2541-0660, e-ISSN 2597-7237.

Ruhiat, D., & Suwanda, C. (2019). Peramalan data deret waktu berpola musiman menggunakan
metode regresi spektral. Jurnal Teorema: Teori dan Riset Matematika 4(1), 1-12, p-ISSN
2541-0660, e-ISSN 2597-7237.

Ruhiat, D., & Effendi, A. (2018). Pengaruh faktor musiman pada pemodelan deret waktu untuk
peramalan debit sungai dengan metode sarima. Jurnal Teorema: Teori dan Riset Matematika,
2(2), 117-128. p-ISSN 2541-0660, e-ISSN 2597-7237.

Saleh, M. (2011). Prakiraan curah hujan bulanan kecamatan tempe kabupaten wajo tahun 2011 dan
2012 dengan model arima. Makasar: Skripsi Universitas Alaudin.

Soewarno. (1995). Aplikasi statistik untuk analisis data hidrologi. Jilid I.Bandung. Penerbit NOVA

Sugiyono. (2012). Statistika untuk penelitian. Bandung: Penerbit Alfabeta.

Triatmodjo, B. (2008). Hidrologi terapan. Yogyakarta: Penerbit Beta Offset.

Upomo, T. C., & Rini, K. (2016). Pemilihan distribusi probabilitas pada analisa hujan dengan metode
goodness of fit test. Jurnal Teknik Sipil & Perencanaan, 18(2), 139-148.

Walpole, E. R., & Myers, H. R. (1989). Probability and statistics for engineers and scientists,
Diterjemahkan oleh R.K. Sembiring, 1995. Bandung: Institut Teknologi Bandung.