Analisa Frekuensi Curah Hujan

Last updated on May 27, 2026 23 min read Hidrologi

Latar Belakang — Mengapa Perlu?

Skenario Nyata

Tahun 2019, sebuah jembatan baru dibangun di atas sungai. Desainnya menggunakan data hujan 5 tahun terakhir — terasa cukup. Tiga tahun kemudian, banjir merusak fondasinya. Bukan karena cuaca ekstrem yang luar biasa, tapi karena pertanyaan yang salah diajukan sejak awal.

Bukan "Berapa besar banjir tahun lalu?" — melainkan "Berapa besar banjir yang mungkin terjadi dalam 50 tahun ke depan?"

❌ Tanpa Analisa Frekuensi

Desain drainase berdasarkan banjir yang pernah dilihat. Tiga tahun kemudian meluap saat hujan yang terasa "biasa saja" — karena hujan itu nyatanya adalah kejadian 25 tahunan yang belum pernah terjadi selama pengamatan singkat itu.

✅ Dengan Analisa Frekuensi

Desain berdasarkan curah hujan kala ulang 25 tahun dari 30 tahun data historis. Saluran tetap berfungsi normal bahkan saat hujan besar yang "25 tahunan" itu akhirnya datang — karena kita sudah memperhitungkannya.

💡 Analogi Sederhana

Bayangkan kamu mau membeli jas hujan. Kalau kamu tinggal di kota yang hujan 10 hari setahun, payung biasa sudah cukup. Tapi kalau tinggal di Banjarmasin yang bisa hujan deras terus-terusan, kamu butuh jas hujan tebal dan sepatu boots. Analisa frekuensi adalah cara kita "membaca cuaca jangka panjang" supaya bisa memilih perlengkapan yang tepat untuk setiap jenis infrastruktur.

Setiap infrastruktur yang berhubungan dengan air — jembatan, bendung, saluran drainase, tanggul, gorong-gorong — dirancang untuk menghadapi hujan atau banjir dengan tingkat bahaya tertentu yang ditetapkan secara ilmiah, bukan berdasarkan ingatan atau pengalaman singkat.

🎯Analisa frekuensi curah hujan adalah proses menemukan hubungan antara besarnya hujan dan seberapa sering hujan itu terjadi, berdasarkan data historis jangka panjang. Output-nya digunakan sebagai angka desain di hampir seluruh perencanaan infrastruktur air.

Konsep Dasar: Kala Ulang & Probabilitas

Apa Itu Kala Ulang?

📖 Definisi

Kala ulang (bahasa Inggris: return period, simbol T) adalah rata-rata selang waktu antara dua kejadian hujan yang besarnya sama atau lebih besar dari nilai tertentu. Kala ulang T tahun artinya rata-rata, hujan sebesar itu terjadi sekali setiap T tahun.

Ini bukan berarti hujan itu pasti terjadi persis setiap T tahun — ini adalah rata-rata statistik jangka panjang.

💡 Analogi Dadu

"Hujan 25 tahunan terjadi tahun ini — berarti 24 tahun lagi aman dong?" — SALAH. Setiap tahun, hujan 25 tahunan punya probabilitas 4%, tidak peduli apa yang terjadi tahun lalu. Sama seperti dadu: meski sudah 5 kali tidak keluar angka 6, peluang keluar angka 6 tetap 1/6 di lemparan berikutnya. Setiap tahun adalah "lemparan baru".

Hubungan Kala Ulang dengan Probabilitas Tahunan P = 1 / T P = probabilitas kejadian dalam satu tahun (0–1) | T = kala ulang (tahun) Contoh: T = 25 tahun → P = 1/25 = 0.04 = 4% per tahun

Kala Ulang yang Umum Digunakan di Indonesia

T = 2

P = 50%/thn

Gorong-gorong sederhana, drainase lahan pertanian

T = 5

P = 20%/thn

Saluran drainase perkotaan kecil, perumahan

T = 10

P = 10%/thn

Saluran drainase utama kota, jalan raya

T = 25

P = 4%/thn

Sungai perkotaan, jembatan, irigasi utama

T = 50

P = 2%/thn

Tanggul banjir, bendung, pelabuhan

T = 100

P = 1%/thn

Bendungan besar, infrastruktur vital kritis

⚠️Semakin panjang kala ulang, semakin besar dan semakin jarang hujannya — dan semakin mahal infrastruktur yang dibutuhkan. Pemilihan kala ulang adalah keputusan teknis sekaligus ekonomis: seberapa besar risiko yang masih dapat diterima?

Data yang Dibutuhkan

Annual Maximum Series (AMS)

Dari sekian banyak data hujan harian, yang kita gunakan adalah satu nilai maksimum per tahun — metode ini disebut Annual Maximum Series (AMS). Mengapa hanya nilai maksimum? Karena kita hanya tertarik memodelkan kejadian ekstrem — kandidat banjir tahunan.

🗂️ Sumber Data

Data BMKG: Stasiun terdekat, rekam harian manual atau otomatis (ARR/AWLR).

Data GPM IMERG V07: Alternatif bila data BMKG tidak cukup panjang. Perlu dikalibrasi terlebih dahulu — lihat artikel Kalibrasi GPM.

📏 Panjang Data Minimum

⚠️ < 15 tahun — tidak representatif, hasil tidak stabil

⚠️ 15–20 tahun — bisa dipakai, hasil perlu dicatat ketidakpastiannya

✅ 20–30 tahun — standar minimum analisis teknis Indonesia

🏆 > 30 tahun — ideal, estimasi kala ulang panjang lebih andal

📊 Contoh Data Annual Maximum Series — 25 Tahun (2000–2024)

Statistik Dasar — Fondasi Semua Distribusi

Sebelum memilih distribusi, kita wajib menghitung 4 parameter statistik dari data AMS. Parameter ini menggambarkan "karakter" data hujan kita.

ℹ️Nilai Cs (koefisien kemencengan) adalah panduan awal pemilihan distribusi. Cs ≈ 0 → Normal; Cs ≈ 1.14 → Gumbel; Cs bebas → Log-Pearson III dapat menyesuaikan. Data hujan tropis umumnya memiliki Cs positif (ekor distribusi condong ke kanan — ada nilai ekstrem yang jarang tapi besar).

Empat Distribusi Teoritis

Distribusi teoritis adalah "model matematika" yang mencoba merepresentasikan pola data hujan kita. Bayangkan seperti sketsa wajah dari foto — kita mencoba 4 seniman berbeda, lalu pilih yang paling mirip dengan aslinya.

① Distribusi Normal

Bentuk "lonceng simetris" yang paling dikenal. Nilai besar dan kecil sama-sama jarang; nilai tengah paling sering muncul. Jarang cocok untuk data hujan tropis yang biasanya miring ke kanan.

Curah Hujan Rencana x_T = x̄ + K_T · S K_T dari tabel distribusi Normal standar (z-score)

Syarat: Cs ≈ 0 Ck ≈ 3

② Log-Normal 2 Parameter

Transformasi logaritmik diterapkan ke data, lalu data log-nya dianggap berdistribusi Normal. Bagus untuk data positif yang miring ke kanan — tipikal curah hujan. Sangat umum dalam hidrologi.

Curah Hujan Rencana ln(x_T) = ȳ + K_T · Sy ȳ = mean(ln x) | Sy = std.dev(ln x)

Cs ≈ 3·CV + CV³

③ Distribusi Gumbel (EV Type I)

Dirancang khusus secara teori untuk memodelkan nilai-nilai maksimum. Sangat populer untuk analisis banjir dan hujan ekstrem. Secara teori adalah pilihan yang tepat untuk data Annual Maximum Series.

Parameter & Curah Hujan Rencana α = S·π/√6 | μ = x̄ − 0.5772·α K_T = −(√6/π)·[0.5772 + ln(ln(T/(T-1)))] Rumus K_T ini khusus untuk distribusi Gumbel

Syarat: Cs ≈ 1.14 Ck ≈ 5.40

④ Log-Pearson III (LP3)

Yang paling fleksibel dari keempatnya. Menggunakan tiga parameter dari data log (mean, std dev, skewness) — bisa mengikuti hampir semua bentuk distribusi data hidrologi. Standar wajib di banyak negara.

Curah Hujan Rencana ln(x_T) = ȳ + K_T · Sy K_T = f(T, Cs_y) dari tabel Pearson III | Cs_y dihitung dari data y = ln(x)

Cs bebas — paling adaptif

Perbandingan CDF: Empiris vs 4 Distribusi Teoritis

Titik = plotting position empiris (P = i/(n+1)) · Garis = CDF teoritis masing-masing distribusi

Data Empiris

Normal

Log-Normal

Gumbel

Log-Pearson III

Uji Kecocokan (Goodness of Fit Test)

Setelah mencoba keempat distribusi, kita perlu menjawab secara objektif: distribusi mana yang paling baik merepresentasikan data? Jawabannya dari dua uji statistik.

Uji Kolmogorov-Smirnov (KS Test)

Prinsip Uji KS

Uji KS mengukur selisih terbesar (D) antara CDF empiris dari data kita dengan CDF teoritis dari distribusi yang diuji. Semakin kecil D, semakin cocok distribusinya. Distribusi diterima jika D-hitung < D-kritis (dari tabel, tergantung n dan α).

Urutkan data dari kecil ke besar

x₁ ≤ x₂ ≤ ... ≤ xₙ. Beri ranking i = 1, 2, ..., n.

Hitung probabilitas empiris (plotting position)

P_emp(xᵢ) = i / (n+1) — rumus Weibull. Ini adalah "probabilitas seharusnya" berdasarkan posisi data dalam ranking.

Hitung CDF teoritis untuk setiap data

P_teo(xᵢ) dari fungsi distribusi yang diuji (Normal, Log-Normal, Gumbel, atau LP3).

Hitung D = selisih maksimum

D = max |P_emp(xᵢ) − P_teo(xᵢ)| untuk semua i.

Bandingkan dengan D-kritis

Untuk n=25, α=5%: D-kritis = 0.264. Jika D-hitung < 0.264 → distribusi DITERIMA ✅

Uji Chi-Kuadrat (χ²)

Prinsip Uji Chi-Kuadrat

Data dibagi ke dalam beberapa kelas (bin), lalu dibandingkan berapa banyak data yang sebenarnya jatuh di setiap kelas (Oᵢ) versus berapa banyak yang diharapkan oleh distribusi teoritis (Eᵢ).

Statistik Uji Chi-Kuadrat χ² = Σ [ (Oᵢ − Eᵢ)² / Eᵢ ] Oᵢ = frekuensi observasi kelas ke-i | Eᵢ = frekuensi yang diharapkan dari distribusi teoritis Derajat kebebasan: dk = k − m − 1 (k = jumlah kelas, m = jumlah parameter distribusi) Jika χ²-hitung < χ²-kritis(α, dk) → distribusi DITERIMA

Hasil Uji dan Pemilihan Distribusi Terbaik

Distribusi	D-hitung (KS)	D-kritis (5%)	Status KS	χ²-hitung	χ²-kritis (5%)	Status χ²	Keputusan
Normal	0.091	0.264	✅ Diterima	3.12	5.991	✅ Diterima	Layak
Log-Normal	0.074	0.264	✅ Diterima	2.47	5.991	✅ Diterima	Layak
Gumbel 🏆	0.058	0.264	✅ Diterima	1.83	5.991	✅ Diterima	🏆 Terbaik
Log-Pearson III	0.063	0.264	✅ Diterima	2.15	5.991	✅ Diterima	Layak

*Contoh hasil analisis. Distribusi terbaik = nilai D dan χ² terkecil yang tetap lulus kedua uji. n=25, α=5%.

Perbandingan Nilai D (KS Test) — Semua Distribusi

Semakin rendah D-hitung, semakin cocok distribusinya. Semua distribusi harus di bawah garis D-kritis.

🎯Distribusi Gumbel terpilih sebagai distribusi terbaik untuk data contoh ini (D = 0.058, χ² = 1.83 — keduanya terkecil di antara semua distribusi). Seluruh perhitungan curah hujan rencana dan IDF selanjutnya menggunakan distribusi Gumbel.

Curah Hujan Rencana

📌 Apa Itu Curah Hujan Rencana?

Curah hujan rencana (R_T) adalah estimasi besarnya curah hujan harian maksimum yang diharapkan terjadi rata-rata sekali dalam T tahun. Ini adalah angka desain utama yang menjadi input untuk semua analisis hidrologi selanjutnya: debit banjir, drainase, bendung, dan seterusnya.

Curah Hujan Rencana — Distribusi Gumbel R_T = x̄ + K_T · S K_T = −(√6/π) · [0.5772 + ln(ln(T/(T−1)))] x̄ = 104.58 mm | S = 22.67 mm | α = S·π/√6 = 29.09 | μ = x̄ − 0.5772·α = 87.77

Curah Hujan Rencana per Kala Ulang — Perbandingan 4 Distribusi

Semua distribusi menghasilkan nilai yang berdekatan — semakin panjang kala ulang, selisihnya semakin terlihat

Normal

Log-Normal

Gumbel (terpilih)

Log-Pearson III

ℹ️Perbedaan hasil antar distribusi pada kala ulang pendek (T=2, T=5) relatif kecil. Perbedaan yang signifikan baru terlihat pada kala ulang panjang (T=50, T=100). Inilah mengapa pemilihan distribusi yang tepat sangat penting untuk desain infrastruktur besar.

Kurva IDF (Intensitas–Durasi–Frekuensi)

Curah hujan rencana R_T (mm/hari) belum bisa langsung dipakai untuk desain drainase dan saluran. Yang dibutuhkan adalah intensitas hujan I (mm/jam) untuk berbagai durasi. Inilah peran Kurva IDF.

💡 Mengapa Perlu IDF?

Hujan 165 mm dalam sehari terasa besar, tapi mungkin bisa ditampung drainase yang baik. Tapi bayangkan 165 mm turun dalam 1 jam — bencana. Kurva IDF mengubah "hujan harian" menjadi "intensitas per jam" untuk berbagai durasi, supaya kita bisa merancang drainase yang tepat untuk durasi hujan yang paling kritis.

Rumus Mononobe — Metode Standar Indonesia

Intensitas Hujan Rencana (Rumus Mononobe) I = (R₂₄ / 24) · (24 / t)^(2/3) I = intensitas hujan (mm/jam) | R₂₄ = curah hujan harian rencana (mm) | t = durasi hujan (jam) Sumber: Mononobe (1932). Digunakan luas di Indonesia untuk durasi 5 menit hingga 24 jam.

📊 Tabel Intensitas Hujan I (mm/jam) — Distribusi Gumbel, Rumus Mononobe

*Baris yang disorot (t = 60 mnt) paling sering digunakan dalam desain drainase perkotaan dengan metode rasional.

Kurva IDF — Intensitas vs Durasi per Kala Ulang

Semakin pendek durasi → intensitas makin tinggi. Semakin panjang kala ulang → kurva makin atas.

T = 100 thn

T = 50 thn

T = 25 thn

T = 10 thn

T = 5 thn

T = 2 thn

🎯Tabel IDF dan kurva IDF di atas adalah output final yang siap pakai untuk desain infrastruktur. Nilai I pada t = 60 menit digunakan langsung dalam metode rasional Q = 0.278·C·I·A untuk menghitung debit rencana.

Kode R — Implementasi Lengkap

R · Baca Data & Hitung Statistik Dasar

library(readxl); library(dplyr); library(e1071)
options(OutDec = ".")  # pastikan desimal pakai titik

# ── Baca data dari Excel ──────────────────────────────────────
df <- read_excel("Data_Input_Frekuensi.xlsx", sheet = "Data_Hujan")
x  <- df$hujan_maks  # vektor data hujan maks tahunan (mm)
n  <- length(x)

# ── Statistik dasar ───────────────────────────────────────────
x_bar <- mean(x)
S     <- sd(x)
CV    <- S / x_bar
Cs    <- skewness(x)   # dari paket e1071
Ck    <- kurtosis(x)

cat("n      =", n,    "\n")
cat("x_bar  =", round(x_bar, 2), "mm\n")
cat("S      =", round(S,     2), "mm\n")
cat("CV     =", round(CV,    3),    "\n")
cat("Cs     =", round(Cs,    3),    "\n")

R · Fit Distribusi Gumbel & Curah Hujan Rencana

# ── Parameter distribusi Gumbel ───────────────────────────────
alpha_g <- S * pi / sqrt(6)
mu_g    <- x_bar - 0.5772 * alpha_g

# ── Fungsi faktor frekuensi Gumbel ───────────────────────────
KT_gumbel <- function(T) {
  -(sqrt(6) / pi) * (0.5772 + log(log(T / (T - 1))))
}

# ── Hitung curah hujan rencana ────────────────────────────────
T_values <- c(2, 5, 10, 25, 50, 100)

hasil_gumbel <- data.frame(
  T       = T_values,
  KT      = round(sapply(T_values, KT_gumbel), 3),
  R_T_mm  = round(x_bar + sapply(T_values, KT_gumbel) * S, 1)
)

print(hasil_gumbel)

R · Uji Kolmogorov-Smirnov

# ── Uji KS untuk Distribusi Gumbel ───────────────────────────
x_sorted <- sort(x)
P_emp    <- (1:n) / (n + 1)  # plotting position Weibull

# CDF Gumbel teoritis: F(x) = exp(-exp(-(x - mu)/alpha))
P_teo_gumbel <- exp(-exp(-(x_sorted - mu_g) / alpha_g))

D_hitung <- max(abs(P_emp - P_teo_gumbel))

# D kritis untuk n=25, alpha=5%: D_kritis = 1.36/sqrt(n)
D_kritis <- 1.36 / sqrt(n)

cat("D-hitung:", round(D_hitung, 4), "\n")
cat("D-kritis:", round(D_kritis, 4), "\n")
cat("Status  :", ifelse(D_hitung < D_kritis, "✅ DITERIMA", "❌ DITOLAK"), "\n")

R · Hitung Kurva IDF (Rumus Mononobe)

# ── Hitung tabel IDF dengan rumus Mononobe ────────────────────
library(tidyr); library(ggplot2)

durasi_jam <- c(5/60, 10/60, 15/60, 0.5, 1, 2, 3, 6, 12, 24)

# Fungsi Mononobe: I = (R24/24) * (24/t)^(2/3)
mononobe <- function(R24, t) (R24 / 24) * (24 / t)^(2/3)

# Buat tabel IDF untuk semua kala ulang
tbl_idf <- expand.grid(t = durasi_jam, T = T_values) |>
  left_join(hasil_gumbel |> select(T, R_T_mm), by = "T") |>
  mutate(
    I_mmjam = round(mononobe(R_T_mm, t), 1),
    T_label = paste0("T", T, "thn")
  )

# ── Plot Kurva IDF ─────────────────────────────────────────────
ggplot(tbl_idf, aes(x = t, y = I_mmjam, color = factor(T), group = T)) +
  geom_line(linewidth = 0.9) +
  geom_point(size = 1.5) +
  scale_x_log10(breaks = durasi_jam,
    labels = c("5'","10'","15'","30'","1j","2j","3j","6j","12j","24j")) +
  scale_y_log10() +
  labs(
    title    = "Kurva IDF — Distribusi Gumbel, Rumus Mononobe",
    subtitle = paste0("Stasiun: ... | n = ", n, " tahun"),
    x = "Durasi (jam, log scale)",
    y = "Intensitas (mm/jam, log scale)",
    color = "Kala Ulang",
    caption = "Metode: Mononobe (1932) | Distribusi: Gumbel EV-I"
  ) +
  theme_minimal(base_size = 11) +
  theme(plot.title = element_text(face = "bold"))

Kelanjutan — Hasil Ini Dipakai untuk Apa?

Curah hujan rencana dan kurva IDF bukan output akhir — melainkan bahan baku untuk hampir seluruh analisis hidrologi hilir. Inilah rantai lengkapnya:

📁 Data Hujan
Historis

→

🌧️ Analisa
Frekuensi
← kita ada di sini

→

💧 Debit Banjir
Rencana Q_T

→

🏗️ Desain
Infrastruktur

① Debit Banjir Rencana

CH rencana (mm) → debit puncak banjir (m³/s) menggunakan metode rasional atau hidrograf satuan. Digunakan untuk semua desain yang butuh angka debit.

Rumus Rasional:
Q = 0.278 · C · I · A

I dari kurva IDF (t = t_konsentrasi)

② Pemodelan HEC-HMS

CH rencana menjadi input hujan di HEC-HMS untuk menghasilkan hidrograf banjir di tiap titik DAS — volume banjir, waktu puncak, dan debit puncak per kala ulang.

→ Input: hietogram hujan dari CH rencana
→ Output: hidrograf banjir Q(t)

③ Pemodelan HEC-RAS

Debit dari HEC-HMS dirouting di HEC-RAS untuk mendapatkan profil muka air banjir di sepanjang sungai, peta genangan, dan analisis sempadan sungai.

→ Input: debit Q_T (m³/s)
→ Output: profil WSE, peta banjir

④ Desain Drainase (SWMM)

Intensitas IDF pada durasi t = 60 menit menjadi input langsung dalam desain kapasitas saluran dan gorong-gorong perkotaan.

→ Input: I (mm/jam) dari tabel IDF
→ Output: dimensi saluran (m)

⑤ Desain Bangunan Air

Debit banjir rencana menentukan kapasitas spillway, dimensi pelimpah, tinggi jagaan (freeboard), dan desain kolam olak bendung/bendungan.

→ Bendung: T = 50–100 tahun
→ Bendungan besar: T = 100–1000 tahun (PMF)

⑥ Analisis AMDAL

Prakiraan dampak peningkatan limpasan akibat perubahan tutupan lahan oleh suatu proyek pembangunan — perbandingan kondisi sebelum dan sesudah proyek.

→ ΔQ sebelum vs sesudah proyek
→ Rekomendasi mitigasi banjir

🔗Analisa frekuensi adalah titik awal dari rantai panjang analisis hidrologi. Semua angka yang tertulis di gambar desain drainase, tabel dimensi saluran, dan laporan AMDAL — semuanya berakar dari tabel curah hujan rencana dan kurva IDF yang dihasilkan di sini.

Kesimpulan

Ringkasan 6 Langkah Analisa Frekuensi

Kumpulkan data hujan historis ≥ 20 tahun

Ambil nilai maksimum tahunan → Annual Maximum Series. Sumber: BMKG, atau GPM IMERG yang sudah dikalibrasi.

Hitung statistik dasar (x̄, S, Cs, CV)

Nilai Cs dan CV menjadi panduan awal distribusi yang paling mungkin cocok untuk data di lokasi tersebut.

Fit ke 4 distribusi teoritis

Normal, Log-Normal, Gumbel, Log-Pearson III — hitung parameter dan CDF teoritis masing-masing.

Uji kecocokan: KS Test + Chi-Kuadrat

Pilih distribusi yang lulus kedua uji dengan nilai D dan χ² terkecil — distribusi yang paling mewakili data.

Hitung curah hujan rencana R_T

Untuk T = 2, 5, 10, 25, 50, 100 tahun menggunakan distribusi terpilih. Ini adalah angka desain utama.

Hitung kurva IDF dengan rumus Mononobe

Ubah R₂₄ menjadi intensitas I (mm/jam) untuk berbagai durasi. Output siap dipakai untuk desain drainase, HEC-HMS, SWMM, dan lainnya.

🌧️Analisa frekuensi curah hujan bukan sekadar menghitung angka statistik — ini adalah fondasi dari seluruh perencanaan infrastruktur air. Dari data hujan historis yang tampak membosankan, kita mengekstrak informasi yang menjawab pertanyaan terpenting dalam hidrologi teknik: "Seberapa besar kita harus menyiapkan diri untuk menghadapi alam?"