Hidrologi Terapan

Hidrologi Terapan 139 daya air. Dalam upaya mitigasi bencana, informasi ini merupakan landasan penting untuk pengembangan sistem peringatan dini banjir, edukasi masyarakat, dan penyusunan rencana tanggap darurat. Periode ulang menggambarkan frekuensi kemunculan suatu kejadian ekstrem dalam suatu periode waktu tertentu, sedangkan tingkat risiko mengukur potensi kerugian yang ditimbulkan oleh kejadian tersebut. Dengan pemahaman yang kuat tentang periode ulang dan tingkat risiko, para ahli dan pembuat kebijakan dapat merancang strategi mitigasi yang efektif dan tepat sasaran. Selain itu, pemahaman tentang periode ulang dan tingkat risiko juga memberikan dasar yang kuat untuk pengambilan keputusan yang terinformasi dalam pengelolaan sumber daya air. Informasi ini membantu dalam alokasi sumber daya air yang efisien, perencanaan pembangunan infrastruktur air, dan perizinan proyekproyek yang terkait dengan air. Dengan memiliki pemahaman yang baik tentang risiko hidrologi yang terkait dengan periode ulang dan tingkat risiko, para pengambil keputusan dapat mengoptimalkan penggunaan sumber daya air dan mengurangi kerugian yang mungkin terjadi akibat kejadian ekstrem. Selain manfaat dalam mitigasi bencana dan pengambilan keputusan, pemahaman tentang periode ulang dan tingkat risiko juga dapat meningkatkan kesadaran masyarakat tentang risiko hidrologi di wilayah mereka. Dengan menyebarkan informasi tentang potensi ancaman banjir dan risiko hidrologi lainnya yang terkait dengan periode ulang tertentu, masyarakat dapat lebih siap dalam menghadapi potensi bencana, mengambil

Hidrologi Terapan 140 langkah-langkah preventif yang sesuai, dan lebih responsif terhadap peringatan dini. Kesadaran masyarakat yang meningkat juga dapat membantu memperkuat kerja sama antara pemerintah, lembaga swadaya masyarakat, dan warga dalam menghadapi tantangan-tantangan yang terkait dengan risiko hidrologi. (Dewi et al., 2023) Dengan memahami periode ulang dan konsep risiko, kita dapat membuat keputusan yang lebih baik untuk membangun infrastruktur yang aman, mengelola sumber daya air secara berkelanjutan, dan meningkatkan ketahanan terhadap bencana hidrologi. D. Pemilihan Jenis Distribusi Probabilitas Kontinyu Distribusi probabilitas kontinu dalam hidrologi digunakan untuk memodelkan variabel-variabel hidrologi yang nilainya dapat berada dalam rentang yang tidak terbatas. Contoh variabel hidrologi yang bersifat kontinu meliputi curah hujan harian, yang mengukur jumlah curah hujan dalam suatu hari dengan satuan millimeter per hari. Variabel ini sering digunakan dalam analisis hidrologi karena curah hujan harian memiliki perubahan yang kontinu dari waktu ke waktu. Selain itu, debit air sungai juga merupakan variabel hidrologi kontinu, yang mengukur volume air yang mengalir melalui penampang sungai tertentu dalam satu hari dengan satuan meter kubik per detik. Variabel ini penting dalam pemodelan banjir, perencanaan irigasi, dan manajemen sumber daya air. Selanjutnya, tinggi muka air tanah juga merupakan variabel hidrologi kontinu yang

Hidrologi Terapan 141 mengukur ketinggian permukaan air tanah di sumur pengamatan pada waktu tertentu, dengan satuan meter. Informasi tentang tinggi muka air tanah digunakan dalam berbagai aplikasi hidrologi, termasuk manajemen airtanah, pemodelan intrusi air laut, dan evaluasi keberlanjutan pengelolaan sumber daya air. Dengan memahami distribusi probabilitas kontinu dari variabelvariabel ini, para ahli hidrologi dapat mengembangkan model yang lebih akurat untuk memprediksi perilaku sistem hidrologi dan mengambil keputusan yang lebih tepat dalam pengelolaan sumber daya air. Pemilihan dan penentuan jenis distribusi probabilitas berdasarkan parameter statistik seperti nilai rerata, standart deviasi atau simpangan baku (Sd), koefisien skewness atau kemencengan (Cs), koefisien variasi (Cv), dan koefisien kurtosis (Ck). Tabel 1. Syarat penentuan jenis distribusi Jenis Distribusi Syarat Normal Cs ≈ 0 Ck ≈ 3 Log Normal Cs ≈ Cv3 + 3Cv Ck ≈ Cv8 + 6Cv6 + 15Cv4 + 16Cv2 + 3 Gumbel Cs ≤ 1,14 Ck ≤ 5,40 Log Pearson III Cs ≠ 0 Menurut I Made Kamiana (2011), Dalam analisis frekuensi data hujan atau data debit guna memperoleh nilai hujan rencana atau debit rencana, dikenal beberapa

Hidrologi Terapan 142 distribusi probabilitas kontinu yang sering digunakan, yaitu: (Fajriyah & Wardhani, 2020) 1. Gumbel Distribusi Gumbel, yang juga dikenal sebagai distribusi ekstrem tipe I, adalah salah satu distribusi probabilitas kontinu yang digunakan dalam analisis hidrologi untuk memodelkan ekstrem maksimum atau minimum dalam suatu periode waktu tertentu. Distribusi ini memiliki dua parameter, yaitu parameter lokasi dan parameter skala. Parameterparameter ini digunakan untuk memperkirakan nilainilai ekstrem dan menentukan bentuk distribusi Gumbel. Distribusi Gumbel sering digunakan untuk memprediksi kejadian ekstrem, seperti banjir besar atau kekeringan parah, yang memiliki dampak signifikan dalam perencanaan dan manajemen sumber daya air. Penggunaan distribusi Gumbel dalam analisis hidrologi didasarkan pada Teorema Ekstrem FisherTippett, yang menyatakan bahwa distribusi ekstrem atas dari sejumlah besar sampel data independen dan identik cenderung mendekati distribusi Gumbel. Oleh karena itu, distribusi Gumbel sering digunakan untuk memodelkan nilai-nilai ekstrem dalam rangkaian data hidrologi, seperti curah hujan ekstrem atau debit sungai maksimum. Metode estimasi parameter distribusi Gumbel biasanya dilakukan menggunakan teknik-teknik statistik, seperti metode momen atau metode maksimum likelihood.

Hidrologi Terapan 143 = ̅ + = = [ ( )] Dimana: = curah hujan rencana atau debit banjir rencana ̅ = curah hujan rerata atau debit banjir rerata K = factor frekuensi S = standar deviasi YT = reduced variated Sn = standar deviasi dari variasi Gumbel Yn = nilai rerata dari variasi Gumbel T = periode ulang (tahun) Tabel 2. Nilai Standar Deviasi dari Variasi Gumbel

Hidrologi Terapan 144 Tabel 3. Nilai Rata-Rata (Yn) dari variasi Gumbel Dalam praktiknya, distribusi Gumbel digunakan untuk menghitung nilai-nilai ekstrem yang dapat diharapkan dalam jangka waktu tertentu dengan probabilitas tertentu. Hal ini memungkinkan perencana dan pengelola sumber daya air untuk membuat keputusan yang terkait dengan desain struktur hidrologis, seperti bendungan atau saluran drainase, dengan mempertimbangkan kemungkinan kejadian ekstrem. Meskipun distribusi Gumbel sering digunakan dalam analisis hidrologi, penting untuk memperhatikan bahwa penggunaannya harus didasarkan pada asumsi yang tepat tentang sifat data dan karakteristik hidrologi wilayah yang bersangkutan. 2. Normal Distribusi normal, juga dikenal sebagai distribusi Gauss atau distribusi normal baku, merupakan salah satu distribusi probabilitas kontinu yang paling umum digunakan dalam analisis statistik. Distribusi ini ditandai oleh bentuk lonceng simetrisnya, di mana

Hidrologi Terapan 145 sebagian besar data berada di sekitar nilai tengah (mean) dan nilai-nilai yang ekstrem jarang terjadi di ekor distribusi. Distribusi normal memiliki dua parameter utama, yaitu mean yang menentukan pusat distribusi dan standar deviasi yang mengukur sebaran data di sekitar mean. Distribusi normal digunakan dalam berbagai bidang, termasuk hidrologi, untuk memodelkan berbagai fenomena alami yang terdistribusi secara normal, seperti suhu udara, tinggi muka air, atau curah hujan bulanan. = ̅ + Dimana: = curah hujan rencana atau debit banjir rencana ̅ = curah hujan rerata atau debit banjir rerata KT = Nilai variabel reduksi Gauss S = standar deviasi Tabel 4. Nilai variabel reduksi Gauss

Hidrologi Terapan 146 Dalam konteks hidrologi, distribusi normal sering digunakan untuk memodelkan variabel hidrologi yang memiliki sifat distribusi yang mendekati normal, seperti suhu air, tinggi muka air sungai, atau curah hujan bulanan. Estimasi parameter distribusi normal biasanya dilakukan berdasarkan data historis, dan teknik-teknik statistik seperti metode momen atau metode maksimum likelihood sering digunakan. Distribusi normal digunakan untuk berbagai tujuan dalam hidrologi, termasuk pemodelan hidrologi, analisis frekuensi, dan prediksi kejadian ekstrem. Namun, perlu diingat bahwa distribusi normal mungkin tidak selalu merupakan pilihan yang tepat untuk semua jenis data hidrologi, terutama ketika data tidak menunjukkan sifat distribusi normal atau ketika berhadapan dengan kejadian ekstrem. Oleh karena itu, penting untuk melakukan evaluasi yang cermat terhadap data dan mempertimbangkan distribusi alternatif saat menerapkan distribusi normal dalam analisis hidrologi. 3. Log Normal Distribusi log-normal adalah distribusi probabilitas kontinu di mana logaritma dari variabel tersebut memiliki distribusi normal. Ini berarti jika data asli diukur dalam skala logaritmik, maka distribusi data tersebut akan terlihat normal. Distribusi log-normal sering digunakan dalam analisis hidrologi untuk memodelkan variabel hidrologi yang memiliki sifat distribusi yang mendekati log-normal, seperti curah hujan bulanan atau debit sungai.

Hidrologi Terapan 147 Distribusi ini memiliki dua parameter utama, yaitu parameter dan parameter lokasi. Parameter skala mengontrol seberapa beragamnya data dalam distribusi, sementara parameter lokasi menentukan posisi pusat distribusi. Estimasi parameter distribusi log-normal dapat dilakukan menggunakan berbagai teknik statistik, seperti metode momen atau metode maksimum likelihood. = ̅ + = Dimana: = curah hujan rencana atau debit banjir rencana ̅ = curah hujan rerata atau debit banjir rerata KT = Nilai variabel reduksi Gauss SlogX = standar deviasi LogX = proses kebalikan dari fungsi LogX Dalam analisis hidrologi, distribusi log-normal sering digunakan dalam berbagai konteks, termasuk pemodelan curah hujan bulanan, prediksi kejadian ekstrem, dan analisis frekuensi debit sungai. Namun, penting untuk diingat bahwa distribusi log-normal hanya cocok untuk data yang secara alami memiliki sifat log-normal, dan tidak selalu merupakan pilihan yang tepat untuk semua jenis data hidrologi. Selain itu, seperti distribusi lainnya, distribusi log-normal juga memiliki batasan dan asumsi yang perlu

Hidrologi Terapan 148 dipertimbangkan saat menerapkannya dalam analisis hidrologi. Oleh karena itu, evaluasi yang cermat terhadap data dan pertimbangan terhadap distribusi alternatif sangat penting dalam pemilihan distribusi probabilitas yang sesuai untuk mewakili data hidrologi dengan akurat. 4. Log Pearson Type lll Distribusi Log Pearson Type III adalah salah satu distribusi probabilitas yang sering digunakan dalam analisis hidrologi untuk memodelkan variabel hidrologi yang memiliki sifat distribusi log-normal atau miring ke kanan. Distribusi ini bergantung pada tiga parameter yaitu parameter skala, parameter bentuk, dan parameter lokasi. Parameter skala mengontrol seberapa beragamnya data dalam distribusi, parameter bentuk mengontrol bentuk distribusi, sedangkan parameter lokasi menentukan posisi pusat distribusi. = ̅ + = Dimana: = curah hujan rencana atau debit banjir rencana ̅ = curah hujan rerata atau debit banjir rerata K = koef untuk distribusi Log Pearson III SlogX = standar deviasi LogX = proses kebalikan dari fungsi LogX

Hidrologi Terapan 149 Tabel 5. Koefisien untuk distribusi Log Pearson III (Sumber: Soewarno, 1995) Distribusi Log Pearson Type III memiliki keunggulan karena mampu menangani variasi dalam data hidrologi dengan lebih baik daripada distribusi lainnya. Distribusi ini sering digunakan dalam pemodelan variasi debit sungai, curah hujan ekstrem, dan fenomena hidrologis lainnya. Estimasi parameter

Hidrologi Terapan 150 distribusi Log Pearson Type III dapat dilakukan menggunakan berbagai metode, seperti metode momen atau metode maksimum likelihood. Namun, seperti halnya dengan distribusi lainnya, penting untuk melakukan evaluasi yang cermat terhadap data dan mempertimbangkan asumsi distribusi sebelum menerapkannya dalam analisis hidrologi. Pemilihan distribusi probabilitas kontinu yang tepat untuk memodelkan suatu variabel hidrologi dipengaruhi oleh beberapa faktor penting. Pertama, karakteristik data merupakan faktor kunci yang harus dipertimbangkan. Ini mencakup bentuk distribusi data, seperti simetris, miring ke kiri, atau miring ke kanan. Distribusi data yang berbeda mungkin memerlukan pendekatan model yang berbeda pula. Selanjutnya, parameter statistik dari data, seperti nilai rata-rata, standar deviasi, dan momen statistik lainnya, juga memengaruhi pemilihan distribusi probabilitas yang tepat. Pemahaman yang baik tentang parameter-parameter ini membantu dalam menyesuaikan model dengan data yang diamati. Selain itu, tujuan pemodelan juga menjadi faktor penentu. Apakah model tersebut digunakan untuk memprediksi nilai variabel di masa depan, menghitung risiko banjir, atau tujuan lainnya akan memengaruhi pemilihan distribusi probabilitas yang sesuai. Misalnya, untuk memprediksi kejadian ekstrem seperti banjir, distribusi probabilitas yang digunakan mungkin berbeda dengan distribusi untuk memodelkan variabel secara umum. Dengan mempertimbangkan faktor-faktor ini secara cermat, pemilihan distribusi probabilitas yang tepat dapat memberikan hasil yang lebih

Hidrologi Terapan 151 akurat dalam analisis hidrologi dan manajemen sumber daya air. Distribusi probabilitas kontinu dapat digunakan untuk berbagai keperluan dalam hidrologi, di antaranya: (Limantara, 2019) 1. Prediksi Nilai Variabel Hidrologi Distribusi probabilitas dapat digunakan untuk memprediksi nilai variabel hidrologi di masa depan, seperti curah hujan maksimum harian atau debit air sungai maksimum bulanan. 2. Penghitungan Risiko Banjir Distribusi probabilitas dapat digunakan untuk menghitung probabilitas terjadinya banjir dengan besar atau sama dengan nilai tertentu. 3. Analisis Keandalan Sistem Air Distribusi probabilitas dapat digunakan untuk menganalisis keandalan sistem air, seperti probabilitas sistem air tidak dapat memenuhi permintaan air. 4. Simulasi Hidrologi Distribusi probabilitas dapat digunakan dalam model simulasi hidrologi untuk mensimulasikan berbagai skenario hidrologi di masa depan. Distribusi probabilitas kontinu merupakan alat yang penting dalam hidrologi untuk memodelkan variabelvariabel hidrologi dan untuk berbagai keperluan, seperti prediksi nilai variabel, penghitungan risiko banjir, analisis keandalan sistem air, dan simulasi hidrologi. Pemilihan

Hidrologi Terapan 152 distribusi probabilitas yang tepat dan penggunaan yang tepat dapat membantu dalam pengambilan keputusan yang lebih baik dalam pengelolaan sumber daya air. E. Pengujian Kesesuaian Distribusi Pengujian kesesuaian distribusi dalam hidrologi terapan merupakan langkah penting untuk menentukan distribusi probabilitas yang paling tepat untuk mewakili data hidrologi. Hal ini penting karena distribusi probabilitas digunakan untuk berbagai analisis hidrologi, seperti: (Supomo, 2021) 1. Perkiraan debit banjir Distribusi probabilitas curah hujan maksimum digunakan untuk memperkirakan debit banjir dengan periode ulang tertentu. 2. Analisis frekuensi kekeringan Distribusi probabilitas curah hujan bulanan atau tahunan digunakan untuk menganalisis frekuensi dan keparahan kekeringan. 3. Desain infrastruktur hidrologi Distribusi probabilitas debit sungai digunakan untuk mendesain infrastruktur hidrologi seperti bendungan, waduk, dan sistem drainase. Terdapat beberapa metode yang dapat digunakan untuk menguji kesesuaian distribusi, antara lain: a. Uji Chi-Kuadrat Uji Chi-Kuadrat membandingkan frekuensi data yang diamati (terhitung) dengan frekuensi yang

Hidrologi Terapan 153 diharapkan berdasarkan distribusi teoritis (nilai kritis). Jika nilai Chi-Kuadrat hitung lebih kecil dari nilai Chi-Kuadrat kritis pada tingkat signifikansi tertentu, maka distribusi teoritis dianggap sesuai dengan data yang diamati. 2 = ∑ ( ) 2 1 = ( + ) dimana: Xh 2 = parameter Chi-Kuadrat terhitung G = jumlah sub kelompok Oi = jumlah nilai pengamatan pada sub kelompok i Ei = jumlah nilai teoritis pada sub kelompok i DK = derajat kebebasan K = banyaknya kelas α = banyaknya keterikatan = 2

Hidrologi Terapan 154 Tabel 6. Chi-Kuadrat Nilai Kritis b. Uji Kolmogorov-Smirnov Uji Kolmogorov-Smirnov membandingkan distribusi kumulatif data yang diamati (terhitung) dengan distribusi kumulatif teoritis (nilai kritis). Nilai D statistik Kolmogorov-Smirnov harus lebih kecil dari nilai D kritis pada tingkat signifikansi tertentu agar distribusi teoritis dianggap sesuai dengan data yang diamati. D = maksimum [P(Xn) – P’(Xn)]

Hidrologi Terapan 155 Tabel 7. Nilai D Kritis c. Uji Lilliefors Uji Lilliefors mirip dengan Uji KolmogorovSmirnov, tetapi lebih kuat terhadap data outlier. Nilai D statistik Lilliefors harus lebih kecil dari nilai D kritis pada tingkat signifikansi tertentu agar distribusi teoritis dianggap sesuai dengan data yang diamati. Pemilihan metode uji kesesuaian distribusi tergantung pada beberapa faktor, antara lain: a. Ukuran sampel Uji Chi-Kuadrat umumnya lebih cocok untuk sampel besar, sedangkan Uji Kolmogorov-Smirnov dan Uji Lilliefors lebih cocok untuk sampel kecil. b. Keberadaan outlier Uji Lilliefors lebih kuat terhadap data outlier dibandingkan dengan Uji Kolmogorov-Smirnov. c. Tingkat signifikansi Tingkat signifikansi yang digunakan untuk menentukan apakah distribusi teoritis sesuai dengan data yang diamati.

Hidrologi Terapan 156 Contoh Penggunaan Misalkan kita ingin menentukan distribusi probabilitas yang paling tepat untuk mewakili data curah hujan bulanan di suatu stasiun. Berikut adalah langkahlangkahnya: 1. Kumpulkan data curah hujan bulanan. 2. Lakukan analisis statistik awal, seperti menghitung rata-rata, simpangan baku, dan koefisien variasi. 3. Pilih beberapa distribusi probabilitas yang mungkin sesuai, seperti distribusi normal, log-normal, atau Gumbel. 4. Lakukan uji kesesuaian distribusi untuk setiap distribusi yang dipilih. 5. Pilih distribusi probabilitas yang memiliki nilai statistik uji terkecil dan tidak menunjukkan pelanggaran terhadap asumsi distribusi. Pengujian kesesuaian distribusi merupakan langkah penting dalam hidrologi terapan untuk memilih distribusi probabilitas yang paling tepat untuk mewakili data hidrologi. Hal ini penting untuk memastikan keakuratan analisis hidrologi dan desain infrastruktur hidrologi.

Hidrologi Terapan 157 Rangkuman Prinsip statistik dalam analisis frekuensi membantu dalam memahami distribusi dan pola data hidrologi. Seri data hidrologi adalah data berurutan tentang fenomena hidrologi seperti curah hujan, debit sungai, atau tinggi muka air tanah. Periode ulang dan tingkat risiko adalah konsep penting yang digunakan untuk mengukur frekuensi dan keparahan kejadian hidrologi tertentu. Distribusi probabilitas kontinyu, seperti Gumbel atau Log Normal, digunakan untuk memodelkan variabel hidrologi yang mengambil nilai dalam rentang yang tidak terbatas. Penggambaran pada kertas probabilitas adalah teknik visualisasi yang berguna dalam mengevaluasi sebaran data terhadap distribusi probabilitas tertentu, membantu analis menentukan kecocokan data dengan model yang dipilih.

Hidrologi Terapan 158 Evaluasi 1. Apa yang dimaksud dengan analisis frekuensi dalam konteks hidrologi, dan mengapa penting dalam pengelolaan sumber daya air? 2. Jelaskan perbedaan antara data hidrologi diskrit dan data hidrologi kontinu, serta berikan contoh masing-masing. 3. Bagaimana cara menghitung periode ulang suatu kejadian hidrologi berdasarkan distribusi probabilitas, dan apa arti hasilnya dalam pengambilan keputusan dalam pengelolaan sumber daya air? 4. Gambarkan distribusi probabilitas Normal dan Log Normal yang sering digunakan dalam analisis frekuensi hidrologi. Berikan contoh kapan setiap distribusi ini mungkin digunakan. 5. Jelaskan konsep penggambaran pada kertas probabilitas, dan bagaimana teknik ini dapat membantu analis dalam mengevaluasi distribusi data hidrologi terhadap distribusi probabilitas yang dipilih..

Hidrologi Terapan 159 Hujan Rencana 9

Hidrologi Terapan 160 alam bab ini, mahasiswa akan mempelajari tentang Hujan Rencana, yang merupakan konsep penting dalam hidrologi untuk merencanakan infrastruktur tahan air dan memahami pola hujan suatu wilayah. Pendahuluan tentang Hujan Rencana memberikan landasan teoritis tentang konsep ini serta pentingnya memperhitungkan hujan ekstrem dalam perencanaan. Selanjutnya, mereka akan mempelajari konsep Intensity-Duration-Frequency (IDF), yang menggambarkan hubungan antara intensitas, durasi, dan frekuensi hujan ekstrem. Kurva IDF dengan Metode Mononobe akan menjelaskan pendekatan matematis untuk menghasilkan kurva IDF yang digunakan dalam analisis hidrologi. Hyetograph Hujan Rencana akan membahas metode untuk menggambarkan pola hujan selama periode waktu tertentu, yang penting untuk merencanakan drainase dan manajemen banjir. Terakhir, penurunan distribusi hujan akan membahas proses pengurangan data hujan sepanjang sungai atau wilayah tertentu menjadi serangkaian data titik yang merepresentasikan distribusi spasial hujan. Ini adalah langkah penting dalam memahami bagaimana hujan terdistribusi di suatu wilayah dan bagaimana hal itu mempengaruhi hidrologi dan manajemen air. A. Pengertian Hujan Rencana Hujan rencana adalah salah satu konsep penting dalam bidang hidrologi yang digunakan untuk memprediksi pola hujan ekstrem di suatu wilayah dalam rentang waktu tertentu. Konsep ini membantu para ahli dan perencana infrastruktur untuk memahami karakteristik D

Hidrologi Terapan 161 hujan yang mungkin terjadi di masa depan. Pemahaman tentang hujan rencana sangat diperlukan dalam perencanaan sistem drainase, manajemen banjir, serta pembangunan infrastruktur yang tahan terhadap dampak hujan ekstrem. Intensitas, durasi, dan frekuensi adalah tiga komponen utama dalam konsep hujan rencana. Intensitas hujan merujuk pada jumlah curah hujan yang jatuh dalam satu unit waktu, biasanya diukur dalam milimeter per jam. Durasi mengacu pada periode waktu di mana hujan terjadi, sedangkan frekuensi mengindikasikan kemungkinan terjadinya hujan ekstrem dengan intensitas tertentu dalam suatu periode waktu, seperti dalam satu tahun. Pendekatan dalam memahami hujan rencana sering kali melibatkan analisis statistik terhadap data hujan historis. Dengan menganalisis data curah hujan yang tercatat dalam rentang waktu tertentu, para ahli dapat mengekstrak pola dan tren yang membantu dalam merumuskan estimasi hujan rencana. Proses ini dapat melibatkan penggunaan model matematika dan statistik yang canggih untuk menghasilkan proyeksi yang akurat. Hujan rencana memainkan peran kunci dalam mitigasi risiko banjir dan perlindungan lingkungan. Dengan memahami karakteristik hujan ekstrem yang mungkin terjadi di masa depan, perencana dapat merancang infrastruktur yang lebih tahan terhadap dampak banjir dan erosi tanah. Selain itu, pemahaman yang lebih baik tentang hujan rencana juga membantu dalam merancang sistem peringatan dini banjir yang

Hidrologi Terapan 162 efektif, sehingga dapat mengurangi risiko kehidupan manusia dan kerugian materiil. (Latuamury & Hut, 2023) Dalam praktiknya, penggunaan konsep hujan rencana memerlukan pendekatan multidisiplin yang melibatkan ahli hidrologi, statistik, dan insinyur. Kolaborasi antara para ahli ini penting untuk menghasilkan estimasi yang akurat dan berguna dalam perencanaan infrastruktur dan manajemen risiko banjir. Dengan demikian, hujan rencana tidak hanya menjadi konsep teoritis, tetapi juga menjadi landasan penting dalam upaya mitigasi risiko bencana dan pembangunan berkelanjutan. Data curah hujan merupakan bagian dari data hidrologi yang penting untuk analisis dalam beragam jenis perencanaan. Dalam pengelolaan suatu DAS juga diperlukan data hujan yang jatuh di suatu DAS sebagai informasi dan bahan pertimbangan dalam pengelolaan. Data-data hujan yang terkumpul dari hasil perekaman suatu stasiun hujan (ARR/Automatic Rainfall Recorder) dapat digunakan untuk memprediksi curah hujan rencana tahunan yang akan datang. Hujan rencana merupakan perkiraan curah hujan yang akan terjadi pada suatu DAS. Untuk menghitung hujan rencana tahunan dapat di cari menggunakan metode distribusi Gumbel, Log Pearson Type III, distribusi Normal dan distribusi Log Normal (Ghalbi Mahendra, 2020). Metode distribusi frekuensi telah dijelaskan pada BAB VIII. B. Intensity-Duration-Frequency (IDF) Intensity-Duration-Frequency (IDF) adalah salah satu konsep penting dalam hidrologi yang digunakan untuk

Hidrologi Terapan 163 memahami pola hujan ekstrem. Konsep ini menggambarkan hubungan antara intensitas hujan (I), durasi (D), dan frekuensi kejadian (F) hujan ekstrem dalam suatu wilayah tertentu. Dengan kata lain, IDF menyediakan informasi tentang seberapa sering hujan dengan intensitas tertentu dapat diharapkan dalam durasi tertentu. IDF merupakan alat penting dalam perencanaan infrastruktur, manajemen banjir, dan mitigasi risiko bencana, karena memungkinkan perencana untuk mengevaluasi dampak potensial dari hujan ekstrem pada suatu wilayah. Metode pengembangan kurva IDF melibatkan analisis statistik terhadap data curah hujan historis yang diperoleh dari stasiun cuaca. Data ini mencakup informasi tentang intensitas, durasi, dan frekuensi kejadian hujan selama periode waktu tertentu. Dengan menggunakan teknik analisis statistik seperti regresi, parameter-parameter IDF, seperti koefisien regresi dan eksponen distribusi, dapat diestimasi. Hasil dari analisis ini adalah kurva IDF yang menunjukkan hubungan antara intensitas hujan, durasi, dan frekuensi kejadian hujan ekstrem. Kurva IDF digunakan dalam berbagai aplikasi, termasuk perencanaan infrastruktur, manajemen banjir, dan mitigasi risiko bencana. Misalnya, dalam perencanaan drainase perkotaan, kurva IDF digunakan untuk menentukan ukuran dan kapasitas saluran air, drainase permukaan, dan sistem tata air lainnya. Dengan memahami intensitas hujan yang mungkin terjadi dalam durasi tertentu, para perencana dapat merancang infrastruktur yang dapat menangani hujan ekstrem dengan efektif. (Badaruddin et al., 2021)

Hidrologi Terapan 164 Selain itu, kurva IDF juga penting dalam penilaian risiko banjir, di mana dapat membantu para ahli dalam mengidentifikasi daerah-daerah yang rentan terhadap banjir. Dengan mempertimbangkan intensitas hujan yang diantisipasi dalam kurva IDF, para pemangku kepentingan dapat mengambil langkah-langkah yang tepat dalam mengelola risiko banjir, seperti pengembangan rencana tanggap darurat dan perencanaan penggunaan lahan yang berkelanjutan. Namun, penting untuk dicatat bahwa kurva IDF memiliki keterbatasan, terutama dalam mengantisipasi perubahan iklim yang dapat memengaruhi pola hujan di masa depan. Oleh karena itu, para peneliti terus mengembangkan metode yang lebih canggih untuk menghasilkan proyeksi hujan masa depan yang lebih akurat. Dengan demikian, kurva IDF tetap menjadi alat penting dalam perencanaan dan manajemen air, namun perlu dikombinasikan dengan penilaian risiko yang cermat dan proyeksi iklim yang lebih luas untuk memperhitungkan ketidakpastian masa depan. C. Kurva IDF dengan Metode Mononobe Metode Mononobe adalah salah satu pendekatan yang digunakan untuk mengembangkan kurva IntensityDuration-Frequency (IDF) dalam analisis hidrologi. Pendekatan ini didasarkan pada hubungan antara intensitas hujan, durasi, dan frekuensi kejadian hujan ekstrem, dengan mempertimbangkan karakteristik iklim dan topografi wilayah tertentu. Metode Mononobe menunjukkan perkembangan hujan ekstrem dalam

Hidrologi Terapan 165 berbagai durasi dengan memanfaatkan data curah hujan historis dan distribusi probabilitas statistik. Pendekatan Mononobe menggabungkan konsepkonsep hidrologi dengan metode statistik untuk menghasilkan kurva IDF yang dapat digunakan dalam perencanaan infrastruktur dan manajemen risiko bencana. Proses pengembangannya melibatkan analisis statistik dari data curah hujan historis, di mana parameterparameter distribusi probabilitas, seperti koefisien regresi dan eksponen distribusi, diestimasi. Hasilnya adalah kurva IDF yang menunjukkan intensitas hujan yang diantisipasi dalam durasi dan frekuensi tertentu. Kurva IDF yang dikembangkan dengan Metode Mononobe memberikan informasi penting tentang pola hujan ekstrem dalam suatu wilayah, yang sangat berguna dalam perencanaan dan manajemen air. Kurva ini digunakan untuk mengevaluasi dampak potensial dari hujan ekstrem terhadap infrastruktur dan lingkungan, serta untuk mengidentifikasi daerah-daerah yang rentan terhadap risiko banjir. Dengan memahami intensitas hujan yang diharapkan dalam durasi tertentu, para perencana dapat merancang sistem drainase, saluran air, dan infrastruktur lainnya yang dapat menangani hujan ekstrem dengan efektif. Meskipun Metode Mononobe merupakan alat yang berguna dalam pengembangan kurva IDF, penting untuk memperhatikan keterbatasan dan asumsi yang terkait dengan pendekatan ini. Seperti metode statistik lainnya, Metode Mononobe juga memiliki ketidakpastian yang perlu diperhatikan dalam penggunaannya. Oleh karena itu, penggunaan Metode Mononobe harus dikombinasikan

Hidrologi Terapan 166 dengan penilaian risiko yang cermat dan pertimbangan yang matang terhadap asumsi-asumsi yang digunakan dalam analisis. (Partarini, 2019) D. Pola Distribusi Hujan Pola distribusi hujan mengacu pada karakteristik statistik dari distribusi curah hujan dalam suatu wilayah atau lokasi tertentu selama periode waktu tertentu. Pola distribusi hujan sering kali digambarkan melalui berbagai parameter, termasuk intensitas, durasi, frekuensi, dan jumlah curah hujan yang diharapkan. Pola ini sangat penting dalam analisis hidrologi karena membantu dalam memahami perilaku hujan dalam konteks waktu dan spasial, yang pada gilirannya berdampak pada sistem aliran air, tanah, dan lingkungan. Gambar 6. Pola Distribusi Hujan Berikut adalah beberapa pola distribusi hujan yang ada pada umumnya : (Dwiyantoro, 2018)

Hidrologi Terapan 167 1. Distribusi hujan terukur Distribusi hujan terukur merujuk pada data curah hujan yang diamati secara langsung di lapangan menggunakan alat ukur hujan seperti pluviometer. Data ini memiliki tingkat akurasi yang tinggi karena mencerminkan kondisi curah hujan yang sebenarnya di lokasi pengukuran tersebut. Dengan mengumpulkan data distribusi hujan terukur dari berbagai stasiun pengukuran, para ahli hidrologi dapat memperoleh pemahaman yang lebih baik tentang pola dan karakteristik curah hujan di suatu wilayah. Namun, penting untuk diingat bahwa data distribusi hujan terukur sering kali hanya tersedia untuk stasiun pengukuran tertentu dan tidak selalu mewakili kondisi di seluruh wilayah tersebut. Oleh karena itu, untuk analisis yang lebih komprehensif, seringkali diperlukan penggunaan data distribusi hujan yang dikombinasikan dengan data lainnya, seperti citra satelit atau model hidrologi. Dengan demikian, penggunaan data distribusi hujan terukur dapat memberikan kontribusi yang signifikan dalam pengelolaan sumber daya air, perencanaan tata guna lahan, dan pemodelan hidrologi untuk berbagai aplikasi, termasuk mitigasi bencana alam dan adaptasi terhadap perubahan iklim. 2. Model Tadashi Tanimoto Model Tadashi Tanimoto adalah sebuah model statistik yang digunakan untuk memprediksi distribusi hujan harian maksimum dengan periode ulang tertentu. Model ini didasarkan pada data curah hujan

Hidrologi Terapan 168 terukur yang dikumpulkan dari beberapa stasiun pengukuran. Selain itu, model ini juga mempertimbangkan faktor-faktor penting seperti lokasi geografis, topografi, dan iklim. Tadashi Tanimoto (1969), mengembangkan distribusi hujan jam-jaman yang dapat digunakan di Pulau Jawa dengan memanfaatkan data hujan jam-jaman dengan cara menetapkan hujan yang berlangsung selama 8 jam dengan presentase sebagai berikut. Gambar 7. Distribusi Hujan Jam-Jaman Tadashi Tanimoto Dengan memanfaatkan data ini, Model Tadashi Tanimoto dapat memberikan estimasi yang cukup akurat tentang distribusi hujan pada suatu lokasi dalam periode waktu tertentu. Model ini sering digunakan dalam analisis frekuensi hujan maksimum dan perencanaan infrastruktur hidrologi seperti bendungan, saluran air, dan sistem drainase. Dengan menggunakan model ini, para ahli dan insinyur dapat

Hidrologi Terapan 169 membuat keputusan yang lebih baik terkait manajemen air dan mitigasi risiko banjir. 3. Alternatif Block Method (ABM) Alternating Block Method (ABM) adalah sebuah metode statistik yang digunakan untuk memprediksi distribusi hujan dalam durasi tertentu, seperti 1 jam, 6 jam, atau 12 jam. Metode ini memanfaatkan data curah hujan terukur harian yang kemudian dibagi menjadi blok-blok waktu yang lebih kecil. Dalam ABM, blok-blok waktu tersebut diurutkan ke dalam rangkaian waktu dengan intensitas hujan maksimum berada pada tengah durasi hujan, kemudian blok-blok sisanya diurutkan secara selang-seling pada kanan dan kiri dari blok tengah. Hal ini memungkinkan untuk memperoleh estimasi distribusi hujan dalam periode waktu yang lebih pendek. ABM sering digunakan dalam analisis hidrologi untuk perhitungan debit banjir dan perancangan sistem drainase. Gambar 8. Distribusi Hujan Jam-Jaman ABM

Hidrologi Terapan 170 Perbandingan Distribusi Hujan Terukur, Model Tadashi Tanimoto, dan ABM: Pemilihan metode yang tepat untuk menganalisis pola distribusi hujan tergantung pada tujuan analisis, ketersediaan data, dan tingkat akurasi yang diinginkan E. Hujan Efektif Metode Phi Indeks Setelah melakukan perhitungan distribusi hujan jamjaman, dapat menghitung hujan efektif setiap jam dengan mengurangi faktor kehilangan air (losses). Metode Phi Indeks adalah pendekatan yang digunakan untuk mengukur efektivitas hujan. Dalam konteks ini, "efektif" merujuk pada kemampuan hujan dalam menyuplai kebutuhan air tanah dan menopang kehidupan tanaman serta kegiatan manusia. Metode Phi Indeks diperlukan data aliran dan menggunakan parameter seperti intensitas hujan, lamanya hujan, dan distribusi spasialnya untuk mengevaluasi dampaknya terhadap lingkungan.

Hidrologi Terapan 171 Dalam metode ini, "Phi Index" adalah ukuran yang digunakan untuk menentukan efektivitas hujan. Nilai Phi Index diperoleh dari perhitungan matematis yang melibatkan faktor-faktor seperti curah hujan, infiltrasi tanah, evaporasi, dan aliran permukaan. Semakin tinggi nilai Phi Index, semakin efektif hujan tersebut dalam menyediakan air bagi tanaman dan kebutuhan manusia. Penggunaan metode Phi Indeks dapat membantu dalam perencanaan pengelolaan sumber daya air, pertanian, dan pengembangan wilayah. Dengan memahami seberapa efektif hujan dalam memenuhi kebutuhan air, kita dapat mengoptimalkan penggunaan sumber daya alam secara berkelanjutan. = I = ∑ I ∑ = ∑( ) A 3 = Dimana: Pe = Hujan efektif (mm) I = Intensitas hujan (mm/jam) ϕ indeks = Indeks infiltrasi (mm/jam) TLL = Tinggi Limpasan Langsung (mm) harus = 1 t = waktu (jam) Q = Debit aliran dari data terukur (m3/s)

Hidrologi Terapan 172 BF = debit aliran dasar (m3/s) A = Luas DAS (km2) Metode ini dikembangkan oleh Horton (1933) dan dimodifikasi oleh Chow (1954) dengan memperkenalkan parameter Phi. Rumus: Metode Phi Indeks memiliki sejumlah kelebihan yang membuatnya menonjol di antara berbagai metode analisis hidrologi. Pertama-tama, metode ini mudah dipahami dan digunakan oleh berbagai kalangan, dari praktisi lapangan hingga pengambil keputusan. Konsepnya yang sederhana memungkinkan pengguna untuk dengan cepat memahami dan menerapkannya dalam berbagai situasi. Selain itu, kebutuhan akan data yang relatif sedikit membuat metode ini dapat diaplikasikan di daerah dengan keterbatasan data hidrologi, menjadikannya solusi yang fleksibel. Selain mudah digunakan, Metode Phi Indeks juga cukup akurat dalam melakukan perkiraan kasar terkait hujan efektif. Dengan mempertimbangkan faktor-faktor

Hidrologi Terapan 173 utama seperti intensitas hujan dan lamanya hujan, metode ini mampu memberikan estimasi yang memadai tentang dampak hujan terhadap sumber daya air tanah dan kehidupan tanaman. Ini memungkinkan para ahli hidrologi dan pengambil keputusan untuk membuat keputusan awal yang tepat dalam pengelolaan sumber daya air. Meskipun memiliki sejumlah kelebihan, Metode Phi Indeks juga memiliki kekurangan yang perlu diperhatikan. Salah satunya adalah ketidaktertarikan terhadap heterogenitas spasial dan temporal dari parameter infiltrasi. Dalam kondisi ekstrim, seperti curah hujan tinggi atau tingkat kelembaban awal tanah yang rendah, metode ini mungkin kurang akurat dan dapat menghasilkan perkiraan yang tidak memadai. Oleh karena itu, untuk analisis yang lebih mendalam dan detail, diperlukan metode tambahan yang memperhitungkan faktor-faktor ini dengan lebih cermat. Secara keseluruhan, Metode Phi Indeks merupakan alat yang sederhana dan praktis untuk memperkirakan hujan efektif dalam suatu Daerah Aliran Sungai (DAS). Cocok digunakan untuk perkiraan awal dalam analisis hidrologi, namun, untuk mendapatkan pemahaman yang lebih mendalam, pengguna harus memperhatikan keterbatasan metodenya dan mempertimbangkan metode yang lebih kompleks yang sesuai dengan kebutuhan analisis yang lebih detail.

Hidrologi Terapan 174 F. Hujan Efektif Metode SCS-CN Metode SCS-CN (Soil Conservation Service - Curve Number) adalah metode yang dikembangkan oleh Soil Conservation Service (SCS) Amerika Serikat untuk memperkirakan hujan efektif, yaitu jumlah air hujan yang Secara langsung (directly) menyumbang aliran permukaan di DAS (Daerah Aliran Sungai). Hujan efektif dihitung menggunakan metode SCS-CN jika tidak tersedia data aliran. Metode ini didasarkan pada konsep bahwa infiltrasi dan limpasan dipengaruhi oleh beberapa faktor, seperti: (Mutiara, 2018) 1. Jenis tanah: Jenis tanah menentukan kapasitas infiltrasi dan laju infiltrasi awal. 2. Penutup lahan: Penutup lahan seperti hutan, vegetasi, dan area terbangun memiliki tingkat infiltrasi yang berbeda. 3. Kondisi antecedent moisture content (AMC): AMC adalah tingkat kelembaban tanah tergantung dari hujan 5 hari sebelumnya. Terdapat 3 kondisi AMC yaitu AMC I (kondisi kering/musim kemarau), AMC II (kondisi normal), dan AMC III (kondisi basah musim hujan). Nilai CN adalah parameter kunci dalam metode SCSCN yang mewakili kombinasi dari jenis tanah, penutup lahan, dan AMC. Nilai CN berkisar antara 30 hingga 100, dengan nilai yang lebih tinggi menunjukkan potensi limpasan yang lebih besar. Tabel CN tersedia untuk

Hidrologi Terapan 175 berbagai jenis tanah dan penutup lahan dalam kondisi AMC yang berbeda. Langkah-langkah menghitung hujan efektif adalah sebagai berikut: 1. Tentukan nilai CN berdasarkan jenis tanah, penutup lahan, dan kondisi AMC. I ( ) = 2 II II CN II (kondisi normal) = ditentukan dari tabel berdasarkan tipe tanah dan penutup lahan III ( ) = 2 II + II Tabel 8 Nilai CN II sesuai untuk lokasi tertentu. (Sumber: Flood Control Manual Volume II, 1993)

Hidrologi Terapan 176 2. Hitung distribusi hujan jam-jaman. 3. Hitung jumlah kumulatif distribusi hujan jam-jaman 4. Hitung nilai S yang merupakan fungsi dari nilai CN = 2 2 Dimana: S = fungsi dari nilai CN (mm) CN = fungsi dari karakteristik DAS 5. Hitung infiltrasi awal (Ia) menggunakan tabel atau kurva infiltrasi awal. Nilai Ia dapat juga menggunakan rumus: I = 2 Dimana: Ia = infiltrasi awal S = fungsi dari nilai CN (mm) 6. Hitung jumlah hujan efektif (ΣPe) dengan ketentuan: Jika (ΣP – Ia) ≤ 0 maka nilai ΣPe = 0 Jika (ΣP – Ia) > 0 maka nilai ΣPe sebagai berikut ∑ = (∑ I ) 2 ∑ I + = (∑ 2 ) 2 ∑ + 7. Hitung hujan efektif (Pe) dengan cara hitung selisih ΣPen – Σpen-1

Hidrologi Terapan 177 Metode SCS-CN (Soil Conservation Service - Curve Number) menawarkan sejumlah kelebihan yang membuatnya diminati dalam analisis hidrologi. Pertamatama, metode ini mudah dipahami dan digunakan, baik oleh praktisi lapangan maupun pengambil keputusan. Kemudahan ini membuatnya menjadi alat yang sangat diandalkan dalam berbagai konteks pengelolaan sumber daya air. Selain itu, kebutuhan akan data yang relatif sedikit membuatnya dapat diterapkan di wilayah dengan keterbatasan data hidrologi, memungkinkan analisis yang efektif dalam situasi tersebut. Keakuratan metode ini juga cukup memadai untuk perkiraan kasar terkait hujan efektif. Dengan tersedianya tabel Curve Number (CN) yang mencakup berbagai kondisi, metode ini memungkinkan estimasi yang cukup akurat tentang dampak hujan terhadap aliran permukaan dan infiltrasi tanah. Ini memberikan dasar yang kuat bagi para ahli hidrologi dan pengambil keputusan dalam pengelolaan sumber daya air. Meskipun memiliki sejumlah kelebihan, Metode SCSCN juga memiliki beberapa kekurangan yang perlu diperhatikan. Seperti halnya dengan Metode Phi Indeks, metode ini juga tidak memperhitungkan heterogenitas spasial dan temporal dari parameter infiltrasi. Selain itu, dalam kondisi ekstrim seperti curah hujan tinggi atau kelembaban awal tanah yang rendah, ketidaktepatan dapat terjadi, mengurangi kehandalan estimasi yang dihasilkan. Selain itu, metode ini mungkin kurang cocok untuk analisis detail di DAS yang kompleks, mengingat sederhananya dalam memodelkan proses hidrologi.

Hidrologi Terapan 178 Secara keseluruhan, Metode SCS-CN merupakan alat yang sederhana dan praktis untuk memperkirakan hujan efektif di DAS. Cocok digunakan untuk perkiraan awal dalam analisis hidrologi, namun, untuk analisis yang lebih detail, diperlukan metode tambahan yang mempertimbangkan heterogenitas spasial dan temporal dari parameter infiltrasi serta kondisi ekstrim yang mungkin terjadi.

Hidrologi Terapan 179 Rangkuman Pendahuluan tentang Hujan Rencana membahas konsep dasar dan pentingnya analisis hujan dalam rekayasa sipil, terutama dalam perencanaan infrastruktur hidrologi. Intensity-Duration-Frequency (IDF) mengeksplorasi hubungan antara intensitas, durasi, dan frekuensi hujan, yang digunakan untuk merancang sistem drainase dan manajemen banjir. Kurva IDF dengan Metode Mononobe menjelaskan pendekatan untuk menghasilkan kurva IDF yang sesuai dengan kondisi lokal dan karakteristik hidrologi wilayah tertentu. Hyetograph Hujan Rencana membahas representasi grafis dari distribusi hujan rencana dalam bentuk pola waktu, yang penting dalam memahami pola hujan harian dan musiman. Penurunan Distribusi Hujan membahas proses mengubah distribusi spasial curah hujan menjadi distribusi temporal yang berguna dalam perencanaan infrastruktur hidrologi dan manajemen risiko banjir.

Hidrologi Terapan 180 Evaluasi 1. Apa yang dimaksud dengan Hujan Rencana, dan mengapa analisisnya penting dalam rekayasa sipil? 2. Jelaskan konsep Intensity-Duration-Frequency (IDF) dalam konteks analisis hujan rencana. 3. Bagaimana Metode Mononobe digunakan untuk menghasilkan Kurva IDF, dan mengapa hal ini penting dalam perencanaan hidrologi? 4. Apa fungsi dari Hyetograph Hujan Rencana dalam analisis distribusi hujan? 5. Mengapa penurunan distribusi hujan menjadi penting dalam rekayasa sipil dan manajemen risiko banjir?.

Hidrologi Terapan 181 Banjir Rencana 10

Hidrologi Terapan 182 etelah mempelajari bab Banjir Rencana, mahasiswa akan memahami pentingnya hidrograf dalam analisis hidrologi, serta konsep-konsep seperti pemisahan aliran dasar, hidrograf satuan terukur, dan hidrograf satuan sintetis. Mereka akan dapat mengidentifikasi karakteristik aliran sungai dan memprediksi respons suatu Daerah Aliran Sungai (DAS) terhadap curah hujan standar, yang penting dalam perencanaan dan manajemen banjir serta pengelolaan sumber daya air secara efektif. A. Pendahuluan tentang Banjir Rencana Dalam ilmu hidrologi, hidrograf adalah representasi grafis dari hubungan antara debit air dan waktu di suatu titik tertentu pada sungai atau saluran drainase. Ini adalah kurva yang menggambarkan bagaimana Daerah Aliran Sungai (DAS) merespons curah hujan yang terjadi. Hidrograf memberikan informasi yang sangat penting tentang karakteristik aliran sungai, yang mencakup beberapa parameter utama: (Bobo et al., 2023) 1. Debit Puncak: Ini adalah nilai tertinggi dari debit aliran yang terjadi selama suatu periode tertentu. Debit puncak mencerminkan intensitas aliran tertinggi yang terjadi sebagai hasil dari curah hujan. 2. Waktu Puncak: Merupakan waktu saat debit aliran mencapai nilai puncaknya. Mengetahui waktu puncak penting karena hal ini dapat memengaruhi strategi manajemen banjir dan pengaturan infrastruktur sungai. 3. Volume Limpasan: Ini adalah jumlah total air yang mengalir melewati titik pengamatan selama periode S

Hidrologi Terapan 183 ter tentu, biasanya terkait dengan durasi hujan. Volume limpasan menggambarkan seberapa besar air yang mengalir ke sungai sebagai hasil dari hujan. 4. Waktu Basis: Ini mengacu pada waktu yang diperlukan bagi aliran sungai untuk kembali ke kondisi sebelum terjadinya hujan. Ini merupakan indikator penting dari lamanya pengaruh hujan terhadap aliran sungai. Gambar 9. Contoh Hidrograf Banjir Banjir pada suatu DAS akibat hujan efektif satu satuan dinyatakan sebagai hidrograf satuan. Hidrograf satuan merupakan hidrograf limpasan langsung (HLL) yang ditimbulkan oleh hujan efektif yang terjadi merata di seluruh DAS dengan intensitas hujan tetap dalam satu satuan waktu yang ditetapkan.

Hidrologi Terapan 184 Dengan memahami hidrograf, para ahli hidrologi dapat menganalisis dan memprediksi perilaku sungai dalam menghadapi hujan, serta merencanakan tindakan pengelolaan sumber daya air yang tepat dalam rangka mitigasi banjir dan pengaturan aliran air. Hidrograf memiliki beragam aplikasi penting dalam bidang hidrologi, di antaranya: (Bobo et al., 2023) 1. Perkiraan Banjir: Hidrograf digunakan untuk memperkirakan debit puncak dan volume banjir pada periode ulang tertentu. Informasi ini sangat penting untuk mitigasi risiko banjir, perencanaan tanggul, dan pengaturan penanggulangan bencana. 2. Desain Infrastruktur Hidrologi: Dalam merancang bendungan, waduk, atau sistem drainase, hidrograf memberikan dasar untuk menentukan kapasitas dan dimensi infrastruktur tersebut. Dengan memperhitungkan karakteristik hidrologis, seperti debit puncak dan volume limpasan, infrastruktur dapat dirancang untuk menahan dan mengendalikan aliran banjir dengan efektif. 3. Analisis Pengelolaan Sumber Daya Air: Hidrograf juga digunakan untuk mengelola dan mengalokasikan sumber daya air secara efektif. Dengan memahami pola aliran sungai dan variabilitas hidrologis, keputusan terkait dengan irigasi pertanian, pasokan air minum, dan penggunaan industri dapat diambil dengan lebih tepat dan berkelanjutan. Dengan demikian, hidrograf bukan hanya merupakan alat penting untuk memahami perilaku aliran sungai, tetapi juga memiliki dampak langsung dalam perencanaan, manajemen, dan mitigasi berbagai masalah terkait air.

Hidrologi Terapan 185 Hidrograf banjir rencana merupakan jumlah kumulatif hidrograf akibat hujan efektif jam-jaman ditambah aliran dasar. Ada beberapa jenis hidrograf, tergantung pada faktorfaktor yang mempengaruhi aliran sungai: (Subhani, 2017) 1. Hidrograf langsung: Merupakan respons langsung DAS terhadap curah hujan, tanpa adanya aliran dasar yang signifikan. 2. Hidrograf resorsi: Terjadi pada DAS dengan limpasan permukaan yang cepat, dimana puncak aliran terjadi lebih cepat dibandingkan dengan hidrograf langsung. 3. Hidrograf rekcesi: Terjadi setelah puncak aliran terlewati, dimana aliran sungai berangsur-angsur kembali ke kondisi sebelum hujan. 4. Hidrograf gabungan: Merupakan kombinasi dari hidrograf langsung dan aliran dasar sungai. Hidrograf merupakan alat penting dalam ilmu hidrologi untuk memahami karakteristik aliran sungai dan memprediksi kejadian banjir. Dengan memahami jenis, penggunaan, dan pembuatan hidrograf, kita dapat mengelola sumber daya air secara lebih efektif dan mengurangi risiko bencana banjir B. Pemisahan Aliran Dasar Pemisahan aliran dasar adalah proses untuk memisahkan aliran air yang terjadi di suatu sungai atau DAS menjadi dua komponen utama: aliran dasar dan aliran permukaan. Aliran dasar merupakan bagian dari debit sungai yang berasal dari air tanah yang naik ke permukaan sungai atau sungai bawah tanah. Ini sering kali

Hidrologi Terapan 186 menjadi kontributor penting terhadap aliran sungai, terutama dalam periode kering atau musim kemarau. Sebaliknya, aliran permukaan adalah air yang langsung mengalir di permukaan tanah menuju sungai atau saluran drainase sebagai hasil langsung dari curah hujan atau air permukaan lainnya yang mengalir. Gambar 10. Transformasi Hujan Aliran Gambar 11. Hidrograf Limpasan Langsung dan Baseflow Pemisahan aliran dasar menjadi dua komponen ini penting dalam pemodelan hidrologi karena keduanya dapat memiliki karakteristik yang berbeda secara

Hidrologi Terapan 187 hidrologis. Aliran dasar, misalnya, cenderung lebih stabil dan lambat berubah daripada aliran permukaan yang dipengaruhi langsung oleh curah hujan. Memisahkan keduanya memungkinkan kita untuk lebih memahami kontribusi masing-masing terhadap total aliran sungai dan merencanakan manajemen sumber daya air yang lebih efektif. Teknik pemisahan aliran dasar dapat dilakukan dengan berbagai metode, termasuk analisis statistik, model hidrologi, dan pengamatan lapangan. Metode statistik seperti analisis regresi atau analisis varians sering digunakan untuk memisahkan pola aliran dasar dari data hidrologi. Sementara itu, model hidrologi yang kompleks dapat memperhitungkan faktor-faktor seperti infiltrasi tanah, evaporasi, dan ketersediaan air tanah untuk memperkirakan aliran dasar secara lebih terperinci. (Frederik, 2019) Pemahaman yang baik tentang aliran dasar sangat penting dalam berbagai aplikasi hidrologi, termasuk perencanaan sumber daya air, manajemen banjir, dan mitigasi dampak lingkungan. Dengan memisahkan aliran dasar dari aliran permukaan, kita dapat mengidentifikasi dan memahami kontribusi air tanah terhadap aliran sungai, serta mengelola sumber daya air secara lebih efisien dan berkelanjutan. Metode paling sederhana yang digunakan untuk pemisahan aliran dasar yaitu metode garis lurus (straight line method). Metode garis lurus dilakukan dengan menarik garis lurus dari titik di mana aliran langsung mulai terjadi (A) sampai akhir dari aliran langsung (B). Jika

Hidrologi Terapan 188 titik B tidak diketahui maka tarik garis horisontal dari titik A. Gambar 12. Pemisahan Aliran Dasar dengan Metode Garis Lurus = + ( ) ∑ Dimana: BF = aliran dasar (m3/s) Qawal = debit terukur pada jam ke-0 (m3/s) Qakhir = debit terukur pada jam terakhir (m3/s) t = waktu (jam) C. Hidrograf Satuan Terukur Hidrograf Satuan Terukur adalah alat penting dalam analisis hidrologi yang memberikan gambaran tentang respons suatu Daerah Aliran Sungai (DAS) terhadap curah hujan standar yang dikenal sebagai hujan satuan terukur. Konsep dasarnya adalah untuk mengukur debit aliran yang dihasilkan oleh hujan standar tersebut dalam rentang