Cara Mencari Curah Hujan Yang Hilang

(1)

2.1. Teori Estimasi Data Hujan yang Hilang

Data yang ideal adalah data yang untuk dan sesuai dengan apa yang dibutuhkan. Tetapi dalam praktek sangat sering dijumpai data yang tidak lengkap (incomplete record) hal ini dapat disebabkan beberapa hal, antara lain yaitu kerusakan alat, kelalaian petugas, penggantian alat, bencana (pengrusakan) dan sebagainya. Keadaan tersebut menyebabkan pada bagian – bagian tertentu dari data runtut waktu terdapat data yang kosong (missing record). Dalam memperkirakan besarnya data yang hilang, harus diperhatikan pula pola penyebaran hujan pada stasiun yang bersangkutan maupun stasiun-stasiun sekitarnya.

Keadaan data hujan hilang ini untuk kepentingan tertentu dapat mengganggu. Misalnya pada suatu saat terjadi banjir, sedangkan data hujan pada satu atau beberapa stasiun pada saat yang bersamaan tidak tersedia (karena berbagai sebab). Keadaan demikian tidak terasa merugikan bila data tersebut tidak tercatat pada saat yang di pandang tidak penting.

Menurut Soewarno (2000) dalam bukunya Hidrologi Operasional Jilid Kesatu, analisis hidrologi memang tidak selalu diperlukan pengisian data yang kosong atau hilang. Misal terdapat data kosong pada musim kemarau sedang analis data hidrologi tersebut menghitung debit banjir musim penghujan maka dipandang tidak perlu melengkapi data pada periode kosong musim kemarau tersebut, tetapi bila untuk analisis kekeringan maka data kosong pada musim kemarau tersebut harus diusahakan untuk melengkapi.

Data hujan yang hilang dapat diestimasi apabila di sekitarnya ada stasiun penakar hujan (minimal 2 stasiun) yang lengkap datanya atau stasiun penakar yang datanya hilang diketahui hujan rata-rata tahunannya. (Lily, 2010)

Menghadapi keadaan ini, terdapat dua langkah yang dapat dilakukan yaitu : 1. Membiarkan saja data yang hilang tersebut, karena dengan cara apapun data

tersebut tidak akan diketahui dengan tepat.

2. Bila dipertimbangkan bahwa data tersebut mutlak diperlukan maka perkiraan data tersebut dapat dilakukan dengan cara-cara yang dikenal.

(2)

2.2. Metode Estimasi Data Hujan yang Hilang

Beberapa metode yang dapat digunakan menurut buku Mengenal Dasar – dasar Hidrologi halaman 190-191 oleh Ir. Joyce Martha dan Ir. Wanny Adidarma,Dipl.HE. yaitu Normal Ratio Method, cara “Inversed Square Distance” dan cara rata – rata aljabar. Sedangkan menurut Soewarno dalam bukunya Hidrologi Operasional Jilid Kesatu halaman 202, ada 3 metode yang digunakan untuk memperkirakan data hujan periode kosong diantaranya rata – rata aritmatik (arithmatical average), perbandingan normal (normal ratio), dan kantor cuaca Nasional Amerika Serikat (US.National Weather service).

Ada kesamaan metode perhitungan dari buku Hidrologi Operasional Jilid Kesatu dengan buku Mengenal Dasar – dasar Hidrologi, yaitu Metode rata – rata aritmatik dengan rata – rata aljabar, dan Normal Ratio Method dengan perbandingan normal (normal ratio) yang terdapat dibuku Soewarno. Yang berbeda adalah metode Kantor Cuaca Amerika Serikat

2.5.1.1. Normal Ratio Method

Linsley, Kohler dan Paulhus (1958) menyarankan satu metode yang disebut “Normal Ratio Method” sebagai berikut :

Dx=1 n

∑

_i₌₁

n

d_i Anx An_i

Dengan :

Dx = Data tinggi hujan harian maksimum di stasiun x n = Jumlah stasiun di sekitar x untuk mencari data di x di = Data tinggi hujan harian maksimumdi stasiun i

Anx = Tinggi hujan rata-rata tahunan di stasiun x

Ani = Tinggi hujan rata-rata tahunan di stasiun sekitar x

2.2.2. Cara “Inversed Square Distance”

Persamaan yang digunakan dalam cara “Inversed Square Distance” adalah :

Px =

1

(dXA)2PA+ 1

(dXB)2PB+ 1 (dXC)2PC 1

(dXA)2+ 1 (dXB)2+

(3)

Dengan :

Px = Tinggi hujan yang dipertanyakan

PA, PB, Pc = Tinggi hujan pada stasiun disekitarnya

dXA, dXB, dXC = Jarak stasiun X terhadap masing – masing stasiun A,B,C

2.2.3. Rata – rata Aljabar

Rata – rata aljabar ini digunakan apabila kekurangan data kurang dari 10% (<10%) . Misalnya adalah diketahui : Hujan rata – rata tahunan di A = 750 mm =

´

X A, hujan rata – rata tahunan di B = 725 mm = = X´ B. Ditanya : bagaimana

mengisi data hujan di A pada suatu tahun tertentu, bila pada tahun yang sama di B jumlah hujan = 710 mm. Penyelesaiannya adalah :

XA =

´

X A

´

X B . XB =

750

725 . 710 mm = 735 mm Jadi besarnya data hujan di A adalah 735 mm.

2.2.4. Metode Kantor Cuaca Amerika Serikat

Metode ini memerlukan data dari 4 (empat) pos hujan sebagai pos indeks (index station) yaitu misalnya pos hujan A, B, C dan D yang berlokasi disekeliling pos hujan X yang diperkirakan data hujannya. Bila pos indeks itu lokasinya berada disetiap kuadran dari garis yang menghubungkan utara - selatan dan timur – barat melalui titik pusat dipos hujan X. Persamaannya adalah :

HX = [

∑

❑ (Hi/ Li2)] / [

∑

❑ (1/ Li2)]

Dalam hal ini HX = tebal hujan dipos X yang akan diperkirakan dan Hi =

tebal hujan dipos A, B, C, dan D. Dan nilai Li menunjukkan jarak pos hujan A, B, C

dan D terhadap pos hujan X.

Misalnya : dari suatu DPS (Daerah Pengaliran Sungai) luas 140 Km2_terdapat

5 buah pos hujan X, A, B, C, dan D. Pada suatu bulan pos hujan X rusak. Tentukan tebal hujan di X bila pos itu dikelilingi pos hujan A, B, C, dan D sebagai pos indeks yang terletak di setiap kuadran dengan data :

Kuadran Pos Indeks Hujan (mm) Jarak dari X (Km2₎

I B 100 5

II C 90 10

III A 110 8

IV D 120 6

(4)

Kuadran Pos H (mm) L (Km2₎ _L2 _1/L _H/L2

I B 100 5 25 0,04000 4,000

II C 90 10 100 0,01000 0,900

III A 110 8 64 0,01562 1,718

IV D 120 6 36 0,02777 3,333

Jumlah 0,09339 9,9520

Penyelesaiannya adalah:

HX = [

∑

❑ (Hi/ Li2)] / [

∑

❑ (1/ Li2)]

HX = (9,9520) / (0,09339)

HX = 106,56 mm

Jadi besarnya data hujan di pos X adalah 106, 56 mm

2.3. Teori Uji Konsistensi Data

Menurut Soewarno dalam bukunya Hidrologi Operasional Jilid Kesatu, data hujan yang diperlukan untuk analisis disarankan minimal 30 tahun data runtut waktu. Data itu harus tidak mengandung kesalahan dan harus dicek sebelum digunakan untuk analisis hidrologi lebih lanjut. Agar tidak mengandung kesalahan (error) dan harus tidak mengandung data kosong (missing record). Oleh karena itu harus dilakukan pengecekan kualitas data (data quality control). Beberapa kesalahan yang mungkin terjadi dapat disebabkan oleh faktor manusia, alat dan faktor lokasi. Bila terjadi kesalahan maka data itu dapat disebut tidak konsisten (inconsistency). Uji konsistensi (consistency test) berarti menguji kebenaran data. Data hujan disebut konsisten (consistent) berarti data yang terukur dan dihitung adalah teliti dan benar serata sesuai dengan fenomena saat hujan itu terjadi.

Beberapa cara untuk mengecek kualitas data hujan antara lain : (a) melaksanakan pengecekan lapangan, (b) melaksanakan pengecekan ke kantor pengolahan data, (c) membandingkan data hujan dengan data iklim untuk lokasi yang sama, (d) analisis kurva masa ganda (lengkung masa ganda), dan (e) analisis statistik.

(5)

Ketelitian hasil perhitungan dalam ramalan Hidrologi sangat diperlukan, yang tergantung dari konsistensi data itu sendiri. Dalam suatu rangkaian data pengamatan hujan, dapat timbul non-homogenitas dan ketidaksesuaian, yang dapat mengakibatkan penyimpangan dalam perhitungan.

Non-homogenitas ini dapat disebabkan oleh beberapa faktor, antara lain : a. Perubahan letak stasiun.

b. Perubahan system pendataan. c. Perubahan iklim.

d. Perubahan dalam lingkungan sekitar.

Uji konsistensi ini dapat diselidiki dengan cara membandingkan curah hujan tahunan komulatif dari stasiun yang diteliti dengan harga komulatif curah hujan rata-rata dari suatu jaringan stasiun dasar yang bersesuaian. Pada umumnya, metode ini disusun dengan urutan kronologis mundur dan dimulai dari tahun yang terakhir atau data yang terbaru hingga data terakhir.

Jika data hujan tidak konsisten karena perubahan atau gangguan lingkungan di sekitar tempat penakar hujan dipasang, misalnya, penakar hujan terlindung oleh pohon, terletak berdekatan dengan gedung tinggi, perubahan penakaran dan pencatatan, pemindahan letak penakar dan sebagainya, memungkinkan terjadi penyimpangan terhadap trend semula. Hal ini dapat diselidiki dengan menggunakan lengkung massa ganda.

Kalau tidak ada perubahan terhadap lingkungan maka akan diperoleh garis ABC berupa garis lurus dan tidak terjadi patahan arah garis, maka data hujan tersebut adalah konsisten. Tetapi apabila pada tahun tertentu terjadi perubahan lingkungan, didapat garis patah ABC’. Penyimpangan tiba-tiba dari garis semula menunjukkan adanya perubahan tersebut, yang bukan disebabkan oleh perubahan iklim atau keadaan hidrologis yang dapat menyebabkan adanya perubahan trend. Sehingga data hujan tersebut dapat dikatakan tidak konsisten dan harus dilakukan koreksi.

Apabila data hujan tersebut tidak konsisten, maka dapat dilakukan koreksi dengan menggunakan rumus :

Yz = Fk x Y Fk = tan α

(6)

Keterangan:

Yz : Data hujan yang diperbaiki, mm Y : Data hujan hasil pengamatan, mm Tgα : Kemiringan sebelum ada perubahan Tg αc : Kemiringan setelah ada perubahan

Gambar 3.1. Lengkung Massa Ganda Sumber : Materi Kuliah Hidrologi Teknik Dasar

Keterangan :

- Pola yang terjadi berupa garis lurus dan tidak terjadi patahan arah garis itu, maka data hujan pos X adalah konsisten.

- Pola yang terjadi berupa garis lurus dan terjadi patahan arah garis itu, maka data hujan pos X adalah tidak konsisten dan harus dilakukan koreksi.

2.4. Soal 2 dan Data

Soal 2 adalah lakukan estimasi data hujan yang hilang dan uji konsistensi data. Data yang diketahui adalah pada tabel dibawah ini :

(7)

No. Tahun Stasiun

1 2000 267,0 252,9 238,9

2 2001 254,0 241,3 228,6 215,9 3 2002 324,0 307,8 291,6 275,4 4 2003 287,0 272,7 258,3 244,0 5 2004 235,0 223,3 211,5 199,8

6 2005 219,0 208,1 197,1

7 2006 301,0 286,0 270,9 255,9 8 2007 263,0 249,9 236,7 223,6 9 2008 194,0 184,3 174,6 164,9 10 2009 278,0 264,1 250,2 236,3

11 2010 321,0 305,0 272,9

12 2011 311,0 295,5 279,9 264,2 Keterangan :

Data yang hilang pada stasiun A Data yang hilang pada stasiun C Data yang hilang pada stasiun D

Data yang diasumsi adalah jarak antar stasiun. Jarak antar stasiun ini didasarkan pada lampiran peta yang terdapat dalam soal. Berikut ini adalah jarak antar stasiun hasil pengukuran. Satuan untuk jarak dibawah ini adalah Km.

POS A B C D

A 0 15 20 30

B 15 0 22,6 22,8

C 20 22,6 0 16,8

D 30 22,8 16,8 0

2.5. Penyelesaian Estimasi Data Hujan yang Hilang

Dalam penyelesaian estimasi data hujan yang hilang ini digunakan metode “Normal Ratio Method” atau perbandingan normal karena data yang diketahui adalah data hujan saja dan juga metode “Inversed Square Distance” yang didasarkan atas jarak antar stasiun juga.

2.5.1. Metode “Normal Ratio Method”

2.5.1.1. Data Hujan yang Hilang di Stasiun A tahun 2000 Tabel 2.2. Data Hujan Stasiun B, C, D Tahun Stasiun Hujan

2000 267,0 252,9 238,9

2001 254,0 241,3 228,6 215,9

2002 324,0 307,8 291,6 275,4

(8)

Tahun Stasiun Hujan

2004 235,0 223,3 211,5 199,8

Jumla

h 1100,0 1045,1 990,0 935,1

Sumber : Hasil Perhitungan

Tabel 2.3. Data Hujan Stasiun B, C, D dan Hujan Tahunan Pos Hujan Tinggi Hujan Hujan Tahunan

(mm) (mm)

A 1100,0

B 267,0 1045,1

C 252,9 990,0

D 238,9 935,1

Sumber : Hasil Perhitungan

Analisa perhitungan data yang hilang di stasiun hujan A : Dx=1

Jadi, data yang hilang di stasiun hujan A pada tahun 2000 adalah 281 mm. 2.5.1.2. Data Hujan yang Hilang di Stasiun C tahun 2010

Tabel 2.4. Data Hujan Stasiun A, B, D Tahun Stasiun Hujan

2006 301,0 286,0 270,9 255,9

2007 263,0 249,9 236,7 223,6

2008 194,0 184,3 174,6 164,9

2009 278,0 264,1 250,2 236,3

2010 321,0 305,0 272,9

2011 311,0 295,5 279,9 264,2

Jumlah 1347,0 1279,8 1212,3 1144,9

Tabel 2.5. Data Hujan Stasiun A, B, D dan Hujan Tahunan Pos Hujan Tinggi Hujan Hujan Tahunan

(mm) (mm)

A 321,0 1347,0

(9)

Pos Hujan Tinggi Hujan Hujan Tahunan

(mm) (mm)

C 1212,3

D 272,9 1144,9

Analisa perhitungan data yang hilang di stasiun hujan C : Dx=1

Jadi, data yang hilang di stasiun hujan C pada tahun 2010 adalah 288,9 mm.

2.5.1.3. Data Hujan yang Hilang di Stasiun D tahun 2005 Tabel 2.6. Data Hujan Stasiun A, B, C Tahun Stasiun

2000 281,0 267,0 252,9 238,9

2001 254,0 241,3 228,6 215,9

2002 324,0 307,8 291,6 275,4

2003 287,0 272,7 258,3 244,0

2004 235,0 223,3 211,5 199,8

2005 219,0 208,1 197,1

2006 301,0 286,0 270,9 255,9

2007 263,0 249,9 236,7 223,6

2008 194,0 184,3 174,6 164,9

2009 278,0 264,1 250,2 236,3

2010 321,0 305,0 288,9 272,9

2011 311,0 295,5 279,9 264,2

Jumlah 3049,0 2896,9 2744,1 2591,8

Tabel 2.7. Data Hujan Stasiun A, B, C dan Hujan Tahunan Pos Hujan Tinggi Hujan Hujan Tahunan

(10)

A 219,0 3049,0

B 208,1 2896,9

C 197,1 2744,1

D 2591,8

Analisa perhitungan data yang hilang di stasiun hujan D : Dx=1

Jadi, data yang hilang di stasiun hujan D pada tahun 2005 adalah 186,2 mm. 2.5.2. Metode “Inversed Square Distance”

2.5.2.1. Data Hujan yang Hilang di Stasiun A tahun 2000 Tabel 2.8. Data Hujan Stasiun B, C, D

Tahun Stasiun

2000 267,0 252,9 238,9

Jarak dari stasiun

A 0 15 20 30

Analisa perhitungan data yang hilang di stasiun hujan A :

Px =

(11)

2.5.2.2. Data Hujan yang Hilang di Stasiun C tahun 2010 Tabel 2.9. Data Hujan Stasiun A, B, D

2010 321,0 305,0 272,9

C 20 22,6 0 16,8

Analisa perhitungan data yang hilang di stasiun hujan C :

Px =

Jadi, data yang hilang di stasiun hujan C pada tahun 2010 adalah 284,3 mm

2.5.2.3. Data Hujan yang Hilang di Stasiun D tahun 2005 Tabel 2.10. Data Hujan Stasiun A, B, C

2005 219,0 208,1 197,1

C 30 22,8 16,8 0

Analisa perhitungan data yang hilang di stasiun hujan D :

(12)

PD=

Jadi, data yang hilang di stasiun hujan D pada tahun 2005 adalah 201,0 mm

2.5.3. Perbandingan Hasil Metode “Normal Ratio Method” dan metode

“Inversed Square Distance”

Perhitungan penyelesaian estimasi data hujan yang hilang dengan metode “Normal Ratio Method” diketahui bahwa data yang hilang dapat dihitung. Hasilnya adalah pada tabel berikut :

(13)

Perhitungan penyelesaian estimasi data hujan yang hilang dengan metode “Inversed Square Distance” diketahui bahwa data yang hilang dapat dihitung. Hasilnya adalah pada tabel berikut :

Tabel 2.12. Hasil Perhitungan Data Hujan yang Hilang Tahun Stasiu

n

Stasiu n

Stasiu n 2000 258,7 267,0 252,9 238,9 2001 254,0 241,3 228,6 215,9 2002 324,0 307,8 291,6 275,4 2003 287,0 272,7 258,3 244,0 2004 235,0 223,3 211,5 199,8 2005 219,0 208,1 197,1 201,0 2006 301,0 286,0 270,9 255,9 2007 263,0 249,9 236,7 223,6 2008 194,0 184,3 174,6 164,9 2009 278,0 264,1 250,2 236,3 2010 321,0 305,0 284,3 272,9 2011 311,0 295,5 279,9 264,2 Sumber : Hasil Perhitungan

Jika dibandingkan menjadi 1 tabel maka hasilnya adalah : Tabel 2.13. Hasil Analisa di Stasiun A, C, D Tahun/

Stasiun

“Normal Ratio Method” “Inversed Square Distance”

2000/

A 223,8 258,7

2010/

C 233,3 284,3

2005/

D 175,8 201,0

2.5.4. Kesimpulan

(14)

hilang tidak hanya faktor tinggi hujan distasiun lain yang dipertimbangkan, namun juga harus diperhatikan jarak antara stasiun yang diketahui dengan stasiun yang dicari.

2.6. Penyelesaian Uji Konsistensi Data

Data yang dipakai dalam Uji Konsistensi ini data berdasarkan analisa menggunakan metode “Normal Ratio Method” karena data dalam perhitungan menggunakan metode tersebut adalah asli atau tanpa asumsi.

2.6.1. Uji Konsistensi Stasiun A terhadap Stasiun B,C,D

Tabel 2.14. Data Uji Konsistensi Stasiun A terhadap Stasiun B,C,D

No. Tahun

Stasiun Hujan

A

Komulatif

Rerata B,C,D

Komulatif B,C,D A

1 2011 311,0 311,0 279,9 279,9

2 2010 321,0 632,0 288,9 568,8

3 2009 278,0 910,0 250,2 819,0

4 2008 194,0 1104,0 174,6 993,6

5 2007 263,0 1367,0 236,7 1230,3

6 2006 301,0 1668,0 270,9 1501,3

7 2005 219,0 1887,0 197,1 1698,4

8 2004 235,0 2122,0 211,5 1909,9

9 2003 287,0 2409,0 258,3 2168,3

10 2002 324,0 2733,0 291,6 2459,9

11 2001 254,0 2987,0 228,6 2688,5

12 2000 281,0 3268,0 252,9 2941,4

(15)

0.0 500.0 1000.0 1500.0 2000.0 2500.0 3000.0 3500.0 0.0

500.0 1000.0 1500.0 2000.0 2500.0 3000.0 3500.0

Komulatif Rerata Stasiun B,C,D

Ko

m

ul

ati

f S

ta

siu

n

A

Grafik 3.1. Uji Konsistensi Stasiun A terhadap Stasiun B,C,D

2.6.2. Uji Konsistensi Stasiun B terhadap Stasiun A,C,D

Tabel 2.15. Data Uji Konsistensi Stasiun B terhadap Stasiun A,C,D

No. Tahun

B

Komulatif

Rerata A,C,D

Komulatif A,C,D B

1 2000 295,5 295,5 285,0 285,0

2 2001 305,0 600,5 294,3 579,3

3 2002 264,1 864,6 254,8 834,1

4 2003 184,3 1048,9 177,8 1012,0

5 2004 249,9 1298,8 241,1 1253,1

6 2005 286,0 1584,8 275,9 1529,0

7 2006 208,1 1792,9 200,8 1729,8

8 2007 223,3 2016,2 215,4 1945,2

9 2008 272,7 2288,9 263,1 2208,3

10 2009 307,8 2596,7 297,0 2505,3

11 2010 241,3 2838,0 232,8 2738,1

12 2011 267,0 3105,0 257,6 2995,7

(16)

0.0 500.0 1000.0 1500.0 2000.0 2500.0 3000.0 3500.0 0.0

500.0 1000.0 1500.0 2000.0 2500.0 3000.0 3500.0

Komulatif Rerata Stasiun A,C,D

Ko

m

ul

ati

f S

ta

siu

n

B

Grafik 3.2. Uji Konsistensi Stasiun B terhadap Stasiun A,C,D 2.6.3. Uji Konsistensi Stasiun C terhadap Stasiun A,B,D

Tabel 2.16. Data Uji Konsistensi Stasiun C terhadap Stasiun A,B,D

No. Tahun

C

Komulatif

Rerata A,B,D

Komulatif A,B,D C

1 2000 279,9 279,9 290,2 290,2

2 2001 288,9 568,8 299,6 589,9

3 2002 250,2 819,0 259,5 849,3

4 2003 174,6 993,6 181,1 1030,4

5 2004 236,7 1230,3 245,5 1275,9

6 2005 270,9 1501,2 281,0 1556,9

7 2006 197,1 1698,3 204,4 1761,3

8 2007 211,5 1909,8 219,4 1980,7

9 2008 258,3 2168,1 267,9 2248,6

10 2009 291,6 2459,7 302,4 2551,0

11 2010 228,6 2688,3 237,1 2788,0

12 2011 252,9 2941,2 262,3 3050,3

(17)

0.0 500.0 1000.0 1500.0 2000.0 2500.0 3000.0 3500.0 0.0

500.0 1000.0 1500.0 2000.0 2500.0 3000.0 3500.0

Komulatif Rerata Stasiun A,B,D

Ko

m

ul

ati

f S

ta

siu

n

C

Grafik 3.3. Uji Konsistensi Stasiun C terhadap Stasiun A,B,D

2.6.4. Uji Konsistensi Stasiun D terhadap Stasiun A,B,C

Tabel 2.17. Data Uji Konsistensi Stasiun d terhadap Stasiun A,B,C

No. Tahun

D

Komulatif

Rerata A,B,C

Komulatif A,B,C D

1 2000 264,2 264,2 295,5 295,5

2 2001 272,9 537,1 305,0 600,4

3 2002 236,3 773,4 264,1 864,5

4 2003 164,9 938,3 184,3 1048,8

5 2004 223,6 1161,9 249,9 1298,7

6 2005 255,9 1417,8 286,0 1584,7

7 2006 186,2 1604,0 208,1 1792,7

8 2007 199,8 1803,8 223,3 2016,0

(18)

No. Tahun Stasiun Hujan

Komulatif Rerata A,B,C

Komulatif A,B,C D

10 2009 275,4 2323,2 307,8 2596,5

11 2010 215,9 2539,1 241,3 2837,8

12 2011 238,9 2778,0 267,0 3104,7

0.0 500.0 1000.0 1500.0 2000.0 2500.0 3000.0 3500.0 0.0

500.0 1000.0 1500.0 2000.0 2500.0 3000.0

Komulatif Rerata Stasiun A,B,C

Ko

m

ul

ati

f S

ta

siu

n

D

Grafik 3.4. Uji Konsistensi Stasiun D terhadap Stasiun A,B,C

2.6.5. Kesimpulan

Berdasarkan grafik uji konsistensi stasiun A terhadap B, C, D. Maka dapat disimpulkan bahwa data hujan konsisten, hal ini dikarenakan grafik berupa garis lurus dan tidak terjadi patahan. Begitu juga yang terjadi pada grafik uji konsistensi stasiun B terhadap A,C,D, grafik uji konsistensi stasiun C terhadap A,B,D, dan grafik uji konsistensi stasiun D terhadap A,B,C.

(19)

ditunjukkan dengan warna hitam, sehingga pola yang terjadi berupa garis lurus dan tidak terjadi patahan arah garis. Jadi dapat disimpulkan data – data pada 4 stasiun tersebut adalah konsisten.

Daftar Bacaan :

1. Limantara, L.M. , (2010). Hidrologi Praktis , CV. Lubuk Agung, Bandung 2. Joyce Martha dkk. Mengenal Dasar – dasar Hidrologi. Nova, Bandung