DINAMIKA TEKNIK SIPIL
MAJALAH ILMIAH TEKNIK SIPIL
Volume 18.
Nomor 2.
Desember 2025.
Halaman 79-89 p-ISSN: 1411-8904, e-ISSN: 2828-2876 Tersedia online di https://journals.
id/index.
php/DTS/index SISTEM INFORMASI GEOGRAFIS DALAM MITIGASI HIDROMETEOROLOGI: STUDI
KASUS INTENSITAS HUJAN MONONOBE DI PULAU JAWA-BALI
Ibnu Hanzahri1.
Susilowati2* Magister Teknik Sipil.
Pascasarjana Universitas Bandar Lampung Jl.
Pagar Alam No.
Kota Bandar Lampung.
Lampung.
Indonesia 35142 Email: susilowati@ubl.
Diajukan: 25/12/2024 Direvisi: 03/12/2025 Diterima: 19/12/2025 Abstrak Bencana hidrometeorologi, seperti banjir dan tanah longsor, sering terjadi di Indonesia akibat tingginya intensitas hujan yang dipengaruhi oleh La Nina.
Pulau Jawa-Bali, dengan tingkat kepadatan penduduk dan aktivitas ekonomi yang tinggi, menjadi salah satu wilayah yang rentan terhadap bencana ini.
Penelitian ini bertujuan untuk menganalisis intensitas hujan dengan metode Mononobe menggunakan Sistem Informasi Geografis (SIG) sebagai alat utama dalam pemetaan.
Data hujan harian dari 37 stasiun cuaca di Pulau Jawa-Bali selama periode 2014 - 2023 diolah untuk menghitung intensitas hujan, yang kemudian divisualisasikan dalam bentuk peta tematik menggunakan SIG.
Hasil penelitian mendapatkan bahwa curah hujan harian maksimum pada 37 stasiun klimatologi yang tersebar di Pulau Jawa-Bali periode pengamatan 2014-2023 sebanyak 11 stasiun .
,7%) masuk kategori normal curah hujan rendah .
Ae 100 m.
sedangkan 26 stasiun .
,3%) masuk kategori normal curah hujan menengah .
Ae 300 m.
, intensitas hujan metode Mononobe durasi 60 menit untuk 37 stasiun klimatologi yang tersebar di Pulau Jawa-Bali masuk kategori tinggi tinggi (> 20 m.
dan peta intensitas hujan yang bervariasi untuk kala ulang 2, 5 dan 10 tahun yang dapat dimanfaatkan untuk desain infrastruktur pengendalian banjir sehingga mendukung perencanaan mitigasi bencana hidrometeorologi berbasis data yang lebih efektif.
Kata kunci: Sistem Informasi Geografis.
Hidrometeorologi.
Intensitas Hujan.
Metode Mononobe.
Mitigasi Bencana.
Jawa-Bali Abstract In Indonesia, hydrometeorological disasters like floods and landslides frequently happen due to high rainfall intensity influenced by La Nina.
The densely populated and economically active region of Java-Bali Island is among those susceptible to this disaster.
This study intends to examine rainfall intensity through the Mononobe method, utilizing Geographic Information Systems (GIS) primarily for mapping purposes.
Daily rainfall data from 37 weather stations on the Java-Bali Island during the years 2014 to 2023 were processed to compute rainfall intensity, which was subsequently visualized as a thematic map using GIS.
The study's results indicated that during the 2014-2023 observation period, the maximum daily rainfall at 37 climatology stations across Java-Bali Island consisted of 11 stations .
7%) classified as normal low rainfall .
-100 m.
and 26 stations .
3%) categorized as normal medium rainfall .
-300 m.
The rainfall intensity for these 37 stations, calculated using the Mononobe method over a 60minute period, fell within the high high category (> 20 m.
Additionally, the rainfall intensity map differed for return periods of 2, 5, and 10 years, providing valuable information for designing flood control infrastructure and enhancing data-driven hydrometeorological disaster mitigation planning.
Keywords: Geographic Information Systems.
Hydrometeorology.
Rain Intensity.
Mononobe Method.
Disaster Mitigation.
Java-Bali.
DINAMIKA TEKNIK SIPIL
PENDAHULUAN
Bencana hidrometeorologi, seperti banjir, tanah longsor, dan kekeringan, merupakan ancaman signifikan di Indonesia yang terus meningkat akibat perubahan iklim global dan pertumbuhan populasi yang pesat.
Wilayah Jawa-Bali, sebagai pusat kegiatan ekonomi dan sosial di Indonesia, menjadi daerah yang sangat rentan terhadap dampak bencana ini.
Intensitas curah hujan yang tinggi, topografi kompleks, dan pengelolaan tata guna lahan yang tidak optimal semakin memperburuk risiko bencana.
Salah satu faktor utama yang mempengaruhi hidrometeorologi adalah perubahan pola curah hujan yang ekstrem, terutama selama musim hujan (Suhadi, dkk.
, 2.
Analisis intensitas hujan menjadi langkah awal yang sangat penting untuk memahami risiko bencana hidrometeorologi.
Dalam hal ini, metode Mononobe sering digunakan untuk menghitung intensitas hujan maksimum dalam periode waktu tertentu.
Metode ini telah terbukti memberikan hasil yang akurat dalam berbagai konteks penelitian.
Sebagai contoh, penelitian menunjukkan bahwa metode Mononobe mampu menghasilkan estimasi intensitas hujan yang relevan untuk analisis risiko banjir di wilayah perkotaan (Iliadis, dkk.
Namun, analisis intensitas hujan saja tidak cukup untuk menangani kompleksitas risiko bencana hidrometeorologi.
Diperlukan integrasi dengan pendekatan teknologi seperti Sistem Informasi Geografis (SIG) untuk memberikan analisis yang lebih menyeluruh.
Sistem Informasi Geografis (SIG) telah menjadi alat yang sangat penting dalam mitigasi Dengan kemampuan SIG untuk mengintegrasikan data memungkinkan analisis risiko yang lebih detail dan spesifik untuk setiap lokasi.
Penelitian terdahulu oleh Susilowati, dkk .
memanfaatkan SIG untuk membuat peta intensitas curah hujan metode Mononobe yang menghasilkan estimasi intensitas durasi frekuensi (IDF) di catchment yang tidak terukur .
ngauged basi.
dengan menginterpolasi data dari 126 pos pengukuran curah hujan manual Lampung.
Penggunaan SIG untuk memetakan distribusi curah hujan di Pulau Jawa mampu mengidentifikasi daerah-daerah dengan risiko Vol.
18/No.
banjir tinggi secara lebih efektif dibandingkan metode konvensional (Sigit.
A & Harada.
Eka Wulan Safriani, dkk.
, 2.
Selain itu.
SIG juga dapat digunakan untuk menganalisis risiko tanah longsor di daerah pegunungan dengan menggabungkan data curah hujan, topografi, dan jenis tanah (Patriadi, , 2.
Pulau Jawa dan Bali menghadapi berbagai tantangan dalam mitigasi bencana hidrometeorologi, terutama akibat urbanisasi yang pesat dan perubahan tata guna lahan.
Meningkatnya pembangunan perkotaan di kotakota Pulau Jawa, misalkan Jakarta, yang ditandai dengan perubahan penggunaan lahan, secara signifikan meningkatkan risiko banjir karena meningkatnya intensitas curah hujan dan debit puncak.
Konversi lahan hijau menjadi kawasan urban meningkatkan risiko banjir dan kekeringan di wilayah ini (Priyambodoho.
, 2.
Studi menunjukkan bahwa konversi hutan dan lahan pertanian menjadi padang rumput dan pemukiman seperti pada DAS Ayung telah meningkatkan koefisien limpasan air, sehingga menyebabkan risiko banjir yang lebih tinggi, khususnya di wilayah perkotaan seperti Denpasar.
Bali (Dharmayasa, , 2.
Hal ini menunjukkan pentingnya analisis yang terintegrasi antara pola curah hujan dan perubahan tata guna lahan dalam perencanaan mitigasi bencana.
Selain itu, faktor klimatologis seperti fenomena La Nina turut memengaruhi pola curah hujan di Indonesia termasuk wilayah Jawa-Bali.
Selama fenomena La Nina, curah hujan cenderung meningkat secara signifikan, yang berpotensi meningkatkan risiko bencana Studi oleh Yuniasih.
B dkk .
menunjukkan dalam 10 tahun terakhir.
Indonesia mengalami anomali iklim El Nino dan La Nina dengan frekuensi, durasi, dan tingkat kekuatannya yang semakin meningkat.
Integrasi metode Mononobe dengan SIG menjadi pendekatan yang menjanjikan untuk memahami pola intensitas hujan dan risiko bencana hidrometeorologi.
Studi menunjukkan menghasilkan peta risiko bencana yang lebih akurat dan informatif, yang sangat berguna untuk perencanaan mitigasi.
Sebagai contoh Studi ini menggunakan pemetaan ketahanan regional untuk mengidentifikasi tingkat sensitivitas dan kapasitas banjir di Semarang.
DINAMIKA TEKNIK SIPIL sehingga membantu pembuat kebijakan dalam mengembangkan strategi mitigasi yang efektif (Maulana & Maulana 2.
Selain analisis risiko.
SIG juga memainkan peran penting dalam komunikasi risiko kepada masyarakat.
Peta risiko berbasis SIG memungkinkan visualisasi data yang lebih mudah dipahami oleh masyarakat umum dan pemangku kepentingan.
Studi penggunaan Sistem Informasi Geografis (SIG) untuk memetakan wilayah rawan banjir seperti di Kota Demak, memfasilitasi pembuatan peta risiko bencana yang meningkatkan sistem peringatan dini dan meningkatkan koordinasi mitigasi banjir antar pemangku kepentingan (Luluk Baikuna, dkk 2.
Dengan demikian.
SIG tidak hanya alat analisis, tetapi juga alat komunikasi yang efektif untuk mendukung mitigasi bencana.
Studi oleh Truu, dkk.
menekankan pentingnya integrasi data intensitas hujan dengan GIS untuk menilai risiko banjir pluvial, sehingga memungkinkan kota mengidentifikasi daerah rawan banjir dan meningkatkan perencanaan kota.
Pendekatan adaptif ini mendukung keputusan berdasarkan data untuk ketahanan terhadap bencana dan strategi pengelolaan banjir yang efektif.
Penelitian menganalisis intensitas hujan di Pulau Jawa dan Bali menggunakan metode Mononobe yang diintegrasikan dengan SIG.
Data curah hujan harian dari 37 stasiun cuaca digunakan untuk menghitung intensitas hujan maksimum, yang kemudian divisualisasikan dalam bentuk peta tematik.
Dalam konteks literatur sebelumnya, penelitian ini melengkapi studistudi sebelumnya dengan fokus pada integrasi metode Mononobe dan SIG di wilayah JawaBali.
Sebagai contoh, studi oleh Tetelepta.
menunjukkan pentingnya bagaimana Sistem Informasi Geografis berperan vital dalam merencanakan, menganalisis, dan mengimplementasikan berbagai aspek tata Dari perencanaan perkotaan yang efisien, pengelolaan sumber daya alam, hingga analisis dampak lingkungan tetapi belum secara spesifik membahas intensitas hujan.
Penelitian ini juga melampaui studi oleh Rakhmawati.
yang hanya berfokus pada menganalisis intensitas curah hujan dan kurva IDF di Kota Salatiga menggunakan Mononobe, memanfaatkan SIG.
Vol.
18/No.
METODOLOGI
Tahap awal penelitian dilakukan dengan mengumpulkan data curah hujan online dari 33 stasiun BMG yang tersebar di Pulau Jawa .
ihat Gambar .
dan 5 stasiun BMG di Pulau Bali .
ihat Gambar .
dengan periode 10 tahun pengamatan .
ahun 2014-2.
yang bisa diakses pada website BMKG.
Gambar 1.
Sebaran Stasiun Hujan di Pulau Jawa Gambar 2.
Sebaran stasiun hujan di Pulau Bali Dari 38 stasiun klimatologi yang ada, hanya 1 stasiun klimatologi di Bali (ID96.
yang tidak tersedia data hujannya di website BMKG.
Data hujan dari 37 stasiun klimatologi yang memenuhi kriteria analisis hidrologi, selanjutnya dilakukan analisis frekuensi untuk memperoleh probabilitas besaran hujan dimasa yang akan datang dengan anggapan bahwa sifat statistik kejadian hujan yang akan datang masih sama dengan sifat statistik kejadian hujan masa lalu (Triatmodjo.
Ada empat jenis distribusi yang banyak digunakan dalam bidang hidrologi yaitu distribusi Gumbel, distribusi Normal, distribusi Log Normal dan distribusi Log pearson i.
Setelah penentuan analisis frekuensi yang sesuai untuk data hujan dari 37
stasiun tersebut, selanjutnya dilakukan uji
DINAMIKA TEKNIK SIPIL
Vol.
18/No.
kesesuaian data menggunakan rumusan Smirnov Kolmogorof dan Chi Kuadrat.
Apabila data hujan jam jaman tidak tersedia, yang ada hanya data hujan harian, maka intensitas hujan dapat dihitung dengan rumus Mononobe (Suripin, 2004.
Rahmani, , dkk 2.
ycI24 24 3 ya = 24 .
Dimana:
I = intensitas hujan .
m/ja.
t = lamanya hujan .
R24= curah hujan maks.
selama 24 jam .
Pada penelitian ini, analisis intensitas hujan metode Mononobe untuk kala ulang 2, 5 dan 10 tahun dengan durasi hujan 60 menit.
Berdasarkan besaran intensitas hujan metode Mononobe, selanjutnya dibuatkan peta tematik berbasis SIG dengan menghubungkan besaran intensitas hujan yang sama di masing-masing stasiun klimatologi.
Dari peta inilah nantinya bisa dilakukan estimasi besaran intensitas hujan Mononobe untuk Stasiun klimatologi ID 96003 yang dapat dimanfaatkan untuk perencanaan desain infrastruktur sebagai upaya mitigasi bencana hidrometeorologi.
HASIL DAN PEMBAHASAN
Dari 37 stasiun pengukur hujan yang diamati, ada stasiun pengukur hujan yang tidak lengkap datanya .
mumnya karena keberadaan stasiun pengukur hujan tersebut masih baru, kurang dari 10 tahu.
, contohnya di Stasiun Klimatologi Yogyakarta (ID WMO 96.
dan Stasiun Meteorologi Yogyakarta (ID WMO 96.
, untuk memenuhi analisis hidrologi kelengkapan data hujan maka dilakukan pengisian data hujan yang kosong dengan pendekatan data hujan dari website NASA .
Selanjutnya rangkaian series data hujan gabungan dari website BMKG dan website NASA .
eperti Tabel .
, dilakukan uji konsistensi data hujan menggunakan metode RAPS (Rescaled Adjusted Partial Sum.
Metode RAPS merupakan salah satu metode untuk uji konsistensi data yang banyak digunakan pada analisis hidrologi di Indonesia (Pudyastuti & Musthofa, 2.
Tabel 1.
Ketersediaan data hujan pada stasiun ID 96851 dan ID 96859 Tahun ycE ( AEyc.
Curah Hujan.
Rmax .
ID WMO
ID WMO
0,31
0,29
0,62
cIAEyc.
0,61 Memenuhi syarat uji RAPS Keterangan:
: data hujan dari website NASA 1 Analisis Frekuensi Pemilihan data hujan untuk analisis frekuensi ini menggunakan metode annual maximum series, yaitu dengan memilih satu data maksimum setiap tahunnya.
Metode ini digunakan apabila tersedia data hujan minimal 10 tahun data runut waktu.
Pada Tabel 2 ditampilkan curah hujan harian maksimum ratarata dari 37 stasiun klimatologi Pulau Jawa-Bali.
Tabel 2.
Rerata Curah Hujan Harian Maksimum
WMO
Rerata
CHmax
98,76 105,28 113,28 99,88 158,28 156,54 98,19 89,13 138,73 114,92
123,16
100,49
104,72
99,69
120,01
184,78
111,61
WMO
Rerata
CHmax
129,00 121,89 105,05 96,12 130,80 125,47 100,82 101,24 110,62 94,77
107,52
134,57
99,09
83,51
106,72
120,72
87,73
141,60
Pada Tabel 2 terlihat curah hujan harian maksimum di 37 stasiun klimatologi, sebanyak DINAMIKA TEKNIK SIPIL 11 stasiun .
,7%) di Pulau Jawa dan Bali, curah hujan harian maksimum rata-rata masuk kategori normal curah hujan rendah, sedangkan 70,3% .
stasiun pengukur huja.
masuk kategori normal curah hujan menengah.
Curah hujan harian maksimum rata-rata terendah = 83,51 mm (ID WMO 96.
dan curah hujan harian maksimum rata-rata tertinggi di = 184,78 mm (ID WMO96.
Analisis frekuensi adalah prosedur memperkirakan frekuensi suatu kejadian pada masa lalu atau masa yang akan datang.
Prosedur tersebut dapat digunakan menentukan hujan rancangan dalam berbagai kala ulang berdasarkan distribusi frekuensi yang paling sesuai antara distribusi hujan secara teoritik dengan distribusi hujan secara empirik.
Dalam statistik dikenal beberapa parameter yang berkaitan dengan analisis data untuk memperkirakan distribusi frekuensi yaitu ratarata, simpangan baku (SD), koefisien variasi (CV), koefisien kurtosis (CK) dan koefisien skewness (CS).
Hasil parameter statistik dan jenis distribusi yang sesuai untuk data hujan tiap-tiap pos hujan ditampilkan pada Tabel 3.
Tabel 3.
Parameter Statistik pada 37 Stasiun
periode 2014-2023
WMO
17,388
27,772
37,684
35,532
32,207
27,415
66,838
68,981
44,92
28,123
23,272
37,817
48,703
27,337
37,361
34,463
24,207
66,499
36,766
87,202
40,250
45,500
13,159
26,054
20,763
19,281
22,230
29,558
Parameter Statistik
0,262
-1,302
0,176
-0,347 -0,680
0,264
1,984
5,044
0,332
2,190
5,546
0,400
-0,420 -0,933
0,284
-0,568 -0,720
0,274
0,863
-0,183
0,422
1,196
0,205
0,441
-0,063 -1,806
0,457
2,109
4,816
0,316
-0,735 -0,355
0,168
1,194
0,612
0,329
1,561
0,999
0,395
0,619
-0,646
0,272
0,533
-0,460
0,357
0,809
0,739
0,346
-0,584
0,065
0,202
2,161
5,507
0,360
0,975
0,853
0,329
2,631
7,304
0,676
2,561
7,438
0,330
2,644
7,677
0,433
2,086
5,706
0,137
-0,125 -1,597
0,199
-0,520 -1,417
0,165
0,687
0,327
0,191
-1,039
1,024
0,220
0,250
-0,782
0,267
Vol.
18/No.
WMO
21,103
32,204
43,920
30,458
25,764
32,325
37,552
35,182
43,711
Parameter Statistik
-0,456 -0,611
0,223
0,146
1,472
0,300
0,419
-1,131
0,326
0,678
1,243
0,307
-0,193 -1,586
0,308
1,404
1,467
0,303
0,890 -0,045 0,311
0,491
0,573
0,401
0,257
0,175
0,309
Dari data parameter statistik pada 37 stasiun klimatologi di Pulau Jawa-Bali, analisis frekuensi yang sesuai adalah distribusi Log pearson i, hal ini sesuai dengan penelitian sebelumnya untuk stasiun-stasiun klimatologi di Pulau Sumatera oleh Susilowati dan Kusumastuti.
DI .
dan penelitian Intensitas Durasi Frekuensi (IDF) di Pulau Jawa oleh Susilowati, dkk .
Tahapan pengujian kecocokan .
he goodness of fittest tes.
distribusi frekuensi sampel data terhadap fungsi distribusi peluang yang diperkirakan dapat menggambarkan atau mewakili distribusi frekuensi tersebut.
Pengujian yang sering dipakai adalah uji Chi Kuadrat dan uji Smirnov Kolmogorov, dan data hujan dari ke-37 stasiun tersebut memenuhi kriteria uji Chi Kuadrat maupun uji Smirnov Kolmogorov.
Tahapan analisis selanjutnya adalah menghitung hujan rancangan kala ulang 2, 5 dan 10 tahun berdasarkan distribusi frekuensi yang paling sesuai yaitu distribusi Log Pearson i.
Adapun hasil perhitungan hujan rancangan berbagai kala ulang untuk ke 37 stasiun pengukur hujan di Pulau Jawa dan Bali, ditampilkan pada Tabel 4.
Tabel 4.
Curah hujan rancangan (R.
berbagai kala ulang dari 37 stasiun periode 2014-2023
WMO
Curah Hujan Rancangan (R.
KUT 2
KUT 5
KUT 10
97,173
105,699
103,141
77,924
113,877
101,012
144,354
138,244
90,862
80,488
140,889
105,678
108,312
112,849
130,257
134,548
105,782
142,619
125,142
205,958
198,708
136,932
103,053
159,545
139,143
148,250
122,191
142,357
159,990
130,369
156,510
135,540
250,263
247,168
166,491
122,526
167,166
164,641
182,852
DINAMIKA TEKNIK SIPIL
WMO
Vol.
18/No.
Curah Hujan Rancangan (R.
KUT 2
KUT 5
KUT 10
96,179
121,253
137,773
99,319
134,215
156,652
94,411
126,083
146,825
122,076
141,797
150,065
164,729
217,760
263,613
104,615
138,005
161,309
98,511
152,579
211,318
108,577
138,681
166,429
89,709
121,614
152,702
92,246
103,609
112,600
129,775
153,014
165,782
126,156
143,736
152,359
98,617
115,942
126,643
105,101
121,509
127,223
108,249
135,199
150,879
95,495
113,662
122,423
109,227
136,217
148,082
127,953
169,003
195,702
96,279
123,885
140,223
81,861
106,078
119,766
98,442
126,619
148,438
113,782
147,894
171,472
85,224
118,025
136,207
139,562
179,201
200,785
Katerangan: KUT = Kala Ulang Tahun .
eturn perio.
2 Analisis Intensitas Hujan Intensitas hujan atau ketebalan hujan per satuan waktu lazimnya dicatat dalam satuan milimeter per jam .
m/ja.
Apabila yang tersedia adalah data hujan harian, maka rumus Mononobe .
yang digunakan untuk perhitungan intensitas hujan, di mana hasil intensitas tersebut nantinya menghasilkan kurva Intensitas Durasi Frekuensi (IDF).
Data yang digunakan adalah data hujan dengan intensitas tinggi yang terjadi dalam waktu singkat, seperti hujan 5, 10, 15.
A, 120 menit atau lebih (Triatmodjo.
Hasil analisa intensitas hujan monobe yang ditampilkan pada Tabel 5 adalah intensitas hujan mononobe kala ulang 2, 5 dan 10 tahun untuk durasi 60 menit dengan pertimbangan saat merencanakan debit rancangan untuk desain infrastuktur bencana banjir, dihasilkan dari kejadian hujan deras/intensitas tinggi berdurasi singkat .
c < 1 ja.
Tabel 5.
Intensitas Hujan di 37 Stasiun Klimatologi Pulau Jawa-Bali Periode 2014-2023 Intensitas .
m/ja.
tc = 60Ao
WMO
Intensitas .
m/ja.
tc = 120Ao
I10
I10
Intensitas .
m/ja.
tc = 60Ao
WMO
Intensitas .
m/ja.
tc = 120Ao
I10
I10
Berdasarkan kriteria intensitas hujan, nilai intensitas hujan dari 37 stasiun hujan di Pulau Jawa dan Bali, untuk kala ulang 2, 5 dan 10 tahun dengan durasi hujan 1 jam .
dan 2 jam .
masuk keadaan hujan sangat lebat (> 20 m.
Keadaan hujan seperti inilah .
ntensitas hujan tinggi saat durasi singka.
yang perlu diperhatikan saat merencanakan debit puncak .
ebit rancanga.
untuk desain drainase di daerah tangkapan yang kecil.
Peta Intensitas Hujan Peta intensitas hujan Mononobe Pulau Jawa dan Bali yang ditampilkan adalah untuk kala ulang 2, 5 dan 10 tahun dengan durasi 60 menit (Gambar 3 hingga Gambar .
Peta dibuat menggunakan SIG .
oftware ArcGIS), untuk memudahkan dalam pembacaan nilai intensitas, perubahan warna diatur untuk interval intensitas hujan 5 mm.
Peta-peta ini dapat dipergunakan untuk memperkirakan debit aliran puncak
DINAMIKA TEKNIK SIPIL
Vol.
18/No.
seperti dalam perencanaan sistem drainase kota, gorong-gorong dan jembatan.
Gambar 3.
Peta Intensitas Hujan Pulau Jawa Kala Ulang 2 Tahun Gambar 4.
Intensitas Hujan Pulau Bali Kala Ulang 2 tahun DINAMIKA TEKNIK SIPIL Vol.
18/No.
Gambar 5.
Peta Intensitas Hujan Pulau Jawa Kala Ulang 5 Tahun Gambar 6.
Peta Intensitas Hujan Pulau Bali Kala Ulang 5 Tahun DINAMIKA TEKNIK SIPIL Vol.
18/No.
Gambar 7.
Peta Intensitas Hujan Pulau Jawa Kala Ulang 10 Tahun Gambar 8.
Peta Intensitas Hujan Pulau Bali Kala Ulang 10 Tahun Dari Gambar 3 hingga Gambar 8, dalam satu durasi yang sama .
dengan kala ulang yang berbeda, nilai intensitas hujan lebih seragam dan sedikit variasinya untuk kala ulang kecil, dan seiring kenaikan kala ulang maka nilai intensitas hujan yang dihasilkan semakin bervariatif .
erlihat dari pola warna pada pet.
4 Pendekatan Intensitas Durasi Frekuensi (IDF) Berbasis Sistem Informasi Geografis (SIG) Pada penelitian ini terdapat 1 stasiun klimatologi di Bali (ID WMO 96.
yang tidak ada data hujan sepanjang periode pengamatan .
, maka dapat dilakukan estimasi atau pendekatan nilai intensitas dengan menggunakan peta intensitas (Gambar 4.
DINAMIKA TEKNIK SIPIL Vol.
18/No.
Gambar 6 dan Gambar .
berdasarkan warna di peta.
Estimasi nilai intensitas hujan stasiun klimatologi ID WMO 96003 menggunakan peta dapat dilihat pada Tabel 6.
Tabel 6.
Estimasi Intensitas dan Curah Hujan
Rancangan Stasiun ID WMO 96003
KUT
2 Tahun 5 Tahun 10 Tahun Intensitas Peta m/ja.
, t=60Ao 30 - 35
40 - 45
50 - 55
Irerata .
m/ja.
CHrancangan.
Rx .
93,75 122,59 151,44 Penelitian metoda pendugaan nilai intensitas hujan pada catchment area yang .
ngauged menggunakan peta, sebelumnya telah dilakukan oleh (El-Sayed EAH, 2.
yang melakukan pemilahan data hujan menggunakan data maksimum tahunan .
he maximum annual precipitation serie.
dari 12 pos hujan manual di Sinai Peninsula.
Mesir .
kemudian melakukan analisa IDF berdasarkan metode Kimijima.
Parameter metode Kimijima inilah yang digunakan untuk membuat peta .
plikasi ArcGIS).
Peta intensitas hujan mononobe yang dimanfaatkan untuk perencanaan sistem drainase dan pengendalian banjir, serta peta intensitas hujan ini dapat dimanfaatkan saat perencanaan tata ruang berbasis risiko hidrometeorologi dengan mengindentifikasi daerah-daerah rawan genangan atau berpotensi lonsor serta peta ini dapat dimanfaatkan oleh pemerintah dan lembaga untuk mengevaluasi dan meningkatkan kebijakan pengelolaan sumber daya air sebagai upaya mitigasi bencana di Pulau Jawa dan Bali.
KESIMPULAN
Hasil penelitian ini didapatkan kesimpulan:
Curah hujan harian maksimum pada 37 stasiun klimatologi yang tersebar Pulau Jawa-Bali pengamatan 2014-2023, sebanyak 11 .
,7%), masuk kategori normal curah hujan rendah .
Ae 100 m.
, sedangkan 26 stasiun .
,3%) masuk kategori normal curah hujan menengah .
Ae 300 m.
Intensitas hujan metode Mononobe durasi 60 menit untuk 37 stasiun klimatologi yang tersebar di Pulau Jawa-Bali periode pengamatan 20142023, masuk kategori tinggi tinggi (> 20 m.
Peta Intensitas Hujan yang dihasilkan yaitu Kala ulang 2 tahun, 5 tahun dan 10 tahun dengan durasi masingmasing 60 menit.
UCAPAN TERIMA KASIH