ANALISA HUJAN-LIMPASAN MENGGUNAKAN MODEL
ARTIFICIAL NEURAL NETWORK (ANN) DI SUB DAS LESTI
Siska Widyastuti1, Ery Suhartanto2, Very Dermawan2
1. Mahasiswa Program Sarjana Jurusan Teknik Pengairan Universitas Brawijaya 2. Dosen Jurusan Teknik Pengairan Fakultas Teknik Universitas Brawijaya
email : siskawidyastuti27091994@gmail.com
ABSTRAK
Daerah aliran sungai (DAS) Brantas telah mengalami pengembangan sumber daya air (PSDA) semenjak tahun 1961. Namun seiring dengan laju pertumbuhan jum-lah penduduk dan eksploitasi jum-lahan yang tidak memperhatikan aspek konservasi, terjadi dampak negatif seperti banjir yang terjadi tahun 2007. Terdapat beberapa metode yang dapat digunakan sebagai metode perhitungan debit puncak banjir yaitu metode hidrograf dan nonhidrograf. Pesatnya kemajuan teknologi, pekerjaan manusia lebih dimudahkan. Analisa hujan-limpasan menggunakan model jaringan saraf tiruan dapat dijadikan sebuah alat untuk mempelajari perilaku dan prediksi kondisi hiologis dengan akurasi tinggi.
Analisa hujan-limpasan Sub DAS Lesti menggunakan model jaringan saraf tiruan dengan data input berupa curah hujan, evapotranspirasi, koefisien aliran dan debit stasiun AWLR Tawangrejeni dijadikan data target. Keseluruhan data sepanjang 9 tahun (2001-2009). Model tersebut untuk meramalkan 3 tahun (2011-2013) data debit sampel model, dengan metode backpropragation, maksimum epoch 1000 dan 1 hidden layers. Diperoleh nilai mean square error (MSE) = 0.0393 artinya data telah berkorelasi
dengan baik. Metode Nash-Sutcliffe coefficient (NSE) memiliki R2> 0.999 dan koefisien
korelasi metode regresi polinomial dengan nilai R2 > 0.9994. Hasil ini menunjukkan
data debit model dengan data debit stasiun AWLR Tawangrejeni telah memiliki korelasi positif sempurna.
Kata Kunci : analisa hujan-limpasan, jaringan saraf tiruan, backpropragation, kesalahan relatif.
ABSTRACT
Brantas watersheds has experienced water resources development since 1961. But along with the rate of population growth and the exploitation of land that does not pay attention to the aspects of conservation, causing negative impacts such as flooding in 2007. There are several methods of flood peak discharge calculation of hidrograf and nonhidrograf. Rapid advances in technology, more human work be facilitated. Analysis of rainfall-runoff model using artificial neural networks can be used as a tool to study the behaviour and prediction of hidrologic condition with quickly and high accuracy.
Analysis of rainfall-runoff model of Lesti sub watershed using artificial neural networks with data input of rainfall, evapotranspirasi, run off coefficient and discharge station AWLR Tawangrejeni as target data. The overall data along 9 years (2001-2009). The model for predicting 3 years (2011-2013) discharge sample data model. Using the method of backpropagation, maximum epoch 1000 and 1 hidden layer. The result shows that value of the mean square error (MSE) = 0.0393, it means data has
high correlation with either. The Nash-Sutcliffe's method (NSE) has an R2 > 0.999 and
polynomial regression method with a value of R2 > 0.9994. This result shows the data
model with discharge data of AWLR Tawangrejeni station has very good positive correlation.
Keyword: analysis of rainfall-runoff, artificial neural networks, backpropragation,
relative error.
I. PENDAHULUAN 1.1 Latar Belakang
Air hujan yang mengalir tipis pada permukaan lahan akan masuk ke-dalam parit-parit, selanjutnya masuk ke sungai (Asdak, 2002:4). Limpasan per-mukaan (surface runoff) yang mengalir dengan cepat melebihi kapasitas sunga-inya akan menjadi banjir. Setiap tahun-nya Indonesia selalu mengalami banjir yang menyebabkan banyak kerugian.
Daerah aliran sungai Brantas telah mengalami pengembangan sumber daya air (PSDA) semenjak tahun 1961. Na-mun seiring dengan laju pertumbuhan jumlah penduduk, lapangan kerja yang terbatas, dan eksploitasi lahan yang ti-dak memperhatikan aspek konservasi, menyebabkan banjir.
Daerah aliran sungai adalah salah satu wilayah daratan yang secara topo-grafik dibatasi oleh punggung gunung yang menampung dan menyimpan air hujan yang kemudian menyalurkan ke laut melalui sungai utama. Wilayah da-ratan tersebut dinamakan daerah tang-kapan air (DTA atau catchment area). Hujan akan menjadi debit, sehinggga hubungan hujan-limpasan terkait deng-an karakteristk DAS. Beberapa metode yang dapat digunakan sebagai metode perhitungan debit puncak banjir yaitu metode hidrograf satuan sintetis dan nonhidrograf. Namun diperlukan waktu yang lama untuk menganalisa seluruh data yang ada, meliputi data curah hu-jan tahunan yang panhu-jang, data kli-matologi, data koefisien aliran dan data lainnya. Dengan kendala lainnya seperti kemungkinan human error.
Kecerdasan buatan merupakan il-mu baru yang terlahir di Inggris tahun
1950 oleh seorang matematikawan ber-nama Alan Turing. Analisa hujan-lim-pasan menggunakan model jaringan sa-raf tiruan dapat dijadikan sebuah alat untuk monitor dan mengevaluasi neraca air suatu kawasan melalui pengelolaan sumberdaya air permukaan yang ada. 1.2 Identifikasi Masalah
Pada setiap musim penghujan sering terjadi banjir pada daerah sekitar sungai Lesti, karena air sungai meluas, hal ini mengindikasi permasalahan flu-ktuasi debit. Seperti banjir yang terjadi pada sub DAS Lesti pada tanggal 23 Maret 2007, bencana banjir ini menye-bakan tiga jembatan rusak.
Permasalahan diatas memerlukan penyelesaian yang akurat dan cepat, de-ngan sajian praktis. Perkembade-ngan tek-nologi perangkat keras komputer dan matematika untuk analisis data, diha-rapkan dapat menyelesaikan permasala-han diatas melalui analisa hidrologi, sehingga menghemat waktu dibanding-kan metode perhitungan konvensional. Melalui model berbasis teknologi artificial neural network (ANN) dengan metode backpropagation diharapkan mampu menjawab permasalahan banjir. 1.3 Batasan Masalah
Untuk mencegah agar tidak keluar dari pokok permasalahan, maka dalam studi ini diambil batasan-batasan masa-lah sebagai berikut:
1. Uji model jaringan saraf tiruan metode backpropagation program matlab R2010A.
2. Data hujan diperoleh dari stasiun hujan Tumpukrenteng, Dampit, Gondanglegi, Wajak, sedangkan
data debit diambil dari Stasiun AWLR Tawangrejeni berupa data harian (2001-2013).
3. Membahas analisa hujan-limpasan melalui teknologi jaringan saraf tiruan metode backpropagation dibandingkan kondisi debit di Stasiun AWLR Tawangrejeni Sub DAS Lesti.
4. Rumus-rumus yang digunakan di-anggap umum dan sudah teruji keabsahannya.
1.4 Rumusan Masalah
Berdasarkan latar belakang dan identifikasi masalah, maka rumusan masalahnya sebagai berikut :
1. Berapa nilai mean square error (MSE) debit model hasil dari jar-ingan saraf tiruan dengan metode backpropagation ?
2. Berapa nilai kesalahan absolut rerata (KAR) hasil prediksi debit sampel model (2011-2013) dari jaringan saraf tiruan dengan me-tode backpropagation ?
3. Bagaimana hubungan antara debit sampel model (2011-2013) dan debit Stasiun AWLR Tawangrejeni
(2011-2013) dengan metode
Nash-Sutcliffe coefficient (NS) dan koefisien regresi polinomial ? 1.5 Tujuan dan Manfaat
Berdasarkan rumusan masalah diatas maka tujuan dari studi ini dapat diuraikan sebagai berikut:
1. Mengetahui hasil debit model dari jaringan saraf tiruan dengan me-tode backpropagation.
2. Mengetahui nilai mean square error (MSE) debit model hasil da-ri jada-ringan saraf tiruan dengan me-tode backpropagation dibanding-kan dengan nilai debit Stasiun AWLR Tawangrejeni.
3. Menganalisa hubungan antara
debit sampel model (2011-2013) dan debit Stasiun AWLR Tawang-rejeni (2011-2013) dengan metode
Nash-Sutcliffe coefficient (NS), kesalahan absolut relatif (KAR), dan koefisien regresi polinomial. Adapun manfaat yang dapat dipe-roleh dari penelitian ini adalah diha-rapkan analisa hujan-limpasan ini dapat dijadikan referensi yang juga dapat di-terapkan di kasus daerah aliran sungai yang serupa. Sehingga masalah keterba-tasan data hujan maupun data debit un-tuk pengelolaan sumber daya air dapat diselesaikan.
II.TINJAUAN PUSTAKA 2.1. Umum
Dalam praktek analisis hidrologi dalam tahun-tahun terakhir ini, Perke-mbangan model hidrologi demikian pe-sat sehingga sangat sulit untuk menye-butkan satu demi satu. Namun dalam praktiknya menjadi sangat sulit untuk memilih model mana yang harus digu-nakan dalam mengevaluasi atau menga-nalisis suatu sistem DAS tertentu. Da-lam kaitan ini pula sebenarnya semua model dapat digunakan pada sistem DAS yang dianalisis terlebih dahulu, agar memenuhi syarat-syarat yang di-tentukan untuk berlakunya suatu model. Model jaringan dipilih dalam penelitian ini, yang diharapkan mampu mengana-lisis secara cermat keadaan hidrologi suatu DAS
2.2. Pengujian Data Curah Hujan A. Uji konsistensi data hujan
Uji kosistensi merupakan uji ke-benaran data lapangan yang meng-gambarkan keadaan sebenarnya. Data tidak konsisten dapat disebabkan oleh faktor seperti perubahan mendadak pa-da lingkungan, peminpa-dahan alat ukur dan perubahan cara pengukuran. Uji ko-nsistensi data dapat dilakukan dengan menggunakan kurva massa ganda (dou-ble mass curve). Langkah yang dilkan adalah membandingdilkan harga aku-mulasi curah hujan tahunan pada sta-siun hujan yang diuji dengan akumulasi curah hujan tahunan rerata dari suatu
ja-ringan dasar stasiun hujan yang ber-kesesuaian, kemudian diplotkan ada kurva.
B. Curah hujan rerata daerah
Hujan sangat bervariasi terhadap tempat (space), maka untuk kawasan yang luas, satu alat penakar hujan be-lum dapat menggambarkan hujan wila-yah tersebut. Dalam hal ini diperlukan hujan kawasan yang diperoleh dari har-ga rata-rata curah hujan beberapa sta-siun penakar hujan yang ada di dalam atau disekitar kawasan tersebut (Sur-ipin, 2004:26). Metode ini memberikan proporsi luasan daerah pengaruh pos penakar hujan untuk mengakomodasi ketidakseragaman jarak.
C. Uji ketiadaaan trend
Data berjangka waktu panjang umumnya menunjukan kecenderungan menuju kesuatu arah (trend). Uji ini di-peruntukan bagi data lebih dari 10 ta-hun. Apabila suatu data menunjukan su-atu trend maka dapat diuji dengan ana-lisa lanjutan yaitu analisis regresi.
Uji trend ini dapat menggunakan beberapa metode, menurut (Soewarno, 1995:85):
a) Metode Spearman b) Mann dan Whitney
c) Tanda dari Cox dan Stuart D. Uji stasioner
Uji stasioner ini bertujuan untuk menguji kestabilan nilai varian dan rata-rata dari deret berkala. Terdiri atas dua pengujian yaitu:
1. Uji-F (fisher test)
2. Uji-T student
Kedua uji diatas digunakan untuk mengetahui apakah kedua kelompok data berbeda secara nyata atau tidak.
E. Uji inlier outlier
Uji ini berguna untuk mengetahui apakah data maksimum dan minimum dari rangkaian data yang ada layak di-gunakan atau tidak. Uji yang didi-gunakan adalah uji inlier-outlier, di mana data
yang menyimpang dari dua batas am-bang, yaitu ambang bawah (XL) dan ambang atas (XH) akan dihilangkan. 2.3. Membangkitkan Data Debit
Masalah umum hidrologi yang sering dihadapi adalah kekurangan data untuk menganalisa peluang banjir. De-ngan data yang terbatas dibutuhkan su-atu metode untuk memperoleh rekaman data yang diperlukan. Untuk mengisi da ta debit yang kosong akibat kerusakan alat atau gangguan lainnya metode reg-resi linear dipilih. Metode ini hanya di-anggap sederhan auntuk mengetahui hubungan linear antara curah hujan de-ngan debit yang pernah terjadi sebe-lumnya sehingga diperoleh persamaan untuk memperkiraan data debit yang hi-lang. Selanjutnya data akan diuji pula dengan uji ketiadaan trend, uji stasioner dan uji inlier outlier.
2.4. Menghitung Evapotranspirasi Peristiwa berubahnya air menjadi uap dan bergerak dari permukaan tanah dan permukaan air ke udara disebut evaporasi. Peristiwa penguapan dari ta-naman disebut transpirasi. Kedua proses tersebut evaporasi dan transpirasi saling berkaitan sehingga dinamakan evapo-transpirasi. Evaporasi merupakan faktor penting dalam studi tentang pengem-bangan sumber daya air.
Besarnya nilai evapotranspirasi da pat dihitung menggunakan metode Bla-ney-Criddle (Triatmodjo, 2010:81). 2.5. Koefisien Aliran (C)
Untuk menggambarkan karakte- ristik masing-masing DAS faktor koe-fisien aliran merupakan faktor yang menjadi salah satu pertimbangan. De-ngan mengetahui hubuDe-ngan antara volu-me curah hujan yang terjadi dengan lua-san DAS yang diamati di kalikan volu-me debit yang terjadi, kita dapat volu- mem-perkirakan volume air yang terinfiltrasi dan air yang melimpas.
2.6. Jaringan Saraf Tiruan dan Matlab R2010A
Jaringan saraf tiruan adalah salah satu representasi buatan dari otak manu-sia yang selalu mencoba untuk men-simulasi proses pembelajaran pada otak manusia tersebut (Kusumadewi, 2003: 207). Istilah buatan digunakan karena jaringan saraf ini diimplementasikan dengan menggunakan program kompu-ter yang mampu menye-lesaikan sejum-lah proses perhitungan selama proses pembelajaran.
Software matlab (matriks labo-ratory) merupakan bahasa pemograman matematika lanjutan yang mengadopsi sifat dan bentuk matriks. Matlab meng-gunakan bahas C++ dan asse-mbler. Kelebihan dari matlab dari program serupa adalah:
1. Memiliki fungsi built-in, penggu-na dapat memasukan sendiri fung-si yang hendak dirancang pada li-brary.
2. Merupakan operasi matematika elemen, matriks, optimasi, apro-ximasi dan lainnya. Sehingga se-ring digunakan untuk melalukan pekerjaan seperti, pemograman modeling, simulasi dan pembuatan prototipe serta analisa data dan analisa numerik.
3. Memiliki banyak option tambahan untuk menampilkan data dalam bentuk 2 dimensi dan 3 dimensi. 2.7. Jaringan Backpropagation
Backpropagation adalah metode penurunan gradient untuk meminimal-kan kuadrat error keluarannya (Sutodjo, 2010:77). Terdapat 3 tahapan pemode-lan jaringan backpropagation. Tahap perambatan maju (forward propaga-tion), tahap perambatan balik, dan tahap perubahan bobot bias.
Algoritma backpropagation me-nggunakan error output untuk meng-ubah nilai bobot-bobotnya dalam arah mundur (backward). Untuk mendapa-tkan error ini, tahap perambatan maju
(format propagation) harus dikerjakan terlebih dahulu. Algoritma backpropa-gation terdiri atas:
A. Inisialisasi bobot (dengan meng-gunakan nilai random yang cukup kecil sebagai bobot awal).
B. Apabila dalam kondisi berhenti bernilai salah (false), maka perlu dilakukan langkah-langkah seba-gai berikut (Sutodjo, 2010:79): III. METODOLOGI PENELITIAN 3.1. Lokasi Daerah Studi
Daerah aliran sungai (DAS) Bran-tas bagian hulu dimulai dari sumber su-ngai Brantas yang terletak di sebelah Timur kaki Gunung Anjasmoro yang selanjutnya mengalir melalui 8 Kabu-paten (Malang, Blitar, Tulungagung, Kediri, Nganjuk, Jombang, Mojokerto, dan Sidoarjo) dan 6 Kota (Batu, Ma-lang, Blitar, Kediri, Mojokerto, dan Su-rabaya). Sungai Brantas bagian hulu meliputi anak-anak sungai utama se-perti Kali Amprong, Bango, Lesti, dan Metro sampai titik outlet di Waduk Se-ngguruh atau Karangkates. Lokasi dae-rah studi adalah salah satu anak sungai utama dari sungai Brantas hulu yaitu sungai Lesti dengan outlet di Stasiun AWLR Tawangrejeni.
Sub DAS Lesti secara astronomis
terletak pada 7040’00” LS - 7055’00”
LS dan 112010’00” BT - 112025’00”
BT, dan secara administratif terletak pa-da Kabupaten Malang.
3.2. Metode Pengumpulan Data Dalam penyusunan studi ini diperlukan data-data yang mendukung baik itu data primer maupun data se-kunder.
1. Data curah hujan tahun 2001-2013.
2. Data debit tahun 2001-2013 3. Data klimatologi tahun 2001-
2013.
4. Peta rupa bumi. 5. Peta administrasi. 6. Peta batas DAS.
8. Peta tata guna lahan tahun 2001, 2005 dan 2010.
9. Peta jenis tanah. 10. Peta geologi batuan 3.3. Metode Pengolahan Data Tabel 1. Metode Pengolahan Data
IV. ANALISA DAN PEMBAHASAN 4.1 Pengolahan Data Curah Hujan
Data hujan yang digunakan dalam studi ini adalah data hujan yang berasal dari 4 stasiun hujan di Sub DAS Lesti. Data tersebut diperoleh dari Jasa Tirta I. Dengan jangka waktu 13 tahun yakni antara tahun 2001-2013. Adapun stasi-un yang dimaksudkan adalah:
a) Stasiun hujan Tumpukrenteng b) Stasiun hujan Dampit
c) Stasiun hujan Gondanglegi d) Stasiun hujan Wajak
A. Uji Konsistensi Data
Uji konsistensi dilakukan untuk data masing-masing stasiun hujan terha-dap data stasiun lainnya. Keseluruhan data menunjukkan bahwa data dari ke-empat stasiun konsisten. Seperti pada tabel dan grafik stasiun Dampit.
Gambar 1. Grafik Stasiun Dampit
B. Curah Hujan Rerata Daerah
Metode yang digunakan untuk menghitung hujan rata-rata kawasan ad-alah poligon thiessen, yang dianggap sesuai dengan karakteristik daerah Ka-bupaten Malang yang datar dan ber-gunung dengan stasiun penakar hujan yang cukup.
Gambar 2. Poligon Thiessen
C. Uji ketiadaaan trend
Uji ini bertujuan untuk mengeta-hui terdapat perubahan nyata atau tidak pada data yang diamati. dari hasil uji metode Spearman dengan derajat ke-percayaan 5%, data diterima dengan nilai t = -0.4520. Hasil metode Mann dan Whitney menyatakan bahwa data bersal dari populasi yang sama dengan nilai Z= 0.322. Sedangkan uji tanda dari Cox dan Stuart menghasilkan kesimpu-lan bahwa data tidak menunjukkan ada-nya trend.
D. Uji Stasioner
Data curah hujan stasiun hujan Tumpukrenteng, Dampit, Gondanglegi dan Wajak selama 13 tahun akan dibagi menjadi dua kelompok data. Kelompok pertama data dari bulan januari tahun
Pengolahan data input
1 Data curah hujan rerata bulanan (tahun 2001-2013)
Uji konsistensi dengan metode kurva massa ganda
Data curah hujan rerata daerah bulanan (tahun 2001-2013)
a Dengan metode poligon thiessen
b Uji ketiadaan trend
c Uji stasioner (uji F dan uji T)
d Uji inlier-outlier
2 Data debit rerata bulanan (tahun 2001-2013)
a Dibangkitkan menggunakan metode Markov-Chain
b Uji ketiadaan trend
c Uji stasioner (uji F dan uji T)
d Uji inlier-outlier
3 Data temperatur udara rerata bulanan tahun 2001-2013
Dicari nilai ET0 nya menggunakan metode Blaney-Criddle
4 Data koefisien aliran
Dihitung nilai rerata koefisien aliran bulanannya
Pengolahan data menggunakan program matlab R2010A
1 Pembagian data (load data)
a Data input bulanan tahun 2001-2013 (curah hujan, jumlah hari hujan evapotranspirasi, koefisien aliran)
b Data sample tahun 2011, 2012, dan 2013
c Data target bulanan tahun 2001-2013 (debit stasiun AWLR Tawangrejeni)
2 Normalisasi (prepocessing)
Data pelatihan untuk input layers (curah hujan, hari hujan, evapotranspirasi, dan koefisien aliran
3 Perancangan jaringan arsitektur ( 4 - 1 - 1)
a 4 input layers, 1 hidden layers, dan 1 output layers
b Metode pembelajaan terawasi (backpropagation)
c Maksimum error 1 x 10
-5, epoch 1000, perumusan dalam bentuk tan,
metode output error MSE dalam bentuk R
5 Postprocessing/denormalisasi
6 Proses pelatihan (training), testing, validasi dan digrafikkan dalam bentuk regresi
7 Proses simulasi model pada data sampel 2011, 2012, dan 2013
Penyimpangan Hasil Model
1 Nash coefficient efficiency (NSE), KAR, koefisien regresi polinomial (r)
2001-2007 dan kelompok data kedua dari bulan januari tahun 2008-2013.
Diperoleh nilai Fhitung = 3.666 <
Ftabel = 4.207. sehingga dengan derajat
kepercayan 5% tersebut data dapat dite-rima atau dinyatakan bersifat homo-gen dan independent. Sedangkan hasil uji T
diperoleh nilai Thitung = 0.7989. Nilainya
tersebut berada diantara nilai Ttabel=
-2.201/+2.201. Sehingga data dianggap seragam.
E. Uji inlier-outlier
Data yang menyimpang dari dua batas ambang, yaitu ambang bawah (XL) dan ambang atas (XH) akan dihi-langkan.
Tabel 2.Uji Inlier-Outlier
Hasil menunjukkan bahwa data tahu 2010 melebihi ambang batas atas, 113.0 mm > 99.16 mm sehingga nilai ambang maksimum dianggap kurang memenuhi untuk tahun 2010 sehingga data tersebut tidak digunakan dalam analisa.
4.2 Pengolahan Data Debit
Terdapat 8 bulan data debit yang kosong sehingga sebelum diuji data ha-rus dilengkapi.
A. Model Regresi Linear
Dari data curah hujan dan debit akan dihitung nilai persamaan linearnya yang selanjutnya akan dipakai untuk membangkitkan data debit yang hilang.
Gambar 3. Grafik Regresi Linear Tabel 3. Data Debit yang Hilang
B. Uji ketiadaaan trend
Data debit yang telah dilengkapi dengan data yang hilang selanjutnya ha-rus diuji ketiadan trend. Dari hasil uji metode Spearman dengan derajat ke-percayaan 5%, data diterima dengan ni-lai t = -0.7570. Hasil metode Mann dan Whitney menyatakan bahwa data bersal dari populasi yang sama dengan nilai Z= 0.740. Sedangkan uji tanda dari Cox dan Stuart menghasilkan kesim-pulan bahwa data tidak menunjukkan adanya trend.
C. Uji Stasioner
Data debit dari Stasiun AWLR Tawangrejeni selama 13 tahun akan di-bagi menjadi dua kelompok data. Ke-lompok pertama data dari bulan januari tahun 2001-2007 dan kelompok data kedua dari bulan januari tahun 2008-2013.
Diperoleh nilai Fhitung = 0.847 <
Ftabel = 4.207. sehingga dengan derajat
kepercayan 5% tersebut data dapat diterima atau dinyatakan bersifat homo-gen dan independent. Sedangkan hasil
uji T diperoleh nilai Thitung = 1.431.
Nilainya tersebut berada diantara nilai
Ttabel= -2.201/+2.201. Sehingga data
dianggap seragam.
No. Tahun Curah Hujan (mm) Log X
1 2 3 4 1 2010 113.0 2.053 2 2007 79.5 1.900 3 2004 75.5 1.878 4 2011 75.3 1.877 5 2013 71.5 1.854 6 2005 71.3 1.853 7 2008 68.0 1.832 8 2009 64.6 1.810 9 2006 64.5 1.810 10 2002 64.4 1.809 11 2001 62.1 1.793 12 2003 61.3 1.787 13 2012 55.8 1.747 Stdev = 0.075 Mean = 1.832 Kn = 2.175
Nilai Ambang Atas (XH) = 99.16
Nilai Ambang Bawah (XL) = 46.61
Tahun Bulan Curah Hujan (mm) Debit (m3/det)
2008 Sept 0.00 1.0742 Okt 5.51 4.263 Nov 12.38 8.24 Des 10.07 6.903 2009 Jan 11.67 7.829 Feb 15.95 10.306 2010 Juli 7.24 5.265 2012 Nov 7.19 5.236
D. Uji inlier-outlier Tabel 4.Uji Inlier-Outlier
Hasil menunjukkan bahwa data tahu 2010 melebihi ambang batas atas,
137.46 m3/det > 136.74 m3/det sehingga
nilai ambang maksimum dianggap kurang memenuhi untuk tahun 2010 sehingga data tersebut tidak digunakan dalam analisa.
4.3 Pengolahan Temperatur Udara Data ini akan digunakan untuk mencari nilai evapotranspirasi di Kabu-paten Malang selama 13 tahun (tahun 2001-2013).
A. Metode Blaney-Criddle
Dari letak lintang dan data tem-peratur udara, kita dapat memperoleh nilai evapotranspirasi. Langkahnya ada-lah dengan mencari nilai kebutuhan ta-naman, kemudian memperkirakan La-ma penyianaran La-matahari, kecepatan angin, kelembapan relatif.
Tabel 5. Blaney Criddle
4.4 Pengolahan Koefisien Aliran Keofisien Aliran dapat diperoleh dengan cara mengalikan volume curah hujan terdapat total luas DAS dan volume debitnya.
Tabel 6. Koefisien Aliran
4.5 Pengolahan Matlab R2010A Langkah untuk memodelkan debit pada jaringan saraf tiruan adalah:
1. Menyimpan data input dalam work-space software matlab R2010A. Beberapa tipe file yang mampu disimpan oleh matlab R2010A ya-itu .exe, .dat, .mat, .txt, .tab, dan lainnya.
2. Klik new variabel dengan tanda pada workspace. Kemudian beri nama “Input” untuk data input be-rupa data curah hujan, hari hujan, evapotranspirasi dan koefisien ali-ran tahun 2001-2009.
3. Langkah selanjutnya adalah meng-import data ke dalam model jari-ngan saraf tiruan. Dejari-ngan meng-klik start > more > neural netwo-rk > neural netwonetwo-rk tool (nntool) 4. Tahapan selanjutnya adalah
mem-buat arsitektur jaringan dari data yang telah diimport ke dalam mo-del jaringan saraf tiruan. Lang-kahnya adalah membuka kembali tampilan layar network data ma-nager > klik new. Penuhi beberapa parameter dalam jaringan seperti train, simulate dan adapt.
Gambar 4. Arsitektur Jaringan 5. Maka tahapan selanjutnya adalah
melakukan pemrosesan data yang terdiri atas 3 bagian yaitu proses training, validation dan testing.
No. Tahun Debit (m3/det) Log X
1 2 3 4 1 2010 137.46 2.138 2 2011 130.13 2.114 3 2007 118.40 2.073 4 2013 117.27 2.069 5 2004 106.77 2.028 6 2005 91.93 1.963 7 2006 83.70 1.923 8 2002 82.74 1.918 9 2009 82.67 1.917 10 2003 80.80 1.907 11 2001 77.61 1.890 12 2012 74.33 1.871 13 2008 70.71 1.849 Stdev = 0.098 Mean = 1.923 Kn = 2.175
Nilai Ambang Atas (XH) = 136.74
Nilai Ambang Bawah (XL) = 51.24
Nilai ET0
Jan Feb Mar Apr Mei Jun Jul Ags Sept Okt Nov Des
mm/hari 2001 10.25 10.21 10.29 10.61 10.71 10.53 10.45 10.38 10.75 10.18 10.38 10.25 2002 10.29 10.29 10.16 10.69 10.67 10.55 10.42 10.30 10.75 10.50 10.61 10.36 2003 10.31 10.34 10.33 10.85 10.65 10.45 10.34 10.36 10.59 10.38 10.36 10.51 2004 10.33 10.01 10.36 10.61 10.69 10.20 10.40 10.26 10.42 10.50 10.33 10.27 2005 10.36 10.36 10.23 10.49 10.67 10.49 10.42 10.36 10.38 10.38 10.42 10.06 2006 10.31 10.27 10.33 10.63 10.63 10.34 10.34 10.42 10.32 10.50 10.48 10.46 2007 10.33 9.82 10.33 10.55 10.79 10.40 10.36 10.24 10.26 10.34 10.19 10.18 2008 10.21 10.23 10.12 10.40 10.49 10.38 10.12 10.36 10.43 10.46 10.16 10.34 2009 10.27 10.27 10.31 10.55 10.59 10.36 10.30 10.32 10.34 10.42 10.50 10.46 2010 10.34 9.93 10.42 10.53 10.77 10.42 10.51 10.51 10.43 10.38 10.18 10.31 2011 10.32 10.28 10.25 10.57 10.60 10.28 10.24 10.23 10.47 10.40 10.34 10.35 2012 10.31 10.25 10.16 10.65 10.61 10.30 10.24 10.20 10.53 10.44 10.42 10.40 2013 10.34 10.23 10.19 10.51 10.51 10.34 10.22 10.16 10.45 10.38 10.48 10.48 Jan 0.90 0.94 0.90 0.90 0.95 0.86 0.98 0.87 0.47 0.17 0.43 0.55 0.73 Feb 0.80 0.76 0.81 0.86 0.74 0.86 0.96 0.89 0.42 0.99 0.43 0.47 0.32 Mar 0.91 0.80 0.92 0.82 0.93 0.91 0.81 0.98 0.42 0.63 0.43 0.78 0.64 Apr 0.98 0.93 0.97 0.82 0.74 0.76 0.58 0.51 0.85 0.66 0.43 0.96 0.64 Mei 0.84 0.97 0.97 0.97 0.83 0.99 0.68 0.37 0.95 0.88 0.99 0.96 0.64 Jun 0.54 0.95 0.97 0.73 0.65 0.63 0.40 0.37 0.40 0.95 0.99 0.96 0.64 Jul 0.38 0.95 0.97 0.98 0.72 0.63 0.40 0.54 0.93 0.51 0.99 0.96 0.64 Agu 0.38 0.95 0.97 0.98 0.64 0.63 0.45 0.54 0.93 0.54 0.14 0.49 0.54 Sep 0.38 0.95 0.99 0.98 0.92 0.63 0.45 0.54 0.93 0.76 0.81 0.49 0.54 Okt 0.80 0.95 0.80 0.98 0.81 0.63 0.45 0.54 0.17 0.76 0.81 0.49 0.54 Nov 0.87 0.50 0.87 0.86 0.78 0.63 0.50 0.45 0.17 0.53 0.81 0.49 0.54 Des 0.82 0.93 0.79 0.97 0.97 0.94 0.50 0.48 0.17 0.53 0.50 0.49 0.54 Bulan 2010 2012 2013 2008 2009 2011 2003 2004 2005 2006 2007 Tahun 2001 2002
Sehingga diperoleh grafik regresi hubungan data input dan traget.
Gambar 5. Hasil Regresi Tabel 7. Hasil proses matlab R2010A
6. langkah selanjutnya adalah men-simulasi sampel data yang akan dijadikan data peramalan yaitu ta-hun 2011-2013.
Tabel 8. Debit Sampel Model
4.6 Keandalan Pemodelan
A. Kesalahan Absolut Rerata
Setelah membandingkan hasil de-bit sampel model dengan dede-bit Stasiun AWLR Tawangrejeni hasil yang dipe-roleh adalah KAR = 3.138%. Dengan kesalahan <10% data dianggap layak dijadikan acuan untuk pemalan debit.
B. Nash-Sutcliffe Coefficient (NS)
Dari hasil perhitungan diperoleh
R2 = 0.999 yang artinya data memiliki
hubungan korelasi yang baik.
C. Model Regresi Polinomial
Gambar 6. Regresi Polinomial Nilai koefisien korelasinya R = 0.9994 yang artinya data memiliki hubungan positif langsung yang baik. V. KESIMPULAN
Berdasarkan hasil analisa hujan-limpasan menggunakan jaringan saraf tiruan dapat disimpulkan sebagai beri-kut:
1. Hasil pemodelan jaringan saraf tiruan untuk hujan-limpasan pada Sub DAS Lesti menunjukan bah-wa Qmax sampel model = 32.17
m3/det dengan Qmax AWLR =
32.32 m3/det, dan Qmin sampel
model = 0.14 m3/det dengan Qmin
AWLR = 0.12 m3/det. Memiliki
nilai kesalahan relatif rerata 3.138 %. Menurut metode kesalahan ab-solut rerata (KAR), korelasi antar kedua data memiliki kesalahan < 10%, yang artinya memiliki kean-dalan > 90% untuk peramalan. 2. Menurut metode mean square
er-ror (MSE) yang diadopsi oleh ma-tlab R2010A, nilai korelasi antara data input dengan nilai target telah mencapai MSE = 0.0393. Artinya data berkorelasi dengan baik. 3. Setelah memperoleh nilai debit
model, maka tahapan selanjutnya adalah membandingkan debit mo-del dengan data debit Stasiun AW-Training Testing Validation All
0.99657 0.83444 0.61987 0.90391
Tahun Bulan Pemodelan Debit (m3/det)
Debit Stasiun AWLR (m3/det) KAR (%) 2011 Jan 4.171 4.120 1.230 Feb 28.309 28.421 0.397 Mar 17.426 17.424 0.013 Apr 18.414 18.412 0.009 Mei 8.271 8.124 1.809 Jun 7.967 7.429 7.248 2011 Jul 5.275 5.329 1.012 Agu 0.145 0.124 16.889 Sep 5.342 5.421 1.468 Okt 7.422 7.258 2.272 Nov 21.874 21.944 0.319 Des 6.085 6.121 0.589 2012 Jan 7.649 7.655 0.089 Feb 3.419 3.413 0.173 Mar 9.332 9.641 3.201 Apr 14.169 14.121 0.341 Mei 6.447 6.152 4.790 Jun 1.991 1.893 5.176 Jul 1.198 1.675 28.451 Agu 0.468 0.412 13.380 Sep 0.415 0.412 0.717 Okt 5.396 5.424 0.514 Nov 5.263 5.236 0.511 Des 18.298 18.293 0.027 2013 Jan 9.246 9.412 1.773 Feb 5.129 5.122 0.138 Mar 8.978 8.421 6.617 Apr 15.493 15.532 0.253 Mei 10.394 10.421 0.265 Jun 10.567 10.645 0.733 Jul 5.795 5.583 3.794 Agu 4.213 4.214 0.022 Sep 7.337 7.533 2.591 Okt 2.397 2.529 5.233 Nov 5.565 5.540 0.463 Des 32.175 32.320 0.449 Rerata 3.138
LR Tawangrejeni. Metode nash-sutcliffe coefficient (NSE)
memi-liki R2> 0.999, telah memiliki
hu-bungan yang baik. Menurut meto-de koefisien korelasi metometo-de reg-resi polinomial, data debit model dengan data debit stasiun AWLR Tawangrejeni telah memiliki ko-relasi positif sempurna dengan
ni-lai R2 > 0.999.
Saran penyempurnaan untuk studi ini adalah sebaiknya untuk melengkapi studi ini diperlukan penelitian lanjutan. Dengan membandingkan beberapa arsi-tektur jaringan yang berbeda, jumlah hidden layer 2 atau multi layer.
DAFTAR PUSTAKA
Asdak, Chay. 2002. Hidrologi dan Pengelolaan Daerah Aliran Sungai. Yogyakarta: Gajah Mada University Press.
Kusumadewi, Sri. 2004. Artificial Intelegence (Teknik dan Aplikasinya). Yogyakarta: Penerbit Graha Ilmu. Soewarno. 1995. Hidrologi Jilid 2. Bandung: Nova.
Suripin. 2004. Pelestarian Sumberdaya Tanah dan Air. Yogyakarta: ANDI. Sutodjo, T. Edy Mulyanto dan V. Suhartono. 2011. Kecerdasan Buatan. Yogyakarta:
Penerbit ANDI.
Triatmodjo, Bambang. Hidrologi
