PERMODELAN SISTEM HYBRID NEURO - GENETIK UNTUK
ESTIMASI PERHITUNGAN LIMPASAN DAN SEDIMENTASI
1
Heri Suprapto, 2Prihandoko, 3Iwan Kridasantausa
1
Universitas Gunadarma, hsuprapto@staff.gunadarma.ac.id, 2Universitas Gunadarma,
pri@staff.gunadarma.ac.id, 3Universitas Gunadarma, hardaja@staff.gunadarma.ac.id
ABSTRAK
Pemanfaatan ANN dalam bidang hidrologi sudah banyak dilakukan yaitu untuk menghitung aliran sungai, limpasan dan sedimentasi. Permasalahan mendasar dalam pemanfaatan ANN dalam hidrologi adalah berhubungan dengan sulitnya untuk mendapatkan data hidrologi dalam rentang waktu yang panjang, baik karena masalah pencatatan atau membutuhkan biaya yang besar untuk mendapatkan data tersebut.Kemampuan dari ANN sangat dipengaruhi oleh topologi jaringan serta proses pelatihannya. Untuk mendapatkan kemampuan yan akurat dari ANN dapat dicapai jika dalam pelatihannya dilakukan dengan menggunakan data yang cukup besar, sehingga ANN tersebut dapat menyimpan lebih banyak informasi yang akan dipergunakan apabila didalamnya dimasukan data. Untuk menghindari salah kurangnya data dalam pelatihan ANN dapat dilakukan dengan menerapkan k-fold partitioning pada data pelatihan tersebut. Untuk meningkatkan kemampuan dan medapatkan struktur jaringan serta bobot hubungan antar node dapat dilakukan dengan menggunakan sistem hybrid yaitu memadukan ANN dan algoritma genetik dalam pelatihan ANN. Jaringan syaraf tiruan yang dikembangkan dalam penelitian ini adalah sistem hybrid: ANN – Algoritma genetik untuk estimasi perhitungan limpasan dan laju sedimentasi pada suatu waduk. Data yang dipergunakan dalam pelatihan jaringan adalah k-fold partitioning data set. Sebagai input adalah data curah hujan antara tahun 1991 s/d 2006 dan perubahan tata guna lahan yang terjadi. Untuk lokasi penelitian ini adalah dilakukan di Waduk Saguling, Kab. Bandung, Jawa Barat dan daerah aliran sungai ( DAS ) yang dipergunakan adalah DAS Citarum Hulu. Dari hasil yang sudah didapatkan bahwa dengan menggunakan algoritma genetik dalam optimasi pada pelatihan jaringan maka akan meningkatkan kemampuan dari jaringan syaraf tersebut. Kata kunci: ANN, K-fold, Sistem hybrid,sedimentasi
PENDAHULUAN
Sedimentasi yang terjadi pada suatu sungai atau waduk pada dasarnya di disebabkan adanya erosi pada daerah tangkapan air yang menaunginya. Hasil proses erosi tersebut akan terbawa oleh air melalui sungai yang mengalir ke waduk. Jadi sedimentasi dapat terjadi sepanjang aliran sungai dan juga terjadi pada dasar waduk sebagai muara akhir dari aliran tersebut ( Firouzabadi, 2008 ).
Pada awalnya untuk memodelkan terjadinya limpasan dan sedimentasi pada waduk dilakukan dengan cara linier, tetapi kalau ditelusuri lebih lanjut, model tersebut tidak dapat menggambarkan kejadian yang sebenarnya, karena pada dasarnya proses yang terjadi adalah bersifat dinamis. Untuk itu diperlukan suatu pendekatan yang dapat memodelkan fenomena sehingga mendekati dengan kenyataan yang terjadi ( Vrestaeten, 2005 ).
Permodelan Sistem Hybrid Neuro - Genetik 271
Pemanfaatan ANN dalam bidang hidrologi untuk perhitungan limpasan dan sedimentasi sudah banyak dilakukan dan ternyata dapat memperbaiki model linier yang ada. Pemanfaatan ANN tersebut dipergunakan untuk mencari hubungan antara intensitas curah hujan dan aliran sungai, limpasan dan memperkirakan sedimentasi di sepanjang aliran sungai maupun pada tampungan air (Hadihardaja, 2006 )
Pada penelitian ini dipergunakan sistem hybrid yaitu perpaduan antara ANN dan algoritma genetik akan diterapkan pada perhitungan pengaruh intensitas hujan dan perubahan tata guna lahan pada daerah aliran sungai (DAS) Citarum hulu terhadap limpasan dan laju sedimentasi yang terjadi di waduk Saguling yang terletak di Kabupaten Bandung propinsi Jawa Barat.Tujuan dari penulisan ini adalah membangun model sistem hybrid: jaringan syaraf tiruan-algoritma genetik yang mempunyai ketepatan dan kemampuan dalam melakukan estimasi perhitungan limpasan dan laju sedimentasi. Dengan permodelan tersebut diharapakan dapat dipergunakan dalam perencanaan, pengoperasian dan pemeliharaan waduk.
TINJAUAN PUSTAKA Jaringan Syaraf Tiruan
ANN merupakan salah satu representasi tiruan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia ( Kusumadewi, 2003 )
Secara umum komponen jaringan syaraf tiruan terdiri dari 3 (tiga) lapisan yaitu :
1. Lapisan masukan (input layer) : Terdiri dari neuron-neuron yang menerima sebuah input dari lingkungan luar. Neuron tersebut
tidak melakukan suatu perubahan dalam masukan, tetapi hanya mengirimkannya ke elemen pemroses
(processing elements) yang
berdekatan dengan lapisan tersembunyi (hidden layer).
2. Lapisan tersembunyi (hidden layer) : Terdiri dari neuron-neuron yang mempunyai tipe menerima input yang dipindahkan dari input layer, melakukan perubahan di dalamnya, dan melemparkan output ke lapisan berikutnya.
3. Lapisan keluaran (output layer) : Terdiri dari neuron-neuron yang menerima output dari hidden layer dan mengirimkannya kepada pemakai Sitem Hybrid: Kombinasi Jaringan Syaraf Tiruan dan Algoritma Genetik
Pemanfaatan algoritma dalam jaringan syaraf tiruan pada dasarnya mempunyai tiga fungsi, yaitu:
1). Menggunakan algoritma genetik untuk menentukan struktur dari ANN Algoritma genetik dipergunakan dengan maksud untuk mendapatkan struktur terbaik dari ANN. Prosesnya mengunakan algoritma genetik untuk menyusun beberapa struktur jaringan syaraf tiruan dan menggunakannya sebagai fungsi fitness untuk menentukan tingkat kecocokan dari masing-masing struktur tersebut.
2). Menggunakan algoritma genetik untuk perhitungan bobot dari ANN Algoritma genetik dipergunakan untuk menghitung bobot jaringan syaraf tiruan dari pada menggunakan back propogation. Hal ini dapat menghasilkan potensi untuk mempercepat pelatihan pada jaringan syaraf tiruan tersebut.
3). Menggunakan algoritma genetik untuk menentukan struktur dan bobot dari ANN.
Algoritma genetik dimanfaatkan tidak hanya untuk meningkatkan struktur jaringan tetapi juga untuk mencari bobot dari hubungan antara node pada jaringan. Untuk setiap struktur jaringan, algoritma genetik juga menghitung bobot dari
Data dan k-fold partitioning
Data-data yang tersedia dalam penelitian sedimentasi biasanya tidak banyak dan perbedaannya terlau besar. Tentunya dengan kurangnya ada tersebut akan menyebabkan kendala dalam pelatihan ANN tersebut dan hasilnya menjadi kurang akurat. Untuk itu data tersebut harus diubah sehingga dengan data yang terbatas dapat informasi yang banyak, yaitu dengan metode k-fold pertitioning ( Cigizoglu, 2004 ).
Metode k-fold partitioning dilakukan dengan cara sebagai berikut: karena data yang ada mempunyai perbedaan yang cukup besar, jadi apabila dilakukan interpolasi dapat menyebabkan ketidak tepatan dalam penggambaran data. Dengan menggunakan metode statistic, data pencatatan tersebut dibagi dalam kelompok data yang lebih kecil dan diperlakukan secara terpisah ( Cigizoglu, 2006 ).
METODE PENELITIAN
Data yang dipergunakan sebagai masukan dan pengujian dalam permodelan ini adalah :
Data curah hujan yang didapatkan dari stasiun pencatatan yang ada di wilayah DAS citarum hulu.
Data tata guna lahan dan indeks tanaman yang ada pada DAS tersebut Data-data tersebut diolah dengan menggunakan k-fold partitioning,
sehingga data tersebut akan terpisah sesuai dengan kenyataan. Sebagian data tersebut dipergunakan sebagai data pelatihan dan sebagian untuk data pengujian.
Analisis data tata guna lahan
Untuk analisis tata guna lahan dilakukan dengan menggunakan citra dari satelit Landsat dan dianalisis dengan menggunakan bantuan program Erdas Imagine. Nantinya tata guna lahan akan dikelompokan sesuai dengan pemakaian serta jenis tanaman yang ada.
Data sedimentasi
Data sedimen bulanan diperoleh dengan menggunakan persamaan hubungan antara angkutan muatan sedimen dengan aliran sungai.
Pengembangan Model
Untuk pengembangan model dilakukan dengan menggunakan neuro-genetik optimizer. Langkah-langkah yang dilakukan sesuai dengan flow chart.
Identifikasi data:
Identifikasi data dibedakan dalam dua macam, yaitu data masukan dan data kelaran. Data masukan terdiri dari data curah hujan, data limpasan dan data tata guna lahan. Data keluaran adalah data sedimentasi.
Mula Pelatihan ANN Evaluasi kecocokan Penentuan kriteria Kemampuan terbaik Penyeberang Pemilihan Selesai Pemasukan Nilai Awal Curah Hujan Tata guna lahan
Pembacaan Perpindahan Pergantian P ro ses al g or it m a P ros es ANN
Gambar 1. Flow chart Neuro-Genetik Optimizer N
ye
Untuk neuro genetic optimizer dilakukan dengan cara sebagai berikut:
1. Pemasukan nilai awal
Untuk data asukan awal yang dipergunaka terdiri dari 3 data masukan yaitu curah hujan, limpasan dan tata guna lahan.
2. Pembacaan
Pada langkah ini meliputi pembacaan turunan dari kromosom yang didapat dari langkah 1, dengan melakukan
transformasi ke layer tersembunyi/hidden layer.
3. Pelatihan back propogation,
Pada langkah ini jaringan akan melakukan pembelajaran dari data yang didapat dari data sebelumnya dengan menganggap bahwa data yang didapat dari hidden layer sederajat/sama dengan data dari pembacaan.
4. Evaluasi kecocokan
Pada langkah ini, perhitungan akan dilakukan untuk menghitung varian dari jaringan, dimana besarnya tergantung darin persyaratan yaitu menggunakan root mean square error ( RMSE ).
5. Penentuan kriteria. Pada langkah ini akan dilakukan pengecekan apakah error yang terjadi lebih besar atau lebih kecil dari yang disyaratkan. Apabila sudah lebih kecil, maka selanjutnya menuju ke langkah 10 yaitu selesai, tetapi apabila masih lebih besar, maka selanjutnya dilanjutkan ke langkah 6 sd 9 yaitu proses optimasi dengan algorima genetik.
6. Pemilihan
Apabila ternyata error yang terjadi masih lebih besar dari RMSE, maka dilanjutkan ke langkah 6 yaitu pemilihan/penyeleksian. Pada langkah ini dua kromosom dengan
kecocokan terendah dipilih untuk di turunkan.
7. Penyeberangan
Pada langkah ini terjadi peyeberangan spesies dengan melakukan pertukaran gene antar turunan yang telah dipilih dalam langkah sebelumnya.
8. Perpindahan
Setelah mendapatkan turunan dari dua kromosom setelah menyeberang, perpindahan akan dilakukan secara acak dengan posisi yang memungkinkan untuk berpindah. Setelah perpindahan maka nilai gene akan berubah.
Permodelan Sistem Hybrid Neuro - Genetik 273
9. Pergantian
Turunan dengan nila kecocokan yang baik akan diletakan pada kromosom yang paling optimum denngan tujuan untuk mendapatkan kelompok baru , dan akhirnya akan dimasukan ke langkah 2. struktur pada metode ini pada dasarnya akan memberikan nilai
kecocokan paling tinggi dari pada nilai rata-rata dari hasil cloning.
HASIL DAN PEMBAHASAN
Hasil dari penelitian pendahuluan yang akan dipergunakan dalam pengembangan model tersebut ternyata didapatkan hasil sebagai berikut:
Data masukan:
Pada input data maka didapatkan bahwa data yang dapat dipergunakan sebagai masukan dalam ANN adalah data curah hujan bulanan yang didapatkan dari 11 pos pencatatan yang ada di DAS Citarum Hulu, sehingga 11 titi pos tersebut juga akan dipergunakan sebagai input.
Untuk data tata guna lahan ternyata setelah dilakukan analisis dengan program ERDAS maka di DAS Citarum hulu akan didapatkan ada 6 tata guna lahan yang dominan yaitu: hutan, pertanian, perkebunan, tanah kosong, pemukiman, dan perladangan. Ke enam tata guna lahan tersebut akan menjadi input dalam ANN.
Data target:
Sebagai data target dipergunakan hasil pencatatan debit air yang ada pada saluran yang masuk ke waduk Saguling dan untuk sedimentasi dihitung dari laporan analisa Waduk Saguling, Desember 2004 yang diperoleh dari PT. Indonesia Power Unit Bisnis dan Pembangkitan Saguling, hubungan antara kedua parameter tersebut untuk waduk Saguling ditulis sebagai berikut :
1978 . 2 282 . 0 a s Q Q = ; dimana:
Qs = debit sediment (ton/hari) ; Qa = debit aliran (m3/det).
Untuk struktur yang dipergunakan dalam ANN adalah dengan menggunakan 17 input, 1 dan 2 hidden layer serta 2 output data.
Dari hasil pengujian dengan menggunakan data curah hujan tahun 2001 s/d 2005 ternyata model yang didapatkan mempunyai ketepatan 94 %.
KESIMPULAN DAN SARAN Kesimpulan
Dari hasil pengujian pendahuluan yang dilakukan terhadapa model ANN yang dikembangkan ternyata dengan data yang relatif pendek model tersebut dapat dpergunakan untuk memprediksi laju sedimentasi yang terjadi dan debit yang akan terjadi di waduk Saguling sebagai akibat perubahan intensitas curah hujan yang terjadi pada DAS citarum hulu. Saran
Untuk mendapatkan hasil yang lebih baik dari permodelan tersebut tentunya diperlukan data dengan interval yang lebih panjang dan juga untuk struktur yang dipergunakan sebaiknya paralel,karena antara data curah hujan dan tata guna lahan mempunyai karakteristik yang berbeda.
DAFTAR PUSTAKA
Cai. Y. 1994. Artificial neural network method for soil erosion
forecasting. Shanghai research
center of technology, shanghai, China.
Cigizoglu. H.K. 2004. Estimaton and forecasting of daily suspended sediment data by multi layer
perceptrons. Advance in Water
Permodelan Sistem Hybrid Neuro - Genetik 275
Cigizoglu. H.K and Kisi. O. 2005. Flow prediction by three back propagation technique using k-fold partitioning of neural
network training data. Nordic
Hydrology V, vol 36 no. 1. pp 49-64.
Cigizoglu. H. K, and Kisi. O. 2006.
Methods to improve the neural network performance in
suspended sediment estimation.
Journal of Hydrology, 317, 221-238.
Firouzabadi. P. Z, Davoodi. A. 2008, Study on soil erosion and sedimentation in alashtar watershed using image processing software, Department of Geography, Teacher Training University Tehran Iran
Fizelew. A, Britos. P, Ochoa. A, Merlino. H, Hernandez E and Garcia-martines. R., 2007, Finding optimal neural network architecture using genetik algorithms, Advance in Computer Science and Engineering, Research in Computing Science, 27, pp. 15-24
Hadihardaja. I. K, dan Sutikno. S, 2005, Permodelan curah hujan-limpasan menggunakan artificial neural network ( ANN ) dengan metode back propogation, Jurnal Teknik Sipil, ITB, Vol. 12.
Hadihardaja. I. K, Kusuma. S. B, Kardana.. D, dan Sutikno. S, 2006, Permodelan curah
hujan-limpasan-sedimen dengan menggunakan jaringan syaraf tiruan, Jurnal Ilmiah HATHI dan KK Teknik Sipil Hidro Undip, No. 2.
Kusumadewi. S., 2003, Artificial intelligence ( Teknik dan aplikasi ), Graha Ilmu.
Lamnarongrit. T, Bhaktikul. K, Navanugraha. C, and Kongjun. T. 2007. Application of neuro-genetik optimizer for sediment forecasting in Lam Phra Phloeng
reservoir. 4th INWEPF steering
meeting and symposium, Bankok, Thailand
Vrestaeten. G, Prosser. I. P. 2005.
Modeling the impact of land use change
and farm dam construction on the
sediment delivery to river channel at the
region scale. Geographycal research,
