PERAMALAN TINGGI MUKA AIR DI BENGAWAN SOLO HILIR
RUAS BOJONEGORO – LAMONGAN AKIBAT ADANYA BENDUNG
GERAK BOJONEGORO DENGAN METODE
JARINGAN SYARAF TIRUAN
Ima Faridhotin1, Very Dermawan2, Dian Sisinggih2
1)Mahasiswa Jurusan Teknik Pengairan, Fakultas Teknik, Universitas Brawijaya 2)Dosen Jurusan Teknik Pengairan, Fakultas Teknik, Universitas Brawijaya
Universitas Brawijaya-Malang, Jawa Timur, Indonesia Jalan MT.Haryono 167 Malang 65145 Indonesia
e-mail: faridhotin@gmail.com
ABSTRAK
Sungai Bengawan Solo merupakan sungai terbesar di Pulau Jawa. Berbagai masalah seperti kekeringan dan banjir sering terjadi khususnya Sub DAS hilir. Terdapat dua bendung gerak yang dibangun untuk alokasi air didaerah Bengawan Solo Hilir. Pada Tahun 2004 Bendung Gerak Babat dibangun, sedangkan Tahun 2012 Bendung Gerak Bojonegoro dibangun yang lokasinya dihulu Bendung Gerak Babat. Peramalan debit outflow Bendung Gerak Bojonegoro untuk mempercepat pengambilan keputusan dalam pengoperasian pintu air khususnya pada musim kemarau dengan metode Jaringan Syaraf Tiruan menggunakan data time series untuk pelatihan yang diharapkan mampu memperkirakan besaran debit yang harus dikeluarkan Bendung Gerak Bojonegoro agar tidak mengakibatkan kelebihan air di hulu Bendung Gerak Babat atau sebaliknya.
Bentuk pemodelan JST untuk TMA BSH dilakukan dengan 2 kondisi yaitu sebelum (2008-2016) dan sesudah (2013-2016) adanya Bendung Gerak Bojonegoro dibangun, arsitektur JST yaitu MultiLayer Perceptron dengan menggunakan fungsi pelatihan Leverberg-Marquardt. Pada tahap pelatihan dengan bantuan software NeuroSolution 7.1. Training dengan hasil yang paling sesuai akan digunakan untuk menentukan pemodelan terbaik. Pelatihan dengan 500 epochs untuk prosentase data Training-Cross Validation-Testing (60-30-10)% dari keseluruhan data mempunyai kesesuaian yang terbaik dengan Kesalahan Ralatif (KR) 6,26% sebelum dan 6,70% sesudah Bendung Gerak Bojonegoro. Berdasarkan hasil analisis tinggi muka air Bengawan Solo Hilir dipengaruhi oleh operasional pintu Bendung Gerak Bojonegoro. Maka dilakukan peramalan TMA hulu Bendung Gerak Bojonegoro dengan metode JST. Pemodelan tersebut digunakan untuk meramalkan TMA hulu Bendung Gerak Bojonegoro bulan November-Desember 2016 dengan prosentase (70-20-10)% diperoleh KR 5,47%. Pada saat debit di pos Padangan > 500 m3/dt maka elevasi hulu Bendung Gerak Bojonegoro > +15.50 m dan pintu Bendung Gerak Babat akan dibuka penuh.
Kata Kunci: Jaringan Saraf Tiruan, NeuroSolution 7.1, Tinggi Muka Air, Bukaan Pintu
ABSTRACT
Bengawan Solo River is the largest river in Java Island. Various problems such as droughts and
floods are common, especially downstream watersheds. There are two barrage built for water allocation of downstream of Bengawan Solo area. In 2004 Babat Barrage was built, while in 2012 Bojonegoro Barrage was built located in upstream Babat Barrage. Forecasting outflow discharge of Bojonegoro Barrage to accelerate decision making in operation of sluice gate, especially in dry season using Artificial Neural Network method, it is using time series data for training which is expected to estimate the amount of discharge that must be issued by Bojonegoro Barrage in order not to cause excess water in upper Babat Barrage or conversely.
JST modeling form water level of Downstream Bengawan Solo was carried out with 2 conditions: before (2008-2016) and after (2013-2016) Bojonegoro Barrage was constructed. ANN architecture was Multilayer Perceptron. In the training stage using NeuroSolution 7.1. Training the
most appropriate result would be used to determine the best modeling. The training with 500 epochs for the data percentage of the data Training-Cross Validation-Testing (60-30-10)% from the whole data had the best conformity with the Relative Error of 6,26% before and 6,70% after Bojonegoro Barrage. Based on the analysis result, the height water level of the Downstream Bengawan Solo was affected by the sluice gate operation of Bojonegoro Barrage consequently, the water level prediction of upstream Bojonegoro Barrage using ANN method. The modeling was used to predict water level of the upstream Bojonegoro Barrage in November-December 2016 in which with the percentage of (70-20-10)%, Relative Error 5,47% was obtained. When discharge on Padangan’s AWLR was >
500 m3/s, then the elevation of upstream Bojonegoro Barrage was > +15.50 m and the sluice gate
of Babat Barrage would be full open.
Keywords: Artificial Neural Network, NeuroSolution 7.1, Height Water Level, Sluice Gate
PENDAHULUAN
Sungai Bengawan Solo merupakan sungai terbesar di pulau Jawa dengan luas 16.100 km2, bagian hilir Bengawan Solo
yang khususnya daerah Bojonegoro, Tuban, Lamongan dan Gersik hampir setiap tahun mengalami banjir karena ketidakmampuan sungai mengalirkan debit banjir yang terjadi.
Fluktuasi muka air di sungai Bengawan sangat berbeda ketika musim kemarau di bagian hilir terjadi penurunan muka air yang cukup signifikan, maka untuk mengatasi berbagai permasalahan tersebut di bangunlah Bendung Gerak Babat tahun 2004 di Kendal yang di operasikan untuk pemenuhan kebutuhan industri PT.Petrokimia Gersik, irigasi DI Leideng serta melayani kebutuhan PDAM Lamongan. Sedangkan untuk mengatasi kekeringan di Bojonegoro dan sekitarnya pihak BBWS Bengawan Solo membangun Bendung Gerak Bojonegoro tahun 2012 di Trucuk.
Adanya Bendung Gerak Bojonegoro akan mempengaruhi fluktuasi muka air di hulu Bendung Gerak Babat dan yang dikhawatirkan mengganggu pemenuhan kebutuhan air di daerah tersebut, maka perlu adanya pola operasi di Bendung Gerak Bojonegoro dan disesuaikan dengan fluktuasi muka air di hulu Bendung Gerak Babat yang muka airnya dipertahankan di elevasi +2,00 m guna efektivitas penampungan, sedangkan pada Bendung Gerak Bojonegoro dapat
dioperasikan ketika elevasi TMA di +8.50m.
Peramalan debit outflow Bendung Gerak Bojonegoro berfungsi untuk mempercepat pengambilan keputusan pengoperasian pintu air khususnya pada musim kemarau dengan metode Jaringan Saraf Tiruan menggunakan data time
series untuk pelatihan yang diharapkan
mampu memperkirakan besaran debit yang harus dikeluarkan Bendung Gerak Bojonegoro agar tidak mengakibatkan kelebihan air di hulu Bendung Gerak Babat atau sebaliknya.
METODOLOGI
Lokasi yang dipilih untuk peramalan muka air ini di Bengawan Solo ruas Bojonegoro-Lamongan dari Bendung Gerak Bojonegoro sampai Bendung Gerak Babat. Adapun peta lokasi dapat dilihat pada Gambar 1.
Gambar 1. Peta DAS Bengawan Solo Sumber: Profil BBWS (2016)
Gambar 2. Ruas Sungai Bojonegor- Lamongan Sumber: Google Earth (2017)
Jaringan Saraf Tiruan adalah paradigma Jaringan Saraf Tiruan (JST) adalah paradigma pemrosesan suatu informasi yang terinspirasi oleh sistem sel syaraf biologi manusia, yang memproses suatu informasi (Siang, 2005:3). Keberhasilan suatu proses belajar JST ditunjukkan dengan besarnya error yang minimum. Proses belajar pada jaringan saraf tiruan ditunjukkan dengan perubahan bobot penghubung antara sel jarangan saraf. Implementasi jaringan syaraf tiruan dilakukan dengan perangkat keras atau komputer (Hermawan, 2006:15).
Analisis pemodelan tinggi muka air dilakukan dengan Metode JST
Feedforward Backpropagation dengan
bantuan NeuroSolution for Excel. Metode yang digunakan dalam proses pelatihan adalah Levenberg- Marquardt (LM).
Dalam penyusunan analisa ini tahap pengolahan data sebagai berikut:
1. Data-data diperlukan
a. Data curah hujan harian Sta. Babat, Sta. Leran, Stasiun Jabung, Stasiun Pangkatrejo, dan Stasiun Bojonegoro pada tahun 2005-2016 b. Data Debit dan TMA Pos Duga Air
Padangan 2007-2016
c. Data Debit dan TMA Pos Duga Air Kaliketek 2007-2016
d. Tinggi Muka Air di Hulu Bendung Gerak Bojonegoro 2013-2016 e. Tinggi Muka Air di Hulu Bendung
Gerak Babat 2008-2016
f. Pedoman Operasi Pintu Bendung Gerak Bojonegoro dan Bendung Gerak Babat
2. Pengolahan Data Input
Sebelum dilakukan analisis dengan pemodelan JST, maka diperlukan beberapa pengujian statistik sebagai berikut:
a. Data curah hujan harian tahun 2005-2016
Uji konsistensi dengan metode kurva massa ganda
Uji Ketidakadaan trend Uji Stasioner
Uji Inlier-Outlier
b. Data debit pos duga air harian tahun 2007-2016
Uji Stasioner
3. Pengolahan dengan NeuroSolution 7.1
Pengolahan data dengan
NeuroSolution 7.1 dilakukan berdasarkan tahapan berikut:
a. Load data atau pembagian data harus jelas agar jaringan mendapatkan pelatihan yang secukupnya. Data pengujian digunakan untuk menguji hasil pelatihan yang dilakukan berdasarkan MSE data pelatihan dan pengujian.
b. Pada program NeuroSolution 7.1 pembagian data dibagi berdasarkan
coloums dan rows pada program Ms. excel. Data coloums dibagi menjadi
kelompok data data input, dan data
output. sedangkan pembagian data
berdasarkan rows terkait dengan pembagian data untuk pelatihan (training), data untuk validitas (validation), dan data untuk pengujian (testing). Beberapa komposisi data pelatihan dan pengujian yang sering digunakan adalah sebagai berikut (Maru`ao, 2010):
• 80% untuk data pelatihan dan 20% untuk data pengujian.
• 70% untuk data pelatihan dan 30% untuk data pengujian.
• 2/3 untuk data pelatihan dan 1/3 untuk data pengujian.
• 50% untuk data pelatihan dan 50% untuk data pengujian.
• 60% untuk data pelatihan dan 40% untuk data pengujian.
c. Pemodelan Jaringan
Karena dalam program
NeuroSolution 7.1 jaringan arsitektur tidak dibuat sendiri melainkan sudah tersedia dengan metode kohonen dengan 1 sistem
hidden layers.
d. Pemilihan koefisien pemahaman (learning rate) dan momentum e. Postprocessing/Denomalisasi
Setelah proses pelatihan selesai, nilai output jaringan yang telah mengalami proses normalisasi harus dikembalikan (denormalisasi) ke harga aslinya untuk mendapatkan nilai output pada range yang sebenarnya.
f. Pemilihan pemodelan ditentukan pada proses training yang dibuat dengan nilai epoch yang variatif sampai menemukan nilai MSE dan regresi yang optimum dengan nilai Kesalahan Relatif (KR) terkecil.
Tahapan JST dengan algoritma
Multilayer Perceptron diuraikan dalam langkah-langkah sebagai berikut :
1. Tiap-tiap unit input (Xi = 1, 2,…,n)
menerima sinyal Xi mengirimkan sinyal-sinyal ini ke unit-unit selanjutnya (unit-unit tersembunyi).
2. Setiap unit tersembunyi (zj, j = 1, 2,…, p) menjumlahkan sinyal-sinyal terbobotnya.
z_in j = voj + ∑𝑛𝑖=1𝑥𝑖𝑣𝑖𝑗
Kemudian menerapkan fungsi aktivasinya untuk menghitung sinyal keluarannya:
zj = f (z_in j)
lalu mengirimkannya pada semua unit lapis lapis keluaran.
3. Setiap unit output (Yk, t = 1, 2, …, m) menjumlahkan sinyal masukan terbobotnya.
y_in k = wok + ∑𝑛𝑖=1𝑧𝑖𝑤𝑗𝑘
Kemudian menerapkan fungsi aktivasi untuk menghitung sinyal keluarannya :
yk = f (y_in k)
4. Tes kondisi berhenti.
Secara garis besar tahapan penyelesaian sebagai berikut:
1. Penentuan lokasi
2. Pengumpulan data-data hujan, tinggi muka air, debit pada Bendung Gerak Bojonegoro dan Bendung Gerak Babat, serta data debit AWRL Pos Padangan dan data debit AWRL Pos Kaliketek.
3. Pengujian statistik terhadap data curah hujan dan debit.
4. Analisis peramalan TMA hulu Babat
Barrage metode JST dengan software NeuroSolutions 7.1
5. Analisis berdasarkan kesesuaian TMAoutput jaringan dengan nilai TMA yang ditargetkan.
6. Analisa pengaruh Bojonegoro
Barrage terhadap TMA Bengawan
Solo Hilir.
7. Pemodelan TMA hulu Bojonegoro
Barrage dengan metode JST dengan software NeuroSolutions 7.1.
8. Analisa operasi bukaan pintu Bojonegoro Barrage dan Babat
Barrage
HASIL DAN PEMBAHASAN Analisa Hidrologi
Data hidrologi yaitu curah hujan tahunan mulai Tahun 2005-2016 dan data debit tahunan dilakukan mulai Tahun 2007-2016 yang diperoleh dari data pengukuran di lapangan diuji statistik sebelum digunakan sebagai data input untuk analisis tinggi muka air di Sungai Bengawan Solo hilir. Uji tersebut adalah uji konsistensi, ketidakadaan trend, uji stasioner, uji inlier-outlier untuk data curah hujan dan uji stasioner untuk data debit.
Berdasarkan beberapa uji yang tealh dilakukan menunjukkan bahwa semua data curah hujan dapat digunakan untuk analisa selanjutnya, namun pada uji inlier-outlier Tahun 2010 tidak memenuhi batas ambang atas maka tidak dapat digunakan untuk analisa selanjutnya.
Tabel 1. Hasil Analisa Hidrologi
Uji Statistika Uji Konsistensi Uji Ketidakadaan Trend
Uji Stasioner Uji Inlier-Outlier Data curah hujan konsisten α ≈ 45ᵒ T hitung Terletak diantara t tabel Data hujan tidak menunjukkan trend f hitung < f tabel t hitung < t tabel Data hujan dan debit berasal dari populasi yang sama Nilai rata-rata dan nilai variannya adalah sama XH = 199,554 < Curah hujan Tahun 2010 sebesar 210 mm, tidak dipakai input JST
Sumber: Hasil Perhitungan (2017) Pemodelan Jaringan Saraf Tiruan dengan NeuroSolutions 7.1
Pemodelan dilakukan dengan metode Jaringan Saraf Tiruan menggunakan
software NeuroSolutions Version 7.1. NeuroSolutions merupakan aplikasi untuk
membantu proses pembelajaran dari JST dengan cara Add-In ke Excel. Algoritma pembelajaran yang digunakan yaitu
Feedforward Backpropagation dengan
arsitektur jaringan Multilayer Perceptron (MLP). Pada MLP terdapat satu lapisan
input, satu lapisan tersembunyi, dan satu
lapisan output. Lapisan input menerima sinyal dari luar kemudian melewatkan kelapisan tersembunyi pertama, yang akan diteruskan sehingga mencapai lapisan
output. Secara matematis unit output dapat
berupa persamaan sebagai berikut: y_ink = W0k +∑{( ∑(𝑍1𝑋1+
… . + 𝑍𝑛𝑋𝑛)𝑊1+ ( ∑(𝑍1𝑋1+ … . + 𝑍𝑛𝑋𝑛)𝑊𝑛 }
Perancangan Data Pelatihan
Penentuan variabel input dan output yang akan digunakan pada proses pelatihan (training) menetukan hasil dari proses pembelajaran Jaringan Saraf Tiruan. Data yang digunakan merupakan data eksisting yang mempengaruhi tinggi muka air disepanjang sungai Bengawan Solo ruas Bojonegoro – Lamongan. Pada analisa ini terdapat dua kondisi yang akan dianalisa dengan JST yaitu:
1. Kondisi tinggi muka air Bengawan Solo hilir sebelum adanya Bojonegoro barrage, data pelatihan menggunakan data eksisting tahun 2008-2012
2. Kondisi tinggi muka air Bengawan Solo hilir sesudah adanya Bojonegoro
barrage, data pelatihan menggunakan
data eksisting tahun 2013-2016 3. Kondisi tinggi muka air di hulu
Bendung Gerak Bojonegoro
Berikut merupakan arsitektur jaringan pemodelan tinggi muka air kondisi 1 dan kondisi 2 pada Gambar 3. dan kondisi 3 pada Gambar 4.
Y1 Input Hidden Layer Output Layer Target Y Z1 Z2 Z3 Z4 Z5 Z6 Z7 Z8 X5 X6 X7 X4 X3 X2 X1 B1 B2
Gambar 3. Arsitektur Jaringan MLP Kondisi I dengan Tujuh
Neuron Input Sumber: Anonim (2017) Y1 Input Hidden Layer Output Layer Target Y Z1 Z2 Z3 Z4 Z5 Z6 Z7 Z8 X5 X6 X7 X4 X3 X2 X1 B1 B2 X8 X9 X10 Z9 Z10 Z11
Gambar 4. Arsitektur Jaringan MLP Kondisi II dengan Sepuluh Neuron Input. Sumber: Anonim (2017)
Notasi V adalah bobot pada lapisan tersembunyi, notasi W merupakan bobot ke lapisan keluaran (Y1) dan B merupakan
bias. Pada metode JST ini prinsipnya adalah melatih jaringan sampai mendapatkan nilai output yang mendekati
nilai target dengan trial. Untuk keputusan pembuktian akurasi model dapat dilakukan parameter pemodelan terhadap
prosentase data yang digunakan dengan
susunan Training : Cross Validation :
Testing, pengulangan pembelajaran di
coba dengan 500 Epoch, 1000 Epoch, dan 2000 Epoch a. 60% - 30% - 10% (500,1000,2000 Epochs ) b. 60% - 25% - 15% (500,1000,2000 Epochs ) c. 70% - 20% - 10% (500,1000,2000 Epochs )
Berikut merupakan hasil analisis tinggi muka air dengan Metode JST menggunakan NeuroSolution 7.1 pada kondisi 1 dengan 1000 epoch sebagai berikut:
1. Susunlah data pelatihan JST (tahun 2008-2012) secara vertikal dari kiri ke kanan sebagai variabel input dan variabel target.
2. Blog kolom dari data TMAKTK hingga
data QKTK, lalu klik Tag Data →
Column(s) As Input.
3. Blog kolom data TMABSH, lalu klik
Tag Data → Column(s) As Desired 4. Blog baris data sebanyak 60% dari data
input dan target, lalu klik Tag Data →
Row(s) As Training, data yang sudah
di Tag As Training akan berubah menjadi hitam
5. Blog baris data sebanyak 30% dari data input dan target. Klik Tag Data pilih
Row(s) As Cross Validation, data yang
sudah di Tag As Cross Validation akan berubah menjadi merah
6. Blog baris data sebanyak 10% dari data input dan target. Klik Tag Data pilih
Row(s) As Testing, data yang sudah di Tag As Testing akan berubah menjadi
biru.
7. Blog baris data yang telah diambil acak dari data training. Klik Tag Data pilih Row(s) As Production, data yang sudah di Tag As Production akan berubah menjadi hijau. Data pada kolom desired dipindahkan pada kolom selanjutnya.
V11
W1
W1
8. Langkah selanjutnya adalah membangun jaringan data dengan klik ikon Build Network pilih Regression
MLP ( > 1000 rows)
Setelah memilih arsitektur jaringan multilayer perceptron dan pilih
Continue
9. Maka akan terbentuk struktur jaringan yang telah diproses oleh
software NeuroSolutuons 7.1. Setelah
itu pilih Save breadboard.
10. Pilih Train Network untuk proses pembentukan jaringan syaraf tiruan, lalu akan keluar kotak dialog train yang berisikan pengaturan Number of
Epochs, Isikan sesuai dengan yang
kita inginkan (disini digunakan 1000).
11. Program Neurosolution 7.1 akan memulai proses running sesuai dengan Epochs yang kita inginkan. Hasil running akan di plotkan secara otomatis oleh program. Pada grafik berwarna merah merupakan hasil dari
Cross Validation Mean Square Error,
sedangkan yang garis berwarna biru hasil dari Training Mean Square
Error
Gambar 5. Grafik Hubungan MSE dengan
Epoch
Sumber: NeuroSolution 7.1 (2017)
Tabel 2. Perbandingan Mean Squared
Error Training dan Cross Validation
Sumber: NeuroSolution 7.1
12. Kemudian dilakukan test. Pada Test 1 dilakukan pada bagian Training. Klik
Test Network → Dataset to Test
(diubah menjadi Training) → OK.
Gambar 6. Grafik Desired Output and
Actual Network Output Training Set TMABSH1
Sumber: NeuroSolution 7.1 (2017)
Gambar 7. Grafik Output Vs. Disired
TMABSH1
Sumber: NeuroSolution 7.1 (2017)
Tabel 3. Parameter Kesalahan Training
Performance TMA BSH
RMSE 1,132
NRMSE 0,145
MAE 0,868
NMAE 0,111
Min Abs Error 3,505 x 10-5
Max Abs Error 4,720
r 0,689
Score 78,990
Sumber: NeuroSolution 7.1 (2017) 13. Kemudian dilakukan test. Pada Test 2
dilakukan pada bagian Cross Validation. Klik Test Network → Dataset to Test (diubah menjadi Cross Validation) → OK.
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 1 100 199 298 397 496 595 694 793 892 991 MSE Epoch (kali) Training MSE Cross Validation MSE 0 1 2 3 4 5 6 7 8 9 1 89 177 265 353 441 529 617 705 793 881 O u tp u t (m ) Exemplar (buah)
TMA BBT TMA BBT Output
0 1 2 3 4 5 6 7 8 0 2 4 6 8 T M A B B T Ou tp u t (m ) TMA BBT Desired (m)
Best Networks Training Cross
Validation
Epoch (kali) 999 38
Minimum MSE 0,034 0,060
Gambar 8. Grafik Desired Output and
Actual Network Output Cross Validation Set TMABSH1
Sumber: NeuroSolution 7.1 (2017)
Gambar 9. Grafik Output Vs. Disired
TMABSH1
Sumber: NeuroSolution 7.1 (2017)
Tabel 4. Parameter Kesalahan Cross
Validation Performance TMA BSH RMSE 1,592 NRMSE 0,204 MAE 1,179 NMAE 0,151
Min Abs Error 0,012
Max Abs Error 7,822
r 0,395
Score 63,353
Sumber: NeuroSolution 7.1
14. Kemudian dilakukan test. Pada Test 3 dilakukan pada bagian Testing. Klik
Test Network → Dataset to Test
(diubah menjadi Testing) → OK.
Gambar 10. Grafik Desired Output and
Actual Network Output Testing Set TMABSH1
Sumber: NeuroSolution 7.1 (2017)
Gambar 11. Grafik Output Vs. Disired
TMABSH1
Sumber: NeuroSolution 7.1 (2017) Tabel 5. Parameter Kesalahan Testing
Performance TMA BSH
RMSE 1,521
NRMSE 0,195
MAE 1,192
NMAE 0,153
Min Abs Error 0,007
Max Abs Error 4,483
r 0,516
Score 69,477
Sumber: NeuroSolution 7.1 (2017) 15. Setelah data Training, Cross
Validation, dan Testing melalui tahap Test Network maka selanjutnya klik Apply New Data Production → OK.
Maka output akan muncul data pada kolom kosong Output Production sebelumnya.
Dari beberapa percobaan proses pembelajaran metode JST menggunakan algoritma Feedforward Backpropagation
0 2 4 6 8 10 12 1 43 85 127 169 211 253 295 337 379 421 O u tp u t (m ) Exemplar (buah)
TMA BBT TMA BBT Output
0 2 4 6 8 10 12 0 2 4 6 8 10 TM A B B T O u tp u t (m ) TMA BBT Desired (m) 0 2 4 6 8 10 1 14 27 40 53 66 79 92 105 118 131 144 Ou tp u t (m ) Exemplar (kali)
TMA BBT TMA BBT Output
0 1 2 3 4 5 6 7 8 9 10 0 2 4 6 8 10 T M A B B T Ou tp u t (m ) TMA BBT Desired (m)
dengan berbagai epoch didapatkan nilai kesalahan relatif sebagai berikut:
Tabel 6. Perbandingan Nilai KR (%) Sebelum Adanya Bojonegoro Barrage
No. Prosentase Data Kesalahan Relatif (KR %) 500 Epoch 1000 Epoch 2000 Epoch 1 60% - 30%- 10% 6,26 5,90 6,87 2 60% - 25%- 15% 5,82 5,25 6,04 3 70% - 20%- 10% 8,75 8,72 11,15
Sumber: Hasil Perhitungan (2017)
Tabel 7. Perbandingan Nilai KR (%) Setelah Adanya Bojonegoro
Barrage No. Prosentase Data Kesalahan Relatif (KR %) 500 Epoch 1000 Epoch 2000 Epoch 1 60% - 30%- 10% 6,70 9,22 9,45 2 60% - 25%- 15% 7,84 18,20 13,13 3 70% - 20%- 10% 10,96 5,69 27,16
Sumber: Hasil Perhitungan (2017) Tabel 8. Perbandingan Nilai KR (%)
TMA Bojonegoro Barrage
No. Prosentase Data Kesalahan Relatif (KR %) 500 Epoch 1000 Epoch 2000 Epoch 1 60% - 30%- 10% 11,49 15,28 12,04 2 60% - 25%- 15% 8,40 9,26 9,17 3 70% - 20%- 10% 5,47 5,50 6,75
Sumber: Hasil Perhitungan (2017)
Analisa Pengaruh Adanya Bojonegoro
Barrage Terhadap Bengawan Solo Hilir
Bojonegoro Barrage memiliki pengaruh terhadap tinggi muka air di hulu Babat Barrage yang berfungsi mempertahankan tinggi muka air agar tetap stabil.
Berikut ini merupakan Grafik Perbandingan Debit Kaliketek dengan TMA Babat Barrage pada tahun 2008-2016 :
Gambar 12. Grafik Hubungan Debit AWLR Kaliketek dan TMA Hilir Bengawan Solo Sumber: NeuroSolution 7.1 (2017)
Analisa Bukaan Pintu Bojonegoro
Barrage
Analisa tinggi bukaan pintu pada Bendung Gerak Bojonegoro dilakukan berdasarkan dari fluktuasi muka air di hulu pintu, kenaikan muka air dihulu pintu Bendung Gerak Bojonegoro dipengaruhi oleh fluktuasi debit Pos Duga Air di Padangan. Saat debit di Pos Duga Air menunjukkan Q ≥ 500 m3/dt maka elevasi
di hulu Bojonegoro Barrage berada > +15.5 m dan juru pintu harus bersiap untuk membuka pintu banjir (Flood gate) di mulai dari pintu no 5 dengan bukaan 0,5 m, jika TMA waduk semakin meningkat maka pintu 4,5,6 dibuka dan seterusnya. Analisa Bukaan Pintu Babat Barrage
Pengoperasian pintu Babat Barrage ketika musim hujan/banjir semua pintu akan dibuka penuh, sedangkan dimusim kemarau pintu akan ditutup guna penampungan hingga elevasi muka air +2,00 m pintu mulai dioperasikan. Saat TMA Hulu Babat Barrage pada elevasi +5,70 m atau lebih maka prosedur operasi bukaan pintu sebagai berikut:
(pada perhitungan operasi bukaan pintu Babat Barrage dilakukan pada November- Desember 2016)
1. Kondisi Normal
Pada kondisi ini biasanya terjadi musim kemarau, Babat Barrage akan menutup semua pintu, ketika elevasi muka air +5,70 m pintu Flap Gate dibuka 1,5 m. Tahap operasi pintu 0 200 400 600 800 1000 1200 1400 0 2 4 6 8 10 12 2008 2009 2010 2011 2012 2013 2014 2015 2016 TAHUN TMA (m) Debit (m3/dt)
dipertimbangkan dari TMA hulu Babat Barrage dengan berpedoman sebagai berikut:
Pada saat TMA di hulu bendung berada diatas mercu Flap Gate +4,20 m pengendalian debit keluar dilakukan melalui Flap Gate yang ada di Discharge Control Gate dan
Check Gate.
Pintu Discharge Control Gate dibuka apabila muka air bergerak terus naik saat operasi tahap 1 dengan ketinggian 0,20 m s/d 0,50 m dengan interval kenaikan bukaan pintu 0,10 m dan pintu Check Gate tetap kondisi tertutup.
Pintu Check Gate mulai dibuka apabila pada kondisi operasi tahap 2 muka air terus bergerak naik. Check Gate dibuka mulai pintu No.1 dan dilanjutkan pintu No.2 sampai No.7 dengan interval bukaan 0,5 m dan 1,0 m sampai terbuka 2,5 m.
2. Kondisi Banjir
Pada kondisi banjir ketika TMA Hulu Babat Barrage mencapai elevasi +5,70 m perlu konfirmasi TMA di Bojonegoro Barrage, jika tinggi muka air di elevasi > +15.50 m dan ΔH ≥ 0,2 m/jam maka semua pintu Babat Barrage akan dibuka penuh dan dilakukan pencatatan TMA.
KESIMPULAN
Berdasarkan hasil analisis yang dilakukan maka disimpulkan beberapa hal sebagai berikut:
1. Pemodelan arsitektur jaringan yang digunakan dalam analisis tinggi muka air di Bengawan Solo hilir sebelum adanya Bojonegoro Barrage dengan
NeuroSolution 7.1 didapatkan Kesalahan Relatif (KR) 6,26% dan sesudah adanya Bojonegoro Barrage KR sebesar 6,70% dengan variabel
input (X) dan output (Y) sebagai
berikut:
X1 = TMAKTK (tinggi muka air
harian Kaliketek, m) X2 = ChBJN (curah hujan harian
Bojonegoro, mm)
X3 = ChL (curah hujan harian Leran,
mm)
X4 = ChBBT (curah hujan harian
Babat, mm)
X5 = ChJ (curah hujan harian Jabung,
mm)
X6 = ChP (curah hujan harian
Pangkatrejo, mm)
X7 = QKTK (Debit harian Pos AWLR
Kaliketek, (m3/dt)
Y1 = TMABSH (tinggi muka air harian
Bengawan Solo hilir (Hulu Babat Barrage)
Sehingga dapat dibuat persamaan dari permodelan harian yang telah dilakukan yaitu: y_ink = W0k +∑{(𝐵 + ∑(𝑍1𝑋𝑇𝑀𝐴.𝐾𝑇𝐾+ 𝑍1𝑋𝐶ℎ.𝐵𝑗𝑛+ 𝑍1𝑋𝐶ℎ.𝐿+ 𝑍1𝑋𝐶ℎ.𝐵𝐵𝑇+ 𝑍1𝑋𝐶ℎ.𝐽+ 𝑍1𝑋𝐶ℎ.𝑃+ 𝑍1𝑋𝑄.𝐾𝑇𝐾)𝑊1𝑘+ ⋯ + (𝐵 + ∑ ((𝑍8𝑋𝑇𝑀𝐴.𝐾𝑇𝐾+ 𝑍8𝑋𝐶ℎ.𝐵𝑗𝑛+ 𝑍8𝑋𝐶ℎ.𝐿+ 𝑍8𝑋𝐶ℎ.𝐵𝐵𝑇+ 𝑍8𝑋𝐶ℎ.𝐽+ 𝑍8𝑋𝐶ℎ.𝑃+ 𝑍8𝑋𝑄.𝐾𝑇𝐾)𝑊8𝑘)} }
2. Pengaruh TMA di hulu Babat Barrage setelah adanya Bojonegoro Barrage fluktuasi muka air cenderung stabil dan lebih tinggi sehingga pemenuhan kebutuhan air lebih efektif.
3. Peramalan tinggi muka air di hulu Bojonegoro Barrage diperoleh dari hasil pemodelan jaringan arsitektur dengan pola hubungan antara tinggi muka air di hulu Babat Barrage dengan variabel yang mempengaruhi seperti curah hujan Bojonegoro, Leran, Jabung, Babat, dan
Pangkatrejo serta
mempertimbangkan kenaikan debit di Padangan (hulu Bojonegoro Barrage) dan debit di Kaliketek (hulu Babat Barrage), maka didapatkan TMA Bojonegoro Barrage peramalan bulan November – Desember 2016 dengan korelasi data input yang digunakan membangun model nilainya 0,92. Sehingga dapat dibuat persamaan dari permodelan harian yang telah dilakukan yaitu:
y_ink = W0k +∑{(𝐵 + ∑(𝑍1𝑋𝑇𝑀𝐴.𝐾𝑇𝐾+ 𝑍1𝑋𝑇𝑀𝐴.𝑃𝐷𝐺𝑁+ 𝑍1𝑋𝐶ℎ.𝐵𝑗𝑛+ 𝑍1𝑋𝐶ℎ.𝐿+ 𝑍1𝑋𝐶ℎ.𝐵𝐵𝑇+ 𝑍1𝑋𝐶ℎ.𝐽+ 𝑍1𝑋𝐶ℎ.𝑃+ 𝑍1𝑋𝑄.𝐾𝑇𝐾+ 𝑍1𝑋𝑄.𝑃𝐷𝐺𝑁 + 𝑍1𝑋𝑇𝑀𝐴.𝐵𝑆𝐻)𝑊1𝑘+ ⋯ + (𝐵 + (𝑍11𝑋𝑇𝑀𝐴.𝐾𝑇𝐾+ 𝑍11𝑋𝑇𝑀𝐴.𝑃𝐷𝐺𝑁+ 𝑍11𝑋𝐶ℎ.𝐵𝑗𝑛+ 𝑍11𝑋𝐶ℎ.𝐿+ 𝑍11𝑋𝐶ℎ.𝐵𝐵𝑇+ 𝑍11𝑋𝐶ℎ.𝐽+ 𝑍11𝑋𝐶ℎ.𝑃+ 𝑍11𝑋𝑄.𝐾𝑇𝐾+ 𝑍11𝑋𝑄.𝑃𝐷𝐺𝑁 + 𝑍11𝑋𝑇𝑀𝐴.𝐵𝑆𝐻)𝑊11𝑘) }
4. Analisa tinggi bukaan pintu Bojonegoro Barrage dilakukan berdasarkan dari fluktuasi muka air di hulu pintu, kenaikan muka air dihulu pintu Bojonegoro Barrage
dipengaruhi oleh fluktuasi debit Pos Duga Air di Padangan. Saat debit di Pos Duga Air menunjukkan Q ≥ 500 m3/dt maka elevasi di hulu Bojonegoro Barrage berada > +15.5 m dan juru pintu harus bersiap untuk membuka pintu banjir (Flood gate), sedangkan pintu Babat Barrage akan dibuka penuh.
DAFTAR PUSTAKA
Anonim, (2012). Profil Pengelolaan
Sumber Daya Air Wilayah Sungai Bengawan Solo. Surakarta: Balai
Besar Wilayah Sungai Bengawan Solo.
Anonim, (2016). Profil & Kegiatan
Strategis Balai Besar Wilayah Sungai Bengawan Solo. Surakarta:
Balai Besar Wilayah Sungai Bengawan Solo.
Anonim, (2016). Alur Sungai Bengawan
Solo Ruas Bojonegoro-Lamongan.
Google Earth
Hermawan, Arief. (2006). Jaringan
Syaraf Tiruan (Teori dan Aplikasi). Yogyakarta: Andi Offset
Kusumadewi, Sri. (2003). Artificial
Intelligence (Teknik dan Aplikasinya), 2003. Yogyakarta:
Graha Ilmu.
Siang, J.J. (2005). Jaringan Syaraf Tiruan
dan Pemrogramannya
menggunakan Matlab.