PERAMALAN TINGGI MUKA AIR DI BENGAWAN SOLO HILIR RUAS BOJONEGORO LAMONGAN AKIBAT ADANYA BENDUNG GERAK BOJONEGORO DENGAN METODE JARINGAN SYARAF TIRUAN

(1)

PERAMALAN TINGGI MUKA AIR DI BENGAWAN SOLO HILIR

RUAS BOJONEGORO – LAMONGAN AKIBAT ADANYA BENDUNG

GERAK BOJONEGORO DENGAN METODE

JARINGAN SYARAF TIRUAN

Ima Faridhotin1_{, Very Dermawan}2_{, Dian Sisinggih}2

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

(2)

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)

(3)

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:

(4)

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.

• 2/3 untuk data pelatihan dan 1/3 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 + ∑𝑛_𝑖=1𝑥_𝑖𝑣_𝑖𝑗

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)

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+

… . + 𝑍_𝑛𝑋_𝑛)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.

(6)

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

(7)

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

Gambar 7. Grafik Output Vs. Disired

TMABSH1

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

(8)

Actual Network Output Cross Validation Set TMABSH1

Gambar 9. Grafik Output Vs. Disired

TMABSH1

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.

Actual Network Output Testing Set TMABSH1

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)

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)

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)

(9)

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)

(10)

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:

(11)

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