SIMULASI DEBIT DAS B AH BOLON BERDASARKAN DATA HUJAN DENGAN
MTODE JARINGAN SYARAT TIRUAN BACPROPOGATION MENGGUNAKAN
SCILAB
Agus Sutarto
1), Setiono, ST, MSc
2), Dr. Ir. Rr. Rintis Hadiani, MT
3) 1) Mahasiswa Jurusan Teknik Sipil, Universitas Sebelas Maret2), 3) Dosen Jurusan Teknik Sipil, Universitas Sebelas Maret
Jln Ir Sutami 36 A, Surakarta 57126 e-mail : agussutarto27@yahaoo.com Abstract
Data Debit is an important information in the management of water resources. discharge is one source of input data can then be processed and analyzed. Water resources management has many aspects such as flood control purposes, the potential for electrical energy and so on. Watersheds do not entirely have the discharge station so that the necessary technical approach to address the validation of data that can be justified. The purpose of this study were (1) Determine the coefficient ANN parameters, (2) Knowing the years 2013 to 2016 and the predicted discharge (3) Determine the reliability of the model.
Simulation debit is a method of getting data flow based on rainfall data at the station in one watershed at the same time. Stages of the research is to collect data rainfall and discharge in 2001-2012 as well as topographic maps. Perform calculations using the region rain Thiessen polygon method. Results of rain the area is converted into discharge using methods FJ. Mock. Then perform simulations to the results obtained are at the limits set by the Backpropagation ANN method with the help of Scilab Software 5.5.1.0. debit and simultaneously obtain predictions. Furthermore, to test the reliability of the model
Simulation studies Debit DAS Bahbolon method Backpropogation Neural Network Based on rainfall data using Scilab. The results showed that ANN parameters: Period = 4 years, Hidden Layer = 4 pieces (each 5 neurons), Interaction = 10000, MSE = 0.0001, Momentum = 0.6 and 0.6 Learning Speed. Then to discharge Bahbolon DAS prediction in 2013- 2016 can be seen in Table 4:14 The correlation value of = 0.999979 and the reliability model of 71.29% were obtained from the analysis of reliability.
.
Keywords : Bahbolon watershed , rainfall data , Artificial Neural Networks , Prediction , Scilab , simulation Debit Abstrak
Data Debit merupakan informasi penting dalam pengelolaan sumber daya air. debit merupakan salah satu sumber input data yang selanjutnya dapat diolah dan dianalisis. Pengelolaan sumber daya air memiliki berbagai aspek keperluan seperti pengendalian banjir, potensi energi listrik dan sebagainya. Daerah aliran sungai tidak seluruhnya mempunyai stasiun debit sehingga perlu dilakukan pendekatan teknis untuk mengatasi pengabsahan data yang dapat dipertanggung jawabkan. Tujuan penelitian ini adalah (1) Mengetahui koefisien parameter JST, (2) Mengetahui debit prediksi tahun 2013-2016 dan (3) Mengetahui keandalan model.
Simulasi debit merupakan metode mendapatkan data debit berdasarkan data hujan pada stasiun dalam satu DAS pada kurun waktu yang sama. Tahapan penelitian yang dilakukan adalah mengumpulkan data hujan dan debit tahun 2001-2012 serta peta topografi. Melakukan perhitungan hujan wilayah menggunakan metode poligon Thiessen. Hasil hujan wilayah diubah menjadi debit menggunakan metode FJ. Mock. Kemudian melakukan simulasi sampai hasil yang diperoleh berada pada batas yang ditetapkan dengan metode JST Backpropagation dengan bantuan Software Scilab 5.5.1.0. dan sekaligus memperoleh debit prediksi. Selanjutnya melakukan uji keandalan model
Penelitian Simulasi Debit DAS Bahbolon dengan metode Jaringan Syaraf Tiruan Backpropogation Berdasarkan data hujan menggunakan Scilab. Hasil penelitian menunjukkan bahwa parameter JST : Periode = 4 tahun, Hidden Layer = 4 buah (masing-masing 5 neuron), Interaksi = 10000, MSE = 0,0001, Momentum = 0,6, dan Kecepatan Belajar 0,6. Kemudian untuk debit prediksi DAS Bahbolon pada tahun 2013- 2016 dapat dilihat pada tabel 4.14 Dengan nilai korelasi sebesar = 0,999979 dan keandalan model 71,29 % yang diperoleh dari analisis reliabilitas.
Kata Kunci : DAS Bahbolon, data hujan, Jaringan Syaraf Tiruan, Prediksi, Scilab, Simulasi Debit..
PENDAHULUAN
Data Debit aliran merupakan informasi paling penting dalam pengelolaan sumber daya air. Pengelolaan sumber daya air memiliki berbagai aspek keperluan seperti pengendalian banjir, potensi energi listrik, pengairan lahan pertanian dan sebagainya. Indonesia merupakan negara berkepulauan dimana banyak pulau – pulau dan Daerah Aliran Sungai (DAS), Hujan sebagai input dan debit output.. DAS Bah Bolon adalah salah satu DAS yang terdapat pada Kabupaten Simalungun dengan luas wilayah 131,378 km2.
Jaringan Syaraf Tiruan (JST) adalah suatu teknologi yang dikembangkan berdasarkan prinsip jaringan syaraf biologi pada manusia, dapat dilatih untuk meramalkan apa yang akan terjadi dimassa yang akan datang berdasarkan pola kejadian yang ada dimassa lampau. JST memiliki kemampuan untuk mengingat dan membuat generalisasi dari apa yang sudah terjadi sebelumnya. Penelitian ini dilakukan untuk memprediksi debit
menggunakan Jaringan Syaraf Tiruan, dengan arsitektur propagasi balik (backpropagation) karena arsitektur ini dapat melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan dalam memberikan respon yang benar terhadap pola masukan yang serupa dengan pola yang dipakai selama pelatihan (Siang, 2005). Aplikasi Jaringan Syaraf Tiruan untuk memprediksi sudah pernah dilakukan Rr. Rintis Hadiani dkk, (2009) yaitu Metode Jaringan Syaraf Tiruan untuk Simulasi Data (Studi Kasus untuk Prediksi Data Debit berdasarkan Data Hujan). Peniruan (simulasi) sertan prediksi potensi debit simulasi berdasarkan data hujan maksimum bulanan dengan metode JST dengan scilab di DAS Bah bolon belum pernah diteliti. Sehingga penelitian ini untuk mengetahui debit simulasi pada DAS Bah bolon dengan metode JST dengan scilab.
.
Analisis permasalahan dirumuskan sebagai berikut : 1. Berapa parameter metode JST ?
2. Berapa debit hasil prediksi pada tahun 2013 – 2016 ?
TINJAUAN PUSTAKA
Simulasi data debit merupakan metode mendapatkan data debit berdasarkan data hujan pada stasiun lain dalam satu DAS pada kurun waktu yang sama, menggunakan model matematik linear yang dibangun dengan metode Jaringan Syaraf Tiruan (JST). Pada aplikasi di lapangan, data hasil simulasi bermanfaat untuk memberikan masukan pada pengambil keputusan. Utamanya untuk mitigasi bencana (banjir atau kekeringan). Metode penelitiannya adalah mensimulasi jumlah data hujan sebagai masukan untuk mendapatkan data debit pada sebuah stasiun sebagai keluaran yang sesuai dengan data hujan senyatanya pada stasiun lain pada DAS yang sama. Dalam pemodelan JST untuk hidrologi, model yang sesuai adalah backpropagation (propagasi balik) dengan fungsi aktivasi sigmoid biner. Fungsi aktivasi adalah net (jaringan) masukan yang merupakan kombinasi linear masukan dan bobotnya. Model ini dapat menyesuaikan karakteristik pola data masukan dan data keluaran. Dan data harus mengikuti distribusi normal dengan kisaran nol sampai satu (0,1 – 0,9) (Siang, J.J., 2005; Rr. Rintis Hadiani dkk, 2009).
Jaringan Syaraf Tiruan (JST)
Menurut Hermawan (2006) Jaringan Syaraf Tiruan (JST) adalah sistem komputasi yang arsitektur dan operasinya diilhami dari pengetahuan tentang sel syaraf biologis di dalam otak. JST merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba menstimulasi proses pembelajaran pada otak manusia tersebut. JST dapat digambarkan sebagai model matematis dan komputasi untuk fungsi aproksimasi non linear, klasifikasi data cluster dan regresi non-parametrik atau sebuah simulasi dari koleksi model jaringan syaraf biologi
Sebuah JST umumnya terdiri dari tiga layer yaitu input layer, hidden layer dan output layer. Layer input (input layer) terdiri dari neuron-neuron yang menerima sebuah input dari lingkungan luar. Input yang dimasukkan merupakan penggambaran dari suatu masalah. Layer tersembunyi (hidden layer) terdiri dari neuron-neuron yang menerima masukan dari input layer, dan kemudian membawa output ke layer berikutnya. Lapisan output disebut unit-unit output, terdiri dari neuron-neuron yang menerima output dari hidden layer dan mengirimkannya kepada pemakai.struktur umum JST digambarkan sperti Gambar 1.
Gambar 1. Arsitektur Jaringan Syaraf Tiruan untuk Perhitungan Debit
Dengan P1 = masukan data ke-1, Pn = masukan data ke-n, Z1.1 = peubah bantu ke-1 pada lapisan tersembunyi 1, Z1.2 = peubah bantu ke-2 pada lapisan tersembunyi 1, Z2.1 = peubah bantu ke-1 pada lapisan tersembunyi 2, Z2.2 = peubah bantu ke-2 pada lapisan tersembunyi 2, b (=1) = nilai bias yang ditentukan sama dengan satu, Qn = keluaran data ke-n.
Prosedur Aplikasi Jaringan Syaraf Tiruan Menggunakan Scilab
Prosedur aplikasi Jaringan Syaraf Tiruan dalam pengelolahan data adalah sebagai berikut: data sekunder yang didapat dientry ke dalam Microsof Excel selanjutnya dilakukan penyusunan pola. Lalu data yang telah dibentuk pola diinputkan ke dalam bahasa pemrograman Scilab.
Scilab telah digunakan secara luas di beberapa industri dan projek penelitian, dan banyak kontribusi telah dibuat oleh para pengguna. Sintaksnya sama dengan Matlab, tetapi yang kedua tidak sepenuhnya kompatibel, meskipun terdapat konverter yang disertakan di dalam Scilab untuk konversi kode sumber dari Matlab ke Scilab. Scilab memiliki lebih sedikit bantuan daripada Matlab.Scilab juga meruapakan suatu perangkat lunak yang dikembangkan untuk komputasi numerik dan visualisasi data (Sarief. 2009).
Korelasi
Korelasi merupakan teknik analisis yang digunakan untuk mengukur kekuatan hubungan dua variabel. Korelasi tidak secara otomatis menunjukkan hubungan kausalitas antar variabel. Hubungan dalam korelasi dapat berupa hubungan linier positif dan negatif. Interpretasi koefesien korelasi akan menghasilkan makna kekuatan, signifikansi dan arah hubungan kedua variabel yang diteliti. Untuk melihat kekuatan koefisien korelasi didasarkan pada jarak yang berkisar antara 0 - 1. Untuk melihat signifikansi hubungan digunakan angka signifikansi / probabilitas / alpha. Untuk melihat arah korelasi dilihat dari angka koefisien korelasi yang menunjukkan positif atau negatif (Jonathan Sarwono, 2006).
……….. [5] Dengan: r = Koefisien korelasi x = Debit simulasi (m3/dt) y = Debit lapangan (m3/dt)
Analisis Reliabilitas
Analisis reliabiitas parameter dilakukan untuk mengetahui kevalidan dan keandalan parameter model dalam memprediksi debit suatu DAS. Bila model terbangun, maka verifikasi dilakukan. Cara verifikasi dilakukan dengan menggunakan metode statistik pada parameter model, uji kesesuaian parameter. Model merupakan metode yang menjelaskan sampel untuk dibuat generalisasi populasi, maka digunakan uji kesesuaian model berbasis sampel (Zulganef, 2004 ; Rr. Rintis Hadiani, 2009). Suatu model biasa diterima sebagai instrumen analisis bila model valid, yaitu hasilnya tidak berbeda dengan senyatanya.
Dalam analisis matematik, reliabilitas adalah rasio jumlah item terhadap total varian. Analisis dilakukan pada peubah durasi, intensitas, dan frekuensi. Rumus umum yang digunakan adalah persamaan Cronbach, alpha sebagai persamaan (zulganef, 2004) :
ij i i r k k ( 2 1 1 2 2 ………..…….. [6] Dengan :
σi2 = jumlah varian i (merupakan jumlah diagonal),
σij = kovarian item i dan j,
σi2 + 2(∑σij) = total varian
nilai αr adalah besar keandalan model.
Kategori koefisien reliabilitas adalah : >0 – 0,25 : Keandalan jelek >0,25 – 0,6 : Keandalan kurang baik >0,6 – 0,75 : Keandalan cukup baik
>0,75 – 0,99 : Keandalan baik
1 : keandalan sangat baik
2 2 2
)
(
)
(
)
(
)
(
x
x
n
y
y
n
n
r
2y
x
xy
METODE PENELITIAN
Metode penelitian ini menggunakan metode deskritif kuantitatif dengan teknik pengumpulan data dari sumber atau instansi terkait sehingga pada penelitian ini data yang digunakan adalah data sekunder. Tahapan penelitian yang dilaksanakan dengan mempersiapkan data debit pada tahun 2001 – 2012. Untuk simulasi data debit menggunakan metode Jaringan Syaraf Tiruan (JST) Backpropagation dengan bantuan software Scilab. Konsep
pemodelan adalah jika Q maka Q, artinya jika debit (Q) m3/det, maka debit (Q) m3/det. Maka model JST yang
dibuat menggunakan masukan data debit dan keluaran data debit. Jumlah data masukan disimulasi. Simulasi I adalah jika jumlah data masukan (data debit) 4 tahun dengan keluaran 4 tahun. Kemudian dengan cara yang sama simulasi dilakukan dengan jumlah data masukan 6, 8, dan 10 tahun. Hasil simulasi masing-masing dihitung korelasi dan besar keandalan modelnya.
HASIL DAN PEMBAHASAN
Data debit yang digunakan pada penelitian ini menggunakan data hujan sta Sidamanik dan sta Marihat yang terdapat pada DAS Bah bolon. Data didapat dari Balai PSDA Kabupaten Simaungun utara yang memiliki data hujan yang cukup lengkap. Data hujan yang digunakan berupa data hujan bulanan selama 12 tahun dari 2001 – 2012 dapat dilihat pada Tabel 1.
Tabel 1. Data Hujan Bulanan sta Sidamanik DAS Bah bolon Tahun 2000 – 2012
Tahun Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec 2000 185 203 361 229 137 79 162 134 657 123 294 331 2001 304 162 83 247 140 99 151 40 390 122 168 242 2002 251 116 178 179 217 95 121 131 349 289 197 106 2003 161 217 200 221 175 163 225 223 225 169 367 367 2004 81 587 659 434 277 74 322 149 894 376 314 308 2005 148 47 184 248 337 347 166 200 184 840 255 216 2006 195 302 125 248 185 188 39 90 143 268 193 216 2007 233 162 238 206 261 139 230 206 256 367 402 164 2008 213 174 372 304 251 165 416 310 241 246 366 111 2009 361 136 448 263 74 109 114 183 120 415 172 332 2010 289 97 158 203 115 209 198 204 314 111 402 264 2011 145 113 178 126 255 149 26 276 194 244 294 161 2012 119 180 144 191 172 129 154 165 305 275 263 200
Tabel 1. Data Hujan Bulanan sta Marihat DAS Bah bolon Tahun 2000 – 2012
Tahun Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec 2000 237 211 491 240 177 185 111 176 537 195 225 279 2001 413 89 230 327 139 125 149 87 360 296 400 521 2002 267 246 163 324 123 186 253 119 334 350 171 349 2003 232 176 182 158 249 176 207 124 447 306 509 467 2004 171 307 213 118 177 95 262 164 336 424 240 159 2005 123 122 66 296 377 142 262 145 309 401 407 350 2006 199 278 76 410 819 335 119 216 170 407 211 236 2007 165 71 116 347 272 259 197 461 373 253 287 287 2008 119 163 355 253 183 201 344 524 573 259 321 215 2009 410 59 384 309 343 41 136 151 459 343 254 203 2010 145 56 218 181 154 374 207 411 372 246 481 373 2011 259 120 151 158 310 113 100 309 297 269 261 243 2012 90 237 273 266 227 94 291 143 339 206 286 229
Sumber: Stasiun Klimatologi sampali Medan
Analisis debit pada penelitian ini dilakukan untuk mengetahui seberapa besar keandalan model yang terjadi pada DAS bah bolon Kabupaten Simalungun Utara. Data yang digunakan untuk memperoleh simulasi debit DAS Bah bolon adalah data hujan bulanan. Data hujan nantinya digunakan sebagai input pelatihan dan untuk mensimulasikan hasil simulasi debit. Pada penelitian ini untuk perancangan JST dan parameternya berdasarkan penelitian (Rintis Hadiani dkk, 2009 ),
Gambar 2. Grafik Hasil Simulasi Debit Bulanan Tahun 2013-2016 pada DAS Bah bolon
Gambar 2. merupakan grafik hasil simulasi yang menunjukkan bahwa simulasi debit mendekati sama dengan grafik data debit observasi, sehingga hasil simulasi debit dapat digunakan untuk perhitungan selanjutnya. Apabila grafik simulasi debit belum mendekati grafik data debit observasi maka dilakukan training progam kembali dengan merubah parameter-parameternya.
Validitas Data Simulasi Debit
Data hasil simulasi dengan bantuan alat software Scilab dan hasil output dari program Scilab kemudian disimpan dalam format Microsoft excel 2007 dengan format ekstensi *.xls dengan cara menekan tombol Save Ms. Excel. Proses dan hasil output dari program Scilab ditampilkan didalam excel tersebut dan ditampilkan pula nilai batas atas dan batas bawah serta matriks bobot yang menjadi koefisien pada matriks perhitungan metode JST Backpropogation. Verifikasi data ini nilai signifikansi yang digunakan harus berada antara nilai batas atas dan ba-tas bawah yang dapat dilihat pada Lampiran E. Nilai yang didapat melalui proses simulasi adalah sebagai berikut :
Batas Bawah : 23,275289
Nilai Aktual : 26
Batas Atas : 26,724711
Syarat nilai aktual harus berada diantara nilai batas atas dan batas bawah. Dalam perhitungan aplikasi Scilab dapat dilihat bahwa nilai batas bawah > nilai aktual > nilai batas atas sehingga hasil simulasi dianggap valid. Apabila kondisi antara nilai aktual, batas bawah, dan batas atas tidak sesuai dengan syarat maka harus dilakukan running kembali dari rencana penginputan data.
Tabel 2. Hasil Simulasi Debit Dengan Masukan 4 Tahun
0 2 4 6 8 10 12 14 16 18 0 10 20 30 40 50 Output-Train Target
Korelasi
Perhitungan Korelasi dilakukan untuk menunjukan besarnya keterkaitan antara output training data hujan simulasi dengan data hujan sesungguhnya yang terjadi di DAS Bahbolon. Menggunakan Persamaan 2.15 maka besarnya korelasi didapat sebesar 0,999979. Dengan nilai korelasi sebesar = 0,999979 menunjukkan model tersebut memiliki derajat keterikatan yang tinggi dan nilai korelasi dari tergolong dalam korelasi yang sangat kuat. Sehingga data hujan output hasil simulasi dapat digunakan untuk memprediksi data debit.
Reliabilitas Hasil Simulasi
Perhitungan yang dilakukan selanjutnya adalah perhitungan keandalan model menggunakan Persamaan 2.16. Diketahui bahwa nilai K : 48, σi2 = 7,7869518 dan σij = 8,477771, Data σi2 dan σij diperoleh dari bantuan Mi-crosoft Excel dengan member perintah variansi (=var) untuk σi2 dan perintah covarian (=covar) untuk perhitungan σij. Hasil yang diperoleh seperti perhitungan berikut ini :
%
100
7,661477
x
2
6,629388
6,629388
1
1
48
48
x
r = 0,71286 x 100 % = 71,29 %Keandalan model dari analisis realibilitas hasil perhitungan diatas menunjukkan bahwa keandalan dengan masukan data debit 4 tahun adalah 71,29 %.
.
KESIMPULAN
Berdasarkan hasil perhitungan yang telah dilakukan diperoleh kesimpulan sebagai berikut :
1. Tahapan penyusunan program JST adalah perancangan jaringan kemudian menentukan input data untuk layer 1 : 4 hidden layer, layer 2 : 5 neuron dan pola jaringan serta melakukan pelatihan jaringan. Koefisien parameter model Jaringan syaraf tiruan metode backpropagation untuk prediksi data debit 4 tahunan pada DAS Bah Bolon berdasarkan data hujan stasiun Bah Bolon adalah sebagai berikut :
Epoch : 10000 iterasi,
Goal : 0,0001
Momentum : 0.6
Learning Rate : 0.6
Performance : Mean Squared Error,
2. Dari hasil prediksi debit 4 tahunan Korelasi model diperoleh nilai sebesar 0,999979 dan Keandalan reliabilitas nilai sebesar 71,29 % yang diperoleh dari analisis reliabilitas.
SARAN
Dalam penelitian simulasi debit berdasarkan data debit ini terbatas pada beberapa lingkup bahasan, oleh karena itu perlu tinjauan lebih lanjut yang bertujuan untuk memperluas pengetahuan dan teknologi, maka dari itu saran-saran yang dapat diberikan oleh penulis sebagai berikut :
1) Perlu adanya ketelitian dalam melakukan proses simulasi debit bulanan terutama, untuk mendapatkan hasil
yang diinginkan.
2) Pada data input dapat ditambah data dan faktor lain (tidak hanya data hujan saja) agar mendapatkan nilai
keandalan yang lebih baik.
3) Penelitian selanjutnya menggunakan data dengan periode data lain karena periode data merupakan salah
satu peubah yang berpengaruh pada perubahan bentuk model JST.
UCAPAN TERIMA KASIH
Terima kasih penyusun ucapkan kepada kepada Ibu Dr. Ir. Rr. Rintis Hadiani, MT dan Bapak Setiono, ST, MSc selaku dosen pembimbing dalam penelitian ini. Terima kasih kepada bapak, ibu, keluarga dan teman-teman yang telah memberi doa dan dukungan serta semua pihak yang membantu proses pelaksanaan tugas akhir ini sehingga dapat selesai tepat pada waktunya.
REFERENSI
Jonathan Sarwono. 2006. Teori Analisis Korelasi Mengenal Analisis Korelasi.
http://www.jonathansarwono.info/korelasi/korelasi.htm (Selasa, 01 Oktober 2013, 22 : 05 : 03 WIB) Rr Rintis Hadiani. 2009. Metode Jaringan Syaraf Tiruan untuk Simulasi Data (Studi Kasus Untuk Prediksi Data Debit
Rr Rintis Hadiani, Bambang Suharto, Agus Suharyanto, Suhardjono. 2009. Analisis Kekeringan Hidrologi (Studi Kasus Di Sub DASKali Asem Lumajang). Malang : Universitas Brawijaya Malang.
Siang, J.J, 2005. Jaringan Syaraf Tiruan dan Pemrograman Menggunkan Matlab. Yogyakarta : ANDI.
Yevjevich, V (1972 ) Stochastic Processes in Hydrology, Colorado, USA: Water Resources Publications, Fort Collins. Zulganef (2004) Pemodelan Persamaan Struktur dan Aplikasinya Menggunakan Amos 5, Bandung : Penerbit
Pustaka
“Scilab” diakses pada 19 April 2014 pukul 21.58, ditemukan di
