OPTIMASI PARAMETER MODEL TANGKI DENGAN METODE ALGORITMA GENETIK (AG) DI SUB DAS KESER
Annisa Akalily1, Widandi Soetopo2, Lily Montarcih Limantara2
1Mahasiswa Program Sarjana Teknik Jurusan Pengairan Universitas Brawijaya
2Dosen Teknik Pengairan Fakultas Teknik Universitas Brawijaya
ABSTRAK
Model Tangki Sugawara merupakan salah satu model konseptual dengan konsep bahwa proses aliran air hujan menjadi aliran sungai dianologikan sebagai suatu aliran melalui rangkaian tangki-tangki. Kelemahan mendasar penerapan model tangki tersebut adalah banyaknya parameter yang harus ditentukan terlebih dulu secara simultan sebelum model tersebut diaplikasikan. Kondisi ini menjadikan model tangki tidak populer untuk diterapkan pada keperluan-keperluan praktis.
Studi ini difokuskan pada upaya menyelesaikan sistem persamaan model tangki dengan memasukkan proses optimasi pada tahap penentuan nilai optimal dari parameter-parameternya. Hasil yang dicapai diharapkan dapat meningkatkan kinerja model tersebut agar debit bangkitan yang diperoleh dapat mendekati hasil debit riil di lapangan.
Hasil studi pada Sub DAS Keser menunjukkan bahwa Algoritma Genetik belum dapat menyelesaikan proses optimasi nilai parameter model tangki dengan baik. Hasil dari simulasi model yang berbeda menunjukkan nilai RMSE berbeda-beda. Trend yang paling mirip terdapat pada jenis model tangki dengan optimasi 34 hari (20 Februari 2008 – 24 Maret 2008) dengan nilai RMSE 3,9908 dari keenam model yang disimulasi. Aliran terbesar terjadi pada awal bulan Januari 2011 sampai awal bulan April 2011, sedangkan aliran terendah terjadi pada bulan Desember 2012.
Kata Kunci: Model Tangki, Algoritma Genetik, Optimasi
ABSTRACT
Tank Model Sugawara is one of the conceptual model with a concept that the transform process of rainfall flow to river flow is analogued as a flow through tanks arrangement. The weakness of tank model implementation is the numbers of parameter xthat have to be simultaneously determined before the tank model applied. This condition makes the model unpopular to be applied.
This study is focused on figuring the tank model equations out with including optimization on the optimal parameters value determination process. The obtained results are expected that could improve the performance of the model in order that the model discharge values could be close to the observed discharge values.
The result of study that conducted in Keser Subwatershed shows that Genetics Algorithm could not figure the parameters optimization out well. The results of the various model simulation shows various RMSE values as well. The most similar trend found in the type of tank model with 34 days optimization (February 20, 2008 - March 24, 2008) with RMSE 3.9908 value from six simulated models. The highest flow occured on early January 2011 until early April 2011, while the lowest flow occured on December 2012.
1. PENDAHULUAN 1.1 Latar Belakang
Model Tangki Sugawara merupakan salah satu model konseptual dengan konsep bahwa proses aliran air
hujan menjadi aliran sungai
dianologikan sebagai suatu aliran
melalui rangkaian tangki-tangki. Model tangki oleh Sugawara merupakan salah satu model yang dianggap cukup representatif untuk mempresentasikan hubungan data curah hujan dengan aliran sungai (Setiawan, Fukuda and Nakano, 2003). Kelemahan mendasar penerapan model tangki tersebut adalah
banyaknya parameter yang harus
ditentukan terlebih dulu secara simultan sebelum model tersebut diaplikasikan.
Algoritma Genetik (AG)
merupakan salah satu metode yang
cukup handal untuk pencarian
parameter-parameter optimal.
Keuntungan utama penggunaan AG adalah kemudahan implementasinya dan kemampuannya untuk menemukan solusi secara cepat terutama untuk
masalah-masalah yang berdimensi
tinggi. Dengan memanfaatkan
kelebihan pada AG diharapkan dapat mempermudah aplikasi Model Tangki, sehingga secara efektif dapat membantu memecahkan masalah keterbatasan data aliran sungai.
1.1 Identifikasi Masalah
Kajian ini difokuskan pada upaya menyelesaikan sistem persamaan model tangki dengan memasukkan proses optimasi pada tahap penentuan nilai optimal dari parameter-parameternya. Hasil yang dicapai diharapkan dapat meningkatkan kinerja model tersebut agar debit bangkitan yang diperoleh dapat mendekati hasil debit lapangan. Teknik optimasi yang dipilih adalah Algoritma Genetik (AG).
Hasil dari kajian ini diharapkan dapat menjadi petunjuk awal tentang
pemberlakukan teknik pencarian
parameter optimal berbasis AG dalam menyelesaikan sistim persamaan model tangki.
1.2 Batasan Masalah
Batasan masalah dari studi ini adalah sebagai berikut:
1. Lokasi studi adalah Sub Sub DAS Kali Keser.
2. Proses simulasi tank model
menggunakan software visual basic application (VBA) – Ms. Excel. 3. Skema simulasi model tangki
menggunakan 4 tangki susunan seri (standar).
4. Data hujan yang dianalisa adalah data curah hujan harian sepanjang 20 tahun dari tahun 1993-2012. 5. Data curah hujan yang dipakai
dalam input optimasi parameter model tangki dengan metode AG adalah data yang terpilih melalui uji statistik data hujan.
6. Tidak membahas pengaruh
sedimentasi.
1.3 Rumusan Masalah
Rumusan masalah dari studi ini adalah:
1. Curah hujan harian dalam rentang waktu mana yang paling baik? 2. Bagaimana proses pengembangan
populasi kromosom dengan metode Algoritma Genetika (AG) ?
3. Bagaimana hasil optimasi
parameter model tangki dengan model simulasi Algoritma Genetik (AG)?
1.4 Tujuan dan Manfaat
Tujuan dari studi ini adalah sebagai berikut:
1. Mengetahui data curah hujan harian dalam rentang waktu mana yang paling baik.
2. Mengetahui proses pengembangan populasi kromosom dengan cara metode Algoritma Genetika
3. Mendapatkan hasil optimasi
model simulasi Algoritma Genetik (AG).
Manfaat dari kajian ini adalah
dihasilkannya model tangki yang
diharapkan dapat diterapkan cara yang serupa pada DAS lain yang memiliki kesamaan karakteristik dengan daerah studi, sehingga masalah keterbatasan data debit suatu DAS dapat dipecahkan.
2. TINJAUAN PUSTAKA 2.1 Hidrologi Stokastik
Hidrologi stokastik mampu
mengisi kekosongan yang ada di antara
metode-metode deterministik, dan
hidrologi probabilistik (Linsley,
1989:365). Dalam hidrologi
deterministik, variabilitas waktu
dianggap terjelaskan seluruhnya oleh variabel-variabel lain dalam penerapan model yang tepat. Dalam hidrologi probabilistik, tidak diperhatikan
urutan-urutan waktu, yang diperhatikan
hanyalah probabilitas atau peluang
disamai atau dilampauinya suatu
kejadian. Sedangkan dalam hidrologi stokastik urutan-unitan waktu mutlak
penting, penyajian stokastik
mempertahankan sifat-sifat peluang
yang berhubungan dengan urutan-urutan kejadiannya. Metode stokastik
menyediakan suatu cara untuk
memperkirakan probabilitas urutan-urutan tahun kering selama perioda yang diinginkan pada masa mendatang.
2.2 Curah Hujan Rerata Harian Daerah
Metode Poligon Thiessen
dipandang cukup baik karena
memberikan koreksi terhadap
kedalaman hujan sebagai fungsi luas
daerah yang dianggap mewakili.
Perbandingan antara luas relatif masing masing daerah pengaruh dengan luas
total DAS merupakan faktor
koreksinya.
Adapun cara perhitungannya
adalah menggunakan rumus sebagai berikut (Sosrodarsono, 1987:27) :
Dengan :
R = tinggi curah hujan rata rata
DAS (mm)
Rn = tinggi curah hujan pada
masing masing stasiun (mm)
An = luas daerah tiap tiap
pengamatan (km2)
∑A = luas DAS total (km2)
2.3 Pengujian Data Curah Hujan 2.3.1 Uji Konsistensi
Pengujian konsistensi dilakukan dengan menggunakan cara kurva massa ganda (double mass curve).
Gambar 2.1 Kurva Massa Ganda Uji
Konsistensi
Sumber: Rahmadi (2013:10) Dari gambar di atas Nampak
bahwa pada (x,y) mulai terjadi
perubahan kemiringan. Untuk
perbaikan kurva maka perlu
dimasukkan faktor koreksi. Faktor koreksi tersebut adalah:
Tan α = Y/X Tan α0 = Y0/X0
Hz = (Tan α / Tan α0) . H0
dengan:
Hz = Data hujan yang
diperbaiki
H0 = Data hujan hasil
pengamatan
Tan α = Kemiringan sebelum ada
perubahan
Tan α0 = Kemiringan setelah ada
2.3.2 Uji Hipotesa Analisa Variansi (ANOVA)
Apabila sampel yang
dibandingkan lebih dari dua sampel, dapat menggunakan Analisa Variansi (Analusis of Variance atau disingkat ANOVA) (Montarcih, 2009:49). Uji analisa Variansi dapat bersifat satu arah (One way) atau dua arah (Two way). Studi ini menggunakan uji analisa bersifat dua arah untuk menguji
keseragaman baik antar kelas (F1) dan
juga antar tahun (F2). Rumus
masing-masing hipotesa sebagai berikut:
Dengan:
= harga rerata untuk kelas i = harga rerata keseluruhan = pengamatan untuk kelas i
pada tahun j
ni = banyak pengamatan untuk
kelas i
n = banyak pengamatan
keseluruhan
k = banyak kelas
Besaran F berupa nisbah (ratio). Oleh karena itu ada dua parameter derajat bebas, yaitu n1 (derajat bebas
pembilang) dan n2 (derajat bebas
penyebut). Nilai Fcr dapat diperoleh dari tabel F untuk berbagai nilai level of significannce (α), dengan menggunakan
kedua parameter derajat bebas n1 dan n2
tersebut.
2.4 Evapotranspirasi
Peristiwa berubahnya uap air dan bergerak dari permukaan tanah dan permukaan air ke udara disebut evaporasi. Evaporasi merupakan faktor
penting dalam studi tentang
pengembangan sumber daya air.
Penguapan dari tanaman disebut
transpirasi. Bila keduanya terjadi
bersama-sama pada lokasi yang sama disebut evapotranspirasi.
Faktor-faktor yang mempengaruhi evaporasi dan evapotranspirasi adalah suhu air, suhu udara, kelembaban, kecepatan angin, tekanan udara, sinar matahari dan lain-lain (Sosrodarsono, 2003:57). Besarnya evaporasi dapat
diperkirakan menggunakan rumus
empiris. Dalam studi ini menggunakan metode Penman dengan rumus sebagai berikut:
Evapotranspirasi (Et0*)
Et0* = w x (0,75 x Rs – Rn) + (1 – w) x
f(u) x (ea – ed)
Evapotranspirasi potensial (Et0)
Et0 = Et0* x c
Dimana:
w =
Rs =
Rn =
ea = tekanan uap nyata
ed =
2.5 Konsep Model Tangki Sugawara
Curah hujan yang jatuh pada suatu waktu R (t) akan mengisi tangki teratas (tangki 1). Air yang tertampung oleh tangki 1 mengalir lewat lubang-lubang di dinding kanan atau merembes lewat lubang dasar tangki dan masuk mengisi tangki 2. Air yang tertampung di dalam tangki 2 mengalir lewat lubang di dinding kanan atau merembes melalui lubang dasar tangki dan masuk tangki 3 dalam tahap ke-tiga. Air yang tertampung di dalam tangki 3 mengalir lewat lubang di dinding kanan atau merembes melalui lubang dasar tangki dan masuk tangki 4 dalam tahap ke-empat.
Dengan melihat tangki-tangki
dalam model dan membandingkan dengan komponen-komponen limpasan, maka tangki 1 merupakan aliran permukaan (surface flow) dan sub-surface fow, tangki 2 merupakan aliran antara (intermediate flow), tangki 3 merupakan aliran sub-dasar (sub-base flow) tangki 4 merupakan aliran dasar
(base flow) seperti tercantum pada gambar 2.2
Gambar 2.2 Bagan Pengaliran Sungai
dan Pemodelan Tangki Susunan Seri
Sumber: setiawan (2003:2)
3. METODOLOGI PENELITIAN 3.1 Lokasi Studi
Lokasi studi berada di Sub DAS Keser yang merupakan Sub DAS dari
DAS Ngrowo. Sub DAS Keser
memiliki luas sebesar 43,39 km². Secara geografis Sub DAS Keser terletak pada koordinat 111º31’5” - 111º35’16” BT dan 8º0’56” - 8º5’42” LS.
3.2 Pengumpulan Data
Data-data yang dapat
dikumpulkan untuk perhitungan dalam studi ini adalah sebagai berikut:
a. Data Debit
Data debit yang digunakan adalah data AWLR harian Sungai Keser sepanjang tahun 2003-2013 yang diperoleh dari UPT PSAWS Bango Gedangan.
b. Data Hujan
Data hujan yang diperlukan adalah data hujan harian Sub DAS Keser yang terdiri dari stasiun hujan sebagai berikut:
1. Stasiun Penakar Hujan Boyolangu 2. Stasiun Penakar Hujan K.D.PU.AIR 3. Stasiun Penakar Hujan Ngantru Dari ketiga stasiun penakar hujan tersebut diperoleh data curah hujan harian sepanjang 32 tahun dari tahun 1981-2012 yang diperoleh dari BBWS
Brantas. Sedangkan data yang dianalisa
adalah data curah hujan harian
sepanjang 20 tahun dari tahun 1993-2012.
c. Data Klimatologi
Data klimatologi yang digunakan dalam kajian ini adalah data klimatologi wilayah trenggalek tahun 2001-2010 yang diperoleh dari hasil kajian sebelumnya.
3.3 Simulasi Debit Menggunakan Metode Model Tangki
Metode yang digunakan dalam kajian ini adalah metode Model Tangki yang telah dikembangkan oleh Dr. Sugawara. Pada studi ini dilakukan pemodelan dengan menggunakan 4 tangki yang disusun secara seri seperti pada gambar 3.1. He1 He2 He3 He4 b1 b2 b3 h1.2 h1.1 f1.2 f1.1 f2.1 f3.1 f4.1 h2.1 h3.1 qb.1 qb.2 qb.3 q1.2 q1.1 q2.1 q3.1 q4.1 Hujan Evaporasi b4 qb.4 h4.1
Gambar 3.1 Model Tangki Susunan
Seri
Pada simulasi model ini
menggunakan perangkat lunak Ms. Excel-VBA agar mempermudah dan
mempercepat penyelesaian iterasi
simulasi debit model tangki. Prosedur simulasi model tangki dapat dilihat pada gambar 3.4.
Gambar 3.2 Prosedur Perhitungan
Debit Metode Model Tangki
3.4 Konsep Model Tangki Berbasis Genetic Algorithm (GA)
Beberapa kaidah yang diterapkan
dalam menyusun sistem program
aplikasi model tangki metode AG adalah:
a. Inisialisasi, tahapan pertama dalam AG adalah inisialisasi populasi yaitu melakukan penentuan nilai awal. Bagian penentuan nilai awal ini merupakan input yang dilakukan oleh pengguna sendiri.
b. Reproduksi, merupakan proses
seleksi terhadap kromosom yang
terdapat pada suatu populasi
berdasarkan nilai kinerja masing-masing kromosom, dan dilanjutkan
dengan proses copy terhadap
kromosom hasil seleksi. Kromosom hasil proses copy ini merupakan generasi turunan berikutnya.
c. Penggantian populasi (generational replacement), yang berarti semua individu (misal N individu dalam suatu populasi) dari suatu generasi digantikan sekaligus oleh N individu (kromosom) baru hasil reproduksi. Proes optimasi parameter dapat dilihat pada gambar 3.3.
Gambar 3.3 Diagram Alir Optimasi
4. HASIL DAN PEMBAHASAN 4.1 Analisa Data Input Model
Tangki
Data input model tangki terdiri dari curah hujan harian (mm/hari), debit sungai (mm/hari), dan evapotranspirasi (mm/hari).
Sebelum dirata-rata, perlu
dilakukan uji konsistensi dan uji homogenitas (menggunakan metode uji ANOVA) pada data curah hujan yang didapat dari tiga stasiun (Boyolangu, K.D.PU.AIR, dan Ngantru). Hasil dari kedua uji tersebut menunjukkan bahwa
data curah hujan harian ketiga stasiun dinyatakan konsisten karena tidak ada penyimpangan dan homogen antar kelas
maupu antar tahun dengan nilai F1=0,35
dan F2=1,37. Selanjutnya data curah
hujan dirata-rata mengunakan metode Poligon Thiessen. Data debit aliran
sungai harian (QAWLR harian)
dikonversi dari satuan m3/det menjadi
mm/hari.
Berikut grafik fluktuasi
hubungan antara curah hujan dan data debit yang telah dikonversi dapat dilihat pada gambar 4.1.
Gambar 4.1 Grafik Hubungan Antara Data CH Harian dan Data Debit Sungai Keser
Sumber: Hasil Perhitungan Data klimatologi diambil dari
hasil kajian sebelumnya, yaitu
klimatologi wilayah trenggalek rerata tahun 2001-2010. Data klimatologi digunakan untuk menghitung evaporasi menggunakan metode Penman, dengan hasil perhitungan sebagai berikut:
Tabel 4.1 Eto Rerata Tahun 2001-2010
No Bulan Eto Satuan
1 Jan 9,05 mm/hari 2 Feb 7,90 mm/hari 3 Mar 7,32 mm/hari 4 Apr 4,66 mm/hari 5 Mei 4,17 mm/hari 6 Juni 3,97 mm/hari 7 Juli 4,17 mm/hari 8 Agst 4,83 mm/hari 9 Sept 5,32 mm/hari 10 Okt 5,58 mm/hari 11 Nov 7,16 mm/hari 12 Des 8,17 mm/hari
4.2 Uji Statistik Data Hujan
Uji statistik data hujan perlu dilakukan untuk mengetahui data mana yang paling bagus yang nanti akan digunakan sebagai data input dalam simulasi model tangki menggunakan metode Algoritma Genetika (AG).
Dalam uji statistik data hujan
menggunakan simulasi model tangki
dengan metode simulasi
coba-banding/trial and error.
Untuk mengetahui perbandingan tingkat keakuratan kinerja dari model tangki, dapat menggunakan indikator RMSE dengan rumus:
n X X RMSE n i obsi m odeli
1 2 , , ) ( Dimana:Xobs,i = Debit aktual (QAWLR)
Xmodel,i = Debit terhitung (Qmodel)
n = Jumlah data
Berdasarkan uji statistik data hujan, didapatkan hasil nilai indikator RMSE untuk setiap model tangki empat susun seri dengan berbagai macam hari sebagai berikut:
a. Coba-banding 24 hari (22 Jan 2003 –
14 Feb 2003), nilai RMSE sebesar 325,53.
b. Coba-banding 25 hari (28 Nov 2010
– 22 Des 2010), nilai RMSE sebesar 0,5852.
c. Coba-banding 28 hari (10 Des 2005
– 6 Jan 2006), nilai RMSE sebesar 1,1027.
d. Coba-banding 28 hari (11 Jan 2009 –
7 Feb 2009), nilai RMSE sebesar 0,2139.
e. Coba-banding 34 hari (20 Feb 2008
– 24 Mar 2008), nilai RMSE sebesar 2,1276.
f. Coba-banding 30 hari (2 Des 2012 –
31 Des 2012), nilai RMSE sebesar 0,7515.
g. Coba-banding 22 hari (23 Jan 2004 –
13 Feb 2004), nilai RMSE sebesar 0,9584.
Berdasarkan indikator RMSE di atas, coba banding 24 hari (22 Jan 2003 – 14 Feb 2003) tidak dapat digunakan untuk proses optimasi parameter model tangki dengan metode AG selanjutnya.
4.3 Aplikasi Optimasi Model Tangki dengan Metode AG
Optimasi ini dilakukan sebanyak 6 kali dimana masing-masing model tangki menggunakan input berbeda
(Eto, CH, dan QAWLR) dan input seri
bilangan acak yang berbeda. Hasil optimasinya lalu dibandingkan satu sama lain seperti yang ditampilkan pada Tabel 4.2.
Tabel 4.2 Rekap Nilai Parameter Hasil
Optimasi Metode AG 1 3 /0 2 /2 0 0 4 2 2 /1 2 /2 0 1 0 0 6 /0 1 /2 0 0 6 0 7 /0 2 /2 0 0 9 3 1 /1 2 /2 0 1 2 2 4 /0 3 /2 0 0 8 - - - -2 3 /0 1 /2 0 0 4 2 8 /1 1 /2 0 1 0 1 0 /1 2 /2 0 0 5 1 1 /0 1 /2 0 0 9 0 2 /1 2 /2 0 1 2 2 0 /0 2 /2 0 0 8
No 22 hari 25 hari 28 hari 28 hari 30 hari 34 hari 1 f1.2 0,0002 0,0093 0,0104 0,0069 0,0001 0,0001 2 f1.1 0,0002 0,0063 0,0030 0,0074 0,0001 0,0633 3 b1 0,1514 0,0102 0,3165 0,2573 0,2849 0,4588 4 f2.1 0,0001 0,0006 0,0005 0,0020 0,0001 0,0001 5 b2 0,0864 0,4261 0,1657 0,2837 0,0723 0,5935 6 f3.1 0,0001 0,0434 0,0732 0,0258 0,0001 0,0002 7 b3 0,0515 0,1867 0,0697 0,0223 0,0176 0,1304 8 f4.1 0,1845 0,0007 0,1064 0,0003 0,0562 0,0948 9 b4 0,0001 0,0829 0,5477 0,3955 0,0004 0,0001 10 h1.2 20,1689 27,6199 29,0256 19,7490 28,8897 14,2290 11 h1.1 7,1764 15,5869 1,9644 13,3410 5,3899 0,2825 12 h2.1 20,4314 19,0181 16,2476 28,6281 14,3230 19,3616 13 h3.1 21,8623 29,2198 28,7273 23,8319 13,6705 2,0651 14 h4.1 10,4647 6,1582 21,7661 14,9926 24,2898 0,1994 0,9364 0,5658 1,0960 0,4443 0,4542 2,0948 0,667 0,458 0,350 0,444 0,350 0,213 RMSE nilai korelasi B A N Y A K H A R I JE N IS P A R A M E T E R
4.4 Simulasi Model Tangki Harian
Simulasi Model Tangki perlu
dilakukan untuk menilai apakah
parameter-parameter yang telah
dioptimasi sebelumnya benar-benar
optimal. Tujuannya untuk
membandingkan gambar grafik
fluktuasi debit hasil bangkitan model tangki apakah sudah mendekati debit
sungai lapangan (QAWLR) dengan
menggunakan indikator RMSE dan nilai korelasi.
Hasil simulasi model tangki
harian dari tahun 2003-2012
dibandingkan satu sama lain seperti yang ditampilkan pada Tabel 4.3
Tabel 4.3 Rekap Hasil Analisa RMSE dan Korelasi Setiap Model Hasil Bangkitan
Dari ketujuh model tersebut diatas, trend yang paling miripadalah jenis model tangki dengan optimasi 34 hari (20 Februari 2008 – 24 Maret 2008). Grafik fluktuasi hubungan antara curah hujan, debit lapangan, dan debit bangkitan model dapat dilihat pada gambar 4.2.
Gambar 4.2 Grafik hasil simulasi model tangki 10 tahun dengan optimasi AG 34 hari
Dari grafik hasil simulasi dapat dilihat bahwa pada seri debit aktual dan seri debit bangkitan dengan input hujan harian historis terjadi aliran ekstrim yaitu pada bulan Januari 2011 – April 2011 dimana debit aktual tertinggi mencapai 18,95 m3/det dan debit input hujan harian historis 51,10 m3/det.
Untuk seri debit hasil bangkitan terlihat berbeda dengan seri debit aktual. Aliran terbesar terjadi pada awal bulan Januari 2011 sampai awal bulan April 2011, sedangkan aliran terendah terjadi pada bulan Desember 2012.
5. KESIMPULAN
Berdasarkan hasil pembahasan
sebelumnya, maka dapat diambil
beberapa kesimpulan, antara lain : 1. Curah hujan dalam beberapa rentang
waktu berikut ini merupakan data curah hujan yang paling baik dari tahun 1993-2012:
a. 25 hari (28 Nov 2010 – 22 Des 2010)
b. 28 hari (10 Des 2005 – 6 Jan 2006)
c. 28 hari (11 Jan 2009 – 7 Feb 2009)
d. 34 hari (20 Feb 2008 – 24 Mar 2008)
e. 30 hari (2 Des 2012 – 31 Des 2012)
f. 22 hari (23 Jan 2004 – 13 Feb 2004)
2. Proses pengembangan populasi
kromosom metode AG melibatkan proses reproduksi, yang terdiri dari seleksi individu, proses copy dan kawin silang (crossover). Untuk ke
menuju step pengembangan
populasi, diperlukan step inisilisasi populasi. Hasil dari pengembagan populasi dicek keseragamannya. Jika populasi hasil pengembangan belum
seragam atau homogen, maka
dilakukan penggantian populasi baru untuk medapatkn generasi turunan
baru berikutnya. Iterasi tersebut akan terus berlangsung sampai populasi kromosom seragam.
3. Dari keenam model yang dioptimasi, trend yang paling mirip adalah pada jenis model tangki dengan kalibrasi 34 hari (20 Februari 2008 – 24 Maret 2008) dengan nilai RMSE 3,9908
Hasil studi pada Sub DAS Keser menunjukkan bahwa Algoritma Genetik belum dapat menyelesaikan proses optimasi nilai parameter model tangki dengan baik.
6. SARAN
Berdasarkan hasil analisa yang telah dilakukan pada bab sebelumnya, adapun beberapa saran yang dapat
digunakan sebagai rekomendasi
diantaranya adalah:
1. Sebaiknya jumlah populasi awal dan iterasi diperbanyak sehingga akan menghasilkan solusi terbaik yang mempunyai nilai kinerja terbaik pula.
2. Perlu dilakukannya perbandingan model tangki dengan susunan yang berbeda agar dihasilkan beberapa alternatif model.
3. Perlu adanya evaluasi atau
penelitian dari hasil output
software macro visual basic yang dipakai agar lebih sesuai dengan keadaan riil lapangan.
DAFTAR PUSTAKA
Basri, H. 2013. Development of Rainfall-runoff Model Using Tank Model: Problems and Chalenges in Province of Aceh, Indonesia.
Aceh Internation Journal of
Science and Technology, 2
(1):26-36
Gen, M dan Runwei Cheng. 2000.
Genetic Algorithms and
Engineering Optimization.
Canada: John Wiley & Sons, Inc. Harto, Sri. 1993. Analisis Hidrologi.
Kuok, KK, dkk. 2010. Global
Optimization Methods for
Calibration and Optimization of the Hydrologic Tank Model’s Parameters. Canadian Journal on Civil Engineering Vol. 1, No.1. Kuok, KK, dkk. 2011. Auto-Calibration
of Daily and Hourly tank Model’s
Parameters Using Genetic
Algorithm. Malaysian Journal of Civil Engineering 23(2):12-28
Montarcih, Lily. 2009. Statistika
Terapan. Malang: Citra Malang
Montarcih, Lily. 2010. Hidrologi
Praktis. Bandung: Lubuk Agung
Rahmadi, Agung. 2013. Kajian
Pemakaian Input Data Curah Hujan Harian Sintetis untuk Simulasi Debit Musiman pada Sub Das Konto Hulu. Skripsi tidak dipublikasikan. Malang: Universitas Brawijaya.
Rahman. 2011. Penerapan Model
Tangki dengan Tiga Tangki
Susunan Pararel Untuk
Transformasi Data Hujan
Menjadi Data Debit (Studi Kasus Pada Inflow Waduk Selorejo dan Waduk Lahor). Media Teknik Sipil, Volume 9:166-171
Setiawan, B.I., dkk. 2003. Developing Procedures for Optimization of
Tank Model’s Parameters.
Agricultural Engineering
International: the CIGR Journal of
Scientific Research and
Development. Manuscript LW 01 006.
Soemarto, CD. 1999. Hidrologi Teknik. Jakarta: Erlangga.
Soetopo, Widandi. 2012. Model-Model Simulasi Stokastik untuk Sistem Sumberdaya Air. Malang: Citra Malang
Sosrodarsono, Suyono dan Kenzu Takeda. 2003. Hidrologi Untuk Pengairan. Jakarta: PT Pradnya Paramita.
Subarkah, Imam. 1980. Hidrologi Untuk Perencanaan Bangunan Air. Bandung: Idea Utama.
