Sumber : Hasil olah data,2009

(1)

pengelompokan data terlihat data curah hujan yang tercatat di Stasiun Poncokusumo yang cukup baik yaitu sebesar 0.52 untuk time lag 0 (waktu sekarang) namun bila digeser sampai dengan minus 3 hari nilai korelasinya semakin melemah. Hubungan dua variabel tersebut secara statistik masih mempunyai nilai korelasi positif (+) walaupun lemah, maka dengan pencapaian angka nilai korelasi tersebut hanya sebagai angka koreksi atau asumsi terhadap pengaruhnya data pencatatan curah hujan harian terhadap debit harian yang masuk di Bendungan Sengguruh. Pengaruh data curah hujan harian dengan debit harian, model yang akan diprediksikan tergantung pada hasil dari persamaan liner (LM) yang dihasilkan oleh M5 model tree. Analisa untuk menentukan pengaruh -pengaruh data curah hujan terhadap debit harian yang masuk di Bendungan Sengguruh adalah sebagai berikut :

 Analisa Data input untuk variabel input

terhadap variabel output di Bendungan Sengguruh

Tahap pertama adalah menganalisa data curah hujan harian (Rt0-t-3) di semua stasiun pencatatan curah

hujan harian yang ada di Sub-DAS Kali Lesti, tahap kedua

variabel input (Rt0-t-3 & Qint-1) di Sub-DAS Kali Brantas

Hulu dan tahap ketiga variabel input (Rt0-t-3 & Qint-1) di

DAS Brantas Hulu (Sub-DAS K. Lesti + Sub DAS K. Brantas Hulu). Proses simulasi model diuraikan sebagai berikut :

a. Variabel Input di Sub-DAS Kali Lesti

Pada Gambar 4.7 untuk variabel input di Sub-DAS Kali Lesti untuk data input t0 (waktu sekarang) sampai dengan t-3 (waktu pergeseran 3 hari kebelakang) menunjukkan hasil nilai korelasi yang terendah = 0.17 dan tertinggi = 0.52. Kemudian diambil beberapa data yang memiliki korelasi terbaik yang akan digunakan sebagai variabel input prediksi. Jumlah variabel yang dipakai untuk simulasi adalah 8 variabel input. Susunan variabel input Sub-DAS Kali. Lesti dapat dilihat pada Tabel 4.3.

0.41 0.32 0.52 0.35 0.30 0.24 0.39 0.24 0.24 0.17 0.36 0.21 0.23 0.20 0.32 0.19 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 RD ptt0 RS tj t0 Rp ck t0 RW jk t0 RD ptt -1 RS tj t-1 Rp ck t-1 RW jk t-1 RD ptt -2 RS tj t-2 Rp ck t-2 RW jk t-2 RD ptt -3 RS tj t-3 Rp ck t-3 RW jk t-3 KO EF IS IE N KO RE LA SI

STASIUN PENGAMATAN HUJAN

Grafik Uji Korelasi Data Curah Hujan Di Sub-DAS Kali Lesti (T0 s/d T-3) terhadap Data Debit Harian Yang Masuk Bendungan Senguruh

Gambar 4.7 Grafik uji korelasi Data Curah Hujan di Sub-DAS Kali Lesti erhadap Debit Harian Yang Masuk Bendungan Sengguruh (Sumber : Hasil olah data, 2009) Tabel 4.3. Variabel input Sub-DAS Kali Lesti dan output yang akan digunakan untuk membuat model prediksi debit harian yang masuk di Bendungan Sengguruh saat t0 (waktu sekarang)

Sumber : Hasil olah data,2009

b. Variabel Input di Sub-DAS Kali Brantas Hulu Pada Gambar 4.8. untuk variabel input Sub-DAS Kali Brantas hulu data input t0 (waktu sekarang) sampai dengan t-3 (waktu pergeseran 3 hari kebelakang) menunjukkan hasil nilai korelasi yang terendah = 0.17 dan tertinggi = 0.46. Kemudian diambil beberapa data yang memiliki korelasi terbaik yang akan digunakan sebagai variabel input prediksi. Jumlah variabel yang dipakai untuk simulasi adalah 16 variabel. Susunan nilai korelasi variabel

input dapat dilihat pada Tabel 4.4.

(2)

Gambar 4.8 Grafik uji korelasi Data Curah Hujan Harian Sub-DAS Kali Brantas Hulu terhadap Debit Harian Yang Masuk Bendungan Sengguruh (Sumber : Hasil olah data, 2009)

Tabel 4.4. Variabel input Sub-DAS Kali Brantas hulu dan output yang akan digunakan untuk membuat model prediksi debit harian yang masuk di Bendungan Sengguruh waktu t0 (waktu sekarang)

Sumber : Hasil olah data, 2009

a. Variabel Input di DAS Brantas Hulu

Variabel Input Sub-DAS Brantas hulu adalah gabungan variabel input Sub-DAS Kali Brantas Hulu (16 variabel input) dengan Sub-DAS Kali Lesti (8 variabel input) , maka menjadi 24 variabel input yang akan dipakai untuk simulasi selanjutnya, susunan variabel input dapat dilihat pada Tabel 4.5.

output yang akan digunakan untuk membuat model prediksi debit harian yang masuk di Bendungan Sengguruh

Tahap kedua adalah simulasi menggunakan data debit di stasiun pengamatan debit harian di St. Gadang dan St. Tawangrejani yang akan digunakan sebagai variabel input. Kemudian variabel input debit tersebut digabung dengan

variabel input curah hujan harian di DAS Brantas Hulu

(tabel 4.5) sehingga menjadi 30 variabel input seperti pada tabel 4.6. Nilai korelasi untuk variabel input debit harian di st. Gadang dan St. Tawangrejani terhadap titik prediksi dapat dilihat pada Gambar 4.9.

Tabel 4.6. Variabel input DAS Brantas hulu dan output yang akan digunakan untuk membuat model prediksi debit harian yang masuk di Bendungan Sengguruh

(3)

Gambar 4.9 Grafik uji korelasi Data Debit Harian Stasiun Tawangrejani dan Stasiun Gadang terhadap Debit Harian Yang Masuk Bendungan Sengguruh (Sumber : Hasil olah data,2009

4.4. Model prediksi debit harian yang masuk di Bendungan Sengguruh

Simulasi model prediksi ini menggunakan data curah hujan harian dan data debit harian, hal tersebut dilakukan dengan 3 kondisi data di Sub-DAS yang berbeda yaitu Sub-DAS Kali Brantas Hulu, Sub-DAS Kali Lesti dan Sub-DAS Brantas hulu. Tujuannya adalah mencari tahu Sub-DAS yang dominan menghasilkan performa model terbaik. Maka untuk mempercepat proses simulasi model dilakukan dengan menggunakan program bantu Microsoft

Excel dan WEKA Knowledge Explorer seperti pada

Gambar 4.10 dan Gambar 4.11. Langkah-langkah penggunaan program bantu tersebut sebagai berikut :

 Langkah pertama penyusunan data menggunakan

program microsoft excel, illustrasi penyusunannya dapat dilihat pada contoh penyusunan input model pada Tabel 4.7. sedangkan cara penyimpan dari program excel yang akan transformasikan ke program WEKA dengan merubah extention *.arff dapat dilihat Gambar 4.10.

Gambar 4.10 Ilustrasi penyimpanan file dari program Excel yang akan dibaca oleh program WEKA (Sumber : Hasil olah data,2009)

No

1 @relation Sengguruh982000 2 @attribute QinSggr real 3 @attribute QinSggrt-1 real 4 @attribute Rsggrt0 real 5 @attribute RBtt0 real 6 @attribute RWgrt0 real 7 @attribute RKytt0 real 8 @attribute RTgklt0 real 9 @attribute RKpjt0 real 10 @attribute RTwst0 real 11 @attribute RPctt0 real 12 @attribute RPjnt0 real 13 @attribute RKdrt0 real 14 @attribute RJbgt0 real 15 @attribute RDptt0 real 16 @attribute RStjt0 real 17 @attribute Rpck0 real 18 @attribute RWjkt0 real 19 @attribute RTpgt0 real 20 @data 22,60 0,00 20,57 0,00 33,05 0,00 60,44 0,00 40,47 3,00 23,17 9,00 68,48 0,00 17,08 0,00 19,64 0,00 19,79 0,00 20,96 0,00 27,20 18,00 30,88 24,18 22,60 20,57 33,05 60,44 40,47 23,17 68,48 17,08 19,64 19,79 20,96 27,20 0,00 0,00 1,10 21,92 48,47 40,43 17,29 0,00 0,00 2,31 0,00 0,00 0,00 0,00 9,00 0,00 11,00 105,00 0,00 10,00 0,00 0,00 0,00 0,00 25,00 44,00 0,00 0,00 0,90 60,47 0,90 4,39 13,17 0,00 0,00 0,00 26,34 39,42 0,00 12,27 5,00 0,00 24,00 8,00 7,00 3,00 0,00 0,00 0,00 51,00 9,00 0,00 0,00 0,00 0,00 3,00 4,00 0,00 0,00 8,00 0,00 0,00 0,00 0,00 3,00 2,00

Nama target /Attribut/Data

... .. ... .. ... ... ... ... ...

Output Variabel input

Sumber :Hasil olah data,2009

Penyusunan data input model pada Tabel 4.7 tersebut dapat diuraikan sebagai berikut :

No.1 Nama titik pemodelan : Bendungan

Sengguruh

No.2 Attribut titik pemodelan : Stasiun debit harian di Bendungan Sengguruh

No. 3 s/d 19 attribut data input : Stasiun Curah Hujan Harian

No. 20 : Data- data input (

Debit dan curah hujan )

(4)

 Langkah kedua simulasi model adalah proses analisa data input yang sudah disusun seperti pada tabel 4.7 dengan bantu program excel kemudian dilanjutkan dengan simulasi pemodelan menggunakan program WEKA Knowledge Explorer seperti yang terlihat pada Gambar 4.11.

Gambar 4.11 Tampilan Program WEKA Knowledge Explore (Waikato ML Group, 1996)

Pada Gambar 4.11. proses running model dengan menggunakan model M5 Model Tree. Langkah awalnya memilih menu classfy M5 prime kemudian dalam penyederhanaan variabel input (reduksi variabel input) dilakukan dengan mengeset pruning factor yang sudah disajikan program tersebut. Maka berikut ini adalah proses running yang akan dibahas pada subbab 4.4.1.

4.4.1. Running programs Proses Pembelajaran (training)

Running untuk proses pembelajaran (training)

menggunakan data input pada periode 4 Januari 1998 – 31 Desember 2000. Data yang dimaksud adalah data curah hujan harian seperti yang disajikan pada Gambar 4.1 s/d Gambar 4.6.

Kemudian dari data-data tersebut dilakukan suatu proses pembelajaran dengan beberapa simulasi pembelajaran sebagai berikut :

 Pembelajaran pertama menggunakan data curah hujan harian yang tersebar di Sub-DAS Kali Lesti.

 Pembelajaran kedua menggunakan data curah hujan

harian yang tersebar di Sub-DAS Kali Brantas Hulu.

 Pembelajaran ketiga menggunakan data yang tersebar di DAS Brantas Hulu yaitu gabungan dari data yang tersebar di Sub-DAS Kali Lesti dan Sub-DAS Kali Brantas Hulu.

proses pembelajaran tersebut di atas, maka performa model prediksi debit harian yang masuk di Bendungan Sengguruh untuk waktu t0 dapat dilihat pada Tabel 4.8 berikut

Tabel 4.8 Perbandingan Performa model prediksi debit harian yang masuk Bendungan pada DAS Brantas Hulu

Evaluasi pembelajaran pada Tabel 4.7 tersebut di atas, menunjukkan performa model di Sub-DAS Kali Lesti dengan nilai RMSE = 11,632 kemudian performa model di Sub-DAS Kali Brantas Hulu dengan nilai RMSE = 9.724 lebih baik dari performa model di Sub-DAS Kali lesti. Setelah Sub-DAS Kali Lesti digabung dengan Sub-DAS Kali Brantas hulu menjadi DAS Brantas Hulu performa model semakin baik dengan nilai RMSE = 9.417. Indikasi performa model prediksi tersebut selain bisa dilihat dari nilai RMSE juga bisa dilihat secara visualisasi grafik skala pengeplotan antara model prediksi yang dihasilkan dengan data obervasi di lapangan. Sebagai contoh illustrasi dari performa model tersebut diambil hasil running Sub-DAS Kali Lesti dapat dilihat pada Gambar 4.12 s/d Gambar 4.14.

0 20 40 60 80 100 120 140 160 180 200 0 25 50 75 100 125 150 175 200 3 28 53 78 103 128 153 178 203 228 253 278 303 328 353 H U JA N (M M ) D EBI T (M3 /D T) HARI KE

-PLOT PEMBELAJARAN MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 1998

HUJAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL (M3/DT)

Gambar 4.12 Visualisasi perbandingan proses

pembelajaran data observasi dengan hasil model Prediksi (Sub-DAS Kali Lesti tahun 1998)

observasi terlihat jika hujan yang terjadi tidak

Sub DAS Kali Lesti Sub DAS Kali Brantas Hulu DAS Brantas Hulu Correlation coefficient CC 0.896 0.929 0.934 Mean absolute error MAE 7.163 6.092 6.003 Root mean squared error RMSE 11.632 9.724 9.417 Relative absolute error % RAE 35.148 29.892 29.455 Root relative squared error (%) RRSE 44.591 37.279 36.102

1092 1092 1092

10 21 28

55 131 98

Total Number of Instances Attributes input

Jumlah Persamaan

Nilai Performa Model Performa Pembelajaran

(5)

Gambar 4.13 Visualisasi perbandingan proses pembelajaran data observasi dengan hasil model Prediksi (Sub-DAS Kali Lesti tahun 1999)

Gambar 4.14 Visualisasi perbandingan proses

pembelajaran data observasiengan hasil model Prediksi (Sub-DAS Kali Lesti tahun 2000)

Pada Gambar 4.12, Gambar 4.13 dan Gambar 4.14 di atas menunjukkan performa model secara visual. Dari plot grafik tersebut, terlihat bahwa performa model prediksi debit pada Sub-DAS Kali Lesti pada bulan Januari s/d bulan Mei garis model prediksi rata-rata tidak berimpit dengan garis data observasi , untuk bulan Juli s/d Agustus disaat musim kemarau terlihat hujan jarang terjadi garis model sedikit berimpit dengan garis model observasi. Kemudian untuk bulan September s/d Desember garis model prediksi bisa mengikuti observasi. Dari keseluruhan grafik yang bisa mengikuti garis

terlalu besar namun bila hujan yang terjadi pada bulan Januari s/d Mei terlihat model tidak bisa mengikuti observasi sehingga model secara keseluruhan bisa dikatakan cukup baik untuk memprediksikan debit harian yang masuk di Sengguruh waktu sekarang.

Dari hasil running pembelajaran diperoleh 55 persamaan linier yang didasarkan pada pengelompokkan data dengan batasan tertentu yang biasa disebut cabang dapat dilihat pada Tabel. 4.8. Penentuan jumlah cabang di dasarkan pada besaran angka pruning yang diberikan saat pembelajaran. Gambar 4.15 berikut adalah visualisasi proses percabangan dalam mencari persamaan linier dalam M5 Model Tree.

Prinsip dasar dari pembentukan cabang pada pemodelan M5 Model Tree adalah bahwa model mengelompokkan data-data pada masing-masing variabel input berdasarkan pada sebaran besar kecilnya data pencatatan. Pada Gambar 4.15, untuk memprediksikan debit harian pada waktu t0 (Qinsggr) adalah pertama-tama model mengelompokkan data input di Bendungan Sengguruh saat 1 hari kebelakang (Qinsggrt-1) kedalam batasan apakah data di Qinsggt-1 ≤ 46,4 atau > 46,4. Bila data di Qinsggt-1 ≤ 46,4; maka pengelompokkan dipersempit pada batasan apakah Qinsggt-1 ≤ 35,5 atau > 35,5; bila data di Qinsggt-1 ≤35,5 maka pengelompokkan dipersempit pada batasan apakah Qinsggt-1 ≤ 23,7 atau > 23,7; bila data di Qinsggt-1 ≤ 23,7; pengelompokan di perkecil lagi Qinsggt-1 ≤ 23,1 atau > 23,1; bila data di Qinsggt-1 ≤ 23,1, maka peramalan data di Qinsggr menggunakan persamaan linier 1 (LM1) ; bila data di Qinsggt-1 > 23,1, maka peramalan data di Qinsggr menggunakan persamaan linier 2 (LM2)

Demikian seterusnya sebelum model melakukan peramalan, terlebih dahulu model mengelompokkan data input kedalam cabang-cabang yang sudah dibuat untuk kemudian menentukan persamaan linier mana yang cocok digunakan untuk peramalan. Hasil proses pembelajaran melalu running program WEKA untuk Sub-DAS Kali Brantas Hulu dapat dilihat pada lampiran 2 halaman 110 dan DAS Brantas Hulu bisa dilihat pada Lampiran 3 halaman 117.

Kemudian untuk menghitung besaran debit didalam memprediksikan debit harian yang masuk Bendungan Sengguruh yaitu dengan menghitung persamaan – persamaan regresinya (LM), maka untuk melihat hasil

running simulasi model dengan Model Tree ini dihasilkan

persamaan regresi yaitu LM1 s/d LM 55, seperti pada Tabel 4.9.

Tabel 4.9. Hasil Running prediksi debit harian

yang masuk Bendungan Sengguruh untuk

Sub-0 50 100 150 200 250 300 350 400 0 50 100 150 200 250 300 350 400 1 26 51 76 101 126 151 176 201 226 251 276 301 326 351 H U JA N (M M ) D E BI T (M 3 /D T ) HARI KE

HUJAN RATA-RATA (MM) DEBIT MODEL (M3/DT) DEBIT OBSERVASI (M3/DT)

0 50 100 150 200 250 0 25 50 75 100 125 150 175 200 225 1 26 51 76 101 126 151 176 201 226 251 276 301 326 351 H U JA N (MM ) D EBI T (M 3/ D T) HARI KE

(6)

DAS Kali Lesti

PERSAMAAN (LM) OUTPUT (Y) βO + (β1 x X1) + (β2 x X2) +...+ (βn x Xn LM1 QinSggr 11.9 + 0.491QinSggrt-1 + 0.0828RDptt0 + 0.0115RDptt-1 + 0.02RStjt-0 + 0.625RPckt-0 + 0.0241RPckt-1- 0.00754RPckT-3 + 0.198RWjkT-0 LM2 QinSggr 5.99 + 0.853QinSggrt-1 + 0.0828RDptT-0 + 0.0115RDptt-1 + 0.02RStjt-0 + 1.32RPckt-0 + 0.0241RPckT-1 - 0.00754RPckT-3 + 0.328RWjkT-0 LM3 QinSggr -72.4 + 4.07QinSggrt-1 + 0.106RDptT-0 + 0.0115RDptt-1 + 0.128RStjT-0 + 0.06RPckT-0 + 0.06RPckT-0.0.06RPckT-00.06RPckT-0715RPckT-1 - 0.06RPckT-0.0.06RPckT-00.06RPckT-0754RPckT-3 + 0.0403RWjkT-0 LM4 QinSggr -172 + 8.2QinSggrt-1 + 0.106RDptT-0 + 0.0115RDptt-1+ 0.128RStjT-0 + 0.06RPckT-0 + 0.00715RPckT-1 - 0.00754RPckT-3 + 0.0403RWjkT-0 LM5 QinSggr -195 + 9.13QinSggrt-1 + 0.106RDptT-0 + 0.0115RDptt-1 + 0.128RStjT-0 + 0.06RPckT-0 + 0.00715RPckT-1 - 0.00754RPckT-3 + 0.0403RWjkT-0 LM6 QinSggr 16.8 + 0.349QinSggrt-1 + 0.0678RDptT-0 + 0.0115RDptt-1 + 0.133RStjT-0 + 0.06RPckT-0 + 0.00715RPckT-1- 0.00754RPckT-3 + 0.0403RWjkT-0 LM7 QinSggr 16.5 + 0.387QinSggrt-1 + 0.147RDptT-0 + 0.0115RDptt-1+ 0.254RStjT-0 + 0.06RPckT-0 + 0.00715RPckT-1- 0.00754RPckT-3 + 0.0403RWjkT-0 LM8 QinSggr 16.7 + 0.387QinSggrt-1 + 0.0678RDptT-0 + 0.0115RDptt-1+ 0.211RStjT-0 + 0.06RPckT-0 + 0.00715RPckT-1- 0.00754RPckT-3 + 0.0403RWjkT-0 LM9 QinSggr 52.6 + 2.93QinSggrt-1 + 0.762RDptT-0 + 0.0115RDptt-1+ 0.0388RStjT-0 + 0.0776RPckT-0 - 0.0111RPckT-1- 0.00754RPckT-3 + 0.0403RWjkT-0 LM10 QinSggr 23.2 + 0.241QinSggrt-1 + 0.0956RDptT-0 + 0.0115RDptt-1+ 0.0388RStjT-0 + 0.0776RPckT-0 - 0.0111RPckT-1 - 0.00754RPckT-3 + 0.0403RWjkT-0 LM11 QinSggr 442 - 13.2QinSggrt-1 + 0.0956RDptT-0 + 0.0115RDptt-1+ 0.0388RStjT-0 + 0.0776RPckT-0 - 0.0111RPckT-1 - 0.00754RPckT-3 + 0.0403RWjkT-0 LM12 QinSggr 23.6 + 0.241QinSggrt-1 + 0.0956RDptT-0 + 0.0115RDptt-1+ 0.0388RStjT-0 + 0.0776RPckT-0 - 0.0111RPckT-1 - 0.00754RPckT-3 + 0.0403RWjkT-0 LM13 QinSggr 199 - 5.23QinSggrt-1 + 0.0956RDptT-0 + 0.0115RDptt-1+ 0.0388RStjT-0 + 0.0776RPckT-0 - 0.0796RPckT-1- 0.00754RPckT-3 + 0.0403RWjkT-0 LM14 QinSggr 25 + 0.255QinSggrt-1 + 0.0425RDptT-0 + 0.0115RDptt-1+ 0.0808RStjT-0 + 0.376RPckT-0 - 0.0147RPckT-1 - 0.00754RPckT-3 + 0.0403RWjkT-0 LM15 QinSggr 9.36 + 0.758QinSggrt-1 + 0.477RDptT-0 + 0.199RDptt-1+ 0.00504RStjT-0 + 0.177RPckT-0 - 0.226RPckT-3 + 0.377RWjkT-0 LM16 QinSggr 35 + 0.286QinSggrt-1 + 0.0508RDptT-0 + 0.0248RDptt-1+ 0.0125RStjT-0 + 0.221RPckT-0 - 0.0481RPckT-3 + 0.0157RWjkT-0 LM17 QinSggr 32.7 + 0.286QinSggrt-1 + 0.0508RDptT-0 + 0.0812RDptt-1+ 0.0125RStjT-0 + 0.597RPckT-0 - 0.076RPckT-3 + 0.0157RWjkT-0 LM41 QinSggr 146 - 0.844QinSggrt-1 + 0.00665RDptT-0 + 0.141RDptt-1 + 0.088RStjT-0 + 0.174RPckT-0 G amb ar 4. 15 . H ira rki Mo del M5 T re e un tu k pre di ks i de bit ha ria n ya ng ma suk B en du ng an Seng guruh Q inS gg r Qi nSg gr T-1 > 2 3.7 Qi nSg gr T-1  23 .7 Qi nSg gr T-1 > 27 .8 Qi nS gg rT -1  32 .1 Qi nS gg rT -1 > 3 2.1 Qi nSg gr T-1  27 .8 LM 15 Qi nS gg rT -1 >3 5.5 Qi nSg gr T-1  46 .4 Qi nS gg rT -1  35 .5 Qi nSg gr T-1 > 2 3. 1 Qi nSg gr T-1  23. 1 LM 1 Qi nSg gr T-1 >28 .8 Qi nSg gr T-1  28 .8 LM 9 LM 14 Qi nS gg rT -1 >3 1.3 Qi nS gg rT -1  31 .3 _LM 11 Qi nSg gr T-1 >31 .9 Qi nS gg rT -1  31 .9 LM 12 LM 13 Qi nS gg rT -1  24.6 Qi nS gg rT -1 > 2 4.6 Qi nSg gr T-1 >24 .2 Qi nSg gr T-1  24 .2 LM 3 Qi nSg gr T-1 >26 .5 Qi nSg gr T-1  26 .5 _LM 6 LM 5 LM 4 LM 2 Qi nSg gr T-1 > 8 4. 9 Qi nSg gr T-1 . >46 .4 Qi nSg gr T-1 > 1 05 Qi nSg gr T-1  10 5 RP ck T-0 > 41 RP ck T-0  41 LM 55 Qi nS gg rT -1  88 .1 Qi nS gg rT -1 > 88 .1 RS tjT -0  22 .5 RS tjT -0 > 2 2.5 RP ck T-3  11.5 RP ck T-3 >11 .5 RD pt T-0  7 RD pt T-0 > 7 LM 41 RStj T-0  9.5 RStj T-0 > 9 .5 Qi nSg gr T-1 >8 5.9 Qi nS gg rT -1  85.9 LM 42 LM 43 LM 44 LM 45 RP ck T-1  10 RP ck T-1 >10 LM 46 LM 47 RD pt t-1  15. 5 RD pt t-1 > 1 5. 5 RP ck T-3  41 RP ck T-3 >41 LM 48 RD pt T-1  15.5 RD pt T-1 > 1 5.5 LM 50 LM 49 Qi nSg gr T-1 >9 4. 3 Qi nSg gr T-1  94. 3 LM 51 LM 52 RD ptt -1  7.5 RD ptt -1 > 7 .5 LM 53 LM 53 Qi nSg gr T-1 > 6 7. 3 Qi nSg gr T-1  84 .9 Qi nSg gr T-1  67 .3 RS tjT -0  3.5 RDptt -1  2.5 RD ptt -1 > 2 .5 LM 21 Qi nSg gr T-1 > 59 .4 Qi nS gg rT -1  59 .4 LM 18 LM 19 RP ck T-3 >41 RP ck T-3  41 _LM 16 LM 17 LM 20 LM 8 LM 7 LM 10 LM 22 RSt jT-0 > 3 .5 RP ck T-0 >11 .5 RP ck T-0  11.5 Qi nSg gr T-1 >64 Qi nS gg rT -1  64 RP ck T-0 >3 4.5 RP ck T-0  34.5 _LM 23 RD pt t-1  6.5 RD pt t-1 > 6 .5 RP ck T-3 >2 7.. 5 RP ck T-3  27 .5 LM 25 LM 26 LM 27 RP ck T-0  7.5 RP ck T-0 >7 .5 LM 28 RW jk T-0  3.5 RW jkT -0 > 3 .5 RP ck T-3 >20 RP ck T-3  20 LM 32 RW jk T-0  1.5 RW jkT -0 > 1 .5 RD pt t-1  2.5 RD pt t-1 > 2 .5 LM 31 LM 29 LM 30 Qi nSg gr T-1 >7 5. 7 Qi nS gg rT -1  75. 7 LM 24 RS tjT -0 > 3 RP ck T-2 >2 RP ck T-3  2 RP ck T-2 >9 RP ck T-3  9 RS tj T-0  3 LM 33 LM 35 RP ck T-3 >24 RP ck T-3  24 LM 35 LM 36 RS tjT -0 > 2 .5 RS tjT -0  2.5 RW jk T-0  7.5 RW jkT -0 > 7 .5 LM 38 LM 37 LM 3 80 LM 37 Qi nSg gr T-1 >31 Qi nS gg rT -1  31 Qi nSg gr T-1 >2 4.5 Qi nS gg rT -1  24. 5 Qi nS gg rT -1 >2 6.8 Qi nS gg rT -1  26 .8 Qi nSg gr T-1 >64 .7 Qi nS gg rT -1 > 52 .6 Qi nS gg rT -1  52 .6 Qi nS gg rT -1  64 .7

(7)

LM18 QinSggr 37.3 + 0.286QinSggrt-1 + 0.0508RDptT-0 - 0.0238RDptt-1+ 0.0125RStjT-0 + 0.119RPckT-0 - 0.024RPckT-3 + 0.0157RWjkT-0 LM19 QinSggr 41.5 + 0.279QinSggrt-1 + 0.0508RDptT-0 - 0.0324RDptt-1+ 0.0125RStjT-0 + 0.142RPckT-0 - 0.00711RPckT-3 + 0.109RWjkT-0 LM20 QinSggr 40.4 + 0.279QinSggrt-1 + 0.0508RDptT-0 - 0.0324RDptt-1+ 0.0125RStjT-0 + 0.657RPckT-0 - 0.00711RPckT-3+ 0.0157RWjkT-0 LM21 QinSggr 30.7 + 0.53QinSggrt-1 + 0.07RDptT-0 - 0.15RDptt-1 + 0.0125RStjT-0 + 0.0751RPckT-0 - 0.0751RPckT-0.0.0751RPckT-00.0751RPckT-0711RPckT-3 + 0.0751RPckT-0.139RWjkT-0.0751RPckT-0 LM22 QinSggr 7.84 + 0.82QinSggrt-1 + 0.272RDptT-0 + 0.018RStjT-0 + 0.13RPckT-0 - 0.00711RPckT-3 + 0.0.00711RPckT-38RWjkT-0 LM23 QinSggr 57.1 + 0.136QinSggrt-1 + 0.102RDptT-0 + 0.018RStjT-0+ 0.0725RPckT-0 - 0.00711RPckT-3 + 0.00552RWjkT-0 LM24 QinSggr 52.9 + 0.136QinSggrt-1 + 0.102RDptT-0 + 0.018RStjT-0 + 0.381RPckT-0 + 0.129RPckT-3 + 0.00552RWjkT-0 LM25 QinSggr 51.5 + 0.136QinSggrt-1 + 0.102RDptT-0 + 0.018RStjT-0+ 0.381RPckT-0 + 0.174RPckT-3 + 0.00552RWjkT-0 LM26 QinSggr 51.8 + 0.136QinSggrt-1 + 0.102RDptT-0 + 0.018RStjT-0 + 0.381RPckT-0 + 0.175RPckT-3 + 0.00552RWjkT-0 LM27 QinSggr 50.6 + 0.136QinSggrt-1 + 0.102RDptT-0 + 0.018RStjT-0+ 0.321RPckT-0 - 0.00711RPckT-3 + 0.00552RWjkT-0 LM28 QinSggr 27.6 + 0.568QinSggrt-1 + 0.377RDptT-0 + 0.113RStjT-0+ 0.0573RPckT-0 - 0.29RPckT-3 + 0.00552RWjkT-0 LM29 QinSggr 68.3 + 0.115QinSggrt-1 + 0.0604RDptT-0 + 0.0743RDptt-1+ 0.00849RStjT-0 + 0.0573RPckT-0 - 0.169RPckT-3 + 0.00552RWjkT-0 LM30 QinSggr 68.8 + 0.115QinSggrt-1 + 0.136RDptT-0 + 0.0991RDptt-1+ 0.00849RStjT-0 + 0.0573RPckT-0 - 0.0285RPckT-3 + 0.00552RWjkT-0 LM31 QinSggr 66.8 + 0.115QinSggrt-1 + 0.136RDptT-0 + 0.00849RStjT-0+ 0.0573RPckT-0 - 0.0285RPckT-3 + 0.00552RWjkT-0 LM32 QinSggr 64.1 + 0.115QinSggrt-1 + 0.153RDptT-0 + 0.087RStjT-0 + 0.0573RPckT-0 - 0.0285RPckT-3 + 0.00552RWjkT-0 LM33 QinSggr 67.1 + 0.115QinSggrt-1 + 0.201RDptT-0 + 0.0384RStjT-0+ 0.0573RPckT-0 - 0.0285RPckT-3 + 0.00552RWjkT-0 LM34 QinSggr 70 + 0.115QinSggrt-1 + 0.201RDptT-0 + 0.00849RStjT-0+ 0.0573RPckT-0 - 0.0285RPckT-3 + 0.00552RWjkT-0 LM35 QinSggr 70.3 + 0.115QinSggrt-1 + 0.201RDptT-0 + 0.00849RStjT-0+ 0.0573RPckT-0 - 0.0633RPckT-1 - 0.0285RPckT-3 + 0.00552RWjkT-0 LM36 QinSggr 69.6 + 0.115QinSggrt-1 + 0.201RDptT-0 + 0.00849RStjT-0+ 0.0573RPckT-0 - 0.0502RPckT-1 - 0.0285RPckT-3 + 0.00552RWjkT-0 LM37 QinSggr 24.3 + 0.62QinSggrt-1 + 0.201RDptT-0 + 0.00849RStjT-0+ 0.0573RPckT-0 + 0.0307RPckT-3 - 0.212RWjkT-0 LM38 QinSggr 23.6 + 0.62QinSggrt-1 + 0.201RDptT-0 + 0.00849RStjT-0+ 0.0573RPckT-0 + 0.0307RPckT-3 - 0.189RWjkT-0 LM39 QinSggr 35.5 + 0.469QinSggrt-1 + 0.171RDptT-0 + 0.0377RDptt-1+ 0.0321RStjT-0 + 0.0403RPckT-0 + 0.0129RPckT-3 + 0.0195RWjkT-0 LM40 QinSggr 36.1 + 0.469QinSggrt-1 + 0.167RDptT-0 + 0.0431RDptt-1 + 0.0225RStjT-0 + 0.0573RPckT-0 + 0.0129RPckT-3+ 0.00552RWjkT-0 - 0.0653RPckT-3 + 0.0125RWjkT-0 LM42 QinSggr 155 - 0.929QinSggrt-1 - 0.0218RDptT-0 + 0.141RDptt-1 + 0.0325RStjT-0 + 0.174RPckT-0 - 0.174RPckT-0.0.174RPckT-0653RPckT-3 + 0.174RPckT-0.0.174RPckT-0125RWjkT-0.174RPckT-0 LM43 QinSggr 154 - 0.92QinSggrt-1 - 0.0218RDptT-0 + 0.141RDptt-1 + 0.0325RStjT-0 + 0.174RPckT-0 - 0.174RPckT-0.0.174RPckT-0653RPckT-3 + 0.174RPckT-0.0.174RPckT-0125RWjkT-0.174RPckT-0 LM44 QinSggr 148 - 0.844QinSggrt-1 - 0.0285RDptT-0 + 0.141RDptt-1 + 0.0194RStjT-0 + 0.174RPckT-0 - 0.174RPckT-0.0.174RPckT-0653RPckT-3 + 0.174RPckT-0.0.174RPckT-0125RWjkT-0.174RPckT-0 LM45 QinSggr 135 - 0.701QinSggrt-1 + 0.00665RDptT-0 + 0.128RDptt-1 + 0.112RStjT-0 + 0.174RPckT-0 - 0.0653RPckT-3 + 0.0125RWjkT-0 LM46 QinSggr 62.9 + 0.253QinSggrt-1 + 0.0348RDptT-0 + 0.0785RDptt-1+ 0.0286RStjT-0 + 0.21RPckT-0 - 0.21RPckT-0.0.21RPckT-0959RPckT-3 + 0.21RPckT-0.0.21RPckT-0125RWjkT-0.21RPckT-0 LM47 QinSggr 58.5 + 0.253QinSggrt-1 + 0.0348RDptT-0 + 0.0785RDptt-1+ 0.0286RStjT-0 + 0.352RPckT-0 - 0.0959RPckT-3 + 0.0125RWjkT-0 LM48 QinSggr 48.2 + 0.253QinSggrt-1 + 0.0348RDptT-0 + 0.138RDptt-1+ 0.0286RStjT-0 + 0.335RPckT-0 + 0.335RPckT-0.0.335RPckT-00.335RPckT-0246RPckT-3 + 0.335RPckT-0.0.335RPckT-0125RWjkT-0.335RPckT-0 LM49 QinSggr 49.1 + 0.253QinSggrt-1 + 0.0911RDptT-0 + 0.138RDptt-1+ 0.0286RStjT-0 + 0.325RPckT-0 + 0.325RPckT-0.0.325RPckT-0128RPckT-3+ 0.325RPckT-0.0.325RPckT-0125RWjkT-0.325RPckT-0 LM50 QinSggr 49.3 + 0.253QinSggrt-1 + 0.0348RDptT-0 + 0.138RDptt-1 + 0.0286RStjT-0 + 0.31RPckT-0 + 0.31RPckT-0.0.31RPckT-0128RPckT-3 + 0.31RPckT-0.0.31RPckT-0125RWjkT-0.31RPckT-0 LM51 QinSggr 72.3 + 0.0187QinSggrt-1 + 0.0348RDptT-0 + 0.248RDptt-1 + 0.0286RStjT-0 + 0.286RPckT-0 - 0.286RPckT-0.0.286RPckT-0278RPckT-3 + 0.286RPckT-0.0.286RPckT-0125RWjkT-0.286RPckT-0 LM52 QinSggr 52.3 + 0.253QinSggrt-1 + 0.0348RDptT-0 + 0.206RDptt-1 + 0.0286RStjT-0 + 0.286RPckT-0 - 0.286RPckT-0.0.286RPckT-0278RPckT-3 + 0.286RPckT-0.0.286RPckT-0125RWjkT-0.286RPckT-0 LM53 QinSggr 62.2 + 0.218QinSggrt-1 + 0.165RDptT-0 + 0.00926RStjT-0+ 0.228RPckT-0 - 0.00988RPckT-3 + 0.0125RWjkT-0 LM54 QinSggr 74.4 + 0.218QinSggrt-1 + 0.165RDptT-0 - 0.0958RDptt-1 - 0.0499RStjT-0 + 0.228RPckT-0 - 0.112RPckT-3 + 0.0125RWjkT-0 LM55 QinSggr 58.9 + 0.277QinSggrt-1 + 0.592RDptT-0 + 0.00926RStjT-0+ 0.343RPckT-0 - 0.00988RPckT-3 + 0.0125RWjkT-0

Sumber : hasil olah data,2009

Y = βO + (β1 x X1) + (β2 x X2) +...+ (βn x Xn

Dimana :

Y = Variabel output ( Bendungan Sengguruh t0)

Xi = Variabel (i= 1,2,3...n) βO = Konstanta

(8)

Model persamaan linier pada Tabel 4.9 dapat dikelompokkan ke dalam beberapa kelompok persamaan berdasarkam kesamaan variabel input yang digunakan dalam perumusan model linier. Pengelompokkan persamaan berdasarkan variabel input dapat dilihat pada Tabel 10. Pada Tabel 10, persamaan linier model (LM) 1 – 14 memiliki variabel input yang sama dalam memprediksikan debit harian yang masuk di Bendungan Sengguruh. Perbedaannya hanya terdapat pada konstanta dan koefisien pengali pada tiap-tiap variabel input. Demikian juga untuk LM15 – LM28 yang memiliki variabel input yang sama. Dan berturut-turut, model-model linier yang memiliki kesamaan variabel input adalah LM 29 - LM 30, LM 31 - LM 32, LM 35 -LM 36, dan LM 33, LM 34 berdiri sendiri; kemudian LM 37 - LM 38, LM 39 - LM 52 memiliki variabel input yang sama; dan LM 53 ,LM 54 dan LM 55 berdiri sendiri. Untuk lebih jelasnya perbedaan setiap kelompok model linier dapat dilihat pada Tabel 4.10 berikut.

Tabel 4.10 Pengelompokan model linier berdasarkan kesamaan variabel input

(9)

4.4.2. Running programs Proses Verifikasi

Proses verifikasi adalah suatu proses dimana persamaan model prediksi yang sudah didapat saat proses pembelajaran di aplikasikan terhadap serial data baru untuk diketahui sampai sejauh mana akurasi model. Dari persamaan yang telah diperoleh saat pembelajaran cukup baik untuk periode 4 Januari 1998 – 31 Desember 2000, tahap berikutnya adalah Running proses verifikasi data menggunakan data hujan harian rata-rata untuk periode 3 Januari 2001 – 31 Desember 2003, Skenario proses verifikasi dapat dikelompokkan dalam pembahasan sebagai berikut :

 Proses verifikasi dengan variabel input di Sub-Das

Kali Lesti

Data yang digunakan untuk verifikasi adalah data input tahun 2001-2002, jumlah variabel input untuk proses verifikasi sama dengan jumlah variabel input pada proses kalibras seperti pada tabel 4.3, hal ini dimaksudkan agar dari proses verifikasi menghasilkan nilai performa (RMSE) yang terbaik.

Hasil verifikasi dengan menggunakan data input di Sub-DAS Kali Lesti bila dilihat dari performa model yang disajikan pada Tabel 4.11. Untuk simulasi dengan data

input di Sub-DAS Kali Lesti Performa model mengalami

penurunan dimana nilai RMSE turun dari 11.632 saat pembelajaran menjadi 16.993 saat verifikasi. Bila dilihat dari visualisasi grafik seperti yang ditunjukkan Gambar 4.16, penyebab dari penurunan performa model diakibatkan oleh melemahnya model saat mempridiksikan debit tinggi yaitu seperti pada tanggal 5 Februari 2001 debit sebesar 183.82 m3/dt sedangkan pada saat diverifikasi debit hanya sebesar 117.346 m3/dt sehingga terjadi selisih debit sebesar 66.475 m3/dt. Kemudian pada Gambar 4.17 untuk tanggal 29 Januari 2002 debit sebesar 344.400 m3/dt sedangkan hasil verifikasi debit sebesar 159.555 m3/dt sehingga terjadi selisih debit sebesar 184.84 m3/dt). Maka dari hasil simulasi tersebut untuk data input dari Sub-DAS Kali Lesti, model belum bisa dikatakan baik. Performa model bisa dikatakan sangat baik dimana hasil model peramalan dapat mengikuti data observasi.

masuk di Bendungan Sengguruh untuk Sub-DAS Kali Lesti tahun 2001 s/d 2002.

Kalibrasi Verifikasi

Correlation coefficient CC 0.896 0.865 Mean absolute error MAE 7.163 8.235 Root mean squared error RMSE 11.632 16.993 Relative absolute error % RAE 35.148 31.798 Root relative squared error (%) RRSE 44.591 51.177

1092 727

10 10

55 55

Performa Nilai Performa Model

Sumber : Hasil olah data, 2009

0 50 100 150 200 250 300 0 25 50 75 100 125 150 175 200 225 250 3 28 53 78 103 128 153 178 203 228 253 278 303 328 353 H U JA N (M M ) D EB IT ( M 3 /D T) HARI KE

-PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 2001

HUJAN HARIAN RATA-RATA (MM) DEBIT HARIAN VERIFIKASI (M3/DT) DEBIT HARIAN KALIBRASI (M3/DT)

Gambar 4.16. Visualisasi perbandingan proses verifikasi data observasi dengan hasil model prediksi debit harian yang masuk Bendungan Sengguruh untuk Sub-DAS Kali Lesti tahun 2001.

(Sumber Hasil olah data, 2009)

0 50 100 150 200 250 300 350 0 50 100 150 200 250 300 350 400 450 1 26 51 76 101 126 151 176 201 226 251 276 301 326 351 H U JA N (M M ) D EB IT (M 3 /D T) HARI KE

HUJAN HARIAN RATA-RATA (MM) DEBIT HARIAN VERIFIKASI (M3/DT) DEBIT HARIAN KALIBRASI (M3/DT) Gambar 4.17. Visualisasi perbandingan proses verifikasi data observasi dengan hasil model prediksi debit harian yang masuk Bendungan Sengguruh untuk Sub-DAS Kali Lesti tahun 2002.

(10)

Hasil proses verifikasi melalu running program WEKA untuk Sub-DAS Kali Lesti dapat dilihat pada lampiran 4 halaman 125

 Proses verifikasi dengan variabel input di Sub-Das

Kali Brantas Hulu

Data yang digunakan untuk verifikasi adalah data input tahun 2001-2002, jumlah variabel input untuk proses verifikasi sama dengan jumlah variabel input pada proses kalibrasi seperti pada tabel 4.5, hal ini dimaksudkan agar dari proses verifikasi menghasilkan nilai performa (RMSE) yang terbaik.

Berdasarkan hasil simulasi verifikasi dengan data input di Sub-DAS Kali Brantas Hulu seperti pada tabel 4.12. Hasil kalibrasi performa model (RMSE) sebesar 9.724 sedangkan pada tahap verifikasi model prediksi tidak memberikan hasil yang lebih baik yaitu dengan nilai RMSE sebesar 17.866.

Setelah ditinjau dengan nilai performa model (RMSE), maka bisa dievaluasi juga dengan visualisasi grafik. Evaluasi dengan debit tinggi untuk hasil verifikasi, model kurang memberikan respon yang terbaik. Seperti yang ditunjukkan pada garis grafik gambar 4.18 untuk tanggal 05 Februari 2001 hasil kalibrasi debit sebesar 183.82 m3/dt sedangkan hasil verifikasi debit sebesar 92.483 m3/dt (selisih penyimpangan debit sebesar 91.377 m3/dt). Kemudian bila ditinjau pada garis grafik gambar 4.19 untuk tanggal 29 Januari 2002 hasil kalibrasi debit sebesar 344.400 m3/dt sedangkan hasil verifikasi debit sebesar 124.279 m3/dt (selisih penyimpangan debit sebesar 220.121 m3/dt). Maka bila dilihat secara visualisasi selisih penyimpangan untuk debit tinggi hasil verifikasi di Sub-DAS Kali Brantas Hulu masih kurang baik.

Selain dievaluasi dengan debit tinggi untuk visualisasi garis grafik ditinjau pula dengan debit rendah yaitu seperti ditunjukkan pada contoh garis grafik ga,mbar 4.19 untuk tanggal 20 september 2002; hasil kalibrasi debit sebesar 15.210 m3/dt sedangkan debit hasil verifikasi sebesar 21.792 m3/dt (selisih penyimpangan debit sebesar 6,58 m3/dt). Maka bila dilihat penyimpangan nilai performa model (RMSE) dan garis grafik yang cukup besar untuk hasil verifikasi untuk data input dari Sub-DAS Kali Brantas Hulu masih kurang baik baik untuk debit tinggi maupun debit rendah.

Tabel 4.12. Performa model prediksi debit harian yang masuk di Bendungan Sengguruh untuk Sub-DAS Kali Brantas Hulu tahun 2001 s/d 2002.

Kalibrasi Verifikasi

Correlation coefficient CC 0.929 0.860 Mean absolute error MAE 6.092 7.866 Root mean squared error RMSE 9.724 17.866 Root mean squared error (%) RAE 29.892 30.376 Root relative squared error (%) RRSE 37.279 51.792

1092 727

21 21

131 131

Performa Nilai Performa Model

Sumber : Hasil olah data, 2009

0 20 40 60 80 100 120 140 160 180 200 0 25 50 75 100 125 150 175 200 225 3 28 53 78 103 128 153 178 203 228 253 278 303 328 353 H U JA N (M M ) D EB IT (M 3 /D T) HARI KE

-PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 2001

HUJAN HARIAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL (M3/DT)

Gambar 4.18. Visualisasi perbandingan proses verifikasi data observasi dengan hasil model prediksi debit harian yang masuk Bendungan Sengguruh untuk Sub-DAS Kali Brantas Hulu tahun 2001.

(Sumber Hasil olah data, 2009)

0 20 40 60 80 100 120 140 160 180 200 0 50 100 150 200 250 300 350 400 450 1 31 61 91 121 151 181 211 241 271 301 331 361 H U JA N (M M ) D EB IT (M 3/ D T) HARI KE

HUJAN HARIAN RATA-RATA (M3/DT) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL (M3/DT)

Gambar 4.19. Visualisasi perbandingan proses verifikasi data observasi dengan hasil model prediksi debit harian yang masuk Bendungan Sengguruh untuk Sub-DAS Kali Brantas Hulu tahun 2002. (Sumber Hasil olah data, 2009)

 Proses verifikasi dengan variabel input di Das

Brantas Hulu

Proses verifikasi dengan variabel input di DAS Brantas hulu ini adalah hasil gabungan variabel input Sub-DAS K. Lesti dan Sub-Sub-DAS Kali Brantas Hulu. Data yang Tabel 4.13 Perbandingan hasil kalibrasi dengan verifikasi

(11)

digunakan untuk verifikasi adalah data input tahun 2001-2002, jumlah variabel input untuk proses verifikasi sama dengan jumlah variabel input pada proses kalibrasi seperti pada tabel 4.6, hal ini dimaksudkan agar dari proses verifikasi menghasilkan nilai performa (RMSE) yang terbaik.

Berdasarkan hasil simulasi verifikasi dengan data input di Sub-DAS Kali Brantas Hulu seperti pada tabel 4.12. Hasil kalibrasi performa model (RMSE) sebesar 9.724 sedangkan pada tahap verifikasi model prediksi tidak memberikan hasil yang lebih baik yaitu dengan nilai RMSE sebesar 17.866.

Setelah ditinjau dengan nilai performa model (RMSE), maka bisa dievaluasi juga dengan visualisasi grafik. Evaluasi dengan debit tinggi untuk hasil verifikasi, model kurang memberikan respon yang terbaik. Seperti yang ditunjukkan pada garis grafik gambar 4.20 untuk tanggal 05 Februari 2001 hasil kalibrasi debit sebesar 183.82 m3/dt sedangkan hasil verifikasi debit sebesar 119.945 m3/dt (selisih penyimpangan debit sebesar 63.875 m3/dt). Kemudian bila ditinjau pada garis grafik gambar 4.21 untuk tanggal 29 Januari 2002 hasil kalibrasi debit sebesar 344.400 m3/dt sedangkan hasil verifikasi debit sebesar 140.017 m3/dt (selisih penyimpangan debit sebesar 204.324 m3/dt). Maka bila dilihat secara visualisasi selisih penyimpangan untuk debit tinggi hasil verifikasi di DAS Brantas Hulu masih kurang baik.

Selain dievaluasi dengan debit tinggi untuk visualisasi garis grafik ditinjau pula dengan debit rendah yaitu seperti ditunjukkan pada contoh garis grafik ga,mbar 4.20 untuk tanggal 20 september 2002; hasil kalibrasi debit sebesar 15.210 m3/dt sedangkan debit hasil verifikasi sebesar 21.188 m3/dt (selisih penyimpangan debit sebesar 5,979 m3/dt). Maka bila dilihat penyimpangan nilai performa model (RMSE) dan garis grafik yang cukup besar untuk hasil verifikasi untuk data input dari DAS Brantas Hulu masih kurang baik baik untuk debit tinggi maupun debit rendah. Namun bila perbadingan dari beberapa simulasi antara Sub-DAS Kali Lesti dan Sub-DAS Kali Brantas Hulu, penyimpangan debit prediksi simulasi model di DAS Brantas lebih kecil sehingga DAS Brantas dipakai sebagai skenario model prediksi

Performa model prediksi debit harian yang masuk di Bendungan Sengguruh untuk DAS Brantas Hulu.

Sumber Hasil olah data, 2009

0 20 40 60 80 100 120 140 160 180 200 0 50 100 150 200 250 300 3 28 53 78 103 128 153 178 203 228 253 278 303 328 353 H U JA N (M M ) D EB IT ( M 3 /D T) HARI KE

HUJAN RATA-RATA (MM) DEBIT HARIAN VERIFIKASI (M3/DT) DEBIT HARIAN KALIBRASI (M3/DT)

Gambar 4.20. Ploting Garis Grafik perbandingan proses verifikasi data observasi dengan hasil model prediksi debit harian yang masuk Bendungan Sengguruh untuk DAS Brantas Hulu tahun 2001. (Sumber Hasil olah data, 2009) 0 50 100 150 200 250 300 350 0 50 100 150 200 250 300 350 400 450 1 26 51 76 101 126 151 176 201 226 251 276 301 326 351 H U JA N (M M ) D EB IT ( M 3 /D T) HARI KE

HUJAN RATA-RATA (MM) DEBIT HARIAN VERIFIKASI (M3/DT) DEBIT HARIAN KALIBRASI (M3/DT) Gambar 4.21 Ploting Garis Grafik perbandingan proses verifikasi data observasi dengan hasil model prediksi debit harian yang masuk Bendungan Sengguruh untuk DAS

(12)

0 50 100 150 200 250 0 25 50 75 100 125 150 175 200 225 1 26 51 76 101 126 151 176 201 226 251 276 301 326 351 H U JA N (M M ) D EB IT ( M 3 /D T) HARI KE

HUJAN RATA-RATA (MM) DEBIT HARIAN VERIFIKASI (M3/DT) DEBIT HARIAN KALIBRASI (M3/DT)

Gambar 4.22 . Ploting Garis Grafik perbandingan proses verifikasi data observasi dengan hasil model prediksi debit harian yang masuk Bendungan Sengguruh untuk DAS Brantas Hulu tahun 2003 (Sumber Hasil olah data, 2009)

4.4.3. Reduksi Variabel Input pada Model Prediksi Debit Harian Yang

Masuk di Bendungan Sengguruh

Reduksi variabel input yaitu metode

penyederhanaan model dengan cara mengurangi jumlah persamaan (pruning factor) dan mengurangi jumlah

variabel input yang memiliki korelasi lemah terhadap

variabel output. Dua methode tersebut di dalam

penyederhanaan model prediksi ini dikelompokkan menjadi 2 (dua) model antara lain sebagai berikut :

 Model pertama (Model 1 P_BR) : Model pertama

ini penyederhanaannya dilakukan dengan cara beberapa kali pruning factor dan keseluruhan stasiun pencatatan yang dijadikan variabel input. Hal tersebut dilakukan agar bisa mengetahui Prediksi Debit Harian Yang Masuk Bendungan Sengguruh yang sederhana namun masih memiliki keakuratan yang baik .

 Model Kedua (Model 2 P_BR) : Model kedua ini

penyederhanaanya adalah pemakaian variabel input pada model pertama (Model 1 P_BR) untuk stasiun pencatatan mempunyai korelasi lemah terhadap variabel outputnya di buang atau dikurangi, selain itu dengan

pruning factor agar mendapatkan model prediksi yang

sederhana juga masih memiliki keakuratan.

Maksud dari pengurangan variabel input pada model M5

Model Tree ini adalah menggunakan pruning factor, hal

tersebut dilakukan pemangkasan ranting (cabang). Kemudian cara mengelompokkan data ke dalam kelompok-kelompok kecil dengan batasan kurang ataulebih dari (<, >).

4.4.3.1 Model Pertama (Model 1 P_BR) Prediksi Debit Harian Yang Masuk Bendungan Sengguruh.

 Running Proses Pembelajaran Model Pertama (Model 1 P_BR)

Model 1 P_BR dilakukan dengan meningkatkan nilai pruning factor dari (0),(2),(3) dan (4). Hasil dari peningkatan pruning faktor bisa dilihat pada Tabel 4.14. Tabel 4.14. Performa Model 1 P_BR Saat Pembelajaran

dengan Pruning factor.

Sumber Hasil olah data, 2009

Dari Tabel 4.14 dengan menambahkan angka

pruning factor mulai dari 0 sampai 4, model paling

sederhana yaitu untuk pruning = 3.0 dengan jumlah persamaan 14 dan nilai RMSE = 11.221. Penjelasan perubahan performa model tersebut dijelaskan pada Tabel 4.14.1 s/d Tabel 4.14.3

Tabel 4.14.1 Variabel input yang terpakai untuk prediksi debit harian yang masuk Bendungan Sengguruh dengan perubahan pruning 0 s/d 1

T0 T-1 T-2 T-3 T0 T-1 T-2 T-3 A Pencatat Debit :

1 Sengguruh QinSggrt-1 QinSggrt-1

B Pencatat Hujan : 1 Sengguruh RSggt0 RSggt-1 RSggt-2 RSggt0 RSggt-2 2 Batu RBtt-0 RBtt-1 RBtt-2 RBtt-1 RBtt-2 3 Wagir RWgrt0 RWgrt0 4 Kayutangan 5 Tangkil RTklt0 RTklt-1 RTklt0 RTklt-1 6 Kepanjen RKpjt0 7 Pacet RPctt0 RPctt0 8 Pujon RPjnt0 RPjnt0 9 Kedungrejo RKdrt-0 RKdrt-2 RKdrt-2 10 Jabung RJbgt0 RJbgt0 11 Tumpang RTpgt0 RTpgt0 12 Dampit RDptt0 RDptt-1 RDptt0 RDptt-1 13 Sitiarjo RStjt0 14 Poncokusumo RPckt0 RPckt-3 RPckt0 Jumlah 13 5 3 1 10 3 3 0 Total 16 Atrribut PURNING-1.0 PURNING-0 22 Attribut STASIUN NO

0,0 1,0 2 3 4.0

Correlation coefficient CC 0.934 0.917 0.912 0.904 0.864 Mean absolute error MAE 6.003 6.806 6.832 7.215 8.483 Root mean squared error RMSE 9.417 10.471 10.768 11.221 13.143

Relative absolute error % RAE 29.455 33.392 33.524 35.402 41.621

Root relative squared error (%) RRSE 36.102 40.142 41.281 43.016 50.385

1092 1092 1092 1092 1092 28 28 28 28 28 98 24 22 14 1 PRUNING Attributes input Jumlah Persamaan PERFORMA MODEL

(13)

Pada Tabel 4.14.1. saat pruning = 0, jumlah persamaan linier yang diperoleh sebanyak 98 persamaan dengan RMSE = 9.417. Dari 28 variabel input yang disiapkan, hanya 22 saja yang digunakan untuk prediksi dan saat pruning dinaikkan menjadi 1. Persamaan linier yang dihasilkan berkurang menjadi 24 persamaan dengan performa yang melemah dengan nilai RMSE= 10,471. Jumlah variabel input yang terpakai hanya 16 saja.

Tabel 4.14.2 Variabel input yang terpakai untuk prediksi debit harian yang masuk Bendungan Sengguruh dengan perubahan pruning 2 s/d 3

T0 T-1 T-2 T-3 T0 T-1 T-2 T-3

A Pencatat Debit :

1 Sengguruh QinSggrt-1 QinSggrt-1

B Pencatat Hujan : 1 Sengguruh RSggt0 RSggt-2 RSggt0 2 Batu RBtt-1 RBtt-2 RBtt-1 RBtt-2 3 Wagir RWgrt0 RWgrt0 4 Kayutangan 5 Tangkil RTklt0 RTklt-1 RTklt0 RTklt-1 6 Kepanjen 7 Pacet RPctt0 RPctt0 8 Pujon RPjnt0 RPjnt0 9 Kedungrejo RKdrt0 RKdrt-2 10 Jabung RJbgt0 11 Tumpang RTpgt0 RTpgt0 12 Dampit RDptt0 RDptt-1 RDptt0 RDptt-1 13 Sitiarjo RStjt0 14 Poncokusumo RPckt0 RPckt-3 RPckt0 Jumlah 11 4 3 1 8 4 1 0

Total 19 Attribut 13 Attribut

PURNING-2.0 PURNING-3.0

NO STASIUN

Pada Tabel 4.14.2.saat pruning dinaikkan lagi menjadi 2, persamaan linier yang dihasilkan 22 persamaan dengan nilai RMSE = 10,759. Jumlah variabel input yang terpakai hanya 19 kemudian pruning ditingkatkan lagi menjadi 3. Persamaan linier yang dihasilkan 14 persamaan tetapi dengan nilai RMSE = 11.221 dan variabel input yang terpakai 13 saja.

Tabel 4.14.3 Variabel input yang terpakai untuk prediksi debit harian yang masuk Bendungan Sengguruh dengan perubahan pruning 4 T0 T-1 T-2 T-3 A Pencatat Debit : 1 Sengguruh QinSggrt-1 B Pencatat Hujan : 1 Sengguruh RSggt0 2 Batu RBtt-1 3 Wagir RWgrt0 4 Kayutangan 5 T angkil RT klt-1 6 Kepanjen 7 Pacet 8 Pujon 9 Kedungrejo 10 Jabung 11 T umpang RT pgt0 12 Dampit RDptt0 13 Sitiarjo 14 Poncokusumo Jumlah 4 3 0 0 Total PURNING-4.0 7 attribut NO STASIUN

Pada Tabel 4.14.3. pruning ditingkatkan lagi menjadi 4, persamaan linier yang dihasilkan 1 persamaan tetapi dengan nilai RMSE = 13.143 variabel input yang terpakai hanya 7 saja.

Hasil proses melalui running program WEKA untuk pembelajaran Model 1 P_BR dapat dilihat sebagai berikut : pruning =1 (lampiran 7 halaman 141 ), pruning =2 (lampiran 8 halaman 143), pruning=3 (lampiran 9 halaman 145), pruning=4 (lampiran 10 halaman 146).

B. Running Proses Verifikasi Model Pertama (Model 1 P_BR)

Running proses verifikasi data menggunakan data

pengelompokan Model 1 P_BR prediksi debit harian yang masuk Bendungan Sengguruh. Hasil verifikasi model terbaik adalah saat pruning factor = 4 dengan nilai RMSE sebesar 14.192 seperti pada Tabel 4.15. Namun dengan meningkatkan angka dari 1 s/d 4, saat pruning factor 4 menyebabkan model hanya memiliki 1 (satu) persamaan linier saja dan terdiri dari 7 (tujuh) variabel input (Qinsggr t-1, Rsggrt0, RBtt-1, RWgrt0, RTklt-1, RTpgt0 dan RDptt0). Artinya, untuk memprediksi debit harian yang masuk Bendungan Sengguruh, model hanya membutuhkan 7 (tujuh) variabel input yang diwakili oleh 1 (satu) variabel

input debit harian st Sengguruh dan 6 (enam) variabel

input curah hujan harian st. Batu, st.Wagir, st.Tangkil,

st.Tumpang dan st. Dampit.

Dengan 7 (tujuh) variabel input hasil verifikasi Model 1 P_BR mengakibatkan model yang dihasilkan hanya berupa model linier biasa karena hanya memiliki 1 (satu) persamaan linier, sehingga tidak bisa dikatakan sebagai model M5 Model Tree. Selain itu, karena hanya menggunakan 1(satu) persamaan linier, pada kondisi tertentu input yang terpakai tidak dapat mewakili untuk digunakan dalam proses peramalan, sehingga output yang dihasilkan mengalami penyimpangan yang besar bila dilihat dari nilai RMSE, walaupun nilai RMSE untuk pruning = 4 paling rendah diantara lainnya, tetapi kesalahan (error) maksimumnya merupakan yang paling besar. Hal ini bisa dibuktikan pada Gambar 4.23.3 yaitu untuk interval waktu bulan Juni s/d Desember penyimpangan debit harian maximum terhadap debit harian observasi = 50.28 m3/dt sedangkan penyimpangan debit harian minimum terhadap debit harian observasi = -56.58 m3/dt, kondisi debit harian observasi dalam keadaan stabil dibulan Januari s/d Mei. Namun pada model prediksi dengan pruning factor = 4 model memprediksikan dengan kondisi Debit harian yang meningkat drastis pada interval waktu 7 bulan, puncaknya pada tanggal 21 Nopember 2003 besaran debit harian observasi 38.81 m3/dt tetapi Model memprediksikan

(14)

sebesar 95.39 m3/dt sehingga selisih debit harian menjadi 56.58 m3/dt.

Penyimpangan rata-rata untuk interval waktu 12 bulan adalah 3.62 m3/dt. Penyimpangan kesalahan maksimum untuk model 1 P_BR pruning = 4 secara umum model bagus dalam prediksi tetapi akibat dari error maksimum yang besar, maka dengan evaluasi performa model tersebut untuk pruning factor = 4 tidak digunakan. Namun untuk membandingkan secara keseluruhan untuk simulasi model dengan angka pruning factor 1, 2, 3 dan 4 setelah verifikasi model dapat dilihat pada Gambar 4.23.1 s/d 4.23.3, 4.24.1 s/d 4.24.3, 4.25.1 s/d 4.25.3 dan 4.26.1 s/d 4.26.3.

Tabel 4.15. Performa Model 1 P_BR saat verifikasi dengan pruning factor.

Gambar 4.23.1 Visualisasi perbandingan verifikasi model 1 P_BR dengan observasi tahun 2001, pruning factor=1 (Sumber : Hasil olah data,2009).

Gambar 4.23.2. Visualisasi perbandingan verifikasi model 1 P_BR dengan observasi tahun 2002, pruning factor=1 (Sumber : Hasil olah data,2009).

0 20 40 60 80 100 120 140 160 180 200 0 25 50 75 100 125 150 175 200 225 250 1 31 61 91 121 151 181 211 241 271 301 331 361 H U JA N (M M ) D EB IT ( M 3 /D T) HARI KE

-c. PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 2003

(PRUNING FACTOR =1)

HUJAN HARIAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL1 P_BR (M3/DT)

Gambar 4.23.3. Visualisasi perbandingan verifikasi model

1 P_BR dengan observasi 2003 pruning factor=1 (Sumber : Hasil olah data,2009).

0 20 40 60 80 100 120 140 160 180 200 0 25 50 75 100 125 150 175 200 225 3 28 53 78 103 128 153 178 203 228 253 278 303 328 353 H U JA N (M M ) D EB IT (M 3/ D T) HARI KE

-a. PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 2001

(PRUNING FACTOR = 2)

HUJAN HARIAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 1 P_BR (M3/DT)

Gambar 4.24.1 Visualisasi perbandingan verifikasi model 1P_BR dengan observasi tahun 2001, pruning factor =2 (Sumber : Hasil olah data,2009).

0 20 40 60 80 100 120 140 160 180 200 0 50 100 150 200 250 300 350 400 450 1 31 61 91 121 151 181 211 241 271 301 331 361 H U JA N (M M ) D EB IT ( M 3 /D T) HARI KE

-b.PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 2002

(PRUNING FACTOR=1)

HUJAN HARIAN RATA-RATA (M3/DT) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL1 P_BR (M3/DT)

1 2 3 4.0

Correlation coefficient CC 0.857 0.871 0.867 0.889 Mean absolute error MAE 7.897 7.418 7.645 8.294 Root mean squared error RMSE 15.946 15.293 15.481 14.192 Relative absolute error % RAE 31.106 29.220 30.114 32.670 Root relative squared error (%) RRSE 50.555 48.486 49.080 44.994

1092 1092 1092 1092

28 28 28 28

24 22 14 1

Attributes input Jumlah Persamaan

PERFORMA MODEL PRUNING

Total Number of Instances

0 20 40 60 80 100 120 140 160 180 200 0 25 50 75 100 125 150 175 200 225 3 28 53 78 103 128 153 178 203 228 253 278 303 328 353 H U JA N (M M ) D EB IT ( M 3/ D T) HARI KE

-a. PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 2001

(15)

0 20 40 60 80 100 120 140 160 180 200 0 50 100 150 200 250 300 350 400 450 1 31 61 91 121 151 181 211 241 271 301 331 361 H U JA N (M M ) D EB IT (M 3 /D T) HARI KE

-b. PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 2002

HUJAN HARIAN RATA-RATA (M3/DT) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 1 P_BR (M3/DT)

0 20 40 60 80 100 120 140 160 180 200 0 25 50 75 100 125 150 175 200 225 3 28 53 78 103 128 153 178 203 228 253 278 303 328 353 H U JA N (M M ) D EB IT ( M 3 /D T) HARI KE

-a.PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 2001

0 20 40 60 80 100 120 140 160 180 200 0 50 100 150 200 250 300 350 400 450 1 31 61 91 121 151 181 211 241 271 301 331 361 H U JA N (M M ) D EB IT ( M 3 /D T) HARI KE

-b.PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 2002

HUJAN HARIAN RATA-RATA (M3/DT) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 1 P_BR (M3/DT)

0 20 40 60 80 100 120 140 160 180 200 0 25 50 75 100 125 150 175 200 225 250 1 31 61 91 121 151 181 211 241 271 301 331 361 H U JA N (M M ) D EB IT (M 3 /D T) HARI KE

-c.PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 2003

4.4.3.2 Model Kedua (Model 2 P_BR) Prediksi Debit Harian Yang Masuk Bendungan Sengguruh. A. Running Proses Pembelajaran Model Kedua (Model 2 P_BR)

Model 2 P_BR adalah model prediksi yang lebih di sederhanakan lagi variabel inputnya. Penyederhanaan

variabel input pada model kedua (Model 2 P_BR) yaitu

dengan cara mengurangi (reduksi) jumlah variabel input. Maksud dari pengurangan variabel input adalah agar mendapatkan model yang sederhana tetapi masih memiliki performa model yang baik.

Pada simulasi Model 1 P_BR, hanya 27 variabel

input yang terpilih mewakili simulasi yaitu yang memiliki

nilai korelasi diatas 0.30, hasil yang diperoleh belum bisa

0 20 40 60 80 100 120 140 160 180 200 0 25 50 75 100 125 150 175 200 225 250 1 31 61 91 121 151 181 211 241 271 301 331 361 H U JA N (M M ) D EB IT ( M 3 /D T) HARI KE

-PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 2003

(16)

mewakili sebagai Model Tree sebab dengan 7 (tujuh)

variabel input hanya menghasilkan 1(satu) persamaan saja.

Kemudian pada Model 2 P_BR pemilihan variabel input dilakukan dengan memilih variabel input yang memiliki nilai korelasi diatas 0,35. Hal tersebut dimaksudkan agar performa model yang dihasilkan lebih baik.

Hasil pemilihan variabel input untuk Model 2 P_BR hanya 16 variabel input yang terpilih dari 27

variabel input yang di miliki Model 1 P_BR sehingga

terdapat 11 (sebelas) variabel input yang harus berkurang yaitu RSggrt-2, RBtt0, RBtt-2, Rkytt0, RKpjt0, RPctt0, RKdrt0, RKdrt-2, RDptt-1, RStjt0 dan RPckt-3. Variabel input untuk proses simulasi Model 2 P_BR dapat dilihat pada Tabel 4.16.

Tabel 4.16. Variabel input dan output yang akan digunakan untuk model 2 P_BR Prediksi Debit Harian Yang Masuk Bendungan Sengguruh.

Sumber: Hasil Olah data 2009

Proses pembelajaran Model 2 P_BR dengan variabel input pada Tabel 4.16 menghasilkan penurunan performa model jika dibandingkan saat penyederhanaanmodel pertama (Model 1 P_BR). Hasil dari proses pembelajaran Model 2 P_BR seperti yang disajikan pada Tabel 4.17, terlihat bahwa RMSE pada saat Model 1 P_BR sebesar 9,417. Saat dilakukan penyederhanaan model 2 P_BR, performa mengalami penurunan dengan RMSE yang semakin besar menjadi 9.803. Padahal, model 2 P_BR lebih sederhana dibandingkan dengan model 1 P_BR yaitu hanya terdiri dari 16 variabel input awal dan hanya menghasilkan 81 persamaan. Bandingkan dengan model 1 P_BR dengan 28 variabel input awal dan menghasilkan 98 persamaan, sehingga jika dibandingkan dengan Model 1 P_BR, maka Model 2 P_BR masih mempunyai performa yang cukup baik dan model yang cukup sederhana dengan jumlah attribut sebanyak 17 dan jumlah persamaan linier hanya 81 saja.

Hasil performa model Model 1 P_BR (RMSE = 9.417) dibandingkan dengan Model 2 P_BR (RMSE=9.803 ), bisa dilihat pada Gambar 27 s/d Gambar 29. Secara visualisasi plotting Model 1 P_BR terhadap Model 2 P_BR masih menunjukkan bahwa kedua model nampak berimpit.

Tabel 4.17. Perbandingan Performa model 1 P_BR dan Model 2 P_BR

saat pembelajaran

MODEL 1 P_BR MODEL 2 P_BR

Correlation coefficient CC 0.934 0.928

Mean absolute error MAE 6.003 6.184

Root mean squared error RMSE 9.417 9.803

Relative absolute error % RAE 29.455 30.344

Root relative squared error (%) RRSE 36.102 37.583

1092 1092

28 17

98 81

Nilai Performa Model Performa Pembelajaran

(training)

Sumber : Hasil Olah data,2009

HUJAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 1 P_BR (M3/DT) DEBIT HARIAN MODEL 2 P_BR (M3/DT)

Gambar 4.27 Visualisasi perbandingan pembelajaran

model 1 P_BR dan model 2 P_BR tahun 1998 (Sumber: Hasil olah data, 2009)

(17)

0 50 100 150 200 250 0 50 100 150 200 250 300 350 400 1 31 61 91 121 151 181 211 241 271 301 331 361 H U JA N (M M ) D EB IT (M 3/ D T) HARI KE

HUJAN HARIAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 1 P_BR (M3/DT) DEBIT HARIAN MODEL 2 P_BR (M3/DT)

Gambar 4.28 Visualisasi perbandingan pembelajaran model 1 P_BR dan model 2 P_BR tahun 1999 (Sumber: Hasil olah data, 2009) 0 50 100 150 200 0 50 100 150 200 250 1 31 61 91 121 151 181 211 241 271 301 331 361 H U JA N (M M ) D EB IT (M 3/ D T) HARI KE

HUJAN HARIAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT)

DEBIT HARIAN MODEL 1 P_BR (M3/DT) DEBIT HARIAN MODEL 2 P_BR (M3/DT)

Gambar 4.29 Visualisasi perbandingan pembelajaran model 1 P_BR dan model 2 P_BR tahun 2000 (Sumber: Hasil olah data, 2009)

B. Running Proses Verifikasi Model Kedua (Model 2 P_BR)

Kalau dilihat dari Tabel 4.18 hasil running dengan membandingkan antara verifikasi Model 1 P_BR dengan Verifikasi Model 2 P_BR bahwa nilai RMSE mengalami penurunan nilai RMSE sebesar = 15.570 menjadi nilai RMSE = 15.203, artinya bahwa pada Model 2 P_BR menunjukkan hasil verifikasi mengalami performa yang cukup baik dan lebih sederhana yaitu dari 28 Variabel input 98 jumlah persamaan menjadi 17 variabel input 81 jumlah persamaan saja. Hasil Ploting gambar grafik Model 1 P_BR dengan Model 2 P_BR secara keseluruhan mampu mengikuti ploting garis grafik Model 1 P_BR. Gambar ploting perbedaan anatara Model 1 P_BR dengan Model 2 P_BR dapat dilihat pada Gambar 4.30 Gambar 4.31 dan Gambar 4.32.

Tabel 4.18. Perbandingan Performa model 1 P_BR dan Model 2 P_BR saat Verifikasi

MODEL 1 P_BR MODEL 2 P_BR Correlation coefficient CC 0.865 0.872

Mean absolute error MAE 7.452 7.434 Root mean squared error RMSE 15.570 15.203

Relative absolute error % RAE 29.354 29.284

Root relative squared error (%) RRSE 49.361 48.198

1092 1092

28 17

98 81

Performa Model

Nilai Performa Model

Sumber: Hasil olah data, 2009

0 20 40 60 80 100 120 140 160 180 200 0 50 100 150 200 250 300 3 28 53 78 103 128 153 178 203 228 253 278 303 328 353 H U JA N (M M ) D EB IT (M 3 /D T) HARI KE

HUJAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 1 P_BR (M3/DT) DEBIT HARIAN MODEL 2 P_BR (M3/DT)

Gambar 4.30 Visualisasi perbandingan verifikasi model 1 P_BR dan model 2 P_BR tahun 2001

(Sumber: Hasil olah data, 2009)

HUJAN HARIAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 1 P_BR (M3/DT) DEBIT HARIAN MODEL 2 P_BR (M3/DT)

Gambar 4.31 Visualisasi perbandingan verifikasi model 1 P_BR dan model 2 P_BR tahun 2002