PENDAHULUAN
Latar Belakang
Pemodelan Aliran Hujan Menggunakan Metode MOCK di Sub DAS Pacal-Segaten Bojonegoro” oleh Paksitya Purnama Putra. Pemodelan Aliran Hujan Menggunakan Metode NRECA di Sub DAS Pacal-Segaten Bojonegoro” oleh Meilda Kurniawati Analisis Limpasan Hujan Menggunakan Model Artificial Neural Network (ANN) di Sub DAS Lesti” oleh Siska Widyastuti.
Kajian penelitian “Analisis Hujan-Limpasan Menggunakan Model Artificial Neural Network (ANN) di Sub DAS Lesti” oleh Siska Widyastuti (2016), menggunakan data masukan berupa curah hujan, evapotranspirasi, koefisien aliran dan untuk sasaran penerapannya adalah pembuangan AWLR Tawangrejeni- stasiun.
Identifikasi Masalah
Rumusan Masalah
Bagaimana hasil verifikasi debit model jaringan saraf tiruan dengan debit yang diamati berdasarkan nilai koefisien korelasi (R)?
Batasan Masalah
Tujuan dan Manfaat
TINJAUAN PUSTAKA
Umum
- Presipitasi
- Stasiun Hujan
Besarnya, intensitas dan sebaran curah hujan yang berbeda-beda akan mempengaruhi jumlah dan variasi debit sungai karena terdapat hubungan antara curah hujan dengan debit sungai yang jatuh pada suatu daerah aliran sungai. Curah hujan yang diukur dengan alat pengukur hujan sebaiknya ditempatkan di tempat terbuka yang tidak terpengaruh oleh pepohonan atau bangunan di sekitarnya. Alat pengukur hujan biasa atau manual ini terdiri dari corong dan botol penampung dalam tabung berbentuk silinder. kedalaman hujan dapat ditentukan.
Alat pengukur hujan otomatis ini mengukur curah hujan secara terus menerus sehingga Anda dapat mengetahui intensitas hujan dan durasi hujan.
Daerah Aliran Sungai
- Karakteristik DAS
Limpasan permukaan yang cepat masuk ke dalam aliran sungai dapat menyebabkan debit sungai semakin meningkat.Untuk mengetahui seberapa besar limpasan sungai yang terjadi dapat diukur dengan alat ukur tinggi muka air yang kemudian akan diperoleh nilai debit sungai desain. Hubungan curah hujan-limpasan, air hujan yang jatuh pada suatu DAS akan berubah menjadi aliran di sungai, sehingga terdapat hubungan antara hujan dengan laju aliran yang bergantung pada karakteristik DAS tersebut. Limpasan pada permukaan tanah terjadi pada saat atau sesudah hujan berupa lapisan air yang mengalir pada permukaan tanah.
Bentuknya sempit, panjang dan memanjang, debit banjirnya kecil, namun waktu konsentrasi yang dibutuhkan cukup lama karena air keluar masuk dari masing-masing anak sungai.
Analisa Hidrologi
- Uji Konsistensi Data
- Uji Ketidakadaan Trend
- Uji Korelasi Peringakat Metode Spearman
- Uji Mann dan Whitney
- Uji Tanda dari Cox dan Stuart
- Uji Stasioner
- Uji F (Uji Kestabilan Varian)
- Uji T (Uji Kestabilan Rata-rata)
- Uji Persistensi
Uji stasioner ini dilakukan setelah dilakukan pengujian konsistensi data, apabila hasil rangkaian data periodik tidak menunjukkan adanya kecenderungan sebelum menggunakan data rangkaian periodik untuk dianalisis lebih lanjut. Oleh karena itu, tujuan uji stasioner ini adalah untuk menguji kestabilan nilai varians dan mean suatu deret periodik. Dalam pengujian nilai kestabilan dilakukan uji F untuk mengetahui nilai variansinya, pengujian ini dilakukan dengan data deret periodik yang dibagi menjadi dua kelompok atau lebih dan diuji dengan menggunakan uji F.
Untuk menentukan nilai mean stabilitas dilakukan uji T terhadap mean suatu deret periodik jika datanya dianggap sebagai suatu populasi.
Curah Hujan Rerata Daerah dengan Poligon Thiessen
Jika nilai t hitung < nilai tcr, maka hipotesis nol diterima dan nilai mean data yang diuji stasioner atau stabil, homogen. Plot titik-titik stasiun hujan pada peta DAS, buatlah garis lurus yang menghubungkan titik-titik stasiun hujan dengan titik-titik stasiun hujan lainnya. Setiap stasiun mewakili suatu wilayah yang dibentuk oleh poligon sehingga curah hujan pada titik stasiun hujan dianggap mewakili curah hujan pada wilayah yang dibentuk oleh poligon tersebut.
Ukur luas setiap poligon dan kalikan dengan jumlah hujan di stasiun hujan dalam poligon tersebut, dan luas total (A) dapat diperoleh dengan menjumlahkan semua luas poligon yang ada.
Jaringan Saraf Tiruan
- Arsitektur Jaringan
- Proses Pembelajaran
- Parameter Jaringan Saraf Tiruan
- Model Jaringan Backpropagation
Pada lapisan tersembunyi terdapat unit-unit tersembunyi yang nilai keluarannya tidak dapat diamati secara langsung, sehingga disebut tersembunyi. Fungsi langkah biner digunakan oleh jaringan lapisan tunggal untuk mengubah nilai masukan variabel kontinu menjadi nilai keluaran biner (0 atau 1). Fungsi aktivasi bipolar dengan ambang batas memiliki nilai keluaran 1, 0 atau -1 dan untuk nilai ambang batas tertentu θ.
Fungsi sigmoid biner mempunyai nilai antara 0 dan 1. Oleh karena itu, fungsi ini sering digunakan pada ANN yang membutuhkan nilai keluaran antara 0-1. Fungsi ini biasanya ..2929 digunakan untuk ANN yang dilatih dengan backpropagation.
Kalibrasi, Verifikasi dan Validasi
- Kesalahan Relatif
- Root Mean Square Error (RMSE)
- Nash-Sutcliffe Efficience (NSE)
- Koefisien Korelasi (R)
Tujuan dari metode kesalahan relatif ini adalah untuk mengkonfirmasi hasil pemodelan dengan menghitung selisih antara hasil pemodelan dan hasil observasi dalam bentuk persentase. Xa = nilai pengamatan (mm/hari) Xb = nilai hasil pemodelan (mm/hari) 2.6.2 Root Mean Square Error (RMSE). Metode RMSE ini merupakan salah satu metode alternatif evaluasi teknik peramalan yang digunakan untuk mengukur tingkat keakuratan hasil peramalan suatu model.
Tujuan dari pengujian ini adalah untuk mengetahui keakuratan hasil pemodelan dengan data observasi yang dilakukan. Dengan melakukan pengujian ini akan terlihat tingkat keakuratan korelasi antara data yang diukur dan dihitung (Indarto, 2010, p.172). Qsi = perhitungan limpasan pada selang waktu i Qmi = limpasan terukur pada selang waktu i i = selang waktu.
Tujuan dari koefisien korelasi adalah untuk melihat hubungan antara dua variabel (hasil observasi dan perhitungan) dan membuktikan hipotesis jika kedua data berbentuk interval atau rasio dan berasal dari sumber yang sama.
Studi Penelitian Terdahulu
METODOLOGI PENELITIAN
Daerah Lokasi Studi
Identifikasi Daerah Studi
- Kondisi Iklim
- Kondisi Topografi
- Kondisi Hidrologi
- Kondisi Daerah Aliran Sungai Bengawan Solo
Data-data yang Diperlukan
Tahapan Pengolahan Data
Diagram Alir Pengerjaan Studi
HASIL DAN PEMBAHASAN
Pengumpulan dan Pengolahan Data
Untuk memenuhi kebutuhan data yang diperlukan dalam analisis penelitian ini, dilakukan tahap pengumpulan data dan dilengkapi pengolahan data. Data yang diperlukan meliputi data curah hujan, data debit sungai, jumlah hari hujan, dan nilai koefisien aliran sungai. Pengumpulan data curah hujan dan data debit selama 12 tahun diperoleh dari UPT PSDA di Bojonegoro, Jawa Timur.
Pengumpulan data ini dilanjutkan dengan survei lapangan pada stasiun hujan dan titik prakiraan air untuk mengetahui koordinat dan kondisi di lapangan. Pengolahan data terdiri dari data jumlah hari hujan dan nilai koefisien aliran yang dihitung terlebih dahulu untuk melengkapi data yang akan digunakan dalam analisis Jaringan Syaraf Tiruan pada penelitian ini. Dalam pemodelan ANN, data curah hujan yang terdiri dari 3 stasiun hujan digunakan sebagai data input dan output dari 1 titik estimasi air menjadi target pengendalian atau output.
Untuk memastikan hasil pemodelan debit JST memberikan hasil yang baik dan sesuai dengan harapan, maka data yang digunakan terlebih dahulu diuji kualitas datanya.
Analisa Hidrologi
- Uji Konsistensi Data
- Uji Konsistensi Curah Hujan Pos Stasiun Hujan
- Uji Konsistensi Data Debit Pos Duga Air
- Rekapitulasi Hasil Uji Konsistensi
- Uji Ketidakadaan Trend
- Uji Korelasi Peringakat Metode Spearman
- Uji Mann dan Whitney
- Uji Tanda dari Cox dan Stuart
- Uji Stasioner
- Uji Kestabilan Varian (Uji F)
- Uji Kestabilan Rata-rata (Uji T)
Di bawah ini adalah uji konsistensi perhitungan dengan metode RAPS untuk data debit periode tahunan (contoh perhitungan tahun 2006) pada Kantor Pos Gangseng Air Duga. Melakukan uji dua sisi untuk tingkat kepercayaan α 5% dengan melihat t kritis pada Tabel 2.3, diperoleh nilai t kritis sebesar +1,96 dan –1,96. Jadi dari hasil contoh perhitungan diatas dengan t hitung sebesar 0,122 maka dapat disimpulkan bahwa t hitung terletak diantara t kritis sehingga hipotesis nol pada tingkat kepercayaan 5% diterima atau data tidak ada trend. .
Melakukan uji dua sisi untuk tingkat kepercayaan α sebesar 5%, melihat Z kritis pada Tabel 2.4, nilai kritis Z adalah +1,96 dan –1,96. Dari hasil contoh perhitungan diatas dengan Z hitung sebesar -0,256 maka dapat disimpulkan bahwa Z hitung terletak diantara Z kritis, sehingga hipotesis nol diterima pada tingkat kepercayaan 5% atau data tidak ada. kecenderungan. Melakukan uji dua sisi untuk tingkat kepercayaan α sebesar 5%, melihat Z kritis pada Tabel 2.4, nilai kritis Z adalah +1,96 dan –1,96.
Dari hasil contoh perhitungan diatas dengan Z hitung sebesar -0,256 maka disimpulkan bahwa Z hitung terletak diantara Z kritis yang berarti hipotesis nol diterima pada tingkat kepercayaan 5% atau data tidak menunjukkan trend. . Pengujian derajat kepercayaan α 5% dengan melihat F kritis pada tabel 2.5, dan menurut derajat kebebasan dk1 dan dk2 diperoleh nilai F kritis sebesar 1,497. Maka dari hasil contoh perhitungan diatas dengan F hitung sebesar 1,099 maka dapat disimpulkan bahwa F hitung lebih kecil dari F kritis (1,099 < 1,497), sehingga hipotesis nol diterima pada tingkat kepercayaan 5% atau datanya stabil.
Pengujian derajat reliabilitas α 5% dengan melihat t kritis pada tabel 2.3, dan menurut derajat kebebasan dk= 142 diperoleh nilai t kritis sebesar 1,96. Maka dari hasil contoh perhitungan diatas dengan t hitung sebesar 0,077 dapat disimpulkan bahwa t hitung lebih kecil dari F kritis (0,077 < 1,96), sehingga hipotesis nol diterima pada tingkat kepercayaan 5% atau datanya stabil. Pada saat melakukan uji dua sisi tingkat kepercayaan α 5% dengan melihat t kritis pada Tabel 2.3 diperoleh nilai t kritis sebesar +1,960 dan –1,960.
Maka dari hasil contoh perhitungan diatas dengan t hitung sebesar 8,490 maka dapat disimpulkan bahwa t hitung berada di luar t kritis sehingga hipotesis nol ditolak pada tingkat kepercayaan 5% atau data tidak independen.
Curah Hujan Rerata Daerah dengan Poligon Thiessen
- Perhitungan Nilai Faktor Luas Pengaruh Stasiun Hujan (K)
- Perhitungan Curah Hujan Rerata Daerah
Kemudian akan muncul kotak dialog seperti pada Gambar 4.9, pilih folder yang datanya ingin diimpor ke Matlab R2014b. Ketik perintah nntool di jendela perintah (Gambar 4.13), lalu klik enter di kotak dialog jaringan saraf/manajer data (nntool) (Gambar 4.14). Untuk mulai memproses arsitektur yang dibangun, di kotak dialog Neural Network/Data Manager (nntool), klik dua kali jaringan yang ingin Anda kerjakan.
Perhitungan Koefisien Aliran (C)
Pengolahan Data dengan Jaringan Saraf Tiruan
- Hasil Regresi Model Jaringan Saraf Tiruan
Setelah diperoleh hasil pemodelan jaringan syaraf tiruan (JST), langkah selanjutnya adalah membandingkan hasil keluaran model dengan keluaran observasi. Nilai regresi dari hasil pengolahan Optimum Regression Training Plotting pada Matlab R2014b setiap tahunnya dapat dituliskan sebagai berikut.
Kalibrasi
- Kesalahan Relatif
- Root Mean Square Error (RMSE)
- Nash-Sutcliffe Efficience (NSE)
- Koefisien Korelasi (R)
29 bahwa tahap Kalibrasi ini memperoleh nilai terbaik dengan membagi data Kalibrasi 6 Tahun menggunakan epoch 2000 dengan nilai NSE sebesar 0,711 dan nilai R sebesar 0,844.
Verifikasi dan Validasi
32 dapat disimpulkan bahwa hasil terbaik untuk tahap validasi adalah dengan membagi data sisa 1 tahun validasi dengan menggunakan epoch 1000. Karena parameter NSE = 0,794 termasuk dalam interpretasi baik dan nilai R = 0,915 termasuk dalam tingkat hubungan yang sangat kuat. Secara umum, semakin banyak data yang digunakan pada tahap validasi akan memberikan hasil data model yang lebih baik, namun tidak pada penelitian ini.
Karena terlihat faktor rentang data yang sangat berjauhan dapat mempengaruhi hasil data model dan nilai errornya. Dari hasil pemodelan kalibrasi debit menggunakan jaringan syaraf tiruan dapat disimpulkan bahwa nilai terbaik adalah dengan membagi data 6 tahun menggunakan epoch 2000 dengan nilai NSE sebesar 0,693 dan nilai R sebesar 0,853. Selain itu dari seluruh percobaan pembagian data dari 6 tahun hingga 11 tahun, kalibrasi mencapai hasil yang baik karena memenuhi kriteria setiap pengujian yang di kalibrasi dan nilai yang dihasilkan tidak terlalu signifikan.
Hasil terbaik untuk tahap verifikasi adalah membagi data 1 tahun (2017) dengan epoch 1000, menunjukkan hasil korelasi antara debit Gongseng PDA sebagai debit observasi dan debit model dari JST, menunjukkan nilai koefisien korelasi (R) sebesar 0,915. Berdasarkan hasil validasi terbaik pemodelan emisi menggunakan parameter jaringan syaraf tiruan pada nilai NSE dan R pada pemisahan data 1 tahun (2017) epoch 1000 menunjukkan interpretasi “baik” terhadap nilai NSE sebesar 0,794 dan mempunyai tingkat korelasi “Sangat Kuat” dengan nilai R sebesar 0,915. Karena pengamatan debit masih menggunakan perkiraan air yang sangat sederhana yaitu dengan papan palang, maka pada saat mengunjungi lokasi di lapangan, papan palang tersebut sudah tersapu aliran sungai dan garis cat sudah sedikit hilang sehingga membuat data kurang akurat dalam memperkirakan debit air. pembacaan, sehingga terjadi kesalahan pada saat membaca dan mencatat ketinggian permukaan air.
Karena banyak parameter dan fungsi pelatihan yang dapat dicoba dan diuji pada pemodelan Artificial Neural Network (ANN), maka perlu dilakukan uji coba lebih lanjut agar mendapatkan hasil yang baik.
KESIMPULAN
Kesimpulan
Saran