ANALISA HUJAN-LIMPASAN MENGGUNAKAN MODEL ARTIFICIAL NEURAL NETWORK (ANN) DI SUB DAS LESTI Siska Widyastuti1, Ery Suhartanto2, Very Dermawan2 1. Mahasiswa Program Sarjana Jurusan Teknik Pengairan Universitas Brawijaya 2. Dosen Jurusan Teknik Pengairan Fakultas Teknik Universitas Brawijaya email :
[email protected]
ABSTRAK Daerah aliran sungai (DAS) Brantas telah mengalami pengembangan sumber daya air (PSDA) semenjak tahun 1961. Namun seiring dengan laju pertumbuhan jumlah penduduk dan eksploitasi lahan yang tidak memperhatikan aspek konservasi, terjadi dampak negatif seperti banjir yang terjadi tahun 2007. Terdapat beberapa metode yang dapat digunakan sebagai metode perhitungan debit puncak banjir yaitu metode hidrograf dan nonhidrograf. Pesatnya kemajuan teknologi, pekerjaan manusia lebih dimudahkan. Analisa hujan-limpasan menggunakan model jaringan saraf tiruan dapat dijadikan sebuah alat untuk mempelajari perilaku dan prediksi kondisi hiologis dengan akurasi tinggi. Analisa hujan-limpasan Sub DAS Lesti menggunakan model jaringan saraf tiruan dengan data input berupa curah hujan, evapotranspirasi, koefisien aliran dan debit stasiun AWLR Tawangrejeni dijadikan data target. Keseluruhan data sepanjang 9 tahun (2001-2009). Model tersebut untuk meramalkan 3 tahun (2011-2013) data debit sampel model, dengan metode backpropragation, maksimum epoch 1000 dan 1 hidden layers. Diperoleh nilai mean square error (MSE) = 0.0393 artinya data telah berkorelasi dengan baik. Metode Nash-Sutcliffe coefficient (NSE) memiliki R2> 0.999 dan koefisien korelasi metode regresi polinomial dengan nilai R2 > 0.9994. Hasil ini menunjukkan data debit model dengan data debit stasiun AWLR Tawangrejeni telah memiliki korelasi positif sempurna. Kata Kunci : analisa hujan-limpasan, jaringan saraf tiruan, backpropragation, kesalahan relatif. ABSTRACT Brantas watersheds has experienced water resources development since 1961. But along with the rate of population growth and the exploitation of land that does not pay attention to the aspects of conservation, causing negative impacts such as flooding in 2007. There are several methods of flood peak discharge calculation of hidrograf and nonhidrograf. Rapid advances in technology, more human work be facilitated. Analysis of rainfall-runoff model using artificial neural networks can be used as a tool to study the behaviour and prediction of hidrologic condition with quickly and high accuracy. Analysis of rainfall-runoff model of Lesti sub watershed using artificial neural networks with data input of rainfall, evapotranspirasi, run off coefficient and discharge station AWLR Tawangrejeni as target data. The overall data along 9 years (20012009). The model for predicting 3 years (2011-2013) discharge sample data model. Using the method of backpropagation, maximum epoch 1000 and 1 hidden layer. The result shows that value of the mean square error (MSE) = 0.0393, it means data has
high correlation with either. The Nash-Sutcliffe's method (NSE) has an R2 > 0.999 and polynomial regression method with a value of R2 > 0.9994. This result shows the data model with discharge data of AWLR Tawangrejeni station has very good positive correlation. Keyword: analysis of rainfall-runoff, artificial neural networks, backpropragation, relative error. I. PENDAHULUAN 1.1 Latar Belakang Air hujan yang mengalir tipis pada permukaan lahan akan masuk kedalam parit-parit, selanjutnya masuk ke sungai (Asdak, 2002:4). Limpasan permukaan (surface runoff) yang mengalir dengan cepat melebihi kapasitas sungainya akan menjadi banjir. Setiap tahunnya Indonesia selalu mengalami banjir yang menyebabkan banyak kerugian. Daerah aliran sungai Brantas telah mengalami pengembangan sumber daya air (PSDA) semenjak tahun 1961. Namun seiring dengan laju pertumbuhan jumlah penduduk, lapangan kerja yang terbatas, dan eksploitasi lahan yang tidak memperhatikan aspek konservasi, menyebabkan banjir. Daerah aliran sungai adalah salah satu wilayah daratan yang secara topografik dibatasi oleh punggung gunung yang menampung dan menyimpan air hujan yang kemudian menyalurkan ke laut melalui sungai utama. Wilayah daratan tersebut dinamakan daerah tangkapan air (DTA atau catchment area). Hujan akan menjadi debit, sehinggga hubungan hujan-limpasan terkait dengan karakteristk DAS. Beberapa metode yang dapat digunakan sebagai metode perhitungan debit puncak banjir yaitu metode hidrograf satuan sintetis dan nonhidrograf. Namun diperlukan waktu yang lama untuk menganalisa seluruh data yang ada, meliputi data curah hujan tahunan yang panjang, data klimatologi, data koefisien aliran dan data lainnya. Dengan kendala lainnya seperti kemungkinan human error. Kecerdasan buatan merupakan ilmu baru yang terlahir di Inggris tahun
1950 oleh seorang matematikawan bernama Alan Turing. Analisa hujan-limpasan menggunakan model jaringan saraf tiruan dapat dijadikan sebuah alat untuk monitor dan mengevaluasi neraca air suatu kawasan melalui pengelolaan sumberdaya air permukaan yang ada. 1.2 Identifikasi Masalah Pada setiap musim penghujan sering terjadi banjir pada daerah sekitar sungai Lesti, karena air sungai meluas, hal ini mengindikasi permasalahan fluktuasi debit. Seperti banjir yang terjadi pada sub DAS Lesti pada tanggal 23 Maret 2007, bencana banjir ini menyebakan tiga jembatan rusak. Permasalahan diatas memerlukan penyelesaian yang akurat dan cepat, dengan sajian praktis. Perkembangan teknologi perangkat keras komputer dan matematika untuk analisis data, diharapkan dapat menyelesaikan permasalahan diatas melalui analisa hidrologi, sehingga menghemat waktu dibandingkan metode perhitungan konvensional. Melalui model berbasis teknologi artificial neural network (ANN) dengan metode backpropagation diharapkan mampu menjawab permasalahan banjir. 1.3 Batasan Masalah Untuk mencegah agar tidak keluar dari pokok permasalahan, maka dalam studi ini diambil batasan-batasan masalah sebagai berikut: 1. Uji model jaringan saraf tiruan metode backpropagation program matlab R2010A. 2. Data hujan diperoleh dari stasiun hujan Tumpukrenteng, Dampit, Gondanglegi, Wajak, sedangkan
data debit diambil dari Stasiun AWLR Tawangrejeni berupa data harian (2001-2013). 3. Membahas analisa hujan-limpasan melalui teknologi jaringan saraf tiruan metode backpropagation dibandingkan kondisi debit di Stasiun AWLR Tawangrejeni Sub DAS Lesti. 4. Rumus-rumus yang digunakan dianggap umum dan sudah teruji keabsahannya.
Nash-Sutcliffe coefficient (NS), kesalahan absolut relatif (KAR), dan koefisien regresi polinomial. Adapun manfaat yang dapat diperoleh dari penelitian ini adalah diharapkan analisa hujan-limpasan ini dapat dijadikan referensi yang juga dapat diterapkan di kasus daerah aliran sungai yang serupa. Sehingga masalah keterbatasan data hujan maupun data debit untuk pengelolaan sumber daya air dapat diselesaikan.
1.4 Rumusan Masalah Berdasarkan latar belakang dan identifikasi masalah, maka rumusan masalahnya sebagai berikut : 1. Berapa nilai mean square error (MSE) debit model hasil dari jaringan saraf tiruan dengan metode backpropagation ? 2. Berapa nilai kesalahan absolut rerata (KAR) hasil prediksi debit sampel model (2011-2013) dari jaringan saraf tiruan dengan metode backpropagation ? 3. Bagaimana hubungan antara debit sampel model (2011-2013) dan debit Stasiun AWLR Tawangrejeni (2011-2013) dengan metode Nash-Sutcliffe coefficient (NS) dan koefisien regresi polinomial ?
II.TINJAUAN PUSTAKA 2.1. Umum Dalam praktek analisis hidrologi dalam tahun-tahun terakhir ini, Perkembangan model hidrologi demikian pesat sehingga sangat sulit untuk menyebutkan satu demi satu. Namun dalam praktiknya menjadi sangat sulit untuk memilih model mana yang harus digunakan dalam mengevaluasi atau menganalisis suatu sistem DAS tertentu. Dalam kaitan ini pula sebenarnya semua model dapat digunakan pada sistem DAS yang dianalisis terlebih dahulu, agar memenuhi syarat-syarat yang ditentukan untuk berlakunya suatu model. Model jaringan dipilih dalam penelitian ini, yang diharapkan mampu menganalisis secara cermat keadaan hidrologi suatu DAS
1.5 Tujuan dan Manfaat Berdasarkan rumusan masalah diatas maka tujuan dari studi ini dapat diuraikan sebagai berikut: 1. Mengetahui hasil debit model dari jaringan saraf tiruan dengan metode backpropagation. 2. Mengetahui nilai mean square error (MSE) debit model hasil dari jaringan saraf tiruan dengan metode backpropagation dibandingkan dengan nilai debit Stasiun AWLR Tawangrejeni. 3. Menganalisa hubungan antara debit sampel model (2011-2013) dan debit Stasiun AWLR Tawangrejeni (2011-2013) dengan metode
2.2. Pengujian Data Curah Hujan A. Uji konsistensi data hujan Uji kosistensi merupakan uji kebenaran data lapangan yang menggambarkan keadaan sebenarnya. Data tidak konsisten dapat disebabkan oleh faktor seperti perubahan mendadak pada lingkungan, pemindahan alat ukur dan perubahan cara pengukuran. Uji konsistensi data dapat dilakukan dengan menggunakan kurva massa ganda (double mass curve). Langkah yang dilakukan adalah membandingkan harga akumulasi curah hujan tahunan pada stasiun hujan yang diuji dengan akumulasi curah hujan tahunan rerata dari suatu ja-
ringan dasar stasiun hujan yang berkesesuaian, kemudian diplotkan ada kurva.
yang menyimpang dari dua batas ambang, yaitu ambang bawah (XL) dan ambang atas (XH) akan dihilangkan.
B.
2.3. Membangkitkan Data Debit Masalah umum hidrologi yang sering dihadapi adalah kekurangan data untuk menganalisa peluang banjir. Dengan data yang terbatas dibutuhkan suatu metode untuk memperoleh rekaman data yang diperlukan. Untuk mengisi da ta debit yang kosong akibat kerusakan alat atau gangguan lainnya metode regresi linear dipilih. Metode ini hanya dianggap sederhan auntuk mengetahui hubungan linear antara curah hujan dengan debit yang pernah terjadi sebelumnya sehingga diperoleh persamaan untuk memperkiraan data debit yang hilang. Selanjutnya data akan diuji pula dengan uji ketiadaan trend, uji stasioner dan uji inlier outlier.
Curah hujan rerata daerah Hujan sangat bervariasi terhadap tempat (space), maka untuk kawasan yang luas, satu alat penakar hujan belum dapat menggambarkan hujan wilayah tersebut. Dalam hal ini diperlukan hujan kawasan yang diperoleh dari harga rata-rata curah hujan beberapa stasiun penakar hujan yang ada di dalam atau disekitar kawasan tersebut (Suripin, 2004:26). Metode ini memberikan proporsi luasan daerah pengaruh pos penakar hujan untuk mengakomodasi ketidakseragaman jarak. C.
Uji ketiadaaan trend Data berjangka waktu panjang umumnya menunjukan kecenderungan menuju kesuatu arah (trend). Uji ini diperuntukan bagi data lebih dari 10 tahun. Apabila suatu data menunjukan suatu trend maka dapat diuji dengan analisa lanjutan yaitu analisis regresi. Uji trend ini dapat menggunakan beberapa metode, menurut (Soewarno, 1995:85): a) Metode Spearman b) Mann dan Whitney c) Tanda dari Cox dan Stuart D.
Uji stasioner Uji stasioner ini bertujuan untuk menguji kestabilan nilai varian dan ratarata dari deret berkala. Terdiri atas dua pengujian yaitu: 1. Uji-F (fisher test) 2. Uji-T student Kedua uji diatas digunakan untuk mengetahui apakah kedua kelompok data berbeda secara nyata atau tidak. E.
Uji inlier outlier Uji ini berguna untuk mengetahui apakah data maksimum dan minimum dari rangkaian data yang ada layak digunakan atau tidak. Uji yang digunakan adalah uji inlier-outlier, di mana data
2.4. Menghitung Evapotranspirasi Peristiwa berubahnya air menjadi uap dan bergerak dari permukaan tanah dan permukaan air ke udara disebut evaporasi. Peristiwa penguapan dari tanaman disebut transpirasi. Kedua proses tersebut evaporasi dan transpirasi saling berkaitan sehingga dinamakan evapotranspirasi. Evaporasi merupakan faktor penting dalam studi tentang pengembangan sumber daya air. Besarnya nilai evapotranspirasi da pat dihitung menggunakan metode Blaney-Criddle (Triatmodjo, 2010:81). 2.5. Koefisien Aliran (C) Untuk menggambarkan karakteristik masing-masing DAS faktor koefisien aliran merupakan faktor yang menjadi salah satu pertimbangan. Dengan mengetahui hubungan antara volume curah hujan yang terjadi dengan luasan DAS yang diamati di kalikan volume debit yang terjadi, kita dapat memperkirakan volume air yang terinfiltrasi dan air yang melimpas.
2.6. Jaringan Saraf Tiruan dan Matlab R2010A Jaringan saraf tiruan adalah salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasi proses pembelajaran pada otak manusia tersebut (Kusumadewi, 2003: 207). Istilah buatan digunakan karena jaringan saraf ini diimplementasikan dengan menggunakan program komputer yang mampu menye-lesaikan sejumlah proses perhitungan selama proses pembelajaran. Software matlab (matriks laboratory) merupakan bahasa pemograman matematika lanjutan yang mengadopsi sifat dan bentuk matriks. Matlab menggunakan bahas C++ dan asse-mbler. Kelebihan dari matlab dari program serupa adalah: 1. Memiliki fungsi built-in, pengguna dapat memasukan sendiri fungsi yang hendak dirancang pada library. 2. Merupakan operasi matematika elemen, matriks, optimasi, aproximasi dan lainnya. Sehingga sering digunakan untuk melalukan pekerjaan seperti, pemograman modeling, simulasi dan pembuatan prototipe serta analisa data dan analisa numerik. 3. Memiliki banyak option tambahan untuk menampilkan data dalam bentuk 2 dimensi dan 3 dimensi. 2.7. Jaringan Backpropagation Backpropagation adalah metode penurunan gradient untuk meminimalkan kuadrat error keluarannya (Sutodjo, 2010:77). Terdapat 3 tahapan pemodelan jaringan backpropagation. Tahap perambatan maju (forward propagation), tahap perambatan balik, dan tahap perubahan bobot bias. Algoritma backpropagation menggunakan error output untuk mengubah nilai bobot-bobotnya dalam arah mundur (backward). Untuk mendapatkan error ini, tahap perambatan maju
(format propagation) harus dikerjakan terlebih dahulu. Algoritma backpropagation terdiri atas: A. Inisialisasi bobot (dengan menggunakan nilai random yang cukup kecil sebagai bobot awal). B. Apabila dalam kondisi berhenti bernilai salah (false), maka perlu dilakukan langkah-langkah sebagai berikut (Sutodjo, 2010:79): III. METODOLOGI PENELITIAN 3.1. Lokasi Daerah Studi Daerah aliran sungai (DAS) Brantas bagian hulu dimulai dari sumber sungai Brantas yang terletak di sebelah Timur kaki Gunung Anjasmoro yang selanjutnya mengalir melalui 8 Kabupaten (Malang, Blitar, Tulungagung, Kediri, Nganjuk, Jombang, Mojokerto, dan Sidoarjo) dan 6 Kota (Batu, Malang, Blitar, Kediri, Mojokerto, dan Surabaya). Sungai Brantas bagian hulu meliputi anak-anak sungai utama seperti Kali Amprong, Bango, Lesti, dan Metro sampai titik outlet di Waduk Sengguruh atau Karangkates. Lokasi daerah studi adalah salah satu anak sungai utama dari sungai Brantas hulu yaitu sungai Lesti dengan outlet di Stasiun AWLR Tawangrejeni. Sub DAS Lesti secara astronomis terletak pada 7040’00” LS - 7055’00” LS dan 112010’00” BT - 112025’00” BT, dan secara administratif terletak pada Kabupaten Malang. 3.2. Metode Pengumpulan Data Dalam penyusunan studi ini diperlukan data-data yang mendukung baik itu data primer maupun data sekunder. 1. Data curah hujan tahun 20012013. 2. Data debit tahun 2001-2013 3. Data klimatologi tahun 20012013. 4. Peta rupa bumi. 5. Peta administrasi. 6. Peta batas DAS. 7. Peta lokasi stasiun hujan.
8. Peta tata guna lahan tahun 2001, 2005 dan 2010. 9. Peta jenis tanah. 10. Peta geologi batuan 3.3. Metode Pengolahan Data Tabel 1. Metode Pengolahan Data Pengolahan data input 1 Data curah hujan rerata bulanan (tahun 2001-2013) Uji konsistensi dengan metode kurva massa ganda Data curah hujan rerata daerah bulanan (tahun 2001-2013) a Dengan metode poligon thiessen b Uji ketiadaan trend c Uji stasioner (uji F dan uji T) d Uji inlier-outlier 2 Data debit rerata bulanan (tahun 2001-2013) a Dibangkitkan menggunakan metode Markov-Chain b Uji ketiadaan trend c Uji stasioner (uji F dan uji T) d Uji inlier-outlier 3 Data temperatur udara rerata bulanan tahun 2001-2013 Dicari nilai ET0 nya menggunakan metode Blaney-Criddle 4 Data koefisien aliran Dihitung nilai rerata koefisien aliran bulanannya Pengolahan data menggunakan program matlab R2010A 1 Pembagian data (load data) Data input bulanan tahun 2001-2013 (curah hujan, jumlah hari hujan a evapotranspirasi, koefisien aliran) b Data sample tahun 2011, 2012, dan 2013 Data target bulanan tahun 2001-2013 (debit stasiun AWLR c Tawangrejeni) 2 Normalisasi (prepocessing) Data pelatihan untuk input layers (curah hujan, hari hujan, evapotranspirasi, dan koefisien aliran 3 Perancangan jaringan arsitektur ( 4 - 1 - 1) a 4 input layers, 1 hidden layers, dan 1 output layers b Metode pembelajaan terawasi (backpropagation) Maksimum error 1 x 10-5, epoch 1000, perumusan dalam bentuk tan, c metode output error MSE dalam bentuk R 5 Postprocessing/denormalisasi Proses pelatihan (training), testing, validasi dan digrafikkan dalam bentuk 6 regresi 7 Proses simulasi model pada data sampel 2011, 2012, dan 2013
Gambar 1. Grafik Stasiun Dampit B.
Curah Hujan Rerata Daerah Metode yang digunakan untuk menghitung hujan rata-rata kawasan adalah poligon thiessen, yang dianggap sesuai dengan karakteristik daerah Kabupaten Malang yang datar dan bergunung dengan stasiun penakar hujan yang cukup.
Penyimpangan Hasil Model 1 Nash coefficient efficiency (NSE), KAR, koefisien regresi polinomial (r) (data sampel 2011, 2012, dan 2013)
Gambar 2. Poligon Thiessen IV. ANALISA DAN PEMBAHASAN 4.1
Pengolahan Data Curah Hujan Data hujan yang digunakan dalam studi ini adalah data hujan yang berasal dari 4 stasiun hujan di Sub DAS Lesti. Data tersebut diperoleh dari Jasa Tirta I. Dengan jangka waktu 13 tahun yakni antara tahun 2001-2013. Adapun stasiun yang dimaksudkan adalah: a) Stasiun hujan Tumpukrenteng b) Stasiun hujan Dampit c) Stasiun hujan Gondanglegi d) Stasiun hujan Wajak A.
Uji Konsistensi Data Uji konsistensi dilakukan untuk data masing-masing stasiun hujan terhadap data stasiun lainnya. Keseluruhan data menunjukkan bahwa data dari keempat stasiun konsisten. Seperti pada tabel dan grafik stasiun Dampit.
C.
Uji ketiadaaan trend Uji ini bertujuan untuk mengetahui terdapat perubahan nyata atau tidak pada data yang diamati. dari hasil uji metode Spearman dengan derajat kepercayaan 5%, data diterima dengan nilai t = -0.4520. Hasil metode Mann dan Whitney menyatakan bahwa data bersal dari populasi yang sama dengan nilai Z= 0.322. Sedangkan uji tanda dari Cox dan Stuart menghasilkan kesimpulan bahwa data tidak menunjukkan adanya trend. D.
Uji Stasioner Data curah hujan stasiun hujan Tumpukrenteng, Dampit, Gondanglegi dan Wajak selama 13 tahun akan dibagi menjadi dua kelompok data. Kelompok pertama data dari bulan januari tahun
2001-2007 dan kelompok data kedua dari bulan januari tahun 2008-2013. Diperoleh nilai Fhitung = 3.666 < Ftabel = 4.207. sehingga dengan derajat kepercayan 5% tersebut data dapat diterima atau dinyatakan bersifat homo-gen dan independent. Sedangkan hasil uji T diperoleh nilai Thitung = 0.7989. Nilainya tersebut berada diantara nilai Ttabel= 2.201/+2.201. Sehingga data dianggap seragam. Uji inlier-outlier Data yang menyimpang dari dua batas ambang, yaitu ambang bawah (XL) dan ambang atas (XH) akan dihilangkan. Tabel 2.Uji Inlier-Outlier
Gambar 3. Grafik Regresi Linear Tabel 3. Data Debit yang Hilang Tahun 2008
E.
No. 1 1 2 3 4 5 6 7 8 9 10 11 12 13
Tahun 2 2010 2007 2004 2011 2013 2005 2008 2009 2006 2002 2001 2003 2012
Stdev Mean Kn Nilai Ambang Atas (XH) Nilai Ambang Bawah (XL)
Curah Hujan (mm) 3 113.0 79.5 75.5 75.3 71.5 71.3 68.0 64.6 64.5 64.4 62.1 61.3 55.8 = = = = =
Log X 4 2.053 1.900 1.878 1.877 1.854 1.853 1.832 1.810 1.810 1.809 1.793 1.787 1.747 0.075 1.832 2.175 99.16 46.61
Hasil menunjukkan bahwa data tahu 2010 melebihi ambang batas atas, 113.0 mm > 99.16 mm sehingga nilai ambang maksimum dianggap kurang memenuhi untuk tahun 2010 sehingga data tersebut tidak digunakan dalam analisa. 4.2 Pengolahan Data Debit Terdapat 8 bulan data debit yang kosong sehingga sebelum diuji data harus dilengkapi. A. Model Regresi Linear Dari data curah hujan dan debit akan dihitung nilai persamaan linearnya yang selanjutnya akan dipakai untuk membangkitkan data debit yang hilang.
2009 2010 2012
Bulan Sept Okt Nov Des Jan Feb Juli Nov
Curah Hujan (mm) 0.00 5.51 12.38 10.07 11.67 15.95 7.24 7.19
Debit (m3/det) 1.0742 4.263 8.24 6.903 7.829 10.306 5.265 5.236
B.
Uji ketiadaaan trend Data debit yang telah dilengkapi dengan data yang hilang selanjutnya harus diuji ketiadan trend. Dari hasil uji metode Spearman dengan derajat kepercayaan 5%, data diterima dengan nilai t = -0.7570. Hasil metode Mann dan Whitney menyatakan bahwa data bersal dari populasi yang sama dengan nilai Z= 0.740. Sedangkan uji tanda dari Cox dan Stuart menghasilkan kesim-pulan bahwa data tidak menunjukkan adanya trend. C.
Uji Stasioner Data debit dari Stasiun AWLR Tawangrejeni selama 13 tahun akan dibagi menjadi dua kelompok data. Kelompok pertama data dari bulan januari tahun 2001-2007 dan kelompok data kedua dari bulan januari tahun 20082013. Diperoleh nilai Fhitung = 0.847 < Ftabel = 4.207. sehingga dengan derajat kepercayan 5% tersebut data dapat diterima atau dinyatakan bersifat homogen dan independent. Sedangkan hasil uji T diperoleh nilai Thitung = 1.431. Nilainya tersebut berada diantara nilai Ttabel= -2.201/+2.201. Sehingga data dianggap seragam.
D. Uji inlier-outlier Tabel 4.Uji Inlier-Outlier
Tabel 6. Koefisien Aliran Tahun
Debit (m3/det) 3 137.46 130.13 118.40 117.27 106.77 91.93 83.70 82.74 82.67 80.80 77.61 74.33 70.71 = = = = =
No. 1 1 2 3 4 5 6 7 8 9 10 11 12 13
Tahun 2 2010 2011 2007 2013 2004 2005 2006 2002 2009 2003 2001 2012 2008 Stdev Mean Kn Nilai Ambang Atas (XH) Nilai Ambang Bawah (XL)
Log X 4 2.138 2.114 2.073 2.069 2.028 1.963 1.923 1.918 1.917 1.907 1.890 1.871 1.849 0.098 1.923 2.175 136.74 51.24
Bulan
Hasil menunjukkan bahwa data tahu 2010 melebihi ambang batas atas, 137.46 m3/det > 136.74 m3/det sehingga nilai ambang maksimum dianggap kurang memenuhi untuk tahun 2010 sehingga data tersebut tidak digunakan dalam analisa. 4.3 Pengolahan Temperatur Udara Data ini akan digunakan untuk mencari nilai evapotranspirasi di Kabupaten Malang selama 13 tahun (tahun 2001-2013). A. Metode Blaney-Criddle Dari letak lintang dan data temperatur udara, kita dapat memperoleh nilai evapotranspirasi. Langkahnya adalah dengan mencari nilai kebutuhan tanaman, kemudian memperkirakan Lama penyianaran matahari, kecepatan angin, kelembapan relatif. Tabel 5. Blaney Criddle Nilai ET0
Jan
Feb
Mar
Apr
Mei
Jun
Jul
Ags
Sept
Okt
Nov
Des
mm/hari
2001
10.25
10.21
10.29
10.61
10.71
10.53
10.45
10.38
10.75
10.18
10.38
10.25
2002 2003
10.29
10.29
10.16
10.69
10.67
10.55
10.42
10.30
10.75
10.50
10.61
10.36
10.31
10.34
10.33
10.85
10.65
10.45
10.34
10.36
10.59
10.38
10.36
10.51
2004 2005
10.33
10.01
10.36
10.61
10.69
10.20
10.40
10.26
10.42
10.50
10.33
10.27
10.36
10.36
10.23
10.49
10.67
10.49
10.42
10.36
10.38
10.38
10.42
10.06
2006 2007
10.31
10.27
10.33
10.63
10.63
10.34
10.34
10.42
10.32
10.50
10.48
10.46
10.33
9.82
10.33
10.55
10.79
10.40
10.36
10.24
10.26
10.34
10.19
10.18
2008 2009
10.21
10.23
10.12
10.40
10.49
10.38
10.12
10.36
10.43
10.46
10.16
10.34
10.27
10.27
10.31
10.55
10.59
10.36
10.30
10.32
10.34
10.42
10.50
10.46
2010 2011
10.34
9.93
10.42
10.53
10.77
10.42
10.51
10.51
10.43
10.38
10.18
10.31
10.32
10.28
10.25
10.57
10.60
10.28
10.24
10.23
10.47
10.40
10.34
10.35
2012 2013
10.31
10.25
10.16
10.65
10.61
10.30
10.24
10.20
10.53
10.44
10.42
10.40
10.34
10.23
10.19
10.51
10.51
10.34
10.22
10.16
10.45
10.38
10.48
10.48
4.4 Pengolahan Koefisien Aliran Keofisien Aliran dapat diperoleh dengan cara mengalikan volume curah hujan terdapat total luas DAS dan volume debitnya.
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
Jan
0.90
0.94
0.90
0.90
0.95
0.86
0.98
0.87
0.47
0.17
0.43
0.55
0.73
Feb
0.80
0.76
0.81
0.86
0.74
0.86
0.96
0.89
0.42
0.99
0.43
0.47
0.32
Mar
0.91
0.80
0.92
0.82
0.93
0.91
0.81
0.98
0.42
0.63
0.43
0.78
0.64
Apr
0.98
0.93
0.97
0.82
0.74
0.76
0.58
0.51
0.85
0.66
0.43
0.96
0.64
Mei
0.84
0.97
0.97
0.97
0.83
0.99
0.68
0.37
0.95
0.88
0.99
0.96
0.64
Jun
0.54
0.95
0.97
0.73
0.65
0.63
0.40
0.37
0.40
0.95
0.99
0.96
0.64
Jul
0.38
0.95
0.97
0.98
0.72
0.63
0.40
0.54
0.93
0.51
0.99
0.96
0.64
Agu
0.38
0.95
0.97
0.98
0.64
0.63
0.45
0.54
0.93
0.54
0.14
0.49
0.54
Sep
0.38
0.95
0.99
0.98
0.92
0.63
0.45
0.54
0.93
0.76
0.81
0.49
0.54
Okt
0.80
0.95
0.80
0.98
0.81
0.63
0.45
0.54
0.17
0.76
0.81
0.49
0.54
Nov
0.87
0.50
0.87
0.86
0.78
0.63
0.50
0.45
0.17
0.53
0.81
0.49
0.54
Des
0.82
0.93
0.79
0.97
0.97
0.94
0.50
0.48
0.17
0.53
0.50
0.49
0.54
4.5 Pengolahan Matlab R2010A Langkah untuk memodelkan debit pada jaringan saraf tiruan adalah: 1. Menyimpan data input dalam workspace software matlab R2010A. Beberapa tipe file yang mampu disimpan oleh matlab R2010A yaitu .exe, .dat, .mat, .txt, .tab, dan lainnya. 2. Klik new variabel dengan tanda pada workspace. Kemudian beri nama “Input” untuk data input berupa data curah hujan, hari hujan, evapotranspirasi dan koefisien aliran tahun 2001-2009. 3. Langkah selanjutnya adalah mengimport data ke dalam model jaringan saraf tiruan. Dengan mengklik start > more > neural network > neural network tool (nntool) 4. Tahapan selanjutnya adalah membuat arsitektur jaringan dari data yang telah diimport ke dalam model jaringan saraf tiruan. Langkahnya adalah membuka kembali tampilan layar network data manager > klik new. Penuhi beberapa parameter dalam jaringan seperti train, simulate dan adapt.
Gambar 4. Arsitektur Jaringan 5. Maka tahapan selanjutnya adalah melakukan pemrosesan data yang terdiri atas 3 bagian yaitu proses training, validation dan testing.
Sehingga diperoleh grafik regresi hubungan data input dan traget.
B.
Nash-Sutcliffe Coefficient (NS) Dari hasil perhitungan diperoleh 2 R = 0.999 yang artinya data memiliki hubungan korelasi yang baik. C.
Gambar 5. Hasil Regresi Tabel 7. Hasil proses matlab R2010A Training
Testing
Validation
All
0.99657
0.83444
0.61987
0.90391
6. langkah selanjutnya adalah mensimulasi sampel data yang akan dijadikan data peramalan yaitu tahun 2011-2013. Tabel 8. Debit Sampel Model Tahun
Bulan
2011
Jan Feb Mar Apr Mei Jun Jul Agu Sep Okt Nov Des Jan Feb Mar Apr Mei Jun Jul Agu Sep Okt Nov Des Jan Feb Mar Apr Mei Jun Jul Agu Sep Okt Nov Des
2011
2012
2013
Pemodelan Debit (m3/det) 4.171 28.309 17.426 18.414 8.271 7.967 5.275 0.145 5.342 7.422 21.874 6.085 7.649 3.419 9.332 14.169 6.447 1.991 1.198 0.468 0.415 5.396 5.263 18.298 9.246 5.129 8.978 15.493 10.394 10.567 5.795 4.213 7.337 2.397 5.565 32.175 Rerata
Debit Stasiun AWLR (m3/det) 4.120 28.421 17.424 18.412 8.124 7.429 5.329 0.124 5.421 7.258 21.944 6.121 7.655 3.413 9.641 14.121 6.152 1.893 1.675 0.412 0.412 5.424 5.236 18.293 9.412 5.122 8.421 15.532 10.421 10.645 5.583 4.214 7.533 2.529 5.540 32.320
KAR (%) 1.230 0.397 0.013 0.009 1.809 7.248 1.012 16.889 1.468 2.272 0.319 0.589 0.089 0.173 3.201 0.341 4.790 5.176 28.451 13.380 0.717 0.514 0.511 0.027 1.773 0.138 6.617 0.253 0.265 0.733 3.794 0.022 2.591 5.233 0.463 0.449 3.138
4.6 Keandalan Pemodelan A. Kesalahan Absolut Rerata Setelah membandingkan hasil debit sampel model dengan debit Stasiun AWLR Tawangrejeni hasil yang diperoleh adalah KAR = 3.138%. Dengan kesalahan <10% data dianggap layak dijadikan acuan untuk pemalan debit.
Model Regresi Polinomial
Gambar 6. Regresi Polinomial Nilai koefisien korelasinya R = 0.9994 yang artinya data memiliki hubungan positif langsung yang baik. V. KESIMPULAN Berdasarkan hasil analisa hujanlimpasan menggunakan jaringan saraf tiruan dapat disimpulkan sebagai berikut: 1. Hasil pemodelan jaringan saraf tiruan untuk hujan-limpasan pada Sub DAS Lesti menunjukan bahwa Qmax sampel model = 32.17 m3/det dengan Qmax AWLR = 32.32 m3/det, dan Qmin sampel model = 0.14 m3/det dengan Qmin AWLR = 0.12 m3/det. Memiliki nilai kesalahan relatif rerata 3.138 %. Menurut metode kesalahan absolut rerata (KAR), korelasi antar kedua data memiliki kesalahan < 10%, yang artinya memiliki keandalan > 90% untuk peramalan. 2. Menurut metode mean square error (MSE) yang diadopsi oleh matlab R2010A, nilai korelasi antara data input dengan nilai target telah mencapai MSE = 0.0393. Artinya data berkorelasi dengan baik. 3. Setelah memperoleh nilai debit model, maka tahapan selanjutnya adalah membandingkan debit model dengan data debit Stasiun AW-
LR Tawangrejeni. Metode nashsutcliffe coefficient (NSE) memiliki R2> 0.999, telah memiliki hubungan yang baik. Menurut metode koefisien korelasi metode regresi polinomial, data debit model dengan data debit stasiun AWLR Tawangrejeni telah memiliki korelasi positif sempurna dengan nilai R2 > 0.999. Saran penyempurnaan untuk studi ini adalah sebaiknya untuk melengkapi studi ini diperlukan penelitian lanjutan. Dengan membandingkan beberapa arsitektur jaringan yang berbeda, jumlah hidden layer 2 atau multi layer. DAFTAR PUSTAKA Asdak, Chay. 2002. Hidrologi dan Pengelolaan Daerah Aliran Sungai. Yogyakarta: Gajah Mada University Press. Kusumadewi, Sri. 2004. Artificial Intelegence (Teknik dan Aplikasinya). Yogyakarta: Penerbit Graha Ilmu. Soewarno. 1995. Hidrologi Jilid 2. Bandung: Nova. Suripin. 2004. Pelestarian Sumberdaya Tanah dan Air. Yogyakarta: ANDI. Sutodjo, T. Edy Mulyanto dan V. Suhartono. 2011. Kecerdasan Buatan. Yogyakarta: Penerbit ANDI. Triatmodjo, Bambang. Hidrologi Terapan. 2010. Jakarta: Gramedia.
