ANALISIS TINGGI MUKA AIR BENGAWAN SOLO HILIR AKIBAT ADANYA FLOODWAY DENGAN METODE JARINGAN SYARAF TIRUAN
JURNAL TEKNIK PENGAIRAN KONSENTRASI SISTEM INFORMASI SUMBER DAYA AIR
Ditujukan untuk memenuhi persyaratan memperoleh gelar Sarjana Teknik
OKTAVIA TRIANA KURNIAWATI NIM. 125060400111031
UNIVERSITAS BRAWIJAYA FAKULTAS TEKNIK MALANG 2016
ANALISIS TINGGI MUKA AIR BENGAWAN SOLO HILIR AKIBAT ADANYA FLOODWAY DENGAN METODE JARINGAN SYARAF TIRUAN Oktavia Triana Kurniawati1, Very Dermawan2, Emma Yuliani2 Mahasiswa Program Sarjana Teknik Jurusan Pengairan Universitas Brawijaya 2 Dosen Jurusan Pengairan Fakultas Teknik Universitas Brawijaya 1
[email protected]
1
ABSTRAK Wilayah Sungai Bengawan Solo Hilir hampir setiap tahun mengalami banjir. Sudetan banjir (floodway) Plangwot Sedayu Lawas sepanjang 12,4 km dengan kapasitas pengaliran debit 640 m 3/dt belum berhasil mengatasi banjir di wilayah Hilir Bengawan Solo. Upaya pengendalian banjir yang akan dilakukan adalah melakukan peningkatan kapasitas pada floodway sehingga mampu mereduksi besar debit aliran menuju Hilir Bengawan Solo dengan asumsi mampu mengalirkan Q50. Peningkatan kapasitas tersebut dilakukan dengan melakukan kajian hidrolik uji model fisik dengan alternatif pelebaran floodway 100 m, 125 m, dan 150 m. Penelitian ini bertujuan untuk melakukan upaya peringatan dini banjir dengan melakukan analisis tinggi muka air pada Bengawan Solo Hilir (section 1+300) kondisi eksisting floodway menggunakan Metode Jaringan Syaraf Tiruan (JST) backpropagation dengan Matlab R2010a dan kondisi pada saat dilakukan peningkatan kapasitas floodway dari hasil uji model fisik terhadap analisis pendekatan rating curve. Sistem JST memiliki kemampuan untuk belajar dari pola-pola data yang telah ada, seperti halnya kemampuan yang dimiliki oleh otak manusia. Bentuk pemodelan arsitektur JST adalah 7-8-1 dengan data curah hujan di Stasiun Babat, Lamongan, dan Pangkatrejo; data tinggi muka air harian (sebelum percabangan floodway) di Bojonegoro, Babat, dan Bendung Gerak Babat; dan data debit harian Bendung Gerak Babat sebagai 7 input neuron sedangkan, data tinggi muka air harian setelah percabangan floodway (section 1+300) sebagai output neuron. Arsitektur tersebut digunakan untuk meramalkan tinggi muka air di Bengawan Solo Hilir pada kondisi debit Bendung Gerak Babat tertinggi, terendah, dan antara keduanya dengan menggunakan fungsi pelatihan LeverbergMarquardt (TRAINLM) dan fungsi aktivasi yang digunakan adalah fungsi tansig dan fungsi purelin. Pada tahap pelatihan menggunakan epoch 1000, 2000, dan 3000 dengan maksimal validation check sama seperti iterasi yang digunakan. Training dengan hasil yang paling sesuai akan digunakan untuk menentukan pemodelan terbaik. Dari ketiga training yang dilakukan pelatihan dengan 2000 epochs mempunyai kesesuaian yang terbaik dengan Mean Sequent Error (MSE) 0,0250 dan Kesalahan Ralatif (KR) 4,067% pada tahap pelatihan dan MSE 0,0060 dan KR 2,228% pada tahap pengujian. Berdasarkan hasil analisis pendekatan rating curve, rencana pelebaran 150 m mampu mereduksi debit yang mengalir hingga 39%. Kata kunci: Jaringan Syaraf Tiruan, Matlab R2010a, Floodway, Tinggi Muka Air, Debit ABSTRACT Downstream Bengawan Solo River occurred flood damage almost every year. The floodway Plangwot Sedayu Lawas along 12.4 km with discharge capacity about 640 m 3/dt has not already managed the flood problem at downstream Bengawan Solo River. Increasing discharge capacity of floodway with assumption Q50 is one of flood control effort to reduce discharge rate at downstream basin. There are three width that carried out by physical model: 100 m, 125 m, and 150 m. This research is to determine water level using Artificial Neural Network (ANN) backpropagation by Matlab R2010a as flood early warning system by modelling analysis water level at downstream Bengawan Solo (1+300 section) and the condition of increasing floodway capacity by model test through rating curve. ANN system have an ability to learn from the patterns data that already exist, as well as the capabilities of human brain. The ANN architecture model has used 7-8-1 architecture with daily data rainfall at Babat, Lamongan, and Pangkatrejo; daily data water level (before floodway) at Bojonegoro, Babat, dan Bendung Gerak Babat, and daily data at Babat Weir discharge as seven input neurons while daily data water level after floodway (1+300 section) as an output neuron. The architecture has used to forecast water level at downstream Bengawan Solo when Babat Weir discharge in condition highest, lowest, between of them with training function using Leverberg-Marquardt (TRAINLM) and activate function using tansig and purelin. Training phase using 1000 epochs, 2000 epochs, and 3000 epochs with maximum validation check same as its epochs. The most appropriate training from the three epoch were compared to choose the best model. Their result indicated that 2000 epochs is the best result to predict water level at downstream Bengawan Solo with Mean Sequent Error (MSE) 0,0250 and Relative Error (RE) 4,067% at training phase and MSE 0,0060 and RE 2,228 % at simulate phase. Based on analysis approach rating curve, widening floodway of 150 m will capable to reduce discharge until 39%. Keywords: Artificial Neural Network, Matlab R2010a, Floodway, Water Level, Discharge
A. PENDAHULUAN Wilayah Sungai Bengawan Solo Hilir hampir setiap tahunnya terjadi banjir khususnya Kabupaten Gresik, Lamongan, Bojonegoro dan Tuban. Sudetan banjir (floodway) Plangwot Sedayu Lawas sepanjang 12,4 km dengan kapasitas pengaliran debit 640 m3/dt belum berhasil mengatasi banjir di hilir Bengawan Solo. Banjir yang terjadi disebabkan oleh ketidakmampuan sungai dalam mengalirkan debit banjir yang terjadi serta berkurangnya kemampuan dari fasilitas pengendali banjir seperti floodway dan beberapa tampungan yang telah di-bangun. Berdasarkan data dari Balai Besar Wilayah Sungai Bengawan Solo, kapasitas alur Sungai Bengawan Solo Hilir adalah 1450 m3/dt–1800 m3/dt. Berdasarkan master plan jangka pendek Provinsi Jawa Timur, kapasitas pengaliran floodway dengan debit semula 640 m3/dt akan dinaikkan menjadi 2800 m3/dt dengan asumsi dapat mengalirkan Q50. Peningkatan kapasitas tersebut dilakukan dengan kajian hidrolik uji model fisik dengan alternatif pelebaran pada floodway 100 m, 125 m, dan 150 m. Namun, master plan tersebut belum jelas waktu penuntasaanya, sedangkan kejadian banjir di Bengawan Solo hilir setiap tahunnya terulang kembali. Pada Februari 2016 ketinggian air di Babat, Laren, Karanggeneng, dan Lamongan masing-masing 7,28 meter (siaga II), 5,10 meter (siaga I), 3,80 meter (siaga II) dan 1,67meter (siaga II). Tujuan dari penelitian ini adalah melakukan analisis pemodelan tinggi muka air dengan metode Jaringan Syaraf Tiruan (Artificial Neural Network) menggunakan pola data curah hujan, tinggi muka air, dan debit untuk memperkirakan tinggi muka air Bengawan Solo hilir sebagai upaya peringatan dini banjir. B. METODE Jaringan Syaraf Tiruan (JST) adalah paradigma pemrosesan suatu informasi yang terinspirasi oleh sistem sel syaraf
biologi manusia, yang memproses suatu informasi. (Siang, 2005:3). Keberhasilan suatu proses belajar JST ditunjukkan dengan besarnya error yang minimum. Proses belajar pada jaringan syaraf tiruan ditunjukkan dengan perubahan bobot penghubung anatar sel jarangan syaraf. Implementasi jaringan syaraf tiruan dilakukan dengan perangkat keras atau komputer (Hermawan, 2006:15). Analisis pemodelan tinggi muka air dalam studi ini dilakukan dengan Metode JST backpropagation dengan bantuan toolbox Matlab R2010a. Metode yang digunakan dalam pelatihan (training) dan pengujian (testing) adalah LevenbergMarquardt (LM) Prosedur pengolahan data dalam studi ini adalah sebagai berikut: 1. Pengumpulan Data Data-data yang diperlukan dalam penelitian ini berupa data time series dan hasil pengukuran yaitu: a. Data harian curah hujan di Stasiun Hujan Babat, Lamongan, Pangkatrejo; dan tinggi muka air di Bengawan Solo hilir, Bendung Gerak Babat, Babat, Bojonegoro, yang diperoleh dari Dinas PU Pengairan Lamongan. b. Data debit output Bendung Gerak Babat Lamongan yang diperoleh dari Perum. Jasa Tirta I c. Data kondisi penampang dan hidrolika hasil pengukuran Uji Model Fisik Hidrolik Plangwot Sedayu Lawas yang diperoleh dari Laboratorium Sungai dan Rawa Teknik Pengairan Universitas Brawijaya. 2. Pengolahan Data Input Sebelum dilakukan analisis tinggi muka air dengan metode JST, maka dilakukan pengujian statistik sebagai berikut: a. Data curah hujan harian tahun 2004-2014 Analisis data curah hujan yang hilang
3.
Uji konsistensi dengan metode kurva massa ganda Uji Ketidakadaan trend Uji Stasioner Uji Persistensi b. Data debit harian tahun 20102014 Uji Ketidakadaan trend Uji Stasioner Uji Persistensi Pengolahan Data menggunakan Toolbox Matlab R2010a Pengolahan data dilakukan dengan tahapan berikut: a. Pembagian Data (Load Data) Data input merupakan data curah hujan harian dan data debit setelah dilakukan uji statistik hidrologi, serta data tinggi muka air harian, pada tahun 2011-2014. Data testing merupakan data yang diambil secara acak berdasarkan nilai debit pada dua tahun terakhir dengan range 1000 m3/dt -2000 m3/dt, range 500 m3/dt - 800 m3/dt dan range 15 m3/dt - 50 m3/dt dengan jumlah masing-masing 10 data untuk setiap range. Data target merupakan tinggi muka air harian pada tahun 2011-2014 di Bengawan Solo Hilir. b. Perancangan Arsitektur Jaringan Untuk mendapatkan nilai output jaringan sesuai yang ditargetkan maka, nilai input ditransformasi terlebih dahulu sesuai dengan range pada fungsi aktivasi yang digunakan (Hermawan: 2006,99) Perancangan arsitektur (7-8-1) Metode pembelajaran terawasi Backpropagation) Tiga kali pelatihan dengan 1000 epochs, 2000 epochs, dan 3000 epochs Metode error output MSE
Pelatihan data (training) dilakukan dengan menggunakan tujuh input layers yang berupa tinggi muka air Bojonegoro, Babat, Bendung Gerak Babat; curah hujan Babat, Lamongan, Pangkatrejo; debit Bendung Gerak Babat. c. Adaptasi Nilai Output Adapt dalam toolbox Matlab yaitu pengembalian nilai hasil output jaringan yang telah ditransformasi menjadi output jaringan sesuai dengan range nilai yang ditargetkan
Gambar 1 Arsitektur Backpropagation Sumber: Hermawan (2006:40) Pengolahan JST backpropagation adalah sebagai berikut (Siang, 2004:100): 1. Setiap unit masukan (Chi, Hi, Qi, i=1,2,..,n) menerima sinyal-sinyal masukan Chi, Hi, dan Qi mengirimkan sinyal - sinyal ini ke unit - unit selanjutnya (unit - unit tersembunyi). 2. Setiap unit tersembunyi (zj, j =1,2,.,p) menjumlahkan sinyal-sinyal bobotnya dan menerapkan fungsi aktivasi untuk menghitung sinyal output: zj = f (z_net j) (1) lalu mengirimkannya pada semua unit lapis lapis keluaran. 3. Setiap unit keluaran (yt, t =1,2,.., m) menjumlahkan sinyal masukan dari
bobot dan menerapkan fungsi aktivasi untuk menghitung sinyal output: yt = f (y_net t) (2) 4. Sinyal output yang telah didapatkan akan disimpan kemudian dilanjutkan dengan tahap perhitungan kesalahan berdasarkan perambatan balik dari lapis output ke lapis tersembunyi lalu ke lapis input. 5. Pada setiap unit keluaran (yt, k = 1, 2,,, m) menerima suatu pola keluaran target yang berhubungan dengan pola masukan pelatihan, untuk menghitung informasi kesalahannya, δt = (tt – yt) f’(yt) (3) 6. Kemudian menghitung besar koreksi bobotnya (untuk memperbaiki wkj): Δ wkj = δk zj (4) 7. Selanjutnya menghitung besar koreksi biasnya (yang akan digunakan untuk memperbaiki btj) Δbtj = α δt (5) dan mengirimkan δk ke unit-unit lapis tersembunyi. 8. Pada setiap unit tersembunyi (zj, j = 1, 2…, p) dilakukan penjumlahan dari masukan deltanya (dari unit-unit lapis keluaran). Kemudian hasil ini akan digunakan untuk menghitung besar informasi kesalahannya, δj = δ_net j f’(z_net j) (6) 9. Kemudian menghitung besar koreksi bobotnya (untuk memperbaiki vji), Δ vji = α δj xi (7) 10. Menghitung koreksi biasnya (untuk memperbaiki bji), Δ bji = α δj (8) 11. Proses perbaikan bobot dan bias dari unit input dan unit tersembunyi. 12. Masing-masing unit keluaran yt, (t = 1, 2,…, m) dilakukan perbaikan bobot dan biasnya : wtj (baru) = wtj (lama) + Δwtj (9) vji (baru) = vji (lama) + Δ vji (10) 13. Masing-masing unit tersembunyi (zj, j = 1, 2, …, p) diperbaiki bobot dan biasnya : wji (baru) = wji (lama) + Δ wji (11) bji (baru) = bji (lama) + Δ bji (12)
Proses berhenti pada saat koreksi kesalahan mencapai minimum
Gambar 2 Arsitektur Backpropagation dalam Analisis Tinggi Muka Air Secara garis besar tahapan penselesaian skripsi adalah sebagai berikut: 1. Pengumpulan data-data hujan, tinggi muka air, debit dan topografi sungai Bengawan Solo Hilir. 2. Pengujian statistik terhadap data curah hujan dan debit. 3. Analisis pemodelan tinggi muka air dengan Matlab R2010a. 4. Analisis kesesuaian tinggi muka air output jaringan dengan nilai tinggi muka air yang ditargetkan. 5. Analisis perhitungan tinggi muka air Bengawan Solo Hilir akibat adanya pelebaran floodway. C. ANALISA DAN PEMBAHASAN Data hidrologi yaitu curah hujan tahunan mulai Tahun 2004-2014 dan data debit tahunan dilakukan mulai Tahun 2011-2014 yang diperoleh dari data pengukuran di lapangan diuji statistik sebelum digunakan sebagai data input untuk analisis tinggi muka air di Sungai Bengawan Solo hilir. Uji tersebut adalah uji konsistensi (Soemarto, 1987:39), ketidakadaan trend, uji stasioner dan uji persistensi (Soewarno, 1995:87). Berdasarkan hasil Uji Statistik data hidrologi dapat disimpulkan bahwa: - Data tidak menunjukkan adanya trend - Bersifat stasioner, varian data dan rataratanya homogen - Bersifat independen (acak).
Maka, data deret berkala tersebut selanjutnya dapat dilakukan digunakan untuk analisis lanjutan.
Gambar 4 Plotting MSE dan epoch opt. Sumber: Matlab R2010a Gambar 3 Hasil Analisis Uji Statistik terhadap data Hidrologi Proses pelatihan dalam pemodelan arsitektur JST untuk analisis tinggi muka air menggunakan jenis pembelajaran Feed Forward Backpropagation dengan fungsi pelatihan Leverberg-Marquardt (TRAINLM), fungsi perubahan bobot LEARNGDM dan fungsi perhitungan error MSE. Jumlah neuron dalam input layer adalah 7 dengan jumlah neuron hidden layer n+1 yaitu 8 dengan fungsi aktivasi sigmoid bipolar (TANSIG) pada hidden layer (layer 1) dan fungsi aktivasi identitas (PURELIN) pada output layer (layer 2) pada toolbox NNTool Matlab R2010a. Dengan bentuk pemodelannya adalah sebagai berikut: Arsitektur jaringan dari lapisan input ke lapisan tersembunyi: zj = f1 (vj0 + ) (13) Arsitektur jaringan dari lapisan tersembunyi ke lapisan keluaran: yk = f2 (wk0 + ) (14) Dalam pemodelan tinggi muka air, untuk memperoleh hasil yang paling baik maka dilakukan tiga kali pelatihan yaitu, 1000 epochs, 2000 epochs, dan 3000 epochs. Berikut merupakan hasil analisis tinggi muka air dengan Metode JST menggunakan Matlab R2010a. Hasil Training Pemodelan Tinggi Muka Air dengan 1000 epochs:
Gambar 5 Plotting Training State Sumber: Matlab R2010a
Gambar 6 Plotting Regression Output dengan Target Sumber: Matlab R2010a Hasil Training Pemodelan Tinggi Muka Air dengan 2000 epochs:
Gambar 7 Plotting MSE dan epoch opt. Sumber: Matlab R2010a
Gambar 8 Plotting Training State Sumber: Matlab R2010a
Gambar 12 Plotting Regression Output dengan Target Sumber: Matlab R2010a Berikut merupakan hasil analisis pemodelan tinggi muka air dengan tiga pelatihan yang berbeda (1000 epochs, 2000 epochs, 3000 epochs) yang ditabelkan sebagai berikut: Tabel 1 Hasil Analisis pada Tahap Training
Gambar 9 Plotting Regression Output dengan Target Sumber: Matlab R2010a Hasil Training Pemodelan Tinggi Muka Air dengan 3000 epochs:
Valid. Check
Time
MSE
MAE
MAPE (%)
KR (%)
12
988
0:01:4
0.244
0.104
10.41
42.285
11
1989
0:01:3
0.256
0.109
10.93
41.984
21
2879
0:03:1
0.248
0.049
4.93
43.092
Epoch
Epoch Opt
1000 2000 3000
Sumber: Hasil Perhitungan Tabel 2 Hasil Analisis pada Tahap Adaptation Valid. Check
Time
MSE
MAE
MAPE (%)
KR (%)
12
988
0:01:4
0.029
0.096
9.56
4.887
11
1989
0:01:3
0.025
0.070
7.04
4.067
21
2879
0:03:1
0.030
0.101
10.14
5.324
Epoch
Epoch Opt
1000 2000 3000
Sumber: Hasil Perhitungan Gambar 10 Plotting MSE dan epoch opt. Sumber: Matlab R2010a
Tabel 3 Hasil Analisis pada Tahap Simulate atau Testing Epoch
Epoch Opt
Valid. Check
Time
MSE
MAE
MAPE (%)
KR (%)
1000
12
988
0:01:4
0.008
0.062
6.18
2.298
2000
11
1989
0:01:3
0.006
0.062
6.23
2.228
3000
21
2879
0:03:1
0.013
0.084
8.45
3.206
Sumber: Hasil Perhitungan
Gambar 11 Plotting Training State Sumber: Matlab R2010a
Berdasarkan dari tahapan-tahapan yang dilakukan (training, adaptation, testing) dari tiga pemodelan arsitektur jaringan didapatkan pemodelan jaringan yang optimal pada arsitektur jaringan dengan epochs 2000.
Dari hasil Uji Model Fisik pada Laboratorium Sungai dan Rawa Jurusan Teknik Pengairan pada section 0+500 dari floodway Plangwot Sedayu Lawas Lamongan didapatkan hubungan elevasi dan debit untuk kondisi eksisting. Tabel 4 Lengkung Debit Section 1+300 A
N o
h (m)
(gambar)
1
2
3
n
(m²)
P (gambar)
4
5
Tanggal
TMA (m)
DEBIT (m3/dt)
Tanggal
TMA (m)
DEBIT (m3/dt)
1/31/2013
4.99
799.98
12/28/2013
2.55
292.09
2/11/2013
2.72
328.43
1/7/2014
5.00
801.37
2/18/2013
5.54
913.77
1/12/2014
2.56
294.47
3/1/2013
4.31
657.47
2/24/2014
4.52
701.09
0
3/9/2013
3.19
425.08
2/28/2014
2.67
316.88
S
R (m)
V (m/dt)
Q (m³/dt)
6
7
8
9
(m)
Tabel 5 Hasil Analisis Perhitungan Debit di Sungai Bengawan Solo Hilir Kondisi Eksisting
1
0
0
0
0
0
0
0
2
0.5
25.104
0.025
65.402
0.00031
0.384
0.372
9.338
3/20/2013
4.34
664.40
3/22/2014
2.70
322.63
3
1
58.751
0.025
69.329
0.00031
0.847
0.631
37.053
3/22/2013
3.23
432.78
4/11/2014
2.86
356.29
4
1.5
94.278
0.025
73.206
0.00031
1.288
0.834
78.595
5
2
131.681
0.025
77.094
0.00031
1.708
1.006
132.515
6
2.5
170.965
0.025
81.011
0.00031
2.110
1.159
198.103
7
3
212.155
0.025
84.943
0.00031
2.498
1.296
275.050
8
3.5
252.059
0.025
88.491
0.00031
2.848
1.415
356.707
4/1/2013
2.86
355.92
4/16/2014
4.22
638.75
4/11/2013
5.69
944.66
6/10/2014
1.97
171.10
4/25/2013
2.72
327.12
6/13/2014
1.95
167.06
5/4/2013
1.81
138.60
6/14/2014
1.96
169.35
1.80
137.02
6/15/2014
1.97
171.93
93.529
0.00031
3.177
1.522
452.181
5/5/2013
0.025
98.703
0.00031
3.492
1.621
558.729
5/6/2013
1.88
152.45
6/16/2014
1.97
171.53
0.025
102.327
0.00031
3.854
1.731
682.833
12/20/2013
5.78
962.56
6/17/2014
1.97
171.74
445.810
0.025
105.817
0.00031
4.213
1.8371
819.006
3/20/2014
4.71
742.20
6/18/2014
1.95
166.86
6
499.125
0.025
110.439
0.00031
4.520
1.9252
960.892
14
6.5
554.812
0.025
115.350
0.00031
4.810
2.0067
1113.368
15
7
612.674
0.025
119.341
0.00031
5.134
2.0959
1284.094
16
7.5
672.414
0.025
123.222
0.00031
5.457
2.1829
1467.833
17
8
733.950
0.025
126.799
0.00031
5.788
2.2704
1666.381
9
4
297.113
0.025
10
4.5
344.674
11
5
394.403
12
5.5
13
Sumber: Hasil Perhitungan
Gambar 13 Lengkung Debit Section 1+300 Kondisi Eksisting Sumber: Hasil Perhitungan Perhitungan debit dilakukan dengan pendekatan Rating Curve pada section 1+300 dengan nilai tinggi muka air yang merupakan output dari data yang diujikan dengan Jaringan Syaraf Tiruan. Berikut merupakan tabel hasil perhitungan debit di Sungai Bengawan Solo Hilir.
Sumber: Hasil Perhitungan Kapasitas alur Bengawan Solo Hilir adalah 1800 m3/dt. Berdasarkan analisis perhitungan yang pernah dilakukan pada tahun 2014 didapatkan debit banjir rancangan untuk Bengawan Solo hilir adalah Q50= 2889,91 m3/dt dengan Q1000= 3615,97 m3/dt. Hasil perhitungan tersebut dijadikan dasar dalam perencanaan peningkatan kapasitas debit pengaliran pada floodway dengan tiga alternatif pelebaran floodway yaitu pelebaran 100m, 125m, dan 150m. Debit banjir rancangan tersebut kemudian dimodelkan di Laboratorium Sungai dan Rawa Teknik Pengairan Universitas Brawijaya pada tahun 2014 dengan debit pengaliran 2800 m3/dt, 3500 m3/dt, dan 3700 m3/dt. Analisis perhitungan pengaliran di Bengawan Solo mengacu pada hasil Uji Model Fisik pada Tahun 2014 yang kemudian dibandingkan dengan hasil pendekatan dengan rating curve pada section 1+300
Tabel 6 Rekapitulasi Analisis Pengaliran di Bengawan Solo Hilir Hasil Uji Model Fisik No
Pelebaran Floodway 100m
Q Hulu (m3/dt)
1
2800
2
3500
3
3700
4
2800
5
3500
6
3700
Kondisi
Pintu terbuka
Pintu tertutup
Pelebaran Floodway 125m
Pelebaran Floodway 150m
Elevasi Hilir (m) 6.94
1587.02
Elevasi Hilir (m) 6.79
786.55
Elevasi Hilir (m) 6.72
7.48
2101.24
7.63
938.43
7.35
7.67
2085.42
7.80
1202.23
7.72
497.66
7.03
2133.02
7.00
1644.91
6.72
1228.49
7.58
2629.05
7.58
1944.88
7.68
1417.66
7.40
2872.66
7.75
2197.06
7.64
1501.52
Q (m3/dt)
Q (m3/dt)
Q (m3/dt) 671.73 591.75
Sumber: Hasil Analisis Model Fisik,2014 Tabel 7 Rekapitulasi Analisis Pengaliran di Bengawan Solo Hilir Hasil Pendekatan Rating Curve No.
Pelebaran Floodway 100m
Q Hulu (m3/dt)
Kondisi
1587.02
Elevasi Hilir (m) 4.87
786.55
5.56
938.43
3.99
6.76
1202.23
3.56
497.66
2133.02
8.77
1644.91
6.88
1228.49
13.23
2629.05
10.13
1944.88
7.74
1417.66
14.34
2872.66
11.27
2197.06
8.12
1501.52
Q (m3/dt)
2800
2
3500
10.84
2101.24
3
3700
10.77
2085.42
4
2800
10.98
5
3500
6
3700
Pintu tertutup
Pelebaran Floodway 150m Elevasi Hilir (m) 4.35
1
Pintu terbuka
Pelebaran Floodway 125m
Elevasi Hilir (m) 8.51
Q (m3/dt)
Q (m3/dt) 671.73 591.75
Sumber: Hasil Perhitungan Tabel 8 Rekapitulasi Elevasi Rerata di Bengawan Solo Hilir Kondisi Pintu Terbuka Pintu Tertutup
Elevasi Rerata (m) Hasil Uji Model Fisik KP 100 KP 125 KP 150 m m m 7.36 7.41 7.26 7.34 7.44 7.34
Elevasi Rerata (m) Hasil Pendekatan Rating Curve KP 100 KP 125 KP 150 m m m 10.04 5.73 3.97 12.85 10.06 7.58
Sumber: Hasil Perhitungan Keterangan: KP : Kondisi Pelebaran Berikut merupakan kurva pengaruh pelebaran floodway terhadap elevasi Bengawan Solo hilir dalam kondisi inlet terbuka dan tertutup berdasarkan hasil analisis dengan rating curve pada section 1+300.
Gambar 14 Pengaruh Pelebaran Floodway pada Elevasi Muka Air Bengawan Solo Hilir Kondisi Inlet Floodway Terbuka Sumber: Hasil Perhitungan
Gambar 15 Pengaruh Pelebaran Floodway pada Elevasi Muka Air Bengawan Solo Hilir Kondisi Inlet Floodway Tertutup Sumber: Hasil Perhitungan Berdasarkan debit banjir rancangan yang telah dimodelkan dengan debit pengaliran 2800 m3/dt, 3500 m3/dt, dan 3700 m3/dt dapat disimpulkan bahwa pelebaran floodway menjadi 150m adalah kondisi terbaik dalam mereduksi banjir Karena debit yang mengalir ke Bengawan Solo Hilir dapat diturunkan rata-rata sebesar 39 %. Sungai Bengawan Solo hilir mempunyai kapasitas pengaliran debit maksimum sebesar 1800 m3/dt pada elevasi +9,4 m. D. KESIMPULAN Berdasarkan hasil analisis yang telah dilakukan sesuai dengan rumusan masalah pada studi ini, maka disimpulkan beberapa hal sebagai berikut: 1. Pemodelan arsitektur jaringan yang digunakan dalam analisis tinggi muka air di Bengawan Solo hilir adalah sebagai berikut: Pola arsitektur jaringan adalah (7-8-1): Jumlah neuron pada input layer adalah 7 (x1, x2, x3, x4, x5, x6, x7), jumlah neuron pada hidden layer adalah 8 (z1, z2, z3, z4, z5, z6, z7, z8 ), dan jumlah neuron pada output layer adalah 1 (yt). Pemodelan arsitektur jaringannya dari input layer ke hidden layer: zj = f1 (vj0 + ) dari hidden layer ke output layer: yk = f2 (wk0 + ).
Pemodelan perubahan bobot dari hidden layer ke output layer: wkj (baru) = wkj (lama) + ∆wj Pemodelan perubahan bobot dari input layer ke hidden layer: vji (baru) = vji (lama) + ∆ji. 2. Keakuratan kemampuan jaringan syaraf tiruan dalam meramalkan suatu data dapat diketahui dari besarnya kesalahan relative (KR) dan nilai mean square error (MSE) yang diperoleh dari proses tersebut. Berdasarkan hasil analisis pemodelan JST, training dengan 2000 epochs mempunyai kesesuaian yang paling baik dengan nilai KR = 4,067 % dan MSE = 0,0250 pada tahap pelatihan dan nilai KR = 2,228% dan MSE = 0,0060 pada tahap pengujian. 3. Berdasarkan analisis tinggi muka air dengan Metode JST, ketinggian muka air rata-rata Sungai Bengawan Solo hilir adalah sebagai berikut: a. Inlet floodway dibuka penuh pada kondisi: Pelebaran 100m = +10,04m Pelebaran 125 m = +5,73 m Pelebaran 150 m = +3,97 m b. Inlet floodway tertutup pada kondisi: Pelebaran 100 m = +12,85 m Pelebaran 125 m = +10,06 m Pelebaran 150 m = + 7,58 m Kondisi terbaik dalam mereduksi banjir adalah dengan melakukan normalisasi lebar floodway menjadi 150 m. Dengan pelebaran ini, debit yang mengalir ke Bengawan Solo hilir dapat diturunkan rata-rata 39 %. E. SARAN Berdasarkan analisis tinggi muka air dengan metode Jaringan Syaraf Tiruan maka disarankan mengenai beberapa hal berikut: 1. Hasil analisis tinggi muka air dengan metode Jaringan Syaraf Tiruan dapat dijadikan masukan untuk perencanaan normalisasi infrastruktur pengendali banjir Sungai Bengawan Solo Hilir.
2. Analisis yang digunakan saat training dapat diperluas dengan menggunakan metode-metode yang lain sehingga perbandingan hasil output jaringan dengan output yang ditargetkan lebih akurat. 3. Analisis proporsionalitas pembagian debit kondisi pelebaran di floodway dan Bengawan Solo hilir dapat dikembangkan dengan data-data yang mendukung pencatatan harian tinggi muka air di floodway sehingga akan didapatkan keakuratan dari proporsi pembagian debit. DAFTAR PUSTAKA Anonim. 2014. Kerangka Acuan Kerja Survey Investigation Detail Engineering Desain (DED) dan Model Test Penambahan Kapasitas Floodway Plangwoot Sedayu Lawas Kabupaten Lamongan. Surabaya: Dinas PU. Pengairan Provinsi Jawa Timur Hermawan, Arief. 2006. Jaringan Syaraf Tiruan (Teori dan Aplikasi). Yogyakarta: Andi Offset Siang, J.J. 2005. Jaringan Syaraf Tiruan dan Pemrogramannya menggunakan Matlab. Yogyakarta: Andi Offset Soemarto, CD. 1999. Hidrologi Teknik. Surabaya: Usaha Nasional. Soewarno, 1995. Hidrologi (Aplikasi Metode Statistik untuk Analisa Data). Bandung: Nova
