Prediksi Jangka Pendek Debit Aliran Irigasi Seluma dengan Menggunakan Jaringan Syaraf Tiruan Supiyati, Syamsul Bahri dan Iwan Erdi
Abstract: Penelitian mengenai prediksi jangka pendek debit aliran irigasi Seluma dengan menggunakan jaringan syaraf tiruan telah dilakukan. Perangkat lunak dibuat dengan Matlab, dan untuk arsitektur jaringannya menggunakan metode propagasi balik. Penelitian ini bertujuan untuk memperkirakan debit aliran irigasi jangka pendek, debit bulan atau tahun yang akan datang yang nantinya bisa diolah sebagai acuan peningkatan daerah irigasi tersebut. Dari hasil penelitian debit aliran irigasi terbesar terjadi pada bulan Desember dengan ketinggian 72,75 m3/s sedangkan untuk debit paling kecil terjadi pada bulan Juni dengan besar debit 24,71 m3/s. Perbedaan hasil prediksi dengan data lapangan memiliki keakuratan data 82,80%. Kata Kunci: Jaringan Syaraf Tiruan, prediksi, propagasi balik
PENDAHULUAN
Pelapisan
saluran
irigasi
Daerah irigasi Seluma adalah
dimaksudkan untuk meningkatkan
salah satu daerah irigasi teknis di
efisiensi penyaluran air. Selain itu,
Propinsi
luas
irigasi tersebut dimanfaatkan oleh
daerah yang dialiri 7.798 Ha. Daerah
masyarakat sekitar sebagai tempat
irigasi
olahraga seperti lomba dayung dan
Bengkulu
teknis
dengan
tersebut
telah
dimanfaatkan oleh petani maupun
renang
transmigran
rekreasi
dalam
menunjang
serta
sebagai
(Prawito,
tempat
2006).
Per-
kehidupan mereka di bidang sektor
masalahan yang seringkali terjadi,
pertanian
dalam
petani kurang memahami keadaan
bercocok tanam padi. Irigasi Air
iklim dan musim hujan atau kemarau
Seluma berfungsi sebagai pengatur
dalam
air sehingga dapat membantu para
bercocok tanam sehingga pasokan
petani
air
air yang dibutuhkan tidak teratur.
tersebut untuk disalurkan ke lahan-
Tidak teraturnya air yang dialirkan
lahan pertanian dan juga dapat
sangat
menghemat
kelangsungan
khususnya
dalam
memanfaatkan
tenaga
kerja
serta
menentukan
mempengaruhi hidup
pangan yang ditanam.
pelapisan saluran irigasi.
Staf Pengajar Jurusan Fisika, FMIPA, Universitas B engkulu email:
[email protected]
140
waktu
untuk
proses tanaman
Supiyati, Bahri, S dan Erdi, I, Prediksi Jangka Pendek Debit ..............
dapat
141
Penentuan
besarnya
debit
baik,
salah
satunya
adalah
dilakukan
dengan
cara
menggunakan
Jaringan
Syaraf
dan
Tiruan (JST). Jaringan Syaraf Tiruan
melakukan
pengukuran
pemprediksian
secara
langsung,
adalah
suatu
teknologi
yang
baik itu berdasarkan keadaan iklim
dikembangkan berdasarkan prinsip
maupun dari data yang telah ada
jaringan
sebelumnya.
manusia,
Penentuan
debit
syaraf
biologi
pada
dapat
dilatih
untuk
dengan cara pengukuran memiliki
meramalkan apa yang akan terjadi di
keterbatasan
massa
dalam
pemanfaatan
yang
akan
datang
jaringan irigasi kedepannya karena
berdasarkan pola kejadian yang ada
hasil
dapat
dimassa lampau. Jaringan Syaraf
mengetahui nilai debit pada saat itu,
Tiruan memiliki kemampuan untuk
oleh karena itu perlu dilakukan
mengingat dan membuat generali-
penentuan besar debit bulan atau
sasi dari apa yang sudah terjadi
tahun yang akan datang dengan
sebelumnya. Penelitian ini dilakukan
cara peramalan. Peramalan secara
untuk
langsung dari grafik atau data yang
menggunakan
sudah ada tidak dapat memberikan
Tiruan, dengan arsitektur propagasi
kepastian
seberapa
balik
keakuratan
yang
pengukuran
hanya
besar
memprediksi
debit
Jaringan
(backpropagation)
irigasi Syaraf
karena
dihasilkan.
arsitektur ini dapat melatih jaringan
yang tidak tepat
untuk mendapatkan keseimbangan
pada irigasi teknis merupakan awal
antara kemampuan jaringan dalam
dari kesalahan dalam pengaturan air
memberikan
dalam irigasi, sehingga perencanaan
terhadap pola masukan yang serupa
penggunaannya tidak sesuai dengan
dengan pola yang dipakai selama
yang diharapkan.
pelatihan (Siang, 2005). Aplikasi
Penentuan debit
Untuk mengatasi permasalahan yang ada sistem
analisis
diperlukan sebuah yang
Jaringan
respon
Syaraf
memprediksi
yang
Tiruan
sudah
benar
untuk pernah
mampu
dilakukan Anjasman (2007) yaitu
melakukan pemprediksian dengan
memprediksi pasang surut air laut di
142
Jurnal Fisika FLUX, Vol. 6 No.2, Agustus 2009 (140 – 147)
Perairan
Pulau
menggunakan
Baai
metode
dengan
Pengolahan dan Analisa Data Data
propagasi
yang
diperoleh
merupakan data sekunder, sehingga
balik (backpropagation).
perlu dilakukan pengelolaan data METODOLOGI PENELITIAN
dan
Alat dan Bahan
menghasilkan
Alat yang digunakan dalam
unit
PC
dengan
data
yang
suatu
pola.
Pengolahan data dengan berbasis jaringan
penelitian ini adalah: 1. Satu
pengolahan
syaraf
tiruan
akan
data
perkiraan
debit
didapatkan
mikroprosesor Pentium III 650
yang akan datang, dan hasil ini
MHz, memori 256 MB, Hardisk
dapat dibandingkan dengan data
30 GB, Monitor LG 15”,
lapangan,
2. Data
Sekunder
debit
aliran
sehingga
mengetahui
dapat
seberapa
besar
3
keefektifan jaringan syaraf tiruan
tahunyaitu berupa data pada
dalam menentukan data debit yang
tahun 2001 sampai 2003,
dapat dijadikan sebagai acuan bagi
irigasi
Seluma
selama
3. Bahasa pemrograman Matlab
petugas lapangan. Adapun tabel
digunakan untuk pengaplikasi-
penyusunan
pola-polanya
an jaringan syaraf tiruan.
sebagai berikut:
adalah
Tabel 1. Penyusunan Pola Pola
Data Masukan (x1......x24)
Target
Pola 1 Pola 2 Pola 3 ..... ....... Pola 24
Prosedur Aplikasi Jaringan Syaraf Tiruan Menggunakan Matlab Prosedur aplikasi Jaringan
sekunder yang didapat dientry
ke
dalam Microsof Excel selanjutnya dilakukan penyusunan pola. Lalu
Syaraf Tiruan dalam pengelolahan
data
yang
data adalah sebagai berikut: data
diinputkan
telah ke
dibentuk dalam
pola
bahasa
Supiyati, Bahri, S dan Erdi, I, Prediksi Jangka Pendek Debit ..............
pemrograman Matlab. Setelah pola
menggunakan
bobot
terbentuk data ditransformasikan ke
proses
interval [0,1 ; 0,9] menggunakan
ditampilkan hasil.
pelatihan.
143 pada
Selanjutnya
persamaan sebagai berikut :
x' =
0 .8 ( x − a ) + 0.1 ……… (1) b−a
HASIL DAN PEMBAHASAN Pada
prediksi
dengan
dimana a adalah data minimum dan
Jaringan Syaraf Tiruan data tahun
b adalah data maksimum serta x
2001 dijadikan sebagi inputan dan
merupakan data yang ditransforma-
data tahun 2002 dijadikan sebagai
sikan. Tujuan dari transformasi ini
target sekaligus inputan, sedangkan
untuk menyesuaikan data dengan fungsi
aktivasi
Selanjutnya
yang
digunakan.
dilakukan
proses
data tahun 2003 dijadikan sebagai data
pembanding
prediksi
kan Jaringan Syaraf Tiruan. Setelah
tiruan. Hasil prediksi Jaringan Syaraf
didapatkan
lalu
Tiruan dapat dilihat pada Tabel 2
dibandingkan dengan data lapangan
dan grafik hasil prediksinya dapat
prediksi
yang ada.
jaringan
hasil
pemprediksian dengan mengguna-
hasil
dengan
untuk
syaraf
dilihat pada Gambar 2.
Kemudian
untuk
langkahHasil
langkah dalam proses pempredik-
prediksi
ini
yang
paling
terlihat
bahwa
debit
1. Diinputkan data ganjil dan target,
terjadi
pada
2. Dilakukan
jaringan
dengan ketinggian debit 72.75 m3/s,
aktivasi
sedangkan untuk debit air yang
sigmoid biner, tentukan iterasi,
paling kecil terjadi pada bulan Juni
epochs dan MSE,
yaitu dengan besar debit 24.71 m3/s.
sian jaringan syaraf tiruan adalah:
inisialisasi
menggunakan
fungsi
3. Dilakukan proses pelatihan serta inisialisasi bobot, 4. Tampilkan keluaran (output), 5. Dilakukan
proses
pengujian
dengan inputan data genap yang
bulan
tinggi
Desember
Hasil prediksi dibandingkan dengan data
lapangan
memiliki
error
sebesar 17,20% dan keakuratan data yang diperoleh 82,80%.
144
Jurnal Fisika FLUX, Vol. 6 No.2, Agustus 2009 (140 – 147)
Tabel 2. Pola inputan dan pembanding hasil prediksi Input (m3/s)
No
Target (m3/s)
Pembanding (m3/s)
Hasil Prediksi (m3/s)
39.661 55.396 31.852 40.788 66.884 45.501 40.353 39.922 37.978 31.148 35.320 34.755 27.321 25.238 25.294 31.225 41.028 41.195 51.835 52.289 45.708 60.104 74.130 56.256
37.584 66.162 47.940 33.613 54.091 58.702 56.650 45.164 48.890 26.558 33.560 27.393 31.880 31.016 26.088 48.080 39.860 46.088 56.154 39.168 44.228 73.293 83.271 66.142
47.6858 68.7194 54.8318 44.5464 61.9204 68.9444 58.0904 39.2509 33.2192 28.7567 25.6398 24.7181 32.0592 31.4769 27.5143 49.9950 47.5158 29.3497 38.3072 50.3171 40.0974 49.0327 72.7520 45.2714 17,20% 82.80%
1 43.142 2 59.292 3 56.808 4 54.616 5 57.64 6 47.784 7 50.699 8 46.65 9 41.978 10 39.635 11 58.136 12 35.49 13 22.501 14 29.166 15 35.497 16 48.136 17 51.978 18 38.414 19 40.05 20 46.093 21 47.058 22 99.147 23 91.229 24 51.142 Rata-rata error Keakuratan
Debit
Grafik Perbandingan 90 80 70 60 50 40 30 20 10 0 1
3
5
7
9
11 13
15
17 19
21 23
Data Ke Data Lapangan Hasil Prediksi
Gambar 2. Grafik perbandingan data lapangan dan hasil prediksi
Supiyati, Bahri, S dan Erdi, I, Prediksi Jangka Pendek Debit ..............
Pola Debit Irigasi
145
algoritma pelatihan Jaringan Syaraf
Hasil prediksi menggunakan
Tiruan
propagasi
balik
(back-
Jaringan Syaraf Tiruan pada tabel
propogation) secara berkelompok,
(3.1) menunjukan bahwa terdapat
umumnya data dibagi menjadi 2
beberapa
memiliki
bagian saling asing, yaitu pola data
perbedaan dari data hasil prediksi
sebagai pelatihan dan data untuk
dengan
pengujian.
data
yang
data
dijadikan
lapangan
sebagai
yang
Semua
pola
data
pembanding.
pelatihan dimasukkan dan diletakkan
Perbedaan ini disebabkan karena
dalam sebuah matriks. Pelatihan
data yang dijadikan sebagai pola
dengan fungsi default traingdx dan
inputan memiliki nilai yang berbeda.
untuk melatih jaringan digunakan
Akan
prediksi
perintah train. Pada listing program
menggunakan jaringan syaraf tiruan
newff berfungsi sebagai pembentuk-
ini memiliki nilai yang mendekati
an jaringan dan logsig merupakan
dengan data acuan (pembanding).
fungsi default yang dipakai atau
tetapi
hasil
Pengenalan
pola
yang
fungsi sigmoid biner yang rangenya
syaraf
tiruan
antara [0 ; 1], net.trainParam.goal
pola
yang
dipakai untuk menentukan batas
besar
nilai MSE agar iterasi dihentikan.
maka
Iterasi
yang
kurang dari batas yang ditentukan
proses
atau jumlah epoch mencapai batas
pembelajaran yang dilakukan oleh
dalam net.trainParam.epoch. Jaring-
program
an
dilakukan
jaringan
tergantung
nilai
diinputkan. perbedaan
Semakin pola
memberikan signifikan
inputan
kontribusi terhadap
sehingga
sangat
akan
dapat
berhenti
dilatih
jika
MSE
terus-menerus
mempengaruhi hasil prediksi yang
sehingga
dilakukannya.
dengan benar, akan tetapi hal ini
Pelatihan dan Pengujian Jaringan Syaraf Tiruan Pelatihan Tiruan
mampu
pelatihan
menjamin mengenali
jaringan pola
dikenali
akan dengan
Syaraf
tepat, sehingga iterasi tidak perlu
berdasarkan
dilakukan lagi sampai kesalahan
Jaringan
dilakukan
tidak
pola
146
Jurnal Fisika FLUX, Vol. 6 No.2, Agustus 2009 (140 – 147)
pola pelatihan menjadi 0. Pada
bahwa tingkat pengenalan Jaringan
proses pelatihan ini nilai epoch
Syaraf Tiruan tergantung pada pola
ditentukan sebesar 1000 karena nilai
inputan dan target. Pada penelitian
ini
ini
merupakan
nilai
yang
biasa
batas
epoch
yang
masih
digunakan dalam menentukan nilai
berpengaruh terhadap peningkatan
epoch maksimum pelatihan.
pengenalan adalah epoch ke-1000
Setiap
membentuk
dengan rata-rata pengenalan 79-
jaringan backpropogation, Jaringan
82%. Apabila dilakukan perbanding-
Syaraf Tiruan akan memberikan nilai
an secara langsung antara data
bobot dengan bilangan acak kecil.
tahun 2003 dengan data sebelum-
Bobot
kali
nya keakuratan yang didapatkan
jaringan
hanya 77,07% ini berarti prediksi
ini
dilakukan baru.
kali
berubah
setiap
pembentukan
Pelatihan
dilakukan
untuk
dengan
Jaringan
Syaraf
Tiruan
memodifikasi bobot yang ada. Bobot
meningkat sebanyak 5%. Setelah
akan termodifikasi sesuai dengan
dilakukan proses tahapan kedua
pola perubahan pada vektor input
diperoleh hasil prediksi berupa debit
sehingga
memori
atau
ingatan
air yang dapat dilihat pada Tabel 2
jaringan
terletak
pada
bobot
selama satu tahun. Dari ke-24 data
dilakukan
yang dihasilkan terdapat berbagai
dengan
variasi data yang dihasilkan dari
jaringan. selama
Proses pengujian
yang sama
proses pelatihan Jaringan Syaraf
data
Tiruan. Pada pengujian nilai bobot
prediksi ini memiliki keakuratan rata-
dan bias yang digunakan adalah
rata 82,80% terhadap data acuan
nilai bobot dan bias yang didapat
dan polanya sudah mendekati data
pada saat proses pelatihan.
lapangan,
data
akan
sehingga
tetapi
data
hasil
yang
didapat dari hasil prediksi Jaringan
Kemampuann JST (backpropogation) dalam Melakukan Peramalan Berdasarkan
acuan,
Syaraf
Tiruan
dapat
dijadikan
sebagai acuan untuk memprediksi hasil
debit irigasi tahun yang akan datang.
penelitian pada Tabel 2 terlihat
Program Jaringan Syaraf Tiruan ini
Supiyati, Bahri, S dan Erdi, I, Prediksi Jangka Pendek Debit ..............
dapat
dimanfaatkan
untuk
memprediksi debit air (aliran irigasi) dalam
jangka
pendek,
baik
itu
perbulan ataupun tahunan.
147
SARAN Agar
memperoleh
hasil
prediksi yang lebih baik, sebaiknya dilakukan
dalam
waktu
jangka
panjang menggunakan data jangka panjang sebelumnya. Untuk menguji
KESIMPULAN Hasil prediksi menggunakan
kemampuan jaringan syaraf tiruan
Jaringan Syaraf Tiruan yang telah
dalam
memprediksi
dilakukan dapat memprediksi debit
irigasi
bendungan
aliran
menggunakan
irigasi
bendungan
dalam
waktu jangka pendek. Data debit aliran irigasi mengalami perubahan dalam satu tahunnya yang diikuti dengan
terjadinya
pergantian
musim. Hasil penelitian menunjukkan
bahwa
menggunakan
prediksi
dengan
Jaringan
Syaraf
Tiruan memiliki keakuratan 82,80% dan error sebesar 17,20%. Debit aliran
irigasi
bendungan
yang
didapatkan dari hasil prediksi yang paling tinggi terjadi pada bulan Desember
2
minggu
pertama
dengan ketinggian debit air 72,75 m3/s sedangkan debit aliran irigasi terendah terjadi pada bulan Juni 2 minggu terakhir dengan ketinggian debit 24,71 m3/s.
data
debit
aliran
sebaiknya debit
aliran
irigasi beberapa bendungan. DAFTAR PUSTAKA Kartasapoetra, A. G., dan Sutedjo, M. M., 1994. Teknologi Pengairan Pertanian.Irigasi. Bumi Aksara. Jakarta. Kusumadewi, S. 2003. Artificial Intelligence. Graha Ilmu Yogyakarta Linsley. R. K., dan Kohler, M .A., 1989. Hidrology untuk Insinyur. Erlangga. Jakarta. Pasandaran, E., 1991. Irigasi di Indonesia Strategi dan Pengembangan, LP3ES. Jakarta. Prawito, 2006. Pemutahiran Data Daerah Irigasi Teknis D.I. Air Seluma Kabupaten Seluma, Prima Cipta Lestarindo, Bandung. Pusposutardjo, S. 2001. Pengembangan Irigasi, Usaha Berkelanjutan dan Gerakan Hemat Air, Dirjen Pendidikan Tinggi Depdiknas, Yogyakarta. Siang, J. J., 2005. Jaringan Syaraf Tiruan Pemrogramannya Menggunakan MATLAB, Andi Offset, Yogyakarta.
