Sumber : Hasil olah data,2009

RWjkt-3

RStjt-3

Rpckt-3

RDptt-3

RWjkt-2

RStjt-2

Rpckt-2

RDptt-2

RWjkt-1

RStjt-1

Rpckt-1

RDptt-1

RWjkt0

RStjt0

Rpckt0

RDptt0

KOEFISIEN KORELASI

pengelompokan data terlihat data curah hujan yang tercatat Grafik Uji Korelasi Data Curah Hujan Di Sub-DAS Kali Lesti (T0 s/d T-3) terhadap Data Debit Harian Yang Masuk Bendungan Senguruh di Stasiun Poncokusumo yang cukup baik yaitu sebesar 0.55 0.52 0.50 0.52 untuk time lag 0 (waktu sekarang) namun bila digeser 0.45 sampai dengan minus 3 hari nilai korelasinya semakin 0.41 0.39 0.40 melemah. Hubungan dua variabel tersebut secara statistik 0.36 0.35 0.35 0.32 0.32 masih mempunyai nilai korelasi positif (+) walaupun 0.30 0.30 lemah, maka dengan pencapaian angka nilai korelasi 0.24 0.24 0.24 0.25 0.23 0.21 tersebut hanya sebagai angka koreksi atau asumsi terhadap 0.20 0.19 0.20 0.17 pengaruhnya data pencatatan curah hujan harian terhadap 0.15 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. Gambar 4.7 Grafik uji korelasi Data Curah Hujan di SubAnalisa untuk menentukan pengaruh -pengaruh data curah DAS Kali Lesti erhadap Debit Harian Yang Masuk hujan terhadap debit harian yang masuk di Bendungan Bendungan Sengguruh (Sumber : Hasil olah data, 2009) Sengguruh adalah sebagai berikut : Tabel 4.3. Variabel input Sub-DAS Kali Lesti dan output  Analisa Data input untuk variabel input yang akan digunakan untuk membuat model prediksi debit terhadap variabel output di Bendungan harian yang masuk di Bendungan Sengguruh saat t0 (waktu sekarang) 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 : STASIUN PENGAMATAN HUJAN

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 b. Sub-DAS Kali. Lesti dapat dilihat pada Tabel 4.3.

Sumber : Hasil olah data,2009

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.

Tabel 4.5. Variabel input DAS Brantas hulu dan

16

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

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 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

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.

Tabel 4.7 Illustrasi Penyusunan data input 17

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

No 1

@relation Sengguruh982000

Nama target /Attribut/Data

2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

@attribute QinSggr real @attribute QinSggrt-1 real @attribute Rsggrt0 real @attribute RBtt0 real @attribute RWgrt0 real @attribute RKytt0 real @attribute RTgklt0 real @attribute RKpjt0 real @attribute RTwst0 real @attribute RPctt0 real @attribute RPjnt0 real @attribute RKdrt0 real @attribute RJbgt0 real @attribute RDptt0 real @attribute RStjt0 real @attribute Rpck0 real @attribute RWjkt0 real @attribute RTpgt0 real

20

@data 22,60 20,57 33,05 60,44 40,47 23,17 68,48 17,08 19,64 19,79 20,96 27,20 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 0,00 0,00 3,00 9,00 0,00 0,00 0,00 0,00 0,00 18,00 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

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

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 Output Variabel input dilakukan dengan menggunakan program bantu Microsoft Excel dan WEKA Knowledge Explorer seperti pada Sumber :Hasil olah data,2009 Gambar 4.10 dan Gambar 4.11. Langkah-langkah Penyusunan data input model pada Tabel 4.7 penggunaan program bantu tersebut sebagai berikut : tersebut dapat diuraikan sebagai berikut : : Bendungan  Langkah pertama penyusunan data menggunakan No.1 Nama titik pemodelan Sengguruh program microsoft excel, illustrasi penyusunannya : Stasiun debit harian dapat dilihat pada contoh penyusunan input model No.2 Attribut titik pemodelan pada Tabel 4.7. sedangkan cara penyimpan dari di Bendungan Sengguruh : Stasiun Curah Hujan program excel yang akan transformasikan ke program No. 3 s/d 19 attribut data input WEKA dengan merubah extention *.arff dapat dilihat Harian No. 20 : Data- data input ( Gambar 4.10. Debit dan curah hujan )

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

18

Dengan menggunakan M5 model tree maka hasil dari



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.

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 Nilai Performa Model Performa Pembelajaran (training) Correlation coefficient Mean absolute error

Sub DAS Kali Lesti CC

0.896

0.929

0.934

MAE

7.163

6.092

6.003

RMSE

11.632

9.724

9.417

Relative absolute error %

RAE

35.148

29.892

29.455

RRSE

44.591

37.279

36.102

Total Number of Instances

1092

1092

1092

Attributes input

10

21

28

Jumlah Persamaan

55

131

98


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.

DAS Brantas Hulu

Root mean squared error Root relative squared error (%)

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

Sub DAS Kali 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. PLOT PEMBELAJARAN MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 1998

DEBIT (M3/DT)

HUJAN (MM)

0 4.4.1. Running programs Proses Pembelajaran 20 175 (training) 40 150 Running untuk proses pembelajaran (training) 60 125 menggunakan data input pada periode 4 Januari 1998 – 31 80 100 100 Desember 2000. Data yang dimaksud adalah data curah 120 75 hujan harian seperti yang disajikan pada Gambar 4.1 s/d 140 50 Gambar 4.6. 160 25 Kemudian dari data-data tersebut dilakukan suatu proses 180 0 200 pembelajaran dengan beberapa simulasi pembelajaran 3 28 53 78 103 128 153 178 203 228 253 278 303 328 353 sebagai berikut : HARI KE  Pembelajaran pertama menggunakan data curah hujan HUJAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL (M3/DT) harian yang tersebar di Sub-DAS Kali Lesti. Gambar 4.12 Visualisasi perbandingan proses  Pembelajaran kedua menggunakan data curah hujan pembelajaran data observasi dengan hasil model Prediksi harian yang tersebar di Sub-DAS Kali Brantas Hulu. (Sub-DAS Kali Lesti tahun 1998)  Pembelajaran ketiga menggunakan data yang tersebar di Sumber : Hasil olah data,2009 DAS Brantas Hulu yaitu gabungan dari data yang tersebar di Sub-DAS Kali Lesti dan Sub-DAS Kali Brantas Hulu. 200

observasi terlihat jika hujan yang terjadi tidak

19

terlalu besar namun bila hujan yang terjadi pada bulan Januari s/d Mei terlihat model tidak bisa mengikuti 400 0 observasi sehingga model secara keseluruhan bisa 350 50 dikatakan cukup baik untuk memprediksikan debit harian 300 100 yang masuk di Sengguruh waktu sekarang. 250 150 Dari hasil running pembelajaran diperoleh 55 200 200 persamaan linier yang didasarkan pada pengelompokkan 150 250 data dengan batasan tertentu yang biasa disebut cabang 100 300 dapat dilihat pada Tabel. 4.8. Penentuan jumlah cabang di dasarkan pada besaran angka pruning yang diberikan saat 50 350 pembelajaran. Gambar 4.15 berikut adalah visualisasi 0 400 1 26 51 76 101 126 151 176 201 226 251 276 301 326 351 proses percabangan dalam mencari persamaan linier dalam HARI KE M5 Model Tree. HUJAN RATA-RATA (MM) DEBIT MODEL (M3/DT) DEBIT OBSERVASI (M3/DT) Prinsip dasar dari pembentukan cabang pada pemodelan M5 Model Tree adalah bahwa model Gambar 4.13 Visualisasi perbandingan proses pembelajaran mengelompokkan data-data pada masing-masing variabel data observasi dengan hasil model Prediksi (Sub-DAS Kali input berdasarkan pada sebaran besar kecilnya data pencatatan. Pada Gambar 4.15, untuk memprediksikan debit Lesti tahun 1999) harian pada waktu t0 (Qinsggr) adalah pertama-tama model Sumber : Hasil olah data,2009 mengelompokkan data input di Bendungan Sengguruh saat PLOT PEMBELAJARAN MODEL PREDIKSI DEBIT HARIAN YANG MASUK 1 hari kebelakang (Qinsggrt-1) kedalam batasan apakah data BENDUNGAN SENGGURUH DENGAN DATA TAHUN 2000 225 0 di Qinsggt-1 ≤ 46,4 atau > 46,4. Bila data di Qinsggt-1 ≤ 200 46,4; maka pengelompokkan dipersempit pada batasan 50 175 apakah Qinsggt-1 ≤ 35,5 atau > 35,5; bila data di Qinsggt-1 150 ≤35,5 maka pengelompokkan dipersempit pada batasan 100 125 apakah Qinsggt-1 ≤ 23,7 atau > 23,7; bila data di Qinsggt-1 100 ≤ 23,7; pengelompokan di perkecil lagi Qinsggt-1 ≤ 23,1 150 75 atau > 23,1; bila data di Qinsggt-1 ≤ 23,1, maka peramalan 50 data di Qinsggr menggunakan persamaan linier 1 (LM1) ; 200 25 bila data di Qinsggt-1 > 23,1, maka peramalan data di 0 250 Qinsggr menggunakan persamaan linier 2 (LM2) HUJAN (MM)

DEBIT (M3/DT)

DEBIT (M3/DT)

HUJAN (MM)

PLOT PEMBELAJARAN MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 1999

1

26

51

76

101

126

151

176

201

226

251

276

301

326

351

HARI KE HUJAN RATA-RATA (MM)

DEBIT MODEL (M3/DT)

DEBIT OBSERVASI (M3/DT)

Gambar 4.14 Visualisasi perbandingan proses pembelajaran data observasiengan hasil model Prediksi (Sub-DAS Kali Lesti tahun 2000) Sumber : Hasil olah data,2009 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

20

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-

LM 12 LM 13

QinSggrT-1 > 31.9

QinSggrT-1  31.9

LM 11 LM 16

LM 17

RPckT-3 QinSggrT-1 QinSggrT-1  31.3 > 31.3 41 RPckT-3 >41

LM 35 LM 36

RPckT-3 27.5

LM 25 LM 26

RPckT-3 >27..5 RPckT-3 24

LM 29 LM 30 LM 35 LM 37 LM 380 LM 37 LM 38 LM 42 LM 43 LM 49 LM 50

RPckT-3 >24

LM 24

RDptt-1  6.5 RDptt-1 > 6.5 RDptt-1  2.5 RDptt-1 > 2.5 QinSggrT-1 QinSggrT-1 RStjT-0 RStjT-0 RWjkT-0 RWjk T-0 RStjT-0 RStj T-0 >3 3 > 85.9  85.9  7.5 > 2.5 > 7.5  2.5 RDptT-1 RDptT-1 > 15.5  15.5

LM 44 LM 48 LM 52

PERSAMAAN (LM)

OUTPUT (Y)

LM1

QinSggr QinSggr

Gambar 4.15. Hirarki Model M5 Tree untuk prediksi debit harian yang masuk Bendungan Sengguruh

LM 4 LM 5 LM 7 LM 8 LM 10 LM 18 LM 19 LM 20 LM 23 LM 31 LM 33

RPckT-2 RPckT-3 RWjkT-0 RWjk T-0 RPckT-0 RPckT-0 QinSggrT-1 QinSggrT-1 QinSggrT-1 QinSggrT-1 QinSggrT-1 QinSggrT-1 QinSggrT-1 QinSggrT-1 QinSggrT-1 QinSggrT-1  31 52.6 >26.8 > 31  26.8  24.5 > 52.6 64.7 > 24.5 >64.7 > 1.5 >2  1.5 >34.5 34.5 2 RPckT-3 9 RPckT-2 >9

LM 27

LM 32

QinSggrT-1 >75.7

RDptt-1 RPckT-1 RPckT-1 RDptT-0 RDptT-0 >10 >7 10  15.5 7 LM 47 LM 46 LM 41 RDptt-1 > 15.5

LM 45 LM 53 LM 53

LM 51

RWjkT-0 > 3.5 RStjT-0  22.5 RDptt-1  7.5 LM55

RDptt-1 > 7.5

RPckT-3 RPckT-3 >11.5 11.5

RStjT-0 > 22.5

QinSggrT-1  88.1 RPckT-0 RPckT-0  41 > 41

QinSggrT-1 > 88.1

QinSggrT-1  105 QinSggrT-1 > 105

QinSggrT-1 > 84.9

QinSggrT-1 QinSggrT-1 RPckT-3 RPckT-3 RStjT-0 RStjT-0 > 9.5  9.5 41  94.3 >41 > 94.3

LM 3

QinSggrT-1 QinSggrT-1 QinSggrT-1 QinSggrT-1  24.2 > 24.2  26.5 > 26.5

LM 6 LM 9

QinSggrT-1 QinSggrT-1 > 28.8  28.8 LM 14

QinSggrT-1 59.4 RPckT-3 20 QinSggrT-1 RPckT-3 >20 75.7

RWjk T-0  3.5

LM 28

QinSggrT-1 > 59.4

LM 21 LM 22

RPckT-0 11.5 RPckT-0 >11.5

RStjT-0 > 3.5

RPckT-0 >7.5

QinSggrT-1 > 67.3

RPckT-0 7.5

QinSggrT-1 84.9

QinSggrT-1 .>46.4

QinSggrT-1 QinSggrT-1 64 >64

LM 1 LM 2

QinSggrT-1 > 24.6 QinSggrT-1  32.1 QinSggrT-1 > 32.1 RDptt-1  2.5 RDptt-1 > 2.5

RStjT-0  3.5 QinSggrT-1  67.3

QinSggr

QinSggrT-1  24.6

QinSggrT-1  23.1 QinSggrT-1 > 23.1 QinSggrT-1 > 27.8

LM 15

QinSggrT-1 >35.5

QinSggrT-1 46.4

QinSggrT-1 > 23.7

QinSggrT-1 35.5

QinSggrT-1  27.8

QinSggrT-1  23.7

DAS Kali Lesti

LM2 QinSggr LM3 QinSggr LM4 QinSggr LM5 QinSggr LM6 QinSggr LM7 QinSggr LM8 QinSggr LM9 QinSggr LM10 QinSggr LM11 QinSggr LM12 QinSggr LM13 QinSggr LM14

QinSggr LM15 QinSggr LM16 QinSggr LM17

LM41

21

QinSggr

βO + (β1 x X1) + (β2 x X2) +........+ (βn x Xn 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 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 -72.4 + 4.07QinSggrt-1 + 0.106RDptT-0 + 0.0115RDptt-1 + 0.128RStjT-0 + 0.06RPckT0 + 0.00715RPckT-1 - 0.00754RPckT-3 + 0.0403RWjkT-0 -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 -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 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 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 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 52.6 + 2.93QinSggrt-1 + 0.762RDptT-0 + 0.0115RDptt-1+ 0.0388RStjT-0 + 0.0776RPckT-0 - 0.0111RPckT-10.00754RPckT-3 + 0.0403RWjkT-0 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-0 442 - 13.2QinSggrt-1 + 0.0956RDptT-0 + 0.0115RDptt-1+ 0.0388RStjT-0 + 0.0776RPckT-0 - 0.0111RPckT-1 0.00754RPckT-3 + 0.0403RWjkT-0 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-0 199 - 5.23QinSggrt-1 + 0.0956RDptT-0 + 0.0115RDptt-1+ 0.0388RStjT-0 + 0.0776RPckT-0 - 0.0796RPckT-10.00754RPckT-3 + 0.0403RWjkT-0 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 9.36 + 0.758QinSggrt-1 + 0.477RDptT-0 + 0.199RDptt-1+ 0.00504RStjT-0 + 0.177RPckT-0 - 0.226RPckT-3 + 0.377RWjkT0 35 + 0.286QinSggrt-1 + 0.0508RDptT-0 + 0.0248RDptt-1+ 0.0125RStjT-0 + 0.221RPckT-0 - 0.0481RPckT-3 + 0.0157RWjkT-0 32.7 + 0.286QinSggrt-1 + 0.0508RDptT-0 + 0.0812RDptt-1+ 0.0125RStjT-0 + 0.597RPckT-0 - 0.076RPckT-3 + 0.0157RWjkT-0

146 - 0.844QinSggrt-1 + 0.00665RDptT-0 + 0.141RDptt-1 + 0.088RStjT-0 + 0.174RPckT-0

- 0.0653RPckT-3 + 0.0125RWjkT-0 QinSggr LM18 QinSggr LM19 QinSggr LM20 QinSggr LM21 QinSggr LM22 QinSggr LM23 QinSggr LM24 QinSggr LM25 QinSggr LM26 QinSggr LM27 QinSggr LM28 QinSggr LM29 QinSggr LM30 QinSggr LM31 QinSggr LM32 QinSggr LM33 QinSggr LM34 QinSggr LM35 QinSggr LM36 QinSggr LM37 QinSggr LM38 QinSggr LM39 QinSggr LM40

37.3 + 0.286QinSggrt-1 + 0.0508RDptT-0 0.0238RDptt-1+ 0.0125RStjT-0 + 0.119RPckT-0 0.024RPckT-3 + 0.0157RWjkT-0 41.5 + 0.279QinSggrt-1 + 0.0508RDptT-0 0.0324RDptt-1+ 0.0125RStjT-0 + 0.142RPckT-0 0.00711RPckT-3 + 0.109RWjkT-0 40.4 + 0.279QinSggrt-1 + 0.0508RDptT-0 0.0324RDptt-1+ 0.0125RStjT-0 + 0.657RPckT-0 0.00711RPckT-3+ 0.0157RWjkT-0 30.7 + 0.53QinSggrt-1 + 0.07RDptT-0 0.15RDptt-1 + 0.0125RStjT-0 + 0.0751RPckT0 - 0.00711RPckT-3 + 0.139RWjkT-0 7.84 + 0.82QinSggrt-1 + 0.272RDptT-0 + 0.018RStjT-0 + 0.13RPckT-0 - 0.00711RPckT3 + 0.38RWjkT-0 57.1 + 0.136QinSggrt-1 + 0.102RDptT-0 + 0.018RStjT-0+ 0.0725RPckT-0 0.00711RPckT-3 + 0.00552RWjkT-0 52.9 + 0.136QinSggrt-1 + 0.102RDptT-0 + 0.018RStjT-0 + 0.381RPckT-0 + 0.129RPckT3 + 0.00552RWjkT-0 51.5 + 0.136QinSggrt-1 + 0.102RDptT-0 + 0.018RStjT-0+ 0.381RPckT-0 + 0.174RPckT-3 + 0.00552RWjkT-0 51.8 + 0.136QinSggrt-1 + 0.102RDptT-0 + 0.018RStjT-0 + 0.381RPckT-0 + 0.175RPckT3 + 0.00552RWjkT-0 50.6 + 0.136QinSggrt-1 + 0.102RDptT-0 + 0.018RStjT-0+ 0.321RPckT-0 0.00711RPckT-3 + 0.00552RWjkT-0 27.6 + 0.568QinSggrt-1 + 0.377RDptT-0 + 0.113RStjT-0+ 0.0573RPckT-0 - 0.29RPckT-3 + 0.00552RWjkT-0 68.3 + 0.115QinSggrt-1 + 0.0604RDptT-0 + 0.0743RDptt-1+ 0.00849RStjT-0 + 0.0573RPckT-0 0.169RPckT-3 + 0.00552RWjkT-0 68.8 + 0.115QinSggrt-1 + 0.136RDptT-0 + 0.0991RDptt-1+ 0.00849RStjT-0 + 0.0573RPckT-0 0.0285RPckT-3 + 0.00552RWjkT-0 66.8 + 0.115QinSggrt-1 + 0.136RDptT-0 + 0.00849RStjT-0+ 0.0573RPckT-0 0.0285RPckT-3 + 0.00552RWjkT-0 64.1 + 0.115QinSggrt-1 + 0.153RDptT-0 + 0.087RStjT-0 + 0.0573RPckT-0 0.0285RPckT-3 + 0.00552RWjkT-0 67.1 + 0.115QinSggrt-1 + 0.201RDptT-0 + 0.0384RStjT-0+ 0.0573RPckT-0 0.0285RPckT-3 + 0.00552RWjkT-0 70 + 0.115QinSggrt-1 + 0.201RDptT-0 + 0.00849RStjT-0+ 0.0573RPckT-0 0.0285RPckT-3 + 0.00552RWjkT-0 70.3 + 0.115QinSggrt-1 + 0.201RDptT-0 + 0.00849RStjT-0+ 0.0573RPckT-0 0.0633RPckT-1 0.0285RPckT-3 + 0.00552RWjkT-0 69.6 + 0.115QinSggrt-1 + 0.201RDptT-0 + 0.00849RStjT-0+ 0.0573RPckT-0 0.0502RPckT-1 0.0285RPckT-3 + 0.00552RWjkT-0 24.3 + 0.62QinSggrt-1 + 0.201RDptT-0 + 0.00849RStjT-0+ 0.0573RPckT-0 + 0.0307RPckT-3 - 0.212RWjkT-0 23.6 + 0.62QinSggrt-1 + 0.201RDptT-0 + 0.00849RStjT-0+ 0.0573RPckT-0 + 0.0307RPckT-3 - 0.189RWjkT-0 35.5 + 0.469QinSggrt-1 + 0.171RDptT-0 + 0.0377RDptt-1+ 0.0321RStjT-0 + 0.0403RPckT-0 + 0.0129RPckT-3 + 0.0195RWjkT-0 36.1 + 0.469QinSggrt-1 + 0.167RDptT-0 + 0.0431RDptt-1 + 0.0225RStjT-0 + 0.0573RPckT-0 + 0.0129RPckT-3+ 0.00552RWjkT-0

22

QinSggr LM42 QinSggr LM43 QinSggr LM44 QinSggr LM45 QinSggr LM46 QinSggr LM47 QinSggr LM48 QinSggr LM49 QinSggr LM50 QinSggr LM51 QinSggr LM52 QinSggr LM53 QinSggr LM54 QinSggr LM55

155 - 0.929QinSggrt-1 - 0.0218RDptT-0 + 0.141RDptt-1 + 0.0325RStjT-0 + 0.174RPckT0 - 0.0653RPckT-3 + 0.0125RWjkT-0 154 - 0.92QinSggrt-1 - 0.0218RDptT-0 + 0.141RDptt-1 + 0.0325RStjT-0 + 0.174RPckT0 - 0.0653RPckT-3 + 0.0125RWjkT-0 148 - 0.844QinSggrt-1 - 0.0285RDptT-0 + 0.141RDptt-1 + 0.0194RStjT-0 + 0.174RPckT0 - 0.0653RPckT-3 + 0.0125RWjkT-0 135 - 0.701QinSggrt-1 + 0.00665RDptT-0 + 0.128RDptt-1 + 0.112RStjT-0 + 0.174RPckT-0 - 0.0653RPckT-3 + 0.0125RWjkT-0 62.9 + 0.253QinSggrt-1 + 0.0348RDptT-0 + 0.0785RDptt-1+ 0.0286RStjT-0 + 0.21RPckT0 - 0.0959RPckT-3 + 0.0125RWjkT-0 58.5 + 0.253QinSggrt-1 + 0.0348RDptT-0 + 0.0785RDptt-1+ 0.0286RStjT-0 + 0.352RPckT-0 - 0.0959RPckT-3 + 0.0125RWjkT-0 48.2 + 0.253QinSggrt-1 + 0.0348RDptT-0 + 0.138RDptt-1+ 0.0286RStjT-0 + 0.335RPckT0 + 0.00246RPckT-3 + 0.0125RWjkT-0 49.1 + 0.253QinSggrt-1 + 0.0911RDptT-0 + 0.138RDptt-1+ 0.0286RStjT-0 + 0.325RPckT0 + 0.0128RPckT-3+ 0.0125RWjkT-0 49.3 + 0.253QinSggrt-1 + 0.0348RDptT-0 + 0.138RDptt-1 + 0.0286RStjT-0 + 0.31RPckT0 + 0.0128RPckT-3 + 0.0125RWjkT-0 72.3 + 0.0187QinSggrt-1 + 0.0348RDptT-0 + 0.248RDptt-1 + 0.0286RStjT-0 + 0.286RPckT0 - 0.0278RPckT-3 + 0.0125RWjkT-0 52.3 + 0.253QinSggrt-1 + 0.0348RDptT-0 + 0.206RDptt-1 + 0.0286RStjT-0 + 0.286RPckT0 - 0.0278RPckT-3 + 0.0125RWjkT-0 62.2 + 0.218QinSggrt-1 + 0.165RDptT-0 + 0.00926RStjT-0+ 0.228RPckT-0 0.00988RPckT-3 + 0.0125RWjkT-0 74.4 + 0.218QinSggrt-1 + 0.165RDptT-0 0.0958RDptt-1 - 0.0499RStjT-0 + 0.228RPckT-0 - 0.112RPckT-3 + 0.0125RWjkT-0 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 βi = Koefisien regresi (i=1,2....n)

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

Tabel 4.11 Performa model prediksi debit harian yang

23

masuk di Bendungan Sengguruh untuk Sub-DAS Kali 4.4.2. Running programs Proses Verifikasi Proses verifikasi adalah suatu proses dimana Lesti tahun 2001 s/d 2002. Nilai Performa Model persamaan model prediksi yang sudah didapat saat proses Performa Kalibrasi Verifikasi CC 0.865 0.896 pembelajaran di aplikasikan terhadap serial data baru untuk Correlation coefficient MAE 8.235 Mean absolute error 7.163 diketahui sampai sejauh mana akurasi model. Dari Root mean squared error RMSE 16.993 11.632 RAE 31.798 35.148 persamaan yang telah diperoleh saat pembelajaran cukup Relative absolute error % RRSE 51.177 Root relative squared error (%) 44.591 baik untuk periode 4 Januari 1998 – 31 Desember 2000, Total Number of Instances 1092 727 input 10 10 tahap berikutnya adalah Running proses verifikasi data Attributes Jumlah Persamaan 55 55 menggunakan data hujan harian rata-rata untuk periode 3 Sumber : Hasil olah data, 2009 Januari 2001 – 31 Desember 2003, Skenario proses verifikasi dapat dikelompokkan dalam pembahasan sebagai PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK berikut : BENDUNGAN SENGGURUH DENGAN DATA TAHUN 2001 250

50

200 175

100

125

150

100 200

75 50

HUJAN (MM)

DEBIT (M3/DT)

150

250

25 0

300

3

28

53

78

103

HUJAN HARIAN RATA-RATA (MM)

128

153

178 203 HARI KE -

228

253

DEBIT HARIAN VERIFIKASI (M3/DT)

278

303

328

353

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) PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 2002

450 400

0 50

DEBIT (M3/DT)

350

100

300 250

150

200

200

150

HUJAN (MM)

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. 

0

225

250

100

300

50

0

350

1

26

51

76

101 126 151 176 201 226 251 276 301 326 351 HARI KE -




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. (Sumber Hasil olah data, 2009)

24

Tabel 4.12. Performa model prediksi debit harian yang Hasil proses verifikasi melalu running program WEKA masuk di Bendungan Sengguruh untuk Sub-DAS Kali untuk Sub-DAS Kali Lesti dapat dilihat pada lampiran 4 Brantas Hulu tahun 2001 s/d 2002. Nilai Performa Model halaman 125 Performa Kalibrasi Verifikasi CC MAE RMSE RAE RRSE

Correlation coefficient Mean absolute error Root mean squared error Root mean squared error (%) Root relative squared error (%) Total Number of Instances Attributes input Jumlah Persamaan

0.860 7.866 17.866 30.376 51.792 727 21 131

0.929 6.092 9.724 29.892 37.279 1092 21 131

Sumber : Hasil olah data, 2009

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

225

0

20

200

40

175

60 80

125 100

100

120 75

140

50

HUJAN (MM)

DEBIT (M3/DT)

150

160

25

180

0

200 3

28

53

78

103

128


153

178 203 HARI KE -

228

253

DEBIT HARIAN OBSERVASI (M3/DT)

278

303

328

353

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) PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 2002

450

0

400

20

350

40 60

300

80

250

100 200

120

150

140

100

160

50

180

0

HUJAN (MM)

DEBIT (M3/DT)

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 SubDAS 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. 

200 1

31

61

91

121

HUJAN HARIAN RATA-RATA (M3/DT)

151 181 HARI KE -

211

241


271

301

331

361

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 SubDAS K. Lesti dan Sub-DAS Kali Brantas Hulu. Data yang Tabel 4.13 Perbandingan hasil kalibrasi dengan verifikasi 

25

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

Sumber Hasil olah data, 2009

PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 2001 300

0 20

250

40 60 80

150

100 120

100

140

HUJAN (MM)

DEBIT (M3/DT)

200

160

50

180 0

200 3

28

53

78

103 128 153 178 203 228 253 278 303 328 353 HARI KE -

HUJAN RATA-RATA (MM)



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) PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 2002 450

0

400

50

350

250

150

200

200

150

250

HUJAN (MM)

100

300

DEBIT (M3/DT)

digunakan untuk verifikasi adalah data input tahun 20012002, 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

100 300

50 0

350 1

26

51

76

101 126 151 176 201 226 251 276 301 326 351 HARI KE -




Gambar 4.21 Ploting Garis Grafik perbandingan proses verifikasi data observasi dengan hasil model prediksi debit harian yang masuk Bendungan Sengguruh untuk DAS Brantas Hulu tahun 2002. (Sumber Hasil olah data, 2009)

26


225

4.4.3.1

0

200 50

175

100

125 100

150

75

50

HUJAN (MM)

DEBIT (M3/DT)

150

200

25 0

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

 Running Proses Pembelajaran Model Pertama (Model 1 P_ 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.

250 1

26

51

76

101 126 151 176 201 226 251 276 301 326 351 HARI KE -




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)

Tabel 4.14. Performa Model 1 P_BR Saat Pembelajaran dengan Pruning factor. PRUNING

PERFORMA MODEL

0,0

1,0

4.0

0.934

0.917

0.912

0.904

Mean absolute error

MAE

6.003

6.806

6.832

7.215

8.483

Root mean squared error Relative absolute error %

RMSE RAE

9.417 29.455

10.471 33.392

10.768 33.524

11.221 35.402

13.143 41.621

Root relative squared error (%)

RRSE

36.102

40.142

41.281

43.016

50.385

1092 28 98

1092 28 24

1092 28 22

1092 28 14

1092 28 1

4.4.3. Reduksi Variabel Input pada Model Prediksi Debit Harian Yang Sumber Hasil olah data, 2009 Masuk di Bendungan Sengguruh

27

3

CC

Total Number of Instances Attributes input Jumlah Persamaan

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 kelompokkelompok kecil dengan batasan kurang ataulebih dari (<, >).

2

Correlation coefficient

0.864

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 NO

STASIUN

A 1 B 1 2 3 4 5 6 7 8 9 10 11 12 13 14

Pencatat Debit : Sengguruh Pencatat Hujan : Sengguruh Batu Wagir Kayutangan Tangkil Kepanjen Pacet Pujon Kedungrejo Jabung Tumpang Dampit Sitiarjo Poncokusumo Jumlah Total

PURNING-0 T0

T-1

T-2

PURNING-1.0 T-3

T0

QinSggrt-1

RSggt0

RTklt0 RTklt-1 RKpjt0 RPctt0 RPjnt0 RKdrt-0 RKdrt-2 RJbgt0 RTpgt0 RDptt0 RDptt-1 RStjt0 RPckt0 RPckt-3 13 5 3 1

RTklt0


T-2

T-3

QinSggrt-1

RSggt0 RSggt-1 RSggt-2 RBtt-0 RBtt-1 RBtt-2 RWgrt0

22 Attribut

T-1

RBtt-1

RSggt-2 RBtt-2

RWgrt0 RTklt-1

RPctt0 RPjnt0 RKdrt-2 RJbgt0 RTpgt0 RDptt0 RPckt0 10

RDptt-1

3

3

16 Atrribut

0

Pada Tabel 4.14.1. saat pruning = 0, jumlah Pada Tabel 4.14.3. pruning ditingkatkan lagi persamaan linier yang diperoleh sebanyak 98 persamaan menjadi 4, persamaan linier yang dihasilkan 1 persamaan dengan RMSE = 9.417. Dari 28 variabel input yang tetapi dengan nilai RMSE = 13.143 variabel input yang disiapkan, hanya 22 saja yang digunakan untuk prediksi terpakai hanya 7 saja. dan saat pruning dinaikkan menjadi 1. Persamaan linier yang dihasilkan berkurang menjadi 24 persamaan dengan Hasil proses melalui running program WEKA untuk performa yang melemah dengan nilai RMSE= 10,471. pembelajaran Model 1 P_BR dapat dilihat sebagai berikut : Jumlah variabel input yang terpakai hanya 16 saja. pruning =1 (lampiran 7 halaman 141 ), pruning =2 (lampiran 8 halaman 143), pruning=3 (lampiran 9 halaman Tabel 4.14.2 Variabel input yang terpakai untuk prediksi 145), pruning=4 (lampiran 10 halaman 146). debit harian yang masuk Bendungan Sengguruh dengan perubahan pruning 2 s/d 3 PURNING-2.0 PURNING-3.0 B. Running Proses Verifikasi Model Pertama (Model 1 NO STASIUN T0 T-1 T-2 T-3 T0 T-1 T-2 T-3 P_BR) A Pencatat Debit : QinSggrt-1 QinSggrt-1 1 Sengguruh Running proses verifikasi data menggunakan data B Pencatat Hujan : pengelompokan Model 1 P_BR prediksi debit harian yang 1 Sengguruh RSggt0 RSggt-2 RSggt0 2 Batu RBtt-1 RBtt-2 RBtt-1 RBtt-2 masuk Bendungan Sengguruh. Hasil verifikasi model 3 Wagir RWgrt0 RWgrt0 4 Kayutangan terbaik adalah saat pruning factor = 4 dengan nilai RMSE 5 T angkil RT klt0 RT klt-1 RT klt0 RT klt-1 sebesar 14.192 seperti pada Tabel 4.15. Namun dengan 6 Kepanjen 7 Pacet RPctt0 RPctt0 meningkatkan angka dari 1 s/d 4, saat pruning factor 4 8 Pujon RPjnt0 RPjnt0 menyebabkan model hanya memiliki 1 (satu) persamaan 9 Kedungrejo RKdrt0 RKdrt-2 10 Jabung RJbgt0 linier saja dan terdiri dari 7 (tujuh) variabel input (Qinsggrt11 T umpang RT pgt0 RT pgt0 12 Dampit RDptt0 RDptt-1 RDptt0 RDptt-1 1, Rsggrt0, RBtt-1, RWgrt0, RTklt-1, RTpgt0 dan RDptt0). 13 Sitiarjo RStjt0 Artinya, untuk memprediksi debit harian yang masuk 14 Poncokusumo RPckt0 RPckt-3 RPckt0 Jumlah 11 4 3 1 8 4 1 0 Bendungan Sengguruh, model hanya membutuhkan 7 Total 19 Attribut 13 Attribut (tujuh) variabel input yang diwakili oleh 1 (satu) variabel Sumber : Hasil olah data,2009 Pada Tabel 4.14.2.saat pruning dinaikkan lagi input debit harian st Sengguruh dan 6 (enam) variabel menjadi 2, persamaan linier yang dihasilkan 22 persamaan input curah hujan harian st. Batu, st.Wagir, st.Tangkil, st. Dampit. dengan nilai RMSE = 10,759. Jumlah variabel input yang st.Tumpang dan Dengan 7 (tujuh) variabel input hasil verifikasi terpakai hanya 19 kemudian pruning ditingkatkan lagi Model 1 P_BR mengakibatkan model yang dihasilkan menjadi 3. Persamaan linier yang dihasilkan 14 persamaan hanya berupa model linier biasa karena hanya memiliki 1 tetapi dengan nilai RMSE = 11.221 dan variabel input (satu) persamaan linier, sehingga tidak bisa dikatakan yang terpakai 13 saja. sebagai model M5 Model Tree. Selain itu, karena hanya Tabel 4.14.3 Variabel input yang terpakai untuk prediksi menggunakan 1(satu) persamaan linier, pada kondisi debit harian yang masuk Bendungan Sengguruh dengan tertentu input yang terpakai tidak dapat mewakili untuk digunakan dalam proses peramalan, sehingga output yang perubahan pruning 4 dihasilkan mengalami penyimpangan yang besar bila dilihat PURNING-4.0 NO STASIUN dari nilai RMSE, walaupun nilai RMSE untuk pruning = 4 T0 T-1 T-2 T-3 A Pencatat Debit : paling rendah diantara lainnya, tetapi kesalahan (error) QinSggrt-1 1 Sengguruh maksimumnya merupakan yang paling besar. Hal ini bisa B Pencatat Hujan : 1 Sengguruh RSggt0 dibuktikan pada Gambar 4.23.3 yaitu untuk interval waktu 2 Batu RBtt-1 bulan Juni s/d Desember penyimpangan debit harian 3 Wagir RWgrt0 4 Kayutangan maximum terhadap debit harian observasi = 50.28 m3/dt 5 T angkil RT klt-1 sedangkan penyimpangan debit harian minimum terhadap 6 Kepanjen 7 Pacet debit harian observasi = -56.58 m3/dt, kondisi debit harian 8 Pujon observasi dalam keadaan stabil dibulan Januari s/d Mei. 9 Kedungrejo 10 Jabung Namun pada model prediksi dengan pruning factor = 4 11 T umpang RT pgt0 model memprediksikan dengan kondisi Debit harian yang 12 Dampit RDptt0 13 Sitiarjo meningkat drastis pada interval waktu 7 bulan, puncaknya 14 Poncokusumo pada tanggal 21 Nopember 2003 besaran debit harian Jumlah 4 3 0 0 Total 7 attribut observasi 38.81 m3/dt tetapi Model memprediksikan

28

Sumber : Hasil olah data,2009 b.PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 2002 (PRUNING FACTOR=1) 450

0

400

20

350

40

60

DEBIT (M3/DT)

300

80

250

100

200

120

150

140

100

160

50

180

0

HUJAN (MM)

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.

200 1

31

61

91

121

151


181 211 HARI KE -

241

271


301

331

361

DEBIT HARIAN MODEL1 P_BR (M3/DT)

Tabel 4.15. Performa Model 1 P_BR saat verifikasi dengan Gambar 4.23.2. Visualisasi perbandingan verifikasi model pruning factor. 1 P_BR dengan observasi tahun 2002, pruning factor=1 (Sumber : Hasil olah data,2009). 4.0 0.889 8.294 14.192 32.670 44.994 1092 28 1

c. PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 2003 (PRUNING FACTOR =1) 250

0

225

20

200

40

175

60

150

80

125

100

100

120

75

140

50

160

25

180

a. PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 2001 (PRUNING FACTOR = 1)

0

225

0

200

20

125 100

100 120

HUJAN (MM)

91

121

151

181 HARI KE -

211

241


271

301

331

361

DEBIT HARIAN MODEL1 P_BR (M3/DT)

a. PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 2001 (PRUNING FACTOR = 2)

140

50

61

Gambar 4.23.3. Visualisasi perbandingan verifikasi model 1 P_BR dengan observasi 2003 pruning factor=1 (Sumber : Hasil olah data,2009). 225

0

200

20

175

40

160

25

180

0

200

3

28

53

78

103

128

153

178

203

228

253

278

303

328

HARI KE HUJAN HARIAN RATA-RATA (MM)


DEBIT HARIAN MODEL 1 P_BR (M3/DT)

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

29

60

150

353

DEBIT (M3/DT)

DEBIT (M3/DT)

80

75

31


60

150

200 1

40

175

HUJAN (MM)

CC MAE RMSE RAE RRSE

PRUNING 2 3 0.871 0.867 7.418 7.645 15.293 15.481 29.220 30.114 48.486 49.080 1092 1092 28 28 22 14

80

125

100 100

120

75

HUJAN (MM)

Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error (%) Total Number of Instances Attributes input Jumlah Persamaan

1 0.857 7.897 15.946 31.106 50.555 1092 28 24

DEBIT (M3/DT)

PERFORMA MODEL

140

50

160

25

180

0

200 3

28

53

78

103

128

153

178

203

228

253

278

303

328

353




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

b. PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 2002 (PRUNING FACTOR=3)

b.PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 2002 (PRUNING FACTOR=4)

450

0

450

0

400

20

400

20

350

40

350

40

120

150

140

DEBIT (M3/DT)

100 200

60

300

80

250

HUJAN (MM)

DEBIT (M3/DT)

300

80

250

100

200

120

150

140

100

160

100

160

50

180

50

180

0

200

0

1

31

61

91

121

151

181

211

241

271

301

331

200 1

361

31

61

91

121

151

181

211

241

271

301

331

361

HARI KE -

HARI KE HUJAN HARIAN RATA-RATA (M3/DT)

HUJAN (MM)

60






Gambar 4.25.2 Visualisasi perbandingan verifikasi model Gambar 4.26.2 Visualisasi perbandingan verifikasi model 1P_BR dengan observasi tahun 2002, pruning factor =3 1P_BR dengan observasi tahun 2002, pruning factor =4 (Sumber : Hasil olah data,2009). (Sumber : Hasil olah data,2009).

0

225

20

200

40

200

40

175

60

175

60

150

80

150

80

125

100

125

100

100

120

100

120

75

140

75

140

50

160

50

160

25

180

25

180

0

200

0

1

31

61

91

121

151

181

211

241

271

301

331

361

200 1

31

61

91


HUJAN (MM)

250

20

DEBIT (M3/DT)

0

225

HUJAN (MM)

250

DEBIT (M3/DT)

c.PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 2003 (PRUNING FACTOR =4)

PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 2003 (PRUNING FACTOR =3)

121

151

181

211

241

271

301

331

361

HARI KE -






Gambar 4.25.3 Visualisasi perbandingan verifikasi model Gambar 4.26.3 Visualisasi perbandingan verifikasi model 1P_BR dengan observasi tahun 2003, pruning factor =3 1P_BR dengan observasi tahun 2002, pruning factor =4 (Sumber : Hasil olah data,2009). (Sumber : Hasil olah data,2009). a.PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 2001 (PRUNING FACTOR = 4) 225

0

200

20

175

40 60

150

80

125

100 100

120

75

140

50

160

25

180

0

HUJAN (MM)

DEBIT (M3/DT)

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)

200 3

28

53

78

103

128

153

178

203

228

253

278

303

328

353




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.

Gambar 4.26.1 Visualisasi perbandingan verifikasi model Pada simulasi Model 1 P_BR, hanya 27 variabel 1P_BR dengan observasi tahun 2001, pruning factor =4 input yang terpilih mewakili simulasi yaitu yang memiliki (Sumber : Hasil olah data,2009). nilai korelasi diatas 0.30, hasil yang diperoleh belum bisa

30

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.

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 Nilai Performa Model Performa Pembelajaran (training)

MODEL 1 P_BR CC


0.934 6.003 9.417 29.455 36.102 1092 28 98

MAE

Mean absolute error

RMSE

Root mean squared error

RAE

Relative absolute error %

RRSE

Root relative squared error (%)

MODEL 2 P_BR


0.928 6.184 9.803 30.344 37.583 1092 17 81

Sumber : Hasil Olah data,2009 PLOT PEMBELAJARAN MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 1998

200

0 20

175

40 150 60

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.

31

80

100

100 120

75

140

HUJAN (MM)

DEBIT (M3/DT)

125

50 160 25

180

0

200 3

28

53

78

103

128

153

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

178 203 HARI KE -

228

253

278

303

328

353

DEBIT HARIAN OBSERVASI (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)


400

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

0

350

Performa Model

50 300

CC

Correlation coefficient 100

200 150

150

HUJAN (MM)

DEBIT (M3/DT)

250

100

250 1

31

61

91

121

151

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

181 HARI KE -

211

241

271

301

331

361

Sumber: Hasil olah data, 2009


Gambar 4.28 Visualisasi perbandingan pembelajaran model 1 P_BR dan model 2 P_BR tahun 1999 (Sumber: Hasil olah data, 2009)

0.872 7.434 15.203 29.284 48.198 1092 17 81

0.865 7.452 15.570 29.354 49.361 1092 28 98

MAE RMSE RAE RRSE

Mean absolute error Root mean squared error Relative absolute error % Root relative squared error (%)


200 50 0

Nilai Performa Model MODEL 1 P_BR MODEL 2 P_BR


300

0 20

250


250

0

40

60

200

50

100 100

150

HUJAN (MM)

DEBIT (M3/DT)

150

150

100

120 100

140 160

50

180

50

0

200

200

3

28

53

78

103

128

153

0 1

31

61

91

121

151


181 HARI KE -

211

241

271

301

331

HUJAN (MM)

DEBIT (M3/DT)

80 200

178 203 HARI KE -


361

228

253

278

303

328

353



Gambar 4.30 Visualisasi perbandingan verifikasi model 1 Gambar 4.29 Visualisasi perbandingan pembelajaran P_BR dan model 2 P_BR tahun 2001 model 1 P_BR dan model 2 P_BR tahun 2000 (Sumber: (Sumber: Hasil olah data, 2009) Hasil olah data, 2009)

32

20

400

40

350

60

300

80

250

100

200

120

150

140

100

160

50

180

0

HUJAN (MM)

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.

0

450

DEBIT (M3/DT)

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


500

200

1

31

61

91

121

151


181 HARI KE -

211

241

271

301

331

361


Gambar 4.31 Visualisasi perbandingan verifikasi model 1 P_BR dan model 2 P_BR tahun 2002 (Sumber: Hasil olah data, 2009)

Tabel 4.19. Performa model Model 2 P_BR saat verifikasi menggunakan penyederhanan pruning factor.

20 200

40

PERFORMA MODEL

60 80 100

100

120

HUJAN (MM)

DEBIT (M3/DT)

150

140

50

160 180

0

200 1

31

61

91

121

151

181

211

241

271

301

331

361

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

Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error (%) Total Number of Instances Attributes input Jumlah Persamaan

2 0.875 7.425 15.041 29.248 47.686 1092 17 14

PRUNING FACTOR 3 4.0 0.873 0.867 7.553 7.673 15.148 15.526 29.752 30.225 48.024 49.224 1092 1092 17 17 10 9

5 0.888 8.359 14.291 32.929 45.308 1092 17 1

Sumber: Hasil olah data, 2009

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

Gambar 4.32 Visualisasi perbandingan verifikasi model 1 P_BR dan model 2 P_BR tahun 2003 (Sumber: Hasil olah data, 2009)


1 0.872 7.526 15.135 29.644 47.983 1092 17 11

A. PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 2001 (PURNING = 1)

300

20

250

40

60

200

80

DEBIT (M3/DT)

C. Running Proses Verifikasi Model Kedua (Model 2 P_BR) dengan pruning factor.

150

100 120

100

33

140 160

50

180

0

200 3

28

53

78

103


128

153

178 203 HARI KE -

228

253


278

303

328

353


Gambar 4.33.1 Visualisasi perbandingan verifikasi model 2 P_BR dengan observasi tahun 2001,pruning factor = 1 (Sumber: Hasil olah data, 2009) B.PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 2002 (PURNING =1)

500

0

450

20

400

40

350

60

300

80

250

100

200

120

150

140

100

160

50

180

DEBIT (M3/DT)

Evaluasi verifikasi model yaitu dengan membandingkan hasil verifikasi Model 1 P_BR saat pruning factor 1 nilai RMSE = 15.946 dengan Model 2 P_BR nilai RMSE = 15.135,performa model 2 P_BR lebih membaik ; bila pruning factor = 2 untuk Model 1 P_BR nilai RMSE = 15.293 dengan Model 2 P_BR performa model lebih baik dengan nilai RMSE = 15.041. Dari contoh perbadingan tersebut, maka dengan purning=2 Model 2 P_BR menghasilkan jumlah persamaan =14 dan jumlah attribut =17. Namun ketika nilai pruning factor ditingkatkan dari 3 ke 4 performa model mengalami penurunan performa. Kemudian bila ditingkatkan angka pruning factornya = 5, performa menjadi lebih baik tetapi hanya menghasilkan jumlah persamaan linier (LM) = 1 (satu) sehingga dianggap persamaan linier biasa bukan Model Tree. hasil nilai performa model mulai dengan purning factor 1 s/d 5 dapat dilihat pada Tabel 4.17. Hasil dari pada simulasi Model 2 P_BR selain dievaluasi dengan nilai RMSE dapat juga di evaluasi dengan visualisasi gambar ploting garis grafik seperti yang terlihat pada Gambar 4.33.1 s/d 4.33.3, Gambar4.34.1s/d Gambar 4.34.3, Gambar 4.35.1 s/d Gambar 4.35.3, Gambar 4.36.1 s/d Gambar 4.36.3 dan Gambar 4.37.1 s/d Gambar 4.37.3. Dari hasil visulasiasi yang mempunyai penyimpangan terbesar (error) tampak terlihat pada Gambar 4.37.A-C yaitu penyimpangan terbesar adalah saat musim kemarau bulan Juni-Oktober maupun musim hujan Nopember – Desember, model prediksi lebih tinggi dari data observasinya.

0

HUJAN (MM)

0

0

HUJAN (MM)


250

200 1

31

61

91


121

151

181 HARI KE -

211

241


271

301

331

361


Gambar 4.33.2 Visualisasi perbandingan verifikasi model 2 P_BR dengan observasi tahun 2002, pruning factor = 1 (Sumber: Hasil olah data, 2009)

C. PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 2003 (PRUNING=2)

0 250

20 200

0 20

40 200

60

60

100

120 140

150

80

DEBIT (M3/DT)

100

HUJAN (MM)

80

DEBIT (M3/DT)

150

40

100

100

120

HUJAN (MM)

C. PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 2003 (PURNING=1)

250

140

50

160 50

160

180 180

0

200 1

31

61

91

121

151

181

211

241

271

301

331

0

361


200 1

HARI KE DEBIT HARIAN OBSERVASI (M3/DT)

31

61

91

121


211

241

271

301

331

361



Gambar 4.34.3 Visualisasi perbandingan verifikasi model 2 P_BR dengan observasi tahun 2003, pruning factor = 2 (Sumber: Hasil olah data, 2009

A. PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 2001 (PURNING =2)

A. PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 2001 (PRUNING = 3)

300

300

181 HARI KE -

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

0

250

0 20

20

250

40

40

120 100

140

HUJAN (MM)

100

DEBIT (M3/DT)

80

80 150

60

200

60

200

DEBIT (M3/DT)

151

150

100 120

100

140

160

50

160

50 180

0

180

200 3

28

53

78


103

128

153

178 203 HARI KE -


228

253

278

303

328

0

353

200 3

28

53

78




34

103

128

153

178 203 HARI KE -

228


253

278

303

328

353



A. PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 2001 (PRUNING = 5) 300

 Evaluasi Hasil Model 2 P_BR

0

20 250

40

Hasil dari skenario Model 2 P_BR jika dibandingkan Model 1 P_BR bisa dikatakan semakin baik walaupun 150 100 dalam hal ini masih belum memenuhi angka 0 Nilai 120 RMSEnya. Pencapaian angka RMSE hasil verifikasi yang 100 140 sangat besar tersebut menunjukkan model prediksi tidak 160 50 mampu mengikuti debit harian hasil observasi dilapangan. 180 Hal tersebut sangat dipengaruhi sekali oleh hubungan antara 0 200 3 28 53 78 103 128 153 178 203 228 253 278 303 328 353 variabel input dengan Output yang tidak bisa mencapai HARI KE angka 1, dengan nilai korelasi yang sangat kecil tersebut Gambar 4.37.1 Visualisasi perbandingan verifikasi model sangat mempengaruhi performa model. Model 2 P_BR adalah model hasil penyederhanaan 2 P_BR dengan observasi tahun 2001, pruning factor = 5 variabel input dari 64 variabel input menjadi 17 variabel (Sumber: Hasil olah data, 2009 input. Variabel input tersebut adalah data curah hujan harian yang tercatat di 4 (empat) stasiun pencatatan curah B.PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK hujan di Sub-DAS Kali Lesti dan data curah hujan harian BENDUNGAN SENGGURUH DENGAN DATA TAHUN 2002 (PRUNING =5) 500 0 yang tercatat di 12 (dua belas) stasiun pencatat curah hujan 450 20 harian di Sub-DAS Kali Brantas Hulu. Namun Model 2 400 40 P_BR setelah disimulasikan beberapa kali hanya 10 stasiun 350 60 pencatatan curah hujan harian yang bisa mewakili sebagai 300 80 pemodelan prediksi debit harian yang masuk di Bendungan 250 100 200 120 Sengguruh. Hasil pemilihan model yang paling sederhana 150 140 namun dalam penyederhanaan model masih menunjukkan 100 160 performa yang baik diantara yang lainnya adalah Model 2 50 180 P_BR pruning factor = 2 nilai RMSE = 15.041 dengan 0 200 Jumlah persamaan 14. Gambar hirarki Model 2 P_BR 1 31 61 91 121 151 181 211 241 271 301 331 361 HARI KE dilihat pada Gambar 4.38. 60

200

HUJAN (MM)

DEBIT (M3/DT)

80



HUJAN (MM)

DEBIT (M3/DT)





Gambar 4.37.2 Visualisasi perbandingan verifikasi model 2 P_BR dengan observasi tahun 2002, pruning factor = 5 (Sumber: Hasil olah data, 2009 C. PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 2003 (PRUNING=5)

250

0 20

200

40 60

100

100

120

HUJAN (MM)

80

DEBIT (M3/DT)

150

140

50

160 180

0

200 1

31

61

91

121

151

181

211

241

271

301

331

361





35

Tabel 4.20. Persamaan Model 2 P_BR untuk Prediksi Debit Harian yang Masuk Bendungan Sengguruh PERSAMAA N (LM)

OUTPUT (Y)

LM1

QinSggr QinSggr

LM2 QinSggr LM3 QinSggr LM4 QinSggr LM5 QinSggr LM6

βO + (β1 x X1) + (β2 x X2) +........+ (βn x Xn 3.35 + 0.888QinSggrt-1 + 0.00928RSggt0 + 0.0136RWgrt0 + 0.183RBtt-1 - 0.0101RTklt0 + 0.0162RTklt-1 + 0.00833RPjnt0 - 0.00388RJbgt0 + 0.00517RTpgt0 + 0.277RDptt0 + 0.0108RWjkt0 4.07 + 0.939QinSggrt-1 + 0.0222RSggt0 + 0.298RWgrt0 + 0.00331RBtt-1 - 0.383RTklt0 + 0.289RTklt-1 + 0.0226RPjnt0 - 0.0135RJbgt0 + 0.00517RTpgt0 + 0.474RDptt0 + 0.0379RWjkt0 12.8 + 0.725QinSggrt-1 + 0.0132RSggt0 + 0.0145RWgrt0 + 0.00259RBtt-1 + 0.0102RKytt-1 + 0.236RTklt-1 + 0.0104RPjnt0 + 0.0203RTpgt0 + 0.0184RDptt0 29.7 + 0.458QinSggrt-1 + 0.0306RSggt0 + 0.034RWgrt0 + 0.00259RBtt-1 + 0.0861RKytt-1 + 0.0407RTklt0 + 0.0146RTklt-1 + 0.0273RPjnt0 + 0.0209RTpgt0 + 0.0389RDptt0 + 0.176RPckt0 54.8 + 0.116QinSggrt-1 + 0.0306RSggt0 + 0.034RWgrt0 + 0.00259RBtt-1 + 0.0916RKytt-1 + 0.397RTklt0 + 0.0146RTklt-1 + 0.0273RPjnt0 + 0.0209RTpgt0 + 0.0389RDptt0 69.5 + 0.116QinSggrt-1 + 0.0306RSggt0 + 0.034RWgrt0 + 0.00259RBtt-1 + 0.0916RKytt-1 + 0.175RTklt0 + 0.0146RTklt-1 + 0.0273RPjnt0 - 0.56RJbgt0 +

36

Pada Gambar 4.38, Model 2 P_BR Pemodelan prediksi debit harian yang masuk Bendungan Sengguruh diawali dengan model mengelompokkan data input di Sengguruh saat sekarang (QinSggr) kedalam batasan data di QinSggrt-1 ≤ 46.4 atau > 46.4. Bila data di QinSggrt-1 ≤ 46.4 maka pengelompokkan dipersempit pada batasan apakah RKytt-1 ≤ 1.35 (peramalan menggunakan persamaan 1 (LM 1) atau > 1.35 (persamaan 2 (LM2)). Bila data di QinSggrt-1> 46.4 maka pengelompokkan dipersempit lagi dengan batasan data QinSggrt-1 ≤ 84.9 atau > 84.9. Jika QinSggrt-1 ≤ 84.9 dilakukan untuk variabel input yang lain (dalam hal ini data di st.Tumpang (RTpg), data di st. Tumpang saat t0 atau waktu sekarang RTpgt0 ≤ 1.5 atau > 1.5. Bila data di RTpgt0 ≤ 1.5, maka peramalan data di QinSggr menggunakan persamaan linier 3 (LM3). Bila data di RTpgt0 > 1.5 maka pengelompokkan dipersempit lagi dengan batasan data QinSggrt-1 ≤ 67.3 atau > 67.3. Bila QinSggrt-1 ≤ 67.3 dilakukan untuk variabel input yang lain (dalam hal ini data di st. Pujon (RPjn), data di st. Pujon saat t0 atau waktu sekarang RPjnt0 ≤ 9.5 atau > 9.5. Bila data di RTpgt0 ≤ 1.5 maka peramalan data di QinSggr menggunakan persamaan linier 4 (LM4). Bila data di RPjnt0 > 9.5 dilakukan untuk variabel input yang lain (dalam hal ini data di Tangkil (RTkl), data di Tangkil saat t-1 atau waktu 1 hari kebelakang RTklt-1 ≤ 24 maka peramalan data menggunakan persamaan linier 5 (LM5), bila > 24 maka prediksi debit hariannya menggunakan persamaan linier 6 (LM6), demikian seterusnya pengelompokan – pengelompokan tersebut dilakukan sampai dengan digunakannya persamaan 14 (LM14). Kemudian 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 pridiksi debit harian yang masuk Bendungan Sengguruh. Dari penjelasan hirarki Model 2 P_BR tersebut diatas, maka selanjutnya hasil running model tree dengan purning factor = 2 persamaan linier terbaik yang dipakai sebagai prediksi debit harian yang masuk Bendungan Sengguruh dapat dilihat pada Tabel 4.20.

0.0209RTpgt0 + 0.0389RDptt0 QinSggr

4.5.

58.9 + 0.123QinSggrt-1 + 0.033RSggt0 + 0.276RWgrt0 + 0.00259RBtt-1 + 0.038RKytt-1 + 0.0146RTklt-1 + 0.291RPjnt0 + 0.0209RTpgt0 + 0.273RDptt0 60.4 + 0.138QinSggrt-1 + 0.0173RSggt0 + 0.0213RWgrt0 + 0.00259RBtt-1 + 0.0555RTklt0 + 0.346RTklt-1 + 0.00203RPjnt0 + 0.13RTpgt0 + 0.0223RDptt0 66.9 + 0.138QinSggrt-1 + 0.0173RSggt0 + 0.0213RWgrt0 + 0.00259RBtt-1 + 0.0555RTklt0 + 0.432RTklt-1 + 0.00203RPjnt0 + 0.138RTpgt0 + 0.0223RDptt0 72.4 + 0.162QinSggrt-1 + 0.0173RSggt0 + 0.0213RWgrt0 + 0.00259RBtt-1 + 0.0752RTklt0 + 0.147RTklt-1 + 0.00203RPjnt0 + 0.0845RTpgt0 + 0.108RDptt0 + 0.128RPckt0 73.6 + 0.162QinSggrt-1 + 0.0173RSggt0 + 0.0213RWgrt0 + 0.00259RBtt-1 + 0.0752RTklt0 + 0.147RTklt-1 + 0.00203RPjnt0 + 0.0845RTpgt0 + 0.108RDptt0 + 0.128RPckt0 74.6 + 0.162QinSggrt-1 + 0.0173RSggt0 + 0.0213RWgrt0+ 0.00259RBtt-1 + 0.0752RTklt0 + 0.147RTklt-1 + 0.00203RPjnt0 + 0.0845RTpgt0 + 0.108RDptt0 + 0.128RPckt0 63 + 0.162QinSggrt-1 + 0.0173RSggt0 + 0.0213RWgrt0 + 0.00259RBtt-1 + 0.167RKytt-1 + 0.0752RTklt0 + 0.147RTklt-1 + 0.00203RPjnt0 + 0.0845RTpgt0 + 0.108RDptt0 + 0.128RPckt0 70.5 + 0.162QinSggrt-1 + 0.0173RSggt0 + 0.0213RWgrt0 + 0.00259RBtt-1 + 0.0752RTklt0 + 0.147RTklt-1 + 0.00203RPjnt0 + 0.0845RTpgt0 + 0.538RDptt0 + 0.266RPckt0

LM7 QinSggr LM8 QinSggr LM9 QinSggr LM10 QinSggr LM11 QinSggr LM12 QinSggr LM13 QinSggr LM14

Model prediksi debit menggunakan variabel input debit harian (St. Gadang dan St Tawangrejani serta curah hujan harian (Model 3 P_BR)

Model prediksi debit menggunakan debit harian dari stasiun pencatatan AWLR (St. Gadang dan St. Tawangrejani) serta data curah hujan yang terpilih pada Model 2 P_BR, maka untuk pembahasan simulasinya ada di subbab 4.5.1. 4.5.1 Pembelajaran Model 3 P_BR Pembelajaran untuk Model 3 P_BR data yang digunakan data series debit harian yang tercatat di stasiun Gadang (Kali Brantas Hulu), stasiun Tawangrejani (Kali lesti) serta data curah hujan yang terpilih dari Model 2 P_BR. Kemudian untuk simulasi Model 3 P_BR penyederhanannya menggunakan pruning factor 1, 2, 3, 4, 5, 6, 7. Hasil pembelajaran performa model dapat dilihat pada Tabel 4.21. sedangkan hasil pengeplotan grafik dapat dilihat di Gambar 4.39.1, Gambar 4.39.2 dan Gambar 4.39.3.

Sumber : Hasil Olah Data, 2009

Stasiun Pencatatan Curah Hujan Harian yang Tabel 4.21. Performa model Model 3 P_BR saat mempengaruhi Model 2 PB adalah St. Poncokusumo pembelajaran menggunakan penyederhanan (RPckt0), St. Kayutangan (RKytt-1), St. Tumpang (RTpgt0), pruning factor. St. Wagir (Rwgrt0), St. Pujon (Rpjnt0), St. Jabung (t0), St. Tangkil (RTklt-1) St. Batu (RBtt-1) dan Stasiun Pencatatan Nilai Performa Model dengan PERFORMA PEMBELAJARAN Pruning Factor 1-7 debit harian St Sengguruh (QinSggrt-1) (TRAINING) Correlation Coefficient Mean Absolute Error Root Mean Squared Error Root Absolute Error (%) Root Relative Square Error (%) Total Number Of Intances Attributes Input Jumlah Persamaan (LM)

GRAFIK PEMBELAJARAN MODEL 3 P_BR DENGAN DATA TAHUN 2002 (PURNING FACTOR=2) 450

0

400

20

1 2 0.936 0.915 5.866 6.906 9.251 10.549 28.782 33.887 35.464 40.440 1092 1092 34 34 62 6

3-6 0.902 7.203 11.280 35.340 43.245 1092 34 2

7 0.885 7.841 12.153 38.474 46.588 1092 34 1

40

350

60 GRAFIK PEMBELAJARAN MODEL 3 P_BR DENGAN DATA TAHUN 2001(PURNING

100 200 120

150

HUJAN (MM)

80 250

DEBIT (M3/DT)

180

0

200

1

31

61

91

121

151

181

211

241

271

301

331

20 40 60

150

160

50

0

200 175

140

100

FACTOR = 2)

225

80 125 100 100 120 75

361

HUJAN (MM)

300

DEBIT (M3/DT)


140

50

160

HARI KE 25



180

DEBIT HARIAN MODEL 3 P_BR (M3/DT) 0

200 3

28

53

78

103

128

153

178

203

228

253

278

303

328

353

Gambar 4.39.2 Visualisasi perbandingan pembelajaran model 3 P_BR dengan observasi tahun 2001 dengan . pruning factor = 2 (Sumber: Hasil olah data, 2009) Gambar 4.39.1 Visualisasi perbandingan pembelajaran model 3 P_BR dengan observasi tahun 2001 dengan pruning factor = 2 (Sumber: Hasil olah data, 2009) HARI KE -


37



Evaluasi Hasil Pembelajaran Model 3 P_BR 250

0

225

20

200

40

175

60

150

80

125

100

100

120

75

140

50

160

25

180

0

HUJAN (MM)

DEBIT (M3/DT)

GRAFIK PEMBELAJARAN MODEL 3 P_BR DENGAN DATA TAHUN 2003 (PURNING FACTOR =2)

200 1

31

61

91

121

151

181

211

241

271

301

331

361




Gambar 4.39.3 Visualisasi perbandingan pembelajaran model 3 P_BR dengan observasi tahun 2003 dengan pruning factor = 2 (Sumber: Hasil olah data, 2009)

 Hasil Model 3 P_BR jika dibandingkan Model 1 P_BR dan Model 2 P_BR bisa dikatakan semakin baik dengan nilai RMSE = 10.55.  17 Variabel input yang mempengaruhi model 3 P_BR yaitu 6 variabel input untuk stasiun pencatatan debit (QGdtt0, QGdt-1, QGdt-2, QTwt0, QTwt-1, QTwt-2) dan 11 variabel input untuk stasiun pencatatan curah hujan harian (RSggt0, RSggt-2, RWgrt0, RBtt-1, RTklt0, RTklt-1, RPctt0, RJbgt0, RTpgt0, RDptt0, RDptt-1). Jadi pada Sub-DAS Kali Brantas Hulu variabel input yang paling banyak mempengaruhi yaitu 12 variabel input. 4.5.2. Verifikasi Model 3 P_BR Hasil verifikasi dengan data series tahun 2001 nilai RMSE = 11.98 jumlah persamaan liner (LM) 6 dengan menggunakan attribut 34. Jadi nilai RMSE melemah terhadap pembelajaran, namun koreksi nilai error terhadap rata-rata debit harian 55.10 m3/dt bila dibandingkan dengan model 2 P_BR sebesar 30 % namun untuk model 3 P_BR lebih kecil 20 %, terjadi penurunan sebesar 10 %. Untuk mengetahui perbandingan hasil verifikasi Model 1 P_BR, Model 2 P_BR dan Model 3 P_BR dapat dilihat pada Tabel 4.22. Kemudian untuk melihat ploting ketiga model tersebut dapat dilihat pada Gambar 4.40 dan Hirarki Model 3 P_BR dapat dilihat pada Gambar 4.41.

Berdasarkan Gambar 4.39.1 s/d Gambar 4.39.3., bahwa saat garis grafik model prediksi berimpit dengan garis grafik observasi yaitu pada debit minimum sebesar 55.12 m3/dt tidak terjadi selisih (= 0 m3/dt). Kemudian untuk garis grafik yang belum berimpit yaitu saat garis grafik debit maksimum model sebesar 258,15 m3/dt belum bisa mengikut garis grafik debit maksimum observasi sebesar 284.05 m3/dt (selisih sebesar 25,90 m3/dt). Jadi dengan performa model terbaik Model 3 P_BR untuk nilai RMSE = Tabel 4.22. Perbandingan Performa model 1 P_BR, Model 10.55 terjadi penyimpangan (error) model sebesar 19,14 % 2 P_BR dan Model 3 P_BR (pembelajaran/kalibrasi). Nilai Performa Model Performa Model

MODEL 1 P_BR CC


MAE

Mean absolute error Root mean squared error

RMSE RAE

Relative absolute error % Root relative squared error (%)

MODEL 2 P_BR MODEL 3 P_BR

0.872 7.434 15.203 29.284 48.198 1092 17 81

0.865 7.452 15.570 29.354 49.361 1092 28 98

RRSE

Dari Gambar 4.40 visualisasi perbandingan verifikasi Total Number of Instances Model 1 P_BR, model 2 P_BR dan Model 3 P_BR bahwa Attributes input Jumlah Persamaan garis yang hampir berimpit adalah pada Model 3 P_BR Sumber: Hasil olah data, 2009 tampak pada debit maksimum pada tanggal 5 februari 2001 Model 3 P_BR = 160.76 m3/dt, Model 1 P_BR = 131.99 m3/dt, model 2 P_BR = 132.93 dan debit observasi=183.82 m3/dt. Jadi untuk debit maksmum model 3 P_BR yang mempunyai nilai yang hampir mendekati debit observasi dibandingkan model lainnya. Namun musim kemarau garis model berimpit dengan semua model dan observasi yaitu bulan Agustus sampai dengan bulan September. Pada bulan Nopember garis model 3 P_BR bisa mengikuti garis Observasi tetapi untuk model 1 P_BR dan Model 2 P_BR tidak bisa mengikuti saat debit tinggi.

0.910 7.370 11.980 31.780 41.320 362 34 6

GRAFIK VERIFIKASI DEBIT HARIAN MODEL 1 P_BR, MODEL 2 P_BR DAN MODEL 3 P_BR TERHADAP DATA DEBIT HARIAN OBSERVASI TAHUN 2001 (PURNING =2)

225

0

200

20 40

175

60 80

125

100

100

120

75

140

50

160

25

180

0

3

28

53

78

103

128

153

178

HUJAN (MM)

DEBIT (M3/DT)

150

200 203

228

253

278

303

328

353

HARI KE -




Gambar 4.40 Visualisasi perbandingan verifikasi Model 1 P_BR, model 2 P_BR dan Model 3 P_BR (Sumber: Hasil olah data, 2009)

38

Tabel 4.23. Hasil uji korelasi untuk variabel input dan output pada observasi dan model ( Model 3 P_BR)

Gambar 4.41 Hirarki Model 3 P_BR .

BAB V KESIMPULAN DAN SARAN

5.1. Kesimpulan 1. Hubungan antara variabel input terhadap variabel output yang dominan mempengaruhi performa model sebagai berikut :  Variabel input dari pencatatan debit harian dengan time lag t0 – t2 dengan nilai korelasi tertinggi yaitu stasiun Gadang ( QGdt-1 = 0.855), QGdt-2 = 0,779) dan stasiun Tawangrejeni QTwt0 = 0,802),  Variabel input dari pencatatan curah hujan harian dengan time lag t0 – t2 dengan nilai korelasi tertinggi untuk Sub-DAS Kali Brantas Hulu yaitu stasiun Pacet (RPctt0 = 0,375), stasiun Sengguruh

39

NO.

VARIABEL INPUT

MODEL

OBSERVASI

SELISIH

NO.

VARIABEL INPUT

MODEL

OBSERVASI

SELISIH

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

QSggrt-1 QGdt0 QGdt-1 QGdt-2 QTwt0 QTwt-1 QTwt-2 RSggt0 RSggt-1 RSggt-2 RWgrt0 RBtt0 RBtt-1 RBtt-2 RKytt0 RKytt-1 RTklt0

0.927 0.838 0.855 0.779 0.802 0.771 0.733 0.338 0.473 0.493 0.406 0.278 0.294 0.310 0.158 0.323 0.274

0.890 0.879 0.844 0.743 0.760 0.820 0.772 0.444 0.527 0.441 0.284 0.326 0.368 0.314 0.222 0.214 0.341

-0.037 0.041 -0.012 -0.037 -0.042 0.049 0.040 0.106 0.055 -0.052 -0.122 0.048 0.074 0.003 0.065 -0.109

18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33

RTklt-1 RKpjt0 RPctt0 RPjnt0 RKdrt0 RKdrt-2 RJbgt0 RTpgt0 RDptt0 RDptt-1 RStjt0 RPckt0 RPckt-1 RPckt-2 RPckt-3 RWjkt0

0.398 0.413 0.375 0.530 0.514 0.420 0.474 0.487 0.452 0.450 0.291 0.577 0.553 0.537 0.472 0.445

0.377 0.460 0.402 0.566 0.522 0.415 0.457 0.438 0.474 0.418 0.250 0.587 0.502 0.499 0.439 0.425

-0.021 0.047 0.027 0.037 0.008 -0.004 -0.017 -0.050 0.022 -0.032 -0.041 0.010 -0.051 -0.038 -0.033 -0.020

Berdasarkan hasil uji korelasi Model 3 P_BR seperti pada Tabel 4.23 terdapat 19 (sembilan belas) variabel input yang memiliki nilai korelasi sedikit meningkat yaitu QSggrt-1, QGdt-1, QGdt-2, QTwt0, RSggt-2, RWgrt0, QKytt-1, RTKlt-1, RKdrt-2, RJbgt0, RTpgt0, RDptt-1, RStjt0, RPckt-1, RPctkt-2, RPctkt-3 dan RWjkt0. Kemudian dampak dari nilai korelasi tersebut terbukti pada hasil simulasi terbaik pada Model 3 P_BR yaitu simulasi dengan pruning 2 (dua) dengan menghasilkan 6 (enam) persamaan linier. Dari simulasi model prediksi tersebut variabel input yang terpakai untuk model prediksi adalah variabel input di Sub-DAS Kali Brantas Hulu (11 variabel input) : QGdt-1, QGdt-2, RPctt0, RSggrt0, RSggrt-2, RWgrt0, RBtt-1, RKytt-1, RTklt-1, RKdrt-2, RJbt0 dan Sub-DAS Kali Lesti (10 variabel input) : QTwt0, QTwt-1, QTwt-2, RTpgt0, RDptt-1, RStjt0, RPckt-1, RPckt-2, RPckt-3, RWjkt0. Namun variabel input yang paling dominan mempengaruhi model prediksi adalah di Sub-DAS Kali Brantas Hulu yaitu St. Pacet (RPct), St. Sengguruh (RSggr), St. Wagir (RWgr), St. Batu (RBt), St. Kayutangan (RKyt), St. Tangkil (RTkl), St. Kedungrejo (RKdr) dan St. Jabung (RJbg).

LM1

: QinSggr

=

2.12 + 0.827QSggrt-1 + 0.199QGdt0 +



(RSggrt-2 = 0,493), stasiun Wagir (RWgrt0 = 0,406), stasiun Kayutangan (RKytt-1 = 0,323), stasiun Tangkil (RTklt-1 = 0,398), stasiun Kendungrejo (RKdrt-2 = 0,420), stasiun Jabung (RJbgt0 = 0,474), stasiun Tumpang (RTpgt0 = 0,487), Variabel input dari pencatatan curah hujan harian dengan time lag t0 – t2 dengan nilai korelasi tertinggi untuk Sub-DAS Kali Brantas Hulu yaitu stasiun Dampit (RDptt-0 = 0,452, Dptt-1 = 0,450), stasiun Sitiarjo (RStjt0 = 0,291), stasiun Poncokusumo (RPckt-0 =0,577, RPckt-1 = 0,553, RPckt-2 = 0,537, RPckt-3 = 0,472) dan stasiun Wajak (RWjkt0 = 0,445).

2. Data yang dominan mempengaruhi performa model prediksi debit harian adalah data curah hujan harian dan debit harian yang tercatat di Sub-DAS Brantas Hulu yaitu data curah hujan harian yang tercatat di Stasiun Sengguruh, Stasiun Kayutangan, Stasiun Tangkil, Stasiun Wagir, Stasiun Batu dan data debit harian yang tercatat di Stasiun Gadang. 3. Model yang mempunyai akurasi performa terbaik adalah Model 3 P_BR dengan nilai RMSE = 11.98 prosentase nilai penyimpangan model prediksi sebesar 20% dengan debit rata-rata (average) 55.10 m3/dt. Bila dibandingkan dengan Model 1 P_BR (RMSE= 15.481) dan model 2 P_BR (RMSE=15.203) dengan nilai penyimpangan 30 % maka model 3 P_BR adalah yang terbaik yaitu pada penyederhanaan model dengan pruning factor =2 menghasilkan dengan 6 (enam) persamaan linier (LM), hubungan variabel input pada model 3 P_BR tersebut dapat diuraian pada persamaan sebagai berikut :

40

LM2

LM3

LM4

LM5

LM6

0.415QGdt-1 - 0.623QGdt-2 + 0.017QTwt0 + 0.35QTwt-1 0.014QTwt-2 + 0.136RSggt0+ 0.00355RSggt-2 + 0.15RWgrt0 + 0.00273RBtt-1 - 0.289RTklt0+ 0.198RTklt-1 + 0.167RPctt0 - 0.115RJbgt0 + 0.143RTpgt0 + 0.351RDptt0 + 0.19RDptt-1 : QinSggr = 12.2 + 0.517QSggrt-1 + 0.531QGdt0 0.304QGdt-2 + 0.663QTwt0+ 0.422QTwt-1 - 0.589QTwt-2 + 0.00222RSggt0 + 0.00324RSggt-1 + 0.188RSggt-2 + 0.00206RWgrt0 + 0.00214RBtt-1 + 0.155RKytt-1 + 0.0103RTklt-1 + 0.128RKdrt-2 + 0.144RTpgt0 + 0.00322RDptt0 : QinSggr = 56.7 + 0.0921QSggrt-1 + 0.133QGdt0 0.0323QGdt-2 + 0.599QTwt0 - 0.231QTwt-1 - 0.126QTwt-2 + 0.00222RSggt0 + 0.0119RSggt-1+ 0.0196RSggt-2 + 0.11RWgrt0 + 0.00214RBtt-1 + 0.0909RKytt-1+ 0.159RTklt1 + 0.0237RTpgt0 +.00322RDptt0 : QinSggr = 60.3 + 0.0921QSggrt-1 + 0.133QGdt0 0.0323QGdt-2 + 1.26QTwt0 - 0.687QTwt-1 - 0.126QTwt-2 + 0.00222RSggt0 + 0.0119RSggt-1+ 0.0196RSggt-2 + 0.224RWgrt0 + 0.00214RBtt-1 + 0.239RKytt-1+ 0.108RTklt1 + 0.0237RTpgt0 + 0.00322RDptt0 : QinSggr = 61.6 + 0.153QSggrt-1 + 0.239QGdt0 0.0323QGdt-2 + 0.597QTwt0 + 0.00924QTwt-1 0.227QTwt-2 + 0.00222RSggt0 + 0.0119RSggt-1+ 0.0196RSggt-2 + 0.00206RWgrt0 + 0.00214RBtt-1 + 0.166RTklt-1+ 0.287RJbgt0 + 0.0237RTpgt0 + 0.00322RDptt0 + 0.2RPckt0 : QinSggr = 65.9 + 0.153QSggrt-1 + 0.239QGdt0 0.0323QGdt-2 + 0.597QTwt0 + 0.00924QTwt-1 0.227QTwt-2 + 0.00222RSggt0 + 0.0119RSggt-1

5.2 Saran Pemilihan atribut atau variabel input dalam pembuatan model prediksi debit harian yang masuk di Bendungan Sengguruh adalah untuk menentukan baik buruknya performa model. Selain itu boleh juga dengan mengurangi jumlah variabel input yang didasarkan pada pertimbangan penyederhanan model dan model masih memiliki performa yang baik.

DAFTAR PUSTAKA Departemen Pekerjaan Umum Direktorat Sumbar Daya Air. (2005), Penyusunan Pola Pengelolaan Sumber Daya Air Wilayah Sungai Brantas, Balai Besar Wilayah Sungai Kali Brantas Indriani, Diah. (2005), Handout: Regresi Linier Berganda, FKM, Airlangga. Jasa Tirta 1. (2000), Manual Operation and Maintenance of New Gunungsari Dam, Perum Jasa Tirta 1, Malang. Juwono, Pitoyo.T. (2008), handout kuliah : Manajemen Sumber Daya Air. FTSP, ITS, Surabaya. Lasminto, U. (2004), Flood Modelling and Forecasting in the Surabaya River, M.Sc. Thesis, HH 479, IHE, Delft, The Netherlands. Listiya Heri Mularto. (2009), Model Peramalan Banjir di DAS Bengawan Solo, FTSP ITS,Surabaya Luknanto, Djoko. (2003), bahan kuliah hidrolika komputasi, Model Matematika, Fakultas Teknik UGM, Jogjakarta. Solomatine, D. P. (2001), Data driven Modelling: Machine learning, Data Mining and Knowledge Discovery, IHE lecture notes, HH482/02/1 Shrestha, Ishan (2003), Conceptual and DataDriven Hydrological Modelling of Bagmati River Basin, Nepal. M.Sc. Thesis, IHE, Delft, The Netherlands Sumarno, (2003), Pendekatan dan Pemodelan Sistem, UNIBRAW, Malang. Waikato ML Group. (1996), Tutorial-Weka the Waikato for Knowledge Analysis, Departement of Computer Science, University of Waikato, New Zealand. Wang, Y. and Witten, I.H. (1997) Introduction of Model Trees for Predicting Continuous Classes. Proceeding of the Poster Papers of the European Conference on machine Learning, University of Economics, Faculty of Informatic and Statistic, Prague, Czech Republic, Pages 128-137

41

42

Sumber : Hasil olah data,2009

Recommend Documents