Resilent Backpropagation Neural Network Dalam Modelisasi Curah Hujan Limpasan Studi Kasus: DAS Tukad Nyuling

Transkripsi

1 Resilet Bacpropagatio Neural Networ Dalam Modelisasi Curah Hua Limpasa Studi Kasus: DAS uad Nyulig Oleh: Putu Doddy Hea Ardaa ABSRAK Peelitia ii meyelidii tetag eguaa Resilet Bacpropagatio Neural Networ di dalam aalisis megeai hubuga curah hua-limpasa utu daerah alira sugai (DAS) Beberapa algoritma pembelaara eural etwor telah dielasa dalam beberapa peelitia atapu literatur Peelitia-peelitia yag telah dilaua tersebut meliputi peggambara da arsitetur yag coco diterapa di dalam apliasi yag berbeda misalya dalam predisi curah hua, predisi bair, da lai-lai Pada peelitia ii, Resilet Bacpropagatio Neural Networ diguaa utu meggambara trasformasi curah hua-limpasa pada salah satu DAS yag ada di Bali yai DAS uad Nyulig serta memverifiasi model tersebut secara statisti berdasara ilai mea square error (MSE), root mea square error (RMSE), esalaha absolute rata-rata (KAR) da ilai oefisie orelasi (r) Hasil peelitia meuua bahwa pegguaa Resilet Bacpropagatio Neural Networ dapat diterapa dalam modelisasi hubuga curah hua limpasa Dari eam model arsitetur ariga yag diterapa, model 6 dega pelatiha gradiet descet berarsitetur memberia hasil yag palig optimum dega tigat ilai esalaha abolute rata-rata (KAR),59 dega ilai oefisie orelasi 99,7 % pada proses traiig da pada proses peguia, meghasila ilai KAR,644 dega ilai oefisie orelasi 58,7% Dari hasil tersebut terlihat bahwa Resilet Bacpropagatio Neural Networ memilii emampua yag cuup bai dalam meggambara flutuasi debit yag aca e dalam betu model buata da uga dapat diterapa dalam modelisasi curah hua limpasa walaupu hasil peguia (testig) hasilya tida terlalu aurat area masih teradi peyimpaga Kata uci: pemodela curah hua limpasa, DAS, Resilet Bacpropagatio Neural Networ PENDAHULUAN Proses hidrologi secara sederhaa dapat digambara dega adaya hubuga atara usur masua yai hua, proses da eluara yaitu berupa alira (Hadihardaa, 25) Hubuga curah hua-limpasa merupaa masalah petig dalam hidrologi da meadi ompoe yag palig medasar dalam proses evaluasi sumber daya air (Jusawag, etal, 27) dimaa proses hidrologi ii bersifat o liear da sagat Artificial Neural Networ telah terbuti meadi model alteratif dari model tradisioal yag efisie dalam memodela variabel sumber daya air bai secara ualitatif da uatitatif Dalam beberapa tahu terahir, Artificial Neural Networs (ANN) sebagai salah satu betu model ota hitam (blac box model), telah berhasil diguaa secara optimal utu memodela hubuga o liier iput-output dalam suatu proses hidrologi yag omples da berpotesi meadi salah satu alat pegambil eputusa yag meaia dalam hidrologi (Dawso da Wilby, 2) Berdasara hasil peelitia megeai hubuga curah hua-limpasa dega model ANN pada suatu DAS, di dalam aalisis baya megguaa fugsi pembelaara dalam ANN berupa fugsi dega algoritma dasar gradiet descet saa Beraita dega hal tersebut, dipadag perlu dilaua suatu peelitia megeai pemodela hubuga curah hua-limpasa dega model Artificial Neural Networs dega algoritma fugsi pembelaara yag berbeda pada DAS gua lebih memahami bagaimaa iera da implemetasi dari ANN tersebut Obye studi yag diambil adalah DAS uad Nyulig di Karagasem yag memilii luas 24,93 m 2 Verifiasi model dilaua secara statisti berdasara ilai mea square error (MSE), root mea square error (RMSE), esalaha absolute rata-rata (KAR) da ilai oefisie orelasi (r) Model ANN yag diguaa utu aalisis megguaa metode Resilet Bacpropagatio Neural Networ, dieraa dega batua software MALAB versi 7 Release 4 2 UJUAN PENELIIAN Adapu tuua peelitia ii adalah utu megai da meggambara peerapa model Resilet Bacpropagatio Neural Networ di dalam modelisasi hubuga curah hua limpasa pada DAS uad Nyulig 3 LOKASI SUDI Loasi studi adalah daerah alira sugai (DAS) uad Nyulig yag berada di Kabupate Karagasem Propisi Bali Daerah alira sugai (DAS) uad Nyulig memilii luas urag dari m 2 yai 24,93 m 2 (Aoim, 27) dega betu daerah pegalira secara umum memaag (Aoim, 29) Data yag diambil utu diguaa dalam pegalihragama curah hua meadi limpasa adalah data ilim (data temperatur, ecepata agi, elembaba relatif, elembaba masimum, da lama peyiara) da data hidrologi (data curah hua, data debit da evapotraspirasi) Data ilim meggambara odisi cuaca di suatu daerah studi, da fator ilim bulaa yag terumpul selama (sepuluh) tahu yai dari tahu Data ilim ii didapat dari stasiu limatologi Pegaar pada PS ei Sipil UNR

2 Susua Sedaga etersediaa data hidrologi berupa data curah hua bulaa yag didapat dari stasiu hua Pidpid, stasiu hua Bebadem, da stasiu hua Amlapura Data curah hua yag terumpul sebaya tahu dari tahu MEODOLOGI 4 ei Aalisis Data 4 Aalisis data hua Dalam peelitia ii, data hidrologi yag diguaa bersumber dari beberapa stasiu hua, da data tersebut berupa data curah hua bulaa pada beberapa stasiu hua Data curah hua bulaa diguaa sebagai data masua (iput) di dalam pemodela Aalisis data hua ii meliputi ui osistesi data, curah hua rata-rata areal (areal raifall) da perbaia data hua Ui Kosistesi Data Pada suatu seri data hua, bisa teradi ohomogeitas data da etidasamaa (icosistecy) data Data tida homoge maupu tida osiste meyebaba hasil aalisis tida teliti Oleh area itu sebelum data tersebut dipaai utu aalisis, terlebih dahulu harus dilaua ui osistesi Ui osistesi dilaua dega metode RAPS (Rescaled Adusted Partial Sums) dega megguaa data dari stasiu itu sediri yaitu peguia dega umulatif peyimpaga terhadap ilai rata-rata dibagi dega aar umulatif rerata peyimpaga terhadap ilai rerataya i S *, S * ( Y Y ') dega =, 2, 3,, () S o S * i ** (2) Dy 2 ( Yi Y ') 2 i Dy (3) Q mas ** (4) R S mas S * mi S ** (5) * Dega melihat ilai statisti, maa dapat dicari ilai Q / da R / Hasil yag dapat dibadiga ilai Q / syarat da R / Sebagai syarat ia Q / da R / dihitug lebih ecil maa data masih dalam batasa osiste Syarat ilai Q / da R / sesuai dega tabel dari Sri Harto (99) 2 Hua wilayah Curah hua yag diperlua utu pegalihragama hua limpasa adalah curah hua rata-rata di seluruh daerah yag bersaguta Stasiu-stasiu pegamat hua yag tersebar pada suatu daerah alira sebagai hua titi (poit raifall) Utu megubah hua titi (poit raifall) meadi hua wilayah (regioal raifall) diguaa pedeata dega metode Polygo hiesse Metode Polygo hiese baya diguaa utu meghitug hua rerata awasa area memberia oresi terhadap edalama hua sebagai fugsi luas daerah yag diaggap mewaili Persamaa hua wilayah dega metode Polygo hiesse adalah sebagai beriut: R i A i Ri (6) A 3 Perbaia data hua Di dalam peguura hua serig dialami dua masalah Pertama adalah tida tercatatya data hua area rusaya alat atau pegamat tida mecatat data Kedua adalah area adaya perubaha odisi di loasi pecatata selama satu periode pecatata, seperti pemidaha atau perbaia stasiu, perubaha prosedur peguura atau area peyebab lai Kedua masalah tersebut perlu diselesaia dega melaua oresi berdasara data dari beberapa stasiu di seitarya (riatmodo, 28) Metode periraa yag diguaa adalah sebagai beriut (Waielista, 99; Due da Leopold, 978 dalam Asda, 24): P ( P P P ) C A B x (7) 3

3 42 Evapotraspirasi Evapotraspirasi adalah proses evaporasi da traspirasi yag beraita dega apa yag teradi pada taah yag tertutup oleh tumbuh-tumbuha Aalisis evapotraspirasi ii meliputi perhituga evapotraspirasi potesial da evapotraspiasi atual Perhituga periraa evapotraspirasi potesial (E to ) di daerah Idoesia diaalisis dega megguaa rumus Pema yag telah disederhaaa (Aoim, 26): E to = c[w(,75rs R] + ( w)f(u)(e a e d ) (8) Jia dalam evapotraspirasi potesial air yag tersedia dari yag diperlua oleh taama selama proses traspirasi berlebiha, maa dalam evapotraspirasi atual ii umlah air tida berlebiha atau terbatas Jadi evapotraspirasi atual adalah evapotraspirasi yag teradi pada odisi air yag tersedia terbatas Evapotraspirasi atual dipegaruhi oleh proporsi permuaa luar yag tida tertutupi tumbuha hiau (exposed surface) pada musim emarau Selai exposed surface, evapotraspirasi atual uga dipegaruhi oleh umlah hari hua () dalam bula yag bersaguta Meurut Moc dalam Aoim (26), rasio atara selisih evapotraspirasi potesial da evapotraspirasi atual dega evapotraspirasi potesial dipegaruhi oleh exposed surface (m) da umlah hari hua (), seperti dituua dalam formulasi sebagai beriut : m E E p (8 ) 2 (9) Dari formulasi diatas dapat diaalisis bahwa evapotraspirasi potesial aa sama dega evapotraspirasi atual (atau ΔE = ) ia: a Evapotraspirasi teradi pada huta primer atau huta seuder Dimaa daerah ii memilii harga exposed surface (m) sama dega (ol) b Bayaya hari hua dalam bula yag diamati pada daerah itu sama dega 8 hari Jadi evapotraspirasi atual adalah evapotraspirasi potesial yag memperhituga fator exposed surface da umlah hari hua dalam bula yag bersaguta Sehigga evapotraspirasi atual adalah evapotraspirasi yag sebearya teradi atau actual evapotraspiratio, dihitug sebagai beriut: E atual = EP ΔE () 42 Pemodela Resilet Bacpropagatio Neural Networ 42 Iput Data Sebelum memulai pembelaara, terlebih dahulu diumpula data yag dapat dipercaya Kemudia membagi data tersebut e dalam set pembelaara (traiig) da set peguia (testig) sesuai dega tei Holdout Set pelatiha diguaa utu melatih ariga, sedaga set test diguaa setelah pelatiha ariga selesai, yaitu utu megui apaah ariga meghasila output sesuai dega yag diigia pada watu iput yag belum perah dipelaari oleh ariga dimasua (Puspitaigrum, 26) Data traiig da data testig megguaa data curah hua, evapotraspirasi da debit dalam beberapa tahu yag diambil dari suatu DAS Dalam peelitia ii sebaya 6% data (data tahu ) diguaa sebagai data iput yag atiya aa diadia data dalam proses pembelaara Data iput da output dalam ariga bac propagatio sebelum diguaa, harus dilaua proses ormalisasi atau preprocessig terhadap data Proses ormalisasi dilaua utu merubah ilai data iput da output e dalam sala - sampai dega megguaa persamaa sebagai beriut (Satosa, 27): X X mi X ' ( BA BB) ( BB) () X X mas mi 422 Peetua Arsitetur Jariga Pegatura dari syaraf-syaraf dalam lapisa (layer) da pola hubuga atar lapisa-lapisa disebut arsitetur ariga Berdasara syaraf masua arsitetur ariga, pada peelitia ii ditetua meadi 6 (eam) arsitetur ariga yag didasari atas syaraf masua (iput ode) Eam strutur artificial eural etwors multilayer diguaa utu ui coba (umlah ode megidiasia utu masig-masig model dalam masig-masig layer) Beriut adalah eeam model tersebut:

4 a Model (2-5-) Model megguaa 2 ode iput layer yag ditetua dari hua dalam DAS da evapotraspirasi, 5 ode hidde layer da ode output layer yaitu limpasa t INPU NODE Hua v HIDDEN NODE v v 2 w OUPU NODE Q Evapotraspirasi v 2 b Gambar Arsitetur ariga model b Model 2 (3-5-) Model 2 megguaa 3 ode iput layer yag ditetua dari hua dalam DAS, evapotraspirasi, limpasa t-, 5 ode hidde layer da ode output layer yaitu limpasa t INPU NODE Hua HIDDEN NODE v Evapotraspirasi v v 2 v 2 w OUPU NODE Q t v 3 Limpasa (t-) v 3 b Gambar 2 Arsitetur ariga model 2 c Model 3 (4-5-) Model 3 megguaa 4 ode iput layer yag ditetua dari hua dalam DAS, evavotraspirasi, limpasa t-, limpasa t-2, 5 ode hidde layer da ode output layer yaitu limpasa t INPU NODE Hua HIDDEN NODE v Evapotraspirasi v v 2 v 2 w OUPU NODE Q t Limpasa (t-) v 3 v 3 b Limpasa (t-2) Gambar 3 Arsitetur ariga model 3

5 d Model 4 (2--5-) Model 4 megguaa 2 ode iput layer yag ditetua dari hua dalam DAS da evapotraspirasi, ode hidde layer, 5 ode hidde layer 2 da ode output layer yaitu limpasa t INPU NODE Hua v v HIDDEN NODE w HIDDEN NODE 2 Evapotraspirasi v 2 v 2 w x OUPU NODE Q x 2 b 3 b Gambar 4 Arsitetur ariga model 4 e Model 5 (3--5-) Model 5 megguaa 3 ode iput layer yag ditetua dari hua dalam DAS, evapotraspirasi, limpasa t-, ode hidde layer, 5 ode hidde layer 2 da ode output layer yaitu limpasa t INPU NODE Hua v v HIDDEN NODE w HIDDEN NODE 2 Evapotraspirasi v 2 v 2 v 3 w x x 2 OUPU NODE Q t Limpasa (t-) v 3 b b 3 Gambar 5 Arsitetur ariga model 5 f Model 6 (4--5-) Model 6 megguaa 4 ode iput layer yag ditetua dari hua dalam DAS, evavotraspirasi, limpasa t-, limpasa t-2, ode hidde layer, 5 ode hidde layer 2 da ode output layer yaitu limpasa t INPU NODE Hua Evapotraspirasi Limpasa (t-) v v 2 v v 2 v 3 v 3 HIDDEN NODE w w HIDDEN NODE 2 x x 2 OUPU NODE Q V 4 V4 b 3 Limpasa (t-2) b Gambar 6 Arsitetur ariga model 6

6 423 Proses Pembelaara (Learig ad raiig Process) Proses pembelaara dalam artificial eural etwors bertuua utu megubah fator bobot sehigga diperoleh bobot hubuga yag diigia Di dalam peelitia ii, proses pembelaara yag dipaai adalah metode perambata mudur (bac propagatio) erdapat beberapa lagah peyusua algoritma utu pembelaara bac propagatio, yaitu: Iisialisasi bobot awal (ambil bobot awal dega ilai radom yag ecil) Pembobot awal pada ANN diberi ilai secara aca 2 Laua tahap perambata mau (forward propagatio) utu medapata error Perhituga forward propagatio dimulai dega meumlaha hasil peralia iput x i dega pembobot v i Da meghasila z_i yag merupaa ilai iput e fugsi ativasi hidde layer Kemudia output z pada hidde layer uit merupaa hasil fugsi ativasi f dega masua z_i Hal ii telah diformulasia dalam persamaa beriut: z _ i b x v ; z = f(z_i ) i i i Nilai output pada hidde layer emudia dialia dega pembobot w da meghasila ilai y_i yag merupaa ilai iput fugsi ativasi output layer Nilai output y pada output layer dihitug dega megguaa fugsi ativasi f dega masua y_i Hal ii telah diformulasia dalam persamaa beriut: y _ i b 2 p i z w y = f(y_i ) dega fugsi ativasi berupa: Iput layer e hidde layer da hidde layer e hidde layer 2 Fugsi sigmoid y f ( x) (2) x e Hidde layer 2 e output layer Fugsi idetitas f(x) = x (3) 3 ahap perambata mudur (bacward propagatio) merupaa suatu proses pelatiha (pegoresia) ilai pembobot pada ANN Pada ariga ANN strutur multilayer dega fugsi sigmoid, aa meyebaba gradieya aa medeati ol diareaa iput yag diberia baya Gradie yag medeati ol ii berimpliasi pada redahya perubaha bobot yag maa bias meyebaba algoritma aa sagat lambat utu medeati ilai optimumya Utu itu diguaa Resilet Bacpropagatio utu megelimiasi besarya efe dari turua parsial dega cara megguaa tada turuaya saa da megabaia besarya ilai turua ada turua ii aa meetua arah perbaia bobot-bobot Resilet Bacpropagatio (dalam MALAB versi 7 Release 4 megguaa fugsi trairp) Parameter-parameter yag diguaa dalam proses aalisis dega megguaa MALAB: ettraiparamepochs = umlah epoch masimum yag boleh dilaua selama proses pelatiha ettraiparamgoal = target ilai fugsi iera ettraiparamlr = lau pembelaara ettraiparamdelt_ic = eaia bobot ettraiparamdelt_dec = peurua bobot ettraiparamdelt = perubaha bobot awal ettraiparamdeltmax = masimum perubaha bobot ettraiparamshow = umlah epoch yag aa dituua emauaya 424 Proses Peguia Peguia arsitetur ariga syaraf tirua (artificial eural etwors) diguaa utu megetahui apaah arsitetur ariga yag telah dilatih telah dapat megeali pola-pola data, selai data latih, dega bai atau tida Utu meilai edeata atau ecocoa data hasil pemodela dega data hasil pegamata, dilaua ui ecocoa dega megguaa fugsi obetif atau fugsi esalaha yag merupaa persamaa dari perhituga da pegamata Dalam peelitia ii, sebaya 4% data (data tahu 2 23) diguaa utu proses peguia dega fugsi obetif utu perhituga esalaha berupa parameter statisti, atara lai: a Mea Square Error (MSE) MSE 2 ( t) ( y ( t) d ( t)) (4) b Root Mea Square Error (RMSE) RMSE( t) ( y ( t) d ( t)) 2 c Kesalaha Absolute Rata-Rata (KAR) Abs( Qcomp Qobs ) KAR (6) Q obs (5)

7 5 ANALISA DAN DISKUSI Beriut diberia beberapa hasil aalisis berdasara data-data ilim da data hidrologi: 5 Data Ilim Data ii meggambara odisi cuaca di suatu daerah studi, da fator ilim yag terumpul selama (sepuluh) tahu yai dari tahu Data ilim ii didapat dari stasiu limatologi Susua, dega data yag tercatat adalah data temperatur, ecepata agi, elembaba relatif, elembaba masimum, da lama peyiara Berdasara data temperatur ( C) da ecepata agi (m/hari) rata-rata bulaa pada daerah studi sesuai abel beriut: abel Data temperatur da ecepata agi rerata bulaa (994-23) DAS Nyulig Ilim Bula Ja Feb Mar Apr Mei Ju Jul Agust Sep Ot Nop Des ( C) 26, 26,6 26,5 26,9 24,3 23,6 23,7 25,64 26,9 27,9 27,7 26,67 Kec (m/hari),6 72,4 62,83 46,55 3,28 3,78 3,3 35,6 37,5 47,4 43,3 46,94 Sumber: Pusat Litbag Pegaira Departeme Peeraa Umum, BMKG Sedaga data elembaba masimum, peyiara matahari da elembaba relatif sesuai Gambar beriut:, 4 9, 3 8, 7, 6, Prosetase (%), 4, 3, 3 la u2 )/b m2 l (m o ta 2,,, Ja Mar Mei Jul Sep Nop Bula e-i Bula e- Kelembaba masimum Peyiara Kelembaba relatif Gambar Data elembaba da peyiara (994-23) DAS Nyulig Evapotraspirasi potesial Curah hua DAS Nyulig Gambar 2 Curah Hua da Evapotraspirasi DAS Nyulig 52 Data Hidrologi da Evapotraspirasi Ketersediaa data hidrologi berupa data curah hua bulaa yag didapat dari stasiu hua Pidpid, stasiu hua Bebadem, da stasiu hua Amlapura Data curah hua yag terumpul sebaya tahu dari tahu Hasil perhituga curah hua daerah da evapotraspirasi tersebut dapat dilihat pada Gambar 2 di atas Dari hasil aalisis curah hua daerah rata-rata pertahu sebesar 72,6 mm, da ii meuua potesi curah hua yag relatif tiggi Sedaga evapotraspirasi tertiggi sebesar 3,89 mm/bula teradi di bula Agustus da teredah sebesar 89,6 mm/bula pada bula Pebruari 53 Hubuga Curah Hua Limpasa dega Resilet Bacpropagatio Dari hasil pembelaara (traiig) da peguia (testig) dega algoritma pembelaara Resilet Bacpropagatio, utu masig-masig pola arsitetur dihitug parameter statistia yaitu oefisie orelasi (r), mea square error (MSE), root mea square error (RMSE), da esalaha absolute rata-rata (KAR) Parameter statistia utu arsitetur model dega 2 ode iput layer, 5 ode hidde layer da ode output layer (2-5-), arsitetur model 2 dega 3 ode iput layer, 5 ode hidde layer da ode output layer (3-5-), arsitetur model 3 dega 4 ode iput layer, 5 ode hidde layer da ode output layer (4-5-), arsitetur model 4 dega 2 ode iput layer, ode hidde layer, 5 ode hidde layer 2 da ode output layer (2--5-), arsitetur model 5 dega 3 ode iput layer, ode hidde layer, 5 ode hidde layer 2 da ode output layer (3--5-), arsitetur model 6 dega 4 ode iput layer, ode hidde layer, 5 ode hidde layer 2 da ode output layer (4--5-) disaia dalam abel 2 Dalam proses pembelaara (traiig), berdasara parameter statistia meuua bahwa model 6 dega arsitetur memberia hasil yag palig optimum dega ilai oefisie orelasi terbesar yai,997 da ilai KAR,59 Sehigga disimpula model 6 dega arsitetur meghasila data bagita yag palig optimum pada proses pembelaara Dari abel 2 dietahui bahwa model 6 uga memberia hasil yag cuup bai Ii dapat dilihat dari ilai oefisie orelasi sebesar,6977 dega ilai KAR,24sedaga pada pembelaara adaptive leaig rate, model 3 dega arsitetur 4-5- memberia ilai oefisie orelasi sebesar,587 dega ilai KAR,644 Dapat disimpula bahwa model 6 mempuyai hubuga atau orelasi yag cuup uat atara data atual da data predisi Secara umum, model Resilet Bacpropagatio memilii emampua yag cuup bai dalam meggambara flutuasi debit yag aca e dalam betu model buata da uga dapat diterapa dalam modelisasi curah hua limpasa walaupu hasil peguia (testig) hasilya tida terlalu aurat area masih teradi peyimpaga

8 abel 2 Kiera model dega Resilet Bacpropagatio Model MSE Jariga DAS uad Nyulig raiig/kalibrasi estig/verifiasi r MSE RMSE KAR r MSE RMSE KAR Model,25849, ,955 58,36,9798,4 234,26 5,997 2,24 Model 2,44947, ,62 58,5249,9943,478 64,43 5,665 2,449 Model 3,4589, ,763 58,8452,8,328 9,95 5,336,596 Model 4,99576, ,955 58,36,26,99 234,26 5,997 2,3223 Model 5,2473, ,62 58,5249,3, ,43 5,665,9 Model 6,68374, ,763 58,8452,59,587 9,95 5,336, Best Liear Fit: A = (98) + (97) R = 992 Data Poits Best Liear Fit A = 2 2 Hasil peguia dega data pelatiha: arget (-), output (-) arget/atual Output/Predisi A arget/output Data e- Gambar 3 Persamaa oefisie orelasi hasil traiig Resilet Bacpropagatio model 6 Gambar 4 Hidrograf hasil traiig Resilet Bacpropagatio model Best Liear Fit: A = (78) + (279) R = 587 Data Poits Best Liear Fit A = Hasil peguia dega data pelatiha: arget (-), output (-) arget/atual Output/Predisi A arget/output Data e- Gambar 5 Persamaa oefisie orelasi hasil testig Resilet Bacpropagatio model 6 Gambar 6 Hidrograf hasil testig Resilet Bacpropagatio model 6 6 KESIMPULAN DAN SARAN 6 Kesimpula : Dari hasil peelitia da pembahasa dapat diambil esimpula sebagai beriut: Peerapa model ariga syaraf buata (artificial eural etwor) metode Resilet Bacpropagatio di dalam modelisasi curah hua limpasa memberia hasil yag relatif bai pada proses pembelaara (traiig) da proses peguia (testig) 2 Dalam proses pembelaara (traiig), berdasara parameter statistia meuua bahwa model 6 dega arsitetur memberia hasil yag palig optimum dega ilai oefisie orelasi terbesar yai,997 da ilai KAR,59 Sehigga disimpula model 6 dega arsitetur meghasila data bagita yag palig optimum pada proses pembelaara Model 6 uga memberia hasil yag cuup bai Ii dapat dilihat dari

9 ilai oefisie orelasi sebesar,6977 dega ilai KAR,24sedaga pada pembelaara adaptive leaig rate, model 3 dega arsitetur 4-5- memberia ilai oefisie orelasi sebesar,587 dega ilai KAR,644 3 Secara umum, model Resilet Bacpropagatio memilii emampua yag cuup bai dalam meggambara flutuasi debit yag aca e dalam betu model buata da uga dapat diterapa dalam modelisasi curah hua limpasa walaupu hasil peguia (testig) hasilya tida terlalu aurat area masih teradi peyimpaga 62 Sara Utu esempuraa hasil peelitia beriutya, di dalam melaua pemodela diharapa utu mecoba beberapa model arsitetur ANN laiya serta dega melaua beberapa perubaha ilai di dalam parameterparamaterya Selai itu eaurata data peduug (data hidrologi maupu data limatologi) uga harus diperhatia DAFAR PUSAKA Adidarma, WK, Hadihardaa, IK, Legowo, S (24) Perbadiga Pemodela Hua-Limpasa Atara Artificial Neural Networ (ANN) da NRECA Jural ei Sipil IB, Vol No 3: 5-5 Adia, D Ad Pham, D (27) Artificial Neural Networ Computatioal Itelligece Spriger: Aoim (26) Lapora Hidrologi Departeme Peeraa Umum Diretorat Jederal Sumber Daya Air Satua Kera NV Pegembaga da Pegelolaa Sumber Air Bali, Depasar Dawso, CW ad Wilby, RL (2) Hydrological Modellig Usig Artificial Neural Networs Progress i Physical Geography, 25-: 8-8 Fausett, L (994) Fudametal of Neural Networs, Pretice Hall, Egelwood Cliffs, New Jersey Fu, LiMi (994) Neural Networs I Computer Itelligece, McGraw-Hill Ic, Sigapore Hadihardaa, IK, Sutio, S (25) Pemodela Curah Hua-Limpasa Megguaa Artificial Neural Networ (ANN) dega Metode Bacpropagatio Jural ei Sipil IB, Vol 2 No 4: Jusawag, P, Asavaat, J, Lursisap, C (27) Artificial Neural Networ Model for Raifall-Ruoff Relatioship ASIMMOD, Chiag Mai, hailad Kusumadewi, S (24) Membagu Jariga Syaraf irua Megguaa MALAB da Excel Li Graha Ilmu, Yogyaarta Setiawa, BI, Rudiyato (24) Apliasi Neural Networs Utu Predisi Alira Sugai, Prosidig Semiloa eologi Simulasi da Komputasi serta Apliasi 24 BPP, Jaarta Sriivasulu, S, Jai, A (28) Raifall-Ruoff Modellig: Itegratig Available Data ad Moder echiques Water Sciece ad echology Library 68, Spriger-Verlag Berli Heidelberg : 59-7