Sumber : Hasil olah data,2009

Transkripsi

1 pengelompokan data terlihat data curah hujan yang tercatat di Stasiun Poncokusumo yang cukup baik yaitu sebesar.52 untuk time lag (waktu sekarang) namun bila digeser sampai dengan minus 3 hari nilai korelasinya semakin melemah. Hubungan dua variabel tersebut secara statistik masih mempunyai nilai korelasi positif (+) walaupun lemah, maka dengan pencapaian angka nilai korelasi tersebut hanya sebagai angka koreksi atau asumsi terhadap pengaruhnya data pencatatan curah hujan harian terhadap 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. Analisa untuk menentukan pengaruh -pengaruh data curah hujan terhadap debit harian yang masuk di Bendungan Sengguruh adalah sebagai berikut : Analisa Data input untuk variabel input terhadap variabel output di Bendungan Sengguruh Tahap pertama adalah menganalisa data curah hujan harian (Rt -t -3 ) di semua stasiun pencatatan curah hujan harian yang ada di Sub-DAS Kali Lesti, tahap kedua variabel input (Rt -t -3 & Qin t-1 ) di Sub-DAS Kali Brantas Hulu dan tahap ketiga variabel input (Rt -t -3 & Qin t-1 ) di DAS Brantas Hulu (Sub-DAS K. Lesti + Sub DAS K. Brantas Hulu). Proses simulasi model diuraikan sebagai berikut : a. Variabel Input di Sub-DAS Kali Lesti Pada Gambar 4.7 untuk variabel input di Sub-DAS Kali Lesti untuk data input t (waktu sekarang) sampai dengan t -3 (waktu pergeseran 3 hari kebelakang) menunjukkan hasil nilai korelasi yang terendah =.17 dan tertinggi =.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 Sub-DAS Kali. Lesti dapat dilihat pada Tabel 4.3. KOEFISIEN KORELASI RDptt Grafik Uji Korelasi Data Curah Hujan Di Sub-DAS Kali Lesti (T s/d T-3) terhadap Data Debit Harian Yang Masuk Bendungan Senguruh.32 RStjt.52 Rpckt.35 RWjkt.3 RDptt-1.24 RStjt-1.39 Rpckt RWjkt-1 RDptt-2.17 RStjt-2 STASIUN PENGAMATAN HUJAN.36 Rpckt Gambar 4.7 Grafik uji korelasi Data Curah Hujan di Sub- DAS Kali Lesti erhadap Debit Harian Yang Masuk Bendungan Sengguruh (Sumber : Hasil olah data, 29) Tabel 4.3. Variabel input Sub-DAS Kali Lesti dan output yang akan digunakan untuk membuat model prediksi debit harian yang masuk di Bendungan Sengguruh saat t (waktu sekarang) RWjkt-2 RDptt-3 Sumber : Hasil olah data,29 b. Variabel Input di Sub-DAS Kali Brantas Hulu Pada Gambar 4.8. untuk variabel input Sub-DAS Kali Brantas hulu data input t (waktu sekarang) sampai dengan t -3 (waktu pergeseran 3 hari kebelakang) menunjukkan hasil nilai korelasi yang terendah =.17 dan tertinggi =.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. RStjt-3.32 Rpckt-3.19 RWjkt-3 Tabel 4.5. Variabel input DAS Brantas hulu dan 16

2 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, 29) 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 t (waktu sekarang) Sumber : Hasil olah data,29 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 3 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, 29 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

3 No Sengguruh982 Nama target /Attribut/Data 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, Model prediksi debit harian yang masuk di Bendungan Sengguruh 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 dilakukan dengan menggunakan program bantu Microsoft Excel dan WEKA Knowledge Explorer seperti pada Gambar 4.1 dan Gambar Langkah-langkah penggunaan program bantu tersebut sebagai berikut : Langkah pertama penyusunan data menggunakan program microsoft excel, illustrasi penyusunannya dapat dilihat pada contoh penyusunan input model pada Tabel 4.7. sedangkan cara penyimpan dari program excel yang akan transformasikan ke program WEKA dengan merubah extention *.arff dapat dilihat Gambar 4.1. QinSggr real QinSggrt-1 real Rsggrt real RBtt real RWgrt real RKytt real RTgklt real RKpjt real RTwst real RPctt real RPjnt real RKdrt real RJbgt real RDptt real RStjt real Rpck real RWjkt real RTpgt real 22,6 24,18, 2,57 22,6, 33,5 2,57, 6,44 33,5, 4,47 6,44 3, 23,17 4,47 9, 68,48 23,17, 17,8 68,48, 19,64 17,8, 19,79 19,64, 2,96 19,79, 27,2 2,96 18, 3,88 27,2, Output, 1,1 21,92 48,47 4,43 17,29,, 2,31,,,, Sumber :Hasil olah data,29 9,, 11, 15,, 1,,,,,, 44,,,,9 6,47,9 4,39 13,17,,, 26,34 39,42, 12,27 Variabel input 5,, 24, 8, 7, 3,,,, 51, 9,,,,, 3, 4,,, 8,,,,, 3, 2, Penyusunan data input model pada Tabel 4.7 tersebut dapat diuraikan sebagai berikut : No.1 Nama titik pemodelan : Bendungan Sengguruh No.2 Attribut titik pemodelan : Stasiun debit harian di Bendungan Sengguruh No. 3 s/d 19 attribut data input : Stasiun Curah Hujan Harian No. 2 : Data- data input ( Debit dan curah hujan ) Gambar 4.1 Ilustrasi penyimpanan file dari program Excel yang akan dibaca oleh program WEKA (Sumber : Hasil olah data,29) Dengan menggunakan M5 model tree maka hasil dari 18

4 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 Gambar 4.11 Tampilan Program WEKA Knowledge Explore (Waikato ML Group, 1996) Pada Gambar 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 Running programs Proses Pembelajaran (training) Running untuk proses pembelajaran (training) menggunakan data input pada periode 4 Januari Desember 2. Data yang dimaksud adalah data curah hujan harian seperti yang disajikan pada Gambar 4.1 s/d Gambar 4.6. Kemudian dari data-data tersebut dilakukan suatu proses pembelajaran dengan beberapa simulasi pembelajaran sebagai berikut : Pembelajaran pertama menggunakan data curah hujan harian yang tersebar di Sub-DAS Kali Lesti. Pembelajaran kedua menggunakan data curah hujan harian yang tersebar di Sub-DAS Kali Brantas Hulu. Pembelajaran ketiga menggunakan data yang tersebar di DAS Brantas Hulu yaitu gabungan dari data yang tersebar di Sub-DAS Kali Lesti dan Sub-DAS Kali Brantas Hulu. proses pembelajaran tersebut di atas, maka performa model prediksi debit harian yang masuk di Bendungan Sengguruh untuk waktu t dapat dilihat pada Tabel 4.8 berikut Tabel 4.8 Perbandingan Performa model prediksi debit harian yang masuk Bendungan pada DAS Brantas Hulu Sumber : Hasil olah data,29 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 = 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 = 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 Sub DAS Kali Lesti Sub DAS Kali Brantas Hulu PLOT PEMBELAJARAN MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 1998 DAS Brantas Hulu Correlation coefficient CC Mean absolute error MAE Root mean squared error RMSE Relative absolute error % RAE Root relative squared error (%) RRSE Total Number of Instances Attributes input Performa Pembelajaran (training) Jumlah Persamaan Nilai Performa Model HUJAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL (M3/DT) Gambar 4.12 Visualisasi perbandingan proses pembelajaran data observasi dengan hasil model Prediksi (Sub-DAS Kali Lesti tahun 1998) Sumber : Hasil olah data,29 observasi terlihat jika hujan yang terjadi tidak

5 Gambar 4.13 Visualisasi perbandingan proses pembelajaran data observasi dengan hasil model Prediksi (Sub-DAS Kali Lesti tahun 1999) Sumber : Hasil olah data, PLOT PEMBELAJARAN MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN HUJAN RATA-RATA (MM) DEBIT MODEL (M3/DT) DEBIT OBSERVASI (M3/DT) PLOT PEMBELAJARAN MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 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 2) Sumber : Hasil olah data,29 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 terlalu besar namun bila hujan yang terjadi pada bulan Januari s/d Mei terlihat model tidak bisa mengikuti observasi sehingga model secara keseluruhan bisa dikatakan cukup baik untuk memprediksikan debit harian yang masuk di Sengguruh waktu sekarang. Dari hasil running pembelajaran diperoleh 55 persamaan linier yang didasarkan pada pengelompokkan data dengan batasan tertentu yang biasa disebut cabang dapat dilihat pada Tabel Penentuan jumlah cabang di dasarkan pada besaran angka pruning yang diberikan saat pembelajaran. Gambar 4.15 berikut adalah visualisasi proses percabangan dalam mencari persamaan linier dalam M5 Model Tree. Prinsip dasar dari pembentukan cabang pada pemodelan M5 Model Tree adalah bahwa model mengelompokkan data-data pada masing-masing variabel input berdasarkan pada sebaran besar kecilnya data pencatatan. Pada Gambar 4.15, untuk memprediksikan debit harian pada waktu t (Qinsggr) adalah pertama-tama model mengelompokkan data input di Bendungan Sengguruh saat 1 hari kebelakang (Qinsggr t-1 ) kedalam batasan apakah data di Qinsgg t-1 46,4 atau > 46,4. Bila data di Qinsgg t-1 46,4; maka pengelompokkan dipersempit pada batasan apakah Qinsgg t-1 35,5 atau > 35,5; bila data di Qinsgg t-1 35,5 maka pengelompokkan dipersempit pada batasan apakah Qinsgg t-1 23,7 atau > 23,7; bila data di Qinsgg t-1 23,7; pengelompokan di perkecil lagi Qinsgg t-1 23,1 atau > 23,1; bila data di Qinsgg t-1 23,1, maka peramalan data di Qinsggr menggunakan persamaan linier 1 (LM1) ; bila data di Qinsgg t-1 > 23,1, maka peramalan data di Qinsggr menggunakan persamaan linier 2 (LM2) 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 11 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- 2

6 DAS Kali Lesti PERSAMAAN (LM) OUTPUT (Y) β O + (β 1 x X 1) + (β 2 x X 2) (β n x X n QinSggr 46.4.> > > > 23.7 LM > > > > 27.8 RStjT- 3.5 RStjT- > 3.5 RPckT- 7.5 RPckT- > > 88.1 RPckT- 41 RPckT- > 41 LM 1 LM 2 LM 28 LM > > 32.1 RDptt RDptt-1 > 2.5 RPckT RPckT- >11.5 RWjk T- 3.5 RWjkT- > 3.5 RStjT RStjT- > >11.5 RDptt RDptt-1 > 7.5 LM 14 LM 21 LM 22 LM 45 LM 53 LM > > > > >64 2 >2.7 LM 3 LM 6 RDptT- 7 RDptT- > 7 RPckT-1 1 RPckT-1 >1 RDptt RDptt-1 > 15.5 LM 9 >.7 LM 27 LM 32 LM 41 LM 46 LM > > > > >64.7 RPckT RPckT- >34.5 RWjk T- 1.5 RWjkT- > RPckT-2 >2 9 RPckT-2 >9 RStjT- 9.5 RStjT- > > > 94.3 LM 5 LM 4 LM 2 LM 19 LM 18 LM 1 LM 8 LM 7 LM 23 LM 31 LM 33 LM 44 LM 48 LM 51 LM > >41 RDptt RDptt-1 > 6.5 RDptt RDptt-1 > 2.5 RStj T- 3 RStjT- > 3 RWjk T- 7.5 RWjkT- > 7.5 RStjT- 2.5 RStjT- > > 85.9 RDptT RDptT-1 > 15.5 LM 5 LM 49 LM 43 LM 42 LM 38 LM 37 LM 38 LM 37 LM 35 LM 3 LM 29 LM 24 LM 17 LM 16 LM > > >24 LM 12 LM 13 LM LM 26 LM 35 LM 36 Gambar Hirarki Model M5 Tree untuk prediksi debit harian yang masuk Bendungan Sengguruh LM1 LM2 LM3 LM4 LM5 LM6 LM7 LM8 LM9 LM1 LM11 LM12 LM13 LM14 LM15 LM16 LM QinSggrt RDptt +.115RDptt-1 +.2RStjt- +.6RPckt- + QinSggr.241RPckt RWjkT- QinSggr QinSggrt RDptT RDptt-1 +.2RStjt RPckt RPckT RWjkT- QinSggr QinSggrt RDptT RDptt RStjT- +.6RPckT RPckT RWjkT- QinSggr QinSggrt RDptT RDptt RStjT- +.6RPckT RPckT RWjkT- QinSggr QinSggrt RDptT RDptt RStjT- +.6RPckT RPckT RWjkT- QinSggr QinSggrt RDptT RDptt RStjT- +.6RPckT RPckT RWjkT- QinSggr QinSggrt RDptT RDptt-1+.4RStjT- +.6RPckT RPckT RWjkT- QinSggr QinSggrt RDptT RDptt RStjT- +.6RPckT RPckT RWjkT- QinSggr QinSggrt RDptT RDptt RStjT RPckT RPckT RWjkT- QinSggr QinSggrt RDptT RDptt RStjT RPckT RPckT RWjkT- QinSggr QinSggrt RDptT RDptt RStjT RPckT RPckT RWjkT- QinSggr QinSggrt RDptT RDptt RStjT RPckT RPckT RWjkT- QinSggr QinSggrt RDptT RDptt RStjT RPckT RPckT RWjkT- QinSggr +.5QinSggrt-1 +.4RDptT RDptt-1+.88RStjT RPckT RPckT RWjkT- QinSggr QinSggrt RDptT RDptt-1+.54RStjT RPckT RWjkT- QinSggr QinSggrt RDptT RDptt-1+.1RStjT RPckT RWjkT- QinSggr QinSggrt RDptT RDptt-1+.1RStjT RPckT RWjkT- LM41 QinSggr QinSggrt RDptT RDptt RStjT RPckT- 21

7 LM18 LM19 LM2 LM21 LM22 LM23 LM24 LM LM26 LM27 LM28 LM29 LM3 LM31 LM32 LM33 LM34 LM35 LM36 LM37 LM38 LM39 LM4 QinSggr QinSggrt RDptT RDptt-1+.1RStjT RPckT RWjkT- QinSggr QinSggrt RDptT RDptt-1+.1RStjT RPckT RWjkT- QinSggr QinSggrt RDptT RDptt-1+.1RStjT RPckT RWjkT- QinSggr QinSggrt-1 +.7RDptT- -.15RDptt-1 +.1RStjT- +.1RPckT RWjkT- QinSggr QinSggrt RDptT- +.18RStjT- +.13RPckT RPckT RWjkT- QinSggr QinSggrt RDptT- +.18RStjT-+.7RPckT RWjkT- QinSggr QinSggrt RDptT- +.18RStjT RPckT RPckT RWjkT- QinSggr QinSggrt RDptT- +.18RStjT-+.381RPckT RWjkT- QinSggr QinSggrt RDptT- +.18RStjT RPckT- +.RPckT RWjkT- QinSggr QinSggrt RDptT- +.18RStjT-+.321RPckT RWjkT- QinSggr QinSggrt RDptT RStjT-+.573RPckT RWjkT- QinSggr QinSggrt RDptT RDptt RStjT RPckT RWjkT- QinSggr QinSggrt RDptT RDptt RStjT RPckT RWjkT- QinSggr QinSggrt RDptT RStjT-+.573RPckT RWjkT- QinSggr QinSggrt RDptT- +.87RStjT RPckT RWjkT- QinSggr QinSggrt RDptT RStjT-+.573RPckT RWjkT- QinSggr QinSggrt RDptT RStjT-+.573RPckT RWjkT- QinSggr QinSggrt RDptT RStjT-+.573RPckT RPckT RWjkT- QinSggr QinSggrt RDptT RStjT-+.573RPckT- -.52RPckT RWjkT- QinSggr QinSggrt RDptT RStjT-+.573RPckT RWjkT- QinSggr QinSggrt RDptT RStjT-+.573RPckT RWjkT- QinSggr QinSggrt RDptT RDptt RStjT- +.43RPckT RWjkT- QinSggr QinSggrt RDptT RDptt-1 +.2RStjT RPckT RWjkT- LM42 LM43 LM44 LM45 LM46 LM47 LM48 LM49 LM5 LM51 LM52 LM53 LM54 LM55 Sumber : hasil olah data, RWjkT- QinSggr QinSggrt RDptT RDptt-1 +.3RStjT RPckT RWjkT- QinSggr QinSggrt RDptT RDptt-1 +.3RStjT RPckT RWjkT- QinSggr QinSggrt RDptT RDptt RStjT RPckT RWjkT- QinSggr QinSggrt RDptT RDptt RStjT RPckT RWjkT- QinSggr QinSggrt RDptT RDptt RStjT- +.21RPckT RWjkT- QinSggr QinSggrt RDptT RDptt RStjT RPckT RWjkT- QinSggr QinSggrt RDptT RDptt RStjT RPckT RWjkT- QinSggr QinSggrt RDptT RDptt RStjT- +.3RPckT RWjkT- QinSggr QinSggrt RDptT RDptt RStjT- +.31RPckT RWjkT- QinSggr QinSggrt RDptT RDptt RStjT RPckT RWjkT- QinSggr QinSggrt RDptT- +.26RDptt RStjT RPckT RWjkT- QinSggr QinSggrt RDptT RStjT-+.228RPckT RWjkT- QinSggr QinSggrt RDptT RDptt RStjT RPckT RWjkT- QinSggr QinSggrt RDptT RStjT-+.343RPckT RWjkT- Y = β O + (β 1 x X 1 ) + (β 2 x X 2 ) (β n x X n Dimana : Y = Variabel output ( Bendungan Sengguruh t) X i = Variabel (i= 1,2,3...n) β O = Konstanta = Koefisien regresi (i=1,2...n) β i 22

8 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 1. Pada Tabel 1, 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 3, 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 4.1 berikut. Tabel 4.1 Pengelompokan model linier berdasarkan kesamaan variabel input Tabel 4.11 Performa model prediksi debit harian yang 23

9 Running programs Proses Verifikasi Proses verifikasi adalah suatu proses dimana persamaan model prediksi yang sudah didapat saat proses pembelajaran di aplikasikan terhadap serial data baru untuk diketahui sampai sejauh mana akurasi model. Dari persamaan yang telah diperoleh saat pembelajaran cukup baik untuk periode 4 Januari Desember 2, tahap berikutnya adalah Running proses verifikasi data menggunakan data hujan harian rata-rata untuk periode 3 Januari Desember 23, Skenario proses verifikasi dapat dikelompokkan dalam pembahasan sebagai berikut : Proses verifikasi dengan variabel input di Sub-Das Kali Lesti Data yang digunakan untuk verifikasi adalah data input tahun 21-22, 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 Untuk simulasi dengan data input di Sub-DAS Kali Lesti Performa model mengalami penurunan dimana nilai RMSE turun dari saat pembelajaran menjadi 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 21 debit sebesar m3/dt sedangkan pada saat diverifikasi debit hanya sebesar m3/dt sehingga terjadi selisih debit sebesar 66.4 m3/dt. Kemudian pada Gambar 4.17 untuk tanggal 29 Januari 22 debit sebesar m3/dt sedangkan hasil verifikasi debit sebesar m3/dt sehingga terjadi selisih debit sebesar 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. masuk di Bendungan Sengguruh Lesti tahun 21 s/d 22. untuk Sub-DAS Kali Performa Nilai Performa Model Kalibrasi Verifikasi Correlation coefficient CC Mean absolute error MAE Root mean squared error RMSE Relative absolute error % RAE Root relative squared error (%) RRSE Total Number of Instances Attributes input 1 1 Jumlah Persamaan Sumber : Hasil olah data, PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN HUJAN HARIAN RATA-RATA (MM) DEBIT HARIAN VERIFIKASI (M3/DT) DEBIT HARIAN KALIBRASI (M3/DT) Gambar Visualisasi perbandingan proses verifikasi data observasi dengan hasil model prediksi debit harian yang masuk Bendungan Sengguruh untuk Sub-DAS Kali Lesti tahun 21. (Sumber Hasil olah data, 29) PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN HUJAN HARIAN RATA-RATA (MM) DEBIT HARIAN VERIFIKASI (M3/DT) DEBIT HARIAN KALIBRASI (M3/DT) Gambar Visualisasi perbandingan proses verifikasi data observasi dengan hasil model prediksi debit harian yang masuk Bendungan Sengguruh untuk Sub-DAS Kali Lesti tahun 22. (Sumber Hasil olah data, 29) 24

10 Hasil proses verifikasi melalu running program WEKA untuk Sub-DAS Kali Lesti dapat dilihat pada lampiran 4 halaman 1 Proses verifikasi dengan variabel input di Sub-Das Kali Brantas Hulu Data yang digunakan untuk verifikasi adalah data input tahun 21-22, 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 Hasil kalibrasi performa model (RMSE) sebesar sedangkan pada tahap verifikasi model prediksi tidak memberikan hasil yang lebih baik yaitu dengan nilai RMSE sebesar 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 5 Februari 21 hasil kalibrasi debit sebesar m3/dt sedangkan hasil verifikasi debit sebesar m3/dt (selisih penyimpangan debit sebesar m3/dt). Kemudian bila ditinjau pada garis grafik gambar 4.19 untuk tanggal 29 Januari 22 hasil kalibrasi debit sebesar m3/dt sedangkan hasil verifikasi debit sebesar m3/dt (selisih penyimpangan debit sebesar m3/dt). Maka bila dilihat secara visualisasi selisih penyimpangan untuk debit tinggi hasil verifikasi di Sub- DAS 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 2 september 22; hasil kalibrasi debit sebesar m3/dt sedangkan debit hasil verifikasi sebesar 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. Tabel Performa model prediksi debit harian yang masuk di Bendungan Sengguruh untuk Sub-DAS Kali Brantas Hulu tahun 21 s/d 22. Performa Nilai Performa Model Kalibrasi Verifikasi Correlation coefficient CC Mean absolute error MAE Root mean squared error RMSE Root mean squared error (%) RAE Root relative squared error (%) RRSE Total Number of Instances Attributes input Jumlah Persamaan Sumber : Hasil olah data, PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN HUJAN HARIAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL (M3/DT) Gambar Visualisasi perbandingan proses verifikasi data observasi dengan hasil model prediksi debit harian yang masuk Bendungan Sengguruh untuk Sub-DAS Kali Brantas Hulu tahun 21. (Sumber Hasil olah data, 29) PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN HUJAN HARIAN RATA-RATA (M3/DT) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL (M3/DT) Gambar Visualisasi perbandingan proses verifikasi data observasi dengan hasil model prediksi debit harian yang masuk Bendungan Sengguruh untuk Sub-DAS Kali Brantas Hulu tahun 22. (Sumber Hasil olah data, 29) Proses verifikasi dengan variabel input di Das Brantas Hulu Proses verifikasi dengan variabel input di DAS Brantas hulu ini adalah hasil gabungan variabel input Sub- DAS K. Lesti dan Sub-DAS Kali Brantas Hulu. Data yang Tabel 4.13 Perbandingan hasil kalibrasi dengan verifikasi

11 digunakan untuk verifikasi adalah data input tahun 21-22, 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 Hasil kalibrasi performa model (RMSE) sebesar sedangkan pada tahap verifikasi model prediksi tidak memberikan hasil yang lebih baik yaitu dengan nilai RMSE sebesar 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 4.2 untuk tanggal 5 Februari 21 hasil kalibrasi debit sebesar m3/dt sedangkan hasil verifikasi debit sebesar m3/dt (selisih penyimpangan debit sebesar 63.8 m3/dt). Kemudian bila ditinjau pada garis grafik gambar 4.21 untuk tanggal 29 Januari 22 hasil kalibrasi debit sebesar m3/dt sedangkan hasil verifikasi debit sebesar m3/dt (selisih penyimpangan debit sebesar 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 4.2 untuk tanggal 2 september 22; hasil kalibrasi debit sebesar m3/dt sedangkan debit hasil verifikasi sebesar 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 Performa model prediksi debit harian yang masuk di Bendungan Sengguruh untuk DAS Brantas Hulu. Sumber Hasil olah data, PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN HUJAN RATA-RATA (MM) DEBIT HARIAN VERIFIKASI (M3/DT) DEBIT HARIAN KALIBRASI (M3/DT) Gambar 4.2. Ploting Garis Grafik perbandingan proses verifikasi data observasi dengan hasil model prediksi debit harian yang masuk Bendungan Sengguruh untuk DAS Brantas Hulu tahun 21. (Sumber Hasil olah data, 29) PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN HUJAN RATA-RATA (MM) DEBIT HARIAN VERIFIKASI (M3/DT) DEBIT HARIAN KALIBRASI (M3/DT) 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 22. (Sumber Hasil olah data, 29)

12 2 2 PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 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 (),(2),(3) dan (4). Hasil dari peningkatan pruning faktor bisa dilihat pada Tabel HUJAN RATA-RATA (MM) DEBIT HARIAN VERIFIKASI (M3/DT) DEBIT HARIAN KALIBRASI (M3/DT) Tabel Performa Model 1 P_BR Saat Pembelajaran dengan Pruning factor. Gambar Ploting Garis Grafik perbandingan proses verifikasi data observasi dengan hasil model prediksi debit harian yang masuk Bendungan Sengguruh untuk DAS Brantas Hulu tahun 23 (Sumber Hasil olah data, 29) Reduksi Variabel Input pada Model Prediksi Debit Harian Yang Masuk di Bendungan Sengguruh 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 (<, >). Sumber Hasil olah data, 29 Dari Tabel 4.14 dengan menambahkan angka pruning factor mulai dari sampai 4, model paling sederhana yaitu untuk pruning = 3. dengan jumlah persamaan 14 dan nilai RMSE = Penjelasan perubahan performa model tersebut dijelaskan pada Tabel s/d Tabel Tabel Variabel input yang terpakai untuk prediksi debit harian yang masuk Bendungan Sengguruh dengan perubahan pruning s/d 1 NO STASIUN PURNING- PURNING-1. T T-1 T-2 T-3 T T-1 T-2 T-3 A Pencatat Debit : 1 Sengguruh QinSggrt-1 QinSggrt-1 B Pencatat Hujan : 1 Sengguruh RSggt RSggt-1 RSggt-2 RSggt RSggt-2 2 Batu RBtt- RBtt-1 RBtt-2 RBtt-1 RBtt-2 3 Wagir RWgrt RWgrt 4 Kayutangan 5 T angkil RT klt RT klt-1 RT klt RT klt-1 6 Kepanjen RKpjt 7 Pacet RPctt RPctt 8 Pujon RPjnt RPjnt 9 Kedungrejo RKdrt- RKdrt-2 RKdrt-2 1 Jabung RJbgt RJbgt 11 T umpang RT pgt RT pgt 12 Dampit RDptt RDptt-1 RDptt RDptt-1 13 Sitiarjo RStjt 14 Poncokusumo RPckt RPckt-3 RPckt Jumlah Total PERFORMA MODEL 22 Attribut Sumber : Hasil olah data,29, 1, Correlation coefficient CC Mean absolute error MAE Root mean squared error RMSE Relative absolute error % RAE Root relative squared error (%) RRSE Total Number of Instances Attributes input Jumlah Persamaan PRUNING Atrribut 27

13 Pada Tabel saat pruning =, jumlah persamaan linier yang diperoleh sebanyak 98 persamaan dengan RMSE = Dari 28 variabel input yang disiapkan, hanya 22 saja yang digunakan untuk prediksi dan saat pruning dinaikkan menjadi 1. Persamaan linier yang dihasilkan berkurang menjadi 24 persamaan dengan performa yang melemah dengan nilai RMSE= 1,471. Jumlah variabel input yang terpakai hanya 16 saja. Tabel Variabel input yang terpakai untuk prediksi debit harian yang masuk Bendungan Sengguruh dengan perubahan pruning 2 s/d 3 NO STASIUN PURNING-2. PURNING-3. T T-1 T-2 T-3 T T-1 T-2 T-3 A Pencatat Debit : 1 Sengguruh QinSggrt-1 QinSggrt-1 B Pencatat Hujan : 1 Sengguruh RSggt RSggt-2 RSggt 2 Batu RBtt-1 RBtt-2 RBtt-1 RBtt-2 3 Wagir RWgrt RWgrt 4 Kayutangan 5 T angkil RT klt RT klt-1 RT klt RT klt-1 6 Kepanjen 7 Pacet RPctt RPctt 8 Pujon RPjnt RPjnt 9 Kedungrejo RKdrt RKdrt-2 1 Jabung RJbgt 11 T umpang RT pgt RT pgt 12 Dampit RDptt RDptt-1 RDptt RDptt-1 13 Sitiarjo RStjt 14 Poncokusumo RPckt RPckt-3 RPckt Jumlah Total 19 Attribut 13 Attribut Sumber : Hasil olah data,29 Pada Tabel saat pruning dinaikkan lagi menjadi 2, persamaan linier yang dihasilkan 22 persamaan dengan nilai RMSE = 1,9. Jumlah variabel input yang terpakai hanya 19 kemudian pruning ditingkatkan lagi menjadi 3. Persamaan linier yang dihasilkan 14 persamaan tetapi dengan nilai RMSE = dan variabel input yang terpakai 13 saja. Tabel Variabel input yang terpakai untuk prediksi debit harian yang masuk Bendungan Sengguruh dengan perubahan pruning 4 NO STASIUN PURNING-4. T T-1 T-2 T-3 A Pencatat Debit : 1 Sengguruh QinSggrt-1 B Pencatat Hujan : 1 Sengguruh RSggt 2 Batu RBtt-1 3 Wagir RWgrt 4 Kayutangan 5 T angkil RT klt-1 6 Kepanjen 7 Pacet 8 Pujon 9 Kedungrejo 1 Jabung 11 T umpang RT pgt 12 Dampit RDptt 13 Sitiarjo 14 Poncokusumo Jumlah 4 3 Total 7 attribut Pada Tabel pruning ditingkatkan lagi menjadi 4, persamaan linier yang dihasilkan 1 persamaan tetapi dengan nilai RMSE = variabel input yang terpakai hanya 7 saja. Hasil proses melalui running program WEKA untuk pembelajaran Model 1 P_BR dapat dilihat sebagai berikut : pruning =1 (lampiran 7 halaman 141 ), pruning =2 (lampiran 8 halaman 143), pruning=3 (lampiran 9 halaman 145), pruning=4 (lampiran 1 halaman 146). B. Running Proses Verifikasi Model Pertama (Model 1 P_BR) Running proses verifikasi data menggunakan data pengelompokan Model 1 P_BR prediksi debit harian yang masuk Bendungan Sengguruh. Hasil verifikasi model terbaik adalah saat pruning factor = 4 dengan nilai RMSE sebesar seperti pada Tabel Namun dengan meningkatkan angka dari 1 s/d 4, saat pruning factor 4 menyebabkan model hanya memiliki 1 (satu) persamaan linier saja dan terdiri dari 7 (tujuh) variabel input (Qinsggr t- 1, Rsggr t, RBt t-1, RWgr t, RTkl t-1, RTpg t dan RDpt t ). Artinya, untuk memprediksi debit harian yang masuk Bendungan Sengguruh, model hanya membutuhkan 7 (tujuh) variabel input yang diwakili oleh 1 (satu) variabel input debit harian st Sengguruh dan 6 (enam) variabel input curah hujan harian st. Batu, st.wagir, st.tangkil, st.tumpang dan st. Dampit. Dengan 7 (tujuh) variabel input hasil verifikasi Model 1 P_BR mengakibatkan model yang dihasilkan hanya berupa model linier biasa karena hanya memiliki 1 (satu) persamaan linier, sehingga tidak bisa dikatakan sebagai model M5 Model Tree. Selain itu, karena hanya menggunakan 1(satu) persamaan linier, pada kondisi tertentu input yang terpakai tidak dapat mewakili untuk digunakan dalam proses peramalan, sehingga output yang dihasilkan mengalami penyimpangan yang besar bila dilihat dari nilai RMSE, walaupun nilai RMSE untuk pruning = 4 paling rendah diantara lainnya, tetapi kesalahan (error) maksimumnya merupakan yang paling besar. Hal ini bisa dibuktikan pada Gambar yaitu untuk interval waktu bulan Juni s/d Desember penyimpangan debit harian maximum terhadap debit harian observasi = 5.28 m3/dt sedangkan penyimpangan debit harian minimum terhadap debit harian observasi = m3/dt, kondisi debit harian observasi dalam keadaan stabil dibulan Januari s/d Mei. Namun pada model prediksi dengan pruning factor = 4 model memprediksikan dengan kondisi Debit harian yang meningkat drastis pada interval waktu 7 bulan, puncaknya pada tanggal 21 Nopember 23 besaran debit harian observasi m3/dt tetapi Model memprediksikan 28

14 Sumber : Hasil olah data,29 sebesar m3/dt sehingga selisih debit harian menjadi 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 s/d , s/d , 4..1 s/d 4..3 dan s/d Tabel Performa Model 1 P_BR saat verifikasi dengan pruning factor. PERFORMA MODEL PRUNING Correlation coefficient CC Mean absolute error MAE Root mean squared error RMSE Relative absolute error % RAE Root relative squared error (%) RRSE Total Number of Instances Attributes input Jumlah Persamaan a. PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 21 (PRUNING FACTOR = 1) HUJAN HARIAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 1 P_BR (M3/DT) Gambar Visualisasi perbandingan verifikasi model 1 P_BR dengan observasi tahun 21, pruning factor=1 (Sumber : Hasil olah data,29) Gambar Visualisasi perbandingan verifikasi model 1 P_BR dengan observasi tahun 22, pruning factor=1 (Sumber : Hasil olah data,29) c. PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 23 (PRUNING FACTOR =1) HUJAN HARIAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL1 P_BR (M3/DT) Gambar Visualisasi perbandingan verifikasi model 1 P_BR dengan observasi 23 pruning factor=1 (Sumber : Hasil olah data,29) b.plot VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 22 (PRUNING FACTOR=1) HUJAN HARIAN RATA-RATA (M3/DT) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL1 P_BR (M3/DT) a. PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 21 (PRUNING FACTOR = 2) HUJAN HARIAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 1 P_BR (M3/DT) Gambar Visualisasi perbandingan verifikasi model 1P_BR dengan observasi tahun 21, pruning factor =2 (Sumber : Hasil olah data,29)

15 45 b. PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 22 (PRUNING FACTOR=3) 45 b.plot VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 22 (PRUNING FACTOR=4) HUJAN HARIAN RATA-RATA (M3/DT) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 1 P_BR (M3/DT) Gambar 4..2 Visualisasi perbandingan verifikasi model 1P_BR dengan observasi tahun 22, pruning factor =3 (Sumber : Hasil olah data,29) HUJAN HARIAN RATA-RATA (M3/DT) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 1 P_BR (M3/DT) Gambar Visualisasi perbandingan verifikasi model 1P_BR dengan observasi tahun 22, pruning factor =4 (Sumber : Hasil olah data,29) PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 23 (PRUNING FACTOR =3) HUJAN HARIAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 1 P_BR (M3/DT) Gambar 4..3 Visualisasi perbandingan verifikasi model 1P_BR dengan observasi tahun 23, pruning factor =3 (Sumber : Hasil olah data,29) c.plot VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 23 (PRUNING FACTOR =4) HUJAN HARIAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 1 P_BR (M3/DT) Gambar Visualisasi perbandingan verifikasi model 1P_BR dengan observasi tahun 22, pruning factor =4 (Sumber : Hasil olah data,29) a.plot VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 21 (PRUNING FACTOR = 4) HUJAN HARIAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 1 P_BR (M3/DT) Gambar Visualisasi perbandingan verifikasi model 1P_BR dengan observasi tahun 21, pruning factor =4 (Sumber : Hasil olah data,29) Model Kedua (Model 2 P_BR) Prediksi Debit Harian Yang Masuk Bendungan Sengguruh. A. Running Proses Pembelajaran Model Kedua (Model 2 P_BR) 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. Pada simulasi Model 1 P_BR, hanya 27 variabel input yang terpilih mewakili simulasi yaitu yang memiliki nilai korelasi diatas.3, hasil yang diperoleh belum bisa 3

16 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,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 RSggr t-2, RBt t, RBt t-2, Rkyt t, RKpj t, RPct t, RKdr t, RKdr t-2, RDpt t-1, RStj t dan RPck t-3. Variabel input untuk proses simulasi Model 2 P_BR dapat dilihat pada Tabel Tabel 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=9.83 ), 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 Perbandingan Performa model 1 P_BR dan Model 2 P_BR saat pembelajaran Performa Pembelajaran (training) Nilai Performa Model MODEL 1 P_BR MODEL 2 P_BR Correlation coefficient CC Mean absolute error MAE Root mean squared error RMSE Relative absolute error % RAE Root relative squared error (%) RRSE Total Number of Instances Attributes input Jumlah Persamaan Sumber : Hasil Olah data,29 2 PLOT PEMBELAJARAN MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 1998 Sumber: Hasil Olah data 29 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 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 HUJAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 1 P_BR (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, 29)

17 PLOT PEMBELAJARAN MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN HUJAN HARIAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 1 P_BR (M3/DT) DEBIT HARIAN MODEL 2 P_BR (M3/DT) Gambar 4.28 Visualisasi perbandingan pembelajaran model 1 P_BR dan model 2 P_BR tahun 1999 (Sumber: Hasil olah data, 29) PLOT PEMBELAJARAN MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN HUJAN HARIAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 1 P_BR (M3/DT) DEBIT HARIAN MODEL 2 P_BR (M3/DT) Gambar 4.29 Visualisasi perbandingan pembelajaran model 1 P_BR dan model 2 P_BR tahun 2 (Sumber: Hasil olah data, 29) Tabel Perbandingan Performa model 1 P_BR dan Model 2 P_BR saat Verifikasi Performa Model Nilai Performa Model MODEL 1 P_BR MODEL 2 P_BR Correlation coefficient CC Mean absolute error MAE Root mean squared error RMSE Relative absolute error % RAE Root relative squared error (%) RRSE Total Number of Instances Attributes input Jumlah Persamaan Sumber: Hasil olah data, PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN HUJAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 1 P_BR (M3/DT) DEBIT HARIAN MODEL 2 P_BR (M3/DT) Gambar 4.3 Visualisasi perbandingan verifikasi model 1 P_BR dan model 2 P_BR tahun 21 (Sumber: Hasil olah data, 29) B. Running Proses Verifikasi Model Kedua (Model 2 P_BR) PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 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 = menjadi nilai RMSE = 15.23, 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 4.3 Gambar 4.31 dan Gambar HUJAN HARIAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 1 P_BR (M3/DT) DEBIT HARIAN MODEL 2 P_BR (M3/DT) Gambar 4.31 Visualisasi perbandingan verifikasi model 1 P_BR dan model 2 P_BR tahun 22 (Sumber: Hasil olah data, 29)

18 PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN HUJAN HARIAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) 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 23 (Sumber: Hasil olah data, 29) C. Running Proses Verifikasi Model Kedua (Model 2 P_BR) dengan pruning factor. Evaluasi verifikasi model yaitu dengan membandingkan hasil verifikasi Model 1 P_BR saat pruning factor 1 nilai RMSE = dengan Model 2 P_BR nilai RMSE = ,performa model 2 P_BR lebih membaik ; bila pruning factor = 2 untuk Model 1 P_BR nilai RMSE = dengan Model 2 P_BR performa model lebih baik dengan nilai RMSE = 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 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 s/d , Gambar4.34.1s/d Gambar , Gambar s/d Gambar , Gambar s/d Gambar dan Gambar s/d Gambar 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 Tabel Performa model Model 2 P_BR saat verifikasi menggunakan penyederhanan pruning factor. PERFORMA MODEL PRUNING FACTOR Correlation coefficient CC Mean absolute error MAE Root mean squared error RMSE Relative absolute error % RAE Root relative squared error (%) RRSE Total Number of Instances Attributes input Jumlah Persamaan Sumber: Hasil olah data, A. PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 21 (PURNING = 1) HUJAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 2 P_BR (M3/DT) Gambar Visualisasi perbandingan verifikasi model 2 P_BR dengan observasi tahun 21,pruning factor = 1 (Sumber: Hasil olah data, 29) B.PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 22 (PURNING =1) HUJAN HARIAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 2 P_BR (M3/DT) Gambar Visualisasi perbandingan verifikasi model 2 P_BR dengan observasi tahun 22, pruning factor = 1 (Sumber: Hasil olah data, 29)

19 C. PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 23 (PURNING=1) 2 C. PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 23 (PRUNING=2) HUJAN HARIAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 2 P_BR (M3/DT) HUJAN HARIAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 2 P_BR (M3/DT) 1 12 Gambar Visualisasi perbandingan verifikasi model 2 P_BR dengan observasi tahun 23, pruning factor = 1 (Sumber: Hasil olah data, 29) Gambar Visualisasi perbandingan verifikasi model 2 P_BR dengan observasi tahun 23, pruning factor = 2 (Sumber: Hasil olah data, 29 A. PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 21 (PURNING =2) 3 A. PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 21 (PRUNING = 3) HUJAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 2 P_BR (M3/DT) HUJAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 2 P_BR (M3/DT) Gambar Visualisasi perbandingan verifikasi model 2 P_BR dengan observasi tahun 21, pruning factor = 2 (Sumber: Hasil olah data, 29) Gambar Visualisasi perbandingan verifikasi model 2 P_BR dengan observasi tahun 21, pruning factor = 3 (Sumber: Hasil olah data, 29 34

20 A. PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 21 (PRUNING = 5) HUJAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 2 P_BR (M3/DT) Gambar Visualisasi perbandingan verifikasi model 2 P_BR dengan observasi tahun 21, pruning factor = 5 (Sumber: Hasil olah data, B.PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 22 (PRUNING =5) HUJAN HARIAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 2 P_BR (M3/DT) Evaluasi Hasil Model 2 P_BR Hasil dari skenario Model 2 P_BR jika dibandingkan Model 1 P_BR bisa dikatakan semakin baik walaupun dalam hal ini masih belum memenuhi angka Nilai RMSEnya. Pencapaian angka RMSE hasil verifikasi yang sangat besar tersebut menunjukkan model prediksi tidak mampu mengikuti debit harian hasil observasi dilapangan. Hal tersebut sangat dipengaruhi sekali oleh hubungan antara variabel input dengan Output yang tidak bisa mencapai angka 1, dengan nilai korelasi yang sangat kecil tersebut sangat mempengaruhi performa model. Model 2 P_BR adalah model hasil penyederhanaan variabel input dari 64 variabel input menjadi 17 variabel input. Variabel input tersebut adalah data curah hujan harian yang tercatat di 4 (empat) stasiun pencatatan curah hujan di Sub-DAS Kali Lesti dan data curah hujan harian yang tercatat di 12 (dua belas) stasiun pencatat curah hujan harian di Sub-DAS Kali Brantas Hulu. Namun Model 2 P_BR setelah disimulasikan beberapa kali hanya 1 stasiun pencatatan curah hujan harian yang bisa mewakili sebagai pemodelan prediksi debit harian yang masuk di Bendungan Sengguruh. Hasil pemilihan model yang paling sederhana namun dalam penyederhanaan model masih menunjukkan performa yang baik diantara yang lainnya adalah Model 2 P_BR pruning factor = 2 nilai RMSE = dengan Jumlah persamaan 14. Gambar hirarki Model 2 P_BR dilihat pada Gambar Gambar Visualisasi perbandingan verifikasi model 2 P_BR dengan observasi tahun 22, pruning factor = 5 (Sumber: Hasil olah data, C. PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 23 (PRUNING=5) HUJAN HARIAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 2 P_BR (M3/DT) Gambar Visualisasi perbandingan verifikasi model 2 P_BR dengan observasi tahun 23, pruning factor = 5 (Sumber: Hasil olah data,

21 Tabel 4.2. Persamaan Model 2 P_BR untuk Prediksi Debit Harian yang Masuk Bendungan Sengguruh PERSAMAA N (LM) LM1 LM2 LM3 LM4 LM5 LM6 OUTPUT (Y) βo + (β1 x X1) + (β2 x X2) (βn x Xn QinSggrt RSggt + QinSggr.136RWgrt +.183RBtt RTklt +.162RTklt RPjnt -.388RJbgt +.517RTpgt +.277RDptt +.18RWjkt QinSggr QinSggrt RSggt +.298RWgrt +.331RBtt RTklt +.289RTklt RPjnt -.135RJbgt +.517RTpgt +.474RDptt +.379RWjkt QinSggr QinSggrt RSggt +.145RWgrt +.9RBtt RKytt RTklt RPjnt +.23RTpgt +.184RDptt QinSggr QinSggrt RSggt +.34RWgrt +.9RBtt RKytt RTklt +.146RTklt RPjnt +.29RTpgt +.389RDptt +.176RPckt QinSggr QinSggrt RSggt +.34RWgrt +.9RBtt RKytt RTklt +.146RTklt RPjnt +.29RTpgt +.389RDptt QinSggr QinSggrt RSggt +.34RWgrt +.9RBtt RKytt-1 +.RTklt +.146RTklt RPjnt -.56RJbgt + 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 QinSggr t atau > Bila data di QinSggr t maka pengelompokkan dipersempit pada batasan apakah RKytt (peramalan menggunakan persamaan 1 (LM 1) atau > 1.35 (persamaan 2 (LM2)). Bila data di QinSggr t-1 > 46.4 maka pengelompokkan dipersempit lagi dengan batasan data QinSggr t atau > Jika QinSggr t dilakukan untuk variabel input yang lain (dalam hal ini data di st.tumpang (RTpg), data di st. Tumpang saat t atau waktu sekarang RTpgt 1.5 atau > 1.5. Bila data di RTpg t 1.5, maka peramalan data di QinSggr menggunakan persamaan linier 3 (LM3). Bila data di RTpg t > 1.5 maka pengelompokkan dipersempit lagi dengan batasan data QinSggr t atau > Bila QinSggr t dilakukan untuk variabel input yang lain (dalam hal ini data di st. Pujon (RPjn), data di st. Pujon saat t atau waktu sekarang RPjn t 9.5 atau > 9.5. Bila data di RTpg t 1.5 maka peramalan data di QinSggr menggunakan persamaan linier 4 (LM4). Bila data di RPjn t > 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 RTkl t-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