PERAMALAN TINGGI MUKA AIR DI BENGAWAN SOLO HILIR RUAS BOJONEGORO LAMONGAN AKIBAT ADANYA BENDUNG GERAK BOJONEGORO DENGAN METODE JARINGAN SYARAF TIRUAN

Transkripsi

1 PERAMALAN TINGGI MUKA AIR DI BENGAWAN SOLO HILIR RUAS BOJONEGORO LAMONGAN AKIBAT ADANYA BENDUNG GERAK BOJONEGORO DENGAN METODE JARINGAN SYARAF TIRUAN Ima Faridhotin 1, Very Dermawan, Dian Sisinggih 1) Mahasiswa Jurusan Teknik Pengairan, Fakultas Teknik, Universitas Brawijaya ) Dosen Jurusan Teknik Pengairan, Fakultas Teknik, Universitas Brawijaya Universitas Brawijaya-Malang, Jawa Timur, Indonesia Jalan MT.Haryono 17 Malang 515 Indonesia faridhotin@gmail.com ABSTRAK Sungai Bengawan Solo merupakan sungai terbesar di Pulau Jawa. Berbagai masalah seperti kekeringan dan banjir sering terjadi khususnya Sub DAS hilir. Terdapat dua bendung gerak yang dibangun untuk alokasi air didaerah Bengawan Solo Hilir. Pada Tahun Bendung Gerak Babat dibangun, sedangkan Tahun 1 Bendung Gerak Bojonegoro dibangun yang lokasinya dihulu Bendung Gerak Babat. Peramalan debit outflow Bendung Gerak Bojonegoro untuk mempercepat pengambilan keputusan dalam pengoperasian pintu air khususnya pada musim kemarau dengan metode Jaringan Syaraf Tiruan menggunakan data time series untuk pelatihan yang diharapkan mampu memperkirakan besaran debit yang harus dikeluarkan Bendung Gerak Bojonegoro agar tidak mengakibatkan kelebihan air di hulu Bendung Gerak Babat atau sebaliknya. Bentuk pemodelan JST untuk TMA BSH dilakukan dengan kondisi yaitu sebelum (-1) dan sesudah (13-1) adanya Bendung Gerak Bojonegoro dibangun, arsitektur JST yaitu MultiLayer Perceptron dengan menggunakan fungsi pelatihan Leverberg-Marquardt. Pada tahap pelatihan dengan bantuan software NeuroSolution 7.1. Training dengan hasil yang paling sesuai akan digunakan untuk menentukan pemodelan terbaik. Pelatihan dengan 5 epochs untuk prosentase data Training-Cross Validation-Testing (-3-1)% dari keseluruhan data mempunyai kesesuaian yang terbaik dengan Kesalahan Ralatif (KR),% sebelum dan,7% sesudah Bendung Gerak Bojonegoro. Berdasarkan hasil analisis tinggi muka air Bengawan Solo Hilir dipengaruhi oleh operasional pintu Bendung Gerak Bojonegoro. Maka dilakukan peramalan TMA hulu Bendung Gerak Bojonegoro dengan metode JST. Pemodelan tersebut digunakan untuk meramalkan TMA hulu Bendung Gerak Bojonegoro bulan November-Desember 1 dengan prosentase (7--1)% diperoleh KR 5,7%. Pada saat debit di pos Padangan > 5 m 3 /dt maka elevasi hulu Bendung Gerak Bojonegoro > m dan pintu Bendung Gerak Babat akan dibuka penuh. Kata Kunci: Jaringan Saraf Tiruan, NeuroSolution 7.1, Tinggi Muka Air, Bukaan Pintu ABSTRACT Bengawan Solo River is the largest river in Java Island. Various problems such as droughts and floods are common, especially downstream watersheds. There are two barrage built for water allocation of downstream of Bengawan Solo area. In Babat Barrage was built, while in 1 Bojonegoro Barrage was built located in upstream Babat Barrage. Forecasting outflow discharge of Bojonegoro Barrage to accelerate decision making in operation of sluice gate, especially in dry season using Artificial Neural Network method, it is using time series data for training which is expected to estimate the amount of discharge that must be issued by Bojonegoro Barrage in order not to cause excess water in upper Babat Barrage or conversely. JST modeling form water level of Downstream Bengawan Solo was carried out with conditions: before (-1) and after (13-1) Bojonegoro Barrage was constructed. ANN architecture was Multilayer Perceptron. In the training stage using NeuroSolution 7.1. Training the

2 most appropriate result would be used to determine the best modeling. The training with 5 epochs for the data percentage of the data Training-Cross Validation-Testing (-3-1)% from the whole data had the best conformity with the Relative Error of,% before and,7% after Bojonegoro Barrage. Based on the analysis result, the height water level of the Downstream Bengawan Solo was affected by the sluice gate operation of Bojonegoro Barrage consequently, the water level prediction of upstream Bojonegoro Barrage using ANN method. The modeling was used to predict water level of the upstream Bojonegoro Barrage in November-December 1 in which with the percentage of (7--1)%, Relative Error 5,7% was obtained. When discharge on Padangan s AWLR was > 5 m 3 /s, then the elevation of upstream Bojonegoro Barrage was > m and the sluice gate of Babat Barrage would be full open. Keywords: Artificial Neural Network, NeuroSolution 7.1, Height Water Level, Sluice Gate PENDAHULUAN Sungai Bengawan Solo merupakan sungai terbesar di pulau Jawa dengan luas 1.1 km, bagian hilir Bengawan Solo yang khususnya daerah Bojonegoro, Tuban, Lamongan dan Gersik hampir setiap tahun mengalami banjir karena ketidakmampuan sungai mengalirkan debit banjir yang terjadi. Fluktuasi muka air di sungai Bengawan sangat berbeda ketika musim kemarau di bagian hilir terjadi penurunan muka air yang cukup signifikan, maka untuk mengatasi berbagai permasalahan tersebut di bangunlah Bendung Gerak Babat tahun di Kendal yang di operasikan untuk pemenuhan kebutuhan industri PT.Petrokimia Gersik, irigasi DI Leideng serta melayani kebutuhan PDAM Lamongan. Sedangkan untuk mengatasi kekeringan di Bojonegoro dan sekitarnya pihak BBWS Bengawan Solo membangun Bendung Gerak Bojonegoro tahun 1 di Trucuk. Adanya Bendung Gerak Bojonegoro akan mempengaruhi fluktuasi muka air di hulu Bendung Gerak Babat dan yang dikhawatirkan mengganggu pemenuhan kebutuhan air di daerah tersebut, maka perlu adanya pola operasi di Bendung Gerak Bojonegoro dan disesuaikan dengan fluktuasi muka air di hulu Bendung Gerak Babat yang muka airnya dipertahankan di elevasi +, m guna efektivitas penampungan, sedangkan pada Bendung Gerak Bojonegoro dapat dioperasikan ketika elevasi TMA di +.5m. Peramalan debit outflow Bendung Gerak Bojonegoro berfungsi untuk mempercepat pengambilan keputusan pengoperasian pintu air khususnya pada musim kemarau dengan metode Jaringan Saraf Tiruan menggunakan data time series untuk pelatihan yang diharapkan mampu memperkirakan besaran debit yang harus dikeluarkan Bendung Gerak Bojonegoro agar tidak mengakibatkan kelebihan air di hulu Bendung Gerak Babat atau sebaliknya. METODOLOGI Lokasi yang dipilih untuk peramalan muka air ini di Bengawan Solo ruas Bojonegoro-Lamongan dari Bendung Gerak Bojonegoro sampai Bendung Gerak Babat. Adapun peta lokasi dapat dilihat pada Gambar 1. Gambar 1. Peta DAS Bengawan Solo Sumber: Profil BBWS (1)

3 Gambar. Ruas Sungai Bojonegor- Lamongan Sumber: Google Earth (17) Jaringan Saraf Tiruan adalah paradigma Jaringan Saraf Tiruan (JST) adalah paradigma pemrosesan suatu informasi yang terinspirasi oleh sistem sel syaraf biologi manusia, yang memproses suatu informasi (Siang, 5:3). Keberhasilan suatu proses belajar JST ditunjukkan dengan besarnya error yang minimum. Proses belajar pada jaringan saraf tiruan ditunjukkan dengan perubahan bobot penghubung antara sel jarangan saraf. Implementasi jaringan syaraf tiruan dilakukan dengan perangkat keras atau komputer (Hermawan, :15). Analisis pemodelan tinggi muka air dilakukan dengan Metode JST Feedforward Backpropagation dengan bantuan NeuroSolution for Excel. Metode yang digunakan dalam proses pelatihan adalah Levenberg- Marquardt (LM). Dalam penyusunan analisa ini tahap pengolahan data sebagai berikut: 1. Data-data diperlukan a. Data curah hujan harian Sta. Babat, Sta. Leran, Stasiun Jabung, Stasiun Pangkatrejo, dan Stasiun Bojonegoro pada tahun 5-1 b. Data Debit dan TMA Pos Duga Air Padangan 7-1 c. Data Debit dan TMA Pos Duga Air Kaliketek 7-1 d. Tinggi Muka Air di Hulu Bendung Gerak Bojonegoro 13-1 e. Tinggi Muka Air di Hulu Bendung Gerak Babat -1 f. Pedoman Operasi Pintu Bendung Gerak Bojonegoro dan Bendung Gerak Babat. Pengolahan Data Input Sebelum dilakukan analisis dengan pemodelan JST, maka diperlukan beberapa pengujian statistik sebagai berikut: a. Data curah hujan harian tahun 5-1 Uji konsistensi dengan metode kurva massa ganda Uji Ketidakadaan trend Uji Stasioner Uji Inlier-Outlier b. Data debit pos duga air harian tahun 7-1 Uji Stasioner 3. Pengolahan dengan NeuroSolution 7.1 Pengolahan data dengan NeuroSolution 7.1 dilakukan berdasarkan tahapan berikut:

4 a. Load data atau pembagian data harus jelas agar jaringan mendapatkan pelatihan yang secukupnya. Data pengujian digunakan untuk menguji hasil pelatihan yang dilakukan berdasarkan MSE data pelatihan dan pengujian. b. Pada program NeuroSolution 7.1 pembagian data dibagi berdasarkan coloums dan rows pada program Ms. excel. Data coloums dibagi menjadi kelompok data data input, dan data output. sedangkan pembagian data berdasarkan rows terkait dengan pembagian data untuk pelatihan (training), data untuk validitas (validation), dan data untuk pengujian (testing). Beberapa komposisi data pelatihan dan pengujian yang sering digunakan adalah sebagai berikut (Maru`ao, 1): % untuk data pelatihan dan % untuk data pengujian. 7% untuk data pelatihan dan 3% untuk data pengujian. /3 untuk data pelatihan dan 1/3 untuk data pengujian. 5% untuk data pelatihan dan 5% untuk data pengujian. % untuk data pelatihan dan % untuk data pengujian. c. Pemodelan Jaringan Karena dalam program NeuroSolution 7.1 jaringan arsitektur tidak dibuat sendiri melainkan sudah tersedia dengan metode kohonen dengan 1 sistem hidden layers. d. Pemilihan koefisien pemahaman (learning rate) dan momentum e. Postprocessing/Denomalisasi Setelah proses pelatihan selesai, nilai output jaringan yang telah mengalami proses normalisasi harus dikembalikan (denormalisasi) ke harga aslinya untuk mendapatkan nilai output pada range yang sebenarnya. f. Pemilihan pemodelan ditentukan pada proses training yang dibuat dengan nilai epoch yang variatif sampai menemukan nilai MSE dan regresi yang optimum dengan nilai Kesalahan Relatif (KR) terkecil. Tahapan JST dengan algoritma Multilayer Perceptron diuraikan dalam langkah-langkah sebagai berikut : 1. Tiap-tiap unit input (Xi = 1,,,n) menerima sinyal Xi mengirimkan sinyal-sinyal ini ke unit-unit selanjutnya (unit-unit tersembunyi).. Setiap unit tersembunyi (zj, j = 1,,, p) menjumlahkan sinyalsinyal terbobotnya. n i=1 z_in j = voj + x i v ij Kemudian menerapkan fungsi aktivasinya untuk menghitung sinyal keluarannya: zj = f (z_in j) lalu mengirimkannya pada semua unit lapis lapis keluaran. 3. Setiap unit output (Yk, t = 1,,, m) menjumlahkan sinyal masukan terbobotnya. n i=1 y_in k = wok + z i w jk Kemudian menerapkan fungsi aktivasi untuk menghitung sinyal keluarannya : yk = f (y_in k). Tes kondisi berhenti. Secara garis besar tahapan penyelesaian sebagai berikut: 1. Penentuan lokasi. Pengumpulan data-data hujan, tinggi muka air, debit pada Bendung Gerak Bojonegoro dan Bendung Gerak Babat, serta data debit AWRL Pos Padangan dan data debit AWRL Pos Kaliketek. 3. Pengujian statistik terhadap data curah hujan dan debit.. Analisis peramalan TMA hulu Babat Barrage metode JST dengan software NeuroSolutions 7.1

5 5. Analisis berdasarkan kesesuaian TMAoutput jaringan dengan nilai TMA yang ditargetkan.. Analisa pengaruh Bojonegoro Barrage terhadap TMA Bengawan Solo Hilir. 7. Pemodelan TMA hulu Bojonegoro Barrage dengan metode JST dengan software NeuroSolutions Analisa operasi bukaan pintu Bojonegoro Barrage dan Babat Barrage HASIL DAN PEMBAHASAN Analisa Hidrologi Data hidrologi yaitu curah hujan tahunan mulai Tahun 5-1 dan data debit tahunan dilakukan mulai Tahun 7-1 yang diperoleh dari data pengukuran di lapangan diuji statistik sebelum digunakan sebagai data input untuk analisis tinggi muka air di Sungai Bengawan Solo hilir. Uji tersebut adalah uji konsistensi, ketidakadaan trend, uji stasioner, uji inlier-outlier untuk data curah hujan dan uji stasioner untuk data debit. Berdasarkan beberapa uji yang tealh dilakukan menunjukkan bahwa semua data curah hujan dapat digunakan untuk analisa selanjutnya, namun pada uji inlieroutlier Tahun 1 tidak memenuhi batas ambang atas maka tidak dapat digunakan untuk analisa selanjutnya. Tabel 1. Hasil Analisa Hidrologi Uji Konsistensi Data curah hujan konsisten α 5ᵒ Uji Statistika Uji Uji Stasioner Ketidakadaan Trend T hitung f hitung < f Terletak tabel diantara t tabel t hitung < t tabel Data hujan Data hujan dan tidak debit berasal menunjukkan dari populasi trend yang samanilai rata-rata dan nilai variannya adalah sama Sumber: Hasil Perhitungan (17) Uji Inlier- Outlier XH = 199,55 < Curah hujan Tahun 1 sebesar 1 mm, tidak dipakai input JST software NeuroSolutions Version 7.1. NeuroSolutions merupakan aplikasi untuk membantu proses pembelajaran dari JST dengan cara Add-In ke Excel. Algoritma pembelajaran yang digunakan yaitu Feedforward Backpropagation dengan arsitektur jaringan Multilayer Perceptron (MLP). Pada MLP terdapat satu lapisan input, satu lapisan tersembunyi, dan satu lapisan output. Lapisan input menerima sinyal dari luar kemudian melewatkan kelapisan tersembunyi pertama, yang akan diteruskan sehingga mencapai lapisan output. Secara matematis unit output dapat berupa persamaan sebagai berikut: y_ink = Wk + {( (Z 1 X Z n X n )W 1 + ( (Z 1 X Z n X n )W n } Perancangan Data Pelatihan Penentuan variabel input dan output yang akan digunakan pada proses pelatihan (training) menetukan hasil dari proses pembelajaran Jaringan Saraf Tiruan. Data yang digunakan merupakan data eksisting yang mempengaruhi tinggi muka air disepanjang sungai Bengawan Solo ruas Bojonegoro Lamongan. Pada analisa ini terdapat dua kondisi yang akan dianalisa dengan JST yaitu: 1. Kondisi tinggi muka air Bengawan Solo hilir sebelum adanya Bojonegoro barrage, data pelatihan menggunakan data eksisting tahun -1. Kondisi tinggi muka air Bengawan Solo hilir sesudah adanya Bojonegoro barrage, data pelatihan menggunakan data eksisting tahun Kondisi tinggi muka air di hulu Bendung Gerak Bojonegoro Berikut merupakan arsitektur jaringan pemodelan tinggi muka air kondisi 1 dan kondisi pada Gambar 3. dan kondisi 3 pada Gambar. Pemodelan Jaringan Saraf Tiruan dengan NeuroSolutions 7.1 Pemodelan dilakukan dengan metode Jaringan Saraf Tiruan menggunakan

6 Input V 1 X1 X X3 X X5 X X7 B1 Hidden Layer Z1 Z Z3 Z Z5 Z Z7 Z B Output Layer Y1 Target Gambar 3. Arsitektur Jaringan MLP Kondisi I dengan Tujuh Neuron Input Sumber: Anonim (17) Input X1 X X3 X X5 X X7 X X9 X1 V 11 B1 Hidden Layer Z1 Z Z3 Z Z5 Z Z7 Z Z9 Z1 Z11 B W 1 W 1 Output Layer Y1 Y Target Gambar. Arsitektur Jaringan MLP Kondisi II dengan Sepuluh Neuron Input. Sumber: Anonim (17) Notasi V adalah bobot pada lapisan tersembunyi, notasi W merupakan bobot ke lapisan keluaran (Y1) dan B merupakan bias. Pada metode JST ini prinsipnya adalah melatih jaringan sampai mendapatkan nilai output yang mendekati Y nilai target dengan trial. Untuk keputusan pembuktian akurasi model dapat dilakukan parameter pemodelan terhadap prosentase data yang digunakan dengan susunan Training : Cross Validation : Testing, pengulangan pembelajaran di coba dengan 5, 1, dan a. % - 3% - 1% (5,1, s ) b. % - 5% - 15% (5,1, s ) c. 7% - % - 1% (5,1, s ) Berikut merupakan hasil analisis tinggi muka air dengan Metode JST menggunakan NeuroSolution 7.1 pada kondisi 1 dengan 1 epoch sebagai berikut: 1. Susunlah data pelatihan JST (tahun -1) secara vertikal dari kiri ke kanan sebagai variabel input dan variabel target.. Blog kolom dari data TMAKTK hingga data QKTK, lalu klik Tag Data Column(s) As Input. 3. Blog kolom data TMABSH, lalu klik Tag Data Column(s) As Desired. Blog baris data sebanyak % dari data input dan target, lalu klik Tag Data Row(s) As Training, data yang sudah di Tag As Training akan berubah menjadi hitam 5. Blog baris data sebanyak 3% dari data input dan target. Klik Tag Data pilih Row(s) As Cross Validation, data yang sudah di Tag As Cross Validation akan berubah menjadi merah. Blog baris data sebanyak 1% dari data input dan target. Klik Tag Data pilih Row(s) As Testing, data yang sudah di Tag As Testing akan berubah menjadi biru. 7. Blog baris data yang telah diambil acak dari data training. Klik Tag Data pilih Row(s) As Production, data yang sudah di Tag As Production akan berubah menjadi hijau. Data pada kolom desired dipindahkan pada kolom selanjutnya.

7 MSE TMA BBT Output (m) Output (m). Langkah selanjutnya adalah membangun jaringan data dengan klik ikon Build Network pilih Regression MLP ( > 1 rows) Setelah memilih arsitektur jaringan multilayer perceptron dan pilih Continue 9. Maka akan terbentuk struktur jaringan yang telah diproses oleh software NeuroSolutuons 7.1. Setelah itu pilih Save breadboard. 1. Pilih Train Network untuk proses pembentukan jaringan syaraf tiruan, lalu akan keluar kotak dialog train yang berisikan pengaturan Number of s, Isikan sesuai dengan yang kita inginkan (disini digunakan 1). 11. Program Neurosolution 7.1 akan memulai proses running sesuai dengan s yang kita inginkan. Hasil running akan di plotkan secara otomatis oleh program. Pada grafik berwarna merah merupakan hasil dari Cross Validation Mean Square Error, sedangkan yang garis berwarna biru hasil dari Training Mean Square Error 1,9,,7,,5,,3,, (kali) Gambar 5. Grafik Hubungan MSE dengan Tabel. Perbandingan Mean Squared Error Training dan Cross Validation Sumber: NeuroSolution 7.1 Training MSE Cross Validation MSE Best Networks Training Cross Validation (kali) Minimum MSE,3, Final MSE,3,7 1. Kemudian dilakukan test. Pada Test 1 dilakukan pada bagian Training. Klik Test Network Dataset to Test (diubah menjadi Training) OK TMA BBT Exemplar (buah) Gambar. Grafik Desired Output and Actual Network Output Training Set TMABSH Gambar 7. Grafik Output Vs. Disired TMABSH1 TMA BBT Output TMA BBT Desired (m) Tabel 3. Parameter Kesalahan Training Performance TMA BSH RMSE 1,13 NRMSE,15 MAE, NMAE,111 Min Abs Error 3,55 x 1-5 Max Abs Error,7 r,9 Score 7, Kemudian dilakukan test. Pada Test dilakukan pada bagian Cross Validation. Klik Test Network Dataset to Test (diubah menjadi Cross Validation) OK.

8 TMA BBT Output (m) TMA BBT Output (m) Output (m) Output (m) 1 1 TMA BBT TMA BBT Output 1 TMA BBT TMA BBT Output Exemplar (buah) Gambar. Grafik Desired Output and Actual Network Output Cross Validation Set TMABSH TMA BBT Desired (m) Gambar 9. Grafik Output Vs. Disired TMABSH1 Tabel. Parameter Kesalahan Cross Validation Performance TMA BSH RMSE 1,59 NRMSE, MAE 1,179 NMAE,151 Min Abs Error,1 Max Abs Error 7, r,395 Score 3,353 Sumber: NeuroSolution Kemudian dilakukan test. Pada Test 3 dilakukan pada bagian Testing. Klik Test Network Dataset to Test (diubah menjadi Testing) OK Exemplar (kali) Gambar 1. Grafik Desired Output and Actual Network Output Testing Set TMABSH TMA BBT Desired (m) Gambar 11. Grafik Output Vs. Disired TMABSH1 Tabel 5. Parameter Kesalahan Testing Performance TMA BSH RMSE 1,51 NRMSE,195 MAE 1,19 NMAE,153 Min Abs Error,7 Max Abs Error,3 r,51 Score 9, Setelah data Training, Cross Validation, dan Testing melalui tahap Test Network maka selanjutnya klik Apply New Data Production OK. Maka output akan muncul data pada kolom kosong Output Production sebelumnya. Dari beberapa percobaan proses pembelajaran metode JST menggunakan algoritma Feedforward Backpropagation

9 dengan berbagai epoch didapatkan nilai kesalahan relatif sebagai berikut: 1 1 Tabel. Perbandingan Nilai KR (%) Sebelum Adanya Bojonegoro Barrage No. Prosentase Data 1 % - 3%- 1% % - 5%- 15% 3 7% - %- 1% Kesalahan Relatif (KR %) 5 1, 5,9,7 5, 5,5,,75,7 11,15 Sumber: Hasil Perhitungan (17) Tabel 7. Perbandingan Nilai KR (%) Setelah Adanya Bojonegoro Barrage No. 1 3 Prosentase Data % - 3%- 1% % - 5%- 15% 7% - %- 1% Kesalahan Relatif (KR %) 5 1,7 9, 9,5 7, 1, 13,13 1,9 5,9 7,1 Sumber: Hasil Perhitungan (17) Tabel. Perbandingan Nilai KR (%) TMA Bojonegoro Barrage No. 1 3 Prosentase Data % - 3%- 1% % - 5%- 15% 7% - %- 1% Kesalahan Relatif (KR %) ,9 15, 1,, 9, 9,17 5,7 5,5,75 Sumber: Hasil Perhitungan (17) Analisa Pengaruh Adanya Bojonegoro Barrage Terhadap Bengawan Solo Hilir Bojonegoro Barrage memiliki pengaruh terhadap tinggi muka air di hulu Babat Barrage yang berfungsi mempertahankan tinggi muka air agar tetap stabil. Berikut ini merupakan Grafik Perbandingan Debit Kaliketek dengan TMA Babat Barrage pada tahun - 1 : TMA (m) TAHUN Debit (m3/dt) Gambar 1. Grafik Hubungan Debit AWLR Kaliketek dan TMA Hilir Bengawan Solo Analisa Bukaan Pintu Bojonegoro Barrage Analisa tinggi bukaan pintu pada Bendung Gerak Bojonegoro dilakukan berdasarkan dari fluktuasi muka air di hulu pintu, kenaikan muka air dihulu pintu Bendung Gerak Bojonegoro dipengaruhi oleh fluktuasi debit Pos Duga Air di Padangan. Saat debit di Pos Duga Air menunjukkan Q 5 m 3 /dt maka elevasi di hulu Bojonegoro Barrage berada > m dan juru pintu harus bersiap untuk membuka pintu banjir (Flood gate) di mulai dari pintu no 5 dengan bukaan,5 m, jika TMA waduk semakin meningkat maka pintu,5, dibuka dan seterusnya. Analisa Bukaan Pintu Babat Barrage Pengoperasian pintu Babat Barrage ketika musim hujan/banjir semua pintu akan dibuka penuh, sedangkan dimusim kemarau pintu akan ditutup guna penampungan hingga elevasi muka air +, m pintu mulai dioperasikan. Saat TMA Hulu Babat Barrage pada elevasi +5,7 m atau lebih maka prosedur operasi bukaan pintu sebagai berikut: (pada perhitungan operasi bukaan pintu Babat Barrage dilakukan pada November- Desember 1) 1. Kondisi Normal Pada kondisi ini biasanya terjadi musim kemarau, Babat Barrage akan menutup semua pintu, ketika elevasi muka air +5,7 m pintu Flap Gate dibuka 1,5 m. Tahap operasi pintu 1 1 1

10 dipertimbangkan dari TMA hulu Babat Barrage dengan berpedoman sebagai berikut: Pada saat TMA di hulu bendung berada diatas mercu Flap Gate +, m pengendalian debit keluar dilakukan melalui Flap Gate yang ada di Discharge Control Gate dan Check Gate. Pintu Discharge Control Gate dibuka apabila muka air bergerak terus naik saat operasi tahap 1 dengan ketinggian, m s/d,5 m dengan interval kenaikan bukaan pintu,1 m dan pintu Check Gate tetap kondisi tertutup. Pintu Check Gate mulai dibuka apabila pada kondisi operasi tahap muka air terus bergerak naik. Check Gate dibuka mulai pintu No.1 dan dilanjutkan pintu No. sampai No.7 dengan interval bukaan,5 m dan 1, m sampai terbuka,5 m.. Kondisi Banjir Pada kondisi banjir ketika TMA Hulu Babat Barrage mencapai elevasi +5,7 m perlu konfirmasi TMA di Bojonegoro Barrage, jika tinggi muka air di elevasi > m dan ΔH, m/jam maka semua pintu Babat Barrage akan dibuka penuh dan dilakukan pencatatan TMA. KESIMPULAN Berdasarkan hasil analisis yang dilakukan maka disimpulkan beberapa hal sebagai berikut: 1. Pemodelan arsitektur jaringan yang digunakan dalam analisis tinggi muka air di Bengawan Solo hilir sebelum adanya Bojonegoro Barrage dengan NeuroSolution 7.1 didapatkan Kesalahan Relatif (KR),% dan sesudah adanya Bojonegoro Barrage KR sebesar,7% dengan variabel input (X) dan output (Y) sebagai berikut: X1 = TMAKTK (tinggi muka air harian Kaliketek, m) X = ChBJN (curah hujan harian Bojonegoro, mm) X3 = ChL (curah hujan harian Leran, mm) X = ChBBT (curah hujan harian Babat, mm) X5 = ChJ (curah hujan harian Jabung, mm) X = ChP (curah hujan harian Pangkatrejo, mm) X7 = QKTK (Debit harian Pos AWLR Kaliketek, (m 3 /dt) Y1 = TMABSH (tinggi muka air harian Bengawan Solo hilir (Hulu Babat Barrage) Sehingga dapat dibuat persamaan dari permodelan harian yang telah dilakukan yaitu: y_in k = W k + {(B + (Z 1 X TMA.KTK + Z 1 X Ch.Bjn + Z 1 X Ch.L + Z 1 X Ch.BBT + Z 1 X Ch.J + Z 1 X Ch.P + Z 1 X Q.KTK )W 1k + + (B + ((Z X TMA.KTK + Z X Ch.Bjn + Z X Ch.L + Z X Ch.BBT + Z X Ch.J + Z X Ch.P + Z X Q.KTK )W k )} }. Pengaruh TMA di hulu Babat Barrage setelah adanya Bojonegoro Barrage fluktuasi muka air cenderung stabil dan lebih tinggi sehingga pemenuhan kebutuhan air lebih efektif. 3. Peramalan tinggi muka air di hulu Bojonegoro Barrage diperoleh dari hasil pemodelan jaringan arsitektur dengan pola hubungan antara tinggi muka air di hulu Babat Barrage dengan variabel yang mempengaruhi seperti curah hujan Bojonegoro, Leran, Jabung, Babat, dan Pangkatrejo serta mempertimbangkan kenaikan debit di Padangan (hulu Bojonegoro Barrage) dan debit di Kaliketek (hulu Babat Barrage), maka didapatkan TMA Bojonegoro Barrage peramalan bulan November Desember 1 dengan korelasi data input yang digunakan membangun model nilainya,9. Sehingga dapat dibuat persamaan dari permodelan harian yang telah dilakukan yaitu:

11 y_in k = W k + {(B + (Z 1 X TMA.KTK + Z 1 X TMA.PDGN + Z 1 X Ch.Bjn + Z 1 X Ch.L + Z 1 X Ch.BBT + Z 1 X Ch.J + Z 1 X Ch.P + Z 1 X Q.KTK + Z 1 X Q.PDGN + Z 1 X TMA.BSH )W 1k + + (B + (Z 11 X TMA.KTK + Z 11 X TMA.PDGN + Z 11 X Ch.Bjn + Z 11 X Ch.L + Z 11 X Ch.BBT + Z 11 X Ch.J + Z 11 X Ch.P + Z 11 X Q.KTK + Z 11 X Q.PDGN + Z 11 X TMA.BSH )W 11k ) }. Analisa tinggi bukaan pintu Bojonegoro Barrage dilakukan berdasarkan dari fluktuasi muka air di hulu pintu, kenaikan muka air dihulu pintu Bojonegoro Barrage dipengaruhi oleh fluktuasi debit Pos Duga Air di Padangan. Saat debit di Pos Duga Air menunjukkan Q 5 m 3 /dt maka elevasi di hulu Bojonegoro Barrage berada > m dan juru pintu harus bersiap untuk membuka pintu banjir (Flood gate), sedangkan pintu Babat Barrage akan dibuka penuh. DAFTAR PUSTAKA Anonim, (1). Profil Pengelolaan Sumber Daya Air Wilayah Sungai Bengawan Solo. Surakarta: Balai Besar Wilayah Sungai Bengawan Solo. Anonim, (1). Profil & Kegiatan Strategis Balai Besar Wilayah Sungai Bengawan Solo. Surakarta: Balai Besar Wilayah Sungai Bengawan Solo. Anonim, (1). Alur Sungai Bengawan Solo Ruas Bojonegoro-Lamongan. Google Earth Hermawan, Arief. (). Jaringan Syaraf Tiruan (Teori dan Aplikasi). Yogyakarta: Andi Offset Kusumadewi, Sri. (3). Artificial Intelligence (Teknik dan Aplikasinya), 3. Yogyakarta: Graha Ilmu. Siang, J.J. (5). Jaringan Syaraf Tiruan dan Pemrogramannya menggunakan Matlab. Yogyakarta: Andi Offset.

12