SIMULASI DEBIT DAS B AH BOLON BERDASARKAN DATA HUJAN DENGAN MTODE JARINGAN SYARAT TIRUAN BACPROPOGATION

Transkripsi

1 SIMULASI DEBIT DAS B AH BOLON BERDASARKAN DATA HUJAN DENGAN MTODE JARINGAN SYARAT TIRUAN BACPROPOGATION MENGGUNAKAN SCILAB Agus Sutarto 1), Setiono, ST, MSc ), Dr. Ir. Rr. Rintis Hadiani, MT 3) 1) Mahasiswa Jurusan Teknik Sipil, Universitas Sebelas Maret ), 3) Dosen Jurusan Teknik Sipil, Universitas Sebelas Maret Jln Ir Sutami 36 A, Surakarta agussutarto7@yahaoo.com Abstract Data Debit is an important information in the management of water resources. discharge is one source of input data can then be processed and analyzed. Water resources management has many aspects such as flood control purposes, the potential for electrical energy and so on. Watersheds do not entirely have the discharge station so that the necessary technical approach to address the validation of data that can be justified. The purpose of this study were (1) Determine the coefficient ANN parameters, () Knowing the years 013 to 016 and the predicted discharge (3) Determine the reliability of the model. Simulation debit is a method of getting data flow based on rainfall data at the station in one watershed at the same time. Stages of the research is to collect data rainfall and discharge in as well as topographic maps. Perform calculations using the region rain Thiessen polygon method. Results of rain the area is converted into discharge using methods FJ. Mock. Then perform simulations to the results obtained are at the limits set by the Backpropagation ANN method with the help of Scilab Software debit and simultaneously obtain predictions. Furthermore, to test the reliability of the model Simulation studies Debit DAS Bahbolon method Backpropogation Neural Network Based on rainfall data using Scilab. The results showed that ANN parameters: Period = 4 years, Hidden Layer = 4 pieces (each 5 neurons), Interaction = 10000, MSE = , Momentum = 0.6 and 0.6 Learning Speed. Then to discharge Bahbolon DAS prediction in can be seen in Table 4:14 The correlation value of = and the reliability model of 71.9% were obtained from the analysis of reliability.. Keywords : Bahbolon watershed, rainfall data, Artificial Neural Networks, Prediction, Scilab, simulation Debit Abstrak Data Debit merupakan informasi penting dalam pengelolaan sumber daya air. debit merupakan salah satu sumber input data yang selanjutnya dapat diolah dan dianalisis. Pengelolaan sumber daya air memiliki berbagai aspek keperluan seperti pengendalian banjir, potensi energi listrik dan sebagainya. Daerah aliran sungai tidak seluruhnya mempunyai stasiun debit sehingga perlu dilakukan pendekatan teknis untuk mengatasi pengabsahan data yang dapat dipertanggung jawabkan. Tujuan penelitian ini adalah (1) Mengetahui koefisien parameter JST, () Mengetahui debit prediksi tahun dan (3) Mengetahui keandalan model. Simulasi debit merupakan metode mendapatkan data debit berdasarkan data hujan pada stasiun dalam satu DAS pada kurun waktu yang sama. Tahapan penelitian yang dilakukan adalah mengumpulkan data hujan dan debit tahun serta peta topografi. Melakukan perhitungan hujan wilayah menggunakan metode poligon Thiessen. Hasil hujan wilayah diubah menjadi debit menggunakan metode FJ. Mock. Kemudian melakukan simulasi sampai hasil yang diperoleh berada pada batas yang ditetapkan dengan metode JST Backpropagation dengan bantuan Software Scilab dan sekaligus memperoleh debit prediksi. Selanjutnya melakukan uji keandalan model Penelitian Simulasi Debit DAS Bahbolon dengan metode Jaringan Syaraf Tiruan Backpropogation Berdasarkan data hujan menggunakan Scilab. Hasil penelitian menunjukkan bahwa parameter JST : Periode = 4 tahun, Hidden Layer = 4 buah (masing-masing 5 neuron), Interaksi = 10000, MSE = 0,0001, Momentum = 0,6, dan Kecepatan Belajar 0,6. Kemudian untuk debit prediksi DAS Bahbolon pada tahun dapat dilihat pada tabel 4.14 Dengan nilai korelasi sebesar = 0, dan keandalan model 71,9 % yang diperoleh dari analisis reliabilitas. Kata Kunci : DAS Bahbolon, data hujan, Jaringan Syaraf Tiruan, Prediksi, Scilab, Simulasi Debit.. PENDAHULUAN Data Debit aliran merupakan informasi paling penting dalam pengelolaan sumber daya air. Pengelolaan sumber daya air memiliki berbagai aspek keperluan seperti pengendalian banjir, potensi energi listrik, pengairan lahan pertanian dan sebagainya. Indonesia merupakan negara berkepulauan dimana banyak pulau pulau dan Daerah Aliran Sungai (DAS), Hujan sebagai input dan debit output.. DAS Bah Bolon adalah salah satu DAS yang terdapat pada Kabupaten Simalungun dengan luas wilayah 131,378 km. Jaringan Syaraf Tiruan (JST) adalah suatu teknologi yang dikembangkan berdasarkan prinsip jaringan syaraf biologi pada manusia, dapat dilatih untuk meramalkan apa yang akan terjadi dimassa yang akan datang berdasarkan pola kejadian yang ada dimassa lampau. JST memiliki kemampuan untuk mengingat dan membuat generalisasi dari apa yang sudah terjadi sebelumnya. Penelitian ini dilakukan untuk memprediksi debit e-jurnal MATRIKS TEKNIK SIPIL/September 016/918

2 menggunakan Jaringan Syaraf Tiruan, dengan arsitektur propagasi balik (backpropagation) karena arsitektur ini dapat melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan dalam memberikan respon yang benar terhadap pola masukan yang serupa dengan pola yang dipakai selama pelatihan (Siang, 005). Aplikasi Jaringan Syaraf Tiruan untuk memprediksi sudah pernah dilakukan Rr. Rintis Hadiani dkk, (009) yaitu Metode Jaringan Syaraf Tiruan untuk Simulasi Data (Studi Kasus untuk Prediksi Data Debit berdasarkan Data Hujan). Peniruan (simulasi) sertan prediksi potensi debit simulasi berdasarkan data hujan maksimum bulanan dengan metode JST dengan scilab di DAS Bah bolon belum pernah diteliti. Sehingga penelitian ini untuk mengetahui debit simulasi pada DAS Bah bolon dengan metode JST dengan scilab.. Analisis permasalahan dirumuskan sebagai berikut : 1. Berapa parameter metode JST?. Berapa debit hasil prediksi pada tahun ? TINJAUAN PUSTAKA Simulasi data debit merupakan metode mendapatkan data debit berdasarkan data hujan pada stasiun lain dalam satu DAS pada kurun waktu yang sama, menggunakan model matematik linear yang dibangun dengan metode Jaringan Syaraf Tiruan (JST). Pada aplikasi di lapangan, data hasil simulasi bermanfaat untuk memberikan masukan pada pengambil keputusan. Utamanya untuk mitigasi bencana (banjir atau kekeringan). Metode penelitiannya adalah mensimulasi jumlah data hujan sebagai masukan untuk mendapatkan data debit pada sebuah stasiun sebagai keluaran yang sesuai dengan data hujan senyatanya pada stasiun lain pada DAS yang sama. Dalam pemodelan JST untuk hidrologi, model yang sesuai adalah backpropagation (propagasi balik) dengan fungsi aktivasi sigmoid biner. Fungsi aktivasi adalah net (jaringan) masukan yang merupakan kombinasi linear masukan dan bobotnya. Model ini dapat menyesuaikan karakteristik pola data masukan dan data keluaran. Dan data harus mengikuti distribusi normal dengan kisaran nol sampai satu (0,1 0,9) (Siang, J.J., 005; Rr. Rintis Hadiani dkk, 009). Jaringan Syaraf Tiruan (JST) Menurut Hermawan (006) Jaringan Syaraf Tiruan (JST) adalah sistem komputasi yang arsitektur dan operasinya diilhami dari pengetahuan tentang sel syaraf biologis di dalam otak. JST merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba menstimulasi proses pembelajaran pada otak manusia tersebut. JST dapat digambarkan sebagai model matematis dan komputasi untuk fungsi aproksimasi non linear, klasifikasi data cluster dan regresi non-parametrik atau sebuah simulasi dari koleksi model jaringan syaraf biologi Sebuah JST umumnya terdiri dari tiga layer yaitu input layer, hidden layer dan output layer. Layer input (input layer) terdiri dari neuron-neuron yang menerima sebuah input dari lingkungan luar. Input yang dimasukkan merupakan penggambaran dari suatu masalah. Layer tersembunyi (hidden layer) terdiri dari neuron-neuron yang menerima masukan dari input layer, dan kemudian membawa output ke layer berikutnya. Lapisan output disebut unit-unit output, terdiri dari neuron-neuron yang menerima output dari hidden layer dan mengirimkannya kepada pemakai.struktur umum JST digambarkan sperti Gambar 1. Gambar 1. Arsitektur Jaringan Syaraf Tiruan untuk Perhitungan Debit Dengan P1 = masukan data ke-1, Pn = masukan data ke-n, Z1.1 = peubah bantu ke-1 pada lapisan tersembunyi 1, Z1. = peubah bantu ke- pada lapisan tersembunyi 1, Z.1 = peubah bantu ke-1 pada lapisan tersembunyi, Z. = peubah bantu ke- pada lapisan tersembunyi, b (=1) = nilai bias yang ditentukan sama dengan satu, Qn = keluaran data ke-n. e-jurnal MATRIKS TEKNIK SIPIL/September 016/919

3 Prosedur Aplikasi Jaringan Syaraf Tiruan Menggunakan Scilab Prosedur aplikasi Jaringan Syaraf Tiruan dalam pengelolahan data adalah sebagai berikut: data sekunder yang didapat dientry ke dalam Microsof Excel selanjutnya dilakukan penyusunan pola. Lalu data yang telah dibentuk pola diinputkan ke dalam bahasa pemrograman Scilab. Scilab telah digunakan secara luas di beberapa industri dan projek penelitian, dan banyak kontribusi telah dibuat oleh para pengguna. Sintaksnya sama dengan Matlab, tetapi yang kedua tidak sepenuhnya kompatibel, meskipun terdapat konverter yang disertakan di dalam Scilab untuk konversi kode sumber dari Matlab ke Scilab. Scilab memiliki lebih sedikit bantuan daripada Matlab.Scilab juga meruapakan suatu perangkat lunak yang dikembangkan untuk komputasi numerik dan visualisasi data (Sarief. 009). Korelasi Korelasi merupakan teknik analisis yang digunakan untuk mengukur kekuatan hubungan dua variabel. Korelasi tidak secara otomatis menunjukkan hubungan kausalitas antar variabel. Hubungan dalam korelasi dapat berupa hubungan linier positif dan negatif. Interpretasi koefesien korelasi akan menghasilkan makna kekuatan, signifikansi dan arah hubungan kedua variabel yang diteliti. Untuk melihat kekuatan koefisien korelasi didasarkan pada jarak yang berkisar antara 0-1. Untuk melihat signifikansi hubungan digunakan angka signifikansi / probabilitas / alpha. Untuk melihat arah korelasi dilihat dari angka koefisien korelasi yang menunjukkan positif atau negatif (Jonathan Sarwono, 006). r n n xy x y ( x ) ( x) n( y ) ( y ).. [5] Dengan: r = Koefisien korelasi x = Debit simulasi (m 3 /dt) y = Debit lapangan (m 3 /dt) Analisis Reliabilitas Analisis reliabiitas parameter dilakukan untuk mengetahui kevalidan dan keandalan parameter model dalam memprediksi debit suatu DAS. Bila model terbangun, maka verifikasi dilakukan. Cara verifikasi dilakukan dengan menggunakan metode statistik pada parameter model, uji kesesuaian parameter. Model merupakan metode yang menjelaskan sampel untuk dibuat generalisasi populasi, maka digunakan uji kesesuaian model berbasis sampel (Zulganef, 004 ; Rr. Rintis Hadiani, 009). Suatu model biasa diterima sebagai instrumen analisis bila model valid, yaitu hasilnya tidak berbeda dengan senyatanya. Dalam analisis matematik, reliabilitas adalah rasio jumlah item terhadap total varian. Analisis dilakukan pada peubah durasi, intensitas, dan frekuensi. Rumus umum yang digunakan adalah persamaan Cronbach, alpha sebagai persamaan (zulganef, 004) : r k k 1 1 i ( i ij.... [6] Dengan : σ i = jumlah varian i (merupakan jumlah diagonal), σ ij = kovarian item i dan j, σ i + ( σ ij) = total varian nilai α r adalah besar keandalan model. Kategori koefisien reliabilitas adalah : >0 0,5 : Keandalan jelek >0,5 0,6 : Keandalan kurang baik >0,6 0,75 : Keandalan cukup baik >0,75 0,99 : Keandalan baik 1 : keandalan sangat baik e-jurnal MATRIKS TEKNIK SIPIL/September 016/90

4 METODE PENELITIAN Metode penelitian ini menggunakan metode deskritif kuantitatif dengan teknik pengumpulan data dari sumber atau instansi terkait sehingga pada penelitian ini data yang digunakan adalah data sekunder. Tahapan penelitian yang dilaksanakan dengan mempersiapkan data debit pada tahun Untuk simulasi data debit menggunakan metode Jaringan Syaraf Tiruan (JST) Backpropagation dengan bantuan software Scilab. Konsep pemodelan adalah jika Q maka Q, artinya jika debit (Q) m 3 /det, maka debit (Q) m 3 /det. Maka model JST yang dibuat menggunakan masukan data debit dan keluaran data debit. Jumlah data masukan disimulasi. Simulasi I adalah jika jumlah data masukan (data debit) 4 tahun dengan keluaran 4 tahun. Kemudian dengan cara yang sama simulasi dilakukan dengan jumlah data masukan 6, 8, dan 10 tahun. Hasil simulasi masing-masing dihitung korelasi dan besar keandalan modelnya. HASIL DAN PEMBAHASAN Data debit yang digunakan pada penelitian ini menggunakan data hujan sta Sidamanik dan sta Marihat yang terdapat pada DAS Bah bolon. Data didapat dari Balai PSDA Kabupaten Simaungun utara yang memiliki data hujan yang cukup lengkap. Data hujan yang digunakan berupa data hujan bulanan selama 1 tahun dari dapat dilihat pada Tabel 1. Tabel 1. Data Hujan Bulanan sta Sidamanik DAS Bah bolon Tahun Tahun Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec Tabel 1. Data Hujan Bulanan sta Marihat DAS Bah bolon Tahun Tahun Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec Sumber: Stasiun Klimatologi sampali Medan Analisis Debit Mengunakan Jaringan Syaraf Tiruan dengan Metode Backpropagation e-jurnal MATRIKS TEKNIK SIPIL/September 016/91

5 Analisis debit pada penelitian ini dilakukan untuk mengetahui seberapa besar keandalan model yang terjadi pada DAS bah bolon Kabupaten Simalungun Utara. Data yang digunakan untuk memperoleh simulasi debit DAS Bah bolon adalah data hujan bulanan. Data hujan nantinya digunakan sebagai input pelatihan dan untuk mensimulasikan hasil simulasi debit. Pada penelitian ini untuk perancangan JST dan parameternya berdasarkan penelitian (Rintis Hadiani dkk, 009 ), Output-Train Target Gambar. Grafik Hasil Simulasi Debit Bulanan Tahun pada DAS Bah bolon Gambar. merupakan grafik hasil simulasi yang menunjukkan bahwa simulasi debit mendekati sama dengan grafik data debit observasi, sehingga hasil simulasi debit dapat digunakan untuk perhitungan selanjutnya. Apabila grafik simulasi debit belum mendekati grafik data debit observasi maka dilakukan training progam kembali dengan merubah parameter-parameternya. Validitas Data Simulasi Debit Data hasil simulasi dengan bantuan alat software Scilab dan hasil output dari program Scilab kemudian disimpan dalam format Microsoft excel 007 dengan format ekstensi *.xls dengan cara menekan tombol Save Ms. Excel. Proses dan hasil output dari program Scilab ditampilkan didalam excel tersebut dan ditampilkan pula nilai batas atas dan batas bawah serta matriks bobot yang menjadi koefisien pada matriks perhitungan metode JST Backpropogation. Verifikasi data ini nilai signifikansi yang digunakan harus berada antara nilai batas atas dan batas bawah yang dapat dilihat pada Lampiran E. Nilai yang didapat melalui proses simulasi adalah sebagai berikut : Batas Bawah : 3,7589 Nilai Aktual : 6 Batas Atas : 6,74711 Syarat nilai aktual harus berada diantara nilai batas atas dan batas bawah. Dalam perhitungan aplikasi Scilab dapat dilihat bahwa nilai batas bawah > nilai aktual > nilai batas atas sehingga hasil simulasi dianggap valid. Apabila kondisi antara nilai aktual, batas bawah, dan batas atas tidak sesuai dengan syarat maka harus dilakukan running kembali dari rencana penginputan data. Tabel. Hasil Simulasi Debit Dengan Masukan 4 Tahun e-jurnal MATRIKS TEKNIK SIPIL/September 016/9

6 Korelasi Perhitungan Korelasi dilakukan untuk menunjukan besarnya keterkaitan antara output training data hujan simulasi dengan data hujan sesungguhnya yang terjadi di DAS Bahbolon. Menggunakan Persamaan.15 maka besarnya korelasi didapat sebesar 0, Dengan nilai korelasi sebesar = 0, menunjukkan model tersebut memiliki derajat keterikatan yang tinggi dan nilai korelasi dari tergolong dalam korelasi yang sangat kuat. Sehingga data hujan output hasil simulasi dapat digunakan untuk memprediksi data debit. Reliabilitas Hasil Simulasi Perhitungan yang dilakukan selanjutnya adalah perhitungan keandalan model menggunakan Persamaan.16. Diketahui bahwa nilai K : 48, σi = 7, dan σij = 8,477771, Data σi dan σij diperoleh dari bantuan Microsoft Excel dengan member perintah variansi (=var) untuk σi dan perintah covarian (=covar) untuk perhitungan σij. Hasil yang diperoleh seperti perhitungan berikut ini : r , ,69388 x 7, x100% = 0,7186 x 100 % = 71,9 % Keandalan model dari analisis realibilitas hasil perhitungan diatas menunjukkan bahwa keandalan dengan masukan data debit 4 tahun adalah 71,9 %.. KESIMPULAN Berdasarkan hasil perhitungan yang telah dilakukan diperoleh kesimpulan sebagai berikut : 1. Tahapan penyusunan program JST adalah perancangan jaringan kemudian menentukan input data untuk layer 1 : 4 hidden layer, layer : 5 neuron dan pola jaringan serta melakukan pelatihan jaringan. Koefisien parameter model Jaringan syaraf tiruan metode backpropagation untuk prediksi data debit 4 tahunan pada DAS Bah Bolon berdasarkan data hujan stasiun Bah Bolon adalah sebagai berikut : Epoch Goal : 0,0001 Momentum : 0.6 : iterasi, Learning Rate : 0.6 Performance : Mean Squared Error,. Dari hasil prediksi debit 4 tahunan Korelasi model diperoleh nilai sebesar 0, dan Keandalan reliabilitas nilai sebesar 71,9 % yang diperoleh dari analisis reliabilitas. SARAN Dalam penelitian simulasi debit berdasarkan data debit ini terbatas pada beberapa lingkup bahasan, oleh karena itu perlu tinjauan lebih lanjut yang bertujuan untuk memperluas pengetahuan dan teknologi, maka dari itu saransaran yang dapat diberikan oleh penulis sebagai berikut : 1) Perlu adanya ketelitian dalam melakukan proses simulasi debit bulanan terutama, untuk mendapatkan hasil yang diinginkan. ) Pada data input dapat ditambah data dan faktor lain (tidak hanya data hujan saja) agar mendapatkan nilai keandalan yang lebih baik. 3) Penelitian selanjutnya menggunakan data dengan periode data lain karena periode data merupakan salah satu peubah yang berpengaruh pada perubahan bentuk model JST. UCAPAN TERIMA KASIH Terima kasih penyusun ucapkan kepada kepada Ibu Dr. Ir. Rr. Rintis Hadiani, MT dan Bapak Setiono, ST, MSc selaku dosen pembimbing dalam penelitian ini. Terima kasih kepada bapak, ibu, keluarga dan teman-teman yang telah memberi doa dan dukungan serta semua pihak yang membantu proses pelaksanaan tugas akhir ini sehingga dapat selesai tepat pada waktunya. REFERENSI Jonathan Sarwono Teori Analisis Korelasi Mengenal Analisis Korelasi. (Selasa, 01 Oktober 013, : 05 : 03 WIB) Rr Rintis Hadiani Metode Jaringan Syaraf Tiruan untuk Simulasi Data (Studi Kasus Untuk Prediksi Data Debit berdasarkan Data Hujan). Surakarta : Universitas Sebelas Maret Surakarta. e-jurnal MATRIKS TEKNIK SIPIL/September 016/93

7 Rr Rintis Hadiani, Bambang Suharto, Agus Suharyanto, Suhardjono Analisis Kekeringan Hidrologi (Studi Kasus Di Sub DASKali Asem Lumajang). Malang : Universitas Brawijaya Malang. Siang, J.J, 005. Jaringan Syaraf Tiruan dan Pemrograman Menggunkan Matlab. Yogyakarta : ANDI. Yevjevich, V (197 ) Stochastic Processes in Hydrology, Colorado, USA: Water Resources Publications, Fort Collins. Zulganef (004) Pemodelan Persamaan Struktur dan Aplikasinya Menggunakan Amos 5, Bandung : Penerbit Pustaka Scilab diakses pada 19 April 014 pukul 1.58, ditemukan di e-jurnal MATRIKS TEKNIK SIPIL/September 016/94