RESPONS ALIRAN MASUK KE DANAU TOWUTI OLEH CURAH HUJAN DI WAWONDULA DAN SEKITARNYA DIANALISA DENGAN ARTIFICIAL NEURAL NETWORK

Transkripsi

1 Respons Aliran Masu Danau Towuti..(Kudsy) 87 RESPONS ALIRAN MASUK KE DANAU TOWUTI OLEH CURAH HUJAN DI WAWONDULA DAN SEKITARNYA DIANALISA DENGAN ARTIFICIAL NEURAL NETWORK Mahally Kudsy dan Moh. Husni INTISARI Aliran masu e Danau Towuti, Kabupaten Luwu, Sulawesi Tengah, dianalisa dengan artificial neural networ. Networ mempunyai susunan yang terdiri dari 6 node pada layer input, 8 node pada hidden layer, dan node pada layer output. Weight dari networ dihitung dengan bac propagation of error dan fungsi Sigmoid dipaai sebagai fungsi atifasi. Dari analisa ditemuan bahwa curah aliran masu (inflow) sangat dipengaruhi oleh curah hujan di daerah-daerah Wawondula, Dam site, Timampu, Palumba, Loeha dan Bantilang. Dari e 6 derah tersebut, perubahan curah hujan di Wawondula mempunyai pengaruh yang sangat uat terhadap inflow ABSTRACT Artificial neural networ method was applied in analyses of inflow to Towuti Lae of Luwu Regency, Central Sulawesi. The networ was constructed by 6, 8, nodes in input, hidden and output layers. The weights were calculated using bac propagation of error and Sigmoid function was used as activation function. It was found that precipitations at Wawondula, Dam site, Timampu, Palumba, Loeha and Bantilang have the strongest influence to the inflow. Of the 6 areas, the precipitation changes at Wawondula has the strongest effect to the change of the inflow. PENDAHULUAN Tulisan ini mempunyai tujuan untu mengaji perubahan aliran masu e danau Towuti yang disebaban oleh curah hujan regional dari 8 buah penaar (Wawondula, Dam Site, Timampu, Palumba, Toalimbo, Pealoa, Loeha dan Bantilang) dengan metoda neural networ. Selanjutnya hasil yang didapat dipaai untu membuat analisa sensivitas curah hujan di suatu tempat terhadap inflow e Danau Towuti (peta ) Peta Daerah Aliran Sungai Towuti UPTHB, BPP Tenologi Jln. MH Thamrin 8, Jaarta 040

2 88 Jurnal Sains & Tenologi Modifiasi Cuaca, Vol., No., 000: DATA Data yang dipaai adalah hasil pengamatan selama egiatan modifiasi cuaca dari 8 penaar yang dianggap berpengaruh langsung terhadap aliran masu e danau Towuti. Data ini diambil dari 8 Februari sampai 8 Mei 999. Data hidrometri yang ada belum sepenuhnya digunaan dalam tulisan ini. Seperti time lag suatu penaar hujan terhadap inflow, juga pengaruh inflow dari D. Matano e D. Mahalona dan seterusnya e D. Towuti masih belum dilihat. Demiian juga luas daerah hujan pada masingmasing penaar aan diupas pada tulisan selanjutnya.. METODA ANALISA sinyal ini masu dengan fator atau weight masing-masing w, w dan w sehingga resultan dari sinyal yang masu adalah: n i= w x i i = w x + w x + w x Gambar. Sebuah model node (neuron) dengan buah input Jumlah dari input apabila lebih besar dari nilai threshold maa aan mengatifan node tersebut. Nilai threshold bermacam-macam, dan yang paling umum adalah fungsi Heaviside, yaitu: Neural networ atau sering juga disebut dengan Artificial Neural Computing banya dipaai pada berbagai disiplin seperti edoteran, farmasi, transportasi, dan lain-lain. Dengan metoda ini ita dapat membuat analisa pada masalah-masalah yang mempunyai banya variabel atau paramater. Secara ringas disini dapat disebutan bahwa neural networ berusaha untu meniru erja sistem syaraf pada manusia. Ota manusia menerima sinyal dari luar melalui e 5 indra. Sinyal-sinyal ini emudian diiriman e sel-sel ota melaui serabut-serabut syaraf yang sangat banya jumlahnya. Aliran sinyal ini emudian diumpulan di neuron dan dibandingan dengan suatu besaran yang telah dipelajari (dari pengalaman). Sinyal yang nilainya lebih besar dari pembanding tersebut aan dapat dienali oleh manusia. Pada artificial neural networ, sebuah neuron secara sederhana adalah seperti terlihat pada Gambar. Neuron menerima buah input f h ( x) = bila x > 0 f h ( x) = 0 bila x 0 Dengan demiian maa output, y, dapat ditulis dengan persamaan n y = fh wixi i= 0 Beda antara y dengan nilai sebenarnya (dari observasi, atau nilai yang diinginan) adalah bias, θ yang dihitung dengan n y = fh wi xi i= θ Untu memperecil bias, maa nilai weight dicari dengan proses learning memaai data dari hasil pengamatan. yang besarnya masing x, x dan x. Ketiga

3 Respons Aliran Masu Danau Towuti..(Kudsy) 89 Salah satu fungsi yang juga sering dipaai pada neural networl adalah fungsi Sigmoid yang mempunyai bentu umum f ( in) = /( + exp( in)) Fungsi ini sangat mendeati fungsi Heaviside, yaitu bila diberi nilai input yang cuup besar seperti ditunjuan pada Gambar Pada multilayer networ seperti pada Gambar, output dari suatu layer dipaai sebagai input pada layer beriutnya. Jadi, output dari layer e (I-nodes), dipaai sebagai input pada hidden layer, sedang output hidden layer (J-nodes) dipaai sebagai input pada layer (output layer, K-nodes). Dalam hal ini maa ouput pada layer K dapat ditulis dengan y = wxi + w f wxi i j i Dari persamaan di atas tampa bahwa penyelesaian persamaan untu mencari weight tergantung dari f, apaah Sigmoid, Heaviside, Gambar Fungsi sigmoid Dalam masalah yang sebenarnya, neural networ mempunyai banya node, yang terbagi menjadi beberapa layer yaitu input layer, hidden layer dan output layer. Jumlah node pada input layer sama dengan jumlah variabel yang diamati, sedang jumlah node pada output layer sama dengan jumlah variabel output. Hidden layer dapat terdiri dari beberapa layer, dengan jumlah node yang biasanya ditentuan dengan mencoba-coba. Contoh dari multilayer networ seperti pada Gambar. atauah fungsi-fungsi lainnya. Selanjutnya penyelesaian persamaan untu mendapatan weight pada setiap layernya dilauan dengan meminimalan esalahan (error) dari networ. sebagai: dimana Kesalahan dari networ, E = ( ) t y E didifinisian y adalah output pada layer K, sedang t adalah nilai target atau nilai sebenarnya yang didapat dari observasi pada layer K. Persamaan ini diapliasian untu semua pattern data. Weight dari satu node e node lainnya, dicari dengan meminimalan fungsi error diatas. Saat ini terdapat banya algorima untu mencari weight, misalnya dengan bac error propagation (BEP), yaitu: = E w = ( t y ) f j = E w = ( t ) y w f ' j xw xi j Gambar. Multi layer networ terdiri dari input, hidden dan output layer. w ( m + ) = w ( m) η

4 90 Jurnal Sains & Tenologi Modifiasi Cuaca, Vol., No., 000: 87-9 w ( m + ) = w ( m) η η di dalam artificial neural networ dinamaan learning factor, yang nilainya <. 4. APPLIKASI PADA DATA CH DAN INFLOW DANAU TOWUTI Untu mempelajari respons inflow danau Towuti terhadap curah hujan (CH) maa dipilih data curah hujan dari beberapa penaar, yang dimuat pada Tabel. Wawondula Damsite Timampu Palumba Toalimbo Pealoa Loeha Bantilang Tabel. Daftar penaar Penaar Kode matris V V V V4 V5 V6 V7 V8 networ Untu menyederhanaan analisa, 6 penaar dipilih dari 8 penaar yang ada. Beberapa ali run dalanan untu mencari orelasi yang bai untu mrepresentasian hubungan antara inflow dan curah hujan. Ringasan dari beberapa percobaan seperti terlihat pada Tabel. Tabel. R squarred dan SSE dari beberapa run networ (Hidden node=8, 0000 training) No Variable RSq SSE,,,4,5, ,,4,5,7, ,,,6,7, ,,,4,5, ,,,4,7, ,,,5,7, Etc RSq = derajat orelasi SSE = jumlah uadrat error observed networ 5 Aliran masu e Danau Towuti adalah nilai yang aan diteliti hubungannya dengan curah hujan yang tercatat dengan penaar hujan di 8 loasi tersebut. Bila inflow diberi ode V9, maa aan terdapat hubungan fungsional seperti: V 9 = f ( V, V, V, V 4,...) Langah pertama dalam ajian ini adalah menentuan penaar-penaar yang mana yang berpengaruh secara langsung terhadap inflow, sedang curah hujan yang dimasuan e dalam perhitungan yaitu bila curah hujan umulatif diantara 0-00 mm/hari Observation Index Gambar 4. Perbandingan antara inflow hasil observasi dan neural networ. Dari beberapa run pada Tabel, run 5 menggambaran orelasi yang paling bai. Karena itu penulis membuat analisa sensitivitas berdasaran ombinasi ini.

5 Respons Aliran Masu Danau Towuti..(Kudsy) 9 5. Analisa epeaan Dalam operasi penyemaian awan sering ali ita harus menentuan daerah-daerah prioritas penyemaian. Salah satu riteria yang dapat dipaai adalah dengan menentuan daerah yang lebih uat pengaruhnya terhadap suatu uantita yang diharapan mengalami perubahan arena perlauan. Analisa epeaan dalam hal ini dilauan dengan menentuan daerah mana yang memberian perubahan yang lebih besar terhadap inflow. Untu menentuan daerah yang berpengaruh uat terhadap inflow danau Towuti, dilauan dengan menaian curah hujan pada satu dari 6 buah penaar menjadi dua alinya, emudian dihitung enaian inflow umulatif yang terjadi. Satu penaar diataan mempunyai pengaruh yang uat terhadap inflow apabila memberian ontribusi enaian yang lebih besar dibandingan inflow asal. Pada tabel ditunjuan enaian inflow D. Towuti bila terjadi enaian curah hujan ali lipatnya. Tabel. Kenaian inflow e D. Towuti dengan enaian curah hujan ali lipat pada tiap-tiap daerah Penaar Total inflow Kenaian V 06.4 V V 8.5 V4 0.6 V V Dari tabel terlihat bahwa Wawondula (V) mempunyai orelasi paling uat terhadap inflow D. Towuti, sementara enaian curah hujan di Dam site (V) tida banya berpengaruh terhadap inflow D. Towuti. Sebenarnya uatnya pengaruh curah hujan di daerah Wawondula telah diduga sebelumnya berdasaran pengamatan data yang panjang, namun belum dibutian secara uantitatif. 6. Kesimpulan Dari paper ini dapat diemuaan bahwa metoda neural networ dapat dipaai dalam masalah hidrologi sepeti untu menentuan orelasi inflow dan curah hujan serta menentuan epeaan inflow terhadap perubahan curah hujan. Dari analisa yang telah dilauan dengan metoda tersebut pada inflow D. Towuti disimpulan bahwa inflow sangat dipengaruhi oleh curah hujan di daerah-daerah Wawondula, Dam site, Timampu, Palumba, Loeha dan Bantilang. Selanjutnya dari analisa ditemuan bahwa inflow D. Towuti sangat pea terhadap perubahan curah hujan di Wawondula. DAFTAR PUSTAKA Beale, R dan T. Jacson (99), Neural Computing, an introduction, Adam Hilger, New Yor Ichiawa, H (99), Multilayer Neural Newor, Appplication to Non-linear problems, Kyouritsu Publish., Toyo.

6 9 Jurnal Sains & Tenologi Modifiasi Cuaca, Vol., No., 000: 87-9 DATA PENULIS Mahally Kudsy, lahir di Sumenep (956), menamatan pendidian formal S Teni Kimia UGM (980), S Bidang Combustion dan Energy, Universitas Leeds, Inggris (986), dan S bidang Teni Kimia, Universitas Kyoto, Jepang (98). Beerja di BPPT seja 98, di UPTHB-BPPT seja 99. Mengiuti beberapa training mengenai omputasi, omuniasi data dan modelling bai di luar negeri maupun luar negeri. Training modeling RSM di IRI, UCSD, San Diego (998). Seja beerja di UPTHB-BPPT penulis banya meneuni tentang omuniasi data dan pengolahan data meteorologi. Mohamad Husni, Lahir di Jaarta Otober 96. Lulus Sarjana Geografi, Universitas Indonesia tahun 986. Seja tahun 989 beerja di Kelompo Hidrologi dan Lingungan UPT Hujan Buatan Deputi TPSA BPP Tenologi