Sumber : Hasil olah data,2009

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.55.5.45.4.35.3..2.15.41 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-1.24.24 RWjkt-1 RDptt-2.17 RStjt-2 STASIUN PENGAMATAN HUJAN.36 Rpckt-2.23.21.2 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

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

No 1 @relation 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,29 4.4. 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 4.11. 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. 2 @attribute QinSggr real 3 @attribute QinSggrt-1 real 4 @attribute Rsggrt real 5 @attribute RBtt real 6 @attribute RWgrt real 7 @attribute RKytt real 8 @attribute RTgklt real 9 @attribute RKpjt real 1 @attribute RTwst real 11 @attribute RPctt real 12 @attribute RPjnt real 13 @attribute RKdrt real 14 @attribute RJbgt real 15 @attribute RDptt real 16 @attribute RStjt real 17 @attribute Rpck real 18 @attribute RWjkt real 19 @attribute RTpgt real 2 @data 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

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 4.11. Gambar 4.11 Tampilan Program WEKA Knowledge Explore (Waikato ML Group, 1996) Pada Gambar 4.11. 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 4.4.1. 4.4.1. Running programs Proses Pembelajaran (training) Running untuk proses pembelajaran (training) menggunakan data input pada periode 4 Januari 1998 31 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 = 9.724 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 = 9.417. 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 4.14. 2 15 1 1 5 3 28 53 78 13 128 153 178 23 228 3 278 33 328 353 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.896.929.934 Mean absolute error MAE 7.163 6.92 6.3 Root mean squared error RMSE 11.632 9.724 9.417 Relative absolute error % RAE 35.148 29.892 29.455 Root relative squared error (%) RRSE 44.591 37.279 36.12 Total Number of Instances Attributes input Performa Pembelajaran (training) Jumlah Persamaan Nilai Performa Model 192 192 192 1 21 28 55 131 98 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 2 4 6 8 1 12 14 16 18 2 19

Gambar 4.13 Visualisasi perbandingan proses pembelajaran data observasi dengan hasil model Prediksi (Sub-DAS Kali Lesti tahun 1999) Sumber : Hasil olah data,29 4 35 3 2 15 1 5 2 2 15 1 1 5 PLOT PEMBELAJARAN MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 1999 1 26 51 76 11 126 151 176 21 226 1 276 31 326 351 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 2 1 26 51 76 11 126 151 176 21 226 1 276 31 326 351 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 5 1 15 2 3 35 4 5 1 15 2 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. 4.8. 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

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.>46.4 35.5 >35.5 84.9 > 84.9 23.7 > 23.7 LM 15 67.3 > 67.3 15 > 15 23.1 > 23.1 27.8 > 27.8 RStjT- 3.5 RStjT- > 3.5 RPckT- 7.5 RPckT- >7.5 88.1 > 88.1 RPckT- 41 RPckT- > 41 LM 1 LM 2 LM 28 LM55 24.6 > 24.6 32.1 > 32.1 RDptt-1 2.5 RDptt-1 > 2.5 RPckT- 11.5 RPckT- >11.5 RWjk T- 3.5 RWjkT- > 3.5 RStjT- 22.5 RStjT- > 22.5 11.5 >11.5 RDptt-1 7.5 RDptt-1 > 7.5 LM 14 LM 21 LM 22 LM 45 LM 53 LM 53 24.2 > 24.2 26.5 > 26.5 28.8 > 28.8 59.4 > 59.4 64 >64 2 >2.7 LM 3 LM 6 RDptT- 7 RDptT- > 7 RPckT-1 1 RPckT-1 >1 RDptt-1 15.5 RDptt-1 > 15.5 LM 9 >.7 LM 27 LM 32 LM 41 LM 46 LM 47 24.5 > 24.5 26.8 >26.8 31 > 31 52.6 > 52.6 64.7 >64.7 RPckT- 34.5 RPckT- >34.5 RWjk T- 1.5 RWjkT- > 1.5 2 RPckT-2 >2 9 RPckT-2 >9 RStjT- 9.5 RStjT- > 9.5 41 >41 94.3 > 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 52 31.3 > 31.3 41 >41 RDptt-1 6.5 RDptt-1 > 6.5 RDptt-1 2.5 RDptt-1 > 2.5 RStj T- 3 RStjT- > 3 RWjk T- 7.5 RWjkT- > 7.5 RStjT- 2.5 RStjT- > 2.5 85.9 > 85.9 RDptT-1 15.5 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 11 31.9 > 31.9 27.5 >27..5 24 >24 LM 12 LM 13 LM LM 26 LM 35 LM 36 Gambar 4.15. 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 LM17 11.9 +.491QinSggrt-1 +.828RDptt +.115RDptt-1 +.2RStjt- +.6RPckt- + QinSggr.241RPckt-1-.4 +.198RWjkT- QinSggr 5.99 +.853QinSggrt-1 +.828RDptT- +.115RDptt-1 +.2RStjt- + 1.32RPckt- +.241RPckT-1 -.4 +.328RWjkT- QinSggr -72.4 + 4.7QinSggrt-1 +.16RDptT- +.115RDptt-1 +.128RStjT- +.6RPckT- +.715RPckT-1 -.4 +.43RWjkT- QinSggr -172 + 8.2QinSggrt-1 +.16RDptT- +.115RDptt-1+.128RStjT- +.6RPckT- +.715RPckT-1 -.4 +.43RWjkT- QinSggr -195 + 9.13QinSggrt-1 +.16RDptT- +.115RDptt-1 +.128RStjT- +.6RPckT- +.715RPckT-1 -.4 +.43RWjkT- QinSggr 16.8 +.349QinSggrt-1 +.678RDptT- +.115RDptt-1 +.133RStjT- +.6RPckT- +.715RPckT-1-.4 +.43RWjkT- QinSggr 16.5 +.387QinSggrt-1 +.147RDptT- +.115RDptt-1+.4RStjT- +.6RPckT- +.715RPckT-1-.4 +.43RWjkT- QinSggr 16.7 +.387QinSggrt-1 +.678RDptT- +.115RDptt-1+.211RStjT- +.6RPckT- +.715RPckT-1-.4 +.43RWjkT- QinSggr 52.6 + 2.93QinSggrt-1 +.762RDptT- +.115RDptt-1+.388RStjT- +.776RPckT- -.111RPckT-1-.4 +.43RWjkT- QinSggr 23.2 +.241QinSggrt-1 +.956RDptT- +.115RDptt-1+.388RStjT- +.776RPckT- -.111RPckT-1 -.4 +.43RWjkT- QinSggr 442-13.2QinSggrt-1 +.956RDptT- +.115RDptt-1+.388RStjT- +.776RPckT- -.111RPckT-1 -.4 +.43RWjkT- QinSggr 23.6 +.241QinSggrt-1 +.956RDptT- +.115RDptt-1+.388RStjT- +.776RPckT- -.111RPckT-1 -.4 +.43RWjkT- QinSggr 199-5.23QinSggrt-1 +.956RDptT- +.115RDptt-1+.388RStjT- +.776RPckT- -.796RPckT-1-.4 +.43RWjkT- QinSggr +.5QinSggrt-1 +.4RDptT- +.115RDptt-1+.88RStjT- +.376RPckT- -.147RPckT-1 -.4 +.43RWjkT- QinSggr 9.36 +.8QinSggrt-1 +.477RDptT- +.199RDptt-1+.54RStjT- +.177RPckT- -.226 +.377RWjkT- QinSggr 35 +.286QinSggrt-1 +.58RDptT- +.248RDptt-1+.1RStjT- +.221RPckT- -.481 +.157RWjkT- QinSggr 32.7 +.286QinSggrt-1 +.58RDptT- +.812RDptt-1+.1RStjT- +.597RPckT- -.76 +.157RWjkT- LM41 QinSggr 146 -.844QinSggrt-1 +.665RDptT- +.141RDptt-1 +.88RStjT- +.174RPckT- 21

LM18 LM19 LM2 LM21 LM22 LM23 LM24 LM LM26 LM27 LM28 LM29 LM3 LM31 LM32 LM33 LM34 LM35 LM36 LM37 LM38 LM39 LM4 QinSggr 37.3 +.286QinSggrt-1 +.58RDptT- -.238RDptt-1+.1RStjT- +.119RPckT- -.24 +.157RWjkT- QinSggr 41.5 +.279QinSggrt-1 +.58RDptT- -.324RDptt-1+.1RStjT- +.142RPckT- -.711 +.19RWjkT- QinSggr 4.4 +.279QinSggrt-1 +.58RDptT- -.324RDptt-1+.1RStjT- +.657RPckT- -.711+.157RWjkT- QinSggr 3.7 +.53QinSggrt-1 +.7RDptT- -.15RDptt-1 +.1RStjT- +.1RPckT- -.711 +.139RWjkT- QinSggr 7.84 +.82QinSggrt-1 +.272RDptT- +.18RStjT- +.13RPckT- -.711RPckT- 3 +.38RWjkT- QinSggr 57.1 +.136QinSggrt-1 +.12RDptT- +.18RStjT-+.7RPckT- -.711 +.552RWjkT- QinSggr 52.9 +.136QinSggrt-1 +.12RDptT- +.18RStjT- +.381RPckT- +.129RPckT- 3 +.552RWjkT- QinSggr 51.5 +.136QinSggrt-1 +.12RDptT- +.18RStjT-+.381RPckT- +.174 +.552RWjkT- QinSggr 51.8 +.136QinSggrt-1 +.12RDptT- +.18RStjT- +.381RPckT- +.RPckT- 3 +.552RWjkT- QinSggr 5.6 +.136QinSggrt-1 +.12RDptT- +.18RStjT-+.321RPckT- -.711 +.552RWjkT- QinSggr 27.6 +.568QinSggrt-1 +.377RDptT- +.113RStjT-+.573RPckT- -.29 +.552RWjkT- QinSggr 68.3 +.115QinSggrt-1 +.64RDptT- +.743RDptt-1+.849RStjT- +.573RPckT- -.169 +.552RWjkT- QinSggr 68.8 +.115QinSggrt-1 +.136RDptT- +.991RDptt-1+.849RStjT- +.573RPckT- -.285 +.552RWjkT- QinSggr 66.8 +.115QinSggrt-1 +.136RDptT- +.849RStjT-+.573RPckT- -.285 +.552RWjkT- QinSggr 64.1 +.115QinSggrt-1 +.153RDptT- +.87RStjT- +.573RPckT- -.285 +.552RWjkT- QinSggr 67.1 +.115QinSggrt-1 +.21RDptT- +.384RStjT-+.573RPckT- -.285 +.552RWjkT- QinSggr 7 +.115QinSggrt-1 +.21RDptT- +.849RStjT-+.573RPckT- -.285 +.552RWjkT- QinSggr 7.3 +.115QinSggrt-1 +.21RDptT- +.849RStjT-+.573RPckT- -.633RPckT-1 -.285 +.552RWjkT- QinSggr 69.6 +.115QinSggrt-1 +.21RDptT- +.849RStjT-+.573RPckT- -.52RPckT-1 -.285 +.552RWjkT- QinSggr 24.3 +.62QinSggrt-1 +.21RDptT- +.849RStjT-+.573RPckT- +.37 -.212RWjkT- QinSggr 23.6 +.62QinSggrt-1 +.21RDptT- +.849RStjT-+.573RPckT- +.37 -.189RWjkT- QinSggr 35.5 +.469QinSggrt-1 +.171RDptT- +.377RDptt-1+.321RStjT- +.43RPckT- +.129 +.195RWjkT- QinSggr 36.1 +.469QinSggrt-1 +.167RDptT- +.431RDptt-1 +.2RStjT- +.573RPckT- +.129+.552RWjkT- LM42 LM43 LM44 LM45 LM46 LM47 LM48 LM49 LM5 LM51 LM52 LM53 LM54 LM55 Sumber : hasil olah data,29 -.653 +.1RWjkT- QinSggr 155 -.929QinSggrt-1 -.218RDptT- +.141RDptt-1 +.3RStjT- +.174RPckT- -.653 +.1RWjkT- QinSggr 154 -.92QinSggrt-1 -.218RDptT- +.141RDptt-1 +.3RStjT- +.174RPckT- -.653 +.1RWjkT- QinSggr 148 -.844QinSggrt-1 -.285RDptT- +.141RDptt-1 +.194RStjT- +.174RPckT- -.653 +.1RWjkT- QinSggr 135 -.71QinSggrt-1 +.665RDptT- +.128RDptt-1 +.112RStjT- +.174RPckT- -.653 +.1RWjkT- QinSggr 62.9 +.3QinSggrt-1 +.348RDptT- +.785RDptt-1+.286RStjT- +.21RPckT- -.959 +.1RWjkT- QinSggr 58.5 +.3QinSggrt-1 +.348RDptT- +.785RDptt-1+.286RStjT- +.352RPckT- -.959 +.1RWjkT- QinSggr 48.2 +.3QinSggrt-1 +.348RDptT- +.138RDptt-1+.286RStjT- +.335RPckT- +.246 +.1RWjkT- QinSggr 49.1 +.3QinSggrt-1 +.911RDptT- +.138RDptt-1+.286RStjT- +.3RPckT- +.128+.1RWjkT- QinSggr 49.3 +.3QinSggrt-1 +.348RDptT- +.138RDptt-1 +.286RStjT- +.31RPckT- +.128 +.1RWjkT- QinSggr 72.3 +.187QinSggrt-1 +.348RDptT- +.248RDptt-1 +.286RStjT- +.286RPckT- -.278 +.1RWjkT- QinSggr 52.3 +.3QinSggrt-1 +.348RDptT- +.26RDptt-1 +.286RStjT- +.286RPckT- -.278 +.1RWjkT- QinSggr 62.2 +.218QinSggrt-1 +.165RDptT- +.926RStjT-+.228RPckT- -.988 +.1RWjkT- QinSggr 74.4 +.218QinSggrt-1 +.165RDptT- -.958RDptt-1 -.499RStjT- +.228RPckT- -.112 +.1RWjkT- QinSggr 58.9 +.277QinSggrt-1 +.592RDptT- +.926RStjT-+.343RPckT- -.988 +.1RWjkT- 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

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

4.4.2. 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 1998 31 Desember 2, tahap berikutnya adalah Running proses verifikasi data menggunakan data hujan harian rata-rata untuk periode 3 Januari 21 31 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 4.11. Untuk simulasi dengan data input di Sub-DAS Kali Lesti Performa model mengalami penurunan dimana nilai RMSE turun dari 11.632 saat pembelajaran menjadi 16.993 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 183.82 m3/dt sedangkan pada saat diverifikasi debit hanya sebesar 117.346 m3/dt sehingga terjadi selisih debit sebesar 66.4 m3/dt. Kemudian pada Gambar 4.17 untuk tanggal 29 Januari 22 debit sebesar 344.4 m3/dt sedangkan hasil verifikasi debit sebesar 159.555 m3/dt sehingga terjadi selisih debit sebesar 184.84 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.896.865 Mean absolute error MAE 7.163 8.235 Root mean squared error RMSE 11.632 16.993 Relative absolute error % RAE 35.148 31.798 Root relative squared error (%) RRSE 44.591 51.177 Total Number of Instances 192 727 Attributes input 1 1 Jumlah Persamaan 55 55 Sumber : Hasil olah data, 29 2 2 15 1 1 5 PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 21 3 28 53 78 13 128 153 178 23 228 3 278 33 328 353 HUJAN HARIAN RATA-RATA (MM) DEBIT HARIAN VERIFIKASI (M3/DT) DEBIT HARIAN KALIBRASI (M3/DT) Gambar 4.16. 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) 45 4 35 3 2 15 1 5 PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 22 1 26 51 76 11 126 151 176 21 226 1 276 31 326 351 HUJAN HARIAN RATA-RATA (MM) DEBIT HARIAN VERIFIKASI (M3/DT) DEBIT HARIAN KALIBRASI (M3/DT) 5 1 15 2 3 35 5 1 15 2 3 Gambar 4.17. 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

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 4.12. Hasil kalibrasi performa model (RMSE) sebesar 9.724 sedangkan pada tahap verifikasi model prediksi tidak memberikan hasil yang lebih baik yaitu dengan nilai RMSE sebesar 17.866. 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 183.82 m3/dt sedangkan hasil verifikasi debit sebesar 92.483 m3/dt (selisih penyimpangan debit sebesar 91.377 m3/dt). Kemudian bila ditinjau pada garis grafik gambar 4.19 untuk tanggal 29 Januari 22 hasil kalibrasi debit sebesar 344.4 m3/dt sedangkan hasil verifikasi debit sebesar 124.279 m3/dt (selisih penyimpangan debit sebesar 22.121 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 15.21 m3/dt sedangkan debit hasil verifikasi sebesar 21.792 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 4.12. 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.929.86 Mean absolute error MAE 6.92 7.866 Root mean squared error RMSE 9.724 17.866 Root mean squared error (%) RAE 29.892 3.376 Root relative squared error (%) RRSE 37.279 51.792 192 727 21 21 131 131 Total Number of Instances Attributes input Jumlah Persamaan Sumber : Hasil olah data, 29 2 2 15 1 1 5 PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 21 3 28 53 78 13 128 153 178 23 228 3 278 33 328 353 HUJAN HARIAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL (M3/DT) Gambar 4.18. 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) 45 4 35 3 2 15 1 5 PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 22 1 31 61 91 121 151 181 211 241 271 31 331 361 HUJAN HARIAN RATA-RATA (M3/DT) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL (M3/DT) Gambar 4.19. 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) 2 4 6 8 1 12 14 16 18 2 2 4 6 8 1 12 14 16 18 2 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

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 4.12. Hasil kalibrasi performa model (RMSE) sebesar 9.724 sedangkan pada tahap verifikasi model prediksi tidak memberikan hasil yang lebih baik yaitu dengan nilai RMSE sebesar 17.866. 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 183.82 m3/dt sedangkan hasil verifikasi debit sebesar 119.945 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 344.4 m3/dt sedangkan hasil verifikasi debit sebesar 14.17 m3/dt (selisih penyimpangan debit sebesar 24.324 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 15.21 m3/dt sedangkan debit hasil verifikasi sebesar 21.188 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, 29 3 2 15 1 5 PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 21 3 28 53 78 13 128 153 178 23 228 3 278 33 328 353 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) 45 4 35 3 2 15 1 5 PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 22 1 26 51 76 11 126 151 176 21 226 1 276 31 326 351 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) 2 4 6 8 1 12 14 16 18 2 5 1 15 2 3 35 26

2 2 PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 23 5 4.4.3.1 Model Pertama (Model 1 P_BR) Prediksi Debit Harian Yang Masuk Bendungan Sengguruh. 15 1 1 5 1 15 2 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 4.14. 1 26 51 76 11 126 151 176 21 226 1 276 31 326 351 HUJAN RATA-RATA (MM) DEBIT HARIAN VERIFIKASI (M3/DT) DEBIT HARIAN KALIBRASI (M3/DT) Tabel 4.14. Performa Model 1 P_BR Saat Pembelajaran dengan Pruning factor. Gambar 4.22. 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) 4.4.3. 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 = 11.221. Penjelasan perubahan performa model tersebut dijelaskan pada Tabel 4.14.1 s/d Tabel 4.14.3 Tabel 4.14.1 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 13 5 3 1 1 3 3 Total PERFORMA MODEL 22 Attribut Sumber : Hasil olah data,29, 1, 2 3 4. Correlation coefficient CC.934.917.912.94.864 Mean absolute error MAE 6.3 6.86 6.832 7.215 8.483 Root mean squared error RMSE 9.417 1.471 1.768 11.221 13.143 Relative absolute error % RAE 29.455 33.392 33.524 35.42 41.621 Root relative squared error (%) RRSE 36.12 4.142 41.281 43.16 5.385 Total Number of Instances Attributes input Jumlah Persamaan PRUNING 192 192 192 192 192 28 28 28 28 28 98 24 22 14 1 16 Atrribut 27

Pada Tabel 4.14.1. saat pruning =, jumlah persamaan linier yang diperoleh sebanyak 98 persamaan dengan RMSE = 9.417. 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 4.14.2 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 11 4 3 1 8 4 1 Total 19 Attribut 13 Attribut Sumber : Hasil olah data,29 Pada Tabel 4.14.2.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 = 11.221 dan variabel input yang terpakai 13 saja. Tabel 4.14.3 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 4.14.3. pruning ditingkatkan lagi menjadi 4, persamaan linier yang dihasilkan 1 persamaan tetapi dengan nilai RMSE = 13.143 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 14.192 seperti pada Tabel 4.15. 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 4.23.3 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 = -56.58 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 38.81 m3/dt tetapi Model memprediksikan 28

Sumber : Hasil olah data,29 sebesar 95.39 m3/dt sehingga selisih debit harian menjadi 56.58 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 4.23.1 s/d 4.23.3, 4.24.1 s/d 4.24.3, 4..1 s/d 4..3 dan 4.26.1 s/d 4.26.3. Tabel 4.15. Performa Model 1 P_BR saat verifikasi dengan pruning factor. PERFORMA MODEL PRUNING 1 2 3 4. Correlation coefficient CC.857.871.867.889 Mean absolute error MAE 7.897 7.418 7.645 8.294 Root mean squared error RMSE 15.946 15.293 15.481 14.192 Relative absolute error % RAE 31.16 29.22 3.114 32.67 Root relative squared error (%) RRSE 5.555 48.486 49.8 44.994 Total Number of Instances Attributes input Jumlah Persamaan 2 2 15 1 1 5 192 192 192 192 28 28 28 28 24 22 14 1 a. PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 21 (PRUNING FACTOR = 1) 3 28 53 78 13 128 153 178 23 228 3 278 33 328 353 HUJAN HARIAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 1 P_BR (M3/DT) Gambar 4.23.1 Visualisasi perbandingan verifikasi model 1 P_BR dengan observasi tahun 21, pruning factor=1 (Sumber : Hasil olah data,29). 2 4 6 8 1 12 14 16 18 2 Gambar 4.23.2. Visualisasi perbandingan verifikasi model 1 P_BR dengan observasi tahun 22, pruning factor=1 (Sumber : Hasil olah data,29). 2 2 15 1 1 5 c. PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 23 (PRUNING FACTOR =1) 1 31 61 91 121 151 181 211 241 271 31 331 361 HUJAN HARIAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL1 P_BR (M3/DT) Gambar 4.23.3. Visualisasi perbandingan verifikasi model 1 P_BR dengan observasi 23 pruning factor=1 (Sumber : Hasil olah data,29). 2 2 15 1 1 45 4 35 3 2 15 1 5 5 b.plot VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 22 (PRUNING FACTOR=1) 1 31 61 91 121 151 181 211 241 271 31 331 361 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) 3 28 53 78 13 128 153 178 23 228 3 278 33 328 353 HUJAN HARIAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 1 P_BR (M3/DT) Gambar 4.24.1 Visualisasi perbandingan verifikasi model 1P_BR dengan observasi tahun 21, pruning factor =2 (Sumber : Hasil olah data,29). 2 4 6 8 1 12 14 16 18 2 2 4 6 8 1 12 14 16 18 2 2 4 6 8 1 12 14 16 18 2 29

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) 4 2 4 2 35 3 2 15 1 4 6 8 1 12 14 16 35 3 2 15 1 4 6 8 1 12 14 16 5 18 5 18 1 31 61 91 121 151 181 211 241 271 31 331 361 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). 2 1 31 61 91 121 151 181 211 241 271 31 331 361 HUJAN HARIAN RATA-RATA (M3/DT) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 1 P_BR (M3/DT) Gambar 4.26.2 Visualisasi perbandingan verifikasi model 1P_BR dengan observasi tahun 22, pruning factor =4 (Sumber : Hasil olah data,29). 2 2 2 15 1 1 5 PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 23 (PRUNING FACTOR =3) 1 31 61 91 121 151 181 211 241 271 31 331 361 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). 2 4 6 8 1 12 14 16 18 2 2 2 15 1 1 5 c.plot VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 23 (PRUNING FACTOR =4) 1 31 61 91 121 151 181 211 241 271 31 331 361 HUJAN HARIAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 1 P_BR (M3/DT) Gambar 4.26.3 Visualisasi perbandingan verifikasi model 1P_BR dengan observasi tahun 22, pruning factor =4 (Sumber : Hasil olah data,29). 2 4 6 8 1 12 14 16 18 2 2 2 15 1 1 5 a.plot VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 21 (PRUNING FACTOR = 4) 3 28 53 78 13 128 153 178 23 228 3 278 33 328 353 HUJAN HARIAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 1 P_BR (M3/DT) Gambar 4.26.1 Visualisasi perbandingan verifikasi model 1P_BR dengan observasi tahun 21, pruning factor =4 (Sumber : Hasil olah data,29). 2 4 6 8 1 12 14 16 18 2 4.4.3.2 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

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 4.16. Tabel 4.16. 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 4.17. 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.934.928 Mean absolute error MAE 6.3 6.184 Root mean squared error RMSE 9.417 9.83 Relative absolute error % RAE 29.455 3.344 Root relative squared error (%) RRSE 36.12 37.583 Total Number of Instances Attributes input Jumlah Persamaan 192 192 28 17 98 81 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 9.83. 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. 15 1 1 5 3 28 53 78 13 128 153 178 23 228 3 278 33 328 353 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) 2 4 6 8 1 12 14 16 18 2 31

4 35 3 2 15 1 5 PLOT PEMBELAJARAN MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 1999 1 31 61 91 121 151 181 211 241 271 31 331 361 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) 2 15 1 5 PLOT PEMBELAJARAN MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 2 1 31 61 91 121 151 181 211 241 271 31 331 361 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) 5 5 1 15 2 1 15 2 Tabel 4.18. 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.865.872 Mean absolute error MAE 7.452 7.434 Root mean squared error RMSE 15.57 15.23 Relative absolute error % RAE 29.354 29.284 Root relative squared error (%) RRSE 49.361 48.198 Total Number of Instances 192 192 Attributes input 28 17 Jumlah Persamaan 98 81 Sumber: Hasil olah data, 29 3 2 15 1 5 PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 21 3 28 53 78 13 128 153 178 23 228 3 278 33 328 353 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) 2 4 6 8 1 12 14 16 18 2 B. Running Proses Verifikasi Model Kedua (Model 2 P_BR) 5 45 4 PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 22 2 4 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 = 15.57 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 4.32. 35 3 2 15 1 5 1 31 61 91 121 151 181 211 241 271 31 331 361 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) 6 8 1 12 14 16 18 2 32

2 15 1 5 PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 23 1 31 61 91 121 151 181 211 241 271 31 331 361 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 = 15.946 dengan Model 2 P_BR nilai RMSE = 15.135,performa model 2 P_BR lebih membaik ; bila pruning factor = 2 untuk Model 1 P_BR nilai RMSE = 15.293 dengan Model 2 P_BR performa model lebih baik dengan nilai RMSE = 15.41. 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 4.17. 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 4.33.1 s/d 4.33.3, Gambar4.34.1s/d Gambar 4.34.3, Gambar 4.35.1 s/d Gambar 4.35.3, Gambar 4.36.1 s/d Gambar 4.36.3 dan Gambar 4.37.1 s/d Gambar 4.37.3. 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. 2 4 6 8 1 12 14 16 18 2 Tabel 4.19. Performa model Model 2 P_BR saat verifikasi menggunakan penyederhanan pruning factor. PERFORMA MODEL PRUNING FACTOR 1 2 3 4. 5 Correlation coefficient CC.872.8.873.867.888 Mean absolute error MAE 7.526 7.4 7.553 7.673 8.359 Root mean squared error RMSE 15.135 15.41 15.148 15.526 14.291 Relative absolute error % RAE 29.644 29.248 29.2 3.2 32.929 Root relative squared error (%) RRSE 47.983 47.686 48.24 49.224 45.38 Total Number of Instances Attributes input Jumlah Persamaan Sumber: Hasil olah data, 29 3 2 15 1 5 A. PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 21 (PURNING = 1) 3 28 53 78 13 128 153 178 23 228 3 278 33 328 353 HUJAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 2 P_BR (M3/DT) Gambar 4.33.1 Visualisasi perbandingan verifikasi model 2 P_BR dengan observasi tahun 21,pruning factor = 1 (Sumber: Hasil olah data, 29) 5 45 4 35 3 2 15 1 5 192 192 192 192 192 17 17 17 17 17 11 14 1 9 1 B.PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 22 (PURNING =1) 1 31 61 91 121 151 181 211 241 271 31 331 361 HUJAN HARIAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 2 P_BR (M3/DT) Gambar 4.33.2 Visualisasi perbandingan verifikasi model 2 P_BR dengan observasi tahun 22, pruning factor = 1 (Sumber: Hasil olah data, 29) 2 4 6 8 1 12 14 16 18 2 2 4 6 8 1 12 14 16 18 2 33

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) 2 4 2 6 2 4 15 8 6 1 1 12 14 5 16 18 2 1 31 61 91 121 151 181 211 241 271 31 331 361 HUJAN HARIAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 2 P_BR (M3/DT) 15 8 1 14 5 16 18 2 1 31 61 91 121 151 181 211 241 271 31 331 361 HUJAN HARIAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 2 P_BR (M3/DT) 1 12 Gambar 4.33.3 Visualisasi perbandingan verifikasi model 2 P_BR dengan observasi tahun 23, pruning factor = 1 (Sumber: Hasil olah data, 29) Gambar 4.34.3 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) 3 2 2 4 4 2 15 1 6 8 1 12 14 2 15 1 6 8 1 12 14 5 16 18 5 16 18 3 28 53 78 13 128 153 178 23 228 3 278 33 328 353 HUJAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 2 P_BR (M3/DT) 2 3 28 53 78 13 128 153 178 23 228 3 278 33 328 353 2 HUJAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 2 P_BR (M3/DT) Gambar 4.34.1 Visualisasi perbandingan verifikasi model 2 P_BR dengan observasi tahun 21, pruning factor = 2 (Sumber: Hasil olah data, 29) Gambar 4.35.1 Visualisasi perbandingan verifikasi model 2 P_BR dengan observasi tahun 21, pruning factor = 3 (Sumber: Hasil olah data, 29 34

3 2 15 1 5 A. PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 21 (PRUNING = 5) 3 28 53 78 13 128 153 178 23 228 3 278 33 328 353 HUJAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 2 P_BR (M3/DT) Gambar 4.37.1 Visualisasi perbandingan verifikasi model 2 P_BR dengan observasi tahun 21, pruning factor = 5 (Sumber: Hasil olah data, 29 5 45 4 35 3 2 15 1 5 B.PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 22 (PRUNING =5) 1 31 61 91 121 151 181 211 241 271 31 331 361 HUJAN HARIAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 2 P_BR (M3/DT) 2 4 6 8 1 12 14 16 18 2 2 4 6 8 1 12 14 16 18 2 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 = 15.41 dengan Jumlah persamaan 14. Gambar hirarki Model 2 P_BR dilihat pada Gambar 4.38. Gambar 4.37.2 Visualisasi perbandingan verifikasi model 2 P_BR dengan observasi tahun 22, pruning factor = 5 (Sumber: Hasil olah data, 29 2 15 1 5 C. PLOT VERIFIKASI MODEL PREDIKSI DEBIT HARIAN YANG MASUK BENDUNGAN SENGGURUH DENGAN DATA TAHUN 23 (PRUNING=5) 2 4 6 8 1 12 14 16 18 1 31 61 91 121 151 181 211 241 271 31 331 361 HUJAN HARIAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 2 P_BR (M3/DT) Gambar 4.37.3 Visualisasi perbandingan verifikasi model 2 P_BR dengan observasi tahun 23, pruning factor = 5 (Sumber: Hasil olah data, 29 2 35

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 3.35 +.888QinSggrt-1 +.928RSggt + QinSggr.136RWgrt +.183RBtt-1 -.11RTklt +.162RTklt-1 +.833RPjnt -.388RJbgt +.517RTpgt +.277RDptt +.18RWjkt QinSggr 4.7 +.939QinSggrt-1 +.222RSggt +.298RWgrt +.331RBtt-1 -.383RTklt +.289RTklt-1 +.226RPjnt -.135RJbgt +.517RTpgt +.474RDptt +.379RWjkt QinSggr 12.8 +.7QinSggrt-1 +.132RSggt +.145RWgrt +.9RBtt-1 +.12RKytt-1 +.236RTklt-1 +.14RPjnt +.23RTpgt +.184RDptt QinSggr 29.7 +.458QinSggrt-1 +.36RSggt +.34RWgrt +.9RBtt-1 +.861RKytt-1 +.47RTklt +.146RTklt-1 +.273RPjnt +.29RTpgt +.389RDptt +.176RPckt QinSggr 54.8 +.116QinSggrt-1 +.36RSggt +.34RWgrt +.9RBtt-1 +.916RKytt-1 +.397RTklt +.146RTklt-1 +.273RPjnt +.29RTpgt +.389RDptt QinSggr 69.5 +.116QinSggrt-1 +.36RSggt +.34RWgrt +.9RBtt-1 +.916RKytt-1 +.RTklt +.146RTklt-1 +.273RPjnt -.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-1 46.4 atau > 46.4. Bila data di QinSggr t-1 46.4 maka pengelompokkan dipersempit pada batasan apakah RKytt-1 1.35 (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-1 84.9 atau > 84.9. Jika QinSggr t-1 84.9 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-1 67.3 atau > 67.3. Bila QinSggr t-1 67.3 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 4.2. 36

LM7 LM8 LM9 LM1 LM11 LM12 LM13 LM14.29RTpgt +.389RDptt QinSggr 58.9 +.123QinSggrt-1 +.33RSggt +.276RWgrt +.9RBtt-1 +.38RKytt-1 +.146RTklt-1 +.291RPjnt +.29RTpgt +.273RDptt QinSggr 6.4 +.138QinSggrt-1 +.173RSggt +.213RWgrt +.9RBtt-1 +.555RTklt +.346RTklt-1 +.23RPjnt +.13RTpgt +.223RDptt QinSggr 66.9 +.138QinSggrt-1 +.173RSggt +.213RWgrt +.9RBtt-1 +.555RTklt +.432RTklt-1 +.23RPjnt +.138RTpgt +.223RDptt QinSggr 72.4 +.162QinSggrt-1 +.173RSggt +.213RWgrt +.9RBtt-1 +.2RTklt +.147RTklt-1 +.23RPjnt +.845RTpgt +.18RDptt +.128RPckt QinSggr 73.6 +.162QinSggrt-1 +.173RSggt +.213RWgrt +.9RBtt-1 +.2RTklt +.147RTklt-1 +.23RPjnt +.845RTpgt +.18RDptt +.128RPckt QinSggr 74.6 +.162QinSggrt-1 +.173RSggt +.213RWgrt+.9RBtt-1 +.2RTklt +.147RTklt-1 +.23RPjnt +.845RTpgt +.18RDptt +.128RPckt QinSggr 63 +.162QinSggrt-1 +.173RSggt +.213RWgrt +.9RBtt-1 +.167RKytt-1 +.2RTklt +.147RTklt-1 +.23RPjnt +.845RTpgt +.18RDptt +.128RPckt QinSggr 7.5 +.162QinSggrt-1 +.173RSggt +.213RWgrt +.9RBtt-1 +.2RTklt +.147RTklt-1 +.23RPjnt +.845RTpgt +.538RDptt +.266RPckt Sumber : Hasil Olah Data, 29 Stasiun Pencatatan Curah Hujan Harian yang mempengaruhi Model 2 PB adalah St. Poncokusumo (RPck t ), St. Kayutangan (RKyt t-1 ), St. Tumpang (RTpg t ), St. Wagir (Rwgr t ), St. Pujon (Rpjn t ), St. Jabung (t), St. Tangkil (RTkl t-1 ) St. Batu (RBt t-1 ) dan Stasiun Pencatatan debit harian St Sengguruh (QinSggr t-1 ) 45 4 GRAFIK PEMBELAJARAN MODEL 3 P_BR DENGAN DATA TAHUN 22 (PURNING FACTOR=2) 2 4.5. Model prediksi debit menggunakan variabel input debit harian (St. Gadang dan St Tawangrejani serta curah hujan harian (Model 3 P_BR) Model prediksi debit menggunakan debit harian dari stasiun pencatatan AWLR (St. Gadang dan St. Tawangrejani) serta data curah hujan yang terpilih pada Model 2 P_BR, maka untuk pembahasan simulasinya ada di subbab 4.5.1. 4.5.1 Pembelajaran Model 3 P_BR Pembelajaran untuk Model 3 P_BR data yang digunakan data series debit harian yang tercatat di stasiun Gadang (Kali Brantas Hulu), stasiun Tawangrejani (Kali lesti) serta data curah hujan yang terpilih dari Model 2 P_BR. Kemudian untuk simulasi Model 3 P_BR penyederhanannya menggunakan pruning factor 1, 2, 3, 4, 5, 6, 7. Hasil pembelajaran performa model dapat dilihat pada Tabel 4.21. sedangkan hasil pengeplotan grafik dapat dilihat di Gambar 4.39.1, Gambar 4.39.2 dan Gambar 4.39.3. Tabel 4.21. Performa model Model 3 P_BR saat pembelajaran menggunakan penyederhanan pruning factor. PERFORMA PEMBELAJARAN (TRAINING) Nilai Performa Model dengan Pruning Factor 1-7 1 2 3-6 7 Correlation Coefficient CC.936.915.92.885 Mean Absolute Error MAE 5.866 6.96 7.23 7.841 Root Mean Squared Error RMSE 9.1 1.549 11.28 12.153 Root Absolute Error (%) RAE 28.782 33.887 35.34 38.474 Root Relative Square Error (%) RRSE 35.464 4.44 43.245 46.588 Total Number Of Intances 192 192 192 192 Attributes Input 34 34 34 34 Jumlah Persamaan (LM) 62 6 2 1 35 4 3 2 15 1 5 1 31 61 91 121 151 181 211 241 271 31 331 361 HUJAN HARIAN RATA-RATA (M3/DT) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 3 P_BR (M3/DT) Gambar 4.39.2 Visualisasi perbandingan pembelajaran model 3 P_BR dengan observasi tahun 21 dengan pruning factor = 2 (Sumber: Hasil olah data, 29) 6 8 1 12 14 16 18 2 GRAFIK PEMBELAJARAN MODEL 3 P_BR DENGAN DATA TAHUN 21(PURNING FACTOR = 2) 2 2 2 4 6 15 8 1 1 1 12 14 5 16 18 2 3 28 53 78 13 128 153 178 23 228 3 278 33 328 353 HUJAN HARIAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 3 P_BR (M3/DT). Gambar 4.39.1 Visualisasi perbandingan pembelajaran model 3 P_BR dengan observasi tahun 21 dengan pruning factor = 2 (Sumber: Hasil olah data, 29) 37

Evaluasi Hasil Pembelajaran Model 3 P_BR 2 2 15 1 1 5 GRAFIK PEMBELAJARAN MODEL 3 P_BR DENGAN DATA TAHUN 23 (PURNING FACTOR =2) 1 31 61 91 121 151 181 211 241 271 31 331 361 HUJAN HARIAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 3 P_BR (M3/DT) Gambar 4.39.3 Visualisasi perbandingan pembelajaran model 3 P_BR dengan observasi tahun 23 dengan pruning factor = 2 (Sumber: Hasil olah data, 29) Berdasarkan Gambar 4.39.1 s/d Gambar 4.39.3., bahwa saat garis grafik model prediksi berimpit dengan garis grafik observasi yaitu pada debit minimum sebesar 55.12 m3/dt tidak terjadi selisih (= m3/dt). Kemudian untuk garis grafik yang belum berimpit yaitu saat garis grafik debit maksimum model sebesar 8,15 m3/dt belum bisa mengikut garis grafik debit maksimum observasi sebesar 284.5 m3/dt (selisih sebesar,9 m3/dt). Jadi dengan performa model terbaik Model 3 P_BR untuk nilai RMSE = 1.55 terjadi penyimpangan (error) model sebesar 19,14 % (pembelajaran/kalibrasi). Dari Gambar 4.4 visualisasi perbandingan verifikasi Model 1 P_BR, model 2 P_BR dan Model 3 P_BR bahwa garis yang hampir berimpit adalah pada Model 3 P_BR tampak pada debit maksimum pada tanggal 5 februari 21 Model 3 P_BR = 16.76 m3/dt, Model 1 P_BR = 131.99 m3/dt, model 2 P_BR = 132.93 dan debit observasi=183.82 m3/dt. Jadi untuk debit maksmum model 3 P_BR yang mempunyai nilai yang hampir mendekati debit observasi dibandingkan model lainnya. Namun musim kemarau garis model berimpit dengan semua model dan observasi yaitu bulan Agustus sampai dengan bulan September. Pada bulan Nopember garis model 3 P_BR bisa mengikuti garis Observasi tetapi untuk model 1 P_BR dan Model 2 P_BR tidak bisa mengikuti saat debit tinggi. 2 4 6 8 1 12 14 16 18 2 Hasil Model 3 P_BR jika dibandingkan Model 1 P_BR dan Model 2 P_BR bisa dikatakan semakin baik dengan nilai RMSE = 1.55. 17 Variabel input yang mempengaruhi model 3 P_BR yaitu 6 variabel input untuk stasiun pencatatan debit (QGdt t, QGd t-1, QGd t-2, QTw t, QTw t-1, QTw t-2 ) dan 11 variabel input untuk stasiun pencatatan curah hujan harian (RSgg t, RSgg t-2, RWgr t, RBt t-1, RTkl t, RTkl t-1, RPct t, RJbg t, RTpg t, RDpt t, RDpt t-1 ). Jadi pada Sub-DAS Kali Brantas Hulu variabel input yang paling banyak mempengaruhi yaitu 12 variabel input. 4.5.2. Verifikasi Model 3 P_BR Hasil verifikasi dengan data series tahun 21 nilai RMSE = 11.98 jumlah persamaan liner (LM) 6 dengan menggunakan attribut 34. Jadi nilai RMSE melemah terhadap pembelajaran, namun koreksi nilai error terhadap rata-rata debit harian 55.1 m3/dt bila dibandingkan dengan model 2 P_BR sebesar 3 % namun untuk model 3 P_BR lebih kecil 2 %, terjadi penurunan sebesar 1 %. Untuk mengetahui perbandingan hasil verifikasi Model 1 P_BR, Model 2 P_BR dan Model 3 P_BR dapat dilihat pada Tabel 4.22. Kemudian untuk melihat ploting ketiga model tersebut dapat dilihat pada Gambar 4.4 dan Hirarki Model 3 P_BR dapat dilihat pada Gambar 4.41. Tabel 4.22. Perbandingan Performa model 1 P_BR, Model 2 P_BR dan Model 3 P_BR Performa Model MODEL 1 P_BR MODEL 2 P_BR MODEL 3 P_BR Correlation coefficient CC.865.872.91 Mean absolute error MAE 7.452 7.434 7.37 Root mean squared error RMSE 15.57 15.23 11.98 Relative absolute error % RAE 29.354 29.284 31.78 Root relative squared error (%) RRSE 49.361 48.198 41.32 Total Number of Instances 192 192 362 Attributes input 28 17 34 Jumlah Persamaan 98 81 6 Sumber: Hasil olah data, 29 2 2 15 1 1 5 Nilai Performa Model GRAFIK VERIFIKASI DEBIT HARIAN MODEL 1 P_BR, MODEL 2 P_BR DAN MODEL 3 P_BR TERHADAP DATA DEBIT HARIAN OBSERVASI TAHUN 21 (PURNING =2) 3 28 53 78 13 128 153 178 23 228 3 278 33 328 353 HUJAN RATA-RATA (MM) DEBIT HARIAN OBSERVASI (M3/DT) DEBIT HARIAN MODEL 3 P_BR (M3/DT) DEBIT HARIAN MODEL 1 P_BR (M3/DT) DEBIT HARIAN MODEL 2 P_BR (M3/DT) Gambar 4.4 Visualisasi perbandingan verifikasi Model 1 P_BR, model 2 P_BR dan Model 3 P_BR (Sumber: Hasil olah data, 29) 2 4 6 8 1 12 14 16 18 2 38

Tabel 4.23. Hasil uji korelasi untuk variabel input dan output pada observasi dan model ( Model 3 P_BR) Gambar 4.41 Hirarki Model 3 P_BR. BAB V KESIMPULAN DAN SARAN 5.1. Kesimpulan 1. Hubungan antara variabel input terhadap variabel output yang dominan mempengaruhi performa model sebagai berikut : Variabel input dari pencatatan debit harian dengan time lag t t2 dengan nilai korelasi tertinggi yaitu stasiun Gadang ( QGd t-1 =.855), QGd t-2 =,779) dan stasiun Tawangrejeni QTw t =,82), Variabel input dari pencatatan curah hujan harian dengan time lag t t2 dengan nilai korelasi tertinggi untuk Sub-DAS Kali Brantas Hulu yaitu stasiun Pacet (RPct t =,3), stasiun Sengguruh NO. VARIABEL VARIABEL MODEL OBSERVASI SELISIH NO. INPUT INPUT MODEL OBSERVASI SELISIH 1 QSggrt-1.927.89 -.37 18 RTklt-1.398.377 -.21 2 QGdt.838.879.41 19 RKpjt.413.46.47 3 QGdt-1.855.844 -.12 2 RPctt.3.42.27 4 QGdt-2.779.743 -.37 21 RPjnt.53.566.37 5 QTwt.82.76 -.42 22 RKdrt.514.522.8 6 QT wt-1.771.82.49 23 RKdrt-2.42.415 -.4 7 QT wt-2.733.772.4 24 RJbgt.474.457 -.17 8 RSggt.338.444.16 RTpgt.487.438 -.5 9 RSggt-1.473.527.55 26 RDptt.452.474.22 1 RSggt-2.493.441 -.52 27 RDptt-1.45.418 -.32 11 RWgrt.46.284 -.122 28 RStjt.291. -.41 12 RBtt.278.326.48 29 RPckt.577.587.1 13 RBtt-1.294.368.74 3 RPckt-1.553.52 -.51 14 RBtt-2.31.314.3 31 RPckt-2.537.499 -.38 15 RKytt.158.222.65 32 RPckt-3.472.439 -.33 16 RKytt-1.323.214 -.19 33 RWjkt.445.4 -.2 17 RT klt.274.341 Berdasarkan hasil uji korelasi Model 3 P_BR seperti pada Tabel 4.23 terdapat 19 (sembilan belas) variabel input yang memiliki nilai korelasi sedikit meningkat yaitu QSggr t-1, QGd t-1, QGd t-2, QTw t, RSgg t-2, RWgr t, QKyt t-1, RTKl t-1, RKdr t-2, RJbg t, RTpg t, RDpt t-1, RStj t, RPck t-1, RPctk t-2, RPctk t-3 dan RWjk t. Kemudian dampak dari nilai korelasi tersebut terbukti pada hasil simulasi terbaik pada Model 3 P_BR yaitu simulasi dengan pruning 2 (dua) dengan menghasilkan 6 (enam) persamaan linier. Dari simulasi model prediksi tersebut variabel input yang terpakai untuk model prediksi adalah variabel input di Sub-DAS Kali Brantas Hulu (11 variabel input) : QGd t-1, QGd t-2, RPct t, RSggr t, RSggr t-2, RWgr t, RBt t-1, RKyt t-1, RTkl t-1, RKdr t-2, RJb t dan Sub-DAS Kali Lesti (1 variabel input) : QTw t, QTw t-1, QTw t-2, RTpg t, RDpt t-1, RStj t, RPck t-1, RPck t-2, RPck t-3, RWjk t. Namun variabel input yang paling dominan mempengaruhi model prediksi adalah di Sub-DAS Kali Brantas Hulu yaitu St. Pacet (RPct), St. Sengguruh (RSggr), St. Wagir (RWgr), St. Batu (RBt), St. Kayutangan (RKyt), St. Tangkil (RTkl), St. Kedungrejo (RKdr) dan St. Jabung (RJbg). LM1 : QinSggr = 2.12 +.827QSggr t-1 +.199QGd t + 39

(RSggr t-2 =,493), stasiun Wagir (RWgr t =,46), stasiun Kayutangan (RKyt t-1 =,323), stasiun Tangkil (RTkl t-1 =,398), stasiun Kendungrejo (RKdr t-2 =,42), stasiun Jabung (RJbg t =,474), stasiun Tumpang (RTpg t =,487), Variabel input dari pencatatan curah hujan harian dengan time lag t t2 dengan nilai korelasi tertinggi untuk Sub-DAS Kali Brantas Hulu yaitu stasiun Dampit (RDpt t- =,452, Dpt t-1 =,45), stasiun Sitiarjo (RStj t =,291), stasiun Poncokusumo (RPck t- =,577, RPck t-1 =,553, RPck t-2 =,537, RPck t-3 =,472) dan stasiun Wajak (RWjk t =,445). 2. Data yang dominan mempengaruhi performa model prediksi debit harian adalah data curah hujan harian dan debit harian yang tercatat di Sub-DAS Brantas Hulu yaitu data curah hujan harian yang tercatat di Stasiun Sengguruh, Stasiun Kayutangan, Stasiun Tangkil, Stasiun Wagir, Stasiun Batu dan data debit harian yang tercatat di Stasiun Gadang. 3. Model yang mempunyai akurasi performa terbaik adalah Model 3 P_BR dengan nilai RMSE = 11.98 prosentase nilai penyimpangan model prediksi sebesar 2% dengan debit rata-rata (average) 55.1 m3/dt. Bila dibandingkan dengan Model 1 P_BR (RMSE= 15.481) dan model 2 P_BR (RMSE=15.23) dengan nilai penyimpangan 3 % maka model 3 P_BR adalah yang terbaik yaitu pada penyederhanaan model dengan pruning factor =2 menghasilkan dengan 6 (enam) persamaan linier (LM), hubungan variabel input pada model 3 P_BR tersebut dapat diuraian pada persamaan sebagai berikut :.415QGd t-1 -.623QGd t-2 +.17QTw t +.35QTw t-1 -.14QTw t-2 +.136RSgg t +.355RSgg t-2 +.15RWgr t +.273RBt t-1 -.289RTkl t +.198RTkl t-1 +.167RPct t -.115RJbg t +.143RTpg t +.351RDpt t +.19RDpt t-1 LM2 : QinSggr = 12.2 +.517QSggr t-1 +.531QGd t -.34QGd t-2 +.663QTw t +.422QTw t-1 -.589QTw t-2 +.222RSgg t +.324RSgg t-1 +.188RSgg t-2 +.26RWgr t +.214RBt t-1 +.155RKyt t-1 +.13RTkl t-1 +.128RKdr t-2 +.144RTpg t +.322RDpt t LM3 : QinSggr = 56.7 +.921QSggr t-1 +.133QGd t -.323QGd t-2 +.599QTw t -.231QTw t-1 -.126QTw t-2 +.222RSgg t +.119RSgg t-1 +.196RSgg t-2 +.11RWgr t +.214RBt t-1 +.99RKyt t-1 +.159RTkl t- 1 +.237RTpg t +.322RDpt t LM4 : QinSggr = 6.3 +.921QSggr t-1 +.133QGd t -.323QGd t-2 + 1.26QTw t -.687QTw t-1 -.126QTw t-2 +.222RSgg t +.119RSgg t-1 +.196RSgg t-2 +.224RWgr t +.214RBt t-1 +.239RKyt t-1 +.18RTkl t- 1 +.237RTpg t +.322RDpt t LM5 : QinSggr = 61.6 +.153QSggr t-1 +.239QGd t -.323QGd t-2 +.597QTw t +.924QTw t-1 -.227QTw t-2 +.222RSgg t +.119RSgg t-1 +.196RSgg t-2 +.26RWgr t +.214RBt t-1 +.166RTkl t-1 +.287RJbg t +.237RTpg t +.322RDpt t +.2RPck t LM6 : QinSggr = 65.9 +.153QSggr t-1 +.239QGd t -.323QGd t-2 +.597QTw t +.924QTw t-1 -.227QTw t-2 +.222RSgg t +.119RSgg t-1 5.2 Saran Pemilihan atribut atau variabel input dalam pembuatan model prediksi debit harian yang masuk di Bendungan Sengguruh adalah untuk menentukan baik buruknya performa model. Selain itu boleh juga dengan mengurangi jumlah variabel input yang didasarkan pada pertimbangan penyederhanan model dan model masih memiliki performa yang baik. 4

DAFTAR PUSTAKA Departemen Pekerjaan Umum Direktorat Sumbar Daya Air. (), Penyusunan Pola Pengelolaan Sumber Daya Air Wilayah Sungai Brantas, Balai Besar Wilayah Sungai Kali Brantas Indriani, Diah. (), Handout: Regresi Linier Berganda, FKM, Airlangga. Jasa Tirta 1. (2), Manual Operation and Maintenance of New Gunungsari Dam, Perum Jasa Tirta 1, Malang. Juwono, Pitoyo.T. (28), handout kuliah : Manajemen Sumber Daya Air. FTSP, ITS, Surabaya. Lasminto, U. (24), Flood Modelling and Forecasting in the Surabaya River, M.Sc. Thesis, HH 479, IHE, Delft, The Netherlands. Listiya Heri Mularto. (29), Model Peramalan Banjir di DAS Bengawan Solo, FTSP ITS,Surabaya Luknanto, Djoko. (23), bahan kuliah hidrolika komputasi, Model Matematika, Fakultas Teknik UGM, Jogjakarta. Solomatine, D. P. (21), Data driven Modelling: Machine learning, Data Mining and Knowledge Discovery, IHE lecture notes, HH482/2/1 Shrestha, Ishan (23), Conceptual and Data- Driven Hydrological Modelling of Bagmati River Basin, Nepal. M.Sc. Thesis, IHE, Delft, The Netherlands Sumarno, (23), Pendekatan dan Pemodelan Sistem, UNIBRAW, Malang. Waikato ML Group. (1996), Tutorial-Weka the Waikato for Knowledge Analysis, Departement of Computer Science, University of Waikato, New Zealand. Wang, Y. and Witten, I.H. (1997) Introduction of Model Trees for Predicting Continuous Classes. Proceeding of the Poster Papers of the European Conference on machine Learning, University of Economics, Faculty of Informatic and Statistic, Prague, Czech Republic, Pages 128-137 41

42