PREDIKSI POTENSI DEBIT BERDASARKAN DATA HUJAN MAKSIMUM BULANAN DENGAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DI DAS ALANG

  ISSN 2354-8630

  

PREDIKSI POTENSI DEBIT BERDASARKAN DATA HUJAN MAKSIMUM

BULANAN DENGAN METODE JARINGAN SYARAF TIRUAN

BACKPROPAGATION DI DAS ALANG

_{1) 2) 3) 1)} Jonas Eratika Ginting , Rintis Hadiani , Setiono _{2), 3)}

Mahasiswa Fakultas Teknik, Jurusan teknik Sipil, Universitas Sebelas Maret

Pengajar Fakultas Teknik, Jurusan teknik Sipil, Universitas Sebelas Maret

Jl. Ir. Sutami 36A, Surakarta 57126; Telp. 0271-634524.

  

Email: jonas.ginting@gmail.com

Abstract

The data flow is important information in the management of water resources. Water resources management has many aspects such as flood control

purposes, and so on electrical energy potential. For water resources management and watershed planning Alang long-term infrastructure, flow of data

needed in the future. So we need an approach to the provision of discharge data with neural network models. The purpose of this study is (1) Determine

the coefficient of ANN parameters, (2) Determine the discharge prediction years 2013-2016 and (3) Determine the reliability of the model.

This research is descriptive quantitative research, where data used are secondary data. The secondary data used were obtained from the office. Stages of

the research is to collect data year 2001-2012 rainfall and discharge as well as topographic maps. Perform calculations using the area rain Thiessen

polygon method. Results rainfall areas converted into discharge using the Rational method with the help of software Backpropagation ANN Matlab

(R2010b). Then perform simulations until the results obtained are at the limits set and simultaneously obtain discharge predictions. Furthermore, to

test the reliability of the model.

The results showed that the ANN parameters : Period = 4 years, Hidden Layer = 2 pieces (2 each neuron), Epoch = 150000, Goal Momentum =

0.6 and = 0.02. Then for discharge predictions for the year 2013-2016 Alang DAS can be seen in table 5. Reliability models 58.17% derived from

the analysis of reliability. The model has achieved 58.17% reliability and 95% Confidence qualify, but the parameters of the model need to be modified

to apply to other watersheds.

  Key words : prediction of potential discharge, rainfall, neural networks Abstrak

Data debit aliran merupakan informasi penting dalam pengelolaan sumber daya air. Pengelolaan sumber daya air memiliki

berbagai aspek keperluan seperti pengendalian banjir, potensi energi listrik dan sebagainya. Untuk pengelolaan sumber daya air

dan perencanaan infrastruktur DAS Alang jangka panjang, dibutuhkan data debit aliran dimasa yang akan datang. Sehingga perlu

dilakukan pendekatan untuk penyediaan data debit dengan model JST. Tujuan penelitian ini adalah (1) Mengetahui koefisien

parameter JST, (2) Mengetahui debit prediksi tahun 2013-2016 dan (3) Mengetahui keandalan model.

Penelitian ini adalah penelitian deskriptif kuantitatif, dimana data yang dipakai merupakan data sekunder. Data sekunder yang

digunakan diperoleh dari instansi terkait. Tahapan penelitian yang dilakukan adalah mengumpulkan data hujan dan debit tahun

2001-2012 serta peta topografi. Melakukan perhitungan hujan wilayah menggunakan metode poligon Thiessen. Hasil hujan

wilayah diubah menjadi debit menggunakan metode Rasional pada JST Backpropagation dengan bantuan Software Matlab (R2010b).

Kemudian melakukan simulasi sampai hasil yang diperoleh berada pada batas yang ditetapkan dan sekaligus memperoleh debit

prediksi. Selanjutnya melakukan uji keandalan model.

Hasil penelitian menunjukkan bahwa parameter JST : Periode = 4 tahun, Hidden Layer = 2 buah (masing-masing 2 neuron), Epoch

= 150000, Momentum = 0,6 dan Goal = 0,02. Kemudian untuk debit prediksi DAS Alang pada tahun 2013-2016 dapat dilihat

pada tabel 5. Keandalan model 58,17% yang diperoleh dari analisis reliabilitas. Model telah mencapai keandalan 58,17% dan

memenuhi syarat Confidence 95%, tetapi parameter model perlu dimodifikasi untuk mengaplikasikannya ke DAS lain.

  Kata kunci : prediksi potensi debit, hujan, jaringan syaraf tiruan PENDAHULUAN

  Data debit aliran merupakan informasi penting dalam pengelolaan sumber daya air. Pengelolaan sumber daya air memiliki berbagai aspek keperluan seperti pengendalian banjir, potensi energi listrik dan sebagainya. Indonesia mempunyai banyak pulau dan daerah aliran sungai. Daerah aliran sungai tidak seluruhnya mempunyai stasiun debit sehingga perlu dilakukan pendekatan teknis untuk mengatasi pengabsahan data yang dapat dipertanggung jawabkan.

  Hujan yang mempunyai hubungan erat terhadap debit sehingga perlu kiranya melakukan penelitian untuk memprediksi potensi debit berdasarkan data hujan maksimum bulanan dengan metode jaringan syaraf tiruan. Untuk

  pengembangan dan pemeliharaan infrastruktur serta jaringan sungai, perlu diketahui seberapa besar potensi debit yang akan terjadi dimasa yang akan datang. Wonogiri mempunyai beberapa daerah aliran sungai (DAS) yang bermuara ke waduk Gajah Mungkur. DAS Alang adalah salah satu DAS yang terletak di Wonogiri dan bermuara ke waduk Wonogiri. DAS ini merupakan sub DAS Bengawan Solo Hulu 3 dengan luas wilayah 14769,50 Ha. Model ini telah diaplikasikan pada DAS Kali Asem sub DAS Bondoyudo (Rintis, 2009). Sehingga berdasarkan parameter model sebelumnya, maka model tersebut diaplikasikan kembali pada DAS Alang. Prediksi debit tahun 2013-2016 diharapkan dapat memberi solusi untuk pengambilan keputusan dalam perencanaan infrastruktur di DAS Alang. Untuk mengetahui debit prediksi maka terlebih dahulu diketahui parameter JST. Dan seberapa besar keandalan model yang diaplikasikan pada DAS Alang tersebut.

  Tinjauan Pustaka

  Hujan merupakan komponen utama dalam siklus hidrologi, dapat digambarkan bahwa hujan mempunyai hubungan dengan aliran. Oleh sebab itu, karakteristik hujan dan DAS sangat berhubungan erat dengan debit aliran yang tejadi. Data hujan dapat diperoleh dari instansi yang melakukan pengamatan terhadap data hujan melalui stasiun hujan. Instansi tersebut seperti Pengelola Bandara, Dinas Pengairan, Dinas Pertanian, Balai Besar Wilayah Sungai, Balai Pengelola Sumber Daya Air, Balai Penelitian dan Teknologi Pengelola Daerah Aliran Sungai, Badan Meteorologi dan Geofisika (BMG), dan Jasa Tirta (Sobriyah, 2012). Data debit merupakan informasi penting bagi pengelola sumber daya air. Informasi ini akan untuk pengambilan keputusan kelayakan pembangunan atau rekonstruksi infrastruktur dan jaringan sungai. Pengembangan sumber daya air merupakan bagian dari kebutuhan irigasi yang erat kaitannya dengan sifat tanah sekitar, kondisi iklim, jenis tanaman yang dikembangkan dan efisiensi irigasi tersebut. Air irigasi berfungsi memenuhi kebutuhan tanaman untuk berkembang dengan baik. Kebutuhan air tergantung curah hujan, jenis tanaman, pengolahan tanah dan cara penyalurannya (Vicky Tri Jayanti, 2013).

  Analisis Hujan Wilayah

  Perhiutngan hujan wilyah menggunakan metode poligon Thiessen. Metode poligon Thiessen memperhitungkan bobot dari masing-masing stasiun yang mewakili luasan disekitarnya. Pada suatu luasan di dalam DAS dianggap bahwa hujan adalah sama dengan yang terjadi pada stasiun yang terdekat, sehingga hujan yang tercatat pada suatu stasiun mewakili luasan tersebut. Hitungan curah hujan rerata dilakukan dengan memperhitungkan daerah pengaruh dari setiap stasiun. Metode poligon Thiessen banyak digunakan untuk menghitung hujan rerata kawasan (Bambang Triatmojo, 2009). Persamaan poligon Thiessen seperti berikut ini [1] :

  n A p A p A p ...... A p A p

      

  1

  1

  2

  2

  3 3 n n i i P

    

  A A A ...... A A      i

  1

  1

  2 3 n i

  ………………………………………………[1] Dengan :

  P

  = hujan wilayah (mm), P 1, P 2, P ^{3 ..... P n = tinggi curah hujan di pos 1,2,3,....n,} A 1, A 2, A ^{3 ..... A n = luas daerah pengaruh pos 1,2,3,....n.}

  Analisis Debit

  Debit di suatu lokasi yang ditinjau dapat diperkirakan berdasarkan data hujan. Debit aliran di sungai berasal dari hujan yang jatuh di DAS, sehingga dengan mengetahui kedalaman hujan dan kehilangan air seperti penguapan dan infiltrasi. Untuk memperkirakan besarnya air aliran puncak (peak runoff, Qp), metode Rasional adalah salah satu teknik yang dianggap baik. Persamaan matematik metode rasional untuk memperkirakan besarnya air aliran (Asdak, 1995 : 150), adalah sebagai berikut [2] :

  

Q , 00278 CiA ……………………………………………………….……..…………………………...[2]



  ISSN 2354-8630 Dengan : ₃ Q = air aliran (debit) puncak (m /detik)

  C = koefisien air aliran I = intensitas hujan (mm/jam) A = luas wilayah DAS (Ha) Besar kecilnya nilai C tergantung pada permeabilitas dan kemampuan tanah dalam menampung air.

  Jaringan Syaraf Tiruan Backpropagation

  Menurut Hermawan (2006) Jaringan syaraf tiruan (artifical neural network) adalah sistem komputasi yang arsitektur dan operasinya diilhami dari pengetahuan tentang sel syaraf biologis di dalam otak manusia. Jaringan syaraf tiruan 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. JST terbentuk dari 3 bagian yakni : 1) Perancangan Arsitektur Jaringan, 2) Algoritma dan Pelatihan, dan 3) Fungsi Aktivasi. Menurut Puspaningrum (2006) Pelatihan pada jaringan syaraf backpropagation, feedfoward (umpan maju) dilakukan dalam rangka perhitungan bobot sehingga pada akhir pelatihan akan diperoleh bobot-bobot yang baik. Selama proses pelatihan, bobot-bobot diatur secara iteratif untuk meminimumkan error (kesalahan) yang terjadi. Sebagian besar pelatihan untuk jaringan feedfoward (umpan maju) menggunakan gradien dari fungsi aktivasi untuk menentukan bagaimana mengatur bobot-bobot dalam rangka meminimumkan kinerja. Ada 3 fase pelatihan backpropagation adalah sebagai berikut : 1) propagasi maju, 2) propagasi mundur, dan 3) perubahan bobot.

  Analisis Keandalan Model _{r ). Korelasi merupakan teknik analisis}

  Keandalan model dapat diukur dengan korelasi (r) dan analisis reliabilitas (α yang digunakan untuk mengukur kekuatan hubungan dua variabel. 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 (Jonathan Sarwono, 2006). Berikut adalah persamaan korelasi [3] :

  n xy  x y   

  ..........................................................................................................[3]

  r

   _{2 2 2 2}

  n ( x )  ( x ) n ( y )  ( y ) 

        

  Dengan : r = Koefisien korelasi ₃ x = Debit simulasi (m /s) n = Jumlah data ₃ y = Debit lapangan (m /s)

  Selain uji korelasi, keandalan model juga dapat di ukur dengan metode lain, seperti analisis reliabilitas (Zulganef, 2006). Keandalan reliabilitas r ) menggunakan persamaan umum Cronbach [4] :

  (α ₂  

  n i  

  ..........................................................................................................................................[4]  

   _{r  }

  1 ₂

  n

  1    2 ( ) _{i ij} 

    

    Dengan : _r

  = Keandalan α n = Jumlah data _ij

  = Kovarian item i dan j, σ _{i = Jumlah varian i 2}

  σ _{i ij ) = Total varian 2} σ + 2(∑σ

METODE PENELITIAN

  Penelitian ini merupakan penelitian deskriptif kuantitatif yang menggunakan data sekunder. Data diperoleh dari BPSDA Bengawan Solo dan BPTKPDAS Bengawan Solo.

  Penelitian ini menggunakan alat Microsoft Excel, Software Matlab dan Software AutoCad. Dalam pengolahan data terlebih dahulu menyiapkan data hujan dan debit tahun 2001-2012, kemudian melakukan uji panggah untuk data hujan berdasarkan data hujan kumulatif tahunan, selanjutnya menghitung hujan wilayah menggunakan metode poligon

  

Thiessen. Setelah memperoleh hujan wilayah, maka dilakukan prediksi debit tahun 2013-2016 menggunakan jaringan

  syaraf tiruan algoritma Backpropagation dengan software Matlab. Dan tahap selanjutnya melakukan uji korelasi (r) dan _r analisis reliabilitas ) terhadap debit hasil simulasi dan debit observasi untuk memperoleh keandalan model.

  (α

  HASIL DAN PEMBAHASAN Data Hujan

  Contoh perhitungan uji panggah data hujan menggunakan metode lengkung massa ganda berdasarkan kumulatif hujan tahunan ( tahun 2001-2002) dapat dilihat pada Tabel 1 dan Tabel 2. Tabel 1. Hasil Uji Panggah Hujan Kumulatif DAS ALang Tahun 2001-2012 (mm)

  Data Hujan (mm) Rerata Stasiun Tahun Nawangan Pracimantoro Song Putri Nawangan Pracimantoro Song Putri 1644,00 1323,50 428,00 875,75 1036,00 1483,75

  2001

2002 2076,00 992,00 1805,00 1398,50 1940,50 1534,00

  Tabel 2. Lanjutan Hasil Uji Panggah Hujan Kumulatif DAS ALang Tahun 2001-2012 (mm)

  Kumulatif rerata (X) Kumulatif (Y) Tahun Nawangan Pracimantoro Song Putri Nawangan Pracimantoro Song Putri 2001 875,75 1036,00 1483,75 2390,85 1323,50 1168,82 2002 2274,25 2976,50 3017,75 3720,00 2524,29 2847,02

  Tabel 1 - 2 merupakan hasil tabel uji panggah dengan metode Lengkung Massa Ganda (Double Mass Curve). Kemudian akan diplot pada kurva Massa Ganda, absis X (kumulatif rerata) dan absis Y (kumulatif) pada gambar 1 berikut ini.

  Gambar 1. Uji Kepanggahan Metode Lengkung Massa Ganda Gambar 1, data hujan pada stasiun Nawangan, Pracimantoro dan Song Putri sudah dapat digunakan serta dianggap panggah karena data pada msaing-masing stasiun sudah mendekati/ segaris dengan garis trendline.

  Berikut ini merupakan contoh hasil perhitungan hujan wilayah tahun 2001-2012 dengan menggunakan metode poligon Thiessen yang terdapat pada Tabel 3.

  ISSN 2354-8630 Tabel 3. Curah Hujan Wilayah Bulanan pada bulan Januari dan Februari tahun 2001-2012 (mm)

  Curah Tahun Hujan

  

Bulanan 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012

Januari 43,672 47,558 66,038 42,742 46,924 60,337 2,755 32,871 39,765 25,991 67,777 36,106

Februari 40,200 71,747 46,535 24,569 20,132 24,534 6,061 40,832 57,501 51,900 52,738 67,488

  Data Debit

  Data debit berfungsi sebagai verikasi model. Berikut ini adalah contoh debit observasi tahun 2001-2012 bulan Januari dan Februari. ₃ Tabel 4. Data Debit Bulanan pada Bulan Januari dan Februari Tahun 2001-2012 (m /dt)

  Tahun Debit Bulanan 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012

Januari 0,000 17,530 7,879 1,011 14,817 32,961 0,000 17,067 22,467 0,000 12,829 4,102

Februari 0,000 1,130 0,361 5,315 1,973 24,557 0,134 18,660 24,396 2,304 3,241 0,134

  Setelah data hujan diperoleh, maka tahapan selanjutnya melakukan prediksi debit dengan input data hujan wilayah yang dikali dengan koefisien limpasan, luas wilayah serta faktor waktu dan data debit observasi sebagai objek training kedalam software Matlab. Hasil prediksi debit dapat dilihat pada tabel 5.

  Prediksi Debit Menggunakan Jaringan Syaraf Tiruan Backpopagation

  Dalam memprediksi debit dimasa yang mendatang, tahapan-tahapan yang akan dilakukan seperti berikut ini. 1) Melakukan perancangan jaringan dengan menambahkan luas wilayah (A=14769,50 Ha), koefisien limpasan DAS (C=0,414). 2) Input dan penentuan pola dengan membagi data keseluruhan menjadi 3 bagian yaitu : 1/3 menjadi input, 1/3 jadi target training, dan 1/3 observasi. 3) Data input disimpan dalam format Microsoft Excel ( .xls) dengan nama “hujan bulanan”. Data hujan dan debit terdiri dari baris dan kolom dengan matriks 12x12. 4) Validitas ditentukan dari 2 hal, yaitu : Grafik hasil training cenderung menyerupai grafik observasi dan nilai simulasi (4,6545) berada diantara batas atas (5,2059) dan batas bawah (4,4747).

  Gambar 2. Artificial Neural Network untuk Prediksi Debit (TRAINGDM) Gambar 2 merupakan proses untuk pengambilan data dan menentukan parameter model yang digunakan sehingga proses dapat dilakukan.

  Gambar 3. Neural Network Training (nntrainingtool) Gambar 3 menunjukkan bahwa model sedang melakukan proses simulasi seperti ketentuan yang telah ditetapkan pada gambar 1.

  Gambar 4. Grafik Simulasi Debit DAS Alang Gambar 4 yang diperoleh dari hasil software Matlab, menunjukkan bahwa grafik yang berwarna hijau cenderung menyerupai grafik berwarna biru (observasi) sehingga untuk uji validitas sudah memenuhi syarat.

  Setelah uji validitas terpenuhi maka secara bersamaan debit prediksi dan parameter model akan diperoleh. Parameter tersebut adalah sebagai berikut : Periode = 4 tahun, Hidden Layer = 2 buah (masing-masing 2 neuron), Momentum = 0,6, Epoch = 150000, dan Goal = 0,02. Hasil prediksi debit tahun 2013-2016 dapat dilihat pada tabel 5.

• 8630 e-J u rn al M A T RI K S T E K NI K S
• 2 016 ya n g su d ah d ip er o le h p ad a ta b el 5. S eh in gg a d eb it

  42 ,570 m ₃

  eb it p re d iks i ta h u n 2013

  20 01-2016 d ip lo t p ad a ga mb ar

  5 d an

  6 b er iku t in i.

  Ga mb ar 5. Gr afi k De b it Ta h u n 200 1-2008

  Ga mb ar 6. Gr afi k De b it Ta h u n 200 9-2016

  G amb ar

  5 d an ga m b ar

  6 m er u p aka n ga mb ar gr afi k d eb it d ar i ta h u n 2001

  / d t.

  00 1,2 89 0,2 88 0,0

  A n a lis is K ea n d a la n M o d el

  A n ali sis ke an d ala n p er lu d ila ku ka n u n tu k me n ge ta h u i se b er ap a b es ar ke aku ra ta n h as il sim u la si te rh ad ap o b se rva si. M et o d e ya n g u n tu k me n ga n ali sis ke an d ala n ad ala h me to d e ko efi sie n ko re la si (r) d an an ali sis

  re lia bil ita s

  (α _r ). Ga mb ar 7.

  G ra fik De b it Ob se rva si d an De b it S imul as i ^{5 1 1 5 2 2 5 3 3 5 4 4 F e b -0 1 5 Ja n -0 1 M a r -0 1 A p r -0 1 M ay -0 1 Ju n -0 1 Ju l-0 1 A u g -0 1 S e p -0 1 O c t-0 1 N o v -0 1 D e c -0 1 Ja n -0 2 F e b -0 2 M a r -0 2 A p r -0 2 M ay -0 2 Ju n -0 2 Ju l-0 2 A u g -0 2 S e p -0 2 O c t-0 2 N o v -0 2 D e c -0 2 Ja n -0 3 F e b -0 3 M a r -0 3 A p r -0 3 M ay -0 3 Ju n -0 3 Ju l-0 3 A u g -0 3 S e p -0 3 O c t-0 3 N o v -0 3 D e c -0 3 Ja n -0 4 F e b -0 4 M a r -0 4 A p r -0 4 M ay -0 4 Ju n -0 4 Ju l-0 4 A u g -0 4 S e p -0 4 O c t-0 4 N o v -0 4 D e c -0 4 Ja n -0 5 F e b -0 5 M a r -0 5 A p r -0 5 M ay -0 5 Ju n -0 5 Ju l-0 5 A u g -0 5 S e p -0 5 O c t-0 5 N o v -0 5 D e c -0 5 Ja n -0 6 F e b -0 6 M a r -0 6 A p r -0 6 M ay -0 6 Ju n -0 6 Ju l-0 6 A u g -0 6 S e p -0 6} _{O c t-0 6 N o v -0 6 D e c -0 6 Ja n -0 7 F e b -0 7 M a r -0 7 A p r -0 7 M ay -0 7 Ju n -0 7 Ju l-0 7 A u g -0 7}

  S e p -0 7 _{O c t-0 7 N o v -0 7 D e c -0 7 Ja n -0 8 F e b -0 8 M a r -0 8 A p r -0 8 M ay -0 8 Ju n -0 8 Ju l-0 8} A u g -0 8 _{S e p -0 8 O c t-0 8 N o v -0 8 D e c -0 8} ^{Ju m la h D e b it m 3 / d t W ak tu D} ebi _t Ta _{hun 2}

  00 1-

  20

  08 ^{5 1 1 5}

²

²

⁵

^{3 3 5 4 4 F e b -0 9 5 Ja n -0 9 M a r - 0 9 A p r -0 9 M a y -0 9 Ju n -0 9 Ju l-0 9 A u g -0 9 S e p -0 9 O c t-0 9 N o v -0 9 D e c - 0 9 Ja n -1 0 F e b -1 0 M a r - 1 0 A p r -1 0 M a y -1 0 Ju n -1 0 Ju l-1 0 A u g -1 0 S e p -1 0 O c t-1 0 N o v -1 0 D e c - 1 0 Ja n -1 1 F e b -1 1 M a r - 1 1 A p r -1 1 M a y -1 1 Ju n -1 1 Ju l-1 1 A u g -1 1 S e p -1 1 O c t-1 1 N o v -1 1 D e c - 1 1 Ja n -1 2 F e b -1 2 M a r - 1 2 A p r -1 2 M a y -1 2 Ju n -1 2 Ju l-1 2 A u g -1 2 S e p -1 2 O c t-1 2 N o v -1 2 D e c - 1 2 Ja n -1 3 F e b -1 3 M a r - 1 3 A p r -1 3} _{M a y -1 3 Ju n -1 3 Ju l-1 3 A u g -1 3 S e p -1 3 O c t-1 3 N o v -1 3 D e c - 1 3 Ja n -1 4 F e b -1 4} M a r - 1 4 _{A p r -1 4 M a y -1 4 Ju n -1 4 Ju l-1 4 A u g -1 4 S e p -1 4 O c t-1 4 N o v -1 4 D e c - 1 4 Ja n -1 5} F e b -1 5 _{M a r - 1 5 A p r -1 5 M a y -1 5 Ju n -1 5 Ju l-1 5 A u g -1 5 S e p -1 5 O c t-1 5 N o v -1 5 D e c - 1 5} Ja n -1 6 _{F e b -1 6 M a r - 1 6 A p r -1 6 M a y -1 6 Ju n -1 6 Ju l-1 6 A u g -1 6 S e p -1 6 O c t-1 6 N o v -1 6} D e c - 1 6

^{Ju m la h D e b it m 3 / d t}

^{W ak tu D} ebi _t Ta _{hun 2}

  00 9- ₂

  34 D

  79 F e b ru a ri 0,0

  01 ₆ ^{5 1 1 5 2 2 Feb-09 5 Jan-09 Mar-09 Apr-09 May-09 Jun-09 Jul-09 Aug-09 Sep-09 Oct-09 Nov-09 Dec-09 Jan-10 Feb-10 Mar-10 Apr-10 May-10 Jun-10 Jul-10 Aug-10 Sep-10 Oct-10 Nov-10 Dec-10 Jan-11 Feb-11 Mar-11} _{Apr-11 May-11 Jun-11 Jul-11 Aug-11 Sep-11} Oct-11 _{Nov-11 Dec-11 Jan-12 Feb-12 Mar-12 Apr-12} May-12 _{Jun-12 Jul-12 Aug-12 Sep-12 Oct-12} Nov-12 _Dec-12 ^{Jumlah Debit (m W 3 /dt) a kt u} _{D e b it O b s D e b it Si m}

  De b it P re d ik si Ta h u n 2013-20

  IS S N

  23

  54

  IP

  IL

  V o l.

  2 No .1/ M ar et

  20 14/

  61 T ab el 5.

  16 (m ₃

  30 1,9 10 0,2 82 0,1

  / d t)

  D e b it B u la n a n T a h u n

  2

  13

  2

  14

  2

  15

  2

  16 Ja n u a ri 0,0

• 2 016 d en ga n d eb it ma ks imu m te rd ap at p ad a b u la n M ar et 2006 se b es ar

Berdasarkan hasil debit simulasi yang diperoleh dan debit observasi yang ada, dengan jumlah total data debit (n=48), jumlah total debit simulasi (x=188,547), jumlah total debit observasi (y=131,793), jumlah total kuadrat debit simulasi _{2 2} (x =1330,020), jumlah total kuadrat debit observasi (y =1797,167) dan jumlah total debit simulasi dikali debit observasi (x.y = 936,235). Maka perhitungan korelasi (persamaan [3]) dapat dilakukan sebagai berikut :

  48 x 936 , 235  188 , 547 x 131 , 793

  r

  , 4551  _{2 2} 

  { 48 x 1330 , 020 } 188 , 547 } x { 48 x 1797 , 167 188 , 547 }   ₂ Untuk analisis reliabilitas, i ij = 8,71964). Dengan jumlah data yang sama maka varian (σ = 12,54025) dan kovarian (σ perhitungan analisis reliabilitas (persamaan [4]) sebagai berikut.

  48 12 , 54025  

   1 , 5817 _r     

  48

  1 12 , 54025 2 x 8 , 71964  

    Dari hasil metode koefisien korelasi (r = 0,4551) dan analisis reliabilitas r = 0,5817), maka hasil yang terbaik

  (α diperoleh dari analisis reliabiltas dengan keandalan model sebesar 0,5817 atau 58,17%. Dan model ini telah memenuhi syarat Confidence 95% dan toleransi 5%. Model yang telah diaplikasikan pada DAS Kali Asem sub DAS Bondoyudo mencapai keandalan 85% (Rintis, 2009) dan diaplikasikan dalam penelitian ini pada DAS Alang mencapai keandalan 58,17%. Dari kedua penelitian ini, maka perlu dilakukan penelitian lebih lanjut terhadap pengaruh parameter JST dan koefisien debit. Sehingga bila model ini sukses, maka dapat diaplikasikan pada DAS lain yang tidak memiliki stasiun debit.

  SIMPULAN

  Dari penelitian ini, maka dapat kesimpulan sebagai berikut : Parameter JST adalah Periode = 4 tahun, Hidden Layer = 2 buah (masing-masing 2 neuron), Momentum = 0,6, Epoch = 150000, dan Goal = 0,02. Prediksi debit tahun 2013 – 2016 dapat dilihat pada tabel 5 dan Keandalan model sebesar 58,17% dengan menggunakan analisis reliabilitas.

UCAPAN TERIMA KASIH

  Terima kasih saya ucapkan kepada ibu Rintis Hadiani dan bapak Setiono yang senantiasa membimbing saya sampai terselesainya penelitian ini.

  REFERENSI Asdak, Chay. 1995. Hidrologi dan Pengelolaan Daerah Aliran Sungai. Yogyakarta : Gadjah Mada University Press.

  Bambang, Triatmodjo. 2009. Hidrologi Terapan. Yogyakarta : Beta Offset. Hermawan, A. 2006. Jaringan Syaraf Tiruan Teori dan Aplikasi. Yogyakarta: Penerbit Andi Jonathan, Sarwono. 2006. Teori Analisis Korelasi Mengenal Analisis Korelasi. http://www.jonathansarwono.info/korelasi/korelasi.htm (Selasa, 01 Oktober 2013, 22 : 05 : 03 WIB)

  Prabowo, Pudjo Widodo. Rahmadya, Trias Handayanto. 2012. Penerapan Soft Computing Dengan Matlab. Bandung : Rekayasa Sains

  Puspaningrum, D. 2006. Pengantar Jaringan Syaraf Tiruan. Yogyakarta : Andi Offset Rr Rintis, Hadiani. 2009. Analisis Kekeringan Berdasarkan Data Hidrologi. Malang : Universitas Brawijaya Malang. Sobriyah, 2012. Model Hidrologi. Surakarta : UNS Press. Vicky, Tri Jayanti. 2013. Prediksi Neraca Air Pertanian Dengan Metode Mock Pada Daerah Aliran Sungai Keduang (Skripsi).

  Surakarta : Universitas Sebelas Maret. Zulganef, 2006. Pemodelan Persamaan Struktur & Aplikasinya Menggunakan Amos 5. Bandung: Penerbit Pustaka.