ANALISA CURAH HUJAN TERHADAP DEBIT LIMPASAN MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN (JST) BACKPROPAGATION DI DAS WELANG
Abstract
Analisa curah hujan menjadi debit limpasan perlu dilakukan jika tidak ada data pengukuran debit. Model jaringan syaraf tiruan dapat dijadikan sebagai salah satu alternatif untuk mempelajari pola dan prediksi data hidrologi dengan akurasi yang baik. Penelitian ini bertujuan untuk menganalisa data curah hujan bulanan menjadi debit limpasan di DAS Welang menggunakan model Jaringan Syaraf Tiruan. Data yang digunakan sebagai input model adalah curah hujan bulanan, koefisien aliran, serta evapotranspirasi. Sedangkan data debit bulanan AWLR Dhompo sebagai target. Semua data sepanjang 10 tahun (2009 – 2018). Simulasi dilakukan dengan menggunakan 3 uji, yaitu uji Kalibrasi, Verifikasi, dan Validasi yang secara keseluruhan dilakukan perbandingan antara hasil simulasi dengan data Debit AWLR Dhompo. Uji Kalibrasi menggunakan pembagian data 5, 6, 7, 8, dan 9 tahun serta uji Verifikasi menggunakan pembagian data 5, 4, 3, 2, dan 1 tahun atau data sisa dari uji Kalibrasi. Hasil penelitian menunjukkan bahwa pembagian data yang terpilih adalah pembagian data 8 tahun kalibrasi dan 2 tahun verifikasi dengan nilai R sebesar 0,91 (Sangat kuat) dan nilai NSE sebesar 0,82 (Baik).
Analysis of rainfall into runoff discharge needs to be done if there are no discharge measurement data. Artificial neural network models can be used as an alternative to study patterns and predictions of hydrological data with good accuracy. This study aims to analyze monthly rainfall data into runoff discharge in the Welang watershed using the Artificial Neural Network model. The data used as input to the model are monthly rainfall, runoff coefficient, and evapotranspiration. While AWLR Dhompo monthly discharge data is the target. All data are used 10 years (2009 - 2018) period. The simulation are carried out using 3 tests, namely the Calibration, Verification, and Validation tests which are overall made to compare the results of the simulation with the Dhompo AWLR discharge data. Calibration tests use data sharing 5, 6, 7, 8, and 9 years and Verification tests use data sharing 5, 4, 3, 2, and 1 year or the remaining data from the Calibration test. The results showed that the data distribution chosen was 8 years of calibration and 2 years of verification with an R value of 0.91 (Very strong) and an NSE value of 0.82 (Good).
References
Hasim, A. Prakiraan Beban Listrik Kota Pontianak dengan Jaringan Syaraf Tiruan (Artificial Neural Network).(2008). Tesis.https://repository.ipb.ac.id/handle/123456789/41400, (Diakses 21 Januari 2019).
Mitchell, T. (1997).Machine Learning.United State of America: The McGraw-Hill Companies, Inc.
Montarcih, L. (2010). Hidrologi Teknik Dasar. Malang: Citra Malang.
Muchaimin, Yahya. (2017). Analisa Kerapatan Jaringan Stasiun Hujan Di Sub Das Kadalpang Kabupaten Pasuruan Menggunakan Metode Jaringan Saraf Tiruan Dan Hubungannya Terhadap Aspek Topografi.Skripsi.Tidak diterbitkan.
Sugiyono. (2007). Metode Penelitian Kuantitatif, Kualitatif, dan R&D. Bandung: Alfabeta.
Sunardi.(2011). Prakiraan Debit Air Sungai Menggunakan Jaringan Syaraf Tiruan Backpropagation Levenberg Marquardt (Studi Kasus Bengawan Solo). Yogyakarta: Universitas Gadjah Mada.
Supiyati, Bahri, S dan Erdi, I. (2009). Prediksi Jangka Pendek Debit. Bengkulu, Jurnal Fisika FLUX
Suprayogi, Imam, dkk. (2013). Analisa Hujan Debit Pada DAS Indragiri Menggunakan Pendekatan Model IHACRES.Jurnal. Konferensi Nasional Teknik Sipil 7 : Universitas Sebelas Maret.
Sosrodarsono, Takeda. (2003). Hidrologi untuk Pengairan.Jakarta : PT. Pradnya Paramita.
