ANALISA HUJAN-LIMPASAN MENGGUNAKAN MODEL

ARTIFICIAL NEURAL NETWORK (ANN) DI SUB DAS LESTI

Siska Widyastuti1, Ery Suhartanto2, Very Dermawan2

1. Mahasiswa Program Sarjana Jurusan Teknik Pengairan Universitas Brawijaya
2. Dosen Jurusan Teknik Pengairan Fakultas Teknik Universitas Brawijaya
email : siskawidyastuti27091994@gmail.com

ABSTRAK
Daerah aliran sungai (DAS) Brantas telah mengalami pengembangan sumber
daya air (PSDA) semenjak tahun 1961. Namun seiring dengan laju pertumbuhan jum-
lah penduduk dan eksploitasi lahan yang tidak memperhatikan aspek konservasi, terjadi
dampak negatif seperti banjir yang terjadi tahun 2007. Terdapat beberapa metode yang
dapat digunakan sebagai metode perhitungan debit puncak banjir yaitu metode
hidrograf dan nonhidrograf. Pesatnya kemajuan teknologi, pekerjaan manusia lebih
dimudahkan. Analisa hujan-limpasan menggunakan model jaringan saraf tiruan dapat
dijadikan sebuah alat untuk mempelajari perilaku dan prediksi kondisi hiologis dengan
akurasi tinggi.
Analisa hujan-limpasan Sub DAS Lesti menggunakan model jaringan saraf tiruan
dengan data input berupa curah hujan, evapotranspirasi, koefisien aliran dan debit
stasiun AWLR Tawangrejeni dijadikan data target. Keseluruhan data sepanjang 9 tahun
(2001-2009). Model tersebut untuk meramalkan 3 tahun (2011-2013) data debit sampel
model, dengan metode backpropragation, maksimum epoch 1000 dan 1 hidden layers.
Diperoleh nilai mean square error (MSE) = 0.0393 artinya data telah berkorelasi
dengan baik. Metode Nash-Sutcliffe coefficient (NSE) memiliki R2> 0.999 dan koefisien
korelasi metode regresi polinomial dengan nilai R2 > 0.9994. Hasil ini menunjukkan
data debit model dengan data debit stasiun AWLR Tawangrejeni telah memiliki korelasi
positif sempurna.
Kata Kunci : analisa hujan-limpasan, jaringan saraf tiruan, backpropragation,
kesalahan relatif.

ABSTRACT
Brantas watersheds has experienced water resources development since 1961.
But along with the rate of population growth and the exploitation of land that does not
pay attention to the aspects of conservation, causing negative impacts such as flooding
in 2007. There are several methods of flood peak discharge calculation of hidrograf
and nonhidrograf. Rapid advances in technology, more human work be facilitated.
Analysis of rainfall-runoff model using artificial neural networks can be used as a tool
to study the behaviour and prediction of hidrologic condition with quickly and high
accuracy.
Analysis of rainfall-runoff model of Lesti sub watershed using artificial neural
networks with data input of rainfall, evapotranspirasi, run off coefficient and discharge
station AWLR Tawangrejeni as target data. The overall data along 9 years (2001-
2009). The model for predicting 3 years (2011-2013) discharge sample data model.
Using the method of backpropagation, maximum epoch 1000 and 1 hidden layer. The
result shows that value of the mean square error (MSE) = 0.0393, it means data has
high correlation with either. The Nash-Sutcliffe's method (NSE) has an R2 > 0.999 and
polynomial regression method with a value of R2 > 0.9994. This result shows the data
model with discharge data of AWLR Tawangrejeni station has very good positive
correlation.
Keyword: analysis of rainfall-runoff, artificial neural networks, backpropragation,
relative error.
I. PENDAHULUAN
1.1 Latar Belakang
Air hujan yang mengalir tipis
pada permukaan lahan akan masuk ke-
dalam parit-parit, selanjutnya masuk ke
sungai (Asdak, 2002:4). Limpasan per-
mukaan (surface runoff) yang mengalir
dengan cepat melebihi kapasitas sunga-
inya akan menjadi banjir. Setiap tahun-
nya Indonesia selalu mengalami banjir
yang menyebabkan banyak kerugian.
Daerah aliran sungai Brantas telah
mengalami pengembangan sumber daya
air (PSDA) semenjak tahun 1961. Na-
mun seiring dengan laju pertumbuhan
jumlah penduduk, lapangan kerja yang
terbatas, dan eksploitasi lahan yang ti-
dak memperhatikan aspek konservasi,
menyebabkan banjir.
Daerah aliran sungai adalah salah
satu wilayah daratan yang secara topo-
grafik dibatasi oleh punggung gunung
yang menampung dan menyimpan air
hujan yang kemudian menyalurkan ke
laut melalui sungai utama. Wilayah da-
ratan tersebut dinamakan daerah tang-
kapan air (DTA atau catchment area).
Hujan akan menjadi debit, sehinggga
hubungan hujan-limpasan terkait deng-
an karakteristk DAS. Beberapa metode
yang dapat digunakan sebagai metode
perhitungan debit puncak banjir yaitu
metode hidrograf satuan sintetis dan
nonhidrograf. Namun diperlukan waktu
yang lama untuk menganalisa seluruh
data yang ada, meliputi data curah hu-
jan tahunan yang panjang, data kli-
matologi, data koefisien aliran dan data
lainnya. Dengan kendala lainnya seperti
kemungkinan human error.
Kecerdasan buatan merupakan il-
mu baru yang terlahir di Inggris tahun
1950 oleh seorang matematikawan ber-
nama Alan Turing. Analisa hujan-lim-
pasan menggunakan model jaringan sa-
raf tiruan dapat dijadikan sebuah alat
untuk monitor dan mengevaluasi neraca
air suatu kawasan melalui pengelolaan
sumberdaya air permukaan yang ada.
1.2 Identifikasi Masalah
Pada setiap musim penghujan
sering terjadi banjir pada daerah sekitar
sungai Lesti, karena air sungai meluas,
hal ini mengindikasi permasalahan flu-
ktuasi debit. Seperti banjir yang terjadi
pada sub DAS Lesti pada tanggal 23
Maret 2007, bencana banjir ini menye-
bakan tiga jembatan rusak.
Permasalahan diatas memerlukan
penyelesaian yang akurat dan cepat, de-
ngan sajian praktis. Perkembangan tek-
nologi perangkat keras komputer dan
matematika untuk analisis data, diha-
rapkan dapat menyelesaikan permasala-
han diatas melalui analisa hidrologi,
sehingga menghemat waktu dibanding-
kan metode perhitungan konvensional.
Melalui model berbasis teknologi
artificial neural network (ANN) dengan
metode backpropagation diharapkan
mampu menjawab permasalahan banjir.
1.3 Batasan Masalah
Untuk mencegah agar tidak keluar
dari pokok permasalahan, maka dalam
studi ini diambil batasan-batasan masa-
lah sebagai berikut:
1. Uji model jaringan saraf tiruan
metode backpropagation program
matlab R2010A.
2. Data hujan diperoleh dari stasiun
hujan Tumpukrenteng, Dampit,
Gondanglegi, Wajak, sedangkan
 data debit diambil dari Stasiun
AWLR Tawangrejeni berupa data
harian (2001-2013).
3. Membahas analisa hujan-limpasan
melalui teknologi jaringan saraf
tiruan metode backpropagation
dibandingkan kondisi debit di
Stasiun AWLR Tawangrejeni Sub
DAS Lesti.
4. Rumus-rumus yang digunakan di-
anggap umum dan sudah teruji
keabsahannya.
1.4 Rumusan Masalah
Berdasarkan latar belakang dan
identifikasi masalah, maka rumusan
masalahnya sebagai berikut :
1. Berapa nilai mean square error
(MSE) debit model hasil dari jar-
ingan saraf tiruan dengan metode
backpropagation ?
2. Berapa nilai kesalahan absolut
rerata (KAR) hasil prediksi debit
sampel model (2011-2013) dari
jaringan saraf tiruan dengan me-
tode backpropagation ?
3. Bagaimana hubungan antara debit
sampel model (2011-2013) dan
debit Stasiun AWLR Tawangrejeni
(2011-2013) dengan metode
Nash-Sutcliffe coefficient (NS) dan
koefisien regresi polinomial ?
1.5 Tujuan dan Manfaat
Berdasarkan rumusan masalah
diatas maka tujuan dari studi ini dapat
diuraikan sebagai berikut:
1. Mengetahui hasil debit model dari
jaringan saraf tiruan dengan me-
tode backpropagation.
2. Mengetahui nilai mean square
error (MSE) debit model hasil da-
ri jaringan saraf tiruan dengan me-
tode backpropagation dibanding-
kan dengan nilai debit Stasiun
AWLR Tawangrejeni.
3. Menganalisa hubungan antara
debit sampel model (2011-2013)
dan debit Stasiun AWLR Tawang-
rejeni (2011-2013) dengan metode
Nash-Sutcliffe coefficient (NS),
kesalahan absolut relatif (KAR),
dan koefisien regresi polinomial.
Adapun manfaat yang dapat dipe-
roleh dari penelitian ini adalah diha-
rapkan analisa hujan-limpasan ini dapat
dijadikan referensi yang juga dapat di-
terapkan di kasus daerah aliran sungai
yang serupa. Sehingga masalah keterba-
tasan data hujan maupun data debit un-
tuk pengelolaan sumber daya air dapat
diselesaikan.
II.TINJAUAN PUSTAKA
2.1. Umum
Dalam praktek analisis hidrologi
dalam tahun-tahun terakhir ini, Perke-
mbangan model hidrologi demikian pe-
sat sehingga sangat sulit untuk menye-
butkan satu demi satu. Namun dalam
praktiknya menjadi sangat sulit untuk
memilih model mana yang harus digu-
nakan dalam mengevaluasi atau menga-
nalisis suatu sistem DAS tertentu. Da-
lam kaitan ini pula sebenarnya semua
model dapat digunakan pada sistem
DAS yang dianalisis terlebih dahulu,
agar memenuhi syarat-syarat yang di-
tentukan untuk berlakunya suatu model.
Model jaringan dipilih dalam penelitian
ini, yang diharapkan mampu mengana-
lisis secara cermat keadaan hidrologi
suatu DAS
2.2. Pengujian Data Curah Hujan
A. Uji konsistensi data hujan
Uji kosistensi merupakan uji ke-
benaran data lapangan yang meng-
gambarkan keadaan sebenarnya. Data
tidak konsisten dapat disebabkan oleh
faktor seperti perubahan mendadak pa-
da lingkungan, pemindahan alat ukur
dan perubahan cara pengukuran. Uji ko-
nsistensi data dapat dilakukan dengan
menggunakan kurva massa ganda (dou-
ble mass curve). Langkah yang dilaku-
kan adalah membandingkan harga aku-
mulasi curah hujan tahunan pada sta-
siun hujan yang diuji dengan akumulasi
curah hujan tahunan rerata dari suatu ja-
ringan dasar stasiun hujan yang ber-
kesesuaian, kemudian diplotkan ada
kurva.
B. Curah hujan rerata daerah
Hujan sangat bervariasi terhadap
tempat (space), maka untuk kawasan
yang luas, satu alat penakar hujan be-
lum dapat menggambarkan hujan wila-
yah tersebut. Dalam hal ini diperlukan
hujan kawasan yang diperoleh dari har-
ga rata-rata curah hujan beberapa sta-
siun penakar hujan yang ada di dalam
atau disekitar kawasan tersebut (Sur-
ipin, 2004:26). Metode ini memberikan
proporsi luasan daerah pengaruh pos
penakar hujan untuk mengakomodasi
ketidakseragaman jarak.
C. Uji ketiadaaan trend
Data berjangka waktu panjang
umumnya menunjukan kecenderungan
menuju kesuatu arah (trend). Uji ini di-
peruntukan bagi data lebih dari 10 ta-
hun. Apabila suatu data menunjukan su-
atu trend maka dapat diuji dengan ana-
lisa lanjutan yaitu analisis regresi.
Uji trend ini dapat menggunakan
beberapa metode, menurut (Soewarno,
1995:85):
a) Metode Spearman
b) Mann dan Whitney
c) Tanda dari Cox dan Stuart
D. Uji stasioner
Uji stasioner ini bertujuan untuk
menguji kestabilan nilai varian dan rata-
rata dari deret berkala. Terdiri atas dua
pengujian yaitu:
1. Uji-F (fisher test)
2. Uji-T student
Kedua uji diatas digunakan untuk
mengetahui apakah kedua kelompok
data berbeda secara nyata atau tidak.
E. Uji inlier outlier
Uji ini berguna untuk mengetahui
apakah data maksimum dan minimum
dari rangkaian data yang ada layak di-
gunakan atau tidak. Uji yang digunakan
adalah uji inlier-outlier, di mana data
yang menyimpang dari dua batas am-
bang, yaitu ambang bawah (XL) dan
ambang atas (XH) akan dihilangkan.
2.3. Membangkitkan Data Debit
Masalah umum hidrologi yang
sering dihadapi adalah kekurangan data
untuk menganalisa peluang banjir. De-
ngan data yang terbatas dibutuhkan su-
atu metode untuk memperoleh rekaman
data yang diperlukan. Untuk mengisi da
ta debit yang kosong akibat kerusakan
alat atau gangguan lainnya metode reg-
resi linear dipilih. Metode ini hanya di-
anggap sederhan auntuk mengetahui
hubungan linear antara curah hujan de-
ngan debit yang pernah terjadi sebe-
lumnya sehingga diperoleh persamaan
untuk memperkiraan data debit yang hi-
lang. Selanjutnya data akan diuji pula
dengan uji ketiadaan trend, uji stasioner
dan uji inlier outlier.
2.4. Menghitung Evapotranspirasi
Peristiwa berubahnya air menjadi
uap dan bergerak dari permukaan tanah
dan permukaan air ke udara disebut
evaporasi. Peristiwa penguapan dari ta-
naman disebut transpirasi. Kedua proses
tersebut evaporasi dan transpirasi saling
berkaitan sehingga dinamakan evapo-
transpirasi. Evaporasi merupakan faktor
penting dalam studi tentang pengem-
bangan sumber daya air.
Besarnya nilai evapotranspirasi da
pat dihitung menggunakan metode Bla-
ney-Criddle (Triatmodjo, 2010:81).
2.5. Koefisien Aliran (C)
Untuk menggambarkan karakte-
ristik masing-masing DAS faktor koe-
fisien aliran merupakan faktor yang
menjadi salah satu pertimbangan. De-
ngan mengetahui hubungan antara volu-
me curah hujan yang terjadi dengan lua-
san DAS yang diamati di kalikan volu-
me debit yang terjadi, kita dapat mem-
perkirakan volume air yang terinfiltrasi
dan air yang melimpas.
2.6. Jaringan Saraf Tiruan dan
Matlab R2010A
Jaringan saraf tiruan adalah salah
satu representasi buatan dari otak manu-
sia yang selalu mencoba untuk men-
simulasi proses pembelajaran pada otak
manusia tersebut (Kusumadewi, 2003:
207). Istilah buatan digunakan karena
jaringan saraf ini diimplementasikan
dengan menggunakan program kompu-
ter yang mampu menye-lesaikan sejum-
lah proses perhitungan selama proses
pembelajaran.
Software matlab (matriks labo-
ratory) merupakan bahasa pemograman
matematika lanjutan yang mengadopsi
sifat dan bentuk matriks. Matlab meng-
gunakan bahas C++ dan asse-mbler.
Kelebihan dari matlab dari program
serupa adalah:
1. Memiliki fungsi built-in, penggu-
na dapat memasukan sendiri fung-
si yang hendak dirancang pada li-
brary.
2. Merupakan operasi matematika
elemen, matriks, optimasi, apro-
ximasi dan lainnya. Sehingga se-
ring digunakan untuk melalukan
pekerjaan seperti, pemograman
modeling, simulasi dan pembuatan
prototipe serta analisa data dan
analisa numerik.
3. Memiliki banyak option tambahan
untuk menampilkan data dalam
bentuk 2 dimensi dan 3 dimensi.
2.7. Jaringan Backpropagation
Backpropagation adalah metode
penurunan gradient untuk meminimal-
kan kuadrat error keluarannya (Sutodjo,
2010:77). Terdapat 3 tahapan pemode-
lan jaringan backpropagation. Tahap
perambatan maju (forward propaga-
tion), tahap perambatan balik, dan tahap
perubahan bobot bias.
Algoritma backpropagation me-
nggunakan error output untuk meng-
ubah nilai bobot-bobotnya dalam arah
mundur (backward). Untuk mendapa-
tkan error ini, tahap perambatan maju
(format propagation) harus dikerjakan
terlebih dahulu. Algoritma backpropa-
gation terdiri atas:
A. Inisialisasi bobot (dengan meng-
gunakan nilai random yang cukup
kecil sebagai bobot awal).
B. Apabila dalam kondisi berhenti
bernilai salah (false), maka perlu
dilakukan langkah-langkah seba-
gai berikut (Sutodjo, 2010:79):
III. METODOLOGI PENELITIAN
3.1. Lokasi Daerah Studi
Daerah aliran sungai (DAS) Bran-
tas bagian hulu dimulai dari sumber su-
ngai Brantas yang terletak di sebelah
Timur kaki Gunung Anjasmoro yang
selanjutnya mengalir melalui 8 Kabu-
paten (Malang, Blitar, Tulungagung,
Kediri, Nganjuk, Jombang, Mojokerto,
dan Sidoarjo) dan 6 Kota (Batu, Ma-
lang, Blitar, Kediri, Mojokerto, dan Su-
rabaya). Sungai Brantas bagian hulu
meliputi anak-anak sungai utama se-
perti Kali Amprong, Bango, Lesti, dan
Metro sampai titik outlet di Waduk Se-
ngguruh atau Karangkates. Lokasi dae-
rah studi adalah salah satu anak sungai
utama dari sungai Brantas hulu yaitu
sungai Lesti dengan outlet di Stasiun
AWLR Tawangrejeni.
Sub DAS Lesti secara astronomis
terletak pada 704000 LS - 705500
LS dan 11201000 BT - 11202500
BT, dan secara administratif terletak pa-
da Kabupaten Malang.
3.2. Metode Pengumpulan Data
Dalam penyusunan studi ini
diperlukan data-data yang mendukung
baik itu data primer maupun data se-
kunder.
1. Data curah hujan tahun 2001-
2013.
2. Data debit tahun 2001-2013
3. Data klimatologi tahun 2001-
2013.
4. Peta rupa bumi.
5. Peta administrasi.
6. Peta batas DAS.
7. Peta lokasi stasiun hujan.
 8. Peta tata guna lahan tahun 2001,
2005 dan 2010.
9. Peta jenis tanah.
10. Peta geologi batuan

3.3. Metode Pengolahan Data

Tabel 1. Metode Pengolahan Data
Pengolahan data input
1 Data curah hujan rerata bulanan (tahun 2001-2013)
Uji konsistensi dengan metode kurva massa ganda
Data curah hujan rerata daerah bulanan (tahun 2001-2013)
Gambar 1. Grafik Stasiun Dampit
a Dengan metode poligon thiessen
b Uji ketiadaan trend
c Uji stasioner (uji F dan uji T)
d Uji inlier-outlier
B. Curah Hujan Rerata Daerah
2 Data debit rerata bulanan (tahun 2001-2013)
a Dibangkitkan menggunakan metode Markov-Chain Metode yang digunakan untuk
b Uji ketiadaan trend
c Uji stasioner (uji F dan uji T) menghitung hujan rata-rata kawasan ad-
d Uji inlier-outlier
3 Data temperatur udara rerata bulanan tahun 2001-2013
Dicari nilai ET0 nya menggunakan metode Blaney-Criddle
alah poligon thiessen, yang dianggap
4 Data koefisien aliran
Dihitung nilai rerata koefisien aliran bulanannya
sesuai dengan karakteristik daerah Ka-
Pengolahan data menggunakan program matlab R2010A
bupaten Malang yang datar dan ber-
1 Pembagian data (load data)
Data input bulanan tahun 2001-2013 (curah hujan, jumlah hari hujan
gunung dengan stasiun penakar hujan
a
evapotranspirasi, koefisien aliran)
b Data sample tahun 2011, 2012, dan 2013
yang cukup.
Data target bulanan tahun 2001-2013 (debit stasiun AWLR
c
Tawangrejeni)
2 Normalisasi (prepocessing)
Data pelatihan untuk input layers (curah hujan, hari hujan,
evapotranspirasi, dan koefisien aliran
3 Perancangan jaringan arsitektur ( 4 - 1 - 1)
a 4 input layers, 1 hidden layers, dan 1 output layers
b Metode pembelajaan terawasi (backpropagation)
Maksimum error 1 x 10-5, epoch 1000, perumusan dalam bentuk tan,
c
metode output error MSE dalam bentuk R
5 Postprocessing/denormalisasi
Proses pelatihan (training), testing, validasi dan digrafikkan dalam bentuk
6
regresi
7 Proses simulasi model pada data sampel 2011, 2012, dan 2013

Penyimpangan Hasil Model

1 Nash coefficient efficiency (NSE), KAR, koefisien regresi polinomial (r)
(data sampel 2011, 2012, dan 2013)

Gambar 2. Poligon Thiessen

IV. ANALISA DAN PEMBAHASAN
4.1 Pengolahan Data Curah Hujan C. Uji ketiadaaan trend
Data hujan yang digunakan dalam Uji ini bertujuan untuk mengeta-
studi ini adalah data hujan yang berasal hui terdapat perubahan nyata atau tidak
dari 4 stasiun hujan di Sub DAS Lesti. pada data yang diamati. dari hasil uji
Data tersebut diperoleh dari Jasa Tirta I. metode Spearman dengan derajat ke-
Dengan jangka waktu 13 tahun yakni percayaan 5%, data diterima dengan
antara tahun 2001-2013. Adapun stasi- nilai t = -0.4520. Hasil metode Mann
un yang dimaksudkan adalah: dan Whitney menyatakan bahwa data
a) Stasiun hujan Tumpukrenteng bersal dari populasi yang sama dengan
b) Stasiun hujan Dampit nilai Z= 0.322. Sedangkan uji tanda dari
c) Stasiun hujan Gondanglegi Cox dan Stuart menghasilkan kesimpu-
d) Stasiun hujan Wajak lan bahwa data tidak menunjukkan ada-
nya trend.
A. Uji Konsistensi Data
Uji konsistensi dilakukan untuk D. Uji Stasioner
data masing-masing stasiun hujan terha- Data curah hujan stasiun hujan
dap data stasiun lainnya. Keseluruhan Tumpukrenteng, Dampit, Gondanglegi
data menunjukkan bahwa data dari ke- dan Wajak selama 13 tahun akan dibagi
empat stasiun konsisten. Seperti pada menjadi dua kelompok data. Kelompok
tabel dan grafik stasiun Dampit. pertama data dari bulan januari tahun
2001-2007 dan kelompok data kedua
dari bulan januari tahun 2008-2013.
Diperoleh nilai Fhitung = 3.666 <
Ftabel = 4.207. sehingga dengan derajat
kepercayan 5% tersebut data dapat dite-
rima atau dinyatakan bersifat homo-gen
dan independent. Sedangkan hasil uji T
diperoleh nilai Thitung = 0.7989. Nilainya
tersebut berada diantara nilai Ttabel= - Gambar 3. Grafik Regresi Linear
2.201/+2.201. Sehingga data dianggap Tabel 3. Data Debit yang Hilang
Tahun Bulan Curah Hujan (mm) Debit (m3/det)
seragam. 2008 Sept 0.00 1.0742
Okt 5.51 4.263
Nov 12.38 8.24
Des 10.07 6.903
E. Uji inlier-outlier 2009 Jan
Feb
11.67
15.95
7.829
10.306
Data yang menyimpang dari dua 2010
2012
Juli
Nov
7.24
7.19
5.265
5.236
batas ambang, yaitu ambang bawah
(XL) dan ambang atas (XH) akan dihi- B. Uji ketiadaaan trend
langkan. Data debit yang telah dilengkapi
Tabel 2.Uji Inlier-Outlier dengan data yang hilang selanjutnya ha-
No. Tahun Curah Hujan (mm) Log X
1
1
2
2010
3
113.0
4
2.053
rus diuji ketiadan trend. Dari hasil uji
2
3
2007
2004
79.5
75.5
1.900
1.878
metode Spearman dengan derajat ke-
4
5
2011
2013
75.3
71.5
1.877
1.854
percayaan 5%, data diterima dengan ni-
6 2005 71.3 1.853 lai t = -0.7570. Hasil metode Mann dan
7 2008 68.0 1.832
8 2009 64.6 1.810 Whitney menyatakan bahwa data bersal
9 2006 64.5 1.810
10 2002 64.4 1.809 dari populasi yang sama dengan nilai
11 2001 62.1 1.793
12 2003 61.3 1.787 Z= 0.740. Sedangkan uji tanda dari Cox
13 2012 55.8 1.747
Stdev = 0.075 dan Stuart menghasilkan kesim-pulan
Mean = 1.832
Kn = 2.175 bahwa data tidak menunjukkan adanya
Nilai Ambang Atas (XH)
Nilai Ambang Bawah (XL)
=
=
99.16
46.61
trend.

Hasil menunjukkan bahwa data C. Uji Stasioner

tahu 2010 melebihi ambang batas atas,
113.0 mm > 99.16 mm sehingga nilai
ambang maksimum dianggap kurang
memenuhi untuk tahun 2010 sehingga
data tersebut tidak digunakan dalam
analisa.
4.2 Pengolahan Data Debit
Terdapat 8 bulan data debit yang
kosong sehingga sebelum diuji data ha-
rus dilengkapi.
A. Model Regresi Linear
Dari data curah hujan dan debit
akan dihitung nilai persamaan linearnya
yang selanjutnya akan dipakai untuk
membangkitkan data debit yang hilang.
Data debit dari Stasiun AWLR
Tawangrejeni selama 13 tahun akan di-
bagi menjadi dua kelompok data. Ke-
lompok pertama data dari bulan januari
tahun 2001-2007 dan kelompok data
kedua dari bulan januari tahun 2008-
2013.
Diperoleh nilai Fhitung = 0.847 <
Ftabel = 4.207. sehingga dengan derajat
kepercayan 5% tersebut data dapat
diterima atau dinyatakan bersifat homo-
gen dan independent. Sedangkan hasil
uji T diperoleh nilai Thitung = 1.431.
Nilainya tersebut berada diantara nilai
Ttabel= -2.201/+2.201. Sehingga data
dianggap seragam.
D. Uji inlier-outlier Tabel 6. Koefisien Aliran
Tabel 4.Uji Inlier-Outlier Tahun
Jan
2001

0.90
2002

0.94
2003

0.90
2004

0.90
2005

0.95
2006

0.86
2007

0.98
2008

0.87
2009

0.47
2010

0.17
2011

0.43
2012

0.55
2013

0.73

No. Tahun Debit (m3/det) Log X Mar

Feb 0.80
0.91
0.76
0.80
0.81
0.92
0.86
0.82
0.74
0.93
0.86
0.91
0.96
0.81
0.89
0.98
0.42
0.42
0.99
0.63
0.43
0.43
0.47
0.78
0.32
0.64

1 2 3 4 Apr
Mei
0.98
0.84
0.93
0.97
0.97
0.97
0.82
0.97
0.74
0.83
0.76
0.99
0.58
0.68
0.51
0.37
0.85
0.95
0.66
0.88
0.43
0.99
0.96
0.96
0.64
0.64
1 2010 137.46 2.138 Bulan
Jun 0.54 0.95 0.97 0.73 0.65 0.63 0.40 0.37 0.40 0.95 0.99 0.96 0.64
Jul 0.38 0.95 0.97 0.98 0.72 0.63 0.40 0.54 0.93 0.51 0.99 0.96 0.64
2 2011 130.13 2.114 Agu 0.38 0.95 0.97 0.98 0.64 0.63 0.45 0.54 0.93 0.54 0.14 0.49 0.54
Sep 0.38 0.95 0.99 0.98 0.92 0.63 0.45 0.54 0.93 0.76 0.81 0.49 0.54
3 2007 118.40 2.073 Okt 0.80 0.95 0.80 0.98 0.81 0.63 0.45 0.54 0.17 0.76 0.81 0.49 0.54

4 2013 117.27 2.069 Nov

Des
0.87
0.82
0.50
0.93
0.87
0.79
0.86
0.97
0.78
0.97
0.63
0.94
0.50
0.50
0.45
0.48
0.17
0.17
0.53
0.53
0.81
0.50
0.49
0.49
0.54
0.54
5 2004 106.77 2.028
6 2005 91.93 1.963
7 2006 83.70 1.923
8 2002 82.74 1.918 4.5 Pengolahan Matlab R2010A
9 2009 82.67 1.917
10 2003 80.80 1.907 Langkah untuk memodelkan debit
11 2001 77.61 1.890
12
13
2012
2008
74.33
70.71
1.871
1.849
pada jaringan saraf tiruan adalah:
Stdev
Mean
=
=
0.098
1.923
1. Menyimpan data input dalam work-
2.175
Kn
Nilai Ambang Atas (XH)
=
= 136.74
space software matlab R2010A.
Nilai Ambang Bawah (XL) = 51.24
Beberapa tipe file yang mampu
Hasil menunjukkan bahwa data disimpan oleh matlab R2010A ya-
tahu 2010 melebihi ambang batas atas, itu .exe, .dat, .mat, .txt, .tab, dan
137.46 m3/det > 136.74 m3/det sehingga
nilai ambang maksimum dianggap lainnya.
kurang memenuhi untuk tahun 2010 2. Klik new variabel dengan tanda
sehingga data tersebut tidak digunakan pada workspace. Kemudian beri
dalam analisa. nama Input untuk data input be-
rupa data curah hujan, hari hujan,
4.3 Pengolahan Temperatur Udara evapotranspirasi dan koefisien ali-
Data ini akan digunakan untuk ran tahun 2001-2009.
mencari nilai evapotranspirasi di Kabu- 3. Langkah selanjutnya adalah meng-
paten Malang selama 13 tahun (tahun import data ke dalam model jari-
2001-2013). ngan saraf tiruan. Dengan meng-
A. Metode Blaney-Criddle klik start > more > neural netwo-
Dari letak lintang dan data tem- rk > neural network tool (nntool)
peratur udara, kita dapat memperoleh 4. Tahapan selanjutnya adalah mem-
nilai evapotranspirasi. Langkahnya ada- buat arsitektur jaringan dari data
lah dengan mencari nilai kebutuhan ta- yang telah diimport ke dalam mo-
del jaringan saraf tiruan. Lang-
naman, kemudian memperkirakan La-
kahnya adalah membuka kembali
ma penyianaran matahari, kecepatan
tampilan layar network data ma-
angin, kelembapan relatif.
nager > klik new. Penuhi beberapa
Tabel 5. Blaney Criddle
Nilai ET0
Jan Feb Mar Apr Mei Jun Jul Ags Sept Okt Nov Des parameter dalam jaringan seperti
mm/hari
2001 10.25 10.21 10.29 10.61 10.71 10.53 10.45 10.38 10.75 10.18 10.38 10.25 train, simulate dan adapt.
2002 10.29 10.29 10.16 10.69 10.67 10.55 10.42 10.30 10.75 10.50 10.61 10.36
2003 10.31 10.34 10.33 10.85 10.65 10.45 10.34 10.36 10.59 10.38 10.36 10.51
2004 10.33 10.01 10.36 10.61 10.69 10.20 10.40 10.26 10.42 10.50 10.33 10.27
2005 10.36 10.36 10.23 10.49 10.67 10.49 10.42 10.36 10.38 10.38 10.42 10.06
2006 10.31 10.27 10.33 10.63 10.63 10.34 10.34 10.42 10.32 10.50 10.48 10.46
2007 10.33 9.82 10.33 10.55 10.79 10.40 10.36 10.24 10.26 10.34 10.19 10.18
2008 10.21 10.23 10.12 10.40 10.49 10.38 10.12 10.36 10.43 10.46 10.16 10.34
2009 10.27 10.27 10.31 10.55 10.59 10.36 10.30 10.32 10.34 10.42 10.50 10.46
2010 10.34 9.93 10.42 10.53 10.77 10.42 10.51 10.51 10.43 10.38 10.18 10.31
2011 10.32 10.28 10.25 10.57 10.60 10.28 10.24 10.23 10.47 10.40 10.34 10.35
2012 10.31 10.25 10.16 10.65 10.61 10.30 10.24 10.20 10.53 10.44 10.42 10.40
2013 10.34 10.23 10.19 10.51 10.51 10.34 10.22 10.16 10.45 10.38 10.48 10.48

Gambar 4. Arsitektur Jaringan

4.4 Pengolahan Koefisien Aliran
Keofisien Aliran dapat diperoleh 5. Maka tahapan selanjutnya adalah
dengan cara mengalikan volume curah melakukan pemrosesan data yang
hujan terdapat total luas DAS dan terdiri atas 3 bagian yaitu proses
volume debitnya. training, validation dan testing.
 Sehingga diperoleh grafik regresi
hubungan data input dan traget. B. Nash-Sutcliffe Coefficient (NS)
Dari hasil perhitungan diperoleh
2
R = 0.999 yang artinya data memiliki
hubungan korelasi yang baik.

C. Model Regresi Polinomial

Gambar 5. Hasil Regresi

Tabel 7. Hasil proses matlab R2010A Gambar 6. Regresi Polinomial
Training Testing Validation All Nilai koefisien korelasinya R =
0.99657 0.83444 0.61987 0.90391
0.9994 yang artinya data memiliki
hubungan positif langsung yang baik.
6. langkah selanjutnya adalah men-
simulasi sampel data yang akan V. KESIMPULAN
dijadikan data peramalan yaitu ta- Berdasarkan hasil analisa hujan-
hun 2011-2013. limpasan menggunakan jaringan saraf
Tabel 8. Debit Sampel Model tiruan dapat disimpulkan sebagai beri-
Tahun Bulan
Pemodelan Debit
(m3/det)
Debit Stasiun AWLR
(m3/det)
KAR
(%)
kut:
2011 Jan
Feb
4.171
28.309
4.120
28.421
1.230
0.397 1. Hasil pemodelan jaringan saraf
Mar 17.426 17.424 0.013
Apr
Mei
18.414
8.271
18.412
8.124
0.009
1.809
tiruan untuk hujan-limpasan pada
2011
Jun
Jul
7.967
5.275
7.429
5.329
7.248
1.012
Sub DAS Lesti menunjukan bah-
Agu 0.145 0.124 16.889
Sep 5.342 5.421
7.258
1.468 wa Qmax sampel model = 32.17
m3/det dengan Qmax AWLR =
Okt 7.422 2.272
Nov 21.874 21.944 0.319
Des 6.085 6.121 0.589
2012 Jan
Feb
7.649
3.419
7.655
3.413
0.089
0.173 32.32 m3/det, dan Qmin sampel
model = 0.14 m3/det dengan Qmin
Mar 9.332 9.641 3.201
Apr 14.169 14.121 0.341
Mei 6.447 6.152 4.790
Jun
Jul
1.991
1.198
1.893
1.675
5.176
28.451
AWLR = 0.12 m3/det. Memiliki
Agu 0.468 0.412 13.380
Sep 0.415 0.412 0.717 nilai kesalahan relatif rerata 3.138
Okt 5.396 5.424 0.514
Nov
Des
5.263
18.298
5.236
18.293
0.511
0.027
%. Menurut metode kesalahan ab-
2013 Jan
Feb
9.246
5.129
9.412
5.122
1.773
0.138 solut rerata (KAR), korelasi antar
Mar 8.978 8.421 6.617
Apr
Mei
15.493
10.394
15.532
10.421
0.253
0.265
kedua data memiliki kesalahan <
Jun
Jul
10.567
5.795
10.645
5.583
0.733
3.794
10%, yang artinya memiliki kean-
4.214
Agu
Sep
4.213
7.337 7.533
0.022
2.591 dalan > 90% untuk peramalan.
Okt 2.397 2.529 5.233
Nov
Des
5.565
32.175
5.540
32.320
0.463
0.449
2. Menurut metode mean square er-
Rerata 3.138
ror (MSE) yang diadopsi oleh ma-
tlab R2010A, nilai korelasi antara
4.6 Keandalan Pemodelan
data input dengan nilai target telah
A. Kesalahan Absolut Rerata mencapai MSE = 0.0393. Artinya
Setelah membandingkan hasil de- data berkorelasi dengan baik.
bit sampel model dengan debit Stasiun 3. Setelah memperoleh nilai debit
AWLR Tawangrejeni hasil yang dipe- model, maka tahapan selanjutnya
roleh adalah KAR = 3.138%. Dengan adalah membandingkan debit mo-
kesalahan <10% data dianggap layak del dengan data debit Stasiun AW-
dijadikan acuan untuk pemalan debit.
 LR Tawangrejeni. Metode nash-
sutcliffe coefficient (NSE) memi-
liki R2> 0.999, telah memiliki hu-
bungan yang baik. Menurut meto-
de koefisien korelasi metode reg-
resi polinomial, data debit model
dengan data debit stasiun AWLR
Tawangrejeni telah memiliki ko-
relasi positif sempurna dengan ni-
lai R2 > 0.999.
Saran penyempurnaan untuk studi
ini adalah sebaiknya untuk melengkapi
studi ini diperlukan penelitian lanjutan.
Dengan membandingkan beberapa arsi-
tektur jaringan yang berbeda, jumlah
hidden layer 2 atau multi layer.

DAFTAR PUSTAKA

Asdak, Chay. 2002. Hidrologi dan

Pengelolaan Daerah Aliran Sungai.
Yogyakarta: Gajah Mada University
Press.

Kusumadewi, Sri. 2004. Artificial

Intelegence (Teknik dan Aplikasinya).
Yogyakarta: Penerbit Graha Ilmu.

Soewarno. 1995. Hidrologi Jilid 2.

Bandung: Nova.

Suripin. 2004. Pelestarian Sumberdaya

Tanah dan Air. Yogyakarta: ANDI.

Sutodjo, T. Edy Mulyanto dan V.

Suhartono. 2011. Kecerdasan Buatan.
Yogyakarta:
Penerbit ANDI.

Triatmodjo, Bambang. Hidrologi

Terapan. 2010. Jakarta: Gramedia.