ISSN 2354-8630

PREDIKSI POTENSI DEBIT BERDASARKAN DATA HUJAN MAKSIMUM

BULANAN DENGAN METODE JARINGAN SYARAF TIRUAN
BACKPROPAGATION DI DAS ALANG
Jonas Eratika Ginting1), Rintis Hadiani2), Setiono3)
1)
Mahasiswa Fakultas Teknik, Jurusan teknik Sipil, Universitas Sebelas Maret
2), 3)
Pengajar Fakultas Teknik, Jurusan teknik Sipil, Universitas Sebelas Maret
Jl. Ir. Sutami 36A, Surakarta 57126; Telp. 0271-634524.
Email: [email protected]
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
e-Jurnal MATRIKS TEKNIK SIPIL Vol. 2 No. 1/Maret 2014/55

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
A1 p1 A2 p 2 A3 p3 ...... An p n
A pi
i
A1 A2 A3 ...... An
Ai
i 1
[1]

Dengan :

P
= hujan wilayah (mm),
P1, P2, P3..... Pn = tinggi curah hujan di pos 1,2,3,....n,
A1, A2, A3..... An = 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 0,00278CiA

......[2]
e-Jurnal MATRIKS TEKNIK SIPIL Vol. 2 No. 1/Maret 2014/56

ISSN 2354-8630
Dengan :
Q
= air aliran (debit) puncak (m3/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
Keandalan model dapat diukur dengan korelasi (r) dan analisis reliabilitas (r). Korelasi merupakan teknik analisis
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] :
r

n( x

Dengan :
r
=
x
=
n
=
y
=

n xy x y

) ( x ) 2 n( y 2 ) ( y ) 2

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

Koefisien korelasi
Debit simulasi (m3/s)
Jumlah data
Debit lapangan (m3/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] :
r

n
i
..........................................................................................................................................[4]
1
2
n 1

2
(
)

ij
i

Dengan :
r
n
ij
i2
i2 + 2(ij)

= Keandalan
= Jumlah data
= Kovarian item i dan j,
= Jumlah varian i
= Total varian

METODE PENELITIAN
Penelitian ini merupakan penelitian deskriptif kuantitatif yang menggunakan data sekunder. Data diperoleh dari
BPSDA Bengawan Solo dan BPTKPDAS Bengawan Solo.
e-Jurnal MATRIKS TEKNIK SIPIL Vol. 2 No. 1/Maret 2014/57

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
analisis reliabilitas (r) terhadap debit hasil simulasi dan debit observasi untuk memperoleh keandalan model.

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)
Tahun

Data Hujan (mm)

Rerata Stasiun

Nawangan

Pracimantoro

Song Putri

Nawangan

Pracimantoro

Song Putri

2001

1644,00

1323,50

428,00

875,75

1036,00

1483,75

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)
Tahun

Kumulatif rerata (X)

Kumulatif (Y)

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.
e-Jurnal MATRIKS TEKNIK SIPIL Vol. 2 No. 1/Maret 2014/58

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

Tahun
2001
43,672
40,200

2002
47,558
71,747

2003
66,038
46,535

2004
42,742
24,569

2005
46,924
20,132

2006
60,337
24,534

2007
2,755
6,061

2008
32,871
40,832

2009
39,765
57,501

2010
25,991
51,900

2011
67,777
52,738

2012
36,106
67,488

Data Debit
Data debit berfungsi sebagai verikasi model. Berikut ini adalah contoh debit observasi tahun 2001-2012 bulan Januari
dan Februari.
Tabel 4. Data Debit Bulanan pada Bulan Januari dan Februari Tahun 2001-2012 (m3/dt)
Debit
Bulanan

Tahun
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.

e-Jurnal MATRIKS TEKNIK SIPIL Vol. 2 No. 1/Maret 2014/59

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.
e-Jurnal MATRIKS TEKNIK SIPIL Vol. 2 No. 1/Maret 2014/60

Dec-12

Nov-12

Oct-12

Sep-12

Aug-12

Jul-12

Jun-12

May-12

Apr-12

Mar-12

Feb-12

Jan-12

Dec-11

Nov-11

Oct-11

Sep-11

Aug-11

Jul-11

35

30

25

20

15

10

0
A p r -0 5

M ay -0 6

A p r -0 6

M a r -0 6

Fe b -0 6

Ja n -0 6

D e c -0 5

N o v -0 5

O c t-0 5

Se p -0 5

A u g -0 5

Ju l-0 5

Ju n -0 5

M ay -0 5

10
D e c-1 6

N o v -1 6

O c t-1 6

Se p -1 6

A u g -1 6

Ju l-1 6

Ju n -1 6

M a y -1 6

A p r -1 6

M ar-1 6

Fe b -1 6

Ja n -1 6

D e c-1 5

N o v -1 5

O c t-1 5

Se p -1 5

A u g -1 5

Ju l-1 5

Ju n -1 5

M a y -1 5

A p r -1 5

M ar-1 5

Fe b -1 5

Ja n -1 5

D e c-1 4

N o v -1 4

O c t-1 4

D e c -0 8

N o v -0 8

O c t-0 8

Se p -0 8

A u g -0 8

Ju l-0 8

Ju n -0 8

M ay -0 8

A p r -0 8

M a r -0 8

Fe b -0 8

Ja n -0 8

D e c -0 7

N o v -0 7

O c t-0 7

Se p -0 7

A u g -0 7

Ju l-0 7

Ju n -0 7

M ay -0 7

A p r -0 7

M a r -0 7

Fe b -0 7

Ja n -0 7

D e c -0 6

N o v -0 6

O c t-0 6

Se p -0 6

Se p -1 4

Ju l-0 6

40
Ju n -0 6

Debit Tahun 2009-2016

A u g -0 6

45

A u g -1 4

Waktu

Ju l-1 4

Gambar 5. Grafik Debit Tahun 2001-2008

Ju n -1 4

M a y -1 4

A p r -1 4

M ar-1 4

Fe b -1 4

Ja n -1 4

D e c-1 3

N o v -1 3

O c t-1 3

Se p -1 3

A u g -1 3

Ju l-1 3

Ju n -1 3

0,034

A p r -1 3

0,288

M a y -1 3

1,289

Jun-11

0,000

May-11

Februari

Ja n -0 5

0,179

Fe b -0 5

0,282

D e c -0 4

1,910

M a r -0 5

0,030

M ar-1 3

N o v -0 4

O c t-0 4

Se p -0 4

A u g -0 4

Ju l-0 4

Ju n -0 4

M ay -0 4

A p r -0 4

M a r -0 4

Fe b -0 4

Ja n -0 4

D e c -0 3

N o v -0 3

O c t-0 3

Se p -0 3

A u g -0 3

Ju l-0 3

Ju n -0 3

M ay -0 3

A p r -0 3

M a r -0 3

Fe b -0 3

Ja n -0 3

D e c -0 2

N o v -0 2

O c t-0 2

Se p -0 2

Januari

Ja n -1 3

Ju l-0 2

Ju n -0 2
A u g -0 2

2016

Fe b -1 3

A p r -0 2
M ay -0 2

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

2015

D e c-1 2

N o v -1 2

O c t-1 2

Se p -1 2

A u g -1 2

Ju l-1 2

Ju n -1 2

M a y -1 2

A p r -1 2

M ar-1 2

Fe b -1 2

Ja n -1 2

D e c-1 1

N o v -1 1

O c t-1 1

Se p -1 1

A u g -1 1

Ju l-1 1

Ju n -1 1

M a y -1 1

A p r -1 1

M ar-1 1

Fe b -1 1

Ja n -1 1

D e c-1 0

N o v -1 0

O c t-1 0

Se p -1 0

A u g -1 0

Ju l-1 0

Ju n -1 0

M a r -0 2

Fe b -0 2

Ja n -0 2

D e c -0 1

N o v -0 1

O c t-0 1

Se p -0 1

A u g -0 1

Ju l-0 1

Ju n -0 1

M ay -0 1

A p r -0 1

M a r -0 1

Fe b -0 1

Ja n -0 1

2014

Apr-11

A p r -1 0
M a y -1 0

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

2013

Mar-11

Feb-11

Jan-11

Dec-10

Nov-10

Oct-10

Sep-10

Aug-10

Jul-10

Jun-10

May-10

Apr-10

Mar-10

Feb-10

Jan-10

Dec-09

Nov-09

Oct-09

Sep-09

Aug-09

M ar-1 0

Fe b -1 0

Ja n -1 0

D e c-0 9

N o v -0 9

O c t-0 9

Se p -0 9

A u g -0 9

Ju l-0 9

Ju n -0 9

M a y -0 9

A p r -0 9

M ar-0 9

Fe b -0 9

Ja n -0 9

Debit
Bulanan

Jul-09

Jun-09

May-09

Apr-09

Mar-09

Feb-09

Jan-09

Jumlah Debit (m3/dt)

ISSN 2354-8630

Tabel 5. Debit Prediksi Tahun 2013-2016 (m3/dt)

Tahun

Debit prediksi tahun 2013-2016 yang sudah diperoleh pada tabel 5. Sehingga debit 2001-2016 diplot pada gambar 5
dan 6 berikut ini.
45

Debit Tahun 2001-2008

40

35

30

25

20

15

10

Waktu

Gambar 6. Grafik Debit Tahun 2009-2016

Gambar 5 dan gambar 6 merupakan gambar grafik debit dari tahun 2001-2016 dengan debit maksimum terdapat
pada bulan Maret 2006 sebesar 42,570 m3/dt.

Analisis Keandalan Model

Analisis keandalan perlu dilakukan untuk mengetahui seberapa besar keakuratan hasil simulasi terhadap observasi.
Metode yang untuk menganalisis keandalan adalah metode koefisien korelasi (r) dan analisis reliabilitas (r).

25

20

15

Debit Obs

Debit Sim

Waktu

Gambar 7. Grafik Debit Observasi dan Debit Simulasi

e-Jurnal MATRIKS TEKNIK SIPIL Vol. 2 No. 1/Maret 2014/61

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
(x2=1330,020), jumlah total kuadrat debit observasi (y2=1797,167) dan jumlah total debit simulasi dikali debit
observasi (x.y = 936,235). Maka perhitungan korelasi (persamaan [3]) dapat dilakukan sebagai berikut :
r

48 x936,235 188,547 x131,793

{48 x1330,020} 188,547 2 }x{48 x1797,167 188,547 2 }

0,4551

Untuk analisis reliabilitas, varian (i2 = 12,54025) dan kovarian (ij = 8,71964). Dengan jumlah data yang sama maka
perhitungan analisis reliabilitas (persamaan [4]) sebagai berikut.
48
12 ,54025

r
1
0 ,5817

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
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.

e-Jurnal MATRIKS TEKNIK SIPIL Vol. 2 No. 1/Maret 2014/62