Upload
hadung
View
231
Download
0
Embed Size (px)
Citation preview
ANALISIS TINGGI MUKA AIR BENGAWAN SOLO HILIR
AKIBAT ADANYA FLOODWAY DENGAN
METODE JARINGAN SYARAF TIRUAN
JURNAL
TEKNIK PENGAIRAN KONSENTRASI
SISTEM INFORMASI SUMBER DAYA AIR
Ditujukan untuk memenuhi persyaratan
memperoleh gelar Sarjana Teknik
OKTAVIA TRIANA KURNIAWATI
NIM. 125060400111031
UNIVERSITAS BRAWIJAYA
FAKULTAS TEKNIK
MALANG
2016
ANALISIS TINGGI MUKA AIR BENGAWAN SOLO HILIR AKIBAT ADANYA
FLOODWAY DENGAN METODE JARINGAN SYARAF TIRUAN
Oktavia Triana Kurniawati1, Very Dermawan2, Emma Yuliani2 1Mahasiswa Program Sarjana Teknik Jurusan Pengairan Universitas Brawijaya
2Dosen Jurusan Pengairan Fakultas Teknik Universitas Brawijaya [email protected]
ABSTRAK
Wilayah Sungai Bengawan Solo Hilir hampir setiap tahun mengalami banjir. Sudetan banjir (floodway)
Plangwot Sedayu Lawas sepanjang 12,4 km dengan kapasitas pengaliran debit 640 m3/dt belum berhasil
mengatasi banjir di wilayah Hilir Bengawan Solo. Upaya pengendalian banjir yang akan dilakukan adalah
melakukan peningkatan kapasitas pada floodway sehingga mampu mereduksi besar debit aliran menuju Hilir
Bengawan Solo dengan asumsi mampu mengalirkan Q50. Peningkatan kapasitas tersebut dilakukan dengan
melakukan kajian hidrolik uji model fisik dengan alternatif pelebaran floodway 100 m, 125 m, dan 150 m. Penelitian ini bertujuan untuk melakukan upaya peringatan dini banjir dengan melakukan analisis
tinggi muka air pada Bengawan Solo Hilir (section 1+300) kondisi eksisting floodway menggunakan Metode
Jaringan Syaraf Tiruan (JST) backpropagation dengan Matlab R2010a dan kondisi pada saat dilakukan
peningkatan kapasitas floodway dari hasil uji model fisik terhadap analisis pendekatan rating curve. Sistem
JST memiliki kemampuan untuk belajar dari pola-pola data yang telah ada, seperti halnya kemampuan yang
dimiliki oleh otak manusia.
Bentuk pemodelan arsitektur JST adalah 7-8-1 dengan data curah hujan di Stasiun Babat, Lamongan,
dan Pangkatrejo; data tinggi muka air harian (sebelum percabangan floodway) di Bojonegoro, Babat, dan
Bendung Gerak Babat; dan data debit harian Bendung Gerak Babat sebagai 7 input neuron sedangkan, data
tinggi muka air harian setelah percabangan floodway (section 1+300) sebagai output neuron. Arsitektur
tersebut digunakan untuk meramalkan tinggi muka air di Bengawan Solo Hilir pada kondisi debit Bendung
Gerak Babat tertinggi, terendah, dan antara keduanya dengan menggunakan fungsi pelatihan Leverberg-
Marquardt (TRAINLM) dan fungsi aktivasi yang digunakan adalah fungsi tansig dan fungsi purelin. Pada
tahap pelatihan menggunakan epoch 1000, 2000, dan 3000 dengan maksimal validation check sama seperti
iterasi yang digunakan. Training dengan hasil yang paling sesuai akan digunakan untuk menentukan
pemodelan terbaik. Dari ketiga training yang dilakukan pelatihan dengan 2000 epochs mempunyai
kesesuaian yang terbaik dengan Mean Sequent Error (MSE) 0,0250 dan Kesalahan Ralatif (KR) 4,067%
pada tahap pelatihan dan MSE 0,0060 dan KR 2,228% pada tahap pengujian. Berdasarkan hasil analisis
pendekatan rating curve, rencana pelebaran 150 m mampu mereduksi debit yang mengalir hingga 39%.
Kata kunci: Jaringan Syaraf Tiruan, Matlab R2010a, Floodway, Tinggi Muka Air, Debit
ABSTRACT
Downstream Bengawan Solo River occurred flood damage almost every year. The floodway Plangwot
Sedayu Lawas along 12.4 km with discharge capacity about 640 m3/dt has not already managed the flood
problem at downstream Bengawan Solo River. Increasing discharge capacity of floodway with assumption
Q50 is one of flood control effort to reduce discharge rate at downstream basin. There are three width that
carried out by physical model: 100 m, 125 m, and 150 m.
This research is to determine water level using Artificial Neural Network (ANN) backpropagation by
Matlab R2010a as flood early warning system by modelling analysis water level at downstream Bengawan
Solo (1+300 section) and the condition of increasing floodway capacity by model test through rating curve.
ANN system have an ability to learn from the patterns data that already exist, as well as the capabilities of
human brain.
The ANN architecture model has used 7-8-1 architecture with daily data rainfall at Babat, Lamongan,
and Pangkatrejo; daily data water level (before floodway) at Bojonegoro, Babat, dan Bendung Gerak Babat,
and daily data at Babat Weir discharge as seven input neurons while daily data water level after floodway
(1+300 section) as an output neuron. The architecture has used to forecast water level at downstream
Bengawan Solo when Babat Weir discharge in condition highest, lowest, between of them with training
function using Leverberg-Marquardt (TRAINLM) and activate function using tansig and purelin. Training
phase using 1000 epochs, 2000 epochs, and 3000 epochs with maximum validation check same as its epochs.
The most appropriate training from the three epoch were compared to choose the best model. Their result
indicated that 2000 epochs is the best result to predict water level at downstream Bengawan Solo with Mean
Sequent Error (MSE) 0,0250 and Relative Error (RE) 4,067% at training phase and MSE 0,0060 and RE
2,228 % at simulate phase. Based on analysis approach rating curve, widening floodway of 150 m will
capable to reduce discharge until 39%.
Keywords: Artificial Neural Network, Matlab R2010a, Floodway, Water Level, Discharge
A. PENDAHULUAN
Wilayah Sungai Bengawan Solo
Hilir hampir setiap tahunnya terjadi
banjir khususnya Kabupaten Gresik,
Lamongan, Bojonegoro dan Tuban.
Sudetan banjir (floodway) Plangwot
Sedayu Lawas sepanjang 12,4 km dengan
kapasitas pengaliran debit 640 m3/dt
belum berhasil mengatasi banjir di hilir
Bengawan Solo. Banjir yang terjadi
disebabkan oleh ketidakmampuan sungai
dalam mengalirkan debit banjir yang
terjadi serta berkurangnya kemampuan
dari fasilitas pengendali banjir seperti
floodway dan beberapa tampungan yang
telah di-bangun. Berdasarkan data dari
Balai Besar Wilayah Sungai Bengawan
Solo, kapasitas alur Sungai Bengawan
Solo Hilir adalah 1450 m3/dt–1800 m3/dt.
Berdasarkan master plan jangka
pendek Provinsi Jawa Timur, kapasitas
pengaliran floodway dengan debit semula
640 m3/dt akan dinaikkan menjadi 2800
m3/dt dengan asumsi dapat mengalirkan
Q50. Peningkatan kapasitas tersebut di-
lakukan dengan kajian hidrolik uji model
fisik dengan alternatif pelebaran pada
floodway 100 m, 125 m, dan 150 m.
Namun, master plan tersebut belum
jelas waktu penuntasaanya, sedangkan
kejadian banjir di Bengawan Solo hilir
setiap tahunnya terulang kembali. Pada
Februari 2016 ketinggian air di Babat,
Laren, Karanggeneng, dan Lamongan
masing-masing 7,28 meter (siaga II), 5,10
meter (siaga I), 3,80 meter (siaga II) dan
1,67meter (siaga II).
Tujuan dari penelitian ini adalah
melakukan analisis pemodelan tinggi
muka air dengan metode Jaringan Syaraf
Tiruan (Artificial Neural Network) meng-
gunakan pola data curah hujan, tinggi
muka air, dan debit untuk memperkirakan
tinggi muka air Bengawan Solo hilir
sebagai upaya peringatan dini banjir.
B. METODE
Jaringan Syaraf Tiruan (JST) adalah
paradigma pemrosesan suatu informasi
yang terinspirasi oleh sistem sel syaraf
biologi manusia, yang memproses suatu
informasi. (Siang, 2005:3). Keberhasilan
suatu proses belajar JST ditunjukkan
dengan besarnya error yang minimum.
Proses belajar pada jaringan syaraf tiruan
ditunjukkan dengan perubahan bobot
penghubung anatar sel jarangan syaraf.
Implementasi jaringan syaraf tiruan
dilakukan dengan perangkat keras atau
komputer (Hermawan, 2006:15).
Analisis pemodelan tinggi muka air
dalam studi ini dilakukan dengan Metode
JST backpropagation dengan bantuan
toolbox Matlab R2010a. Metode yang
digunakan dalam pelatihan (training) dan
pengujian (testing) adalah Levenberg-
Marquardt (LM)
Prosedur pengolahan data dalam
studi ini adalah sebagai berikut:
1. Pengumpulan Data
Data-data yang diperlukan dalam
penelitian ini berupa data time series
dan hasil pengukuran yaitu:
a. Data harian curah hujan di
Stasiun Hujan Babat, Lamongan,
Pangkatrejo; dan tinggi muka air
di Bengawan Solo hilir, Bendung
Gerak Babat, Babat, Bojonegoro,
yang diperoleh dari Dinas PU
Pengairan Lamongan.
b. Data debit output Bendung Gerak
Babat Lamongan yang diperoleh
dari Perum. Jasa Tirta I
c. Data kondisi penampang dan
hidrolika hasil pengukuran Uji
Model Fisik Hidrolik Plangwot
Sedayu Lawas yang diperoleh
dari Laboratorium Sungai dan
Rawa Teknik Pengairan Univer-
sitas Brawijaya.
2. Pengolahan Data Input
Sebelum dilakukan analisis tinggi
muka air dengan metode JST, maka
dilakukan pengujian statistik sebagai
berikut:
a. Data curah hujan harian tahun
2004-2014
Analisis data curah hujan
yang hilang
Uji konsistensi dengan metode
kurva massa ganda
Uji Ketidakadaan trend
Uji Stasioner
Uji Persistensi
b. Data debit harian tahun 2010-
2014
Uji Ketidakadaan trend
Uji Stasioner
Uji Persistensi
3. Pengolahan Data menggunakan
Toolbox Matlab R2010a
Pengolahan data dilakukan dengan
tahapan berikut:
a. Pembagian Data (Load Data)
Data input merupakan data
curah hujan harian dan data
debit setelah dilakukan uji
statistik hidrologi, serta data
tinggi muka air harian, pada
tahun 2011-2014.
Data testing merupakan data
yang diambil secara acak
berdasarkan nilai debit pada
dua tahun terakhir dengan
range 1000 m3/dt -2000 m3/dt,
range 500 m3/dt - 800 m3/dt
dan range 15 m3/dt - 50 m3/dt
dengan jumlah masing-masing
10 data untuk setiap range.
Data target merupakan tinggi
muka air harian pada tahun
2011-2014 di Bengawan Solo
Hilir.
b. Perancangan Arsitektur Jaringan
Untuk mendapatkan nilai output
jaringan sesuai yang ditargetkan
maka, nilai input ditransformasi
terlebih dahulu sesuai dengan
range pada fungsi aktivasi yang
digunakan (Hermawan: 2006,99)
Perancangan arsitektur (7-8-1)
Metode pembelajaran ter-
awasi Backpropagation)
Tiga kali pelatihan dengan
1000 epochs, 2000 epochs,
dan 3000 epochs
Metode error output MSE
Pelatihan data (training) di-
lakukan dengan menggunakan
tujuh input layers yang berupa
tinggi muka air Bojonegoro,
Babat, Bendung Gerak Babat;
curah hujan Babat, Lamongan,
Pangkatrejo; debit Bendung
Gerak Babat.
c. Adaptasi Nilai Output
Adapt dalam toolbox Matlab yaitu
pengembalian nilai hasil output
jaringan yang telah ditransformasi
menjadi output jaringan sesuai
dengan range nilai yang ditarget-
kan
Gambar 1 Arsitektur Backpropagation
Sumber: Hermawan (2006:40)
Pengolahan JST backpropagation
adalah sebagai berikut (Siang, 2004:100):
1. Setiap unit masukan (Chi, Hi, Qi,
i=1,2,..,n) menerima sinyal-sinyal
masukan Chi, Hi, dan Qi mengirimkan
sinyal - sinyal ini ke unit - unit
selanjutnya (unit - unit tersembunyi).
2. Setiap unit tersembunyi (zj, j =1,2,.,p)
menjumlahkan sinyal-sinyal bobotnya
dan menerapkan fungsi aktivasi untuk
menghitung sinyal output:
zj = f (z_net j) (1)
lalu mengirimkannya pada semua unit
lapis lapis keluaran.
3. Setiap unit keluaran (yt, t =1,2,.., m)
menjumlahkan sinyal masukan dari
bobot dan menerapkan fungsi aktivasi
untuk menghitung sinyal output:
yt = f (y_net t) (2)
4. Sinyal output yang telah didapatkan
akan disimpan kemudian dilanjutkan
dengan tahap perhitungan kesalahan
berdasarkan perambatan balik dari
lapis output ke lapis tersembunyi lalu
ke lapis input.
5. Pada setiap unit keluaran (yt, k = 1,
2,,, m) menerima suatu pola keluaran
target yang berhubungan dengan pola
masukan pelatihan, untuk menghitung
informasi kesalahannya,
δt = (tt – yt) f’(yt) (3)
6. Kemudian menghitung besar koreksi
bobotnya (untuk memperbaiki wkj):
Δ wkj = δk zj (4)
7. Selanjutnya menghitung besar koreksi
biasnya (yang akan digunakan untuk
memperbaiki btj)
Δbtj = α δt (5)
dan mengirimkan δk ke unit-unit lapis
tersembunyi.
8. Pada setiap unit tersembunyi (zj, j =
1, 2…, p) dilakukan penjumlahan dari
masukan deltanya (dari unit-unit lapis
keluaran). Kemudian hasil ini akan
digunakan untuk menghitung besar
informasi kesalahannya,
δj = δ_net j f’(z_net j) (6)
9. Kemudian menghitung besar koreksi
bobotnya (untuk memperbaiki vji),
Δ vji = α δj xi (7)
10. Menghitung koreksi biasnya (untuk
memperbaiki bji),
Δ bji = α δj (8)
11. Proses perbaikan bobot dan bias dari
unit input dan unit tersembunyi.
12. Masing-masing unit keluaran yt, (t =
1, 2,…, m) dilakukan perbaikan bobot
dan biasnya :
wtj (baru) = wtj (lama) + Δwtj (9)
vji (baru) = vji (lama) + Δ vji (10)
13. Masing-masing unit tersembunyi
(zj, j = 1, 2, …, p) diperbaiki bobot
dan biasnya :
wji (baru) = wji (lama) + Δ wji (11)
bji (baru) = bji (lama) + Δ bji (12)
Proses berhenti pada saat koreksi
kesalahan mencapai minimum
Gambar 2 Arsitektur Backpropagation
dalam Analisis Tinggi Muka Air
Secara garis besar tahapan pen-
selesaian skripsi adalah sebagai berikut:
1. Pengumpulan data-data hujan, tinggi
muka air, debit dan topografi sungai
Bengawan Solo Hilir.
2. Pengujian statistik terhadap data
curah hujan dan debit.
3. Analisis pemodelan tinggi muka air
dengan Matlab R2010a.
4. Analisis kesesuaian tinggi muka air
output jaringan dengan nilai tinggi
muka air yang ditargetkan.
5. Analisis perhitungan tinggi muka air
Bengawan Solo Hilir akibat adanya
pelebaran floodway.
C. ANALISA DAN PEMBAHASAN
Data hidrologi yaitu curah hujan
tahunan mulai Tahun 2004-2014 dan data
debit tahunan dilakukan mulai Tahun
2011-2014 yang diperoleh dari data
pengukuran di lapangan diuji statistik
sebelum digunakan sebagai data input
untuk analisis tinggi muka air di Sungai
Bengawan Solo hilir. Uji tersebut adalah
uji konsistensi (Soemarto, 1987:39),
ketidakadaan trend, uji stasioner dan uji
persistensi (Soewarno, 1995:87).
Berdasarkan hasil Uji Statistik data
hidrologi dapat disimpulkan bahwa:
- Data tidak menunjukkan adanya trend
- Bersifat stasioner, varian data dan rata-
ratanya homogen
- Bersifat independen (acak).
Maka, data deret berkala tersebut
selanjutnya dapat dilakukan digunakan
untuk analisis lanjutan.
Gambar 3 Hasil Analisis Uji Statistik
terhadap data Hidrologi
Proses pelatihan dalam pemodelan
arsitektur JST untuk analisis tinggi muka
air menggunakan jenis pembelajaran
Feed Forward Backpropagation dengan
fungsi pelatihan Leverberg-Marquardt
(TRAINLM), fungsi perubahan bobot
LEARNGDM dan fungsi perhitungan
error MSE. Jumlah neuron dalam input
layer adalah 7 dengan jumlah neuron
hidden layer n+1 yaitu 8 dengan fungsi
aktivasi sigmoid bipolar (TANSIG) pada
hidden layer (layer 1) dan fungsi aktivasi
identitas (PURELIN) pada output layer
(layer 2) pada toolbox NNTool Matlab
R2010a. Dengan bentuk pemodelannya
adalah sebagai berikut:
Arsitektur jaringan dari lapisan input
ke lapisan tersembunyi:
zj = f1 (vj0 + ) (13)
Arsitektur jaringan dari lapisan
tersembunyi ke lapisan keluaran:
yk = f2 (wk0 + ) (14)
Dalam pemodelan tinggi muka air,
untuk memperoleh hasil yang paling baik
maka dilakukan tiga kali pelatihan yaitu,
1000 epochs, 2000 epochs, dan 3000
epochs. Berikut merupakan hasil analisis
tinggi muka air dengan Metode JST
menggunakan Matlab R2010a.
Hasil Training Pemodelan Tinggi
Muka Air dengan 1000 epochs:
Gambar 4 Plotting MSE dan epoch opt.
Sumber: Matlab R2010a
Gambar 5 Plotting Training State
Sumber: Matlab R2010a
Gambar 6 Plotting Regression Output
dengan Target
Sumber: Matlab R2010a
Hasil Training Pemodelan Tinggi
Muka Air dengan 2000 epochs:
Gambar 7 Plotting MSE dan epoch opt.
Sumber: Matlab R2010a
Gambar 8 Plotting Training State
Sumber: Matlab R2010a
Gambar 9 Plotting Regression Output
dengan Target
Sumber: Matlab R2010a
Hasil Training Pemodelan Tinggi
Muka Air dengan 3000 epochs:
Gambar 10 Plotting MSE dan epoch opt.
Sumber: Matlab R2010a
Gambar 11 Plotting Training State
Sumber: Matlab R2010a
Gambar 12 Plotting Regression Output
dengan Target
Sumber: Matlab R2010a
Berikut merupakan hasil analisis
pemodelan tinggi muka air dengan tiga
pelatihan yang berbeda (1000 epochs,
2000 epochs, 3000 epochs) yang ditabel-
kan sebagai berikut:
Tabel 1 Hasil Analisis pada Tahap
Training Epoch
Epoch
Opt
Valid.
Check Time MSE MAE MAPE
(%)
KR
(%)
1000 12 988 0:01:4 0.244 0.104 10.41 42.285
2000 11 1989 0:01:3 0.256 0.109 10.93 41.984
3000 21 2879 0:03:1 0.248 0.049 4.93 43.092
Sumber: Hasil Perhitungan
Tabel 2 Hasil Analisis pada Tahap
Adaptation Epoch
Epoch
Opt
Valid.
Check Time MSE MAE
MAPE
(%)
KR
(%)
1000 12 988 0:01:4 0.029 0.096 9.56 4.887
2000 11 1989 0:01:3 0.025 0.070 7.04 4.067
3000 21 2879 0:03:1 0.030 0.101 10.14 5.324
Sumber: Hasil Perhitungan
Tabel 3 Hasil Analisis pada Tahap
Simulate atau Testing Epoch
Epoch
Opt Valid.
Check Time MSE MAE
MAPE
(%)
KR
(%)
1000 12 988 0:01:4 0.008 0.062 6.18 2.298
2000 11 1989 0:01:3 0.006 0.062 6.23 2.228
3000 21 2879 0:03:1 0.013 0.084 8.45 3.206
Sumber: Hasil Perhitungan
Berdasarkan dari tahapan-tahapan
yang dilakukan (training, adaptation,
testing) dari tiga pemodelan arsitektur
jaringan didapatkan pemodelan jaringan
yang optimal pada arsitektur jaringan
dengan epochs 2000.
Dari hasil Uji Model Fisik pada
Laboratorium Sungai dan Rawa Jurusan
Teknik Pengairan pada section 0+500
dari floodway Plangwot Sedayu Lawas
Lamongan didapatkan hubungan elevasi
dan debit untuk kondisi eksisting.
Tabel 4 Lengkung Debit Section 1+300
No
h (m)
A (gambar)
(m²)
n
P (gambar)
(m)
S
R (m)
V (m/dt)
Q (m³/dt)
1 2 3 4 5 6 7 8 9
1 0 0 0 0 0 0 0 0
2 0.5 25.104 0.025 65.402 0.00031 0.384 0.372 9.338
3 1 58.751 0.025 69.329 0.00031 0.847 0.631 37.053
4 1.5 94.278 0.025 73.206 0.00031 1.288 0.834 78.595
5 2 131.681 0.025 77.094 0.00031 1.708 1.006 132.515
6 2.5 170.965 0.025 81.011 0.00031 2.110 1.159 198.103
7 3 212.155 0.025 84.943 0.00031 2.498 1.296 275.050
8 3.5 252.059 0.025 88.491 0.00031 2.848 1.415 356.707
9 4 297.113 0.025 93.529 0.00031 3.177 1.522 452.181
10 4.5 344.674 0.025 98.703 0.00031 3.492 1.621 558.729
11 5 394.403 0.025 102.327 0.00031 3.854 1.731 682.833
12 5.5 445.810 0.025 105.817 0.00031 4.213 1.8371 819.006
13 6 499.125 0.025 110.439 0.00031 4.520 1.9252 960.892
14 6.5 554.812 0.025 115.350 0.00031 4.810 2.0067 1113.368
15 7 612.674 0.025 119.341 0.00031 5.134 2.0959 1284.094
16 7.5 672.414 0.025 123.222 0.00031 5.457 2.1829 1467.833
17 8 733.950 0.025 126.799 0.00031 5.788 2.2704 1666.381
Sumber: Hasil Perhitungan
Gambar 13 Lengkung Debit Section
1+300 Kondisi Eksisting
Sumber: Hasil Perhitungan
Perhitungan debit dilakukan dengan
pendekatan Rating Curve pada section
1+300 dengan nilai tinggi muka air yang
merupakan output dari data yang diujikan
dengan Jaringan Syaraf Tiruan. Berikut
merupakan tabel hasil perhitungan debit
di Sungai Bengawan Solo Hilir.
Tabel 5 Hasil Analisis Perhitungan Debit
di Sungai Bengawan Solo Hilir Kondisi
Eksisting
Tanggal TMA
(m)
DEBIT
(m3/dt)
Tanggal
TMA
(m)
DEBIT
(m3/dt)
1/31/2013 4.99 799.98
12/28/2013 2.55 292.09
2/11/2013 2.72 328.43
1/7/2014 5.00 801.37
2/18/2013 5.54 913.77
1/12/2014 2.56 294.47
3/1/2013 4.31 657.47
2/24/2014 4.52 701.09
3/9/2013 3.19 425.08
2/28/2014 2.67 316.88
3/20/2013 4.34 664.40
3/22/2014 2.70 322.63
3/22/2013 3.23 432.78
4/11/2014 2.86 356.29
4/1/2013 2.86 355.92
4/16/2014 4.22 638.75
4/11/2013 5.69 944.66
6/10/2014 1.97 171.10
4/25/2013 2.72 327.12
6/13/2014 1.95 167.06
5/4/2013 1.81 138.60
6/14/2014 1.96 169.35
5/5/2013 1.80 137.02
6/15/2014 1.97 171.93
5/6/2013 1.88 152.45
6/16/2014 1.97 171.53
12/20/2013 5.78 962.56
6/17/2014 1.97 171.74
3/20/2014 4.71 742.20
6/18/2014 1.95 166.86
Sumber: Hasil Perhitungan
Kapasitas alur Bengawan Solo Hilir
adalah 1800 m3/dt. Berdasarkan analisis
perhitungan yang pernah dilakukan pada
tahun 2014 didapatkan debit banjir
rancangan untuk Bengawan Solo hilir
adalah Q50= 2889,91 m3/dt dengan Q1000=
3615,97 m3/dt.
Hasil perhitungan tersebut dijadikan
dasar dalam perencanaan peningkatan
kapasitas debit pengaliran pada floodway
dengan tiga alternatif pelebaran floodway
yaitu pelebaran 100m, 125m, dan 150m.
Debit banjir rancangan tersebut kemudian
dimodelkan di Laboratorium Sungai dan
Rawa Teknik Pengairan Universitas
Brawijaya pada tahun 2014 dengan debit
pengaliran 2800 m3/dt, 3500 m3/dt, dan
3700 m3/dt. Analisis perhitungan peng-
aliran di Bengawan Solo mengacu pada
hasil Uji Model Fisik pada Tahun 2014
yang kemudian dibandingkan dengan
hasil pendekatan dengan rating curve
pada section 1+300
Tabel 6 Rekapitulasi Analisis Pengaliran
di Bengawan Solo Hilir
Hasil Uji Model Fisik
No Q Hulu
(m3/dt) Kondisi
Pelebaran Floodway
100m
Pelebaran Floodway
125m
Pelebaran Floodway
150m
Elevasi
Hilir
(m)
Q
(m3/dt)
Elevasi
Hilir
(m)
Q
(m3/dt)
Elevasi
Hilir
(m)
Q
(m3/dt)
1 2800 Pintu
terbuka
6.94 1587.02 6.79 786.55 6.72 671.73
2 3500 7.48 2101.24 7.63 938.43 7.35 591.75
3 3700 7.67 2085.42 7.80 1202.23 7.72 497.66
4 2800 Pintu
tertutup
7.03 2133.02 7.00 1644.91 6.72 1228.49
5 3500 7.58 2629.05 7.58 1944.88 7.68 1417.66
6 3700 7.40 2872.66 7.75 2197.06 7.64 1501.52
Sumber: Hasil Analisis Model Fisik,2014
Tabel 7 Rekapitulasi Analisis Pengaliran
di Bengawan Solo Hilir
Hasil Pendekatan Rating Curve
No. Q Hulu
(m3/dt) Kondisi
Pelebaran Floodway
100m
Pelebaran Floodway
125m
Pelebaran Floodway
150m
Elevasi
Hilir
(m)
Q
(m3/dt)
Elevasi
Hilir
(m)
Q
(m3/dt)
Elevasi
Hilir
(m)
Q
(m3/dt)
1 2800 Pintu
terbuka
8.51 1587.02 4.87 786.55 4.35 671.73
2 3500 10.84 2101.24 5.56 938.43 3.99 591.75
3 3700 10.77 2085.42 6.76 1202.23 3.56 497.66
4 2800 Pintu
tertutup
10.98 2133.02 8.77 1644.91 6.88 1228.49
5 3500 13.23 2629.05 10.13 1944.88 7.74 1417.66
6 3700 14.34 2872.66 11.27 2197.06 8.12 1501.52
Sumber: Hasil Perhitungan
Tabel 8 Rekapitulasi Elevasi Rerata di
Bengawan Solo Hilir
Kondisi
Elevasi Rerata (m)
Hasil Uji Model Fisik
Elevasi Rerata (m)
Hasil Pendekatan Rating Curve
KP 100
m
KP 125
m
KP 150
m
KP 100
m
KP 125
m
KP 150
m
Pintu Terbuka 7.36 7.41 7.26 10.04 5.73 3.97
Pintu Tertutup 7.34 7.44 7.34 12.85 10.06 7.58
Sumber: Hasil Perhitungan
Keterangan:
KP : Kondisi Pelebaran
Berikut merupakan kurva pengaruh
pelebaran floodway terhadap elevasi
Bengawan Solo hilir dalam kondisi inlet
terbuka dan tertutup berdasarkan hasil
analisis dengan rating curve pada section
1+300.
Gambar 14 Pengaruh Pelebaran
Floodway pada Elevasi Muka Air
Bengawan Solo Hilir Kondisi Inlet
Floodway Terbuka
Sumber: Hasil Perhitungan
Gambar 15 Pengaruh Pelebaran
Floodway pada Elevasi Muka Air
Bengawan Solo Hilir Kondisi Inlet
Floodway Tertutup
Sumber: Hasil Perhitungan
Berdasarkan debit banjir rancangan
yang telah dimodelkan dengan debit
pengaliran 2800 m3/dt, 3500 m3/dt, dan
3700 m3/dt dapat disimpulkan bahwa
pelebaran floodway menjadi 150m adalah
kondisi terbaik dalam mereduksi banjir
Karena debit yang mengalir ke Bengawan
Solo Hilir dapat diturunkan rata-rata
sebesar 39 %. Sungai Bengawan Solo
hilir mempunyai kapasitas pengaliran
debit maksimum sebesar 1800 m3/dt pada
elevasi +9,4 m.
D. KESIMPULAN
Berdasarkan hasil analisis yang telah
dilakukan sesuai dengan rumusan
masalah pada studi ini, maka disimpulkan
beberapa hal sebagai berikut:
1. Pemodelan arsitektur jaringan yang
digunakan dalam analisis tinggi
muka air di Bengawan Solo hilir
adalah sebagai berikut:
Pola arsitektur jaringan adalah
(7-8-1): Jumlah neuron pada input
layer adalah 7 (x1, x2, x3, x4, x5, x6,
x7), jumlah neuron pada hidden
layer adalah 8 (z1, z2, z3, z4, z5, z6,
z7, z8 ), dan jumlah neuron pada
output layer adalah 1 (yt).
Pemodelan arsitektur jaringannya
dari input layer ke hidden layer:
zj = f1 (vj0 + )
dari hidden layer ke output layer:
yk = f2 (wk0 + ).
Pemodelan perubahan bobot dari
hidden layer ke output layer:
wkj (baru) = wkj (lama) + ∆wj
Pemodelan perubahan bobot dari
input layer ke hidden layer:
vji (baru) = vji (lama) + ∆ji. 2. Keakuratan kemampuan jaringan
syaraf tiruan dalam meramalkan suatu
data dapat diketahui dari besarnya
kesalahan relative (KR) dan nilai
mean square error (MSE) yang
diperoleh dari proses tersebut. Ber-
dasarkan hasil analisis pemodelan
JST, training dengan 2000 epochs
mempunyai kesesuaian yang paling
baik dengan nilai KR = 4,067 % dan
MSE = 0,0250 pada tahap pelatihan
dan nilai KR = 2,228% dan MSE =
0,0060 pada tahap pengujian. 3. Berdasarkan analisis tinggi muka air
dengan Metode JST, ketinggian muka
air rata-rata Sungai Bengawan Solo
hilir adalah sebagai berikut:
a. Inlet floodway dibuka penuh pada
kondisi:
Pelebaran 100m = +10,04m
Pelebaran 125 m = +5,73 m
Pelebaran 150 m = +3,97 m
b. Inlet floodway tertutup pada kon-
disi:
Pelebaran 100 m = +12,85 m
Pelebaran 125 m = +10,06 m
Pelebaran 150 m = + 7,58 m
Kondisi terbaik dalam mereduksi
banjir adalah dengan melakukan
normalisasi lebar floodway menjadi
150 m. Dengan pelebaran ini, debit
yang mengalir ke Bengawan Solo
hilir dapat diturunkan rata-rata 39 %.
E. SARAN
Berdasarkan analisis tinggi muka air
dengan metode Jaringan Syaraf Tiruan
maka disarankan mengenai beberapa hal
berikut:
1. Hasil analisis tinggi muka air dengan
metode Jaringan Syaraf Tiruan dapat
dijadikan masukan untuk perencanaan
normalisasi infrastruktur pengendali
banjir Sungai Bengawan Solo Hilir.
2. Analisis yang digunakan saat training
dapat diperluas dengan menggunakan
metode-metode yang lain sehingga
perbandingan hasil output jaringan
dengan output yang ditargetkan lebih
akurat.
3. Analisis proporsionalitas pembagian
debit kondisi pelebaran di floodway
dan Bengawan Solo hilir dapat di-
kembangkan dengan data-data yang
mendukung pencatatan harian tinggi
muka air di floodway sehingga akan
didapatkan keakuratan dari proporsi
pembagian debit.
DAFTAR PUSTAKA
Anonim. 2014. Kerangka Acuan Kerja
Survey Investigation Detail
Engineering Desain (DED) dan
Model Test Penambahan
Kapasitas Floodway Plangwoot
Sedayu Lawas Kabupaten
Lamongan. Surabaya: Dinas PU.
Pengairan Provinsi Jawa Timur
Hermawan, Arief. 2006. Jaringan Syaraf
Tiruan (Teori dan Aplikasi).
Yogyakarta: Andi Offset
Siang, J.J. 2005. Jaringan Syaraf Tiruan
dan Pemrogramannya
menggunakan Matlab.
Yogyakarta: Andi Offset
Soemarto, CD. 1999. Hidrologi Teknik.
Surabaya: Usaha Nasional.
Soewarno, 1995. Hidrologi (Aplikasi
Metode Statistik untuk Analisa
Data). Bandung: Nova