Analisis Tinggi Muka Air Bengawan Solo Hilir Akibat Adanya

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


Gambar 6 Plotting Regression Output

dengan Target









dengan Target









dengan Target


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


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



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


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


Gambar 13 Lengkung Debit Section

1+300 Kondisi Eksisting


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


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


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


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


Gambar 15 Pengaruh Pelebaran

Floodway pada Elevasi Muka Air

Bengawan Solo Hilir Kondisi Inlet

Floodway Tertutup


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


b. Inlet floodway tertutup pada kon-

disi:



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

Documents

Analisis Tinggi Muka Air Bengawan Solo Hilir Akibat Adanya