BABI.

PENDAHULUAN
Balai Besar Wilayah Sungai (BBWS) Bengawan Solo berdasarkan
PERMENPU Nomor : 11A/PRT/M/2006, mempunyai wilayah kerja Bengawan Solo.
BBWS mengelola sistem hidrologi dan penyelenggaraan data dan informasi sumber
dayaair.SalahsatufungsiBBWSadalahmencatatketinggianmukaairdisetiapstasiun
pemantauJurug,Napel,CepuBojonegorodanBabat.Datamukaairadalahpengukuran
parameteruntukmengetahuidebitairmelaluiperhitunganmenggunakanrumustertentu
yangsudahditera.
Runtun debit air merupakan data deret waktu multivariat, sehingga dapat
dilakukan prakiraan. Analisis regresi model debit air sungai dapat dilakukan dengan
pemodelanperiodesitasdananalisisspectralmenggunakansistempakarberbasisaturan
logikafuzzy[7].Metodeberbasispendekatanstatistikmemerlukandatahistorisyang
sangatbesar[3].Modelinimenganggapdatasebagaifungsistasioner,sehinggasuatu
dataabnormalsebagaidatayangtidaksah.
Suatu kasus komplek yang tidak dapat diformulasikan secara eksplisit,
hilangnyasensitivitaskarenapendekatanyangtidaktepatatauketikaterjadigangguan
maka dapat menggunakan pendekatan Jaringan Syaraf Tiruan (JST) [3][4][12].
Prakiraan dengan metode JSTmempunyaikeuntunganlebihakuratdibandingdengan
metodeyangberbasisstatistik.
Prakiraan debit sungai melibatkan banyak parameter dengan tingkat
ketidakpastiantinggi(tidaklinier).JSTtelahterbuktimampumenemukanrelasiinternal
antaradatainputoutputmeskipunhubungantidakdinyatakansecaraeksplisit.Pemetaan
hubungan inputoutput melalui pembelajaran. Kelemahan metode JST merupakan
rangkaianblackbox yanghasilekstraksitersebuttidakdapatdijelaskansecaralogika
matematika[3].
1
Sistemprakiraansangatdiperlukanuntukmelihatkemungkinankemungkinan
perubahankondisidebitBengawanSolopadawaktuyangakandatang.Pengkajiandebit
dan perkiraan ke masa yang akan datang adalah kegiatan memprakirakan sebagai
peringatandini(earlywarning).
2
3
BABII.TINJAUANPUSTAKA
Prakiraan data runtun waktu saat k adalah memperkirakan nilai saat k+1 [8].
Modelstasionermerupakansalahsatumodelstokastikuntukmenjelaskanruntunwaktu
yangmempunyaireratakonstan.ModelAutoRegresiveMovingAverageARMA(p,q)[2]
( ) ( ) ( ) k n b k n y a n y
q
k
k
p
k
k

0 1
, (2.1)
dengan y = nilai prediksi, a b = operator value dan = derau digunakan untuk
menyatakan runtun waktu. Prakiraan nilai yang akan datang y
k+l
dengan cara
penjumlahanberbobot(w)takhinggaimpulssekarangdansebelumnya[8],yaitu:
j l k
j
j
l k
j
j j l k l k
x w x w y
+

+

+ +

0
(2.2)
Penjumlahanmasukan(X
k
)dankeluaran(Y
k
)menggunakanmetodeJST

,
_

,
_

+ +


N
k
jk
N
j
N
j
ij i
N
k
k
W W X b f b f Y
1 1 1
1 1
1
2 2
. (2.3)
pada lapisan tersembunyi menggunakan fungsi aktivasi [11] sigmoid bipolar
( ) ( ) [ ] 1 x exp 1 2/ x f +
, fungsi linier untuk lapisan keluaran dan b = bias.
Pelatihan menggunakan algoritma Backpropagation tipe Levenberg Marquardt [5][9]
[11]. Langkah maju dengan cara menghitung Y
k
. Kedua, galat (
k

) sebagai selisih
keluaran dan target (
k
t
) yaitu
( )
k k k
Y t
, dengan chain rule turunanbobot Yk
j k
jk
Z

danbobottersembunyiZjadalah i j
ij
X

.Ketiga,pembaruan
bobotdengan j k jk
Z W
dan i j ij
X W
.
Jika Wij, Wjk, merupakan elemen matrik, bobot W ditulis
[ ]
2 1
b W b W W
jk ij

. Turunan galat dan bobot diperoleh dari perambatan

balikgalat,sehinggamatrikbobotantarneuronJSTditulisdalamaturanJaccobian
( )
1
1
]
1

1 2
J
b

W
k
ij
k k
jk
k
. (2.4)

4
Matriks Hessian (H) (turunan kedua bobot dan bias) dihitung dengan
( ) ( ) ( ) [ ] I W J W J W H +
T
,

= momentum dan I = matrik identitas. Perubahan

vektorbobotdanbiasdihitungdengan ( ) [ ] ( ) ( ) W W J W H W
T 1
. Perbaikanbobot
danbiasbarudihitungdengan
( ) ( ) W W W + lama baru
.
Prapengolahan untuk memperoleh periodesitas data dilakukan dengan
alihragamfourier.Sebelumalihragam,windowingmenggunakanHamming[1][7].
( )
( )
1
]
1

M
n M
n W
hamm

cos 46 . 0 54 . 0
,n=0,1,2,M (2.5)

1 - N
0 = n
kn
N
x[n].W
N
1
= ] X[k
,k=0,1,K1 (2.6)
Penapisanfrekuensi
( ) ( ) ( ) k n k h k h
dengantapisFIRdari window tipeHamming
( ) ( ) ( ) k h k w k h
BP

padakawasanwaktu,menghasilkanruntuny(n)
( ) ( ) ( )

+


M
M k
k n x k h n y
,dan (2.7)
( )
( ) ( ) ( ) ( )
( )
( )

'

n
n
n
n n
k h
c c
c c
BP
,
,
sin sin
1 2
1 2
(2.8)
Denganh[k]filterFIR,x[n]masukanisyarat,Mbatasfilter,lpanjangfilter,h
BP
filter
idealbandpass,w[k]fungsiwindow,cfrekuensicutoff,dan pergeseran.
BABIII.METODEPENELITIAN
Survai dilakukan untuk mengetahui gambaran sesungguhnya agar diskripsi
penelitian tepat. Kajianliteratur dilakukanuntukmemperolehdatalaporanterdahulu,
datahidrologidandatakhususketinggianmukaair.Langkahlangkahpenelitianadalah:
3.1. AnalisisPraPengolahanData
Datadebitdigaliinformasiadanyaperiodesitassiklus.Datadihitungreratatiap
tahun untuk mengetahui stasioneritas sebagai syarat regresi. Sifat periodis data

5
ditemukan dengan melakukan alihragam dari kawasan waktu ke kawasan frekuensi.
Untuk keperluan alihragam fourier maka isyarat runtun waktu dilakukan windowing
dengan tipe Hamming. Penapisan isyarat dilakukan hanya untuk mendapatkan
periodesasinya saja. Dari hasil periodesasi dapat diketahui kapan waktunya terjadi
sehingga dapat ditentukan pula debit prakiraan yang akan datang. Hasil periodesasi
isyarattersebutdigunakanuntukmenentukannilaidebitaslipadaisyarattersebut.
3.2. PenyiapanDataPelatihandanPengujian
Penyiapandatapelatihanmenggunakan80%dariseluruhdataJurugdan20%
sisanya digunakan untuk pengujian. Masukan sistem prakiraan sebagaidata latih dan
datapengujianmenggunakandatahasilperiodesasi.
3.3. PerancanganProgramJST
Program dibuat menggunakan bahasa Matlab. Pengkodean meliputi program
prapengolahandan programprakiraandebit.PerancanganJSTdibagimenjadiempat
tahap yaitu penentuan struktur jaringan, jumlah neuron pada lapis masukan, lapis
tersembunyi, lapiskeluaran, momentum,pesatbelajar,danbobotjaringan.Penentuan
jumlah neuron lapis tersembunyi optimum dilakukan dengan memberikan jumlah
neuronkecilterlebihdahuludanmemperhatikanminimumMSE.Penentuannilaipesat
belajar optimum dengan cara mencobacoba nilai parameter yang diubah. Penentuan
bobotjaringandanmomentumoptimumdengancaramencarinilaiyangtepatsehinga
persentasekesalahanpalingkecil,akurasipalingbaikdanmencapaikonvergen.
3.4. PembelajaranJST
JST dilatih menggunakanpembelajaranBPLM,parameterditetapkandengan
cobacoba. Pembelajaran dijalankan sampai mencapai iterasi maksimum epoch dan
MSEcukupkecil.Setelahpembelajaranberhentidanmemberikanhasilpembelajaran,
bobotyangdisimpanakandigunakansebagaibobotsaatmelakukanpengujian.

6
3.5. PengujianProgramJST
Pengujian dilakukan untuk mengetahui kemampuan jaringan melakukan
generalisasi pola yang diberikan. Pengujian dilakukan dengan menerapkan fase maju
perambatanbalik.Pengujiandilakukandenganmemberikandatainputberupasatuset
datayangtidakdilibatkandalamprosespembelajaran.Pengamatandilakukanpadadata
target,keluaranaktual,persentasekesalahandanakurasi.
3.6. PrakiraanDebit
Prakiraandilakukanpadaperiodedengandebitbanjirdanpadaperiodedengan
debit kering. Prakiraan debit dilakukan menggunakan frekuensi long term, frekuensi
mediumterm,danfrekuensishortterm.Prakiraan7datakedepanuntuksetiapperiode.
Pembuktianhasildengancaramembandingkandengandatadebitjurugasli.
BABIV.HASILPENELITIANDANPEMBAHASAN
4.1. PraPengolahanData
Prapengolahan isyarat untuk menemukanperiodesasi debit Jurug Bengawan
Solo.WindowingmenggunakanHammingyaitu2
12
daridebitJurug5479.
Gambar 4.1. HasilwindowingpadaisyaratJurug
Windowing dengan panjang 4096 untuk memenuhi syarat FFT. Alihragam

7
fourier untuk menemukan komponenkomponen frekuensi yang terkandung dalam
isyarat debit. Frekuensifrekuensi yang ditemukan menggambarkan periodesasi data
tertentuyangmunculsecaraperiodissesuaidenganfrekuensinya.
Gambar 4.2. FrekuensipadaisyaratJurug
PencatatandatafrekuensihasilFFTyangmenunjukkanspektrumdayadengan
magnitude paling besar. Penghitungan periode dilakukan pada komponenkomponen
frekuensidebittinggidankomponenkomponenfrekuensidebitrendah.
Tabel4.1. PencatatanfrekuensidebitJurug
N
o
Debit Tinggi Debit Rendah
Frekuensi
(Cicles/har
i)
Spektru
m Daya
(dB)
Periode
(hari)
Periode
(tahun)
Frekuensi
(Cicles/har
i)
Spektru
m Daya
(dB)
Periode
(hari)
Period
e
(tahun
)
1 0,0008545 -1,86
1.170,2
8
3.204 0,0004883 -2,38
2.047,9
2
5.607
2 0,001343 -0,62 744,79 2.039 0,001221 -2,49 819,00 2.242
3 0,002686 -1,48 372,30 1.019 0,001953 -2,63 512,03 1.402
4 0,009644 -2,47 103,69 0.284 0,002563 -3,80 390,16 1.068
5 0,01343 -2,51 74,46 0.204 0,003296 -3,98 303,40 0.831
6 0,03015 -2,37 33,17 0.091 0,007568 -4,97 132,13 0.362
7 0,04553 -2,47 21,96 0.060 0,01538 -5,56 65,02 0.178
8 0,1422 -2,85 7,03 0.019 0,03235 -6,15 30,91 0.085
9 0,2156 -2,93 4,64 0.013 0,2229 -6,99 4,49 0.012
Frekuensitertentumenyimpaninformasimengenaiperiodedebittinggi(banjir)
dan frekuensi lain menyimpan informasi periode debit rendah (kering). Hasil FFT
tersebut dilakukan penapisan untuk meloloskan beberapa komponen saja. Penapisan

8
dilakukan pada frekuensi debit tinggi dan frekuensi debit rendah. Hasil penapisan
frekuensidebitdiklasifikasiuntukperiodesitaslongterm,mediumtermdanshortterm
sebagaimasukandataprediksidanpenentuperiodesasipadaisyaratasli.
4.2. PembelajaranJST
Dalam pembelajaran JST akan ditrentukan jumlah neuron pada lapis
tersembunyi, penetapan nilai pesat belajar, kontanta momentum dan pencarian bobot
jaringanyangoptimum.Penentuanneuronlapistersembunyimenggunakansetdata100
epoch, pesat belajar 0,04. Hasil optimum adalah 11 neuron pada MSE 0,02057.
Penetapanpesatbelajarmenggunakan50epoch,11neuron pada1lapistersembunyi.
Nilaioptimumpesatbelajaradalah0,2denganMSEpalingkecil0,000166.Bobotakhir
jaringandiperolehhasil optimum pada epoch ke-50 menggunakansetdata50000epoch,
MSE0.008696,momentum 0,6 dan percepatan belajar 0,2.Hasilterakhirpalingstabil
yaitu dengan menggunakan bobot terbaru menghasilkan MSE 0.008295. Kurva galat
minimumdengangradienmencapailinier.
4.3. PengujianJST
Selisihantarakeluarandantargetmerupakankesalahanperhitunganjaringan.
MinimumMSE0.008295,ketepatandengankesalahan31,6925%danakurasisebesar
68,3075%.HasilpengujiannilaiprakiraandantargetditunjukkanpadaGambar4.3.
Gambar 4.3. HasilPengujian

9
4.4. Prakiraan
Debitpalingtinggi(banjir)padaharike5139dengandebit1493,13m
3
/detik
yaitu pada tanggal 25 Januari 2006. Langkah pertama, prakiraan debit dilakukan
menggunakanfrekuensi0,001343(periode744,79hari=2,039tahun)sebagaiprakiraan
longterm.Prakiraanbanjirperiode2tahunanterjaditahun2020dandataperiodisyang
dipilihantarat 7hariterjaditahun2022.HasilprakiraanditunjukkanGambar4.4.
Gambar 4.4. Hasilprakiraanperiode2,039tahun
Akurasiprakiraandalamperiodetahun,makauntukketepatanprakiraanmenunggudata
debitJurugsedekatmungkindengandebitpadawaktuyangakandiprakiraan.Akurasi
yanglebihbaikdapatdilakukanmenggunakantermdenganperiodependek.Prakiraan
menggunakanfrekuensi0,002686(periode372,30hari=1,019tahun)sebagaiprakiraan
mediumterm.Hasilprakiraanperiode372harisepertiditunjukkanpadaGambar4.5.
Gambar 4.5. Hasilprakiraanperiode1,019tahun
Untukprakiranmediumterm denganperiode1,019tahun,yaituprakiraandebitbanjir
padatahun20072014.Padaprakiraandebitbanjirdenganperiodesasi1tahunan,debit
tertinggiterjadi pada 13Maret2013.Untukakurasihasilmagnitudedebityanglebih
telitidiperlukanprakiraandenganperiodesasishortterm.

10
Prakiraankeringmenggambildebitterendahpadareratadebittahunanrendah
(kekeringan pada kurun tahun 19922006) yaitu 2,18 m
3
/detik yaitu pada tanggal 14
November2003.Periodesasidebitkeringdilakukanmenggunakanfrekuensi0,0004883
(periode 2.047,92 hari = 5,607 tahun) sebagai prakiraan long term. Hasil prakiraan
periode2048harisepertiditunjukkanpadaGambar4.6.
Gambar 4.6. Hasilprakiraanperiode5,607tahun
Periodesasidebityangdiprakirakanmempunyaiakurasidalamperiode5tahunantetapi
magnitude belum bisa diketahui, maka prakiraan magnitud dilakukan menggunakan
term dengan periode yang lebih pendek. Langkah kedua, prakiraan dilakukan
menggunakan frekuensi 0,001221 (periode 819hari = 2,242 tahun) sebagai prakiraan
mediumterm.HasilprakiraanperiodesepertiditunjukkanpadaGambar4.26.
Gambar 4.7. Hasilprakiraanperiode2,242tahun
Langkahketiga,prakiraandebitdilakukanmenggunakanfrekuensi0,003296(periode
303,40hari=0,831tahun)sebagaiprakiraanshortterm. Hasilprakiraanperiode303
hari(dibulatkankebawah)sepertiditunjukkanpadaGambar4.8.

11
Gambar 4.8. HasilPrakiraanperiode1,068tahun
Periodesasi menggunakan frekuensi 0,0004883, kekeringan akan terjadi pada bulan
Januari2015danSeptember2020.Prakiraandilakukanmenggunakanperiodemedium
term 2,242tahundebitterendahhasilprakiraanadalah31.96.Kekeringanakanterjadi
kemudian pada tahun 2014. Untuk memastikan kebenaran hasil pada prakiraan
sebelumnya, prakiraan debit kering dilakukan pada periode short term 1,068 tahun.
DebitkeringterendahdenganperiodesasitersebutterjadipadabulanAgustus2015.
4.5. Pembahasan
PrapengolahanisyaratdebitJurugdenganmelakukanalihragamdarikawasan
waktu ke kawasan frekuensi memberikan petunjuk adanya periodesasi datadata
periodis. Penapisan memberikan petunjuk adanya magnitude debit terhadap
kemungkinan pengulangan kejadian. Data penyusun komponen frekuensi hasil pra
pengolahanadalahdatayanghanyamenyusunsatuatauduakomponenfrekuensisaja,
tetapibisamewakiliwataksistemsungai.
Hasil pengujian, JST optimal pada MSE 0.008295, persentase kesalahan
31.6925% dan akurasi 68.3075%. Jaringan dengan bobot optimum dapat digunakan
untuk memprakirakan data pada masingmasingkomponenfrekuensi.Prakiraandebit
menjadiefisienkarenaprakiraanhanyadilakukanpadadataperiodissaja.Dalamsistem
Prakiraan ini, fungsi FFT untuk menentukan periode dan JST untuk menentukan
magnitudedebit.JSThanyaefektifdigunakanuntukmemprakiraan7datakedepan.
Hasil prakiraan dikategorikan dalam 2 kondisi yaitu debit banjir dan debit

12
kering. Prakiraan dapat dilakukan periode jangka panjang pada tahun 2024 untuk
periode banjir dan pada tahun 2020 untuk periode kering. Debit paling besar akan
terjadipadatanggal21Mei2022t 7haridengandebit2512m
3
/detikdandebitkering
38.28m
3
/detikpadaAgustus2015.
BABV.KESIMPULANDANSARAN
Prapengolahan isyarat dapat menemukan periodesasi debit. FFT dapat
memberikanpetunjukadanyasiklussiklusperiodesitaskenaikandanpenurunandebit
sungai. Pembelajaran Backpropagation tipe Levenberg Marquardt memperoleh
arsitekturjaringandengan7neuron lapismasukan,11neuron lapistersembunyidan1
neuron lapis keluaran. Persentase kesalahan 31,6925% dan akurasi 68.3075%.
Periodesasiisyaratmeningkatkanefektifitasprakiraan,karenaperhitunganhanyapada
dataperiodissaja.Debitpalingbesarakanterjadipadatanggal21Mei2022t 7hari
dengandebit2512m
3
/detikdandebitkering38.28m
3
/detikpadaAgustus2015.
Perludilakukanpenelitianlanjutanmetodeprapengolahandatadebitsehingga
diperolehperiodesasidatasungaiyanglebihdetaildanstabil.Penelitianlanjutandengan
temayangsamamenggunakanmetodeyangsamaataumetodelainuntukmembuktikan
hasilprakiraan.
DAFTARPUSTAKA
[1] Alan V. Oppenheim, Alan S. Willsky dengan S. Hamid Nawab,Sinyal & Sistem,
Jakarta : ERLANGGA, Jilid 1, Edisi Kedua, 1997.
[2] Anderson,O.D.,Time Series Analisis and Forcasting,Butterworth,London, 1976.
[3] B. Setiyono, Penerapan Jaringan Syaraf Tiruan Dengan Algoritma Perambatan
Balik Pada Peramalan Debit Sungai Serayu, Tesis, M.T., Universitas Gajah
Mada, Yogyakarta, Indonesia, Feb. 2003.
[4] C. Manusthiparom, C. Apirumanekul, and M. Mahaxay, Flood Forecasting and
River Monitoring Sistem in The Mekong River Basin,Full Paper for the Second
Southeast Asia Water Forum, Bali : August 29th-September 3rd, 2005.
[5] Hagan, M. T., and M. Menhaj, "Training feedforward networks with the Marquardt
algorithm," IEEE Transactions on Neural Networks, vol. 5, no. 6, pp. 989-993,
1994
[6] Les Thede,Practical Analog and Digital Filter Design,Artech House, Inc, 2004.

13
[7] Mulyana, Pemodelan Debit Air Sungai Studi Kasus DAS Cikapundung, Prosiding
Seminar Nasional Sains dan Teknologi-II 2008U, Unila, hal 96 103, Nov.
2008.
[8] Pham, Duc Triong and Liu Xing, Neural Network for Identification, Prediction
and Control, Springer-Verlag, London, 1997.
[9] S. Haykin, Neural Network (A Comperehensive Foundation), New York :
Macmillan College Publishing Company, 1994.
[10] S. Kusumadewi dan S. Hartati, Neoro-Fuzzy, Jogjakarta : Graha Ilmu, 2006.
[11] T.S. Widodo, Sistem Neuro Fuzzy, Jogjakarta : Graha Ilmu, 2005.
[12] Y. Chen, B.Yang, J. Dong and A. Abraham, Time-series forecasting using exible
neural tree model, Information Science, An International Journal, pp. 1 17,
Okt. 2004.