OPTIMASI PARAMETER MODEL TANGKI DENGAN METODE

ALGORITMA GENETIK (AG) DI SUB DAS KESER

Annisa Akalily1, Widandi Soetopo2, Lily Montarcih Limantara2

1
Mahasiswa Program Sarjana Teknik Jurusan Pengairan Universitas Brawijaya
2
Dosen Teknik Pengairan Fakultas Teknik Universitas Brawijaya
1
annisaakalily92@yahoo.com

ABSTRAK
Model Tangki Sugawara merupakan salah satu model konseptual dengan
konsep bahwa proses aliran air hujan menjadi aliran sungai dianologikan sebagai suatu
aliran melalui rangkaian tangki-tangki. Kelemahan mendasar penerapan model tangki
tersebut adalah banyaknya parameter yang harus ditentukan terlebih dulu secara
simultan sebelum model tersebut diaplikasikan. Kondisi ini menjadikan model tangki
tidak populer untuk diterapkan pada keperluan-keperluan praktis.
Studi ini difokuskan pada upaya menyelesaikan sistem persamaan model tangki
dengan memasukkan proses optimasi pada tahap penentuan nilai optimal dari
parameter-parameternya. Hasil yang dicapai diharapkan dapat meningkatkan kinerja
model tersebut agar debit bangkitan yang diperoleh dapat mendekati hasil debit riil di
lapangan.
Hasil studi pada Sub DAS Keser menunjukkan bahwa Algoritma Genetik belum
dapat menyelesaikan proses optimasi nilai parameter model tangki dengan baik. Hasil
dari simulasi model yang berbeda menunjukkan nilai RMSE berbeda-beda. Trend yang
paling mirip terdapat pada jenis model tangki dengan optimasi 34 hari (20 Februari
2008 – 24 Maret 2008) dengan nilai RMSE 3,9908 dari keenam model yang disimulasi.
Aliran terbesar terjadi pada awal bulan Januari 2011 sampai awal bulan April 2011,
sedangkan aliran terendah terjadi pada bulan Desember 2012.

Kata Kunci: Model Tangki, Algoritma Genetik, Optimasi

ABSTRACT
Tank Model Sugawara is one of the conceptual model with a concept that the
transform process of rainfall flow to river flow is analogued as a flow through tanks
arrangement. The weakness of tank model implementation is the numbers of parameter
xthat have to be simultaneously determined before the tank model applied. This
condition makes the model unpopular to be applied.
This study is focused on figuring the tank model equations out with including
optimization on the optimal parameters value determination process. The obtained
results are expected that could improve the performance of the model in order that the
model discharge values could be close to the observed discharge values.
The result of study that conducted in Keser Subwatershed shows that Genetics
Algorithm could not figure the parameters optimization out well. The results of the
various model simulation shows various RMSE values as well. The most similar trend
found in the type of tank model with 34 days optimization (February 20, 2008 - March
24, 2008) with RMSE 3.9908 value from six simulated models. The highest flow
occured on early January 2011 until early April 2011, while the lowest flow occured on
December 2012.

Keywords: Tank Model, Genetic Algorithm, Optimization

1. PENDAHULUAN
1.1 Latar Belakang
Model Tangki Sugawara
merupakan salah satu model konseptual
dengan konsep bahwa proses aliran air
hujan menjadi aliran sungai
dianologikan sebagai suatu aliran
melalui rangkaian tangki-tangki. Model
tangki oleh Sugawara merupakan salah
satu model yang dianggap cukup
representatif untuk mempresentasikan
hubungan data curah hujan dengan
aliran sungai (Setiawan, Fukuda and
Nakano, 2003). Kelemahan mendasar
penerapan model tangki tersebut adalah
banyaknya parameter yang harus
ditentukan terlebih dulu secara simultan
sebelum model tersebut diaplikasikan.
Algoritma Genetik (AG)
merupakan salah satu metode yang
cukup handal untuk pencarian
parameter-parameter optimal.
Keuntungan utama penggunaan AG
adalah kemudahan implementasinya
dan kemampuannya untuk menemukan
solusi secara cepat terutama untuk
masalah-masalah yang berdimensi
tinggi. Dengan memanfaatkan
kelebihan pada AG diharapkan dapat
mempermudah aplikasi Model Tangki,
sehingga secara efektif dapat membantu
memecahkan masalah keterbatasan data
aliran sungai.
1.1 Identifikasi Masalah
Kajian ini difokuskan pada upaya
menyelesaikan sistem persamaan model
tangki dengan memasukkan proses
optimasi pada tahap penentuan nilai
optimal dari parameter-parameternya.
Hasil yang dicapai diharapkan dapat
meningkatkan kinerja model tersebut
agar debit bangkitan yang diperoleh
dapat mendekati hasil debit lapangan.
Teknik optimasi yang dipilih adalah
Algoritma Genetik (AG).
Hasil dari kajian ini diharapkan
dapat menjadi petunjuk awal tentang
pemberlakukan teknik pencarian
parameter optimal berbasis AG dalam
menyelesaikan sistim persamaan model
tangki.
1.2 Batasan Masalah
Batasan masalah dari studi ini
adalah sebagai berikut:
1. Lokasi studi adalah Sub Sub DAS
Kali Keser.
2. Proses simulasi tank model
menggunakan software visual basic
application (VBA) – Ms. Excel.
3. Skema simulasi model tangki
menggunakan 4 tangki susunan seri
(standar).
4. Data hujan yang dianalisa adalah
data curah hujan harian sepanjang
20 tahun dari tahun 1993-2012.
5. Data curah hujan yang dipakai
dalam input optimasi parameter
model tangki dengan metode AG
adalah data yang terpilih melalui
uji statistik data hujan.
6. Tidak membahas pengaruh
sedimentasi.
1.3 Rumusan Masalah
Rumusan masalah dari studi ini
adalah:
1. Curah hujan harian dalam rentang
waktu mana yang paling baik?
2. Bagaimana proses pengembangan
populasi kromosom dengan metode
Algoritma Genetika (AG) ?
3. Bagaimana hasil optimasi
parameter model tangki dengan
model simulasi Algoritma Genetik
(AG)?
1.4 Tujuan dan Manfaat
Tujuan dari studi ini adalah
sebagai berikut:
1. Mengetahui data curah hujan harian
dalam rentang waktu mana yang
paling baik.
2. Mengetahui proses pengembangan
populasi kromosom dengan cara
metode Algoritma Genetika
3. Mendapatkan hasil optimasi
parameter model tangki dengan
 model simulasi Algoritma Genetik
(AG).
Manfaat dari kajian ini adalah Dengan :
dihasilkannya model tangki yang R = tinggi curah hujan rata rata
diharapkan dapat diterapkan cara yang DAS (mm)
serupa pada DAS lain yang memiliki Rn = tinggi curah hujan pada
kesamaan karakteristik dengan daerah masing masing stasiun (mm)
studi, sehingga masalah keterbatasan An = luas daerah tiap tiap
2
data debit suatu DAS dapat dipecahkan. pengamatan (km )
∑A = luas DAS total (km2)
2. TINJAUAN PUSTAKA
2.1 Hidrologi Stokastik 2.3 Pengujian Data Curah Hujan
Hidrologi stokastik mampu 2.3.1 Uji Konsistensi
mengisi kekosongan yang ada di antara Pengujian konsistensi dilakukan
metode-metode deterministik, dan dengan menggunakan cara kurva massa
hidrologi probabilistik (Linsley, ganda (double mass curve).
1989:365). Dalam hidrologi
deterministik, variabilitas waktu
dianggap terjelaskan seluruhnya oleh
variabel-variabel lain dalam penerapan
model yang tepat. Dalam hidrologi
probabilistik, tidak diperhatikan urutan-
urutan waktu, yang diperhatikan
hanyalah probabilitas atau peluang
disamai atau dilampauinya suatu
kejadian. Sedangkan dalam hidrologi
stokastik urutan-unitan waktu mutlak
penting, penyajian stokastik
mempertahankan sifat-sifat peluang
yang berhubungan dengan urutan- Gambar 2.1 Kurva Massa Ganda Uji
urutan kejadiannya. Metode stokastik Konsistensi
menyediakan suatu cara untuk Sumber: Rahmadi (2013:10)
memperkirakan probabilitas urutan- Dari gambar di atas Nampak
urutan tahun kering selama perioda bahwa pada (x,y) mulai terjadi
yang diinginkan pada masa mendatang. perubahan kemiringan. Untuk
2.2 Curah Hujan Rerata Harian perbaikan kurva maka perlu
Daerah dimasukkan faktor koreksi. Faktor
Metode Poligon Thiessen koreksi tersebut adalah:
dipandang cukup baik karena Tan α = Y/X
memberikan koreksi terhadap Tan α0 = Y0/X0
kedalaman hujan sebagai fungsi luas Hz = (Tan α / Tan α0) . H0
daerah yang dianggap mewakili. dengan:
Perbandingan antara luas relatif masing Hz = Data hujan yang
masing daerah pengaruh dengan luas diperbaiki
total DAS merupakan faktor H0 = Data hujan hasil
koreksinya. pengamatan
Adapun cara perhitungannya Tan α = Kemiringan sebelum ada
adalah menggunakan rumus sebagai perubahan
berikut (Sosrodarsono, 1987:27) : Tan α0 = Kemiringan setelah ada
perubahan
2.3.2 Uji Hipotesa Analisa Variansi
(ANOVA)
Apabila sampel yang
dibandingkan lebih dari dua sampel,
dapat menggunakan Analisa Variansi
(Analusis of Variance atau disingkat
ANOVA) (Montarcih, 2009:49). Uji
analisa Variansi dapat bersifat satu arah
(One way) atau dua arah (Two way).
Studi ini menggunakan uji analisa
bersifat dua arah untuk menguji
keseragaman baik antar kelas (F1) dan
juga antar tahun (F2). Rumus masing-
masing hipotesa sebagai berikut:
Dengan:
= harga rerata untuk kelas i
= harga rerata keseluruhan
= pengamatan untuk kelas i
pada tahun j
ni = banyak pengamatan untuk
kelas i
n = banyak pengamatan
keseluruhan
k = banyak kelas
Besaran F berupa nisbah (ratio).
Oleh karena itu ada dua parameter
derajat bebas, yaitu n1 (derajat bebas
pembilang) dan n2 (derajat bebas
penyebut). Nilai Fcr dapat diperoleh
dari tabel F untuk berbagai nilai level of
significannce (α), dengan menggunakan
kedua parameter derajat bebas n1 dan n2
tersebut.
2.4 Evapotranspirasi
Peristiwa berubahnya uap air dan
bergerak dari permukaan tanah dan
permukaan air ke udara disebut
evaporasi. Evaporasi merupakan faktor
penting dalam studi tentang
pengembangan sumber daya air.
Penguapan dari tanaman disebut
transpirasi. Bila keduanya terjadi
bersama-sama pada lokasi yang sama
disebut evapotranspirasi.
Faktor-faktor yang mempengaruhi
evaporasi dan evapotranspirasi adalah
suhu air, suhu udara, kelembaban,
kecepatan angin, tekanan udara, sinar
matahari dan lain-lain (Sosrodarsono,
2003:57). Besarnya evaporasi dapat
diperkirakan menggunakan rumus
empiris. Dalam studi ini menggunakan
metode Penman dengan rumus sebagai
berikut:
Evapotranspirasi (Et0*)
Et0* = w x (0,75 x Rs – Rn) + (1 – w) x
f(u) x (ea – ed)
Evapotranspirasi potensial (Et0)
Et0 = Et0* x c
Dimana:
w =
Rs =
Rn =
ea = tekanan uap nyata
ed =
2.5 Konsep Model Tangki Sugawara
Curah hujan yang jatuh pada
suatu waktu R (t) akan mengisi tangki
teratas (tangki 1). Air yang tertampung
oleh tangki 1 mengalir lewat lubang-
lubang di dinding kanan atau merembes
lewat lubang dasar tangki dan masuk
mengisi tangki 2. Air yang tertampung
di dalam tangki 2 mengalir lewat
lubang di dinding kanan atau merembes
melalui lubang dasar tangki dan masuk
tangki 3 dalam tahap ke-tiga. Air yang
tertampung di dalam tangki 3 mengalir
lewat lubang di dinding kanan atau
merembes melalui lubang dasar tangki
dan masuk tangki 4 dalam tahap ke-
empat.
Dengan melihat tangki-tangki
dalam model dan membandingkan
dengan komponen-komponen limpasan,
maka tangki 1 merupakan aliran
permukaan (surface flow) dan sub-
surface fow, tangki 2 merupakan aliran
antara (intermediate flow), tangki 3
merupakan aliran sub-dasar (sub-base
flow) tangki 4 merupakan aliran dasar
(base flow) seperti tercantum pada Brantas. Sedangkan data yang dianalisa
gambar 2.2 adalah data curah hujan harian
sepanjang 20 tahun dari tahun 1993-
2012.
c. Data Klimatologi
Data klimatologi yang digunakan dalam
kajian ini adalah data klimatologi
wilayah trenggalek tahun 2001-2010
yang diperoleh dari hasil kajian
sebelumnya.
3.3 Simulasi Debit Menggunakan
Metode Model Tangki
Metode yang digunakan dalam
kajian ini adalah metode Model Tangki
Gambar 2.2 Bagan Pengaliran Sungai yang telah dikembangkan oleh Dr.
dan Pemodelan Tangki Sugawara. Pada studi ini dilakukan
Susunan Seri pemodelan dengan menggunakan 4
Sumber: setiawan (2003:2) tangki yang disusun secara seri seperti
pada gambar 3.1.
3. METODOLOGI PENELITIAN Hujan Evaporasi
3.1 Lokasi Studi
Lokasi studi berada di Sub DAS
Keser yang merupakan Sub DAS dari
DAS Ngrowo. Sub DAS Keser f 1.2
q1.2
memiliki luas sebesar 43,39 km². He1
h1.2 f 1.1
q1.1
Secara geografis Sub DAS Keser h1.1
b1
terletak pada koordinat 111º31’5” - qb.1
111º35’16” BT dan 8º0’56” - 8º5’42” f 2.1
q 2.1
LS. He2
h2.1
3.2 Pengumpulan Data b2
Data-data yang dapat qb.2
f 3.1
dikumpulkan untuk perhitungan dalam q 3.1
studi ini adalah sebagai berikut: He3 h3.1
a. Data Debit b3
Data debit yang digunakan adalah data qb.3

AWLR harian Sungai Keser sepanjang

He4 f 4.1
tahun 2003-2013 yang diperoleh dari q 4.1
UPT PSAWS Bango Gedangan. h4.1
b4
b. Data Hujan qb.4

Data hujan yang diperlukan adalah data

hujan harian Sub DAS Keser yang Gambar 3.1 Model Tangki Susunan
terdiri dari stasiun hujan sebagai Seri
berikut: Pada simulasi model ini
1. Stasiun Penakar Hujan Boyolangu menggunakan perangkat lunak Ms.
2. Stasiun Penakar Hujan K.D.PU.AIR Excel-VBA agar mempermudah dan
3. Stasiun Penakar Hujan Ngantru mempercepat penyelesaian iterasi
Dari ketiga stasiun penakar hujan simulasi debit model tangki. Prosedur
tersebut diperoleh data curah hujan simulasi model tangki dapat dilihat
harian sepanjang 32 tahun dari tahun pada gambar 3.4.
1981-2012 yang diperoleh dari BBWS
 terdapat pada suatu populasi
berdasarkan nilai kinerja masing-
masing kromosom, dan dilanjutkan
dengan proses copy terhadap
kromosom hasil seleksi. Kromosom
hasil proses copy ini merupakan
generasi turunan berikutnya.
c. Penggantian populasi (generational
replacement), yang berarti semua
individu (misal N individu dalam
suatu populasi) dari suatu generasi
digantikan sekaligus oleh N individu
(kromosom) baru hasil reproduksi.
Proes optimasi parameter dapat dilihat
pada gambar 3.3.

Gambar 3.2 Prosedur Perhitungan

Debit Metode Model
Tangki

3.4 Konsep Model Tangki Berbasis

Genetic Algorithm (GA)
Beberapa kaidah yang diterapkan
dalam menyusun sistem program
aplikasi model tangki metode AG
adalah:
a. Inisialisasi, tahapan pertama dalam
AG adalah inisialisasi populasi yaitu
melakukan penentuan nilai awal.
Bagian penentuan nilai awal ini Gambar 3.3 Diagram Alir Optimasi
merupakan input yang dilakukan Parameter Model Tangki
oleh pengguna sendiri.
b. Reproduksi, merupakan proses
seleksi terhadap kromosom yang
4. HASIL DAN PEMBAHASAN
4.1 Analisa Data Input Model
Tangki
Data input model tangki terdiri
dari curah hujan harian (mm/hari), debit
sungai (mm/hari), dan evapotranspirasi
(mm/hari).
Sebelum dirata-rata, perlu
dilakukan uji konsistensi dan uji
homogenitas (menggunakan metode uji
ANOVA) pada data curah hujan yang
didapat dari tiga stasiun (Boyolangu,
K.D.PU.AIR, dan Ngantru). Hasil dari
kedua uji tersebut menunjukkan bahwa
data curah hujan harian ketiga stasiun
dinyatakan konsisten karena tidak ada
penyimpangan dan homogen antar kelas
maupu antar tahun dengan nilai F1=0,35
dan F2=1,37. Selanjutnya data curah
hujan dirata-rata mengunakan metode
Poligon Thiessen. Data debit aliran
sungai harian (QAWLR harian)
3
dikonversi dari satuan m /det menjadi
mm/hari.
Berikut grafik fluktuasi
hubungan antara curah hujan dan data
debit yang telah dikonversi dapat dilihat
pada gambar 4.1.

Gambar 4.1 Grafik Hubungan Antara Data CH Harian dan Data Debit Sungai Keser
Sumber: Hasil Perhitungan
Data klimatologi diambil dari 4.2 Uji Statistik Data Hujan
hasil kajian sebelumnya, yaitu Uji statistik data hujan perlu
klimatologi wilayah trenggalek rerata dilakukan untuk mengetahui data mana
tahun 2001-2010. Data klimatologi yang paling bagus yang nanti akan
digunakan untuk menghitung evaporasi digunakan sebagai data input dalam
menggunakan metode Penman, dengan simulasi model tangki menggunakan
hasil perhitungan sebagai berikut: metode Algoritma Genetika (AG).
Tabel 4.1 Eto Rerata Tahun 2001-2010 Dalam uji statistik data hujan
No Bulan Eto Satuan menggunakan simulasi model tangki
1 Jan 9,05 mm/hari dengan metode simulasi coba-
2 Feb 7,90 mm/hari banding/trial and error.
3 Mar 7,32 mm/hari Untuk mengetahui perbandingan
4 Apr 4,66 mm/hari
5 Mei 4,17 mm/hari
tingkat keakuratan kinerja dari model
6 Juni 3,97 mm/hari tangki, dapat menggunakan indikator
7 Juli 4,17 mm/hari RMSE dengan rumus:
8 Agst 4,83 mm/hari
9 Sept 5,32 mm/hari
10 Okt 5,58 mm/hari
11 Nov 7,16 mm/hari
12 Des 8,17 mm/hari
 bilangan acak yang berbeda. Hasil
optimasinya lalu dibandingkan satu

n
( X obs,i  X model,i ) 2 sama lain seperti yang ditampilkan
i 1
RMSE  pada Tabel 4.2.
n
Tabel 4.2 Rekap Nilai Parameter Hasil
Dimana: Optimasi Metode AG
Xobs,i = Debit aktual (QAWLR)

13/02/2004

22/12/2010

06/01/2006

07/02/2009

31/12/2012

24/03/2008
BANYAK HARI
Xmodel,i = Debit terhitung (Qmodel)
n = Jumlah data

-
JENIS PARAMETER

23/01/2004

28/11/2010

10/12/2005

11/01/2009

02/12/2012

20/02/2008
Berdasarkan uji statistik data
hujan, didapatkan hasil nilai indikator
RMSE untuk setiap model tangki empat
No 22 hari 25 hari 28 hari 28 hari 30 hari 34 hari
susun seri dengan berbagai macam hari 1 f 1.2 0,0002 0,0093 0,0104 0,0069 0,0001 0,0001
sebagai berikut: 2 f 1.1 0,0002 0,0063 0,0030 0,0074 0,0001 0,0633

a. Coba-banding 24 hari (22 Jan 2003 – 3 b1

f 2.1
0,1514 0,0102 0,3165 0,2573 0,2849 0,4588
4 0,0001 0,0006 0,0005 0,0020 0,0001 0,0001
14 Feb 2003), nilai RMSE sebesar 5 b2 0,0864 0,4261 0,1657 0,2837 0,0723 0,5935
325,53. 6 f 3.1 0,0001 0,0434 0,0732 0,0258 0,0001 0,0002
7 b3 0,0515 0,1867 0,0697 0,0223 0,0176 0,1304
b. Coba-banding 25 hari (28 Nov 2010 8 f 4.1 0,1845 0,0007 0,1064 0,0003 0,0562 0,0948
– 22 Des 2010), nilai RMSE sebesar 9 b4 0,0001 0,0829 0,5477 0,3955 0,0004 0,0001
10 h1.2 20,1689 27,6199 29,0256 19,7490 28,8897 14,2290
0,5852. 11 h1.1 7,1764 15,5869 1,9644 13,3410 5,3899 0,2825
c. Coba-banding 28 hari (10 Des 2005 12 h2.1 20,4314 19,0181 16,2476 28,6281 14,3230 19,3616
– 6 Jan 2006), nilai RMSE sebesar 13 h3.1 21,8623 29,2198 28,7273 23,8319 13,6705 2,0651
14 h4.1 10,4647 6,1582 21,7661 14,9926 24,2898 0,1994
1,1027. RMSE 0,9364 0,5658 1,0960 0,4443 0,4542 2,0948
d. Coba-banding 28 hari (11 Jan 2009 – nilai korelasi 0,667 0,458 0,350 0,444 0,350 0,213

7 Feb 2009), nilai RMSE sebesar

4.4 Simulasi Model Tangki Harian
0,2139.
Simulasi Model Tangki perlu
e. Coba-banding 34 hari (20 Feb 2008
– 24 Mar 2008), nilai RMSE sebesar dilakukan untuk menilai apakah
2,1276. parameter-parameter yang telah
f. Coba-banding 30 hari (2 Des 2012 – dioptimasi sebelumnya benar-benar
31 Des 2012), nilai RMSE sebesar optimal. Tujuannya untuk
0,7515. membandingkan gambar grafik
g. Coba-banding 22 hari (23 Jan 2004 – fluktuasi debit hasil bangkitan model
13 Feb 2004), nilai RMSE sebesar
tangki apakah sudah mendekati debit
0,9584.
Berdasarkan indikator RMSE di atas, sungai lapangan (QAWLR) dengan
coba banding 24 hari (22 Jan 2003 – 14 menggunakan indikator RMSE dan
Feb 2003) tidak dapat digunakan untuk nilai korelasi.
proses optimasi parameter model tangki Hasil simulasi model tangki
dengan metode AG selanjutnya. harian dari tahun 2003-2012
dibandingkan satu sama lain seperti
4.3 Aplikasi Optimasi Model Tangki yang ditampilkan pada Tabel 4.3
dengan Metode AG
Optimasi ini dilakukan sebanyak
6 kali dimana masing-masing model
tangki menggunakan input berbeda
(Eto, CH, dan QAWLR) dan input seri
Tabel 4.3 Rekap Hasil Analisa RMSE dan Korelasi Setiap Model Hasil Bangkitan

Dari ketujuh model tersebut diatas, trend yang paling miripadalah jenis model
tangki dengan optimasi 34 hari (20 Februari 2008 – 24 Maret 2008). Grafik fluktuasi
hubungan antara curah hujan, debit lapangan, dan debit bangkitan model dapat dilihat
pada gambar 4.2.

Gambar 4.2 Grafik hasil simulasi model tangki 10 tahun dengan optimasi AG 34 hari
Sumber: Hasil Perhitungan
 Dari grafik hasil simulasi dapat
dilihat bahwa pada seri debit aktual dan
seri debit bangkitan dengan input hujan
harian historis terjadi aliran ekstrim
yaitu pada bulan Januari 2011 – April
2011 dimana debit aktual tertinggi
mencapai 18,95 m3/det dan debit input
hujan harian historis 51,10 m3/det.
Untuk seri debit hasil bangkitan
terlihat berbeda dengan seri debit
aktual. Aliran terbesar terjadi pada awal
bulan Januari 2011 sampai awal bulan
April 2011, sedangkan aliran terendah
terjadi pada bulan Desember 2012.
5. KESIMPULAN
Berdasarkan hasil pembahasan
sebelumnya, maka dapat diambil
beberapa kesimpulan, antara lain :
1. Curah hujan dalam beberapa rentang
waktu berikut ini merupakan data
curah hujan yang paling baik dari
tahun 1993-2012:
a. 25 hari (28 Nov 2010 – 22 Des
2010)
b. 28 hari (10 Des 2005 – 6 Jan
2006)
c. 28 hari (11 Jan 2009 – 7 Feb
2009)
d. 34 hari (20 Feb 2008 – 24 Mar
2008)
e. 30 hari (2 Des 2012 – 31 Des
2012)
f. 22 hari (23 Jan 2004 – 13 Feb
2004)
2. Proses pengembangan populasi
kromosom metode AG melibatkan
proses reproduksi, yang terdiri dari
seleksi individu, proses copy dan
kawin silang (crossover). Untuk ke
menuju step pengembangan
populasi, diperlukan step inisilisasi
populasi. Hasil dari pengembagan
populasi dicek keseragamannya. Jika
populasi hasil pengembangan belum
seragam atau homogen, maka
dilakukan penggantian populasi baru
untuk medapatkn generasi turunan
baru berikutnya. Iterasi tersebut akan
terus berlangsung sampai populasi
kromosom seragam.
3. Dari keenam model yang dioptimasi,
trend yang paling mirip adalah pada
jenis model tangki dengan kalibrasi
34 hari (20 Februari 2008 – 24 Maret
2008) dengan nilai RMSE 3,9908
Hasil studi pada Sub DAS Keser
menunjukkan bahwa Algoritma Genetik
belum dapat menyelesaikan proses
optimasi nilai parameter model tangki
dengan baik.
6. SARAN
Berdasarkan hasil analisa yang
telah dilakukan pada bab sebelumnya,
adapun beberapa saran yang dapat
digunakan sebagai rekomendasi
diantaranya adalah:
1. Sebaiknya jumlah populasi awal
dan iterasi diperbanyak sehingga
akan menghasilkan solusi terbaik
yang mempunyai nilai kinerja
terbaik pula.
2. Perlu dilakukannya perbandingan
model tangki dengan susunan yang
berbeda agar dihasilkan beberapa
alternatif model.
3. Perlu adanya evaluasi atau
penelitian dari hasil output
software macro visual basic yang
dipakai agar lebih sesuai dengan
keadaan riil lapangan.
DAFTAR PUSTAKA
Basri, H. 2013. Development of
Rainfall-runoff Model Using Tank
Model: Problems and Chalenges
in Province of Aceh, Indonesia.
Aceh Internation Journal of
Science and Technology, 2
(1):26-36
Gen, M dan Runwei Cheng. 2000.
Genetic Algorithms and
Engineering Optimization.
Canada: John Wiley & Sons, Inc.
Harto, Sri. 1993. Analisis Hidrologi.
Jakarta: Gramedia Pustaka Utama.
Kuok, KK, dkk. 2010. Global Subarkah, Imam. 1980. Hidrologi
Optimization Methods for Untuk Perencanaan Bangunan
Calibration and Optimization of Air. Bandung: Idea Utama.
the Hydrologic Tank Model’s
Parameters. Canadian Journal on
Civil Engineering Vol. 1, No.1.
Kuok, KK, dkk. 2011. Auto-Calibration
of Daily and Hourly tank Model’s
Parameters Using Genetic
Algorithm. Malaysian Journal of
Civil Engineering 23(2):12-28
Montarcih, Lily. 2009. Statistika
Terapan. Malang: Citra Malang
Montarcih, Lily. 2010. Hidrologi
Praktis. Bandung: Lubuk Agung
Rahmadi, Agung. 2013. Kajian
Pemakaian Input Data Curah
Hujan Harian Sintetis untuk
Simulasi Debit Musiman pada
Sub Das Konto Hulu. Skripsi
tidak dipublikasikan. Malang:
Universitas Brawijaya.
Rahman. 2011. Penerapan Model
Tangki dengan Tiga Tangki
Susunan Pararel Untuk
Transformasi Data Hujan
Menjadi Data Debit (Studi Kasus
Pada Inflow Waduk Selorejo dan
Waduk Lahor). Media Teknik
Sipil, Volume 9:166-171
Setiawan, B.I., dkk. 2003. Developing
Procedures for Optimization of
Tank Model’s Parameters.
Agricultural Engineering
International: the CIGR Journal of
Scientific Research and
Development. Manuscript LW 01
006.
Soemarto, CD. 1999. Hidrologi Teknik.
Jakarta: Erlangga.
Soetopo, Widandi. 2012. Model-Model
Simulasi Stokastik untuk Sistem
Sumberdaya Air. Malang: Citra
Malang
Sosrodarsono, Suyono dan Kenzu
Takeda. 2003. Hidrologi Untuk
Pengairan. Jakarta: PT Pradnya
Paramita.