Estimasi Parameter Hidraulik

Akuifer Airtanah Tertekan

dengan Algoritma Genetika
Achmad Ridho Hartono
Lilik Eko Wiodo
Irwan ISkandar

Pertemuan Ilmiah Tahunan III

Perhimpunan Ahli Airtanah Indonesia
Jakarta, 07-08 November 2018
Pengolahan data pumping test

Secara umum pengolahan pumping test dilakukan dengan cara

membandingkan drawdown hasil observasi dengan drawdown model
teoritis. Model yang paling cocok dengan hasil observasi selanjutnya
akan dipilh untuk perhitungan karakteristik hidraulik.
Metode Metode Konvensional vs GA

Metode Konvensional Algoritma Genetika

Parameter kecocokan kurva Kenampakan Visual Penjumlahan selisih tiap titik
antara 2 kurva
Alur estimasi Dilakukan pencocokan kurva Nilai parameter hidraulik
dahulu baru dihitung nilai ditentukan terlebih dahulu
parameter hidraulik baru dilakukan pencocokan
kurva
Waktu yang dibutuhkan Relatif lama Relatif cepat
▪ Metode Konvensional ▪ Metode Algoritma Genetika
Kurva Model Penentuan nilai T dan S

Kurva Observasi Kurva model

Pencocokan Kurva Pencocokan Kurva

Perhitungan T dan S Uji kriteria

Selesai Selesai
Fungsi Obyektif

Fungsi obyektif pada penelitian ini adalah least square error antara 2
kurva, yaitu penjumlahan selisih antara drawdown model dengan
drawdown observasi pada setiap waktu t
Persamaan Model

▪ Persamaan model aliran yang digunakan adalah model Theis untuk

akuifer tertekan
▪ Theis menyatakan bahwa ketika suatu sumur menembus akuifer
tertekan dengan laju pemompaan konstan, maka pengaruh
discharge akan melebar seiring dengan bertambahnya waktu.
▪ Persamaan Theis diturunkan berdasarkan analogi antara aliran air
tanah dengan konduksi panas sebagai berikut :

s !

▪ Dimana
s = penurunan muka airtanah (meter) yang diukur pada suatu
piezometer berjarak r (meter) dari sumur
Q = Debit konstan pemompaan sumur (dalam m3/hari)
T = Transmisivitas akuifer (meter2/hari)
"#
u =
$
S = Storativitas dari akuifer (tanpa dimensi)
t = Waktu sejak pemompaan dimulai (dalam hari)
W(u) = ! !0 !
0.5772 – ,- ! . ! . .⋯
2.2! 3.3! 4.4!
Drawdown model

▪ Dari model yang ada dapat diperoleh drawdown untuk tiap nilai
waktu t tertentu.
▪ Nilai drawdown model yang dihasilkan akan bergantung pada nilai
transmisivitas (T) dan storativitas (S).
▪ Alur perhitungan drawdown model adalah sebagai berikut

Penentuan Penentuan Penentuan Penentuan

nilai t nilai u nilai W(u) drawdown
t
4 5
!
467
" :
! 0.5772 ln ! . ! . !
. 0.0! ⋯

;
!
4<6

∑ (smodel-sobservasi)2
Contoh Hasil decode Kromosom

Nilai
Binary String Decoded Value
Kromosom
1100101111100111 0.7961 0.0001 4.163
1110001010100001 0.9059 0.0003 6.4043
0100011111011000 0.8863 0.0004 6.5878
1010110011100011 0.6314 0.0004 4.1567
1001001001010110 0.2784 0.0006 0.6281
0001100001001001 0.8471 0.0001 4.6171
0101111001011000 0.6745 0.001 6.2754
1001101100011000 0.8902 0.0001 4.9799
Kriteria berhenti iterasi

Keseluruhan proses iterasi akan terus dilakukan hingga salah satu dari
kedua kriteria berikut terpenuhi:
– Jumlah generasi telah mencapai maksimum
– Nilai kromosom telah mencapai batas yang ditetapkan
Hasil Percobaan
▪ Percobaan dilakukan menggunakan data pumping test ‘Oude
Korendijk’ untuk menguji algoritma genetika yang telah disusun.
Pada data pumping test ‘Oude Korendijk’, pumping test dilakukan
pada akuifer tertekan dengan informasi sebagai berikut :
– Debit pemompaan : 0.574 m3/menit
– Jarak piezometer dari sumur : 30 meter

▪ Analisis dilakukan dengan model (Theis, 1935) untuk menentukan

nilai transmisivitas dan storativitas.
Perbandingan drawdown model dan
observasi
time drawdown drawdown time drawdown drawdown
(minute) (observed) (GA) (minute) (observed) (GA)
0.100 0.04 0.058 18.000 0.68 0.645
0.250 0.08 0.137 27.000 0.742 0.696
0.500 0.13 0.210 33.000 0.753 0.721
0.700 0.18 0.248 41.000 0.779 0.748
1.000 0.23 0.290 48.000 0.793 0.767
1.400 0.28 0.330 59.000 0.819 0.793
1.900 0.33 0.367 80.000 0.855 0.831
2.333 0.36 0.392 95.000 0.873 0.853
2.800 0.39 0.414 139.000 0.915 0.901
3.367 0.42 0.437 181.000 0.935 0.934
4.000 0.45 0.458 245.000 0.966 0.972
5.350 0.5 0.494 300.000 0.99 0.997
6.800 0.54 0.524 360.000 1.007 1.020
8.300 0.57 0.548 480.000 1.05 1.056
8.700 0.58 0.554 600.000 1.053 1.084
10.000 0.6 0.572 728.000 1.072 1.108
13.100 0.64 0.605 830.000 1.088 1.124
▪ Dari hasil algoritma genetika diperoleh nilai transmisivitas sebesar
0.36471 m2/menit dan nilai storativitas sebesar 9.54 x 10-5
▪ Hasil ini kemudian dibandingkan dengan hasil perhitungan
transmisivitas dan storativitas dengan metode konvensional.

metode Transmisivitas m2/menit storativitas Least Square

Error
konvensional 0.2722 1.60E-04 26.181
GA 0.36471 9.54E-05 0.0391

▪ Least square error pada metode konvensional diperoleh dengan cara

memasukkan nilai transmisivitas dan storativitas yang diperoleh
melalui metode konvensional dan dihitung dengan fungsi obyektif
yang telah ditetapkan
Kesimpulan dan Saran
Kesimpulan

▪ Dengan menggunakan algoritma genetika diperoleh nilai

transmisivitas sebesar 0.36471 m2/menit dan nilai storativitas sebesar
9.54 x 10-5
▪ Terdapat perbedaan antara hasil algoritma genetika dengan metode
konvensional, yang disebabkan oleh perbedaan akurasi curve fitting
diantara kedua metode tersebut. Metode algoritma genetika
memiliki akurasi yang lebih tinggi dibandingkan metode
konvensional, terbukti dengan least square error algoritma genetika
yang jauh lebih rendah daripada metode konvensional.
Daftar pustaka

▪ Goldberg, D. E. (1989). Genetic Algorithms in Search, Optimization and

Machine Learning. Addison-Wesley.
▪ Haupt, R. L., & Haupt, S. E. (2004). Practical Genetic Algorithms Second
Edition. Practical Genetic Algorithms.
▪ Kruseman, G. P., de Ridder, N. A. (1990). Analysis and evaluation of pumping
test data. International Institute for Land Reclamation and Improvement.
▪ Satriyanto, E. (2009). Algoritma Genetika. Retrieved from
http://entin.lecturer.pens.ac.id/KecerdasanBuatan/Buku/Bab 7 Algoritma
Genetika.pdf
Terima Kasih