Abstract
Prediksi inflow adalah sebuah kunci dalam perencanaan komponen, desain, operasi,
pengembangan dan pemeliharaan Sumber Daya Air (SDA) yang tersedia. Model
prediksi inflow memiliki banyak manfaat dalam aplikasi SDA seperti pengendali banjir,
mencegah kekeringan dan mengoptimalkan operasi waduk untuk keberlanjutan sistem
Pembangkit Listrik Tenaga Air (PLTA). Tujuan utama penelitian adalah mengembangkan
model untuk memprediksi inflow rata-rata harian pada Waduk PLTA Koto Panjang serta
menguji keandalan model untuk dapat diterapkan di lapangan. Metode pendekatan yang
digunakan dalam penelitian ini mengunakan metode yang dikembangkan oleh Roger
Jang pada tahun 1993 dari Departemen Teknik Listrik dan Ilmu Komputer dari
Universitas California, Amerika Serikat dengan melakukan pola penggabungan
komponen Soft computing antara Fuzzy Logic dan Artificial Neural Network (ANN) yang
lazim disebut algoritma Adaptive Neuro Fuzzy Inference System (ANFIS). Data yang
dipergunakan untuk mengembangkan model prediksi inflow waduk PLTA Kotopanjang
adalah data yang bersumber dari pencatatan data debit runtun waktu dari tahun 2007 –
2012 yang telah dilakukan oleh PT.PLN (Persero) KIT Sumbagut Sektor KIT Pekanbaru
unit PLTA Kotopanjang. Komposisi data debit runtun waktu dari tahun 2007- 2010
sebanyak 70% untuk proses training data sedangkan 30% data debit untuk proses testing
data. Selanjutnya data tahun 2011 dipergunakan untuk membangun model dan data debit
runtun waktu tahun 2012 untuk proses prediksi data inflow waduk PLTA Kotopanjang.
Hasil utama penelitian membuktikan bahwa hasil prediksi inflow Waduk PLTA Koto
Panjang pada tahun 2012 menggunakan pendekatan algoritma ANFIS dengan nilai
RMSE dan koefisien korelasi ( r ) berturut-turut sebesar 90 dan 0.64.
253
Lembaga Penelitian dan Pengabdian Kepada Masyarakat
Universitas Riau
Prosiding Seminar Nasional Pengelolaan Daerah Aliran Sungai Secara Terpadu 2017
2. METODEPENELITIAN
Lokasi Penelitian
Lokasi penelitian adalah PLTA Koto
Panjang yang terletak di Desa Merangin
Kecamatan XIII Koto Kampar,
Kabupaten Kampar, Provinsi Riau Gbr. 2. Struktur Jaringan ANFIS
disajikan seperti pada Gambar 1 di
bawah ini Arsitektur jaringan ANFIS menurut
Jang dkk., (1997) terdiri dari lapisan-
lapisan sebagai berikut.
Lapis 1.Tiap-tiap neuron i pada lapisan
pertama adaptif terhadap
parameter suatu fungsi aktivasi.
255
Lembaga Penelitian dan Pengabdian Kepada Masyarakat
Universitas Riau
Prosiding Seminar Nasional Pengelolaan Daerah Aliran Sungai Secara Terpadu 2017
w
i
berubah. Parameter-parameter i i i
pada lapisan itu biasanya
dikenal dengan nama premise Algoritma Pembelajaran ANFIS
parameter. Pada saat premise parameters
Lapis 2.Tiap-tiap node pada layer akan ditemukan, output yang terjadi akan
mengalirkan sinyal yang datang merupakan kombinasi linear dari
dan mengeluarkan hasil consequent parameters, yaitu :
perkalian tersebut sebagai
output. Sehingga node function- w1 w2
f= f1+ f2
nya dirumuskan : w1 w 2 w1 w 2
Ai(x)xBi(y), i=1,2 f = w 1(p1x+q1y+r1)+ w 2(p2x +q2 y+ r2)
Masing-masing output node
f= ( w 1x)p1+ ( w 1y)q1 + ( w 1) r1 + ( w 2
merepresentasikan firing
strength suatu rule. Node x) p2 + ( w 2y) q2 + ( w 2)r2
function pada layer ini dapat
menggunakan operator T-norm adalah linear terhadap parameter
untuk melakukan operasi AND consequent parameter p1, q1, r1, p2, q2
Lapis 3. Tiap-tiap node pada layer ini dan r2. Algoritma hybrid akan mengatur
merupakan node lingkaran parameter-parameter pi, qi, ri secara maju
berlabel N. Node i dan akan mengatur parameter-parameter
menghitung rasio firing (ai, bi, ci) secara mundur. Pada langkah
strength rule i dengan jumlah maju, input jaringan akan merambat
semua firing strength rule. maju sampai pada lapisan keempat,
wi dimana parameter-parameter pi, qi, ri
wi , i 1, 2 akan diidentifikasi dengan
w1 w 2 menggunakan metode least-square.
Hasil ini dikenal dengna nama Sedangkan pada langkah mundur, error
normalized firing strength. sinyal akan merambat mundur dan
Lapis 4. Tiap-tiap node ke- i pada parameter -parameter (ai, bi, ci) akan
layer ini merupakan node diperbaiki dengan menggunakan metode
kotak dengan node function: gradient descent. Meskipun dapat
menggunakan algoritma back
propagation atau gradient descent untuk
meng identifikasi parameter - parameter
256
Lembaga Penelitian dan Pengabdian Kepada Masyarakat
Universitas Riau
Prosiding Seminar Nasional Pengelolaan Daerah Aliran Sungai Secara Terpadu 2017
i 1
i 1 persamaan di bawah ini.
Qt 1 f (Qt )
257
Lembaga Penelitian dan Pengabdian Kepada Masyarakat
Universitas Riau
Prosiding Seminar Nasional Pengelolaan Daerah Aliran Sungai Secara Terpadu 2017
Qt 1 f (Qt 1 , Qt )
Qt 1 f (Qt 2 , Qt 1 , Qt )
Qt 1 f (Qt 3 , Qt 2 , Qt 1 , Qt )
Tabel 3. Skema Model ANFIS )
Dengan Qt adalah inflow pada saat t Skema ROI
R RMSE
(m3/dt), Qt-1 adalah inflow pada saat t-1 1 0.00005 1 2.89
(m3/dt), Qt-2 adalah inflow pada saat t-2 2 0.0004 1 0.000118
(m3/dt), Qt-3 adalah inflow pada saat t-3 3 0.080 1 0.000008
(m3/dt) dan Qt+1 adalah inflow pada saat 4 0.09 1 0.000006
t+1 (m3/dt). Selanjutnya skema model Sumber: Hasil Running Program MATLAB
untuk berbagai variasi jumlah input
yang diujicobakan untuk membangun Proses Testing Data
model ANFIS pada penelitian ini
Testing data digunakan untuk menilai
disajikan seperti Tabel 2 di bawah ini
unjuk kerja struktur ANFIS. Data yang
digunakan adalah sebanyak 30% dari
Tabel 2. Skema Model ANFIS
serangkaian data debit tahun 2002 –
Skema
Input Model Output
2010 yang diambil dari data inflow
Model Waduk PLTA Kotopanjang yang telah
Model
1 Qt Qt+1 dilakukan oleh PT.PLN (Persero) KIT
2 Qt , Qt-1 Qt+1 Sumbagut Sektor KIT Pekanbaru unit
3 Qt , Qt-1, Qt-2 Qt+1 PLTA Kotopanjang. Adapun hasil
4 Qt , Qt-1, Qt-2, Qt-3 Qt+1 selengkapnya proses testing data
menggunakan program bantu MATLAB
Dikatakan Suprayogi (2009) bahwa ada 7.0 selengkapnya disajikan seperti
dua tahap yang sangat penting pada Tabel 4 di bawah ini.
proses prediksi menggunakan sistem
neuro fuzzy algoritma ANFIS yaitu Tabel 4. Skema Model ANFIS
proses training data dan proses data.
Skema
Aplikasi dengan sistem neuro fuzzy R RMSE Korelasi
struktur ANFIS membutuhkan data 1 0.29 204.61 Cukup
training dan data testing. Keduanya 2 0.33 194.13 Cukup
berisi pola input/output. Jika training 3 0.57 154.81 Kuat
data dipergunakan untuk melatih 4 0.53 165.78 Kuat
Sumber: Hasil Running Program MATLAB
struktur ANFIS, testing data digunakan
untuk menilai unjuk kerja struktur
Proses Simulasi Data
ANFIS.
Merujuk pada hasil testing data yang
Proses Training Data disajikan pada Tabel … di atas, maka
model dengan skema 1 dan 2
Training data dipergunakan untuk mengindikasikan pencapaian hasil
melatih struktur ANFIS. Pada penelitian korelasi pada tingkat cukup sedangkan
ini dilakukan menggunakan data model skema 3 dan skema 4 menjadi
training sebanyak 70% dari serangkaian skema terpilih karena memiliki hasil
data debit tahun 2002 – 2010 yang klasifikasi korelasi cenderung kuat.
diambil dari data inflow Waduk PLTA Adapun data yang digunakan adalah
Kotopanjang yang telah dilakukan oleh sebanyak 100% dari serangkaian data
PT.PLN (Persero) KIT Sumbagut Sektor debit tahun 2002 – 2011 yang diambil
KIT Pekanbaru unit PLTA Kotopanjang dari data inflow Waduk PLTA
Adapun hasil selengkapnya proses Kotopanjang yang telah dilakukan oleh
training data menggunakan program PT.PLN (Persero) KIT Sumbagut Sektor
bantu MATLAB 7.0 disajikan seperti KIT Pekanbaru unit PLTA Kotopanjang.
Tabel 3 di bawah ini. Adapun hasil selengkapnya proses
simulasi data menggunakan program
258
Lembaga Penelitian dan Pengabdian Kepada Masyarakat
Universitas Riau
Prosiding Seminar Nasional Pengelolaan Daerah Aliran Sungai Secara Terpadu 2017
259
Lembaga Penelitian dan Pengabdian Kepada Masyarakat
Universitas Riau
Prosiding Seminar Nasional Pengelolaan Daerah Aliran Sungai Secara Terpadu 2017
260
Lembaga Penelitian dan Pengabdian Kepada Masyarakat
Universitas Riau
Prosiding Seminar Nasional Pengelolaan Daerah Aliran Sungai Secara Terpadu 2017
262
Lembaga Penelitian dan Pengabdian Kepada Masyarakat
Universitas Riau