ABSTRAK : Jaringan stasiun hujan yang efisien dan efektif, mendukung biaya operasional dan
pemeliharaan yang minimum serta data curah hujan yang akurat. Oleh karena itu, dilakukan rasionalisasi
di Daerah Aliran Sungai Rejoso yang memiliki luas 234,257 km2 dengan 9 stasiun hujan. Pada hasil
analisis kerapatan jaringan stasiun hujan didapatkan 3 stasiun hujan terpilih yaitu Winongan, Lumbang,
Panditan dengan KR sebesar 7,336%, minimum mean square error untuk training set 0,024 sedangkan
untuk cross validation set 0,007 dan nash sutcliff error ‘baik’. Sedangkan hasil evaluasi pola penyebaran
stasiun hujan didapatkan kondisi eksisting maupun hasil JST telah tersebar pada seluruh bagian DAS
(Hulu, Tengah dan Hilir). Kemudian analisis hubungan topografi jaringan hasil JST dengan 3 stasiun
hujan memiliki koefisien determinasi tertinggi yaitu hubungan antara curah hujan dengan jarak sebesar
0,858 dan hubungan antara jarak dengan beda tinggi sebesar 0,995. Analisis debit banjir menggunakan
Hidrograf Satuan Sintetis (HSS) Nakayasu didapatkan Q25th, untuk kondisi eksisting sebesar 350,124
m³/dt, jaringan hasil JST dengan 5 stasiun hujan sebesar 537,276 m³/dt sedangkan hasil JST dengan 3
stasiun hujan sebesar 586,895 m³/dt.
Kata Kunci: Rasionalisasi, Jaringan Saraf Tiruan, Kerapatan Jaringan, Aspek Topografi, Debit Banjir
Rancangan.
ABSTRACT: The efficiency and effectivity of rainfall station network supporting minimum operational
and maintenance costs and accuration of rainfall data. Rejoso watershed is a rationalized location which
has an area of 234,257 km2 with 9 rain stations. The result of rain station network density analysis is 3
rain stations chosen that are Winongan, Lumbang, Panditan with Relative Error equal to 7,336%,
minimum mean square error for training set 0,024 while for cross validation set 0,007 and nash sutcliff
error 'Good'. While the evaluation results of the dispersion pattern of the rain station obtained the
existing condition and the results of ANN has spread across the entire watershed (Upper, Middle and
Lower). Then the relationship with the topography of the network results of ANN with 3 rain stations has
the highest coefficient of determination that is the relationship between rainfall with a distance of 0.858
and the relationship between the distance with a high difference of 0.995. Analysis of flood discharge
using Synthetic Unit Hydrograph of Nakayasu was obtained Q 25th, for the existing condition of 350,124
m³ / sec, network of ANN result with 5 rain stations 537,276 m³ / sec whereas the result of ANN with 3
rain stations 586,895 m³ / sec.
Keywords: Rationalization, Artificial Neural Networks, Network Density, Topographical Aspects, Design
Flood Discharge.
Data hidrologi memiliki kegunaan lebih terkandung di dalamnya adalah bahwa data
lanjut bagi teknik pengairan. Pengertian yang hidrologi merupakan data-data dasar untuk
memenuhi perencanaan bangunan air. Kebenaran a. METODE WMO
data haruslah sangat diperhatikan supaya kerapatan minimum 600 – 900 km2/pos untuk
menghasilkan perencanaan bangunan keairan daerah dataran dan untuk daerah pegunungan
yang efisien dan efektif. Sebelum mengumpulkan sebesar 100 – 250 km2/pos (Linsley,1986, p. 67).
seluruh data tersebut, sangat penting
memperhatikan keadaan jaringan pengamatan b. METODE BLEASDALE
hidrologi yang ada pada daerah kajian. Berdasarkan penelitian yang dilakukan oleh
DAS Rejoso merupakan daerah kajian Blasedale (Wilson, 1974, p.16), jumlah stasiun
penelitian untuk rasionalisasi jaringan stasiun penakar hujan minimal yang digunakan
hujan yang terletak di kabupaten Pasuruan. Pada dipengaruhi oleh luas DAS.
DAS Rejoso kerapatan jaringan dan pola sebaran
Tabel 1
stasiun hujannya masih kurang diperhatikan, Jumlah Stasiun hujan optimal berdasarkan luas
yaitu tentang banyak stasiun hujan yang tersebar DAS berdasarkan cara Blasedale
dan lokasi penyebarannya di DAS Rejoso. Studi
ini memperhatikan keseimbangan antara biaya
operasional dan pemeliharaan yang minim
dengan ketelitian data hidrologi yang optimum
khususnya data curah hujan dengan metode
Jaringan Saraf Tiruan (JST).
e. METODE JST
Mengadopsi mekanisme berpikir sistem Gambar 3 Langkah Perambatan Maju
yang menyerupai otak manusia. Sumber: Hermawan, 2006 : 51
1 8 9
2 7 36
3 6 84
4 5 126
5 4 126
6 3 84
7 2 36
8 1 9
Jumlah 510
Sumber: Pengolahan Data, 2018
c. Hasil Pelatihan Jaringan Saraf Tiruan
untuk Seluruh Kombinasi Gambar 5 Peta Stasiun Hujan Terpilih Hasil
Setelah kombinasi telah terbentuk Peramalan JST (5 Stasiun Hujan)
seluruhnya dan melalui tahapan pelatihan Sumber: Hasil Analisis, 2018
jaringan. Maka dilakukan perhitungan
KR, Min MSE dan NSE. Hasil yang
paling optimal terdapat pada kombinasi
nomor 251 dengan jumlah 5 stasiun
hujan yaitu Gading, Winongan,
Lumbang, Panditan dan Umbulan dengan
KR sebesar 1,896% dan NSE sebesar
0,993 sedangkan pada kombinasi nomor
311 memiliki KR sebesar 0,574 % dan
NSE sebesar 0,574, namun dikarenakan
NSE pada kombinasi nomor 251 lebih
baik dibandingkan nomor 331 maka
dipilih kombinasi nomor 251.
Tabel 6
Koordinat 5 Stasiun Hujan Terpilih Hasil JST
Stasiun Letak Koordinat
No
Hujan/AWLR B. Timur (E) L. Selatan(S)
1 Gading 112" 94" 72 -7" 72" 43
2 Winongan 112" 57" 31 -7" 44" 33
3 Umbulan 112" 47" 10 -7" 36" 50
4 Lumbang 113" 01" 45 -7" 50" 30
5 Panditan 112" 02" 26 -7" 49"50
AWLR Hilir
6 ” ” ” ”
Winongan Gambar 6 Peta Poligon Thiessen Stasiun Hujan
Sumber: Data UPT PSDA Gembong Pekalen,
Terpilih Hasil Peramalan JST (5 Stasiun Hujan).
2018
Sumber: Hasil Analisis, 2018
Supaya mendapatkan perbandingan yang variatif Lanjutan Tabel 7 Koordinat 3 Stasiun Hujan
dilakukan juga analisis kerapatan jaringan Terpilih di dalam DAS Rejoso
apabila hanya stasiun hujan yang berada di dalam Stasiun Letak Koordinat
No Hujan/
DAS Rejoso yang terpilih dengan metode JST. B. Timur (E) L. Selatan(S)
AWLR
Menggunakan acuan hasil analisis sebelumnya 3 Panditan 112" 02" 26 -7" 49"50
dimana terpilih 5 stasiun hujan dengan peramalan AWLR Hilir
4 ” ” ” ”
JST yaitu 4 stasiun hujan di dalam DAS dan 1 di Winongan
luar DAS. Maka dari 4 stasiun hujan di dalam Sumber: Data UPT PSDA Gembong Pekalen, 2018
DAS tersebut, kombinasi JST dibuat kembali
Analisis Pola Penyebaran Stasiun Hujan
dengan mengurangi satu persatu sehingga
kombinasi stasiun hujan yang tersisa berjumlah 1 Pola penyebaran jaringan stasiun hujan akan
buah saja. Didapatkan jumlah stasiun yang paling dibahas berdasarkan kondisi eksisting dan stasiun
optimal sebanyak 3 buah stasiun hujan yaitu hujan terpilih.
Winongan, Lumbang dan Panditan dengan KR a. Jaringan Stasiun Hujan Kondisi Ekisting
7,336% ,Min MSE untuk Training Set 0,024 Menurut (Sri Harto,1993), bahwa
sedangkan untuk Cross Validation Set 0,007 dan jaringan stasiun hujan tidak dapat terlepas dari
NSE baik. jaringan pengukuran sungai (Stasiun Hidrometri).
Untuk itu dianjurkan, setiap satu stasiun
hidrometri (AWLR) paling tidak terdapat satu
stasiun hujan, satu di dekat AWLR dan lainnya di
bagian hulu DAS.
Dalam prakteknya pola penyebaran
jaringan stasiun hujan kondisi eksisting sudah
menempatkan stasiun Winongan berada di
dalam DAS serta Gading, KWD Grati dan
Ranugrati berada di luar DAS sehingga
sebanyak 4 stasiun hujan yang berdekatan
dengan AWLR kemudian ada 5 stasiun hujan
yaitu stasiun Umbulan, Lumbang dan Panditan
berada di dalam DAS serta Puspo dan Ngadisari
berada di luar DAS yang letaknya ke arah hulu.
Tabel 7
Koordinat 3 Stasiun Hujan Terpilih di dalam
DAS Rejoso
Stasiun Letak Koordinat
No Hujan/ Gambar 8 Peta Penampang Memanjang Sungai
AWLR B. Timur (E) L. Selatan(S) Terpanjang di DAS Rejoso
1 Winongan 112" 57" 31 -7" 44" 33 Sumber: Pengolahan Data, 2018
2 Lumbang 113" 01" 45 -7" 50" 30
Tabel 8 Tabel 10
Perletakan Stasiun Hujan pada DAS Rejoso Perletakan Stasiun Hujan pada DAS Rejoso Hasil
Kondisi Eksisting JST dengan 3 Stasiun Hujan
No Stasiun hujan Elevasi Bagian DAS Stasiun Bagian
No Elevasi
Ngadisari hujan DAS
1 1890 Hulu
1 Panditan 600 Hulu
2 Puspo 640 Hulu
Panditan 2 Lumbang 137 Tengah
3 600 Hulu
4 Lumbang 137 Tengah 3 Winongan 10 Hilir
Sumber: Hasil Perhitungan, 2018
5 Ranugrati 14 Tengah
Umbulan Maka pada jaringan ini, stasiun hujan tersebar
6 25 Tengah
Gading pada seluruh bagian DAS Rejoso.
7 10 Hilir
Analisis Hubungan Jaringan Stasiun Hujan
8 Winongan 10 Hilir
Terpilih dengan Faktor Topografi
9 KWD.Grati 10 Hilir Hubungan dan pengaruh dua variabel
Sumber: Hasil Perhitungan, 2018
antara curah hujan sebagai variabel terikat (Y)
Dengan demikian untuk jaringan kondisi dengan Faktor topografi stasiun hujan terpilih
eksisting, stasiun hujan tersebar merata pada sebagai variabel bebas (X) dimana parameter
seluruh bagian DAS Rejoso. topografi yaitu jarak, elevasi, beda tinggi dan
slope stasiun hujan terpilih terhadap AWLR dan
b. Jaringan Stasiun Hujan Terpilih Hasil
hubungan antar parameter topografi jarak (Y)
JST
dengan beda tinggi dan elevasi (X). Dalam
Berdasarkan hasil analisis metode JST,
analisisnya, digunakan 4 macam regresi yaitu
dalam hal pola penyebaran. Metode ini tidak
linear, eksponensial, logaritmik dan berpangkat
memberikan rekomendasi lokasi lain untuk
dengan memperhatikan koefisien determinasi
stasiun hujan yang terpilih (5 stasiun Hujan dan 3
(R2).
Stasiun Hujan). Artinya lokasi Stasiun hujan
terpilih yaitu stasiun Gading, Winongan,
Umbulan, Lumbang dan Panditan sama dengan
lokasi awalnya.
Digunakan parameter yang sama dengan
kondisi eksisting dalam memastikan stasiun
hujan tersebar dibagian Hulu, Tengah dan Hilir
DAS Rejoso menggunakan penampang
memanjang sungai yang sama, didapatkan
analisis pola sebaran pada tabel berikut ini.
Tabel 9
Perletakan Stasiun Hujan pada DAS Rejoso Hasil
JST dengan 5 Stasiun Hujan
Stasiun
No Elevasi
hujan Bagian DAS
1 Panditan 600 Hulu
2 Lumbang 137 Tengah
3 Umbulan 25 Tengah Gambar 9 Peta Jarak Stasiun Hujan Hasil JST
Sumber: Pengolahan Data, 2018
4 Gading 10 Hilir
5 Winongan 10 Hilir a. Hubungan Topografi 5 Stasiun Hujan
Sumber: Hasil Perhitungan, 2018 Terpilih
Didapatkan hasil hubungan antara curah hujan
dengan elevasi memiliki koefisien determinasi
tertinggi, R2 sebesar 0,698 menggunakan regresi dengan 3 stasiun hujan. Didapatkan hasil
logaritmik. Dengan demikian hubungan antar hubungan curah hujan dengan jarak memiliki
kedua variabel tersebut paling kuat dikarenakan nilai koefisien determinasi paling tinggi dengan
memiliki koefisien determinasi paling tinggi R2 = 0,858 menggunakan regresi berpangkat.
yang mendekati 1 daripada hubungan yang lain.