Pemetaan Potensi Pembangkit Listrik Tenaga Mikrohidro (River-run-of

Hydropower) di Pulau Jawa dengan Menggunakan Artificial Neural

Networks
Akhmad Iqbal Ikromi (25021042)

1. LITERATURE REVIEW
1.1. Rapid Hydropower Potential Assessment for Remote Area by Using Global Data
(Muhammad farid, akbar Rixaldi, Aqdha Prahitna, M Syahril Badri Kusuma, Arno Adi
Kuntoro, dan Hadi Kardhana)
Penelitian tersebut melakukan studi potensi PLTMH di Pulau Bali tepatnya di DAS
Ayung. Digunakan data global sebagai input, data topografi yang digunakan adalah Multi-
Error-Removed Improved-Terain (MERIT) DEM. Untuk data hujan dan klimatologi
menggunakan CFSR (Climate Forcast System Reanalysis). Data klimatologi yang
digunakan berupa data temperature, kelembaban, radiasi sinar matahari, dan kecepatan
angin. Data tutupan lahan menggunakan data dari Badan Perencanaan dan Pembangunan
Nasional (BAPPENAS) yang diterbitkan pada tahun 2018. Sedangkan data untuk jenis
tanah menggunakan data dari The Oak Ridge National Laboratory Distributed Active
Archive Centre (ORNL DAAC). Limpasan hujan dimodelkan menggunakan program
SWAT (Soil and Water Assessment Tool). Dengan data hujan dan klimatologi selama 10
tahun (2004-2013) dan tutupan lahan menggunakan data dari BAPENNAS, dihasilkan
debit andalan dengan probabilitas melebihi 85% atau Q85 yang akan digunakan untuk
menghasilkan listrik. Proses verivikasi data debit tersebut dilakukan dengan
membandingkan data pencatatan dari BWS Bali-Penida.
Mekanisme perhitungan slope dilakukan pada grid sungai untuk mengetahui potensi energi
yang dihasilkan, semakin besar nilai slope maka semakin besar potensi head yang akan
digunakan dalam menghasilkan listrik. Untuk menghitung potensial energi, data DEM,
debit Q85, data sungai, dan flow accumulation diubah ke data dalam bentuk data raster
ASCII. Selanjutnya data akan diporses dengan Algoritma Diversi yang diaplikasikan
menggunakan model numerik. Algoritma ini akan menentukan lokasi yang paling optimal
untuk PLTMH dengan berbagai kriteria yang digunakan. Lokasi bendung (diversion)
ditentukan berdasarkan debit Q85 yang nilai nya lebih besar dari 0.1 m3/detik. Kemudian
berdasarkan lokasi tersebut, dipilih lokasi headpond dengan dengan perbedaan elevasi
paling minimum yang bertujuan untuk meminimalkan headloss dengan jarak maksimum
3 km. Langkah berikutnya, penentuan lokasi powerhouse dengan jarak tidak lebih dari 2
pixel (180 m). Apabila head kurang dari 3 meter, lokasi tersebut dianggap tidak
mempunyai potensi energi karena hampir semua tipe turbin tidak beroperasi dengan head
tersebut. Sehingga lokasi optimal PLTMH dapat ditentukan dan dipilih.
Penelitian tersebut hanya dilakukan di satu DAS yaitu di DAS Ayung di Pulau Bali.
Sedangkan untuk memeperhitungankan di banyak DAS dengan menggunakan program
SWAT diperlukan waktu dan tenaga yang cukup banyak dalam melakukan analisis.
 Algoritma diversi dapat diproses apabila sudah memperhitungakan analisis dengan
menggunakan SWAT. Sehingga dibutuhkan pemograman lain yang sudah
mempertimbangkan beberapa karakteristik pembangkitan debit andalan tersbut terhadap
potensi PLTMH dalam 1 algoritma, salah satunya menggunakan Artificial Neural
Networks (ANNs).
1.2. Global Maps of Streamflow Characteristics Based on Observation from Several Thousand
Catchments. (Hylke E. Beck, Ad De Roo, Albert I.J.M Van Dijk)
Penelitian ini mengobservasi data debit sejumah 3000-4000 DAS dengan ukuran kecil-
sedang atau dengan luas 10-10.000 km2 di seluruh dunia. Digunakan Artificial Neural
Networks untuk memperkirakan karakteristik debit andalan berdasarkan data iklim dan
karakteristik fisik pada DAS. Sejumlah 17 krakteristik dipilih, didalamnya termasuk debit
tahunan rata-rata, indeks aliran dasar (base flow), dan beberapa persentil aliran. Secara
umum, parameter iklim mendominasi di antara predictor. Prediktor yang berhubungan
dengan tanah dan geologi relatif tidak berpengaruh, hal ini dapat disebabkan karena
kualitas datanya. Sedangkan untuk data iklim dan fisiografi DAS yang digunakan sebagai
predictor dari karakteristik debit dipakai sejumlah 20 prediktor. Prediktor tersebut berupa
8 karakteristik berhubungan dengan iklim, 3 karakteristik berhubungan dengan topografi,
5 karakteristik tutupan lahan, 1 karakteristik geologi, dan 3 karakteristik tanah. Untuk
mengkalibrasi hasil pemodelan, karakteristik dari debit dibandingkan dengan debit
pencatatan (observed streamflow). Dalam penelitian ini digunakan 3 sumber data. Data
debit di Amerika Serikat menggunakan data Geospatial Attributes of Gages for Evaluating
Streamflow verision II (GAUGES II), data debit pencatatan dari Australia, dan data debit
harian serta bulanan dari Global Runoff data Centre (GDRC) untuk negara lain.
Penelitian tersebut menggunakan beberapa data dengan sumber yang berbeda. Untuk
diterapkan di Indonesia, data pencatatan debit telah dilakukan oleh Kementrian Pekerjaan
Umum di lokasi tertentu. Sehingga dalam penelitian yang akan penulis lakukan, untuk
melakukan kalibrasi model menggunakan data pencatatan yang ada di Indonesia dengan
menggunakan data debit harian yang ada. Sedangkan untuk 17 karakteristik tersebut, tidak
semuanya dapat diterapkan di Indonesia karena kuantitas data yang belum memadai untuk
dilakukan verifikasi, sehinga perlu penyederhanaan dari output karakteristik debit yang
akan dilakukan.
1.3. Streamflow Maps for Run-of-river Hydropower Developments in Japan (Ryosuke Arai,
Yausho Toyoda, So Kazama, 2021).
Penelitian ini menghasilkan peta karakteristik debit andalan pada DAS berukuran kecil (10
km2) di Jepang dengan menggunakan ANNs. Karena keterbatasan resolusi dari DEM yang
digunakan, analisi ini juga membatasi untuk DAS yang memiliki luas lebih besar dari 5
km2. Sehingga terdapat 387 DAS yang akan diidentifikasi di seluruh Jepang. Karakteristik
debit yang dihasilkan berupa debit rata rata tahunan (QMEAN), indeks debit harian (QD),
dan indeks volume air untuk run-of-river hydropower (WD95). Untuk indeks QD digunakan
4 indeks yaitu QD95, QD185, QD275, dan QD355. Data hujan dan salju digunakan dari
APHRO_JPV1207 yang berupa database hujan dengan resolusi 5 km2. Untuk data salju
 menggunakan Agrometeorological Grid Square Data dengan resolusi 1 km2. Dalam studi
ini, dimulai dengan menerapkan 176 DAS yang memiliki data pengamatan serta debit
pencatatan yang baik. Dari data tersebut akan dibuat sejumlah 12 ANNs yang diuji (trained
ANNs) kemudian akan digunakan alogirtma yang memiliki performa paling bagus. Dalam
penerapannya terdapat terdapat hubungan yang disinformatif namun juga terdapat korelasi
yang besar diantara karakteristik DAS dengan karakteristik debit andalan. Sehingga
penelitian ini menggunakan 12 kasus sebagai input variabel yang berbeda pada 176 DAS
tersebut. 12 kasus tersebut diaplikasikan dengan koefisien korealasi rank Spearman’s.
Sebagai tambahan dilakukan analisis komponen prinsip atau PCA (principle component
analysis) untuk menghasilkan variabel yang tidak berkorelasi dengan karakteristik DAS.
Setelah itu, akan dihitung koefision determinasi (R2) dan root mean square erorr (RMSE)
untuk mengetahui perofrma dari data training tersebut. Dengan melakikan trial-error dan
diperoleh nilai R2 dan RMSE plaing baik, ANNs diaplikasikan ke target DAS sejumlah
387. Langkah terakhir adalah dengan melakukan pemetaan indeks potensi hydropower.
Dari analisis ini diketahui bahwa indeks yang besar tidak selalu tergantung pada jumlah
kejadian hujan maupun salju.
Berdasarkan penelitian tersebut, perlu dikembangkan lagi parameter yang digunakan
dalam melakukan pemetetaan potensi PLTMH. Diantara lain seperti range nilai slope yang
optimum dan lokasi penempatan headpond dan powerhouse. Sedangkan dalam praktiknya
untuk melakukan konstruksi PLTMH diperlukan lahan yang memadai untuk dibagun
infrastruktur pendukung yang telah dijelaskan sebelumnya. Hidden layer pada ANNs
tersebut perlu ditambahkan untuk mendapatkan potensi PLTMH lebih detail agar hasil
yang dapat lebih riil dan dapat direalisasikan.
2. METODOLOGI
Penelitian ini dimulai dengan melakukan pengumpulan data karakteristik DAS dari data
global berupa:
a. Data Iklim dan hujan (CSFR)
b. Data Topografi (MERIT)
c. Data Tutupan Lahan (BAPENNAS)
d. Data Tanah (ORNL DAAC)
Kemudian dari data tersebut akan dilakukan data training pada algoritma ANNs untuk
didapatkan karakteristik debit andalan yang dikehendaki. Output dari ANNs tersebut
selanjutanya di verifikasi dengan data debit observasi yang didapatakan dari Kementrian
PUPR dalam hal ini adalah Balai Wilayah Sungai setempat. Hasil verifikasi berupa nilai
R2 dan RMSE yang dilakukan iterasi beberapa kali untuk didapatkan nilai terbaik dan pada
akhirnya diperoleh trained ANNs. Hasil dari trained ANNs akan digunakan untuk
mendapatkan debit andalan di berbagai DAS di Pulau jawa dengan data input karakteristik
DAS. Selain itu akan ditambahkan parameter potensi energi yang dihasilkan PLTMH
diantralain besar kemiringan sungai (slope), besar head, lokasi bendung/diversion, headpond,
dan powerhouse. Hasil akhir dari penelitian ini akan dibuat peta yang memuat lokasi potensi
PLTMH di Pulau Jawa dengan besar potensi energi yang dihasilkan. Untuk lebih jelas, dapat dilihat
di bagan alir penelitian pada Gambar 1 di bawah ini.
 Mulai

Perumusan Masalah

Literatur Review

Pengumpulan Data

Data Karakteristik DAS

1. Data Iklim dan hujan (CSFR) Data Debit
2. Data Topografi (MERIT) Pencatatan (Debit
3. Data Tutupan Lahan Observasi
(BAPENNAS)
4. Data Tanah (ORNL DAAC)

DAS di Semua Pulau Jjawa DAS yang mempunyai data

debit observasi

Pembuatan ANNs, dengan berbadai variabel

di hidden layer

Tidak R2 ~ 1 &
RMSE ~ 0

Ya

Trained ANNs

Pemetaan Potensi
PLTMH

Selesai

Gambar 1 Bagan Alir Peneletian