OPTIMASI PARAMETER MODEL TANGKI

DENGAN METODE ALGORITMA

GENETIK (AG)
DI SUB DAS KESER

ANNISA AKALILY
105060400111059

Pembimbing : Penguji :
Dr. Ir. Widandi Soetopo M. Eng. Dr. Ir. Pitojo Tri Juwono, MT.
Dr. Ir. Lily Montarcih Limantara Dr. Ir. Rispiningtati, M.Eng.
M.Sc.
 LATAR BELAKAN
G

Semua model konseptual untuk transformasi data hujan

menjadi data aliran sungai pada dasarnya dikembangkan
dari konsep dasar yang sama, yaitu daur hidrologi.

Model tangki Sugawara model yang dianggap cukup

representatif untuk mempresentasikan hubungan data
curah hujan dengan aliran sungai (Setiawan, Fukuda and
Nakano, 2003).
Kelemahan mendasar penerapan model tangki
adalah banyaknya parameter yang harus ditentukan
terlebih dulu secara simultan sebelum model tersebut
diimplementasikan
Dengan memanfaatkan kelebihan pada AG
diharapkan dapat mempermudah aplikasi Model Tangki,
sehingga secara efektif dapat membantu memecahkan
masalah keterbatasan data aliran sungai.
 IDENTIFIKASI M AS A L
AH

Pada sistem pengelolaan DAS ketersediaan data hidrologi

adalah sangat penting. Keterbatasan data hidrologi
merupakan masalah yang harus dicari pemecahannya.

Penggunaan data yang kurang memadai akan

berpengaruh terhadap hasil rencana yang didapat.

Salah satu faktor yang menjadi inspirasi untuk membuat

model tangki adalah adanya keterbatasan data
pengukuran debit.
Kajian ini difokuskan pada upaya menyelesaikan sistim
persamaan model tangki dengan memasukkan proses
optimasi pada tahap penentuan nilai optimal dari
parameter-parameternya
 BATASAN M AS A L A
H

Lokasi studi adalah Sub Sub DAS Kali Keser.

Proses simulasi tank model menggunakan software

visual basic application (VBA) Ms. Excel.

Skema simulasi model tangki menggunakan 4 tangki

susunan seri (standar).

Data hujan yang dianalisa adalah data curah hujan

harian sepanjang 20 tahun dari tahun 1993-2012.

Data curah hujan yang dipakai dalam input optimasi

parameter model tangki dengan metode AG adalah
data yang terpilih melalui uji statistik data hujan.

Tidak membahas pengaruh sedimentasi.

 RUMUSAN M AS A L A
H

Curah hujan harian dalam rentang waktu mana

yang paling baik?

Bagaimana proses pengembangan populasi

kromosom dengan metode Algoritma Genetika
(AG) ?

Bagaimana hasil optimasi parameter model tangki

dengan model simulasi Algoritma Genetik (AG)?
TUJUAN DAN MANFA
AT

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 studi ini adalah dihasilkannya model

tangki yang diharapkan dapat diterapkan cara yang
serupa pada DAS lain yang memiliki kesamaan
karakteristik dengan daerah studi, sehingga masalah
keterbatasan data debit suatu DAS dapat dipecahkan.
LOKASI STUDI

Lokasi studi berada di Sub Sub DAS Keser yang

merupakan Sub Sub DAS dari Sub DAS Ngrowo. Sub Sub
DAS Keser memiliki luas 43,39 km dan secara
geografis terletak di koordinat
Secara administratif lokasi 111 315
studi 111di 3516
berada area
BT dan 8 0antara
perbatasan 56 Kabupaten
8 542 LS.Ponorogo dan Kabupaten
Trenggalek yang terdiri dari lima kecamatan dan 12
desa dengan rincan daftar nama kecamatan sbb:
Kecamatan Ngrayun: 2.766.737 m2 (2,77 km2)
(16,59%)
Kecamatan Pule : 18.219.645 m2 (18,22 km2)
(16,47%)
Kecamatan Sambit : 8.762.206,08 m2 (8,76 km2)
(100%)
Kecamatan Sawo : 12.083.199,96 m2 (12,08km2
(39,02%)
Kecamatan Tugu : 1.499.155,8 m2 (1,5 km2) (2,13%)
PETA LOKASI STUDI
DATA YANG DIPERLUKA
N
Data Curah Hujan
Data CH harian sepanjang 32th (1981-2012) yang dianalisa
20th (1993-2012)
Sumber data: BBWS Brantas
Data Klimatologi
Data Klimatologi rerata tahun 2001-2010
Sumber data: Hasil Studi terdahulu
Data DAS
Berupa Peta DAS
Sumber data: BBWS Brantas
Data Debit
Berupa data debit lapangan (AWLR) harian sepanjang 10th (2003-
2012)
Sumber data: UPT PSAWS Bango Gedangan
 Konsep Model Tangki Sugawara
Evaporasi
Hujan Evaporasi
Hujan

Hujan Evaporasi

f 1.2
f 1.2 q1.2
q1.2
q1.2 Aliran di Permukaan h1.2
He1 h1.2 f 1.1
He1 f 1.1 q1.1
q1.1
h1.1
qb.1 q1.1 Aliran di bawah Permukaan b1 h1.1
b1
q b.1
qb.1 f 2.1
f 2.1 q 2.1
q 2.1 Aliran antara q 2.1
(intermediate flow) He2
h2.1
He2
h2.1
b2
qb.2 b2 q b.2
qb.2 f 3.1
q 3.1 q 3.1
f 3.1
Sub-base flow q 3.1
He3
h3.1
He3
h3.1
b3
q b.3
qb.3 b3
qb.3
He4 f 4.1
q 4.1
channel flow q 4.1
He4 h4.1
base flow
b4 f 4.1
q b.4 q 4.1
Per debit yang keluar dari masing-masing outlet adalah:

Tangki 1 :
q1.2(t) = f1.2 x (He1(t-1) + R(t) Et0(t) h1.2)
q1.1(t) = f1.1 x (He1(t-1) + R(t) Et0(t) h1.1)
qb1(t) = b1 x (He1(t-1) + R(t) Et0(t))
He1(t) = (He1(t-1) + R(t) Et0(t)) q1.2(t) q1.1(t) qb1(t)

Tangki 2 :
q2.1(t) = f2.1 x (He2(t-1) + qb1(t) h2.1)
qb2(t) = b2 x (He2(t-1) + qb1(t))
He2(t) = (He2(t-1) + qb1(t)) q2.1(t) qb2(t)

Tangki 3 :
q3.1(t) = f3.1 x (He3(t-1) + qb2(t) h3.1)
qb3(t) = b3 x (He3(t-1) + qb3(t))
He3(t) = (He3(t-1) + qb2(t)) q3.1(t) qb3(t)

Tangki 4 :
q4.1(t) = f4.1 x (He4(t-1) + qb3(t))
qb4(t) = b3 x (He4(t-1) + qb4(t))
He4(t) = (He4(t-1) + qb3(t)) q4.1(t)
agram Alir Optimasi Parameter Model Tangki

klik
Diagram Alir Studi

Klik
 ANALISA DAN PEMAHAS
AN
Analisa Data Hujan

a) Uji Konsistensi Curah Hujan

Kurva Massa Ganda St 1. K.D.PU.AIR

2100

f(x) = 0.99x + 64.12

1800
R = 1

1500

1200

Komulatif CH
900

600

300

0
0 300 600 900 1200 1500 1800 2100

Komulatif Rerata CH Stasiun Sekitar

Gambar Kurva Massa Ganda Stasiun Hujan

K.D.PU.AIR
Sumber: Hasil Perhitungan
 Kurva Massa Ganda St 2. Boyolangu

2100

1800 f(x) = 0.96x - 43.91

R = 1
1500

1200

Komulatif CH
900

600

300

0
0 300 600 900 1200 1500 1800 2100

Komulatif Rerata CH Stasiun Sekitar

Gambar Kurva Massa Ganda Stasiun Hujan

Boyolangu
Sumber: Hasil Perhitungan
 Kurva Massa Ganda St 3. Ngantru

2100

f(x) = 1.04x - 16.44

1800 R = 1

1500

1200

Komulatif CH
900

600

300

0
0 300 600 900 1200 1500 1800 2100

Komulatif Rerata CH Stasiun Sekitar

Gambar Kurva Massa Ganda Stasiun Hujan

Ngantru
Sumber: Hasil Perhitungan
b) Uji ANOVA
 Untuk F1 (= 0,35) :
Didapatkan nilai masing-masing Fcr dari beragam nilai (%)
sebagai berikut:
(10%) = 2,45 F1 < Fcr
(5%) = 3,25 F1 < Fcr
(2,5%) = 4,08 F1 < Fcr
(2,5%) = 5,25 F1 < Fcr
Hasil uji homogenitas antar kelas (stasiun curah hujan)
menunjukkan bahwa F1 < Fcr , maka H0 diterima (hipotesa 1 =
hujan homogen antar kelas/stasiun)

Untuk F2(=1,37) :
Didapatkan nilai masing-masing Fcr dari beragam nilai (%)
sebagai berikut:
(10%) = 1,63 F2 < Fcr
(5%) = 1,87 F2 < Fcr
(2,5%) = 2,12 F2 < Fcr
(2,5%) = 2,48 F2 < Fcr
Hasil uji homogenitas antar tahun menunjukkan bahwa F 2 < Fcr
b) Curah Hujan Rerata Daerah
K.D.PU.AIR (A1) = 10,48
km2
Boyolangu (A2) = 18,89
km2
Perhitungan dilakukan
Ngantru (A3) = 14,03 km2
dengan menggunakan
persamaan sebagai
berikut:

R=

Hasil perhitungan
disajikan di lampiran

Gambar Luas Daerah Pengaruh

Metode Poligon Thiessen
Sumber: Hasil Analisa
Perhitungan Evapotranpirasi

Data klimatologi yang digunakan adalah data rata-rata dari tahun

2001-2010.
Tabel Perhitungan Evapotranspirasi Metode
Penman

mber: Hasil Perhitungan

Uji Statistik Data Hujan
a) Untuk jenis model tangki dengan coba banding 24 hari (22 Jan
2003 14 feb 2003)

RMSE = 325,53.
Korelasi = 0,0857.
b) Untuk jenis model tangki dengan coba banding 25 hari (28 Nov
2010 22 Des 2010)

RMSE = 0,5852.
korelasinya = 0,4152.
c) Untuk jenis model tangki dengan coba banding 28 hari (10 Des 2005
6 Jan 2006)

RMSE = 1,1027.
korelasi = 0,661.
d) Untuk jenis model tangki dengan coba banding 28 hari (11 Jan 2009 7
Feb 2009)

RMSE = 0,8348.
korelasi = 0,4386.
e) Untuk jenis model tangki dengan coba banding 34 hari (20 Feb 2008
24 Mar 2008)

RMSE = 2,1276.
korelasi = -0,03.
f) Untuk jenis model tangki dengan coba banding 30 hari (2 Des 2012
31 Des 2012 )

RMSE = 0,7515.
korelasi = -0,053.
g) Untuk jenis model tangki dengan coba banding 22 hari ( 23 Jan 2004
13 Feb 2004 )

RMSE = 0,9854.
Korelasi = 0,6484.
 Optimasi Parameter Model Tanngki
dengan Metode AG
Proses Inisialisasi

Sumber: Hasil Perhitungan

 Proses Crossover
Proses kawin silang (kombinasi antara kromosom pada generasi
awal) sehinggga terbentuk suatu populasi awal yang terdiri dari
120 kromosom
Tabel Populasi Awal Parameter Model Tangki

Sumber: Hasil Perhitungan

 Proses Perbaikan

Proses perbaikan bertujuan untuk meningkatkan kualitas dari

generasi variabel parameter model tangki, yang ditandai dengan
peningkatan nilai kinerja dari generasi tersebut.

Proses perbaikan ini pada dasarnya adalah proses-proses crossover dan

reproduksi yang dilaksanakan secara bergantian secara iteratif sehingga
tercapai suatu populasi yang seragam (homogen) dengan kualitas yang
dianggap terbaik.
Tabel Populasi Hasil Perbaikan Pertama

ber: Hasil Perhitungan

Selanjutnya adalah proses reproduksi. Proses reproduksi pada proses
perbaikan ini melaksanakan peningkatan kualitas dengan melakukan
seleksi terhadap populasi kromosom.
Tabel Populasi Hasil Perbaikan (Seleksi)

Sumber: Hasil Perhitungan

 Terhadap 16 kromosom yang terpilih kemudian dilakukan copy untuk
menghasilkan generasi turunan berikutnya, kemudian dicek kondisi
keseragaman populasi.
Tabel Cek Kondisi Keseragaman Populasi
Kromosom

ber: Hasil Perhitungan

Iterasi perhitungan optimasi dengan metode AG ini akan berhenti begitu

dicapainya kondisi populasi kromosom yang seragam (homogen). Dalam
kondisi ini maka setiap kromosom identik satu sama lain.
 Secara umum hasil perhitungan iteratif dari optimasi Algoritma Genetika
yang telah optimal disajikan pada tabel berikut:
Tabel Rekap Hasil Iterasi Optimasi Metode AG

er: Hasil Perhitungan

Dari Tabel Rekap Hasil Iterasi Optimasi Metode AG dapat dilihat bahwa
kondisi populasi yang seragam atau homogen akhirnya tercapai pada
iterasi yang ke-20.
Optimasi ini dilakukan sebanyak 6 kali dimana masing-masingnya
menggunakan input berbeda (Eto, CH, dan QAWLR). Hasil optimasinya
lalu dibandingkan satu sama lain seperti yang ditampilkan pada tabel
berikut ini:
Selanjutnya dilakukan simulasi perhitungan debit model dari tahun 2003-
2012 dengan menggunakan input parameter-parameter model tangki
yang telah dihitung sebelumnya menggunakan metode AG

Grafik hasil simulasi model tangki 10 tahun dengan optimasi AG 22 hari

Sumber: Hasil Perhitungan
Grafik hasil simulasi model tangki 10 tahun dengan optimasi AG
25 hari
Sumber: Hasil Perhitungan
Grafik hasil simulasi model tangki 10 tahun dengan optimasi AG 28 hari
Sumber: Hasil Perhitungan
Grafik hasil simulasi model tangki 10 tahun dengan optimasi AG 28
hari
Sumber: Hasil Perhitungan
Grafik hasil simulasi model tangki 10 tahun dengan optimasi AG 30
hari
Sumber: Hasil Perhitungan
Grafik hasil simulasi model tangki 10 tahun dengan optimasi AG 34
hari
Sumber: Hasil Perhitungan
 KESIMPULAN

Berdasarkan hasil pembahasan sebelumnya, maka dapat diambil

beberapa kesimpulan, antara lain :
1. Uji statistik data hujan perlu dilakukan untuk mengetahui data mana
yang paling baik yang nanti akan digunakan sebagai data input
dalam optimasi metode Algoritma Genetik (AG). Berdasarkan uji
statistik data hujan menggunakan simulasi model tangki dengan
metode simulasi coba-banding/trial and error, didapatkan hasil nilai
indikator RMSE untuk setiap model tangki empat susun seri dengan
berbagai macam hari berikut:
a. Coba-banding 24 hari (22 Jan 2003 14 Feb 2003), nilai RMSE
sebesar 325,53.
b. Coba-banding 25 hari (28 Nov 2010 22 Des 2010), nilai RMSE
sebesar 0,5852.
c. Coba-banding 28 hari (10 Des 2005 6 Jan 2006), nilai RMSE
sebesar 1,1027.
d. Coba-banding 28 hari (11 Jan 2009 7 Feb 2009), nilai RMSE
sebesar 0,2139.
e. Coba-banding 34 hari (20 Feb 2008 24 Mar 2008), nilai RMSE
sebesar 2,1276.
f. Coba-banding 30 hari (2 Des 2012 31 Des 2012), nilai RMSE
sebesar 0,7515.
2. Rumusan model simulasi Algoritma Genetik ditentukan dengan
langkah awal yaitu mencari alternatif awal dari skedul tampungan
waduk dengan melakukan proses inisialisasi. Dalam proses
inisialisasi ini dibangkitkan secara stokastik 16 alternatif nilai
parameter model dari inisialisasi generasi awal, selanjutnya
adalah proses crossover atau persilangan antar kromosom
sehingga terbentuk populasi kromosom parameter sejumlah 120
dari hasil kombinasi antar kromosom dari generasi awal yang
berjumlah 16. Berikutnya adalah proses reproduksi yaitu memilih
16 kromosom terbaik dari populasi yang terdiri dari 120 kromosom
berdasarkan indikator kerja. Ada prioritas bagi kromosom hasil
crossover yang ada perbaikanya (paling sedikit 1 kali). Terhadap
16 kromosom terpilh dilakukan copy untuk menghasilkan generasi
turunan baru yang berikutnya. Setelah dilakukan proses copy
kemudian akan menjadi generasi turunan baru yang jumlahnya
sama saat proses inisialisai generasi awal yaitu 16 kromosom
3. Hasil optimasi parameter model tangki dengan metode Algoritma
Genetik (AG) sebagai berikut:
a. Optimasi 22 hari (23 Jan 2004 13 Feb 2004), nilai RMSE sebesar
0,9364.
b. Optimasi 25 hari (28 Nov 2010 22 Des 2010), nilai RMSE
sebesar 0,5658.
c. Optimasi 28 hari (10 Des 2005 6 Jan 2006), nilai RMSE sebesar
1,0960.
d. Optimasi 28 hari (11 Jan 2009 7 Feb 2009), nilai RMSE sebesar
0,4443.
e. Optimasi 30 hari (2 Des 2012 31 Des 2012), nilai RMSE sebesar
0,4542.
f. Optimasi 34 hari (20 Feb 2008 24 Mar 2008), nilai RMSE sebesar
2,0948.
Dari grafik hubungan antara kedua seri debit pada simulasi Model
Tangki didapatkan seri debit hasil bangkitan model terlihat berbeda
TERIMA KASIH