Maknun, Lu’luil (2019) Analisa Limpasan Berdasarkan Curah Hujan Menggunakan Model Artifical Neural Network (ANN) Di Sub DAS Brantas Hulu. Sarjana thesis, Universitas Brawijaya.
Abstract
DAS bagian Hulu sering mengalami peralihan tata guna lahan yang menyebabkan kemampuan infiltrasi menjadi berkurang. Sehingga air hujan yang jatuh pada suatu daerah aliran sungai (DAS) akan menjadi limpasan permukaan (surface runoff) yang akan berpengaruh terhadap aliran debit pada suatu outlet DAS dan menyebabkan banjir. Data debit biasanya tersedia lebih sedikit dibandingkan data curah hujan, sehingga dicari suatu hubungan antara aliran sungai yang diterapkan dalam periode tersedia data curah hujan di suatu wilayah DAS. Studi ini dilakukan untuk mengetahui hasil pemodelan debit berdasarkan curah hujan dengan metode Artifical Neural Network (ANN) dengan program MATLAB R2014b dan mengetahui perbandingan debit model ANN dengan data pengamatan di Sub DAS Brantas Hulu. Data yang digunakan pada studi ini masing-masing 10 tahun (2008-2017) dengan data tambahan yaitu koefisien aliran dan jumlah hari hujan. Data curah hujan dan debit terlebih dahulu dilakukan analisis kualitas data, yaitu dengan Pembangkitan Data Hilang (Normal Ratio dan Regresi Linier Sederhana), Uji Konsistensi Data, Uji Ketiadaan Trend dan Uji Stasioner. Pada data hujan dilakukan analisis curah hujan rerata daerah dengan polygon thiessen. Dalam studi ini untuk mengetahui hasil kesesuaian terhadap data pengamatan, maka dilakukan uji kalibrasi dengan pembagian data 5 tahun, 6 tahun, 7 tahun, 8 tahun dan 9 tahun serta uji verifikasi dan validasi dengan pembagian data sisanya yaitu 5 tahun, 4 tahun, 3 tahun, 2 tahun dan 1 tahun. Masing-masing pengujian dilakukan dengan epoch 500, 1000, 500 dan 2000. Pengujian yang digunakan pada uji tersebut diantaranya, Uji Nash Sutchlife Efficient (NSE), Root Mean Square Error (RMSE), Koefisien Korelasi (R) dan Kesalahan relatif (KR). Hasil analisis perhitungan debit limpasan dengan menggunakan model ANN terhadap data pengamatan berdasarkan kalibrasi diperoleh pada data 5 tahun epoch 500 yang memiliki nilai yang paling baik dan memenuhi kategori yang ada. Untuk uji verifikasi berdasarkan metode koefisien korelasi (R) memenuhi kriteria (>0,5) untuk semua data dan semua epoch, dan berdasarkan uji validasi berada pada data 1 tahun dengan epoch 500. Perbandingan hasil debit model ANN dengan pengamatan dipilih berdasarkan nilai metode NSE dan R paling baik dan memenuhi kategori yang ada.
English Abstract
The upstream part of the watershed often undergoes land use change which causes infiltration ability to decrease. So that rainfalls in a watershed (DAS) will become surface runoff which will affect the flow of discharge at a watershed outlet and cause flooding. Discharge data is usually less available than rainfall data, to find a relationship between the river flow applied in the period of rainfall data available in a watershed area. This study was conducted to determine the results of the modeling of rainfall based on rainfall with the Artifical Neural Network (ANN) method with the MATLAB R2014b program and to know the comparison of ANN model discharges with observational data in the Upper Brantas Upper Watershed. The data used in this study are 10 years each (2008- 2017) with additional data, namely the coefficient of flow and the number of rainy days. Rainfall and discharge data will first be analyzed in terms of data quality, namely by Generating Missing Data (Normal Ratio and Simple Linear Regression), Data Consistency Test, Trend Absence Test, and Stationary Test. In the rain data, an average rainfall analysis is done with polygon Thiessen. In this study to find out the results of conformity with observational data, a calibration test is carried out with the distribution of five data years, six years, seven years, eight years and nine years and verification and validation tests with the rest of the data sharing, namely five years, four years, three years , two years and one year. Each test is carried out with epoch 500, 1000, 500 and 2000. Tests used in the test include Nash Sutchlife Efficient Test (NSE), Root Mean Square Error (RMSE), Correlation Coefficient (R) and Relative Error (KR). The results of the analysis of runoff discharge calculations using the ANN model on observational data based on calibration were obtained on data of five years epoch 500 which has the best value and meets the existing categories. For the verification test based on the correlation coefficient method (R) meet the criteria (> 0.5) for all data and all epochs, and based on the validation test it is in the data of a year with epoch 500. The comparison of ANN model discharge results with observations is selected based on the best NSE and R method values and meets the existing categories.
Other obstract
-
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FT/2019/784/051907582 |
| Uncontrolled Keywords: | Debit AWLR, Uji Nash Sutchlife Efficient (NSE), Uji Koefisien Korelasi (R), Model Artifical Neural Network (ANN). AWLR Discharge, Nash Sutchlife Efficient (NSE) Test, Correlation Coefficient Test (R), Artifical Neural Network (ANN) Model. |
| Subjects: | 000 Computer science, information and general works > 006 Special computer methods > 006.3 Artificial intelligence > 006.32 Neural nets (neural networks) |
| Divisions: | Fakultas Teknik > Teknik Pengairan |
| Depositing User: | Budi Wahyono Wahyono |
| Date Deposited: | 11 Jul 2020 07:09 |
| Last Modified: | 11 Jul 2020 07:09 |
| URI: | http://repository.ub.ac.id/id/eprint/173281 |
Actions (login required)
 |
View Item |