Analisa Hujan-Limpasan Di Sub Das Brantas Hulu Menggunakan Model Jaringan Saraf Tiruan (Jst).

Pratama, Radifa Satria and Dr. Ir. Runi Asmaranto, ST., MT., IPM., ASEAN Eng. and Dr. Ir. Very Dermawan, ST., MT., IPM. (2024) Analisa Hujan-Limpasan Di Sub Das Brantas Hulu Menggunakan Model Jaringan Saraf Tiruan (Jst). Sarjana thesis, Universitas Brawijaya.

Abstract

Penelitian ini membahas analisis hujan-limpasan di Sub DAS Brantas Hulu dengan menggunakan Model Jaringan Saraf Tiruan (JST). Limpasan permukaan terjadi ketika curah hujan melebihi laju infiltrasi dan berdampak pada aliran debit di sungai. DAS Brantas, khususnya di bagian hulu yang telah mengalami kerusakan akibat alih fungsi lahan dan peningkatan jumlah penduduk. Kerusakan ini menyebabkan penurunan kapasitas infiltrasi dan peningkatan limpasan permukaan yang berpengaruh terhadap aliran debit pada sungai. Selain itu, pencatatan debit pada titik outlet yaitu Dam Sengkaling masih menggunakan pencatatan debit manual sehingga data yang tercatat tersebut dapat menghasilkan data yang tidak akurat bahkan tidak tercatat karena dalam pencatatannya masih dilakukan secara manual (human error). Oleh karena itu, diperlukannya analisa hidrologi yang dapat memprediksikan kejadian limpasan yang akan terjadi. Dengan mengetahui kejadian limpasan yang akan terjadi, tentunya dapat digunakan sebagai upaya early warning system atau penanganan terkait permasalahan limpasan serta dapat mengisi kekosongan data yang tidak tercatat pada lokasi studi. Analisa hidrologi yang dapat dilakukan salah satunya menggunakan teknologi komputer yaitu Model Jaringan Saraf Tiruan Metode Backpropagation. Setelah dilakukan analisa menggunakan Model Jaringan Saraf Tiruan, hasil kalibrasi terbaik didapatkan pada model dengan arsitektur jaringan (2-2-1) menggunakan pembagian data 7 tahun (2013-2019) dengan 3000 epoch. Berdasarkan analisa kesesuaian metode diperoleh nilai NSE sebesar 0,987 (sangat baik), nilai PBIAS sebesar 0,555% (sangat baik) dan nilai r sebesar 0,994 (sangat kuat). Sedangkan hasil validasi terbaik didapatkan pada model dengan arsitektur jaringan (2-2-1) menggunakan pembagian data 3 tahun (2020-2022) dengan 3000 epoch. Berdasarkan analisa kesesuaian metode diperoleh nilai NSE sebesar 0,948 (sangat baik), nilai PBIAS sebesar 0,873% (sangat baik) dan nilai r sebesar 0,980 (Sangat Kuat). Dalam studi ini dapat disimpulkan bahwa secara umum Jaringan Saraf Tiruan dapat diterapkan dalam pemodelan hujan-limpasan di Sub DAS Brantas Hulu.

English Abstract

This study discusses the analysis of rainfall-runoff in the Upper Brantas Sub-watershed using the Artificial Neural Network (ANN) Model. Surface runoff occurs when rainfall exceeds the infiltration rate and impacts the flow of discharge in the river. The Brantas watershed, especially in the upstream part, has been damaged due to land use change and population increase. This damage causes a decrease in infiltration capacity and an increase in surface runoff which affects the flow of discharge in the river. In addition, the discharge recording at the outlet point, namely Sengkaling Weir, still uses manual discharge recording so that the recorded data can produce inaccurate or even unrecorded data because the recording is still done manually (human error). Therefore, a hydrological analysis is needed that can predict the runoff events that will occur. By knowing the runoff events that will occur, it can certainly be used as an early warning system or handling efforts related to runoff problems and can fill in the gaps in unrecorded data at the study site. One of the hydrological analysis that can be done is using computer technology, namely the Artificial Neural Network Model Backpropagation Method. After analyzing using the Artificial Neural Network Model, the best calibration results were obtained in a model with network architecture (2-2-1) using 7 years of data division (2013-2019) with 3000 epochs. Based on the analysis of the suitability of the method, the NSE value is 0.987 (very good), the PBIAS value is 0.555% (very good) and the r value is 0.994 (very strong). While the best validation results are obtained in the model with network architecture (2-2-1) using 3 years of data division (2020-2022) with 3000 epochs. Based on the analysis of the suitability of the method, the NSE value is 0.948 (very good), the PBIAS value is 0.873% (very good) and the r value is 0.980 (very strong). In this study it can be concluded that in general the Artificial Neural Network can be applied in rain-runoff modeling in the Upper Brantas Subwatershed.

Item Type:	Thesis (Sarjana)
Identification Number:	0524071281
Uncontrolled Keywords:	Curah Hujan, Debit, Jaringan Saraf Tiruan (JST), Koefisien Korelasi (r), Efisiensi Nash-Sutcliffe (NSE), Persen Bias (PBIAS).
Divisions:	Fakultas Teknik > Teknik Pengairan
Depositing User:	S Sucipto
Date Deposited:	23 Aug 2024 02:41
Last Modified:	23 Aug 2024 02:41
URI:	http://repository.ub.ac.id/id/eprint/229058

Text (DALAM MASA EMBARGO) Radifa Satria Pratama.pdf Restricted to Registered users only Download (13MB)

Actions (login required)

View Item