ANALISIS PENDUGAAN DEBIT DI DAERAH ALIRAN SUNGAI DOLOK DENGAN METODE JARINGAN SARAF TIRUAN

Abstract

Ketersediaan data merupakan salah satu hal penting dalam perencanaan dan pengembangan bangunan keairan, walaupun terkadang data debit tidak tersedia. Sangat sulit untuk mementukan debit yang melewati sungai secara akurat, karena morfologi sungai yang kompleks dan proses hidrologi. Sekarang, pemodelan telah sering diaplikasikan dalam berbagai ilmu pengetahuan, pemodelan hidrologi bisa menjadi jawaban dari kurangnya informasi yang dibutuhkan dalam sebuah analisis sumber daya air. Dalam studi ini pemodelan curah hujan dan debit di Bendung Barang menggunakan metode Jaringan Saraf Tiruan (JST) dengan bantuan perangkat lunak Matlab R2014b. Studi ini bertujuan untuk mendapatkan model terbaik dalam pendugaan data debit yang hilang. Hasil kalibrasi curah hujan dan debit didapatkan pada kalibrasi 7 tahun, dengan arsitektur jaringan TRAINCGB dengan epoch 1000 dan layer sebanyak 5, didapatkan kesesuaian pemodelan sebesar NSE = 0,948, RMSE = 0,175, dan R = 0,974. Untuk hasil verifikasi terbaik didapatkan pada verfifikasi 1 tahun dengan kesesuaian sebesar NSE = 0,786, RMSE = 0,082, dan R = 0,979.

Data availability are one of the important things in planning and developing water resources infrastructure, although sometimes discharge data are not available. It is very hard to predict the exact discharge of the river, due to the complexity of river morphology and hydrological process. Modelling is now a common tool in many fields of scientific endeavor, it could provide answer for the lack of hydrology data for analysis of water resources problem. In this study, artificial neural networks modelling of rainfall and discharge in Barang Weir is developed with the use of Matlab R2014b. It aimed to find the best model for forecasting the missing discharge. It is shown that, the developed artificial neural networks model with the best calibration was at 7-1 using TRAINCGB with 1000 epochs. The performances of the model NSE = 0,948, RMSE =0,175, and R = 0,974, the best verification of the model with performances NSE =0,786 , RMSE =0,082 , and R = 0,979.