PENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN UNTUK PRAKIRAAN TINGGI MUKA AIR HARIAN SUNGAI BENGAWAN SOLO STASIUN JURUG
Keywords:
Backpropagation, jaringan syaraf tiruan, PerceptonAbstract
Bengawan Solo mempunyai Daerah Aliran Sungai (DAS) seluas 16.100 km2- merupakan sungai yang terpanjang di Pulau Jawa sehingga membutuhkan suatu sistem pengelolaan yang baik. Manajemen sungai merupakan salah satu bidang hidrologi operasional yang cukup menantang. Prakiraan aliran sungai dibutuhkan sebagai informasi dasar pada berbagai masalah yang berhubungan dengan desain dan operasi sistem-sistem sungai. Jaringan syaraf tiruan (JST) telah dikenal dengan kemampuannya dalam mengidentifikasi fungsi-fungsi non-linear, antara lain proses hidrologi. Dalam penelitian ini, model jaringan backpropagation digunakan untuk memprakirakan tinggi muka air (tma) harian Sungai Bengawan Solo stasiun Jurug. Data tinggi muka air harian dan curah hujan harian digunakan sebagai data pelatihan dan pengujian. Untuk menguji performa jaringan, dalam penelitian dibuat tiga model JST. Ketiga model JST – BP1, BP2, dan BP3 – merupakan multilayer perceptron dengan satu hidden layer. BP1 memiliki input berupa tma (m) dan curah hujan (mm) empat hari sebelum prakiraan dan output berupa prakiraan tma. BP2 dengan input dan output yang sama hanya berbeda dalam satuan – tma (dm) dan curah hujan (cm). BP3 dengan input berupa selisih tma (dm) dan curah hujan (cm) serta output berupa prakiraan selisih tma. Ketiga model dilatih menggunakan algoritma Levenberg-Marquardt dan jumlah hidden neuron yang beragam [3..10]. Nilai mse dan korelasi setiap jaringan dibandingkan untuk mendapatkan model dan parameter jaringan yang optimal. Dari hasil penelitian didapat kesimpulan bahwa model jaringan yang paling optimal dalam kasus ini adalah model BP3 dengan satu hidden layer dan empat hidden neuron karena menghasilkan nilai error terkecil dibandingkan dengan model yang lain.
Downloads
References
Aqil, Muhammad, et al, (2006). Decision Support System for Flood Crisis Management using Artificial Neural Network. International Journal of Intelligent Technology, Volume 1, no. 1, hal : 70-6.
Bustami, Rosmina Ahmad, et al, (2006). Artificial Neural Network for Daily Water Level Forecasting Estimation. Engineering e-Transaction, Vol. 1, No. 1, page : 7-12.
Danh, Nguyen Tan, et al, (1999). Neural Network Models for River Flow Forecasting. Water SA, Vol. 25, No. 1, page : 33-9.
Dibike, Yonas B., Dimitri P. Solomatine, (2000). River Flow Forecasting Using Artificial Neural Network. EGS Journal of Physics and Chemistry of the Earth.
Fausett, L., (1994). Fundamentals of Neural Networks, Architecture, Algoritms, and Applications. New Jersey, Prentice Hall Inc.
Johannet, A., et al, (2005). Neural Network : From Black Box towards Transparent Box Application to Evapotranspiration Modeling. International Journal of Computational Intelligence, Vol. 4, No. 3, hal : 163-70.
Siang, Jong Jek, (2005). Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan MATLAB. Yogyakarta, Penerbit Andi.
Toth, Elena, Armando Brath, (2000). Flood Forecasting Using Artificial Neural Network in Black-Box and Conceptual Rainfall-Runoff Modelling. Diakses pada 10 januari (2008) dari : www.cig.ensmp.fr/~iahs/hsj/470/hysj_47_06_0865.pdf
Yani, Eli, (2005). Pengantar Jaringan Syaraf Tiruan. Diakses pada 10 januari 2008 dari www.MateriKuliah.com.
Yao, Jingtao, et al, (1999). Neural Network for Technical Analysis: a Study on KLCI. International Journal of Teoretical and Applied Finance, Vol. 2, No. 2, page : 221-41.42
Yao, Jingtao, Chew Lim Tan, 2001. Guidelines for Financial Forecasting with Neural Network. Conference on Neural Information Processing, Shanghai, China, hal : 757-61.
