ABSTRAK
Data hujan didapat dari stasiun hujan merupakan salah satu sumber input data
yang selanjutnya dapat diolah dan dianalisis. Data hujan bersama data lain seperti
debit dapat diolah seperti contohnya untuk mendapatkan data banjir dengan
periode ulang tertentu. Semakin lengkap, banyak, dan data yang bersifat update
serta akurat maka analisis hidrologi yang dapat dilakukan akan semakin baik.
Untuk perencanaan sebuah bangunan air yang dapat digunakan hingga waktu
yang cukup lama diperlukan prediksi hujan, seperti untuk perencanaan saluran
irigasi dan bangunan air lainnya.
Simulasi hujan merupakan metode mendapatkan data hujan berdasarkan data
hujan pada stasiun lain dalam satu DAS pada kurun waktu yang sama,
menggunakan model matematik linear yang dibangun dengan metode Jaringan
Syaraf Tiruan (JST). Pada aplikasi di lapangan, data hasil simulasi bermanfaat
untuk memberikan masukan pada pengambil keputusan. Metode JST
backpropogation adalah salah satu metode yang digunakan untuk dalam
memodelkan curah hujan dalam suatu Daerah Aliran Sungai (DAS) karena
mampu memecahkan suatu permasalahan matematis yang kompleks. Prinsip yang
digunakan seperti pada jaringan syaraf biologis pada otak manusia yang terdiri
dari unit pemrosesan dan koneksi. Jaringan syaraf tiruan sederhana dapat
memecahkan berbagai permasalahan kompleks dan permasalahan matematis
lainnya. Tujuan dilakukannya penelitian Simulasi hujan DAS Bah Bolon dengan
metode JST Backpropogation berdasarkan data hujan menggunakan Scilab adalah
untuk mengetahui model hidrologi dan pengaplikasiannya untuk memprediksi
data hujan yang hilang akibat rusaknya data hujan pada deret data hujan di DAS
Bah Bolon, Sumatera Utara
Penelitian Simulasi Hujan DAS Bah Bolon dengan metode Jaringan Syaraf Tiruan
Backpropogation Berdasarkan data hujan menggunakan Scilab memakai satu
variabel masukan. Variabel masukan pada penelitian ini adalah data hujan pada
stasiun Bah Jambi. Parameter yang digunakan dalam penelitian ini adalah Mean
Squared Error (MSE) = 0,028, Epoch = 1000 iterasi, Jumlah hidden layer = 2,
Jumlah neuron hidden layer = 3, Momentum = 0,7, Kecepatan Belajar (Learning
Rate) = 0,9, periode pelatihan = 4 tahun. Hasil Verifikasi model didapat nilai
korelasi yang sangat kuat antara data hujan simulasi dengan data hujan
sesungguhnya, yaitu sebesar 0,9664, dan memiliki keandalan model terhadap
sistem hidrologi pada DAS Bah Bolon sebesar 64,48%.
Kata kunci : Backpropogation, DAS Bah Bolon, Jaringan Syaraf Tiruan,
Prediksi, Scilab, Simulasi Hujan.
ABSTRACT
The data of rain deriving from rain station is one of data input sources that can be
processed and analyzed later. Data of rain and other data such as discharge (flow
rate) can be processed, for example, to get data of flood with certain repetition
period. The more complete, the more and the more update and accurate the data,
the better is the hydrologic analysis conducted. For designing a water construction
that can be used in long term, some data of rain prediction are required, including
irrigation channel plan and other water construction
Rainfall simulation is a method of getting precipitation data on rainfall stsation
based on precipitation data of other stations in same watesheed at the same time,
using a linear mathematical model constructed by Artificial Neural Network
(ANN) method. In the field of applications, the simulation result useful to provide
input to the decision-makers. Artificial Neural Network (ANN) Backpropogation
Method is the one used in modeling the rainfall in a Watersheed because it can
solve a complex mathematic problem. The principle used in biological nervous
tissue of human brain consisted of processing and connecting unit. The simple
artificial nervous tissue can solve a variety of complex problem and other
mathematic problems. The objective of research was to find out the hydrologic
model and its application to predict the missing data of rain due to the damaged
data of rain in the data series of rain in DAS Bah Bolon, North Sumatera.
The research on Rain Simulation on DAS Bah Bolon using ANN
Backpropogation Method based on Scilab data of rain employed on input variable.
The input variable of research was data of rain in Bah Jambi station. The
parameters used in this research were Mean Squared Error (MSE) = 0.028, Epoch
= 1000 iteration, hidden layer number: 2, neuron hidden layer number: 3,
Momentum = 0.7, Learning Rate: 0.9, training method: 4 years. The result of
model verification showed the very strong correlation between simulated rain data
and actual rain data, with score of 0.9664, and the reliability of hydrologic system
model in DAS Bah Bolon was 64.48%.
Keyword : Backpropogation, Bah Bolon’s Watershed, Artificial Neural
Network, Prediction, Scilab, Rainfall Simulation