ABSTRAKData hujan didapat dari stasiun hujan merupakan salah satu sumber input datayang selanjutnya dapat diolah dan dianalisis. Data hujan bersama data lain sepertidebit dapat diolah seperti contohnya untuk mendapatkan data banjir denganperiode ulang tertentu. Semakin lengkap, banyak, dan data yang bersifat updateserta akurat maka analisis hidrologi yang dapat dilakukan akan semakin baik.Untuk perencanaan sebuah bangunan air yang dapat digunakan hingga waktuyang cukup lama diperlukan prediksi hujan, seperti untuk perencanaan saluranirigasi dan bangunan air lainnya.Simulasi hujan merupakan metode mendapatkan data hujan berdasarkan datahujan pada stasiun lain dalam satu DAS pada kurun waktu yang sama,menggunakan model matematik linear yang dibangun dengan metode JaringanSyaraf Tiruan (JST). Pada aplikasi di lapangan, data hasil simulasi bermanfaatuntuk memberikan masukan pada pengambil keputusan. Metode JSTbackpropogation adalah salah satu metode yang digunakan untuk dalammemodelkan curah hujan dalam suatu Daerah Aliran Sungai (DAS) karenamampu memecahkan suatu permasalahan matematis yang kompleks. Prinsip yangdigunakan seperti pada jaringan syaraf biologis pada otak manusia yang terdiridari unit pemrosesan dan koneksi. Jaringan syaraf tiruan sederhana dapatmemecahkan berbagai permasalahan kompleks dan permasalahan matematislainnya. Tujuan dilakukannya penelitian Simulasi hujan DAS Bah Bolon denganmetode JST Backpropogation berdasarkan data hujan menggunakan Scilab adalahuntuk mengetahui model hidrologi dan pengaplikasiannya untuk memprediksidata hujan yang hilang akibat rusaknya data hujan pada deret data hujan di DASBah Bolon, Sumatera UtaraPenelitian Simulasi Hujan DAS Bah Bolon dengan metode Jaringan Syaraf TiruanBackpropogation Berdasarkan data hujan menggunakan Scilab memakai satuvariabel masukan. Variabel masukan pada penelitian ini adalah data hujan padastasiun Bah Jambi. Parameter yang digunakan dalam penelitian ini adalah MeanSquared Error (MSE) = 0,028, Epoch = 1000 iterasi, Jumlah hidden layer = 2,Jumlah neuron hidden layer = 3, Momentum = 0,7, Kecepatan Belajar (LearningRate) = 0,9, periode pelatihan = 4 tahun. Hasil Verifikasi model didapat nilaikorelasi yang sangat kuat antara data hujan simulasi dengan data hujansesungguhnya, yaitu sebesar 0,9664, dan memiliki keandalan model terhadapsistem hidrologi pada DAS Bah Bolon sebesar 64,48%.Kata kunci : Backpropogation, DAS Bah Bolon, Jaringan Syaraf Tiruan,Prediksi, Scilab, Simulasi Hujan.ABSTRACTThe data of rain deriving from rain station is one of data input sources that can beprocessed and analyzed later. Data of rain and other data such as discharge (flowrate) can be processed, for example, to get data of flood with certain repetitionperiod. The more complete, the more and the more update and accurate the data,the better is the hydrologic analysis conducted. For designing a water constructionthat can be used in long term, some data of rain prediction are required, includingirrigation channel plan and other water constructionRainfall simulation is a method of getting precipitation data on rainfall stsationbased 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 provideinput to the decision-makers. Artificial Neural Network (ANN) BackpropogationMethod is the one used in modeling the rainfall in a Watersheed because it cansolve a complex mathematic problem. The principle used in biological nervoustissue of human brain consisted of processing and connecting unit. The simpleartificial nervous tissue can solve a variety of complex problem and othermathematic problems. The objective of research was to find out the hydrologicmodel and its application to predict the missing data of rain due to the damageddata of rain in the data series of rain in DAS Bah Bolon, North Sumatera.The research on Rain Simulation on DAS Bah Bolon using ANNBackpropogation Method based on Scilab data of rain employed on input variable.The input variable of research was data of rain in Bah Jambi station. Theparameters 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 ofmodel verification showed the very strong correlation between simulated rain dataand actual rain data, with score of 0.9664, and the reliability of hydrologic systemmodel in DAS Bah Bolon was 64.48%.Keyword : Backpropogation, Bah Bolon’s Watershed, Artificial NeuralNetwork, Prediction, Scilab, Rainfall Simulation