Perbandingan Pemodelan Hujan-Limpasan antara Artificial Neural Network (ANN) dan NRECA

• Published in: Jurnal Teknik Sipil Vol. 11; no. 3
• Main Authors: Wanny K Adidarma, Iwan Kridasantausa Hadihardaja, Sri Legowo
• Format: Journal Article
• Language: English
• Published: Institut Teknologi Bandung 01.09.2010
• Subjects: Artificial neural network; Model balck box hujan-limpasan; Teknik non linier
• ISSN: 0853-2982; 2549-2659
• DOI: 10.5614/jts.2004.11.3.1

Abstrak. Analisa ketersediaan air memerlukan data debit yang relatif cukup panjang dan kontinyu. Jika data debit yang tersedia tidak cukup panjang dan kontinyu maka diperlukan model hubungan hujan-limpasan. Salah satu model yang tersedia, dimana parameter-parameter yang membentuk suatu persamaan yang memiliki arti fisik yang mengilustrasikan air permukaan dan air tanah pada suatu sungai dikenal dengan NRECA (Non Recorded Catchment Area). Pemodelan yang lain, diantaranya adalah Artificial Neural Network (ANN) yang merupakan elemen-elemen yang saling berhubungan dengan simpul-simpul dan dianalogikan sebagai neuron. Neural network memiliki lapisan input dan output yang saling berhubungan dan akan memiliki pola arsitektur berbeda-beda tergantung dari kendala dalam suatu permasalahan. Data hujan bulanan merupakan input sedangkan data debit bulanan merupakan variabel output. Perbedaan hasil simulasi debit bulanan yang dihasilkan dengan model ANN atau Nreca dan hasil debit pengamgatan akan ditentukan berdasarkan error mutlak rata-rata yang disebut KAR (Kesalahan Absolut Rata-rata). Studi kasus yang digunakan adalah data hujan bulanan dan debit di Cikapundung-Gandok selama kurun waktu 30 tahun.Untuk NRECA, semakin besar error yang diperoleh KAR, semakin besar deviasi debit yang terjadi. Dalam studi ini dapat disimpulkan bahwa secara umum NRECA memberikan hasil yang lebih baik kecuali untuk kondisi low flow. Abstract. The analysis of water availability needs continuous and long discharge data. If the data is not long and continuous thus the rainfall-runoff model is needed. One of the available models, where parameters forming equation which have physical meaning illustrate ground water and surface runoff in the river, is NRECA (Non Recorded Catchments Area). Another model, an artificial neural network (ANN) is a computing system made up of a highly interconnected set of simple information processing elements, analogous to a neuron, called units. A neural network has an input layer, a hidden layer and an output layer. Each layer is made up of several nodes, and layers are interconnected by sets of correlation weights. The pattern of connectivity and the number of processing units in each layer may vary within some constraints. The input used is monthly rainfall whereas the output is monthly discharge. The difference between simulated discharge produced by ANN or NRECA and observed discharge is determined by mean absolute error, namely KAR (Kesalahan Absolut Rata-rata). For case study, 30 year monthly rainfall and discharge at Cikapundung-Gandok are used. For NRECA, the more error on KAR, the more deviation of discharge will be, particularly which is under average for dependable discharge as well as mean annual minimum discharge. It is concluded that in general NRECA is better but especially for low flow ANN model is leading.