bab 1 untuk

perpustakaan.uns.ac.id digilib.uns.ac.id

commit to user 4

BAB II

TINJAUAN PUSTAKA DAN LANDASAN TEORI

2.1 Tinjauan Pustaka

Hujan merupakan komponen utama dalam siklus hidrologi, dapat digambarkan

bahwa hujan mempunyai hubungan dengan aliran. Oleh sebab itu, karakteristik hujan

dan DAS sangat berhubungan erat dengan debit aliran yang tejadi. Karakteristik

hujan meliputi tebal hujan, intensitas hujan dan durasi hujan. Sedangkan untuk

karakteristik DAS meliputi tataguna lahan, topografi dan jenis tanah.

Hujan yang jatuh ke permukaan bumi akan memberi kontribusi terhadap debit aliran.

Debit aliran adalah perubahan dari air hujan yang melimpas dipermukaan (surface

runoff), aliran antara (interflow, sub surface flow) dan air tanah (groundwater flow)

(Sri Harto, 1993).

Data hujan dapat diperoleh dari instansi yang melakukan pengamatan terhadap data

hujan melalui stasiun hujan. Instansi tersebut seperti Pengelola Bandara, Dinas

Pengairan, Dinas Pertanian, Balai Besar Wilayah Sungai, Balai Pengelola Sumber

Daya Air, Balai Penelitian dan Teknologi Pengelola Daerah Aliran Sungai, Badan

Meteorologi dan Geofisika (BMG), dan Jasa Tirta (Sobriyah, 2012).

Data debit merupakan informasi penting bagi pengelola sumber daya air. Informasi

ini akan untuk pengambilan keputusan kelayakan pembangunan atau rekonstruksi

infrastruktur dan jaringan sungai.

Pengembangan sumber daya air merupakan bagian dari kebutuhan irigasi yang erat

kaitannya dengan sifat tanah sekitar, kondisi iklim, jenis tanaman yang


commit to user

5

5

dikembangkan dan efisiensi irigasi tersebut. Air irigasi berfungsi memenuhi

kebutuhan tanaman untuk berkembang dengan baik. Kebutuhan air tergantung curah

hujan, jenis tanaman, pengolahan tanah dan cara penyalurannya (Vicky Tri Jayanti,

2013).

Kebutuhan akan sumber daya air berdasarkan amanat dari Undang-Undang No. 7

Tahun 2004 mengenai sumber daya air mnyatakan bahwa pemenuhan kebutuhan

pokok merupakan prioritas diatas kebutuhan lainnya. Kebutuhan pokok tersebut

ditetapkan pada setiap wilayah sungai oleh Pemerintah atau Pemda sesuai

kewenangan (Dinas Pengelolaan Sumber Daya Air Balai Data Dan Informasi Sumber

Daya Air, 2010).

Penelitian terdahulu yang pernah dilakukan pada DAS Alang oleh Pramesti (2013)

Analisis Banjir Tahunan DAS Alang dengan menggunakan metode Gama I, Nabilah

(2013) Analisis Banjir Tahunan di DAS Alang Sub DAS Bengawan Solo Hulu 3

Menggunakan Metode Hidrograf Satuan Sintetik Snyder, Nurhidayah (2010) Pola

Distribusi Hujan Jam-Jaman di Sub DAS Alang menggunakan metode Modified-

Mononobe dan Sinta (2013) Penelusuran Banjir di Sungai Alang Sub DAS Bengawan

Solo Hulu 3 menggunakan metode Muskingum-Cunge.

2.2 Landasan Teori

2.2.1. Data

Menurut Cahya Suryana (2010) data merupakan bahan baku informasi untuk

memberikan gambaran spesifik mengenai objek penelitian. Data dikelompokkan

dalam dua jenis yaitu :

a) Data primer adalah data yang diperoleh dan dikumpulkan secara langsung dari

sumber datanya. Teknik pengumpulan data primer antara lain observasi,

wawancara, diskusi terfokus, dan penyebaran kuesioner.


commit to user

6

6

b) Data skunder adalah data yang diperoleh dari berbagai sumber yang telah ada.

Data dapat diperoleh melalui instansi terkait, buku, laporan, jurnal, dan lain-

lain.

2.2.2. Kepanggahan Data

Menurut Sri harto (1993) Data hujan yang akan digunakan terlebih dahulu harus

dilakukan uji kepanggahan. Data yang tidak sesuai akibat gangguan alat pencatat

perlu dikoreksi dan data yang hilang atau kosong perlu diisi dengan perbandingan

data sekitar yang dianggap mendekati. Metode penguji konsistensi data tersebut

adalah metode Lengkung Massa Ganda (Double Mass Curve) untuk menguji

konsistensi curah hujan.

2.2.2.1.Metode Lengkung Massa Ganda (Double Mass Curve)

Konsistensi data hujan di uji dengan menggunakan metode Lengkung Massa Ganda

(Double mass Curve). Pengujian ini dilakukan untuk mengetahui perubahan lokasi

stasiun hujan atau perubahan prosedur pengukuran yang berpengaruh terhadap jumlah

hujan terukur. Apabila data hujan dinyatakan memiliki konsistensi maka data tersebut

kemungkinan tidak memiliki perubahan lokasi selama pencatatan dilakukan dan juga

sebaliknya.

Metode ini dilakukan dengan cara membandingkan hujan tahunan kumulatif di

stasiun y terhadap stasiun referensi x. Stasiun biasanya adalah nilai rerata dari

beberapa stasiun di dekatnya. Nilai kumulatif tersebut digambarkan pada sistem

koordinat katesian x-y dan kurva yang terbentuk diperiksa untuk melihat perubahan

kemiringan. Kemiringan kurva patah/berubah, berarti pencatatan di stasiun y tidak

konsisten dan perlu dikoreksi. Koreksi dilakukan dengan mengalikan data setelah

kurva berubah dengan perbandingan setelah dan sebelum kurva patah (Bambang

Triatmodjo, 2009).


commit to user

7

7

Gambar 2.1 Contoh Lengkung Massa Ganda (Double Mass Curve) yang

Tidak Panggah

2.2.3. Analisis Hujan Wilayah

Data hujan yang diperoleh dari alat penangkar hujan merupakan hujan titik (point

rainfall). Untuk menggambarkan hujan wilayah pada kawasan yang luas maka

dibutuhkan alat penangkar hujan lebih dari satu buah (Samirta Mayangsari

Radityaningsih, 2012).

Ketelitian hasil pengukuran hujan akan tergantung pada variabilitas spasial curah

hujan, dengan demikian, diperlukan lebih banyak lagi alat-alat penakar hujan,

terutama di daerah dengan kemiringan lereng besar dan daerah-daerah yang banyak

menerima tipe hujan lebat (thunderstorms) dibandingkan tipe curah hujan frontal

(Asdak, 1995).


commit to user

8

8

Metode Thiessen memperhitungkan bobot dari masing-masing stasiun yang mewakili

luasan disekitarnya. Pada suatu luasan di dalam DAS dianggap bahwa hujan adalah

sama dengan yang terjadi pada stasiun yang terdekat, sehingga hujan yang tercatat

pada suatu stasiun mewakili luasan tersebut. metode ini digunakan apabila

penyebaran stasiun hujan daerah yang ditinjau tidak merata. Hitungan curah hujan

rerata dilakukan dengan memperhitungkan daerah pengaruh dari setiap stasiun.

Metode poligon Thiessen banyak digunakan untuk menghitung hujan rerata kawasan.

Poligon Thiessen adalah tetap unutk suatu jaringan stasiun hujan tertentu. Apabila

terdapat perubahan jaringan stasiun hujan, seperti pemindahan atau penambahan

stasiun, maka harus dibuat lagi poligon yang baru (Bambang Triatmodjo, 2009).

P1

P2

A2

P3A3

A1

Gambar 2.2 Poligon Thiessen

n

i i

ii

n

nn

A

pA

AAAA

pApApApAP

1321

332211

......

......

(2.1)

Dengan :P = hujan wilayah (mm),P1, P2, P3..... Pn = tinggi curah hujan di pos 1,2,3,....n,A1, A2, A3..... An = luas daerah pengaruh pos 1,2,3,....n.


commit to user

9

9

2.2.4. Analisis Debit

Debit di suatu lokasi yang ditinjau dapat diperkirakan berdasarkan data hujan. Debit

aliran di sungai berasal dari hujan yang jatuh di DAS, sehingga dengan mengetahui

kedalaman hujan dan kehilangan air seperti penguapan dan infiltrasi.

Ketersediaan air adalah jumlah air (debit) yang diperkirakan terus menerus ada di

suatu lokasi di sungai dengan jumlah tertentu dan dalam jangka waktu (periode)

tertentu. Debit andalan adalah debit minimum sungai dengan besaran tertentu yang

mempunyai kemungkinan terpenuhi yang dapat digunakan untuk berbagai keperluan

(Bambang Triatmodjo, 2009).

Untuk memperkirakan besarnya air aliran puncak (peak runoff, Qp), metode rasional

adalah salah satu teknik yang dianggap baik. Metode ini relatif mudah

menggunakannya dan karena ia lebih diperuntukkan pemakaiannya pada DAS dengan

ukuran kecil, kurang dari 300 ha maka untuk ukuran DAS yang lebih besar perlu

dibagi menjadi beberapa bagian sub DAS.

Persamaan matematik metode Rasional untuk memperkirakan besarnya air aliran

(Asdak, 1995 : 150), adalah sebagai berikut :

CiAQ 00278,0 ... (2.2)

Dengan :

Q = air aliran (debit) puncak (m3/detik)C = koefisien air aliranI = intensitas hujan (mm/jam)A = luas wilayah DAS (ha)

Nilai koefisien air aliran C juga menentukan bagian curah hujan yang akan mengalir

sebagai air aliran. Besar kecilnya nilai C tergantung pada permeabilitas dan

kemampuan tanah dalam menampung air. Nilai yang kecil menunjukkan bahwa

sebagian besar air tampungan untuk waktu tertentu. Sementara tanah/daerah dengan

nilai C besar menunjukkan bahwa hampir semua air hujan akan menjadi air aliran.

Daerah bervegetasi umumnya mempunyai nilai C kecil, sedang pada daerah


commit to user

10

10

pembangunan dengan sebagian besar tanah beraspal atau bentuk permukaan tanah

yang kedap air (impervious) lainnya mempunyai nilai C besar.

Tabel 2.1 Nilai koefisien air aliran C untuk persamaan rasional

Tataguna lahan C Tataguna lahan C

Perkantoran

Daerah pusat kota

Daerah sekitar kota

Perumahan

Rumah tunggal

Rumah susun, terpisah

Rumah susun, bersambung

Pinggiran kota

Daerah industri

Kurang padat industri

Padat industri

Taman, kuburan

Tempat bermain

Daerah stasiun KA

Daerah tak berkembang

Jalan raya

Beraspal

Berbeton

Berbatu bata

Trotoar

Daerah beratap

0,70-0,95

0,50-0,70

0,30-0,50

0,40-0,60

0,60-0,75

0,25-0,40

0,50-0,80

0,60-0,90

0,10-0,25

0,20-0,35

0,20-0,40

0,10-0,30

0,70-0,95

0,80-0,95

0,70-0,85

0,75-0,85

0,75-0,95

Tanah Lapang

Berpasir, datar, 2%

Berpasir, agak rata, 2-7%

Berpasir, miring, 7%

Tanah berat, datar, 2%

Tanah berat, agak rata, 2-7%

Tanah berat, miring, 7%

Tanah pertanian, 0-30%

Tanah kosong

Rata

Kasar

Ladang Garapan

Tanah berat tanpa vegetasi

Tanah berat dengan vegetasi

Berpasir tanpa vegetasi

Berpasir dengan vegetasi

Padang Rumput

Tanah berat

Berpasir

Hutan/bervegetasi

Tanah Tidak Produktif, >30%

Rata, kedap air

Kasar

0,05-0,10

0,10-0,15

0,15-0,20

0,13-0,17

0,18-022

0,25-0,35

0,30-0,60

0,20-0,50

0,30-0,60

0,20-0,50

0,20-0,25

0,10-0,25

0,15-0,45

0,05-0,25

0,05-0,25

0,70-0,90

0,50-0,70

Sumber : Asdak, 1995


commit to user

11

11

2.2.5. Analisis Data Curah Hujan Menggunakan Jaringan Syaraf Tiruan

2.2.5.1. Jaringan Syaraf Tiruan

Menurut Hermawan (2006) JST adalah sistem komputasi yang arsitektur dan

operasinya diilhami dari pengetahuan tentang sel syaraf biologis di dalam otak. JST

merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba

menstimulasi proses pembelajaran pada otak manusia tersebut. JST dapat

digambarkan sebagai model matematis dan komputasi untuk fungsi aproksimasi non-

linear, klasifikasi data cluster dan regresi non-parametrik atau sebuah simulasi dari

koleksi model jaringan syaraf biologi.

JST dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi,

dengan asumsi bahwa (Siang J.J, 2005) :

1. Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron),

2. Sinyal dikirimkan diantara neuron-neuron melalui penghubung-

penghubung,

3. Penghubung antar neuron memiliki bobot yang akan memperkuat atau

memperlemah sinyal,

4. Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi

(biasanya bukan fungsi linier) yang dikenakan pada jumlah input yang

diterima.

JST ditentukan oleh 3 hal (Siang J.J, 2005), yakni :

1. Pola hubungan antar neuron (disebut arsitektur jaringan),

2. Metode untuk menentukan bobot penghubung (disebut metode training

atau learning atau algoritma),

3. Fungsi aktivasi.

Neuron dalam jaringan syaraf tiruan sering disebut dengan istilah simpul. Setiap

simpul akan mengirim dan menerima sinyal dari simpul-simpul yang lain melalui

sinyal penghubung. Kekuatan hubungan yang terjadi antara setiap simpul yang biasa

disebut dengan nama bobot. Model-model JST sangat tergantung dari arsitektur

jaringan dan algoritma pelatihan.


commit to user

12

12

Arsitektur berfungsi untuk mengarahkan tujuan sinyal atau data di dalam jaringan.

Sedangkan algoritma belajar menjelaskan untuk mengubah bobot koneksi sehingga

dapat memperoleh pasangan masukan-keluaran yang diharapkan. Perubahan bobot

koneksi dapat dilakukan melalui berbagai cara tergantung jenis algoritma yang

digunakan. Dengan mengatur nilai bobot diharapkan kinerja jaringan yang

mempelajari beberapa pola akan memperoleh pasangan masukan-keluaran signifikan

(Charismahendra Adipradana, 2013).

2.2.5.2. Perancangan Arsitektur Jaringan

Arsitektur jaringan yang digunakan merupakan jaringan layar jamak atau banyak

lapisan (multi layer network). Dalam jaringan ini terdiri dari bagian input dan output,

ada bagian lain yang disebut layar tersembunyi. Layar tersembunyi ini tersebut bisa

saja lebih dari satu, sebagai contoh perhatikan Gambar 2.3 di bawah ini :

P1

P2

Pn

X11

Q

Lapisanmasukan

Lapisantersembunyi 1

Lapisantersembunyi 2

Lapisankeluaran

Wp1-11

Wp1-12

Wx11-21

Wx11-22

X12 X22

X21 Wx21-1

Wx22-1

Gambar 2.3 Jaringan Layar Jamak (multi layer network)

Pada Gambar 2.3. Diperlihatkan jaringan unit masukan (P1, P2,.., Pn), layar

tersembunyi berupa satu lapisan dan bisa lebih yang terdiri dari beberapa unit (X11,

X21,.., Xn) dan 1 buah unit keluaran. Jaringan Layar Jamak dapat menyelesaikan

masalah yang lebih kompleks dibandingkan dengan Layar Tunggal, meskipun

kadangkala proses pelatihan lebih kompleks dan lama (Siang J.J,, 2005).


commit to user

13

13

2.2.5.3. Algoritma Belajar dan Pelatihan

Belajar Untuk JST merupakan suatu proses dimana parameter-parameter bebas JST

diadaptasikan melalui suatu proses perangsangan berkelanjutan oleh lingkungan

dimana jaringan berada. Proses pembelajaran atau pelatihan tersebut merupakan

proses perubahan bobot antar neuron sehingga sebuah jaringan dapat menyelesaikan

sebuah masalah. Semakin besar bobot keterhubungannya maka akan semakin cepat

menyelesaikan suatu masalah (Rezkal, 2013).

Dalam menyelesaikan suatu permasalahan, JST memerlukan algoritma belajar atau

pelatihan. Pelatihan ini merupakan sebuah konfigurasi jaringan dapat dilatih untuk

mempelajari data historis yang ada. Dengan pelatihan ini, data yang diperoleh dan

dimodelkan oleh nilai-nilai bobot koneksinya. Jenis pelatihan yang dilakukan adalah

memodifikasi bobotnya atau biasa disebut dengan pelatihan dengan supervisi

(Supervised Training). Dalam pelatihan dengan supervisi, terdapat sejumlah pasangan

data (masukan target keluaran) yang dipakai untuk melatih jaringan hingga diperoleh

bobot yang diinginkan. Dalam setiap pelatihan, masukan data kedalam jaringan akan

diproses menjadi sebuah data keluaran. Selisih antara keluaran jaringan dengan target

(keluaran yang diinginkan) merupakan kesalahan yang terjadi. Jaringan akan

memodifikasi bobot sesuai dengan kesalahan tersebut (Siang J.J, 2005).

2.2.5.4. Fungsi Aktivasi

Prabowo dkk (2012) menyebutkan bahwa fungsi aktivasi menentukan hasil keluaran

suatu neuron, maka fungsi aktivasi yang berbeda akan menghasilkan hasil yang

berbeda pada suatu jaringan syaraf tiruan. Menurut Siang (2005) argumen fungsi

aktivasi adalah net masukan (kombinasi linier masukan dan bobotnya). Jika net

ii wx maka fungsi aktivasinya adalah ii wxfnetf . Salah satu fungsiaktivasi yang sering dipakai adalah sebagai berikut :


commit to user

14

14

Fungsi Treshold (batas ambang)

.... (2.3)

2.2.5.5. Jaringan Syaraf Tiruan Backpropagation

Menurut Siang (2005) Backpropagation melatih jaringan untuk mendapatkan

keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan

selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar

terhadap pola masukan yang serupa (tapi tidak sama) dengan pola yang dipakai

selama pelatihan.

Menurut Puspaningrum (2006) Pelatihan pada jaringan syaraf backpropagation,

feedfoward (umpan maju) dilakukan dalam rangka perhitungan bobot sehingga pada

akhir pelatihan akan diperoleh bobot-bobot yang baik. Selama proses pelatihan,

bobot-bobot diatur secara iteratif untuk meminimumkan error (kesalahan) yang

terjadi. Error (kesalahan) dihitung berdasarkan rata-rata kuadrat kesalahan atau Mean

Square Error (MSE). Rata-rata kuadrat kesalahan juga dijadikan dasar perhitungan

unjuk kerja fungsi aktivasi. Sebagian besar pelatihan untuk jaringan feedfoward

(umpan maju) menggunakan gradien dari fungsi aktivasi untuk menentukan

bagaimana mengatur bobot-bobot dalam rangka meminimumkan kinerja. Gradien ini

ditentukan dengan menggunakan suatu teknik yang disebut backpropagation.

3 fase pelatihan Backpropagation menurut Puspaningrum (2006) sebagai berikut :

1. Fase 1, yaitu propagasi maju.

Pola masukan dihitung maju mulai dari input layer hingga output layer

menggunakan fungsi aktivasi yang ditentukan.

2. Fase 2, yaitu propagasi mundur.

Selisih antara keluaran jaringan dengan target yang diinginkan merupakan

kesalahan yang terjadi. Kesalahan yang terjadi itu dipropagasi mundur.

axjika

axjikaxf

0

1


commit to user

15

15

Dimulai dari garis yang berhubungan langsung dengan unit-unit di output

layer.

3. Fase 3, yaitu perubahan bobot.

Modifikasi bobot untuk menurunkan kesalahan yang terjadi. Ketiga fase

tersebut diulang-ulang terus hingga kondisi penghentian dipenuhi.

2.2.6. Matlab

Menurut Siang J.J (2005) Matlab merupakan perangkat lunak yang cocok dipakai

sebagai alat komputasi yang melibatkan matriks dan vektor. Fungsi-fungsi yang ada

pada Matlab akan mempermudah menyelesaikan permasalahan pada sistem linier,

program linier dengan simpleks, hingga sistem yang kompleks seperti peramalan

runtun waktu (time series), pengolahan citra, dsb. Matlab juga menyediakan fungsi

khusus untuk menyelesaikan JST sehingga pemakai tinggal memasukkan vektor

masukan, target model, dan parameter yang diinginkan (learning rate, threshold, bias

dll).

2.2.7. Analisis Keandalan Model

Korelasi merupakan teknik analisis yang digunakan untuk mengukur kekuatan

hubungan dua variabel. Korelasi tidak secara otomatis menunjukkan hubungan

kausalitas antar variabel. Hubungan dalam korelasi dapat berupa hubungan linier

positif dan negatif. Interpretasi koefesien korelasi akan menghasilkan makna

kekuatan, signifikansi dan arah hubungan kedua variabel yang diteliti. Untuk melihat

kekuatan koefisien korelasi didasarkan pada jarak yang berkisar antara 0 - 1. Untuk

melihat signifikansi hubungan digunakan angka signifikansi / probabilitas / alpha.

Untuk melihat arah korelasi dilihat dari angka koefisien korelasi yang menunjukkan

positif atau negatif (Jonathan Sarwono, 2006). Berikut adalah rumus korelasi :


commit to user

16

16

.. (2.4)

Dengan :r = Koefisien korelasin = Jumlah datax = Debit simulasi (m3/s)y = Debit lapangan (m3/s)

Keterangan :

0 : Tidak ada korelasi antara dua variabel>0 0,25 : Korelasi sangat lemah>0,25 0,5 : Korelasi cukup>0,5 0,75 : Korelasi kuat>0,75 0,99 : Korelasi sangat kuat

1 : Korelasi sempurna

Keandalan merupakan salah satu alat ukur untuk mengetahui validitas hasil

penelitian. Keandalan tersebut dapat diukur melalui Analisis reliabilitas (Zulganef,

2004). Dalam analisis matematik, rasio jumlah item terhadap total varian disebut

reliabilitas. Analisis dilakukan pada peubah durasi, intensitas, dan frekuensi.

Rumus umum yang digunakan adalah persamaan Cronbach (Zulganef, 2004), sebagai

berikut :

)(21

1 2

2

iji

ir n

n .. (2.5)

Dengan :r = keandalan modeln = jumlah datai2 = jumlah varian i (merupakan jumlah diagonal),ij = kovarian item i dan j,i2 + 2(ij) = total varian

222 )()()()( yynxxn

nr

2

yxxy

bab 1 untuk

Documents