MODEL HIDROLOGI RUNTUN WAKTU UNTUK PERAMALAN DEBIT SUNGAI

MENGGUNAKAN METODE GABUNGAN TRANSFORMASI WAVELET –

ARTIFICIAL NEURAL NETWORK
(Studi Kasus : Sub DAS Siak Hulu)
1) 2) 2)
Edi Yusuf Adiman , Imam Suprayogi , Yohana Lilis Handayani
1)
Mahasiswa Jurusan Teknik Sipil, Fakultas Teknik, Universitas Riau
2)
Dosen Jurusan Teknik Sipil, Fakultas Teknik, Universitas Riau
Kampus Bina Widya Jln. HR Soebrantas KM 12,5 Pekanbaru, Kode Pos 28293
Email : [email protected]

Abstract

Softcomputing method has been widely used as hydrological analysis model, one of them for
streamflow forecasting. Hybrid model of Wavelet Transformation - Artificial Neural Network
(WANN) is one of the softcomputing method that can predict streamflow. WANN models need
to be tested reliability of the Siak Hulu sub-watershed given the importance of streamflow
information to generate management, planning, and useing water resources and sustainable
accurately. WANN models in this study used AWLR data converted into discharge data at
Siak Hulu sub-watershed from January 2002 to December 2012. First, the data were
decomposed and reconstructed using Wavelet Transformation. Then, ANN constructed
forecasting model use backpropagation algorithm. WANN models were constructing use 12
forecasting scheme, and then it compared to obtain the best model of each forecasting
scheme. The results of statistical analysis on coefficient of correlation (R) showed that the 12
schemes of WANN models developed by the process of calibration, testing, validation and
simulation were categorized as very strong correlation. As for the process simulation models
from 2011 to 2012, WANN models db5 level 2 for lead time one day scheme resulted the best
correlation coefficient (R) is 0.9501752.

Keyword : forecasting streamflow, Siak Hulu sub-watershed, Wavelet Transformation, ANN.

A. PENDAHULUAN ekonomi baik secara lokal, regional

Model hidrologi merupakan maupun nasional. Sungai Siak secara
gambaran sederhana dari suatu sistem keseluruhan dari hulu hingga hilirnya
hidrologi yang aktual (Brook et al, 1991), melewati beberapa kabupaten/kota, yaitu
untuk keperluan analisis tentang keberadaan Kabupaten Rokan Hulu, Kabupaten
air menurut aspek jumlah, waktu, tempat, Kampar, Kota Pekanbaru, Kabupaten
probabilitas dan runtun waktu (time series). Bengkalis dan Kabupaten Siak. Mengingat
Model hidrologi memiliki banyak manfaat, rawannya kawasan DAS Siak terhadap
salah satunya dapat digunakan untuk bencana banjir dan longsor disebabkan oleh
prediksi debit. Prediksi debit dari model pencemaran, erosi dan pendangkalan, maka
hidrologi pada suatu DAS bisa menjadi perlu adanya model peramalan debit DAS
Sistem Peringatan Dini (Early Warning Siak dalam suatu proses hidrologi agar
System) terhadap terjadinya peristiwa banjir dapat menghasilkan manajemen,
dan kekeringan. perencanaan, dan penggunaan sumber daya
Sungai Siak merupakan salah satu air secara akurat dan berkelanjutan.
sungai besar yang mendapatkan perhatian Telah banyak model hidrologi yang
secara nasional, karena sungai tersebut sudah di kembangkan untuk prediksi debit
memiliki fungsi dan peranan yang sangat ini baik dengan model fisik maupun dengan
besar dalam perkembangan wilayah dan model softcomputing. Oleh karena

Jom FTEKNIK Volume 2 No. 1 Februari 2015 1

membutuhkan tempat yang besar dan Bagaimana konfigurasi model peramalan
mahalnya biaya yang dibutuhkan dalam debit aliran sungai menggunakan model
pembuatan model fisik ini, maka seiring WANN pada Sub DAS Siak Hulu Stasiun
berkembangnya teknik komputasi, Pantai Cermin, parameter penting apakah
penggunaan model softcomputing menjadi yang berpengaruh terhadap ketepatan hasil
salah satu model yang patut untuk dicoba peramalan debit aliran sungai menggunakan
keandalannya. model WANN pada Sub DAS Siak Hulu
Salah satu model softcomputing Stasiun Pantai Cermin, dan bagaimana
yang mendapat perhatian dalam pemodelan tingkat kemampuan model WANN
hidrologi akhir-akhir ini adalah model terhadap ketetapan hasil peramalan debit
Jaringan Syaraf Tiruan (Arificial Neural aliran sungai pada Sub DAS Siak Hulu
Network). ANN adalah suatu teknik Stasiun Pantai Cermin.
softcomputing untuk pengolahan informasi
yang terinspirasi oleh sistem saraf secara 1. Transformasi Wavelet
biologis, seperti proses informasi pada otak Menurut Irwandinata (2010),
manusia (Kusumadewi, 2003). Sistem kerja transformasi wavelet adalah pengubahan
ANN ini layaknya sama seperti cara kerja suatu fungsi matematika menjadi bentuk
otak manusia, yaitu belajar melalui contoh. yang lebih sederhana yang membagi data
Semakin banyak contoh yang dipelajari menjadi beberapa komponen frekuensi
semakin bagus model yang akan dibangun. yang berbeda-beda dan menganalisis setiap
Contoh yang dimaksud dalam penelitian ini komponen tersebut dengan menggunakan
merupakan banyaknya data debit yang resolusi yang sesuai dengan skalanya.
tersedia menurut urutan waktunya. Untuk Transformasi wavelet dibagi menjadi
mendapatkan data yang bagus dalam dua bagian besar, yaitu transformasi wavelet
membangun model, ada baiknya data kontinu (TWK) dan transformasi wavelet
dianalisis terlebih dahulu. Data dianalis diskrit (TWD). Transformasi Wavelet
dengan menggunakan metode Transformasi Kontinu (TWK) mempunyai cara kerja
Wavelet. Transformasi Wavelet merupakan dengan menghitung konvolusi sebuah sinyal
pengubahan suatu fungsi matematika dengan sebuah jendela modulasi pada setiap
menjadi bentuk yang lebih sederhana. waktu dengan setiap skala yang diinginkan.
Transformasi Wavelet dapat membuat data Jendela modulasi yang mempunyai skala
menjadi lebih sederhana tanpa mengubah fleksibel inilah yang biasa disebut induk
bentuk pola awal datanya dan diharapkan wavelet atau fungsi dasar wavelet. Menurut
penggunaannya dapat membuat model Reza (2013), dibandingkan dengan TWK,
menjadi lebih baik dari pada yang tidak Transformasi Wavelet Diskrit (TWD)
menggunakannya. dianggap relatif
Penggabungan model Transformasi lebih mudah dalam
Wavelet dan ANN diatas dinamakan model pengimplementasiannya. Prinsip dasar dari
WANN. Dadu dan Deka (2013) TWD adalah bagaimana cara mendapatkan
mengatakan model WANN merupakan representasi waktu dan skala dari sebuah
sebuah model gabungan (hybrid model) dari sinyal menggunakan teknik pemfilteran
Transformasi Wavelet dan Artificial Neural digital dan operasi sub-sampling. Bentuk dari
Network. Penggunaan hybrid model pada TWD dapat dilihat pada persamaam berikut :
proses pembangunan model peramalan TWD −
diharapkan mampu menghasilkan model m,n = ( 0 )−0.5 ( ) [ 0

yang lebih baik dari pada yang hanya

]

dengan : 0

menggunakan satu jenis model saja.

Dari latar belakang yang telah ψ(k) = fungsi wavelet (wavelet induk),
dipaparkan di atas, maka yang menjadi f(k) = sinyal asli,
rumusan masalah pada penelitian ini adalah

Jom FTEKNIK Volume 2 No. 1 Februari 2015 2

 = konstanta skala,

0
noise (denoised) pada Transformasi
0 = konstanta translasi, Wavelet dapat dilakukan dengan cara
k,m = variabel integer. menggunakan nilai treshold tertentu untuk
melakukan filter terhadap data koefisien
Sutarno (2010) dan Listyaningrum detail kemudian direkontruksi kembali
(2007) menjelaskan, pada proses sub- menjadi bentuk awal (polanya).
sampling sinyal pertama-tama dilewatkan Ada beberapa keluarga dari
pada rangkaian filter high-pass dan low- Transformasi Wavelet Diskrit diantaranya
pass, kemudian setengah dari masing- adalah Haar, Daubechies, Symlets, Coiflets.
masing keluaran diambil sebagai sample Wavelet Daubechies merupakan salah satu
melalui operasi sub-sampling. Proses ini jenis Transformasi Wavelet Diskrit yang
disebut sebagai proses dekomposisi satu paling terkenal dan banyak dipergunakan
tingkat. Keluaran dari filter low-pass dalam bidang citra digital, audio, kelistrikan
digunakan sebagai masukkan di proses dan hal-hal lain yang berhubungan dengan
dekomposisi tingkat berikutnya. Proses ini penggunaan sinyal. Wavelet Daubechies
diulang sampai tingkat proses dekomposisi merupakan penyempurnaan dari Wavelet
yang diinginkan. Gabungan dari keluaran- Haar yang memiliki panjang Wavelet dua
keluaran filter high-pass dan satu keluaran kali dari ordenya (2N). Wavelet Daubechies
filter low-pass yang terakhir, disebut disingkat dengan db diikuti dengan jumlah
sebagai koefisien wavelet, yang berisi ordenya, misalnya db5 untuk wavelet
informasi sinyal hasil transformasi yang daubechies yang mempunyai orde 5. Dalam
telah terkompresi. Pasangan filter high-pass setiap orde, wavelet daubechies memiliki
dan low-pass yang digunakan harus level dalam tingkatan dekomposisinya.
memenuhi persamaan berikut: Angka level dari wavelet daubechies
( −1− )=(−1) . ( )

Dengan : menunjukkan berapa kali sinyal akan

h[n] = filtar high-pass, melakukan proses dekomposisi.
g[n] = filter low-pass,
2. Artificial Neural Network (ANN)
L = panjang masing-masing filter. Artificial Neural Network (ANN)
adalah suatu teknik softcomputing untuk
Teknik pemfilteran TWD memiliki pengolahan informasi yang terinspirasi oleh
persamaan dengan pendekatan klasik untuk sistem saraf secara biologis, seperti proses
denoising time series yang berasal dari informasi pada otak manusia (Kusumadewi,
analisis Fourier yang mengasumsikan 2003). Jaringan syaraf tiruan ini termasuk
bahwa noise merupakan bentuk lain dari dalam bentuk kecerdasan buatan (Artificial
getaran pada frekuensi tinggi (Irwandinata, Intelligence) yang membuat mesin
2010). Dengan pemikiran ini, suatu time komputer dapat melakukan pekerjaan
series pada dasarnya dapat didekomposisi sebaik yang dilakukan oleh manusia.
kedalam bentuk gelombang sinus dari Struktur dari sistem pengolahan informasi
frekuensi berbeda dan apabila dilakukan dari kecerdasan buatan ini terdiri dari
proses penghilangan noise, maka hanya sejumlah besar elemen pemrosesan yang
data frekuensi rendah yang akan saling berhubungan (neuron), bekerja
ditinggalkan dalam pola time series. serentak untuk menyelesaikan masalah
Transformasi Wavelet untuk penghilangan tertentu.
noise (denoising) mengasumsikan bahwa
Sistem kerja jaringan syaraf tiruan
analisis time series pada resolusi yang
ini layaknya sama seperti cara kerja otak
berbeda mungkin dapat memisahkan antara
manusia, yaitu belajar melalui contoh.
bentuk sinyal asli (pola data sebenarnya)
Fausett menjelaskan bahwa jaringan saraf
dengan noise-nya. Proses penghilangan
tiruan merupakan salah satu representasi
buatan dari otak manusia yang selalu

Jom FTEKNIK Volume 2 No. 1 Februari 2015 3

mencoba mensimulasikan proses lapisan tersembunyinya. Pembelajaran
pembelajaran pada otak manusia tersebut backpropagation menggunakan pola
(Suprayogi, 2009). penyesuaian bobot untuk mencapai nilai
Kelebihan jaringan syaraf tiruan kesalahan yang minimum antara keluaran
menurut Sutojo, dkk (2011) adalah hasil prediksi dengan keluaran data aslinya
memberikan kemampuan yang luar biasa (Kusumadewi, 2004). Algoritma
untuk mendapatkan informasi dari data backpropagation menggunakan error
yang rumit atau tidak tepat, mampu output untuk mengubah nilai-nilai bobot-
menyelesaikan permasalahan yang tidak bobotnya dalam arah mundur (backward).
terstruktur dan sulit didefinisikan, dapat Untuk mendapatkan error ini, tahap
belajar dari pengalaman, mampu perambatan maju (forward propagation)
mengakuisisi pengetahuan walaupun tidak harus dikerjakan terlebih dahulu. Pada saat
ada kepastian, mampu melakukan perambatan maju, neuron-neuron diaktifkan
generalisasi dan ekstraksi dari suatu pola dengan menggunakan fungsi aktifasi yang
data tertentu, dapat menciptakan suatu pola akan ditentukan pada tahap kalibrasi.
pengetahuan melalui pengaturan diri atau
kemampuan belajar (self organizing),
mampu memilih suatu input data ke dalam
kategori tertentu yang sudah ditetapkan
(klasifikasi), mampu menggambarkan suatu
secara keseluruhan walaupun hanya
diberikan sebagian data dari objek tersebut
(asosiasi), mempunyai kemampuan
mengolah data-data input tanpa harus
mempunyai target, dan mampu menemukan
jawaban terbaik sehingga mampu Gambar 1. Arsitektur Jaringan
meminimalisasi fungsi biaya (optimasi). Backpropagation (Kusumadewi, 2004)

3. Backpropagation Arsitektur jaringan backpropagation

Backpropagation merupakan salah seperti terlihat pada Gambar 1 diatas terdiri
satu model jaringan yang terdapat pada dari tiga unit (neurons) pada lapisan
jaringan syaraf tiruan yang semakin masukan, yaitu X1, X2, X3 ; 1 lapisan
diminati karena telah banyak aplikasi yang tersembunyi dengan 2 neurons, yaitu Z1, Z2
berhasil diselesaikannya. Seperti halnya ; serta 1 unit pada lapisan keluaran yaitu Y1.
model jaringan syaraf tiruan yang lain, Bobot yang menghubungkan X1, X2, dan X3
backpropagation melatih jaringan untuk dengan neurons pertama dan lapisan
mendapatkan keseimbangan antara tersembunyi adalah V1, V2, dan V3. Untuk
kemampuan jaringan untuk mengenali pola b11 dan b12 adalah bobot bias yang menuju
yang digunakan selama pelatihan serta ke neurons pertama dan kedua pada lapisan
kemampuan jaringan untuk memberikan tersembunyi. Bobot yang menghubungkan Z1
respon yang benar terhadap pola masukan dan Z2 dengan neuron pada lapisan keluaran
yang serupa (tapi tidak sama) dengan pola adalah W1 dan W2. Bobot bias
yang dipakai selama pelatihan (Siang, menghubungkan lapisan tersembunyi
2009). Backpropagation itu sendiri dengan lapisan keluaran. Fungsi aktivasi
merupakan sebuah metode sitematik pada yang digunakan antara lapisan tersembunyi
jaringan syaraf tiruan dengan menggunakan dengan lapisan keluaran adalah fungsi
algoritma pembelajaran yang terawasi dan aktivasi yang akan ditentukan pada tahap
biasanya digunakan untuk perceptron kalibrasi.
dengan banyak layar lapisan untuk
mengubah bobot-bobot yang ada pada

Jom FTEKNIK Volume 2 No. 1 Februari 2015 4

4. Tingkat Kinerja Model menggunakan model gabungan (hybrid
Goel (2011) menggunakan 2 tingkat model) dari Transformasi Wavelet dan
kinerja model untuk membangun model Artificial Neural Network (Jaringan Syaraf
peramalan yaitu dengan Root Mean Square Tiruan) yang menghasilkan Model WANN.
Error (RMSE) dan Correlation Coefficient
(R). 1. Pengumpulan dan Pengelompokan
Nilai RMSE dapat dihitung dengan Data
persamaan berikut : Data yang digunakan dalam
=
( − )
2

penelitian ini berupa data AWLR yang

dikonversi menjadi data debit dari tahun
dengan: 2002 – 2012 (kecuali tahun 2007) yang
X = nilai pengamatan, dapat dilihat pada Lampiran A. Adapun
Y = nilai prediksi, untuk tahun 2009 – 2012, konversi dari data
n = jumlah data. AWLR menjadi data debit diperoleh
persamaan liku kalibrasi dari hasil
Menurut Suwarno (2008), koefisien penelitian Mahyudin (2013). Sumber data
korelasi adalah pengukuran statistik diambil dari Balai Wilayah Sungai
kovarian atau asosiasi antara dua variabel. Sumatera III Provinsi Riau Jl. Cut Nyak
Koefisien korelasi menunjukkan kekuatan Dien 01, Pekanbaru. Adapun distribusi data
(strenght) hubungan linear dan arah yaitu sebagai berikut ini.
hubungan dua variabel acak. Untuk 1. 70% dari data tahun 2002 – 2010
memudahkan melakukan interpretasi digunakan sebagai data kalibrasi
mengenai kekuatan hubungan antara dua (training),
variabel dibuat kriteria sebagai berikut. 2. Sisa 30% dari data tahun 2002 –
a. R = 0 : tidak ada korelasi 2010 digunakan sebagai data
antara dua variabel, pengujian (testing),
b. 0<R≤0,25 : korelasi sangat 3. Seluruh data tahun 2002 – 2010
lemah, digunakan sebagai data validasi
c. 0,25 <R≤0,50 : korelasi cukup, (validation),
d. 0,50 <R≤ 0,75 : korelasi kuat, 4. Data tahun 2011 – 2012 digunakan
e. 0,75 <R≤0,99 : korelasi sangat kuat, sebagai data pengujian hasil
f. R = 1,00 : korelasi sempurna. peramalan (simulasi).

Nilai dari R dapat dihitung dengan persamaan 2. Pembangunan Model WANN

berikut : Model yang dibangun adalah model
=
gabungan (hybrid model) dari Transformasi
22
Wavelet dan Artificial Neural Network.
dengan: Model Transformasi Wavelet dikerjakan
’
x = X–X , terlebih dahulu karena hasil data yang
’
y = Y–Y , dikeluarkannya digunakan untuk model
X = nilai pengamatan, Artificial Neural Network. Model dari
X’ = rata-rata nilai X, Transformasi Wavelet ini berfungsi untuk
Y = nilai Prediksi, menghilangkan noise (denoise) pada data
’ yang akan menghasilkan pola data yang
Y = rata-rata nilai Y.
lebih sederhana agar dapat memudahkan
B. METODOLOGI PENELITIAN ANN dalam mengenali data yang pada
Metode penelitian yang digunakan akhirnya dapat bertujuan untuk
adalah metode yang dikembangkan oleh menghasilkan model yang lebih bagus dari
Dadu dan Deka (2013) dari India yaitu pada yang tidak menggunakannya. Secara

Jom FTEKNIK Volume 2 No. 1 Februari 2015 5

sederhana, skema WANN dapat dilihat nilai regresi (R). Model yang dibangun
pada Gambar 2. terdiri dari beberapa jenis model sesuai
T A dengan tingkatan berapa hari model
W N tersebut dapat meramalkan (forecasting)
Qt Qt+1
debit. Ini berfungsi untuk melihat
keandalan model yang sudah dibangun
D N terhadap kriteria nilai regresinya (R). Input
dan Output target yang digunakan berbeda
Gambar 2. Model WANN Sederhana pula terhadap model yang akan dibangun,
yang diambil dari pra-proses pembangunan
Setelah data dimodifikasi oleh model (Transformasi Wavelet) yang terdiri
Transformasi Wavelet, data yang dari beberapa level dalam proses modifikasi
dihasilkannya digunakan sebagai input dan dan dekomposisinya. Pada penelitian ini
target pada model ANN. Selanjutya ANN menggunakan model peramalan dari satu
akan membuat model peramalan debit hari (Qt+1) sampai empat hari (Qt+4)
menggunakan model jaringan kedepan dan untuk pra-proses
backpropagation. Backpropagation pembangunan model dengan menggunakan
merupakan merupakan sebuah metode Transformasi Wavelet Daubechies 5 dari
sitematik pada jaringan syaraf tiruan level 1 sampai level 3. Adapun skemanya
dengan menggunakan algoritma adalah :
pembelajaran yang terawasi, maksudnya 1. Wavelet db5 level 1 untuk peramalan
dalam membuat model jaringan output yang satu hari kedepan (Qt+1)
diharapkan telah diketahui sebelumnya 2. Wavelet db5 level 1 untuk peramalan
(output target). Output target ini berfungsi dua hari kedepan (Qt+2)
sebagai bahan pencocokan dengan output 3. Wavelet db5 level 1 untuk peramalan
yang dihasilkan nantinya (output tiga hari kedepan (Qt+3)
pembelajaran). Apabila terjadi perbedaan 4. Wavelet db5 level 1 untuk peramalan
antara output pembelajaran dengan output empat hari kedepan (Qt+4)
target, maka akan muncul error. Jika nilai 5. Wavelet db5 level 2 untuk peramalan
error ini masih cukup besar akan satu hari kedepan (Qt+1)
mengindikasikan bahwa masih perlu 6. Wavelet db5 level 2 untuk peramalan
dilakukan banyak pembelajaran lagi. dua hari kedepan (Qt+2)
Dengan menggunankan model jaringan 7. Wavelet db5 level 2 untuk peramalan
backpropagation pada ANN yang terdapat tiga hari kedepan (Qt+3)
pada software MATLAB, maka dibuatlah 8. Wavelet db5 level 2 untuk peramalan
model untuk mensimulasikan sistem di atas empat hari kedepan (Qt+4)
sehingga dihasilkan suatu model peramalan 9. Wavelet db5 level 3 untuk peramalan
ANN dengan data yang sudah mengalami satu hari kedepan (Qt+1)
Transformasi Wavelet. 10. Wavelet db5 level 3 untuk peramalan
dua hari kedepan (Qt+2)
C. HASIL DAN PEMBAHASAN 11. Wavelet db5 level 3 untuk peramalan
1. Membangun Model WANN tiga hari kedepan (Qt+3)
Model yang dibangun adalah model 12. Wavelet db5 level 3 untuk peramalan
gabungan (hybrid model) dari Transformasi empat hari kedepan (Qt+4)
Wavelet dan Artificial Neural Network.
Model Transformasi Wavelet dikerjakan Dari skema di atas, nanti dapat
terlebih dahulu karena hasil data yang dilihat dan dibandingkan bahwa model
dikeluarkannya digunakan untuk model yang mana yang menghasilkan nilai regresi
Artificial Neural Network. Dalam pemilihan (R) yang bagus untuk proses pengujian
model WANN ini, menggunakan kriteria hasil peramalan.

Jom FTEKNIK Volume 2 No. 1 Februari 2015 6

2. Pra-proses Pembangunan Model kemudian membangun kembali menjadi
(Transformasi Wavelet) bentuk semula (pola data sebenarnya).
Sebelum membangun model Metode Transformasi Wavelet yang
peramalan, data debit yang digunakan untuk digunakan yaitu Transformasi Wavelet
proses pembangunan model peramalan Daubechies 5 (db5). Transformasi Wavelet
(data debit tahun 2002 - 2010, kecuali Db5 ini terdiri dari beberapa level dimana
2007) dilakukan proses dekomposisi dan pada setiap level menggunakan tahapan
rekonstruksi. Adapun penggunaan proses penyederhanaan sesuai dengan angka
dekomposisi dan rekonstruksi tersebut levelnya. Misalnya Transformasi Wavelet
diharapkan dapat membangun model yang Db5 level 1 menggunakan 1 kali proses
lebih baik daripada dengan yang tidak penyederhanaan, untuk level 2
menggunakannya. Proses dekomposisi dan menggunakan 2 kali proses
rekonstruksi ini menggunakan Metode penyederhanaan, begitu seterusnya.
Transformasi Wavelet. Transformasi Hasil dari proses Transformasi
Wavelet dapat memodifikasi data menjadi Wavelet menggunakan software Matlab
bentuk yang lebih sederhana, dengan cara dengan menggunakan data debit tahun 2002
menghilangkan noise (denoise) pada data – 2010 (kecuali 2007) dapat dilihat pada
gambar di bawah ini.

Gambar 3. Hasil Transformasi Wavelet Db5 Level 1

Pada Gambar 3 di atas menunjukkan nilainya ditunjukkan pada grafik d1 (kiri).

data yang mengalami proses Setelah nilai dekomposisi ditentukan, data
penyederhanaan dengan model akan dibangun kembali (rekonstruksi)
Transformasi Wavelet db5 level 1 seperti pola awalnya yang ditunjukkan pada
menggunakan software Matlab. Data asli grafik a1 (kiri). Untuk proses denoise pada
dibuat dalam bentuk grafik yang data, digunakan suatu nilai treshold
ditunjukkan pada grafik berwarna merah. tertentu. Disini menggunakan nilai treshold
Karena level yang digunakan adalah level default dari Matlab untuk level satu yaitu
satu, maka proses penyederhanaan 3.817. Setelah nilai treshold ditentukan,
(dekomposisi) dilakukan satu kali yang selanjutnya data kembali melakukan

Jom FTEKNIK Volume 2 No. 1 Februari 2015 7

rekonstruksi yang ditunjukkan pada grafik satu hari kedepan diperlukan input berupa
a1 (kanan). Data pada grafik a1 (kanan) debit hari ini (Qt) dan output target berupa
inilah yang akan digunakan pada input dan hari esoknya (Qt+1) seperti yang terlihat
output target model ANN. pada Gambar 2.
Ada tiga tahap dalam membangun
3. Proses Membangun Model Peramalan model peramalan yaitu tahap kalibrasi
(ANN) (pembelajaran), tahap pengujian, dan tahap
Setelah data disiapkan, langkah validasi.
selanjutnya adalah membangun model Pada tahap kalibrasi model,
dengan ANN menggunakan software menggunakan 6 parameter yang perlu
Matlab. Model ANN yang dibangun dimodifikasi agar mendapatkan nilai regresi
berfungsi untuk peramalan (forecasting) (R) yang maksimal (tertinggi). Parameter-
debit. Untuk itu model ANN membutuhkan nya yaitu neurons, transfer function, epoch,
input dan output target yang berupa debit max fail, learning rate, dan momentum.
pula, yang diambil dari hasil pra-proses Berikut adalah contoh hasil tahapan
pembangunan model. Misalnya untuk kalibrasi model pada 12 skema peramalan.
membangun model yang dapat meramal

Tabel 1. Hasil dari Kalibrasi Maksimum dari Setiap Parameter Pelatihan

Jom FTEKNIK Volume 2 No. 1 Februari 2015 8

 Adapun untuk nilai R dari kalibrasi, pengujian dan validasi pada setiap skema dapat
dilihat pada tabel di bawah ini.

Tabel 2. Hasil dari kalibrasi, pengujian dan validasi model maksimum untuk Qt+1
Model Nilai R Nilai R Nilai R Tingkat
Kalibrasi Pengujian Validasi Korelasi
Db5L1 0.97486 0.96292 0.9718 Sangat Kuat
Db5L2 0.97595 0.96713 0.97594 Sangat Kuat
Db5L3 0.97737 0.96799 0.97709 Sangat Kuat
Sumber: Hasil Running Program Bantu MATLAB

Tabel 3. Hasil dari kalibrasi, pengujian dan validasi model maksimum untuk Qt+2
Model Nilai R Nilai R Nilai R Tingkat
Kalibrasi Pengujian Validasi Korelasi
Db5L1 0.91079 0.89509 0.91336 Sangat Kuat
Db5L2 0.92503 0.90091 0.92077 Sangat Kuat
Db5L3 0.93008 0.9089 0.92528 Sangat Kuat
Sumber: Hasil Running Program Bantu MATLAB

Tabel 4. Hasil dari kalibrasi, pengujian dan validasi model maksimum untuk Qt+3
Model Nilai R Nilai R Nilai R Tingkat
Kalibrasi Pengujian Validasi Korelasi
Db5L1 0.83037 0.80372 0.84557 Sangat Kuat
Db5L2 0.84736 0.81234 0.85988 Sangat Kuat
Db5L3 0.86903 0.82963 0.86747 Sangat Kuat
Sumber: Hasil Running Program Bantu MATLAB

Tabel 5. Hasil dari kalibrasi, pengujian dan validasi model maksimum untuk Qt+4
Model Nilai R Nilai R Nilai R Tingkat
Kalibrasi Pengujian Validasi Korelasi
Db5L1 0.78565 0.74387 0.7775 Sangat Kuat
Db5L2 0.79595 0.75677 0.78947 Sangat Kuat
Db5L3 0.80933 0.7695 0.80217 Sangat Kuat
Sumber: Hasil Running Program Bantu MATLAB

4. Pengujian Hasil Peramalan (Simulasi) Cermin. Data tersebut digunakan sebagai

Setelah mendapatkan model – input dari model mana yang akan kita
model yang maksimum pada setiap skema, ramalkan, dan akan menghasilkan output
maka model tersebut siap untuk melakukan sesuai dengan model yang digunakan. Data
peramalan (forecasting). Model yang sudah output yang dihasilkan model inilah yang
disiapkan pada proses peramalan akan diuji akan kita bandingkan dengan nilai
kembali untuk melihat unjuk kerjanya sebenarnya dari data peramalan tersebut.
terhadap data peramalan (simulasi). Data Untuk nilai Koefisien Korelasi (R) dan
simulasi merupakan data di luar dari data RMSE dari hasil peramalan debit tahun
yang digunakan pada proses pembangunan 2011 – 2012 pada setiap skema model
model. Data yang digunakan adalah data dapat dilihat pada tabel di bawah ini.
tahun 2011 – 2012 pada stasiun Pantai

Jom FTEKNIK Volume 2 No. 1 Februari 2015 9

Tabel 6. Hasil peramalan model WANN db5 untuk Qt+1
Nilai Root Mean Nilai Koefisien
Model Square Error Korelasi Tingkat Korelasi
(RMSE) (R)
Db5L1 14.659449 0.9493257 Sangat Kuat
Db5L2 14.525965 0.9501752 Sangat Kuat
Db5L3 14.533197 0.9501752 Sangat Kuat
Sumber: Hasil Running Program Bantu MATLAB
Tabel 7. Hasil peramalan model WANN db5 untuk Q t+2
Nilai Root Mean Nilai Koefisien
Model Square Error Korelasi Tingkat Korelasi
(RMSE) (R)
Db5L1 21.42562 0.889856 Sangat Kuat
Db5L2 21.49402 0.887729 Sangat Kuat
Db5L3 21.44875 0.888301 Sangat Kuat
Sumber: Hasil Running Program Bantu MATLAB
Tabel 8. Hasil peramalan model WANN db5 untuk Q t+3
Nilai Root Mean Nilai Koefisien
Model Square Error Korelasi Tingkat Korelasi
(RMSE) (R)
Db5L1 25.95679 0.830359 Sangat Kuat
Db5L2 26.40756 0.826454 Sangat Kuat
Db5L3 26.42413 0.824245 Sangat Kuat
Sumber: Hasil Running Program Bantu MATLAB
Tabel 9. Hasil peramalan model WANN db5 untuk Q t+4
Nilai Root Mean Nilai Koefisien
Model Square Error Korelasi Tingkat Korelasi
(RMSE) (R)
Db5L1 30.2719 0.763164 Sangat Kuat
Db5L2 30.20935 0.763164 Sangat Kuat
Db5L3 30.21361 0.763164 Sangat Kuat
Sumber: Hasil Running Program Bantu MATLAB

Jom FTEKNIK Volume 2 No. 1 Februari 2015 10

 Untuk hasil perbandingan antara hasil peramalan model terbaik pada setiap skema
peramalan dengan hasil pengamatan dapat dilihat pada gambar di bawah ini.

Gambar 4. Hasil Perbandingan Antara Debit Pengamatan dengan Debit Peramalan

Model WANN db5 level 2 untuk Qt+1

Gambar 5. Hasil Perbandingan Antara Debit Pengamatan dengan Debit Peramalan Model
WANN db5 level 1 untuk Qt+2

Jom FTEKNIK Volume 2 No. 1 Februari 2015 11

 Gambar 6. Hasil Perbandingan Antara Debit Pengamatan dengan Debit Peramalan Model
WANN db5 level 1 untuk Qt+3

Gambar 7. Hasil Perbandingan Antara Debit Pengamatan dengan Debit Peramalan Model
WANN db5 level 2 untuk Qt+4

Dari tabel dan gambar di atas dapat parameter statistik Koefisien

dilihat bahwa semakin lama waktu model Korelasi (R) untuk satu hari
dalam meramalkan debit, maka semakin kedepan sebesar 0.9501752.
menurun tingkat kinerja model berdasarkan 2. Model peramalan terbaik adalah
uji parameter statistik koefisien korelasi (R) model WANN db5 level 2 untuk
dan semakin bertmbah besarnya tingkat peramalan satu hari kedepan dengan
kesalahan berdasarkan uji RMSE. menggunakan parameter: jumlah
neurons 15, transfer function pada
D. KESIMPULAN layer 1 “purelin” dan layer 2
1. Model peramalan debit aliran sungai “purelin”, jumlah epoch 1000,
pada Sub DAS Siak Hulu Stasiun jumlah max fail 1000, angka
Pantai Cermin menggunakan learning rate 0.01, dan angka
WANN db5 level 2 memberikan momentum 0.9.
hasil terbaik berdasarkan uji

Jom FTEKNIK Volume 2 No. 1 Februari 2015 12

 3. Tingkat kemampuan model WANN Listyaningrum, R. 2007. Analisis Tekstur
db5 level 1, level 2 dan level 3 Menggunakan Metode Transformasi Paket
berdasarkan uji parameter statistik Wavelet. Makalah Seminar Tugas Akhir.
Koefisien Korelasi (R) untuk Semarang, Januari 2007. Mahyudin. 2013.
peramalan satu (Qt+1), dua (Qt+2), Model Prediksi Liku Kalibrasi
tiga (Qt+3), bahkan empat (Qt+4) hari Menggunakan Pendekatan Jaringan Saraf
kedepan, dikategorikan sebagai Tiruan (Studi Kasus: Sub Das Siak
korelasi sangat kuat. Hulu). Skripsi.
Pekanbaru: Fakultas Teknik
E. SARAN Universitas Riau.
1. Penelitian berikutnya bisa Reza, C. 2013. Teknik Potensi Diferensial
memprediksikan debit seminggu pada Transformator Daya Tiga Fasa
kedepan menggunakan model dengan Menggunakan Transformasi
WANN, mengingat model dapat Wavelet. Skripsi. Bandung:
diproyeksikan sebagai sistem Universitas Pendidikan Indonesia.
peringatan dini banjir. Siang, J.J. 2009. Jaringan Syaraf Tiruan
2. Mengingat tingkat kesensitifan dan Pemrograman Menggunakan
model peramalan WANN yang MATLAB. Yogyakarta: ANDI.
tinggi, perlunya kehati-hatian dan Suprayogi, I. 2009. Model Peramalan
pemahaman mendalam tentang Instrusi Air Laut di Estuari
model agar mendapatkan model Menggunakan Pendekatan
peramalan yang bagus. Softcomputing. Disertasi. Surabaya:
F. DAFTAR PUSTAKA Fakultas Teknik Institut Teknologi
Brooks, K.N., Folliot, P.F., Gregesen, H.M. Sepuluh November.
and Thames, J.L. 1991. Hydrology Sutarno. 2010. Analisis Perbandingan
and The Management of Watershed. Transformasi Wavelet pada
USA: Iowa State University Press. Pengenalan Citra Wajah. Jurnal
Dadu, K.S. and Deka, P.C. 2013. Multistep Generic. Vol. 5:15-21.
Lead Time Forecasting of Hydrologic Sutojo, T., Mulyanto, E. dan Suhartono, V.
Time Series Using Daubechies 2011. Kecerdasan Buatan.
Wavelet – Artificial Neural Network Yogyakarta: Andy Offset.
Hybrid Model. IJSER 2013. Vol. 4: Suwarno. 2008. Analisis Korelasi.
115-124. Sukoharjo: Universitas Veteran
Goel, A. 2011. ANN-Based Approach for Bangun Nusantara.
Prediting Rating Curve of an Indian
River. ISRN Civil Enginering. Article
ID 291370.
Irwandinata. 2010. Teory Wavelet.
Available at: <URL:
http://irwandinata.wordpress.com/201
0/07/08/teori-wavelet.html>
[Accessed 28 Juli 2014].
Kusumadewi, S. 2003. Artificial
Intelligence Teknik dan Aplikasinya.
Yogyakarta: Graha Ilmu.
Kusumadewi, S. 2004. Membangun
Jaringan Syaraf Tiruan
Menggunakan MATLAB & EXEL
LINK. Yogyakarta: Graha Ilmu.

Jom FTEKNIK Volume 2 No. 1 Februari 2015 13