Penerapan Algoritma Multilayer Perceptron (MLP) untuk Memprediksi Debit di Sungai Citarum Bagian Hulu (Pos Pengukuran Majalaya), Kab.Bandung, Jawa Barat
Main Article Content
Abstract
Banjir merupakan salah satu bencana hidrometeorologi yang paling sering terjadi di Indonesia, salah satunya di daerah Majalaya. Banjir Majalaya diakibatkan oleh luapan sungai Citarum. Pengendalian banjir dengan pendekatan non struktural melalui pengembangan sistem peringatan dini banjir menjadi penting untuk mengurangi dampak risiko banjir. Prediksi debit sebagai salah satu komponen dalam peringatan dini memerlukan analisis yang akurat, sederhana, cepat dan menggunakan sumber daya yang seminimal mungkin. Dalam penelitian ini metode Jaringan Syaraf Tiruan (JST) dengan menggunakan algoritma Multilayer Perceptron (MLP) dikembangkan untuk memprediksi debit di pos duga air Majalaya. Input data yang digunakan yaitu berupa data hujan jam-jam an dari 4 (empat) stasiun hujan yang berpengaruh dan data debit di lokasi yang ditinjau. Tiga skenario sruktur model dikembangkan berdasarkan jumlah hidden layer dan neuron. Evaluasi model dilakukan dengan pengukuran statistik RMSE, R2 dan NSE. Hasil penelitian menunjukan bahwa model MLP dengan 1 hidden layer yang dikembangkan cukup baik dalam memprediksi debit satu jam mendatang di pos duga air Majalaya, meskipun masih terdapat kesenjangan nilai debit maksimum hasil prediksi. Debit hasil prediksi cenderung underestimate dibandingkan debit aktual.
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Semua makalah yang diterbitkan dalam Potensi: Jurnal Sipil Politeknik berada dalam lisensi CC-BY-SA atau The Creative Commons Attribution–ShareAlike License
Semua makalah yang diajukan haruslah asli. Karya yang dipublikasikan tidak dalam pertimbangan untuk dipublikasikan di prosiding atau jurnal ilmiah lainnya. Penulis bertangung jawab untuk mendapatkan semua izin yang diperlukan untuk menampilkan kembali tabel, gambar dan citra. Makalah tidak berisi fitnahan, dan tidak melanggar hak-hak lainnya dari pihak ketiga.
Para penulis setuju bahwa keputusan dewan redaksi terkait kesempatan pemaparan makalah adalah final. Para penulis dilarang melakukan bujukan pada tim teknis dalam usaha untuk menerbitkan makalahnya.
Sebelum penerimaan akhir makalah, penulis diminta untuk mengkonfirmasi secara tertulis bahwa penulis adalah pemegang semua hak cipta makalahnya dan menyerahkan hak penerbitan pada Jurnal Potensi: Jurnal Sipil Politeknik.
References
[2] A.K. Pistrika, G. Tsakiris, Flood risk assessment: A methodological framework, Water Resour. Manag. New …. (2007) 14–16.
[3] X.H. Le, H.V. Ho, G. Lee, S. Jung, Application of Long Short-Term Memory (LSTM) Neural Network for Flood Forecasting, Water. 11 (2019) 1–19. https://doi.org/10.3390/W11071387.
[4] M. Nur Adli Zakaria, M. Abdul Malek, M. Zolkepli, A. Najah Ahmed, Application of artificial intelligence algorithms for hourly river level forecast: A case study of Muda River, Malaysia, Alexandria Eng. J. 60 (2021) 4015–4028. https://doi.org/10.1016/j.aej.2021.02.046.
[5] N. Lv, X. Liang, C. Chen, Y. Zhou, J. Li, H. Wei, H. Wang, A long Short-Term memory cyclic model with mutual information for hydrology forecasting: A Case study in the xixian basin, Adv. Water Resour. 141 (2020) 1–0. https://doi.org/10.1016/j.advwatres.2020.103622.
[6] S.N. Chanu, P. Kumar, Application Of Multilayer Perceptron Based Artificial Neural Network For Modeling Of Rainfall Runoff In A Himalayan Watershed, (2016).
[7] M.T. Khan, M. Shoaib, M. Hammad, H. Salahudin, F. Ahmad, S. Ahmad, Application of Machine Learning Techniques in Rainfall Runoff Modelling of the Soan River Basin, Pakistan, Water 2021, Vol. 13, Page 3528. 13 (2021) 3528. https://doi.org/10.3390/W13243528.
[8] M.N. Asaad, Forecasting of Streamflow and Comparison of Artificial Intelligence Methods : A Case Study for Meram Stream in, (2022).
[9] M. Rezaeian Zadeh, S. Amin, D. Khalili, V.P. Singh, M. Rezaeian Zadeh, S. Amin, D. Khalili, V.P. Singh, Daily Outflow Prediction by Multi Layer Perceptron with Logistic Sigmoid and Tangent Sigmoid Activation Functions, Water Resour Manag. 24 (2010) 2673–2688. https://doi.org/10.1007/s11269-009-9573-4.
[10] Q.B. Pham, H.A. Afan, B. Mohammadi, A.N. Ahmed, N.T.T. Linh, N.D. Vo, R. Moazenzadeh, P.S. Yu, A. El-Shafie, Hybrid model to improve the river streamflow forecasting utilizing multi-layer perceptron-based intelligent water drop optimization algorithm, Soft Comput. 24 (2020) 18039–18056. https://doi.org/10.1007/S00500-020-05058-5/FIGURES/10.
[11] J. Hong, S. Lee, G. Lee, D. Yang, J. Bae, J. Kim, K. Kim, K. Lim, Comparison of machine learning algorithms for discharge prediction of multipurpose dam, Water (Switzerland). 13 (2021) 1–12. https://doi.org/10.3390/w13233369.
[12] P. Hosseinzadehtalaei, Multilayer perceptron with different training algorithms for streamflow forecasting Multilayer perceptron with different training algorithms for streamflow forecasting, Neural Comput. Appl. (2014). https://doi.org/10.1007/s00521-012-1287-5.
[13] E.K. Onyari, F.M. Ilunga, Application of MLP neural network and M5P model tree in predicting streamflow: A case study of Luvuvhu catchment, South Africa, Int. J. Innov. Manag. Technol. 4 (2013) 11. https://doi.org/10.7763/IJIMT.2013.V4.347.
[14] X.H. Le, H.V. Ho, G. Lee, S. Jung, Application of Long Short-Term Memory (LSTM) neural network for flood forecasting, Water (Switzerland). 11 (2019). https://doi.org/10.3390/W11071387.
[15] F. Pedregosa, G. Varoquaux, A. Gramfort, V. Michel, B. Thirion, O. Grisel, M. Blondel, P. Prettenhofer, R. Weiss, V. Dubourg, J. Vanderplas, A. Passos, D. Cournapeau, Scikit-learn: Machine Learning in Python, J. Mach. Learn. Res. 12 (2011) 2825–2830.
[16] A. Gholamy, V. Kreinovich, O. Kosheleva, Why 70/30 or 80/20 Relation Between Training and Testing Sets: A Pedagogical Explanation, Dep. Tech. Reports. (2018) 1–6.