Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Jakarta merupakan ibu kota negara Indonesia yang hampir setiap tahunnya mengalami bencana banjir. Salah satu penyebab bencana banjir terjadi yaitu meluapnya aliran air di sungai disebabkan oleh beberapa faktor. Salah satu sungai besar di Jakarta yaitu Sungai Ciliwung. Dalam rangka mengelola bencana banjir yang terjadi, terdapat infrastruktur air yang terletak di hilir Sungai Ciliwung, yaitu Pintu Air Manggarai. Selain pintu air, terdapat beberapa bendungan, baik yang sudah beroperasi maupun sedang dibangun. Bendungan Ciawi dan Sukamahi adalah dua bendungan yang sedang dibangun dengan tujuan untuk mengendalikan banjir agar lebih baik. Kemungkinan terjadinya bencana banjir terukur dari tinggi muka air pada titik-titik yang memiliki sensor pengukur tinggi muka air, yang kemudian informasi tersebut akan disampaikan ke masyarakat, yang biasa disebut siaga dengan tiap levelnya merepresentasikan tinggi muka air yang berbeda. Sistem ini dinamakan Flood Early Warning System (FEWS), atau disebut sistem peringatan dini banjir. Oleh karena itu, pada penelitian ini akan dianalisis hubungan pembangunan Bendungan Ciawi dan Sukamahi dengan perubahan pada Flood Early Warning System di Pintu Air Manggarai. Penelitian ini dilakukan dengan metode kuantitatif. Dari penelitian ini akan menghasilkan hubungan antara pembangunan Bendungan Ciawi dan Sukamahi dengan FEWS serta perbandingan FEWS antara tanpa bendungan dan dengan adanya Bendungan Ciawi dan Sukamahi Jakarta is the capital city of Indonesia, which is flooded almost every year. One of the causes of floods is the overflow of water in rivers caused by several factors. One of the major rivers in Jakarta is the Ciliwung River. In order to manage the flood disaster that occurred, there is a water infrastructure located downstream of the Ciliwung River, the Manggarai Sluice Gate. In addition to the sluice gates, there are several dams, both operating and under construction. Ciawi and Sukamahi dams are two dams that are being built with the aim of better flood controlling. The possibility of a flood measured from the water level at the points that have a water level gauge sensor, which then the information will be conveyed to the public, commonly called siaga with each level present different water level. This system is called the Flood Early Warning System (FEWS). Therefore, this study will analyze the relationship between the construction of the Ciawi Dam and Sukamahi Dam with changes in the Flood Early Warning System at the Manggarai Sluice Gate. This research was conducted by quantitative methods. From this study will produce a relationship between the construction of Ciawi and Sukamahi Dam with FEWS as well as the comparison of FEWS between without dam and with the presence of Ciawi and Sukamahi Dam

Abstrak :

Banjir merupakan bencana alam yang sering terjadi di Indonesia, menimbulkan kerusakan dan mengakibatkan kerugian ekonomi. Hingga saat ini pun, ibukota negara, Jakarta, tak lepas dari banjir akibat luapan dari Sungai Ciliwung. Untuk itu, diperlukan langkah preventif seperti peringatan dini banjir untuk mengurangi kerugian akibat banjir. Namun, sistem peringatan dini banjir yang saat ini dimiliki oleh Balai Besar Wilayah Sungai Ciliwung-Cisadane masih memiliki beberapa kekurangan, seperti model hidrologi yang tidak cocok untuk prediksi jangka pendek dan akurasinya yang belum optimal dan waktu yang belum efisien untuk tahap simulasi berikutnya. Untuk mengatasi kekurangan tersebut, pendekatan machine learning dikembangkan untuk mendapatkan model prediksi tinggi muka air dengan tingkat galat yang rendah dan waktu komputasi yang efisien. Model prediksi banjir diwakilkan oleh tinggi muka air berdasarkan limpasan air hujan dan limpasan dari aliran air ruas hulunya melalui 4 ruas Sungai Ciliwung. Dilakukan perbandingan dua metode berbasis neural network, yaitu Adaptive Neuro-Fuzzy Inference System (ANFIS) dan Recurrent Neural Network-Long Short Term Memory (RNN-LSTM). Model yang unggul secara umum adalah RNN-LSTM dengan tingkat galat yang lebih rendah dan waktu komputasi yang lebih cepat. Pada RMSE dan MAPE, RNN-LSTM unggul pada 3 dari 4 ruas. Waktu komputasi RNN-LSTM selalu lebih cepat dibandingkan dengan ANFIS. Sedangkan dilihat dari R², baik ANFIS maupun RNN-LSTM memiliki kemampuan yang cukup baik kecuali untuk RNN-LSTM pada ruas ketiga. Sehingga secara keseluruhan RNN-LSTM lebih unggul dalam memprediksi tinggi muka air Sungai Ciliwung dilihat dari tingkat galatnya yang lebih rendah dan efisiensi waktunya. RNN-LSTM juga lebih unggul dalam memprediksi tinggi muka air yang fluktuasi dan standar deviasinya lebih besar. ......Floods are natural disasters that often occur in Indonesia, causing damage and economic losses. Until now, the nation's capital, Jakarta, has not been free from flooding due to the overflow of the Ciliwung River. Therefore, preventive action like early warning of floods is needed, to reduce losses due to flooding. However, the flood early warning system currently done by the Ciliwung-Cisadane River Center still has several drawbacks, such as hydrological models that are not suitable for short-term predictions in which resulting their accuracy is not optimal and efficient computing time is needed. To overcome these deficiencies, a machine learning approach is developed to obtain a water level prediction model with a low error and efficient computing time. The model is predicting water level based on rainwater and upstream segment of the river runoff through the 4 segments of the river. Two neural network-based methods, Adaptive Neuro-Fuzzy Inference System (ANFIS) and Recurrent Neural Network-Long Short Term Memory (RNN-LSTM) are compared. Generally, the RNN-LSTM outperformed with a lower error rate and faster computation time. On the RMSE and MAPE, RNN-LSTM excels on 3 out of 4 segments. Based on computing time, RNN-LSTM is always faster than ANFIS. Meanwhile, seen from the R², both ANFIS and RNN-LSTM have decent capabilities except for RNN-LSTM on the third segment. Hence, the RNN-LSTM is superior in predicting the water level of the river based on its lower error and time efficiency. RNN-LSTM is also superior in predicting water level fluctuations with a larger standard deviation.