You are on page 1of 5

Seminar Nasional Penanganan Aliran Sedimen dan Dies Natalis X Program MPBA Fakultas Teknik UGM Yogyakarta 12-13 September

2011

Prediksi kekosongan data debit banjir dengan menggunakan pendekatan
prinsip-prinsip informasi entropy
B. Santosa
DTS, Program Pascasarjana Universitas Diponegoro, Departemen Teknik Sipil Universitas Gunadarma
bsantosa@staff.gunadarma.ac.id
Suharyanto
Departemen Teknik Sipil Universitas Diponegoro, suharyanto20@yahoo.co.id
D. Legono
Laboratorium Hidraulika, Jurusan Teknik Sipil & Lingkungan, FT-UGM, djokolegono@yahoo.com

RINGKASAN : Serial debit maksimum sering menggunakan dalam perencanaan dan manajemen sumber daya air untuk
berbagai tujuan. Namun keberadaan data debit yang tidak lengkap dan terjadinya kekosongan data debit sering terjadi, hal ini
dapat disebabkan oleh berbagai alasan seperti pencatatan data yang tidak kontinu atau kehilangan dalam penyimpanan. Tujuan
dari tulisan ini adalah mengembangkan metode prediksi terhadap kekosongan data debit yang sering terjadi di lapangan.
Prediksi dilakukan dengan menggunakan prinsip-prinsip dari teori informasi entropy, dengan memanfaatkan informasi data
debit yang didapat dari stasiun pengamatan pada daerah aliran sungai terdekat, yang mempunyai data debit dengan riwayat
pencatatan yang bagus dan mempunyai kedekatan hidrologi. Data debit maksimum bulanan yang digunakan sebagai sampel
diambil dari stasiun pengamatan Katulampa-Batubeulah-Genteng yang berada di wilayah sungai Ciliwung-Cisadane hulu. Error
prediksi tujuh bulan kekosongan data stasiun katulampa yang didasarkan informasi data debit dari stasiun Genteng adalah 0.57,
sedangkan error prediksi sembilan bulan kekosongan data stasiun Katulampah yang didasarkan informasi data debit stasiun
Batubeulah adalah 0,399. Berdasarkan besar nilai error dan pola hasil prediksi, menunjukkan bahwa metode prediksi dengan
pendekatan prinsip-prinsip informasi entropy mempunyai potensi untuk dikembangkan sebagai metode prediksi kekosongan
data debit.

1. PENDAHULUAN perhitungan prediksi secara akurat menjadi sangat
penting.
Banjir merupakan kejadian yang serius dan
merupakan problem yang dihadapi dunia. Telah Tujuan dari tulisan ini adalah untuk
banyak kerugian baik material maupun kematian mengembangkan metode prediksi kekosongan data
yang disebabkan oleh kejadian banjir. Dua aspek debit banjir. Simulasi prediksi dilakukan dengan
penting yang sering menjadi topik dalam berbagai menggunakan informasi data dari stasiun
penelitian adalah mengenai frekuensi kejadian pengamatan terdekat yang mempunyai riwayat
banjir maupun analisis resiko yang disebabkan pencatatan data yang lengkap sebagaimana
oleh banjir. Hidrologi merupakan bidang yang digambarkan dalam Gambar 1 dan Gambar 2, di
paling berkepentingan di dalam menyediakan mana kedua DAS tersebut masih mempunyai
perhitungan frekuensi banjir dengan akurat, hal ini keterkaitan secara hidrologi. Metode pendekatan
sangat penting dan merupakan problem dalam yang digunakan dalam memprediksi kekosongan
bidang ekonomi karena kejadian banjir dapat data debit tersebut adalah metode pendekatan yang
menyebabkan keterpurukan dalam bidang ekonomi didasarkan pada prinsip-prinsip dari teori informasi
dan kehidupan. (Xu B.X, 1999) entropy.

Dalam perencanaan dan manajemen sumber daya Metode entropy telah dikembangkan untuk
air sering menggunakan serial debit bulanan memperkirakan variabel acak ketika data adalah
maksimum untuk berbagai tujuan. Namun serangkaian pengamatan independen dari variabel.
keberadaan data debit yang tidak lengkap dan Metode ini mengklaim mempunyai beberapa
terjadinya kekosongan data debit sering terjadi, hal keunggulan dibandingkan metode yang ada.
ini dapat disebabkan oleh berbagai alasan seperti Metode ini menarik, karena memenuhi dua
pencatatan data yang tidak kontinu atau kehilangan persyaratan mendasar untuk konsisten dalam
dalam penyimpanan. Telah banyak peningkatan analisis sistem probabilitas berdasarkan prinsip
metode atau penemuan-penemuan yang invarian dan prinsip monotonisitas data. Metode
menyangkut pengembangan teknik analisa, minimum entropy telah diterapkan untuk analisis
sehingga dari pengalaman lapangan mengenai banjir, kemudian dibandingkan dengan metode
ketidakpastian frekuensi banjir membuat momen dan maksimum likehood. Lind, N. C. at al,
2005. Metode maksimum entropy juga banyak
Kerjasama JICA, PU, MPBA-FT UGM, HATHI, dan MSD-Network

Ukuran yang disampaikan oleh pengamatan Batubeulah. prinsip minimum entropy pertama kali dikenalkan Kullback dan Leibler (1951). T.1. …. ∑p i =1 i xi = x (4) 3. Alasan kejadian yang di tentukan batasan-batasannya.n. 3. belum menghasilkan nilai entropy maksimum untuk digunakan secara umum dalam praktek. STUDI AREA DAN DATA n Maksimum H = −∑ Pi ln Pi (2) Data yang dipakai pada penelitian ini diambil dari i =1 data maksimum bulanan dari stasiun pengamatan n data debit Katulampah. (Rao entropy.4. HATHI. Metode prediksi Shannon ketidakpastian dapat didefinisikan Kerjasama JICA. pi yang diamati. adalah p 1 . pengukuran pendekatan dilakukan dengan dua probability distribusi. & Hsieh 1987).. digunakan untuk memperkirakan besaran banjir 3. …. yaitu informasi untuk menentukan perbedaan antara probabilitas Gambar 1. Prinsip Entropy Maksimum (POME) dengan frekuensi yang berbeda. untuk mendapatkan distribusi probabilitas dengan memaksimalkan fungsi tujuan dengan menetapkan batasan informasi spesifik kejadian. dan oleh 3.1). MPBA-FT UGM.3.p n ..2. 2.p n ). dan Genteng. p 2 . Katulampah dan Genteng Kullback dan Leibler adalah seperti pada Persamaan (5) berikut: N pi 3. 2. utama untuk tidak menggunakan distribusi ME Kebalikannya fungsi entropy maksimum dalam bentuk umum adalah bahwa estimasi Persamaan (3) mempunyai batasan bahwa jumlah parameter masalah yang terkait dengan distribusi probabilitas dari semua kejadian harus sama ME adalah tidak mudah. Teori Entropy Shannon Di mana pi adalah probabilitas dari event i dari Teori entropy Shannon adalah formula yang di probabilitas distribusi P dan qi probabilitas dari pakai dan di ikuti sebagai dasar pengukuran. Karakteristik memaksimalkan subjek kendala dari entropy fungsi entropy dalam Persamaan (2) adalah dengan informasi batasan yang diberikan. event i dari probabilitas distribusi Q Probabilitas dari n kemungkinan kejadian-kejadian 1. Terlepas distribusi probabilitas merata yang akan dari fitur yang menarik dari distribusi ME. Profil data debit maksimum bulanan stasiun distribusi P dan Q.p 2 . dalam persamaan dasar entropy cocok untuk berbagai data banjir.. Maximum Entropy (ME) merupakan distribusi probabilitas yang Maksimum entropy disebut juga dengan Principle didefinisikan sebagai distribusi probabilitas Of Maximum Entropy (POME). Batubeulah. (1957). untuk memastikan distribusi telah diselesaikan dan algoritma telah probabilitas adalah hasil probabilitas merata pada dikembangkan untuk memperkirakan parameter setiap kejadian.. dan MSD-Network . Pertama kali minimum bersyarat yang didapat dengan dikenalkan oleh Jaynes E. Parameter dari distribusi Di mana H adalah ukuran dari informasi atau diestimasi dengan menggunakan perubahan data ukuran dari ketidakpastian (uncertainty). Persamaan (2. Baru-baru ini masalah ini dengan satu. n H = − K ∑ pi ln pi (1) Kebiasaan yang sering dilakukan adalah i =1 mengasumsikan distribusi frekuensi dalam analisis frekuensi banjir.p 3 . METODE PENDEKATAN I ( P : Q) = ∑ Pi ln (5) i =1 qi 3. Kelengkapan distribusi kemudian probabilitas yang mungkin pada kejadian (event) i. Prinsip entropy dapat dipakai dari distribusi ME. Prinsip Entropy Minimum (MDI) Minimum entropy disebut juga Minimum Diskriminasi Informasi (MDI). yang ketiganya masih dalam satu wilayah sungai Di mana ∑ P =1 i =1 i (3) Ciliwung-Cisadane hulu. PU.Seminar Nasional Penanganan Aliran Sedimen dan Dies Natalis X Program MPBA Fakultas Teknik UGM Yogyakarta 12-13 September 2011 diterapkan dan terbukti distribusi maksimum sebagai H (p 1 . Profil debit bulanan dari n ketiga stasiun pengamatan tersebut dapat diligat pada Gambar 1.

prediksi. Sebagai contoh pada kasus kemiripan pola aliran karena kedekatan faktor pelemparan dadu. Optimasi antaranya adalah informasi hubungan probabilitas terhadap maksimum entropy Persamaan (2) akan kedua DAS yaitu probabilitas gabungan antara menghasilkan nilai sama dengan optimasi DAS yang di prediksi maupun DAS yang minimum entropy Persamaan (5) dengan nilai memberikan informasi (DAS A dan B) dalam informasi q i =1/6. Ilustrasi dua DAS berdekatan Kehilangan data pada DAS B DAS A data lengakap Gambar 5 Ilustrasi DAS dengan data lengkap dan data hilang Gambar 3. Persamaan (4) sebesar 3.5 Prinsip minimum entropy dengan contoh pelemparan dadu tersebut dapat diaplikasikan 4. di mana DAS B telah terjadi entropy dari maksimum dan minimum entropy. Prinsip dari maksimum entropy menggunakan data maksimum bulanan. Distribusi probabilitas pelemparan dadu dengan sebagian. untuk Prediksi kehilangan data debit dilakukan dengan memperbaiki distribusi probabilitas akhir pi batuan stasiun pengamatan terdekat yaitu stasiun (posterior probability) sebagai dasar dalam Genteng yang berada di hulu sungai Cisadane. HASIL DAN PEMBAHASAN dalam pemilihan distribusi probabilitas untuk parameter hidrologi. yaitu bulan ke satu sampai ke tujuh. Sedangkan informasi hasil pelemparan dadu. Prediksi Antara maksimum entropy dan minimum entropy kehilangan data di B dapat dilakukan dengan akan mempunyai nilai entropy dan distribusi bantuan informasi data dari DAS A dengan jangka probabilitas yang sama untuk kejadian yang waktu kejadian yang sama. kekosongan data dalam waktu tertentu. p i adalah probabilitas riil dari hidrologi dan klimatologi. Distribusi probabilitas pelemparan dadu dengan set rata-rata kejadian = 3. dapat dilakukan Gambar 4 dan 5 adalah ilustrasi dua DAS yang dengan menggunakan prinsip-prinsip informasi berdekatan. set rata-rata kejadian = 4. yang merupakan tahun 2007. HATHI. Informasi yang juga penting dari optimasi maksimum dan minimum entropy adalah rata-rata dan deviasi kejadian-kejadian dengan batasan Persamaan (3) dan nilai rata-rata dalam jangka dan waktu yang lain.Seminar Nasional Penanganan Aliran Sedimen dan Dies Natalis X Program MPBA Fakultas Teknik UGM Yogyakarta 12-13 September 2011 Prediksi kekosongan atau kehilangan data debit banjir pada lokasi pengamatan. Gambar 2 dan 3 adalah jangka dan waktu yang sama untuk kejadian- distribusi probabilitas merata hasil yang didapat kejadian yang lain. sedangkan q i adalah lain yang dibutuhkan dalam proses prediksi di probabilitas secara teoritis yaitu 1/6.5 dan 4. PU. Informasi B A Gambar 2. Kerjasama JICA. informasi awal (prior probability). Skenario memungkinkan untuk memasukkan faktor dilakukan dengan menghilangkan tujuh bulan data distribusi probabilitas qi. dan MSD-Network . dengan pertimbangan terdistribusi merata. sedangkan DAS A adalah DAS dengan data lengkap. khususnya pada pengamatan Simulasi pertama prediksi kekosongan data debit riwayat data debit pada lokasi pengamatan suatu banjir dilakukan pada stasiun pengamatan debit sungai untuk memberikan informasi pada lokasi Katulampa yang berada di sungai Ciliwung yang lain. MPBA-FT UGM.5.5 Gambar 4.

0 0.57 Gambar 7. dalam melakukan prediksi. MPBA-FT UGM.12 berfungsi memperbaiki probabilitas gabungan pi 4 16.02 pada saat prediksi dilakukan.0 0.02 3 13. sedangkan error yang dihasilkan pada banjir dilakukan pada stasiun pengamatan debit prediksi sembilan bulan kekosongan data stasiun Katulampa yang berada di sungai Ciliwung. dan hasil dapat dilihat pada Entropy (Persamaan 5). 0. Kurva prediksi dan pengamatan stasiun Katulampah tahun 2003 berdasarkan informasi dari stasiun Batubeulah 5.4 4.05 awal dari kedua stasiun pengamatan tersebut akan 3 11.19 0.3 2.0 0.59 4. Besarnya nilai sembilan bulan data tahun 2003.15 Katulampah berdasarkan informasi data debit dari 7 3.1 17.4 10.1 0.14 4 13.6 0.57.9 1.13 Gambar 6.8 0.33 0.22 6 4.6 20.24 stasiun Genteng.5 15.1 0.34 5.5 0.7 2.40 Tabel 1.01 5 8.24 10. Kurva prediksi dan pengamatan stasiun berada di wilayah sungai Ciliwung-Cisadane. Error rata-rata yang terjadi sebesar 9 3.1 62.5 0. hulu sungai Cisadane.399. KESIMPULAN Prediksi dilakukan menggunakan data debit maksimum bulanan yang diambil dari stasiun pengamatan Katulampa-Batubeulah-Genteng yang Gambar 6.2 13. HATHI. Prediksi debit maksimum Katulampah tahun 2007 Bulan Pengamatan Prediksi Error 1 25. Prediksi kehilangan data didasarkan pada pendekatan prinsip-prinsip debit dilakukan dengan batuan stasiun pengamatan entropy mempunyai potensi untuk dikembangkan terdekat yaitu stasiun Batubeulah yang berada di sebagai metode prediksi kekosongan data debit. PU. Informasi 2 17. Katulampah tahun 2007 berdasarkan informasi dari stasiun Error yang dihasilkan pada prediksi tujuh bulan Genteng kekosongan data stasiun Katulampa berdasarkan informasi data debit dari stasiun Genteng adalah Simulasi kedua prediksi kekosongan data debit 0.4 32. Katulampah berdasarkan informasi data debit Skenario dilakukan dengan menghilangkan stasiun Batubeulah adalah 0.3 0.1 0.18 Hasil prediksi kekosongan data debit pada stasiun 6 6.96 8. Prediksi debit maksimum Katulampah tahun 2003 kejadian debit maksimum antara stasiun Bulan Pengamatan Prediksi Error pengamatan Katulampah dan stasiun Genteng 1 8.399. 5 17.26 2 61. Proses prediksi sama dengan Kerjasama JICA. di mana pi adalah Tabel 2 dan Gambar 7.5 16.52 tahun 2002 sampai 2006 (persamaan 2). dan informasi awal qi didapat dari probabilitas gabungan dari rata-rata Tabel 2. yaitu bulan ke error menunjukkan metode prediksi yang satu sampai ke sembilan.28 12.9 17. dan MSD-Network .5 0.57.4 14.03 7 4.Seminar Nasional Penanganan Aliran Sedimen dan Dies Natalis X Program MPBA Fakultas Teknik UGM Yogyakarta 12-13 September 2011 Prediksi dilakukan dengan menggunakan minimum simulasi yang pertama. dapat dilihat pada Tabel 1 dan 8 6.3 0. Error rata-rata yang terjadi probabilitas akhir yang akan di cari sebagai dasar dari prediksi sebesar 0.

Mechanics..Seminar Nasional Penanganan Aliran Sedimen dan Dies Natalis X Program MPBA Fakultas Teknik UGM Yogyakarta 12-13 September 2011 Pustaka Krstanovic P. Leibler R. (1957). 181. Risk Acceptance and Risk Communication. New Directions for Surface Ben Xiaohui Xu.H. Singh V. T. Civil Engineering Kullback S. Bell System Technical Journal. Issue 2. Affording the Control of Flood Risk . MPBA-FT UGM. pp. Canada V8S 3T4 190. A Mathematical Theory of Krstanovic P. pp.. Sufficiency. Department Lind N. submitted to the faculty Of IAHSPubl. Hsieh C. Issue 3. Singh V. Solana. 1987. Special Workshop on Ontario Canada. Stanford University. (1951). (2005). University Jaynes E. Departement of Physics. P. Stanford University. 1029-0249. On Information and and Environmental Systems. dan MSD-Network . Vol 22. II. Canada. Rao R.. forecasting model based on maximum-entropy spectral 379-423. F. HATHI. A real-time flood Communication.no. analysis. 79-86. 27. Volume 3. P. Shannon C.. V. F. P7b-5E1. Information Theory and Statistical of Waterloo. Graduate Studies In Partial Fullfilment Of The Requirements For The Degree Of Master Of Science. pp. P. Theses.. C.. March 26-27. The Physical Review. 108. (1989). for Southwestern Alberta. H. Institute for Risk Research. Goodier & U Panu. California. 404-1033 Belmont. A. Pages 67 – 76 No 1. N. 171. (2007). PU. Copyright Springer Netherlands Kerjasama JICA. (1999).. Water Resources Management 7:109-129. (1993). Volume 4. (1948). Assessing and Of Civil Engineering Lakeheat University Thunder Bay.. Stochastic Hydrology and Hydraulics. 623-656. Infilling Missing Monthly Streamflow Data using A Multivariate approach. Regional Flood frequency Analysis Water Modeling (Procecdines of the Baltimore Symposium). Victoria. Department Of Civil Lind.. Pandey M. No 2.191-202 C. A. A cross entropy Engineering The University Of Calgary method for flood frequency analysis. Maximum entropy probability distributions for flood frequency analysis. (1987). v. BC. Hong. The Annal of Mathematical Statistics.. Nathwani J. E. Vol. An entropy based method for flood forecasting. 1994.