FLUKTUASI DAN PREDIKSI MUKA AIR TANAH DI CEKUNGAN AIR TANAH JAKARTA MENGGUNAKAN NONLINEAR AUTOREGRESSIVE EXOGENOUS (NARX)

• Main Author: Dani Ruswandi, - (Author)
• Format: Book
• Published: 2021-08-26.
• Subjects: Thesis; NonPeerReviewed
• Online Access: Link Metadata

Summary

Air tanah Cekungan Air Tanah (CAT) Jakarta menjadi tumpuan penduduk Jakarta dalam pemenuhan kebutuhan air bersihnya maka dari itu perlu dilakukan pemantaun terhadap kuantitas air tanah yang berada di Wilayah CAT Jakarta. Prediksi muka air tanah yang akurat memberikan informasi penting tentang air tanah secara kuantitatif serta memberikan gambaran terkait kondisi akuifernya. Salah satu model yang dapat digunakan untuk memprediksi kedalaman muka air tanah adalah Non Linear Autoregressive Exogenous (NARX).Dalam model NARX ini ada beberapa parameter pemodelan yang harus dioptimalkan untuk menghasilkan prediksi model yang akurat. Parameter ini, meliputi : Masukan eksogen, time delay dan algoritma optimasi. Hasil prediksi keluaran dari model akan diuji keakuratannya menggunakan nilai Root Mean Square Error (RMSE) dan Koefisein Determinasi (R2). Faktor hidrologi yang akan digunakan sebagai variabel masukan eksogen adalah evaporasi potensial, presipitasi dan kelembapan. Kedalaman muka air tanah yang akan diprediksi yaitu sumur pantau yang berlokasi di Citra Grand Cibubur, Jalan Alternatif Cibubur Km. 4 Kota Bekasi Provinsi Jawa Barat yang berlokasi di 6.38 Lintang Selatan dan 106.92 Bujur Timur. Dari hasil pemodelan menunjukan bahwa jenis algoritma pelatihan Bayesian Regularization (BR) memiliki hasil yang paling optimal dengan nilai time delay 50. Hasil prediksi paling optimal untuk setiap model NARX yaitu : masukan eksogen evaporasi potensial dengan nilai RMSE = 1.02 x 10-6 dan R2 = 0.999632 ; masukan presipitasi RMSE = 2.79 x 10-5 dan R2 = 0.999426 ; Masukan kelembapan dengan RMSE = 5.43 x 10-5 dan R2 sebesar 0.999572 ; 3 masukan sekaligus dengan RMSE = 6.74 x 10 7 dan R2 = 0.999726. Dari hasil proyeksi kedalaman muka air tanah dari ke-4 model tersebut memiliki nilai kedalaman yang berbeda akan tetapi, semua model prediksi mengalami tren grafik turun atau bisa dikatakan kedalaman air tanahnya semakin dalam. Groundwater in the Jakarta Groundwater Basin is the focus of Jakarta residents in meeting their clean water needs, therefore it is necessary to monitor the quantity of groundwater in the Jakarta Groundwater Basin. Accurate groundwater level prediction provides important information about groundwater quantitatively and provides an overview of the condition of the aquifer. One of the models that can be used to predict groundwater level is Neural Network Non Linear Autoregressive Exogenous (NARX). In this NARX model, there are several modeling parameters that must be optimized to produce accurate model predictions. These parameters include: Exogenous input, time delay and optimization algorithm. The results of the prediction of the output of the model will be tested for accuracy using the value of Root Mean Square Error (RMSE) and Coefficient of Determination (R2). The hydrological factors that will be used as exogenous input variables are potential evaporation, precipitation and humidity. The groundwater level that will be predicted is a monitoring well located at Citra Grand Cibubur, Jalan Alternative Cibubur Km. 4 Bekasi City, West Java Province, located at 6.38 South Latitude and 106.92 East Longitude. The modeling results show that the Bayesian Regularization (BR) optimization algorithm has the most optimal results with the time delay value being dominated by a value of 50, only the exogenous humidity input has a time delay of 100. The most optimal prediction results for each NARX model are: potential evaporation exogenous input with RMSE = 1.02 x 10-6 and R2 = 0.999632; input precipitation RMSE = 2.79 x 10-5 and R2 = 0.999426 ; Input humidity with RMSE = 2.46 x 10-5 and R2 = 0.99952 ; input humidity RMSE = 6.74 x 10-7 and R2 = 0.999726. From the results of forecasting the depth of the groundwater level of the 4 models have a value different depths but, all prediction models experiencing a trend graph down or to say the depth of ground water getting inside

Item Description

http://repository.upi.edu/65105/1/S_FIS_1705678_Title.pdf
http://repository.upi.edu/65105/2/S_FIS_1705678_Chapter1.pdf
http://repository.upi.edu/65105/3/S_FIS_1705678_Chapter2.pdf
http://repository.upi.edu/65105/4/S_FIS_1705678_Chapter3.pdf
http://repository.upi.edu/65105/5/S_FIS_1705678_Chapter4.pdf
http://repository.upi.edu/65105/6/S_FIS_1705678_Chapter5.pdf
http://repository.upi.edu/65105/7/S_FIS_1705678_Appendix.pdf