Artificial Neural Network dan Pemodelan Numerik untuk Prediksi Parameter Aliran akibat Dam Break

Setiap bendungan mempunyai potensi keruntuhan bendungan, yang dapat disebabkan oleh banyak factor seperti gempa. Kejadian dam break dapat menyebabkan kerusakan besar pada bagian hilir, terutama jika hilirnya merupakan area perkotaan. Oleh karenanya, setiap pembangunan bendungan harus disertai dengan kajian terkait potensi keruntuhan bendungan untuk meminimalisir kerugian. Parameter yang didapatkan dari kajian tersebut adalah prediksi dari waktu kedatangan, kedalaman, dan kecepatan aliran banjir. Metode prediksi yang digunakan dalam studi ini adalah sebuah machine learning, yaitu Artificial Neural Network (ANN). Kasus yang digunakan pada studi ini adalah eksperimen dam break dengan satu bangunan miring pada bagian hilirnya yang kemudian dimodelkan secara numerik. Metode numerik yang digunakan adalah skema Mac-Cormack dengan filter numerik. Data yang dimasukkan pada model adalah ketinggian level air pada bendungan. Hasil yang didapat dari pemodelan numerik menunjukkan perbandingan fluktuasi muka air yang baik terhadap hasil eksperimen. Skenario yang berbeda kemudian digunakan dengan beberapa ketinggian level air pada bendungan untuk melalui proses pembelajaran, pelatihan, dan pengujian untuk menghasilkan model ANN yang paling optimum dengan nilai MSE mendekati nol sebagai parameter akurasi metode ini. Untuk mendapatkan MSE terkecil, maka digunakan algorima backpropagation perceptron karena lebih efektif dalam memprediksi parameter aliran akibat dam break. Melalui berbagai proses pengujian ANN, didapatkan performance MSE validation terbaik berada pada epoch 2 dengan nilai 0.00011882 dan dapat disimpulkan bahwa metode ANN dapat digunakan sebagai prediktor parameter aliran akibat keruntuhan bendungan. Dengan dilakukannya studi ini, diharapkan dapat membantu kajian terkait dam break pada area perkotaan di masa mendatang.