Electronic Theses and Dissertation

Daerah hulu das krueng peusangan terletak di kabupaten aceh tengah, melintasi kabupaten bener meriah, dan bermuara di kabupaten bireuen. das krueng peusangan sering mengalami banjir ketika curah hujan tinggi, dengan sebaran lokasi berstatus sangat rentan banjir di daerah hilir sebesar 20,39%, meliputi kecamatan peudada, jangka, gandapura, peusangan, peusangan selatan, peusangan siblah krueng, juli, jeumpa, dan kuta blang di kabupaten bireuen. kejadian ini dipicu oleh meningkatnya intensitas curah hujan akibat perubahan iklim, sehingga diperlukan strategi pengelolaan mitigasi banjir berbasis prediksi untuk mengurangi dampak terhadap masyarakat lokal. penelitian ini bertujuan untuk membangun model prediksi tinggi air menggunakan pendekatan hidrologi modern dengan metode extreme learning machine (elm), salah satu varian artificial neural network (ann). elm dipilih karena kemampuannya dalam mengenali pola kompleks, mengatasi ketidakpastian data hidrologi, serta memberikan prediksi yang cepat dan akurat. data yang digunakan dalam penelitian ini adalah data tinggi muka air sungai krueng peusangan dari januari 2014 hingga juni 2023. hasil penelitian menunjukkan bahwa model prediksi elm memiliki performa yang sangat baik, dengan nilai mean squared error (mse) sebesar 0,063047, yang menunjukkan tingkat kesalahan sangat kecil. dengan demikian, model elm dapat dianggap akurat dalam memprediksi pola tinggi air sungai dan diharapkan menjadi dasar dalam pengelolaan daerah aliran sungai (das) krueng peusangan, termasuk pengaturan tata air serta kelembagaan sosial ekonomi dan masyarakat.

The upstream area of the Krueng Peusangan Watershed (DAS) is located in Central Aceh Regency, crosses Bener Meriah Regency, and flows into Bireuen Regency. The Krueng Peusangan Watershed frequently experiences flooding during high rainfall, with 20.39% of the area being highly flood-prone, covering the sub-districts of Peudada, Jangka, Gandapura, Peusangan, Peusangan Selatan, Peusangan Siblah Krueng, Juli, Jeumpa, and Kuta Blang in Bireuen Regency. This flooding is triggered by increased rainfall intensity due to climate change, necessitating a flood mitigation strategy based on predictions to reduce the impact on local communities. This study aims to develop a water runoff prediction model using a modern hydrological approach with the Extreme Learning Machine (ELM) method, a variant of Artificial Neural Networks (ANN). ELM was chosen due to its ability to recognize complex patterns, address hydrological data uncertainties, and provide fast and accurate predictions. The data used in this study includes river water level data from Krueng Peusangan from January 2014 to June 2023. The results of the study show that the ELM prediction model performs very well, with a Mean Squared Error (MSE) value of 0.063047, indicating a very small error rate. Thus, the ELM model can be considered accurate in predicting river water level patterns and is expected to serve as a foundation for the management of the Krueng Peusangan Watershed (DAS), including water regulation and socio-economic and community institutions.