Pengembangan Automatic Water Level Recorder (AWLR) Berbasis IoT Sebagai Alat Mitigasi Resiko Potensi Bencana Banjir di Kota Bontang

PoliGrid ◽  
2021 ◽  
Vol 2 (1) ◽  
pp. 30
Author(s):  
Wilis Agung Permadi ◽  
Hijratul Puk Kamal Habibi ◽  
Mardhiyah Huuriin Haspaning Putri
Keyword(s):  
Water Level ◽  
Level Recorder ◽  
Water Level Recorder

Hujan deras pada tahun 2019 telah menyebabkan terjadinya banjir besar di kota Bontang yang mengakibatkan kerugian material pada masyarakat. Setelah kejadian tersebut, masyarakat tidak merasa tenang ketika terjadi musim hujan karena munculnya berbagai informasi yang kurang akurat tentang ketinggian muka air sungai Bontang. Tidak akuratnya informasi menyebabkan masyarakat bingung ketika harus membuat keputusan untuk menyelamatkan benda dan jiwanya. Untuk menyediakan informasi akurat tentang kondisi DAS sungai Bontang, agar masyarakat dapat menjadikannya sebagai pertimbangan untuk membuat keputusan, dikembangkanlah sebuah system AWLR berbasis IoT yang menggunakan teknologi komunikasi LoRa dan internet. Hasil pengujian terhadap system yang telah dirancang bangun menunjukkan bahwa sistem dapat bekerja dengan baik dan memberikan informasi yang tepat tentang tinggi muka air di DAS sungai Bontang kepada msyarakat.  

scholarly journals STUDI PENGENDALIAN BANJIR DI KOTA BARABAI TERKAIT RENCANA PEMBANGUNAN BENDUNGAN PANCUR HANAU DI SUNGAI BARABAI KABUPATEN HULU SUNGAI TENGAH

2018 ◽  
Vol 7 (01) ◽  
pp. 43-51
Author(s):  
Eddy Prabowo
Keyword(s):  
Water Level ◽  
Level Recorder ◽  
Water Level Recorder

Banjir besar melanda Kota Barabai pada bulan juni tahun 2013, dimana kejadian ini mengakibatkan kerusakan di sempadan sungai dan banjir menggenangi Kota Barabai. Curah hujan dan ketinggian muka air Sungai Barabai pada saat kejadian banjir tersebut sempat terekam oleh Pos Automatic Water Level Recorder (AWLR) Baruh Batung yang terletak di Kecamatan Hantakan Kabupaten Hulu Sungai Tengah. Dalam hal ini, Pemerintah Kabupaten Hulu Sungai Tengah berencana untuk membangun Bendungan Pancur Hanau di Sungai Barabai sehingga diharapkan dapat mereduksi debit banjir di Kota Barabai. Kalibrasi koefisien pengaliran dan debit banjir pada bulan Juni tahun 2013 sangat diperlukan dalam desain Bendungan Pancur Hanau dan penentuan ketinggian muka air sebagai peringatan dini bahaya banjir. Metode yang digunakan untuk menentukan koefisien pengaliran menggunakan persamaan Dr. Kawakami. Dalam kalibrasi debit banjir pada DAS Barabai menggunakan metode analisis hidrolika dan analisis hidrologi. Metode penentuan ketinggian muka air sebagai peringatan dini bahaya banjir menggunakan penelusuran banjir di atas pelimpah. Hasilnya koefisien pengaliran pada periode ulang 100 tahun sebesar 0,895 dan debit banjir yang setara pada bulan juni tahun 2013 di DAS Barabai sebesar 605,64 m3/dt. Ketinggian muka air banjir di atas Pelimpah Bendungan Pancur Hanau sebagai peringatan dini bahaya banjir untuk kondisi siaga 1, siaga 2 dan siaga 3 masing-masing sebesar 1,55 m, 1,65 m dan 1,78 m. Dengan adanya pembangunan Bendungan Pancur Hanau di Sungai Barabai, maka reduksi debit banjir Q100, Q1000 dan QPMF masing-masing sebesar 11,70%, 11,19% dan 9,75%.

A Microprocessor Based Water Level Recorder and Sampler Controller

1982 ◽  
Vol 25 (5) ◽  
pp. 1282-1283 ◽  
Author(s):  
Robert L. Kort ◽  
Arthur T. Johnson ◽  
James E. Ayars ◽  
Allen D. Schlosser
Keyword(s):  
Water Level ◽  
Level Recorder ◽  
Water Level Recorder

Design for an inexpensive continuous digital output water level recorder

1997 ◽  
Vol 33 (6) ◽  
pp. 1523-1526 ◽  
Author(s):  
S. Reedyk ◽  
S. Cooke ◽  
G. Burchett ◽  
E. E. Prepas
Keyword(s):  
Water Level ◽  
Digital Output ◽  
Level Recorder ◽  
Water Level Recorder

scholarly journals Stream’s regime coefficient in upstream Rokan watershed of Riau Province

2019 ◽  
Vol 276 ◽  
pp. 04013 ◽  
Author(s):  
Yohanna Lilis Handayani ◽  
Siswanto ◽  
Bambang Sujatmoko ◽  
Gumi Oktavia
Keyword(s):  
Water Level ◽  
Rainy Season ◽  
Flood Disaster ◽  
Level Recorder ◽  
Watershed Condition ◽  
Water Level Recorder ◽  
Poor Class

Flood disaster in Rokan Hulu Regency often occurs every year. High streamflow conditions during rainy season as one of the causes of the flood. Stream’s Regime Coefficient (KRS) is the ratio of maximum and minimum discharge in a watershed that shows the watershed condition. The higher KRS means the worse the watershed condition. The study areas are located in the upstream Rokan watershed. Upstream Rokan watershed with the AWLR (Automatic Water Level Recorder) Lubuk Bendahara and Pasir Pangaraian in Riau Province were picked up as study area of this research. The results show the indicator of stream’s regime coefficient at Lubuk Bendahara AWLR valued 217.45 which placed on poor class and the indicator of stream’s regime coefficient at Pasir Pangaraian AWLR valued 38.25 which placed on good class.

scholarly journals MODEL PERAMALAN DEBIT SUNGAI MENGGUNAKAN ANN- SOM ANN PADA SUB DAS TAPUNG KIRI

Jurnal Aptek ◽  
2021 ◽  
Vol 13 (1) ◽  
pp. 1-6
Author(s):  
Mukhelnalis Sutazril ◽  
Imam Suprayogi ◽  
Ferry Fatnanta
Keyword(s):  
Neural Network ◽  
Artificial Neural Network ◽  
Water Level ◽  
Artificial Neural ◽  
Level Recorder ◽  
Water Level Recorder

Sub daerah aliran sungai Tapung Kiri merupakan bagian dari daerah aliran sungai Siak yang dikategorikan sebagai daerah aliran sungai kritis dan kawasan rawan bencana banjir. Potensi terjadinya banjir disebabkan oleh tingginya curah hujan diwilayah tengah, hulu dan di sepanjang daerah aliran sungai yang telah mengalami perubahan tata guna lahan. Pada penelitian ini, dilakukan model peramalan debit dengan menggunakan metode artificial neural network, diharapkan untuk menyediakan data peramalan debit yang lebih terpercaya untuk masa yang akan datang sehingga dapat menjadi acuan bagi sistem peringatan dini. Data yang digunakan adalah data ketinggian muka air sungai Tapung Kiri dari peralatan automatic water level recorder Pantai Cermin dengan panjang data selama 15 tahun, dimulai pada tahun 2005 sampai dengan tahun 2019.  Penelitian ini diharapkan bisa memberikan gambaran tentang  keunggulan dari artificial neural network untuk digunakan sebagai sistem peringatan dini terhadap banjir. Hasil penelitian menunjukkan bahwa menggunakan metode articial neural network menghasilkan nilai koefesien korelasi pada tahap pelatihan sebesar 0,98, pada tahap pengujian sebesar 0,85 dan pada tahap validasi sebesar 0,89. Jumlah iterasi yang dibutuhkan pada metode artificial neural network adalah sebanyak 7515 epoch.

Sign in / Sign up

Export Citation Format

Share Document