naskah seminar tugas akhir · muslimin- universitas gadjah mada (muslimin@mail.ugm.ac.id) page 1...
Post on 23-May-2018
231 Views
Preview:
TRANSCRIPT
Muslimin- Universitas Gadjah Mada (muslimin@mail.ugm.ac.id) Page 1
NASKAH SEMINAR TUGAS AKHIR
KAJIAN STATUS KUALITAS AIR DI SUNGAI GAJAHWONG
DENGAN BERBAGAI INDEKS KUALITAS AIR
Disusun oleh:
MUSLIMIN
07 / 251064 / TK / 32544
JURUSAN TEKNIK SIPIL DAN LINGKUNGAN
FAKULTAS TEKNIK
UNIVERSITAS GADJAH MADA
YOGYAKARTA
2011
Muslimin- Universitas Gadjah Mada (muslimin@mail.ugm.ac.id) Page 2
ABSTRAK
Indeks kualitas air atau WQI (water quality index) adalah indeks yang
menggambarkan keseluruhan kualitas air pada suatu waktu dan lokasi berdasar pada
beberapa parameter kualitas air. Tujuan utama WQI adalah untuk merubah data
parameter kualitas air yang kompleks menjadi informasi yang mudah dipahami dan
digunakan oleh masyarakat luas. Negara-negara berkembang, khususnya Indonesia
dituntut agar mampu mengembangkan WQI dengan sedikit parameter tetapi
menggambarkan keseluruhan parameter kualitas air. Hal tersebut sangat bermanfaat
untuk menghemat biaya.
New water quality index (NWQI) dikembangkan dengan menggunakan principal
component analysis (PCA) dan diaplikasikan untuk menentukan status mutu air di
Sungai Gajahwong. PCA membantu untuk memilih beberapa parameter yang mewakili
seluruh parameter kualitas air dan memberikan pembobotan pada masing-masing
parameter. Untuk perbandingan terhadap NWQI yang telah dikembangkan, status mutu
air di Sungai Gajahwong dihitung dengan menggunakan NSF-WQI dan Prakash-WQI.
Verifikasi pengkelasan dilakukan dengan membandingkan hasil pengkelasan 3 WQI
yang telah digunakan dengan pengkelasan hasil cluster analisis. Cluster analisis
mampu memberikan hasil pengkelasan yang lebih objektif karena berdasarkan pada
pendekatan statistik.
Berdasarkan hitungan PCA dipilih 5 parameter yang dominan dengan
pembobotan (Wi) sebagai berikut: Wi-NH3=0,139, Wi-Total Coliform=0,144, Wi-
EC=0,128, Wi-DO= 0,124, Wi-NO2=0,139. Verifikasi pengkelasan WQI yang telah
digunakan menunjukkan bahwa hubungan antara pengkelasan NWQI dan analisis
cluster sudah cukup baik dengan koefisien korelasi (R)=0,66 meskipun terdapat 54 %
kesalahan pengkelasan. Pengkelasan NSF-WQI memiliki hubungan yang rendah
terhadap pengkelasan cluster analisis dengan R =0,33 dan sebanyak 56 % kesalahan
pengkelasan. Sedangkan hubungan antara pengkelasan Prakash-WQI dan cluster
analisis merupakan yang paling baik di antara ketiganya dengan R=0,77 dan 23 %
kesalahan pengkelasan.
Kata kunci: water quality index, PCA, cluster analysis, NWQI, NSF-WQI, Prakash-WQI
Muslimin- Universitas Gadjah Mada (muslimin@mail.ugm.ac.id) Page 3
ABSTRACT
A water quality index (WQI) is a single number (like a grade) expressing overall
water quality at a certain location and time based on several water quality parameters.
The objective of WQI is to turn complex water quality data into understandable and
useable information for public. The challenge of developing countries, such as
Indonesia, are to develop WQI using few water quality parameters to safe cost.
However, water quality parameters used must show actual water quality status.
New water quality index (NWQI) using principal component analysis (PCA) is
developed for assesses water quality status in Gajahwong river. Principal component
analysis helps to choose several parameters representing all water quality parameters
and give weighting for each water quality parameter. NSF-WQI using 7 parameters and
Prakash-WQI using 11 parameters are used as comparator. Cluster analysis are used
to evaluate and verify these index.
The analysis result chooses 5 water quality parameters representing all water
quality parameters. This parameters are: NH3, Total Coliform, EC, DO, and NO2. Each
parameter is given weighting are: Wi-NH3=0.139, Wi-Total Coliform=0.144, Wi-
EC=0.128, Wi-DO= 0.124, Wi-NO2=0.139. Evaluation and verification process using
cluster analysis show that NWQI has good correlation (R=0.66) with cluster analysis
result, although has 54 % inappropriate result. NSF-WQI has bad correlation (R=0.33)
with cluster analysis and has 58 % inappropiate result. Prakash-WQI has the best
result with coeficient of correlation (R)=0.77 and 23 % inappropiate result.
Keywords: water quality index, PCA, cluster analysis, NWQI, NSF-WQI, Prakash-
WQI
Muslimin- Universitas Gadjah Mada (muslimin@mail.ugm.ac.id) Page 4
BAB I
PENDAHULUAN
1.1. Latar Belakang
Program monitoring kualitas air sungai sangat dibutuhkan untuk melindungi
kesehatan publik, menjaga sumber air bersih dan kehidupan ekosistem di sungai. Salah
satu langkah penting dalam program ini adalah mengetahui kualitas air baik secara
temporal maupun secara spasial. Akan tetapi, data kualitas air yang diperoleh dari hasil
pengukuran tidak dapat secara langsung menjelaskan status mutu air karena data
kualitas air masih berupa nilai mentah dari parameter-paramater kualitas air yang
diukur.
Beberapa ilmuwan mengembangkan sebuah metode yang digunakan untuk
mentransformasi parameter kualitas air yang berjumlah banyak menjadi nilai tunggal.
Metode tersebut dikenal dengan nama Water Quality Index (WQI) (Stambuk-Giljanovic
dalam Kannel et.al., 2007). Tujuan utama WQI adalah untuk merubah data parameter
kualitas air yang kompleks menjadi informasi yang mudah dipahami dan digunakan
oleh masyarakat luas.
Di kalangan ilmuwan penggunaan WQI untuk mengklasifikasikan kualitas air
merupakan isu yang kontroversial. Mereka berpendapat bahwa sebuah indeks tidak
dapat menggambarkan secara keseluruhan dari kualitas air karena banyak parameter
kualitas air yang tidak tercakup dalam indeks tersebut (Hendrawan, 2005). Selain itu,
WQI juga sangat subjektif karena banyak variabel dan langkah-langkah yang sangat
tergantung pada masing-masing individu yang menilai.
Dalam perkembangan selanjutnya beberapa ilmuwan menggunakan metode yang
lebih objektif untuk mengetahui karakteristik dan mengevaluasi kualitas air. Metode
yang sering digunakan yaitu metode analisis statistik multivariate. Metode ini
membantu dalam menginteprestasi data kualitas air yang kompleks dengan tinjauan
variasi temporal dan spasial dengan lebih baik (Zhou et.al. ;2006). Kelemahan metode
ini adalah memerlukan analisis dan pemahaman yang lebih rumit dibandingkan dengan
WQI.
Muslimin- Universitas Gadjah Mada (muslimin@mail.ugm.ac.id) Page 5
1.2. Permasalahan
Water Quality Index (WQI) dikembangkan berdasarkan anggapan bahwa
beberapa parameter kualitas air yang dipilih cukup mewakili keseluruhan parameter
kualitas air. Negara-negara berkembang khususnya Indonesia dituntut agar mampu
mengembangkan WQI dengan sedikit parameter kualitas air tetapi menggambarkan
keseluruhan kualitas air. Hal tersebut sangat bermanfaat untuk menghemat biaya.
Berangkat dari hal tersebut, peneliti mengembangkan sebuah metode WQI yang
menggunakan analisis statistik multivariate untuk menggambarkan kualitas air di
Sungai Gajahwong. Metode ini diberi nama New Water Quality Index (NWQI). Untuk
perbandingan terhadap NWQI yang telah dikembangkan, status kualitas air di Sungai
Gajahwong juga dihitung dengan menggunakan NSF-WQI yang menggunakan 7
parameter kualitas air dan Prakash-WQI yang menggunakan 11 parameter kualitas air.
Verifikasi pengkelasan dilakukan dengan membandingkan hasil pengkelasan 3 WQI
yang telah digunakan dengan pengkelasan hasil cluster analisis. Cluster analisis mampu
memberikan hasil pengkelasan yang lebih objektif karena berdasarkan pada pendekatan
statistik.
.
1.3. Tujuan
Beberapa hal yang menjadi tujuan dari penulisan tugas akhir ini antara lain:
a. Menentukan kualitas data parameter kualitas air yang diukur di Sungai
Gajahwong oleh Badan Lingkungan Hidup DIY pada tahun 2000-2010,
b. Mengembangkan sebuah WQI yang berbasiskan data kualitas air di Indonesia
khususnya di Sungai Gajahwong.
c. Menentukan parameter-parameter kualitas air yang mewakili keseluruhan
parameter kualitas air.
d. Menentukan status kualitas air di Sungai Gajahwong dengan beberapa
NWQI, NSF-WQI dan Prakash-WQI dan membandingkan hasilnya.
1.4. Batasan Masalah
Beberapa batasan yang digunakan pada tugas akhir ini yaitu:
a. Data parameter kualitas air yang digunakan adalah hasil pengambilan sampel
di Sungai Gajahwong yang diperoleh dari Badan Lingkungan Hidup DIY.
Muslimin- Universitas Gadjah Mada (muslimin@mail.ugm.ac.id) Page 6
b. Metode statistik yang digunakan untuk mengembangkan NWQI adalah
Principal Component Analysis (PCA).
c. Metode verifikasi yang digunakan adalah metode statistik yaitu analisis
kluster.
d. Kondisi lingkungan di luar parameter biologi, fisik, dan kimia tidak ditinjau
dalam penelitian ini.
BAB II
LANDASAN TEORI
2.1. Kualitas Air
Menurut Peraturan Pemerintah Republik Indonesia Nomor 82 Tahun 2001 tentang
Pengelolaan Kualitas Air dan Pengendalian Pencemaran Air menyebutkan bahwa
kualitas air merefleksikan sifat air dan kandungan makhluk hidup, zat, energi, atau
komponen lain di dalam air. Kualitas air dinyatakan dengan beberapa parameter, yaitu
parameter fisika, kimia dan biologi.
2.2. Evaluasi Data Kualitas Air
Validitas menunjukkan sejauh mana nilai yang diperoleh benar-benar menyatakan
hasil pengambilan sampel yang ingin diukur. Sedangkan reliabilitas merupakan indeks
yang menunjukkan sejauh mana suatu proses pengambilan sampel dapat dipercaya atau
dapat diandalkan. Setiap proses pengukuran seharusnya memiliki kemampuan untuk
memberikan hasil pengambilan sampel relatif konsisten dari waktu ke waktu. Uji
validitas dan reliabilitas dilakukan dengan standarisasi data dan uji outlier.
2.2.1. Standarisasi data
Standarisasi data dilakukan jika data memiliki ukuran (satuan) yang
berbeda. Pada proses standarisasi digunakan Zscore formula yang dinyatakan
dengan persamaan sebagai berikut:
=− ഥ
Dengan:
: data hasil standarisasi data ke-i ݔ : data ke –i
m : jumlah data ҧݔ : rata-rata data
S : standar deviasi
Muslimin- Universitas Gadjah Mada (muslimin@mail.ugm.ac.id) Page 7
2.2.2. Uji Outlier
Uji Outlier dilakukan untuk mencari data yang secara nyata berbeda
dengan data–data yang lain. Data bisa mengalami outlier disebabkan oleh:
salah dalam memasukkan data, salah dalam mengambil sampel, atau memang
sudah begitu adanya (terjadinya kondisi ekstrim). Outlier dilakukan pada data
yang telah distandarisasi. Pada data yang berupa matriks uji outlier dilakukan
melalui dua langkah yaitu uji outlier univariate dan uji outlier multivariate.
Uji outlier univariate dilakukan pada satu variabel. Data secara
univariate dikatakan oulier apabila:
−| |ഥ
>
Dengan:
ݔ : data ke-i, ҧݔ : rata-rata data
: jumlah data : standar deviasi
: batas outlier,
Uji outlier multivariate dilakukan matriks data secara keseluruhan. Uji
outlier multivariate digunakan persamaan Mahalanobis sebagai berikut:
= −) −)(ഥ (ഥ >
dimana ܦଶ adalah jarak Mahalanobis kuadrat data ke-i dari pusat data. Data
dikatakan outlier apabila nilai jarak Mahalanobis lebih dari k. Nilai k diberikan
dengan persamaan:
= c(ࢻ,)
dimana cଶ standar untuk distribusi Chi-Kuadrat dan adalah tingkat
signifikansi biasanya digunakan 0,5.
2.3. Principal Component Analysis
Principal Component Analysis (PCA) merupakan salah satu cara untuk mereduksi
dataset yang kompleks ke dimensi yang lebih kecil dengan tetap mempertahankan
karakteristik data tersebut. Prinsip dari metode ini adalah memilih beberapa principle
component (PC) yang tinggi prioritasnya dan membuang beberapa principle component
(PC) yang rendah prioritasnya. PC yang digunakan adalah PC yang nilai eigennya lebih
dari 1.
Muslimin- Universitas Gadjah Mada (muslimin@mail.ugm.ac.id) Page 8
Pada prinsipnya, masing-masing PC adalah kombinasi linier dari nilai asli (Y)
untuk sejumlah variabel (p). Masing-masing PC mengikuti persamaan sebagai berikut:
PCp = cp,1 Y1 + cp,2 Y2 + cp,3 Y3 + ... + cp,p Yp (axis Zp)
dimana ca,b adalah koefisien skor komponen untuk variabel b pada PC axis Za dan Yb
adalah nilai Y untuk variabel b.
Untuk memilih parameter yang dominan dan memberikan pembobotan
dilakukan penghitungan nilai PC-All. PC-All merupakan hasil penjumlahan dari
perkalian eigen vektor pada masing-masing PC untuk setiap variabel (parameter)
dengan % variansi pada masing-masing PC. Rumus PC-All untuk masing-masing
variabel (parameter) adalah sebagai berikut:
−ܥ ܣ = ݒܧ) × ݒ )
ଵ
dimana Evi adalah eigen vektor PC ke-i dan Vi adalah % variansi ke-i.
2.4. Analisis Cluster
Analisis cluster merupakan suatu teknik analisis statistik yang ditujukan untuk
membuat klasifikasi individu-individu atau obyek-obyek kedalam kelompok-kelompok
lebih kecil yang berbeda satu dengan yang lain. Analisis cluster membantu verifikasi
pengkelasan kualitas air. Analisis cluster secara objektif melakukan pengkelasan dengan
pendekatan statistik.
Salah satu metode yang sering digunakan dalam analisis cluster adalah K-Means
Cluster. Pada K-Means Cluster, terdapat sejumlah “k” kelompok. Pada prinsipnya
masing-masing kelompok dikelompokkan berdasarkan jarak dengan titik pusat
(centroid) pada masing-masing kelompok. Titik-titik akan dikelompokkan pada
kelompok yang jarak titik pusatnya paling dekat dengan centroid masing-masing
kelompok. Untuk menemukan centroid masing-masing kelompok dilakukan dengan
iterasi hingga didapatkan nilai-nilai yang tepat. Algoritma pada K-Means Cluster
mengikuti persamaan berikut:
= ቛࢠ()− ቛ
ୀ
ୀ
Muslimin- Universitas Gadjah Mada (muslimin@mail.ugm.ac.id) Page 9
dimana adalah titik yang termasuk kedalam kluster i dan Ci adalah pusat kluster
(centroid). Secara umum centroid yang paling optimal diperoleh dari jumlah jarak yang
paling kecil. Oleh karena itu, iterasi digunakan untuk membantu menemukan centroid
yang paling optimal.
2.5. Water Quality Index (WQI)
Langkah utama dalam membentuk WQI menurut Abbasi et.al (2002) yaitu:
a. Memilih parameter yang mewakili keseluruhan parameter
b. Pemberian bobot pada masing-masing parameter.
c. Transformasi perbedaan satuan ke dalam skala biasa. Untuk melakukan
transformasi ini digunakan sub-indeks.
d. Verifikasi indeks. Fungsi langkah ini adalah mengevaluasi kecocokan indeks
dengan kualitas air yang dinilai.
Secara umum kualitas air menurut WQI dapat dikategorikan menjadi 5 peringkat
yaitu: 0-25= sangat buruk, 25-50= buruk, 50-70= sedang, 70-90= baik, 90-100= sangat
baik.
2.5.1. Prakash WQI
Kannel et.al (2007) mengembangkan Prakash-WQI di negara Nepal.
Prakash-WQI merupakan WQI yang dikembangkan dari 18 parameter kualitas air.
Pengembangan Prakash WQI berdasarkan beberapa WQI yang telah dikembangkan
sebelumnya.
=ܫ∑ ܥୀଵ
∑ ୀଵ
dimana n adalah jumlah total parameter, Ci adalah nilai yang diberikan untuk
parameter i setelah normalisasi dan Pi adalah bobot relatif yang diberikan untuk
masing-masing parameter. Nilai Pi dan Ci dapat dilihat dalam tabel di bawah ini.
Muslimin- Universitas Gadjah Mada (muslimin@mail.ugm.ac.id) Page 10
Tabel 2.1. Bobot relatif (Pi) dan Faktor normalisasi (Ci) pada Prakash-WQI
ParameterBobot
relatif (Pi)
Faktor normalisasi (Ci)
100 90 70 50 25 0
pH 1 7 7–8 7–9 6–9.5 3–12 1–14
EC 1 <750 <1000 <1500 <2500 <8000 >12000
DO 4 >=7.5 >7 >6 >4 >2 <1
TDS 2 <100 <500 <1000 <2000 <10000 >20000
TSS 4 <20 <40 <80 <120 <320 >400
PO4P 1 <0.025 <0.05 <0.2 <0.5 <1.5 >2
NH4N 3 <0.01 <0.05 <0.2 <0.4 <1 >1.25
NO3 2 <0.5 <2 <6 <10 <50 >100
NO2 2 <0.005 <0.01 <0.05 <0.15 <0.5 >1
BOD 3 <0.5 <2 <4 <6 <12 >15
COD 3 <5 <10 <30 <50 <100 >150
2.5.2. NSF-WQI
NSF-WQI dikembangkan sejak tahun 1970 oleh Brown et.al. yang
mengacu pada indeks Horton (1965). WQI ini dinamakan dengan National
Sanitation Foundation Water Quality Index (NSF-WQI) karena proyek ini
mendapat dukungan sepenuhnya dari National Sanitation Foundation (NSF).
Untuk menghitung NSF-WQI digunakan persamaan berikut:
=ܫ∑ ݍୀଵ
∑ ୀଵ
qi adalah nilai q awal yang diberikan untuk masing-masing parameter. Nilai q ini
ditentukan dengan grafik sub-indeks pada masing-masing parameter. Sedangkan
Wi adalah bobot untuk masing-masing parameter. NSF-WQI dihitung
menggunakan 9 parameter dengan nilai Wi pada masing-masing parameter yaitu:
Wi-DO=0,17; Wi-Total Coliform=0,16; Wi-pH=0,11; Wi-BOD=0,11; Wi-
NO3=0,1; Wi-PO4=0,1; Wi-Turbidity=0,08; Wi-TS=0,07.
Muslimin- Universitas Gadjah Mada (muslimin@mail.ugm.ac.id) Page 11
Grafik sub-indeks NSF-WQI diberikan pada gambar 2.1.
(a) (b) (c)
(d) (e) (f)
(g)
Gambar 2.1. Grafik Sub-Indeks NSF-WQI (a) DO (b) pH (c) BOD5 (d) TS (e) NO3
(f) PO4 (g) Total Coliform
q
DO: % Saturasi
q
pH
q
BOD5 (mg/l)
q
TS (mg/l)
q
NO3 (mg/l)
q
PO4 (mg/l)
q
Total Coliform (MPN)
Muslimin- Universitas Gadjah Mada (muslimin@mail.ugm.ac.id) Page 12
BAB III
METODOLOGI PENELITIAN
Gambar 3.1. Flowchart penelitian
OK
Studi literatur
Pengumpulan data
Sorting data
TidakOutlier test Smoothing data
Peringkasan data
Hitungan
Prakash-WQI
Hitungan
NSF-WQI
PCA
Sub-indeks
Verifikasi
Pembahasan
selesai
Tidak
OK
Outlier test Smoothing data
Parameter dominan dan
pembobotan
Hitungan
NWQI
Standar
kualitas air
Kesimpulan
Cluster Analysis
Muslimin- Universitas Gadjah Mada (muslimin@mail.ugm.ac.id)
HASIL
4.1. Evaluasi data kualitas air
Lokasi-lokasi yang dipilih untuk evaluasi dan perhitungan status mutu air
mencakup 8 lokasi yaitu: Jembatan Tanen, Jembatan Pelang, Jembatan IAIN, Jembatan
Muja-Muju, Jembatan Rejowinangun, Jembatan Tritunggal, Jembatan Wirokerten,
Jembatan Wonokromo.
dilakukan pengukuran sejak tahun 2000 hingga tahun 2010
tidak dilakukan pengukuran di Jembatan Tanen karena sungai
Selain itu, diambil
pengukuran. 12 parameter yang dipilih yaitu: Amoniak,
DHL, DO, Nitrat, Nitrit, pH, Phospahat Total, TDS, dan TSS
pengukuran yaitu: 2001, 2002, 2004, 2005, 2006, 2007, 2008
Gambar 4.1. Jumlah parameter terukur per tahun
Dari 8 lokasi pengukuran pada 8 tahun pengukuran terdapat 140 data yang
kosong dari 3264 data. Artinya ada 3,4% data yang kosong. Satu set data akan dihapus
apabila terdapat salah satu
sebanyak 217 set data dari 283.
Secara tidak langsung uji outlier menunjukkan kualitas data. Semakin banyak data
yang outlier maka data yang ada perlu evaluasi apakah terjadi kesalahan dalam proses
0
5
10
15
20
25
30
35
Jum
lah
par
ame
ter
Universitas Gadjah Mada (muslimin@mail.ugm.ac.id)
BAB IV
HASIL ANALISIS DAN PEMBAHASAN
Evaluasi data kualitas air
lokasi yang dipilih untuk evaluasi dan perhitungan status mutu air
mencakup 8 lokasi yaitu: Jembatan Tanen, Jembatan Pelang, Jembatan IAIN, Jembatan
Muju, Jembatan Rejowinangun, Jembatan Tritunggal, Jembatan Wirokerten,
Jembatan Wonokromo. 8 lokasi ini merupakan lokasi pengambilan yang kontinu
dilakukan pengukuran sejak tahun 2000 hingga tahun 2010 meskipun
tidak dilakukan pengukuran di Jembatan Tanen karena sungai dalam keadaan
itu, diambil kombinasi terbaik dengan memilih 12 parameter
. 12 parameter yang dipilih yaitu: Amoniak, Total Coliform
DHL, DO, Nitrat, Nitrit, pH, Phospahat Total, TDS, dan TSS. Sedangkan 8 tahun
pengukuran yaitu: 2001, 2002, 2004, 2005, 2006, 2007, 2008, dan 2009.
Gambar 4.1. Jumlah parameter terukur per tahun
Dari 8 lokasi pengukuran pada 8 tahun pengukuran terdapat 140 data yang
kosong dari 3264 data. Artinya ada 3,4% data yang kosong. Satu set data akan dihapus
salah satu data yang kosong. Data yang terpilih
set data dari 283.
Secara tidak langsung uji outlier menunjukkan kualitas data. Semakin banyak data
yang outlier maka data yang ada perlu evaluasi apakah terjadi kesalahan dalam proses
0
5
10
15
20
25
30
35
Tahun
Page 13
lokasi yang dipilih untuk evaluasi dan perhitungan status mutu air
mencakup 8 lokasi yaitu: Jembatan Tanen, Jembatan Pelang, Jembatan IAIN, Jembatan
Muju, Jembatan Rejowinangun, Jembatan Tritunggal, Jembatan Wirokerten, dan
8 lokasi ini merupakan lokasi pengambilan yang kontinu
meskipun pada tahun 2006
dalam keadaan kering.
12 parameter dan 8 tahun
Total Coliform, BOD, COD,
. Sedangkan 8 tahun
, dan 2009.
Gambar 4.1. Jumlah parameter terukur per tahun
Dari 8 lokasi pengukuran pada 8 tahun pengukuran terdapat 140 data yang
kosong dari 3264 data. Artinya ada 3,4% data yang kosong. Satu set data akan dihapus
data yang kosong. Data yang terpilih dalam langkah ini
Secara tidak langsung uji outlier menunjukkan kualitas data. Semakin banyak data
yang outlier maka data yang ada perlu evaluasi apakah terjadi kesalahan dalam proses
Muslimin- Universitas Gadjah Mada (muslimin@mail.ugm.ac.id) Page 14
analisis data atau terjadi kejadian ekstrim. Beberapa data yang sangat mencolok
perbedaannya sangat dimungkinkan terjadinya kesalahan dalam salah satu proses
analisis data. Khusus kandungan bakteri total koli yang besar dan menyebabkan banyak
data yang outlier sangat dimungkinkan karena kejadian ekstrim. Hal tersebut tidak lepas
dari masih rendahnya kesadaran sanitasi masyarakat sekitar sungai. Outlier dilakukan
hingga data tidak ada yang outlier. Dalam penelitian ini dilakukan 3 kali outlier. Jumlah
uji outiler pada masing-masing parameter dapat dilihat pada diagram di bawah ini.
Gambar 4.2. Jumlah data outlier
Hasil akhir peringkasan data menghasilkan 107 data dari 217 data yang mencakup 8
tahun pengambilan sampel dan mewakili musim kemarau dan musim hujan tiap
tahunnya.
4.2. Pengembangan NWQI
Pengembangan NWQI yang berbasiskan data Sungai Gajahwong dikerjakan
dalam dua tahap yaitu pemilihan dan pembobotan parameter yang dominan dan
pembuatan sub indeks pada masing-masing parameter. Langkah pertama dikerjakan
dengan bantuan principal component analysis sedangkah langkah ke dua dikerjakan
dengan mengkombinasikan beberapa standar kualitas air.
4.2.1. Pemilihan dan pembobotan parameter dominan
Hasil hitungan principal component analysis berupa nilai eigen, %
kumulatif varian, dan eigen vector. Hasil perhitungan eigen vector dan %
kumulatif variansi dapat dilihat pada gambar 4.3.
Muslimin- Universitas Gadjah Mada (muslimin@mail.ugm.ac.id) Page 15
Gambar 4.3. Scree plot nilai eigen dan % variansi
Gambar 4.3. memperlihatkan bahwa hanya komponen PC1, PC2, dan
PC3 yang memiliki varian (atau eigenvalue) lebih besar dari 1. Komponen
pertama ini (PC1) ini dapat menjelaskan 29. 45 % keragaman data, komponen
kedua (PC2) menjelaskan 18,22% keragaman data dan komponen ketiga
menjelaskan 11.27% keragaman data. Jumlah kumulatif varian ketiga PC yang
hanya mewakili 58.9 % keragaman total data menunjukkan bahwa data yang
dianalisis kurang bagus menurut kriteria statistik.
PC-All (Tabel 4.1) memperlihatkan koefisien pembobotan masing-
masing variabel terhadap keseluruhan data. Dari hasil PC-All ditentukan 5
parameter yang paling tinggi pembobotannya. 5 parameter tersebut adalah: NH3,
Total coliform, DHL, DO dan NO2. Hubungan PCA-All dengan PC-NWQI
(Gambar 4.4) menunjukkan bahwa 5 parameter yang dipilih sudah cukup
mewakili keseluruhan parameter yang dipilih.
0
20
40
60
80
100
120
0.0
0.5
1.0
1.5
2.0
2.5
3.0
3.5
4.0
0 1 2 3 4 5 6 7 8 9 10 11 12 13
%V
aria
n
Eige
nva
lue
PC
Eigenvalue Cum. % of variance
Muslimin- Universitas Gadjah Mada (muslimin@mail.ugm.ac.id) Page 16
Tabel 4.1. Tabel Eigenvector
Variable PC 1 PC 2 PC 3 PC-All* Wi-NWQI
NH3 0.326 0.234 -0.002 0.139 0.139
Total Coli 0.208 0.045 0.665 0.144 0.144
BOD 0.372 -0.151 0.262 0.112
COD 0.347 -0.175 0.107 0.082
DHL 0.442 0.106 -0.189 0.128 0.128
DO -0.247 -0.204 -0.128 -0.124 0.124
NO3 -0.187 0.507 0.157 0.055
NO2 0.365 0.217 -0.073 0.139 0.139
pH -0.162 0.194 0.336 0.026
PO4 0.029 0.387 -0.458 0.028
TDS 0.374 -0.111 -0.261 0.061
TSS 0.019 0.577 0.074 0.119
Gambar 4.4. Grafik hubungan PCA-All dengan PCA-NWQI
4.2.2. Penentuan sub-indeks (qi)
Sub-indeks sangat berguna untuk membantu pengkelasan masing-masing
parameter. Sub-indeks NWQI pada masing-masing parameter ditentukan dengan
mengkombinasikan beberapa standar kualitas air dari berbagai negara dan
berbagai peruntukan. Sub-indeks NWQI dapat dilihat pada grafik di bawah ini.
R² = 0.899
-2.0
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
2.0
-2.0 -1.0 0.0 1.0 2.0PC
A-N
WQ
I
PCA-All
Muslimin- Universitas Gadjah Mada (muslimin@mail.ugm.ac.id) Page 17
(a) (b)
(c) (d)
(e)
Gambar 4.5. Grafik Sub-Indeks NWQI (a) DHL (b) DO (c) Total
Coliform (d) NH3 (e) NO2
qi = -33.3ln(DHL) + 294.0R² = 0.976
0
20
40
60
80
100
0 4000 8000
qi
DHL
y = 0.197x3 - 3.160x2 + 29.33x -25.25, R² = 0.994
0
20
40
60
80
100
0 5 10
qi
DO (mg/l)
qi = -13.1ln(FC) + 152.7R² = 0.977
0
20
40
60
80
100
0 25000 50000 75000 100000
qi
Total Coliform (MPN)
y = -5.163(NH3)3 + 29.23(NH3)2 -74.81(NH3) + 100.7
R² = 1
0
20
40
60
80
100
0 1 2 3
qi
NH3 (mg/l)
qi = -18.9ln(NO2) + 5.734R² = 0.965
0
20
40
60
80
100
0 0.2 0.4 0.6 0.8 1
qi
NO2 (mg/l)
Muslimin- Universitas Gadjah Mada (muslimin@mail.ugm.ac.id)
Dari uraian di atas diperoleh rumus umum NWQI sebagai berikut:
atau,
ൌܫ0,139qi − NH3
4.3. Perhitungan WQI
Hasil perhitungan 3 WQI yang
beda. Perbedaan terjadi pada jumlah pada tiap
NSF-WQI memiliki kelas yang lebih rendah dibandingkan dengan metode lain.
Sedangkan Prakash-WQI memiliki kelas yang lebih tinggi
lain. Hasil yang berbeda
dalam menentukan jumlah parameter, pembobotan dan pembuatan sub indeks pada
parameter yang digunakan.
Gambar 4.6. Jumlah data WQI pada tiap
Pada bagian hulu kondisi sungai yang masih relatif alami dan tidak banyak
sumber pencemar sehingga kualitas air pada ruas ini masih relatif baik. Sedangkan pada
bagian tengah terdapat banyak sumber pencemar dan merupakan ruas dengan aktivitas
manusia dan industri yang tinggi sehingga kondisi kualitas air cenderung lebih buruk.
Dan pada bagian hilir merupakan daerah pertanian sehingga kondisi sungai masih relatif
alami dan tidak banyak umber pencemaran yang ada.
dilihat ada perbaikan kualitas air
0
10
20
30
40
50
60
70
80
90
Ju
mla
h
Universitas Gadjah Mada (muslimin@mail.ugm.ac.id)
Dari uraian di atas diperoleh rumus umum NWQI sebagai berikut:
ൌܫ ൈ ݍ
ହ
ଵ
3 + 0,144qi − TC + 0,128qi − DHL + 0,124qi − DO
0,139 + 0,144 + 0,128 + 0,124 + 0,139
Perhitungan WQI
Hasil perhitungan 3 WQI yang digunakan menunjukkan hasil yang berbeda
. Perbedaan terjadi pada jumlah pada tiap-tiap kelas dan pengkelasan. Secara umum
WQI memiliki kelas yang lebih rendah dibandingkan dengan metode lain.
WQI memiliki kelas yang lebih tinggi dibandingkan dengan metode
lain. Hasil yang berbeda-beda disebabkan oleh unsur subjektivitas yang mempengaruhi
dalam menentukan jumlah parameter, pembobotan dan pembuatan sub indeks pada
parameter yang digunakan.
Gambar 4.6. Jumlah data WQI pada tiap kelas
Pada bagian hulu kondisi sungai yang masih relatif alami dan tidak banyak
sumber pencemar sehingga kualitas air pada ruas ini masih relatif baik. Sedangkan pada
bagian tengah terdapat banyak sumber pencemar dan merupakan ruas dengan aktivitas
yang tinggi sehingga kondisi kualitas air cenderung lebih buruk.
Dan pada bagian hilir merupakan daerah pertanian sehingga kondisi sungai masih relatif
tidak banyak umber pencemaran yang ada. Secara tidak langsung dapat
perbaikan kualitas air secara alami dari bagian tengah ke bagian hilir.
NWQI NSF-WQI Prakash-WQI
0 0 2
17
2
33
7886
72
1219
0
Sangat Baik Baik Sedang Buruk
Page 18
Dari uraian di atas diperoleh rumus umum NWQI sebagai berikut:
DO + 0,139qi − NO2
digunakan menunjukkan hasil yang berbeda-
tiap kelas dan pengkelasan. Secara umum
WQI memiliki kelas yang lebih rendah dibandingkan dengan metode lain.
dibandingkan dengan metode
beda disebabkan oleh unsur subjektivitas yang mempengaruhi
dalam menentukan jumlah parameter, pembobotan dan pembuatan sub indeks pada
kelas
Pada bagian hulu kondisi sungai yang masih relatif alami dan tidak banyak
sumber pencemar sehingga kualitas air pada ruas ini masih relatif baik. Sedangkan pada
bagian tengah terdapat banyak sumber pencemar dan merupakan ruas dengan aktivitas
yang tinggi sehingga kondisi kualitas air cenderung lebih buruk.
Dan pada bagian hilir merupakan daerah pertanian sehingga kondisi sungai masih relatif
ecara tidak langsung dapat
dari bagian tengah ke bagian hilir.
Muslimin- Universitas Gadjah Mada (muslimin@mail.ugm.ac.id) Page 19
Secara temporal kondisi kualitas air belum menunjukkan peningkatan yang
signifikan. Hal ini secara tidak langsung menunjukkan bahwa program-program yang
dilakukan oleh pemerintah untuk memperbaiki kualitas air di sungai Gajahwong belum
berhasil.
Gambar 4.7. Tren berbagai WQI di Sungai Gajahwong
Muslimin- Universitas Gadjah Mada (muslimin@mail.ugm.ac.id) Page 20
5.4. Verifikasi Pengkelasan WQI
Cluster analisis membagi data yang telah distandarisasi sejumlah 3 kelas dengan
basis jarak data ke centroid (titik tengah). Pada tahap awal ditetapkan sembarang 3
centroid untuk masing-masing kelas. Hasil iterasi mendapatkan centroid yang paling
optimal. 3 titik centroid tersebut yaitu: -1,17; -0,37; dan 0,30. Verifikasi dilakukan
dengan membandingkan hasil pengkelasan WQI dengan hasil pengkelasan dengan
analisis cluster. Hasil perbandingan antara 3 WQI yang digunakan dengan hasil analisis
kluster dapat dilihat dalam gambar 3.10.
Gambar 4.8. Grafik perbandingan analisis cluster dengan beberapa WQI
Proses verifikasi terhadap WQI yang telah digunakan menunjukkan bahwa
NWQI memiliki hubungan yang cukup baik dengan hasil cluster analisis dengan
koefisien korelasi (R)=0,66 meskipun terdapat 54 % kesalahan pengkelasan. NSF-WQI
memiliki hubungan yang rendah dengan R =0,33 dan sebanyak 56 % data salah dalam
pengkelasan. Sedangkan Prakash-WQI memiliki hasil yang paling baik dengan R=0,77
dan 23 % data salah dalam pengkelasan.
30
40
50
60
70
80
90
100
0 1 2 3 4 5
WQ
I
Cluster
Prakash-WQI NSF-WQI NWQI
Muslimin- Universitas Gadjah Mada (muslimin@mail.ugm.ac.id) Page 21
Gambar 4.9. Grafik hubungan Analisis cluster dengan beberapa WQI
Pendekatan secara statistik menunjukkan bahwa Prakash-WQI cukup baik
digunakan untuk menilai status mutu air di sungai Gajahwong. Sedangkan NWQI yang
dikembangkan sudah cukup baik, tetapi perlu dikembangkan dengan data yang lebih
baik kualitasnya.
BAB V
KESIMPULAN
5.1. Kesimpulan
Beberapa hal yang dapat disimpulkan pada tugas akhir ini yaitu:
a. Pengukuran data parameter kualitas air masih kurang dikelola dengan baik
terlihat adanya banyak data yang kosong dan outlier.
b. Parameter kualitas air yang dapat menggambarkan keseluruhan kualitas air di
Sungai Gajahwong yaitu: DHL, Total Coli, DO, NO2, dan NH3.
c. Metode NWQI yang dikembangkan dengan analisis statistik sudah cukup baik
untuk digunakan, akan tetapi perlu dikembangkan dengan data yang lebih baik.
d. Metode Prakash-WQI merupakan metode yang paling baik untuk diterapkan di
Sungai Gajahwong dibandingkan dengan metode NSF-WQI dan NWQI.
e. Secara spasial kualitas air Sungai Gajahwong di hulu dalam kondisi yang baik,
tengah dalam kondisi yang buruk dan hilir dalam kondisi sedang.
R² = 0.108
R² = 0.423 R² = 0.604
0.5
1
1.5
2
2.5
3
3.5
4
4.5
0.5 1 1.5 2 2.5 3 3.5
WQ
I
Cluster Analysis
Linear (NSF) Linear (NWQI) Linear (Prakash-WQI)
Muslimin- Universitas Gadjah Mada (muslimin@mail.ugm.ac.id) Page 22
f. Secara temporal dari tahun 2001 hingga tahun 2009 belum ada peningkatan
kualitas air yang signifikan. Hal ini menunjukkan upaya perbaikan kualitas air di
Sungai Gajahwong belum berhasil.
5.2. Saran
Beberapa hal yang dapat kami sarankan yaitu:
a. Diperlukan pemantauan dan manajemen data kualitas air yang lebih baik
mencakup semua proses-proses yang terkait dengan data kualitas air.
b. Diperlukan data yang lebih baik untuk mengembangkan NWQI yang berbasis
analisis statistik sehingga hasilnya juga akan lebih baik.
c. Program peningkatkan kualitas air di Sungai Gajahwong masih perlu
ditingkatkan terutama pada ruas tengah sungai.
DAFTAR PUSTAKA
Abbasi, S.A, Sarkar, dan Chinmoy. 2006. Qualidex- A New Software for Generating
Water Quality Indice. Enviromental Monitoring and Assessment, 119:201-231.
Aravind, H. et al. 2010. A Simple Approach to Clustering in Excel. International Journal
of Computer Applications, 0975 – 8887
Badan Lingkungan Hidup (BLH) DIY. 2010. Laporan Analisa Data Kualitas Air
Sungai di Provinsi Daerah Istimewa Yogyakarta Tahun 2010. BLH DIY:
Yogyakarta.
Bapedalda DIY. 2007. Laporan Sumber-Sumber Pencemaran Sungai di DIY.
Bapedalda: Yogyakarta
Boyd, David R. 2006. The Water We Drink: An International Comparison of Drinking
Water Standards and Guidelines. David Suzuki Foundation: Vancouver
Effendi, H. 2003. Telaah Kualitas Air bagi Pengelolaan Sumber Daya dan Lingkungan
Perairan. Kanisius: Yogyakarta.
Hendrawan, Diana. (2005) . Kualitas Air Sungai dan Situ di DKI Jakarta. Jurnal
Makara Teknologi, 9: 13-19
Muslimin- Universitas Gadjah Mada (muslimin@mail.ugm.ac.id) Page 23
Kannel, Prakash Raj, et al. 2007. Application of Water Quality Indices and Dissolved
Oxygen as Indicators for River Water Classification and Urban Impact
Assessment. Journal of Environmental Monitoring and Assessment, 132:93–110
Oram, Brian. 2011. Calculating NSF Water Quality Index. 5 Maret 2011
http://www.water-research.net/
Peraturan Pemerintah Republik Indonesia Nomor 82 Tahun 2001 Tentang Pengelolaan
Kualitas Air dan Pengendalian Pencemaran Air
Rodriguez, Caroline and Acuña, Edgar. 2011. On detection of outliers and their effect
in supervised classification. Department of Mathematics University of Puerto
Rico: Mayaguez
Shlens, Jonathon. 2005. A Tutorial on Principal Component Analysis. Institute for
Nonlinear Science, University of California: San Diego
Zhou, Feng, et al. 2003. Application of Multivariate Statistical Methods to Water
Quality Assessment of the Watercourses in Northwestern New Territories, Hong
Kong. Enviromental Monitoring and Assessment, 119:201-231.
top related