jurnal - pengairan.ub.ac.idpengairan.ub.ac.id/s1/wp-content/uploads/sites/2/2017/01/aplikasi... ·...
TRANSCRIPT
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI
KUALITAS AIR SUNGAI DI TITIK BAMBE TAMBANGAN
KABUPATEN GRESIK
JURNAL
TEKNIK PENGAIRAN KONSENTRASI SISTEM INFORMASI
SUMBER DAYA AIR
Ditujukan untuk memenuhi persyaratan
memperoleh gelar Sarjana Teknik
PRATAMA DIMAS WINANTO
NIM. 115060400111029 - 64
UNIVERSITAS BRAWIJAYA
FAKULTAS TEKNIK
MALANG
2017
Aplikasi Jaringan Syaraf Tiruan untuk Memprediksi Kualitas Air
Sungai di Titik Bambe Tambangan Kabupaten Gresik
(Application of Artificial Neural Networks to Predict the Water River Quality at Bambe
Tambangan Point of Gresik Regency)
Pratama Dimas Winanto1, Riyanto Haribowo2, Very Dermawan2, 1)Mahasiswa Jurusan Teknik Pengairan, Fakultas Teknik, Universitas Brawijaya
2)Dosen Jurusan Teknik Pengairan, Fakultas Teknik, Universitas Brawijaya
Universitas Brawijaya-Malang, Jawa Timur, Indonesia
Jalan MT.Haryono 167 Malang 65145 Indonesia
e-mail: [email protected]
ABSTRAK
Air dapat menjadi bencana bagi manusia bila keberadaanya tidak memenuhi dari segi kualitas. Salah
satu usaha dalam pengelolaan kualitas air adalah pemantauan kualitas air untuk mengetahui kondisi
kualitasnya. Dalam pemantauan kualitas air diperlukan banyak bahan, alat ukur dan tenaga ahli
sehingga penerapannya menjadi mahal dan rumit. Jaringan Syaraf Tiruan (JST) dapat digunakan
untuk membantu pemantauan kualitas air sungai. Tujuan studi ini adalah menerapkan JST untuk
memprediksi kualitas air sungai (DO, BOD, COD, pH dan suhu) di Bambe Tambangan dengan
bantuan NeuroSolutions7. Maka dibuat 3 (tiga) skenario prediksi, Skenario I untuk output DO.
Skenario II dan III untuk output BOD dan COD namun dengan input yang berbeda. JST akan dilatih
dan diuji dengan dataset training, cross validation, dan testing serta variasi epoch yang berbeda.
Kemudian dari data produksi JST akan dihitung persentase kesalahan relatif (KR) berdasarkan data
aktual. Hasilnya, untuk Skenario I, output DO, pH dan suhu yang dihasilkan JST sangat baik dengan
persentase KR < 10%. Untuk Skenario II dan III, output BOD dan COD yang dihasilkan JST
memiliki KR masih > 10%. Rata-rata nilai KR terendah didapatkan JST dengan jaringan yang
menggunakan persentase dataset 60-20-20 dengan epoch 5000.
Kata Kunci: jaringan syaraf tiruan, kualitas air sungai, DO, BOD, COD, pH, suhu
ABSTRACT
Water can be a disaster for humans if its existence does not meet in terms of quality. One
effort in water quality management is water quality monitoring to determine the quality
condition. In the water quality monitoring required many materials, measuring tools and
experts so that its application becomes expensive and complicated. Artificial Neural
Network (ANN) can be used to help monitor the quality of river water. The aim of this study
is to apply ANN to predict river water quality (DO, BOD, COD, pH and temperature) in
Bambe Tambangan with the help of NeuroSolutions7. Then made 3 (three) prediction
scenario, Scenario I for output DO. Scenarios II and III for BOD and COD output but with
different inputs. JST will be trained and tested with training datasets, cross validation, and
testing and different epoch variations. Then from the JST production data will be calculated
the percentage of relative error (RE) based on the actual data. As a result, for Scenario I,
the DO output, pH and temperature generated by ANN are excellent with a percentage of
RE < 10%. For Scenarios II and III, the output of BOD and COD produced by ANN has RE
still > 10%. The lowest average RE score was obtained by ANN with a network using
percentage datasets 60-20-20 with epoch 5000.
Keywords: artificial neural network, river water quality, DO, BOD, COD, pH, temperature
1. PENDAHULUAN
Dalam laporan status lingkungan
hidup Provinsi Jawa Timur, Badan
Lingkungan Hidup (BLH) Provinsi Jawa
Timur menyebutkan bahwa persentase
sumber pencemar Sungai Brantas berasal
dari limbah domestik 50%, limbah
industri 40%, dan limbah pertanian dll
10%. Pelanggaran yang sering dilakukan
beberapa industri yaitu: memiliki IPAL
namun tidak mengoperasikannya dengan
optimal dan membuang limbah namun
tidak sesuai aturan yang ditetapkan
(Badan Lingkungan Hidup Provinsi Jawa
Timur, 2010)
Dalam upaya mewujudkan peraturan
pemerintah tentang kebijakan dan strategi
pengelolaan sumber daya air Provinsi
Jawa Timur, disebutkan bahwa salah satu
upaya pengendalian pencemaran air
adalah dengan cara mengembangkan dan
menerapkan teknologi perbaikan kualitas
air dan sistem pemantauan kuaitas air pada
sumber air sebelum masuk atau
dimasukan ke dalam sumber air
(Peraturan Gubernur Jawa Timur Nomor
12 Tahun 2013).
Dalam pemantauan kualitas air
diperlukan banyak bahan, banyak
parameter dan alat-alat ukur serta tenaga
ahli sehingga penerapannya menjadi
mahal dan rumit. Salah satu metode yang
dapat digunakan untuk membantu
pemantauan kualitas air sungai adalah
dengan metode jaringan syaraf tiruan atau
yang biasa dikenal dengan JST. Masalah
pemantauan kualitas air sungai yang akan
dihadapi salah satunya adalah bagaimana
memodelkan dan memprediksi kualitas air
sungai pada bagian hilir. Maka
dilakukanlah studi prediksi kualitas air
sungai dengan JST pada Bambe
Tambangan (hilir) berdasarkan kualitas air
pada bagian hulu (Jembatan Jrebeng dan
Cangkir Tambangan). Sehingga dari studi
ini diharapkan dapat memberikan solusi
kemudahan, masukan, dan alternatif
metode dalam kegiatan pengelolaan dan
pemantauan kualitas air sungai.
Berdasarkan peraturan perundang-
undangan yang berlaku, dalam Pasal 1
Keputusan Menteri Negara Lingkungan
Hidup Nomor 115 tahun 2003 disebutkan
bahwa kualitas air adalah kondisi
kualitatif air yang diukur dan atau di uji
berdasarkan parameter-parameter tertentu
serta metode tertentu. Kualitas air dapat
dinyatakan dengan parameter kualitas air
yang meliputi parameter fisik, kimia, dan
mikrobiologis (Masduqi, 2009).
Perubahan kondisi kualitas air pada
suatu Daerah Aliran Sungai (DAS)
disebabkan adanya peningkatan aktivitas
manusia didalamnya sehingga menjadikan
kondisi kualitas air menurun dan tidak
dapat dimanfaatkan secara optimal
(Asdak, 2010).
Studi ini mengacu pada penelitian
terdahulu yang telah dilakukan oleh
Archana Sarkar dan Prashant Pandey
dengan judul River Water Quality
Modelling using Artificial Neural Network
Technique yang dilakukan di Sungai
Yamuna, India. Kemudian dicoba untuk
diterapkan pada Kali Surabaya (Sungai
Brantas bagian hilir) namun untuk
memprediksi parameter DO, BOD, COD,
pH dan suhu (Archana Sarkar, 2015).
2. METODOLOGI
2.1. Lokasi Studi
Prediksi kualitas air ditujukan pada
titik Bambe Tambangan (hilir)
berdasarkan kualitas air pada Jembatan
Jrebeng dan Cangkir Tambangan (hulu).
Data parameter kualitas air yang
digunakan adalah DO, BOD, COD, pH
dan suuhu. Semua titik pemantauan
kualitas air untuk studi ini berada di aliran
Kali Surabaya yang masuk kedalam
wilayah Kabupaten Gresik.
Letak kokasi Kab. Gresik disebelah
barat laut Kota Surabaya yang juga ibu
kota Provinsi Jawa Timur dengan luasan
wilayah 1.191,25 km² yang terdiri dari 18
Kecamatan, 330 Desa dan 26 Kelurahan.
Kabupaten Gresik juga memiliki
kepulauan, yaitu Pulau Bawean dan
beberapa daratan pulau kecil di sekitarnya.
Geografis wilayah Kabupaten Gresik
terletak antara 112° s.d. 113° BT dan 7°
s.d. 8° LS. Sebagian besar wilayahnya
adalah dataran rendah dengan ketinggian
2 sampai 12 meter diatas permukaan air
laut. Batas-batas wilayah Kabupaten
Gresik adalah seperti berikut:
Utaraa : Laut Jawa
Timura : Selat Madura dan
Kota Surabaya
Selatana : Kabupaten Sidoarjo,
Kabupaten Mojokertoh
Baratr : Kabupaten Lamongan
Gambar 1. Lokasi pemantauan kualitas air sungai
Lokasi pemantauan kualitas air
pertama adalah Jembatan Jrebeng yang
terletak di Desa Krikilan, Kecamatan
Driyorejo, Kabupaten Gresik dan lokasi
pemantauan kedua terletak di Cangkir
Tambangan Desa Cangkir, Kecamatan
Driyorejo, Kabupaten Gresik. Sedangkan
lokasi pemantauan ketiga berada di
Bambe Tambangan yang masuk wilayah
Kelurahan Bangkingan, Perbatasan antara
Kecamatan Driyorejo Gresik, dan
Kecamatan Lakarsantri, Surabaya.
Di wilayah lokasi studi dapat diamati
bahwa ada dua sumber pencemar utama
air sungai yang didominasi oleh kawasan
industri/pabrik dan kawasan pemukiman
penduduk. Disepanjang lokasi studi dapat
kita temukan lebih dari 30 (tiga puluh)
industri/pabrik. Letak pabrik-pabrik
tersebut berjajar sepanjang di sebelah kiri
aliran sungai. Tepat di sempadan sungai
sekitar titik lokasi studi, sebagian besar
merupakan pemukiman warga yang
mayoritas pekerja industri sekitar. Tidak
semua rumah tangga membuang
limbahnya secara langsung ke Kali
Surabaya. Diasumsikan hanya rumah
tangga yang letaknya berada 0,5 km dari
tepi sungai yang diperhitungkan.
Data hujan juga ditambahkan dalam
studi ini tujuanya digunakan sebagai data
yang dijadikan faktor hubungan hujan
terhadap konsentrasi pencemar sehingga
berpengaruh terhadap pengenceran dari
limbah atau pada proses self purification
air sungai.
Tabel 1. Koordinat pos stasiun hujan
No. Stasiun Hujan Koordinat
1 Krian -7.408, 112.579
2 Ketawang -7.395, 112.635
3 Botokan -7.390, 112.658
Sumber: Dinas PU Sumber Daya Air
Provinsi Jawa Timur
Jembatan Jrebeng
S 7o23,252'
E 112o34,628'
Cangkir Tambangan
S 7o21,816'
E 112o38,200'
Bambe Tambangan
S 7o21,071'
E 112o39,869'
DAS Brantas
Kali Surabaya
2.2. Data Pendukung Studi
Pada studi ini diperlukan data-data
yang mendukung guna memudahkan
dalam menganalisis permasalahan yang
terjadi, untuk itu perlu disajikan beberapa
data sebagai berikut:
1. Peta lokasi titik pemantauan kualitas
air
2. Data parameter kualitas air (DO,
BOD, COD, pH, T (suhu), berupa
data primer dan data sekunder
bulanan 10 tahun (2006-2015) dari
Perum Jasa Tirta I
3. Data hujan bulanan 10 tahun (2006-
2015) pada 3 stasiun terdekat lokasi
pengukuran kualitas air (Krian,
Ketawang, dan Botokan)
2.3. Merode Prediksi
Adapun metode prediksi kualitas air
yang digunakan dalam studi ini yaitu:
A. Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan dengan
bantuan software NeuroSolution7 dengan
membentuk arsitektur jaringan dan 3
(tiga) skenario prediksi. Variabel-variabel
input dan output yang digunakan adalah
sebagai berikut:
Tabel 2. Variabel input dan output JST
Skenario I Skenario II Skenario III
Output
a. DO titik 3 a. BOD titik 3 a. BOD titik 3
b. pH titik 3 b. COD titik 3 b. COD titik 3
c. Suhu titik 3
Input
CH Krian CH Krian CH Krian
CH Ketawang CH Ketawang CH Ketawang
CH Botokan CH Botokan CH Botokan
pH titik 1+2 pH titik 1+2+3 pH titik 1+2+3
Suhu titik 1+2 Suhu titik 1+2+3 Suhu titik 1+2+3
DO titik 1+2 DO titik 1+2+3 DO titik 1+2+3
BOD titik 1+2
COD titik 1+2
Keterangan:
Titik 1 = Jembatan Jrebeng
Titik 2 = Cangkir Tambangan
Titik 3 = Bambe Tambangan
CH = Curah Hujan
Berikut merupakan gambar struktur
arsitektur jaringan pada prediksi dengan
Skenario I. Untuk arsitektur jaringan pada
skenario prediksi lainnya yang
membedakan hanya jumlah dan variasi
data inputnya saja.
Gambar 2. Arsitektur jaringan skenario I dengan:
Y = nilai output
W = Bobot dari hidden layer ke output
X = Neuron pada input layer
Z = Hidden layer
B = bias / unit masukan B= 1
B. Neraca Massa
Model matematis metode Neraca
Massa dapat digunakan untuk menentukan
konsentrasi rata-rata aliran hilir
(downstream) yang berasal dari sumber
pencemar point sources dan non point
sources.
Gambar 3. Skema aliran sungai untuk
analisa neraca massa Keterangan:
1. Aliran sungai sebelum bercampur dengan sumber-
sumber pencemar
2. Aliran sumber pencemar A
3. Aliran sumber pencemar B
4. Aliran sungai setelah bercampur dengan sumber-
sumber pencemar.
3. HASIL DAN PEMBAHASAN
3.1. Hasil Prediksi JST
1. Skenario I
Skenario I memprediksi parameter
yang dapat diukur langsung di lapangan
(in site) seperti DO, pH dan suhu hal ini
dilakukan apabila kita ingin mengetahui
kondisi terkini kualitas air titik hilirnya
tanpa harus mengukur di hilir cukup
dengan data pengukuran di hulu dan
tengah sungai.
a. Output DO
Tabel 3. Kesalahan relatif skenario I
untuk output DO
Epoch Dataset (Training-Cross Val.-Testing)
50-30-20 60-20-20 60-30-10
1000 13,10 8,82 8,29
5000 12,69 5,23 10,03
10000 12,45 10,72 8,23
Sumber: Hasil Perhitungan (2017)
b. Output pH
Tabel 4. Kesalahan relatif skenario I
untuk output pH
Epoch Dataset (Training-Cross Val.-Testing)
50-30-20 60-20-20 60-30-10
1000 2,27 1,61 2,18
5000 2,89 1,83 2,59
10000 2,52 1,85 2,07
Sumber: Hasil Perhitungan (2017)
c. Output Suhu
Tabel 5. Kesalahan relatif skenario I
untuk output suhu
Epoch Dataset (Training-Cross Val.-Testing)
50-30-20 60-20-20 60-30-10
1000 1,88 1,70 1,78
5000 1,55 1,46 1,97
10000 1,80 2,31 1,55
Sumber: Hasil Perhitungan (2017)
Hasil kesalahan relatif (KR) terendah
pada Skenario I untuk output DO, pH dan
suhu terletak jaringan dengan dataset yang
sama namun dengan epoch yang berbeda-
beda. Untuk parameter DO dengan dataset
60-20-20 dan epoch 5000, kemudian
parameter pH pada dataset 60-20-20
dengan epoch 1000, lalu parameter suhu
pada dataset 60-20-20 dengan epoch 5000.
Masing-masing parameter memilki
kesalahan relatif kesalahan relatif (KR)
terendah untuk DO = 5,23%, pH = 1,61%,
dan suhu = 1,46%.
2. Skenario II
Skenario II ini dilakukan untuk
memprediksi kualitas air di hilir sungai
dengan parameter kualitas air yang
pengukurannya di laboratorium, misalnya
BOD dan COD, dengan syarat memiliki
data BOD dan COD pada hulu dan hilir
sungai dan data pendukung yang dapat
diukur langsung seperti DO, pH, dan suhu
pada 3 section sungai yaitu hulu, tengah
dan hilir serta data hujan dari beberapa
stasiun hujan terdekat. Proses training dan
testing JST dibuat dengan bantuan
software NeuroSolutions7. Berikut adalah
hasil kesalahan relatif pada Skenario II.
a. Output BOD
Tabel 6. Kesalahan relatif skenario II
untuk output BOD
Epoch Dataset (Training-Cross Val.-Testing)
50-30-20 60-20-20 60-30-10
1000 33,41 18,63 23,00
5000 31,95 16,69 29,40
10000 35,58 15,22 27,83
Sumber: Hasil Perhitungan (2017)
b. Output COD
Tabel 7. Kesalahan relatif skenario II
untuk output COD
Epoch Dataset (Training-Cross Val.-Testing)
50-30-20 60-20-20 60-30-10
1000 22,73 17,70 18,43
5000 21,95 15,87 22,21
10000 20,45 21,09 19,14
Sumber: Hasil Perhitungan (2017)
Dari hasil analisa jaringan syaraf
tiruan pada Skenario II menunjukan hasil
kesalahan relatifnya masih diatas 10%.
Hasil KR terendah pada Skenario II untuk
BOD dan COD terdapat pada epoch yang
berbeda dan pada komposisi dataset yang
sama yaitu 60-20-20. Untuk kesalahan
relatif terendah Skenario II untuk ouput
BOD sebesar 15,22% pada dataset 60-20-
20 epoch 10000. Sedangkan COD sebesar
15,87% pada dataset 60-20-20 epoch
5000.
3. Skenario III
Skenario III dilakukan untuk
memprediksi parameter BOD atau COD
yang tidak dapat diukur langsung di
lapangan dengan data input menggunakan
data yang dapat di ukur langsung di
lapangan seperti DO, pH dan suhu hal ini
dilakukan apabila kita ingin mengetahui
kondisi terkini kualitas air BOD dan COD
tanpa harus membawa sample air ke
laboratorium tetapi hanya dengan input
parameter DO, pH, dan suhu sehingga
dapat menghemat waktu dan biaya.
Setelah dilakukan prediksi dengan
Skenario III maka didapat hasil kesalahan
relatif seperti berikut:
a. Output BOD
Tabel 8. Kesalahan relatif skenario III
untuk output BOD
Epoch Dataset (Training-Cross Val.-Testing)
50-30-20 60-20-20 60-30-10
1000 28,98 26,94 27,85
5000 30,73 21,75 30,84
10000 29,16 34,24 31,10
Sumber: Hasil Perhitungan (2017)
b. Output COD
Tabel 9. Kesalahan relatif skenario III
untuk output COD
Epoch Dataset (Training-Cross Val.-Testing)
50-30-20 60-20-20 60-30-10
1000 46,32 17,97 27,84
5000 20,87 25,44 20,30
10000 29,37 24,57 26,26
Sumber: Hasil Perhitungan (2017)
Dapat disimpulkan bahwa untuk
memprediksi BOD dan COD Bambe
Tambangan hasil Skenario II lebih baik
daripada Skenario III. Karena hasil KR
Skenario II lebih kecil daripada Skenario
III.
Setelah dilakukan beberapa kali
proses pelatihan dan pengujian JST
menggunakan NeuroSolutions7 maka
dapat dilihat hasil dari rekapan JST
dengan kesalahan relatif terkecil disajikan
pada tabel di bawah ini.
Tabel 10. JST terbaik untuk memprediksi
kualitas air Bambe Tambangan Parameter JST terbaik
DO
Skenario I
Dataset 60-20-20 epoch 5000
KR = 5,23%
pH
Skenario I
Dataset 60-20-20 epoch 1000
KR = 1,61%
Suhu
Skenario I
Dataset 60-20-20 epoch 5000
KR = 1,46%
BOD
Skenario II
Dataset 60-20-20 epoch 10000
KR = 15,22%
COD
Skenario II
Dataset 60-20-20 epoch 5000
KR = 15,87%
Sumber: Hasil Perhitungan (2017)
Model jaringan syaraf tiruan terbaik
untuk prediksi kualitas air Bambe
Tambangan telah didapatkan. Selanjutnya
kualitas air output JST terbaik tersebut
akan dibandingkan dengan data aktual
(data sekunder) dari Perum Jasa Tirta I.
Output yang disajikan adalah parameter
DO, pH, dan suhu karena memiliki
kesalahan relatif yang lebih kecil dari
10%. Daripada parameter BOD dan COD
yang masih diatas 10%.
Tabel 11. Perbandingan data output JST
dengan aktual pada titik Bambe
Tambangan
Sumber: Hasil Perhitungan (2017)
Gambar 4. Grafik perbandingan DO output JST dan DO aktual
Gambar 5. Grafik perbandingan pH output JST dan pH aktual
Gambar 6. Grafik perbandingan suhu output jst dan suhu aktual
0.00
2.00
4.00
6.00D
O(m
g/L
)
Tahun ke-
Perbandingan DO Output JST dan Data Aktual
DO 3 JST DO 3 Aktual
0.0
2.0
4.0
6.0
0.0 2.0 4.0 6.0
DO
JS
T
DO Aktual (PJT I)
DO JST vs DO Aktual
5.00
6.00
7.00
8.00
9.00
pH
Bulan Tahun ke-
Perbandingan pH Output JST dan Data Aktual
pH 3 JST pH 3 Aktual
5.0
6.0
7.0
8.0
5.0 6.0 7.0 8.0
pH
JS
T
pH Aktual (PJT I)
pH JST vs pH Aktual
24.00
26.00
28.00
30.00
32.00
34.00
Suhu
(C)
Tahun ke-
Perbandingan Suhu Output JST dan Data Aktual
Suhu 3 JST Suhu 3 Aktual
25.0
27.5
30.0
32.5
35.0
25.0 27.5 30.0 32.5 35.0
Suhu J
ST
Suhu Aktual (PJT I)
Suhu JST vs Suhu Aktual
Jaringan yang kesalahan relatifnya
terkecil akan digunakan untuk prediksi
kualitas air di bulan mei tahun 2017
dengan penambahan data pengukuran di
lapangan.
Tabel 12. Perbandingan hasil prediksi
JST dengan pengukuran lapangan pada
mei 2017 di titik Bambe Tambangan
Parameter Nilai KR (%)
DO Lapangan 5,26 31,76
DO JST 3,59
pH Lapangan 5,72 3,59
pH JST 5,51
Suhu Lapangan 29,28 1,87
Suhu JST 28,73
Sumber: Hasil Perhitungan (2017)
3.2. Hasil Prediksi Neraca Massa
Tabel 13. Hasil perhitungan neraca massa
Titik Q
(m3/det)
DO
(mg/L) pH
Suhu
(C)
1 119,78 7,16 5,74 29,31
2 91,55 7,23 5,75 29,28
3 119,88 6,66 5,73 29,28
4 104,13 5,79 5,71 29,33
5 435,34 6,71 5,73 29,30
Sumber: Hasil Perhitungan (2017) Keterangan
Titik 1 = titik Jembatan Jrebeng
Titik 2 = titik antara Jembatan Jrebeng dengan Cangkir
Tambangan
Titik 3 = titik Cangkir Tambangan
Titik 4 = titik antara Cangkir Tambangan dengan Bambe
Tambangan
Titik 5 = titik Bambe Tambangan
Setelah melakukan perhitungan
neraca massa maka akan terlihat
perbandingannya dengan data pengukuran
sebagai berikut.
Tabel 14. Perbandingan hasil neraca
massa dengan pengukuran di lapangan
pada mei 2017 di titik Bambe Tambangan
Parameter Nilai KR (%)
DO Lapangan 5,26 27,54
DO Neraca Massa 6,71
pH Lapangan 5,72 0,20
pH Neraca Massa 5,73
Suhu Lapangan 29,28 0,07
Suhu Neraca Massa 29,30
Sumber: Hasil Perhitungan (2017)
Kemudian akan dibandingkan hasil
diantara 3 metode yaitu pengukuran
lapangan, neraca massa dan JST seperti
tabel berikut,
Tabel 15. Perbandingan hasil jaringan
syaraf tiruan dan neraca masa dengan
pengukuran lapangan
Waktu Parameter
Hasil
JST Neraca
Massa
Ukur
Lapangan
Mei
2017
DO (mg/L) 3,59 6,71 5,26
pH 5,51 5,73 5,72
Suhu (oC) 28,73 29,30 29,28
Sumber: Hasil Perhitungan (2017)
Terlihat hasil dari ketiga metode tentu
yang paling baik hasilnya adalah
pengukuran di lapangan, tetapi untuk
prediksi sangat di sarankan menggunakan
Jaringan Syaraf Tiruan karena dapat
menghemat waktu dan biaya yang
dikeluarkan relatif lebih kecil
dibandingkan metode pengukuran atau
dengan bantuan Laboratorium.
4. KESIMPULAN
Berdasarkan analisa perhitungan dan
pengujian pada model Jaringan Syaraf
Tiruan dengan bantuan software
NeuroSolutions7 yang dilakukan sesuai
dengan rumusan masalah pada kajian ini,
maka dapat disimpulkan beberapa hal
sebagai berikut:
a. Nilai Kesalahan relatif (KR) terkecil
DO sebesar 5,23% terletak di Dataset
60-20-20 dengan epoch 5000, pH
sebesar 1,61% terletak di dataset 60-
20-20 dengan epoch 1000 dan Suhu
sebesar 1,46 % terletak di dataset 60-
20-20 dengan epoch 5000.
b. Untuk nilai Kesalahan relatif (KR)
terkecil BOD sebesar 15,22% terletak
di Skenario 2 dengan dataset 60-20-
20 menggunakan epoch 10000 dan
COD sebesar 15,87% terletak di
Skenario 2, dengan dataset 60-20-20
menggunakan epoch 5000
Hasil Prediksi kualitas air parameter
DO, pH dan Suhu titik Bambe Tambangan
bulan mei tahun 2017 dengan model
software NeuroSolution dibandingkan
dengan data lapangan adalah sebagai
berikut:
a. Untuk parameter DO, dengan metode
JST didapatkan output sebesar 3,59
mg/L sedangkan data aktual
primernya 5,26 mg/L maka kesalahan
relatif yang dihasilkan sebesar
31,76%
b. Untuk parameter pH, dengan metode
JST didapatkan output sebesar 5,51
sedangkan data aktual primernya 5,72
maka kesalahan relatif yang
dihasilkan sebesar 3,59%
c. Untuk parameter suhu, dengan
metode JST didapatkan output
sebesar 28,73 C sedangkan data
aktual primernya 29,28 C maka
kesalahan relatif yang dihasilkan
sebesar 1,87%
Perbandingan hasil perhitungan
metode Neraca massa dengan data
pengukuran dilapangan adalah:
a. Untuk parameter DO, dengan rumus
neraca massa didapatkan hasil sebesar
6,68 mg/L sedangkan data aktual
primernya 5,26 mg/L maka kesalahan
relatif yang dihasilkan sebesar
27,54%
b. Untuk parameter pH, dengan rumus
neraca massa didapatkan hasil sebesar
5,73 sedangkan data aktual primernya
5,72 maka kesalahan relatif yang
dihasilkan sebesar 0,20%
c. Untuk parameter suhu, dengan rumus
neraca massa didapatkan hasil sebesar
29,30 C sedangkan data aktual
primernya 29,28 C maka kesalahan
relatif yang dihasilkan sebesar 0,07%
5. SARAN
Penggunaan metode JST sangat bagus
dalam memprediksi kualitas parameter
DO, pH dan suhu. Namun masih dirasa
kurang untuk memprediksi BOD dan
COD. Agar hasil output lebih bagus bias
dilakukan dengan jalan:
1. Menambah variabel input dengan
parameter kualitas air yang lain
2. Memperpanjang data historis
parameter kualitas air dengan maksud
menambah data untuk training pada
JST
3. Menggunakan software yang full
acces bukan trial, tentunya dengan
cara legal membeli lisensi resmi.
PUSTAKA
[1] Badan Lingkungan Hidup. 2011. Status
Lingkungan Hidup Daerah Provinsi
Jawa Timur. Surabaya : Badan
Linkungan Hidup Provinsi Jawa
Timur.
[2] Kusumadewi, Sri. 2003. Artificial
Intelligence (Teknik dan
Aplikasinya). Yogyakarta : Graha
Ilmu.
[3] Kusumadewi, Sri. 2004. Membangun
Jaringan Syaraf Tiruan
Menggunakan MATLAB & Excel
Link. Yogyakarta : Graha Ilmu.
[4] Siang, J. J. 2004. Jaringan Syaraf
Tiruan dan Pemrogamannya
Menggunakan Matlab. Yogyakarta.:
ANDI Yogyakarta.
[5] Yunanti, Fitria. 2010. Aplikasi Jaringan
Syaraf Tiruan untuk Memprediksi
Prestasi Siswa SMU dengan Metode
Backpropagation. Yogyakarta.
[6] Zainal A. Hasibuan, PhD. 2007.
Metodologi Penelitian Pada Bidang
Ilmu Komputer Dan Teknologi
Informasi. Depok: Fasilkom
Universitas Indonesia.
[7] Hermawan, Arief. 2006. Jaringan
Syaraf Tiruan Teori dan Aplikasi.
Yogyakarta : C.V Andi OFFSET.
[8] SNI 8066.2015.Tata Cara Pengukuran
debit aliran sungai dan saluran
terbuka menggunakan alat ukur arus
dan pelampung. Jakarta : Badan
Standarisasi Nasional.
[9] Peraturan Gubernur Jatim No 12 tahun
2013. Kebijakan dan Strategi
Pengelolaan Sumberdaya Air
Provinsi Jawa Timur. Surabaya :
Pemerintah Provinsi Jawa Timur.
[10] Peraturan Pemerintah Nomor 82 Tahun
2001. Pengelolaan Kualitas Air dan
Pengendalian Pencemaran Air.
Jakarta.