jurnal - pengairan.ub.ac.idpengairan.ub.ac.id/s1/wp-content/uploads/sites/2/2017/01/aplikasi... ·...

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


untuk output pH


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


c. Output Suhu


untuk output suhu


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


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


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


b. Output COD

Tabel 7. Kesalahan relatif skenario II

untuk output COD


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


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


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


b. Output COD

Tabel 9. Kesalahan relatif skenario III

untuk output COD


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


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


KR = 1,61%

Suhu

Skenario I


KR = 1,46%

BOD

Skenario II


KR = 15,22%

COD

Skenario II


KR = 15,87%


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


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


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


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


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


5,73 sedangkan data aktual primernya

5,72 maka kesalahan relatif yang

dihasilkan sebesar 0,20%

c. Untuk parameter suhu, dengan rumus


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.

jurnal - pengairan.ub.ac.idpengairan.ub.ac.id/s1/wp-content/uploads/sites/2/2017/01/aplikasi... ·...

Documents