JURNAL - pengairan.ub.ac.idpengairan.ub.ac.id/s1/wp-content/uploads/sites/2/2017/01/Aplikasi...air...

APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI

KUALITAS AIR SUNGAI DI TITIK BENDUNG GUNUNGSARI

KOTA SURABAYA

JURNAL

TEKNIK PENGAIRAN

KONSENTRASI SISTEM INFORMASI SUMBER DAYA AIR

Ditujukan untuk memenuhi persyaratan

memperoleh gelar Sarjana Teknik

BAGAS ABDI IVANTORO

NIM. 135060401111006

UNIVERSITAS BRAWIJAYA

FAKULTAS TEKNIK

MALANG

2017

Aplikasi Jaringan Syaraf Tiruan untuk Memprediksi Kualitas Air

Sungai di Titik Bendung Gunungsari Kota Surabaya

Bagas Abdi Ivantoro1,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 menjadi elemen penting dalam kehidupan, kualitas serta kuantitas air harus dijaga. Kualitas air

sungai sangat dipengaruhi oleh aktivitas disepanjang sungai tersebut. Penting untuk dilakukan

pemantauan untuk mengetahui kondisi kualitas air. Selama ini pemantauan kualitas air dilakukan

dengan alat , alat ukur terstandar serta pengukur yang berpengalaman. Metode yang dapat membantu

peramalan dan pemantauan kualitas air sungai adalah metode JST (Jaringan Syaraf Tiruan). Dengan

software NeuroSolutions7,tujuan studi ini adalah JST digunakan untuk memprediksi kualitas air

parameter (DO, BOD, COD, pH dan suhu) menggunakan input data kualitas air titik sebelumnya .

Maka dibuat 3 (tiga) arsitektur, Konfigurasi I untuk output DO. Konfigurasi II dan III untuk output

BOD dan COD namun dengan input yang berbeda. Semua konfigurasi running dengan dataset

training, cross validation, dan testing serta variasi epoch yang berbeda. Kemudian hasil JST dihitung

persentase kesalahan relatif (KR) berdasarkan data eksisting. Hasilnya, Konfigurasi I output DO, pH

dan suhu dengan persentase KR < 10%. Konfigurasi II dan III, output BOD dan COD yang dihasilkan

JST memiliki KR < 20%. Persentase dataset dengan KR terkecil diantaranya 50-30-20 dan 60-30-10

dengan epoch yang bervariasi paling banyak antara 5000 dan 10000.

Kata Kunci : jaringan syaraf tiruan, kualitas air sungai, DO, BOD, COD, pH, Suhu

ABSTRACT

Water becomes an important element in life, the quality and quantity of water must be

maintained. The quality of river water is strongly influenced by activities along the river. It is

important to monitor the condition of water quality. So far, water quality monitoring is done by

means, standardized measuring instruments and experienced gauges. A method that can help

forecasting and monitoring the quality of river water is the method of ANN (Artificial Neural

Network). With NeuroSolutions7 software, the purpose of this study is ANN used to predict water

quality parameters (DO, BOD, COD, pH and temperature) using the previous water quality data

point input. Then made 3 (three) architecture, Configuration I for output DO. Configuration II and

III for BOD and COD output but with different inputs. All configurations run with training datasets,

cross validation, and testing and different epoch variations. Then the ANN results calculated the

percentage of relative error (KR) based on the existing data. Result, Configuration I output DO, pH

and temperature with KR percentage <10%. Configuration II and III, the output of BOD and COD

produced by ANN has KR <20%. The percentage of datasets with the smallest KR among them are

50-30-20 and 60-30-10 with epoch which varies most between 5000 and 10000.

Keywords: artificial neural network, river water quality, DO, BOD, COD, pH, Temperature

PENDAHULUAN

Dalam laporan status lingkungan

hidup provinsi Jawa Timur, Badan

Lingkungan Hidup (BLH) provinsi Jawa

Timur menyebutkan bahwa sumber

pencemar berasal dari limbah domestik 50

%, limbah industri 40 %, limbah pertanian

dll 10%. Akibat pelanggaran yang sering

dilakukan beberapa industri yaitu:

mailto:[email protected]

Pembuangan air limbah secara

langsung ke lingkungan (by pass), tidak

memiliki Instalasi Pengolahan Air Limbah

(IPAL), tidak mengoperasionalkan IPAL

secara optimal, membuang limbah dengan

ukuran yang melebihi baku mutu yang

telah ditetapkan, serta tidak memiliki ijin

pembuangan limbah cair (IPLC). (Badan

Lingkungan Hidup 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 upaya menangani hal tersebut

perlu dilakukan kegiatan pemantauan

kualitas air yang cepat akurat dan efisien

sebagai acuan untuk melakukan upaya

pengelolaan kualitas air sungai agar

kualitas air sungai dapat membaik seiring

dengan meningkatnya pengetahuan

pekerjaan manusia lebih dimudahkan

dengan adanya komputer. Sehingga

dibutuhkan sebuah inovasi yang baru

yaitu berupa kecerdasan buatan (Artificial

Intelegency) digunakan untuk mengetahui

pemodelan kualitas air sungai pada titik

pantau kualitas air Bendung Gunungsari

menggunakan metode Jaringan Syaraf

Tiruan (JST) dengan input data parameter

kualitas air. ( Kusumadewi. 2004)

Sehingga metode ini diharapkan

dapat memberikan informasi terbaru serta

memudahkan dalam memprediksi kondisi

kualitas air sungai. Berdasarkan peraturan

perundang-undangan yang berlaku (Pasal

1 Keputusan Menteri Negara Lingkungan

Hidup Nomor 115 tahun 2003), 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 yang dapat terjadi pada

kondisi kualitas air di suatu DAS dapat

disebabkan karena 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 yaitu 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 Sungai Brantas

bagian hilir namun dengan parameter

tambahan yaitu COD, pH serta Suhu.

(Archana Sarkar, 2015)

METODOLOGI

2.1. Lokasi Studi

Studi ini akan meramalkan kualitas air

sungai pada 3 titik pantau kualitas air

sungai untuk menggambarkan kondisi

hulu tengah dan hilir sungai yaitu

Karangpilang Jembatan Sepanjang dan

Bendung Gunungsari dengan titik yang

akan di prediksi di Bendung Gunungsari

terletak di Kota Surabaya, Provinsi Jawa

Timur. Kota Surabaya merupakan Ibukota

Provinsi Jawa Timur dengan luas wilayah

1.191,25 km2 yang meliputi daratan

dengan luas 350,54 km² dan lautan seluas

190,39 km².

Kota Surabaya secara geografis berada

pada 07˚09`00“ sampai 07˚21`00“ Lintang

Selatan dan 112˚36` sampai 112˚54` Bujur

Timur. Topografinya memiliki ketinggian

tanah yang datar yaitu berkisar antara 0-20

meter di atas permukaan laut.

Batas-batas wilayah Kabupaten Gresik:

1. Sebelah Utara : Selat Madura

2. Sebelah Timur : Selat Madura

3. Sebelah Barat : Kabupaten Gresik

4. Sebelah Selatan : Kupaten Sidoarjo

2.1.1 Lokasi Pengamatan Kualitas Air. Sampel parameter kualitas air yang

terletak di 3 titik lokasi di aliran sungai

Brantas Parameter yang diambil adalah

parameter fisika berupa parameter kualitas

air DO (Dissolved Oxygen), BOD

(Biological Oxygen Demand), COD

(Chemical Oxygen Demand), pH

(Keasaman) dan T (Suhu),

Gambar 1. Titik pengamatan parameter kualitas air di Kali Surabaya

Sumber : Perum Jasa Tirta I

Penelitian yang dilakukan pada

tiga stasiun monitoring kualitas air Perum

Jasa Tirta I yaitu terletak di stasiun

monitoring kualitas air Karangpilang,

Jembatan Sepanjang, dan Bendung

Gunungsari. Deskripsi lokasinya adalah:

• Karangpilang

Lokasi ini berada pada koordinat

S7°20’805” dan T112°41’098”, Jl. Raya

Mastrip, Karangpilang, Kota Surabaya,

Jawa Timur, . Pada kawasan ini terdapat

beberapa perusahaan berskala besar. Tepat

di sempadan sungai sekitar titik ini

dijadikan sebagai tempat pembuangan

sampah sementara oleh warga sekitar

yang cukup mengganggu

• Jembatan Sepanjang


S7°20’695” dan T112°41’498”, tepatnya

di Jalan Jembatan Sepanjang Baru,

Wonocolo, Kota Surabaya, Jawa Timur.

Pada kawasan ini tidak terdapat

perusahaan yang cukup berarti seperti

yang terlihat pada titik-titik sebelumnya

karena merupakan area padat penduduk..

• Bendung Gunungsari


S7°18’510” dan T112°43’103”, Jl. Raya

Karah, Jambangan, Kota Surabaya, Jawa

Timur. Pada kawasan ini tidak terdapat

perusahaan karena merupakan kawasan

tertib.

2.1.2 Lokasi Pos Stasiun Hujan. Diperlukan data hujan tujuanya digunakan

sebagai fata yang dijadikan bahan sebagai

hubungan hujan terhadap pengencer dari

limbah atau pada proses pemurnian

sendiri.

Tabel 1. Koordinat pos stasiun hujan.

No Nama Stasiun

Koordinat

Bujur

Selatan

Bujur

Timur

1 Ketegan 7°27'05.0" 112°28'11.0"

2 Kebonagung 7°24'32.0" 112°31'46.0"

3 Gunungsari 7°24'29.5" 112°34'44.2"

Sumber: Dinas PU Sumber Daya Air Provinsi

Jawa Timur

2.2 Metode

Pada studi ini diperlukan data-data yang

mendukung guna memudahkan da-lam

menganalisis permasalahan yang ter-jadi,

untuk itu perlu disajikan beberapa data

sebagai berikut:

1. Peta lokasi titik pengambilan sampel

kualitas air

2. Data parameter kualitas air (DO, BOD,

COD, pH, T (suhu)

3. Data hujan bulanan 10 tahun (2006-

2015) pada 3 stasiun terdekat lokasi

pengukuran kualitas air (Ketegan,

Kebonagung, Gunungsari)

Adapun metode yang digunakan studi ini

yaitu:

1. Jaringan Syaraf tiruan dengan bantuan

Software Neurosolution7 for Excel

dengan bentuk arsitektur jaringan dan

beberapa konfigurasi yang digunakan

adalah sebagai berikut:

A. Input Curah hujan stasiun titik 1,2,3

+ pH titik 1 dan 2 + suhu titik 1 dan

2 + DO titik 1 dan 2 untuk target

tunggal DO titik 3, pH titik 3, suhu

titik 3, dan gabungan 3 target DO,

pH, dan suhu sekaligus

B. Input Curah hujan stasiun 1,2,3 +

Suhu titik 1,2,3 + pH titik 1,2,3 +

BOD titik 1,2 + COD 1,2, untuk

target BOD titik 3 dan COD titik 3

C. Input Curah hujan stasiun 1,2,3 +

Suhu titik 1,2,3 + pH titik 1,2,3 +

DO titik 1,2,3 untuk target BOD

titik 3 dan COD titik 3

Ini merupakan gambar arsitektur

jaringan pada konfigurasi 1.

dengan:

y_ink = nilai output

W = Bobot dari hidden layer ke output

X = Neuron pada input layer

Z = Hidden layer

B = bias / unit masukan B= 1

Untuk konfigurasi lainnya yang

membedakan hanya jumlah dan variasi data

inputnya saja.

2. Model matematis dengan 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 5. Skema Aliran Sungai Untuk

Analisa Neraca Massa

Sumber : Kementrian Lingkungan Hidup

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. Analisa Dan Pembahasan

3.1. Analisa dengan NeuroSolutions 7.0

1. Rekapitulasi konfigurasi I

Konfigurasi I ini dilakukan untuk

memprediksi parameter yang dapat diukur

secara 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

kemudian di coba juga memprediksi BOD

dan COD hanya dengan input parameter

DO, pH Suhu

A. Konfigurasi I dengan output tiap

parameter

DO

Tabel 2 Kesalahan Relatif konfigurasi I

dengan output DO

Epoch Dataset (Train - Cross Val - Test)

50 - 30 – 20 60 - 20 - 20 60 - 30 - 10

1000 10,72 11,43 14,84

5000 13,21 20,18 18,22

10000 10,89 14,22 8,57

Sumber : Hasil Perhitungan 2017

pH


dengan output pH


50 - 30 - 20 60 - 20 - 20 60 - 30 - 10

1000 0,98 2,23 2,22

5000 1,96 1,39 1,98

10000 1,79 2,07 1,96


Suhu


dengan output Suhu


50 - 30 – 20 60 - 20 - 20 60 - 30 - 10

1000 1,48 1,38 1,60

5000 2,17 1,81 2,00

10000 1,17 1,81 1,49


B. Konfigurasi I dengan Output 3

Parameter

Tabel 7 Kesalahan Relatif konfigurasi 1

dengan 3 output ( DO, pH, Suhu).


Dari hasil analisa Jaringan syaraf

tiruan pada konfigurasi I menunjukan

hasil yang baik untuk parameter DO, pH

dan Suhu.

Hasil terendah konfigurasi I DO, pH

dan Suhu berada pada konfigurasi dengan

output masing - masing parameter. Pada

Komposisi Dataset dan epoch yang

bervariasi yaitu antara dataset 50:30:30

dan 60:30:10 dengan epoch 1000 dan

10000 dengan nilai kesalahan relatif (KR)

DO= 8.57% pH = 0.98% Suhu =1.17%

2. Hasil Konfigurasi II

Hasil Konfigurasi II Menggunakan

software Neurosolution 7.0 Konfigurasi II

ini dilakukan untuk memprediksi kualitas

air di hilir sungai dengan parameter

kualitas air yang pengukurannya

dilakukan 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 contoh

kesalahan relatif pada Konfigurasi II.

Komposisi Dataset Komposisi Dataset Komposisi Dataset

50% : 30% : 20% 60% : 20% : 20% 60% : 30% : 10%

1000 13,5 11,32 11,32

5000 10,52 12,38 9,80

10000 12,71 10,58 12,101000 1,75 1,97 1,875000 1,97 2,16 1,82

10000 1,64 1,91 2,121000 2,09 2,08 2,065000 2,49 1,97 1,99

10000 2,32 2,09 2,00

pH

Epoch

KR

Parameter

DO

(Dissolved Oxygen)

(Suhu)

T

(Keasaman)

BOD

Tabel 8 Kesalahan Relatif konfigurasi II

dengan output BOD


50 - 30 - 20 60 - 20 - 20 60 - 30 - 10

1000 25,48 18,77 26,54

5000 33,11 25,03 17,37

10000 26,61 25,41 19,44


COD Tabel 9 Kesalahan Relatif konfigurasi II

dengan output COD


50 - 30 - 20 60 - 20 - 20 60 - 30 - 10

1000 32,65 25,16 21,43

5000 40,97 31,38 41,74

10000 24,51 13,57 23,43


Dari hasil analisa Jaringan syaraf

Tiruan pada konfigurasi II menunjukkan

hasil kesalahan relatif yang masih diatas

10%.

Hasil terendah pada konfigurasi 2

untuk BOD dan COD terdapat pada epoch

dan komposisi data set yang berbeda yaitu

60 : 30 : 10 dan 60 : 20 : 20. Untuk BOD

Terletak pada epoch 5000 dengan

kesalahan relatif 17,37% sedangkan COD

Terletak pada epoch 10000 dengan

kesalahan relatif 13.57%

3. Hasil Konfigurasi III menggunakan

Software Neurosolution 7.0

Konfigurasi III untuk memprediksi

parameter BOD dan 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

sampel air ke laboratorium tetapi hanya

dengan input parameter DO, pH serta

Suhu sehingga dapat menghemat waktu

dan biaya.

Setelah dilakukan pemodelan dengan

konfigurasi III maka didapat hasil berikut:

BOD

Tabel 10 Kesalahan Relatif konfigurasi

III dengan output BOD


50 - 30 – 20 60 - 20 - 20 60 - 30 - 10

1000 25,15 27,13 28,32

5000 29,16 26,38 22,59

10000 19,26 31,17 32,21


COD

Tabel 11 Kesalahan Relatif konfigurasi

III dengan output COD


50 - 30 - 20 60 - 20 - 20 60 - 30 - 10

1000 34,48 40,83 15,70

5000 41,61 44,23 42,10

10000 37,53 40,65 39,43


Terlihat hasil pada konfigurasi ke III

kesalahan relatif terkecil nya berada di

epoch yang berbeda, tetapi hasil ini masih

tidak lebih baik dari konfigurasi II karena

jika dibandingkan, pada konfigurasi III ini

kesalahan relatifnya lebih besar. Sehingga

dapat di simpulkan bahwa bentuk

arsitektur jaringan pada konfigurasi II

dapat digunakan dalam peramalan BOD

dan COD.

Setelah dilakukan 90 kali proses

analisa menggunakan metode Jaringan

Syaraf Tiruan dengan bantuan Software

Neurosolution for excel maka dapat dilihat

hasil dari rekapan data dengan kesalahan

relatif terkecil dibandingkan dengan data

eksisting seperti beberapa tabel di bawah

ini.

Gambar 2. Perbandingan mse dan epoch

Sumber: Hasil Perhitungan 2017

Dari pemodelan dengan ketiga

konfigurasi yang telah dilakukan, maka

selanjutnya akan dibandingkan model

konfigurasi dengan angka kesalahan

relatif paling kecil yang akan dijadikan

sebagai model untuk memprediksi

kualitas air yang tepat. Diperoleh untuk

parameter DO = 8,57 % pada konfigurasi

I(a) dengan komposisi dataset 60% : 30%

: 10%. Parameter pH = 0,98 % pada

konfigurasi I(a) dengan komposisi dataset

50% : 30% : 20%. Serta parameter Suhu

pada konfigurasi I(a) dengan komposisi

dataset 50% : 30% : 20%.

Gambar 3. Grafik perbandingan DO

output JST dan DO aktual


Gambar 4. Grafik sebaran data DO output

JST dan DO aktual


Gambar 5. Grafik Perbandingan pH

output JST dan pH aktual


Gambar 6. Grafik sebaran data pH output

JST dan pH aktual


0.00

1.00

2.00

3.00

4.00

5.00

6.00

7.00

1 9

17

25

33

41

49

57

65

73

81

89

97

10

5

11

3

Nil

ai

DO

Jumlah Data

Perbandingan DO JST dan DO Eksisting PJT

DOJST

DOEksisting

2.70

3.20

3.70

4.20

4.70

5.20

2.70 3.70 4.70

DO

3 O

utp

ut

DO 3 Desired

3

4

5

6

7

8

9

1 9

17

25

33

41

49

57

65

73

81

89

97

10

5

11

3

Nil

ai

pH

Jumlah Data

Perbandingan pH JST dan pH Eksisting

PJT

pH JST

pHEksisting

6

6.5

7

7.5

8

6 6.5 7 7.5 8

pH

3 O

utp

ut

pH 3 Eksisting

Gambar 7. Grafik Perbandingan Suhu

output JST dan Suhu aktual


Gambar 8. Grafik sebaran data Suhu

output JST dan Suhu aktual


Tabel 12. Perbandingan data DO pH dan

Suhu output dengan eksisting pada titik

Bendung Gunungsari


Pemilihan dilakukan berdasarkan dari

kesalahan relatif terkecil, sehingga

jaringan yang kesalahan relatifnya terkecil

akan digunakan untuk prediksi kualitas air

di bulan mei tahun 2017 dengan

penambahan data pengukuran di lapangan

Tabel 13. Perbandingan hasil pemodelan

tahun 2017 dengan pengukuran lapangan

pada bulan Mei 2017 di titik Bendung

Gunungsari

Parameter Nilai KR (%)

DO pengukuran 5.17 22.44

DO hasil model 4.01

pH pengukuran 5.19 10.79

pH hasil model 5.75

Suhu pengukuran 28.3 9.16

Suhu hasil model 30.89


3.2. Analisa dengan Neraca Massa

Tabel 14. Hasil perhitungan neraca massa

Titik

Pantau

Laju

Air DO pH Suhu

Keterangan

m/s mg/L Keasaman °C

1 0.76 7.2 5.76 29.3

Data

Pengukuran

Langsung

2 0.89 4.9 5.74 29.3

3 1.06 5.9 5.69 29.5

4 0.21 3.2 5.19 28.3

Jumlah 5.739 5.688 29.301 Hasil

Perhitungan

Sumber : Perhitungan (2017)

Keterangan

Aliran 1 = titik Karangpilang

Aliran 2 = tititk Jembatan Sepanjang

Aliran 3 = titik antara Jembatan Sepanjang

dengan Bendung Gunungsari

Aliran 4 = titik Bendung Gunungsari yang

di hitung Setelah melakukan perhitungan manual

dengan metode Neraca Massa maka akan

terlihat perbandingannya dengan data

hasil pengukuran langsung yaitu sebagai

berikut.

Tabel 14. Perbandingan hasil neraca

massa dengan pengukuran di lapangan

Titik Bulan -

Tahun Parameter

Nilai KR

% Model Lapangan

Bendung

Gunung

sari

Mei -

2017

DO (mg/l) 5.74 5.17 11.0

3

pH 5.69 5.19 9.63

Suhu (C˚) 29.3 28.3 3.53


20

22

24

26

28

30

32

34

1 9

17

25

33

41

49

57

65

73

81

89

97

10

5

11

3

Ou

tpu

t

Banyak Data

Perbandingan Suhu JST dan Suhu Eksisting PJT

SuhuJST

SuhuEksisting

25

27

29

31

33

35

25 30 35

Suh

u 3

Ou

tpu

t

Suhu 3 Desired

DO DO pH pH Suhu Suhu KR DO KR pH KR Suhu

Eksisting JST Eksisting JST Eksisting JST (% ) (% ) (% )

1 2006 Mei 3 3.03 6.9 6.96 29 28.3 0.99 0.86 2.62

2 2007 Mei 2.1 2.64 7.1 7.1 31.5 31.1 20.45 0.00 1.42

3 2008 Mei 4.2 4.06 7.1 7.24 30 29.8 3.45 1.93 0.67

4 2009 Mei 2.2 2.64 7.5 7.51 27 27.4 16.67 0.13 1.60

5 2010 Mei 3.8 3.58 7.3 7.26 30 29.9 6.15 0.55 0.20

6 2011 Mei 3.9 4.01 7.1 7.04 27.9 29.1 2.74 0.85 4.19

7 2012 Mei 3.2 3.17 6.9 6.84 30.3 30.2 0.95 0.88 0.33

8 2013 Mei 2.62 2.98 7.2 7.27 31 30 12.08 0.96 3.40

9 2014 Mei 3.7 3.65 7 7.13 31 30.9 1.37 1.82 0.29

10 2015 Mei 3.1 3.45 7.3 7.16 29.5 29.3 10.14 1.96 0.65

7.50 1.00 1.54

No Tahun Bulan

Rata-rata KR%

Kemudian dibandingkan hasil diantara

3 metode yaitu pengukuran lapangan,

neraca massa dan JST seperti tabel berikut

Tabel 15. Hasil jaringan syaraf tiruan

neraca masa dan pengukuran

Titik

Bulan

-

Tahun

Parameter

Nilai

KR % Neraca

Massa Lapangan JST

Bendung

Gunungsa

ri

Mei -

2017

DO (mg/l) 5.74 5.17 4,01 11.03

pH 5.69 5.19 5,75 9.63

Suhu (C˚) 29.3 28.3 30,8

9 3.53


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.

Kesimpulan

Berdasarkan analisa perhitungan dan

pengujian pada model Jaringan Syaraf

Tiruan dengan bantuan Software

NeuroSolutions7.0 yang dilakukan sesuai

dengan rumusan masalah pada kajian ini,

maka dapat disimpulkan beberapa hal

sebagai berikut:

Nilai Kesalahan relatif (KR) terkecil

DO sebesar 8.57% , pH sebesar 0.98 %

dan Suhu sebesar 1.17 % terletak di

konfigurasi I dengan target masing –

masing parameter menggunakan epoch

1000 dan 10000 serta komposisi dataset

Training 50% - cros validation 30% -

testing 20% dan 60% - cros validation

30% - testing 10%

Untuk nilai Kesalahan relatif (KR)

terkecil BOD sebesar 17.37% dan COD

sebesar 13.57 % dengan model

konfigurasi II , epoch 5000 dan 10000,

serta komposisi dataset Training 60% -

cros validation 30% - testing 10% dan

60% - cros validation 20% - testing 20%.

Hasil Prediksi kualitas air parameter

DO, pH dan Suhu titik Bendung

Gunungsari bulan mei tahun 2017 dengan

model Software NeuroSolutions7.0 For

Excel dibandingkan dengan data lapangan

adalah sebagai berikut :

Parameter kualitas air DO ( disolved

oxygen), nilai hasil prediksi JST sebesar

4.01 mg/l dan nilai pengukuran

dilapangan sebesar 5.17 mg/l dengan

kesalahan relatif 22,44%. Parameter

kualitas air pH ( keasaman), nilai hasil

prediksi JST sebesar 5.75 dan nilai

pengukuran dilapangan sebesar 5.19

dengan kesalahan relatif 10.79%.

Parameter kualitas air Suhu, nilai hasil

prediksi JST sebesar 30,89 dan nilai

pengukuran dilapangan sebesar 28,3

dengan kesalahan relatif 9,16%

Perbandingan hasil perhitungan

menggunakan metode Neraca Massa

dengan data pengukuran dilapangan

adalah :

Parameter DO nilai Neraca massa

sebesar 5,74 mg/l sedangkan nilai

pengukuran di lapangan sebesar 5,17 mg/l

dengan kesalahan relatif (KR) 11,03%.

Parameter pH nilai Neraca massa sebesar

5,69 sedangkan nilai pengukuran di

lapangan sebesar 5.19 dengan kesalahan

relatif (KR) 9,63 %. Parameter Suhu nilai

Neraca Massa sebesar 29.3 C˚ sedangkan

nilai pengukuran di lapangan sebesar 28.3

C˚ dengan kesalahan relatif (KR) 3.53%

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...air...

Documents

Transcript of JURNAL - pengairan.ub.ac.idpengairan.ub.ac.id/s1/wp-content/uploads/sites/2/2017/01/Aplikasi...air...