JURNAL - pengairan.ub.ac.idpengairan.ub.ac.id/s1/wp-content/uploads/sites/2/2017/01/Aplikasi...air...
Transcript of 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:
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
Lokasi ini berada pada koordinat
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
Lokasi ini berada pada koordinat
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
Tabel 5 Kesalahan Relatif konfigurasi I
dengan output pH
Epoch Dataset (Train - Cross Val - Test)
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
Sumber : Hasil Perhitungan 2017
Suhu
Tabel 6 Kesalahan Relatif konfigurasi I
dengan output Suhu
Epoch Dataset (Train - Cross Val - Test)
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
Sumber : Hasil Perhitungan 2017
B. Konfigurasi I dengan Output 3
Parameter
Tabel 7 Kesalahan Relatif konfigurasi 1
dengan 3 output ( DO, pH, Suhu).
Sumber : Hasil Perhitungan 2017
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
Epoch Dataset (Train - Cross Val - Test)
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
Sumber : Hasil Perhitungan 2017
COD Tabel 9 Kesalahan Relatif konfigurasi II
dengan output COD
Epoch Dataset (Train - Cross Val - Test)
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
Sumber : Hasil Perhitungan 2017
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
Epoch Dataset (Train - Cross Val - Test)
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
Sumber : Hasil Perhitungan 2017
COD
Tabel 11 Kesalahan Relatif konfigurasi
III dengan output COD
Epoch Dataset (Train - Cross Val - Test)
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
Sumber : Hasil Perhitungan 2017
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
Sumber: Hasil Perhitungan 2017
Gambar 4. Grafik sebaran data DO output
JST dan DO aktual
Sumber: Hasil Perhitungan 2017
Gambar 5. Grafik Perbandingan pH
output JST dan pH aktual
Sumber: Hasil Perhitungan 2017
Gambar 6. Grafik sebaran data pH output
JST dan pH aktual
Sumber: Hasil Perhitungan 2017
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
Sumber: Hasil Perhitungan 2017
Gambar 8. Grafik sebaran data Suhu
output JST dan Suhu aktual
Sumber: Hasil Perhitungan 2017
Tabel 12. Perbandingan data DO pH dan
Suhu output dengan eksisting pada titik
Bendung Gunungsari
Sumber : Hasil Perhitungan 2017
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
Sumber : Hasil Perhitungan 2017
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
Sumber : Hasil Perhitungan 2017
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
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.
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.