JURNAL - TEKNIK PENGAIRANpengairan.ub.ac.id/s1/wp-content/uploads/sites/2/2017/01/Aplikasi... ·...
Transcript of JURNAL - TEKNIK PENGAIRANpengairan.ub.ac.id/s1/wp-content/uploads/sites/2/2017/01/Aplikasi... ·...
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI
KUALITAS AIR SUNGAI DI TITIK KARANGPILANG KOTA
SURABAYA
JURNAL
TEKNIK PENGAIRAN
KONSENTRASI SISTEM INFORMASI SUMBER DAYA AIR
Ditujukan untuk memenuhi persyaratan
memperoleh gelar Sarjana Teknik
RHANDA DELIO
NIM. 135060401111044
UNIVERSITAS BRAWIJAYA
FAKULTAS TEKNIK
MALANG
2017
Aplikasi Jaringan Syaraf Tiruan untuk Memprediksi Kualitas Air
Sungai di Titik Karangpilang Kota Surabaya
Rhanda Delio1,Riyanto Haribowo
2, Very Dermawan
2,
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.
Skenario 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, Skenario I output DO, pH dan suhu dengan persentase KR < 10%. Skenario II dan III,
output BOD dan COD yang dihasilkan JST memiliki KR < 20%. Persentase dataset dengan KR
terkecil diantaranya 60-20-20 dan 60-30-10 dengan epoch yang bervariasi paling banyak antara
1000 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. Scenarios 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, Scenario I output DO, pH and
temperature with KR percentage <10%. Scenarios 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
60-20-20 and 60-30-10 with epoch which varies most between 1000 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).
Karena lokasi tidak memiliki Instalasi
Pengolahan Air Limbah (IPAL). Tetapi
tidak mengoperasionalkan IPAL secara
optimal. Membuang yang melebihi baku
mutu. 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 suatu inovasi baru yaitu
berupa kecerdasan buatan (Artificial
Intelegency) untuk mengetahui
pemodelan kualitas air Sungai pada titik
Jembatan Jrebeng dengan metode
Jaringan Syaraf Tiruan dengan parameter
kualitas air.( Kusumadewi. 2004)
Sehingga dapat memberikan
informasi yang terbaru untuk memudahan
dalam memprediksi 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 kondisi kualitas air pada
suatu Daerah Aliran Sungai (DAS)
disebabkan karena peningkatan aktivitas
manusia pada lokasi 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 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
Cangkir Tambangan, Bambe Tambangan
dan Karangpilang dengan titik yang akan
di prediksi di Karangpilang terletak di
Kota Surabaya, Provinsi Jawa Timur.
Secara geografis wilayah Kota Surabaya
terletak antara 112o36’00”
sampai
113o54’00” Bujur Timur dan 7
o09’00”
sampai 8o21’00” Lintang Selatan.
Batas-batas wilayah Kota Surabaya :
1.Sebelah Utara : Selat Madura
2.Sebelah Timur : Kabupaten Sidoarjo
3.Sebelah Barat : Kabupaten Gresik
4.Sebelah Selatan : Selat Madura
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: Peruma Jasa Tirta, 2010
Penelitian yang dilakukan pada tiga
stasiun monitoring kualitas air Perum
Jasa Tirta I yaitu terletak di stasiun
monitoring kualitas air Cangkir
Tambangan, Bambe Tambangan, dan
Karangpilang. Deskripsi lokasinya
adalah:
• Cangkir Tambangan
Canggu tambangan terletak pada
koordinat S7°21'816'' Bujur Selatan dan
E112°38'200'' Bujur Timur tepatnya di
Kabupaten Gresik Kecamatan Cangkir
Driyorejo, jarak antara Cangkir
Tambangan dengan Bambe Tambangan
adalah 3.800 m dengan lebar sungai 21m.
• Bambe Tambangan
Bambe Tambangan terletak pada
koordinat S7°21'071'' Bujur Selatan dan
E112°39'869'' Bujur Timur tepatnya di
Kecamatan Bangkingan Lakarsantri Kota
Surabaya, jarak Bambe Tambangan
dengan Karangpilang adalah 3.200 m
dengan lebar sungai 23 m.
• Karangpilang
Karangpilang terletak pada koordinat
S7°20'805'' Bujur Selatan dan
E112°41'098'' Bujur Timur tepatnya di Jl.
Raya Mastrip No.161, Karangpilang,
Kota Surabaya, lebar sungai pada titik
Karangpilang adalah 23 m.
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 Ketawang 7°27'05.0" 112°28'11.0"
2 Botokan 7°24'32.0" 112°31'46.0"
3 Ketegan 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 (Ketawang,
Botokan, Ketegan)
Adapun metode yang digunakan studi ini
yaitu:
1. Jaringan Syaraf tiruan dengan bantuan
Software Neurosolution 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.
Gambar 2. Arsitektur jaringan
Sumber: Hasil Perhitungan, 2017
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 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
Sumber : Kementrian Lingkungan Hidup,
2003
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.
3.1 Analisa Dan Pembahasan
3.1.1Analisa dengan NeuroSolutions
7.0
1. Rekapitulasi konfigurasi 1
Konfigurasi I dilakukan untuk
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 kemudian di coba juga
memprediksi BOD dan COD hanya
dengan input parameter DO, pH Suhu
A. Konfigurasi 1 dengan output tiap
parameter
DO
Tabel 2 Kesalahan Relatif konfigurasi 1
dengan output DO
E
poch
Dataset (Train - Cross Val - Test)
50 - 30 -20 60 - 20 -20 60 -30 -10
1000 12.41 11.90 8.42
5000 12.18 8.96 10.98
10000 12.00 6.93 8.13
Sumber :Hasil Perhitungan, 2017
pH
Tabel 3 Kesalahan Relatif konfigurasi 1
dengan output pH
Epoch Dataset (Train - Cross Val - Test)
50 - 30 -20 60 - 20 -20 60 -30 -10
1000 3.01 1.69 2.84
5000 1.73 1.73 1.79
10000 3.21 1.45 1.36
Sumber :Hasil Perhitungan, 2017
Suhu
Tabel 4 Kesalahan Relatif konfigurasi 1
dengan output Suhu
Epoch Dataset (Train - Cross Val - Test)
50 - 30 -20 60 - 20 -20 60 -30 -10
1000 3.54 1.18 1.07
5000 3.77 2.17 1.26
10000 2.74 2.25 1.64
Sumber :Hasil Perhitungan, 2017
Hasil terendah pada konfigurasi 1
untuk DO, pH dan Suhu terletak pada
konfigurasi dengan output masing -
masing parameter, Untuk parameter DO
dengan dataset 60-20-20 dan epoch
10000, kemudian parameter pH pada
dataset 60-30-10 dengan epoch 10000 ,
lalu parameter suhu pada dataset 60-30-
10 dengan epoch 1000. Masing masing
parameter memilki kesalhan relatif
kesalahan relatif (KR) DO= 6.93% pH =
1.36% Suhu =1.07%
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 sampel kualitas air yang
pengukurannya dilakukan langsung 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.
BOD
Tabel 5 Kesalahan Relatif konfigurasi 2
dengan output BOD
Epoch Dataset (Train - Cross Val - Test)
50 - 30 -20 60 - 20 -20 60 -30 -10
1000 25.71 12.94 21.10
5000 29.31 21.57 15.17
10000 24.31 29.52 20.67
Sumber :Hasil Perhitungan, 2017
COD Tabel 6 Kesalahan Relatif konfigurasi 2
dengan output COD
Epoch Dataset (Train - Cross Val - Test)
50 - 30 -20 60 - 20 -20 60 -30 -10
1000 23.28 14.95 33.93
5000 20.53 28.90 20.94
10000 17.28 15.93 24.87
Sumber :Hasil Perhitungan, 2017
Dari hasil analisa Jaringan syaraf
tiruan pada konfigurais 2 menunjukan
hasil kesalahan relatifnya masih diatas
10%.
Hasil terendah pada konfigurasi 2
untuk BOD dan COD terdapat pada
epoch dan komposisi data set yang sama
yaitu 60-20-20 dan epoch 1000, Untuk
kesalahan relatif nya sendiri BOD dengan
kesalahan relatif 12,94% sedangkan COD
dengan kesalahan relatif 14,95%
3. Hasil Konfigurasi III menggunakan
software Neurosolution 7.0
Konfigurasi 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 Suhu
sehingga dapat menghemat waktu dan
biaya
Setelah dilakukan pemodelan dengan
konfigurasi 3 maka didapat hasil seperti
berikut:
BOD
Tabel 7 Kesalahan Relatif konfigurasi 2
dengan output BOD
Epoch Dataset (Train - Cross Val - Test)
50 - 30 -20 60 - 20 -20 60 -30 -10
1000 17.30 19.49 25.20
5000 21.30 25.63 23.09
10000 31.79 18.97 23.81
Sumber :Hasil Perhitungan, 2017
COD
Tabel 8 Kesalahan Relatif konfigurasi 3
dengan output COD
Epoch Dataset (Train - Cross Val - Test)
50 - 30 -20 60 - 20 -20 60 -30 -10
1000 20.23 13.03 11.65
5000 22.33 20.72 26.64
10000 28.30 18.41 30.74
Sumber :Hasil Perhitungan, 2017
Terlihat hasil pada konfigurasi ke 3
ternyata kesalahan relatif terkecil berada
di epoch dan konfigurasi yang berbeda,
dan keduanya untuk kesalhan relatifnya
masih berada di bawah 20%, sehingga
dapat di simpulkan untuk parameter BOD
menggunakan konfigurasi kedua dan
untuk parameter COD menggunakan
konfigurasi ketiga.
Setelah dilakukan 90 kali proses
analisa jaringan syaraf tiruan (JST)
menggunakan 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 4. Perbandingan mse dan epoch
Sumber :Hasil Perhitungan, 2017
Dari pemodelan konfigurasi yang
telah dilakukan, maka akan dibandingkan
model konfigurasi mana yang memiliki
angka kesalahan relatif terkecil yang
mana akan dijadikan sebagai model untuk
memprediksi kualitas air yang tepat.
Diperoleh untuk DO, suhu, dan pH pada
konfigurasi 1 sebesar DO=6.93%, pH =
1.36%, dan Suhu =1.07%
Gambar 5. Grafik perbandingan DO
output JST dan DO actual
Sumber :Hasil Perhitungan, 2017
0
2
4
6
1 8
15
22
29
36
43
50
57
64
71
78
85
92
99
10
6
11
3
12
0
Ou
tpu
t
Banyak Data
Perbandingan DO JST dan DO Eksisting PJT
Gambar 6. Grafik sebaran data DO output
JST dan DO aktual
Sumber :Hasil Perhitungan, 2017
Gambar 7. Grafik Perbandingan pH
output JST dan pH aktual
Sumber :Hasil Perhitungan, 2017
Gambar 8. Grafik sebaran data pH output
JST dan pH aktual
Sumber :Hasil Perhitungan, 2017
Gambar 9. Grafik Perbandingan Suhu
output JST dan Suhu aktual
Sumber :Hasil Perhitungan, 2017
Gambar 10. Grafik sebaran data Suhu
output JST dan Suhu aktual
Sumber :Hasil Perhitungan, 2017
Tabel 9. Perbandingan data DO pH Suhu
output dengan existing pada titik
Jembatan Jrebeng
Sumber :Hasil Perhitungan, 2017
5
5.5
6
6.5
7
7.5
8
8.5
9
6 6.5 7 7.5 8 8.5 9
DO
3 O
utp
ut
DO 3 Eksisting
0
1
2
3
4
5
6
1 9
17
25
33
41
49
57
65
73
81
89
97
10
5
11
3
Ou
tpu
t
Banyak Data
Perbandingan pH JST dan pH Eksisting PJT
6
6.5
7
7.5
8
8.5
9
6 6.5 7 7.5 8 8.5 9
pH
3 O
utp
ut
pH 3 Eksisting
0
5
10
15
20
25
30
35
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
26
27
28
29
30
31
32
33
25 27 29 31 33
Suh
u 3
Ou
tpu
t
Suhu 3 Desired
DO 3 OUTPUT DO TITIK 3 pH 3 OUTPUT pH TITIK 3 Suhu 3 OUTPUT Suhu TITIK 3 KR DO KR pH KR SUHU
(mg/L) (mg/L) (mg/L) (mg/L) (mg/L) (mg/L) % % %
2006 Mei 3.681 3.700 7.117 7.100 27.336 27.400 0.509 0.243 0.233
2007 Mei 3.002 3.000 7.200 7.200 30.222 29.800 0.068 0.001 1.417
2008 Mei 4.012 4.700 7.422 7.200 29.092 28.500 14.644 3.082 2.076
2009 Mei 4.013 4.000 7.117 7.100 26.860 27.000 0.323 0.237 0.517
2010 Mei 4.011 4.000 7.119 7.000 29.634 29.200 0.276 1.695 1.488
2011 Mei 3.903 3.900 6.901 6.900 29.621 29.600 0.074 0.021 0.072
2012 Mei 3.189 4.000 7.117 7.000 30.206 30.400 20.276 1.669 0.639
2013 Mei 3.985 3.400 7.422 7.500 29.656 29.500 17.203 1.042 0.529
2014 Mei 3.423 3.900 7.422 7.200 29.968 29.800 12.219 3.082 0.562
2015 Mei 3.423 3.300 7.017 7.200 29.409 28.500 3.738 2.542 3.191
6.933 1.361 1.072
Tahun Bulan
RERATA
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 10. Perbandingan hasil pemodelan
tahun 2017 dengan pengukuran lapangan
pada bulan mei 2017 di titik jembatan
jrebeng
Parameter Nilai KR (%)
DO pengukuran 5.40 27.52
DO hasil model 3.91
pH pengukuran 5.76 28.15
pH hasil model 7.38
Suhu pengukuran 29.30 2.62
Suhu hasil model 30.06
Sumber :Hasil Perhitungan, 2017
3.1.2 Analisa dengan Neraca Massa
Tabel 11. Hasil perhitungan neraca massa
Aliran Laju
Air
Parameter
Keterangan
DO Suhu pH
1 1.11 6.70 28.3 5.73 Data
Pengukuran
Lapangan
2 0.89 5.80 29.3 5.71
3 0.78 5.30 29.3 5.72
4 6.02 29.3 5.72 Hasil Perhitungan
Sumber :Hasil Perhitungan, 2017
Keterangan
Aliran 1 = titik canggu tambangan
Aliran 2 = tititk jembatan perning
Aliran 3 = titik antara jembatan perning
dengan jembatan jrebeng
Aliran 4 = titik jembatan jrebeng yang di
hitung
Setelah melakukan perhitungan neraca
massa maka akan terlihat hasil
perbandingannya antara data pengukuran
lapungan dengan neraca massa dengan
data pengukuran sebagai berikut.
Tabel 12. Perbandingan hasil neraca
massa dengan pengukuran di lapangan
Parameter Hasil Data Primer
KR % Neraca Massa Aktual
DO 6.02 5.4 11.46
pH 5.72 5.76 0.68
Suhu 29.30 29.3 0.00
Sumber :Hasil Perhitungan, 2017
Kemudian dibandingkan hasil diantara
3 metode yaitu pengukuran lapangan,
neraca massa dan JST seperti tabel
berikut
Tabel 13. Hasil jaringan syaraf tiruan
neraca masa dan pengukuran
Bulan-
Tahun
Paramete
r
Nilai
Neraca
massa
Lapanga
n
Model
JST
Mei - 2017
DO
(mg/l) 6.02 5.4 3.91
pH 5.72 5.76 7.38
Suhu (C˚) 29.30 29.30 30.06
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.
4.1 Kesimpulan
Berdasarkan analisa perhitungan dan
pengujian pada model Jaringan Syaraf
Tiruan dengan bantuan software
NeuroSolutions 7.0 yang dilakukan sesuai
dengan rumusan masalah pada kajian ini,
maka dapat disimpulkan beberapa hal
sebagai berikut:
Nilai Kesalahan relatif (KR) terkecil
DO sebesar 6,93% terletak di Dataset 60-
20-20 dengan epoch 10000, pH sebesar
1.36% terletak di dataset 60-30-10
dengan epoch 10000 dan Suhu sebesar
1.07 % terletak di dataset 60-30-10
dengan epoch 1000.
Untuk nilai Kesalahan relatif (KR)
terkecil BOD sebesar 12.94% terletak di
konfigurasi 2 dengan dataset 60-20-20
menggunakan epoch 1000 dan COD
sebesar 13.03% terletak di konfigurasi 3 ,
dengan dataset 60-20-20 menggunakan
epoch 1000
Hasil Prediksi kualitas air parameter
DO, pH dan Suhu titik jembatan jrebeng
bulan mei tahun 2017 dengan model
software NeuroSolution dibandingkan
dengan data lapangan adalah sebagai
berikut :
Parameter kualitas air DO ( disolved
oxygen), nilai hasil prediksi JST sebesar
3.91 mg/l dan nilai pengukuran
dilapangan sebesar 5.4 mg/l dengan
kesalahan relatif 27.52%. Parameter
kualitas air pH ( keasaman), nilai hasil
prediksi JST sebesar 7.3816 dan nilai
pengukuran dilapangan sebesar 5.76
dengan kesalahan relatif 28.153%.
Parameter kualitas air Suhu, nilai hasil
prediksi JST sebesar 30.06 dan nilai
pengukuran dilapangan sebesar 29,30
dengan kesalahan relatif 2.62%
Perbandingan hasil perhitungan
metode Neraca massa dengan data
pengukuran dilapangan adalah :
Parameter DO nilai Neraca massa
sebesar 6,02 mg/l sedangkan nilai
pengukuran di lapangan sebesar 5,40
mg/l dengan kesalahan relatif (KR)
11,46%. Parameter pH nilai Neraca
massa sebesar 5,72 sedangkan nilai
pengukuran di lapangan sebesar 5.76
dengan kesalahan relatif (KR) 0,68%.
Parameter Suhu nilai Neraca massa
sebesar 29.30 C˚ sedangkan nilai
pengukuran di lapangan sebesar 29.30 C˚
dengan kesalahan relatif (KR) 0%
DAFTAR 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.