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

mailto:[email protected]

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


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


Suhu


dengan output Suhu


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


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


dengan output BOD


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


COD Tabel 6 Kesalahan Relatif konfigurasi 2

dengan output COD


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


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


dengan output BOD


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


COD


dengan output COD


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


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


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


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


Gambar 7. Grafik Perbandingan pH

output JST dan pH aktual


Gambar 8. Grafik sebaran data pH output

JST dan pH aktual


Gambar 9. Grafik Perbandingan Suhu

output JST dan Suhu aktual


Gambar 10. Grafik sebaran data Suhu

output JST dan Suhu aktual


Tabel 9. Perbandingan data DO pH Suhu

output dengan existing pada titik

Jembatan Jrebeng


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


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


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


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


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.

JURNAL - TEKNIK PENGAIRANpengairan.ub.ac.id/s1/wp-content/uploads/sites/2/2017/01/Aplikasi... ·...

Documents

Transcript of JURNAL - TEKNIK PENGAIRANpengairan.ub.ac.id/s1/wp-content/uploads/sites/2/2017/01/Aplikasi... ·...