LAPORAN FINAL PROJECTSIMULASI PENGANALISAAN KUALITAS AIR SUNGAI DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION

PENYUSUN :Syafrinuz Zamroni(2411 100 055)

MATA KULIAH JARINGAN SYARAF TIRUANPROGRAM STUDI S1 TEKNIK FISIKAJURUSAN TEKNIK FISIKAFAKULTAS TEKNOLOGI INDUSTRIINSTITUT TEKNOLOGI SEPULUH NOVEMBERSURABAYA2014

FINAL PROJECT REPORTSIMULATION ABOUT RIVER WATER QUALITY ANALYSIS USE BACKPROPAGATION ARTIFICIAL NEURAL NETWORK

MADE BY :Syafrinuz Zamroni(2411 100 055)

COURSES ARTIFICIAL NEURAL NETWORKSTUDY PROGRAM S1 ENGINEERING PHYSICSENGINEERING PHYSICS DEPARTEMENTFACULTY INDUSTRIAL TECHNOLOGY INSTITUT TEKNOLOGI SEPULUH NOVEMBERSURABAYA2014

LAPORAN FINAL PROJECTSIMULASI PENGANALISAAN KUALITAS AIR SUNGAI DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION

Nama Penulis: Syafrinuz ZamroniNRP: 2411100055Jurusan: Teknik Fisika

ABSTRAK

Abstrak-Penggunaan teknologi dan ilmu pengetahuan bagi penentuan kualitas air sungai sangatlah diperlukan, yang fungsinya mempercepat waktu untuk mengetahui hasil dari uji kualitas air sungai tersebut. Salah satunya adalah penggunaan jaringan syaraf tiruan untuk software penentuan kualitas air sungai. Hal ini akan mempercepat waktu penganalisaan dari pengujian terhadap kualitas air sungai. Pada simulasi ini, akan diterapkan jaringan syaraf tiruan metode backpropagation untuk menganalisa kualitas air sungai. Pada simulasi ini, akan didapatkan bahwa Simulasi jaringan syaraf tiruan untuk analisa kualitas air sungai memiliki nilai RMSE pada training state, validation state dan test state masing masing sebesar 0.005, 10.113, dan 11,857 dan regresi untuk training state, validation state dan test state masing masing sebesar 0.999, 0,2905, dan 0.1772. dan Training rate yang paling efektif pada simulasi jaringan syaraf tiruan ini adalah 0.4.Kata kunci : kualitas air sungai, jaringan syaraf tiruan metode backpropagation, RMSE, regresi, training rate

FINAL PROJECT REPORTSIMULATION ABOUT RIVER WATER QUALITY ANALYSIS USE BACKPROPAGATION ARTIFICIAL NEURAL NETWORK

Authors Name: Syafrinuz ZamroniNRP: 2411100055Department : Teknik Fisika

ABSTRACT

Abstract-application of technology and science for river water quality analisis is very important,this function was to accelerate time processing to know value of river water quality test. One of them is using artificial neural network to know river water quality. This thing will be accelerate time to analysis river water quality test. In this simulation,will be applied backpropagation artificial neural network to analysis river water quality. In this simulatin, will be gotten this application gain RMSE in training state, validation state, and test state is 0.005,10.113, and 11,857. And regretion value in training state, validation state, and test state is 0.999, 0.2905, and 0.1772. training rate value that very effective in this artificial neural network is 0.4.Keyword : river water quality, backpropagation artificial neural network, RMSE, regretion, training rate

KATA PENGANTAR

Pertama-tama kami panjatkan puja dan puji syukur kehadirat Allah SWT karena dengan rahmat-Nya kami mampu menyelesaikan Laporan Simulasi Analisa Kualitas Air Sungai Dengan Menggunakan Jaringan Syaraf Tiruan Metode Backpropagation ini dengan sebaik-baiknya. Tidak lupa sholawat serta salam tetap tercurahkan kepada junjungan kita Nabi Besar Muhammad SAW.Dalam Laporan ini kami membahas tentang penerapan jaringan syaraf tiruan metode backpropagation pada analisa kualitas air sungai. Kami berharap laporan yang kami buat ini nantinya dapat bermanfaat bagi seluruh pembacanya, sehingga dapat menambah pengetahuan dan wawasan para pembacanya.Tidak lupa kami juga mengucapkan banyak terima kasih kepada semua pihak yang telah membantu kami dalam menyusun Laporan ini. Kami mengetahui masih banyak kesalahan dalam penyusunan laporan ini. Oleh karena itu kritik dan saran sangat kami butuhkan sebagai bahan perbaikan dalam penyusunan laporan yang akan datang.

Surabaya, 25 Desember 2014

Penulis

DAFTAR ISIABSTRAKiABSTRACTiiKATA PENGANTARiiiDAFTAR ISIivDAFTAR GAMBARvDAFTAR TABELviiBAB I PENDAHULUAN11.1Latar Belakang11.2Rumusan Masalah11.3Batasan Masalah11.4Tujuan1BAB II TEORI DASAR MENGENAI PENGGUNAAN JARINGAN SYARAF TIRUAN PADA ANALISA KUALITAS AIR SUNGAI32.1Kualitas Air Sungai32.2Jaringan Syaraf Tiruan Metode Backpropagation3BAB III ANALISA DATA DAN PEMBAHASAN MENGENAI SIMULASI PENGANALISAAN KUALITAS AIR SUNGAI63.1Data yang diambil dari Air Sungai63.2Simulasi Matlab9a.Menggunakan neural network tool9b.Menggunakan source code M-file21BAB IV PENUTUP324.1Kesimpulan324.2Saran32DAFTAR PUSTAKA33

DAFTAR GAMBAR

Gambar 1 grafik dissolved oxygen9Gambar 2 grafik biochemical oxygen demand9Gambar 3 data input dan target pada workspace matlab10Gambar 4 Tampilan window nftool10Gambar 5 window nftool untuk memasukkan input dan target10Gambar 6 window validation and test11Gambar 7 window network size11Gambar 8 window train network12Gambar 9 Window Neural Network Training12Gambar 10 hasil simulasi13Gambar 11 window evaluate network13Gambar 12 data evaluasi network13Gambar 13 hasil performasi14Gambar 14 hasil training set14Gambar 15 hasil regresi15Gambar 16 Grafik Persebaran DO output19Gambar 17 Grafik DO target dan DO output19Gambar 18 Grafik Persebaran BOD target20Gambar 19 Grafik BOD target dan BOD output20Gambar 20 window AnnBp21Gambar 21 Output Training Rate = 021Gambar 22 NNT window training rate = 022Gambar 23 performasi training rate = 022Gambar 24 training state training rate = 022Gambar 25 regresi training rate = 023Gambar 26 output training rate = 0.223Gambar 27 NNT training rate = 0.223Gambar 28 performasi training rate = 0.224Gambar 29 training state training rate = 0.224Gambar 30 regresi training rate = 0.224Gambar 31 output training rate = 0.425Gambar 32 NNT training rate = 0.425Gambar 33 performasi training rate = 0.425Gambar 34 training state training rate = 0.426Gambar 35 regresi training rate = 0.426Gambar 36 output training rate = 0.626Gambar 37 NNT training rate = 0.627Gambar 38 performasi training rate = 0.627Gambar 39 training state training rate = 0.627Gambar 40 regresi training rate = 0.628Gambar 41 output training rate = 0.828Gambar 42 NNT training rate = 0.828Gambar 43 performasi training rate = 0.829Gambar 44 training state training rate = 0.829Gambar 45 regresi training rate = 0.829Gambar 46 output training rate = 130Gambar 47 NNT training rate = 130Gambar 48 performasi training rate = 130Gambar 49 training state training rate = 131Gambar 50 regresi training rate = 131

DAFTAR TABEL

Tabel 1 Tabel Data Kualitas Air Sungai6Tabel 2 Tabel Persebaran Data Kualitas Air Sungai8Tabel 3 Tabel Output Simulasi Jaringan Syaraf Tiruan15Tabel 4 Performasi JST18Tabel 5 hasil training rate31

vi

vii

BAB IPENDAHULUAN

1.1 Latar BelakangPada era globalisasi ini, masalah kebersihan sungai terkadang sering tidak diperhatikan. Misalnya saja pada daerah Surabaya dan sekitarnya, bahwa kondisi sungai dan kualitas air di Surabaya saat ini agak memprihatinkan, karena pendangkalan dan beban pencemaran yang tinggi dari kegiatan industri/usaha serta dengan menggunakan data 2007 hingga 2011 didapatkan penentuan status mutu air di Sungai Surabaya menurut metode STORET 49,44% adalah tercemar berat untuk peruntukkan kelas dua sesuai PP. RI no.82 tahun 2001. Sedangkan status mutu air di Sungai Surabaya menurut metode Indeks pencemaran 100% adalah tercemar sedang untuk peruntukkan kelas dua sesuai PP. RI no.82 tahun 2001.[1] Padahal penggunaan air sungai yang terdapat di Surabaya, diantaranya adalah untuk menyediakan bahan baku air bersih bagi masyarakat kota, serta menyediakan air untuk keperluan produksi.Dari pernyataan diatas, perlunya diadakan monitoring untuk mengetahui kondisi dari kualitas air sungai. Badan Lingkungan Hidup Kota Surabaya telah melakukan monitoring secara berkala dengan pengambilan sampling air sungai dan uji lab untuk mengetahui baku mutu kualitas air. Selain itu, juga dilakukan upaya revitalisasi dengan jalan pembersihan dari sampah dan pengerukan endapan sungai. [2] Dalam menentukan kualitas air menggunakan uji lab diperlukan waktu yang terbilang tidak sebentar sekitar 1 hingga 2 minggu. Tentunya akan memperlambat penentuan kebijakan untuk mengurangi pencemaran pada air sungai.Penggunaan teknologi dan ilmu pengetahuan bagi penentuan kualitas air sungai sangatlah diperlukan, yang fungsinya mempercepat waktu untuk mengetahui hasil dari uji kualitas air sungai tersebut. Salah satunya adalah penggunaan jaringan syaraf tiruan untuk software penentuan kualitas air sungai. Hal ini akan mempercepat waktu penganalisaan dari pengujian terhadap kualitas air sungai. Oleh karena itu, kami melakukan pembuatan simulasi untuk software penganalisa kualitas air sungai. Diharapkan disini simulasi ini dapat berguna dan menjadi salah satu inspirasi untuk pengaplikasian jaringan syaraf tiruan. 1.2 Rumusan MasalahAdapun rumusan masalah yang dapat dibuat dengan memperhatikan latar belakang diatas antara lain adalah :1. Bagaimana metode jaringan syaraf tiruan yang cocok untuk menganalisa kualitas air sungai ?2. Berapa learning rate yang efektif untuk jaringan syaraf tiruan yang digunakan ?3. Bagaimana membuat simulasi jaringan syaraf tiruan untuk menganalisa kualitas air sungai tersebut ?1.3 Batasan MasalahAdapun batasan masalah yang dapat dibuat dengan memperhatikan rumusan masalah diatas antara lain adalah :1. simulasi menggunakan software matlab; dan2. data yang digunakan merupakan data-data yang digunakan pada penelitian orang lain.1.4 TujuanAdapun tujuan yang dapat diambil dengan memperhatikan rumusan masalah diatas antara lain :1. menentukan metode jaringan syaraf tiruan yang cocok untuk menganalisa kualitas air sungai tersebut;2. menentukan learning rate yang digunakan pada metode jaringan syaraf tiruan tersebut; dan3. membuat simulasi jaringan syaraf tiruan untuk menganalisa kualitas air sungai tersebut.

2

5

1

BAB IITEORI DASAR MENGENAI PENGGUNAAN JARINGAN SYARAF TIRUAN PADA ANALISA KUALITAS AIR SUNGAI

2.1 Kualitas Air SungaiKualitas air sungai merupakan suatu parameter bagi air sungai untuk dikatakan layak pakai atau tidak. Dalam menganalisa kualitas air sungai terdapat beberapa variabel yang digunakan yaitu sebagai berikut :a. Kualitas pH air : merupakan parameter yang menunukkan tingkat keasaman dari air sungai tersebut.b. Total alkalinity (T-Alk,mg/L) : merupakan kemampuan air sungai untuk menetralisir kandungan asam dan menyeimbangkan nilai antara kandungan karbonat dengan kandungan bikarbonat.c. Total Hardness (T-Hard, mg/L) : merupakan kemampuan air sungai untuk mengendapkan busa, yang diendapkan oleh ion kalsium dan magnesium yang terdapat pada air sungai tersebut.d. Total Solids (TS, mg/L) : merupakan kemampuan air sungai untuk melarutkan padatan.e. Chemical oxygen demand (COD, mg/L) : merupakan parameter yang menyatakan kandungan organik yang terdapat pada air sungai.f. Ammonical nitrogen (NH4-N, mg/L) : merupakan parameter yang menyatakan kandungan ammonia, polutan beracun pada air sungai.g. Nitrate nitrogen (NO3-N, mg/L) : merupakan parameter yang menyatakan kandungan oksigen dan nitrogen pada air sungai.h. Chloride (Cl, mg/L) : merupakan parameter yang menyatakan kandungan klorida yang terdapat pada air sungai.i. Phosphate (PO4, mg/L) : merupakan parameter yang menyatakan kandungan pospat yang terdapat pada air sungai.j. Potassium (K, mg/L) : merupakan parameter yang menyatakan kandungan pontasium pada air sungai.k. Sodium (Na, mg/L) : merupakan parameter yang menyatakan kandungan sodium pada air sungai.l. Dissolved oxygen (DO, mg/L) : merupakan parameter yang menyatakan kandungan oksigen bebas pada air sungai.m. 5-day biochemical oxygen demand (BOD, mg/L) : merupakan parameter yang menyatakan kandungan DO yang digunakan untuk menguraikan material organik yang terkandung pada air sungai.2.2 Jaringan Syaraf Tiruan Metode BackpropagationJaringan syaraf tiruan metode Backpropagation adalah sebuah metode sistematik untuk pelatihan multiplayer jaringan syaraf tiruan. Metode ini memiliki dasar matematis yang kuat, obyektif, dan algoritma ini mendapatkan bentuk persamaan dan nilai koefisien dalam formula dengan meminimalkan jumlah kuadrat galat eror melalui model yang dikembangkan (training set).

Gambar 3. Metode BackpropagationJaringan syaraf terdiri dari 3 lapisan, yaitu lapisan masukan/input terdiri atas variable masukan unit sel syaraf, lapisan tersembunyi terdiri atas 10 unit sel saraf, dan lapisan keluaran/output terdiri atas 2 sel syaraf. Lapisan masukan digunakan untuk menampung 13 variabel yaitu sampai dengan , sedangkan 2 lapisan keluaran digunakan untuk mempresentasikan pengelompkan pola, nilai 00 untuk gangguan stess, nilai 01 untuk gangguan fobia, nilai 10 untuk gangguan obsesif kompulsif, dan nilai 11 untuk gangguan panik.Langkah berikutnya adalah menghitung nilai SSE (Sum Square Error) yang merupakan hasil penjumlahan nilai kuadrat error neuron 1 dan 2 pada lapisan output tiap data, di mana hasil penjumlahan keseluruhan nilai SSE akan digunakan untuk menghitung nilai RMSE (Root Mean Square Error) tiap iterasi (Kusumadewi,2002)Sum Square Error (SSE) dihitung sebagai berikut:1. Hitung lapisan prediksi atau keluaran model untuk masukan pertama.2. Hitung selisih antara nilai luar prediksi dan nilai target atau sinyal latihan untuk setiap keluaran.3. Kuadratkan setiap keluaran kemudian hitung seluruhnya. Ini merupakan kuadrat kesalahan untuk contoh lain.Root Mean Square Error (RMSE) dihitung sebagai berikut:1. Hitung SSE2. Hasilnya dibagi dengan perkalian antara banyaknya data pada latihan dan banyaknya luaran, kemudian diakarkan.RMSE=Root Mean Square ErrorSSE=Sum Square ErrorN=Banyaknya data pada latihanK=Banyak luaranPelatihan suatu jaringan dengan algoritma backpropagation meliputi dua tahap: perambatan maju dan perambatan mundur. Selama perambatan maju, tiap unit masukan menerima sebuah masukan sinyal ini ke tiap-tiap lapisan tersembunyi . Tiap unit tersembunyi ini kemudian menghitung aktivasinya dan mengirimkan sinyalnya ke tiap unit keluaran. Tiap unit keluaran menghitung aktivasinya untuk membentuk respon pada jaringan untuk memberikan pola masukan.Selama pelatihan, tiap unit keluaran membandingkan perhitungan aktivasinya dengan nilai targetnya untuk menentukan kesalahan pola tersebut dengan unit itu. Berdasarkan kesalahan ini, factor dihitung. digunakan untuk menyebarkan kesalahan pada unit keluaran kembali ke semua unit pada lapisan sebelumnya (unit-unit tersembunyi yang dihubungkan ke ). Juga digunakan (nantinya) untuk mengupdate bobot-bobot antara keluaran dan lapisan tersembunyi. Dengan cara yang sama, faktor dihitung untuk tip unit tersembunyi . Tidak perlu untuk menyebarkan kesalahan kembali ke lapisan masukan, tetapi digunakan untuk mengupdate bobot-bobot antara lapisan tersembunyi dan lapisan masukan.Setelah seluruh faktor ditentukan, bobot untuk semua lapisan diatur serentak. Pengaruh bobot (dari unit tersembunyi ke unit keluaran ) didasarkan pada faktor dan aktivasi dari unit tersembunyi didasarkan pada faktor Dn aktivasi unit masukan. (Fusett,1994)

4

5

3

BAB IIIANALISA DATA DAN PEMBAHASAN MENGENAI SIMULASI PENGANALISAAN KUALITAS AIR SUNGAI

3.1 Data yang diambil dari Air SungaiContoh data yang didapat dari air sungai yang nantinya akan menjadi nilai masukan dari simulasi Jaringan Syaraf tiruan adalah sebagai berikut :Tabel 1 Tabel Data Kualitas Air SungaiNopHT-Alk (mg/L)T-Hard (mg/L)TS (mg/L)COD (mg/L)NH4-N (mg/L)NO3-N (mg/L)Cl (mg/L)PO4 (mg/L)K (mg/L)Na (mg/L)DO (mg/L)BOD (mg/L)

16.70142.7173.03182.242.012.012.012.682.018.044.694.0210.72

24.90175.7091.00186.9018.202.102.1013.300.704.204.902.1017.50

35.11137.2483.22208.053.650.732.1913.140.737.3043.078.038.76

46.08109.4468.40176.322.280.761.522.282.288.3647.880.7624.32

57.11191.18184.86254.3818.960.791.581.580.798.6918.174.740.00

67.38104.96119.72151.7022.962.462.468.201.644.1010.664.9226.24

78.50127.50165.75259.2531.451.702.559.352.552.5519.558.5015.30

87.04188.32120.56217.3627.280.880.8816.722.6410.5623.760.8815.84

97.28263.90106.47409.5035.492.732.7313.651.829.1024.570.0028.21

108.46260.38232.18374.1221.622.820.9411.280.9410.3410.345.6411.28

116.03155.4492.46234.5014.740.672.0110.052.015.3641.544.6910.72

125.60130.20176.40200.2014.002.102.107.002.106.3033.600.7013.30

135.11148.9277.38154.0324.822.190.738.762.196.5750.378.0318.25

145.32146.68131.48277.4022.800.761.529.122.283.8047.888.3612.16

156.32168.27173.80195.9213.431.582.375.531.584.7441.088.699.48

167.38164.82173.84323.907.381.640.825.741.646.5636.909.0212.30

176.80189.55200.60294.9524.650.851.7016.152.555.9562.905.105.95

187.92200.64113.52211.2017.602.641.7615.840.888.8059.844.403.52

196.37218.4068.25287.5620.932.730.9110.010.915.4658.248.1929.12

209.40184.24192.70251.9235.722.822.8215.040.941.8857.340.9427.26

214.69180.2364.32288.7724.790.671.344.690.678.0427.470.0020.10

226.30150.5063.70156.8026.601.400.7010.500.707.7042.704.909.10

235.11140.89153.30306.602.190.731.468.762.195.1143.801.463.65

246.08173.2886.64178.6028.880.761.523.802.283.0433.445.3221.28

257.90128.77157.21226.733.950.791.5811.852.377.9053.727.9023.70

266.56222.22229.60202.5422.141.642.4613.122.463.286.569.8411.48

277.65106.2597.75370.6022.952.550.8512.751.705.104.253.4016.15

288.80227.92113.52134.6423.762.640.887.041.765.2834.329.684.40

298.19185.64132.86277.5530.941.822.736.371.8210.9218.204.550.91

307.52135.36228.42313.9631.020.940.9414.102.824.7045.120.0020.68

316.70146.06120.60263.989.382.010.675.360.676.0335.515.368.04

325.60155.40114.80270.2021.000.700.7010.501.408.4037.107.0011.20

335.84190.53202.94276.6726.282.192.1912.412.192.9217.520.732.19

345.32155.8060.80318.4411.402.282.285.321.522.2833.442.281.52

357.90177.7597.96287.561.582.372.373.951.586.3254.510.0014.22

368.20191.06229.60183.6814.761.642.4613.120.826.5651.668.205.74

378.50220.15128.35311.9532.301.701.7016.151.706.8022.101.703.40

387.04122.3295.92274.5614.960.881.760.881.764.4041.363.520.00

398.19247.52212.03226.5915.470.910.9114.562.731.8240.957.2814.56

408.46190.82206.80372.2435.720.941.882.821.882.827.528.4611.28

416.70107.2092.46197.6521.441.342.012.010.674.6912.067.372.01

426.30106.4052.50290.5016.102.100.7011.202.106.3019.607.0011.20

435.11185.42209.51302.9526.282.191.460.731.468.7610.224.3821.17

446.84101.08220.40302.4819.760.760.766.082.283.8017.488.3624.32

456.32115.34196.71328.6415.802.371.5811.852.377.9045.032.3711.85

465.74177.12170.56207.4614.760.822.469.022.466.5645.107.384.92

477.65232.9099.45229.5026.351.700.854.252.558.5062.905.100.85

488.80212.08256.08156.6414.082.642.649.680.881.7639.600.8811.44

498.19198.38196.56253.8917.291.821.8210.010.9110.0164.618.1925.48

506.58166.3895.88391.0424.442.822.8215.042.8211.287.523.7618.80

516.70136.6899.16252.5916.080.671.3410.721.346.0328.140.674.69

524.90156.1086.80297.509.100.700.702.101.402.1050.407.0014.70

537.30146.0090.52171.5515.331.460.7312.412.195.1146.727.3020.44

547.60125.40130.72202.9211.400.760.766.080.763.0441.040.0022.80

557.90191.9799.54289.149.480.791.5811.060.792.3717.383.1612.64

567.38227.14123.00215.666.562.462.464.102.466.5657.407.3822.14

576.80243.10124.95340.0021.250.851.709.351.707.6524.652.5518.70

587.92189.20251.68170.728.800.880.883.522.648.8046.646.1614.08

598.19202.02179.27271.1830.030.911.8217.290.917.285.466.377.28

609.40183.30176.72404.2015.042.820.940.942.821.8811.287.527.52

614.69134.00119.93184.2521.442.011.348.040.677.3736.183.3514.74

624.90172.9052.50222.607.702.100.706.300.701.4028.001.4016.80

635.11180.31134.32256.964.381.461.465.840.731.4643.804.3823.36

646.84205.96221.92227.247.601.521.526.080.766.8446.363.8013.68

655.53181.70124.82122.4511.062.371.5812.642.379.4841.878.697.90

667.38116.44218.94257.487.381.640.8210.661.644.9231.169.0218.86

677.65253.30141.10161.5032.300.852.550.852.559.3521.250.0017.00

688.80136.40228.80298.3214.081.760.884.402.646.164.409.684.40

696.37222.04158.34155.6135.492.731.8215.471.826.375.467.2824.57

706.58254.74143.82194.5818.802.822.827.521.887.5256.407.5216.92

715.36197.6569.68296.1421.441.342.0110.052.012.6848.242.0118.09

727.00140.0081.90231.0024.501.401.408.400.705.6050.404.906.30

735.11212.43116.07254.775.842.192.190.731.466.5716.063.6520.44

745.3296.52187.72272.8423.562.281.529.120.761.5226.606.8410.64

756.32105.86218.04278.879.481.580.7912.642.378.699.483.9524.49

768.20232.88142.68261.5820.500.821.644.101.641.6441.000.0013.94

776.80181.05168.30142.803.401.701.7012.750.851.709.350.855.95

786.16255.20210.32359.042.641.762.646.161.763.5236.083.5219.36

797.28171.99126.49379.4719.111.822.736.371.828.193.6410.0123.66

808.46184.2489.30213.3833.841.880.9413.162.828.468.465.6430.08

816.03156.78131.32299.492.011.342.0110.720.674.0223.458.0421.44

827.00190.4074.90135.8012.602.101.4012.601.405.605.607.701.40

836.57191.99140.89135.7820.441.461.4610.952.195.1113.874.380.73

846.08210.5257.76304.7622.040.762.283.041.523.8026.603.048.36

857.90105.86211.72221.996.322.370.794.740.791.589.482.3725.28

866.56118.08228.78220.589.841.642.467.381.645.7454.943.2822.14

878.50146.2073.10148.7510.201.701.7010.201.703.4058.650.0011.05

887.04200.64100.32389.8416.720.880.881.762.645.284.400.000.00

897.28151.97171.08153.7933.670.911.8210.012.738.1947.327.2818.20

907.52181.42101.52394.801.881.882.8214.101.888.4618.808.4626.32

916.03165.49166.16274.708.041.342.011.341.348.046.034.694.69

927.00177.1094.50294.0023.100.701.4011.201.408.4012.600.7018.90

937.30181.7797.82198.5624.091.462.192.190.731.4618.980.7312.41

945.32104.88173.28253.089.122.281.523.042.283.8027.363.8017.48

957.90119.29130.35221.9913.431.580.794.741.585.5312.645.5312.64

967.38176.3067.24220.5818.862.461.646.562.464.9234.440.0013.12

976.80120.70169.15169.1533.152.551.7014.451.705.9510.204.2517.00

987.92177.76137.28282.4812.320.880.8813.200.882.6455.440.882.64

996.37205.66224.77255.7127.302.731.826.372.732.7341.8610.010.00

1009.40176.72111.86308.326.581.882.826.581.8810.3418.805.648.46

Kemudian, dari data-data tersebut diolah secara statistik untuk mengetahui persebaran datanya yaitu sebagai berikut :Tabel 2 Tabel Persebaran Data Kualitas Air SungaiMinMaxMedianMeanSDCV%

pH4.699.406.846.89441.1760.1705

TS (mg/L)122.45409.5254.14250.25369.5430.277

T-Alk (mg/L)96.52263.9176.91171.553141.581580.2423

T-Hard (mg/L)52.5256.08130.54140.1454.53340.3891

Cl (mg/L)0.7317.298.898.47364.45870.5261

PO4 (mg/L)0.672.821.71.6980.6890.4061

K (mg/L)1.4011.285.855.722.6020.4542

Na (mg/L)3.6464.6132.330.674117.8680.5825

NH4-N (mg/L)0.672.821.641.64310.6960.4237

NO3-N (mg/L)0.672.821.611.64530.660.4020

COD (mg/L)1.5835.7217.4517.55669.40190.5355

DO (mg/L)0.0010.014.694.69463.06110.6520

BOD (mg/L)0.0030.0813.2113.5438.00760.5912

Data data diatas merupakan representasi dari data yang dapat diambil pada penganalisaan kualitas air sungai. DO dan BOD merupakan dua parameter pada kualitas air sungai yang biasanya dijadikan patokan sebagai pemeriksaan kualitas air. Sehingga 11 parameter lainnya merupakan variabel yang biasanya menentukan nilai dari DO dan BOD atau bisa dikatakan DO dan BOD merupakan dependent data array atau data yang nilainya memiliki ketergantungan dengan 11 parameter lainnya. Bisa dikatakan parameter yang memuat pH, T-Alk, T-Hard, TS, COD, NH4-N, NO3-N, Cl, PO4, K and Na merupakan masukan pada simulasi sistem penganalisaan kualitas air sungai. Sedangkan DO dan BOD merupakan keluaran atau target dari simulasi sistem penganalisaan kualitas air sungai.Dari 100 data diatas, nantinya akan dibagi menjadi 3 bagian yaitu, bagian untuk men-train jaringan syaraf tiruan yang telah dibuat, bagian untuk menvalidasi hasil train dari jaringan syaraf tiruan yang telah dibuat, dan bagian untuk menguji hasil jaringan syaraf tiruan tersebut.Sebelum mengolah data lebih lanjut, dilihat grafik persebaran datanya yang nantinya akan dibandingkan dengan sesudah menggunakan simulasi jaringan syaraf tiruan. Bahwa untuk DO dan BOD yang didapat memiliki grafik yang diolah secara statistik seperti gambar dibawah ini :

DOUntuk nilai Dissolved Oxygen memiliki grafik :

Gambar 1 grafik dissolved oxygen BODUntuk nilai biochemical oxygen demand memiliki grafik :

Gambar 2 grafik biochemical oxygen demand3.2 Simulasi MatlabSimulasi matlab yang kami lakukan dibagi menjadi 3 bagian, yaitu menggunakan neural network network tool, memakai source code M-File, dan memakai Simulink. a. Menggunakan neural network toolNeural network tool merupakan tool yang terdapat pada Matlab yang digunakan untuk memudahkan dalam menyelesaikan suatu permasalahan dengan menggunakan jaringan syaraf tiruan dengan jaringan syaraf tiruan metode backpropagation deangan 2 layer feed-forward network dengan sigmoid hidden neurons dan linier output neurons. Neural network tool menggunakan algoritma levenberg-marquardt sebagai algoritma pelatihannya. Langkah-langkah menggunakan neural network tool untuk mensimulasikan analisa kualitas air sungai adalah sebagai berikut :i. Memasukkan input dan target dari simulasi analisa kualitas air sungai pada workspace matlab. Nantinya akan muncul pada workspace matlab seperti gambar dibawah ini :

Gambar 3 data input dan target pada workspace matlab ii. Dengan meggunakan source code nftool pada command window matlab maka akan muncul tampilan seperti dibawah ini :

Gambar 4 Tampilan window nftooliii. Klik tombol next, maka akan muncul tampilan window baru, masukkan nilai input dan target yang pada workspace kemudian klik tombol next. Berikut tampilan windownya :

Gambar 5 window nftool untuk memasukkan input dan targetiv. Selanjutnya, akan muncul tampilan window validation and test, pada window ini akan disortir dari data yang didapat menjadi data untuk training, data untuk validasi dan data untuk test dari jaringan syaraf tiruan yang telah dibuat. Pada jaringan syaraf tiruan yang kami buat memiliki pengklasifikasian sampel dari 100 sampel yang dipakai yaitu 60 % untuk data training (60 sampel), 20 % untuk data validasi (20 sampel) dan 20 % untuk data pengujian (20 sampel). Berikut tampilan windownya :

Gambar 6 window validation and testv. Kemudian, akan muncul window network size yang menentukan jumlah hidden layer-nya. Pada simulasi jaringan syaraf tiruan kami, memakai hidden layer sebanyak 55, kemudian klik next. Berikut tampilan windownya :

Gambar 7 window network sizevi. Akan muncul window train network, klik train. Berikut tampilan windownya :

Gambar 8 window train networkvii. Akan muncul window neural network training yang menyatakan hasil progress dari jaringan syaraf tiruan yang dibuat. Berikut tampilan windownya :

Gambar 9 Window Neural Network TrainingPada window ini memberikan informasi mengenai Epoch (jumlah iterasi yang digunakan), time (waktu melakukan proses simulasi), performance (performasi dari sistem tersebut, semakin mendekati 0, sistem yang dibuat semakin bagus), gradient (menunjukkan gradient dari performasi jaringan syaraf tiruan, perubahan terhadap regresi yang terjadi), Mu factor (menunjukkan parameter yang mempengartuhi training state jaringan syaraf tiruan). Pada simulasi ini memiliki 5 epoch, nilai performasi 2.28 x 10-5, nilai gradien 3.41 x 10-11, dan nilai faktor mu 1 x 10-8.viii. Pada window train network akan menunjukkan informasi MSE (Mean Squared Error, rata-rata dikurangi dengan perbedaan antara keluaran dan target dan dikuadratkan, jika nilainya semakin kecil semakin baik) dan R (Regression, korelasi antara output dan target, nilai mendekati 1 artinya makin berhubungan antara satu dengan yang lain). data yang muncul pada simulas jaringan syaraf tiruan adalah :

Gambar 10 hasil simulasi

ix. Kemudian, akan muncul window evaluate network, dimana menjadi window untuk meng-evaluasi dari sistem jaringan syaraf tiruan tersebut. Berikut windownya :

Gambar 11 window evaluate networkPada window ini, dimasukkan nilai Input dan targetnya untuk mengetahui MSE dan regresi yang dihasilkan. Dengan menggunakan data yang dipakai sama dengan data simulasi didapatkan :

Gambar 12 data evaluasi networkx. Dari simulasi Jaringan syaraf tiruan ini, didapatkan grafik sebagai berikut : Grafik performasi Adapun hasil grafik performasi dari simulasi jaringan syaraf tiruan antara lain adalah :

Gambar 13 hasil performasi Grafik training stateAdapun hasil grafik performasi dari simulasi jaringan syaraf tiruan antara lain adalah :

Gambar 14 hasil training set

Grafik regresiAdapun hasil grafik performasi dari simulasi jaringan syaraf tiruan antara lain adalah :

Gambar 15 hasil regresiDengan menggunakan metode ANN tool pada simulasi didapatkan data data antara lain adalah : MSE : 0.228 x 10-5 untuk train, 102,267 untuk validasi, dan 140,585 untuk test Data Output dari DO dan BODTabel 3 Tabel Output Simulasi Jaringan Syaraf TiruanDO (mg/L)BOD (mg/L)Error DO (mg/L)Error BOD (mg/L)

DATA4.0210.730.00-0.01

2.1017.510.00-0.01

7.309.070.73-0.31

3.327.36-2.5616.96

2.3720.312.37-20.31

4.9226.240.000.00

5.9914.232.511.07

0.8815.830.000.01

8.033.92-8.0324.29

7.2613.26-1.62-1.98

4.6910.720.000.00

3.823.55-3.129.75

8.0218.250.010.00

8.3612.160.000.00

3.5114.535.18-5.05

9.0212.310.00-0.01

7.8710.91-2.77-4.96

8.680.99-4.282.53

2.388.035.8121.09

0.9427.250.000.01

0.0020.110.00-0.01

4.909.100.000.00

1.463.650.000.00

5.2814.910.046.37

7.9023.690.000.01

9.8411.470.000.01

3.4016.150.000.00

5.5229.044.16-24.64

4.550.900.000.01

0.0020.680.000.00

5.358.040.010.00

0.5214.806.48-3.60

0.732.190.000.00

8.2114.62-5.93-13.10

0.0014.210.000.01

8.205.730.000.01

4.169.47-2.46-6.07

3.520.000.000.00

7.2814.560.000.00

8.4611.280.000.00

2.754.794.62-2.78

7.0011.200.000.00

3.9527.040.43-5.87

8.3624.320.000.00

2.3711.850.000.00

7.384.920.000.00

5.100.860.00-0.01

6.6127.97-5.73-16.53

10.1212.65-1.9312.83

3.7618.790.000.01

0.674.700.00-0.01

6.9914.700.010.00

2.331.154.9719.29

0.0022.800.000.00

3.1612.650.00-0.01

7.3822.130.000.01

2.5518.710.00-0.01

6.1614.080.000.00

6.377.280.000.00

3.9921.453.53-13.93

3.3514.740.000.00

7.1528.46-5.75-11.66

4.3723.370.01-0.01

3.8013.690.00-0.01

8.082.440.615.46

9.0118.870.01-0.01

0.0017.000.000.00

3.7627.655.92-23.25

2.35-6.494.9331.06

7.5216.910.000.01

5.121.69-3.1116.40

3.55-6.631.3512.93

3.6520.450.00-0.01

6.8310.650.01-0.01

3.9524.490.000.00

1.7712.64-1.771.30

5.4532.20-4.60-26.25

3.5219.360.000.00

4.3210.655.6913.01

5.6430.070.000.01

12.2320.85-4.190.59

5.75-1.131.952.53

4.380.740.00-0.01

3.485.32-0.443.04

2.3725.280.000.00

0.04-0.203.2422.34

1.67-6.20-1.6717.25

0.000.010.00-0.01

7.2818.200.000.00

8.4626.320.000.00

5.3415.57-0.65-10.88

-4.4410.035.148.87

0.7312.420.00-0.01

3.8017.480.000.00

5.5312.650.00-0.01

0.0013.120.000.00

4.01-7.820.2424.82

0.872.640.010.00

7.1126.562.90-26.56

5.648.470.00-0.01

Mean4.5712.980.120.56

Median4.3412.890.000.00

Min-4.44-7.82-8.03-26.56

Max12.2332.206.4831.06

SD2.9438949.1452472.477949.57343279

CV%0.6439130.70439120.1916317.1014247

Data korelasi antara input dan target, yang ditunjukkan oleh Regresi pada ANN tool yaitu : 0.99 untuk train, 0,29 untuk validasi, dan 0,17 untuk test.Dari data yang didapat dari simulasi jaringan syaraf tiruan, dapat dicari : Performasi dari simulasi jaringan syaraf tiruan Pada simulasi jaringan syaraf tiruan ini, telah disediakan suatu parameter tersendiri yang menunjukkkan performasi jaringan syaraf tiruan dari simulasi analisa kualitas air sungai yaitu MSE dan R :Tabel 4 Performasi JSTMSERRMSE

Train2,284 x 10-50,9990.005

Validation102,2670,290510.113

Test140,5850,177211.857

Dari nilai nilai pada tabel diatas, R yang merupakan hubungan antara output dan target dimana pada bagian test simulasi jaringan syaraf tiruan memiliki korelasi yang dekat satu sama lain, pada bagian validasi memiliki korelasi yang sedikit kurang antara satu sama lain, dan pada bagian test memiliki korelasi yang kurang antara satu sama lain. Untuk nilai RMSE yang menunjukkkan rata-rata error yang terjadi pada variabel dependen (DO dan BOD), pada bagian train memiliki nilai sebesar 0,005 yang artinya memiliki nilai rata-rata error yang kecil, pada bagian validasi memiliki nilai sebesar 10.113, dan pada bagian test memiliki nilai sebesar 11,857. Nilai-nilai diatas menunjukkan bahwa : Pada bagian train dengan data yaitu 60 sampel, telah memenuhi harapan dilihat dari nilai R dan nilai RMSEnya. Sehingga, bisa dibilang untuk bagian train telah memenuhi persyaratan bahwa sistem tersebut adalah optimal. Pada bagian validasi dengan data yaitu 20 sampel, dilihat dari nilai MSE dan nilai R belum dibilang memuaskan. Selain nilai error yang besar, hubungan antara independent data dan dependent data dapat dibilang random. Hal ini bisa dikarenakan data yang dipakai memiliki variasi yang terlalu besar, dibandingkan jumlah data yang dipakai. Sehingga menyebabkan nilai error yang terlalu tinggi dan nilai korelasi yang sedikit rendah. Pada bagian test dengan data yaitu 20 sampel, dilihat dari nilai MSE dan nilai R belum dibilang memuaskan. Selain nilai error yang besar, hubungan antara independent data dan dependent data dapat dibilang random. Hal ini bisa dikarenakan data yang dipakai memiliki variasi yang terlalu besar, dibandingkan jumlah data yang dipakai. Sehingga menyebabkan nilai error yang terlalu tinggi dan nilai korelasi yang sedikit rendah.

Persebaran keluaranPada persebaran keluaran dari simulasi memakai metode ini, didapatkan beberapa grafik diantaranya adalah : Persebaran DO output

Gambar 16 Grafik Persebaran DO output Grafik DO

Gambar 17 Grafik DO target dan DO output

Persebaran BOD

Gambar 18 Grafik Persebaran BOD target Grafik BOD

Gambar 19 Grafik BOD target dan BOD outputDari keempat gambar diatas, didapatkan R atau korelasi pada DO dan BOD sebesar 0.023 dan 0.049. Nilai tersebut tergolong kecil, sehingga bisa dibilang data tersebut memiliki nilai variabel acak yang besar. Namun jika dibandingkan nilai R antara DO dan BOD target dengan DO dan BOD output hampir memiliki kesamaan. Sehingga bisa dibilang antra target dan outputmemiliki korelasi yang tinggi. Dilihat dari rata-rata error dari DO dan BOD memiliki nilai masing-masing 0,12 dan 0,56. Sehingga bisa dibilang sistem simulasi ini memiliki ketelitian hingga 0,5. Kekurangan dari menggunakan ANN tool ini adalah users tidak bisa merubah training rate yang digunakan untuk sistem jaringan syaraf tiruan ini, sehingga tidak dapat memperbaiki nilai error menjadi lebih kecil.b. Menggunakan source code M-fileDengan menggunakan source code yang tertera pada M-file yang tertera pada folder SC M-file, dengan menjalankan file AnnBp.m maka akan muncul tampilan seperti pada gambar dibawah ini :

Gambar 20 window AnnBpDengan mengatur fungsi pada setiap layer sama dengan fungsi yang digunakan sebelumnya yaitu algoritma pelatihan adalah trainlm atau menggunakan Levenberd-Marquartd algoritm. Untuk jumlah hidden neuron-nya adalah 55 dengan iterasi maksimum adalah 1000. Dilakukan percobaan dengan nilai training rate antara 0 hingga 1 dengan interval 0.2, dikarenakan pada eksperimen ini tidak dilakukan uji nilai momentum dan nilai error yang diijinkan maka untuk nilai momentum rate dan error yang diijinkan masing masing adalah 0.25 dan 0.01.i. Nilai training rate = 0Akan didapatkan hasil sebagai berikut :a. Output

Gambar 21 Output Training Rate = 0

b. Neural netork training

Gambar 22 NNT window training rate = 0c. Performasi

Gambar 23 performasi training rate = 0d. Training state

Gambar 24 training state training rate = 0

e. Regresi

Gambar 25 regresi training rate = 0ii. Nilai training rate = 0.2Akan didapatkan hasil sebagai berikut :a. Output

Gambar 26 output training rate = 0.2b. Neural netork training

Gambar 27 NNT training rate = 0.2

c. Performasi

Gambar 28 performasi training rate = 0.2d. Training state

Gambar 29 training state training rate = 0.2e. Regresi

Gambar 30 regresi training rate = 0.2

iii. Nilai training rate = 0.4Akan didapatkan hasil sebagai berikut :a. Output

Gambar 31 output training rate = 0.4b. Neural netork training

Gambar 32 NNT training rate = 0.4c. Performasi

Gambar 33 performasi training rate = 0.4

d. Training state

Gambar 34 training state training rate = 0.4e. Regresi

Gambar 35 regresi training rate = 0.4iv. Nilai training rate = 0.6Akan didapatkan hasil sebagai berikut :a. Output

Gambar 36 output training rate = 0.6

b. Neural netork training

Gambar 37 NNT training rate = 0.6c. Performasi

Gambar 38 performasi training rate = 0.6d. Training state

Gambar 39 training state training rate = 0.6

e. Regresi

Gambar 40 regresi training rate = 0.6v. Nilai training rate = 0.8Akan didapatkan hasil sebagai berikut :a. Output

Gambar 41 output training rate = 0.8b. Neural netork training

Gambar 42 NNT training rate = 0.8c. Performasi

Gambar 43 performasi training rate = 0.8d. Training state

Gambar 44 training state training rate = 0.8e. Regresi

Gambar 45 regresi training rate = 0.8

vi. Nilai training rate = 1Akan didapatkan hasil sebagai berikut :a. Output

Gambar 46 output training rate = 1b. Neural netork training

Gambar 47 NNT training rate = 1c. Performasi

Gambar 48 performasi training rate = 1

d. Training state

Gambar 49 training state training rate = 1e. Regresi

Gambar 50 regresi training rate = 1Dari data data diatas, didapatkan tabel seperti dibawah ini :Tabel 5 hasil training rateTrainingratePerformasi(MSE)Regresigradientepoch

00.04590.995920.080815

0.20.01930.985520.09848

0.40.003710.994270.09998

0.60.5330.971530.03318

0.80.4330.889760.073211

10.8330.921490.08258

Dari tabel diatas, didapatkan bahwa untuk simulasi Jaringan syaraf tiruan analisa kualitas air sungai memiliki performasi terbaik pada training rate sebesar 0.4. 30

31

BAB IVPENUTUP4.1 KesimpulanAdapun kesimpulan yang dapat diambil pada laporan ini antara lain :1. Simulasi jaringan syaraf tiruan untuk analisa kualitas air sungai memiliki nilai RMSE pada training state, validation state dan test state masing masing sebesar 0.005, 10.113, dan 11,857 dan regresi untuk training state, validation state dan test state masing masing sebesar 0.999, 0,2905, dan 0.1772.2. Simulasi ini menunjukkan performasi yang cukup baik dalam training state, namun pada validation state dan test state, simulasi ini menunjukkan performasi yang kurang memuaskan. Hal ini dikarenakan kurangnya data untuk memproses simulasi jaringan syaraf tiruan. Banyaknya data yang digunakan akan menambah variasi dari proses pembelajaran simulasi jaringan syaraf tiruan ini.3. Training rate yang paling efektif pada simulasi jaringan syaraf tiruan ini adalah 0.4.4.2 SaranAdapun saran yang dapat diambil pada laporan ini antara lain :1. Menambah banyaknya data untuk dilakukan simulasi jaringan syaraf tiruan ini.

32

DAFTAR PUSTAKA

[1] Priyono, dkk.2013.Studi Penentuan Status Mutu Air Di Sungai Surabaya Untuk Keperluan Bahan Baku Air Minum.Fakultas Teknik Pengairan.Universitas Brawijaya Malang.[2] lh.surabaya.go.id/weblh/?c=main&m=sungai diakses pada tanggal 13 desember 2015 pukul 16.35[3] Fauset, Lauret.1994.Fundamental of Neural Network.Prectice Hall.USA[4]Palani, Sundarambal dkk.2008.An ANN application for water quality forecasting.Elvesier.[5] Dogan, Emrah dkk.2008.Modeling biological oxygen demand of the Melen River in Turkey using an artificial neural network technique.Elsevier.[6] Singh, Kunwar dkk.2009.Artificial neural network modeling of the river water quality A case study.Elsevier.[7] Jiang, Yunchao dkk.2013.Risk assessment of water quality using Monte Carlo simulation and artificial neural nerwork.Elsevier.[8] DeWeber, Jefferson dkk.2014. Aregional neural network ensemble for predicting mean daily river water temperature.Elvesier.

33