NASKAH SEMINAR TUGAS AKHIR · Muslimin- Universitas Gadjah Mada ([email protected]) Page 1...

Muslimin- Universitas Gadjah Mada ([email protected])

NASKAH SEMINAR TUGAS AKHIR

KAJIAN STATUS KUALITAS AIR DI SUNGAI GAJAHWONG

DENGAN BERBAGAI INDEKS KUALITAS AIR

Disusun oleh:

MUSLIMIN

07 / 251064 / TK / 32544

JURUSAN TEKNIK SIPIL DAN LINGKUNGAN

FAKULTAS TEKNIK

UNIVERSITAS GADJAH MADA

YOGYAKARTA

2011


ABSTRAK

Indeks kualitas air atau WQI (water quality index) adalah indeks yang

menggambarkan keseluruhan kualitas air pada suatu waktu dan lokasi berdasar pada

beberapa parameter kualitas air. Tujuan utama WQI adalah untuk merubah data

parameter kualitas air yang kompleks menjadi informasi yang mudah dipahami dan

digunakan oleh masyarakat luas. Negara-negara berkembang, khususnya Indonesia

dituntut agar mampu mengembangkan WQI dengan sedikit parameter tetapi

menggambarkan keseluruhan parameter kualitas air. Hal tersebut sangat bermanfaat

untuk menghemat biaya.

New water quality index (NWQI) dikembangkan dengan menggunakan principal

component analysis (PCA) dan diaplikasikan untuk menentukan status mutu air di

Sungai Gajahwong. PCA membantu untuk memilih beberapa parameter yang mewakili

seluruh parameter kualitas air dan memberikan pembobotan pada masing-masing

parameter. Untuk perbandingan terhadap NWQI yang telah dikembangkan, status mutu

air di Sungai Gajahwong dihitung dengan menggunakan NSF-WQI dan Prakash-WQI.

Verifikasi pengkelasan dilakukan dengan membandingkan hasil pengkelasan 3 WQI

yang telah digunakan dengan pengkelasan hasil cluster analisis. Cluster analisis

mampu memberikan hasil pengkelasan yang lebih objektif karena berdasarkan pada

pendekatan statistik.

Berdasarkan hitungan PCA dipilih 5 parameter yang dominan dengan

pembobotan (Wi) sebagai berikut: Wi-NH3=0,139, Wi-Total Coliform=0,144, Wi-

EC=0,128, Wi-DO= 0,124, Wi-NO2=0,139. Verifikasi pengkelasan WQI yang telah

digunakan menunjukkan bahwa hubungan antara pengkelasan NWQI dan analisis

cluster sudah cukup baik dengan koefisien korelasi (R)=0,66 meskipun terdapat 54 %

kesalahan pengkelasan. Pengkelasan NSF-WQI memiliki hubungan yang rendah

terhadap pengkelasan cluster analisis dengan R =0,33 dan sebanyak 56 % kesalahan

pengkelasan. Sedangkan hubungan antara pengkelasan Prakash-WQI dan cluster

analisis merupakan yang paling baik di antara ketiganya dengan R=0,77 dan 23 %

kesalahan pengkelasan.

Kata kunci: water quality index, PCA, cluster analysis, NWQI, NSF-WQI, Prakash-WQI


ABSTRACT

A water quality index (WQI) is a single number (like a grade) expressing overall

water quality at a certain location and time based on several water quality parameters.

The objective of WQI is to turn complex water quality data into understandable and

useable information for public. The challenge of developing countries, such as

Indonesia, are to develop WQI using few water quality parameters to safe cost.

However, water quality parameters used must show actual water quality status.

New water quality index (NWQI) using principal component analysis (PCA) is

developed for assesses water quality status in Gajahwong river. Principal component

analysis helps to choose several parameters representing all water quality parameters

and give weighting for each water quality parameter. NSF-WQI using 7 parameters and

Prakash-WQI using 11 parameters are used as comparator. Cluster analysis are used

to evaluate and verify these index.

The analysis result chooses 5 water quality parameters representing all water

quality parameters. This parameters are: NH3, Total Coliform, EC, DO, and NO2. Each

parameter is given weighting are: Wi-NH3=0.139, Wi-Total Coliform=0.144, Wi-

EC=0.128, Wi-DO= 0.124, Wi-NO2=0.139. Evaluation and verification process using

cluster analysis show that NWQI has good correlation (R=0.66) with cluster analysis

result, although has 54 % inappropriate result. NSF-WQI has bad correlation (R=0.33)

with cluster analysis and has 58 % inappropiate result. Prakash-WQI has the best

result with coeficient of correlation (R)=0.77 and 23 % inappropiate result.

Keywords: water quality index, PCA, cluster analysis, NWQI, NSF-WQI, Prakash-

WQI


BAB I

PENDAHULUAN

1.1. Latar Belakang

Program monitoring kualitas air sungai sangat dibutuhkan untuk melindungi

kesehatan publik, menjaga sumber air bersih dan kehidupan ekosistem di sungai. Salah

satu langkah penting dalam program ini adalah mengetahui kualitas air baik secara

temporal maupun secara spasial. Akan tetapi, data kualitas air yang diperoleh dari hasil

pengukuran tidak dapat secara langsung menjelaskan status mutu air karena data

kualitas air masih berupa nilai mentah dari parameter-paramater kualitas air yang

diukur.

Beberapa ilmuwan mengembangkan sebuah metode yang digunakan untuk

mentransformasi parameter kualitas air yang berjumlah banyak menjadi nilai tunggal.

Metode tersebut dikenal dengan nama Water Quality Index (WQI) (Stambuk-Giljanovic

dalam Kannel et.al., 2007). Tujuan utama WQI adalah untuk merubah data parameter

kualitas air yang kompleks menjadi informasi yang mudah dipahami dan digunakan

oleh masyarakat luas.

Di kalangan ilmuwan penggunaan WQI untuk mengklasifikasikan kualitas air

merupakan isu yang kontroversial. Mereka berpendapat bahwa sebuah indeks tidak

dapat menggambarkan secara keseluruhan dari kualitas air karena banyak parameter

kualitas air yang tidak tercakup dalam indeks tersebut (Hendrawan, 2005). Selain itu,

WQI juga sangat subjektif karena banyak variabel dan langkah-langkah yang sangat

tergantung pada masing-masing individu yang menilai.

Dalam perkembangan selanjutnya beberapa ilmuwan menggunakan metode yang

lebih objektif untuk mengetahui karakteristik dan mengevaluasi kualitas air. Metode

yang sering digunakan yaitu metode analisis statistik multivariate. Metode ini

membantu dalam menginteprestasi data kualitas air yang kompleks dengan tinjauan

variasi temporal dan spasial dengan lebih baik (Zhou et.al. ;2006). Kelemahan metode

ini adalah memerlukan analisis dan pemahaman yang lebih rumit dibandingkan dengan

WQI.


1.2. Permasalahan

Water Quality Index (WQI) dikembangkan berdasarkan anggapan bahwa

beberapa parameter kualitas air yang dipilih cukup mewakili keseluruhan parameter

kualitas air. Negara-negara berkembang khususnya Indonesia dituntut agar mampu

mengembangkan WQI dengan sedikit parameter kualitas air tetapi menggambarkan

keseluruhan kualitas air. Hal tersebut sangat bermanfaat untuk menghemat biaya.

Berangkat dari hal tersebut, peneliti mengembangkan sebuah metode WQI yang

menggunakan analisis statistik multivariate untuk menggambarkan kualitas air di

Sungai Gajahwong. Metode ini diberi nama New Water Quality Index (NWQI). Untuk

perbandingan terhadap NWQI yang telah dikembangkan, status kualitas air di Sungai

Gajahwong juga dihitung dengan menggunakan NSF-WQI yang menggunakan 7

parameter kualitas air dan Prakash-WQI yang menggunakan 11 parameter kualitas air.

Verifikasi pengkelasan dilakukan dengan membandingkan hasil pengkelasan 3 WQI

yang telah digunakan dengan pengkelasan hasil cluster analisis. Cluster analisis mampu

memberikan hasil pengkelasan yang lebih objektif karena berdasarkan pada pendekatan

statistik.

.

1.3. Tujuan

Beberapa hal yang menjadi tujuan dari penulisan tugas akhir ini antara lain:

a. Menentukan kualitas data parameter kualitas air yang diukur di Sungai

Gajahwong oleh Badan Lingkungan Hidup DIY pada tahun 2000-2010,

b. Mengembangkan sebuah WQI yang berbasiskan data kualitas air di Indonesia

khususnya di Sungai Gajahwong.

c. Menentukan parameter-parameter kualitas air yang mewakili keseluruhan

parameter kualitas air.

d. Menentukan status kualitas air di Sungai Gajahwong dengan beberapa

NWQI, NSF-WQI dan Prakash-WQI dan membandingkan hasilnya.

1.4. Batasan Masalah

Beberapa batasan yang digunakan pada tugas akhir ini yaitu:

a. Data parameter kualitas air yang digunakan adalah hasil pengambilan sampel

di Sungai Gajahwong yang diperoleh dari Badan Lingkungan Hidup DIY.


b. Metode statistik yang digunakan untuk mengembangkan NWQI adalah

Principal Component Analysis (PCA).

c. Metode verifikasi yang digunakan adalah metode statistik yaitu analisis

kluster.

d. Kondisi lingkungan di luar parameter biologi, fisik, dan kimia tidak ditinjau

dalam penelitian ini.

BAB II

LANDASAN TEORI

2.1. Kualitas Air

Menurut Peraturan Pemerintah Republik Indonesia Nomor 82 Tahun 2001 tentang

Pengelolaan Kualitas Air dan Pengendalian Pencemaran Air menyebutkan bahwa

kualitas air merefleksikan sifat air dan kandungan makhluk hidup, zat, energi, atau

komponen lain di dalam air. Kualitas air dinyatakan dengan beberapa parameter, yaitu

parameter fisika, kimia dan biologi.

2.2. Evaluasi Data Kualitas Air

Validitas menunjukkan sejauh mana nilai yang diperoleh benar-benar menyatakan

hasil pengambilan sampel yang ingin diukur. Sedangkan reliabilitas merupakan indeks

yang menunjukkan sejauh mana suatu proses pengambilan sampel dapat dipercaya atau

dapat diandalkan. Setiap proses pengukuran seharusnya memiliki kemampuan untuk

memberikan hasil pengambilan sampel relatif konsisten dari waktu ke waktu. Uji

validitas dan reliabilitas dilakukan dengan standarisasi data dan uji outlier.

2.2.1. Standarisasi data

Standarisasi data dilakukan jika data memiliki ukuran (satuan) yang

berbeda. Pada proses standarisasi digunakan Zscore formula yang dinyatakan

dengan persamaan sebagai berikut:

=− ഥ

Dengan:

: data hasil standarisasi data ke-i ݔ : data ke –i

m : jumlah data ҧݔ : rata-rata data

S : standar deviasi


2.2.2. Uji Outlier

Uji Outlier dilakukan untuk mencari data yang secara nyata berbeda

dengan data–data yang lain. Data bisa mengalami outlier disebabkan oleh:

salah dalam memasukkan data, salah dalam mengambil sampel, atau memang

sudah begitu adanya (terjadinya kondisi ekstrim). Outlier dilakukan pada data

yang telah distandarisasi. Pada data yang berupa matriks uji outlier dilakukan

melalui dua langkah yaitu uji outlier univariate dan uji outlier multivariate.

Uji outlier univariate dilakukan pada satu variabel. Data secara

univariate dikatakan oulier apabila:

−| |ഥ

>

Dengan:

ݔ : data ke-i, ҧݔ : rata-rata data

: jumlah data : standar deviasi

: batas outlier,

Uji outlier multivariate dilakukan matriks data secara keseluruhan. Uji

outlier multivariate digunakan persamaan Mahalanobis sebagai berikut:

= −) −)(ഥ (ഥ >

dimana ܦଶ adalah jarak Mahalanobis kuadrat data ke-i dari pusat data. Data

dikatakan outlier apabila nilai jarak Mahalanobis lebih dari k. Nilai k diberikan

dengan persamaan:

= c(ࢻ,)

dimana cଶ standar untuk distribusi Chi-Kuadrat dan adalah tingkat

signifikansi biasanya digunakan 0,5.

2.3. Principal Component Analysis

Principal Component Analysis (PCA) merupakan salah satu cara untuk mereduksi

dataset yang kompleks ke dimensi yang lebih kecil dengan tetap mempertahankan

karakteristik data tersebut. Prinsip dari metode ini adalah memilih beberapa principle

component (PC) yang tinggi prioritasnya dan membuang beberapa principle component

(PC) yang rendah prioritasnya. PC yang digunakan adalah PC yang nilai eigennya lebih

dari 1.


Pada prinsipnya, masing-masing PC adalah kombinasi linier dari nilai asli (Y)

untuk sejumlah variabel (p). Masing-masing PC mengikuti persamaan sebagai berikut:

PCp = cp,1 Y1 + cp,2 Y2 + cp,3 Y3 + ... + cp,p Yp (axis Zp)

dimana ca,b adalah koefisien skor komponen untuk variabel b pada PC axis Za dan Yb

adalah nilai Y untuk variabel b.

Untuk memilih parameter yang dominan dan memberikan pembobotan

dilakukan penghitungan nilai PC-All. PC-All merupakan hasil penjumlahan dari

perkalian eigen vektor pada masing-masing PC untuk setiap variabel (parameter)

dengan % variansi pada masing-masing PC. Rumus PC-All untuk masing-masing

variabel (parameter) adalah sebagai berikut:

−ܥ ܣ = ݒܧ) × ݒ )

ଵ

dimana Evi adalah eigen vektor PC ke-i dan Vi adalah % variansi ke-i.

2.4. Analisis Cluster

Analisis cluster merupakan suatu teknik analisis statistik yang ditujukan untuk

membuat klasifikasi individu-individu atau obyek-obyek kedalam kelompok-kelompok

lebih kecil yang berbeda satu dengan yang lain. Analisis cluster membantu verifikasi

pengkelasan kualitas air. Analisis cluster secara objektif melakukan pengkelasan dengan

pendekatan statistik.

Salah satu metode yang sering digunakan dalam analisis cluster adalah K-Means

Cluster. Pada K-Means Cluster, terdapat sejumlah “k” kelompok. Pada prinsipnya

masing-masing kelompok dikelompokkan berdasarkan jarak dengan titik pusat

(centroid) pada masing-masing kelompok. Titik-titik akan dikelompokkan pada

kelompok yang jarak titik pusatnya paling dekat dengan centroid masing-masing

kelompok. Untuk menemukan centroid masing-masing kelompok dilakukan dengan

iterasi hingga didapatkan nilai-nilai yang tepat. Algoritma pada K-Means Cluster

mengikuti persamaan berikut:

= ቛࢠ()− ቛ

ୀ

ୀ


dimana adalah titik yang termasuk kedalam kluster i dan Ci adalah pusat kluster

(centroid). Secara umum centroid yang paling optimal diperoleh dari jumlah jarak yang

paling kecil. Oleh karena itu, iterasi digunakan untuk membantu menemukan centroid

yang paling optimal.

2.5. Water Quality Index (WQI)

Langkah utama dalam membentuk WQI menurut Abbasi et.al (2002) yaitu:

a. Memilih parameter yang mewakili keseluruhan parameter

b. Pemberian bobot pada masing-masing parameter.

c. Transformasi perbedaan satuan ke dalam skala biasa. Untuk melakukan

transformasi ini digunakan sub-indeks.

d. Verifikasi indeks. Fungsi langkah ini adalah mengevaluasi kecocokan indeks

dengan kualitas air yang dinilai.

Secara umum kualitas air menurut WQI dapat dikategorikan menjadi 5 peringkat

yaitu: 0-25= sangat buruk, 25-50= buruk, 50-70= sedang, 70-90= baik, 90-100= sangat

baik.

2.5.1. Prakash WQI

Kannel et.al (2007) mengembangkan Prakash-WQI di negara Nepal.

Prakash-WQI merupakan WQI yang dikembangkan dari 18 parameter kualitas air.

Pengembangan Prakash WQI berdasarkan beberapa WQI yang telah dikembangkan

sebelumnya.

=ܫ∑ ܥୀଵ

∑ ୀଵ

dimana n adalah jumlah total parameter, Ci adalah nilai yang diberikan untuk

parameter i setelah normalisasi dan Pi adalah bobot relatif yang diberikan untuk

masing-masing parameter. Nilai Pi dan Ci dapat dilihat dalam tabel di bawah ini.


Tabel 2.1. Bobot relatif (Pi) dan Faktor normalisasi (Ci) pada Prakash-WQI

ParameterBobot

relatif (Pi)

Faktor normalisasi (Ci)

100 90 70 50 25 0

pH 1 7 7–8 7–9 6–9.5 3–12 1–14

EC 1 <750 <1000 <1500 <2500 <8000 >12000

DO 4 >=7.5 >7 >6 >4 >2 <1

TDS 2 <100 <500 <1000 <2000 <10000 >20000

TSS 4 <20 <40 <80 <120 <320 >400

PO4P 1 <0.025 <0.05 <0.2 <0.5 <1.5 >2

NH4N 3 <0.01 <0.05 <0.2 <0.4 <1 >1.25

NO3 2 <0.5 <2 <6 <10 <50 >100

NO2 2 <0.005 <0.01 <0.05 <0.15 <0.5 >1

BOD 3 <0.5 <2 <4 <6 <12 >15

COD 3 <5 <10 <30 <50 <100 >150

2.5.2. NSF-WQI

NSF-WQI dikembangkan sejak tahun 1970 oleh Brown et.al. yang

mengacu pada indeks Horton (1965). WQI ini dinamakan dengan National

Sanitation Foundation Water Quality Index (NSF-WQI) karena proyek ini

mendapat dukungan sepenuhnya dari National Sanitation Foundation (NSF).

Untuk menghitung NSF-WQI digunakan persamaan berikut:

=ܫ∑ ݍୀଵ

∑ ୀଵ

qi adalah nilai q awal yang diberikan untuk masing-masing parameter. Nilai q ini

ditentukan dengan grafik sub-indeks pada masing-masing parameter. Sedangkan

Wi adalah bobot untuk masing-masing parameter. NSF-WQI dihitung

menggunakan 9 parameter dengan nilai Wi pada masing-masing parameter yaitu:

Wi-DO=0,17; Wi-Total Coliform=0,16; Wi-pH=0,11; Wi-BOD=0,11; Wi-

NO3=0,1; Wi-PO4=0,1; Wi-Turbidity=0,08; Wi-TS=0,07.


Grafik sub-indeks NSF-WQI diberikan pada gambar 2.1.

(a) (b) (c)

(d) (e) (f)

(g)

Gambar 2.1. Grafik Sub-Indeks NSF-WQI (a) DO (b) pH (c) BOD5 (d) TS (e) NO3

(f) PO4 (g) Total Coliform

q

DO: % Saturasi

q

pH

q

BOD5 (mg/l)

q

TS (mg/l)

q

NO3 (mg/l)

q

PO4 (mg/l)

q

Total Coliform (MPN)


BAB III

METODOLOGI PENELITIAN

Gambar 3.1. Flowchart penelitian

OK

Studi literatur

Pengumpulan data

Sorting data

TidakOutlier test Smoothing data

Peringkasan data

Hitungan

Prakash-WQI

Hitungan

NSF-WQI

PCA

Sub-indeks

Verifikasi

Pembahasan

selesai

Tidak

OK

Outlier test Smoothing data

Parameter dominan dan

pembobotan

Hitungan

NWQI

Standar

kualitas air

Kesimpulan

Cluster Analysis


HASIL

4.1. Evaluasi data kualitas air

Lokasi-lokasi yang dipilih untuk evaluasi dan perhitungan status mutu air

mencakup 8 lokasi yaitu: Jembatan Tanen, Jembatan Pelang, Jembatan IAIN, Jembatan

Muja-Muju, Jembatan Rejowinangun, Jembatan Tritunggal, Jembatan Wirokerten,

Jembatan Wonokromo.

dilakukan pengukuran sejak tahun 2000 hingga tahun 2010

tidak dilakukan pengukuran di Jembatan Tanen karena sungai

Selain itu, diambil

pengukuran. 12 parameter yang dipilih yaitu: Amoniak,

DHL, DO, Nitrat, Nitrit, pH, Phospahat Total, TDS, dan TSS

pengukuran yaitu: 2001, 2002, 2004, 2005, 2006, 2007, 2008

Gambar 4.1. Jumlah parameter terukur per tahun

Dari 8 lokasi pengukuran pada 8 tahun pengukuran terdapat 140 data yang

kosong dari 3264 data. Artinya ada 3,4% data yang kosong. Satu set data akan dihapus

apabila terdapat salah satu

sebanyak 217 set data dari 283.

Secara tidak langsung uji outlier menunjukkan kualitas data. Semakin banyak data

yang outlier maka data yang ada perlu evaluasi apakah terjadi kesalahan dalam proses

0

5

10

15

20

25

30

35

Jum

lah

par

ame

ter

Universitas Gadjah Mada ([email protected])

BAB IV

HASIL ANALISIS DAN PEMBAHASAN

Evaluasi data kualitas air

lokasi yang dipilih untuk evaluasi dan perhitungan status mutu air


Muju, Jembatan Rejowinangun, Jembatan Tritunggal, Jembatan Wirokerten,

Jembatan Wonokromo. 8 lokasi ini merupakan lokasi pengambilan yang kontinu

dilakukan pengukuran sejak tahun 2000 hingga tahun 2010 meskipun

tidak dilakukan pengukuran di Jembatan Tanen karena sungai dalam keadaan

itu, diambil kombinasi terbaik dengan memilih 12 parameter

. 12 parameter yang dipilih yaitu: Amoniak, Total Coliform

DHL, DO, Nitrat, Nitrit, pH, Phospahat Total, TDS, dan TSS. Sedangkan 8 tahun

pengukuran yaitu: 2001, 2002, 2004, 2005, 2006, 2007, 2008, dan 2009.




salah satu data yang kosong. Data yang terpilih

set data dari 283.



0

5

10

15

20

25

30

35

Tahun

lokasi yang dipilih untuk evaluasi dan perhitungan status mutu air


Muju, Jembatan Rejowinangun, Jembatan Tritunggal, Jembatan Wirokerten, dan

8 lokasi ini merupakan lokasi pengambilan yang kontinu

meskipun pada tahun 2006

dalam keadaan kering.

12 parameter dan 8 tahun

Total Coliform, BOD, COD,

. Sedangkan 8 tahun

, dan 2009.




data yang kosong. Data yang terpilih dalam langkah ini




analisis data atau terjadi kejadian ekstrim. Beberapa data yang sangat mencolok

perbedaannya sangat dimungkinkan terjadinya kesalahan dalam salah satu proses

analisis data. Khusus kandungan bakteri total koli yang besar dan menyebabkan banyak

data yang outlier sangat dimungkinkan karena kejadian ekstrim. Hal tersebut tidak lepas

dari masih rendahnya kesadaran sanitasi masyarakat sekitar sungai. Outlier dilakukan

hingga data tidak ada yang outlier. Dalam penelitian ini dilakukan 3 kali outlier. Jumlah

uji outiler pada masing-masing parameter dapat dilihat pada diagram di bawah ini.

Gambar 4.2. Jumlah data outlier

Hasil akhir peringkasan data menghasilkan 107 data dari 217 data yang mencakup 8

tahun pengambilan sampel dan mewakili musim kemarau dan musim hujan tiap

tahunnya.

4.2. Pengembangan NWQI

Pengembangan NWQI yang berbasiskan data Sungai Gajahwong dikerjakan

dalam dua tahap yaitu pemilihan dan pembobotan parameter yang dominan dan

pembuatan sub indeks pada masing-masing parameter. Langkah pertama dikerjakan

dengan bantuan principal component analysis sedangkah langkah ke dua dikerjakan

dengan mengkombinasikan beberapa standar kualitas air.

4.2.1. Pemilihan dan pembobotan parameter dominan

Hasil hitungan principal component analysis berupa nilai eigen, %

kumulatif varian, dan eigen vector. Hasil perhitungan eigen vector dan %

kumulatif variansi dapat dilihat pada gambar 4.3.


Gambar 4.3. Scree plot nilai eigen dan % variansi

Gambar 4.3. memperlihatkan bahwa hanya komponen PC1, PC2, dan

PC3 yang memiliki varian (atau eigenvalue) lebih besar dari 1. Komponen

pertama ini (PC1) ini dapat menjelaskan 29. 45 % keragaman data, komponen

kedua (PC2) menjelaskan 18,22% keragaman data dan komponen ketiga

menjelaskan 11.27% keragaman data. Jumlah kumulatif varian ketiga PC yang

hanya mewakili 58.9 % keragaman total data menunjukkan bahwa data yang

dianalisis kurang bagus menurut kriteria statistik.

PC-All (Tabel 4.1) memperlihatkan koefisien pembobotan masing-

masing variabel terhadap keseluruhan data. Dari hasil PC-All ditentukan 5

parameter yang paling tinggi pembobotannya. 5 parameter tersebut adalah: NH3,

Total coliform, DHL, DO dan NO2. Hubungan PCA-All dengan PC-NWQI

(Gambar 4.4) menunjukkan bahwa 5 parameter yang dipilih sudah cukup

mewakili keseluruhan parameter yang dipilih.

0

20

40

60

80

100

120

0.0

0.5

1.0

1.5

2.0

2.5

3.0

3.5

4.0

0 1 2 3 4 5 6 7 8 9 10 11 12 13

%V

aria

n

Eige

nva

lue

PC

Eigenvalue Cum. % of variance


Tabel 4.1. Tabel Eigenvector

Variable PC 1 PC 2 PC 3 PC-All* Wi-NWQI

NH3 0.326 0.234 -0.002 0.139 0.139

Total Coli 0.208 0.045 0.665 0.144 0.144

BOD 0.372 -0.151 0.262 0.112

COD 0.347 -0.175 0.107 0.082

DHL 0.442 0.106 -0.189 0.128 0.128

DO -0.247 -0.204 -0.128 -0.124 0.124

NO3 -0.187 0.507 0.157 0.055

NO2 0.365 0.217 -0.073 0.139 0.139

pH -0.162 0.194 0.336 0.026

PO4 0.029 0.387 -0.458 0.028

TDS 0.374 -0.111 -0.261 0.061

TSS 0.019 0.577 0.074 0.119

Gambar 4.4. Grafik hubungan PCA-All dengan PCA-NWQI

4.2.2. Penentuan sub-indeks (qi)

Sub-indeks sangat berguna untuk membantu pengkelasan masing-masing

parameter. Sub-indeks NWQI pada masing-masing parameter ditentukan dengan

mengkombinasikan beberapa standar kualitas air dari berbagai negara dan

berbagai peruntukan. Sub-indeks NWQI dapat dilihat pada grafik di bawah ini.

R² = 0.899

-2.0

-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

2.0

-2.0 -1.0 0.0 1.0 2.0PC

A-N

WQ

I

PCA-All


(a) (b)

(c) (d)

(e)

Gambar 4.5. Grafik Sub-Indeks NWQI (a) DHL (b) DO (c) Total

Coliform (d) NH3 (e) NO2

qi = -33.3ln(DHL) + 294.0R² = 0.976

0

20

40

60

80

100

0 4000 8000

qi

DHL

y = 0.197x3 - 3.160x2 + 29.33x -25.25, R² = 0.994

0

20

40

60

80

100

0 5 10

qi

DO (mg/l)

qi = -13.1ln(FC) + 152.7R² = 0.977

0

20

40

60

80

100

0 25000 50000 75000 100000

qi

Total Coliform (MPN)

y = -5.163(NH3)3 + 29.23(NH3)2 -74.81(NH3) + 100.7

R² = 1

0

20

40

60

80

100

0 1 2 3

qi

NH3 (mg/l)

qi = -18.9ln(NO2) + 5.734R² = 0.965

0

20

40

60

80

100

0 0.2 0.4 0.6 0.8 1

qi

NO2 (mg/l)


Dari uraian di atas diperoleh rumus umum NWQI sebagai berikut:

atau,

ൌܫ0,139qi − NH3

4.3. Perhitungan WQI

Hasil perhitungan 3 WQI yang

beda. Perbedaan terjadi pada jumlah pada tiap

NSF-WQI memiliki kelas yang lebih rendah dibandingkan dengan metode lain.

Sedangkan Prakash-WQI memiliki kelas yang lebih tinggi

lain. Hasil yang berbeda

dalam menentukan jumlah parameter, pembobotan dan pembuatan sub indeks pada

parameter yang digunakan.

Gambar 4.6. Jumlah data WQI pada tiap

Pada bagian hulu kondisi sungai yang masih relatif alami dan tidak banyak

sumber pencemar sehingga kualitas air pada ruas ini masih relatif baik. Sedangkan pada

bagian tengah terdapat banyak sumber pencemar dan merupakan ruas dengan aktivitas

manusia dan industri yang tinggi sehingga kondisi kualitas air cenderung lebih buruk.

Dan pada bagian hilir merupakan daerah pertanian sehingga kondisi sungai masih relatif

alami dan tidak banyak umber pencemaran yang ada.

dilihat ada perbaikan kualitas air

0

10

20

30

40

50

60

70

80

90

Ju

mla

h

Universitas Gadjah Mada ([email protected])


ൌܫ ൈ ݍ

ହ

ଵ

3 + 0,144qi − TC + 0,128qi − DHL + 0,124qi − DO

0,139 + 0,144 + 0,128 + 0,124 + 0,139

Perhitungan WQI

Hasil perhitungan 3 WQI yang digunakan menunjukkan hasil yang berbeda

. Perbedaan terjadi pada jumlah pada tiap-tiap kelas dan pengkelasan. Secara umum

WQI memiliki kelas yang lebih rendah dibandingkan dengan metode lain.

WQI memiliki kelas yang lebih tinggi dibandingkan dengan metode

lain. Hasil yang berbeda-beda disebabkan oleh unsur subjektivitas yang mempengaruhi


parameter yang digunakan.

Gambar 4.6. Jumlah data WQI pada tiap kelas




yang tinggi sehingga kondisi kualitas air cenderung lebih buruk.


tidak banyak umber pencemaran yang ada. Secara tidak langsung dapat

perbaikan kualitas air secara alami dari bagian tengah ke bagian hilir.

NWQI NSF-WQI Prakash-WQI

0 0 2

17

2

33

7886

72

1219

0

Sangat Baik Baik Sedang Buruk


DO + 0,139qi − NO2

digunakan menunjukkan hasil yang berbeda-

tiap kelas dan pengkelasan. Secara umum

WQI memiliki kelas yang lebih rendah dibandingkan dengan metode lain.

dibandingkan dengan metode

beda disebabkan oleh unsur subjektivitas yang mempengaruhi


kelas




yang tinggi sehingga kondisi kualitas air cenderung lebih buruk.


ecara tidak langsung dapat

dari bagian tengah ke bagian hilir.


Secara temporal kondisi kualitas air belum menunjukkan peningkatan yang

signifikan. Hal ini secara tidak langsung menunjukkan bahwa program-program yang

dilakukan oleh pemerintah untuk memperbaiki kualitas air di sungai Gajahwong belum

berhasil.

Gambar 4.7. Tren berbagai WQI di Sungai Gajahwong


5.4. Verifikasi Pengkelasan WQI

Cluster analisis membagi data yang telah distandarisasi sejumlah 3 kelas dengan

basis jarak data ke centroid (titik tengah). Pada tahap awal ditetapkan sembarang 3

centroid untuk masing-masing kelas. Hasil iterasi mendapatkan centroid yang paling

optimal. 3 titik centroid tersebut yaitu: -1,17; -0,37; dan 0,30. Verifikasi dilakukan

dengan membandingkan hasil pengkelasan WQI dengan hasil pengkelasan dengan

analisis cluster. Hasil perbandingan antara 3 WQI yang digunakan dengan hasil analisis

kluster dapat dilihat dalam gambar 3.10.

Gambar 4.8. Grafik perbandingan analisis cluster dengan beberapa WQI

Proses verifikasi terhadap WQI yang telah digunakan menunjukkan bahwa

NWQI memiliki hubungan yang cukup baik dengan hasil cluster analisis dengan

koefisien korelasi (R)=0,66 meskipun terdapat 54 % kesalahan pengkelasan. NSF-WQI

memiliki hubungan yang rendah dengan R =0,33 dan sebanyak 56 % data salah dalam

pengkelasan. Sedangkan Prakash-WQI memiliki hasil yang paling baik dengan R=0,77

dan 23 % data salah dalam pengkelasan.

30

40

50

60

70

80

90

100

0 1 2 3 4 5

WQ

I

Cluster

Prakash-WQI NSF-WQI NWQI


Gambar 4.9. Grafik hubungan Analisis cluster dengan beberapa WQI

Pendekatan secara statistik menunjukkan bahwa Prakash-WQI cukup baik

digunakan untuk menilai status mutu air di sungai Gajahwong. Sedangkan NWQI yang

dikembangkan sudah cukup baik, tetapi perlu dikembangkan dengan data yang lebih

baik kualitasnya.

BAB V

KESIMPULAN

5.1. Kesimpulan

Beberapa hal yang dapat disimpulkan pada tugas akhir ini yaitu:

a. Pengukuran data parameter kualitas air masih kurang dikelola dengan baik

terlihat adanya banyak data yang kosong dan outlier.

b. Parameter kualitas air yang dapat menggambarkan keseluruhan kualitas air di

Sungai Gajahwong yaitu: DHL, Total Coli, DO, NO2, dan NH3.

c. Metode NWQI yang dikembangkan dengan analisis statistik sudah cukup baik

untuk digunakan, akan tetapi perlu dikembangkan dengan data yang lebih baik.

d. Metode Prakash-WQI merupakan metode yang paling baik untuk diterapkan di

Sungai Gajahwong dibandingkan dengan metode NSF-WQI dan NWQI.

e. Secara spasial kualitas air Sungai Gajahwong di hulu dalam kondisi yang baik,

tengah dalam kondisi yang buruk dan hilir dalam kondisi sedang.

R² = 0.108

R² = 0.423 R² = 0.604

0.5

1

1.5

2

2.5

3

3.5

4

4.5

0.5 1 1.5 2 2.5 3 3.5

WQ

I

Cluster Analysis

Linear (NSF) Linear (NWQI) Linear (Prakash-WQI)


f. Secara temporal dari tahun 2001 hingga tahun 2009 belum ada peningkatan

kualitas air yang signifikan. Hal ini menunjukkan upaya perbaikan kualitas air di

Sungai Gajahwong belum berhasil.

5.2. Saran

Beberapa hal yang dapat kami sarankan yaitu:

a. Diperlukan pemantauan dan manajemen data kualitas air yang lebih baik

mencakup semua proses-proses yang terkait dengan data kualitas air.

b. Diperlukan data yang lebih baik untuk mengembangkan NWQI yang berbasis

analisis statistik sehingga hasilnya juga akan lebih baik.

c. Program peningkatkan kualitas air di Sungai Gajahwong masih perlu

ditingkatkan terutama pada ruas tengah sungai.

DAFTAR PUSTAKA

Abbasi, S.A, Sarkar, dan Chinmoy. 2006. Qualidex- A New Software for Generating

Water Quality Indice. Enviromental Monitoring and Assessment, 119:201-231.

Aravind, H. et al. 2010. A Simple Approach to Clustering in Excel. International Journal

of Computer Applications, 0975 – 8887

Badan Lingkungan Hidup (BLH) DIY. 2010. Laporan Analisa Data Kualitas Air

Sungai di Provinsi Daerah Istimewa Yogyakarta Tahun 2010. BLH DIY:

Yogyakarta.

Bapedalda DIY. 2007. Laporan Sumber-Sumber Pencemaran Sungai di DIY.

Bapedalda: Yogyakarta

Boyd, David R. 2006. The Water We Drink: An International Comparison of Drinking

Water Standards and Guidelines. David Suzuki Foundation: Vancouver

Effendi, H. 2003. Telaah Kualitas Air bagi Pengelolaan Sumber Daya dan Lingkungan

Perairan. Kanisius: Yogyakarta.

Hendrawan, Diana. (2005) . Kualitas Air Sungai dan Situ di DKI Jakarta. Jurnal

Makara Teknologi, 9: 13-19


Kannel, Prakash Raj, et al. 2007. Application of Water Quality Indices and Dissolved

Oxygen as Indicators for River Water Classification and Urban Impact

Assessment. Journal of Environmental Monitoring and Assessment, 132:93–110

Oram, Brian. 2011. Calculating NSF Water Quality Index. 5 Maret 2011

http://www.water-research.net/

Peraturan Pemerintah Republik Indonesia Nomor 82 Tahun 2001 Tentang Pengelolaan

Kualitas Air dan Pengendalian Pencemaran Air

Rodriguez, Caroline and Acuña, Edgar. 2011. On detection of outliers and their effect

in supervised classification. Department of Mathematics University of Puerto

Rico: Mayaguez

Shlens, Jonathon. 2005. A Tutorial on Principal Component Analysis. Institute for

Nonlinear Science, University of California: San Diego

Zhou, Feng, et al. 2003. Application of Multivariate Statistical Methods to Water

Quality Assessment of the Watercourses in Northwestern New Territories, Hong

Kong. Enviromental Monitoring and Assessment, 119:201-231.

NASKAH SEMINAR TUGAS AKHIR · Muslimin- Universitas Gadjah Mada ([email protected]) Page 1...

Documents

Transcript of NASKAH SEMINAR TUGAS AKHIR · Muslimin- Universitas Gadjah Mada ([email protected]) Page 1...