APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI KUALITAS AIR SUNGAI DI TITIK JEMBATAN JREBENG KABUPATEN GRESIK
JURNAL TEKNIK PENGAIRAN KONSENTRASI SISTEM INFORMASI SUMBER DAYA AIR
Ditujukan untuk memenuhi persyaratan memperoleh gelar Sarjana Teknik
NEVANDRIA SATRYA YUDHA NIM. 135060401111050 135060401111050
UNIVERSITAS BRAWIJAYA FAKULTAS TEKNIK MALANG 2017
Aplikasi Jaringan Syaraf Tiruan untuk Memprediksi Kualitas Air Sungai di Titik Jembatan Jrebeng Kabupaten Gresik Nevandria Satrya Yudha 1,Riyanto Haribowo2, Very Dermawan2, 1) Mahasiswa Jurusan Teknik Pengairan, Fakultas Teknik, Universitas Brawijaya 2) Dosen Jurusan Teknik Pengairan, Fakultas Teknik, Universitas Brawijaya Universitas Brawijaya-Malang, Jawa Timur, Indonesia Jalan MT.Haryono 167 Malang 65145 Indonesia e-mail:
[email protected]
ABSTRAK
Air menjadi elemen penting dalam kehidupan, kualitas serta kuantitas air harus dijaga. Kualitas air sungai sangat dipengaruhi oleh aktivitas disepanjang sungai tersebut. Penting untuk dilakukan pemantauan untuk mengetahui kondisi kualitas air. Selama ini pemantauan kualitas air dilakukan dengan alat , alat ukur terstandar serta pengukur yang berpengalaman. Metode yang dapat membantu peramalan dan pemantauan kualitas air sungai adalah metode JST (Jaringan Syaraf Tiruan). Dengan software Neurosolutions7,tujuan studi ini adalah JST digunakan untuk memprediksi kualitas air parameter (DO, BOD, COD, pH dan suhu) menggunakan input data kualitas air titik sebelumnya . Maka dibuat 3 (tiga) arsitektur, Konfigurasi I untuk output DO. 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%. Rata-rata nilai Kesalahan Relatif terendah didapatkan JST dengan persentase dataset 60-20-20 dengan epoch 5000. Kata Kunci : jaringan syaraf tiruan, kualitas air sungai, DO, BOD, COD, pH, Suhu
ABSTRAC T 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 t his 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 average value of the lowest R Relative Error is obtained by ANN with the percentage of dataset 60-20-20 with epoch 5000.
Keywords: artificial neural network, river water quality, DO, BOD, COD, pH, Temperature
1.
PENDAHULUAN D alam laporan status lingkungan hidup provinsi Jawa Timur Badan Lingkungan Hidup (BLH) provinsi jawa timur menyebutkan bahwa sumber pencemar berasal dari limbah domestik 50 %, limbah industri 40 %, limbah pertanian dll 10%. Akibat pelanggaran yang sering dilakukan beberapa industri yaitu: Pembuangan air limbah secara langsung ke lingkungan (by pass). Tidak memiliki Instalasi Pengolahan Air Limbah (IPAL). Tidak mengoperasionalkan IPAL secara optimal. Membuang 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 DAS disebabkan karena peningkatan aktivitas manusia didalamnya sehingga menjadikan kondisi kualitas air menurun dan tidak dapat dimanfaatkan secara optimal (Asdak, 2010). Studi ini mengacu pada penelitian terdahulu yang telah dilakukan 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) 2. 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 Canggu Tambangan Jembatan perning dan Jembatan Jrebeng dengan titik yang akan di prediksi di Jembatan Jrebeng terletak di Kabupaten Gresik, Provinsi Jawa Timur. Kabupaten Gresik terletak di sebelah barat laut Kota Surabaya dengan luas wilayah 1.191,25 km2 yang terbagi dalam 18 Kecamatan dan terdiri dari 330 Desa dan 26 Kelurahan. Secara geografis wilayah Kabupaten Gresik terletak antara 112o sampai 113o Bujur Timur dan 7 o sampai 8o Lintang Selatan dan merupakan dataran rendah dengan ketinggian 2 sampai 12 meter diatas permukaan air laut kecuali Kecamatan Panceng yang mempunyai
ketinggian 25 meter diatas permukaan air laut. Batas-batas wilayah Kabupaten Gresik: 1. Sebelah Utara : Laut Jawa 2. Sebelah Timur :Selat Madura dan Kota Surabaya 3. Sebelah Barat :KabupateLamongan 4. Sebelah Selatan :Kabupaten Sidoarjo dan Mojokerto
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 Dissolved Oxygen (DO), Biological Oxygen Demand (BOD), Chemical Oxygen Demand (COD), pH (Keasaman) dan T (Suhu).
Gambar 1. Titik pengamatan parameter kualitas air di Kali Surabaya
Penelitian yang dilakukan pada tiga stasiun monitoring kualitas air Perum Jasa Tirta I yaitu terletak di titik stasiun monitoring kualitas air Canggu Tambangan, titik Jembatan Perning, dan titik Jembatan Jerebeng. Deskripsi lokasinya adalah: • Canggu Tambangan Canggu tambangan terletak pada koordinat S7°26'174'' Bujur Selatan dan E112°27'593'' Bujur Timur tepatnya di desa Canggu Kecamatan Jetis Kabupaten Mojokerto, jarak antara Canggu Tambangan dengan Jembatan perning adalah 5.573 m dengan lebar sungai 21m. • Jembatan Perning Jembatan Perning terletak tepat pada koordinat S7°24'594'' Bujur Selatan dan E112°29'505'' Bujur Timur tepatnya di Kecamatan Balong Bendo Kabupaten Sidoarjo, jarak Jembatan Perning dengan
Jembatan Jrebeng adalah 11.229 m dengan lebar sungai 27m. • Jembatan Jrebeng Jembatan Jrebeng terletak pada koordinat S7°23'252'' Bujur Selatan dan E112°34'628'' Bujur Timur tepatnya di desa Krikilan Kelurahan Driyorejo Kabupaten Gresik, lebar sungai pada titik Jembatan Jrebeng adalah 28m. 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
1 2 3
Kemlaten Bakalan Krian
Koordinat Bujur Bujur Selatan Timur 7°27'05.0" 112°28'11.0" 7°24'32.0" 112°31'46.0" 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 (20062015) pada 3 stasiun terdekat lokasi pengukuran kualitas air (kemlaten, Krian, Bakalan) 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 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 analisa perhitungan 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 Keterangan: 1. Aliran sungai sebelum bercampur dengan sumber-sumber pencemar 2. Aliran sumber pencemar A 3. Aliran sumber pencemar B 4. Aliran sungai setelah bercampur dengan sumber-sumber pencemar.
3.
Analisa Dan Pembahasan
2.1. Analisa dengan Neurosolutions 7.0 1. Rekapitulasi konfigurasi 1 Tujuan dari 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 Parameter
DO
Epoch
Komposisi Dataset 50%:30%:20%
KR (%) Komposisi Dataset 60%:20%:20%
Komposisi Dataset 60%:30%:10%
1000
10.55158716
8.732685347
9.212924555
5000
4.944335653
4.50206113
7.906406992
10000
9.995746848
6.132462523
9.775963533
Sumber : Perhitungan (2017) BOD
BOD
Komposisi Dataset 50%:30%:20%
KR (%) Komposisi Dataset 60%:20%:20%
Komposisi Dataset 60%:30%:10%
1000
30.10291336
32.95481268
41.72201618
5000
33.41766023
30.90428676
30.91592952
10000
30.30117077
40.34028666
36.17760333
Sumber : Perhitungan (2017) COD
Tabel 4 Kesalahan Relatif konfigurasi 1 dengan output COD Parameter
COD
Epoch
1000 5000 10000
Komposisi Dataset 50%:30%:20% 33.309 40.099 34.663
KR (%) Komposisi Dataset 60%:20%:20% 34.067 36.006 28.534
Sumber : Perhitungan (2017)
Parameter
Epoch
Komposisi Dataset 50%:30%:20%
KR (%) Komposisi Dataset 60%:20%:20%
Komposisi Dataset 60%:30%:10%
1000
1.15084761
1.172661586
1.28617676
5000
1.14855411
0.987212556
1.350016143
10000
1.43884498
1.123473679
1.202530481
pH ( Keasaman )
Sumber : Perhitungan (2017)
Suhu
Tabel 6 Kesalahan Relatif konfigurasi 1 dengan output Suhu KR (%) Parameter
Suhu
Komposisi Dataset 50%:30%:20%
Komposisi Dataset 60%:20%:20%
Komposisi Dataset 60%:30%:10%
1000
1.317836243
1.435879275
1.382029582
5000
1.490665794
1.026700374
1.264638834
10000
1.503446927
1.29612174
1.478567149
Epoch
Sumber : Perhitungan (2017) B. Konfigurasi 1 dengan Output 3 Parameter Tabel 7 Kesalahan Relatif konfigurasi 1 dengan 3 output ( DO, pH, Suhu). Parameter
Tabel 3 Kesalahan Relatif konfigurasi 1 dengan output BOD Epoch
Tabel 5 Kesalahan Relatif konfigurasi 1 dengan output pH
KR (%)
Parameter
pH
Komposisi Dataset 60%:30%:10% 52.161 42.640 35.182
DO
Epoch
Komposisi Dataset 50%:30%:20%
Komposisi Dataset 60%:20%:20%
Komposisi Dataset 60%:30%:10%
1000
11.18333906
9.320319486
10.82094156
5000
13.3808002
10.31687311
10.58296693
10000
10.76515594
10.39753909
10.2335083
1000
1.504133073
1.397919123
1.153294225
5000
1.377302858
1.266009883
1.229819962
10000
1.410400971
1.218339828
1.367659769
1000
1.781276837
1.308435942
1.68624751
5000
1.621540868
1.273073613
1.367150868
10000
1.775965627
1.437667656
1.392271331
pH
Suhu
Sumber : Perhitungan (2017) Dari hasil analisa Jaringan syaraf tiruan pada konfigurais 1 menunjukan hasil yang baik untuk parameter DO, pH dan Suhu tetapi pada output BOD dan COD kesalahan relatifnya masih diatas 10%. Hasil terendah pada konfigurasi 1 untuk DO, pH dan Suhu terletak pada konfigurasi dengan output masing masing parameter, kemudian terletak pada Komposisi Dataset dan epoch yang sama yaitu dataset 60:20:20 dan epoch 5000
dengan nilai kesalahan relatif (KR) DO= 4.502% pH = 0.987% Suhu =1.026% 2. Hasil Konfigurasi II Hasil Konfigurasi II Menggunakan software Neurosolution 7.0 Konfigurasi II ini dilakukan untuk memprediksi kualitas air di hilir sungai dengan parameter kualitas air yang pengukurannya dilakukan di laboratorium, misalnya BOD dan COD, dengan syarat memiliki data BOD dan COD pada hulu dan hilir sungai dan data pendukung yang dapat diukur langsung seperti DO, pH, dan Suhu pada 3 section sungai yaitu hulu, tengah dan hilir serta data hujan dari beberapa stasiun hujan terdekat Proses training dan testing JST dibuat dengan bantuan software Neurosolutions 7. Berikut adalah contoh kesalahan relatif pada Konfigurasi II.
BOD
Tabel 8 Kesalahan Relatif konfigurasi 2 dengan output BOD KR (%) Parameter
Epoch
BOD
Komposisi Dataset 50%:30%:20%
Komposisi Dataset 60%:20%:20%
Komposisi Dataset 60%:30%:10%
1000
20.43645325
17.58142415
20.48278069
5000 10000
18.49018768 17.42618569
15.5857095 24.65855264
16.15056194 22.37552654
: 20. Untuk BOD Terletak pada epoch 5000 dengan kesalahan relatif 15,5857% sedangkan COD Terletak pada epoch 1000 dengan kesalahan relatif 16.909% 3. Hasil Konfigurasi III menggunakan
software Neurosolution 7.0 Konfigurasi III dilakukan untuk memprediksi parameter BOD atau COD yang tidak dapat diukur langsung di lapangan dengan data input menggunakan data yang dapat di ukur langsung di lapangan seperti DO, pH dan suhu hal ini dilakukan apabila kita ingin mengetahui kondisi terkini kualitas air BOD dan COD tanpa harus membawa sample air ke laboratorium tetapi hanya dengan input parameter DO, pH Suhu sehingga dapat menghemat waktu dan biaya Setelah dilakukan pemodelan dengan konfigurasi 3 maka didapat hasil seperti berikut:
BOD
Tabel 10 Kesalahan Relatif konfigurasi 2 dengan output BOD KR (%) Parameter
BOD
Sumber : Perhitungan (2017)
COD
Epoch
COD
KR (%) Komposisi Dataset 50%:30%:20%
Komposisi Dataset 60%:20%:20%
Komposisi Dataset 60%:30%:10%
1000
23.62489775
16.90986481
18.53690325
5000
31.45079229
27.29111167
21.0994029
10000
Komposisi Dataset 50%:30%:20%
Komposisi Dataset 60%:20%:20%
Komposisi Dataset 60%:30%:10%
1000
29.88647248
20.66660653
31.54960503
5000
32.25010657
33.2024698
50.86689672
10000
40.5637412
41.65099555
33.45807889
Sumber : Perhitungan (2017)
Tabel 9 Kesalahan Relatif konfigurasi 2 dengan output COD Parameter
Epoch
24.94862313
18.50503267
19.24865087
Sumber : Perhitungan (2017) Dari hasil analisa Jaringan syaraf tiruan pada konfigurais 2 menunjukan hasil kesalahan relatifnya masih diatas 10%. Hasil terendah pada konfigurasi 2 untuk BOD dan COD terdapat pada epoch yang berbeda tetapi masih dalam komposisi data set yang sama yaitu 60 : 20
COD
Tabel 11 Kesalahan Relatif konfigurasi 3 dengan output COD Epoch Komposisi Dataset 50%:30%:20%
KR (%) Komposisi Dataset 60%:20%:20%
1000
30.58478948
32.67784873
26.84551885
5000
38.05848467
28.62405547
28.24621827
10000
27.56680852
31.55065513
36.42694925
Parameter
COD
Komposisi Dataset 60%:30%:10%
Sumber : Perhitungan (2017) Terlihat hasil pada konfigurasi ke 3 ternyata kesalahan relatif terkecil berada di epoch yang sama, tetapi hasil masih lebih baik konfigurasi ke 2 karena pada konfigurasi ke 3 kesalahan relatifnya di atas 20%. Sehingga dapat di simpulkan bentuk arsitektur jaringan pada
konfigurasi ke 2 dapat digunakan dalam peramalan BOD dan COD
maka dapat dilihat hasil dari rekapan data dengan kesalahan relatif terkecil dibandingkan dengan data eksisting seperti beberapa tabel di bawah ini.
Setelah dilakukan 90 kali proses analisa jaringan syaraf tiruan menggunakan Neurosolution for excel
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 akan dijadikan sebagai model untuk memprediksi kualitas air yang tepat. Diperoleh untuk DO, Suhu pada
konfigurasi 1.a komposisi 60%:20%:20% sebesar DO = 4.502061 %, Suhu = 1.0267 %. Sedangkan untuk pH kesalahan relatif terkecil terletak pada konfigurasi 1.b komposisi 60%:20%:20% sebesaar 0.813059351 %.
Grafik DO output JST dan Aktual (eks) 7 6 O5 D4 i a l i 3 N 2 1 0
do model do eks 1
11
21
31
41
51
61
71
81
91
101
111
Banyak Data
Gambar 5. Grafik perbandingan DO output JST dan DO aktual
5.7 5.2 t u p t u O O D
4.7 4.2 3.7 3.2 2.7 2.7
3.2
3.7
4.2
4.7
5.2
5.7
DO Aktual
Gambar 6. Grafik sebaran data DO output JST dan DO aktual Perbandingan pH JST dan pH Eksisting PJT 10 8 H p i a l i N
6 4
pH JST
2
pH Eksisting
0
1
6 1 6 1 6 1 6 1 6 1 6 1 6 1 6 1 6 1 6 1 6 1 6 1 1 2 2 3 3 4 4 5 5 6 6 7 7 8 8 9 9 0 0 1 1 1 1 1 1
Banyak Data
Gambar 7. Grafik Perbandingan pH output JST dan pH aktual 8.5 8 t u7.5 p t u O H 7 p
6.5 6 6
6.5
7
7.5
8
pH Eksisting
Gambar 8. Grafik sebaran data pH output JST dan pH aktual
8.5
Perbandingan Suhu JST dan Suhu Eksisting PJT 40 35 30 u25 h u20 S i 15 a l i 10 N 5 0
Suhu JST Suhu Eksisting
1
9 7 5 3 1 9 7 5 3 1 9 7 5 3 1 2 3 4 4 5 6 7 8 8 9 0 1 1 1
Banyak Data Gambar 9. Grafik Perbandingan Suhu output JST dan Suhu aktual 34 33 32
t u31 p t u30 O u29 h u28 S
27 26 25 25
26
27
28
29 30 Suhu Desired
31
32
33
34
Gambar 10. Grafik sebaran data Suhu output JST dan Suhu aktual Tabel 12. Perbandingan data DO pH Suhu output dengan existing pada titik Jembatan Jrebeng Tahun
Bulan
DO
DO Aktual 5.80 5.10
pH
pH
Suhu
Suhu
JST Aktual 7.21 7.20 7.46 7.30
JST Aktual 28.61 28.50 31.03 31.00
Kesalahan Relatif (%) DO 0.41% 1.77%
Kesalahan Relatif (%) pH 0.13% 2.24%
Kesalahan Relatif (%) Suhu 0.39% 0.11%
2006 2007
Mei Mei
JST 5.78 5.19
2008
Mei
5.55
5.50
7.42
7.30
29.45
29.00
0.85%
1.62%
1.55%
2009
Mei
4.51
4.50
7.67
7.60
29.02
29.20
0.14%
0.92%
0.61%
2010
Mei
4.91
5.20
7.44
7.20
27.20
27.00
5.67%
3.34%
0.75%
2011
Mei
4.59
4.90
7.03
6.90
29.36
29.50
6.29%
1.94%
0.46%
2012
Mei
5.19
5.20
7.29
7.20
29.12
29.80
0.26%
1.20%
2.28%
2013
Mei
4.04
4.20
7.49
7.40
30.13
30.00
3.75%
1.27%
0.43%
2014
Mei
5.05
4.40
7.34
7.40
31.26
31.70
14.76%
0.83%
1.39%
2015
Mei
4.33
3.90
7.36
7.30
28.43
29.10
11.13%
0.89%
2.29%
4.5%
1.44%
1.03%
Rata-Rata Kesalahan Relatif (%)
Sumber : Perhitungan (2017)
Pemilihan dilakukan berdasarkan dari kesalahan relatif terkecil, sehingga jaringan yang kesalahan relatifnya terkecil akan digunakan untuk prediksi kualitas air di bulan mei tahun 2017 dengan penambahan data pengukuran di lapangan Tabel 13. Perbandingan hasil pemodelan tahun 2017 dengan pengukuran lapangan pada bulan mei 2017 di titik jembatan jrebeng Parameter
Nilai
DO pengukuran
7.15
DO hasil model
6.03
pH pengukuran
5.74
pH hasil model
6.47
Suhu pengukuran
29.32
Suhu hasil model
25.18
KR (%)
15.63 12.63 14.11
Sumber : Perhitungan (2017) 2.2. Analisa dengan Neraca Massa
Tabel 14. Hasil perhitungan Neraca massa Aliran
Laju Air
Parameter Keterangan DO
Suhu
pH
1
2.01
11.28
28.3
5.75
2
0.59
7.76
29.1
5.73
3
0.73
7.4
29.3
5.71
9.80
28.6
5.73
4
Data Pengukuran Lapangan Hasil Perhitungan
Sumber : Perhitungan (2017) Keterangan Aliran 1 = titik canggu tambangan Aliran 2 = tititk jembatan perning Aliran 3 = titik antara jembatan perning dengan jembatan jrebeng Aliran 4 = titik jembatan jrebeng yang di hitung Setelah melakukan perhitungan neraca massa maka akan terlihat perbandingannya dengan data pengukuran sebagai berikut. Tabel 14. Perbandingan hasil neraca massa dengan pengukuran di lapangan Nilai Bulan- Tahun
Mei - 2017
Parameter
KR
Neraca Massa
Pengukuran Lapangan
%
DO
9.81
7.15
37.172
pH
5.738
5.74
0.040
Suhu
28.66
29.32
2.248
Sumber : Perhitungan (2017)
Kemudian dibandingkan hasil diantara 3 metode yaitu pengukuran lapangan, neraca massa dan JST seperti tabel berikut Tabel 15. Hasil jaringan syaraf tiruan neraca masa dan pengukuran Nilai Bulan- Tahun
Mei - 2017
Parameter
Neraca massa
Lapangan
Model JST
DO
9.81
7.15
6.03
pH
5.74
5.74
6.47
28.66
29.32
25.18
Suhu
Sumber : Perhitungan (2017) Terlihat hasil dari ketiga metode tentu yang paling baik hasilnya adalah pengukuran di lapangan, tetapi untuk prediksi sangat di sarankan menggunakan Jaringan Syaraf Tiruan karena dapat menghemat waktu dan biaya yang dikeluarkan relatif lebih kecil dibandingkan metode pengukuran atau dengan bantuan Laboratorium. 4. 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 4.50% , pH sebesar 0.98 % dan Suhu sebesar 1.0267 % terletak di konfigurasi 1 dengan target masing – masing parameter menggunakan epoch 5000 dan komposisi dataset Training 60% - cros validation 20% - testing 20% Untuk nilai Kesalahan relatif (KR) terkecil BOD sebesar 15.58% dan COD sebesar 16.90 % dengan model konfigurasi 2 , epoch 5000, dan komposisi dataset Training 60% - cros validation 20% - testing 20%. 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 disolved oxygen (DO), nilai hasil prediksi JST sebesar 6.032 mg/l dan nilai pengukuran dilapangan sebesar 7.15 mg/l dengan kesalahan relatif 15,634%. Parameter kualitas air pH (keasaman), nilai hasil prediksi JST sebesar 6.465 dan nilai pengukuran dilapangan sebesar 5.74 dengan kesalahan relatif 12.639%. Parameter kualitas air Suhu, nilai hasil prediksi JST sebesar 25,180 dan nilai pengukuran dilapangan sebesar 29,32 dengan kesalahan relatif 14,117%
[5]
[6]
[7]
[8]
Perbandingan hasil perhitungan metode Neraca massa dengan data pengukuran dilapangan adalah : Parameter DO nilai Neraca massa sebesar 9,81 mg/l sedangkan nilai pengukuran di lapangan sebesar 7,15 mg/l dengan kesalahan relatif (KR) 37,172%. Parameter pH nilai Neraca massa sebesar5,738 sedangkan nilai pengukuran di lapangan sebesar 5.74 dengan kesalahan relatif (KR) 0,040 %. Parameter Suhu nilai Neraca massa sebesar 28.66 C˚ sedangkan nilai pengukuran di lapangan sebesar 29.32 C˚ dengan kesalahan relatif (KR) 2.248% 5. [1]
[2]
[3]
[4]
PUSTAKA Badan Lingkungan Hidup. 2011. Status Lingkungan Hidup Daerah Provinsi Jawa Timur . Surabaya : Badan Linkungan Hidup Provinsi Jawa Timur. Kusumadewi, Sri. 2003. Artificial Intelligence (Teknik dan Aplikasinya). Yogyakarta : Graha Ilmu. Kusumadewi, Sri. 2004. Membangun Jaringan Syaraf Tiruan Menggunakan MATLAB & Excel Link. Yogyakarta : Graha Ilmu. Siang, J. J. 2004. Jaringan Syaraf Tiruan dan Pemrogamannya Menggunakan Matlab. Yogyakarta.: ANDI Yogyakarta.
[9]
Yunanti, Fitria. 2010. Aplikasi Jaringan Syaraf Tiruan untuk Memprediksi Prestasi Siswa SMU dengan Metode Backpropagation. Yogyakarta. Zainal A. Hasibuan, PhD. 2007. Metodologi Penelitian Pada Bidang Ilmu Komputer Dan Teknologi Informasi. Depok: Fasilkom Universitas Indonesia. Hermawan, Arief. 2006. Jaringan Syaraf Tiruan Teori dan Aplikasi. Yogyakarta : C.V Andi OFFSET. SNI 8066.2015.Tata Cara Pengukuran debit aliran sungai dan saluran terbuka menggunakan alat ukur arus dan pelampung. Jakarta : Badan Standarisasi Nasional. Peraturan Gubernur Jatim No 12 tahun 2013. Kebijakan dan Strategi Pengelolaan Sumberdaya Air Provinsi Jawa Timur. Surabaya : Pemerintah Provinsi Jawa Timur. Peraturan Pemerintah Nomor 82 Tahun 2001. Pengelolaan Kualitas Air dan Pengendalian Pencemaran Air. Jakarta