APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI KUALITAS AIR SUNGAI DI TITIK KARANGPILANG KOTA SURABAYA JURNAL

(1)

APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI

KUALITAS AIR SUNGAI DI TITIK KARANGPILANG KOTA

SURABAYA

JURNAL

TEKNIK PENGAIRAN

KONSENTRASI SISTEM INFORMASI SUMBER DAYA AIR

Ditujukan untuk memenuhi persyaratan memperoleh gelar Sarjana Teknik

RHANDA DELIO NIM. 135060401111044

UNIVERSITAS BRAWIJAYA

FAKULTAS TEKNIK

MALANG

2017

(2)

(3)

Aplikasi Jaringan Syaraf Tiruan untuk Memprediksi Kualitas Air

Sungai di Titik Karangpilang Kota Surabaya

Rhanda Delio1,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: rhandadelio@gmail.com

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 datasettraining, crossvalidation, dan testing serta variasi epoch yang berbeda. Kemudian hasil JST dihitung persentase kesalahan relatif (KR) berdasarkan data eksisting. Hasilnya, Skenario I output DO, pH dan suhu dengan persentase KR < 10%. Skenario II dan III,

output BOD dan COD yang dihasilkan JST memiliki KR < 20%. Persentase dataset dengan KR terkecil diantaranya 60-20-20 dan 60-30-10 dengan epoch yang bervariasi paling banyak antara 1000 dan 10000.

Kata Kunci : jaringan syaraf tiruan, kualitas air sungai, DO, BOD, COD, pH, Suhu

ABSTRACT

Water becomes an important element in life, the quality and quantity of water must be maintained. The quality of river water is strongly influenced by activities along the river. It is important to monitor the condition of water quality. So far, water quality monitoring is done by means, standardized measuring instruments and experienced gauges. A method that can help forecasting and monitoring the quality of river water is the method of ANN (Artificial Neural Network). With NeuroSolutions7 software, the purpose of this study is ANN used to predict water quality parameters (DO, BOD, COD, pH and temperature) using the previous water quality data point input. Then made 3 (three) architecture, Configuration I for output DO. Scenarios II and III for BOD and COD output but with different inputs. All configurations run with training datasets, cross validation, and testing and different epoch variations. Then the ANN results calculated the percentage of relative error (KR) based on the existing data. Result, Scenario I output DO, pH and temperature with KR percentage <10%. Scenarios II and III, the output of BOD and COD produced by ANN has KR <20%. The percentage of datasets with the smallest KR among them are 60-20-20 and 60-30-10 with epoch which varies most between 1000 and 10000.

Keywords: artificial neural network, river water quality, DO, BOD, COD, pH, Temperature

PENDAHULUAN

Dalam laporan status lingkungan hidup provinsi Jawa Timur Badan Lingkungan Hidup (BLH) provinsi jawa

timur menyebutkan bahwa sumber pencemar berasal dari limbah domestik 50 %, limbah industri 40 %, limbah pertanian dll 10%. Akibat pelanggaran

(4)

yang sering dilakukan beberapa industri yaitu:

Pembuangan air limbah secara langsung ke lingkungan (by pass). Karena lokasi tidak memiliki Instalasi Pengolahan Air Limbah (IPAL). Tetapi tidak mengoperasionalkan IPAL secara optimal. Membuang yang melebihi baku mutu. Tidak memiliki ijin pembuangan limbah cair (IPLC).

(Badan Lingkungan Hidup Jawa Timur,2010)

Dalam upaya mewujudkan peraturan pemerintah tentang kebijakan dan strategi pengelolaan sumber daya air Provinsi Jawa Timur. Disebutkan bahwa salah satu upaya pengendalian pencemaran air adalah dengan cara mengembangkan dan menerapkan teknologi perbaikan kualitas air dan sistem pemantauan kuaitas air pada sumber air sebelum masuk atau dimasukan ke dalam sumber air (Peraturan Gubernur Jawa Timur Nomor 12 Tahun 2013).

Dalam upaya menangani hal tersebut perlu dilakukan kegiatan pemantauan kualitas air yang cepat akurat dan efisien sebagai acuan untuk melakukan upaya pengelolaan kualitas air sungai agar kualitas air sungai dapat membaik seiring dengan meningkatnya pengetahuan pekerjaan manusia lebih dimudahkan dengan adanya komputer. Sehingga dibutuhkan suatu inovasi baru yaitu berupa kecerdasan buatan (Artificial Intelegency) untuk mengetahui pemodelan kualitas air Sungai pada titik Jembatan Jrebeng dengan metode Jaringan Syaraf Tiruan dengan parameter kualitas air.( Kusumadewi. 2004)

Sehingga dapat memberikan informasi yang terbaru untuk memudahan dalam memprediksi kualitas air sungai. Berdasarkan peraturan perundang-undangan yang berlaku (Pasal 1 Keputusan Menteri Negara Lingkungan Hidup Nomor 115 tahun 2003), kualitas air adalah kondisi kualitatif air yang diukur dan atau di uji berdasarkan parameter-parameter tertentu serta

metode tertentu. Kualitas air dapat dinyatakan dengan parameter kualitas air yang meliputi parameter fisik, kimia, dan mikrobiologis (Masduqi, 2009).

Perubahan kondisi kualitas air pada suatu Daerah Aliran Sungai (DAS) disebabkan karena peningkatan aktivitas manusia pada lokasi didalamnya sehingga menjadikan kondisi kualitas air menurun dan tidak dapat dimanfaatkan secara optimal (Asdak, 2010).

Studi ini mengacu pada penelitian terdahulu yang telah dilakukan oleh Archana Sarkar dan Prashant Pandey dengan judul River Water Quality

Modelling using Artificial Neural

Network Technique yang dilakukan di

Sungai Yamuna, India. Kemudian dicoba untuk diterapkan pada Sungai Brantas bagian hilir namun dengan parameter tambahan yaitu COD, pH serta Suhu. (Archana Sarkar, 2015)

METODOLOGI 2.1. Lokasi Studi

Studi ini akan meramalkan kualitas air sungai pada 3 titik pantau kualitas air sungai untuk menggambarkan kondisi hulu tengah dan hilir sungai yaitu Cangkir Tambangan, Bambe Tambangan dan Karangpilang dengan titik yang akan di prediksi di Karangpilang terletak di Kota Surabaya, Provinsi Jawa Timur. Secara geografis wilayah Kota Surabaya terletak antara 112o36’00” sampai 113o54’00” Bujur Timur dan 7o09’00” sampai 8o21’00” Lintang Selatan.

Batas-batas wilayah Kota Surabaya : 1.Sebelah Utara : Selat Madura 2.Sebelah Timur : Kabupaten Sidoarjo 3.Sebelah Barat : Kabupaten Gresik 4.Sebelah Selatan : Selat Madura

2.1.1 Lokasi Pengamatan Kualitas Air Sampel parameter kualitas air yang terletak di 3 titik lokasi di aliran sungai Brantas Parameter yang diambil adalah parameter fisika berupa parameter kualitas air DO (Dissolved Oxygen), BOD (BiologicalOxygenDemand), COD

(Chemical Oxygen Demand), pH

(5)

Gambar 1. Titik pengamatan parameter kualitas air di Kali Surabaya Sumber: Peruma Jasa Tirta, 2010

Penelitian yang dilakukan pada tiga stasiun monitoring kualitas air Perum Jasa Tirta I yaitu terletak di stasiun monitoring kualitas air Cangkir Tambangan, Bambe Tambangan, dan Karangpilang. Deskripsi lokasinya adalah:

• Cangkir Tambangan

Canggu tambangan terletak pada koordinat S7°21'816'' Bujur Selatan dan E112°38'200'' Bujur Timur tepatnya di Kabupaten Gresik Kecamatan Cangkir Driyorejo, jarak antara Cangkir Tambangan dengan Bambe Tambangan adalah 3.800 m dengan lebar sungai 21m. • Bambe Tambangan

Bambe Tambangan terletak pada koordinat S7°21'071'' Bujur Selatan dan E112°39'869'' Bujur Timur tepatnya di Kecamatan Bangkingan Lakarsantri Kota Surabaya, jarak Bambe Tambangan dengan Karangpilang adalah 3.200 m dengan lebar sungai 23 m.

• Karangpilang

Karangpilang terletak pada koordinat S7°20'805'' Bujur Selatan dan E112°41'098'' Bujur Timur tepatnya di Jl. Raya Mastrip No.161, Karangpilang,

Kota Surabaya, lebar sungai pada titik Karangpilang adalah 23 m.

2.1.2 Lokasi Pos Stasiun Hujan.

Diperlukan data hujan tujuanya digunakan sebagai fata yang dijadikan bahan sebagai hubungan hujan terhadap pengencer dari limbah atau pada proses pemurnian sendiri.

Tabel 1. Koordinat pos stasiun hujan.

No Nama Stasiun Koordinat Bujur Selatan Bujur Timur 1 Ketawang 7°27'05.0" 112°28'11.0" 2 Botokan 7°24'32.0" 112°31'46.0" 3 Ketegan 7°24'29.5" 112°34'44.2"

Sumber: Dinas PU Sumber Daya Air Provinsi Jawa Timur

2.2 Metode

Pada studi ini diperlukan data-data yang mendukung guna memudahkan da-lam menganalisis permasalahan yang ter-jadi, untuk itu perlu disajikan beberapa data sebagai berikut:

1. Peta lokasi titik pengambilan sampel kualitas air

2. Data parameter kualitas air (DO, BOD, COD, pH, T (suhu)

(6)

3. Data hujan bulanan 10 tahun (2006-2015) pada 3 stasiun terdekat lokasi pengukuran kualitas air (Ketawang, Botokan, Ketegan)

Adapun metode yang digunakan studi ini yaitu:

1. Jaringan Syaraf tiruan dengan bantuan

Software Neurosolution for Excel

dengan bentuk arsitektur jaringan dan beberapa konfigurasi yang digunakan adalah sebagai berikut:

A.Input Curah hujan stasiun titik 1,2,3 + pH titik 1 dan 2 + suhu titik 1 dan 2 + DO titik 1 dan 2 untuk target tunggal DO titik 3, pH titik 3, suhu titik 3, dan gabungan 3 target DO, pH, dan suhu sekaligus

B.Input Curah hujan stasiun 1,2,3 + Suhu titik 1,2,3 + pH titik 1,2,3 + BOD titik 1,2 + COD 1,2, untuk target BOD titik 3 dan COD titik 3 C.Input Curah hujan stasiun 1,2,3 +

Suhu titik 1,2,3 + pH titik 1,2,3 + DO titik 1,2,3 untuk target BOD titik 3 dan COD titik 3

Ini merupakan gambar arsitektur jaringan pada konfigurasi 1.

Gambar 2.Arsitektur jaringan Sumber: Hasil Perhitungan, 2017 dengan:

y_ink = nilai output

W = Bobot dari hidden layer ke output

X = Neuron pada input layer

Z = Hidden layer

B = bias / unit masukan B= 1

Untuk konfigurasi lainnya yang membedakan hanya jumlah dan variasi data inputnya saja.

2. Model matematis metode Neraca Massa dapat digunakan untuk menentukan konsentrasi rata-rata aliran hilir (downstream) yang berasal dari sumber pencemar point sources

dan nonpointsources.

Gambar 3. Skema Aliran Sungai Untuk Analisa Neraca Massa

Sumber : Kementrian Lingkungan Hidup, 2003

Keterangan:

1.Aliran sungai sebelum bercampur dengan sumber-sumber pencemar

2.Aliran sumber pencemar A 3.Aliran sumber pencemar B

4.Aliran sungai setelah bercampur dengan sumber-sumber pencemar.

3.1 Analisa Dan Pembahasan 3.1.1Analisa dengan NeuroSolutions

7.0

1. Rekapitulasi konfigurasi 1

Konfigurasi I dilakukan untuk memprediksi parameter yang dapat diukur langsung di lapangan (in site) seperti DO, pH dan suhu hal ini dilakukan apabila kita ingin mengetahui kondisi terkini kualitas air titik hilirnya tanpa harus mengukur di hilir cukup dengan data pengukuran di hulu dan tengah sungai kemudian di coba juga memprediksi BOD dan COD hanya dengan input parameter DO, pH Suhu

A. Konfigurasi 1 dengan output tiap parameter

(7)

 DO

Tabel 2 Kesalahan Relatif konfigurasi 1 dengan output DO

E poch

Dataset (Train - Cross Val - Test) 50 - 30 -20 60 - 20 -20 60 -30 -10

1000 12.41 11.90 8.42

5000 12.18 8.96 10.98

10000 12.00 6.93 8.13

Sumber :Hasil Perhitungan, 2017

 pH

Tabel 3 Kesalahan Relatif konfigurasi 1 dengan output pH

Epoch Dataset (Train - Cross Val - Test) 50 - 30 -20 60 - 20 -20 60 -30 -10

1000 3.01 1.69 2.84

5000 1.73 1.73 1.79

10000 3.21 1.45 1.36

 Suhu

Tabel 4 Kesalahan Relatif konfigurasi 1 dengan output Suhu

Epoch

Dataset (Train - Cross Val - Test)

50 - 30 -20 60 - 20 -20 60 -30 -10

1000 3.54 1.18 1.07

5000 3.77 2.17 1.26

10000 2.74 2.25 1.64

Hasil terendah pada konfigurasi 1 untuk DO, pH dan Suhu terletak pada konfigurasi dengan output masing - masing parameter, Untuk parameter DO dengan dataset 60-20-20 dan epoch

10000, kemudian parameter pH pada dataset 60-30-10 dengan epoch 10000 , lalu parameter suhu pada dataset 60-30-10 dengan epoch 1000. Masing masing parameter memilki kesalhan relatif kesalahan relatif (KR) DO= 6.93% pH = 1.36% Suhu =1.07%

2. Hasil Konfigurasi II

Hasil Konfigurasi II Menggunakan

software Neurosolution 7.0 Konfigurasi

II ini dilakukan untuk memprediksi kualitas air di hilir sungai dengan parameter sampel kualitas air yang pengukurannya dilakukan langsung di laboratorium, misalnya BOD dan COD, dengan syarat memiliki data BOD dan COD pada hulu dan hilir sungai dan data pendukung yang dapat diukur langsung seperti DO,pH, dan Suhu pada 3 section sungai yaitu hulu, tengah dan hilir serta data hujan dari beberapa stasiun hujan terdekat Proses training dan testing JST dibuat dengan bantuan software NeuroSolutions7. Berikut adalah contoh kesalahan relatif pada Konfigurasi II.

 BOD

Tabel 5 Kesalahan Relatif konfigurasi 2 dengan output BOD

Epoch

50 - 30 -20 60 - 20 -20 60 -30 -10

1000 25.71 12.94 21.10

5000 29.31 21.57 15.17

10000 24.31 29.52 20.67

 COD

Tabel 6 Kesalahan Relatif konfigurasi 2 dengan output COD

Epoch

50 - 30 -20 60 - 20 -20 60 -30 -10

1000 23.28 14.95 33.93

5000 20.53 28.90 20.94

10000 17.28 15.93 24.87

Dari hasil analisa Jaringan syaraf tiruan pada konfigurais 2 menunjukan hasil kesalahan relatifnya masih diatas 10%.

Hasil terendah pada konfigurasi 2 untuk BOD dan COD terdapat pada

(8)

epoch dan komposisi data set yang sama yaitu 60-20-20 dan epoch 1000, Untuk kesalahan relatif nya sendiri BOD dengan kesalahan relatif 12,94% sedangkan COD dengan kesalahan relatif 14,95%

3. Hasil Konfigurasi III menggunakan

software Neurosolution 7.0

Konfigurasi III dilakukan untuk memprediksi parameter BOD atau COD yang tidak dapat diukur langsung di lapangan dengan data input menggunakan data yang dapat di ukur langsung di lapangan seperti DO, pH dan suhu hal ini dilakukan apabila kita ingin mengetahui kondisi terkini kualitas air BOD dan COD tanpa harus membawa sample air ke laboratorium tetapi hanya dengan input parameter DO, pH Suhu sehingga dapat menghemat waktu dan biaya

Setelah dilakukan pemodelan dengan konfigurasi 3 maka didapat hasil seperti berikut:

 BOD

Tabel 7 Kesalahan Relatif konfigurasi 2 dengan output BOD

Epoch

50 - 30 -20 60 - 20 -20 60 -30 -10

1000 17.30 19.49 25.20

5000 21.30 25.63 23.09

10000 31.79 18.97 23.81

 COD

Tabel 8 Kesalahan Relatif konfigurasi 3 dengan output COD

Epoch

50 - 30 -20 60 - 20 -20 60 -30 -10

1000 20.23 13.03 11.65

5000 22.33 20.72 26.64

10000 28.30 18.41 30.74

Terlihat hasil pada konfigurasi ke 3 ternyata kesalahan relatif terkecil berada di epoch dan konfigurasi yang berbeda, dan keduanya untuk kesalhan relatifnya masih berada di bawah 20%, sehingga dapat di simpulkan untuk parameter BOD menggunakan konfigurasi kedua dan untuk parameter COD menggunakan konfigurasi ketiga.

Setelah dilakukan 90 kali proses analisa jaringan syaraf tiruan (JST) menggunakan Neurosolution for excel

maka dapat dilihat hasil dari rekapan data dengan kesalahan relatif terkecil dibandingkan dengan data eksisting seperti beberapa tabel di bawah ini.

Gambar 4. Perbandingan mse dan epoch

Dari pemodelan konfigurasi yang telah dilakukan, maka akan dibandingkan model konfigurasi mana yang memiliki angka kesalahan relatif terkecil yang mana akan dijadikan sebagai model untuk memprediksi kualitas air yang tepat. Diperoleh untuk DO, suhu, dan pH pada konfigurasi 1 sebesar DO=6.93%, pH = 1.36%, dan Suhu =1.07%

Gambar 5. Grafik perbandingan DO output JST dan DO actual

Sumber :Hasil Perhitungan, 2017 0 2 4 6 1 8 ₁₅ ₂₂ ₂₉ ₃₆ ₄₃ ₅₀ ₅₇ ₆₄ ₇₁ ₇₈ ₈₅ ₉₂ ₉₉ 106 113 120 O ut put Banyak Data

(9)

Gambar 6. Grafik sebaran data DO output JST dan DO aktual

Gambar 7. Grafik Perbandingan pH output JST dan pH aktual

Gambar 8. Grafik sebaran data pH output JST dan pH aktual

Gambar 9. Grafik Perbandingan Suhu output JST dan Suhu aktual

Gambar 10. Grafik sebaran data Suhu output JST dan Suhu aktual

Tabel 9. Perbandingan data DO pH Suhu output dengan existing pada titik Jembatan Jrebeng

5 5.5 6 6.5 7 7.5 8 8.5 9 6 6.5 7 7.5 8 8.5 9 D O 3 O u tp u t DO 3 Eksisting 0 1 2 3 4 5 6 1 9 ₁₇ ₂₅ ₃₃ ₄₁ ₄₉ ₅₇ ₆₅ ₇₃ ₈₁ ₈₉ ₉₇ 105 113 O u tp u t Banyak Data

Perbandingan pH JST dan pH Eksisting PJT

6 6.5 7 7.5 8 8.5 9 6 6.5 7 7.5 8 8.5 9 p H 3 O u tp u t pH 3 Eksisting 0 5 10 15 20 25 30 35 1 9 ₁₇ ₂₅ ₃₃ ₄₁ ₄₉ ₅₇ ₆₅ ₇₃ ₈₁ ₈₉ ₉₇ 105 113 O u tp u t Banyak Data

Perbandingan Suhu JST dan Suhu Eksisting PJT 26 27 28 29 30 31 32 33 25 27 29 31 33 Su h u 3 O u tp u t Suhu 3 Desired

DO 3 OUTPUT DO TITIK 3 pH 3 OUTPUT pH TITIK 3 Suhu 3 OUTPUT Suhu TITIK 3 KR DO KR pH KR SUHU (mg/L) (mg/L) (mg/L) (mg/L) (mg/L) (mg/L) % % % 2006 Mei 3.681 3.700 7.117 7.100 27.336 27.400 0.509 0.243 0.233 2007 Mei 3.002 3.000 7.200 7.200 30.222 29.800 0.068 0.001 1.417 2008 Mei 4.012 4.700 7.422 7.200 29.092 28.500 14.644 3.082 2.076 2009 Mei 4.013 4.000 7.117 7.100 26.860 27.000 0.323 0.237 0.517 2010 Mei 4.011 4.000 7.119 7.000 29.634 29.200 0.276 1.695 1.488 2011 Mei 3.903 3.900 6.901 6.900 29.621 29.600 0.074 0.021 0.072 2012 Mei 3.189 4.000 7.117 7.000 30.206 30.400 20.276 1.669 0.639 2013 Mei 3.985 3.400 7.422 7.500 29.656 29.500 17.203 1.042 0.529 2014 Mei 3.423 3.900 7.422 7.200 29.968 29.800 12.219 3.082 0.562 2015 Mei 3.423 3.300 7.017 7.200 29.409 28.500 3.738 2.542 3.191 6.933 1.361 1.072 Tahun Bulan RERATA

(10)

Pemilihan dilakukan berdasarkan dari kesalahan relatif terkecil, sehingga jaringan yang kesalahan relatifnya terkecil akan digunakan untuk prediksi kualitas air di bulan mei tahun 2017 dengan penambahan data pengukuran di lapangan

Tabel 10. Perbandingan hasil pemodelan tahun 2017 dengan pengukuran lapangan pada bulan mei 2017 di titik jembatan jrebeng Parameter Nilai KR (%) DO pengukuran 5.40 27.52 DO hasil model 3.91 pH pengukuran 5.76 28.15 pH hasil model 7.38 Suhu pengukuran 29.30 2.62 Suhu hasil model 30.06

3.1.2 Analisa dengan Neraca Massa

Tabel 11. Hasil perhitungan neraca massa Aliran Laju Air Parameter Keterangan DO Suhu pH 1 1.11 6.70 28.3 5.73 Data Pengukuran Lapangan 2 0.89 5.80 29.3 5.71 3 0.78 5.30 29.3 5.72 4 6.02 29.3 5.72 Hasil Perhitungan

Keterangan

Aliran 1 = titik canggu tambangan Aliran 2 = tititk jembatan perning

Aliran 3 = titik antara jembatan perning dengan jembatan jrebeng

Aliran 4 = titik jembatan jrebeng yang di hitung

Setelah melakukan perhitungan neraca massa maka akan terlihat hasil perbandingannya antara data pengukuran lapungan dengan neraca massa dengan data pengukuran sebagai berikut.

Tabel 12. Perbandingan hasil neraca massa dengan pengukuran di lapangan Parameter Hasil Data Primer KR %

Neraca Massa Aktual

DO 6.02 5.4 11.46

pH 5.72 5.76 _0.68

Suhu 29.30 29.3 _0.00

Kemudian dibandingkan hasil diantara 3 metode yaitu pengukuran lapangan, neraca massa dan JST seperti tabel berikut

Tabel 13. Hasil jaringan syaraf tiruan neraca masa dan pengukuran

Bulan- Tahun Paramete r Nilai Neraca massa Lapanga n Model JST Mei - 2017 DO (mg/l) 6.02 5.4 3.91 pH 5.72 5.76 7.38 Suhu (C˚) 29.30 29.30 30.06

Terlihat hasil dari ketiga metode tentu yang paling baik hasilnya adalah pengukuran di lapangan, tetapi untuk prediksi sangat di sarankan menggunakan Jaringan Syaraf Tiruan karena dapat menghemat waktu dan biaya yang dikeluarkan relatif lebih kecil dibandingkan metode pengukuran atau dengan bantuan Laboratorium.

4.1 Kesimpulan

Berdasarkan analisa perhitungan dan pengujian pada model Jaringan Syaraf Tiruan dengan bantuan software

NeuroSolutions 7.0 yang dilakukan sesuai

dengan rumusan masalah pada kajian ini, maka dapat disimpulkan beberapa hal sebagai berikut:

Nilai Kesalahan relatif (KR) terkecil DO sebesar 6,93% terletak di Dataset 60-20-20 dengan epoch 10000, pH sebesar 1.36% terletak di dataset 60-30-10

(11)

dengan epoch 10000 dan Suhu sebesar 1.07 % terletak di dataset 60-30-10 dengan epoch 1000.

Untuk nilai Kesalahan relatif (KR) terkecil BOD sebesar 12.94% terletak di konfigurasi 2 dengan dataset 60-20-20 menggunakan epoch 1000 dan COD sebesar 13.03% terletak di konfigurasi 3 , dengan dataset 60-20-20 menggunakan

epoch 1000

Hasil Prediksi kualitas air parameter DO, pH dan Suhu titik jembatan jrebeng bulan mei tahun 2017 dengan model software NeuroSolution dibandingkan dengan data lapangan adalah sebagai berikut :

Parameter kualitas air DO ( disolved

oxygen), nilai hasil prediksi JST sebesar

3.91 mg/l dan nilai pengukuran dilapangan sebesar 5.4 mg/l dengan kesalahan relatif 27.52%. Parameter kualitas air pH ( keasaman), nilai hasil prediksi JST sebesar 7.3816 dan nilai pengukuran dilapangan sebesar 5.76 dengan kesalahan relatif 28.153%. Parameter kualitas air Suhu, nilai hasil prediksi JST sebesar 30.06 dan nilai pengukuran dilapangan sebesar 29,30 dengan kesalahan relatif 2.62%

Perbandingan hasil perhitungan metode Neraca massa dengan data pengukuran dilapangan adalah :

Parameter DO nilai Neraca massa sebesar 6,02 mg/l sedangkan nilai pengukuran di lapangan sebesar 5,40 mg/l dengan kesalahan relatif (KR) 11,46%. Parameter pH nilai Neraca massa sebesar 5,72 sedangkan nilai pengukuran di lapangan sebesar 5.76 dengan kesalahan relatif (KR) 0,68%. Parameter Suhu nilai Neraca massa sebesar 29.30 C˚ sedangkan nilai pengukuran di lapangan sebesar 29.30 C˚ dengan kesalahan relatif (KR) 0%

DAFTAR PUSTAKA

[1] Badan Lingkungan Hidup. 2011.

Status Lingkungan Hidup Daerah

Provinsi Jawa Timur. Surabaya :

Badan Linkungan Hidup Provinsi Jawa Timur.

[2] Kusumadewi, Sri. 2003. Artificial

Intelligence (Teknik dan

Aplikasinya). Yogyakarta : Graha Ilmu.

[3] Kusumadewi, Sri. 2004. Membangun

Jaringan Syaraf Tiruan

Menggunakan MATLAB & Excel Link. Yogyakarta : Graha Ilmu. [4] Siang, J. J. 2004. Jaringan Syaraf

Tiruan dan Pemrogamannya

Menggunakan Matlab.

Yogyakarta.: ANDI Yogyakarta. [5] Yunanti, Fitria. 2010. Aplikasi

Jaringan Syaraf Tiruan untuk Memprediksi Prestasi Siswa SMU dengan Metode Backpropagation. Yogyakarta.

[6] Zainal A. Hasibuan, PhD. 2007. Metodologi Penelitian Pada Bidang Ilmu Komputer Dan Teknologi Informasi. Depok: Fasilkom Universitas Indonesia.

[7] Hermawan, Arief. 2006. Jaringan Syaraf Tiruan Teori dan Aplikasi. Yogyakarta : C.V Andi OFFSET. [8] SNI 8066.2015.Tata Cara Pengukuran

debit aliran sungai dan saluran terbuka menggunakan alat ukur arus dan pelampung. Jakarta : Badan Standarisasi Nasional. [9] Peraturan Gubernur Jatim No 12 tahun

2013. Kebijakan dan Strategi Pengelolaan Sumberdaya Air Provinsi Jawa Timur. Surabaya : Pemerintah Provinsi Jawa Timur. [10] Peraturan Pemerintah Nomor 82

Tahun 2001. Pengelolaan Kualitas Air dan Pengendalian Pencemaran Air. Jakarta.

(12)