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

(1)

APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI

KUALITAS AIR SUNGAI DI TITIK BENDUNG GUNUNGSARI

KOTA SURABAYA

JURNAL

TEKNIK PENGAIRAN

KONSENTRASI SISTEM INFORMASI SUMBER DAYA AIR

Ditujukan untuk memenuhi persyaratan memperoleh gelar Sarjana Teknik

BAGAS ABDI IVANTORO NIM. 135060401111006

UNIVERSITAS BRAWIJAYA

FAKULTAS TEKNIK

MALANG

2017

(2)

Aplikasi Jaringan Syaraf Tiruan untuk Memprediksi Kualitas Air

Sungai di Titik Bendung Gunungsari Kota Surabaya

Bagas Abdi Ivantoro1_{,Riyanto Haribowo}2_{, Very Dermawan}2_,

1)_{Mahasiswa Jurusan Teknik Pengairan, Fakultas Teknik, Universitas Brawijaya} 2)_{Dosen Jurusan Teknik Pengairan, Fakultas Teknik, Universitas Brawijaya}

Universitas Brawijaya-Malang, Jawa Timur, Indonesia Jalan MT.Haryono 167 Malang 65145 Indonesia

e-mail: bagasabdi94@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. Konfigurasi 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, Konfigurasi I output DO, pH dan suhu dengan persentase KR < 10%. Konfigurasi II dan III, output BOD dan COD yang dihasilkan JST memiliki KR < 20%. Persentase dataset dengan KR terkecil diantaranya 50-30-20 dan 60-30-10 dengan epoch yang bervariasi paling banyak antara 5000 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. Configuration 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, Configuration I output DO, pH and temperature with KR percentage <10%. Configuration 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 50-30-20 and 60-30-10 with epoch which varies most between 5000 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 yang sering dilakukan beberapa industri yaitu:

(3)

Pembuangan air limbah secara langsung ke lingkungan (by pass), tidak memiliki Instalasi Pengolahan Air Limbah (IPAL), tidak mengoperasionalkan IPAL secara optimal, membuang limbah dengan ukuran yang melebihi baku mutu yang telah ditetapkan, serta 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 sebuah inovasi yang baru yaitu berupa kecerdasan buatan (Artificial Intelegency) digunakan untuk mengetahui pemodelan kualitas air sungai pada titik pantau kualitas air Bendung Gunungsari menggunakan metode Jaringan Syaraf Tiruan (JST) dengan input data parameter kualitas air. ( Kusumadewi. 2004)

Sehingga metode ini diharapkan dapat memberikan informasi terbaru serta memudahkan dalam memprediksi kondisi 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 yang dapat terjadi pada kondisi kualitas air di suatu DAS dapat disebabkan karena adanya 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 yaitu 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 Karangpilang Jembatan Sepanjang dan Bendung Gunungsari dengan titik yang akan di prediksi di Bendung Gunungsari terletak di Kota Surabaya, Provinsi Jawa Timur. Kota Surabaya merupakan Ibukota Provinsi Jawa Timur dengan luas wilayah 1.191,25 km2 yang meliputi daratan dengan luas 350,54 km² dan lautan seluas 190,39 km².

Kota Surabaya secara geografis berada pada 07˚09`00“ sampai 07˚21`00“ Lintang Selatan dan 112˚36` sampai 112˚54` Bujur Timur. Topografinya memiliki ketinggian tanah yang datar yaitu berkisar antara 0-20 meter di atas permukaan laut.

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

(4)

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

(Biological Oxygen Demand), COD (Chemical Oxygen Demand), pH (Keasaman) dan T (Suhu),

Gambar 1. Titik pengamatan parameter kualitas air di Kali Surabaya Sumber : Perum Jasa Tirta I

Penelitian yang dilakukan pada tiga stasiun monitoring kualitas air Perum Jasa Tirta I yaitu terletak di stasiun monitoring kualitas air Karangpilang, Jembatan Sepanjang, dan Bendung Gunungsari. Deskripsi lokasinya adalah: • Karangpilang

Lokasi ini berada pada koordinat S7°20’805” dan T112°41’098”, Jl. Raya Mastrip, Karangpilang, Kota Surabaya, Jawa Timur, . Pada kawasan ini terdapat beberapa perusahaan berskala besar.Tepat di sempadan sungai sekitar titik ini dijadikan sebagai tempat pembuangan sampah sementara oleh warga sekitar yang cukup mengganggu

• Jembatan Sepanjang

Lokasi ini berada pada koordinat S7°20’695” dan T112°41’498”, tepatnya di Jalan Jembatan Sepanjang Baru, Wonocolo, Kota Surabaya, Jawa Timur.

Pada kawasan ini tidak terdapat perusahaan yang cukup berarti seperti yang terlihat pada titik-titik sebelumnya karena merupakan area padat penduduk.. • Bendung Gunungsari

Lokasi ini berada pada koordinat S7°18’510” dan T112°43’103”, Jl. Raya Karah, Jambangan, Kota Surabaya, Jawa Timur. Pada kawasan ini tidak terdapat perusahaan karena merupakan kawasan tertib.

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.

(5)

Tabel 1. Koordinat pos stasiun hujan. No Nama Stasiun Koordinat Bujur Selatan Bujur Timur 1 Ketegan 7°27'05.0" 112°28'11.0" 2 Kebonagung 7°24'32.0" 112°31'46.0" 3 Gunungsari 7°24'29.5" 112°34'44.2"

Sumber: Dinas PU Sumber Daya Air Provinsi Jawa Timur

2.2 Metode

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

1. Peta lokasi titik pengambilan sampel kualitas air

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

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

Adapun metode yang digunakan studi ini yaitu:

1. Jaringan Syaraf tiruan dengan bantuan

Software Neurosolution7 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.

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 dengan 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 5. Skema Aliran Sungai Untuk Analisa Neraca Massa

Sumber : Kementrian Lingkungan Hidup 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.

(6)

3. Analisa Dan Pembahasan

3.1. Analisa dengan NeuroSolutions 7.0 1. Rekapitulasi konfigurasi I

Konfigurasi I ini dilakukan untuk memprediksi parameter yang dapat diukur secara 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 I dengan output tiap parameter

 DO

Tabel 2 Kesalahan Relatif konfigurasi I dengan output DO

Epoch Dataset (Train - Cross Val - Test)

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

1000 10,72 11,43 14,84

5000 13,21 20,18 18,22

10000 10,89 14,22 8,57

Sumber : Hasil Perhitungan 2017

 pH

Tabel 5 Kesalahan Relatif konfigurasi I dengan output pH

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

1000 0,98 2,23 2,22

5000 1,96 1,39 1,98

10000 1,79 2,07 1,96

Sumber : Hasil Perhitungan 2017  Suhu

Tabel 6 Kesalahan Relatif konfigurasi I dengan output Suhu

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

1000 1,48 1,38 1,60

5000 2,17 1,81 2,00

10000 1,17 1,81 1,49

B. Konfigurasi I dengan Output 3 Parameter

Tabel 7 Kesalahan Relatif konfigurasi 1 dengan 3 output ( DO, pH, Suhu).

Dari hasil analisa Jaringan syaraf tiruan pada konfigurasi I menunjukan hasil yang baik untuk parameter DO, pH dan Suhu.

Hasil terendah konfigurasi I DO, pH dan Suhu berada pada konfigurasi dengan output masing - masing parameter. Pada Komposisi Dataset dan epoch yang bervariasi yaitu antara dataset 50:30:30 dan 60:30:10 dengan epoch 1000 dan 10000 dengan nilai kesalahan relatif (KR) DO= 8.57% pH = 0.98% Suhu =1.17% 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

NeuroSolutions7. Berikut adalah contoh

kesalahan relatif pada Konfigurasi II.

Komposisi Dataset Komposisi Dataset Komposisi Dataset 50% : 30% : 20% 60% : 20% : 20% 60% : 30% : 10% 1000 13,5 11,32 11,32 5000 10,52 12,38 9,80 10000 12,71 10,58 12,10 1000 1,75 1,97 1,87 5000 1,97 2,16 1,82 10000 1,64 1,91 2,12 1000 2,09 2,08 2,06 5000 2,49 1,97 1,99 10000 2,32 2,09 2,00 pH Epoch KR Parameter DO (Dissolved Oxygen) (Suhu) T (Keasaman)

(7)

 BOD

Tabel 8 Kesalahan Relatif konfigurasi II dengan output BOD

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

1000 25,48 18,77 26,54

5000 33,11 25,03 17,37

10000 26,61 25,41 19,44

Sumber : Hasil Perhitungan 2017  COD

Tabel 9 Kesalahan Relatif konfigurasi II dengan output COD

Epoch Dataset (Train - Cross Val - Test) 50 - 30 - 20 60 - 20 - 20 60 - 30 - 10 1000 32,65 25,16 21,43

5000 40,97 31,38 41,74

10000 24,51 13,57 23,43

Dari hasil analisa Jaringan syaraf Tiruan pada konfigurasi II menunjukkan hasil kesalahan relatif yang masih diatas 10%.

Hasil terendah pada konfigurasi 2 untuk BOD dan COD terdapat pada epoch dan komposisi data set yang berbeda yaitu 60 : 30 : 10 dan 60 : 20 : 20. Untuk BOD Terletak pada epoch 5000 dengan kesalahan relatif 17,37% sedangkan COD Terletak pada epoch 10000 dengan kesalahan relatif 13.57%

3. Hasil Konfigurasi III menggunakan

Software Neurosolution 7.0

Konfigurasi III untuk memprediksi parameter BOD dan 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 sampel air ke laboratorium tetapi hanya dengan input parameter DO, pH serta Suhu sehingga dapat menghemat waktu dan biaya.

Setelah dilakukan pemodelan dengan konfigurasi III maka didapat hasil berikut:

 BOD

Tabel 10 Kesalahan Relatif konfigurasi III dengan output BOD

Epoch Dataset (Train - Cross Val - Test) 50 - 30 – 20 60 - 20 - 20 60 - 30 - 10 1000 25,15 27,13 28,32

5000 29,16 26,38 22,59

10000 19,26 31,17 32,21

 COD

Tabel 11 Kesalahan Relatif konfigurasi III dengan output COD

Epoch Dataset (Train - Cross Val - Test) 50 - 30 - 20 60 - 20 - 20 60 - 30 - 10 1000 34,48 40,83 15,70 5000 41,61 44,23 42,10

10000 37,53 40,65 39,43

Terlihat hasil pada konfigurasi ke III kesalahan relatif terkecil nya berada di epoch yang berbeda, tetapi hasil ini masih tidak lebih baik dari konfigurasi II karena jika dibandingkan, pada konfigurasi III ini kesalahan relatifnya lebih besar. Sehingga dapat di simpulkan bahwa bentuk arsitektur jaringan pada konfigurasi II dapat digunakan dalam peramalan BOD dan COD.

Setelah dilakukan 90 kali proses analisa menggunakan metode Jaringan Syaraf Tiruan dengan bantuan Software

Neurosolution for excel maka dapat dilihat

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

(8)

Gambar 2. Perbandingan mse dan epoch Sumber: Hasil Perhitungan 2017

Dari pemodelan dengan ketiga konfigurasi yang telah dilakukan, maka selanjutnya akan dibandingkan model konfigurasi dengan angka kesalahan relatif paling kecil yang akan dijadikan sebagai model untuk memprediksi kualitas air yang tepat. Diperoleh untuk parameter DO = 8,57 % pada konfigurasi I(a) dengan komposisi dataset 60% : 30% : 10%. Parameter pH = 0,98 % pada konfigurasi I(a) dengan komposisi dataset 50% : 30% : 20%. Serta parameter Suhu pada konfigurasi I(a) dengan komposisi dataset 50% : 30% : 20%.

Gambar 3. Grafik perbandingan DO output JST dan DO aktual

Sumber: Hasil Perhitungan 2017

Gambar 4. Grafik sebaran data DO output JST dan DO aktual

Gambar 5. Grafik Perbandingan pH output JST dan pH aktual

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

Sumber: Hasil Perhitungan 2017 0.00 1.00 2.00 3.00 4.00 5.00 6.00 7.00 1 9 ₁₇ ₂₅ ₃₃ ₄₁ ₄₉ ₅₇ ₆₅ ₇₃ ₈₁ ₈₉ ₉₇ 105 113 Nilai DO Jumlah Data

Perbandingan DO JST dan DO Eksisting PJT

DO JST DO Eksist ing 2.70 3.20 3.70 4.20 4.70 5.20 2.70 3.70 4.70 DO 3 O u tp u t DO 3 Desired 3 4 5 6 7 8 9 1 9 ₁₇ ₂₅ ₃₃ ₄₁ ₄₉ ₅₇ ₆₅ ₇₃ ₈₁ ₈₉ ₉₇ 105 113 Nila i p H Jumlah Data

Perbandingan pH JST dan pH Eksisting PJT pH JST pH Eksisting 6 6.5 7 7.5 8 6 6.5 7 7.5 8 p H 3 O u tp u t pH 3 Eksisting

(9)

Gambar 7. Grafik Perbandingan Suhu output JST dan Suhu aktual

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

Tabel 12. Perbandingan data DO pH dan Suhu output dengan eksisting pada titik Bendung Gunungsari

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 Bendung Gunungsari Parameter Nilai KR (%) DO pengukuran 5.17 22.44 DO hasil model 4.01 pH pengukuran 5.19 10.79 pH hasil model 5.75 Suhu pengukuran 28.3 9.16 Suhu hasil model 30.89

3.2. Analisa dengan Neraca Massa Tabel 14. Hasil perhitungan neraca massa

Titik Pantau

Laju

Air DO pH Suhu _Keterangan m/s mg/L Keasaman °C 1 0.76 7.2 5.76 29.3 Data Pengukuran Langsung 2 0.89 4.9 5.74 29.3 3 1.06 5.9 5.69 29.5 4 0.21 3.2 5.19 28.3 Jumlah 5.739 5.688 29.301 Hasil Perhitungan Sumber : Perhitungan (2017) Keterangan

Aliran 1 = titik Karangpilang Aliran 2 = tititk Jembatan Sepanjang Aliran 3 = titik antara Jembatan Sepanjang dengan Bendung Gunungsari

Aliran 4 = titik Bendung Gunungsari yang di hitung

Setelah melakukan perhitungan manual dengan metode Neraca Massa maka akan terlihat perbandingannya dengan data hasil pengukuran langsung yaitu sebagai berikut.

Tabel 14. Perbandingan hasil neraca massa dengan pengukuran di lapangan

Titik Bulan -Tahun Parameter Nilai KR % Model Lapangan Bendung Gunung sari Mei - 2017 DO (mg/l) 5.74 5.17 11.0 3 pH 5.69 5.19 9.63 Suhu (C˚) 29.3 28.3 3.53

Sumber : Hasil Perhitungan 2017 20 22 24 26 28 30 32 34 1 9 ₁₇ ₂₅ ₃₃ ₄₁ ₄₉ ₅₇ ₆₅ ₇₃ ₈₁ ₈₉ ₉₇ 105 113 Ou tp u t Banyak Data

Perbandingan Suhu JST dan Suhu Eksisting PJT Suhu JST Suhu Eksistin g 25 27 29 31 33 35 25 30 35 Su h u 3 O u tp u t Suhu 3 Desired

DO DO pH pH Suhu Suhu KR DO KR pH KR Suhu Eksisting JST Eksisting JST Eksisting JST (% ) (% ) (% )

1 2006 Mei 3 3.03 6.9 6.96 29 28.3 0.99 0.86 2.62 2 2007 Mei 2.1 2.64 7.1 7.1 31.5 31.1 20.45 0.00 1.42 3 2008 Mei 4.2 4.06 7.1 7.24 30 29.8 3.45 1.93 0.67 4 2009 Mei 2.2 2.64 7.5 7.51 27 27.4 16.67 0.13 1.60 5 2010 Mei 3.8 3.58 7.3 7.26 30 29.9 6.15 0.55 0.20 6 2011 Mei 3.9 4.01 7.1 7.04 27.9 29.1 2.74 0.85 4.19 7 2012 Mei 3.2 3.17 6.9 6.84 30.3 30.2 0.95 0.88 0.33 8 2013 Mei 2.62 2.98 7.2 7.27 31 30 12.08 0.96 3.40 9 2014 Mei 3.7 3.65 7 7.13 31 30.9 1.37 1.82 0.29 10 2015 Mei 3.1 3.45 7.3 7.16 29.5 29.3 10.14 1.96 0.65 7.50 1.00 1.54 No Tahun Bulan Rata-rata KR%

(10)

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

Titik Bulan -Tahun Parameter Nilai KR % Neraca Massa Lapangan JST Bendung Gunungsa ri Mei - 2017 DO (mg/l) 5.74 5.17 4,01 11.03 pH 5.69 5.19 5,75 9.63 Suhu (C˚) 29.3 28.3 30,8 9 3.53

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.

Kesimpulan

Berdasarkan analisa perhitungan dan pengujian pada model Jaringan Syaraf Tiruan dengan bantuan Software NeuroSolutions7.0 yang dilakukan sesuai

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

Nilai Kesalahan relatif (KR) terkecil DO sebesar 8.57% , pH sebesar 0.98 % dan Suhu sebesar 1.17 % terletak di konfigurasi I dengan target masing – masing parameter menggunakan epoch 1000 dan 10000 serta komposisi dataset Training 50% - cros validation 30% - testing 20% dan 60% - cros validation 30% - testing 10%

Untuk nilai Kesalahan relatif (KR) terkecil BOD sebesar 17.37% dan COD sebesar 13.57 % dengan model konfigurasi II , epoch 5000 dan 10000, serta komposisi dataset Training 60% - cros validation 30% - testing 10% dan 60% - cros validation 20% - testing 20%.

Hasil Prediksi kualitas air parameter DO, pH dan Suhu titik Bendung Gunungsari bulan mei tahun 2017 dengan model Software NeuroSolutions7.0 For

Excel dibandingkan dengan data lapangan

adalah sebagai berikut :

Parameter kualitas air DO ( disolved oxygen), nilai hasil prediksi JST sebesar 4.01 mg/l dan nilai pengukuran dilapangan sebesar 5.17 mg/l dengan kesalahan relatif 22,44%. Parameter kualitas air pH ( keasaman), nilai hasil prediksi JST sebesar 5.75 dan nilai pengukuran dilapangan sebesar 5.19 dengan kesalahan relatif 10.79%. Parameter kualitas air Suhu, nilai hasil prediksi JST sebesar 30,89 dan nilai pengukuran dilapangan sebesar 28,3 dengan kesalahan relatif 9,16%

Perbandingan hasil perhitungan menggunakan metode Neraca Massa dengan data pengukuran dilapangan adalah :

Parameter DO nilai Neraca massa sebesar 5,74 mg/l sedangkan nilai pengukuran di lapangan sebesar 5,17 mg/l dengan kesalahan relatif (KR) 11,03%. Parameter pH nilai Neraca massa sebesar 5,69 sedangkan nilai pengukuran di lapangan sebesar 5.19 dengan kesalahan relatif (KR) 9,63 %. Parameter Suhu nilai Neraca Massa sebesar 29.3 C˚ sedangkan nilai pengukuran di lapangan sebesar 28.3 C˚ dengan kesalahan relatif (KR) 3.53%

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

(11)

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)