Sistem Deteksi Kebocoran pada Jaringan PipaAir PDAM MenggunakanAnalisisTekanandenganMetode Support Vector Machine

(1)

Sistem Deteksi Kebocoran pada Jaringan PipaAir PDAM

MenggunakanAnalisisTekanandenganMetode

Support Vector Machine

Tri Anugrah Rahmadani1, Klarana Ulfah R.1, A. Ejah Umraeni2, Syafruddin Syarif2

1_{Program Studi S1 Teknik Informatika Universitas Hasanuddin} 2_{Program Studi S1 Teknik Elektro Universitas Hasanuddin}

Abstrak--- Tingkat pelayanan air bersih PDAM Makassar masih tergolong rendah, yaitu 106.005 sambungan atau 40% dan total rumah tangga sebanyak 262.037 KK. Hal ini disebabkan oleh seringnya terjadi kebocoran pipa.Kebocoran pipa menyebabkan terjadinya perubahan tekanan pada setiap junction node (titik persimpangan) dalam jaringan pipa air. Pola perubahan tekanan ini dapat dianalisis secara komputasi untuk dapat mendeteksi letak dan besar kebocoran yang terjadi pada jaringan pipa. Dalam penelitian ini, akan dibuat pendeteksi kebocoran pipa secara komputerisasi menggunakan analisis tekanan sebagai penentu adanya kebocoran di suatu pipa. Sebagai bahan penelitian, digunakan sistem jaringan pipa pada Perumahan Taman Khayangan Makassar yang dibuat menggunakan software EPANET 2.0. Data Sistem jaringan pipa tersebut diperoleh dari data PDAM Makassar.Deteksi kebocoran pipa dalam penelitian ini menggunakan metode Support Vector machine (SVM) untuk membuat sebuah model deteksi.Variabel prediktornya menggunakan data tekanan dari sistem jaringan pipa.Output dari sistem deteksi kebocoran ini berupa model yang mendeteksi besar kebocoran serta letak kebocoran pada pipa maupun junction/ sambungan pipa. Hasil simulasi deteksi kebocoran pipa11-38menghasilkan RMSE = 0.0709 untuk besar kebocoran dan RMSE = 0.1812 untuk letak kebocoran. Sedangkan hasil simulasi deteksi kebocoranpipa 7-8 menghasilkan RMSE= 0.0648 untuk besar kebocoran dan RMSE = 0.0952 untuk letak kebocoran.

Kata kunci--- Support Vector machine (SVM), EPANET 2.0, Kebocoran Pipa, RMSE. 1.Pendahuluan

PDAM merupakan perusahaan yang memberikan pelayanan air minum untuk penduduk wilayah kota Makassar secara keseluruhan, khususnya untuk penyediaan air bersih untuk rumah tangga. Namun, pelayanan air bersih PDAM Makassar masih tergolong rendah, yaitu 106.005 sambungan atau 40% dan total rumah tangga sebanyak 262.037 KK. Hal ini disebabkan oleh seringnya terjadi kebocoran pipa. Tingkat kebocoran rata-rata air PDAM adalah 50%. Berdasarkan Metro TV News pada tanggal 28 Mei 2013, kerugian yang diderita PDAM Kota Makassar, Sulawesi Selatan, akibat kebocoran mencapai Rp73,7 miliar sepanjang 2012 atau meningkat dibandingkan dengan 2011 senilai Rp65,9 miliar[1].Hal ini merupakan suatu masalah yang cukup serius untuk ditangani.

Sejauh ini, PDAM melakukan dua tahap untuk mendeteksi kebocoran, yaitu metode analisis pelaksanaan step test dan metode sounding[2]. Step test merupakan suatu metode yang diterapkan sebagai langkah penapisan (scoping) jaringan dalam upaya mempersempit wilayah atau area

aliran air untuk memperkirakan lokasi atau besarnya kebocoranair[3]. Step test diperlukan untuk menentukan prioritas pengawasan jaringan terhadap kebocoran. Pelaksanaan step test merupakan salah satu cara yang paling efektif untuk mengidentifikasi kebocoran air pada jaringan distribusi. Tahap selanjutnya yang dilakukan untuk menentukan letak kebocoran secara pasti dilakukan dengan teknik sounding. Teknik sounding adalah teknik dengan menggunakan alat portable yang mendeteksi gelombang suara yang timbul sepanjang pipa yang mengindikasikan adanya titik lubang kebocoran pada pipa. Namun, kedua metode tersebut terbukti tidak terlalu efektif dalam menangani kebocoran. Hal ini disebabkan oleh kurangnya tenaga kerja yang berpengalaman dan alat pendeteksi yang terbatas. Kebocoran pipa sendiri menyebabkan terjadinya perubahan tekanan pada setiap junction node (titik persimpangan) dalam jaringan pipa air. Pola perubahan tekanan ini dapat dianalisis secara komputasi untuk dapat mendeteksi

(2)

letak dan besar kebocoran yang terjadi pada jaringan pipa. Salah satu cara untuk menganalisis pola perubahan tekanan tersebut adalah dengan pemakaian metode kecerdasan buatan untuk mengenali pola berdasarkan data-data hasil pengukuran tekanan air, kecepatan aliran air dan kadang-kadang suhu di setiap node.[4]. Oleh karena itu, penulis ingin menerapkan kecerdasan buatan untuk mendeteksi kebocoran pipa dengan teknik analisis pola tekanan tersebut. Teknik pengenalan pola yang dapat digunakan untuk masalah ini adalah Support Vector Machine (SVM), yaitu metode learning machine yang bekerja atas prinsip

Structural Risk Minimization (SRM) dengan tujuan

menemukan hyperplane terbaik yang memisahkan dua buah class pada input space dan dapat mengolah data berdimensi tinggi.[5]

2. Penelitian Terkait

Penelitian yang terkait dengan penelitian ini salah satunya adalah penelitian Mahasiswa Universitas Hasanuddin Prodi Teknik Informatika, Buyamin Musfidar dan Al Ghazaly, dengan judul Sistem Deteksi Kebocoran Air pada Jaringan Pipa Menggunakan Analisis Tekanan dengan Metode Artificial Neural Network (ANN) Algoritma Radial Basis Function (2013). Metode RBFNN ini memiliki tingkat keakuratan yang tinggi, kecepatan melatih data cukup cepat dibandingkan dengan metode-metode Neural

Network lainnya. Data yang di training pada

prediksi letak dan besar kebocoran pipa ini adalah data variabel input (data tekanan pada setiap

junction pipa). Sedangkan data target yang

digunakan adalah data letak dan besar kebocoran pipa. Data yang digunakan dalam penelitian ini adalah data tekanan pada junction saat terjadi kebocoran dengan besar kebocoran berkisar antara 0-0.6 L/s. Untuk mendeteksi letak kebocoran dengan rentang besar kebocoran tersebut digunakan model per pipa berdasarkan fungsi RBFNN pada matlab dengan penentuan nilai Spread dan MN. [2]

3. Teori Dasar

3.1. Kebocoran Teknis dan Non Teknis

Tingkat kebocoran ini terdiri dari kebocoran teknik dan non teknis. Kebocoran teknik adalah kebocoran yang disebabkan oleh bocornya pipa dan perlengkapannya. Sedangkan kebocoran non teknis adalah kebocoran yang disebabkan oleh pencurian air, sambungan liar, pembacaan meter yang tidak benar, dan akurasi meter yang rendah.

3.2 Epanet

Epanet adalah program komputer yang menggambarkan simulasi hidrolis dan kecenderungan kualitas air yang mengalir di dalam jaringan pipa. Jaringan hidrolis itu sendiri terdiri dari Pipa, Node (titik koneksi pipa), pompa, katub,

dan tangki air atau reservoir.Program ini menganalisa aliran air di tiap pipa, kondisi tekanan air di tiap titik dan kondisi konsentrasi bahan kimia yang mengalir di dalam pipa selama dalam periode pengaliran. Faktor usia air (water age) dan pelacakan sumber juga dapat disimulasikan di program ini.

Epanet dapat membantu dalam mengatur strategi untuk merealisasikan qualitas air dalam suatu system. Semua itu mencakup :

 Alternatif penggunaan berbagai sumber dalam satu sistem.

 Alternatif pemompaan didalam penjadwalan pengisian/pengosongan tangki.

 Penggunaan treatment, misal khlorinasi pada tangki penyimpan.

 Pen-target-an waktu pembersihan dan penggantian pipa.

Epanet memodelkan sistem distribusi air sebagai kumpulan garis yang menghubungkan titik-titik yang di sebut sebagai node.Garis menggambarkan pipa, pompa dan katub kontrol.Sedangkan node menggambarkan sambungan (Junction), tangki, dan reservoir. 3.3 Support Vector Machine (SVM)

Support vector machine adalah salah satu

metode yang akhir-akhir ini banyak mendapat perhatian sebagai state of the art dalam pattern

recognition [6],[7]. Boser, Guyon dan Vapnik

adalah para pengembang dari metode Support

Vector Machine (SVM). Metode SVM ini

dipresentasikan pertama kali di Annual Workshop

on Computational Learning Theory pada tahun

1992.SVM berusaha mencari hyperplane yang terbaik pada input space. Prinsip dari SVM adalah

linier classifier, namun terus dikembangkan agar

dapat bekerja pada problem yang non-linier, yaitu dengan memasukkan konsep kernel trick pada ruang kerja berdimensi tinggi [5].Untuk mendapatkan hyperplane terbaik yang memisahkan kedua kelas, maka dicari margin yang paling maksimal. Margin sendiri merupakan jarak antara

hyperplane dengan pattern terdekat dari

masing-masing kelas yang disebut sebagai support vector. [8]

4. Metodologi Penelitian

4.1 Jenis Data

Data yang digunakan dalam penelitian ini adalah data perubahan tekanan pada setiapjunction/persimpangan pipa dan saluran pipa yang terletak di perumahan Taman Khayangan Makassar pada saat terjadi kebocoran.Data tekanan ini yang kemudian digunakan untuk memprediksi letak dan besar kebocoran yang terjadi pada

(3)

jaringan pipa dengan menerapkan metode Support

Vector Machine (SVM).

Dalam proses pengolahan data dengan metode Support Vector Machine (SVM) untuk memperoleh hasil prediksi yang baik dengan tingkat akurasi yang tinggi, sangat memerlukan banyak data training sehingga dibutuhkan data kebocoran pipa secara aktual yang terdapat di lapangan sebagai data Training yang dapat diperoleh dari hasil simulasi dengan menggunakan software jaringan pipa yaitu EPANET 2.0 yang merupkan software sistem hidrolik yang digunakan oleh PDAM dalam hal monitoring jaringan pipa. 4.2 Teknik Pengambilan Data

Dalam hal teknik pengambilan data, terdapat beberapa hal yang harus dilakukan diantaranya yaitu membuat sebuah jaringan pipa dengan mengguakan software EPANET 2.0 dengan mengatur data masukan yang telah diperoleh dari PDAM kota Makassar berupa besar debit air pada reservoir yang merupakan sumber utama aliran air pada jaringan pipa, panjang dan diameter pipa, besarnya elevasi dan demand (kebutuhan air rata-rata pada setiap junction), dan tingkat kekasaran/roughness pada setiap pipa sesuai dengan data di lapangan dari yang terletak di Perumahan Taman Khayangan Makassar.

Gambar 4.1 Tahapan Pengumpulan Data

Gambar 4.2 Sistem Jaringan Pipa Perumahan Taman Khayangan Makassar dengan menggunakan software EPANET 2.0

Setelah sistem jaringan pipa telah selesai dirancang dengan software EPANET 2.0, maka tahap selajutnya yang akan dilakukan yaitu membuat simulasi kebocoran dengan mengubah koefisien emitter pada junction yang akan dijadikan sebagai titik kebocoran. Emitters adalah peralatan yang berkaitan dengan junction yang merupakan model dari aliran yang melalui nozzle atau orifice yang dilepaskan ke udara bebas. Fungsi emitter pada EPANET adalah sebagai berikut:

EC = Q/ P P exp

Di mana EC adalah koefisien emitter, Q adalah debit air, P adalah tekanan fluida, P exp adalah eksponen tekanan.Sehingga koefisien emitter merupakan debit per unit tekanan dengan satuan liter per detik per meter tekanan (L s-1 m-1).Untuk

head nozzle dan sprinkler P exp sebanding dengan

0,5.Koefisien emitter yang digunakan untuk training simulasi kebocoran adalah dari 0.0005 sampai 0.01 dengan selang 0.0005. Besar tekanan rata-rata pada jaringan pipa adalah 15.81486172 m. Sehingga untuk koefisien emitter 0.0005 menghasilkan kebocoran sebesar 0.007 L/s. Jadi, besar kebocoran yang disimulasikan berkisar antara 0.007 L/s hingga 0.14 L/s. Simulasi kebocoran pipa dilakukan pada dua pipa, yaitu pipa 11-38 dan pipa 7-8. Simulasi kebocoran pertama (pipa 11-38) dibuat sebanyak 29 set kasus kebocoran pada junction dan 580 set kasus kebocoran pada pipa, serta simulasi kebocoran pipa kedua (pipa 7-8) dibuat sebanyak 25 set kasus kebocoran pada junction dan 100 set kasus kebocoran pada pipa. Kedua kebocoran pipa dilakukan disetiap titik kebocoran berjarak 4 meter dengan koefisien emitter sebesar 0.0005 – 0.01. Jadi, secara keseluruhan terdapat 19320 data kebocoran untuk besar dan letak kebocoran yang beragam.

4.3 Metodologi

Penelitian dengan metode SVMyang dilakukan bertujuan untuk memperoleh data yang akurat dalam memprediksi letak dan besarnya kebocoran pada saluran pipa dari junction/ persimpangan pipa berdasarkan data perubahan tekanan normal pada saat terjadi kebocoran pada setiap junction maupun pada setiap jarak 4 meter saluran pipa sesuai data real di lapangan.

Mulai

Stop

Pengumpulan Data Sistem Jaringan Perpipaan PDAM Perumahan Taman

Khayangan Kota Makassar

Pembuatan Simulasi Kebocoran menggunakan

software EPANET 2.0

Pengolahan data tekanan pada jaringan pipa hasil simulasi kebocoran ke dalam Microsoft

(4)

Gambar 4.3 Tahapan Penelitian Secara Umum 4.4 Implementasi Support Vector Machine (SVM)

Pemilihan metode penelitian sistem

Support Vector Machine (SVM) dilakukan dengan

pertimbangan sifatnya yangglobal optima, yaitu memberikan model yang sama dan solusi dengan margin maksimal. SVM juga tidak membutuhkan pemilihan parameter-parameter seperti pada metode ANN. SVM menghasilkan prediksi letak dan besar kebocoran pipa dalam bentuk nilai kuantitatif yaitu hasil prediksi berupa numerik.

SVM berusaha mencari hyperplane yang terbaik pada input space. Untuk mendapatkan

hyperplane terbaik yang memisahkan kedua kelas,

maka dicari margin yang paling maksimal. Margin sendiri merupakan jarak antara hyperplane dengan pattern terdekat dari masing-masing kelas yang disebut sebagai support vector.

Prinsip dari SVM adalah linier classifier, namun terus dikembangkan agar dapat bekerja pada problem yang non-linier, yaitu dengan memasukkan konsep kernel trick pada ruang kerja berdimensi tinggi. [5]

Kernel trick memberikan berbagai

kemudahan, karena dalam proses pembelajaran SVM, untuk menentukan support vector, cukup mengetahui fungsi kernel yang dipakai, dan tidak perlu mengetahui wujud dari fungsi non-linier Φ.

Setelah pengambilan data, kemudian dilakukan perancangan sistem SVM menggunakan aplikasi Matlab R2008a.

Gambar 4.4 Diagram alir Support Vector Machine (SVM)

5. Hasil dan Pembahasan

5.1 Analisis Hasil Prediksi Besar dan Letak Kebocoran dengan Support Vector Machine (SVM) Pelatihan pada metode Support Vector

Machine (SVM) untuk pipa 1138 bertujuan agar

sistem ini dapat mempelajari pola data dari junction 1 sampai 29 pada masing-masing besar kebocoran dan letak kebocoran. Data training yang digunakan adalah data inputan berupatekanan dari junction 1 sampai 29 yang disimbolkan dengan data_ins, sedangkan data_lab untuk besar kebocoran dan letak kebocoran. Data inputan ini kemudian diolah dengan kernel Radial Basis Function (RBF). Tujuan penentuan kernel adalah untuk memudahkan proses pembelajaran SVM dan untuk menentukan support vector. Proses prediksi letak dan besar kebocoran pada junction/persimpangan pipa maupun pada saluran pipa dalam sistem ini menggunakan 1 variabel input, yaitu data tekanan pada setiap junction. Untuk mendeteksi kebocoran yang terjadi pada pipa yang berbeda menggunakan model yang berbeda pula.Hal ini disebabkan oleh

Mulai ulai

Input data_ins (Tekanan

pada setiap node)

Pemetaan fitur data awal ke dimensi yang lebih tinggi dengan menggunakan

kernel Radial Basis Function (RBF)

Nilai Alpha

Nilai w

Nilai b

RMSE

Terkecil

Input data_lab (besar

kebocoran atau letak kebocoran)

Nilai prediksi dan grafik

ya

tidak

Mulai Stop Pembentukan model SVM Pengumpulan dan pengolahan data

tekanan tiap junction pada saat terjadi kebocoran pipa

Pembuatan Interface Sistem Deteksi Kebocoran menggunakan

GUIDE MATLAB

(5)

pola perubahan tekanan pada junction saat terjadi kebocoran berbeda untuk setiap pipa.

Langkah-langkah dalam proses pelatihan

Support Vector Machine adalah sebagai berikut :

1. Memuat data setiap variable input dari data tekanan pipa sebagai data training, dimana data inputannya merupakan data dari tiap junction dan data target merupakan besar dan letak kebocoran. 2. Menghitung matriks kernel dengan kernel

Radial Basis Function (RBF) untuk

menghasilkan nilai K. 3. Mencari nilai a yang optimal.

4. Penentuan Super vector, yaitu jika a≠0 5. Mencari nilai w dan b menggunakan super

vector yang telah di tentukan.

Hasil prediksi besar dan letak kebocoran data training sebagai data uji pada pipa 11-38 (pipa dari junction 11 sampai junction 38) dapat dilihat pada gambar berikut.

Gambar 5.1 grafik hasil prediksi besar kebocoran dengan data training sebagai data uji pada pipa 11-38

.

Gambar 5.2 grafik hasil prediksi letak kebocoran dengan data training sebagai data uji pada pipa 11-38.

Berikut adalah sampel hasil prediksi besar dan letak kebocoran data uji diluar data training pada pipa 11-38 yang diambil secara acak.

Tabel 5.1 hasil prediksi besar dan letak kebocoran pada pipa 11-38 dengan data uji diluar data training. Aktual Prediksi Koefisien Emitter Jarak dari junc 11 Koefisien Emitter Jarak dari junc 11 0.0005 5 0.0005 4 0.0092 5 0.0095 4 0.0064 7 0.0065 8 0.0041 13 0.004 12 0.0025 23 0.0025 20 0.0055 23 0.0055 32 0.0071 25 0.007 24 0.0059 37 0.006 36 0.0091 39 0.009 40 0.0031 41 0.003 44 0.0032 98 0.004 116 0.0014 111 0.002 112

Gambar 5.3 grafik hasil prediksi besar kebocoran data uji diluar data training pada pipa 11-38.

(6)

Gambar 5.4 grafik hasil prediksi letak kebocoran data uji diluar data training pada pipa 11-38.

Validasi merupakan proses yang dilakukan untuk melihat kehandalan model dalam melakukan prediksi. Besar kesalahan (error) hasil prediksi dari model yang terbentuk dapat diketahui dengan menggunakan perhitungan RMSE (Root Mean

Square Error). Besarnya nilai error menunjukkan

besar perbedaan antara hasil prediksi dengan data aktual. Semakin kecil nilai RMSE maka semakin akurat prediksi yang dihasilkan.Untuk mengetahui perbandingan tingkat keakuratan kinerja dari prediksi metode Support Vector Machine

(SVM)dapat dilihat dari nilai Root Mean Square

Error (RMSE).Untuk menghitung RMSE

dilakukan oleh SVM.Adapun perhitungannya menggunakan rumus sebagai berikut:

𝑅𝑀𝑆𝐸 = 1 𝑁 𝑃 − 𝑎 2 -𝑛 𝑖=1 𝑃𝑚𝑎𝑥 − 𝑃𝑚𝑖𝑛 Dimana :

N : Jumlah data masukan P : Nilai aktual

a : Nilai hasil prediksi Pmax : Nilai maksimal data aktual Pmin : Nilai minimum data aktual Setelah dilakukan perhitungan prediksi data training sebagai data uji pada pipa 11-38 dengan Support Vector Machine (SVM), didapatkan nilai RMSE = 1.0739e-007 = 0.00000010379 untuk prediksi besar kebocoran dan nilai RMSE = 0.0269 untuk prediksi letak kebocoran.

Adapun untuk data uji diluar data training menghasilkan RMSE = 0.0709 untuk besar kebocoran dan RMSE = 0.1812 untuk letak kebocoran.

Untuk pelatihan metode Support Vector

Machine (SVM) pada pipa 7-8 bertujuan agar

sistem ini dapat mempelajari pola data dari junction

1 sampai 40 pada masing-masing besar kebocoran dan letak kebocoran. Data training yang digunakan adalah data inputan berupa tekanan dari junction 1 sampai 40 yang disimbolkan dengan data_ins, sedangkan data_lab untuk besar kebocoran dan letak kebocoran. Data inputan ini kemudian diolah dengan kernel RBF. Tujuan penentuan kernel adalah untuk memudahkan proses pembelajaran SVM dan untuk menentukan support vector. Proses prediksi letak dan besar kebocoran pada junction/persimpangan pipa maupun pada saluran pipa dalam sistem ini menggunakan 1 variabel

inputyaitu data tekanan pada setiap junction.

Untuk mendeteksi kebocoran yang terjadi pada pipa yang berbeda menggunakan model yang berbeda pula.Hal ini disebabkan oleh pola perubahan tekanan pada junction saat terjadi kebocoran berbeda untuk setiap pipa.

Hasil prediksi besar dan letak kebocoran data training sebagai data uji pada pipa 7-8 (pipa dari junction 7 sampai junction 8) dapat dilihat pada gambar berikut.

Gambar 5.5 grafik hasil prediksi besar kebocoran data training sebagai data uji pada pipa 7-8.

Gambar 5.6 grafik hasil prediksi letak kebocoran data training sebagai data uji pada pipa 7-8.

(7)

Berikut adalah sampel hasil prediksi besar dan letak kebocoran data uji diluar data training pada pipa 7-8 yang diambil secara acak.

Tabel 5.2 hasil prediksi besar dan letak kebocoran pada pipa 7-8 dengan data uji diluar data training Aktual Prediksi Koefisien Emitter Jarak dari junc 7 Koefisien Emitter Jarak dari junc 7 0.0034 5 0.0035 4 0.01 7 0.01 8 0.0013 14 0.0015 12 0.0012 17 0.001 16 0.0021 21 0.002 20 0.0055 20 0.0054 21 0.0055 20 0.0056 21 0.0065 20 0.0063 21 0.0070 20 0.0072 21 0.0075 20 0.0077 21 0.0085 20 0.0084 21

Gambar 5.7 grafik hasil prediksi besar kebocoran data uji diluar data training pada pipa 7-8.

Gambar 5.8 grafik hasil prediksi letak kebocoran data uji diluar data training pada pipa 7-8.

Validasi merupakan proses yang dilakukan untuk melihat kehandalan model dalam melakukan prediksi. Besar kesalahan (error) hasil prediksi dari model yang terbentuk dapat diketahui dengan menggunakan perhitungan RMSE (Root Mean

Square Error). Besarnya nilai error menunjukkan

besar perbedaan antara hasil prediksi dengan data aktual. Semakin kecil nilai RMSE maka semakin akurat prediksi yang dihasilkan.Untuk mengetahui perbandingan tingkat keakuratan kinerja dari prediksi metode Support Vector Machine

(SVM)dapat dilihat dari nilai Root Mean Square

Error (RMSE). Untuk menghitung RMSE

dilakukan oleh SVM, Adapun perhitungannya menggunakan rumus sebagai berikut

𝑅𝑀𝑆𝐸 = 1 𝑁 𝑃 − 𝑎 2 -𝑛 𝑖=1 𝑃𝑚𝑎𝑥 − 𝑃𝑚𝑖𝑛 Dimana :

N : Jumlah data masukan P : Nilai aktual

a : Nilai hasil prediksi Pmax : Nilai maksimal data aktual Pmin : Nilai minimum data aktual Setelah dilakukan perhitungan prediksi data training sebagai data uji pada pipa 7-8 dengan

Support Vector Machine (SVM), didapatkan nilai

RMSE = 5.0000e-007 = 0.0000005 untuk prediksi besar kebocoran dan nilai RMSE = 0.0320 untuk prediksi letak kebocoran.

Adapun untuk data uji diluar data training menghasilkan RMSE = 0.0648 untuk besar kebocoran dan RMSE = 0.0952 untuk letak kebocoran.

5.2Interface Sistem Deteksi Kebocoran Pipa Air Dengan menggunakan Interface GUI, penggunaan sistem ini akan lebih memudahkan

(8)

user dalam mendeteksi kebocoran. dengan menggunakan tombol yang ada, penginputan data tekanan yang akan di uji dapat dilakukan dengan mudah, dan tampilan hasil dari program yang dijalankan yang berupa letak dan besar kebocoran dapat langsung terlihat. Interface dari sistem pendeteksi kebocoran pipa air dapat dilihat pada gambar 5.9 berikut.

Gambar 5.9 Interface Sistem Simulasi Deteksi kebocoran Pipa Air.

Terdapat dua tombol, tombol “masukkan data” digunakan untuk memasukkandata tekanan setiap junction untuk dideteksi dan tombol “prediksi” untuk melihat hasil prediksi besar dan letak kebocoran. Field “Keterangan” akan

menampilkan hasil prediksi dan pada peta lokasi akan muncul penanda berupa titik berwarna merah yang berkedip pada titik kebocoran.

Berikut langkah-langkah penggunaan

Interface GUI.

1. Klik tombol “masukkan data”. Setelah mengklik tombol tersebut, secara otomatis akan membuka file Ms. Excel. Masukan data pada tabel yang tersedia kemudian

save dan close file Excel.

2. Klik tombol “Prediksi”.

Gambar 5.10 tampilan hasil prediksi pada GUI

6. Penutup

6.1 Kesimpulan

1. Kebocoran pipa menggunakan metode SVM, membuktikkan ke akuratan informasi besar dan letak titik kebocoran yang terjadi. Sehingga dapat membantu dalam memperkecil wilayah pendeteksi ketika terjadi kebocoran pada observasi tersebut.

2. Perhitungan besar kesalahan (Error) prediksi data uji diluar data training pada pipa 11-38 menghasilkan RMSE = 0.0709 untuk besar kebocoran dan RMSE = 0.1812 untuk letak kebocoran. Adapun untuk pipa7-8 menghasilkan RMSE = 0.0648 untuk besar kebocoran dan RMSE = 0.0952untuk letak kebocoran.

3. Akurasi prediksi besar kebocoran danletak kebocoran untuk pipa11-38 adalah 81.97% dan 67.83%. Sedangkan akurasi prediksi besar kebocoran dan letak kebocoran untuk pipa7-8 adalah 89.4% dan 84.45%.

6.2 Saran

1. Penelitian ini menghasilkan sistem yang dapat mendeteksi besar dan letak pada satu titik kebocoran. Untuk dapat mendeteksi kebocoran pada dua titik kebocoran atau lebih, perlu untuk mengetahui korelasi antardua atau lebih titik kebocoran serta menggunakan komputer dengan performansi yang tinggi untuk dapat mengolah data dalam jumlah besar.

2. Untuk penelitian selanjutnya, diharapkan sistem ini dapat melakukan prediksi pada data ujibesar dan letak kebocoran diluar data training dengan akurat.

DAFTAR PUSTAKA

[1] Utami, Patna Budi. 2013. Metro TV news:

KerugianakibatKebocoran Air PDAM Makassar.

http://www.metrotvnews.com/metronews/read/201 3/05/28/6/157060/Kerugian-akibat-Kebocoran-Air-PDAM-Makassar-Rp737-Miliar (Diakses pada tanggal 26 Desember 2013)

[2] Musfidar, Buyamin dan Al Ghazaly. 2013.

Skripsi: Sistem Deteksi Kebocoran Air pada Jaringan Pipa Menggunakan Analisis Tekanan dengan Metode Artificial Neural Network (ANN) Algoritma Radial Basis Function. Universitas

Hasanuddin.

[3] Annisa, Luthfiana. 2013. Step Test untuk

Mengatasi Kebocoran.

http://pdamsragen.com/index.php?option=com_con tent&view=article&id=250%3Astep&catid=34%3 Ademo&Itemid=117#.UsAS4oU1iZQ (Diakses pada tanggal 26 Desember 2013)

[4] Maxford, John.2009. An Application of Pattern

Recognition for the Location and Sizing of Leaks in Pipe Networks.Urban Water Security Research

Alliance.

Posisi letak kebocoran pipa

(9)

[5] Nugroho, AntoSatrio. 2003. Support Vector

Machine: Teori dan Aplikasinya dalam

Bioinformatika. IlmuKomputer.com (.pdf)

[6] Byun H, Lee S W. 2003. A Survey on

PatternRecognition Applications of Support

VectorMachines.International Journal of

PatternRecognition and Artificial Intelligence,Vol.17, No.3, pp.459-486.