5
BAB II
TINJAUAN PUSTAKA
2.1. Pemodelan Lingkunan
Model dapat diartikan sebagai penggambaran, penyederhanaan, miniatur, atau peniruan. Pemodelan lingkungan adalah penggambaran proses lingkungan beserta hubungan antar komponen/variabel pembentuknya menggunakan representasi logika dan matematika. Pemodelan merupakan salah satu cabang dari analisis ilmiah. Kegiatan pemodelan meliputi pembuatan konsep, pengorganisasian, komunikasi, pemahaman, analisis, ujicoba pengukuran lapangan, ramalan, prediksi, peringatan dini (early warning), dan optimasi pengambilan keputusan (Asep, 2012).
Pemodelan dapat dipergunakan untuk membantu menjelaskan fenomena fisik, kimia, dan biologi yang mungkin terjadi dalam proses tersebut. Model merupakan perumusan matematika dari proses-proses fisika/kimia/biologi suatu fenomena alam, sehingga jika dimasukkan data-data penunjang, kemudian dihitung dengan metode perhitungan tertentu, akan dapat dihasilkan gambaran proses secara keseluruhan. Kelebihan model adalah model dapat digunakan sebagai sarana simulasi, sehingga dengan model kita dapat memperkirakan, memprediksi dan mempelajari berbagai kemungkinan yang dapat terjadi jika berbagai skenario diaplikasikan dalam model tersebut (Asep, 2012).
Berikut tahap-tahap pemodelan berdasarkan EPA/100/K-09/003 :
1. Identifikasi dan spesifikasi masalah untuk menentukan pertanyaan yang relevan dengan keputusan yang tepat dan menetapkan tujuan pemodelan.
2. Pengembangan model yaitu engembangkan model konseptual yang mencerminkan ilmu yang mendasari proses yang dimodelkan, dan mengembangkan representasi matematis dari ilmu itu dan menyandikan ekspresi matematika ini dalam program komputer.
3. Evaluasi model ntuk menguji bahwa ekspresi model telah dikodekan dengan benar ke dalam program komputer dan menguji output model dengan membandingkannya dengan data empiris.
4. Aplikasi model yaitu menjalankan model dan menganalisis hasilnya untuk menginformasikan keputusan.
2.2. Artificial Neural Network (ANN)
Jaringan Saraf Tiruan (JST) atau Artificial Neural Network (ANN) merupakan sebuah sistem pemrosesan dengan karakteristik hampir sama dengan jaringan syaraf biologi. Sistem ini mewakili tiruan otak manusia dengan terdapat berjuta-juta sel syaraf (neuron). Berfungsi dalam memproses informasi. Neuron pada biologi memiliki karakteristik yang sama dalam ANN (Dharma dkk. 2011).
Salah satu metode dalam ANN yang digunakan untuk prediksi/peramalan adalah metode Backpropagation. Backpropagation adalah pelatihan jenis terkontrol dimana menggunakan pola penyesuaian bobot untuk mencapai nilai kesalahan yang minimum antara keluaran hasil prediksi. Terdapat tiga fase, yaitu propagasi maju, propagasi mundur dan perubahan bobot (Siang. 2005).
Artificial Neural Network (ANN) diartikan sebagai simulasi yang mengadaptasi karakteristik jaringan syaraf biologi yaitu tersusun dari sekelompok node (neuron) yang saling berhubungan. ANN tersusun terdiri dari neuron (node), bobot (weight), fungsi aktivasi, dan lapis (layer). ANN merupakan metode yang memiliki kemampuan yang baik untuk memodelkan permasalahan yang berkaitan dengan sistem nonlinear.
Gambar 2.1 Arsitektur Backpropagation
Perbedaan neuron dalam biologi dengan ANN adalah neuron dalam ANN terdiri dari kelompok-kelompok dengan sebutan layer. Sifat dari setiap layer memiliki keterkaitan satu sama lain dengan jarak yang saling berdekatan. Kemampuan hubungan setiap layer diwakilkan dengan bobot. Pada umumnya ANN memiliki tiga layer yaitu
input layer, hidden layer dan output layer. Input layer meliputi neuron-neuron penerima data input yang berasal dari lingkungan luar. Data input dijadikan sebagai gambaran dari suatu masalah. Hidden layer berperan sebagai neuron-neuron penerima masukan dari layer input. Kemudian output dibawa menuju layer berikutnya. Lapisan output ini disebut dengan unit-unit output yang berasal dari layer tersembunyi untuk dikirimkan kepada pengguna (Ozbay, dkk, 2011).
Kriteria yang digunakan untuk mengukur kebaikan model setelah diperoleh suatu model adalah Root Mean Square Error (RMSE) (Wahyuningsih, 2012). RMSE adalah metode untuk mengevaluasi suatu prediksi pada pemodelan ANN yang digunakan untuk mengukur tingkat kesalahan yang dihasilkan suatu model. Nilai RMSE yang rendah menunjukkan bahwa variasi nilai yang dihasilkan oleh suatu model mendekati variasi nilai pengukurannya (Makridakis dkk, 1982). Sedangkan koefisien determinasi (R²) R² merupakan rasio variabilitas nilai-nilai yang dibuat model dengan variabilitas nilai data asli. Secara umum R² digunakan sebagai informasi menegenai kecocokan suatu model. Dalam regresi R² ini dijadikan sebagai seberapa baik garis regresi mendekati nilai data asli yang dibuat data model. Dengan kata lain, R² berguna untuk melihat seberapa besar kontribusi pengaruh yang diberikan variabel independen
terhadap variabel dependen (Sarwono, 2006).
ANN memiliki keunggulan dan kelemahan yaitu sebagai berikut (Stern, 1996): 1) Kemampuan untuk belajar dari pembelajaran yang telah dilakukan
sebelumnya.
2) Mampu untuk mengolah data non linear.
3) Kemampuan perhitungan secara parallel sehingga proses lebih singkat. 4) Mampu menciptakan suatu pola pengetahuan melalui pengaturan diri atau
kemampuan belajar.
Namun, ANN juga memiliki kelemahan yaitu:
1) Kurang mampu untuk melakukan operasi-operasi numerik dengan presisi tinggi,
2) Kurang mampu melakukan operasi algoritma aritmatik, operasi logika dan simbolis,
3) Lamanya proses training yang mungkin terjadi dalam waktu yang sangat lama untuk jumlah data yang besar,
4) Nilai pada black box tidak diketahui.
5) ANN sangat bergantung pada data base, sehingga data base yang buruk akan mempengaruhi output.
2.3. Kasus Pencemaran di Sungai Code
Penelitian sebelumnya menggambarkan kondisi Sungai Code yang sangat memprihatinkan dengan warna air yang sangat keruh, berasa dan bau. Hasil pengujian yang dilakukan oleh Balai Besar Teknik Kesehatan Lingkungan dan Pemberantasan Penyakit Menular (BBTKL) Yogyakarta menemukan bahwa sumur warga disekitar dan air Sungai Code mengandung parameter mangan sebesar 0,66 mg/l. Parameter lain yang terkandung dalam sampel uji adalah nitrat sebesar 0,97 mg/l. Kebiasaan membuang limbah domestik ke sungai menjadi alasan terjadinya pencemaran oleh bakteri Escherichia Coli (Puspitasari, 2009).
2.4. Bakteri Coliform
Bakteri Coliform adalah golongan bakteri intestinal, yaitu hidup dalam saluran pencernaan manusia. Bakteri Coliform adalah bakteri indikator keberadaan bakteri patogenik lain. Lebih tepatnya, sebenarnya, bakteri Coliform adalah bakteri indikator adanya pencemaran bakteri pathogen di sungai. Penentuan Coliform menjadi indikator pencemaran dikarenakan jumlah koloninya pasti berkorelasi positif dengan keberadaan bakteri patogen. Selain itu, mendeteksi Coliform jauh lebih mudah, cepat, dan sederhana daripada mendeteksi bakteri patogenik lain. Contoh bakteri Coliform adalah Esherichia Coli dan Entereobacter Aerogenes. Jadi, Coliform adalah indikator kualitas air sungai. Makin sedikit kandungan Coliform di sungai, artinya, kualitas air semakin baik. Terdapatnya bakteri Coliform dalam air sungai dapat menjadi indikasi kemungkinan besar adanya organisme patogen lainnya. Bakteri Coliform dibedakan menjadi 2 tipe, yaitu Fecal Coliform dan non-Faecal coliform. Esherichia Coli adalah bagian dari Fecal Coliform. Keberadaan Esherichia coli dalam air dapat menjadi indikator adanya pencemaran air oleh tinja. Esherichia Coli digunakan sebagai indikator pemeriksaan kualitas bakteriologis secara universal dalam analisis dengan alasan (Pelczar, 2005):
1. Esherichia coli secara normal hanya ditemukan di saluran pencernaan manusia (sebagai flora normal) atau hewan mamalia, atau bahan yang telah terkontaminasi dengan tinja manusia atau hewan; jarang sekali ditemukan dalam air dengan kualitas kebersihan yang tinggi,
2. Esherichia coli mudah diperiksa di laboratorium dan sensitivitasnya tinggi jika pemeriksaan dilakukan dengan benar,
3. Bila dalam air tersebut ditemukan Esherichia coli maka air tersebut dianggap berbahaya bagi penggunaan domestic,
4. Ada kemungkinan bakteri enterik patogen yang lain dapat ditemukan bersama-sama dengan Esherichia coli dalam air tersebut.
Adanya hubungan antara tinja dengan Coliform, maka bakteri ini dijadikan indikator alami kehadiran materi fecal. Sehingga, jika pada suatu substrat atau benda didapatkan bakteri ini maka langsung ataupun tidak langsung substrat atau benda tersebut sudah dicemari oleh materi fecal. Fecal Coliform sendiri adalah kelompok bakteri fakultatif aerob, gram negatif tidak membentuk spora, berbentuk batang pendek, mampu memfermentasi laktosa dengan menghasilkan gas serta tumbuh pada suhu 45°C ± 0,5°C selama sekurang-kurangnya 24 jam. Kehadiran bakteri Coliform dalam jumlah tertentu di dalam substrat ataupun benda, misalnya air dan bahan makanan, juga merupakan indikator kehadiran bakteri penyakit lainnya (Pracoyo, 2006).
2.5. Penelitian Terkait
Tabel 2.1 Penelitian yang Terkait
No Judul Metode Hasil Sumber
1 “Rancangan Proses Training Untuk Mendukung Penentuan Kualitas Air Minum Kemasan” ANN Backpropagation
Penelitian ini bertujuan menentukan kualitas air minum kemasan
menggunakan metode jaringan syaraf tiruan yang di dalamnya terdapat proses training dan proses penentuan kualitas air minum kemasan tersebut. Penelitian ini hanya
(Fatkhiyah. 2012)
sebatas rancangan proses training, hasil dari proses training berupa bobot akhir yang dipergunakan dalam proses penentuan kualitas air minum kemasan. Proses training dilakukan dengan nilai α dan θ yang berbeda-beda. Dari proses training yang dilakukan, diperoleh bobot akhir yang dapat digunakan pada proses untuk menentukan kualitas air minum kemasan yang sesuai dengan standar baku mutu air minum kemasan. 2 “Clustering Data Pencemaran Udara Sektor Industri Di Jawa Tengah Dengan Kohonen Neural Network” ANN Backpropagation
Penelitian ini mencoba untuk mengelompokkan industri-industri yang disinyalir menjadi sumber polusi udara di Jawa Tengah
menggunakan jaringan syaraf tiruan dengan Jaringan Kohonen sebagai algoritmanya. Hasil clustering pada data beban pencemaran udara pada sektor industri di Jawa Tengah pada tahun 2006 dengan
menggunakan Jaringan Kohonen diperoleh : a) Cluster I : industri tekstil, b) Cluster II : industri makanan, industri minuman, industri kimia dasar, industri non logam, industri semen, industri kapur dan gips, industri logam dasar, industri hasil olahan logam, industri rumah sakit, dan industri perhotelan, c) Cluster III : industri kayu,
(Warsito dkk. 2008)
industri olahan kayu, dan industri kertas. 3 “Prediksi Kadar Polutan Dengan Menggunakan Jaringan Syaraf Tiruan (JST) Untuk Pemantauan Kualitas Udara Di Kota Surabaya” ANN Backpropagation
Penelitian mencoba untuk memprediksi konsentrasi polutan O3 menggunakan metode jaringan syaraf tiruan. Hasil validasi terhadap model terbaik memberikan performansi RMSE 0.234 µg/m3 dan R2 = 0.92 untuk prediksi 1 hari ke depan serta RMSE 0.265 µg/m3 dan R2 = 0.76 untuk prediksi 2 hari ke depan
(Arifien dkk. 2012)
