APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI KUALITAS AIR SUNGAI DI TITIK BAMBE TAMBANGAN KABUPATEN GRESIK JURNAL

(1)

APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI

KUALITAS AIR SUNGAI DI TITIK BAMBE TAMBANGAN

KABUPATEN GRESIK

JURNAL

TEKNIK PENGAIRAN KONSENTRASI SISTEM INFORMASI

SUMBER DAYA AIR

Ditujukan untuk memenuhi persyaratan memperoleh gelar Sarjana Teknik

PRATAMA DIMAS WINANTO NIM. 115060400111029 - 64

UNIVERSITAS BRAWIJAYA

FAKULTAS TEKNIK

MALANG

2017

(2)

(3)

Aplikasi Jaringan Syaraf Tiruan untuk Memprediksi Kualitas Air

Sungai di Titik Bambe Tambangan Kabupaten Gresik

(Application of Artificial Neural Networks to Predict the Water River Quality at Bambe Tambangan Point of Gresik Regency)

Pratama Dimas Winanto1_{, 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: pratamadimasw@gmail.com

ABSTRAK

Air dapat menjadi bencana bagi manusia bila keberadaanya tidak memenuhi dari segi kualitas. Salah satu usaha dalam pengelolaan kualitas air adalah pemantauan kualitas air untuk mengetahui kondisi kualitasnya. Dalam pemantauan kualitas air diperlukan banyak bahan, alat ukur dan tenaga ahli sehingga penerapannya menjadi mahal dan rumit. Jaringan Syaraf Tiruan (JST) dapat digunakan untuk membantu pemantauan kualitas air sungai. Tujuan studi ini adalah menerapkan JST untuk memprediksi kualitas air sungai (DO, BOD, COD, pH dan suhu) di Bambe Tambangan dengan bantuan NeuroSolutions7. Maka dibuat 3 (tiga) skenario prediksi, Skenario I untuk output DO. Skenario II dan III untuk output BOD dan COD namun dengan input yang berbeda. JST akan dilatih dan diuji dengan dataset training, cross validation, dan testing serta variasi epoch yang berbeda. Kemudian dari data produksi JST akan dihitung persentase kesalahan relatif (KR) berdasarkan data aktual. Hasilnya, untuk Skenario I, output DO, pH dan suhu yang dihasilkan JST sangat baik dengan persentase KR < 10%. Untuk Skenario II dan III, output BOD dan COD yang dihasilkan JST memiliki KR masih > 10%. Rata-rata nilai KR terendah didapatkan JST dengan jaringan yang menggunakan persentase dataset 60-20-20 dengan epoch 5000.

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

ABSTRACT

Water can be a disaster for humans if its existence does not meet in terms of quality. One effort in water quality management is water quality monitoring to determine the quality condition. In the water quality monitoring required many materials, measuring tools and experts so that its application becomes expensive and complicated. Artificial Neural Network (ANN) can be used to help monitor the quality of river water. The aim of this study is to apply ANN to predict river water quality (DO, BOD, COD, pH and temperature) in Bambe Tambangan with the help of NeuroSolutions7. Then made 3 (three) prediction scenario, Scenario I for output DO. Scenarios II and III for BOD and COD output but with different inputs. JST will be trained and tested with training datasets, cross validation, and testing and different epoch variations. Then from the JST production data will be calculated the percentage of relative error (RE) based on the actual data. As a result, for Scenario I, the DO output, pH and temperature generated by ANN are excellent with a percentage of RE < 10%. For Scenarios II and III, the output of BOD and COD produced by ANN has RE still > 10%. The lowest average RE score was obtained by ANN with a network using percentage datasets 60-20-20 with epoch 5000.

(4)

1. PENDAHULUAN

Dalam laporan status lingkungan hidup Provinsi Jawa Timur, Badan Lingkungan Hidup (BLH) Provinsi Jawa Timur menyebutkan bahwa persentase sumber pencemar Sungai Brantas berasal dari limbah domestik 50%, limbah industri 40%, dan limbah pertanian dll 10%. Pelanggaran yang sering dilakukan beberapa industri yaitu: memiliki IPAL namun tidak mengoperasikannya dengan optimal dan membuang limbah namun tidak sesuai aturan yang ditetapkan (Badan Lingkungan Hidup Provinsi 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 pemantauan kualitas air diperlukan banyak bahan, banyak parameter dan alat-alat ukur serta tenaga ahli sehingga penerapannya menjadi mahal dan rumit. Salah satu metode yang

dapat digunakan untuk membantu

pemantauan kualitas air sungai adalah dengan metode jaringan syaraf tiruan atau yang biasa dikenal dengan JST. Masalah pemantauan kualitas air sungai yang akan dihadapi salah satunya adalah bagaimana memodelkan dan memprediksi kualitas air sungai pada bagian hilir. Maka dilakukanlah studi prediksi kualitas air

sungai dengan JST pada Bambe

Tambangan (hilir) berdasarkan kualitas air pada bagian hulu (Jembatan Jrebeng dan Cangkir Tambangan). Sehingga dari studi ini diharapkan dapat memberikan solusi kemudahan, masukan, dan alternatif metode dalam kegiatan pengelolaan dan pemantauan kualitas air sungai.

Berdasarkan peraturan perundang-undangan yang berlaku, dalam Pasal 1 Keputusan Menteri Negara Lingkungan Hidup Nomor 115 tahun 2003 disebutkan bahwa 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 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 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 Kali Surabaya (Sungai Brantas bagian hilir) namun untuk memprediksi parameter DO, BOD, COD, pH dan suhu (Archana Sarkar, 2015). 2. METODOLOGI

2.1. Lokasi Studi

Prediksi kualitas air ditujukan pada

titik Bambe Tambangan (hilir)

berdasarkan kualitas air pada Jembatan Jrebeng dan Cangkir Tambangan (hulu). Data parameter kualitas air yang digunakan adalah DO, BOD, COD, pH dan suuhu. Semua titik pemantauan kualitas air untuk studi ini berada di aliran Kali Surabaya yang masuk kedalam wilayah Kabupaten Gresik.

Letak kokasi Kab. Gresik disebelah barat laut Kota Surabaya yang juga ibu kota Provinsi Jawa Timur dengan luasan wilayah 1.191,25 km² yang terdiri dari 18 Kecamatan, 330 Desa dan 26 Kelurahan.

Kabupaten Gresik juga memiliki

kepulauan, yaitu Pulau Bawean dan beberapa daratan pulau kecil di sekitarnya.

(5)

Geografis wilayah Kabupaten Gresik terletak antara 112° s.d. 113° BT dan 7° s.d. 8° LS. Sebagian besar wilayahnya adalah dataran rendah dengan ketinggian 2 sampai 12 meter diatas permukaan air laut. Batas-batas wilayah Kabupaten Gresik adalah seperti berikut:

 Utaraa : Laut Jawa

 Timura : Selat Madura dan Kota Surabaya

 Selatana : Kabupaten Sidoarjo, Kabupaten Mojokertoh

 Baratr : Kabupaten Lamongan

Gambar 1. Lokasi pemantauan kualitas air sungai Lokasi pemantauan kualitas air

pertama adalah Jembatan Jrebeng yang terletak di Desa Krikilan, Kecamatan Driyorejo, Kabupaten Gresik dan lokasi pemantauan kedua terletak di Cangkir Tambangan Desa Cangkir, Kecamatan Driyorejo, Kabupaten Gresik. Sedangkan lokasi pemantauan ketiga berada di Bambe Tambangan yang masuk wilayah Kelurahan Bangkingan, Perbatasan antara Kecamatan Driyorejo Gresik, dan Kecamatan Lakarsantri, Surabaya.

Di wilayah lokasi studi dapat diamati bahwa ada dua sumber pencemar utama air sungai yang didominasi oleh kawasan industri/pabrik dan kawasan pemukiman penduduk. Disepanjang lokasi studi dapat kita temukan lebih dari 30 (tiga puluh) industri/pabrik. Letak pabrik-pabrik tersebut berjajar sepanjang di sebelah kiri aliran sungai. Tepat di sempadan sungai sekitar titik lokasi studi, sebagian besar merupakan pemukiman warga yang mayoritas pekerja industri sekitar. Tidak

semua rumah tangga membuang

limbahnya secara langsung ke Kali

Surabaya. Diasumsikan hanya rumah tangga yang letaknya berada 0,5 km dari tepi sungai yang diperhitungkan.

Data hujan juga ditambahkan dalam studi ini tujuanya digunakan sebagai data yang dijadikan faktor hubungan hujan terhadap konsentrasi pencemar sehingga berpengaruh terhadap pengenceran dari limbah atau pada proses self purification air sungai.

Tabel 1. Koordinat pos stasiun hujan No. Stasiun Hujan Koordinat

1 Krian -7.408, 112.579 2 Ketawang -7.395, 112.635 3 Botokan -7.390, 112.658 Sumber: Dinas PU Sumber Daya Air Provinsi Jawa Timur

Jembatan Jrebeng S 7o_23,252' E 112o_34,628' Cangkir Tambangan S 7o 21,816' E 112o_38,200' Bambe Tambangan S 7o_21,071' E 112o_39,869' DAS Brantas Kali Surabaya

(6)

2.2. Data Pendukung Studi

Pada studi ini diperlukan data-data yang mendukung guna memudahkan dalam menganalisis permasalahan yang terjadi, untuk itu perlu disajikan beberapa data sebagai berikut:

1. Peta lokasi titik pemantauan kualitas air

2. Data parameter kualitas air (DO, BOD, COD, pH, T (suhu), berupa data primer dan data sekunder bulanan 10 tahun (2006-2015) dari Perum Jasa Tirta I

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

2.3. Merode Prediksi

Adapun metode prediksi kualitas air yang digunakan dalam studi ini yaitu: A. Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan dengan bantuan software NeuroSolution7 dengan membentuk arsitektur jaringan dan 3 (tiga) skenario prediksi. Variabel-variabel input dan output yang digunakan adalah sebagai berikut:

Tabel 2. Variabel input dan output JST

Skenario I Skenario II Skenario III

Output

a. DO titik 3 a. BOD titik 3 a. BOD titik 3 b. pH titik 3 b. COD titik 3 b. COD titik 3 c. Suhu titik 3

Input

CH Krian CH Krian CH Krian CH Ketawang CH Ketawang CH Ketawang CH Botokan CH Botokan CH Botokan pH titik 1+2 pH titik 1+2+3 pH titik 1+2+3 Suhu titik 1+2 Suhu titik 1+2+3 Suhu titik 1+2+3 DO titik 1+2 DO titik 1+2+3 DO titik 1+2+3 BOD titik 1+2

COD titik 1+2 Keterangan:

Titik 1 = Jembatan Jrebeng Titik 2 = Cangkir Tambangan Titik 3 = Bambe Tambangan CH = Curah Hujan

Berikut merupakan gambar struktur arsitektur jaringan pada prediksi dengan Skenario I. Untuk arsitektur jaringan pada

skenario prediksi lainnya yang

membedakan hanya jumlah dan variasi data inputnya saja.

Gambar 2. Arsitektur jaringan skenario I

dengan:

Y = nilai output

W = Bobot dari hidden layer ke output X = Neuron pada input layer

Z = Hidden layer

B = bias / unit masukan B= 1

B. Neraca Massa

Model 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.

(7)

3. HASIL DAN PEMBAHASAN 3.1. Hasil Prediksi JST

1. Skenario I

Skenario I 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.

a. Output DO

Tabel 3. Kesalahan relatif skenario I untuk output DO

Epoch Dataset (Training-Cross Val.-Testing)

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

1000 13,10 8,82 8,29 5000 12,69 5,23 10,03 10000 12,45 10,72 8,23

Sumber: Hasil Perhitungan (2017) b. Output pH

Tabel 4. Kesalahan relatif skenario I untuk output pH

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

1000 2,27 1,61 2,18 5000 2,89 1,83 2,59 10000 2,52 1,85 2,07

Sumber: Hasil Perhitungan (2017) c. Output Suhu

Tabel 5. Kesalahan relatif skenario I untuk output suhu

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

1000 1,88 1,70 1,78 5000 1,55 1,46 1,97 10000 1,80 2,31 1,55

Sumber: Hasil Perhitungan (2017)

Hasil kesalahan relatif (KR) terendah pada Skenario I untuk output DO, pH dan suhu terletak jaringan dengan dataset yang sama namun dengan epoch yang berbeda-beda. Untuk parameter DO dengan dataset 60-20-20 dan epoch 5000, kemudian parameter pH pada dataset 60-20-20 dengan epoch 1000, lalu parameter suhu pada dataset 60-20-20 dengan epoch 5000.

Masing-masing parameter memilki

kesalahan relatif kesalahan relatif (KR) terendah untuk DO = 5,23%, pH = 1,61%, dan suhu = 1,46%.

2. Skenario II

Skenario II ini dilakukan untuk memprediksi kualitas air di hilir sungai dengan parameter kualitas air yang pengukurannya 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

hasil kesalahan relatif pada Skenario II. a. Output BOD

Tabel 6. Kesalahan relatif skenario II untuk output BOD

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

1000 33,41 18,63 23,00 5000 31,95 16,69 29,40 10000 35,58 15,22 27,83

Sumber: Hasil Perhitungan (2017) b. Output COD

Tabel 7. Kesalahan relatif skenario II untuk output COD

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

1000 22,73 17,70 18,43 5000 21,95 15,87 22,21 10000 20,45 21,09 19,14

Dari hasil analisa jaringan syaraf tiruan pada Skenario II menunjukan hasil kesalahan relatifnya masih diatas 10%. Hasil KR terendah pada Skenario II untuk BOD dan COD terdapat pada epoch yang berbeda dan pada komposisi dataset yang sama yaitu 60-20-20. Untuk kesalahan relatif terendah Skenario II untuk ouput BOD sebesar 15,22% pada dataset 60-20-20 epoch 10000. Sedangkan COD sebesar 15,87% pada dataset 60-20-20 epoch 5000.

(8)

3. Skenario III

Skenario 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, dan suhu sehingga dapat menghemat waktu dan biaya. Setelah dilakukan prediksi dengan Skenario III maka didapat hasil kesalahan relatif seperti berikut:

a. Output BOD

Tabel 8. Kesalahan relatif skenario III untuk output BOD

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

1000 28,98 26,94 27,85 5000 30,73 21,75 30,84 10000 29,16 34,24 31,10

Sumber: Hasil Perhitungan (2017) b. Output COD

Tabel 9. Kesalahan relatif skenario III untuk output COD

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

1000 46,32 17,97 27,84 5000 20,87 25,44 20,30 10000 29,37 24,57 26,26

Dapat disimpulkan bahwa untuk memprediksi BOD dan COD Bambe Tambangan hasil Skenario II lebih baik daripada Skenario III. Karena hasil KR Skenario II lebih kecil daripada Skenario III.

Setelah dilakukan beberapa kali proses pelatihan dan pengujian JST menggunakan NeuroSolutions7 maka dapat dilihat hasil dari rekapan JST

dengan kesalahan relatif terkecil disajikan pada tabel di bawah ini.

Tabel 10. JST terbaik untuk memprediksi kualitas air Bambe Tambangan

Parameter JST terbaik DO Skenario I Dataset 60-20-20 epoch 5000 KR = 5,23% pH Skenario I Dataset 60-20-20 epoch 1000 KR = 1,61% Suhu Skenario I Dataset 60-20-20 epoch 5000 KR = 1,46% BOD Skenario II Dataset 60-20-20 epoch 10000 KR = 15,22% COD Skenario II Dataset 60-20-20 epoch 5000 KR = 15,87%

Model jaringan syaraf tiruan terbaik untuk prediksi kualitas air Bambe Tambangan telah didapatkan. Selanjutnya kualitas air output JST terbaik tersebut akan dibandingkan dengan data aktual (data sekunder) dari Perum Jasa Tirta I. Output yang disajikan adalah parameter DO, pH, dan suhu karena memiliki kesalahan relatif yang lebih kecil dari 10%. Daripada parameter BOD dan COD yang masih diatas 10%.

Tabel 11. Perbandingan data output JST dengan aktual pada titik Bambe Tambangan

(9)

Gambar 4. Grafik perbandingan DO output JST dan DO aktual

Gambar 5. Grafik perbandingan pH output JST dan pH aktual

Gambar 6. Grafik perbandingan suhu output jst dan suhu aktual

0.00 2.00 4.00 6.00 DO (m g /L ) Tahun

ke-Perbandingan DO Output JST dan Data Aktual

DO 3 JST DO 3 Aktual 0.0 2.0 4.0 6.0 0.0 2.0 4.0 6.0 DO JS T DO Aktual (PJT I) DO JST vs DO Aktual 5.00 6.00 7.00 8.00 9.00 pH

Bulan Tahun

ke-Perbandingan pH Output JST dan Data Aktual

pH 3 JST pH 3 Aktual 5.0 6.0 7.0 8.0 5.0 6.0 7.0 8.0 p H JS T pH Aktual (PJT I) pH JST vs pH Aktual 24.00 26.00 28.00 30.00 32.00 34.00 S u h u (C ) Tahun

ke-Perbandingan Suhu Output JST dan Data Aktual

Suhu 3 JST Suhu 3 Aktual

25.0 27.5 30.0 32.5 35.0 25.0 27.5 30.0 32.5 35.0 S u h u JS T Suhu Aktual (PJT I) Suhu JST vs Suhu Aktual

(10)

Jaringan yang kesalahan relatifnya terkecil akan digunakan untuk prediksi kualitas air di bulan mei tahun 2017 dengan penambahan data pengukuran di lapangan.

Tabel 12. Perbandingan hasil prediksi JST dengan pengukuran lapangan pada mei 2017 di titik Bambe Tambangan

Parameter Nilai KR (%) DO Lapangan 5,26 31,76 DO JST 3,59 pH Lapangan 5,72 3,59 pH JST 5,51 Suhu Lapangan 29,28 1,87 Suhu JST 28,73

Sumber: Hasil Perhitungan (2017) 3.2. Hasil Prediksi Neraca Massa Tabel 13. Hasil perhitungan neraca massa

Titik Q (m3_/det) DO (mg/L) pH Suhu (C) 1 119,78 7,16 5,74 29,31 2 91,55 7,23 5,75 29,28 3 119,88 6,66 5,73 29,28 4 104,13 5,79 5,71 29,33 5 435,34 6,71 5,73 29,30

Keterangan

Titik 1 = titik Jembatan Jrebeng

Titik 2 = titik antara Jembatan Jrebeng dengan Cangkir Tambangan

Titik 3 = titik Cangkir Tambangan

Titik 4 = titik antara Cangkir Tambangan dengan Bambe Tambangan

Titik 5 = titik Bambe Tambangan

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

Tabel 14. Perbandingan hasil neraca massa dengan pengukuran di lapangan pada mei 2017 di titik Bambe Tambangan

Parameter Nilai KR (%) DO Lapangan 5,26 27,54 DO Neraca Massa 6,71 pH Lapangan 5,72 0,20 pH Neraca Massa 5,73 Suhu Lapangan 29,28 0,07 Suhu Neraca Massa 29,30

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

Tabel 15. Perbandingan hasil jaringan syaraf tiruan dan neraca masa dengan pengukuran lapangan Waktu Parameter Hasil JST Neraca Massa Ukur Lapangan Mei 2017 DO (mg/L) 3,59 6,71 5,26 pH 5,51 5,73 5,72 Suhu (o_C) _28,73 _29,30 _29,28

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

NeuroSolutions7 yang dilakukan sesuai

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

a. Nilai Kesalahan relatif (KR) terkecil DO sebesar 5,23% terletak di Dataset 60-20-20 dengan epoch 5000, pH sebesar 1,61% terletak di dataset 60-20-20 dengan epoch 1000 dan Suhu sebesar 1,46 % terletak di dataset 60-20-20 dengan epoch 5000.

b. Untuk nilai Kesalahan relatif (KR) terkecil BOD sebesar 15,22% terletak di Skenario 2 dengan dataset 60-20-20 menggunakan epoch 10000 dan COD sebesar 15,87% terletak di Skenario 2, dengan dataset 60-20-20 menggunakan epoch 5000

Hasil Prediksi kualitas air parameter DO, pH dan Suhu titik Bambe Tambangan bulan mei tahun 2017 dengan model software NeuroSolution dibandingkan

(11)

dengan data lapangan adalah sebagai berikut:

a. Untuk parameter DO, dengan metode JST didapatkan output sebesar 3,59

mg/L sedangkan data aktual

primernya 5,26 mg/L maka kesalahan relatif yang dihasilkan sebesar 31,76%

b. Untuk parameter pH, dengan metode JST didapatkan output sebesar 5,51 sedangkan data aktual primernya 5,72

maka kesalahan relatif yang

dihasilkan sebesar 3,59%

c. Untuk parameter suhu, dengan metode JST didapatkan output sebesar 28,73 C sedangkan data aktual primernya 29,28 C maka kesalahan relatif yang dihasilkan sebesar 1,87%

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

a. Untuk parameter DO, dengan rumus neraca massa didapatkan hasil sebesar 6,68 mg/L sedangkan data aktual primernya 5,26 mg/L maka kesalahan relatif yang dihasilkan sebesar 27,54%

b. Untuk parameter pH, dengan rumus neraca massa didapatkan hasil sebesar 5,73 sedangkan data aktual primernya 5,72 maka kesalahan relatif yang dihasilkan sebesar 0,20%

c. Untuk parameter suhu, dengan rumus neraca massa didapatkan hasil sebesar 29,30 C sedangkan data aktual primernya 29,28 C maka kesalahan relatif yang dihasilkan sebesar 0,07% 5. SARAN

Penggunaan metode JST sangat bagus dalam memprediksi kualitas parameter DO, pH dan suhu. Namun masih dirasa kurang untuk memprediksi BOD dan COD. Agar hasil output lebih bagus bias dilakukan dengan jalan:

1. Menambah variabel input dengan parameter kualitas air yang lain

2. Memperpanjang data historis

parameter kualitas air dengan maksud menambah data untuk training pada JST

3. Menggunakan software yang full

acces bukan trial, tentunya dengan

cara legal membeli lisensi resmi. 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.