Rusdiana Setyaningtyas
3308 201 004
Pembimbing
Latar
Latar Belakang
Belakang dan
dan Permasalahan
Permasalahan
• BPSAWS Bondoyudo-Mayangkualitas air sungai di stasiun KBe1 Sungai Bedadung th 2009 masuk klasifikasi mutu air kelas III (PP 82/2001 & Perda Provinsi Jatim
No.2/2008)
DigunakanDigunakan sebagaisebagai sumbersumber air air bakubaku air air minumminum PDAM PDAM JemberJember
• Jauhir dkk, 2001 Untuk mengoptimumkan proses pengolahan dan menyediakan air minum yang berkualitas tinggi, kemampuan untuk meramal kualitas air baku pada masa yang akan datang sangat diperlukan oleh industri/perusahaan pengolahan air minum.
• Perlu model peramalan untuk memprediksi kualitas air di S Bedadung (khususnya di stasiun KBe1) menggunakan data time seriesdari beberapa variabel yang saling
berhubungan BOD, DO dan debit MetodeMetodeVECTOR AUTOREGRESSIVE VECTOR AUTOREGRESSIVE (VAR)(VAR)
•
Permasalahan
1. Bagaimana model VAR untuk meramalkan konsentrasi BOD & DO serta debit di stasiun KBe1 Sungai Bedadung-Jember
2. Bagaimana keterkaitan hubungan antara konsentrasi BOD & DO serta debit
1. Membuat model ramalan
konsentrasi BOD dan DO serta
debit di stasiun KBe1 Sungai
Bedadung-Jember dgn
menggunakan metode
Vector
Autoregressive
(VAR).
1. Membuat model ramalan
konsentrasi BOD dan DO serta
debit di stasiun KBe1 Sungai
Bedadung-Jember dgn
menggunakan metode
Vector
Autoregressive
(VAR).
1. Mengembangkan IPTEK
terutama di bidang pemodelan
kualitas air sungai dengan
metode
Vector Autoregressive
(VAR).
2. Mempermudah dalam
monitoring kualitas air sungai,
terutama bagi PDAM dan Dinas
MANFAAT PENELITIAN
Autoregressive
(VAR).
2. Menganalisa keterkaitan
hubungan antara konsentrasi
BOD dan DO serta debit
berdasarkan model VAR dalam
menentukan kualitas air di
Sungai Bedadung-Jember.
Autoregressive
(VAR).
2. Menganalisa keterkaitan
hubungan antara konsentrasi
BOD dan DO serta debit
berdasarkan model VAR dalam
menentukan kualitas air di
Sungai Bedadung-Jember.
terutama bagi PDAM dan Dinas
Pengairan Departemen
Pekerjaan Umum.
3. Dapat digunakan sebagai dasar
kebijakan dalam merencanakan
pengelolaan sumber daya air dan
pengendalian pencemaran air di
DAS Bedadung.
Tinjauan
Tinjauan Pustaka
Pustaka
•
Hubungan Parameter Kualitas Air di
Sungai
•
BOD vs DO
Konsentrasi DO akan turun dengan
meningkatnya konsentrasi BOD. Hal ini
meningkatnya konsentrasi BOD. Hal ini
karena oksigen terlarut dalam sungai akan
digunakan oleh mikroorganisme untuk
menguraikan bahan organik sehingga jika
bahan organik meningkat, kadar oksigen
terlarut akan turun.
Hubungan
Hubungan parameter
parameter kualitas
kualitas air
air di
di sungai
sungai
Debit vs BOD
•
Debit sungai berpengaruh terhadap
konsentrasi BOD (dan zat pencemar
yang lain), dimana makin besar
debit akan menurunkan konsentrasi
BOD yang disebabkan oleh proses
pengenceran (Irianto dan
Debit vs DO
Aliran
air
dalam
sungai
mampu
menyerap gas oksigen dari udara dalam
bentuk oksigen terlarut. Kemampuan
penyerapan oksigen oleh air adalah
fungsi kecepatan aliran air (V), makin
pengenceran (Irianto dan
Machbub, 2010).
fungsi kecepatan aliran air (V), makin
cepat aliran air, maka makin tinggi kadar
DO.
Sebaliknya
kedalaman
air
memberikan pengaruh yang berlawanan,
makin dalam sungai, makin sulit oksigen
terserap sehingga DO makin rendah.
Sedangkan debit (Q) adalah fungsi dari
kecepatan (V), kedalaman (H) dan lebar
sungai (B) (Irianto dan Machbub, 2010).
Pemodelan Stokastik Kualitas
Air yang telah dilakukan
1.
Jauhir et al.,”Ramalan Kepekatan Oksigen Terlarut menggunakan
Analisis Siri Masa di Sungai Langat, Hulu Langat Selangor”,
Matematika
Jilid 17, bil 2, UTM, Malaysia, 2001.
2. Ahmad et al..,”Performance of Stochastic Approaches for Forecasting River Water Quality, Water Research, Vol. 35, Issue 18, 2007.
3. Kurunç et al.,” Performance of two stochastic approaches for forecasting water quality and streamflow data from Yeşilirmak River, Turkey”,
water quality and streamflow data from Yeşilirmak River, Turkey”,
Environmental Modelling & Software 20, 2005.
4. Revelli dan Ridolfi,” Stochastic dynamics of BOD in a stream with random inputs”, Advances in Water Resources 27, 2004.
5. Boano et al.,” Stochastic modeling of DO and BOD components in a stream with random inputs”, Advances in Water Resources, 2008.
1 – 3
Univariate time series model
Pemodelan Stokastik Kualitas
Air yang telah dilakukan
•
Analisis
multivariate
: pengaruh multiparameter kualitas air
terhadap indikator DO dan DHL (Eko W. Irianto & B. Machbub,
2004).
•
Analisis
multivariate
: pengaruh multiparameter kualitas air
terhadap indikator biotik dan abiotik (Badruddin, 1987).
•
Analisis
multivariate
: pengaruh senyawa nutrien terhadap
timbulnya
algal bloom
(S. Brahmana & Bahri, 2002).
Pemodelan
Pemodelan
Vector Autoregressive
Vector Autoregressive
(VAR)
(VAR)
• Yonathan S. Hadi (2003),” Analisis VAR terhadap Korelasi antara Pendapatan Nasional & Investasi Pemerintah di Indonesia”, Jurnal Keuangan & Moneter Vol.6 No.2.
• Maruddani & Safitri (2008),”Vector Autoregressive (VAR) untuk Peramalan Harga Saham PT Indofood Sukses Makmur Indonesia TBK”, Jurnal Matematika Vol. 11 No. 1, FMIPA Undip, Semarang.
• Sis Soesetijo (2008),”Penerapan Vector AR dengan Uji Granger Causality utk Pemodelan Deret Ruang –Waktu Curah Hujan di Surabaya”, Tesis S2 Elektro, ITS.
• Irhamah dkk., (2008),”Pemodelan Time series pada Kecepatan Angin di Kota Surabaya & Sumenep dgn Metode VAR”, Research Report, Statistika ITS, Surabaya
Keunggulan VAR:
alat analisis yg selain berguna utk melihat hubungan kausalitas antara
variabel, juga berguna utk menentukan model proyeksi/peramalan.
Metodologi Penelitian
•
Jenis penelitian:
–
Penelitian Kuantitatif dg Model Stokastik
•
Analisa model menggunakan:
Vector
Autoregressive
(VAR)
Autoregressive
(VAR)
•
Variabel:
–
Konsentrasi BOD
–
Konsentrasi DO
–
Debit rata-rata
Jenis Data dan Instrumen Penelitian
•
Data sekunder:
–
hasil monitoring kualitas air Sungai Bedadung mulai tahun 2003 –
2010 dari BPSAWS Bondoyudo-Mayang
–
Lokasi pantau: Stasiun KBe1
•
Perangkat lunak
(software)
statistik:
–
Minitab 15
diskripsi data,
time series
plot, ACF-PACF plot & uji
–
Minitab 15
diskripsi data,
time series
plot, ACF-PACF plot & uji
multinormal residual
Mulai
Tidak Ya
VARIANS: TRANSFORMASI Identifikasi Model VAR:
- Time Series Plot - ACF-PACF Plot
- Uji unit Root DF MEAN:
DIFFERENCING
Identifikasi korelasi antar Variabel dengan menggunakan Uji Korelasi &
Bartlett Sphericity Test
STASIONER
Penentuan Orde VAR dengan
AIC minimum Model VAR terpilih Ya Tidak Ya Ya Estimasi Parameter: - Least Square p-value < 5% DIAGNOSTIC CHECKING: − White Noise − Multinormal − Heterokedastis Tidak Ya Tidak Model dipakai METODE BACKWARD Uji Serentak Peramalan menggunakan univariate Modifikasi Model Uji Parsial
HASIL DAN PEMBAHASAN
•
Uji Korelasi antar Variabel
variabel BOD dan DO secara signifikan menolak H
0(p-
value
< 5%), yang berarti terdapat
korelasi antara kedua variabel tersebut. Sedangkan variabel Q gagal menolak H
0(p-
value
>
5%), yang berarti tidak terdapat korelasi baik terhadap variabel BOD maupun terhadap
variabel DO.
•
Matriks korelasi menunjukkan adanya korelasi negatif yang lemah antara BOD dan DO atau
sebaliknya sebesar -0,423. Sedangkan Q menunjukkan tidak ada korelasi dengan BOD dan
DO atau sebaliknya dengan nilai koefisien korelasi Pearson hanya sebesar 0,005 dan 0,037.
Karena itu variabel Q tidak digunakan dalam analisis VAR selanjutnya. Kemudian dilakukan uji
Tabel 4.4 Uji
Bartlett Sphericity
Statistik Uji
Keputusan
chis 29,2028
p-value 0,000000065
Tolak H
0
Matriks korelasi ≠ matriks identitas
Variabel BOD dan DO saling berhubungan
Uji stasioneritas data
•
Data awal tdk stasioner dlm mean
differencing
pada lag 1 (d=1)
•
Plot
time series
BOD & DO
differencing
1 t
urun naik di antara nol
•
Plot ACF-PACF BOD & DO
differencing
1 turun cepat menuju nol
setelah lag 2 stasioner dlm
mean
dan varian
80 72 64 56 48 40 32 24 16 8 1 4 3 2 1 0 -1 -2 -3 -4 Index B O D (1 ) 80 72 6 4 56 48 40 32 24 16 8 1 3 2 1 0 -1 -2 -3 Index D O (1 ) 20 18 16 14 12 10 8 6 4 2 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 Lag A u to c o rr e la ti o n
(a ) Autocorrel ation F uncti on for BO D( 1 )
(w ith 5% s ignificance lim its for the autoco rrelations)
20 18 16 14 12 10 8 6 4 2 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 Lag P a rt ia l A u to c o rr e la ti o n
(b) Partial Autocorrelation Function for BO D(1 )
(w ith 5% significance limits for the partial autocorrelations)
20 18 16 14 12 10 8 6 4 2 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 Lag A u to c o rr e la ti o n
(c) A utocorrelation Function for DO (1 )
(w ith 5% significance lim its for the autocorrela tions)
20 18 16 14 12 10 8 6 4 2 1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 Lag P a rt ia l A u to c o rr e la ti o n
(d) Partial Autocorrela tion Function for DO (1 )
