79.32% Originality 20.68% Similarity 142 Sources
Doc vs Internet
Web sources: 142 sources found
1. http://www.geocities.ws/gigih67/document/ANFIS.pdf 7.22%
2. http://jurnal.stkippgritulungagung.ac.id/index.php/jipi/article/download/20/10 6.06%
3. http://ejournal3.undip.ac.id/index.php/transient/article/download/14745/14266 5.43%
4. https://core.ac.uk/download/pdf/143964308.pdf 5.04%
5. http://repository.gunadarma.ac.id/1361/1/ESTIMASI%20TINGKAT%20INFLASI%20DI%20INDON… 5.04%
6. http://repository.uksw.edu/bitstream/123456789/5835/2/PROS_Armaini%20A%2c%20Brahmantyo… 4.12%
7. http://thesis.binus.ac.id/ecolls/Doc/Bab2/2013-2-00423-MTIF%20Bab2001.pdf 2.64%
8. http://thesis.binus.ac.id/doc/WorkingPaper/2013-2-00423-MTIF%20WorkingPaper001.pdf 2.64%
9. http://www.digilib.its.ac.id/public/ITS-paper-19389-paperpdf.pdf 2.43%
10. https://putingsusuku.blogspot.com/2017/06/pencemaran-air-oleh-limbah-organik.html 1.41%
11. https://id.123dok.com/document/4zp60g0q-analisis-perfomansi-metode-adaptive-neuro-fuzzy-infe… 1.23%
12. https://text-id.123dok.com/document/dy4w4m0q-analisa-chemical-oxygen-demand-cod-pada-air-li… 1.2%
13. https://methodist7.blogspot.com/2016/08/karya-ilmiah-analisis-pencemaran-air.html 1.13%
14. http://pelatihanlingkungan.com/wp-content/uploads/2015/01/Permen-LH-5-2014-tentang-Baku-Mut… 1.09%
15. https://pbde.bppi.kemenperin.go.id/files/hukum/17%20Permen%20LH%20th%202014%20No.%20… 1.09%
16. http://contohmakalah28.blogspot.com/2017/02/makalah-tentang-pencemaran-air.html 1.09%
17. http://ejournal.stkip-pgri-sumbar.ac.id/index.php/eDikInformatika/article/download/1462/786 1.06%
18. http://takyudin.blogspot.com/2010/06/adaptive-neuro-fuzzy-inference-system.html 0.99%
19. http://analisisairdanmineralarmilah16.blogspot.com/2015/03/analisis-air-dengan-parameter-kok.html 0.99%
20. https://industria.ub.ac.id/index.php/industri/article/download/165/345 0.88%
21. http://staffnew.uny.ac.id/upload/132299855/penelitian/laporan-penelitian-dosen-yunior-2010.pdf 0.85%
22. http://staff.uny.ac.id/sites/default/files/penelitian/Fitriana%20Yuli%20Saptanningtyas,%20S.Pd.,%… 0.85%
23. https://tugasdenny.wordpress.com/category/artificial-intelegent/tugas-1-pengantar-artificial-inteleg… 0.78%
24. https://www.slideshare.net/gilangtheiceman/cod-dan-bod 0.74%
25. http://eprints.undip.ac.id/37629/1/019-Sunarsih.pdf 0.74%
26. http://seminar1.te.ugm.ac.id/daftar_makalah_ajax.php/Seminar-1-Daftar-Paper 0.74%
27. https://zumkimia.blogspot.com/2017/01/limbah.html 0.7%
28. https://journal.unsika.ac.id/index.php/solusi/article/viewFile/44/44 0.7%
29. https://vdocuments.site/prosiding-tsa-2015pdf.html 0.67%
30. http://eprints.undip.ac.id/56047/4/Bab_III.pdf 0.53%
31. https://sriti.akakom.ac.id/prosiding/ALGORITMA%20GENETIKA%20UNTUK%20OPTIMASI%20… 0.49%
32. http://dishut.jabarprov.go.id/data/menu/IND-PUU-1-2009-UU%20No.%2032%20Th%202009%20tt… 0.49%
33. https://www.sciencedirect.com/science/article/pii/S0022169414000766 0.49%
34. https://syahriartato.wordpress.com/page/19 0.49%
35. http://elvinabarus1110.blogspot.com/2016/02/makalah-etika-lingkungan.html 0.49%
36. https://www.ijsce.org/download-category/volume-4 0.42%
37. http://journal.uii.ac.id/JSTL/article/download/8682/7415 0.42%
38. https://prpm.trigunadharma.ac.id/public/fileJurnal/hpUYJurnal%2012-3-2013_2%20Sarjon.pdf 0.42%
39. http://hendra-aquacultur.blogspot.com/2013/06/codchemical-oxygen-demand-dodissolved.html 0.39%
40. http://biology.umm.ac.id/files/file/742-748%20Nani%20Aprilia.pdf 0.35%
41. https://ferli1982.wordpress.com/2011/09/26/limbah-b3-pengelolaan-dan-pengolahannya-dilingkung… 0.35%
42. https://patents.google.com/patent/US6581048B1/en 0.35%
43. http://lib.unnes.ac.id/23071/1/4401408114.pdf 0.35%
44. https://ojs.amikom.ac.id/index.php/semnasteknomedia/article/download/600/576 0.35%
45. https://vdocuments.mx/a-first-course-in-fuzzy-and-neural-control-2003-hung-t-nguyen-et-al.html 0.35%
46. https://umexpert.um.edu.my/file/publication/00001325_81855.pdf 0.35%
47. http://repository.usu.ac.id/bitstream/handle/123456789/48097/Chapter%20III-V.pdf;sequence=2 0.35%
48. https://core.ac.uk/download/pdf/132421145.pdf 0.35%
49. http://pubs.sciepub.com/jfe/5/6/6/index.html 0.35%
50. https://jdih.bekasikota.go.id/jdih/web/uploads/Peraturan%20Wali%20Kota_44_2018.pdf 0.35%
51. https://www.scribd.com/presentation/399576260/1-Yun-Insani-Kebijakan-Pengelolaan-B3-dan-Lim… 0.35%
52. https://repository.ipb.ac.id/bitstream/handle/123456789/46739/2011mtb_Pemberdayaan%20Masy… 0.35%
53. https://ideas.repec.org/a/eee/csdana/v100y2016icp79-98.html 0.35%
54. http://lajaudi.blogspot.com/2013/10/kesadaran-lingkungan-hidup-secara.html 0.35%
55. https://vdocuments.site/62143166-a-first-course-in-fuzzy-and-neural-control-2003-hung-t-nguyen-e… 0.35%
56. https://id.123dok.com/document/nzw350gy-sistem-pendukung-keputusan-dalam-menentukan-pem… 0.35%
57. http://ejurnal.its.ac.id/index.php/teknik/article/viewFile/3170/793 0.32%
58. http://amarsuteja.blogspot.com/2013/06/penelitian-hubungan-antara-tingkat.html 0.32%
59. http://fportfolio.petra.ac.id/user_files/03-023/Snasti%202010%20Leo.pdf 0.32%
60. https://aswendo2dwitantyanov.wordpress.com/category/uncategorized/psikologi/page/7 0.32%
61. https://tatagyes.files.wordpress.com/2008/10/cv_tatag_maret2010-_5thn_.pdf 0.32%
62. https://lika-likuartikelku.blogspot.com/2016/08/tugas-akhir-mata-kuliah-metodologi.html 0.32%
63. https://aswendo2dwitantyanov.wordpress.com/2011/01/22/pengaruh-pelatihan-berpikir-positif-terh… 0.32%
64. https://anxietybarriercommunicationessay.blogspot.com 0.32%
65. http://repository.lppm.unila.ac.id/3722/1/1118-2661-4-PB.pdf 0.32%
66. https://text-id.123dok.com/document/nzw9v4r7y-relate-merupakan-tipe-pengaruh-experiential-mar… 0.32%
67. http://eprints.umm.ac.id/view/year/2015.type.html 0.32%
68. http://www.bsnp-indonesia.org/id/wp-content/uploads/2011/07/Draf-Standar-Sarana-Prasarana-Pa… 0.32%
69. http://repository.petra.ac.id/15261/1/Jurnal_DSS-AHP_Alexander.pdf 0.32%
70. https://docplayer.info/40736715-Peramalan-beban-listrik-jangka-pendek-di-bali-menggunakan-pend… 0.32%
71. http://carfield.com.hk/document/ai/NeuralNetwork_FAQ.html 0.28%
72. https://dumadia.wordpress.com/2008/page/5 0.28%
73. http://benny-metika.blogspot.com/2011/03/implementasi-pendekatan-kontekstual.html 0.28%
74. http://www.420friendsonline.com/page3.html 0.28%
75. http://thejourneyofshashank.blogspot.com/2012/08/btech-cse-syllabus.html 0.28%
76. http://digilib.unila.ac.id/6087/17/BAB%20III.pdf 0.28%
77. https://tatangmanguny.wordpress.com/2010/03/20/signifikansi-hasil-penelitian 0.28%
78. http://jurnalwacana.psikologi.fk.uns.ac.id/index.php/wacana/article/view/20/20 0.28%
79. https://datakata.files.wordpress.com/2015/09/vonny-gardiny-darsono-2005.pdf 0.28%
80. http://etheses.uin-malang.ac.id/9093/1/13410204.pdf 0.28%
81. http://lppm.mercubuana-yogya.ac.id/wp-content/uploads/2014/12/HUBUNGAN-ANTARA-KEPRIB… 0.28%
82. http://www.digilib.its.ac.id/public/ITS-paper-33827-2409100022-paper.pdf 0.28%
83. http://catatankimiawan.blogspot.com/2017/09/parameter-pencemaran-dan-teknik_11.html 0.28%
84. http://ejurnal.its.ac.id/index.php/sains_seni/article/download/4860/1394 0.28%
85. https://rifkysatya.wordpress.com/2008/07/28/jurnal-gis-untuk-pemetaan-fasilitas-kesehatan-di-kot… 0.28%
86. http://kisahsansan.blogspot.com/2012/12/kebijakan-dan-implementasi-produksi_12.html 0.28%
87. https://id.123dok.com/document/8ydrv5ez-pengaruh-faktor-faktor-motivasi-terhadap-kinerja-karya… 0.28%
88. http://fe.um.ac.id/wp-content/uploads/2009/10/10-Suwarni.pdf 0.28%
89. https://atpw.files.wordpress.com/2013/03/h2-penginderaan-jauh-untuk-estimasi-kandungan-tss-di-… 0.28%
90. https://adedidikirawan.wordpress.com/category/uncategorized/page/9 0.28%
91. http://suyadihw.blogspot.com/2010/11/skripsi-hubungan-antara-motivasi_04.html 0.28%
92. https://informatikamulawarman.files.wordpress.com/2010/02/05-jurnal-ilkom-unmul-v-4-3.pdf 0.28%
93. https://nepis.epa.gov/Exe/ZyPURL.cgi?Dockey=P100EQP4.TXT 0.28%
94. http://jurnalwacana.psikologi.fk.uns.ac.id/index.php/wacana/article/view/36/36 0.28%
95. https://journal.uc.ac.id/index.php/JUISI/article/download/26/21 0.28%
96. https://www.reddit.com/r/learnprogramming/comments/7eohje/how_do_you_overcome_procrastin… 0.28%
97. http://aksaaccounting.blogspot.com/2011/03/pengaruh-pendapatan-asli-daerah.html 0.28%
98. http://digilib.unimed.ac.id/676/1/Pengaruh%20model%20pembelajaran%20dan%20tipe%20keprib… 0.28%
99. http://jurnalwacana.psikologi.fk.uns.ac.id/index.php/wacana/article/view/54/54 0.28%
100. http://www.voy.com/4982 0.28%
101. http://eprints.mdp.ac.id/1821/1/Jurnal-2012210066.pdf 0.28%
102. https://cicie.files.wordpress.com/2008/06/analisis-jst-_backpropagation_.pdf 0.28%
103. https://eprints.uns.ac.id/14420/1/1772-3962-1-SM.pdf 0.28%
104. http://eprints.undip.ac.id/16718/1/Bayu_Hadyanto_Mulyono.pdf 0.28%
105. http://repository.uksw.edu/bitstream/123456789/14376/2/T1_132013060_Full%20text.pdf 0.28%
106. http://fpsi.mercubuana-yogya.ac.id/wp-content/uploads/2012/06/jurnal-bu-santi.ok_.pdf 0.28%
107. https://avanijurnal.blogspot.com 0.28%
108. http://komplitpendidikn.blogspot.com/2017/04/objek-dan-metode-pada-penelitian.html 0.28%
109. http://repository.unika.ac.id/15182/8/12.30.0278%20Khoiruz%20Zadit%20Taqwa%20LAMPIRAN… 0.28%
110. http://digilib.uinsby.ac.id/23027/2/Afi%20Nur%20Rohmah_B73214057.pdf 0.28%
111. https://sulbar.fdi.or.id/wp-content/uploads/2018/03/fitra_rezky_210.pdf 0.28%
112. https://docplayer.info/39251242-Pengukuran-kinerja-supply-chain-management.html 0.28%
113. https://docplayer.info/59257643-Prediksi-kelulusan-mahasiswa-menggunakan-metode-neural-net… 0.28%
114. https://travalgar.blogspot.com/2017/12/proposal-penelitian-manajemen-pemasaran.html 0.28%
115. http://repository.uksw.edu/bitstream/123456789/10297/3/T1_292012019_BAB%20III.pdf 0.28%
116. https://journal.stmikdb.ac.id/index.php/dutacom/article/download/81/79 0.28%
117. http://imanblogakuntansi.blogspot.com/2011 0.28%
118. http://zonaskripsi.blogspot.com/2012/03/skripsi-akuntansi-1.html 0.28%
119. https://id.123dok.com/document/oy826e4y-pengaruh-kemasan-harga-dan-promosi-terhadap-pros… 0.28%
120. https://www.slideshare.net/utcchattanooga/srm-ps-eeepg201314 0.28%
121. http://contohaku1.blogspot.com/2014/03/skripsi-manajemen-pengaruh-sistem_27.html 0.28%
122. http://www.srmuniv.ac.in/ramapuram/content/btech-2007-2008-curriculum-0 0.28%
123. https://id.123dok.com/document/1y9pjjwq-analisis-pengaruh-kinerja-keuangan-terhadap-nilai-peru… 0.28%
124. https://docplayer.info/34783554-Perancangan-sistem-prediksi-suhu-permukaan-laut-dengan-adap… 0.28%
125. https://id.123dok.com/document/nzwg0mvq-analisis-kepuasan-kerja-dan-hubungannya-dengan-t… 0.28%
126. https://docplayer.info/111480140-Prosiding-peran-kepemimpinan-dan-inovasi-penduduk-lokal-dal… 0.28%
127. http://lib.ui.ac.id/file?file=digital/136208-T%2028106-Analisis%20pengaruh-Metodologi.pdf 0.28%
128. http://eprints.uns.ac.id/155/1/168710609201001331.pdf 0.28%
129. https://vdocuments.site/alat-singkong.html 0.28%
130. https://repository.ipb.ac.id/bitstream/handle/123456789/20482/F09sub.pdf;sequence=1 0.28%
131. http://repository.unpas.ac.id/8701 0.28%
132. http://etheses.uin-malang.ac.id/3125/1/11620010.pdf 0.28%
133. http://repository.unhas.ac.id/bitstream/handle/123456789/17599/Jurnal%20D11109276.pdf?sequ… 0.28%
134. https://master-athlete.com/news/what-motivates-masters-athletes 0.28%
135. https://id-jurnal.blogspot.com/2009/07/tingkat-stres-kerja-dengan-tingkat.html 0.28%
136. https://ftsl.itb.ac.id/wp-content/uploads/sites/8/2018/06/4.-Dwiki-Irfan-modelling.pdf 0.28%
137. https://docplayer.info/35222664-Bab-iii-metode-penelitian-untuk-memudahkan-penulis-menganali… 0.28%
138. https://lib.unnes.ac.id/view/year/2017.html 0.28%
139. https://www.iasj.net/iasj?func=fulltext&aId=73944 0.28%
140. https://adedidikirawan.wordpress.com/page/10 0.28%
141. http://ejournal.nusamandiri.ac.id/ejurnal/index.php/pilar/article/download/339/271 0.28%
142. http://phitrimanz.blogspot.com/2010/12/analisis-pengaruh-kualitas-produk-dan.html 0.28%
e-ISSN: 2476
e-ISSN: 2476-9754-9754 SMARTICS Journal Vol.. 3,SMARTICS Journal Vol.. 3, No. 1, April 2017 No. 1, April 2017 12
12
Abstrak–- Tingkat pencemaran sungai setiap tahun mengalami peningkatan, hal ini menyebabkan kualitas air sungai semakin menurun yang disebabkan oleh buangan limbah industri dan limbah domestik.
Untuk mendapatkan model estimasi Cemical Oxygen Demand (COD) maka perlu dilakukan analisa data di lingkungan sungai. Kemudian dilakukan pembentukan model estimasi untuk memprediksi Cemical Oxygen Demand (COD). Untuk menyelesaikan permasalahan tersebut maka diperlukan suatu algoritma untuk estimasi dan prediksi Cemical Oxygen Demand (COD) untuk mengetahui gambaran umum terhadap tingkat COD. Adaptif Neuro Fuzzy Inference System adalah suatu algoritma untuk menyelesaikan permasalahan tersebut. Hasil penelitian menunjukkan menggunakan Adaptif Neuro Fuzzy Inference System (ANFIS) dapat diterapkan untuk membangun model estimasi untuk prediksi nilai Cemical Oxygen Demand (COD. Hasil model estimasi yang dinilai paling baik dengan RMSE training 2,11993, RMSE testing 5,93532, MAE training 1,52225, MAE testing 4,2165 dengan persentase keberhasilan untuk training 94,7695 % dan testing 68,1839 %.
Kata
Kata kunci: kunci: Adaptif Adaptif Neuro Neuro Fuzzy IFuzzy Inference Synference System stem (ANFIS),
(ANFIS), CemCemical ical OxOxygen ygen DemDemand and (COD), (COD), Estimasi, Estimasi, Model , Kualita
Model , Kualitas Air Sungai s Air Sungai I. PENDAHULUAN
Kualitas air sungai sangat bergantung pada jenis kegiatan yang dilakukan manusia di sekitar daerah aliran sungai. Berkembangnya kegiatan penduduk di sekitar Sungai yang memanfaatkan bantaran sungai untuk pemukiman, kegiatan industri rumah tangga, dan industrialisasi merupakan sumber pencemaran sungai.
Sementara itu, faktor kegiatan manusia dianggap berperan utama dalam menyumbangkan pencemaran sungai. Faktor manusia atau masyarakat seperti perkembangan pertanian, peningkatan populasi, urbanisasi, industrialisasi dan juga kegagalan kebijakan diidentifikasi sebagai akar penyebab pencemaran air (UNEP, 2006). Berdasarkan sumber-sumber tersebut
dapat disimpulkan bahwa secara umum penyebab terjadinya pencemaran sungai berasal dari limbah industri, limbah domestik, perilaku masyarakat dan kegagalan kebijakan.
Menurut Keputusan Menteri Negara Lingkungan Hidup Nomor 112 Tahun 2013 tentang Baku Mutu Air Limbah Domestik, air limbah domestik adalah air limbah yang berasal dari usaha dan atau kegiatan permukiman (real estate), rumah makan (restauran), perkantoran, perniagaan, apatemen dan asrama. Limbah domestik dapat berupa sampah, air kakus (black water), dan air buangan dari berbagai aktivitas domestik lainnya. Salah satu parameter kualitas limbah domestik adalah kebutuhan oksigen kimiawi atau lebih dikenal sebagai COD (Chemical Oxygen Demand).
Dalam bidang matematika, Apriliani dan Masduqi (2008) menggunakan algoritma Kalman Filter dapat dilakukan estimasi kualitas air sungai Kali Surabaya dengan cukup akurat dan parameter yang digunakan adalah Keasaman (pH), Kadar Oksigen Terlarut (DO), Kebutuhan Oksigen Secara Biokimia (BOD), Kebutuhan Oksigen Secara Kimiawi (COD), Padatan Tersuspensi (TSS), Kadar Nitrat, dan Kadar Fosfat.
Dalam Journal of Hydrology 511, Murat Ay, Ozgur Kisi (2014), mengusulkan integrasi metode k- means clustering dan multi-layer perceptron (k-means- MLP) dalam pemodelan kebutuhan oksigen kimia (Chemical Oxygen Demand). Metode ini diuji dengan menggunakan data harian dari padatan tersuspensi, pH, suhu, debit dan data konsentrasi Oksigen Kimiawi di hulu dari sistem pengolahan air limbah kota di provinsi Adapazari Turki. Kinerja metode k-means-MLP dibandingkan dengan regresi multi-linear, multi-layer perceptron, jaringan syaraf berbasis radial, regresi jaringan saraf, dan dua adaptif yang berbeda teknik sistem inferensi neuro-fuzzy (pengelompokan subtraktif dan partisi grid). Ditemukan bahwa k-means-MLP lebih baik daripada teknik lain dalam memperkirakan Oksigen Kimiawi. Selain itu, k-means dikombinasikan dengan MLP dapat digunakan sebagai alat bantu dalam pemodelan konsentrasi Oksigen Kimiawi sehari-hari.
Chemical Oxygen Demand (COD) termasuk dalam karakteristik kimia zat organik dalam air limbah.
MODEL ADAPTIF NEURO FUZZY
INFERENCE SYSTEM BERDASARKAN PH, TEMPERATUR DAN TSS UNTUK
PREDIKSI NILAI COD
Wahyudi Harianto1
1 Teknik Informatika, Universitas Kanjuruhan Malang
13
e-ISSN: 2476
e-ISSN: 2476-9754-9754 SMARTICS Journal Vol.. 3,SMARTICS Journal Vol.. 3, No. 1, April 2017 No. 1, April 2017 Chemical Oxygen Demand (COD) adalah jumlah
oksigen (mg O2) yang dibutuhkan untuk mengoksidasi
zat-zat organis yang ada dalam 1 liter sampel air.
Pengujian Chemical Oxygen Demand (COD) pada air limbah memiliki beberapa keunggulan dibandingkan pengujian Biology Oxygen Demand (BOD) yaitu : Sanggup menguji air limbah industri yang beracun yang tidak dapat diuji dengan Biology Oxygen Demand (BOD) karena bakteri akan mati dan waktu pengujian yang lebih singkat, kurang lebih hanya 3 jam. Chemical Oxygen Demand (COD) merupakan salah satu parameter untuk mengetahui adanya suatu pencemaran yang disebabkan oleh air limbah. Dengan parameter ini sebenarnya sudah cukup untuk mengetahui apakah air tersebut tercemar atau tidak.
Dalam penelitian ini diharapkan dengan penerapan metode Adaptive Neuro Fuzzy Inference System (ANFIS) didapatkan model untuk prediksi nilai COD
II. TINJAUANPUSTAKA
Adaptive Neuro Fuzzy Inference System (ANFIS) memiliki arsitektur yang dapat terlihat dalam struktur dibawah ini. Dengan sistem inferensi fuzzy yang diterapkan adalah inferensi fuzzy model Takagi Sugeno Kang.
Gambar 2.1 Arsitektur Jaringan ANFIS Fungsi dari setiap lapis adalah sebagai berikut:
Lapisan 1 Lapisan 1.
Semua simpul pada lapisan ini adalah simpul adaptif (parameter dapat berubah) tergantung pada fungsi keanggotaan yang digunakan. Berikut persamaan matematis dengan fungsi keanggotaan gbell:
| |
|
|
(2.1)
dengan x dan y adalah masukan pada simpul i, atau adalah fungsi keanggotaan masing-masing simpul.
Simpul O1,i berfungsi untuk menyatakan derajat keanggotaan tiap masukan terhadap himpunan fuzzy A dan B. Fungsi keanggotaan yang digunakan adalah gaussian dengan parameter premis dan dapat diketahui nilainya dari hasil pembelajaran ANFIS
Lapisan 2.
Lapisan 2.
Semua simpul pada lapisan ini adalah nonadaptif (parameter tetap). Fungsi simpul :
(2.2) (2.10) Tiap keluaran simpul menyatakan derajat pengaktifan
(firing strength) tiap aturan fuzzy. Fungsi ini dapat
diperluas apabila bagian premis memiliki lebih dari dua himpunan fuzzy. Banyaknya simpul pada lapisan ini menunjukkan banyaknya aturan yang dibentuk. Fungsi perkalian yang digunakan adalah interpretasi kata hubung and dengan menggunakan operator t-norm.
Lapisan 3 Lapisan 3
Setiap simpul pada lapisan ini adalah simpul nonadaptif yang menampilkan fungsi derajat pengaktifan ternomalisasi (normalized firing strength) yaitu rasio keluaran simpul ke-i pada lapisan sebelumnya terhadap seluruh keluaran lapisan sebelumnya, dengan bentuk fungsi simpul:
(2.3) (2.11) Apabila dibentuk lebih dari dua aturan, fungsi dapat
diperluas dengan membagi wi dengan jumlah total w untuk semua aturan.
Lapisan 4 Lapisan 4.
Setiap node pada lapis ini adalah adaptif dengan fungsi node
̅ ̅ ̅
(2.4)
Dengan wi: kuat penyulutan ternormalisasi dari lapisan 3, {pi,qi,ri}: himpunan parameter dari node ini.
Parameter pada lapis ini disebut parameter konsekuen.
Lapisan 5.
Lapisan 5.
Pada lapisan ini hanya ada satu simpul tetap yang fungsinya untuk menjumlahkan semua masukan.
Fungsi simpul :
∑ ̅
∑ ∑ (2.5) ̅ Jaringan adaptif dengan lima lapisan tersebut ekivalen dengan sistem inferensi fuzzy TSK.III. METODEPENELITIAN
Data yang digunak adalah parameter TSS, pH, temperatur dan COD akan dibagi menjadi data training, testing dan validasi. Validasi model adalah proses dimana vektor masukan dari set data input / output yang FIS tidak terlatih , disajikan dengan model FIS dilatih, untuk melihat seberapa baik model FIS memprediksi data yang sesuai untuk menetapkan nilai-nilai output.
Data yang dimasukkan harus berupa data matriks masukan dan target sekaligus.
[
Gambar 3.2 Matrik Data, a, b, c: Masukan, d:Target
]
Misalkan:
Parameter TSS={ 1, x1 x12, x13, ...}, parameter pH={x21, x22, x23,...}, parameter temperatur={ 1, x3 x3 x32, 3, ...}, parameter COD={y1, y2, y3, ...}.
Masing-masing variabel indikator merupakan variabel yang dimasukkan datanya ke dalam measurement model, oleh karena itu variabel indikator ini haruslah jelas dan dapat diukur.
e-ISSN: 2476
e-ISSN: 2476-9754-9754 SMARTICS Journal Vol.. 3,SMARTICS Journal Vol.. 3, No. 1, April 2017 No. 1, April 2017 14
14
Penjelasan terkait definisi masing-masing variabel diuraikan sebagai berikut:
1. TSS
Total Suspended Solids atau padatan tersuspensi adalah padatan yang menyebabkan kekeruhan air, tidak terlarut, dan tidak dapat mengendap langsung. Padatan tersuspensi terdiri dari partikel- partikel yang ukuran maupun beratnya lebih kecil daripada sedimen, misalnya tanah liat, bahan- bahan organik tertentu, sel-sel mikroorganisme, dsb.
2. pH
Nilai pH air yang normal antara 6 8, sedangkan – pH air terpolusi misalnya air buangan, berbeda- beda tergantung dari jenis buangannya.
3. Temperatur
Kenaikan suhu menimbulkan beberapa akibat antara lain menurunnya jumlah oksigen terlarut dalam air, meningkatkan kecepatan reaksi kimia serta terganggunya kehidupan ikan dan hewan air lainnya. Jika batas suhu yang mematikan terlampaui, ikan dan hewan air lainnya mungkin akan mati.
4. COD
Chemical Oxygen Demand atau kebutuhan oksigen kimia adalah jumlah oksigen yang diperlukan agar bahan buangan yang ada di dalam air dapat teroksidasi melalui reaksi kimia.
Langkah Pemodelan Fuzzy Langkah Pemodelan Fuzzy
Untuk melakukan proses fuzzy, dapat mengikuti langkah-langkah mulai dari input yang berbentuk crisp dirubah menjadi input yang berupa fuzzy untuk kemudian dimasukkan kedalam aturan-aturan yang telah dibuat untuk menghasilkan output yang diinginkan tetapi masih dalam bentuk fuzzy output yang harus dimasukan dalam proses defuzzifikasi untuk dirubah ke dalam bentuk crisp output. Diagram pemodelan fuzzy seperti yang terlihat pada Gambar 3.2.
Gambar 3.2 Diagram Pemodelan Fuzzy Alur Proses Pe
Alur Proses Pembelajaranmbelajaran
Di dalam alur proses pembelajaran terdapat proses alur maju yang terdiri dari lapisan 1 sampai
dengan lapisan 5. Alur proses pembelajaran dapat dilihat pada gambar 3.3.
Proses Alur Pembelajaran seperti pada Gambar
3.3 terdiri dari lapisan 1 sampai dengan lapisan 5.
Lapisan 1 terdapat proses fuzzyfikasi, yaitu mengubah masukan nilai crips (nilai aktual) menjadi nilai fuzzy dengan menggunakan funggsi keanggotaan bell.
Lapisan 2 penerapan logika fuzzy AND yaitu memilih node yang terkecil dari node yang masuk. Lapisan 3
bentuk normalisasi. Lapisan 4 defuzzyfikasi dengan menggunakan metode LSE. Lapisan terakhir tahap maju merupakan keluaran jaringan.
Jika parameter fungsi keanggotaan yang baru sudah diperoleh, maka iterasi dilanjutkan dengan proses maju seperti yang telah dijelaskan. Jika telah diperoleh keluaran jaringan maka sinyal kesalahannya diperiksa lagi. Selanjutnya sinyal kesalahan ini dipropagasi balik sampai lapisan ke-1 untuk diperoleh lagi parameter keanggotaan yang baru. Demikian seterusnya, proses ini berulang sampai sinyal kesalahan dapat diterima
Gambar 3.3 Alur Pembelajaran Alur Proses Uji Co
Alur Proses Uji Coba ba
Pada alur proses uji coba hanya terdapat proses
maju (lapisan 1 sampai dengan lapisan 5) tetapi parameter premis yang digunakan adalah parameter premis hasil belajar.
Gambar 3.4 Alur Uji Coba
15
e-ISSN: 2476
e-ISSN: 2476-9754-9754 SMARTICS Journal Vol.. 3,SMARTICS Journal Vol.. 3, No. 1, April 2017 No. 1, April 2017 IV. HASIL DANPEMBAHASAN
Variabel Variabel
Variabel yang digunakan dalam penelitian ini adalah variabel TSS, pH, Temperatur dan COD. Dari variabel tersebut data yang digunakan sebagai inputan adalah variabel TSS, pH, Temperatur sedangkan untuk outpunya adalah variabel COD.
Data sebagai masukan adalah data input dan target sekaligus yang brupa matrik. Kolom pertama, kedua dan ketiga dalam hal ini adalah TSS, pH, Temperatur dan kolom keempat sebagai target, jumlah baris menyatakan jumlah data yang akan dilatih.
Tabel 4.1 Pembagian variabel Input dan Target
Input Target
x1 x2 x3 Y(t)
TSS pH Temperatur COD Fungsi Keanggo
Fungsi Keanggotaan Input taan Input
Setelah ditentukan variabel input yang akan menghasilkan output yang diinginkan maka akan dibuat fungsi keanggotaan dari variabel tersebut. Sebelumnya harus ditentukan tipe dari Fuzzy Inference System.
Model Sugeno digunakan untuk membangun pendekatan sistematis untuk meng-generate aturan fuzzy dari dataset input – output yang diberikan.
Gambar 4 Fungsi Keanggotaan Variabel TSS .1 Bell (x; a, b, c)
dengan : x = input (TSS) a = lebar MF
b = pengendalian slopes untuk titik crossover c = pusat MF
Persamaan fungsi keanggotaannya adalah : TSS
TSS in1mf1:
in1mf1:gbellmf',[2897.20000482059 2.00858394292998 5.60001562077578]
in1mf2:
in1mf2: gbellmf',[2897.20003826425 1.95538943714666 5799.99998572413]
pH pH in2mf1:
in2mf1: gbellmf,[0.659115653107299 2.03125038410258 6.82807698118502]
in2mf2:
in2mf2: gbellmf,[0.501192370120729 2.04366228214328 8.37323957184075]
TEMPERATUR TEMPERATUR in3mf1:
in3mf1: gbellmf,[126.400000286857 1.99998726822089 27.2000000998964]
in3mf2:
in3mf2: gbellmf,[126.400271067972 1.99397666886392 279.999817916577]
{ai, bi dan ci} adalah parameter dari fungsi keanggotaan atau disebut sebagai parameter premis.
Untuk mendapatkan hasil yang terbaik maka dilakukan 10 kali uji coba dengan perubahan dari fungsi keanggotaan yang digunakan, dari hasil uji coba tersebut diambil nilai training dan testing terkecil dari RMSE, MAE dan persentase tingkat keberhasilan terbesar. Setiap perubahan membership fungsi maka nilai dari RMSE, MAE dan % juga berbeda ini
menandakan bahwa semakin besar membership fungsinya belum tentu mendapatkan hasil yang terbaik.
Hasil Hasil
Hasil dari tingkat keberhasilan dengan model ANFIS ini ditentukan oleh data yang menjadi sumber pembelajaran. Hasil prediksi yang diperoleh merupakan hasil pembelajaran dari data yang sudah melalui proses pembelajaran terlebih dahulu. Dari proses pembelajaran tersebut tentunya memiliti tingkat kesalahan, maka berdasarkan variasi dari jumlah fungsi keanggotaan diambil nilai kesalahan terkecil dan persentase keberhasilan terbesar.
Dari hasil training dan testing, file terbaik disimpan dalam bentuk yang berisi .fis engine fis
Gambar 4.2 Error Training dan Testing Gambar 4.2 menunjukkan hasil error dari training dan testing
Gambar 4.3 Grafik Hasil Training dan Testing
V. KESIMPULAN DANSARAN Kesimpulan
Kesimpulan
Kesimpulan yang dapat diambil dari penelitian ini adalah:
1. Hasil dari model ANFIS dalam proses pembelajaran ANFIS secara keseluruhan di setiap lokasi pemantauan didapat bahwa: MF 7, RMSE training 2,11993, RMSE testing 5,93532, MAE training 1,52225, MAE testing 4,2165 dengan persentase keberhasilan untuk training 94,7695 % dan testing 68,1839 %.
2. Dari hasil pembentukan model dapat diterapkan untuk prediksi COD dengan menggunakan variabel TSS, pH dan temperatur.
e-ISSN: 2476
e-ISSN: 2476-9754-9754 SMARTICS Journal Vol.. 3,SMARTICS Journal Vol.. 3, No. 1, April 2017 No. 1, April 2017 16
16 Saran Saran
Berdasarkan penelitian ini, saran untuk penelitian berikutnya adalah:
1. Model estimasi mengguakan ANFIS ini bisa dikembangan lagi dengan dengan menggunakan algoritma selain ANFIS
2. Untuk penelitian selanjutnya, supaya membuat software aplikasi yang bisa diakses langsung oleh masyarakat sehingga jika masyarakat mengetahuinya diharapkan kesadaran terhadap lingkungan bisa meningkat.
DAFTAR PUSTAKA
[1] Agus (2009), Belajar Cepat Fuzzy Logic Menggunakan MATLAB, Andi Offset, Yogyakarta.
[2] Alaerts, G dan Santika,S.S, (1997), “ Metode Penelitian Air”, Usaha Nasional Surabaya. ,
[3] Anonim. (2001), Peraturan Pemerintah Republik Indonesia Nomor 82 Tahun 2001 tentang Kualitas dan Pengendalian Pencemaran Air.
[4] Anonim. (2009), Undang-Undang Republik Indonesia Nomor 32 Tahun 2009 tentang Perlindungan dan Pengelolaan Lingkungan Hidup.
[5] Anonim. (2010), Peraturan Menteri Negara Lingkungan Hidup Nomor 01 Tahun 2010 Tentang Tata Laksana Pengendalian Pencemaran Air.
[6] Anonim. (2010), Peraturan Gubernur Jawa Timur Nomor 61 Tahun 2010 tentang Penetapan Kelas Air Pada Air Sungai.
[7] Anonim, (2012), “Daya Dukung dan Daya Tampung Lingkungan di Sungai Kali Mas”. Laporan Penelitian Badan Lingkungan Hidup Surabaya 2011
[8] Arifin Z. dan M.I. Irawan, (2009), “Adaptive Sensitivity Sensitivity-based Linear Learning Method Algorithms for Data Classification”, Proceeding of 5 International Conference of th Mathematics, Statistics and Their Aplications, Bukit Tinggi – West Sumatra Indonesia.
[9] Bramer, Max, (2007), ” Principles of Data Mining “,Springer- Verlag, London.
[10] Barba-Brioso C., Fernández-Caliani J.C., Miras A. , Cornejo J. , Galán E, (2010), “Multi-source water pollution in a highly anthropized wetland system associated with the estuary of Huelva (SW Spain)“, Elsevier Journal of Marine Pollution Bulletin.
[11] Bao L.J., Maruya K A, Snyder S.A., and E Y. Zeng, (2011),
“China’s water pollution by persistent organic pollutants,”
Elsevier Journal of Environmental Pollution.
[12] Effendi, H. (2003), Telaah Kualitas Air Bagi Pengelolaan Sumber Daya dan Lingkungan Perairan”, Penerbit Kanisisus, Yogyakarta.
[13] Fausett, L, (1995), Fundamental of Neural Networks:
Architecture, Algorithms, and Applications, Prentice Hall New Jersey
[14] Hanselman, Duane and Bruce Littlefield, (2001), Matlab-Bahasa Komputasi Teknis, Komputasi, Visualisasi dan Pemrograman (Terjemahan), Andi Offse,t Yogyakarta,
[15] Hasanuddin dan M.I. Irawan, (2009), “Sensitivity Analisis of Probabilistic Radial Basis Function Networks”, Proceeding of 5th International Conference on Mathematics, Statistics and Their Aplications, Bukit Tinggi West Sumatra Indonesia. – [16] Haykin, Simon,(1999), Neural Networks: A Comprehensive
Foundation, Prentice Hall, New Jersey.
[17] Hazlina, (2013), An Exploration of the Adaptive Neuro-Fuzzy Inference System (ANFIS) in Modelling Survival, Thesis submitted to The University of Nottingham Nottingham. , [18] Irawan M.I., Syaharuddin, M., Daryono Budi Utomo, dan A.
Mustikarukmi, (2013), “Intelligent Irrigation Water Requirement System Based On Artificial Neural Networks and
Profit Optimization for Planting Time Decision Making of Crops In Lombok Island” Journal of Applied and Theoretical Information Technology, Volume 58 No.3 December 31, 2013 [19] Irawan M.I. dan E. Satriyanto, (2008), “Virtual Pointer untuk
Identifikasi Isyarat Tangan sebagai Pengendali Gerakan Robot Secara Real-Time, Jurnal Informatika Vol.9 No. 1 Mei 2008 [20] Irawan, M.I. dan A.B. Pratiwi, (2011), “A RBF- Egarch Neural
Netwoks Model for Time Series Forecasting”, Proceeding of
The International Conference on Numerical Analysis and Optimization (ICeMATH - 2011), Yogyakarta
[21] Irawan, M. I, (2010), “Pengembangan Metode Pembelajaran Cepat Pada Jaringan Syaraf Tiruan untuk Optimasi Waktu Dalam Stabilitas Bobot dan Minimalisasi Kesalahan Dalam
Pengenalan Pola”, Laporan Hasil Penelitian Hibah Pascasarjana – LPPM ITS.
[22] Irawan, M.I, Apiliani, E dan Z. Darojah, (2008), “Using An Extended and Ensemble Kalman Filter For The Training of Feedforward Neural Network In Time Series Forecasting”, in Proceeding of 3 - International Conference On Mathematics rd And Statistics (ICoMS 3), Bogor Juli 2-4. ,
[23] Jong, JS., Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab, Andi Offset Yogyakarta. ,
[24] JSR jang, CT Sun, E Mizutami, (1997), Neuro Fuzzy and Soft Computing, PTR Prentice Hall
[25] Keputusan Menteri Negara Lingkungan Hidup Nomor 112 Tahun 2013 tentang Baku Mutu Air Limbah Domestik.
[26] Kusumadewi, S. (2001), Artificial Intelligence (Teknik dan Aplikasinya), Graha Ilmu Yogyakarta. , [27] Kusumadewi, S. (2004), Membangun Jaringan Syaraf Tiruan menggunakan Matlab dan Excel Link, Graha Ilmu, Yogyakarta.
[28] Li, C and Diebold, F.X, (2006),” Forcasting the Term Structure of Government Bond Yield”, Journal of Econometrics,130,337- 364.
[29] Masduqi, A dan E. Apriliani, (2008), “Estimation of Surabaya River Water Quality Using Kalman Filter Algorithm IPTEK, ”, The Journal for Technology and Science, Vol. 19, No. 3, August 2008
[30] Masduqi A, (2012), Operasi dan Proses Pengolahan Air, ITS Press
[31] Murat Ay, Ozgur Kisi (2014), “Modelling of chemical oxygen demand by using ANNs, ANFIS and k-means clustering techniques”, Journal of Hydrolog, 511 (2014) 279 289 – [32] Nastos, P.T., Moustris, K.P., Larissi, I.K., Paliatsos, A.G.
(2011), ”Rain Intensity Forecast Using Artificial Neural Network in Athens, Greece”, Atmospheric Research, Vol 119, Hal. 153 - 160.
quality management in a river
