TUGAS ANALISIS RISIKO LINGKUNGAN

RESUME JURNAL

TUGAS PENGGANTI KULIAH

DISUSUN OLEH :
M Dian Hikmawan

13513139

Abu Hasan Ashari

13513141

Ryan Setiawan HK

13513150

DOSEN PENGAMPU :
DR SUPHIA RAHMAWATI S.T.,M.T
KELAS : B
JURUSAN TEKNIK LINGKUNGAN
FAKULTAS TEKNIK SIPIL DAN PERENCANAAN
UNIVERSITAS ISLAM INDONESIA
2016

CHAPTER 13 : EXPOSURE MODELLING

Pemodelan digunakan dalam penilaian paparan/pajanan, Pemodelan berisi pernyataan
matematis yang mempresentasikan penyederhanaan dari elemen penting dari proses
pajanan. Estimasi titik dan distribusi probabilitas digunakan dalam pemodelan pajanan.
Terutama di mana data hasil monitoring/pemantauan tidak memadai, fate model berguna
untuk memperkirakan konsentrasi kimia. Model ini dapat menjangkau jarak yang lebar
berbagai kompleksitas dalam hal dimensi ruang dan asumsi temporal.
Jenis fate model meliputi (WHO 1999b) :

Simple dilution models, dimana penghitungan konsentrasi pada limbah buangan

dibagi factor pengenceran, atau laju pelepasan bahan kimia dibagi factor
pengenceran atau dibagi dengan laju alir.
Equilibrium models, dimana prediksi distribusi bahan kimia di lingkungan
berdasarkan pembagian ratio atau fugasitas.
Dispersion models, memprediksi penurunan konsentrasi dari sumber titik
berdasarkan asumsi fungsi matematika atau sifat dispersi dari bahan kimia
dengan proses fisik seperti angin atau aliran sungai
Transport models, yang memprediksi perubahan konsentrasi, dan dapat mewakili
dispersi, degradasi biokimia dan penyerapan.

Kemungkinan ketidaktersediaan pengukuran konsentrasi kontaminan media paparan

potensial atau pengambilan sampel langsung dan analisis mungkin tidak praktis, sehingga
posisi awal bisa menjadi penggunaan model pajanan.
Model pemaparan mungkin di informasikan dalam model konseptual atau bagan alir yang
menggambarkan skenario pajanan. Adalah penting pengguna model menyadari
komponen, memahami sifat dan sensitivitas input data. Dalam konteks ini, dianjurkan
bahwa bagian dari proses EHRA mencakup 'analisis sensitivitas', di mana nilai-nilai
parameter masukan model yang bervariasi untuk memastikan dampak dari perubahan
pada output Model
Beberapa tipikal teknik modeling yang digunakan pada EHRA :

vapour intrusion models, memperkirakan jumlah konsentrasi uap di udara ambien

groundwater fate and transport models, melacak penyebaran kontaminan dalam
gumpalan air tanah, waduk atau badan air diskrit, dan yang akhirnya dapat
mengakibatkan 'reseptor' datang di kontak dengan sumber-sumber tersebut
dust and particulate dispersion and deposition models, melacak berlalunya
partikulat (debu, aerosol) dari sumber ke 'reseptor' potensial
gas and vapour dispersion models, memetakan distribusi kontaminan tersebut
dari sumber titik emisi (mis pabrik, cerobong asap, tumpukan ventilasi)
plant and animal uptake models, melacak transfer kontaminan dari sumber
produksi pertanian (padang rumput, kebun, dan situs tanaman) ke dalam rantai
makanan
spray drift models, enilai penyebaran aplikasi pestisida dari udara, semprot
booming atau praktik pertanian lainnya, dan menilai sejauh mana dari target
kontaminasi dan pengamat paparan dapat terjadi
worker exposure models, yang lebih ketat di provinsi kesehatan dan keselamatan
kerja (OHS) penilaian, bukan EHRA.

13.1 USING POINT ESTIMATES AND PROBABILITY DISTRIBUTIONS

Titik perkiraan yang paling sering digunakan di Australia untuk penilaian eksposur.
Sebuah estimasi titik adalah nilai tunggal dipilih untuk mewakili populasi seperti 70 kg
sebagai berat dewasa. Sebuah estimasi titik dari median atau mean secara inheren lebih
pasti daripada estimasi titik dari tingkat dimaksudkan untuk mewakili persentil ke-95 atau
ke-99 karena ada lebih banyak data yang terlibat dalam menentukan perkiraan titik sentral
dari untuk memperkirakan ekstrem.
'Sementara metode menggunakan distribusi probabilitas yang' lebih informatif dan
inheren lebih representatif '[Ruffle et al. 1994 p. 403] dari perkiraan titik, jika diterapkan
secara tepat menunjukkan perkiraan masih memiliki peran utama dalam penilaian
eksposur karena mereka mudah dipahami dan diterapkan, dan dapat menggabungkan
faktor-faktor keselamatan yang bisa hilang dengan penilaian paparan Monte Carlo-jenis
'(Langley & Sabordo 1996) .
Dalam penetapan standar, ini penting jika ada yang menggunakan titik perkiraan, sebagai
estimasi titik berarti akan menjadi lebih pasti daripada estimasi titik dari tingkat
dimaksudkan untuk mewakili persentil ke-95 atau ke-99.
13.2 MONTE CARLO ANALYSIS
Monte Carlo-jenis penilaian eksposur bergantung pada penggunaan fungsi distribusi
probabilitas. Hal ini dapat digambarkan sebagai 'distribusi nilai yang mungkin untuk
masing-masing parameter [adalah] dijelaskan bersama dengan probabilitas terjadinya
setiap nilai' (Alsop et al. 1993 p. 407). Menggunakan rumus matematika standar,
beberapa ribu iterasi dari parameter output dilakukan.
Untuk setiap iterasi, nilai-nilai untuk setiap parameter yang dipilih secara acak dari
masing-masing distribusi berdasarkan kemungkinan terjadinya. nilai risiko diperkirakan
digabungkan untuk memberikan distribusi frekuensi parameter output, seperti perkiraan
konsolidasi paparan (dari Langley et al. 1998).
Analisis monte carlo mungkin dapat menambah nilai untuk penilaian risiko (US EPA
1997b) saat :

eksposur dan risiko yang mungkin mendekati atau menjadi tingkat atas
perhatian
penilaian skrining menggunakan titik perkiraan konservatif jatuh di atas tingkat
kepedulian
perlu untuk mengungkapkan tingkat bias yang terkait dengan perkiraan titik
paparan
eksposur dan jalur paparan perlu peringkat
ada kebutuhan untuk menilai nilai relatif mengumpulkan berbagai jenis
informasi lebih lanjut (Cullen & Frey 1999)
biaya tindakan yang cenderung tinggi dan keuntungan cenderung marginal
hasil dari tindakan mempengaruhi jalur eksposur berbeda dan manfaat perlu
peringkat (Cullen & Frey 1999)
analisis sensitivitas diperlukan untuk memberitahukan dampak nilai default dan
jalur utama
konsekuensi dari penilaian paparan sederhana cenderung tidak dapat diterima.

Analisis monte carlo mungkin tidak dapat menambah nilai pada penilaian resiko ketika :

eksposur dan risiko cenderung diabaikan

biaya mengurangi paparan dan resiko lebih kecil dari biaya analisis probabilistik
keselamatan adalah perhatian penting dan tindakan harus diambil dengan cepat
distribusi probabilitas begitu pasti atau tidak lengkap bahwa penilaian
probabilistik rinci tidak masuk akal
ada sedikit variabilitas atau ketidakpastian dalam data.

Jika penilaian Monte Carlo dilakukan metodologi harus 'transparan' atau masalah akan
timbul dalam konsultasi masyarakat. Seperti halnya bentuk penilaian risiko, prinsipprinsip dasar dari metode harus dapat dipahami oleh masyarakat yang terkena dampak.
13.2.1 Weaknesses with the Monte Carlo technique
Keterbatasan teknik Monte Carlo meliputi berikut ini:

Kompleksitas: penerapan metode monte carlo sangat umum, mengubah satu

variabel berarti menghitung ulang dalam jumlah besar karena sejauh mana proses
berulang ketika menggunakan model ini. kompleksitas mengurangi 'transparansi'
metode. Hal ini dapat menimbulkan kesulitan dalam konsultasi masyarakat dan
komunikasi risiko mengaburkan kesalahan, dan menciptakan kesulitan untuk
pengecekan baik oleh pemodel dan administrasi pemerintah.
Kehilangan perbedaan faktor: Metode tidak menunjukkan 'yang variabel adalah
kontributor paling penting untuk ketidakpastian keluaran' (US EPA 1992 p
22.928.).
Realistis penilaian probabilitas: US EPA (1992) mencatat bahwa simulasi seperti
yang ditemukan dengan model Monte Carlo sering 'mencakup perkiraan
probabilitas rendah di ujung atas yang lebih tinggi dari mereka yang benar-benar
berpengalaman dalam populasi tertentu, karena ketidakmungkinan menemukan
eksposur tersebut atau dosis dalam populasi tertentu ukuran terbatas, atau karena
korelasi non-jelas antara parameter di ujung tinggi rentang mereka '. Hal ini
menyebabkan terlalu tinggi dosis paparan atau risiko. Ilmu
Dewan Penasehat US EPA telah mencatat: "Untuk populasi yang besar, eksposur
simulasi, dosis dan risiko di atas 99,9 persentil mungkin tidak berarti ketika
distribusi lognormal terbatas digunakan sebagai default '(US EPA 1992 p
22.922.).
Penilaian titik akhir: Dengan Monte Carlo-jenis penilaian masih ada kebutuhan
untuk menentukan apa yang tingkat yang dapat diterima paparan. Smith (1994 p.
48) menganggap bahwa 'tingkat paparan terlampaui 1 di 20 orang terkena
tampaknya akan menjadi maksimal wajar sesuai'. Hal ini akan memungkinkan 5
persen dari populasi tidak dimasukkan dalam penilaian eksposur..

13.2.2 Monte Carlo vs hypercube Latin

Monte Carlo menggunakan 'random (atau pseudo-random) nomor untuk sampel dari
distribusi masukan ... [sehingga] ... sampel lebih cenderung akan diambil dari nilai-nilai
yang memiliki probabilitas yang lebih tinggi (misalnya di dekat mode)' (AIHC 1994 p.
3.3)..

skenario. teknik hypercube Latin menggunakan random sampling dalam

equiprobableinterval distribusi sehingga tidak akan berkerumun pengambilan sampel
dekat mode. Hal ini juga 'mempertahankan kemerdekaan penuh dari variabel' (AIHC
1994 p. 3.3).
13.2.3 Memperkirakan distribusi untuk eksposur faktor
Faktor yang mempengaruhi pilihan distribusi :
1. Variabilitas dan ketidakpastian: Variabilitas, sebagai ciri yang melekat dari populasi,
tidak akan berkurang dengan data tambahan tetapi akan lebih akurat ditandai.
Ketidakpastian, bagaimanapun, akan berkurang dengan data.Uncertainty tambahan
mungkin timbul dari faktor intrinsik dengan data yang tersedia (misalnya keterbatasan
desain penelitian dan teknik analisis) atau dari aplikasi data untuk populasi non-sampel
(egextrapolating Data Skandinavia ke Australia . penduduk) (Finley et al 1994)
2. Faktor saling ketergantungan: Beberapa faktor, seperti berat badan dan luas
permukaan kulit, saling tergantung, dan ini perlu dipertimbangkan. Data usia tertentu
harus digunakan, sebagai faktor yang mungkin sangat terkait dengan usia.
3. Jangka pendek dan variasi jangka panjang: variabilitas Interpersonal akan menurun jika
lamanya waktu di mana faktor diukur meningkat. Data jangka pendek cenderung
melebih-lebihkan variasi antar-individu (Finley et al. 1994). Sebagai contoh, 95 persen
dari asupan makanan dari penelitian diambil alih satu sampai periode tiga hari akan
secara signifikan lebih tinggi daripada untuk studi diambil selama jangka panjang seperti
1 bulan sampai 1 tahun. Ini telah terlihat dalam studi keran konsumsi air dan konsumsi
ikan (Finley et al. 1994).
4. Bentuk distribusi: distribusi bentuk segitiga sering digunakan dalam penilaian
MonteCarlo-jenis tetapi dapat dilihat sebagai characterisations konservatif distribusi
normal atau log normal dipotong (Finley et al 1994.).
13.2.4 Memilih dataset yang tepat
Ketika membangun distribusi probabilitas, distribusi harus ditentukan, mana mungkin,
dari dataset yang relevan. Jika ada kebutuhan untuk memperkirakan distribusi
probabilitas, harus dihargai bahwa banyak faktor kesehatan lingkungan cenderung logterdistribusi normal daripada didistribusikan secara simetris. Contoh variabel risiko yang
telah ditandai dengan distribusi log-normal (Murphy 1998):
berat badan (masing-masing jenis kelamin)
bioakumulasi
tingkat pernapasan
faktor potensi kanker
konsentrasi di udara, tanah, jaringan, air
Tingkat air minum

 kulit yang terkena

konsumsi ikan
seumur hidup
waktu tinggal
Durasi mandi
Penggunaan air mandi
tingkat konsumsi tanah
luas permukaan / berat badan
penggunaan air Total
kerentanan beracun.
Finley et al. (1994) merekomendasikan kriteria berikut untuk menilai Data:
konsistensi dengan penelitian lain
relevansi dari populasi survei ke masyarakat umum atau penduduk yang dinilai
sebagai bagian dari penilaian risiko
minimalisasi variabel pengganggu
apakah ada data yang cukup untuk secara memadai ciri variabilitas dan ekstrem
distribusi.
Haimes et al. (1994) mengusulkan beberapa pendekatan untuk distribusi berkembang
ketika data objektif yang hilang atau langka atau tidak cukup relevan:
Ketika data jarang tetapi relevan, ahli penilaian dapat digunakan untuk mengusulkan
persentil menggunakan data yang tersedia sebagai 'kolaborator' dari penilaian ahli.
Dimana data tidak cukup relevan untuk mengusulkan distribusi untuk parameter,
penilaian ahli lagi dapat digunakan berkolaborasi penghakiman dengan data analog.
Di mana ada tidak adanya data elisitasi formal penilaian ahli untuk membangun
distribusi dapat digunakan.
13.2.5 Penilaian paparan Monte Carlo dataset
Meningkatnya jumlah data yang menjadi tersedia untuk memungkinkan penggunaan
MonteCarlo.Paparan acuan (AIHC Taskforce 1994) menyajikan dokumentasi luas dari
distribusi probabilitas dari berbagai sumber yang ditujukan untuk penduduk AS.
13.2.6 Prinsip penggunaan teknik Monte Carlo
Tujuan dan ruang lingkup penilaian risiko harus jelas diartikulasikan di bagian
identifikasi masalah. Burmaster dan Anderson (1994) menekankan bahwa metode
penilaian eksposur harus memiliki penilaian endpoint yang jelas dan menyediakan semua
informasi yang relevan sehingga penilaian dapat direproduksi dan dievaluasi. Burmaster

dan Anderson (1994) rinci 1-14 prinsip praktik yang baik di Monte Carlo
assessments.These adalah sebagai berikut:
Detil semua formula.
perkiraan Detil titik paparan mana ini dituntut oleh badan pengatur.
Detil analisis sensitivitas untuk memungkinkan identifikasi variabel input yang
relevan dan penting. Variabel-variabel yang akan mendorong penilaian risiko harus jelas
dimasukkan dalam analisis Monte Carlo
Gunakan teknik probabilistik (yang mungkin menuntut dalam hal waktu, uang dan
sumber daya lainnya).
Memberikan informasi rinci tentang distribusi input. Minimum yang dinyatakan oleh
Burmaster dan Anderson adalah:
- Grafik yang menunjukkan distribusi penuh dan lokasi nilai titik yang digunakan dalam
[titik estimasi] penilaian risiko
- Tabel yang menunjukkan rata-rata, standar deviasi, minimum (jika ada),
Detil bagaimana masukan distribusi menangkap dan mewakili kedua variabilitas dan
ketidakpastian dalam variabel input (p. 478) sehingga memungkinkan kedua variabilitas
dan ketidakpastian akan dijelaskan dan dianalisis secara terpisah.
Gunakan diukur data untuk menguji relevansi distribusi input ke penduduk, tempat dan
waktu penilaian eksposur.
Menjelaskan metode yang diukur data yang digunakan untuk memperolehdistribusi
kemungkinan.
Detil setiap korelasi antara data di mana ada korelasi yang relatif tinggi. Analisis
sensitivitas mungkin diperlukan untuk menentukan dampak dari korelasi antara variabel
pada analisis eksposur.
Memberikan informasi rinci dan grafik untuk setiap distribusi output. Burmaster dan
Anderson menyarankan sebagai berikut minimal:
Memberikan catatan analisis sensitivitas dan dampaknya yang akan memungkinkan
penentuan variabel input yang paling penting (atau kelompok variabel).
Detil nama dan kualitas statistik dari nomor acak generatorbekas. Beberapa generator
tidak memadai karena periode kekambuhan singkat.
Menafsirkan hasil dan detail keterbatasan metodologi seperti efek bias tidak di tempat
lain ditafsirkan.
Burmaster dan Anderson menyatakan bahwa 'prinsip-prinsip tidak saling eksklusif atau
kolektif lengkap' (Langley & Sabordo 1996 pp. 140-141).