JURNAL
TEKNIK PENGAIRAN KONSENTRASI SISTEM INFORMASI
SUMBER DAYA AIR
UNIVERSITAS BRAWIJAYA
FAKULTAS TEKNIK
MALANG
2017
Aplikasi Jaringan Syaraf Tiruan untuk Memprediksi Kualitas Air
Sungai di Titik Jembatan Jrebeng Kabupaten Gresik
Nevandria Satrya Yudha1,Riyanto Haribowo2, Very Dermawan2,
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: nevansatrya@gmail.com
ABSTRAK
Air menjadi elemen penting dalam kehidupan, kualitas serta kuantitas air harus dijaga.
Kualitas air sungai sangat dipengaruhi oleh aktivitas disepanjang sungai tersebut. Penting
untuk dilakukan pemantauan untuk mengetahui kondisi kualitas air. Selama ini pemantauan
kualitas air dilakukan dengan alat , alat ukur terstandar serta pengukur yang berpengalaman.
Metode yang dapat membantu peramalan dan pemantauan kualitas air sungai adalah metode
JST (Jaringan Syaraf Tiruan). Dengan software Neurosolutions7,tujuan studi ini adalah JST
digunakan untuk memprediksi kualitas air parameter (DO, BOD, COD, pH dan suhu)
menggunakan input data kualitas air titik sebelumnya . Maka dibuat 3 (tiga) arsitektur,
Konfigurasi I untuk output DO. Skenario II dan III untuk output BOD dan COD namun
dengan input yang berbeda. Semua konfigurasi running dengan dataset training, cross
validation, dan testing serta variasi epoch yang berbeda. Kemudian hasil JST dihitung
persentase kesalahan relatif (KR) berdasarkan data eksisting. Hasilnya, Skenario I output
DO, pH dan suhu dengan persentase KR < 10%. Skenario II dan III, output BOD dan COD
yang dihasilkan JST memiliki KR < 20%. Rata-rata nilai Kesalahan Relatif terendah
didapatkan JST dengan persentase dataset 60-20-20 dengan epoch 5000.
Kata Kunci : jaringan syaraf tiruan, kualitas air sungai, DO, BOD, COD, pH, Suhu
ABSTRACT
Water becomes an important element in life, the quality and quantity of water must be
maintained. The quality of river water is strongly influenced by activities along the river. It
is important to monitor the condition of water quality. So far, water quality monitoring is
done by means, standardized measuring instruments and experienced gauges. A method
that can help forecasting and monitoring the quality of river water is the method of ANN
(Artificial Neural Network). With Neurosolutions7 software, the purpose of this study is
ANN used to predict water quality parameters (DO, BOD, COD, pH and temperature)
using the previous water quality data point input. Then made 3 (three) architecture,
Configuration I for output DO. Scenarios II and III for BOD and COD output but with
different inputs. All configurations run with training datasets, cross validation, and testing
and different epoch variations. Then the ANN results calculated the percentage of relative
error (KR) based on the existing data. Result, Scenario I output DO, pH and temperature
with KR percentage <10%. Scenarios II and III, the output of BOD and COD produced by
ANN has KR <20%. The average value of the lowest R Relative Error is obtained by ANN
with the percentage of dataset 60-20-20 with epoch 5000.
Keywords: artificial neural network, river water quality, DO, BOD, COD, pH, Temperature
1. PENDAHULUAN undangan yang berlaku (Pasal 1
D alam laporan status lingkungan Keputusan Menteri Negara Lingkungan
hidup provinsi Jawa Timur Badan Hidup Nomor 115 tahun 2003), kualitas
Lingkungan Hidup (BLH) provinsi jawa air adalah kondisi kualitatif air yang
timur menyebutkan bahwa sumber diukur dan atau di uji berdasarkan
pencemar berasal dari limbah domestik 50 parameter-parameter tertentu serta metode
%, limbah industri 40 %, limbah pertanian tertentu. Kualitas air dapat dinyatakan
dll 10%. Akibat pelanggaran yang sering dengan parameter kualitas air yang
dilakukan beberapa industri yaitu: meliputi parameter fisik, kimia, dan
Pembuangan air limbah secara mikrobiologis (Masduqi, 2009).
langsung ke lingkungan (by pass). Tidak Perubahan kondisi kualitas air pada
memiliki Instalasi Pengolahan Air Limbah suatu DAS disebabkan karena
(IPAL). Tidak mengoperasionalkan IPAL peningkatan aktivitas manusia
secara optimal. Membuang yang melebihi didalamnya sehingga menjadikan kondisi
baku mutu. Tidak memiliki ijin kualitas air menurun dan tidak dapat
pembuangan limbah cair (IPLC). dimanfaatkan secara optimal (Asdak,
(Badan Lingkungan Hidup Jawa 2010).
Timur,2010) Studi ini mengacu pada penelitian
Dalam upaya mewujudkan peraturan terdahulu yang telah dilakukan oleh
pemerintah tentang kebijakan dan strategi Archana Sarkar dan Prashant Pandey
pengelolaan sumber daya air Provinsi dengan judul River Water Quality
Jawa Timur. Disebutkan bahwa salah satu Modelling using Artificial Neural Network
upaya pengendalian pencemaran air Technique yang dilakukan di Sungai
adalah dengan cara mengembangkan dan Yamuna, India. Kemudian dicoba untuk
menerapkan teknologi perbaikan kualitas diterapkan pada Sungai Brantas bagian
air dan sistem pemantauan kuaitas air pada hilir namun dengan parameter tambahan
sumber air sebelum masuk atau yaitu COD, pH serta Suhu. (Archana
dimasukan ke dalam sumber air Sarkar, 2015)
(Peraturan Gubernur Jawa Timur Nomor 2. METODOLOGI
12 Tahun 2013). 2.1. Lokasi Studi
Dalam upaya menangani hal tersebut Studi ini akan meramalkan kualitas air
perlu dilakukan kegiatan pemantauan sungai pada 3 titik pantau kualitas air
kualitas air yang cepat akurat dan efisien sungai untuk menggambarkan kondisi
sebagai acuan untuk melakukan upaya hulu tengah dan hilir sungai yaitu Canggu
pengelolaan kualitas air sungai agar Tambangan Jembatan perning dan
kualitas air sungai dapat membaik seiring Jembatan Jrebeng dengan titik yang akan
dengan meningkatnya pengetahuan di prediksi di Jembatan Jrebeng terletak di
pekerjaan manusia lebih dimudahkan Kabupaten Gresik, Provinsi Jawa Timur.
dengan adanya komputer. Sehingga Kabupaten Gresik terletak di sebelah barat
dibutuhkan suatu inovasi baru yaitu laut Kota Surabaya dengan luas wilayah
berupa kecerdasan buatan (Artificial 1.191,25 km2 yang terbagi dalam 18
Intelegency) untuk mengetahui Kecamatan dan terdiri dari 330 Desa dan
pemodelan kualitas air Sungai pada titik 26 Kelurahan.
Jembatan Jrebeng dengan metode Secara geografis wilayah Kabupaten
Jaringan Syaraf Tiruan dengan parameter Gresik terletak antara 112o sampai 113o
kualitas air.( Kusumadewi. 2004) Bujur Timur dan 7o sampai 8o Lintang
Sehingga dapat memberikan Selatan dan merupakan dataran rendah
informasi yang terbaru untuk memudahan dengan ketinggian 2 sampai 12 meter
dalam memprediksi kualitas air sungai. diatas permukaan air laut kecuali
Berdasarkan peraturan perundang- Kecamatan Panceng yang mempunyai
ketinggian 25 meter diatas permukaan air 2.1.1 Lokasi Pengamatan Kualitas Air.
laut. Sampel parameter kualitas air yang
Batas-batas wilayah Kabupaten Gresik: terletak di 3 titik lokasi di aliran sungai
1. Sebelah Utara : Laut Jawa Brantas Parameter yang diambil adalah
2. Sebelah Timur :Selat Madura dan parameter fisika berupa parameter kualitas
Kota Surabaya air Dissolved Oxygen (DO), Biological
3. Sebelah Barat :KabupateLamongan Oxygen Demand (BOD), Chemical
4. Sebelah Selatan :Kabupaten Sidoarjo Oxygen Demand (COD), pH (Keasaman)
dan Mojokerto dan T (Suhu).
2.2 Metode
Pada studi ini diperlukan data-data yang
mendukung guna memudahkan da-lam
menganalisis permasalahan yang ter-jadi,
untuk itu perlu disajikan beberapa data
sebagai berikut:
1. Peta lokasi titik pengambilan sampel Gambar 2. Arsitektur Jaringan
kualitas air dengan:
2. Data parameter kualitas air (DO, BOD, y_ink = nilai output
COD, pH, T (suhu) W = Bobot dari hidden layer ke output
3. Data hujan bulanan 10 tahun (2006- X = Neuron pada input layer
2015) pada 3 stasiun terdekat lokasi Z = Hidden layer
pengukuran kualitas air (kemlaten, B = bias / unit masukan B= 1
Krian, Bakalan) Untuk konfigurasi lainnya yang
membedakan hanya jumlah dan variasi data
Adapun metode yang digunakan studi ini
inputnya saja.
yaitu: 2. Model analisa perhitungan matematis
1. Jaringan Syaraf tiruan dengan bantuan metode Neraca Massa dapat digunakan
Software Neurosolution for Excel untuk menentukan konsentrasi rata-rata
dengan bentuk arsitektur jaringan dan aliran hilir (downstream) yang berasal
beberapa konfigurasi yang digunakan dari sumber pencemar point sources
adalah sebagai berikut: dan non point sources.
A. Input Curah hujan stasiun titik 1,2,3
+ pH titik 1 dan 2 + suhu titik 1 dan
2 + DO titik 1 dan 2 untuk target
tunggal DO titik 3, pH titik 3, suhu
titik 3, dan gabungan 3 target DO,
pH, dan suhu sekaligus
B. Input Curah hujan stasiun 1,2,3 +
Suhu titik 1,2,3 + pH titik 1,2,3 +
BOD titik 1,2 + COD 1,2, untuk
target BOD titik 3 dan COD titik 3 Gambar 3. Skema Aliran Sungai Untuk
C. Input Curah hujan stasiun 1,2,3 + Analisa Neraca Massa
Suhu titik 1,2,3 + pH titik 1,2,3 + Keterangan:
DO titik 1,2,3 untuk target BOD 1. Aliran sungai sebelum bercampur
titik 3 dan COD titik 3 dengan sumber-sumber pencemar
Ini merupakan gambar arsitektur 2. Aliran sumber pencemar A
jaringan pada konfigurasi 1. 3. Aliran sumber pencemar B
4. Aliran sungai setelah bercampur dengan
sumber-sumber pencemar.
3. Analisa Dan Pembahasan pH
2.1. Analisa dengan Neurosolutions 7.0
1. Rekapitulasi konfigurasi 1 Tabel 5 Kesalahan Relatif konfigurasi 1
Tujuan dari Konfigurasi I dilakukan untuk dengan output pH
memprediksi parameter yang dapat diukur KR (%)
hilirnya tanpa harus mengukur di hilir cukup ( Keasaman ) 5000 1.14855411 0.987212556 1.350016143
dengan data pengukuran di hulu dan tengah 10000 1.43884498 1.123473679 1.202530481
4
3 do model
2
do eks
1
0
1 11 21 31 41 51 61 71 81 91 101 111
Banyak Data
6
4 pH JST
2 pH Eksisting
0
11
16
21
26
31
36
41
46
51
56
61
66
71
76
81
86
91
96
1
6
101
106
111
116
Banyak Data
8.5
8
pH Output
7.5
6.5
6
6 6.5 7 7.5 8 8.5
pH Eksisting
40
35
30
25
Nilai Suhu
Suhu JST
20
15 Suhu Eksisting
10
5
0
65
17
25
33
41
49
57
73
81
89
97
1
9
105
113
Banyak Data
Gambar 9. Grafik Perbandingan Suhu output JST dan Suhu aktual
34
33
32
Suhu Output
31
30
29
28
27
26
25
25 26 27 28 29 30 31 32 33 34
Suhu Desired
Gambar 10. Grafik sebaran data Suhu output JST dan Suhu aktual
Tabel 12. Perbandingan data DO pH Suhu output dengan existing pada titik Jembatan
Jrebeng
Kesalahan Kesalahan Kesalahan
DO DO pH pH Suhu Suhu
Relatif Relatif Relatif
Tahun Bulan
(%) (%) (%)
JST Aktual JST Aktual JST Aktual DO pH Suhu
2006 Mei 5.78 5.80 7.21 7.20 28.61 28.50 0.41% 0.13% 0.39%
2007 Mei 5.19 5.10 7.46 7.30 31.03 31.00 1.77% 2.24% 0.11%
2008 Mei 5.55 5.50 7.42 7.30 29.45 29.00 0.85% 1.62% 1.55%
2009 Mei 4.51 4.50 7.67 7.60 29.02 29.20 0.14% 0.92% 0.61%
2010 Mei 4.91 5.20 7.44 7.20 27.20 27.00 5.67% 3.34% 0.75%
2011 Mei 4.59 4.90 7.03 6.90 29.36 29.50 6.29% 1.94% 0.46%
2012 Mei 5.19 5.20 7.29 7.20 29.12 29.80 0.26% 1.20% 2.28%
2013 Mei 4.04 4.20 7.49 7.40 30.13 30.00 3.75% 1.27% 0.43%
2014 Mei 5.05 4.40 7.34 7.40 31.26 31.70 14.76% 0.83% 1.39%
2015 Mei 4.33 3.90 7.36 7.30 28.43 29.10 11.13% 0.89% 2.29%
Rata-Rata Kesalahan Relatif (%) 4.5% 1.44% 1.03%
Sumber : Perhitungan (2017)
Pemilihan dilakukan berdasarkan dari Kemudian dibandingkan hasil diantara
kesalahan relatif terkecil, sehingga 3 metode yaitu pengukuran lapangan,
jaringan yang kesalahan relatifnya terkecil neraca massa dan JST seperti tabel berikut
akan digunakan untuk prediksi kualitas air Tabel 15. Hasil jaringan syaraf tiruan
di bulan mei tahun 2017 dengan neraca masa dan pengukuran
penambahan data pengukuran di lapangan
Nilai
Bulan- Tahun Parameter Neraca Model
Tabel 13. Perbandingan hasil pemodelan Lapangan
massa JST
tahun 2017 dengan pengukuran lapangan DO 9.81 7.15 6.03
pada bulan mei 2017 di titik jembatan Mei - 2017 pH 5.74 5.74 6.47
jrebeng
Suhu 28.66 29.32 25.18
Parameter Nilai KR (%)
DO pengukuran 7.15
15.63
Sumber : Perhitungan (2017)
DO hasil model 6.03
Terlihat hasil dari ketiga metode tentu
pH pengukuran 5.74
pH hasil model 6.47
12.63 yang paling baik hasilnya adalah
Suhu pengukuran 29.32
14.11
pengukuran di lapangan, tetapi untuk
Suhu hasil model 25.18
prediksi sangat di sarankan menggunakan
Sumber : Perhitungan (2017) Jaringan Syaraf Tiruan karena dapat
2.2. Analisa dengan Neraca Massa menghemat waktu dan biaya yang
Tabel 14. Hasil perhitungan Neraca massa dikeluarkan relatif lebih kecil
dibandingkan metode pengukuran atau
Parameter
Aliran
Laju
Keterangan
dengan bantuan Laboratorium.
Air
DO Suhu pH 4. Kesimpulan
Berdasarkan analisa perhitungan dan
1 2.01 11.28 28.3 5.75
Data pengujian pada model Jaringan Syaraf
2 0.59 7.76 29.1 5.73 Pengukuran
Lapangan
Tiruan dengan bantuan software
3 0.73 7.4 29.3 5.71 Neurosolutions 7.0 yang dilakukan sesuai
4 9.80 28.6 5.73
Hasil dengan rumusan masalah pada kajian ini,
Perhitungan
maka dapat disimpulkan beberapa hal
Sumber : Perhitungan (2017)
sebagai berikut:
Keterangan Nilai Kesalahan Relatif (KR) terkecil
Aliran 1 = titik canggu tambangan
DO sebesar 4.50% , pH sebesar 0.98 %
Aliran 2 = tititk jembatan perning
Aliran 3 = titik antara jembatan perning dan Suhu sebesar 1.0267 % terletak di
dengan jembatan jrebeng konfigurasi 1 dengan target masing –
Aliran 4 = titik jembatan jrebeng yang di masing parameter menggunakan epoch
hitung 5000 dan komposisi dataset Training 60%
Setelah melakukan perhitungan neraca - cros validation 20% - testing 20%
massa maka akan terlihat Untuk nilai Kesalahan relatif (KR)
perbandingannya dengan data pengukuran terkecil BOD sebesar 15.58% dan COD
sebagai berikut. sebesar 16.90 % dengan model
Tabel 14. Perbandingan hasil neraca konfigurasi 2 , epoch 5000, dan komposisi
massa dengan pengukuran di lapangan dataset Training 60% - cros validation
Nilai KR 20% - testing 20%.
Bulan- Tahun Parameter Neraca Pengukuran
Massa Lapangan
% Hasil Prediksi kualitas air parameter
DO 9.81 7.15 37.172 DO, pH dan Suhu titik jembatan jrebeng
Mei - 2017 pH 5.738 5.74 0.040 bulan mei tahun 2017 dengan model
Suhu 28.66 29.32 2.248 software Neurosolution dibandingkan
Sumber : Perhitungan (2017)
dengan data lapangan adalah sebagai [5] Yunanti, Fitria. 2010. Aplikasi Jaringan
berikut: Syaraf Tiruan untuk Memprediksi
Parameter kualitas air disolved Prestasi Siswa SMU dengan Metode
Backpropagation. Yogyakarta.
oxygen (DO), nilai hasil prediksi JST [6] Zainal A. Hasibuan, PhD. 2007.
sebesar 6.032 mg/l dan nilai pengukuran Metodologi Penelitian Pada Bidang
dilapangan sebesar 7.15 mg/l dengan Ilmu Komputer Dan Teknologi
kesalahan relatif 15,634%. Parameter Informasi. Depok: Fasilkom
kualitas air pH (keasaman), nilai hasil Universitas Indonesia.
[7] Hermawan, Arief. 2006. Jaringan
prediksi JST sebesar 6.465 dan nilai
Syaraf Tiruan Teori dan Aplikasi.
pengukuran dilapangan sebesar 5.74 Yogyakarta : C.V Andi OFFSET.
dengan kesalahan relatif 12.639%. SNI 8066.2015.Tata Cara
Parameter kualitas air Suhu, nilai hasil Pengukuran debit aliran sungai dan
prediksi JST sebesar 25,180 dan nilai saluran terbuka menggunakan alat
pengukuran dilapangan sebesar 29,32 ukur arus dan pelampung. Jakarta :
Badan Standarisasi Nasional.
dengan kesalahan relatif 14,117% [8] Peraturan Gubernur Jatim No 12 tahun
Perbandingan hasil perhitungan 2013. Kebijakan dan Strategi
Pengelolaan Sumberdaya Air
metode Neraca massa dengan data Provinsi Jawa Timur. Surabaya :
pengukuran dilapangan adalah : Pemerintah Provinsi Jawa Timur.
[9] Peraturan Pemerintah Nomor 82 Tahun
Parameter DO nilai Neraca massa
2001. Pengelolaan Kualitas Air dan
sebesar 9,81 mg/l sedangkan nilai Pengendalian Pencemaran Air.
pengukuran di lapangan sebesar 7,15 mg/l Jakarta
dengan kesalahan relatif (KR) 37,172%.
Parameter pH nilai Neraca massa
sebesar5,738 sedangkan nilai pengukuran
di lapangan sebesar 5.74 dengan
kesalahan relatif (KR) 0,040 %. Parameter
Suhu nilai Neraca massa sebesar 28.66 C˚
sedangkan nilai pengukuran di lapangan
sebesar 29.32 C˚ dengan kesalahan relatif
(KR) 2.248%
5. 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.