APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI

KUALITAS AIR SUNGAI DI TITIK JEMBATAN JREBENG

KABUPATEN GRESIK

JURNAL
TEKNIK PENGAIRAN KONSENTRASI SISTEM INFORMASI
SUMBER DAYA AIR

Ditujukan untuk memenuhi persyaratan

memperoleh gelar Sarjana Teknik

NEVANDRIA SATRYA YUDHA

NIM. 135060401111050

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
D alam laporan status lingkungan
hidup provinsi Jawa Timur Badan
Lingkungan Hidup (BLH) provinsi jawa
timur menyebutkan bahwa sumber
pencemar berasal dari limbah domestik 50
%, limbah industri 40 %, limbah pertanian
dll 10%. Akibat pelanggaran yang sering
dilakukan beberapa industri yaitu:
Pembuangan air limbah secara
langsung ke lingkungan (by pass). Tidak
memiliki Instalasi Pengolahan Air Limbah
(IPAL). Tidak mengoperasionalkan IPAL
secara optimal. Membuang yang melebihi
baku mutu. Tidak memiliki ijin
pembuangan limbah cair (IPLC).
(Badan Lingkungan Hidup 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 upaya menangani hal tersebut
perlu dilakukan kegiatan pemantauan
kualitas air yang cepat akurat dan efisien
sebagai acuan untuk melakukan upaya
pengelolaan kualitas air sungai agar
kualitas air sungai dapat membaik seiring
dengan meningkatnya pengetahuan
pekerjaan manusia lebih dimudahkan
dengan adanya komputer. Sehingga
dibutuhkan suatu inovasi baru yaitu
berupa kecerdasan buatan (Artificial
Intelegency) untuk mengetahui
pemodelan kualitas air Sungai pada titik
Jembatan Jrebeng dengan metode
Jaringan Syaraf Tiruan dengan parameter
kualitas air.( Kusumadewi. 2004)
Sehingga dapat memberikan
informasi yang terbaru untuk memudahan
dalam memprediksi kualitas air sungai.
Berdasarkan peraturan perundang-
undangan yang berlaku (Pasal 1
Keputusan Menteri Negara Lingkungan
Hidup Nomor 115 tahun 2003), 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 DAS disebabkan karena
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 Sungai Brantas bagian
hilir namun dengan parameter tambahan
yaitu COD, pH serta Suhu. (Archana
Sarkar, 2015)
2. METODOLOGI
2.1. Lokasi Studi
Studi ini akan meramalkan kualitas air
sungai pada 3 titik pantau kualitas air
sungai untuk menggambarkan kondisi
hulu tengah dan hilir sungai yaitu Canggu
Tambangan Jembatan perning dan
Jembatan Jrebeng dengan titik yang akan
di prediksi di Jembatan Jrebeng terletak di
Kabupaten Gresik, Provinsi Jawa Timur.
Kabupaten Gresik terletak di sebelah barat
laut Kota Surabaya dengan luas wilayah
1.191,25 km2 yang terbagi dalam 18
Kecamatan dan terdiri dari 330 Desa dan
26 Kelurahan.
Secara geografis wilayah Kabupaten
Gresik terletak antara 112o sampai 113o
Bujur Timur dan 7o sampai 8o Lintang
Selatan dan merupakan dataran rendah
dengan ketinggian 2 sampai 12 meter
diatas permukaan air laut kecuali
Kecamatan Panceng yang mempunyai
ketinggian 25 meter diatas permukaan air
laut.
Batas-batas wilayah Kabupaten Gresik:
1. Sebelah Utara : Laut Jawa
2. Sebelah Timur :Selat Madura dan
Kota Surabaya
3. Sebelah Barat :KabupateLamongan
4. Sebelah Selatan :Kabupaten Sidoarjo
dan Mojokerto
Gambar 1. Titik pengamatan parameter kualitas air di Kali Surabaya
Penelitian yang dilakukan pada
tiga stasiun monitoring kualitas air Perum
Jasa Tirta I yaitu terletak di titik stasiun
monitoring kualitas air Canggu
Tambangan, titik Jembatan Perning, dan
titik Jembatan Jerebeng. Deskripsi
lokasinya adalah:
• Canggu Tambangan
Canggu tambangan terletak pada
koordinat S7°26'174'' Bujur Selatan dan
E112°27'593'' Bujur Timur tepatnya di
desa Canggu Kecamatan Jetis Kabupaten
Mojokerto, jarak antara Canggu
Tambangan dengan Jembatan perning
adalah 5.573 m dengan lebar sungai 21m.
• Jembatan Perning
Jembatan Perning terletak tepat pada
koordinat S7°24'594'' Bujur Selatan dan
E112°29'505'' Bujur Timur tepatnya di
Kecamatan Balong Bendo Kabupaten
Sidoarjo, jarak Jembatan Perning dengan
2.1.1 Lokasi Pengamatan Kualitas Air.
Sampel parameter kualitas air yang
terletak di 3 titik lokasi di aliran sungai
Brantas Parameter yang diambil adalah
parameter fisika berupa parameter kualitas
air Dissolved Oxygen (DO), Biological
Oxygen Demand (BOD), Chemical
Oxygen Demand (COD), pH (Keasaman)
dan T (Suhu).
Jembatan Jrebeng adalah 11.229 m
dengan lebar sungai 27m.
• Jembatan Jrebeng
Jembatan Jrebeng terletak pada koordinat
S7°23'252'' Bujur Selatan dan
E112°34'628'' Bujur Timur tepatnya di
desa Krikilan Kelurahan Driyorejo
Kabupaten Gresik, lebar sungai pada titik
Jembatan Jrebeng adalah 28m.
2.1.2 Lokasi Pos Stasiun Hujan.
Diperlukan data hujan tujuanya digunakan
sebagai fata yang dijadikan bahan sebagai
hubungan hujan terhadap pengencer dari
limbah atau pada proses pemurnian
sendiri.
Tabel 1. Koordinat pos stasiun hujan.
Koordinat
No Nama Stasiun Bujur Bujur
Selatan Timur
1 Kemlaten 7°27'05.0" 112°28'11.0"
2 Bakalan 7°24'32.0" 112°31'46.0"
3 Krian 7°24'29.5" 112°34'44.2"
Sumber: Dinas PU Sumber Daya Air
Provinsi Jawa Timur

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
kualitas air
2. Data parameter kualitas air (DO, BOD,
COD, pH, T (suhu)
3. Data hujan bulanan 10 tahun (2006-
2015) pada 3 stasiun terdekat lokasi
pengukuran kualitas air (kemlaten,
Krian, Bakalan)
Adapun metode yang digunakan studi ini
yaitu:
1. Jaringan Syaraf tiruan dengan bantuan
Software Neurosolution for Excel
dengan bentuk arsitektur jaringan dan
beberapa konfigurasi yang digunakan
adalah sebagai berikut:
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
C. Input Curah hujan stasiun 1,2,3 +
Suhu titik 1,2,3 + pH titik 1,2,3 +
DO titik 1,2,3 untuk target BOD
titik 3 dan COD titik 3
Ini merupakan gambar arsitektur
jaringan pada konfigurasi 1.
Gambar 2. Arsitektur Jaringan
dengan:
y_ink = nilai output
W = Bobot dari hidden layer ke output
X = Neuron pada input layer
Z = Hidden layer
B = bias / unit masukan B= 1
Untuk konfigurasi lainnya yang
membedakan hanya jumlah dan variasi data
inputnya saja.
2. Model analisa perhitungan 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.
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 (%)

langsung di lapangan (in site) seperti DO, pH Parameter Epoch Komposisi

Dataset
Komposisi
Dataset
Komposisi
Dataset
dan suhu hal ini dilakukan apabila kita ingin 50%:30%:20% 60%:20%:20% 60%:30%:10%

mengetahui kondisi terkini kualitas air titik pH

1000 1.15084761 1.172661586 1.28617676

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

sungai kemudian di coba juga memprediksi Sumber : Perhitungan (2017)

BOD dan COD hanya dengan input parameter  Suhu
DO, pH Suhu.
Tabel 6 Kesalahan Relatif konfigurasi 1
A. Konfigurasi 1 dengan output tiap dengan output Suhu
KR (%)
parameter Komposisi Komposisi Komposisi
Parameter Epoch
 DO Dataset
50%:30%:20%
Dataset
60%:20%:20%
Dataset
60%:30%:10%
1000 1.317836243 1.435879275 1.382029582
Tabel 2 Kesalahan Relatif konfigurasi 1 Suhu 5000 1.490665794 1.026700374 1.264638834
10000 1.503446927 1.29612174 1.478567149
dengan output DO
Sumber : Perhitungan (2017)
Parameter Epoch Komposisi
KR (%)
Komposisi Komposisi
B. Konfigurasi 1 dengan Output 3
Dataset
50%:30%:20%
Dataset
60%:20%:20%
Dataset
60%:30%:10%
Parameter
DO
1000 10.55158716 8.732685347 9.212924555 Tabel 7 Kesalahan Relatif konfigurasi 1
5000 4.944335653 4.50206113 7.906406992
10000 9.995746848 6.132462523 9.775963533
dengan 3 output ( DO, pH, Suhu).
Sumber : Perhitungan (2017) KR (%)

 BOD Parameter Epoch Komposisi Komposisi Komposisi

Dataset Dataset Dataset
50%:30%:20% 60%:20%:20% 60%:30%:10%
Tabel 3 Kesalahan Relatif konfigurasi 1
1000 11.18333906 9.320319486 10.82094156
dengan output BOD DO
5000 13.3808002 10.31687311 10.58296693
KR (%) 10000 10.76515594 10.39753909 10.2335083
Parameter Epoch Komposisi Komposisi Komposisi
Dataset Dataset Dataset 1000 1.504133073 1.397919123 1.153294225
50%:30%:20% 60%:20%:20% 60%:30%:10% pH
5000 1.377302858 1.266009883 1.229819962
1000 30.10291336 32.95481268 41.72201618
10000 1.410400971 1.218339828 1.367659769
BOD 5000 33.41766023 30.90428676 30.91592952
1000 1.781276837 1.308435942 1.68624751
10000 30.30117077 40.34028666 36.17760333 Suhu
5000 1.621540868 1.273073613 1.367150868
Sumber : Perhitungan (2017)
10000 1.775965627 1.437667656 1.392271331
 COD Sumber : Perhitungan (2017)
Tabel 4 Kesalahan Relatif konfigurasi 1 Dari hasil analisa Jaringan syaraf
dengan output COD tiruan pada konfigurais 1 menunjukan
KR (%) hasil yang baik untuk parameter DO, pH
Komposisi Komposisi Komposisi
Parameter Epoch
Dataset Dataset Dataset dan Suhu tetapi pada output BOD dan
50%:30%:20% 60%:20%:20% 60%:30%:10%
1000 33.309 34.067 52.161 COD kesalahan relatifnya masih diatas
COD
5000 40.099 36.006 42.640 10%.
10000 34.663 28.534 35.182
Sumber : Perhitungan (2017) Hasil terendah pada konfigurasi 1
untuk DO, pH dan Suhu terletak pada
konfigurasi dengan output masing -
masing parameter, kemudian terletak pada
Komposisi Dataset dan epoch yang sama
yaitu dataset 60:20:20 dan epoch 5000
dengan nilai kesalahan relatif (KR) DO= : 20. Untuk BOD Terletak pada epoch
4.502% pH = 0.987% Suhu =1.026% 5000 dengan kesalahan relatif 15,5857%
2. Hasil Konfigurasi II sedangkan COD Terletak pada epoch
Hasil Konfigurasi II Menggunakan 1000 dengan kesalahan relatif 16.909%
software Neurosolution 7.0 Konfigurasi II
ini dilakukan untuk memprediksi kualitas 3. Hasil Konfigurasi III menggunakan
software Neurosolution 7.0
air di hilir sungai dengan parameter
Konfigurasi III dilakukan untuk
kualitas air yang pengukurannya
memprediksi parameter BOD atau COD
dilakukan di laboratorium, misalnya BOD
yang tidak dapat diukur langsung di
dan COD, dengan syarat memiliki data
lapangan dengan data input menggunakan
BOD dan COD pada hulu dan hilir sungai
data yang dapat di ukur langsung di
dan data pendukung yang dapat diukur
lapangan seperti DO, pH dan suhu hal ini
langsung seperti DO, pH, dan Suhu pada 3
dilakukan apabila kita ingin mengetahui
section sungai yaitu hulu, tengah dan hilir
kondisi terkini kualitas air BOD dan COD
serta data hujan dari beberapa stasiun
tanpa harus membawa sample air ke
hujan terdekat Proses training dan testing
laboratorium tetapi hanya dengan input
JST dibuat dengan bantuan software
parameter DO, pH Suhu sehingga dapat
Neurosolutions 7. Berikut adalah contoh
menghemat waktu dan biaya
kesalahan relatif pada Konfigurasi II.
Setelah dilakukan pemodelan dengan
 BOD konfigurasi 3 maka didapat hasil seperti
berikut:
Tabel 8 Kesalahan Relatif konfigurasi 2  BOD
dengan output BOD
KR (%)
Tabel 10 Kesalahan Relatif konfigurasi 2
Parameter Epoch Komposisi Komposisi Komposisi
dengan output BOD
Dataset Dataset Dataset KR (%)
50%:30%:20% 60%:20%:20% 60%:30%:10%
Parameter Epoch Komposisi Komposisi Komposisi
1000 20.43645325 17.58142415 20.48278069 Dataset Dataset Dataset
BOD 50%:30%:20% 60%:20%:20% 60%:30%:10%
5000 18.49018768 15.5857095 16.15056194
10000 17.42618569 24.65855264 22.37552654 1000 29.88647248 20.66660653 31.54960503
BOD
5000 32.25010657 33.2024698 50.86689672
Sumber : Perhitungan (2017) 10000 40.5637412 41.65099555 33.45807889

 COD Sumber : Perhitungan (2017)

Tabel 9 Kesalahan Relatif konfigurasi 2  COD
dengan output COD Tabel 11 Kesalahan Relatif konfigurasi 3
Epoch KR (%) dengan output COD
Komposisi Komposisi Komposisi Epoch KR (%)
Parameter
Dataset Dataset Dataset
Parameter Komposisi Komposisi Komposisi
50%:30%:20% 60%:20%:20% 60%:30%:10% Dataset Dataset Dataset
1000 23.62489775 16.90986481 18.53690325 50%:30%:20% 60%:20%:20% 60%:30%:10%
COD 1000 30.58478948 32.67784873 26.84551885
5000 31.45079229 27.29111167 21.0994029 COD
5000 38.05848467 28.62405547 28.24621827
10000 24.94862313 18.50503267 19.24865087
10000 27.56680852 31.55065513 36.42694925
Sumber : Perhitungan (2017) Sumber : Perhitungan (2017)
Dari hasil analisa Jaringan syaraf Terlihat hasil pada konfigurasi ke 3
tiruan pada konfigurais 2 menunjukan ternyata kesalahan relatif terkecil berada
hasil kesalahan relatifnya masih diatas di epoch yang sama, tetapi hasil masih
10%. lebih baik konfigurasi ke 2 karena pada
Hasil terendah pada konfigurasi 2 konfigurasi ke 3 kesalahan relatifnya di
untuk BOD dan COD terdapat pada epoch atas 20%. Sehingga dapat di simpulkan
yang berbeda tetapi masih dalam bentuk arsitektur jaringan pada
komposisi data set yang sama yaitu 60 : 20
konfigurasi ke 2 dapat digunakan dalam maka dapat dilihat hasil dari rekapan data
peramalan BOD dan COD dengan kesalahan relatif terkecil
dibandingkan dengan data eksisting
Setelah dilakukan 90 kali proses
seperti beberapa tabel di bawah ini.
analisa jaringan syaraf tiruan
menggunakan Neurosolution for excel

Gambar 4. Perbandingan mse dan epoch

Dari pemodelan konfigurasi yang telah konfigurasi 1.a komposisi 60%:20%:20%
dilakukan, maka akan dibandingkan sebesar DO = 4.502061 %, Suhu = 1.0267
model konfigurasi mana yang memiliki %. Sedangkan untuk pH kesalahan relatif
angka kesalahan relatif terkecil yang akan terkecil terletak pada konfigurasi 1.b
dijadikan sebagai model untuk komposisi 60%:20%:20% sebesaar
memprediksi kualitas air yang tepat. 0.813059351 %.
Diperoleh untuk DO, Suhu pada

Grafik DO output JST dan Aktual (eks)

7
6
5
Nilai DO

4
3 do model
2
do eks
1
0
1 11 21 31 41 51 61 71 81 91 101 111

Banyak Data

Gambar 5. Grafik perbandingan DO output JST dan DO aktual

 5.7
DO Output 5.2
4.7
4.2
3.7
3.2
2.7
2.7 3.2 3.7 4.2 4.7 5.2 5.7
DO Aktual

Gambar 6. Grafik sebaran data DO output JST dan DO aktual

Perbandingan pH JST dan pH Eksisting PJT

10
8
Nilai pH

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

Gambar 7. Grafik Perbandingan pH output JST dan pH aktual

8.5

8
pH Output

7.5

6.5

6
6 6.5 7 7.5 8 8.5
pH Eksisting

Gambar 8. Grafik sebaran data pH output JST dan pH aktual

 Perbandingan Suhu JST dan Suhu Eksisting PJT

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.