Jurnal Tugas Akhir Teknik Informatika 2014

Sistem Deteksi Kebocoran pada Jaringan PipaAir PDAM

MenggunakanAnalisisTekanandenganMetode
Support Vector Machine

Tri Anugrah Rahmadani1, Klarana Ulfah R.1, A. Ejah Umraeni2, Syafruddin Syarif2

1
Program Studi S1 Teknik Informatika Universitas Hasanuddin
2
Program Studi S1 Teknik Elektro Universitas Hasanuddin

Abstrak--- Tingkat pelayanan air bersih PDAM Makassar masih tergolong rendah, yaitu 106.005
sambungan atau 40% dan total rumah tangga sebanyak 262.037 KK. Hal ini disebabkan oleh seringnya
terjadi kebocoran pipa.Kebocoran pipa menyebabkan terjadinya perubahan tekanan pada setiap
junction node (titik persimpangan) dalam jaringan pipa air. Pola perubahan tekanan ini dapat dianalisis
secara komputasi untuk dapat mendeteksi letak dan besar kebocoran yang terjadi pada jaringan pipa.
Dalam penelitian ini, akan dibuat pendeteksi kebocoran pipa secara komputerisasi menggunakan analisis
tekanan sebagai penentu adanya kebocoran di suatu pipa. Sebagai bahan penelitian, digunakan sistem
jaringan pipa pada Perumahan Taman Khayangan Makassar yang dibuat menggunakan software
EPANET 2.0. Data Sistem jaringan pipa tersebut diperoleh dari data PDAM Makassar.Deteksi
kebocoran pipa dalam penelitian ini menggunakan metode Support Vector machine (SVM) untuk
membuat sebuah model deteksi.Variabel prediktornya menggunakan data tekanan dari sistem jaringan
pipa.Output dari sistem deteksi kebocoran ini berupa model yang mendeteksi besar kebocoran serta letak
kebocoran pada pipa maupun junction/ sambungan pipa. Hasil simulasi deteksi kebocoran pipa11-
38menghasilkan RMSE = 0.0709 untuk besar kebocoran dan RMSE = 0.1812 untuk letak kebocoran.
Sedangkan hasil simulasi deteksi kebocoranpipa 7-8 menghasilkan RMSE= 0.0648 untuk besar
kebocoran dan RMSE = 0.0952 untuk letak kebocoran.

Kata kunci--- Support Vector machine (SVM), EPANET 2.0, Kebocoran Pipa, RMSE.
1.Pendahuluan
PDAM merupakan perusahaan yang
memberikan pelayanan air minum untuk penduduk
wilayah kota Makassar secara keseluruhan,
khususnya untuk penyediaan air bersih untuk
rumah tangga. Namun, pelayanan air bersih
PDAM Makassar masih tergolong rendah, yaitu
106.005 sambungan atau 40% dan total rumah
tangga sebanyak 262.037 KK. Hal ini disebabkan
oleh seringnya terjadi kebocoran pipa. Tingkat
kebocoran rata-rata air PDAM adalah 50%.
Berdasarkan Metro TV News pada tanggal 28 Mei
2013, kerugian yang diderita PDAM Kota
Makassar, Sulawesi Selatan, akibat kebocoran
mencapai Rp73,7 miliar sepanjang 2012 atau
meningkat dibandingkan dengan 2011 senilai
Rp65,9 miliar[1].Hal ini merupakan suatu masalah
yang cukup serius untuk ditangani.
Sejauh ini, PDAM melakukan dua tahap
untuk mendeteksi kebocoran, yaitu metode analisis
pelaksanaan step test dan metode sounding[2]. Step
test merupakan suatu metode yang diterapkan
sebagai langkah penapisan (scoping) jaringan
dalam upaya mempersempit wilayah atau area
aliran air untuk memperkirakan lokasi atau
besarnya kebocoranair[3]. Step test diperlukan untuk
menentukan prioritas pengawasan jaringan
terhadap kebocoran. Pelaksanaan step test
merupakan salah satu cara yang paling efektif
untuk mengidentifikasi kebocoran air pada jaringan
distribusi. Tahap selanjutnya yang dilakukan untuk
menentukan letak kebocoran secara pasti dilakukan
dengan teknik sounding. Teknik sounding adalah
teknik dengan menggunakan alat portable yang
mendeteksi gelombang suara yang timbul
sepanjang pipa yang mengindikasikan adanya titik
lubang kebocoran pada pipa. Namun, kedua
metode tersebut terbukti tidak terlalu efektif dalam
menangani kebocoran. Hal ini disebabkan oleh
kurangnya tenaga kerja yang berpengalaman dan
alat pendeteksi yang terbatas. Kebocoran pipa
sendiri menyebabkan terjadinya perubahan tekanan
pada setiap junction node (titik persimpangan)
dalam jaringan pipa air. Pola perubahan tekanan ini
dapat dianalisis secara komputasi untuk dapat
mendeteksi

D421101061, D421102601 1
Jurnal Tugas Akhir Teknik Informatika 2014
letak dan besar kebocoran yang terjadi pada
jaringan pipa. Salah satu cara untuk menganalisis
pola perubahan tekanan tersebut adalah dengan
pemakaian metode kecerdasan buatan untuk
mengenali pola berdasarkan data-data hasil
pengukuran tekanan air, kecepatan aliran air dan
kadang-kadang suhu di setiap node.[4]. Oleh karena
itu, penulis ingin menerapkan kecerdasan buatan
untuk mendeteksi kebocoran pipa dengan teknik
analisis pola tekanan tersebut. Teknik pengenalan
pola yang dapat digunakan untuk masalah ini
adalah Support Vector Machine (SVM), yaitu
metode learning machine yang bekerja atas prinsip
Structural Risk Minimization (SRM) dengan tujuan
menemukan hyperplane terbaik yang memisahkan
dua buah class pada input space dan dapat
mengolah data berdimensi tinggi.[5]
2. Penelitian Terkait
Penelitian yang terkait dengan
penelitian ini salah satunya adalah penelitian
Mahasiswa Universitas Hasanuddin Prodi Teknik
Informatika, Buyamin Musfidar dan Al Ghazaly,
dengan judul Sistem Deteksi Kebocoran Air pada
Jaringan Pipa Menggunakan Analisis Tekanan
dengan Metode Artificial Neural Network (ANN)
Algoritma Radial Basis Function (2013). Metode
RBFNN ini memiliki tingkat keakuratan yang
tinggi, kecepatan melatih data cukup cepat
dibandingkan dengan metode-metode Neural
Network lainnya. Data yang di training pada
prediksi letak dan besar kebocoran pipa ini adalah
data variabel input (data tekanan pada setiap
junction pipa). Sedangkan data target yang
digunakan adalah data letak dan besar kebocoran
pipa. Data yang digunakan dalam penelitian ini
adalah data tekanan pada junction saat terjadi
kebocoran dengan besar kebocoran berkisar antara
0-0.6 L/s. Untuk mendeteksi letak kebocoran
dengan rentang besar kebocoran tersebut digunakan
model per pipa berdasarkan fungsi RBFNN pada
matlab dengan penentuan nilai Spread dan MN. [2]
3. Teori Dasar
3.1. Kebocoran Teknis dan Non Teknis
Tingkat kebocoran ini terdiri dari
kebocoran teknik dan non teknis. Kebocoran
teknik adalah kebocoran yang disebabkan oleh
bocornya pipa dan perlengkapannya. Sedangkan
kebocoran non teknis adalah kebocoran yang
disebabkan oleh pencurian air, sambungan liar,
pembacaan meter yang tidak benar, dan akurasi
meter yang rendah.
3.2 Epanet
Epanet adalah program komputer yang
menggambarkan simulasi hidrolis dan
kecenderungan kualitas air yang mengalir di dalam
jaringan pipa. Jaringan hidrolis itu sendiri terdiri
dari Pipa, Node (titik koneksi pipa), pompa, katub,
D421101061, D421102601
dan tangki air atau reservoir.Program ini
menganalisa aliran air di tiap pipa, kondisi tekanan
air di tiap titik dan kondisi konsentrasi bahan kimia
yang mengalir di dalam pipa selama dalam periode
pengaliran. Faktor usia air (water age) dan
pelacakan sumber juga dapat disimulasikan di
program ini.
Epanet dapat membantu dalam mengatur
strategi untuk merealisasikan qualitas air dalam
suatu system. Semua itu mencakup :
 Alternatif penggunaan berbagai sumber
dalam satu sistem.
 Alternatif pemompaan didalam
penjadwalan pengisian/pengosongan
tangki.
 Penggunaan treatment, misal khlorinasi
pada tangki penyimpan.
 Pen-target-an waktu pembersihan dan
penggantian pipa.
Epanet memodelkan sistem distribusi air
sebagai kumpulan garis yang menghubungkan titik-
titik yang di sebut sebagai node.Garis
menggambarkan pipa, pompa dan katub
kontrol.Sedangkan node menggambarkan
sambungan (Junction), tangki, dan reservoir.
3.3 Support Vector Machine (SVM)
Support vector machine adalah salah satu
metode yang akhir-akhir ini banyak mendapat
perhatian sebagai state of the art dalam pattern
recognition [6],[7]. Boser, Guyon dan Vapnik
adalah para pengembang dari metode Support
Vector Machine (SVM). Metode SVM ini
dipresentasikan pertama kali di Annual Workshop
on Computational Learning Theory pada tahun
1992.SVM berusaha mencari hyperplane yang
terbaik pada input space. Prinsip dari SVM adalah
linier classifier, namun terus dikembangkan agar
dapat bekerja pada problem yang non-linier, yaitu
dengan memasukkan konsep kernel trick pada
ruang kerja berdimensi tinggi [5].Untuk
mendapatkan hyperplane terbaik yang memisahkan
kedua kelas, maka dicari margin yang paling
maksimal. Margin sendiri merupakan jarak antara
hyperplane dengan pattern terdekat dari masing-
masing kelas yang disebut sebagai support vector.
[8]
4. Metodologi Penelitian
4.1 Jenis Data
Data yang digunakan dalam penelitian ini
adalah data perubahan tekanan pada
setiapjunction/persimpangan pipa dan saluran pipa
yang terletak di perumahan Taman Khayangan
Makassar pada saat terjadi kebocoran.Data tekanan
ini yang kemudian digunakan untuk memprediksi
letak dan besar kebocoran yang terjadi pada
2
Jurnal Tugas Akhir Teknik Informatika 2014
jaringan pipa dengan menerapkan metode Support
Vector Machine (SVM).
Dalam proses pengolahan data dengan
metode Support Vector Machine (SVM) untuk
memperoleh hasil prediksi yang baik dengan
tingkat akurasi yang tinggi, sangat memerlukan
banyak data training sehingga dibutuhkan data
kebocoran pipa secara aktual yang terdapat di
lapangan sebagai data Training yang dapat
diperoleh dari hasil simulasi dengan menggunakan
software jaringan pipa yaitu EPANET 2.0 yang
merupkan software sistem hidrolik yang digunakan
oleh PDAM dalam hal monitoring jaringan pipa.
4.2 Teknik Pengambilan Data
Dalam hal teknik pengambilan data, terdapat
beberapa hal yang harus dilakukan diantaranya
yaitu membuat sebuah jaringan pipa dengan
mengguakan software EPANET 2.0 dengan
mengatur data masukan yang telah diperoleh dari
PDAM kota Makassar berupa besar debit air pada
reservoir yang merupakan sumber utama aliran air
pada jaringan pipa, panjang dan diameter pipa,
besarnya elevasi dan demand (kebutuhan air rata-
rata pada setiap junction), dan tingkat
kekasaran/roughness pada setiap pipa sesuai
dengan data di lapangan dari yang terletak di
Perumahan Taman Khayangan Makassar.
Mulai
Pengumpulan Data Sistem Jaringan
Perpipaan PDAM Perumahan Taman
Khayangan Kota Makassar
Pembuatan Simulasi
Kebocoran menggunakan
software EPANET 2.0
Pengolahan data tekanan pada jaringan pipa
hasil simulasi kebocoran ke dalam Microsoft
Excel
Stop
Gambar 4.1 Tahapan Pengumpulan Data
Gambar 4.2 Sistem Jaringan Pipa Perumahan Taman
Khayangan Makassar dengan menggunakan software EPANET
2.0
D421101061, D421102601
Setelah sistem jaringan pipa telah selesai
dirancang dengan software EPANET 2.0, maka
tahap selajutnya yang akan dilakukan yaitu
membuat simulasi kebocoran dengan mengubah
koefisien emitter pada junction yang akan dijadikan
sebagai titik kebocoran. Emitters adalah peralatan
yang berkaitan dengan junction yang merupakan
model dari aliran yang melalui nozzle atau orifice
yang dilepaskan ke udara bebas. Fungsi emitter
pada EPANET adalah sebagai berikut:
EC = Q/ P P exp
Di mana EC adalah koefisien emitter, Q adalah
debit air, P adalah tekanan fluida, P exp adalah
eksponen tekanan.Sehingga koefisien emitter
merupakan debit per unit tekanan dengan satuan
liter per detik per meter tekanan (L s-1 m-1).Untuk
head nozzle dan sprinkler P exp sebanding dengan
0,5.Koefisien emitter yang digunakan untuk
training simulasi kebocoran adalah dari 0.0005
sampai 0.01 dengan selang 0.0005. Besar tekanan
rata-rata pada jaringan pipa adalah 15.81486172 m.
Sehingga untuk koefisien emitter 0.0005
menghasilkan kebocoran sebesar 0.007 L/s. Jadi,
besar kebocoran yang disimulasikan berkisar
antara 0.007 L/s hingga 0.14 L/s. Simulasi
kebocoran pipa dilakukan pada dua pipa, yaitu pipa
11-38 dan pipa 7-8. Simulasi kebocoran pertama
(pipa 11-38) dibuat sebanyak 29 set kasus
kebocoran pada junction dan 580 set kasus
kebocoran pada pipa, serta simulasi kebocoran pipa
kedua (pipa 7-8) dibuat sebanyak 25 set kasus
kebocoran pada junction dan 100 set kasus
kebocoran pada pipa. Kedua kebocoran pipa
dilakukan disetiap titik kebocoran berjarak 4 meter
dengan koefisien emitter sebesar 0.0005 – 0.01.
Jadi, secara keseluruhan terdapat 19320 data
kebocoran untuk besar dan letak kebocoran yang
beragam.
4.3 Metodologi
Penelitian dengan metode SVMyang
dilakukan bertujuan untuk memperoleh data yang
akurat dalam memprediksi letak dan besarnya
kebocoran pada saluran pipa dari junction/
persimpangan pipa berdasarkan data perubahan
tekanan normal pada saat terjadi kebocoran pada
setiap junction maupun pada setiap jarak 4 meter
saluran pipa sesuai data real di lapangan.
3
Jurnal Tugas Akhir Teknik Informatika 2014

Mulai Mulai
ulai

Pengumpulan dan pengolahan data Input data_ins (Tekanan

tekanan tiap junction pada saat pada setiap node)
terjadi kebocoran pipa

Input data_lab (besar

Pembentukan model SVM kebocoran atau letak
kebocoran)

Pembuatan Interface Sistem Pemetaan fitur data awal ke dimensi

Deteksi Kebocoran menggunakan yang lebih tinggi dengan menggunakan
GUIDE MATLAB kernel Radial Basis Function (RBF)

Stop
Gambar 4.3 Tahapan Penelitian Secara Umum
4.4 Implementasi Support Vector Machine (SVM)
Pemilihan metode penelitian sistem
Support Vector Machine (SVM) dilakukan dengan
pertimbangan sifatnya yangglobal optima, yaitu
memberikan model yang sama dan solusi dengan
margin maksimal. SVM juga tidak membutuhkan
pemilihan parameter-parameter seperti pada
metode ANN. SVM menghasilkan prediksi letak
dan besar kebocoran pipa dalam bentuk nilai
kuantitatif yaitu hasil prediksi berupa numerik.
SVM berusaha mencari hyperplane yang
terbaik pada input space. Untuk mendapatkan
hyperplane terbaik yang memisahkan kedua kelas,
maka dicari margin yang paling maksimal. Margin
sendiri merupakan jarak antara hyperplane dengan
pattern terdekat dari masing-masing kelas yang
disebut sebagai support vector.
Prinsip dari SVM adalah linier classifier,
namun terus dikembangkan agar dapat bekerja
pada problem yang non-linier, yaitu dengan
memasukkan konsep kernel trick pada ruang kerja
berdimensi tinggi. [5]
Kernel trick memberikan berbagai
kemudahan, karena dalam proses pembelajaran
SVM, untuk menentukan support vector, cukup
mengetahui fungsi kernel yang dipakai, dan tidak
perlu mengetahui wujud dari fungsi non-linier Φ.
Setelah pengambilan data, kemudian
dilakukan perancangan sistem SVM menggunakan
aplikasi Matlab R2008a.
Nilai Alpha
Nilai w
Nilai b
Nilai prediksi dan
grafik
RMSE tidak
Terkecil
ya
Selesai
Gambar 4.4 Diagram alir Support Vector Machine
(SVM)
5. Hasil dan Pembahasan
5.1 Analisis Hasil Prediksi Besar dan Letak
Kebocoran dengan Support Vector Machine (SVM)
Pelatihan pada metode Support Vector
Machine (SVM) untuk pipa 1138 bertujuan agar
sistem ini dapat mempelajari pola data dari junction
1 sampai 29 pada masing-masing besar kebocoran
dan letak kebocoran. Data training yang digunakan
adalah data inputan berupatekanan dari junction 1
sampai 29 yang disimbolkan dengan data_ins,
sedangkan data_lab untuk besar kebocoran dan
letak kebocoran. Data inputan ini kemudian diolah
dengan kernel Radial Basis Function (RBF).
Tujuan penentuan kernel adalah untuk
memudahkan proses pembelajaran SVM dan untuk
menentukan support vector. Proses prediksi letak
dan besar kebocoran pada junction/persimpangan
pipa maupun pada saluran pipa dalam sistem ini
menggunakan 1 variabel input, yaitu data tekanan
pada setiap junction. Untuk mendeteksi kebocoran
yang terjadi pada pipa yang berbeda menggunakan
model yang berbeda pula.Hal ini disebabkan oleh

D421101061, D421102601 4
Jurnal Tugas Akhir Teknik Informatika 2014

pola perubahan tekanan pada junction saat terjadi Berikut adalah sampel hasil prediksi besar
kebocoran berbeda untuk setiap pipa. dan letak kebocoran data uji diluar data training
Langkah-langkah dalam proses pelatihan pada pipa 11-38 yang diambil secara acak.
Support Vector Machine adalah sebagai berikut :
1. Memuat data setiap variable input dari Tabel 5.1 hasil prediksi besar dan letak kebocoran
data tekanan pipa sebagai data training, pada pipa 11-38 dengan data uji diluar data
dimana data inputannya merupakan data training.
dari tiap junction dan data target
Aktual Prediksi
merupakan besar dan letak kebocoran.
2. Menghitung matriks kernel dengan kernel Jarak
Radial Basis Function (RBF) untuk Koefisien Koefisien Jarak dari
dari
menghasilkan nilai K. Emitter Emitter junc 11
junc 11
3. Mencari nilai a yang optimal.
4. Penentuan Super vector, yaitu jika a≠0 0.0005 5 0.0005 4
5. Mencari nilai w dan b menggunakan super
vector yang telah di tentukan. 0.0092 5 0.0095 4
Hasil prediksi besar dan letak kebocoran
data training sebagai data uji pada pipa 11-38 (pipa 0.0064 7 0.0065 8
dari junction 11 sampai junction 38) dapat dilihat 0.0041 13 0.004 12
pada gambar berikut.
0.0025 23 0.0025 20

0.0055 23 0.0055 32

0.0071 25 0.007 24

0.0059 37 0.006 36

0.0091 39 0.009 40

0.0031 41 0.003 44

0.0032 98 0.004 116

0.0014 111 0.002 112

Gambar 5.1 grafik hasil prediksi besar kebocoran

dengan data training sebagai data uji pada pipa 11-
38.

Gambar 5.3 grafik hasil prediksi besar kebocoran

data uji diluar data training pada pipa 11-38.

Gambar 5.2 grafik hasil prediksi letak kebocoran

dengan data training sebagai data uji pada pipa 11-
38.

D421101061, D421102601 5
Jurnal Tugas Akhir Teknik Informatika 2014

1 sampai 40 pada masing-masing besar kebocoran

dan letak kebocoran. Data training yang digunakan
adalah data inputan berupa tekanan dari junction 1
sampai 40 yang disimbolkan dengan data_ins,
sedangkan data_lab untuk besar kebocoran dan
letak kebocoran. Data inputan ini kemudian diolah
dengan kernel RBF. Tujuan penentuan kernel
adalah untuk memudahkan proses pembelajaran
SVM dan untuk menentukan support vector. Proses
prediksi letak dan besar kebocoran pada
junction/persimpangan pipa maupun pada saluran
pipa dalam sistem ini menggunakan 1 variabel
inputyaitu data tekanan pada setiap junction.
Untuk mendeteksi kebocoran yang terjadi pada
pipa yang berbeda menggunakan model yang
berbeda pula.Hal ini disebabkan oleh pola
Gambar 5.4 grafik hasil prediksi letak kebocoran
perubahan tekanan pada junction saat terjadi
data uji diluar data training pada pipa 11-38.
kebocoran berbeda untuk setiap pipa.
Validasi merupakan proses yang dilakukan Hasil prediksi besar dan letak kebocoran
untuk melihat kehandalan model dalam melakukan data training sebagai data uji pada pipa 7-8 (pipa
prediksi. Besar kesalahan (error) hasil prediksi dari dari junction 7 sampai junction 8) dapat dilihat
model yang terbentuk dapat diketahui dengan pada gambar berikut.
menggunakan perhitungan RMSE (Root Mean
Square Error). Besarnya nilai error menunjukkan
besar perbedaan antara hasil prediksi dengan data
aktual. Semakin kecil nilai RMSE maka semakin
akurat prediksi yang dihasilkan.Untuk mengetahui
perbandingan tingkat keakuratan kinerja dari
prediksi metode Support Vector Machine
(SVM)dapat dilihat dari nilai Root Mean Square
Error (RMSE).Untuk menghitung RMSE
dilakukan oleh SVM.Adapun perhitungannya
menggunakan rumus sebagai berikut:
1 𝑛
𝑖=1 𝑃 − 𝑎 2-
𝑁
𝑅𝑀𝑆𝐸 =
𝑃𝑚𝑎𝑥 − 𝑃𝑚𝑖𝑛
Dimana :
N : Jumlah data masukan Gambar 5.5 grafik hasil prediksi besar kebocoran
P : Nilai aktual data training sebagai data uji pada pipa 7-8.
a : Nilai hasil prediksi
Pmax : Nilai maksimal data aktual
Pmin : Nilai minimum data aktual

Setelah dilakukan perhitungan prediksi

data training sebagai data uji pada pipa 11-38
dengan Support Vector Machine (SVM),
didapatkan nilai RMSE = 1.0739e-007 =
0.00000010379 untuk prediksi besar kebocoran dan
nilai RMSE = 0.0269 untuk prediksi letak
kebocoran.
Adapun untuk data uji diluar data training
menghasilkan RMSE = 0.0709 untuk besar
kebocoran dan RMSE = 0.1812 untuk letak
kebocoran.
Untuk pelatihan metode Support Vector
Machine (SVM) pada pipa 7-8 bertujuan agar Gambar 5.6 grafik hasil prediksi letak kebocoran
sistem ini dapat mempelajari pola data dari junction data training sebagai data uji pada pipa 7-8.

D421101061, D421102601 6
Jurnal Tugas Akhir Teknik Informatika 2014

Berikut adalah sampel hasil prediksi besar

dan letak kebocoran data uji diluar data training
pada pipa 7-8 yang diambil secara acak.
Tabel 5.2 hasil prediksi besar dan letak
kebocoran pada pipa 7-8 dengan data uji diluar data
training

Aktual Prediksi

Jarak
Koefisien Koefisien Jarak dari
dari
Emitter Emitter junc 7
junc 7

0.0034 5 0.0035 4
0.01 7 0.01 8
0.0013 14 0.0015 12
Gambar 5.8 grafik hasil prediksi letak kebocoran
0.0012 17 0.001 16 data uji diluar data training pada pipa 7-8.
0.0021 21 0.002 20
Validasi merupakan proses yang dilakukan
0.0055 20 0.0054 21 untuk melihat kehandalan model dalam melakukan
0.0055 20 0.0056 21 prediksi. Besar kesalahan (error) hasil prediksi dari
0.0065 20 0.0063 21 model yang terbentuk dapat diketahui dengan
menggunakan perhitungan RMSE (Root Mean
0.0070 20 0.0072 21 Square Error). Besarnya nilai error menunjukkan
0.0075 20 0.0077 21 besar perbedaan antara hasil prediksi dengan data
0.0085 20 0.0084 21 aktual. Semakin kecil nilai RMSE maka semakin
akurat prediksi yang dihasilkan.Untuk mengetahui
perbandingan tingkat keakuratan kinerja dari
prediksi metode Support Vector Machine
(SVM)dapat dilihat dari nilai Root Mean Square
Error (RMSE). Untuk menghitung RMSE
dilakukan oleh SVM, Adapun perhitungannya
menggunakan rumus sebagai berikut
1 𝑛
𝑖=1 𝑃 − 𝑎 2-
𝑁
𝑅𝑀𝑆𝐸 =
𝑃𝑚𝑎𝑥 − 𝑃𝑚𝑖𝑛
Dimana :
N : Jumlah data masukan
P : Nilai aktual
a : Nilai hasil prediksi
Pmax : Nilai maksimal data aktual
Pmin : Nilai minimum data aktual
Gambar 5.7 grafik hasil prediksi besar kebocoran Setelah dilakukan perhitungan prediksi
data uji diluar data training pada pipa 7-8. data training sebagai data uji pada pipa 7-8 dengan
Support Vector Machine (SVM), didapatkan nilai
RMSE = 5.0000e-007 = 0.0000005 untuk prediksi
besar kebocoran dan nilai RMSE = 0.0320 untuk
prediksi letak kebocoran.
Adapun untuk data uji diluar data training
menghasilkan RMSE = 0.0648 untuk besar
kebocoran dan RMSE = 0.0952 untuk letak
kebocoran.
5.2Interface Sistem Deteksi Kebocoran Pipa Air
Dengan menggunakan Interface GUI,
penggunaan sistem ini akan lebih memudahkan

D421101061, D421102601 7
Jurnal Tugas Akhir Teknik Informatika 2014
user dalam mendeteksi kebocoran. dengan
menggunakan tombol yang ada, penginputan data
tekanan yang akan di uji dapat dilakukan dengan
mudah, dan tampilan hasil dari program yang
dijalankan yang berupa letak dan besar kebocoran
dapat langsung terlihat. Interface dari sistem
pendeteksi kebocoran pipa air dapat dilihat pada
gambar 5.9 berikut.
Gambar 5.9 Interface Sistem Simulasi Deteksi
kebocoran Pipa Air.
Terdapat dua tombol, tombol “masukkan
data” digunakan untuk memasukkandata tekanan
setiap junction untuk dideteksi dan tombol
“prediksi” untuk melihat hasil prediksi besar dan
letak kebocoran. Field “Keterangan” akan
menampilkan hasil prediksi dan pada peta lokasi
akan muncul penanda berupa titik berwarna merah
yang berkedip pada titik kebocoran.
Berikut langkah-langkah penggunaan
Interface GUI.
1. Klik tombol “masukkan data”. Setelah
mengklik tombol tersebut, secara otomatis
akan membuka file Ms. Excel. Masukan
data pada tabel yang tersedia kemudian
save dan close file Excel.
2. Klik tombol “Prediksi”.
Posisi letak
kebocoran
pipa
Gambar 5.10 tampilan hasil prediksi pada GUI
6. Penutup
6.1 Kesimpulan
1. Kebocoran pipa menggunakan metode SVM,
membuktikkan ke akuratan informasi besar
dan letak titik kebocoran yang terjadi.
Sehingga dapat membantu dalam memperkecil
wilayah pendeteksi ketika terjadi kebocoran
pada observasi tersebut.
D421101061, D421102601
2. Perhitungan besar kesalahan (Error) prediksi data
uji diluar data training pada pipa 11-38
menghasilkan RMSE = 0.0709 untuk besar
kebocoran dan RMSE = 0.1812 untuk letak
kebocoran. Adapun untuk pipa7-8
menghasilkan RMSE = 0.0648 untuk besar
kebocoran dan RMSE = 0.0952untuk letak
kebocoran.
3. Akurasi prediksi besar kebocoran danletak
kebocoran untuk pipa11-38 adalah 81.97% dan
67.83%. Sedangkan akurasi prediksi besar
kebocoran dan letak kebocoran untuk pipa7-8
adalah 89.4% dan 84.45%.
6.2 Saran
1. Penelitian ini menghasilkan sistem yang dapat
mendeteksi besar dan letak pada satu titik
kebocoran. Untuk dapat mendeteksi kebocoran
pada dua titik kebocoran atau lebih, perlu
untuk mengetahui korelasi antardua atau lebih
titik kebocoran serta menggunakan komputer
dengan performansi yang tinggi untuk dapat
mengolah data dalam jumlah besar.
2. Untuk penelitian selanjutnya, diharapkan
sistem ini dapat melakukan prediksi pada data
ujibesar dan letak kebocoran diluar data
training dengan akurat.
DAFTAR PUSTAKA
[1] Utami, Patna Budi. 2013. Metro TV news:
KerugianakibatKebocoran Air PDAM Makassar.
http://www.metrotvnews.com/metronews/read/201
3/05/28/6/157060/Kerugian-akibat-Kebocoran-Air-
PDAM-Makassar-Rp737-Miliar (Diakses pada
tanggal 26 Desember 2013)
[2] Musfidar, Buyamin dan Al Ghazaly. 2013.
Skripsi: Sistem Deteksi Kebocoran Air pada
Jaringan Pipa Menggunakan Analisis Tekanan
dengan Metode Artificial Neural Network (ANN)
Algoritma Radial Basis Function. Universitas
Hasanuddin.
[3] Annisa, Luthfiana. 2013. Step Test untuk
Mengatasi Kebocoran.
http://pdamsragen.com/index.php?option=com_con
tent&view=article&id=250%3Astep&catid=34%3
Ademo&Itemid=117#.UsAS4oU1iZQ (Diakses
pada tanggal 26 Desember 2013)
[4] Maxford, John.2009. An Application of Pattern
Recognition for the Location and Sizing of Leaks in
Pipe Networks.Urban Water Security Research
Alliance.
8
Jurnal Tugas Akhir Teknik Informatika 2014

[5] Nugroho, AntoSatrio. 2003. Support Vector

Machine: Teori dan Aplikasinya dalam
Bioinformatika. IlmuKomputer.com (.pdf)

[6] Byun H, Lee S W. 2003. A Survey on

PatternRecognition Applications of Support
VectorMachines.International Journal of
PatternRecognition and Artificial
Intelligence,Vol.17, No.3, pp.459-486.
[7] Tsuda K. 2000. Overview of Support
VectorMachine.Journal of IEICE, Vol.83, No.6,
pp.460-466.
[8] Prasetyo, Eko. 2012. Data Mining: Konsep dan
Aplikasi menggunakan Matlab. Yogyakarta:
Penerbit Andi.

Tri Anugrah Rahmadani,

lahir di Makassar pada tangal 7
Maret 1993, merupakan
mahasiswa S1 Teknik Elektro
Program Studi Teknik
Informatika Universita
Hasanuddin pada tahun 2010
yang sebelumnya bersekolah di
SMA Ummul Mukminin
Makassar.

Klarana Ulfah Ratnawaty.S

lahir di Pare-pare pada tanggal
28 Oktober 1992. Merupakan
mahasiswa S1 Fakultas Teknik
jurusan Teknik Elektro
Program Studi Teknik
Informatika

D421101061, D421102601 9