Abstrak
Air merupakan sumber daya alam yang sangat penting dan menjadi kebutuhan bagi aktivitas
dan kelangsungan mahluk hidup, baik manusia, hewan maupun tumbuh-tumbuhan. Air sungai
merupakan salah satu sumber air baku dari berbagai alternatif sumber air yang ada untuk dilakukan
proses pengolahan. Namun seiring pertambahan penduduk, pertumbuhan industri, perkembangan
ekonomi dan peningkatan standar hidup menyebabkan penurunan mutu atau kualitas air sungai itu
sendiri. Pencemaran air sungai terjadi apabila di dalam air sungai terdapat berbagai macam zat atau
kondisi yang dapat menurunkan standar kualitas air yang telah ditentukan, sehingga tidak dapat
digunakan untuk kebutuhan tertentu. Oleh karena itu perlu adanya upaya untuk menjaga kualitas,
kuantitas dan kontinuitas air sungai dengan melakukan pemantauan dan pengukuran kualitas air
sungai. Sebelumnya telah dilakukan pengukuran dan penentuan kualitas air sungai menggunakan
metode manual seperti Indeks Pencemaran (IP), Water Quality Index (WQI) dan STORET dengan
kendala waktu dan biaya yang cukup tinggi. Sehingga diperlukan metode lain yang untuk
mempercepat proses perhitungan secara efektif dan efisien yaitu menggunakan metode Learning
Vector Quantization (LVQ) yang dapat mengklasifikasikan data menjadi 4 kelas kualitas air sungai
berdasarkan 7 parameter masukan. Proses implementasi LVQ untuk klasifikasi air sungai diawali
dengan tahapan pembagian dataset, pelatihan data dan pengujian serta klasifikasi data yang akan
menghasilkan kelas berupa kelas memenuhi baku mutu, tercemar ringan, sedang dan berat. Hasil
akurasi rata-rata terbaik didapatkan sebesar 81,13% dengan menggunakan alfa 0,1, decrement alfa 0,4,
perbandingan data latih dan data uji 100:35 dari total 135 dataset, maksimal epoch 10 dan minimal
epoch 0,001.
Kata kunci: klasifikasi, air sungai, kualitas air, Learning Vector Quantization, LVQ
Abstract
Water is a one of the natural resources which is very important and necessary for the activity
and survival of living things, as humans, animals and plants. River is one of the source from various
alternative sources of water available for processing. But nowadays as growth of population grows,
industrial growth, economic development and rising standard of living cause degradation of quality of
water itself. Pollution of river occurs when in the water there are various substances or conditions
that can reduce water quality standards that have been determined, so it can’t be used for certain
needs. Therefore, there is an effort to maintain the quality, quantity and continuity of river water by
monitoring and measuring the quality of water. Previously, river water quality and measurement was
measured using manual methods such as Water Pollution Index (IP), Water Quality Index (WQI) and
STORET with high time and cost constraints. So that another method is needed to speed up the
calculation process effectively and efficiently using Learning Vector Quantization (LVQ) method
which can classify data into 4 water quality class of river based on 7 input parameters. The LVQ
implementation process for river water classification begins with the dataset division, data training,
data testing and classification that will result in a class of good, mild, moderate and heavy
contaminated classes. The best average accuracy result is 81,13% using alpha 0,1, decrement alpha
0,4, comparison of training data and testing data 100: 35 from 135 total dataset, maximum epoch 10
and minimum epoch 0,001.
pencemaran. Semakin tinggi tingkat akan meletakkan kedua vektor input tersebut ke
pencemaran pada air, maka semakin rendah dalam kelas yang sama. LVQ merupakan
kualitas air tersebut dan tidak bisa dijadikan metode klasifikasi pola masing-masing unit
sumber air minum sehat. Kelas air berdasarkan keluaran mewakili kategori atau kelas tertentu
perhitungan laboratorium dengan menggunakan (beberapa unit keluaran seharusnya digunakan
sistem nilai dari US-EPA (Unites States untuk masing-masing kelas). Keunggulan dari
Environmental Protection Agency) dapat metode LVQ adalah kemampuannya untuk
diklasifikasikan lebih lanjut menjadi empat memberikan pelatihan terhadap lapisan-lapisan
kelas, yaitu kelas baik sekali yang memenuhi kompetitif sehingga secara otomatis dapat
baku mutu kelas satu, kelas baik dengan kondisi mengklasifikasikan vektor input yang diberikan
tercemar ringan, kelas sedang dengan kondisi (Nugroho, 2011).
tercemar sedang, kelas buruk dengan kondisi Langkah-langkah algoritma pelatihan LVQ
tercemar berat (Ramadhani, et al., 2016). terdiri atas (Wuryandari, 2012):
Parameter yang umum diuji untuk 1. Inisialisasi bobot awal (W) dan parameter
menentukan tingkat pencemaran air adalah LVQ, yaitu maxEpoch, α, decα dan minα.
parameter fisika, kimia organik dan kimia 2. Masukkan data input (X) dan kelas target
anorganik air. Parameter yang digunakan adalah (T).
TSS (Total Suspended Solid), BOD 3. Tetapkan kondisi awal: epoch = 0.
(Biochemical Oxygen Demand), COD 4. Kerjakan jika: (epoch < maxEpoch) dan
(Chemical Oxygen Demand), DO (Dissolved (α ≥ minα).
Oxygen), Derajat keasaman pH (potential of a. epoch = epoch+1.
hydrogen), fenol, minyak dan lemak b. Tentukan J sedemikian hingga ║Xi-
(Ramadhani, et al., 2016). Wj║ minimal menggunakan
perhitungan rumus jarak euclidian.
2.2 Jaringan Syaraf Tiruan 𝐃(𝐣) = ∑(𝐖𝐢𝐣 − 𝐱 𝐢)𝟐 (1)
Artificial Neural Network (ANN) atau
Jaringan syaraf tiruan (JST) adalah representasi c. Perbaiki Wj dengan ketentuan:
buatan dari otak manusia yang mencoba untuk Jika T = Cj maka
𝐖𝐣(𝐭 + 𝟏) = 𝐰𝐣 (𝐭) 𝛂 (𝐭)[𝐱(𝐭) – 𝐰𝐣 (2)
mensimulasikan proses pembelajaran pada otak
manusia. Istilah buatan digunakan karena Jika T≠Cj maka
jaringan syaraf ini diimplementasikan 𝐖𝐣(𝐭 + 𝟏) = 𝐰𝐣 (𝐭) + 𝛂 (𝐭)[𝐱(𝐭) – 𝐰𝐣(𝐭)] (3)
menggunakan program komputer yang mampu
d. Kurangi nilai α dengan:
menyelesaikan sejumlah proses perhitungan
𝛂 = 𝛂 − 𝛂 ∗ 𝐃𝐞𝐜𝛂 (3)
selama proses pembelajaran berjalan. JST
menyerupai cara kerja otak manusia dalam dua
5. Tes kondisi berhenti dengan output
hal, yaitu pengetahuan diperoleh dari proses
berupa bobot optimal.
belajar dan kekuatan hubungan antar sel syaraf
(neuron) yang dikenal sebagai bobot-bobot
3. PERANCANGAN
yang digunakan untuk menyimpan
pengetahuan. Kemampuan belajar tersebut Perancangan adalah langkah pertama dalam
dapat dianalogikan sama dengan proses fase pengembangan rekayasa system. Pada
manusia belajar mengenali sesuatu (Wulandari, penelitian ini terdapat beberapa tahapan yang
2012). harus dijalankan untuk menentukan klasifikasi
kualitas air sungai menggunakan Learning
2.3 Learning Vector Quantization (LVQ) Vektor Quantiazation (LVQ).
Proses dan alur kerja sistem secara umum
Learning Vector Quantization (LVQ)
terdiri dari beberapa tahapan mulai dari input
adalah suatu metode pelatihan untuk melakukan
data parameter hingga diketahui hasil
pembelajaran pada lapisan kompetitif yang
klasifikasi air sungai. Beberapa tahapan tersebut
terawasi (supervised learning) yang arsitektur
meliputi input parameter kualitas air sungai,
jaringannya berlayer tunggal (single layer).
pelatihan dengan algoritma LVQ, pengujian
Kelas-kelas yang didapatkan sebagai hasil dari
dengan algoritma LVQ dan output hasil
lapisan kompetitif ini hanya tergantung pada
klasifikasi kualitas air sungai. Secara umum,
jarak antara vektor-vektor input. Jika dua vektor
dataset yang digunakan dibagi menjadi 3
input mendekati sama, maka lapisan kompetitif
bagian, yaitu data latih, data bobot awal latih dan data uji, nilai maksimal perulangan
(centroid) yang mewakili tiap kelas hasil (epoch) dan terakhir pengujian terhadap nilai
klasifikasi dan data uji berdasarkan 135 dataset minimal alfa. Setiap nilai terbaik atau optimal
laboratorium dan oleh pakar Badan Lingkungan dari suatu skenario pengujian akan dijadikan
Hidup (BLH) Kota Malang. Perancangan alur sebagai parameter untuk pengujian selanjutnya.
kerja sistem secara umum dijelaskan pada Setiap skenario dilakukan pengujian sebanyak
Gambar 1. 10 kali, dimana setiap pengujian menggunakan
dataset yang telah dipilih data latih dan data
ujinya secara random sehingga didapatkan
parameter LVQ yang memiliki rata-rata hasil
klasifikasi yang paling tinggi dan stabil.
Adapun hasil pengujian dijelaskan melalui
Gambar 2 sampai 6. Sebelum memulai
pengujian, ditentukan terlebih dahulu parameter
awal yang menjadi indikator awal pengujian,
yaitu nilai decAlfa = 0,1, jumlah data latih
50,33% (68 data latih : 67 data uji), maksimal
epoch = 10 dan minimal alfa adalah 1x10-10.