Anda di halaman 1dari 10

Penentuan Konsentrasi Koagulan …(Ulil Hamida)

PENENTUAN KONSENTRASI KOAGULAN DAN PH OPTIMUM


DALAM PENGOLAHAN AIR LIMBAH MENGGUNAKAN MODEL
JARINGAN SYARAF TIRUAN

DETERMINING THE OPTIMUM COAGULANT CONCENTRATION AND PH IN


WASTE WATER TREATMENT USING ARTIFICIAL NEURAL NETWORK MODEL

Ulil Hamida
Sekolah Tinggi Manajemen Industri Jakarta, Kementerian Perindustrian
Jl. Letjend Suprapto No. 26 Cempaka Putih Jakarta Pusat, Indonesia
e-mail: ulil-h@kemenperin.go.id
diajukan:03/03/2014, direvisi: 01/04/2014, disetujui: 14/04/2014

ABSTRACT

Industrial growth in Indonesia not only causes positive impacts but also has a negative impact on the
environment. Environmental pollution is caused by improper waste management. In reducing the impact of
environmental pollution, enterprise uses chitosan as an alternative coagulant. From the obtained data, analysis is
required to determine the coagulant concentration and pH of waste water. The analysis uses Artificial Neural
Network (ANN), which is expected to provide a better model. ANN architecture used to conduct training is 2-9-1.
With that architecture, performance (indicated by MSE) generated by the model from the training process is
0.0000015, while MSE resulting from the validation process is 0.016731. The concentration of chitosan coagulant
recommended to obtain optimum results is greater than or equal to 500ppm. While the optimum pH value is
greater than or equal to 9.

Keywords: waste treatment, concentration of coagulant, optimum pH, turbidity, chitosan, artificial neural network

ABSTRAK

Pertumbuhan industri di Indonesia yang meningkat selain memberikan manfaat positif juga menimbulkan
dampak negatif terhadap lingkungan perairan, tanah maupun udara. Pencemaran lingkungan tersebut salah
satunya diakibatkan oleh pengolahan limbah yang tidak tepat. Dalam mengurangi dampak pencemaran
lingkungan, perusahaan melakukan pengolahan dengan mencoba alternatif penggunaan koagulan kitosan. Dari
data yang diperoleh, diperlukan analisis yang lebih mendalam untuk menentukan kadar konsentrasi koagulan
dan pH limbah yang tepat untuk pengolahan tersebut. Dalam melakukan analisis digunakan Jaringan Syaraf
Tiruan(JST) yang diharapkan mampu memberikan model yang lebih baik. Arsitektur JST yang digunakan untuk
melakukan training adalah 2-9-1. Dengan arsitektur tersebut, performansi (ditunjukkan dengan MSE) yang
dihasilkan oleh model tersebut untuk proses training adalah 0,0000015, sedangkan MSE yang dihasilkan dari
proses validasi adalah 0,016731. Konsentrasi koagulan kitosan yang disarankan untuk mendapatkan hasil
optimum adalah menggunakan konsentrasi lebih besar atau sama dengan 500ppm. Sedangkan pH yang
memberikan nilai optimum disarankan menggunakan pH lebih besar atau sama dengan 9.

Kata Kunci: pengolahan limbah, konsentrasi koagulan, pH optimum, turbiditas, kitosan, jaringan syaraf tiruan

PENDAHULUAN Salah satu dampak negatif yang


ditimbulkan oleh adanya berbagai industri
Pertumbuhan industri di Indonesia adalah pencemaran lingkungan yang
didorong untuk mengalami kenaikan setiap diakibatkan oleh pengolahan limbah yang
tahunnya. Pertumbuhan tersebut diyakini tidak tepat. Salah satu jenis limbah yang
bagi semua pihak dapat memberikan banyak dihasilkan oleh industri adalah
manfaat yang cukup besar bagi masyarakat limbah berbentuk cairan. Pemerintah,
dan negara. Meskipun demikian, khususnya Kementerian Lingkungan Hidup,
keberadaan industri yang semakin banyak berupaya untuk mengurangi dampak limbah
juga memberikan dampak negatif terhadap industri dengan salah satunya menentukan
lingkungan perairan, tanah dan udara. syarat standar baku limbah olahan industri.

73
Jurnal Riset Industri (Journal of Industrial Research) Vol. 8 No. 1, April 2014, Hal. 73 - 81

Standar tersebut tertuang dalam PerMen dapat mengikat lemak dan logam berat
Lingkungan Hidup No. 3 Tahun 2010 dan pencemar. Gugus amina yang dimilikinya
dapat dilihat pada Tabel 1. terdiri dari unsur nitrogen (N) yang bersifat
Berdasarkan Tabel 1, salah satu sangat reaktif dan bersifat basa. Limbah cair
kriteria penting dalam standar mutu air hasil yang direaksikan dengan logam berat akan
olahan industri adalah zat padat terlarut berubah menjadi koloid dan menjadi flok.
(TSS). Dalam memenuhi standar tersebut, Dengan keunggulan kitosan tersebut,
salah satu proses yang dilakukan pada dilakukan uji coba penggunaan kitosan
pengolahan limbah cair hasil produksi sebagai koagulan dalam mengolah limbah
adalah dengan melakukan proses yang dihasilkan. Penggunaan tersebut
koagulasi/flokulasi. Salah satu hal yang memerlukan analisis mengenai konsentrasi
perlu diperhatikan adalah penentuan zat koagulan kitosan dan pH limbah yang tepat
koagulan baik jenis dan kadar yang untuk dapat menghasilkan koagulasi yang
digunakan. Penggunaan zat koagulan optimum.
berdasarkan pada jumlah dan kualitas air Dalam mendapatkan nilai konsentrasi
yang akan diolah, kekeruhan, metode koagulan dan pH tersebut, perusahaan
penyaringan serta sistem pembuangan melakukan percobaan dalam bentuk jar-test
lumpur endapan. Jenis koagulan antara lain karena keterbatasan biaya dan waktu.
Alum (Aluminium Sulfat), Ferro Sulfat, dan Terkait dengan permasalahan tersebut,
Poly Aluminium Chlorida (PAC). maka diperlukan analisis tambahan
terhadap data percobaan yang diperoleh.
Tabel 1 Baku Mutu Air Limbah Kawasan Industri Analisis tersebut diperlukan untuk
No. Parameter Satuan Kadar mengetahui konsentrasi koagulan dan pH
Maksimum limbah yang memberikan hasil yang
1 pH - 6-9 optimum. Dalam melakukan analisis
2 TSS mg/L 150
terhadap data percobaan tersebut
3 BOD mg/L 50
digunakan metode Jaringan Syaraf Tiruan
4 COD mg/L 100
5 Sulfida mg/L 1
untuk mengetahui komposisi terbaik dari
6 Amonia (NH3- mg/L 20 konsentrasi koagulan kitosan dan pH limbah
N) untuk mendapatkan turdibiditas terbaik
7 Fenol mg/L 1 dengan menggunakan Jaringan Syaraf
8 Minyak & mg/L 15 Tiruan (JST)/artificial neural network(ANN).
Lemak Berdasarkan permasalahan yang ada,
9 MBAS mg/L 10 penelitian ini bertujuan untuk membangun
10 Kadmium mg/L 0,1 arsitektur model JST untuk memprediksi
11 Krom mg/L 0,5 tingkat konsentrasi koagulan kitosan dan pH
Heksavalen cairan limbah untuk mendapatkan turbiditas
(Cr6++) terbaik. Pada penelitian ini juga dilakukan
12 Krom total (Cr) mg/L 1 perancangan dan implementasi perangkat
13 Tembaga (Cu) mg/L 2 lunak untuk menerapkan arsitektur jaringan
14 Timbal (Pb) mg/L 1
JST yang telah ditentukan sebelumnya.
15 Nikel (Ni) mg/L 0,5
Setelah implementasi, dilakukan penentuan
16 Seng (Zn) mg/L 10
konsentrasi koagulan kitosan dan pH cairan
17 Kuantitas Air 0,8 L
Limbah perdetik limbah untuk mendapatkan turbiditas terbaik
Maksimum per Ha dengan menggunakan JST
Lahan Jaringan Syaraf Tiruan (JST)
merupakan salah satu bagian dari
Kitosan dapat digunakan sebagai pengembangan ilmu komputer dalam
koagulan. Kitosan memiliki keunggulan bidang intelejensia komputasional dan
bersifat biokompatibel yang berarti sebagai banyak diinspirasi oleh cara kerja otak
polimer alam tidak mempunyai efek manusia (Hamida & Suprayogi, 2012).
samping, tidak bercaun, dapat dicerna dan Kemampuan untuk menangani banyak
mudah diuraikan oleh mikroba. Kitosan variabel dalam bentuk yang kompleks
dapat digunakan sebagai koagulan karena menyebabkan model JST dipakai untuk

74
Penentuan Konsentrasi Koagulan …(Ulil Hamida)

menyelesaikan berbagai masalah. jaringan dengan lapisan kompetitif


Berdasarkan penelitian yang telah (competitive layer net). Kemampuan
dilakukan, Nirmawaty (2013) jaringan tersebut berbeda-beda. Semakin
mengemukakan bahwa JST memberikan rumit suatu jaringan, maka persoalan yang
hasil yang baik untuk melakukan deteksi dapat diselesaikan menjadi lebih luas.
kanker serviks pada citra hasil rekaman CT- Jaringan dengan layer kompetitif
Scan. Jaringan Syaraf Tiruan juga diperuntukkan untuk pencarian pola secara
digunakan dalam peramalan produksi BAN mandiri karena setiap neuron pada jaringan
GT3 (Fitrisia et al 2010), peramalan tersebut saling berkompetisi untuk
penjualan mobil (Pakaja et al, 2012) dan mendapatkan hak aktif. Struktur jaringan
penentuan dosis tawas dalam pengolahan yang umum digunakan adalah multilayer
air bersih (Narita et al 2009). JST juga dan dapat dilihat pada Gambar 1.
memberikan kinerja yang baik dalam
memperkirakan produksi tebu pada PTPN
IX (Kusuma et al 2011) dan pada penentuan
merk (Suhari, 2010).
Berbeda dengan penentuan dosis
koagulan dalam skala jar test, penentuan
dosis koagulan dengan JST menggunakan
model yang diharapkan dapat mendekati
kondisi sebenarnya dan dapat memberikan
hasil tanpa perlu menyiapkan percobaan.
Permatasari et al (2013) menggunakan
persamaan non linier dalam penentuan
dosis tawas. Narita et al (2009) Gambar 1. Jaringan Syaraf Tiruan
menggunakan JST untuk (Kusumadewi & Hartati, 2010)
Karakteristik ANN yang ditiru dari
jaringan syaraf biologis adalah kemampuan Pada JST yang dibangun diperlukan
belajar yang dimiliki manusia. Kemampuan proses pembelajaran agar dapat
ini adalah faktor utama yang membedakan menentukan bobot yang tepat pada setiap
sistem saraf tiruan dari aplikasi sistem pakar neuron. Pembelajaran pada JST terdiri dari
(expert system). Sistem pakar diprogram dua macam yakni supervised learning
untuk membuat kesimpulan (inference) (pembelajaran terawasi) dan unsupervised
berdasarkan data atau pengetahuan dari learning(pembelajaran tak terawasi).
lingkungan, sedangkan sistem saraf tiruan Pada penelitian kali ini, proses
dapat menyesuaikan bobot node sebagai pembelajaran yang digunakan adalah
tanggapan atas input dan mungkin pada backpropagation yang merupakan salah
output yang diinginkan. satu jenis supervised learning. Proses
Aplikasi JST dapat digunakan untuk pembelajaran sendiri diawali dari proses
berbagai tujuan. Beberapa penggunaan JST feedforward, dan kemudian dilanjutkan pada
antara lain untuk estimasi/prediksi proses backpropagation. Setelah
(aproksimasi fungsi, peramalan), proses backpropagation, akan dilakukan
pengenalan pola (klasifikasi, diagnosis dan pengecekan apakah nilai target error telah
analisis diskriminan), klustering dicapai, jika target error telah dicapai, maka
(pengelompokan tanpa adanya proses pembelajaran selesai, yang
pengetahuan sebelumnya), dan optimasi menghasilkan koreksi dari bobot jaringan.
(pencarian solusi terhadap model linier dan Jika tidak maka akan kembali ke
non linier yang melibatkan variabel proses feedforward. Hal ini akan terus
kontinyu/diskrit) berlangsung sampai menemukan
Beberapa bentuk jaringan pada JST nilai epoch maksimum.
terdiri dari yang paling sederhana hanya Model jaringan syaraf tiruan memiliki
berupa satu layer (single layer), lalu kelemahan yaitu kemungkinan adanya over
meningkat lebih rumit menjadi layer fitting. Overfitting terjadi bila penggunaan
majemuk (multiple layer) dan dapat berupa data untuk training, testing dan validasi tidak

75
Jurnal Riset Industri (Journal of Industrial Research) Vol. 8 No. 1, April 2014, Hal. 73 - 81

sebanding (proportional). Hal ini dapat Tabel 2 Data Penelitian


dihindari dengan menggunakan k-fold Konsentrasi
pH
Turbiditas
validasi silang. koagulan (ppm) (NTU)
Kelemahan berikutnya adalah sifat 250 5 35.4
jaringan syaraf tiruan berupa black box 250 6 20.5
thinking, yaitu hubungan antara variabel
250 7 21.5
input dan output tidak dijelaskan
penyebabnya. Sedangkan perbedaan pokok 250 8 10.2
antara jaringan syaraf dengan model regresi 250 9 7.04
adalah kemampuan jaringan syaraf tiruan 300 5 38.6
untuk menghitung bobot setiap data dalam
300 6 19.2
layar yang tersembunyi dan digunakan terus
pada layar selanjutnya untuk mendapatkan 300 7 18.3
output.Dalam melakukan proses validasi k- 300 8 17.4
fold dapat digunakan langkah-langkah yang 300 9 8.73
dapat dilihat pada Gambar 2. 350 5 38.7
Proses validasi k-fold dilakukan
350 6 20.6
sebagai berikut yakni (1) melakukan
pembagian data yang tersedia menjadi 350 7 21.8
bagian untuk training, validasi dan testing, 350 8 18.8
(2) memilih arsitektur dan parameter 350 9 3.88
training, (3) melakukan training model yang
400 5 40.9
dipilih menggunakan data yang sudah
ditentukan, (4) mengevaluasi model 400 6 18.8
menggunakan data validasi, (5) mengulangi 400 7 19.6
langkah 2 s/d 4 dengan menggunakan 400 8 10.86
arsitektur dan parameter yang berbeda, (6) 400 9 9.52
memilih arsitektur terbaik dari proses
450 5 14.1
training dan validasi, (7)
mengimplementasikan arsitektur jaringan 450 6 20.9
yang dipilih dengan data testing. 450 7 19.6
450 8 8.64
METODE
450 9 3.42
Bahan 500 5 13.8
500 6 17.7
Bahan/ data yang diperlukan pada 500 7 24.5
penelitian ini meliputi kadar konsentrasi 500 8 18.9
koagulan, pH air limbah dan turbiditas. Data
penelitian diperoleh dari Waste Water 500 9 2.42
Sumber: PT XYZ, 2013
Treatment Plant (WWTP) yang dimiliki oleh
PT XYZ. Selama ini penelitian yang
Metode yang digunakan dalam
dilakukan masih dalam skala jar test.
penelitian ini digambarkan pada Gambar 2.
Penelitian yang dilakukan berada di rentang
Langkah tersebut antara lain: studi pustaka,
konsentrasi koagulan dari 250 ppm hingga
pengumpulan data dari waste water
500 ppm. PH limbah diatur dari rentang 5
treatment plant (WWTP). Setelah data
hingga 9. Dari percobaan yang dilakukan
terkumpul, dilakukan pengolahan data awal
diperoleh data pada Tabel 2. Data penelitian
sebelum kemudian dilakukan perancangan
tersebut kemudian dianalisis lebih lanjut
model JST. Setelah model JST diketahui,
menggunakan metode jaringan syaraf
dilakukan implementasi dengan program
tiruan.
Matlab, dan diakhiri dengan simulasi yang
digunakan untuk menentukan kadar

76
Penentuan Konsentrasi Koagulan …(Ulil Hamida)

konsentrasi koagulan dan pH optimum digunakan untuk melakukan training


dalam pengolahan limbah. merupakan 80% dari jumlah data yaitu 24
data, dan data yang digunakan validasi
sejumlah 6 data.
X1 konsentrasi
koagulan

turbiditas
X2 pH ……………….

Gambar 3. Pemodelan Penentuan


Konsentrasi Koagulan dan pH
pada Pengolahan Limbah

X i  Min(X i )
Xˆ i  ..............................(1)
Max(X i )  Min(X i )

Penentuan Arsitektur Jaringan Syaraf


Tiruan

Arsitektur yang dipilih untuk JST pada


penelitian ini merupakan arsitektur dengan 3
layer. Layer pertama merupakan layer input,
layer kedua merupakan hidden layer, dan
layer ketiga merupakan output layer.
Layer input memiliki neuron sebanyak
Gambar 2. Kerangka Pemecahan Masalah variabel input yaitu 2. Layer output memiliki
neuron sebanyak 1 yaitu variabel output.
Dengan menggunakan data Pada hidden layer, harus ditentukan jumlah
percobaan yang terdiri dari 3 variabel yaitu layer yang dapat memberikan performansi
konsentrasi koagulan, pH limbah dan terbaik pada jaringan.
turbiditas maka dibuat model jaringan syaraf Untuk menentukan jumlah neuron
tiruan. Dua faktor yang menjadi input pada pada hidden layer, dilakukan simulasi
jaringan adalah konsentrasi koagulan dan dengan menggunakan jumlah neuron yang
pH limbah. Sebagai output dari jaringan bervariasi pada hidden layer yaitu 1 hingga
tersebut adalah turbiditas. Model tersebut 10. Hidden layer yang memiliki performansi
dapat dilihat pada Gambar 3. terbaik ditunjukkan dengan nilai MSE yang
Penjelasan dari kerangka pemecahan paling baik.
masalah yang digunakan dalam penelitian
ini secara rinci dijelaskan sebagai berikut. Simulasi dengan Arsitektur JST terbaik

Pembagian Data Training dan Validasi Arsitektur JST yang diperoleh pada
proses sebelumnya kemudian digunakan
Setelah data penelitian dinormalisai, untuk melakukan training dengan data
selanjutnya, data seluruh data variabel training yang telah ditentukan. Setelah
dibagi menjadi dua yaitu data yang training dilakukan, data validasi kemudian
digunakan untuk melakukan training JST digunakan dalam jaringan tersebut. Setiap
(data in-sample) data yang digunakan untuk pengolahan tersebut kemudian dicatat
validasi (data out-sample). Data yang

77
Jurnal Riset Industri (Journal of Industrial Research) Vol. 8 No. 1, April 2014, Hal. 73 - 81

performansinya dengan ukuran MSE (Mean ke dalam persamaan 1. Hasil normalisasi


Squared Error). tersebut dapat dilihat pada Tabel 3.

Simulasi Penentuan Konsentrasi Mencari Jumlah Neuron yang Tepat


Koagulan dan pH Optimum untuk Hidden Layer

Setelah mendapatkan jaringan syaraf Setelah normalisasi input, langkah


tiruan yang dianggap baik untuk selanjutnya adalah mencari jumlah neuron
memodelkan hubungan antara konsentrasi yang tepat untuk digunakan pada hidden
koagulan, pH dan turbiditas setelah layer di jaringan JST. Caranya adalah
pengolahan, maka dilakukan simulasi untuk dengan mencoba satu persatu jaringan
menentukan konsentrasi koagulan dan pH dengan hidden layer 1 hingga hidden layer
optimum. ke 10. Pencarian tersebut menghasilkan
Simulasi dilakukan dengan data pada Tabel 4.
menyiapkan data yang dirancang Dari tabel tersebut diperoleh bahwa
sedemikian rupa untuk memungkinkan jumlah neuron pada hidden layer yang
tercakupnya seluruh kemungkinan memberikan nilai MSE terkecil adalah 9
komposisi konsentrasi koagulan dan pH neuron. Berdasarkan hal tersebut maka
pada rentang yang diinginkan. arsitektur yang digunakan untuk melakukan
training pada jaringan syaraf tiruan untuk
Unnormalisasi Data Hasil Simulasi persoalan tersebut adalah 2-9-1.

Kombinasi konsentrasi dan pH Menggunakan JST untuk Data Validasi


dianggap optimum apabila menghasilkan
nilai mendekati 0 pada simulai sebelumnya. Untuk menghindari kondisi overfitting
Akan tetapi data yang diperoleh merupakan yang dihasilkan dari pemodelan JST, maka
bukan data sebenarnya karena masih digunakan metode k-fold yang membagi
dalam rentang normalisasi JST. data training dan data validasi.
Untuk mendapatkan data sebenarnya Data yang diperoleh dari pencarian
dilakukan unormalisasi dengan rumus perbandingan yang tepat tercantum pada
sebagai berikut: Tabel 5.

X i  Xˆ i (Max(X i )  Min(X i ))  Min(X i ) ..........(2) Melakukan Simulasi untuk


(III-1) Menentukan
Konsentrasi Koagulan dan pH Optimum
HASIL DAN PEMBAHASAN
Setelah data training digunakan untuk
menentukan jaringan JST yang digunakan,
Pengolahan data dilakukan dengan
maka jaringan tersebut kemudian digunakan
menggunakan perangkat lunak Mathlab
untuk menentukan konsentrasi koagulan
yang menyediakan fasilitas modul Artificial
dan pH optimum.
Neural Network.
Data konsentrasi koagulan yang
Langkah pertama dalam pengolahan
digunakan sebanyak 21 data dengan
data adalah dengan melakukan normalisasi
interval dari 200 ppm hingga 700 ppm. Data
pada data yang dimiliki untuk mendapatkan
pH yang digunakan berkisar dari 0 hingga
input yang memiliki rentang dari -1 hingga 1
10. Dari dua jenis data tersebut
sebagai syarat dari input pada jaringan
menghasilkan 231 (21 x 11) buah kombinasi
syaraf tiruan. Normalisasi ini diterapkan
data yang menjadi input dari JST yang telah
untuk seluruh data baik konsentrasi
dibuat.
koagulan, pH limbah maupun turbiditas.
Hasil simulasi dari data tersebut
diperoleh dan menghasilkan kombinasi
Normalisasi Data Penelitian
yang memberikan turbiditas optimum (lihat
Tabel 6).
Normalisasi data dilakukan dengan
memasukkan data penelitian pada Tabel 2

78
Penentuan Konsentrasi Koagulan …(Ulil Hamida)

Tabel 3 Normalisasi Data Penelitian Melakukan Unnormalisasi Data


Konsentrasi
koagulan Turbiditas Sebagai tahap akhir dari simulasi
(ppm) pH (NTU) menggunakan jaringan syaraf tiruan
0.1 0.5 0.3540 tersebut adalah mengubah data normalisasi
0.1 0.6 0.2050 tersebut menjadi data sebenarnya dengan
0.1 0.7 0.2150
0.1 0.8 0.1020
unnormalisasi. Unnormalisasi dilakukan
0.1 0.9 0.0704 dengan memasukkan data pada Tabel 6
0.2 0.5 0.3860 dalam persamaan 2. Hasil dari
0.2 0.6 0.1920 unnormalisasi tersebut dapat dilihat pada
0.2 0.7 0.1830 Tabel 7.
0.2 0.8 0.1740
0.2 0.9 0.0873 Tabel 6 Data Hasil Simulasi dengan
0.3 0.5 0.3870 Turbiditas Rendah
0.3 0.6 0.2060 Konsentrasi
0.3 0.7 0.2180 koagulan Turbiditas
0.3 0.8 0.1880 (ppm) pH (NTU)
0.3 0.9 0.0388
0.4 0.5 0.4090 0.65 1 0
0.4 0.6 0.1880 0.7 1 0
0.4 0.7 0.1960
0.75 0.9 0
0.4 0.8 0.1086
0.4 0.9 0.0952 0.75 1 0
0.5 0.5 0.1410 0.8 0.9 0
0.5 0.6 0.2090 0.8 1 0
0.5 0.7 0.1960
0.5 0.8 0.0864 0.85 0.8 0
0.5 0.9 0.0342 0.85 0.9 0
0.6 0.5 0.1380
0.85 1 0
0.6 0.6 0.1770
0.6 0.7 0.2450 0.9 0.8 0
0.6 0.8 0.1890 0.9 0.9 0
0.6 0.9 0.0242
0.9 1 0
Tabel 4 Pencarian Jumlah Hidden Layer 0.95 0.8 0
Jumlah Layer MSE 0.95 0.9 0
1 0,003 0.95 1 0
2 0,0008 0.95 0.7 0.0001
3 0,0007
4 0,00018 0.7 0.9 0.0003
5 0,00013 0.8 0.8 0.0005
6 0,000024 0.9 0.7 0.0012
7 0,0000094
0.65 1 0.0015
8 0,0000036
9 0,0000015 0 0.9 0.0071
10 0,0000021 0.65 0.9 0.0087
0.55 1 0.0161
Tabel 5 Hasil MSE yang diperoleh dari 0.6 0.9 0.0206
Proses Training dan Proses
0 1 0.0221
Validasi
MSE Training MSE Validasi
0,0000015 0,016731
Dari data, beberapa kombinasi
konsentrasi dan pH dapat digunakan untuk
mendapatkan hasil yang lebih baik, yaitu
konsentrasi di atas 500 ppm, PH antara 9
hingga 10.

79
Jurnal Riset Industri (Journal of Industrial Research) Vol. 8 No. 1, April 2014, Hal. 73 - 81

Perbandingan Antara Hasil Model KESIMPULAN


Jaringan Syaraf Tiruan dengan Hasil
Aktual Dari hasil simulasi yang dilakukan
maka dapat diambil kesimpulan antara lain:
Hasil simulasi, terdapat komposisi model JST untuk pencarian konsentrasi
konsentrasi koagulan dan pH limbah yang koagulan dan pH yang optimum dalam
memberikan turbiditas baik (Tabel 7). pengolahan air limbah memiliki 2 input
Dibanding dengan hasil Jartest, diperoleh variabel yaitu konsentrasi koagulan dan pH.
komposisi yang memiliki nilai konsentrasi Variabel output yang dimiliki adalah
koagulan dan pH limbah mendekati rentang turbiditas sebagai salah satu indikator
percobaan (data training), Tabel 2, seperti dalam waste water treatment. MSE yang
pada no 22, 23 dan 24 memberikan hasil dihasilkan JST pada proses training adalah
yang sesuai. Sedangkan komposisi yang 0,0000015, sedangkan MSE yang
jauh dari rentang percobaan memberikan dihasilkan dari proses validasi adalah
hasil tidak sama dengan hasil simulasi. 0,016731. Berdasarkan MSE tersebut,
Berdasarkan kondisi tersebut, saat performansi JST cukup baik. Konsentrasi
terdapat data baru, dilakukan training model koagulan kitosan yang disarankan untuk
JST kembali untuk menghasilkan model mendapatkan hasil optimum adalah
yang lebih baik. Demikian seterusnya, menggunakan konsentrasi lebih besar atau
sehingga model yang dihasilkan semakin sama dengan 500ppm. Sedangkan pH yang
sesuai dengan kondisi aktual. memberikan nilai optimum disarankan
menggunakan pH lebih besar atau sama
Tabel 7 Data Hasil Unnormalisasi dengan 9. Konsentrasi koagulan.
No Konsentrasi Turbiditas Berdasarkan perbandingan hasil simulasi
koagulan (ppm) pH (NTU) dengan jar test diketahui bahwa hasil yang
1 525 10 0 sesuai dengan aktual diperoleh saat nilai
2 550 10 0 konsentrasi koagulan dan pH yang
3 575 9 0 digunakan mendekati nilai yang digunakan
4 pada saat training.
575 10 0
5 600 9 0
SARAN
6 600 10 0
7 625 8 0 JST memiliki kelemahan yang sangat
8 625 9 0 harus diperhatikan yaitu overfitting. Untuk
9 625 10 0 mengurangi kesalahan yang dihasilkan
10 650 8 0 akibat overfitting ini data yang digunakan
11 650 9 0 harus cukup banyak.
12 650 10 0
13
UCAPAN TERIMA KASIH
675 8 0
14 675 9 0 Terima kasih diucapkan sebesar-
15 675 10 0 besarnya kepada Bagian WWTP PT XYZ
16 675 7 0.01 yang telah membantu dalam mendapatkan
17 550 9 0.03 data penelitian yang digunakan dalam
18 600 8 0.05 penelitian ini.
19 650 7 0.12
20 DAFTAR PUSTAKA
525 10 0.15
21 200 9 0.71 Fitrisia. Adiwijaya & Rakhmatsyah, A. 2010.
22 525 9 0.87 Prediksi Produksi BAN GT3
23 475 10 1.61 Menggunakan Jaringan Syaraf Tiruan
24 500 9 2.06 Resilient Propagation dan Weight-
25 200 10 2.21 Elimination. Makalah dalam
Konferensi Nasional Sistem dan
80
Penentuan Konsentrasi Koagulan …(Ulil Hamida)

Informatika. Bali: STIMIK STIKOM Nirmawaty, D.A., Suhariningsih, &


Bali. Saraswati, D.A. 2013 Deteksi Kanker
Hamida, U., Suprayogi. 2012. Pendekatan Serviks ( Carsinoma Serviks Uteri )
Non Parametrik dan Artificial Neural pada Citra Hasil Rekaman CT-Scan
Network untuk Sistem Peringatan Dini Menggunakan Jaringan Syaraf Tiruan.
Krisis Komoditas Crude Palm Oil. Jurnal Fisika dan Terapannya Vol.1, No.2,
Seminar Diseminasi Hasil Penelitian April 2013.
Kementerian Perindustrian dan Pakaja F., Naba A., & Purwanto. 2012.
Pusdiklat Desember 2012. Peramalan Penjualan Mobil
Kusumadewi, Sri & Hartati, Sri. 2010. Menggunakan Jaringan Syaraf Tiruan
Neuro-Fuzzy Integrasi Sistem Fuzzy & dan Certainty Factor. Jurnal EECCIS
Jaringan Syaraf Edisi 2. Yogyakarta: Vol. 6, No. 1, Juni 2012
Graha Ilmu. Permatasari, T,J & Apriliani, E. 2013.
Kusuma I,W & Abadi A,M. 2011. Aplikasi Optimasi Penggunaan Koagulan
Model Backpropagation Neural Dalam Proses Penjernihan Air Jurnal
Network untuk Perkiraan Produksi Sains dan Seni Pomits Vol. 2, No.1,
Tebu pada PT. Perkebunan (2013) 2337-3520 (2301-928X Print)
Nusantara IX. Prosiding Permen KLH No 03 Thn 2010. Diakses dari:
Seminar Nasional Matematika dan Pe http:/blh.jogjaprov.go.id/%20wp-
ndidikan Matematika Yogyakarta 3 De content/uploads/Permen-No.13-thn-
sember 2011 ISBN 978 – 979 – 2010-UKL-UPL.pdf (September 2014)
16353 – 6 – 3 Suhari, 2010. Jaringan Syaraf Tiruan :
Narita,K, dkk. 2009. Penerapan Jaringan Aplikasi Pemilihan Merek, Jurnal
Syaraf Tiruan untuk Penentuan Dosis Teknologi Informasi DINAMIK Volume
Tawas pada Proses Koagulasi Sistem XV No.2, Juli 2.
Pengolahan Air Bersih. Jurusan
Teknik Fisika Fakultas Teknologi
Industri Institut Teknologi Sepuluh
Nopember.

81
Jurnal Riset Industri (Journal of Industrial Research) Vol. 8 No. 1, April 2014, Hal. 73 - 81

Halaman sengaja dikosongkan

82

Anda mungkin juga menyukai