An IoT Based Smart Water Quality Monitoring

System using Cloud

Ilham()1,aji()2,ghifari()3,odo()4

Abstract-

_____________________________________________________________________________

1.Pendahuluan
Pentingnya peran air bagi kehidupan mahluk hidup, bukan hanya untuk manusia tapi juga
untuk mahluk lain karena air merupakan salah satu elemen yang dibutuhkan untuk meneruskan
kehidupan setiap mahluk yang bernyawa. Air ini sebernarnya memeliki sumber alami yang tidak
terbatas. Karena air ini dapat berasal dari berbagai sumber.

Salah satu sumber air adalah air sungai, Pemantauan kualitas air sungai sangat penting
dilakukan untuk mengetahui baik buruknya kondisi air. Kualitas air mempunyai hubungan yang
sangat erat dengan Kesehatan masyarakat. Penyediaan air bersih dengan kualitas yang kurang
memenuhi standar dapat mengakibatkan dampak negatif terhadap kesehatan masyarakat. Air
dengan kualitas yang baik memiliki standar pH 6,5-8,5[11].

Paper ini dibuat untuk pembaca yang akan membuat alat dan metode untuk suatu system
pintar dalam memonitoring kualitas air dengan menggunakan cloud. Di dalam paper ini akan
berisikan berbagai alat maupun metode serta kelebihan atau pun kekurangan dari setiap metode
yang diberikan.

Perlu diperhatikan bahwa paper ini akan berfokus pada alat dan metode dari beberapa paper
yang telah dikumpulkan. Untuk bab pertama berisi tentang pendahuluan, bab kedua tentang
metode yang digunakan, bab ketiga tentang alat yang digunakan, bab keempat tentang data dari
hasil metode yang dilakukan, bab kelima tentang hasil dari observasi dan rekomendasi, bab
keenam tentang hasil dari rangkuman paper yang dibuat.
2. Metode
Pada bagian ini menjelaskan tentang berbagai metode yang digunakan dalam pembuatan
suatu suatu system pintar dalam memonitoring kualitas air dengan menggunakan cloud.
Referensi untuk setiap motode dari paper yang digunakan disediakan di sini.

2.1 Model dan Desain Fuzzy Inference System

Logika fuzzy dapat dilihat sebagai perpanjangan dari logika klasik, dengan kerangka kerja
konseptual yang cocok untuk perawatan masalah yang memiliki subjektivitas intrinsik. Salah satunya alat
untuk pemodelan fuzzy adalah proses inferensi fuzzy. Proses ini menggunakan tiga konsep penting : fungsi
validitas, operasi antara koleksi fuzzy, dan basis aturan dan memiliki tiga tahap: fuzzifikasi, rule basis
proses inferensi, dan defuzzifikasi[1].

Gambar 1: Skematik Fuzzy Inference System

1. Fuzzyfikasi merupakan pemetaan nilai input yang merupakan nilai tegas ke dalam fungsi
keanggotaan himpunan fuzzy, untuk kemudian diolah di dalam mesin penalaran. Fungsi
keanggotaan bentuk trapesium seperti pada Gambar 2 dipilih karena dapat membantu
menemukan akurasi yang lebih tinggi, menghindari kompleksitas klasifikasi data dan
kinerja fungsi trapesium lebih baik dari fungsi keanggotaan segitiga. [13].
 Gambar 2: Fungsi Keanggotaan Trapesium

2. Rule basis merupakan aturan dasar dalam kendali logika fuzzy adalah aturan implikasi
dalam bentuk IF...THEN... Aturan dasar tersebut ditentukan dengan bantuan seorang pakar
yang mengetahui karakteristik objek yang akan dikendalikan.
3. Proses inferensi Pada tahapan ini sistem menalar nilai masukan untuk menentukan nilai
keluaran sebagai bentuk pengambil keputusan. Kesimpulan diperoleh dari kumpulan dan
korelasi antar aturan. Pada penelitian ini menggunakan metode max-min, solusi himpunan
fuzzy diperoleh dengan cara mengambil nilai maksimum aturan, kemudian
menggunakannya untuk memodifikasi daerah fuzzy, dan mengaplikasikanya ke output
dengan menggunakan operator AND. Dalam penalaran ini, pertama-tama dilakukan proses
operasi min sinyal keluaran lapisan fuzzyfikasi, kemudian diteruskan dengan operasi max
untuk mencari nilai keluaran yang selanjutnya akan didefuzzyfikasikan sebagai bentuk
keluaran pengendali.
4. Defuzzyfikasi merupakan kebalikan dari fuzzyfikasi, yaitu pemetaan dari himpunan fuzzy
ke himpunan tegas. Input dari proses defuzzyfikasi adalah suatu himpunan fuzzy yang
diperoleh dari komposisi aturan-aturan fuzzy. Hasil dari defuzyfikasi ini merupakan output
dari sistem kendali logika fuzzy [15]. Dalam implementasi pengambilan keputusan
klasifikasi menggunakan fuzzy inference system jumlah label yang digunakan pada sistem
sebanyak 8 unit sebagai input. Label-label pada parameter dibuat berdasarkan standar baku
mutu air sungai [12] [14] Suhu dan pH memiliki masing-masing tiga label input dan TDS
memiliki dua label input seperti pada Tabel I.

Tabel I: Label Parameter Kualitas Air

Fungsi keanggotaan ditentukan untuk menyatakan fungsi sistem secara keseluruhan dengan
bentuk trapesium. Fungsi keanggotaan pH dibagi menjadi tiga kategori yaitu nilai pH
kurang dari 5.8 adalah asam, 6 sampai 8 adalah netral dan lebih dari 8.2 adalah basa. Fungsi
keanggotaan suhu dibagi menjadi tiga kategori yaitu nilai suhu kurang dari 25.8 adalah
 dingin, 26 sampai 32 adalah sedang dan lebih dari 3.22 adalah panas. Fungsi keanggotaan
TDS dibagi menjadi 2 yaitu nilai TDS kurang dari 250 adalah baik dan lebih dari 300 adalah
buruk.

2.2 Sistem Pakar

Sistem Pakar adalah sistem informasi yang berisi pengetahuan seorang pakar sehingga dapat
digunakan untuk konsultasi. Pengetahuan seorang pakar yang dimiliki oleh Sistem Pakar ini digunakan
sebagi dasar untuk menjawab pertanyaan (konsultasi). Kepakaran adalah pengetahuan yang ekstensif dan
spesifik, yang diperoleh melalui rangkaian pelatihan, membaca atau menerima informasi, dan pengalaman.
Pengetahuan inilah yang bisa membuat sebuah Sistem Pakar bisa mengambil keputusan secara lebih tepat
dan lebih cepat daripada sistem nonpakar dalam memecahkan permasalahan yang bersifat kompleks.[2]

Secara umum, sistem pakar adalah sistem yang berusaha mengadopsi pengetahuan manusia ke
komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli. Sistem
pakar yang baik dirancang agar dapat menyelelasikan suatu permasalahan tertentu dengan meniru kerja dari
para ahli. Dengan sistem pakar ini, orang awam pun dapat menyelesaikan masalah yang cukup rumit yang
sebenarnya hanya dapat diselesaikan dengan bantuan para ahli. Bagi para ahli, sistem pakar ini juga akan
membantu aktivitasnya sebagai asisten yang sangat berpengalaman. Ada beberapa definisi tentang sistem
pakar, antara lain :

1. Menurut Durkin : Sistem pakar adalah suatu program komputer yang dirancang untuk
memodelkan kemampuan penyelesaian masalah yang dilakukan seorang pakar.
2. Menurut Ignizio : Sistem pakar adalah suatu model dan prosedur yang berkaitan, dalam
suatu domain tertentu, yang mana tingkat keahliannya dapat dibandingkan dengan keahlian
seorang pakar.
3. Menurut Giarratano dan Riley : Sistem pakar adalah suatu sistem komputer yang bisa
menyamai atau meniru kemampuan seorang pakar.

Sistem pakar teridiri-dari dua bagian pokok, yaitu: lingkungan pengembangan (development
environment) dan lingkungan konsultasi (consultation environment). Lingkungan pengembangan
digunakan sebagai pembangunan sistem pakar baik dari segi pembangunan komponen maupun basis
pengetahuan. Lingkungan konsultasi digunakan oleh seorang yang bukan ahli untuk berkonsultasi[2].

Basis pengetahuan berisi pengetahuan-pengetahuan dalam penyelesaian masalah, tentu saja di

dalam domain tertentu. Ada 2 bentuk pendekatan basis pengetahuan yang sangat umum digunakan, yaitu :
 1. Penalaran berbasis aturan (Rule-Based Reasoning). Pada penalaran berbasis aturan,
pengetahuan direpresentasikan dengan menggunakan aturan berbentuk : IF-THEN. Bentuk
ini digunakan apabila kita memiliki sejumlah pengetahuan pakar pada suatu permasalahan
tertentu, dan si pakar dapat menyelesaikan masalah tersebut secara berurutan. Selain itu,
bentuk ini juga digunakan apabila dibutuhkan penjelasan tentang jejak (langkah-langkah)
pencapaian solusi.

Gambar 3 Rule-Based Reasoning

2. Penalaran berbasis kasus (Case-Based Reasoning). Pada penalaran berbasis kasus, basis
pengetahuan akan berisi solusi-solusi yang telah dicapai sebelumnya, kemudian akan
diturunkan suatu solusi untuk keadaan yang terjadi sekarang (fakta yang ada). Bentuk ini
digunakan apabila user menginginkan untuk tahu lebih banyak lagi pada kasus-kasus yang
hampir sama (mirip). Selain itu, bentuk ini juga digunakan apabila kita telah memiliki
sejumlah situasi atau kasus tertentu dalam basis pengetahuan.[16]

Gambar 4 Case-Based Reasoning

2.3 Naive Bayes Classifier

Naive Bayes Classifier merupakan salah satu metode di dalam data mining untuk
mengklasifikasikan data. Cara kerja dari metode Naive Bayes Classifier menggunakan
perhitungan probabilitas. Konsep dasar yang digunakan oleh Naive bayes adalah teorema Bayes,
yaitu teorema yang digunakan dalam statistika untuk menghitung suatu peluang, Naive Bayes
Classifier menghitung peluang dari satu kelas dari masing- masing kelompok atribut yang ada dan
menentukan kelas yang paling optimal. Proses pengelompokan atau klasifikasi dibagi menjadi dua
fase yaitu learning/training dan testing/classify. Pada fase learning, sebagian data yang telah
diketahui kelas, datanya diumpankan untuk membentuk model perkiraan. Kemudian pada fase
testing, model yang sudah terbentuk diuji dengan sebagian data[3].

Dasar dari Naive Bayes yang dipakai dalam pemrograman adalah rumus Bayes [13]:

Keterangan:

-X: Data dengan class yang belum diketahui

-H: Hipotesis data merupakan suatu class spesifik

-P(H|X): Probabilitas hipotesis H berdasarkan kondisi X (posteriori probabilitas)

-P(H): Probabilitas hipotesis H (Prior probabilitas)

-P(X|H): Probabilitas X berdasarkan kondisi pada hipotesis H

-P(X): Probabilitas X
Terdapat alur dari metode Naive Bayes digunakan untuk proses klasifikasi berikut:

1) Baca data training: Pada Tabel II. merupakan data latih atau data training, untuk
menentukan data untuk dianalisis dengan metode naive bayes. Data training yang digunakan yaitu
1000 data, dengan masing-masing setiap kelas kondisi berjumlah 250 data. Kelas kondisi baik 250
data dari 1-250, kondisi tercemar ringan 250 data dari 251-500, kondisi tercemar sedang 250 data
dari 501-750, dan kondisi tercemar berat 250 data dari 751-1000.

Tabel 2 Data Training

 2) Menentukan rules: Pada klasifikasi Naive Bayes terdapat rules untuk menentukan nilai
parameter yang masuk dalam kelas kategori kondisi air. Dengan melihat nilai standar parameter
kualitas air pada Tabel 2.

Berikut merupakan penamaan label untuk nilai parameter kualitas air yang digunakan,
terdapat tiga parameter kualitas air dan label setiap masing-masing nilai parameter yang
digunakan:

- Nilai pH

a) 0 = Kondisi netral, range nilai= 6 - 8

b) 1 = Kondisi asam, range nilai = 0 - 5

c) 1 = Kondisi basa, range nilai = 9 - 14

- Nilai suhu

a) 0 = Kondisi baik, range nilai = 26◦ - 32◦

b) 1 = Kondisi dingin, range nilai = < 26◦

c) 1 = Kondisi panas, range nilai = > 32◦

- Nilai TDS

a) 0 = Kondisi baik, range nilai = 0 - 250

b) 1 = Kondisi cukup, range nilai = 250 - 400

c) 2 = Kondisi buruk, range nilai = > 400

Berikut merupakan penamaan untuk label kelas kategori kondisi air, terdapat empat label
dan kelas kategori kondisi air yang digunakan yaitu kondisi baik, tercemar ringan, tercemar sedang
dan tercemar berat.

1) 0 = Kondisi baik

2) 1 = Tercemar ringan

3) 2 = Tercemar sedang
 4) 3 = Tercemar berat

Penamaan label kelas dan label parameter untuk menentukan perhitungan rules pada Naive
Bayes, rules digunakan untuk menganalis data kualitas air yang ditentukan pada data training.
Tabel 3: merupakan hasil rules untuk perhitungan Naive Bayes yang telah ditentukan.

Tabel 3. Rules Naive Bayes

3) Kondisi dan probabilitas: Pada Naive Bayes terdapat nilai probabilitas setiap nilai
parameter yang didapatkan dari data latih atau data training pada Tabel 2.

Adapun nilai probabilitas dengan kategori kondisi air dapat dilihat pada Tabel 4 dan nilai
probabilitas setiap parameter dapat dilihat pada Tabel 5 nilai pH, Tabel 6 nilai suhu, dan Tabel 7
nilai TDS berikut.

Tabel 4. Probabilitas Kategori Kelas Kondisi Air

Jumlah Kejadian "Kondisi Probabilitas

Air"
Baik Ringan Sedang Buruk Baik Ringan Sedang Buruk
250 250 250 250 0.25 0.25 0.25 0.25

Tabel 4 dapat dilihat nilai probabilitas untuk masing-masing kelas kondisi air baik,
ringan, sedang dan buruk menghasilkan nilai probabilitas yang sama yaitu 0.25.
Berdasarkan 1000 data training untuk masing-masing jumlah kejadian kondisi air yaitu
250.
 Tabel 5. Probabilitas Nilai PH

Jumlah Kejadian "Kondisi Air" Probabilitas

Keadaan Baik Ringan Sedang Buruk Baik Ringan Sedang Buruk

PH
Netral 250 166 100 83 0.996 0.6667 0.2024 0.3333
Asam 0 84 150 167 0.004 0.3333 0.7976 0.6667
dan
Basa
Jumlah 250 250 250 250 1 1 1 1

Pada Tabel 5: merupakan perhitungan probabilitas nilai pH. Dapat dilihat bahwa
Keadaan pH netral dalam kondisi baik memiliki probabilitas 0.996, pH netral kondisi
ringan memiliki probabilitas 0.6667, pH netral kondisi sedang memiliki probabilitas
0.2024, pH netral kondisi buruk 0.3333. Keadaan pH asam dan basa dalam kondisi baik
memiliki probabilitas 0.004, pH asam dan basa kondisi ringan memiliki probabilitas 0.3333,
pH asam dan basa kondisi sedang memiliki probabilitas 0.7976, pH asam dan basa kondisi
buruk 0.6667.

Tabel 6. Probabilitas Nilai Suhu

Jumlah Kejadian "Kondisi Air" Probabilitas

Keadaan Baik Ringan Sedang Buruk Baik Ringan Sedang Buruk

Suhu
Baik 250 167 100 83 0.996 0.6667 0.3532 0.3333
Dingin 0 83 150 167 0.004 0.3333 0.6468 0.6667
dan
Panas
Jumlah 250 250 250 250 1 1 1 1
 Pada Tabel 6: merupakan perhitungan probabilitas nilai suhu. Dapat dilihat bahwa
Keadaan suhu baik dalam kondisi baik memiliki probabilitas 0.996, suhu baik kondisi
ringan memiliki probabilitas 0.6667, suhu baik kondisi sedang memiliki probabilitas
0.3532, suhu baik kondisi buruk 0.3333. Keadaan suhu dingin dan panas dalam kondisi
baik memiliki probabilitas 0.004, suhu dingin dan panas kondisi ringan memiliki
probabilitas 0.3333, suhu dingin dan panas kondisi sedang memiliki probabilitas 0.6468,
suhu dingin dan panas kondisi buruk 0.6667.

Tabel 7. Probabilitas Nilai TDS

Jumlah Kejadian "Kondisi Air" Probabilitas

Keadaan Baik Ringan Sedang Buruk Baik Ringan Sedang Buruk

TDS
Baik 250 167 50 0 0.9921 0.664 0.2016 0.0039
Cukup 0 83 150 0 0.0039 0.332 0.5969 0.0039
Buruk 0 0 50 250 0.004 0.2015 0.9921
0.004
Jumlah 250 250 250 250 1 1 1 1

Pada tabel 7: merupakan probabilitas nilai TDS. Dapat dilihat bahwa Keadaan TDS
baik dalam kondisi baik memiliki probabilitas 0.9921, TDS baik kondisi ringan memiliki
probabilitas 0.664, TDS baik kondisi sedang memiliki probabilitas 0.2016, TDS baik
kondisi buruk 0.0039. Keadaan TDS cukup kondisi baik memiliki probabilitas 0.0039,
TDS cukup kondisi ringan memiliki probabilitas 0.332, TDS cukup kondisi sedang
memiliki probabilitas 0.5969, TDS cukup kondisi buruk 0.0039. Keadaan TDS buruk
kondisi baik memiliki probabilitas 0.004, TDS buruk kondisi ringan memiliki probabilitas
0.004, TDS buruk kondisi sedang memiliki probabilitas 0.2015, TDS buruk kondisi buruk
0.9921.

4) Melakukan pengujian testing atau probabilitas akhir yang menghasilkan solusi klasifikasi
Probabilitas akhir atau solusi akhir yang didapat digunakan untuk menentukan tingkat pencemaran
kondisi air sungai yang termasuk dalam kelas kondisi baik, tercemar ringan, tercemar sedang dan tercemar
buruk untuk data yang ingin diuji.

3.Alat
Pada bagian ini menjelaskan tentang berbagai alat yang digunakan dalam pembuatan suatu
suatu system pintar dalam memonitoring kualitas air dengan menggunakan cloud. Referensi untuk
setiap motode dari paper yang digunakan disediakan di sini.

3.1 Rasberry pi
Raspberry Pi digunakan sebagai perangkat sentral pada sistem ini. Perangkat sentral
berperan sebagai penerima data yang dikirimkan oleh perangkat sensor. Data yang diterima akan
diolah dan disimpan pada perangkat ini. Raspberry Pi dipilih karena memiliki ukuran kecil namun
memiliki fungsi sama seperti sebuah komputer desktop. Raspberry Pi juga termasuk perangkat
yang hemat daya karena hanya membutuhkan daya kurang dari 5 watt (sumber). Raspberry Pi
berbasis pada sistem operasi Linux Debian versi ARM yang memiliki software repository sendiri.
Repository yang digunakan memiliki berbagai aplikasi yang sama dengan linux versi desktop[4].

Raspberry Pi memiliki spesifikasi:

1. SoC : Broadcom BCM2837

2. CPU : 4x ARM Cortex-A53, 1.2GHz

3. GPU : Broadcom VideoCore IV

4. RAM : 1GB LPDDR2 (900 MHz)

5. Koneksi : 10/100 Ethernet, 2.4GHz 802.11n wireless

6. Bluetooth : Bluetooth 4.1 Classic

7. Penyimpanan : microSD

8. GPIO : 40-pin

9. Ports : HDMI, 3.5mm analogue audio-video jack, 4x USB 2.0, Ethernet,

 Camera Serial Interface (CSI), Display Serial Interface (DSI)

3.2 Arduino Uno

Arduino Uno [17] adalah board berbasis mikrokontroler pada ATmega328. Board ini
memiliki 14 digital input / output pin (dimana 6 pin dapat digunakan sebagai output PWM), 6
input analog, 16 MHz osilator kristal, koneksi USB, jack listrik tombol reset. Pin-pin ini berisi
semua yang diperlukan untuk mendukung mikrokontroler, hanya terhubung ke komputer dengan
kabel USB atau sumber tegangan bisa didapat dari adaptor AC-DC atau baterai untuk
menggunakannya.

3.3 Sensor Ph
PH merupakan suatu satuan ukur yang menguraikan derajat kadar keasaman atau basanya
suatu larutan. pH diukur pada skala 0 sampai 14 dalam satuan pH. Pada prinsipnya pengukuran
suatu pH adalah didasarkan pada potensial elektro kimia yang terjadi antara larutan yang terdapat
di dalam electrode glass yang telah diketahui dengan larutan yang terdapat di luar electrode glass
yang tidak diketahui [13]. Hal ini dikarenakan lapisan tipis dari gelembung kaca akan
berinteraksi dengan ion hidrogen yang ukurannya relative kecil dan aktif. electrode glass tersebut
akan mengukur potensial elektrokimia dari ion hydrogen yang disebut dengan potential of
hydrogen. Untuk melengkapi sirkuit elektrik dibutuhkan suatu elektroda pembanding, alat
tersebut tidak mengukur arus tetapi hanya mengukur tegangan. Dalam pembacaan nilai pH
dibutuhkan sebuah modul ekspansi yang dikoneksikan dengan sensor sehingga keluaran sensor
menjadi linier dan berada pada kisaran 0 volt sampai dengan 5 volt, maka didapatkan nilai
pembacaan sensor dari pH 0 sampai dengan 14 [13].

3.4 Node MCU

NodeMCU adalah platform IoT open source. NodeMCU firmware yang berjalan pada
ESP8266 Wi-Fi SoC yang dirancang oleh Sistem Espressif yang didasarkan pada Modul ESP-12.
Istilah "NodeMCU" secara default mengacu pada firmware DevKit. Firmware menggunakan
bahasa scripting Lua dan dapat didigunakan dalam beberapa projek seperti lua-cjson, dan spiff
[5].
3.5 Sensor Turbiditas
Sensor ini digunakan untuk mengetahui turbiditas atau tingkat kekeruhan air dengan
menggunakan cahaya yang dipancarkan kemudian diterima kembali oleh sensor. Sensor kemudian
akan memperhitungkan tingkat intensitas cahaya yang diterima. Ketika air menjadi keruh, maka
tingkat intensitas cahaya semakin kecil. Perhitungan turbiditas pada sensor ini dilakukan dengan
persamaan (3.4) yang menghasilkan tingkat kekeruhan dalam persen dimana air yang sangat keruh
memiliki nilai 100% dan air jernih 0%[4].

3.6 GPS
GPS adalah teknologi yang berfungsi menentukan posisi di permukaan bumi dengan
menggunakan sinyal satelit. Teknologi ini didukung 24 satelit yang mengirimkan sinyal
gelombang mikro ke Bumi. Sinyal ini berfungsi untuk menentukan posisi, kecepatan, arah dan
waktu. GPS Tracker merupakan teknologi yang berfungsi untuk mengetahui posisi kendaraan
secara real time [3]. GPS tracker menggunakan teknologi GSM dan GPS. Pada sistem tracking
kendaraan, teknologi GPS digunakan untuk memperoleh koordinat kendaraan yang dilengkapi
perangkat GPS dan memperbaharui datanya secara real time[6].

3.7 Wemos D1 Mini

Mikrokontroler ini berbasis ESP8266 yaitu sebuah modul mikrokontroler nirkabel (Wifi)
802.11 yang kompatibel dengan Arduino IDE. Tata letak mikrokontroler ini didasarkan pada
desain hardware Arduino standar dengan proporsi yang sama dengan Arduino Uno dan
Leonardo. Mikrokontroler ini juga sudah termasuk satu set header Arduino standar yang artinya
kompatibel dengan beragam Arduino shield. Mikrokontroler ini juga mencakup sebuah CH340
USB to serial interface seperti kabel USB micro yang umum digunakan[7].

4.Data hasil penelitian

Pada bagian ini berisi tentang beberapa data hasil dari penelitian yang telah dilakukan dari
beberapa paper yang telah ada.

pengukuran dari beberapa skenario bahan uji. Pengujian dilakukan dengan cara memasukan
sensor pH, kekeruhan, dan suhu pada beberapa cairan. Untuk sensor pH digunakan cairan dari cuka,
minuman bersoda, dan air mineral. Untuk sensor kekeruhan digunakan cairan kopi, detergen, dan air
mineral. Untuk sensor suhu digunakan air es, air normal, dan air hangat. Selanjutnya, data dari sensor
tersebut dibandingkan dengan data alat ukur dalam hal ini pH meter, Turbidity meter, dan Termometer.
Perbedaan data yang dihasilkan kemudian dihitung menggunakan persamaan (1). Adapun hasil
pengujian untuk ketiga sensor tersebut dapat dilihat pada Gambar 5, Gambar 6, dan Gambar 7.
Berdasarkan hasil pengujian ketiga jenis sensor tersebut dan dibandingkan dengan alat ukur, diperoleh
nilai kesalahan rata-rata untuk setiap alat ukur seperti dapat dilihat pada Tabel 4. Nilai kesalahan
tersebut diperoleh berdasarkan perhitungan pada persamaan (1).

Tabel 4 Rata-rata nilai kesalahan pengujian

Hasil tersebut dianggap baik karena semua sensor mampu melakukan pengukuran hampir menyerupai
alat ukur sebenarnya dengan ratarata kesalahan total sebesar 4,16%[8].

Selain hasil dari paper diatas ada pun yang lain yaitu

Gambar 8 dataset uji lab setelah preprocessing

Gambar 9 menunjukkan dataset live sensor setelah preprocessing, dimana data-data yang dihasilkan
sudah tidak memiliki missing/corrupt value, inkonsistensi nilai, dll[9].
 Gambar 9 dataset sensor live setelah preprocessing

Selain dari data diatas juga ada data yang menggunakan Neural Network Prediction. Prediction
testing dilakukan dengan cara memilih pada kurun waktu tertentu pada masa depan. Dengan
menggunakan Neural Network Predict untuk mengetahui kondisi air pada waktu tertentu kemudian
mengkomparasikannya dengan kondisi air pada saat tersebut.

Waktu yang diatur adalah tanggal 31 januari 2019 pukul 22.10 WIB . kondisi dari air sungai yang
diambil adalah 24.94 derajar celcius, 4.76pH, dan 284,18 NTU. Neural network yang akan memprediksi
dilatih menggunakan parameter sebagai berikut epoch = 600, learning rate = 0.2, momentum = 1.0, max
error = 0.05, 30% dari data sebagai training data, 70% dari data sebagai validation data. Menghasilkan
prediksi sebagai berikut :

Tabel 5 Prediction Testing

Prediksi yang dibuat oleh neural network yang telah dilatih menggunakan data asli
memiliki akurasi yang rendah, disebabkan data asli tidak memiliki berbagai macam varietas untuk
neural network berlatih untuk potensi sesungguhnya dari lingkungannya[10].
5.Hasil dari observasi dan rekomendasi
Pembuatan alat IoT untuk memonitor kondisi kualitas air menggunakan cloud dapat dilakukan
dengan berbagai macam metode maupun alat. Hal ini berdasarkan paper yang telah dijabarkan dimana
hasil nya cukup mirip hanya tinggal kita mesti melakukan penelitian berdasarkan lingkungan yang akan
kita uji coba. Untuk rekomendasi kita bisa menggunakan metode neural network karena berdarkan judul
kita ingin suatu system yang pintar dimana pintar disini si alat akan dapat berpikir dengan sendirinya
karena sudah dilatih dengan data – data real yang telah dilatih kedalam alat yang digunakan. Untuk alat
yang digunakan kita bisa menggunakan raspberry pi dikarenakan alatnya yang compact tapi memiliki
fungsionalitas yang lengkap bahkan untuk melakukan machine learning.

6.Rangkuman dari penelitian

REFERENSI
[1] A. G. Widowati, N. A. Suwastika, and R. Yasirandi, “Deteksi Lokasi Pencemaran Air
Sungai Citarum berbasis IoT menggunakan Fuzzy Inference System,” vol. 4, no. 3, p. 14,
2019.
[2] F. H. Rangkuti, A. S. Raharjo, and C. S. Ningsih, “Pengukuran Kualitas Air Irigasi Terhadap
Tanaman Menggunakan Algoritma Sistem Pakar,” p. 7.
[3] A. M. Nursantoso, N. A. Suwastika, and R. Yasirandi, “Prediksi Kondisi Pencemaran Air
Sungai Citarum Berbasis Internet of Things dan Klasifikasi Naive Bayes,” vol. 5, no. 1, p.
14, 2020.
[4] R. A. Windiarto, “JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI
INDUSTRI UNIVERSITAS ISLAM INDONESIA 2018,” p. 83.
[5] “Sistem Kontrol Vertical Garden Menggunakan NodeMCU ESP8266 Berbasis Android_by
Riswandi_602001150.pdf.” .
[6] Im. O. Widyantara, I. G. A. K. Warmayana, and L. Linawati, “Penerapan Teknologi GPS
Tracker Untuk Identifikasi Kondisi Traffik Jalan Raya,” Maj. Ilm. Teknol. Elektro, vol. 14,
no. 1, Jun. 2015, doi: 10.24843/MITE.2015.v14i01p07.
[7] F. Supegina and E. J. Setiawan, “RANCANG BANGUN IOT TEMPERATURE
CONTROLLER UNTUK ENCLOSURE BTS BERBASIS MICROCONTROLLER
WEMOS DAN ANDROID,” vol. 8, no. 2, p. 6, 2017.
[8] T. D. Hendrawati, “Sistem Monitoring Pencemaran Air Sungai Berbasis Teknologi Sensor
Nirkabel dan Internet-of-Things,” p. 7.
[9] M. R. Husien and I. Krisnadi, “DESAIN DAN IMPLEMENTASI IOT-BIG DATA
ANALYTIC PADA SMART ENVIRONMENT MONITORING SYSTEM,” p. 9.
[10] Kennedy, P. D. Kusuma, and C. Setianingsih, “River Water Pollution Pattern Prediction
using a Simple Neural Network,” in 2019 IEEE International Conference on Industry 4.0,
Artificial Intelligence, and Communications Technology (IAICT), BALI, Indonesia, Jul.
2019, pp. 118–124, doi: 10.1109/ICIAICT.2019.8784854.
[11] Peraturan Menteri Kesehatan (Permenkes no.492/MENKES/PER/IV/2010) tahun 2010.
Diakses dari http://www.depkes.go.id/. Diakses 10 Januari 2019.
[12] Dito Adhi Putra, Tri Harsono, et al. Smart sensor device for detection of water quality as
anticipation of disaster environment pollution. In 2016 International electronics symposium
(IES), pages 87–92. IEEE, 2016.
[13] S Princy and SS Dhenakaran. Comparison of triangular and trapezoidal fuzzy membership
function. J. Comput. Sci. Eng, 2:46–51, 2016
[14] F Tatangindatu, K Ockstan, and R Robert. Study on water physical-chemical parameters
around fish culture areas in lake tondano, paleloan village, minahasa regency. Journal of
Budidaya Perairan, 1(2):8–19, 2013
[15] Yulmaini Yulmaini. Penggunaan metode fuzzy inference system (fis) mamdani dalam
pemilihan peminatan mahasiswa untuk tugas akhir. Jurnal Informatika Darmajaya,
15(1):10–23.
[16] Fadli, A., 2013, Sisem Pakar, Jakara
[17] Istiyanto, jazi eko, Pengantar Elektronika dan Instrumentasi dengan Pendekatan Project
Arduino + Android, Penerbit Andi: Yogyakarta, 2014