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.
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.
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.
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].
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]
Dasar dari Naive Bayes yang dipakai dalam pemrograman adalah rumus Bayes [13]:
Keterangan:
-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.
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
- Nilai suhu
- Nilai TDS
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.
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 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
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.
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].
7. Penyimpanan : microSD
8. GPIO : 40-pin
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].
3.6 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].
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).
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 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 :
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.