LAPORAN FINAL PROJECTSIMULASI PENGANALISAAN KUALITAS AIR SUNGAI
DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN METODE
BACKPROPAGATION
PENYUSUN :Syafrinuz Zamroni(2411 100 055)
MATA KULIAH JARINGAN SYARAF TIRUANPROGRAM STUDI S1 TEKNIK
FISIKAJURUSAN TEKNIK FISIKAFAKULTAS TEKNOLOGI INDUSTRIINSTITUT
TEKNOLOGI SEPULUH NOVEMBERSURABAYA2014
FINAL PROJECT REPORTSIMULATION ABOUT RIVER WATER QUALITY
ANALYSIS USE BACKPROPAGATION ARTIFICIAL NEURAL NETWORK
MADE BY :Syafrinuz Zamroni(2411 100 055)
COURSES ARTIFICIAL NEURAL NETWORKSTUDY PROGRAM S1 ENGINEERING
PHYSICSENGINEERING PHYSICS DEPARTEMENTFACULTY INDUSTRIAL TECHNOLOGY
INSTITUT TEKNOLOGI SEPULUH NOVEMBERSURABAYA2014
LAPORAN FINAL PROJECTSIMULASI PENGANALISAAN KUALITAS AIR SUNGAI
DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN METODE
BACKPROPAGATION
Nama Penulis: Syafrinuz ZamroniNRP: 2411100055Jurusan: Teknik
Fisika
ABSTRAK
Abstrak-Penggunaan teknologi dan ilmu pengetahuan bagi penentuan
kualitas air sungai sangatlah diperlukan, yang fungsinya
mempercepat waktu untuk mengetahui hasil dari uji kualitas air
sungai tersebut. Salah satunya adalah penggunaan jaringan syaraf
tiruan untuk software penentuan kualitas air sungai. Hal ini akan
mempercepat waktu penganalisaan dari pengujian terhadap kualitas
air sungai. Pada simulasi ini, akan diterapkan jaringan syaraf
tiruan metode backpropagation untuk menganalisa kualitas air
sungai. Pada simulasi ini, akan didapatkan bahwa Simulasi jaringan
syaraf tiruan untuk analisa kualitas air sungai memiliki nilai RMSE
pada training state, validation state dan test state masing masing
sebesar 0.005, 10.113, dan 11,857 dan regresi untuk training state,
validation state dan test state masing masing sebesar 0.999,
0,2905, dan 0.1772. dan Training rate yang paling efektif pada
simulasi jaringan syaraf tiruan ini adalah 0.4.Kata kunci :
kualitas air sungai, jaringan syaraf tiruan metode backpropagation,
RMSE, regresi, training rate
FINAL PROJECT REPORTSIMULATION ABOUT RIVER WATER QUALITY
ANALYSIS USE BACKPROPAGATION ARTIFICIAL NEURAL NETWORK
Authors Name: Syafrinuz ZamroniNRP: 2411100055Department :
Teknik Fisika
ABSTRACT
Abstract-application of technology and science for river water
quality analisis is very important,this function was to accelerate
time processing to know value of river water quality test. One of
them is using artificial neural network to know river water
quality. This thing will be accelerate time to analysis river water
quality test. In this simulation,will be applied backpropagation
artificial neural network to analysis river water quality. In this
simulatin, will be gotten this application gain RMSE in training
state, validation state, and test state is 0.005,10.113, and
11,857. And regretion value in training state, validation state,
and test state is 0.999, 0.2905, and 0.1772. training rate value
that very effective in this artificial neural network is
0.4.Keyword : river water quality, backpropagation artificial
neural network, RMSE, regretion, training rate
KATA PENGANTAR
Pertama-tama kami panjatkan puja dan puji syukur kehadirat Allah
SWT karena dengan rahmat-Nya kami mampu menyelesaikan Laporan
Simulasi Analisa Kualitas Air Sungai Dengan Menggunakan Jaringan
Syaraf Tiruan Metode Backpropagation ini dengan sebaik-baiknya.
Tidak lupa sholawat serta salam tetap tercurahkan kepada junjungan
kita Nabi Besar Muhammad SAW.Dalam Laporan ini kami membahas
tentang penerapan jaringan syaraf tiruan metode backpropagation
pada analisa kualitas air sungai. Kami berharap laporan yang kami
buat ini nantinya dapat bermanfaat bagi seluruh pembacanya,
sehingga dapat menambah pengetahuan dan wawasan para
pembacanya.Tidak lupa kami juga mengucapkan banyak terima kasih
kepada semua pihak yang telah membantu kami dalam menyusun Laporan
ini. Kami mengetahui masih banyak kesalahan dalam penyusunan
laporan ini. Oleh karena itu kritik dan saran sangat kami butuhkan
sebagai bahan perbaikan dalam penyusunan laporan yang akan
datang.
Surabaya, 25 Desember 2014
Penulis
DAFTAR ISIABSTRAKiABSTRACTiiKATA PENGANTARiiiDAFTAR ISIivDAFTAR
GAMBARvDAFTAR TABELviiBAB I PENDAHULUAN11.1Latar
Belakang11.2Rumusan Masalah11.3Batasan Masalah11.4Tujuan1BAB II
TEORI DASAR MENGENAI PENGGUNAAN JARINGAN SYARAF TIRUAN PADA ANALISA
KUALITAS AIR SUNGAI32.1Kualitas Air Sungai32.2Jaringan Syaraf
Tiruan Metode Backpropagation3BAB III ANALISA DATA DAN PEMBAHASAN
MENGENAI SIMULASI PENGANALISAAN KUALITAS AIR SUNGAI63.1Data yang
diambil dari Air Sungai63.2Simulasi Matlab9a.Menggunakan neural
network tool9b.Menggunakan source code M-file21BAB IV
PENUTUP324.1Kesimpulan324.2Saran32DAFTAR PUSTAKA33
DAFTAR GAMBAR
Gambar 1 grafik dissolved oxygen9Gambar 2 grafik biochemical
oxygen demand9Gambar 3 data input dan target pada workspace
matlab10Gambar 4 Tampilan window nftool10Gambar 5 window nftool
untuk memasukkan input dan target10Gambar 6 window validation and
test11Gambar 7 window network size11Gambar 8 window train
network12Gambar 9 Window Neural Network Training12Gambar 10 hasil
simulasi13Gambar 11 window evaluate network13Gambar 12 data
evaluasi network13Gambar 13 hasil performasi14Gambar 14 hasil
training set14Gambar 15 hasil regresi15Gambar 16 Grafik Persebaran
DO output19Gambar 17 Grafik DO target dan DO output19Gambar 18
Grafik Persebaran BOD target20Gambar 19 Grafik BOD target dan BOD
output20Gambar 20 window AnnBp21Gambar 21 Output Training Rate =
021Gambar 22 NNT window training rate = 022Gambar 23 performasi
training rate = 022Gambar 24 training state training rate =
022Gambar 25 regresi training rate = 023Gambar 26 output training
rate = 0.223Gambar 27 NNT training rate = 0.223Gambar 28 performasi
training rate = 0.224Gambar 29 training state training rate =
0.224Gambar 30 regresi training rate = 0.224Gambar 31 output
training rate = 0.425Gambar 32 NNT training rate = 0.425Gambar 33
performasi training rate = 0.425Gambar 34 training state training
rate = 0.426Gambar 35 regresi training rate = 0.426Gambar 36 output
training rate = 0.626Gambar 37 NNT training rate = 0.627Gambar 38
performasi training rate = 0.627Gambar 39 training state training
rate = 0.627Gambar 40 regresi training rate = 0.628Gambar 41 output
training rate = 0.828Gambar 42 NNT training rate = 0.828Gambar 43
performasi training rate = 0.829Gambar 44 training state training
rate = 0.829Gambar 45 regresi training rate = 0.829Gambar 46 output
training rate = 130Gambar 47 NNT training rate = 130Gambar 48
performasi training rate = 130Gambar 49 training state training
rate = 131Gambar 50 regresi training rate = 131
DAFTAR TABEL
Tabel 1 Tabel Data Kualitas Air Sungai6Tabel 2 Tabel Persebaran
Data Kualitas Air Sungai8Tabel 3 Tabel Output Simulasi Jaringan
Syaraf Tiruan15Tabel 4 Performasi JST18Tabel 5 hasil training
rate31
vi
vii
BAB IPENDAHULUAN
1.1 Latar BelakangPada era globalisasi ini, masalah kebersihan
sungai terkadang sering tidak diperhatikan. Misalnya saja pada
daerah Surabaya dan sekitarnya, bahwa kondisi sungai dan kualitas
air di Surabaya saat ini agak memprihatinkan, karena pendangkalan
dan beban pencemaran yang tinggi dari kegiatan industri/usaha serta
dengan menggunakan data 2007 hingga 2011 didapatkan penentuan
status mutu air di Sungai Surabaya menurut metode STORET 49,44%
adalah tercemar berat untuk peruntukkan kelas dua sesuai PP. RI
no.82 tahun 2001. Sedangkan status mutu air di Sungai Surabaya
menurut metode Indeks pencemaran 100% adalah tercemar sedang untuk
peruntukkan kelas dua sesuai PP. RI no.82 tahun 2001.[1] Padahal
penggunaan air sungai yang terdapat di Surabaya, diantaranya adalah
untuk menyediakan bahan baku air bersih bagi masyarakat kota, serta
menyediakan air untuk keperluan produksi.Dari pernyataan diatas,
perlunya diadakan monitoring untuk mengetahui kondisi dari kualitas
air sungai. Badan Lingkungan Hidup Kota Surabaya telah melakukan
monitoring secara berkala dengan pengambilan sampling air sungai
dan uji lab untuk mengetahui baku mutu kualitas air. Selain itu,
juga dilakukan upaya revitalisasi dengan jalan pembersihan dari
sampah dan pengerukan endapan sungai. [2] Dalam menentukan kualitas
air menggunakan uji lab diperlukan waktu yang terbilang tidak
sebentar sekitar 1 hingga 2 minggu. Tentunya akan memperlambat
penentuan kebijakan untuk mengurangi pencemaran pada air
sungai.Penggunaan teknologi dan ilmu pengetahuan bagi penentuan
kualitas air sungai sangatlah diperlukan, yang fungsinya
mempercepat waktu untuk mengetahui hasil dari uji kualitas air
sungai tersebut. Salah satunya adalah penggunaan jaringan syaraf
tiruan untuk software penentuan kualitas air sungai. Hal ini akan
mempercepat waktu penganalisaan dari pengujian terhadap kualitas
air sungai. Oleh karena itu, kami melakukan pembuatan simulasi
untuk software penganalisa kualitas air sungai. Diharapkan disini
simulasi ini dapat berguna dan menjadi salah satu inspirasi untuk
pengaplikasian jaringan syaraf tiruan. 1.2 Rumusan MasalahAdapun
rumusan masalah yang dapat dibuat dengan memperhatikan latar
belakang diatas antara lain adalah :1. Bagaimana metode jaringan
syaraf tiruan yang cocok untuk menganalisa kualitas air sungai ?2.
Berapa learning rate yang efektif untuk jaringan syaraf tiruan yang
digunakan ?3. Bagaimana membuat simulasi jaringan syaraf tiruan
untuk menganalisa kualitas air sungai tersebut ?1.3 Batasan
MasalahAdapun batasan masalah yang dapat dibuat dengan
memperhatikan rumusan masalah diatas antara lain adalah :1.
simulasi menggunakan software matlab; dan2. data yang digunakan
merupakan data-data yang digunakan pada penelitian orang lain.1.4
TujuanAdapun tujuan yang dapat diambil dengan memperhatikan rumusan
masalah diatas antara lain :1. menentukan metode jaringan syaraf
tiruan yang cocok untuk menganalisa kualitas air sungai tersebut;2.
menentukan learning rate yang digunakan pada metode jaringan syaraf
tiruan tersebut; dan3. membuat simulasi jaringan syaraf tiruan
untuk menganalisa kualitas air sungai tersebut.
2
5
1
BAB IITEORI DASAR MENGENAI PENGGUNAAN JARINGAN SYARAF TIRUAN
PADA ANALISA KUALITAS AIR SUNGAI
2.1 Kualitas Air SungaiKualitas air sungai merupakan suatu
parameter bagi air sungai untuk dikatakan layak pakai atau tidak.
Dalam menganalisa kualitas air sungai terdapat beberapa variabel
yang digunakan yaitu sebagai berikut :a. Kualitas pH air :
merupakan parameter yang menunukkan tingkat keasaman dari air
sungai tersebut.b. Total alkalinity (T-Alk,mg/L) : merupakan
kemampuan air sungai untuk menetralisir kandungan asam dan
menyeimbangkan nilai antara kandungan karbonat dengan kandungan
bikarbonat.c. Total Hardness (T-Hard, mg/L) : merupakan kemampuan
air sungai untuk mengendapkan busa, yang diendapkan oleh ion
kalsium dan magnesium yang terdapat pada air sungai tersebut.d.
Total Solids (TS, mg/L) : merupakan kemampuan air sungai untuk
melarutkan padatan.e. Chemical oxygen demand (COD, mg/L) :
merupakan parameter yang menyatakan kandungan organik yang terdapat
pada air sungai.f. Ammonical nitrogen (NH4-N, mg/L) : merupakan
parameter yang menyatakan kandungan ammonia, polutan beracun pada
air sungai.g. Nitrate nitrogen (NO3-N, mg/L) : merupakan parameter
yang menyatakan kandungan oksigen dan nitrogen pada air sungai.h.
Chloride (Cl, mg/L) : merupakan parameter yang menyatakan kandungan
klorida yang terdapat pada air sungai.i. Phosphate (PO4, mg/L) :
merupakan parameter yang menyatakan kandungan pospat yang terdapat
pada air sungai.j. Potassium (K, mg/L) : merupakan parameter yang
menyatakan kandungan pontasium pada air sungai.k. Sodium (Na, mg/L)
: merupakan parameter yang menyatakan kandungan sodium pada air
sungai.l. Dissolved oxygen (DO, mg/L) : merupakan parameter yang
menyatakan kandungan oksigen bebas pada air sungai.m. 5-day
biochemical oxygen demand (BOD, mg/L) : merupakan parameter yang
menyatakan kandungan DO yang digunakan untuk menguraikan material
organik yang terkandung pada air sungai.2.2 Jaringan Syaraf Tiruan
Metode BackpropagationJaringan syaraf tiruan metode Backpropagation
adalah sebuah metode sistematik untuk pelatihan multiplayer
jaringan syaraf tiruan. Metode ini memiliki dasar matematis yang
kuat, obyektif, dan algoritma ini mendapatkan bentuk persamaan dan
nilai koefisien dalam formula dengan meminimalkan jumlah kuadrat
galat eror melalui model yang dikembangkan (training set).
Gambar 3. Metode BackpropagationJaringan syaraf terdiri dari 3
lapisan, yaitu lapisan masukan/input terdiri atas variable masukan
unit sel syaraf, lapisan tersembunyi terdiri atas 10 unit sel
saraf, dan lapisan keluaran/output terdiri atas 2 sel syaraf.
Lapisan masukan digunakan untuk menampung 13 variabel yaitu sampai
dengan , sedangkan 2 lapisan keluaran digunakan untuk
mempresentasikan pengelompkan pola, nilai 00 untuk gangguan stess,
nilai 01 untuk gangguan fobia, nilai 10 untuk gangguan obsesif
kompulsif, dan nilai 11 untuk gangguan panik.Langkah berikutnya
adalah menghitung nilai SSE (Sum Square Error) yang merupakan hasil
penjumlahan nilai kuadrat error neuron 1 dan 2 pada lapisan output
tiap data, di mana hasil penjumlahan keseluruhan nilai SSE akan
digunakan untuk menghitung nilai RMSE (Root Mean Square Error) tiap
iterasi (Kusumadewi,2002)Sum Square Error (SSE) dihitung sebagai
berikut:1. Hitung lapisan prediksi atau keluaran model untuk
masukan pertama.2. Hitung selisih antara nilai luar prediksi dan
nilai target atau sinyal latihan untuk setiap keluaran.3.
Kuadratkan setiap keluaran kemudian hitung seluruhnya. Ini
merupakan kuadrat kesalahan untuk contoh lain.Root Mean Square
Error (RMSE) dihitung sebagai berikut:1. Hitung SSE2. Hasilnya
dibagi dengan perkalian antara banyaknya data pada latihan dan
banyaknya luaran, kemudian diakarkan.RMSE=Root Mean Square
ErrorSSE=Sum Square ErrorN=Banyaknya data pada latihanK=Banyak
luaranPelatihan suatu jaringan dengan algoritma backpropagation
meliputi dua tahap: perambatan maju dan perambatan mundur. Selama
perambatan maju, tiap unit masukan menerima sebuah masukan sinyal
ini ke tiap-tiap lapisan tersembunyi . Tiap unit tersembunyi ini
kemudian menghitung aktivasinya dan mengirimkan sinyalnya ke tiap
unit keluaran. Tiap unit keluaran menghitung aktivasinya untuk
membentuk respon pada jaringan untuk memberikan pola masukan.Selama
pelatihan, tiap unit keluaran membandingkan perhitungan aktivasinya
dengan nilai targetnya untuk menentukan kesalahan pola tersebut
dengan unit itu. Berdasarkan kesalahan ini, factor dihitung.
digunakan untuk menyebarkan kesalahan pada unit keluaran kembali ke
semua unit pada lapisan sebelumnya (unit-unit tersembunyi yang
dihubungkan ke ). Juga digunakan (nantinya) untuk mengupdate
bobot-bobot antara keluaran dan lapisan tersembunyi. Dengan cara
yang sama, faktor dihitung untuk tip unit tersembunyi . Tidak perlu
untuk menyebarkan kesalahan kembali ke lapisan masukan, tetapi
digunakan untuk mengupdate bobot-bobot antara lapisan tersembunyi
dan lapisan masukan.Setelah seluruh faktor ditentukan, bobot untuk
semua lapisan diatur serentak. Pengaruh bobot (dari unit
tersembunyi ke unit keluaran ) didasarkan pada faktor dan aktivasi
dari unit tersembunyi didasarkan pada faktor Dn aktivasi unit
masukan. (Fusett,1994)
4
5
3
BAB IIIANALISA DATA DAN PEMBAHASAN MENGENAI SIMULASI
PENGANALISAAN KUALITAS AIR SUNGAI
3.1 Data yang diambil dari Air SungaiContoh data yang didapat
dari air sungai yang nantinya akan menjadi nilai masukan dari
simulasi Jaringan Syaraf tiruan adalah sebagai berikut :Tabel 1
Tabel Data Kualitas Air SungaiNopHT-Alk (mg/L)T-Hard (mg/L)TS
(mg/L)COD (mg/L)NH4-N (mg/L)NO3-N (mg/L)Cl (mg/L)PO4 (mg/L)K
(mg/L)Na (mg/L)DO (mg/L)BOD (mg/L)
16.70142.7173.03182.242.012.012.012.682.018.044.694.0210.72
24.90175.7091.00186.9018.202.102.1013.300.704.204.902.1017.50
35.11137.2483.22208.053.650.732.1913.140.737.3043.078.038.76
46.08109.4468.40176.322.280.761.522.282.288.3647.880.7624.32
57.11191.18184.86254.3818.960.791.581.580.798.6918.174.740.00
67.38104.96119.72151.7022.962.462.468.201.644.1010.664.9226.24
78.50127.50165.75259.2531.451.702.559.352.552.5519.558.5015.30
87.04188.32120.56217.3627.280.880.8816.722.6410.5623.760.8815.84
97.28263.90106.47409.5035.492.732.7313.651.829.1024.570.0028.21
108.46260.38232.18374.1221.622.820.9411.280.9410.3410.345.6411.28
116.03155.4492.46234.5014.740.672.0110.052.015.3641.544.6910.72
125.60130.20176.40200.2014.002.102.107.002.106.3033.600.7013.30
135.11148.9277.38154.0324.822.190.738.762.196.5750.378.0318.25
145.32146.68131.48277.4022.800.761.529.122.283.8047.888.3612.16
156.32168.27173.80195.9213.431.582.375.531.584.7441.088.699.48
167.38164.82173.84323.907.381.640.825.741.646.5636.909.0212.30
176.80189.55200.60294.9524.650.851.7016.152.555.9562.905.105.95
187.92200.64113.52211.2017.602.641.7615.840.888.8059.844.403.52
196.37218.4068.25287.5620.932.730.9110.010.915.4658.248.1929.12
209.40184.24192.70251.9235.722.822.8215.040.941.8857.340.9427.26
214.69180.2364.32288.7724.790.671.344.690.678.0427.470.0020.10
226.30150.5063.70156.8026.601.400.7010.500.707.7042.704.909.10
235.11140.89153.30306.602.190.731.468.762.195.1143.801.463.65
246.08173.2886.64178.6028.880.761.523.802.283.0433.445.3221.28
257.90128.77157.21226.733.950.791.5811.852.377.9053.727.9023.70
266.56222.22229.60202.5422.141.642.4613.122.463.286.569.8411.48
277.65106.2597.75370.6022.952.550.8512.751.705.104.253.4016.15
288.80227.92113.52134.6423.762.640.887.041.765.2834.329.684.40
298.19185.64132.86277.5530.941.822.736.371.8210.9218.204.550.91
307.52135.36228.42313.9631.020.940.9414.102.824.7045.120.0020.68
316.70146.06120.60263.989.382.010.675.360.676.0335.515.368.04
325.60155.40114.80270.2021.000.700.7010.501.408.4037.107.0011.20
335.84190.53202.94276.6726.282.192.1912.412.192.9217.520.732.19
345.32155.8060.80318.4411.402.282.285.321.522.2833.442.281.52
357.90177.7597.96287.561.582.372.373.951.586.3254.510.0014.22
368.20191.06229.60183.6814.761.642.4613.120.826.5651.668.205.74
378.50220.15128.35311.9532.301.701.7016.151.706.8022.101.703.40
387.04122.3295.92274.5614.960.881.760.881.764.4041.363.520.00
398.19247.52212.03226.5915.470.910.9114.562.731.8240.957.2814.56
408.46190.82206.80372.2435.720.941.882.821.882.827.528.4611.28
416.70107.2092.46197.6521.441.342.012.010.674.6912.067.372.01
426.30106.4052.50290.5016.102.100.7011.202.106.3019.607.0011.20
435.11185.42209.51302.9526.282.191.460.731.468.7610.224.3821.17
446.84101.08220.40302.4819.760.760.766.082.283.8017.488.3624.32
456.32115.34196.71328.6415.802.371.5811.852.377.9045.032.3711.85
465.74177.12170.56207.4614.760.822.469.022.466.5645.107.384.92
477.65232.9099.45229.5026.351.700.854.252.558.5062.905.100.85
488.80212.08256.08156.6414.082.642.649.680.881.7639.600.8811.44
498.19198.38196.56253.8917.291.821.8210.010.9110.0164.618.1925.48
506.58166.3895.88391.0424.442.822.8215.042.8211.287.523.7618.80
516.70136.6899.16252.5916.080.671.3410.721.346.0328.140.674.69
524.90156.1086.80297.509.100.700.702.101.402.1050.407.0014.70
537.30146.0090.52171.5515.331.460.7312.412.195.1146.727.3020.44
547.60125.40130.72202.9211.400.760.766.080.763.0441.040.0022.80
557.90191.9799.54289.149.480.791.5811.060.792.3717.383.1612.64
567.38227.14123.00215.666.562.462.464.102.466.5657.407.3822.14
576.80243.10124.95340.0021.250.851.709.351.707.6524.652.5518.70
587.92189.20251.68170.728.800.880.883.522.648.8046.646.1614.08
598.19202.02179.27271.1830.030.911.8217.290.917.285.466.377.28
609.40183.30176.72404.2015.042.820.940.942.821.8811.287.527.52
614.69134.00119.93184.2521.442.011.348.040.677.3736.183.3514.74
624.90172.9052.50222.607.702.100.706.300.701.4028.001.4016.80
635.11180.31134.32256.964.381.461.465.840.731.4643.804.3823.36
646.84205.96221.92227.247.601.521.526.080.766.8446.363.8013.68
655.53181.70124.82122.4511.062.371.5812.642.379.4841.878.697.90
667.38116.44218.94257.487.381.640.8210.661.644.9231.169.0218.86
677.65253.30141.10161.5032.300.852.550.852.559.3521.250.0017.00
688.80136.40228.80298.3214.081.760.884.402.646.164.409.684.40
696.37222.04158.34155.6135.492.731.8215.471.826.375.467.2824.57
706.58254.74143.82194.5818.802.822.827.521.887.5256.407.5216.92
715.36197.6569.68296.1421.441.342.0110.052.012.6848.242.0118.09
727.00140.0081.90231.0024.501.401.408.400.705.6050.404.906.30
735.11212.43116.07254.775.842.192.190.731.466.5716.063.6520.44
745.3296.52187.72272.8423.562.281.529.120.761.5226.606.8410.64
756.32105.86218.04278.879.481.580.7912.642.378.699.483.9524.49
768.20232.88142.68261.5820.500.821.644.101.641.6441.000.0013.94
776.80181.05168.30142.803.401.701.7012.750.851.709.350.855.95
786.16255.20210.32359.042.641.762.646.161.763.5236.083.5219.36
797.28171.99126.49379.4719.111.822.736.371.828.193.6410.0123.66
808.46184.2489.30213.3833.841.880.9413.162.828.468.465.6430.08
816.03156.78131.32299.492.011.342.0110.720.674.0223.458.0421.44
827.00190.4074.90135.8012.602.101.4012.601.405.605.607.701.40
836.57191.99140.89135.7820.441.461.4610.952.195.1113.874.380.73
846.08210.5257.76304.7622.040.762.283.041.523.8026.603.048.36
857.90105.86211.72221.996.322.370.794.740.791.589.482.3725.28
866.56118.08228.78220.589.841.642.467.381.645.7454.943.2822.14
878.50146.2073.10148.7510.201.701.7010.201.703.4058.650.0011.05
887.04200.64100.32389.8416.720.880.881.762.645.284.400.000.00
897.28151.97171.08153.7933.670.911.8210.012.738.1947.327.2818.20
907.52181.42101.52394.801.881.882.8214.101.888.4618.808.4626.32
916.03165.49166.16274.708.041.342.011.341.348.046.034.694.69
927.00177.1094.50294.0023.100.701.4011.201.408.4012.600.7018.90
937.30181.7797.82198.5624.091.462.192.190.731.4618.980.7312.41
945.32104.88173.28253.089.122.281.523.042.283.8027.363.8017.48
957.90119.29130.35221.9913.431.580.794.741.585.5312.645.5312.64
967.38176.3067.24220.5818.862.461.646.562.464.9234.440.0013.12
976.80120.70169.15169.1533.152.551.7014.451.705.9510.204.2517.00
987.92177.76137.28282.4812.320.880.8813.200.882.6455.440.882.64
996.37205.66224.77255.7127.302.731.826.372.732.7341.8610.010.00
1009.40176.72111.86308.326.581.882.826.581.8810.3418.805.648.46
Kemudian, dari data-data tersebut diolah secara statistik untuk
mengetahui persebaran datanya yaitu sebagai berikut :Tabel 2 Tabel
Persebaran Data Kualitas Air SungaiMinMaxMedianMeanSDCV%
pH4.699.406.846.89441.1760.1705
TS (mg/L)122.45409.5254.14250.25369.5430.277
T-Alk (mg/L)96.52263.9176.91171.553141.581580.2423
T-Hard (mg/L)52.5256.08130.54140.1454.53340.3891
Cl (mg/L)0.7317.298.898.47364.45870.5261
PO4 (mg/L)0.672.821.71.6980.6890.4061
K (mg/L)1.4011.285.855.722.6020.4542
Na (mg/L)3.6464.6132.330.674117.8680.5825
NH4-N (mg/L)0.672.821.641.64310.6960.4237
NO3-N (mg/L)0.672.821.611.64530.660.4020
COD (mg/L)1.5835.7217.4517.55669.40190.5355
DO (mg/L)0.0010.014.694.69463.06110.6520
BOD (mg/L)0.0030.0813.2113.5438.00760.5912
Data data diatas merupakan representasi dari data yang dapat
diambil pada penganalisaan kualitas air sungai. DO dan BOD
merupakan dua parameter pada kualitas air sungai yang biasanya
dijadikan patokan sebagai pemeriksaan kualitas air. Sehingga 11
parameter lainnya merupakan variabel yang biasanya menentukan nilai
dari DO dan BOD atau bisa dikatakan DO dan BOD merupakan dependent
data array atau data yang nilainya memiliki ketergantungan dengan
11 parameter lainnya. Bisa dikatakan parameter yang memuat pH,
T-Alk, T-Hard, TS, COD, NH4-N, NO3-N, Cl, PO4, K and Na merupakan
masukan pada simulasi sistem penganalisaan kualitas air sungai.
Sedangkan DO dan BOD merupakan keluaran atau target dari simulasi
sistem penganalisaan kualitas air sungai.Dari 100 data diatas,
nantinya akan dibagi menjadi 3 bagian yaitu, bagian untuk men-train
jaringan syaraf tiruan yang telah dibuat, bagian untuk menvalidasi
hasil train dari jaringan syaraf tiruan yang telah dibuat, dan
bagian untuk menguji hasil jaringan syaraf tiruan tersebut.Sebelum
mengolah data lebih lanjut, dilihat grafik persebaran datanya yang
nantinya akan dibandingkan dengan sesudah menggunakan simulasi
jaringan syaraf tiruan. Bahwa untuk DO dan BOD yang didapat
memiliki grafik yang diolah secara statistik seperti gambar dibawah
ini :
DOUntuk nilai Dissolved Oxygen memiliki grafik :
Gambar 1 grafik dissolved oxygen BODUntuk nilai biochemical
oxygen demand memiliki grafik :
Gambar 2 grafik biochemical oxygen demand3.2 Simulasi
MatlabSimulasi matlab yang kami lakukan dibagi menjadi 3 bagian,
yaitu menggunakan neural network network tool, memakai source code
M-File, dan memakai Simulink. a. Menggunakan neural network
toolNeural network tool merupakan tool yang terdapat pada Matlab
yang digunakan untuk memudahkan dalam menyelesaikan suatu
permasalahan dengan menggunakan jaringan syaraf tiruan dengan
jaringan syaraf tiruan metode backpropagation deangan 2 layer
feed-forward network dengan sigmoid hidden neurons dan linier
output neurons. Neural network tool menggunakan algoritma
levenberg-marquardt sebagai algoritma pelatihannya. Langkah-langkah
menggunakan neural network tool untuk mensimulasikan analisa
kualitas air sungai adalah sebagai berikut :i. Memasukkan input dan
target dari simulasi analisa kualitas air sungai pada workspace
matlab. Nantinya akan muncul pada workspace matlab seperti gambar
dibawah ini :
Gambar 3 data input dan target pada workspace matlab ii. Dengan
meggunakan source code nftool pada command window matlab maka akan
muncul tampilan seperti dibawah ini :
Gambar 4 Tampilan window nftooliii. Klik tombol next, maka akan
muncul tampilan window baru, masukkan nilai input dan target yang
pada workspace kemudian klik tombol next. Berikut tampilan
windownya :
Gambar 5 window nftool untuk memasukkan input dan targetiv.
Selanjutnya, akan muncul tampilan window validation and test, pada
window ini akan disortir dari data yang didapat menjadi data untuk
training, data untuk validasi dan data untuk test dari jaringan
syaraf tiruan yang telah dibuat. Pada jaringan syaraf tiruan yang
kami buat memiliki pengklasifikasian sampel dari 100 sampel yang
dipakai yaitu 60 % untuk data training (60 sampel), 20 % untuk data
validasi (20 sampel) dan 20 % untuk data pengujian (20 sampel).
Berikut tampilan windownya :
Gambar 6 window validation and testv. Kemudian, akan muncul
window network size yang menentukan jumlah hidden layer-nya. Pada
simulasi jaringan syaraf tiruan kami, memakai hidden layer sebanyak
55, kemudian klik next. Berikut tampilan windownya :
Gambar 7 window network sizevi. Akan muncul window train
network, klik train. Berikut tampilan windownya :
Gambar 8 window train networkvii. Akan muncul window neural
network training yang menyatakan hasil progress dari jaringan
syaraf tiruan yang dibuat. Berikut tampilan windownya :
Gambar 9 Window Neural Network TrainingPada window ini
memberikan informasi mengenai Epoch (jumlah iterasi yang
digunakan), time (waktu melakukan proses simulasi), performance
(performasi dari sistem tersebut, semakin mendekati 0, sistem yang
dibuat semakin bagus), gradient (menunjukkan gradient dari
performasi jaringan syaraf tiruan, perubahan terhadap regresi yang
terjadi), Mu factor (menunjukkan parameter yang mempengartuhi
training state jaringan syaraf tiruan). Pada simulasi ini memiliki
5 epoch, nilai performasi 2.28 x 10-5, nilai gradien 3.41 x 10-11,
dan nilai faktor mu 1 x 10-8.viii. Pada window train network akan
menunjukkan informasi MSE (Mean Squared Error, rata-rata dikurangi
dengan perbedaan antara keluaran dan target dan dikuadratkan, jika
nilainya semakin kecil semakin baik) dan R (Regression, korelasi
antara output dan target, nilai mendekati 1 artinya makin
berhubungan antara satu dengan yang lain). data yang muncul pada
simulas jaringan syaraf tiruan adalah :
Gambar 10 hasil simulasi
ix. Kemudian, akan muncul window evaluate network, dimana
menjadi window untuk meng-evaluasi dari sistem jaringan syaraf
tiruan tersebut. Berikut windownya :
Gambar 11 window evaluate networkPada window ini, dimasukkan
nilai Input dan targetnya untuk mengetahui MSE dan regresi yang
dihasilkan. Dengan menggunakan data yang dipakai sama dengan data
simulasi didapatkan :
Gambar 12 data evaluasi networkx. Dari simulasi Jaringan syaraf
tiruan ini, didapatkan grafik sebagai berikut : Grafik performasi
Adapun hasil grafik performasi dari simulasi jaringan syaraf tiruan
antara lain adalah :
Gambar 13 hasil performasi Grafik training stateAdapun hasil
grafik performasi dari simulasi jaringan syaraf tiruan antara lain
adalah :
Gambar 14 hasil training set
Grafik regresiAdapun hasil grafik performasi dari simulasi
jaringan syaraf tiruan antara lain adalah :
Gambar 15 hasil regresiDengan menggunakan metode ANN tool pada
simulasi didapatkan data data antara lain adalah : MSE : 0.228 x
10-5 untuk train, 102,267 untuk validasi, dan 140,585 untuk test
Data Output dari DO dan BODTabel 3 Tabel Output Simulasi Jaringan
Syaraf TiruanDO (mg/L)BOD (mg/L)Error DO (mg/L)Error BOD (mg/L)
DATA4.0210.730.00-0.01
2.1017.510.00-0.01
7.309.070.73-0.31
3.327.36-2.5616.96
2.3720.312.37-20.31
4.9226.240.000.00
5.9914.232.511.07
0.8815.830.000.01
8.033.92-8.0324.29
7.2613.26-1.62-1.98
4.6910.720.000.00
3.823.55-3.129.75
8.0218.250.010.00
8.3612.160.000.00
3.5114.535.18-5.05
9.0212.310.00-0.01
7.8710.91-2.77-4.96
8.680.99-4.282.53
2.388.035.8121.09
0.9427.250.000.01
0.0020.110.00-0.01
4.909.100.000.00
1.463.650.000.00
5.2814.910.046.37
7.9023.690.000.01
9.8411.470.000.01
3.4016.150.000.00
5.5229.044.16-24.64
4.550.900.000.01
0.0020.680.000.00
5.358.040.010.00
0.5214.806.48-3.60
0.732.190.000.00
8.2114.62-5.93-13.10
0.0014.210.000.01
8.205.730.000.01
4.169.47-2.46-6.07
3.520.000.000.00
7.2814.560.000.00
8.4611.280.000.00
2.754.794.62-2.78
7.0011.200.000.00
3.9527.040.43-5.87
8.3624.320.000.00
2.3711.850.000.00
7.384.920.000.00
5.100.860.00-0.01
6.6127.97-5.73-16.53
10.1212.65-1.9312.83
3.7618.790.000.01
0.674.700.00-0.01
6.9914.700.010.00
2.331.154.9719.29
0.0022.800.000.00
3.1612.650.00-0.01
7.3822.130.000.01
2.5518.710.00-0.01
6.1614.080.000.00
6.377.280.000.00
3.9921.453.53-13.93
3.3514.740.000.00
7.1528.46-5.75-11.66
4.3723.370.01-0.01
3.8013.690.00-0.01
8.082.440.615.46
9.0118.870.01-0.01
0.0017.000.000.00
3.7627.655.92-23.25
2.35-6.494.9331.06
7.5216.910.000.01
5.121.69-3.1116.40
3.55-6.631.3512.93
3.6520.450.00-0.01
6.8310.650.01-0.01
3.9524.490.000.00
1.7712.64-1.771.30
5.4532.20-4.60-26.25
3.5219.360.000.00
4.3210.655.6913.01
5.6430.070.000.01
12.2320.85-4.190.59
5.75-1.131.952.53
4.380.740.00-0.01
3.485.32-0.443.04
2.3725.280.000.00
0.04-0.203.2422.34
1.67-6.20-1.6717.25
0.000.010.00-0.01
7.2818.200.000.00
8.4626.320.000.00
5.3415.57-0.65-10.88
-4.4410.035.148.87
0.7312.420.00-0.01
3.8017.480.000.00
5.5312.650.00-0.01
0.0013.120.000.00
4.01-7.820.2424.82
0.872.640.010.00
7.1126.562.90-26.56
5.648.470.00-0.01
Mean4.5712.980.120.56
Median4.3412.890.000.00
Min-4.44-7.82-8.03-26.56
Max12.2332.206.4831.06
SD2.9438949.1452472.477949.57343279
CV%0.6439130.70439120.1916317.1014247
Data korelasi antara input dan target, yang ditunjukkan oleh
Regresi pada ANN tool yaitu : 0.99 untuk train, 0,29 untuk
validasi, dan 0,17 untuk test.Dari data yang didapat dari simulasi
jaringan syaraf tiruan, dapat dicari : Performasi dari simulasi
jaringan syaraf tiruan Pada simulasi jaringan syaraf tiruan ini,
telah disediakan suatu parameter tersendiri yang menunjukkkan
performasi jaringan syaraf tiruan dari simulasi analisa kualitas
air sungai yaitu MSE dan R :Tabel 4 Performasi JSTMSERRMSE
Train2,284 x 10-50,9990.005
Validation102,2670,290510.113
Test140,5850,177211.857
Dari nilai nilai pada tabel diatas, R yang merupakan hubungan
antara output dan target dimana pada bagian test simulasi jaringan
syaraf tiruan memiliki korelasi yang dekat satu sama lain, pada
bagian validasi memiliki korelasi yang sedikit kurang antara satu
sama lain, dan pada bagian test memiliki korelasi yang kurang
antara satu sama lain. Untuk nilai RMSE yang menunjukkkan rata-rata
error yang terjadi pada variabel dependen (DO dan BOD), pada bagian
train memiliki nilai sebesar 0,005 yang artinya memiliki nilai
rata-rata error yang kecil, pada bagian validasi memiliki nilai
sebesar 10.113, dan pada bagian test memiliki nilai sebesar 11,857.
Nilai-nilai diatas menunjukkan bahwa : Pada bagian train dengan
data yaitu 60 sampel, telah memenuhi harapan dilihat dari nilai R
dan nilai RMSEnya. Sehingga, bisa dibilang untuk bagian train telah
memenuhi persyaratan bahwa sistem tersebut adalah optimal. Pada
bagian validasi dengan data yaitu 20 sampel, dilihat dari nilai MSE
dan nilai R belum dibilang memuaskan. Selain nilai error yang
besar, hubungan antara independent data dan dependent data dapat
dibilang random. Hal ini bisa dikarenakan data yang dipakai
memiliki variasi yang terlalu besar, dibandingkan jumlah data yang
dipakai. Sehingga menyebabkan nilai error yang terlalu tinggi dan
nilai korelasi yang sedikit rendah. Pada bagian test dengan data
yaitu 20 sampel, dilihat dari nilai MSE dan nilai R belum dibilang
memuaskan. Selain nilai error yang besar, hubungan antara
independent data dan dependent data dapat dibilang random. Hal ini
bisa dikarenakan data yang dipakai memiliki variasi yang terlalu
besar, dibandingkan jumlah data yang dipakai. Sehingga menyebabkan
nilai error yang terlalu tinggi dan nilai korelasi yang sedikit
rendah.
Persebaran keluaranPada persebaran keluaran dari simulasi
memakai metode ini, didapatkan beberapa grafik diantaranya adalah :
Persebaran DO output
Gambar 16 Grafik Persebaran DO output Grafik DO
Gambar 17 Grafik DO target dan DO output
Persebaran BOD
Gambar 18 Grafik Persebaran BOD target Grafik BOD
Gambar 19 Grafik BOD target dan BOD outputDari keempat gambar
diatas, didapatkan R atau korelasi pada DO dan BOD sebesar 0.023
dan 0.049. Nilai tersebut tergolong kecil, sehingga bisa dibilang
data tersebut memiliki nilai variabel acak yang besar. Namun jika
dibandingkan nilai R antara DO dan BOD target dengan DO dan BOD
output hampir memiliki kesamaan. Sehingga bisa dibilang antra
target dan outputmemiliki korelasi yang tinggi. Dilihat dari
rata-rata error dari DO dan BOD memiliki nilai masing-masing 0,12
dan 0,56. Sehingga bisa dibilang sistem simulasi ini memiliki
ketelitian hingga 0,5. Kekurangan dari menggunakan ANN tool ini
adalah users tidak bisa merubah training rate yang digunakan untuk
sistem jaringan syaraf tiruan ini, sehingga tidak dapat memperbaiki
nilai error menjadi lebih kecil.b. Menggunakan source code
M-fileDengan menggunakan source code yang tertera pada M-file yang
tertera pada folder SC M-file, dengan menjalankan file AnnBp.m maka
akan muncul tampilan seperti pada gambar dibawah ini :
Gambar 20 window AnnBpDengan mengatur fungsi pada setiap layer
sama dengan fungsi yang digunakan sebelumnya yaitu algoritma
pelatihan adalah trainlm atau menggunakan Levenberd-Marquartd
algoritm. Untuk jumlah hidden neuron-nya adalah 55 dengan iterasi
maksimum adalah 1000. Dilakukan percobaan dengan nilai training
rate antara 0 hingga 1 dengan interval 0.2, dikarenakan pada
eksperimen ini tidak dilakukan uji nilai momentum dan nilai error
yang diijinkan maka untuk nilai momentum rate dan error yang
diijinkan masing masing adalah 0.25 dan 0.01.i. Nilai training rate
= 0Akan didapatkan hasil sebagai berikut :a. Output
Gambar 21 Output Training Rate = 0
b. Neural netork training
Gambar 22 NNT window training rate = 0c. Performasi
Gambar 23 performasi training rate = 0d. Training state
Gambar 24 training state training rate = 0
e. Regresi
Gambar 25 regresi training rate = 0ii. Nilai training rate =
0.2Akan didapatkan hasil sebagai berikut :a. Output
Gambar 26 output training rate = 0.2b. Neural netork
training
Gambar 27 NNT training rate = 0.2
c. Performasi
Gambar 28 performasi training rate = 0.2d. Training state
Gambar 29 training state training rate = 0.2e. Regresi
Gambar 30 regresi training rate = 0.2
iii. Nilai training rate = 0.4Akan didapatkan hasil sebagai
berikut :a. Output
Gambar 31 output training rate = 0.4b. Neural netork
training
Gambar 32 NNT training rate = 0.4c. Performasi
Gambar 33 performasi training rate = 0.4
d. Training state
Gambar 34 training state training rate = 0.4e. Regresi
Gambar 35 regresi training rate = 0.4iv. Nilai training rate =
0.6Akan didapatkan hasil sebagai berikut :a. Output
Gambar 36 output training rate = 0.6
b. Neural netork training
Gambar 37 NNT training rate = 0.6c. Performasi
Gambar 38 performasi training rate = 0.6d. Training state
Gambar 39 training state training rate = 0.6
e. Regresi
Gambar 40 regresi training rate = 0.6v. Nilai training rate =
0.8Akan didapatkan hasil sebagai berikut :a. Output
Gambar 41 output training rate = 0.8b. Neural netork
training
Gambar 42 NNT training rate = 0.8c. Performasi
Gambar 43 performasi training rate = 0.8d. Training state
Gambar 44 training state training rate = 0.8e. Regresi
Gambar 45 regresi training rate = 0.8
vi. Nilai training rate = 1Akan didapatkan hasil sebagai berikut
:a. Output
Gambar 46 output training rate = 1b. Neural netork training
Gambar 47 NNT training rate = 1c. Performasi
Gambar 48 performasi training rate = 1
d. Training state
Gambar 49 training state training rate = 1e. Regresi
Gambar 50 regresi training rate = 1Dari data data diatas,
didapatkan tabel seperti dibawah ini :Tabel 5 hasil training
rateTrainingratePerformasi(MSE)Regresigradientepoch
00.04590.995920.080815
0.20.01930.985520.09848
0.40.003710.994270.09998
0.60.5330.971530.03318
0.80.4330.889760.073211
10.8330.921490.08258
Dari tabel diatas, didapatkan bahwa untuk simulasi Jaringan
syaraf tiruan analisa kualitas air sungai memiliki performasi
terbaik pada training rate sebesar 0.4. 30
31
BAB IVPENUTUP4.1 KesimpulanAdapun kesimpulan yang dapat diambil
pada laporan ini antara lain :1. Simulasi jaringan syaraf tiruan
untuk analisa kualitas air sungai memiliki nilai RMSE pada training
state, validation state dan test state masing masing sebesar 0.005,
10.113, dan 11,857 dan regresi untuk training state, validation
state dan test state masing masing sebesar 0.999, 0,2905, dan
0.1772.2. Simulasi ini menunjukkan performasi yang cukup baik dalam
training state, namun pada validation state dan test state,
simulasi ini menunjukkan performasi yang kurang memuaskan. Hal ini
dikarenakan kurangnya data untuk memproses simulasi jaringan syaraf
tiruan. Banyaknya data yang digunakan akan menambah variasi dari
proses pembelajaran simulasi jaringan syaraf tiruan ini.3. Training
rate yang paling efektif pada simulasi jaringan syaraf tiruan ini
adalah 0.4.4.2 SaranAdapun saran yang dapat diambil pada laporan
ini antara lain :1. Menambah banyaknya data untuk dilakukan
simulasi jaringan syaraf tiruan ini.
32
DAFTAR PUSTAKA
[1] Priyono, dkk.2013.Studi Penentuan Status Mutu Air Di Sungai
Surabaya Untuk Keperluan Bahan Baku Air Minum.Fakultas Teknik
Pengairan.Universitas Brawijaya Malang.[2]
lh.surabaya.go.id/weblh/?c=main&m=sungai diakses pada tanggal
13 desember 2015 pukul 16.35[3] Fauset, Lauret.1994.Fundamental of
Neural Network.Prectice Hall.USA[4]Palani, Sundarambal dkk.2008.An
ANN application for water quality forecasting.Elvesier.[5] Dogan,
Emrah dkk.2008.Modeling biological oxygen demand of the Melen River
in Turkey using an artificial neural network technique.Elsevier.[6]
Singh, Kunwar dkk.2009.Artificial neural network modeling of the
river water quality A case study.Elsevier.[7] Jiang, Yunchao
dkk.2013.Risk assessment of water quality using Monte Carlo
simulation and artificial neural nerwork.Elsevier.[8] DeWeber,
Jefferson dkk.2014. Aregional neural network ensemble for
predicting mean daily river water temperature.Elvesier.
33