Update Artikelilmiah: 23351

WIDIA ASTUTI

NIM

Judul Artikel

Abstrak (Bhs. Indonesia)

Akibat pencemaran tidak semua parameter kualitas air sungai Kandilo memenuhi kriteria baku mutu air yang dianjurkan, maka dilakukan pengukuran dan analisis kualitas air sehingga dapat diketahui status mutu air sungai tersebut. Pada penelitian ini penulis menggunakan Artificial Neural Network (ANN) untuk menentukan status mutu air sungai. ANN merupakan sebuah model matematik yang berupa kumpulan unit yang terhubung secara paralel yang bentuknya menyerupai jaringan syaraf pada otak manusia (neural). ANN dapat meramalkan apa yang terjadi di masa yang akan datang berdasarkan pola kejadian yang ada dimasa lalu sehingga menjadikan  metode ANN sangat baik digunakan untuk estimasi/peramalan. Tujuan dari penelitian ini yaitu untuk merancang arsitektur ANN terbaik sehingga dapat diketahui keberhasilan pelatihan ANN, tingkat akurasi, serta dapat diketahui apakah sistem ANN layak untuk menentukan status mutu air. Sistem ini menggunakan 18 parameter yaitu zat padat terlarut (TDS), zat padat tersuspensi (TSS), total phospat, nitrat, nitrit, amonia bebas, sulfida, khlor bebas, Biochemical Oxygen Demand (BOD), Chemical Oxygen Demand (COD), raksa, cadmium, tembaga, seng, besi, mangan, timbal, dan bakteri E. Coli. Serta output-nya merupakan 4 kelas status mutu air yaitu memenuhi baku mutu, tercemar ringan, tercemar sedang, dan tercemar berat. Pada penelitian ini digunakan 532 pola data dibagi menjadi 2 jenis data yaitu 364 pola data latih dan 164 pola data uji. Untuk mendapatkan arsitektur terbaik  maka dilakukan pelatihan data, pengujian terhadap data yang dilatihkan dan pengujian dengan data baru (validasi). Arsitektur ANN terbaik adalah jaringan yang menghasilkan nilai MSE uji validasi yang terkecil dengan nilai koefisien korelasi (R) yang terbesar. Hasil dari penelitian ini didapatkan arsitektur ANN terbaik yaitu 95 hidden layer (200000 epoch) menggunakan fungsi aktivasi logsig untuk hidden layer dan output layer-nya, yang menghasilkan nilai MSE pelatihan = 0.022328 (mendekati goal) dan koefisien korelasinya (R) = 0.94867 serta MSE uji validasi = 0.01822637   dan koefisien korelasinya (R) uji validasi = 0.95614.  ANN terbaik yang didapatkan pada penelitian ini dapat menghasilkan 4 target dalam 1 jaringan.  Sehingga dapat disimpulkan ANN dengan metode Back Error Propagation (BEP) ini baik dan akurat digunakan untuk menentukan status mutu air sungai.

Abtrak (Bhs. Inggris)

Because of pollution, not all water quality parameters of the Kandilo river meet the recommended water quality standard criteria, so that water quality measurement and analysis is carried out so that the river water quality is known. In this study the authors used Artificial Neural Network (ANN) to determining river water quality. ANN is a mathematical model in the form of a collection of units connected in parallel that resemble neural networks in the human brain (neural). ANN can predict what will happen in the future based on the pattern of events that existed in the past so as to make the ANN method very well used for estimation / forecasting. The purpose of this study is to design the best ANN architecture so that it can be known the success of ANN training, the level of accuracy, and it can be known whether the ANN system is feasible todetermining the water quality. This system uses 18 parameters, is dissolved solids, suspended solids, total phosphates, nitrates, nitrite, ammonia, sulfides,chlorine, Biochemical Oxygen Demand (BOD), Chemical Oxygen Demand (COD), mercury , cadmium, copper, zinc, iron, manganese, lead, and E. coli bacteria. As well as its output is 4 classes of water quality, is meet quality standards (good condition), lightly polluted, contaminated medium, and heavy polluted. In this study used 532 data patterns were divided into 2 types of data namely 364 training data patterns and 164 test data patterns. To get the best architecture, data training, testing of trained data and testing with new data (validation) are carried out. The best ANN architecture is a network that produces the smallest MSE value validation test with the largest correlation coefficient (R). The results of this study obtained the best ANN architecture, namely 95 hidden layers (200000 epoch) using the logsig activation function for hidden layers and its output layer, which resulted in MSE training values = 0.022328 (approaching goal) and correlation coefficients (R) = 0.94867 and MSE Validation test = 0.01822637 and correlation coefficient (R) validation test = 0.95614. The best ANN obtained in this study can produce 4 targets in 1 network. So it can be concluded that ANN with the Back Error Propagation (BEP) method is good and accurate used to determining the river water quality.

Kata kunci

Pembimbing 1

Pembimbing 2

Pembimbing 3

Tahun

Jumlah Halaman