ASTUTI, Widia (2018) Perancangan Sistem Cerdas Berbasis Artificial Neural Network (ANN) Untuk Menentukan Status Mutu Air Sungai. Skripsi thesis, Universitas Jenderal Soedirman.

	PDF (Cover) COVER-Widia Astuti-H1C014017-Skripsi-2018.pdf Download (819kB)
	PDF (Legalitas) LEGALITAS-Widia Astuti-H1C014017-Skripsi-2018.pdf Restricted to Repository staff only Download (1MB)
	PDF (Abstrak) ABSTRAK-Widia Astuti-H1C014017-Skripsi-2018.pdf Download (895kB)
	PDF (BabI) BAB-I-Widia Astuti-H1C014017-Skripsi-2018.pdf Restricted to Repository staff only until 13 November 2025. Download (823kB)
	PDF (BabII) BAB-II-Widia Astuti-H1C014017-Skripsi-2018.pdf Restricted to Repository staff only until 13 November 2025. Download (1MB)
	PDF (BabIII) BAB-III-Widia Astuti-H1C014017-Skripsi-2018.pdf Restricted to Repository staff only until 13 November 2025. Download (954kB)
	PDF (BabIV) BAB-IV-Widia Astuti-H1C014017-Skripsi-2018.pdf Restricted to Repository staff only Download (2MB)
	PDF (BabV) BAB-V-Widia Astuti-H1C014017-Skripsi-2018.pdf Download (830kB)
	PDF (DaftarPustaka) DAFTAR PUSTAKA-Widia Astuti-H1C014017-Skripsi-2018.pdf Download (748kB)
	PDF (Lampiran) LAMPIRAN-Widia Astuti-H1C014017-Skripsi-2018.pdf Restricted to Repository staff only Download (6MB)

Abstract

Terjadinya pencemaran pada sungai Kandilo mengakibatkan tidak semua parameter memenuhi kriteria baku mutu air yang dianjurkan, oleh sebab itu upaya dalam menjaga kualitas air 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). Karena sifat struktur nonlinear yang dimiliki oleh ANN serta dapat meramalkan apa yang terjadi di masa yang akan datang berdasarkan pola kejadian yang ada dimasa lalu 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 (NO3-N ), nitrit (NO2-N), amonia bebas (NH3-N), sulfida (H2S), khlor bebas (C12), Biochemical Oxygen Demand (BOD), Chemical Oxygen Demand (COD), raksa (Hg), cadmium (Cd), tembaga (Cu), seng (Zn), besi (Fe), mangan (Mn), timbal (Pb), dan bakteri E. Coli. Serta output-nya merupakan status mutu air yang digolongkan kedalam 4 kelas yaitu memenuhi baku mutu, tercemar ringan, tercemar sedang, dan tercemar berat. Agar ANN dapat mengenali pola dengan baik maka digunakan pola data yang bervariasi oleh karena itu digunakan 532 pola data dibagi menjadi 2 jenis data yaitu data latih (364 pola data) dan data uji (168 pola data). 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. Kata kunci : Sungai Kandilo, Status mutu air, Artificial Neural Network (ANN), MSE, Back Error Propagation (BEP)

Actions (login required)

View Item