7
𝑁
𝑅𝑀𝑆𝐸 = 𝑖=𝑙
Pi −Oi 2 N
(7)
Keterangan: Pi = Konsentrasi CO dari ISPU Oi = Konsentrasi CO dari hasil perhitungan Root Mean Square Error (RMSE) digunakan untuk mengukur tingkat akurasi hasil prakiraan suatu model. RMSE merupakan nilai rata-rata dari jumlah kuadrat kesalahan atau jumlah kuadrat dari nilai prakiraan dan observasi. RMSE juga dapat menyatakan ukuran besarnya kesalahan yang dihasilkan oleh suatu model prakiraan. Nilai RMSE rendah menunjukkan bahwa variasi nilai yang dihasilkan oleh suatu model prakiraan mendekati variasi nilai obeservasinya. IOA merupakan suatu derajat keakuratan yang menunjukkan seberapa akurat data observasi yang diprakirakan oleh suatu model. IOA lebih sensitif terhadap perbedaan ratarata (mean) antara data observasi dan hasil model, sehingga sangat baik dalam menunjukkan setiap perubahan jika dibandingkan dengan koefisien korelasi. Nilai hasil perhitungan IOA (d) adalah berkisar antara 0 hingga 1. Hasil prakiraan dari model yang baik ditunjukkan dengannilai IOA yang mendekati 1 (Willmott, 1982). Persamaan 8 berikut merupakan persamaan IOA. 𝑑 = 1−
𝑁 2 𝑖=1 (𝑃𝑖−𝑂𝑖) 𝑁 ( 𝑖=1
𝑃𝑖−𝑂𝑚𝑒𝑎𝑛 + 𝑂𝑖−𝑂𝑚𝑒𝑎𝑛 )2
(8)
Hasil dari Index of Agreement dapat diklasifikasikan menjadi 4 kriteria:
Sempurna (IOA = 1) Baik (0.8 ≤ IOA < 1) Sedang (0.7 ≤ IOA < 0.8) Buruk (IOA < 0.7)
Untuk melakukan prediksi konsntrasi CO dari tahun 2021 hingga 2021- 2016 digunakan data jumlah kendaraan 10 tahun terakhir dari Dinas Pendapatan Daerah. Langkah pertama yang dilakukan untuk memproyeksi jumlahkendaraan hingga 10 tahun kedepan adalah menghitung mundur jumlah kendaraan per tahun untuk tahun-tahun sebelumnya dengan menggunakan metoda aritmatik, geometrik, dan least square dengan menggunakan data jumlah kendaraan tahun terakhir. Runus –rumus yang digunakan untuk perhitungan proyeksi jumlah kendaraan antara lain: a.
Metode Aritmatik P2−P1 T2−T1
(9)
Pn = Po - Ka (Tn-To)
(10)
𝐾𝑎 =
Dimana: Pn = jumlah kendaraan pada tahun ke n; Po = jumlah kendaraan pada tahun dasar; Tn = tahun ke n; To = tahun dasar; Ka = konstanta aritmatik; P1 = jumlah kendaraan yang diketahui pada tahun ke I; P2 = jumlah penduduk yang diketahui pada tahun terakhir; T1 = tahun ke I yang diketahui;
8 T2 = tahun ke II yang diketahui. b. Metode Geometrik Pn = Po (1+r)n
(11)
dimana: Pn = jumlah kendaraan pada tahun ke n; Po = jumlah kendaraan pada tahun dasar; r = laju pertumbuhan penduduk; n = jumlah interval tahun c. Metode Least Square
Y = a + b (x)
(12)
dimana: Y = jumlah kendaraan; x = jumlah interval tahun; a = konstanta tahun; b = koefisien arah regresi linier.
Adapun persamaan a dan b adalah sebagai berikut: a= b=
Σy.Σx 2 −Σx.Σx.y n Σx 2 − Σx 2 nΣx.y−Σx.Σy n Σx 2 − Σx 2
(13) (14)
Untuk menentukan pilihan rumus proyeksi jumlah kendaraan yang akan digunakan dengan hasil perhitungan yang paling mendekati kebenaran harus dilakukan analisis dengan menghitung koefisien korelasi. Rumus standar deviasi adalah sebagai berikut: r=
n X i Yi ( X i )( Yi )
n X
2
i
( X i ) 2 n Y 2 i ( Yi ) 2
(15)
dimana: n = jumlah data x = kurun waktu y = jumlah kendaraan
Metode perhitungan proyeksi jumlah kendaraan yang paling tepat adalh metode yang memberikan harga koefisien korelasi yang mendekati1. (Peraturan Menteri Pekerjaan Umum Nomor 18/PRT/M/2007 Tentang Penyelenggaraan Pengembangan Sistem Penyediaan Air Minum). Isi Bahasan Beban emisi yang dihasilkan adalah sebagai berikut Tabel 6 Beban Emisi Hari Senin
Jam
Beban Emisi (g/detik)
07.00-07.30
9,32
07.30-08.00
8,5
08.00-08.30
9,72
08.30-09.00
9,44
9
Selasa
12.00-12.30
8,74
12.30-13.00
8,94
13.00-13.30
8,27
13.30-14.00
8,35
16.00-16.30
9,87
16.30-17.00
11,12
17.00-17.30
11,05
17.30-18.00
11,18
07.00-07.30
9,72
07.30-08.00
9,52
08.00-08.30
9,18
08.30-09.00
9,21
12.00-12.30
7,19
12.30-13.00
8,82
13.00-13.30
8,1
13.30-14.00
8,21
16.00-16.30
8,89
16.30-17.00
9,54
17.00-17.30
9,73
17.30-18.00
9,5
Kosentrasi yang dihasilkan adalah sebagai berikut Tabel 7 Konsentrasi CO Hari/jam
C (mg/m3)
Senin 07.00-07.30
10,10
Senin07.30-08.00
13,64
Selasa 07.00-07.30
16,28
Selasa 07.30-08.00
18,10
Selasa 08.30-09.00
9,64
Sabtu 07.00-07.30
0,35
Sabtu 08.00-08.30
20,42
Sabtu 08.30-09.00
16,37
Minggu 07.00-07.30
9,51
Minggu 07.30-08.00
9,21
Minggu 08.00-08.30
5,79
Minggu 08.30-09.00
10,65
Minggu 17.00-17.30
11,16
Minggu 17.30-18.00
17,62
Minggu 17.00-17.30
58,33
Minggu 17.30-18.00
55,53
Tabel berikut merupakan tabel perbandingan nilai data dari BLH danoerhitungan DFLS
10
Tabel8 Nilai Konsentrasi C (mg/m3) O dari Model DFLS dan BLH Hari/jam
O (BLH)
P (DFLS)
Senin 07.00-07.30
0,890
10,10
Senin07.30-08.00
0,720
13,64
Selasa 07.00-07.30
0,730
16,28
Selasa 07.30-08.00
0,600
18,10
Selasa 08.30-09.00
0,440
9,64
Sabtu 07.00-07.30
0,690
0,35
Sabtu 08.00-08.30
0,330
20,42
Sabtu 08.30-09.00
0,350
16,37
Minggu 07.00-07.30
0,700
9,51
Minggu 07.30-08.00
0,710
9,21
Minggu 08.00-08.30
0,630
5,79
Minggu 08.30-09.00
0,510
10,65
Minggu 17.00-17.30
1,040
11,16
Minggu 17.30-18.00
1,110
17,62
Minggu 17.00-17.30
0,440
58,33
Minggu 17.30-18.00
0,190
55,53
Berikut merupakan graik perbandingan antara kualitas udara dari SUF 4 dengan data dari model DFLS. Nilai O adalah observed (BLH) sedangkan P adalah predicted (DFLS). 70.000 60.000 50.000 40.000 30.000 20.000 10.000 0.000
O (mg/m3) P (mg/m3)
Gambar 2 Perbandingan Nilai CO dari BLH (O) dan DFLS (P) Dari gambar 4.3 menunjukkan perbandingan data CO dari BLH dan model DFLS yang bervariasi, hal tersebut dikarenakan masih banyak faktor-faktor lain yang berpengaruh dalam seperti barrier alam yang mempengaruhi penyebaran polutan maupun umur kendaraan dan pola berkendara yang menyebabkan emisi yang dikeluarkan dari kendaraan bermotor bervariasi. Dari hasil perhitungan vlaidasi diperoleh dengan menggunakan IOA didapatkan nilai d = 0,18 hal tersebut menunjukkan bahwa model DFLS buruk dalam memperkirakan nilai konsentrasi CO di Jalan Gayungsari Barat. Nilai d=18% berarti bahwa 18% data dalam model telah mewakili kondisi lapangan atau 18% data adalah benar.
11
Validasi yang kedua yaitu dengan menggunakan metode RMSE (Root mean Square Error). Nilai RMSE rendah menunjukkan bahwa variasi nilai yang dihasilkan oleh suatu model prakiraan mendekati variasi nilai obeservasinya. Dalam mendapatkan nilai konsentrasi CO pertahun digunakan input DFLS (jumlah kendaraan, beban emisi, intensitas matahari, suhu, kecepatan angin) yang menghasilkan ratarata nilai konsentrasi CO tertinggi pada perhitungan sebelumnya. Input yang digunakan adalah sebagai beikut: Suhu udara = 25,22cC atau 298,22 K; Arah angin = 210o; Kecepatan angin = 0,23 m/s; Intensitas matahari = 28,18 W/m2; Kelas Pasquill =C Richardson = Netral Dengan menggunakan model DFLS dapat diketahui konsentrasi CO pada tahun 2001-2021 pada tabel 4.23 dibawah ini. Tabel 9 Konsentrasi CO Tahun 2001-2021 Tahun
C (mg/m3)
2000
9.092
2001
9.465
2002
9.838
2003
10.212
2004
10.585
2005
10.958
2006
11.332
2007
11.705
2008
12.079
2009
12.452
2010
12.825
2011
13.199
2012
13.572
2013
13.945
2014
14.319
2015
14.692
2016
15.066
2017
15.439
2018
15.812
2019
16.186
2020
16.559
2021
16.932
Berikut merupakan grafik hasil dari perhittungan konsentrasi CO pada tahun 2001 hingga 2021.
12
18.000 16.000 14.000 12.000 10.000 8.000 6.000 4.000 2.000 0.000 1
3
5
7
9
11 13 15 17 19 21
Gambar 3 Konsentrasi CO pada Tahun 2001-2021 Kesimpulan
Beban emisi polutan CO dari kegiatan transportasi di Jalan Gayugan Barat adalah pada Hari Senin berkisar antara 5,855 g/detik hingga 10,26 g/detik. Konsentrasi polutan CO pada udara ambien berdasarkan kegiatan transportasi di SUF 4 berdasarkan kegiatan transportasi di Jalan Gayungsari Barat dengan menggunakan model DFLS adalah sebesar 0,352 mg/m3 hingga 58,33 mg/m3. Besar Polutan CO di Jalan Gayungsari Barat pada Tahun 2021 adalah 16,68 mg/m 3 , sehingga pada tahun 2021 konsntrasi CO di Jalan Gayung Sari Barat belum melebihi baku mutu sesuai dengan Peraturan Gubernur Jawa Timur 10 Tahun 2009 yaitu sebesar 22,9 mg/m3. Daftar Pustaka Chock, D.P., 1977. A Simple Line source model for dispersion near roadways. Atmospheric Environment. Khare, M., dan Nagendra, S.M. S. 2006. Artificial Neural Networks in Vehicular Pollution Modelling. Indian Institute of Technology Madras Khaled S, M, Essa. Mokhtar, M, Embaby. A, M Kozae. Fawzia, M. dan Ibrahim Kamel. 2006. Estimation of Seasonal Atmospheric Stability and Mixing Height by Using Different Scheme. Radiation Physics & Protection Conference. Novianti, S dan Driejana. 2009. Pengaruh Karakteristik Faktor Emisi Terhadap Estimasi Beban Emisi Oksida Nitrogen (NOx) dari Sektor Transportasi. Teknik Lingkungan. ITB. Sathitkunarat, S dan Satayopas, S. Februari 2008. Effect of traffic on Carbon Monoxide Concentration in Chiang Mai Urban Area. Proceedings of the 2nd Regional Conference on Energy Technology Towards a Clean Environment. Willmott, C. J. 1982. Some Comments On The Evaluation Of Model Performance. Bulletin American Society.