NASKAH SEMINAR TUGAS AKHIR KAJIAN STATUS KUALITAS AIR DI SUNGAI GAJAHWONG DENGAN BERBAGAI INDEKS KUALITAS AIR

NASKAH SEMINAR TUGAS AKHIR KAJIAN STATUS KUALITAS AIR DI SUNGAI GAJAHWONG DENGAN BERBAGAI INDEKS KUALITAS AIR

Disusun oleh: MUSLIMIN 07 / 251064 / TK / 32544

JURUSAN TEKNIK SIPIL DAN LINGKUNGAN FAKULTAS TEKNIK UNIVERSITAS GADJAH MADA YOGYAKARTA 2011

Muslimin- Universitas Gadjah Mada ([email protected])

Page 1

ABSTRAK Indeks kualitas air atau WQI (water quality index) adalah indeks yang menggambarkan keseluruhan kualitas air pada suatu waktu dan lokasi berdasar pada beberapa parameter kualitas air. Tujuan utama WQI adalah untuk merubah data parameter kualitas air yang kompleks menjadi informasi yang mudah dipahami dan digunakan oleh masyarakat luas. Negara-negara berkembang, khususnya Indonesia dituntut agar mampu mengembangkan WQI dengan sedikit parameter tetapi menggambarkan keseluruhan parameter kualitas air. Hal tersebut sangat bermanfaat untuk menghemat biaya. New water quality index (NWQI) dikembangkan dengan menggunakan principal component analysis (PCA) dan diaplikasikan untuk menentukan status mutu air di Sungai Gajahwong. PCA membantu untuk memilih beberapa parameter yang mewakili seluruh parameter kualitas air dan memberikan pembobotan pada masing-masing parameter. Untuk perbandingan terhadap NWQI yang telah dikembangkan, status mutu air di Sungai Gajahwong dihitung dengan menggunakan NSF-WQI dan Prakash-WQI. Verifikasi pengkelasan dilakukan dengan membandingkan hasil pengkelasan 3 WQI yang telah digunakan dengan pengkelasan hasil cluster analisis. Cluster analisis mampu memberikan hasil pengkelasan yang lebih objektif karena berdasarkan pada pendekatan statistik. Berdasarkan hitungan PCA dipilih 5 parameter yang dominan dengan pembobotan (Wi) sebagai berikut: Wi-NH3=0,139, Wi-Total Coliform=0,144, WiEC=0,128,

Wi-DO= 0,124, Wi-NO2=0,139. Verifikasi pengkelasan WQI yang telah

digunakan menunjukkan bahwa hubungan antara pengkelasan NWQI dan analisis cluster sudah cukup baik dengan koefisien korelasi (R)=0,66 meskipun terdapat 54 % kesalahan pengkelasan. Pengkelasan NSF-WQI memiliki hubungan yang rendah terhadap pengkelasan cluster analisis dengan R =0,33 dan sebanyak 56 % kesalahan pengkelasan. Sedangkan hubungan antara pengkelasan Prakash-WQI dan cluster analisis merupakan yang paling baik di antara ketiganya dengan R=0,77 dan 23 % kesalahan pengkelasan. Kata kunci: water quality index, PCA, cluster analysis, NWQI, NSF-WQI, Prakash-WQI


Page 2

ABSTRACT A water quality index (WQI) is a single number (like a grade) expressing overall water quality at a certain location and time based on several water quality parameters. The objective of WQI is to turn complex water quality data into understandable and useable information for public. The challenge of developing countries, such as Indonesia, are to develop WQI using few water quality parameters

to safe cost.

However, water quality parameters used must show actual water quality status. New water quality index (NWQI) using principal component analysis (PCA) is developed for assesses water quality status in Gajahwong river. Principal component analysis helps to choose several parameters representing all water quality parameters and give weighting for each water quality parameter. NSF-WQI using 7 parameters and Prakash-WQI using 11 parameters are used as comparator. Cluster analysis are used to evaluate and verify these index. The analysis result chooses 5 water quality parameters representing all water quality parameters. This parameters are: NH3, Total Coliform, EC, DO, and NO2. Each parameter is given weighting are: Wi-NH3=0.139, Wi-Total Coliform=0.144, WiEC=0.128, Wi-DO= 0.124, Wi-NO2=0.139. Evaluation and verification process using cluster analysis show that NWQI has good correlation (R=0.66) with cluster analysis result, although has 54 % inappropriate result. NSF-WQI has bad correlation (R=0.33) with cluster analysis and has 58 % inappropiate result. Prakash-WQI has the best result with coeficient of correlation (R)=0.77 and 23 % inappropiate result. Keywords: water quality index, PCA, cluster analysis, NWQI, NSF-WQI, PrakashWQI


Page 3

BAB I PENDAHULUAN 1.1. Latar Belakang Program monitoring kualitas air sungai sangat dibutuhkan untuk melindungi kesehatan publik, menjaga sumber air bersih dan kehidupan ekosistem di sungai. Salah satu langkah penting dalam program ini adalah mengetahui kualitas air baik secara temporal maupun secara spasial. Akan tetapi, data kualitas air yang diperoleh dari hasil pengukuran tidak dapat secara langsung menjelaskan status mutu air karena data kualitas air masih berupa nilai mentah dari parameter-paramater kualitas air yang diukur. Beberapa ilmuwan mengembangkan sebuah metode yang digunakan untuk mentransformasi parameter kualitas air yang berjumlah banyak menjadi nilai tunggal. Metode tersebut dikenal dengan nama Water Quality Index (WQI) (Stambuk-Giljanovic dalam Kannel et.al., 2007). Tujuan utama WQI adalah untuk merubah data parameter kualitas air yang kompleks menjadi informasi yang mudah dipahami dan digunakan oleh masyarakat luas. Di kalangan ilmuwan penggunaan WQI untuk mengklasifikasikan kualitas air merupakan isu yang kontroversial. Mereka berpendapat bahwa sebuah indeks tidak dapat menggambarkan secara keseluruhan dari kualitas air karena banyak parameter kualitas air yang tidak tercakup dalam indeks tersebut (Hendrawan, 2005). Selain itu, WQI juga sangat subjektif karena banyak variabel dan langkah-langkah yang sangat tergantung pada masing-masing individu yang menilai. Dalam perkembangan selanjutnya beberapa ilmuwan menggunakan metode yang lebih objektif untuk mengetahui karakteristik dan mengevaluasi kualitas air. Metode yang sering digunakan yaitu metode analisis statistik multivariate. Metode ini membantu dalam menginteprestasi data kualitas air yang kompleks dengan tinjauan variasi temporal dan spasial dengan lebih baik (Zhou et.al. ;2006). Kelemahan metode ini adalah memerlukan analisis dan pemahaman yang lebih rumit dibandingkan dengan WQI.


Page 4

1.2. Permasalahan Water Quality Index (WQI) dikembangkan berdasarkan anggapan bahwa beberapa parameter kualitas air yang dipilih cukup mewakili keseluruhan parameter kualitas air. Negara-negara berkembang khususnya Indonesia dituntut agar mampu mengembangkan WQI dengan sedikit parameter kualitas air tetapi menggambarkan keseluruhan kualitas air. Hal tersebut sangat bermanfaat untuk menghemat biaya. Berangkat dari hal tersebut, peneliti mengembangkan sebuah metode WQI yang menggunakan analisis statistik multivariate untuk menggambarkan kualitas air di Sungai Gajahwong. Metode ini diberi nama New Water Quality Index (NWQI). Untuk perbandingan terhadap NWQI yang telah dikembangkan, status kualitas air di Sungai Gajahwong juga dihitung dengan menggunakan NSF-WQI yang menggunakan 7 parameter kualitas air dan Prakash-WQI yang menggunakan 11 parameter kualitas air. Verifikasi pengkelasan dilakukan dengan membandingkan hasil pengkelasan 3 WQI yang telah digunakan dengan pengkelasan hasil cluster analisis. Cluster analisis mampu memberikan hasil pengkelasan yang lebih objektif karena berdasarkan pada pendekatan statistik. . 1.3.

Tujuan Beberapa hal yang menjadi tujuan dari penulisan tugas akhir ini antara lain: a.

Menentukan kualitas data parameter kualitas air yang diukur di Sungai Gajahwong oleh Badan Lingkungan Hidup DIY pada tahun 2000-2010,

b.

Mengembangkan sebuah WQI yang berbasiskan data kualitas air di Indonesia khususnya di Sungai Gajahwong.

c.

Menentukan parameter-parameter kualitas air yang mewakili keseluruhan parameter kualitas air.

d.

Menentukan status kualitas air di Sungai Gajahwong dengan beberapa NWQI, NSF-WQI dan Prakash-WQI dan membandingkan hasilnya.

1.4. Batasan Masalah Beberapa batasan yang digunakan pada tugas akhir ini yaitu: a.

Data parameter kualitas air yang digunakan adalah hasil pengambilan sampel di Sungai Gajahwong yang diperoleh dari Badan Lingkungan Hidup DIY.


Page 5

b.

Metode statistik yang digunakan untuk mengembangkan NWQI adalah Principal Component Analysis (PCA).

c.

Metode verifikasi yang digunakan adalah metode statistik yaitu analisis kluster.

d.

Kondisi lingkungan di luar parameter biologi, fisik, dan kimia tidak ditinjau dalam penelitian ini.

BAB II LANDASAN TEORI 2.1. Kualitas Air Menurut Peraturan Pemerintah Republik Indonesia Nomor 82 Tahun 2001 tentang Pengelolaan Kualitas Air dan Pengendalian Pencemaran Air menyebutkan bahwa kualitas air merefleksikan sifat air dan kandungan makhluk hidup, zat, energi, atau komponen lain di dalam air. Kualitas air dinyatakan dengan beberapa parameter, yaitu parameter fisika, kimia dan biologi. 2.2. Evaluasi Data Kualitas Air Validitas menunjukkan sejauh mana nilai yang diperoleh benar-benar menyatakan hasil pengambilan sampel yang ingin diukur. Sedangkan reliabilitas merupakan indeks yang menunjukkan sejauh mana suatu proses pengambilan sampel dapat dipercaya atau dapat diandalkan. Setiap proses pengukuran seharusnya memiliki kemampuan untuk memberikan hasil pengambilan sampel relatif konsisten dari waktu ke waktu. Uji validitas dan reliabilitas dilakukan dengan standarisasi data dan uji outlier. 2.2.1. Standarisasi data Standarisasi data dilakukan jika data memiliki ukuran (satuan) yang berbeda. Pada proses standarisasi digunakan Zscore formula yang dinyatakan dengan persamaan sebagai berikut:

Dengan:

ࢆ࢏ =

ഥ ࢞࢏ − ࢞ ࡿ

ܼ௜

: data hasil standarisasi data ke-i

m

: jumlah data

S

: standar deviasi

‫ݔ‬௜

‫ݔ‬ҧ


: data ke –i : rata-rata data

Page 6

2.2.2. Uji Outlier Uji Outlier dilakukan untuk mencari data yang secara nyata berbeda dengan data–data yang lain. Data bisa mengalami outlier disebabkan oleh: salah dalam memasukkan data, salah dalam mengambil sampel, atau memang sudah begitu adanya (terjadinya kondisi ekstrim). Outlier dilakukan pada data yang telah distandarisasi. Pada data yang berupa matriks uji outlier dilakukan melalui dua langkah yaitu uji outlier univariate dan uji outlier multivariate. Uji outlier univariate dilakukan pada satu variabel. Data secara univariate dikatakan oulier apabila: ഥ| |࢞࢏ − ࢞ >݇ ࡿ

Dengan: ‫ݔ‬௜

: data ke-i,

݇

: batas outlier,

݉

: jumlah data

‫ݔ‬ҧ ܵ

: rata-rata data : standar deviasi

Uji outlier multivariate dilakukan matriks data secara keseluruhan. Uji outlier multivariate digunakan persamaan Mahalanobis sebagai berikut: ഥ)ࡿି૚(࢞ − ࢞ ഥ) > ݇ ࡰ ૛࢏ = (࢞ − ࢞

dimana ‫ܦ‬௜ଶ adalah jarak Mahalanobis kuadrat data ke-i dari pusat data. Data dikatakan outlier apabila nilai jarak Mahalanobis lebih dari k. Nilai k diberikan dengan persamaan: ࢑ = c૛(࢖,૚ିࢻ)

dimana cଶ standar untuk distribusi Chi-Kuadrat dan  adalah tingkat signifikansi biasanya digunakan 0,5.

2.3. Principal Component Analysis Principal Component Analysis (PCA) merupakan salah satu cara untuk mereduksi dataset yang kompleks ke dimensi yang lebih kecil dengan tetap mempertahankan karakteristik data tersebut. Prinsip dari metode ini adalah memilih beberapa principle component (PC) yang tinggi prioritasnya dan membuang beberapa principle component (PC) yang rendah prioritasnya. PC yang digunakan adalah PC yang nilai eigennya lebih dari 1. Muslimin- Universitas Gadjah Mada ([email protected])

Page 7

Pada prinsipnya, masing-masing PC adalah kombinasi linier dari nilai asli (Y) untuk sejumlah variabel (p). Masing-masing PC mengikuti persamaan sebagai berikut: PCp = cp,1 Y1 + cp,2 Y2 + cp,3 Y3 + ... + cp,p Yp

(axis Zp)

dimana ca,b adalah koefisien skor komponen untuk variabel b pada PC axis Za dan Yb adalah nilai Y untuk variabel b. Untuk memilih parameter yang dominan dan memberikan pembobotan dilakukan penghitungan nilai PC-All. PC-All merupakan hasil penjumlahan dari perkalian eigen vektor pada masing-masing PC untuk setiap variabel (parameter) dengan % variansi pada masing-masing PC. Rumus PC-All untuk masing-masing variabel (parameter) adalah sebagai berikut: ௜

ܲ‫ ܥ‬− ‫ =݈݈ܣ‬෍ (‫)݅ݒ ×݅ݒܧ‬ ଵ

dimana Evi adalah eigen vektor PC ke-i dan Vi adalah % variansi ke-i. 2.4. Analisis Cluster Analisis cluster merupakan suatu teknik analisis statistik yang ditujukan untuk membuat klasifikasi individu-individu atau obyek-obyek kedalam kelompok-kelompok lebih kecil yang berbeda satu dengan yang lain. Analisis cluster membantu verifikasi pengkelasan kualitas air. Analisis cluster secara objektif melakukan pengkelasan dengan pendekatan statistik. Salah satu metode yang sering digunakan dalam analisis cluster adalah K-Means Cluster. Pada K-Means Cluster, terdapat sejumlah “k” kelompok. Pada prinsipnya masing-masing kelompok dikelompokkan berdasarkan jarak dengan titik pusat (centroid) pada masing-masing kelompok. Titik-titik akan dikelompokkan pada kelompok yang jarak titik pusatnya paling dekat dengan centroid masing-masing kelompok. Untuk menemukan centroid masing-masing kelompok dilakukan dengan iterasi hingga didapatkan nilai-nilai yang tepat. Algoritma pada K-Means Cluster mengikuti persamaan berikut: ࢓

ࡷ

(࢐)

૛

ࢿࡷ = ෍ ෍ ࢠ࢑࢏ቛࢄ ࢏ − ࡯࢏ቛ ࢏ୀ૚ ࡷ ୀ૚


Page 8

dimana ܺ௜ adalah titik yang termasuk kedalam kluster i dan Ci adalah pusat kluster

(centroid). Secara umum centroid yang paling optimal diperoleh dari jumlah jarak yang paling kecil. Oleh karena itu, iterasi digunakan untuk membantu menemukan centroid yang paling optimal.

2.5. Water Quality Index (WQI) Langkah utama dalam membentuk WQI menurut Abbasi et.al (2002) yaitu: a. Memilih parameter yang mewakili keseluruhan parameter b. Pemberian bobot pada masing-masing parameter. c. Transformasi perbedaan satuan ke dalam skala biasa. Untuk melakukan transformasi ini digunakan sub-indeks. d. Verifikasi indeks. Fungsi langkah ini adalah mengevaluasi kecocokan indeks dengan kualitas air yang dinilai. Secara umum kualitas air menurut WQI dapat dikategorikan menjadi 5 peringkat yaitu: 0-25= sangat buruk, 25-50= buruk, 50-70= sedang, 70-90= baik, 90-100= sangat baik.

2.5.1. Prakash WQI Kannel et.al (2007) mengembangkan Prakash-WQI di negara Nepal. Prakash-WQI merupakan WQI yang dikembangkan dari 18 parameter kualitas air. Pengembangan Prakash WQI berdasarkan beberapa WQI yang telah dikembangkan sebelumnya.

∑௡௜ୀଵ ܲ݅‫݅ܥ‬ ܹ ܳ‫ =ܫ‬௡ ∑௜ୀଵ ܲ݅

dimana n adalah jumlah total parameter, Ci adalah nilai yang diberikan untuk parameter i setelah normalisasi dan Pi adalah bobot relatif yang diberikan untuk masing-masing parameter. Nilai Pi dan Ci dapat dilihat dalam tabel di bawah ini.


Page 9

Tabel 2.1. Bobot relatif (Pi) dan Faktor normalisasi (Ci) pada Prakash-WQI

Parameter

Faktor normalisasi (Ci)

Bobot relatif (Pi)

100

90

70

50

25

0

pH

1

7

7–8

7–9

6–9.5

3–12

1–14

EC

1

<750

<1000

<1500

<2500

<8000

>12000

DO

4

>=7.5

>7

>6

>4

>2

<1

TDS

2

<100

<500

<1000

<2000

<10000

>20000

TSS

4

<20

<40

<80

<120

<320

>400

PO4P

1

<0.025

<0.05

<0.2

<0.5

<1.5

>2

NH4N

3

<0.01

<0.05

<0.2

<0.4

<1

>1.25

NO3

2

<0.5

<2

<6

<10

<50

>100

NO2

2

<0.005

<0.01

<0.05

<0.15

<0.5

>1

BOD

3

<0.5

<2

<4

<6

<12

>15

COD

3

<5

<10

<30

<50

<100

>150

2.5.2.

NSF-WQI NSF-WQI dikembangkan sejak tahun 1970 oleh Brown et.al. yang

mengacu pada indeks Horton (1965). WQI ini dinamakan dengan National Sanitation Foundation Water Quality Index (NSF-WQI) karena proyek ini mendapat dukungan sepenuhnya dari National Sanitation Foundation (NSF). Untuk menghitung NSF-WQI digunakan persamaan berikut: ܹ ܳ‫=ܫ‬

∑௡௜ୀଵ ܹ ݅‫݅ݍ‬ ∑௡௜ୀଵ ܹ ݅

qi adalah nilai q awal yang diberikan untuk masing-masing parameter. Nilai q ini ditentukan dengan grafik sub-indeks pada masing-masing parameter. Sedangkan Wi adalah bobot untuk masing-masing parameter. NSF-WQI dihitung menggunakan 9 parameter dengan nilai Wi pada masing-masing parameter yaitu: Wi-DO=0,17; Wi-Total Coliform=0,16; Wi-pH=0,11; Wi-BOD=0,11; WiNO3=0,1; Wi-PO4=0,1; Wi-Turbidity=0,08; Wi-TS=0,07. Muslimin- Universitas Gadjah Mada ([email protected])

Page 10

Grafik sub-indeks NSF-WQI diberikan pada gambar 2.1.

q

q

q

DO: % Saturasi

(a)

q

BOD5 (mg/l)

pH

(b)

q

q

NO3 (mg/l)

TS (mg/l)

(d)

(c)

(e)

PO4 (mg/l)

(f)

q

Total Coliform (MPN)

(g) Gambar 2.1. Grafik Sub-Indeks NSF-WQI (a) DO (b) pH (c) BOD5 (d) TS (e) NO3 (f) PO4 (g) Total Coliform


Page 11

BAB III METODOLOGI PENELITIAN Studi literatur Pengumpulan data Sorting data

Outlier test

Tidak Smoothing data

OK Peringkasan data

Outlier test

Tidak Smoothing data

OK

PCA Parameter dominan dan pembobotan Sub-indeks

Hitungan Prakash-WQI

Hitungan NSF-WQI

Standar kualitas air

Hitungan NWQI

Cluster Analysis

Verifikasi Pembahasan Kesimpulan

selesai

Gambar 3.1. Flowchart penelitian Muslimin- Universitas Gadjah Mada ([email protected])

Page 12

BAB IV HASIL ANALISIS DAN PEMBAHASAN 4.1. Evaluasi data kualitas air Lokasi-lokasi lokasi yang dipilih untuk evaluasi dan perhitungan status mutu air mencakup 8 lokasi yaitu: Jembatan Tanen, Jembatan Pelang, Jembatan IAIN, Jembatan Muja-Muju, Muju, Jembatan Rejowinangun, Jembatan Tritunggal, Jembatan Wirokerten, dan Jembatan Wonokromo. 8 lokasi ini merupakan lokasi pengambilan yang kontinu dilakukan pengukuran sejak tahun 2000 hingga tahun 2010 meskipun pada tahun 2006 tidak dilakukan pengukuran di Jembatan Tanen karena sungai dalam keadaan kering. Selain itu, diambil kombinasi terbaik dengan memilih 12 parameter dan 8 tahun pengukuran.. 12 parameter yang dipilih yaitu: Amoniak, Total Coliform Coliform, BOD, COD, DHL, DO, Nitrat, Nitrit, pH, Phospahat Total, TDS, dan TSS. TSS. Sedangkan 8 tahun pengukuran yaitu: 2001, 2002, 2004, 2005, 2006, 2007, 2008, 2008, dan 2009. 35

Jumlah parameter

30 25 20 15 10 5 0

Tahun

Gambar 4.1. Jumlah parameter terukur per tahun Dari 8 lokasi pengukuran pada 8 tahun pengukuran terdapat 140 data yang kosong dari 3264 data. Artinya ada 3,4% data yang kosong. Satu set data akan dihapus apabila terdapat salah satu data yang kosong. Data yang terpilih dalam langkah ini sebanyak 217 set data dari 283. Secara tidak langsung uji outlier menunjukkan kualitas data. Semakin banyak data yang outlier maka data yang ada perlu evaluasi apakah terjadi kesalahan dalam proses Muslimin- Universitas Gadjah Mada ([email protected])

Page 13

analisis data atau terjadi kejadian ekstrim. Beberapa data yang sangat mencolok perbedaannya sangat dimungkinkan terjadinya kesalahan dalam salah satu proses analisis data. Khusus kandungan bakteri total koli yang besar dan menyebabkan banyak data yang outlier sangat dimungkinkan karena kejadian ekstrim. Hal tersebut tidak lepas dari masih rendahnya kesadaran sanitasi masyarakat sekitar sungai. Outlier dilakukan hingga data tidak ada yang outlier. Dalam penelitian ini dilakukan 3 kali outlier. Jumlah uji outiler pada masing-masing parameter dapat dilihat pada diagram di bawah ini.

Gambar 4.2. Jumlah data outlier Hasil akhir peringkasan data menghasilkan 107 data dari 217 data yang mencakup 8 tahun pengambilan sampel dan mewakili musim kemarau dan musim hujan tiap tahunnya.

4.2.

Pengembangan NWQI Pengembangan NWQI yang berbasiskan data Sungai Gajahwong dikerjakan

dalam dua tahap yaitu pemilihan dan pembobotan parameter yang dominan dan pembuatan sub indeks pada masing-masing parameter. Langkah pertama dikerjakan dengan bantuan principal component analysis sedangkah langkah ke dua dikerjakan dengan mengkombinasikan beberapa standar kualitas air. 4.2.1. Pemilihan dan pembobotan parameter dominan Hasil hitungan principal component analysis berupa nilai eigen, % kumulatif varian, dan eigen vector. Hasil perhitungan eigen vector dan % kumulatif variansi dapat dilihat pada gambar 4.3. Muslimin- Universitas Gadjah Mada ([email protected])

Page 14

4.0

120

3.5

100 80

% Varian

Eigenvalue

3.0 2.5 2.0

60

1.5

40

1.0

20

0.5 0.0

0 0 1 2 3 4 5 6 7 8 9 10 11 12 13 PC Eigenvalue

Cum. % of variance

Gambar 4.3. Scree plot nilai eigen dan % variansi Gambar 4.3. memperlihatkan bahwa hanya komponen PC1, PC2, dan PC3 yang memiliki varian (atau eigenvalue) lebih besar dari 1. Komponen pertama ini (PC1) ini dapat menjelaskan 29. 45 % keragaman data, komponen kedua (PC2) menjelaskan 18,22% keragaman data dan komponen ketiga menjelaskan 11.27% keragaman data. Jumlah kumulatif varian ketiga PC yang hanya mewakili 58.9 % keragaman total data menunjukkan bahwa data yang dianalisis kurang bagus menurut kriteria statistik. PC-All (Tabel 4.1) memperlihatkan koefisien pembobotan masingmasing variabel terhadap keseluruhan data. Dari hasil PC-All ditentukan 5 parameter yang paling tinggi pembobotannya. 5 parameter tersebut adalah: NH3, Total coliform, DHL, DO dan NO2. Hubungan PCA-All dengan PC-NWQI (Gambar 4.4) menunjukkan bahwa 5 parameter yang dipilih sudah cukup mewakili keseluruhan parameter yang dipilih.


Page 15

Tabel 4.1. Tabel Eigenvector Variable

PC 1

PC 2

PC 3

PC-All*

Wi-NWQI

NH3

0.326

0.234

-0.002

0.139

0.139

Total Coli

0.208

0.045

0.665

0.144

0.144

BOD

0.372

-0.151

0.262

0.112

COD

0.347

-0.175

0.107

0.082

DHL

0.442

0.106

-0.189

0.128

0.128

DO

-0.247

-0.204

-0.128

-0.124

0.124

NO3

-0.187

0.507

0.157

0.055

NO2

0.365

0.217

-0.073

0.139

pH

-0.162

0.194

0.336

0.026

PO4

0.029

0.387

-0.458

0.028

TDS

0.374

-0.111

-0.261

0.061

TSS

0.019

0.577

0.074

0.119

0.139

2.0 1.5 PCA-NWQI

1.0

-2.0

R² = 0.899

0.5 0.0 -1.0 -0.5 0.0

1.0

2.0

-1.0 -1.5 -2.0 PCA-All

Gambar 4.4. Grafik hubungan PCA-All dengan PCA-NWQI 4.2.2. Penentuan sub-indeks (qi) Sub-indeks sangat berguna untuk membantu pengkelasan masing-masing parameter. Sub-indeks NWQI pada masing-masing parameter ditentukan dengan mengkombinasikan beberapa standar kualitas air dari berbagai negara dan berbagai peruntukan. Sub-indeks NWQI dapat dilihat pada grafik di bawah ini.


Page 16

100

100

qi = -33.3ln(DHL) + 294.0 R² = 0.976

80

y = 0.197x3 - 3.160x2 + 29.33x 25.25, R² = 0.994

80 60

qi

qi

60 40

40

20

20

0

0 0

4000 DHL

8000

0

5 DO (mg/l)

(a)

(b)

100

100

80

80

60

60 qi

qi

qi = -13.1ln(FC) + 152.7 R² = 0.977

40

40

20

20

0

0 0

10

25000 50000 75000 100000

y = -5.163(NH3)3 + 29.23(NH3)2 74.81(NH3) + 100.7 R² = 1 0

1

Total Coliform (MPN)

2

3

NH3 (mg/l)

(c)

(d) 100 80 qi = -18.9ln(NO2) + 5.734 R² = 0.965

qi

60 40 20 0 0

0.2

0.4

0.6

0.8

1

NO2 (mg/l)

(e) Gambar 4.5. Grafik Sub-Indeks NWQI (a) DHL (b) DO (c) Total Coliform (d) NH3 (e) NO2


Page 17

Dari uraian di atas diperoleh rumus umum NWQI sebagai berikut: ହ

ܹܰ ܳ‫ܫ‬ൌ ෍

ଵ

atau, ܹܰ ܳ‫ܫ‬ൌ

4.3.

ܹ ௜ ൈ ‫ݍ‬௜ ܹ௜

0,139qi − NH3 3 + 0,144qi − TC + 0,128qi − DHL + 0,124qi − DO + 0,139qi − NO2 0,139 + 0,144 + 0,128 + 0,124 + 0,139

Perhitungan WQI Hasil perhitungan 3 WQI yang digunakan menunjukkan hasil yang berbeda berbeda-

beda.. Perbedaan terjadi pada jumlah pada tiap-tiap tiap tiap kelas dan pengkelasan. Secara umum NSF-WQI WQI memiliki kelas yang lebih rendah dibandingkan dengan metode lain. Sedangkan Prakash-WQI WQI memiliki kelas yang lebih tinggi dibandingkan dengan metode lain. Hasil yang berbeda-beda berbeda beda disebabkan oleh unsur subjektivitas yang mempengaruhi dalam menentukan jumlah parameter, pembobotan dan pembuatan sub indeks pada

Jumlah

parameter yang digunakan. 90 80 70 60 50 40 30 20 10 0

86 78

72

33 17

19 12 0 2

0 NWQI Sangat Baik

2

NSF-WQI Baik

0

Prakash-WQI

Sedang

Buruk

Gambar 4.6. Jumlah data WQI pada tiap kelas Pada bagian hulu kondisi sungai yang masih relatif alami dan tidak banyak sumber pencemar sehingga kualitas air pada ruas ini masih relatif baik. Sedangkan pada bagian tengah terdapat banyak sumber pencemar dan merupakan ruas dengan aktivitas manusia dan industri yang tinggi sehingga kondisi kualitas air cenderung lebih buruk. Dan pada bagian hilir merupakan daerah pertanian sehingga kondisi sungai masih relatif alami dan tidak banyak umber pencemaran yang ada. Secara ecara tidak langsung dapat dilihat ada perbaikan kualitas air secara alami dari bagian tengah ke bagian hilir. Muslimin- Universitas Gadjah Mada ([email protected])

Page 18

Secara temporal kondisi kualitas air belum menunjukkan peningkatan yang signifikan. Hal ini secara tidak langsung menunjukkan bahwa program-program yang dilakukan oleh pemerintah untuk memperbaiki kualitas air di sungai Gajahwong belum berhasil.

Gambar 4.7. Tren berbagai WQI di Sungai Gajahwong


Page 19

5.4. Verifikasi Pengkelasan WQI Cluster analisis membagi data yang telah distandarisasi sejumlah 3 kelas dengan basis jarak data ke centroid (titik tengah). Pada tahap awal ditetapkan sembarang 3 centroid untuk masing-masing kelas. Hasil iterasi mendapatkan centroid yang paling optimal. 3 titik centroid tersebut yaitu: -1,17; -0,37; dan 0,30. Verifikasi dilakukan dengan membandingkan hasil pengkelasan WQI dengan hasil pengkelasan dengan analisis cluster. Hasil perbandingan antara 3 WQI yang digunakan dengan hasil analisis kluster dapat dilihat dalam gambar 3.10. 100 90

WQI

80 70 60 50 40 30 0

1 Prakash-WQI

2 3 Cluster NSF-WQI

4

5

NWQI

Gambar 4.8. Grafik perbandingan analisis cluster dengan beberapa WQI Proses verifikasi terhadap WQI yang telah digunakan menunjukkan bahwa NWQI memiliki hubungan yang cukup baik dengan hasil cluster analisis dengan koefisien korelasi (R)=0,66 meskipun terdapat 54 % kesalahan pengkelasan. NSF-WQI memiliki hubungan yang rendah dengan R =0,33 dan sebanyak 56 % data salah dalam pengkelasan. Sedangkan Prakash-WQI memiliki hasil yang paling baik dengan R=0,77 dan 23 % data salah dalam pengkelasan.


Page 20

4.5 4 3.5

R² = 0.108

WQI

3

R² = 0.423

2.5

R² = 0.604

2 1.5 1 0.5 0.5

1 Linear (NSF)

1.5 2 2.5 Cluster Analysis Linear (NWQI)

3

3.5

Linear (Prakash-WQI)

Gambar 4.9. Grafik hubungan Analisis cluster dengan beberapa WQI

Pendekatan secara statistik menunjukkan bahwa Prakash-WQI cukup baik digunakan untuk menilai status mutu air di sungai Gajahwong. Sedangkan NWQI yang dikembangkan sudah cukup baik, tetapi perlu dikembangkan dengan data yang lebih baik kualitasnya. BAB V KESIMPULAN 5.1.

Kesimpulan Beberapa hal yang dapat disimpulkan pada tugas akhir ini yaitu:

a. Pengukuran data parameter kualitas air masih kurang dikelola dengan baik terlihat adanya banyak data yang kosong dan outlier. b. Parameter kualitas air yang dapat menggambarkan keseluruhan kualitas air di Sungai Gajahwong yaitu: DHL, Total Coli, DO, NO2, dan NH3. c. Metode NWQI yang dikembangkan dengan analisis statistik sudah cukup baik untuk digunakan, akan tetapi perlu dikembangkan dengan data yang lebih baik. d. Metode Prakash-WQI merupakan metode yang paling baik untuk diterapkan di Sungai Gajahwong dibandingkan dengan metode NSF-WQI dan NWQI. e. Secara spasial kualitas air Sungai Gajahwong di hulu dalam kondisi yang baik, tengah dalam kondisi yang buruk dan hilir dalam kondisi sedang.


Page 21

f. Secara temporal dari tahun 2001 hingga tahun 2009 belum ada peningkatan kualitas air yang signifikan. Hal ini menunjukkan upaya perbaikan kualitas air di Sungai Gajahwong belum berhasil.

5.2.

Saran Beberapa hal yang dapat kami sarankan yaitu: a. Diperlukan pemantauan dan manajemen data kualitas air

yang lebih baik

mencakup semua proses-proses yang terkait dengan data kualitas air. b. Diperlukan data yang lebih baik untuk mengembangkan NWQI yang berbasis analisis statistik sehingga hasilnya juga akan lebih baik. c.

Program peningkatkan kualitas air di Sungai Gajahwong masih perlu ditingkatkan terutama pada ruas tengah sungai.

DAFTAR PUSTAKA Abbasi, S.A, Sarkar, dan Chinmoy. 2006. Qualidex- A New Software for Generating Water Quality Indice. Enviromental Monitoring and Assessment, 119:201-231. Aravind, H. et al. 2010. A Simple Approach to Clustering in Excel. International Journal of Computer Applications, 0975 – 8887 Badan Lingkungan Hidup (BLH) DIY. 2010. Laporan Analisa Data Kualitas Air Sungai di Provinsi Daerah Istimewa Yogyakarta Tahun 2010. BLH DIY: Yogyakarta. Bapedalda DIY. 2007. Laporan Sumber-Sumber Pencemaran Sungai di DIY. Bapedalda: Yogyakarta Boyd, David R. 2006. The Water We Drink: An International Comparison of Drinking Water Standards and Guidelines. David Suzuki Foundation: Vancouver Effendi, H. 2003. Telaah Kualitas Air bagi Pengelolaan Sumber Daya dan Lingkungan Perairan. Kanisius: Yogyakarta. Hendrawan, Diana. (2005) . Kualitas Air Sungai dan Situ di DKI Jakarta. Jurnal Makara Teknologi, 9: 13-19


Page 22

Kannel, Prakash Raj, et al. 2007. Application of Water Quality Indices and Dissolved Oxygen as Indicators for River Water Classification and Urban Impact Assessment. Journal of Environmental Monitoring and Assessment, 132:93–110 Oram, Brian. 2011. Calculating NSF Water Quality Index. 5 Maret 2011 http://www.water-research.net/ Peraturan Pemerintah Republik Indonesia Nomor 82 Tahun 2001 Tentang Pengelolaan Kualitas Air dan Pengendalian Pencemaran Air Rodriguez, Caroline and Acuña, Edgar. 2011. On detection of outliers and their effect in supervised classification. Department of Mathematics University of Puerto Rico: Mayaguez Shlens, Jonathon. 2005. A Tutorial on Principal Component Analysis. Institute for Nonlinear Science, University of California: San Diego Zhou, Feng, et al. 2003. Application of Multivariate Statistical Methods to Water Quality Assessment of the Watercourses in Northwestern New Territories, Hong Kong. Enviromental Monitoring and Assessment, 119:201-231.


Page 23

NASKAH SEMINAR TUGAS AKHIR KAJIAN STATUS KUALITAS AIR DI SUNGAI GAJAHWONG DENGAN BERBAGAI INDEKS KUALITAS AIR

Recommend Documents