PENYEDERHANAAN PARAMETER KUALITAS AIR UNTUK MONITORING DAN EVALUASI KINERJA DAERAH ALIRAN SUNGAI (Simplification of Water Quality Parameters for Monitoring and Evaluation of Watersheds Performance)* Tyas Mutiara Basuki Balai Penelitian Teknologi Kehutanan Pengelolaan Daerah Aliran Sungai Jl. A. Yani, PO.Box 295 Pabelan, Kartasura 57102, Solo, Jawa Tengah, Indonesia Telp. (0271) 716709; Fax. (0271) 716959 E-mail :
[email protected];
[email protected] *Diterima: 19 Juni 2014; Direvisi: 5 Maret 2015; Disetujui: 11 Maret 2015
ABSTRACT Many parameters of water quality are used to evaluate a watershed performance. Simplification can be conducted by correlation analysis among the parameters. When a parameter has strong correlation with other parameters, then it can be used as the representative of the others. The objective of the study was to examine correlation some parameters of water quality. Water samples were collected in the outlet of sub-watersheds in the upper Solo watershed. The results showed that BOD significantly correlates with COD, turbidity, color, KMnO4, NO2, Cl, and SO, while COD has strong correlation with KMnO4, color, turbidity, NO2, and SO4. Turbidity and nitrit strongly correlate with KMnO4, and TDS has strong correlation with CaCO3, NO2, Cl, and SO4. Nitrit and CaCo3 significantly correlate with Cl and SO4. In addition, Cl highly correlates with SO4. Based on the results, therefore the parameters in the Government regulation (P04/V-DAS/2009) can be simplify from 13 into 5. Keywords: Parameter, water quality, monitoring, simplification ABSTRAK Parameter kualitas air untuk monev Daerah Aliran Sungai (DAS) dalam pedoman yang ada sangat banyak, sehingga perlu penyederhanaan parameter untuk efensiensi biaya analisis adalah pengurangan beberapa parameter yang bisa diwakili oleh suatu parameter tertentu dengan cara menghitung korelasinya. Jika suatu parameter mempunyai korelasi yang kuat dengan beberapa parameter lain, maka parameter tersebut dapat digunakan sebagai pewakil parameter lainnya. Penelitian ditunjukkan untuk mengetahui korelasi antar beberapa parameter kualitas air. Contoh air diambil pada outlet sub sub-DAS yang terletak dalam wilayah sub-DAS Solo Hulu. Hasil penelitian menunjukkan bahwa Byochemical Oxygen Demand (BOD) berkorelasi nyata dengan Chemical Oxygen Demand (COD), Potassium Permanganat (KMnO4), NO2, sementara COD kekeruhan, warna, Cl dan SO4. KMnO4 berkorelasi kuat dengan turbiditi dan NO2. Total Disolved Solid (TDS) berkorelasi kuat dengan CaCO3, NO2, Cl dan SO4. Nitrit dan CaCO3 berkorelasi kuat dengan Cl dan SO4 serta Cl mempunyai koefisien korelasi tinggi dengan SO4. Oleh karena terdapat korelasi yang kuat diantara parameter yang diteliti, maka parameter dalam P04/V-DAS/2009 dapat disederhanakan dari 13 yang dianalisis menjadi 5 parameter. Kata kunci: Parameter, kualitas air, monitoring, penyederhanaan
I. PENDAHULUAN Kualitas air esensial untuk mendeteksi perubahan invansi biologi, perubahan penggunaan lahan, maupun polusi air (Levine et al., 2014). Kualitas air antara lain dipengaruhi oleh faktor alami seperti batuan induk dan proses pelapukannya, curah hujan dan faktor manajemen yakni pengelolaan lahan. Penggunaan lahan yang intensif untuk kegiatan pertanian akan berpengaruh terhadap respon hidrologi dan kualitas air, baik yang berkaitan dengan aspek biologi, kimia serta kandungan sedimen terlarut (Carey et al., 2011). Oleh karena itu perlu dilakukan monitoring dan evaluasi (monev) kualitas air untuk mendeteksi perubahan-perubahan yang terjadi terhadap kualitas air. Monev tidak saja pada air yang berasal dari daerah industri tetapi 13
Indonesian
Forest Rehabilitation Journal Vol. 3 No. 1, Maret 2015: 13-21
juga yang berasal dari areal pertanian. Bahan-bahan polutan dari areal pertanian tersebut berasal dari pupuk kimia maupun organik. Walaupun kondisi kualitas air yang dimonitor pada outlet suatu daerah aliran sungai (DAS) merupakan hasil interaksi dari proses-proses kompleks yang terjadi pada lahan di atasnya, akan tetapi parameter dan metode yang digunakan untuk menilai kinerja DAS sebaiknya tidak rumit. Menurut Chaves & Alipaz (2007), indikator untuk menilai kelestarian suatu DAS haruslah mudah diakses, mudah dimengerti, valid dan dapat dipercaya secara ilmiah. Disamping hal tersebut, indikator dapat mencerminkan perubahan pengelolaan yang terjadi dalam DAS dan dapat diukur sepanjang waktu. Berdasarkan pedoman monev DAS No. P.04/V-DAS/2009 yang disusun oleh Ditjen Rehabilitasi Lahan dan Perhutanan Sosial atau RLPS (2009), indikator kualitas air terdiri dari tiga parameter fisik, delapan parameter kimia dan tiga parameter biologi. Oleh karena parameter dalam buku pedoman monev yang ada dirasa cukup banyak, di lain pihak intrepretasi data hasil analisis tidak mudah serta untuk analisis membutuhkan biaya yang cukup mahal, maka perlu dilakukan upaya penyederhanaan. Salah satu cara penyederhanaan adalah dengan pengurangan beberapa parameter yang bisa diwakili oleh suatu parameter tertentu dengan cara menghitung korelasi antar parameter tersebut. Jika salah satu parameter yang dipilih mempunyai korelasi yang cukup tinggi dengan beberapa parameter lainnya, maka parameter terpilih tersebut dapat digunakan untuk menggantikan beberapa parameter lainnya, sehingga mengurangi jumlah unsur yang dianalisis. Upaya memprediksi beberapa parameter berdasarkan parameter terpilih sebagai prediktornya telah dilakukan oleh beberapa peneliti. Model emperikal dan Neural Network (NN) diaplikasikan oleh Khalil et al. (2013) untuk memprediksi Byochemical Oxygen Demand (BOD). Model pertama hanya menggunakan Chemical Oxygen Demand (COD) sebagai independen variabel, model kedua menggunakan COD dan Disolve Oxygen (DO) sebagai prediktor, namun keduanya memberikan hasil prediksi yang tidak jauh berbeda (Khalil et al., 2013). Ahmed et al. (2013) juga menggunakan NN untuk memprediksi kandungan DO dengan prediktor hanya BOD dan yang kedua dengan prediktor BOD dan beberapa unsur lain, namun nilai koefisien korelasi hampir sama. Dari kedua penelitian tersebut menunjukkan bahwa penggunaan model pertama yang sederhana dengan satu variabel bebas memberikan hasil yang mirip dengan yang menggunakan beberapa prediktor. Jiang-Qi et al. (2013) melakukan evaluasi distribusi spasial dan variasi musiman kualitas air dengan menggunakan analisis statistik multivariat. Penelitian ini bertujuan untuk mempelajari korelasi antar beberapa parameter kualitas air yang ada dalam buku Pedoman Monev Kinerja DAS (Ditjen RLPS, 2009). Hasil penelitian diharapkan berguna untuk penyederhanaan jumlah parameter yang digunakan dalam monev kualitas air. II. BAHAN DAN METODE A. Lokasi dan Waktu Penelitian Penelitian dilakukan di beberapa DAS mikro dan sub-sub DAS yang termasuk ke dalam wilayah sub-DAS Solo Hulu. Secara administrasi terdapat tujuh kabupaten yang mendominasi wilayah sub-DAS Solo Hulu, yaitu Kabupaten Wonogiri, Karanganyar, Sukoharjo, Klaten, Boyolali, Sragen dan Ngawi. Peta wilayah administrasi masing-masing kabupaten disajikan dalam Gambar 1. Pengambilan contoh-contoh air dilakukan selama dua tahun sejak tahun 2012 sampai dengan 2013.
14
Penyederhanaan Parameter Kualitas Air untuk... (Tyas Mutiara Basuki),
Gambar (Figure) 1. Peta wilayah administratif Sub-DAS Solo Hulu dan lokasi pengambilan contoh air dengan tanda bintang merah (The map of administrative areas of Solo Hulu Sub-Watershed and the location of water sampling with red star marks)
B. Bahan dan Alat Penelitian
Bahan penelitian berupa contoh-contoh air, peta wilayah administrasi dengan skala 1 : 25.000 (Bakosurtanal), peta kontur dengan skala 1 : 25.000 (Bakosurtanal) sebagai data sekunder untuk mendeleniasi batas DAS mikro dan sub-DAS. Global Positioning System (GPS) digunakan untuk mengetahui posisi pada waktu survei. C. Metode Penelitian dan Prosedur Kerja
Penelitian dilakukan di wilayah DAS mikro/sub-DAS, yang termasuk ke dalam wilayah sub-DAS Solo Hulu. Pengambilan contoh-contoh air pada outlet DAS mikro dan sub-DAS untuk analisis kualitasnya dilakukan pada tahun 2012 sampai dengan 2013. DAS mikro yang diambil adalah Tapan dan Ngunut yang keduanya merupakan bagian dari Sub-DAS Samin yang dominan wilayahnya terletak di Kabupaten Karanganyar. Pada outlet sub-DAS Samin juga dilakukan pengambilan contoh air. Pengambilan contoh-contoh air untuk analisis kualitasnya diambil secara seragam pada kedalaman 30 cm dari permukaan air sungai. Contoh air diambil dengan botol berukuran 1,5 liter. Contoh-contoh air untuk analisis beberapa parameter monev juga diambil pada berapa outlet yang meliputi sub-DAS Wuryantoro, Alang, Temon, Keduang, Serenan, Tangen, Dengkeng, Kalijarum, sub-DAS Solo Hulu yang outlet-nya terletak di Tirtomoyo, Banmati, Selogiri, Jurug dan sub-DAS Kajangan yang merupakan outlet sub-DAS Solo Hulu secara keseluruhan. Contoh-contoh air diambil pada musim kemarau (April-September) dan penghujan (Desember-Maret), namun demikian frekwensi pengambilan contoh air tidak selalu sama antar DAS mikro/sub-DAS yang diteliti. Analisis contoh air di laboratorium untuk mengetahui kandungan beberapa unsur seperti yang telah ditetapkan dalam buku Pedoman Monev DAS (RLPS, 2009), yaitu BOD, COD, KMnO4, kekeruhan, TDS, NO3, NO2, CaCO3, warna, detergen, Cl, SO4 dan pH. 15
Indonesian
Forest Rehabilitation Journal Vol. 3 No. 1, Maret 2015: 13-21
D. Analisis Data
Analisis deskripsi statistik terhadap data kualitas air hasil analisis laboratorium. Analisis statistik dilakukan dengan membuat uji korelasi antar variabel yang dianalisis dengan menggunakan excel, selanjutnya variabel tidak bebas yang mempunyai tingkat korelasi kuat dengan variabel bebas dibuat regresi. Persamaan regresi yang dibangun diharapkan dapat digunakan untuk memprediksi suatu variabel tidak bebas yang tidak diambil dan dianalisis contoh airnya. Data yang merupakan pencilan tidak diikutkan dalam analisis. Oleh karena jenis unsur yang dianalisis tidak selalu sama antar pengambilan contoh-contoh air, maka jumlah data (n) dari setiap variabel yang dianalisis berkisar antara 27 sampai dengan 32. III. HASIL DAN PEMBAHASAN
Deskripsi statistik beberapa parameter kualitas air disajikan dalam Tabel 1 dan hasil analisis korelasi antar parameter dapat dilihat dalam Tabel 2. Dijumpainya BOD dalam sampel air menunjukkan terdapatnya aktivitas mikroba dan bahan organik yang terdekomposisi, dimana mikroba-mikroba mendapatkan makanan (Singh et al., 2010). Bahan organik yang telah terdekomposisi tersebut dapat berasal dari material-material yang terbawa bersama aliran permukaan (Utang & Akpan, 2012). Berdasarkan Tabel 1 terlihat bahwa nilai BOD berkisar antara 1,3 hingga 8,6 mg/l. Kadar BOD lebih dari 2 mg/l menunjukkan adanya polusi air (Utang & Akpan, 2012). Tabel (Table) 1. Deskripsi statistik data kualitas air hasil analisis laboratorium (Statistical description of the water quality data resulting from laboratory analysis)
Unsur (Element)
Maksimum (Maximum)
Minimum (Minimum)
Rerata (Average )
Simpangan baku (Standard deviation)
BOD (mg/l)
8,6
1,3
3,0
1,7
COD (mg/l)
28,0
1,2
10,3
5,5
KMnO4 (mg/l)
53,2
2,8
14,7
11,0
1600,0
2,0
159,0
281,5
313,0
106,0
196,5
62,4
Nitrat (Nitrate) (mg/l)
5,6
0,1
0,7
1,0
Nitrit (Nitrite) (mg/l)
2,4
0,0
0,3
0,5
202,1
45,2
117,4
46,6
38,6
1,0
260,0
51,3
0,4
0,0
0,2
0,1
Khlorida (Chloride) (mg/l)
66,7
3,0
15,1
12,6
Sulfat (Sulfate) (mg/l)
45,0
0,9
17,6
9,1
7,0
5,9
8,1
0,7
Kekeruhan (Turbidity) (NTU) TDS (mg/l)
CaCO3 (mg/l) Warna (Colour) (TCU) Detergen
pH
16
Penyederhanaan Parameter Kualitas Air untuk... (Tyas Mutiara Basuki),
Nilai minimum COD cukup rendah (1,2 mg/l), namun nilai maksimum lebih dari 20 mg/l (Tabel 1) yang berarti sudah terjadi pencemaran, seperti yang dijumpai pada outlet sub-DAS Samin hilir. Taner et al. (2010) dalam penelitiannya mendapatkan nilai COD yang lebih dari 20 mg/l disebabkan adanya pencemaran air limbah dari kegiatan industri, pada kondisi ekstrim nilai COD bisa mencapai 2000 mg/l. Pada umumnya nilai COD akan naik dengan naiknya kandungan bahan organik dalam air (Utang dan Akpan (2012). Oleh karena itu korelasi antara COD dan BOD menunjukkan nilai yang tinggi, yaitu 0,91 (Tabel 2) karena nilai BOD merupakan cerminan kandungan mikroorganisme ataupun bahan organik di dalam air. Sebagai perbandingan adalah studi yang dilakukan oleh Singh et al. (2010) yang mendapatkan korelasi antara BOD dan COD sebesar 0,775 pada waktu mempelajari variasi musiman populasi alga sebagai akibat perubahan parameter fisiko-kimia air danau. COD juga mencerminkan jumlah oksigen yang dikonsumsi ketika bahan organik per satuan volume air teroksidasi secara kimia menjadi CO2 dan H2O oleh permanganat (Mn) (Xia et al., 2005). Oleh karena itu berdasarkan Tabel 2 terlihat adanya korelasi yang cukup tinggi juga antara KMnO4 dengan COD, yakni 0,831. Sebagai perbandingan Singh et al. (2013) mendapatkan koefisien korelasi antara KMnO4 dengan COD sebesar 0,467 pada waktu meneliti tingkat polusi di anak sungai di Unnao, India. Nilai tingkat kekeruhan rerata adalah 159 NTU, namun pada musim hujan kekeruhan di sub-DAS Samin bagian hilir dapat mencapai 1600 NTU, hal ini menunjukkan terjadinya erosi yang materialnya terbawa oleh aliran sungai. Korelasi antara KMnO4 dengan tingkat kekeruhan sangat kuat (0,871). Nilai ini sebanding dengan hasil penelitian yang dilakukan oleh N'diaye et al. (2013) yang mendapatkan korelasi yang signifikan secara statistik antara turbiditi dengan beberapa parameter yang termasuk ke dalam fisikokimia, terutama Mn (KMnO4). Koefisien korelasi positif yang diperoleh antara kekeruhan dengan KMnO4 sebesar 0,868 (N'diaye et al., 2013). Nilai kekeruhan yang tinggi di musim penghujan yang diikuti oleh kandungan KMnO4 yang naik dapat disebabkan oleh terjadinya pencucian beberapa kation dalam tanah yang terbawa aliran air dan lumpur (N'diaye et al., 2013). Pada beberapa outlet DAS mikro/sub-DAS kandungan nitrit tidak terukur, namun pada outlet sub-DAS Samin hilir di musim kemarau mencapai konsentrasi 2,4 mg/l. Koefisien korelasi antara BOD dengan nitrit termasuk kuat (0,711). Sementara itu, korelasi positif yang kuat juga diperoleh antara TDS dengan tingkat kesadahan. Kondisi demikian sesuai dengan hasil penelitian Fattah & Fadhlalla (2012). Kedua peneliti tersebut juga mendapatkan korelasi yang kuat antara TDS dengan khlorida, fluorida, magnesium, hal tersebut mengindikasikan terjadinya proses disolusi. Warna air mencerminkan kualitas air. Air berwarna coklat terang menandakan terjadinya erosi, warna air yang hijau terang atau biru kehijauan menunjukkan plankton yang banyak, sedangkan warna air seperti warna teh merefleksikan kandungan bahan organik terlarut yang tinggi (Islam et al., 2012; Kolbe, 2011), yang berarti berkaitan dengan kondisi BOD maupun COD. Hal yang sama juga diperoleh dari hasil penelitian Singh et al. (2013), dimana pada waktu air danau berwarna kecoklatan, maka kandungan BOD dan COD meningkat dibandingkan jika warna air kekuningan. Dalam Tabel 2 ditunjukkan koefisien korelasi yang cukup kuat antara warna dengan kandungan BOD dan COD. Selain dengan nitrat dan detergen, korelasi antara pH dengan parameter lain seperti sulfat, nitrit, khlorida maupun CaCO3 secara individual tidak nyata. Hal demikian disebabkan unsurunsur tersebut di dalam air saling berinteraksi jadi kenaikan kadar nitrit atau pun khlorida yang bersifat masam tidak secara otomatis menurunkan nilai pH karena di dalam air masih terdapat unsur yang bersifat basa seperti CaCO3. Scatter plot yang disampaikan dalam Gambar 2 menunjukkan bahwa kandungan COD, BOD, KMnO4 pada DAS mikro/sub-DAS yang diteliti umumnya mempunyai nilai rendah
17
18
-
-
0,901**
COD
-
0,871
0,683 **
0,831** **
0,545 **
Kekeruhan (Turbidity )
0,784**
KMnO4
TDS
-
0,161
0,228
0,231
0,371*
**) Signifikan pada (Significant at) P = 0,01 **) Signifikan pada (Significant at) P = 0,05
BOD
Keterangan (Remarks):
pH
SO 4
Cl
Detergen (Detergent)
Warna (Colour)
CaCO 3
NO2
NO3
TDS
Kekeruhan (Turbidity )
KMnO 4
COD
BOD
Unsur (Element)
-
0,172
0,116
0,007
0,096
0,005
NO3
-
0,243
0,061
0,842**
0,424 * 0,036
0,291
0,034
0,056
0,060
CaCO 3
0,065
0,422
*
0,636 **
0,711 **
NO2
0,117 -
0,254
0,026
0,087
0,267
0,295
0,486**
0,529**
Warna (Colour)
Tabel (Table) 2. Uji menggunakan korelasi Pearson antar parameter kualitas air (Correlation matrix between water quality parameters)
0,242
0,220
0,210
0,037
0,214
0,318
0,029
0,081
0,136
Detergen (Detergent)
-
0,145
0,072
-
0,805**
-
0,389
0,276
0,499* 0,345
0,074 *
0,227
0,278
0,457*
0,174
0,114
0,031
0,149
0,281
pH
0,294
0,427 *
0,650**
0,777** 0,564**
0,273
0,661**
0,084
0,335
0,512**
0,620**
SO4
0,116
0,681**
0,007
0,208
0,462*
0,565**
Cl
Indonesian
Forest Rehabilitation Journal Vol. 3 No. 1, Maret 2015: 13-21
Penyederhanaan Parameter Kualitas Air untuk... (Tyas Mutiara Basuki),
(Gambar 2 a, b, c dan d), hanya beberapa sub-DAS yang mempunyai kandungan tinggi seperti pada sub-DAS Samin hilir. Untuk hubungan kekeruhan dengan KMnO4, nitrit dan khlorida serta khlorida dan sulfat hanya satu sub-DAS yang mempunyai nilai tinggi yang juga dijumpai di sub-DAS Samin hilir. Kondisi tersebut diduga ada industri di bagian atasnya. Pola yang agak berbeda dapat dilihat pada scatter plot yang menggambarkan hubungan antara CaCO3 dengan TDS yang nilai menyebar secara merata dari rendah ke tinggi (Gambar 2 f). Persamaan regresi yang dibangun antar variabel dan mempunyai nilai korelasi dan koefisien determinasi yang tinggi (Gambar 2) diharapkan dapat digunakan untuk memprediksi variabel/parameter yang tidak dianalisis.
Gambar (Figure) 2. Scatter plot beberapa parameter kualitas air di beberapa DAS mikro dan sub-DAS yang terletak di sub-DAS Solo Hulu (Scatter plots of water quality parameters at some of micro watersheds and sub-watersheds)
19
Indonesian
Forest Rehabilitation Journal Vol. 3 No. 1, Maret 2015: 13-21
IV. KESIMPULAN DAN SARAN A. Kesimpulan Mengacu kepada hasil analisis korelasi antar beberapa parameter yang digunakan dalam monev kinerja DAS, maka dapat disimpulkan bahwa beberapa parameter yang ada di P04/VDAS/2009 dapat lebih disederhanakan dari 13 menjadi menjadi 5 parameter, yaitu BOD dapat mewakili COD, KMnO4, kekeruhan, NO2, Cl, warna dan SO4. Parameter CaCO3 dan juga Cl ataupun SO4 dapat diwakili oleh TDS sedangkan NO3, pH dan polutan detergen harus tetap dianalisis. Pengurangan unsur-unsur tersebut diharapkan dapat mengurangi biaya untuk monev kinerja DAS/sub-DAS. B. Saran Untuk mendapatkan persamaan regresi yang mempunyai koefisien regresi yang lebih kuat antar beberapa paremeter, maka masih perlu dilengkapi dengan data kualitas air yang diambil dari DAS/sub-DAS lain yang mempunyai karakter biofisik berbeda. UCAPAN TERIMA KASIH Studi ini terselenggara atas anggaran penelitian dari Balai Penelitian Kehutanan Pengelolaan Daerah Aliran Sungai Solo. Ucapan terima kasih disampaikan kepada Sudarso, SP. yang telah banyak membantu dalam pelaksanaan kegiatan di lapangan. DAFTAR PUSTAKA Ahmed, A.A.M., Hossain, M.I., Rahman, M.T., & Chowdhury, M.A.I. (2013). Application of neural network models for predicting dissolved oxygen concentration for Surma river, Bangladesh. Journal of Applied Technology in Environmental Sanitation, 3 (3), 135-140. Carey, R.O., Migliaccio, K.W., Li, Y., Schafferd, B., Kiker, G.A., & Brown, M.T. (2011). Land use disturbance indicators and water quality variability in the Biscayne Bay Watershed, Florida. Ecological Indicators, 11, 1093-1104. Chaves, H.M.L., & Alipaz, S. (2007). An integrated indicator based on basin hydrology, environment, life, and policy: the watershed sustainability index. Water Resources Management, 21, 883-895. Ditjen Rehabilitasi Lahan dan Perhutanan Sosial. (2009). Pedoman monitoring dan evaluasi DAS. Jakarta. Fattah, K.A., & Fadhlalla, E.Y. (2012). A correlation matrix of groundwater quality parameters along the Red Sea Coast. University of Khartoum Engineering Journal, 2 (1), 37-40. Islam, M.S., Tusher, T.R., Mustafa, M., & Mahmud, S. (2012). Effect of solid waste and industrial effluents on water quality of Turag river at Konabari Industrial Area, Gazipur, Bangladesh, Journal of Environmental Science and Natural Resources, 5(2), 213-218. Jiang-Qi, Q., Zhang Qing-Jing, Liu Pan, Jia Cheng-Xia, & Yang Mu. (2013). Assessment of water quality using multivariate statistical methods : acase study of an urban landscapewater, Beijing. International Journal of Bioscience, Biochemistry and Bioinformatics, 3 (3), 196-200. Khalil, B.M., Awadallah, A.G., Karaman, H., & El-Sayed, A. (2013). Application of artificial neural networks for the prediction of water quality variables in the Nile Delta. Journal of Water Resource and Protection 4, 388-394. Kolbe, C. (2011). Surface water quality data interpretation workbook. Surface water quality monitoring program monitoring operation division texas commission on environmental quality. Lee, A.H., & Nikraz, H. (2014). BOD: COD ratio as an indicator for Pollutants Leaching from Landfill. Journal of Clean Technologies, 2(3), 263-266. Levine, C.R., Yania, R.D., Lampman, G.G., Burn, D.A., Driscoll, C.T., Lawrence, G.B., Lynch, J.A., & Scoch, N. (2014). Evaluating the efficiency of environmental monitoring programs. Ecological Indicators, 39, 94101.
20
Penyederhanaan Parameter Kualitas Air untuk... (Tyas Mutiara Basuki),
N'diaye, A.D., Dhaouadi, H., El Kory, M.B., & Kankou, M.O.S.O. (2013). Water uality assessment of Senegal River in Mauritania by turbidity and chemical parameters analysis during rainy season. Biological Sciences and Pharmaceutical Research, 1 (2), 16-21. Singh, M., Lodha, P., & Singh, G.P. (2010). Seasonal diatom variations with reference to physico-chemical properties of water of Mansagar lake of Jaipur, Rajasthan. Research Journal of Agricultural Sciences, 1 (4), 451-457. Singh, A.P., Saxena, R., & Rao, D.P. (2013). Physico-chemical analysis and pollution level of one of distillery effuents in-Unnao, India. European Chemical Bulletin, 2(12), 1060-1064. Utang, P.B., & Akpan, H.E. (2012). Water quality impediments to sustainable aquaculture development along selected segments of the New Calabar River, Niger Delta, Nigeria. Research Journal of Environmental and Earth Sciences, 4 (1), 34-40. Xia, X.H., Meng, L.H., & Yang, Z.F. (2005). Influence of humic substance in solids on the measurement of oxygen-consuming organics of the Yellow river. Journal of Environmental Informatics, 6 (1), 51-57.
21
