Tantangan Kualitas Air Sungai Ciliwung
Sungai Ciliwung merupakan sungai terbesar yang melintasi wilayah Jakarta dan sekitarnya, memiliki peran penting sebagai sumber air untuk rekreasi, budidaya perikanan, dan penghijauan. Namun, kualitas airnya cenderung menurun akibat limbah domestik dan industri yang dibuang ke sungai tanpa pengolahan memadai. Metode konvensional pemantauan kualitas air yang dilakukan dengan pengambilan sampel manual dan analisis laboratorium memiliki keterbatasan waktu dan cakupan data. Oleh karena itu, penelitian oleh Mohammad Haekal dan Wahyu Catur Wibowo (2023) mengadopsi pendekatan sains data dan pembelajaran mesin untuk memprediksi kualitas air Sungai Ciliwung secara lebih efektif dan akurat.
Pemanfaatan Teknologi ONLIMO dan Model Machine Learning
Penelitian menggunakan data hasil pemantauan kualitas air Sungai Ciliwung selama satu tahun penuh (1 Januari–31 Desember 2018) yang diperoleh melalui teknologi Online Monitoring (ONLIMO) dari BPPT (sekarang BRIN). Data yang dikumpulkan sebanyak 5.476 poin pengukuran dengan interval satu jam, meliputi delapan parameter utama: pH, Dissolved Oxygen (DO), Nitrat, Kekeruhan, Total Dissolved Solids (TDS), Salinitas, Konduktivitas Listrik (DHL), dan Suhu.
Untuk memprediksi kualitas air, empat model pembelajaran mesin diuji, yaitu:
- Jaringan Syaraf Tiruan (JST) dengan berbagai arsitektur hidden layer,
- Support Vector Machine (SVM),
- Random Forest,
- Naive Bayes.
Data dibagi menjadi 80% untuk pelatihan dan 20% untuk pengujian, dengan pembersihan data anomali sekitar 0,67%.
Performa Model dan Evaluasi Akurasi
Jaringan Syaraf Tiruan (JST)
Model JST diuji dengan 1, 3, 5, 7, dan 9 hidden layer, masing-masing dengan 3 node per layer. Model dengan 5 hidden layer menunjukkan performa terbaik dengan:
- Akurasi 94,6%,
- Recall 93,1%,
- Precision 88,1%,
- Specificity 97,3%,
- F1 Score 90,5%.
Model ini mampu memprediksi kategori kualitas air “memenuhi” dan “tidak memenuhi” baku mutu dengan tingkat kesalahan paling rendah dibanding konfigurasi lain.
Support Vector Machine (SVM)
Model SVM menunjukkan akurasi lebih rendah, yaitu 79,3%, dengan nilai recall 63,3% dan precision 56,7%. Hal ini menunjukkan SVM kurang optimal pada dataset besar dan kompleks seperti data kualitas air Ciliwung.
Random Forest
Random Forest memberikan hasil terbaik secara keseluruhan dengan akurasi mencapai 99,7%, recall dan specificity 100%, precision 99%, dan F1 Score 99,5%. Model ini sangat efektif mengklasifikasikan data kualitas air dengan kesalahan minimal (false positive dan false negative sangat kecil).
Naive Bayes
Naive Bayes memiliki akurasi 89,5%, recall 99,3%, dan precision 64,8%, menunjukkan performa cukup baik namun masih kalah dari JST dan Random Forest.
Studi Kasus: Prediksi Kualitas Air Sungai Ciliwung
Data pemantauan menunjukkan variasi kualitas air dengan beberapa titik waktu yang tidak memenuhi baku mutu, terutama pada parameter kekeruhan dan DO. Model Random Forest dan JST 5 hidden layer mampu memprediksi kondisi ini dengan sangat baik, memberikan peluang untuk pengelolaan sungai yang lebih responsif dan tepat waktu.
Analisis Kritis dan Nilai Tambah
Penelitian ini membuktikan bahwa metode pembelajaran mesin, terutama Random Forest dan JST, sangat efektif untuk memprediksi kualitas air sungai berdasarkan data pemantauan real-time. Pendekatan ini mengatasi keterbatasan metode konvensional yang lambat dan kurang responsif terhadap perubahan kualitas air secara dinamis.
Dibandingkan dengan studi lain, hasil ini konsisten dengan temuan bahwa Random Forest unggul dalam menangani dataset besar dan kompleks, sedangkan SVM kurang optimal pada skala data tersebut. Penelitian ini juga mengadopsi teknologi ONLIMO yang memungkinkan pengumpulan data berkala dan real-time, menjadikan prediksi lebih akurat dan aplikatif.
Kritik dan Saran Pengembangan
- Penelitian hanya menggunakan delapan parameter, sementara parameter lain seperti BOD, COD, dan mikrobiologi juga penting untuk kualitas air.
- Data yang digunakan hanya dari satu lokasi (depan Masjid Istiqlal), sehingga perlu diperluas ke berbagai titik sungai untuk gambaran komprehensif.
- Model JST memerlukan tuning parameter yang cukup rumit dan waktu pelatihan yang lama.
- Integrasi hasil prediksi dengan sistem peringatan dini dan kebijakan pengelolaan sungai akan meningkatkan manfaat praktis penelitian.
Kesimpulan
Model pembelajaran mesin Random Forest dan Jaringan Syaraf Tiruan dengan 5 hidden layer memiliki potensi besar untuk memprediksi kualitas air Sungai Ciliwung dengan akurasi tinggi, di atas 89%. Pendekatan ini dapat menjadi alat bantu penting bagi pengambil kebijakan dan pengelola lingkungan dalam menjaga kualitas air sungai secara berkelanjutan. Penelitian ini membuka peluang pengembangan sistem monitoring kualitas air yang lebih canggih dan responsif di masa depan.
Sumber Asli Artikel
Haekal, M., & Wibowo, W. C. (2023). Prediksi Kualitas Air Sungai Menggunakan Metode Pembelajaran Mesin: Studi Kasus Sungai Ciliwung. Jurnal Teknologi Lingkungan, 24(2), 273-282.