Analisis pH dan Kadar Nitrat pada Air Kolam di Perkebunan Sentool Kabupaten Jember

Abstract

Perkembangan teknologi penerangan saat ini semakin pesat. Salah satu kemajuan yaitu semakin banyak digunakannya lampu jenis LED (Light Emitting Diode). Salah satu pemanfaatan lampu jenis LED (Light Emitting Diode) yaitu sebagai penerangan jalan umum. Saat ini penerangan jalan umum masih menggunakan PJU konvesional seperti lampu jenis tabung gas fluorescent, lampu mercury, lampu halogen dan lampu sodium yang hanya menegeluarkan cahaya sebesar 30% dari seluruh energi listrik yang diserap sisanya yaitu berupa panas atau suhu yang tinggi pada lampu. Hal tersebut menyebabkan kenaikan tarif listrik karena lampu jenis tersebut tidak mengeluarkan cahaya secara utuh dari energi listrik yang diserap. Lampu LED dapat mengganti jenis lampu konvesional dikarenakan memiliki masa usia pakai (lifetime) mencapai 30 ribu jam. Selain itu memiliki tingkat efektivitas serta efisiensi sebesar 80 hingga 90 persen. Namun permasalahannya saat ini lampu LED menghasilkan suhu yang relatif tinggi sehingga dapat mengurangi masa usia pakai dan performansi. Sehingga penelitian kali ini yaitu menyusun susunan array LED menggunakan kompensasi suhu agar dapat memenuhi kebutuhan penerangan dengan tingkat efisiensi yang baik. Selain itu permasalahan saat ini untuk mengetahui performa susunan array LED dengan menggunakan metode konvesional, sehingga susunan array LED harus dibuat terlebih dahulu dan dihidupkan untuk melakukan pengujian. Berdasarkan masalah dan latar belakang tersebut, dibutuhkan suatu solusi menyelesaikan permasalahan yang ada pada saat desain awal susunan lampu LED. Berdasarkan permasalahan tersebut pada penelitian kali ini yaitu dengan mengimplentasikan komputasi machine learning yang dilakukan untuk melakukan peramalan atau prediksi dari susunan array LED terhadap aramatur PJU. Komputasi machine learning kali ini yaitu menggunakan metode random forest regression dengan target R-square (R2) lebih dari 98,5% dan waktu komputasi yang cepat. Pada penelitian dilakukan pengujian susunan array LED untuk mengetahui performansi setiap sampel ujinya. Komputasi prediksi iluminasi dilakukan pada setiap sampel dengan menggunakan parameter pengujian yang berbeda. Pada pengujian prediksi sampel uji 2 yaitu menggunakan parameter pengujian yang variasi untuk yang bertujuan untuk mengetahui nilai parameter yang terbaik dalam menenetukan prediksi iluminasi array module LED sampel uji 2. Pada nilai R2 pengujian sampel dua dengan parameter pengujian prediksi n_estimator sama dengan 500, n_sample split sama dengan 2, min_sample_leaf sama dengan 1 dan random state bernilai 40 memiliki nilai terbaik pada pengujian sampel uji sebesar 0,993 atau 99,3%. Pada parameter tersebut memiliki tingkat keakurasian yang sangat baik dengan nilai MAE 0,0008 dan memiliki ketepatan hasil prediksi yang baik dengan nilai MSE 0,0004. Berbeda pada sampel uji 1 dengan parameter pengujian prediksi n_estimator sama dengan 50, n_sample split sama dengan 2, min_sample_leaf sama dengan 1 dan random state bernilai 40 memiliki nilai terbaik pada pengujian sampel uji 1 sebesar 0,917 atau 91,7%. Dengan parameter pengujian tersebut nilai MSE sebesar 0,0015 dan MAE sebesar 0,012. Pada penelitian kali ini kepentingan atau bobot dalam melakukan prediksi iluminasi susunan LED yaitu ditentukan dengan menggunakan metode variable importances. Variabel yang akan dilakukan permutasi dalam menentukan kepentinganya yaitu nilai arus, tegangan dan suhu. Dari ketiga variabel tersebut arus dan suhu memiliki bobot yang tinggi daripada tegangan dalam melakukan prediksi iluminasi susunan array LED. Masing-masing kepentingan variabel arus dan suhu sebesar 50% dan 48% sedangkan tegangan hanya 3%. Nilai R2 yang tidak sesuai dengan hipotesis penelitian yaitu lebih besar dari 98% disebabkan oleh kemampuan variabel terikat yaitu iluminasi yang terbatas. Selain itu dikarenakan variabel bebas yang kurang variatif sehingga tidak memberikan informasi pada variabel terikat saat proses data training. Nilai R2 yang rendah juga dapat dipengaruhi oleh kemampuan parameter pengujian prediksi yang dibentuk. Sehingga pada saat parameter pengujian prediksi perlu diperhatikan untuk menghasilkan nilai prediksi yang memiliki keakurasian yang lebih baik.