Penggunaan Algoritma Generalized Linear Models (GLM) dalam Memprediksi Total Suspended Solid (TSS) Air Limbah Washpad

Abstract

Pencatatan harian parameter TSS air limbah menjadi bagian penting dalam melihat perkembangan air limbah. Namun, konsentrasi nilai TSS menjadi fokus utama pada permasalahan, dimana nilai TSS didapatkan melalui analisa di laboratorium dan membutuhkan waktu yang cukup lama. Oleh karena itu dilakukan prediksi nilai TSS menggunakan algoritma Generalized Linear Models (GLM) pada washpad Trakindo dan MEMCO. Penelitian ini bertujuan mengidentifikasi korelasi antara nilai kekeruhan dengan TSS dan mengevaluasi model regresi dan nilai prediksi TSS dengan metode Coefficient of Determination (R2), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), dan Root Mean Square Error (RMSE). Hasil penelitian menunjukkan bahwa korelasi antara turbidity dengan TSS memiliki hubungan yang linier pada kedua lokasi washpad dan berdasarkan korelasi tersebut menunjukkan hubungan positif yang kuat yang memungkinkan penggunaan turbidity sebagai proksi untuk prediksi nilai TSS. Evaluasi yang dilakukan menghasilkan model prediksi terbaik pada linear model untuk kedua washpad. Artinya, pada model tersebut dapat memberikan nilai kesalahan prediksi yang minim dan merupakan model yang lebih sederhana.

Daily reporting of wastewater TSS parameters is an important part of monitoring the condition of wastewater. However, the concentration of TSS values is the main focus of the problem, where TSS values are obtained through laboratory analysis and takes a long time. herefore, TSS value prediction using the Generalized Linear Models (GLM) algorithm was carried out at Trakindo and MEMCO washpads. This study aims to identify the correlation between turbidity and TSS values and evaluate the regression model and TSS prediction values using the Coefficient of Determination (R2), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), and Root Mean Square Error (RMSE) methods. The results showed that the correlation between turbidity and TSS had a linear relationship at both washpad locations and based on this correlation showed a strong positive relationship that allowed the use of turbidity as a proxy for predicting TSS values. The evaluation showed that the best prediction model is the linear model for both washpads. This means that the model can provide a minimal prediction error value and is a simpler model.