Perpustakaan Digital ITB

Karbon aktif serbuk atau powdered activated carbon (PAC) umum digunakan dalam proses koagulasi–flokulasi untuk meningkatkan penyisihan mikropolutan, bahan organik alami, dan kontaminan baru lainnya. Namun, pengaruh visual PAC terhadap pembentukan flok bersifat halus, sehingga pemantauan PAC berbasis citra menjadi tantangan tersendiri. Penelitian ini mengevaluasi analisis convolutional neural network (CNN) berbasis ResNet50 untuk membedakan citra flok dengan dan tanpa PAC menggunakan air alami dari PDAM Tirtawening, Bandung, Indonesia. Uji jar test dilakukan menggunakan koagulan cair polialuminium klorida (PACl) pada enam kondisi dosis dan PAC dengan ukuran partikel median (D50) sebesar 52,35 µm. Augmentasi awal berbasis marker menghasilkan akurasi in-distribution yang tinggi, yaitu sekitar 99%, tetapi tidak dapat ditransfer secara andal ke citra PAC nyata, yang menunjukkan adanya shortcut learning dari fitur buatan. Setelah dilakukan pemisahan ulang data berbasis unit eksperimen yang aman dari data leakage, sinyal PAC asli masih dapat dikenali dari citra fase pengendapan tanpa modifikasi. Frozen-feature probe menghasilkan nilai AUC sebesar 0,74 pada pengujian lintas hari yang belum pernah dilihat, sedangkan fine-tuning meningkatkan AUC lintas hari menjadi 0,92. Ketika citra PAC nyata terbatas, learned augmentation menjadi alternatif sintetis yang paling stabil, dengan nilai AUC tervalidasi silang sebesar 0,76. Hasil ini menunjukkan bahwa pemantauan PAC berbasis CNN sebaiknya dievaluasi berdasarkan kemampuan transfer terhadap kondisi operasi nyata yang benar-benar terpisah, bukan hanya berdasarkan akurasi semata.