digilib@itb.ac.id +62 812 2508 8800

PEMANTAUAN KUALITAS EFLUEN INSTALASI PENGOLAHAN AIR LIMBAH RUMAH SAKIT BERBASIS INTERNET OF THINGS DENGAN HYBRID RULE-BASED SYSTEM DAN MACHINE LEARNING

6 views
Save At List
Penulis : Daffa Maulana Hibban [23524003]
Kontributor / Dosen Pembimbing :
  • Prof. Ir. Kridanto Surendro, M.Sc., Ph.D.
Jenis Koleksi : Tesis
Tahun Terbit : 2026
Penerbit : Informatika
Fakultas : Sekolah Teknik Elektro dan Informatika
Subjek : Applied physics
Kata Kunci : Rule-Based System, Anomaly Detection, Isolation Forest, One-Class Support Vector Machine, Convolutional Autoencoder, Efluen Rumah Sakit, Internet of Things.
Sumber :
Staf Input/Edit : Esha Mustika Dewi  
File : 1 file
Tanggal Input : 09 Jan 2026

Instalasi Pengolahan Air Limbah (IPAL) di rumah sakit sangat penting untuk mencegah pencemaran lingkungan dan penyebaran penyakit di lingkungan sekitar karena limbah medis khususnya limbah di rumah sakit yang berbahaya karena mengandung bahan kimia dan biologis berbahaya. Oleh karena itu, baku mutu mengenai air limbah yang layak dibuang ke lingkungan sudah diatur oleh pemerintah. Saat ini, pengawasan kualitas efluen di berbagai fasilitas kesehatan masih menggunakan metode manual atau indikator biologis tradisional. Metode ini memiliki kekurangan seperti data yang kontinu dan keterlambatan respons terhadap perubahan kondisi efluen. Penelitian ini bertujuan mengatasi masalah tersebut dengan mengembangkan sistem pemantauan kualitas efluen berbasis Internet of Things (IoT) serta aplikasi dashboard terintegrasi yang menggabungkan sensor suhu, pH, total dissolved solids (TDS), dan gas amonia dengan sistem pemrosesan data cerdas. Penelitian ini mengusulkan pendekatan hybrid yang menggabungkan Rule-Based System dan algoritma Anomaly Detection untuk menciptakan mekanisme peringatan dini yang lebih efektif. Rule-Based System berfungsi sebagai filter pertama untuk mendeteksi pelanggaran ambang batas baku mutu kualitas secara langsung sesuai aturan pemerintah, sedangkan algoritma Anomaly Detection digunakan untuk mengenali pola penyimpangan yang halus namun berisiko. Penelitian ini membandingkan performa tiga algoritma Unsupervised Learning, yaitu Isolation Forest (IF), One-Class Support Vector Machine (OCSVM), dan Convolutional Autoencoder (Conv-AE), untuk menemukan konfigurasi dengan trade-off terbaik antara akurasi dan efisiensi dalam sistem pemrosesan real-time. Model Conv-AE kemudian dikonversi ke format TensorFlow Lite (TFLite) untuk meningkatkan penggunaan sumber daya. Hasil pengujian fungsional menunjukkan bahwa prototipe perangkat keras IoT mampu mengakuisisi data sensor secara stabil, dan aplikasi dashboard berhasil menyajikan pemantauan real-time serta mengirimkan notifikasi peringatan dini kepada pengguna. Evaluasi performa Anomaly Detection menunjukkan model Conv-AE TFLite memiliki performa terbaik dibandingkan model lainnya. Model ini mencapai tingkat recall sebesar 96,0% dan F1-score sebesar 94,0%, menunjukkan kemampuannya dalam mendeteksi anomali secara akurat. Dari sisi efisiensi, model ini memiliki ukuran file yang kecil, hanya 12 KB dan jauh lebih ringkas dibandingkan Isolation Forest yang berukuran 1.404 KB, sehingga sangat cocok untuk diimplementasikan pada sistem IoT. Meskipun memiliki rata-rata latensi pemrosesan sebesar 0,226 detik, di mana sedikit lebih tinggi dibandingkan metode lainnya, sistem ini mampu berjalan secara real-time dengan stabilitas yang baik. Penelitian ini menyimpulkan bahwa penggunaan IoT dengan model hybrid yang menggabungkan Rule-Based System dan model Conv-AE TFLite adalah solusi yang kuat, menawarkan trade-off antara akurasi deteksi tinggi dan efisiensi memori yang memadai untuk mendukung pengambilan keputusan cepat dan pengelolaan lingkungan rumah sakit yang berkelanjutan.

Artikel Terkait