Hasil Pencarian  ::  Simpan CSV :: Kembali

"Turbiditas merupakan salah satu indikator yang dapat digunakan untuk menilai kualitas air. Turbiditas dapat diukur menggunakan instrumen konvensional seperti turbidimeter, spektrofotometer, dan nefelometri visual. Namun, semua instrumen tersebut memiliki kekurangannya masing-masing, seperti biaya yang relatif tinggi dan kurang efisien. Pada penelitian ini diusulkan metode pengukuran yang lebih terjangkau dan efisien dengan memanfaatkan kamera ponsel, serta model regresi support vector regression dan EfficientNet-B0 berbasis convolutional neural network sebagai instrumen pengukuran. Akuisisi citra dilakukan di dua lingkungan. Lingkungan 1 didefinisikan sebagai lingkungan dengan cahaya langsung yang menyinari sampel, mengikuti prinsip turbidimetri, sedangkan lingkungan 2 didefinisikan sebagai lingkungan dengan pencahayaan yang bergantung hanya kepada cahaya sekitar dengan intensitas cahaya yang tak tentu. Citra yang telah diakuisisi oleh ponsel melalui berbagai proses prapengolahan data seperti segmentasi, augmentasi, penerapan filter Gaussian, dan ekstraksi fitur saturasi dan tekstur sebelum diteruskan ke model regresi. Dari hasil evaluasi didapatkan kesimpulan bahwa model EfficientNet-B0 lebih unggul dibandingkan dengan support vector regresssion dengan fitur saturasi, tekstur maupun gabungan. Model EfficientNet-B0 mendapatkan nilai R2 sebesar 0.992, MAE sebesar 2.474 dan MSE sebesar 10.669 untuk citra lingkungan 1, dan nilai R2 sebesar 0.97, MAE sebesar 3.333 dan MSE sebesar 29.137 untuk citra lingkungan 2.

---

Turbidity is an indicator that can be used to assess water quality. Turbidity can be measured using conventional instruments such as turbidimeter, spectrophotometer, and visual nephelometry. However, all of these instruments have their respective drawbacks, such as relatively high costs and inefficient. In this study, a more affordable and efficient measurement method is proposed by utilizing a cellphone camera, as well as a support vector regression and EfficientNet-B0 model based on convolutional neural network as a measurement instrument. Image acquisition will be carried out in two environments. Environment 1 is defined as an environment with direct light shining on the sample, following the principle of turbidimetry, while environment 2 is defined as an environment in which the illumination depends on the ambient light with an indeterminate light intensity. The image that has been acquired by the cellphone will go through various data preprocessing processes such as segmentation, augmentation, application of Gaussian filters, and extraction of saturation and texture features before being forwarded to the regression model. From the evaluation results, it can be concluded that the EfficientNet-B0 model is superior to the support vector regression with saturation, texture, or combined features. The EfficientNet-B0 model gets an R2 value of 0.992, an MAE of 2.474 and an MSE of 10,669 for environment 1 image, and an R2 value of 0.97, an MAE of 3.333 and an MSE of 29,137 for environment 2 image."

"Penelitian ini bertujuan untuk mengetahui pengaruh kinetika pembentukan flok pada pengolahan air limbah pewarna buatan menggunakan proses koagulasi-flokulasi. Tawas dan Anionik Polyacrylamide (APAM) digunakan sebagai koagulan dan flokulan. Analisis kinetika yang digunakan adalah persamaan kinetika Avrami menggunakan fraksi penghilangan kekeruhan dan warna pada suhu 303 K, 323 K, dan 343 K untuk memngetahui kinetika pembentukan flok. Hasil uji jar menunjukan data optimum pada suhu 303 K dengan pH 6,5, dosis koagulan dan flokulan masing masing 30 ppm dan 1 ppm. Proses koagulasi-flokulasi selama 120 menit menunjukan penghilangan parameter kekeruhan (NTU) dan parameter warna (Gardner scale) masing-masing 90,8% dan 85,2 %. Data proses koagulasi-flokulasi pada parameter kekeruhan dan parameter warna masing masing mengikuti kinetika persamaan Avrami: Y(T,t)_kekeruhan=1- exp{[-0,21exp(-(598,80)/(T))t(0,85)]}Y(T,t)warna=1- exp{[-174,84exp(-(2928,20)/T)t(0,90)]}

---

The goal of this research is to better understand the kinetics of floc formation in artificial dye wastewater treatment utilizing the coagulation-flocculation method. Alum is used as a coagulant, while Anionic Polyacrylamide is used as a coagulant aid. To understand floc formation kinetics, the Avrami equation is utilized to examine turbidity and color removal at 303 K, 323 K, and 343 K. Jar test procedures were also performed in this study to identify the optimal tubidity and color removal. The best results were obtained at 303 K and a pH of 6,5. The optimal coagulant and flocculant dosages are 30 ppm and 1 ppm, respectively. At 120 minutes, turbidity removal (NTU) and color removal (Gardner Scale) were 90,8% and 85,2%, respectively. Data on turbidity and color parameters for coagulation-flocculation process respectively follow the kinetics of the Avrami equation:

Y(T,t)turbidity=1-exp{[-0,21exp(-(598,80)/(T))t(0,85)]}

Y(T,t)color=1-exp{[-174,84exp(-(2928,20)/T)t(0,90)]}"

"Turbiditas adalah salah satu ukuran yang sering digunakan untuk menilai kualitas air. Pengukuran turbiditas dapat dijadikan estimasi untuk mengetahui parameter fisis lain seperti zat padat tersuspensi total (TSS) atau parameter biologis seperti konsentrasi mikroorganisme. Beberapa penelitian telah mencoba menerapkan metode computer vision untuk memprediksi nilai turbiditas dari citra sebuah sampel air. Kebanyakan penelitian yang dilakukan masih menggunakan ekstraksi fitur secara manual sehingga diperlukan pengetahuan yang mencukupi terkait pengolahan citra dan pengukuran turbiditas. Pada penelitian ini dibuat sistem instrumentasi prediksi nilai turbiditas air berbasis pengolahan citra ponsel dengan ekstraksi fitur dan regresi oleh model deep convolutional neural network (DCNN). Penggunaan DCNN memungkinkan dilakukannya untuk melakukan ekstraksi fitur secara otomatis. Arsitektur DCNN yang digunakan yaitu ResNet-50 dan DenseNet-121. Efektivitas penerapan transfer learning berupa weight initialization pada DCNN juga ditinjau dalam kasus ini. Sampel yang digunakan pada penelitian ini berupa suspensi formazin dengan berbagai nilai turbiditas untuk pelatihan model dan beberapa sampel air untuk validasi model. Sampel disinari oleh LED di dalam kotak akuisisi yang dibuat untuk menampakkan fitur. Citra dari sampel diakuisisi menggunakan ponsel Samsung S20 FE dari dua sudut berbeda yaitu 0° (turbidimetry) dan 90° (nephelometry) terhadap sampel. Hasil terbaik pada penelitian ini diperoleh oleh Model ResNet-50 dengan transfer learning yang memperoleh MAE sebesar 2.44 untuk sampel formazin dan 7.31 untuk sampel air dengan citra turbidimetry. Hasil penelitian menunjukkan potensi menjanjikan penggunaan DCNN pada kasus regresi nilai turbiditas air untuk dikembangkan lebih lanjut.

---

Turbidity is a measure that is often used to assess water quality. Turbidity measurements can be used as estimates to determine other physical parameters such as total suspended solids (TSS) or biological parameters such as the concentration of microorganisms. Several studies have tried to apply computer vision methods to predict the turbidity value from images of water samples. Most of the research conducted still uses manual feature extraction, hence sufficient knowledge regarding image processing and turbidity measurements is needed. In this study, an instrumentation system for predicting water turbidity values based on mobile phone images is made. The feature extraction and regression process are done using a deep convolutional neural network (DCNN) model. The use of DCNN allows it to perform feature extraction automatically. The DCNN architecture used is ResNet-50 and DenseNet-121. The effectiveness of implementing transfer learning in the form of weight initialization on DCNN is also reviewed in this study. The samples used in this study were formazine suspensions with various turbidity values for model training and several water samples for model validation. The sample is illuminated by an LED inside an acquisition box to reveal its features. The images of the samples were acquired using a Samsung S20 FE mobile phone from two different angles, namely 0° (turbidimetry) and 90° (nephelometry) to the sample. The best results in this study were obtained by the ResNet-50 model with transfer learning applied which obtained MAE values of 2.44 for formazine samples and 7.31 for water samples using turbidimetry images. The results show the promising potential for further development of DCNN usage in the case of water turbidity values regression."

"

Air minum yang aman menjadi salah satu kebutuhan yang krusial bagi manusia. Air tanah merupakan salah satu sumber utama untuk memperoleh air minum. Kualitas air dapat bervariasi berdasarkan sumber kontaminan dan waktu atau musim pada tahun tersebut, sehingga diperlukan langkah tambahan untuk memastikan kualitas air. Data penelitian diperoleh dari data historis parameter kimia pH dan konduktivitas untuk sumber air pada salah satu perusahaan Fast Moving Consumer Goods (FMCG) di Indonesia dari bulan Januari 2021 hingga Februari 2023. Data dibagi menjadi dua bagian, training set dan testing set yang kemudian digunakan untuk memprediksi kualitas sumber air menggunakan pendekatan Recurrent Neural Network (RNN) dengan arsitektur Long Short-Term Memory (LSTM) dan Gated Recurrent Units (GRU). Dari penelitian ini, didapatkan pendekatan terbaik yang dapat digunakan untuk mendapatkan akurasi tertinggi pada setiap model yang dibangun. Secara keseluruhan, pendekatan RNN dengan arsitektur LSTM dan GRU dapat digunakan untuk memprediksi kualitas sumber air dengan akurasi yang tinggi.

---

Safe drinking water is a crucial need for humans. Groundwater is one of the main sources to get drinking water. Water quality varies based on contaminants and time or season of the year, therefore extra steps to ensure water quality are needed. This research used pH and conductivity chemical parameters historical data for source water at one of Fast Moving Consumer Goods (FMCG) companies in Indonesia from January 2021 until March 2023. Data is divided into two sections, the training set and testing set which were used to predict source water quality using Recurrent Neural Network (RNN) with Long Short-Term Memory (LSTM) and Gated Recurrent Units (GRU) architectures. This research aims to know the best approach to use to get the highest accuracy for each developed model. Overall, the RNN approach with LSTM and GRU architectures can be used to predict source water quality with high accuracy.

"

"Dunia digital khususnya image processing berkembang seiring waktu berjalan dikarenakan kebutuhan masyarakat dan pentingnya keamanan sistem berbasis digital. Salah satu teknologi yang sangat mengalami kemajuan pesat adalah pengenalan wajah (face recognition) menggunakan artificial intelligence. Wajah seseorang yang sudah terdaftar di dalam database akan dikenali oleh sistem untuk keperluan validasi atau verifikasi. Di dalam penelitian ini dirancang sistem pengenalan wajah (face recognition) menggunakan algoritma machine learning dan Principal Component Analysis (PCA) sebagai pereduksi dimensi. Pengujian dilakukan dengan menggunakan beberapa metode, yakni: Support Vector Machine (SVM), Decision Tree (DT), K-Nearest Neighbour (K- NN), Logistic Regression (LR), Multi-Layer Perceptron (MLP) dan Convolutional Neural network (CNN). CNN berfokus pada layer dan tidak memerlukan reduksi dimensi, sehingga hasilnya lebih akurat. Model machine learning yang digunakan untuk classifier selain CNN adalah standar/default, sedangkan CNN menggunakan arsitektur LeNet-5, dengan dropout rate sebesar 0.25. Training dilakukan selama 60 epoch dengan loss function crosscategorical entropy, optimizer Adam, dan batch size sebesar 20. Data masukan adalah citra wajah berukuran 64 × 64 × 1 yang diperoleh dari dataset olivetti faces. Akurasi tertinggi metode PCA, SVM, maupun LR sebesar 91.25%, sementara akurasi terbaik CNN mencapai 98.75%. Selain akurasi, pemakaian confusion matrix dan classification report digunakan untuk menguji performa metode yang ada melalui evaluasi model klasifikasi.

---

The digital world, especially image processing, is evolving due to the needs of society and the importance of digital-based system security. One of the technologies that are rapidly progressing is face recognition using artificial intelligence. The system will recognize a person's face already registered in the database for validation or verification purposes. A face recognition system was designed using machine learning algorithms and Principal Component Analysis (PCA) as dimension reduction in this study. Testing is conducted using several methods: Support Vector Machine (SVM), Decision Tree (DT), K-Nearest Neighbour (K-NN), Logistic Regression (LR), Multi-Layer Perceptron (MLP) and Convolutional Neural network (CNN). CNN focuses on layers and does not require dimensional reduction to increase the accuracy of the result. The machine learning model used for classifiers other than CNN is standard/default settings, while CNN uses the LeNet-5 architecture, with a dropout rate of 0.25. The training was conducted for 60 epochs with loss function cross-categorical entropy, optimizer Adam, and batch size of 20. Input data is a 64 × 64 × 1 facial image obtained from the Olivetti faces database. The highest accuracy of PCA, SVM and LR methods was 91.25%, while CNN's best accuracy reached 98.75%. In addition to accuracy, the use of confusion matrix and classification report is used to test the performance of existing methods through the evaluation of classification models."

"Glaukoma adalah salah satu penyebab kebutaan terbanyak kedua di dunia yang disebabkan oleh tekanan yang meninggi pada bola mata. Dalam proses mendiagnosa glaukoma, dibutuhkan waktu yang lama dikarenakan tidak ada perubahan secara signifikan pada citra fundus. Pada penelitian ini, penulis menggunakan Convolutional Neural Network (CNN) untuk mengekstraksi fitur dan metode klasifikasi Deep Belief Network (DBN) dalam mengklasifikasi glaukoma pada data citra fundus. Hasil pada model CNN-DBN dibandingkan dengan metode ekstraksi fitur CNN dan klasifikasi Support Vector Machine (SVM) yang dinamakan model CNN-SVM. Arsitektur CNN yang digunakan pada penelitian ini adalah ResNet-50. Dataset yang digunakan dalam penelitian ini diperoleh dari 2 online database, yaitu cvblab dan kroy1809. Pada proses ekstraksi fitur, model dilatih dari fully connected layer pada ResNet-50. Kemudian, vektor fitur dari fully connected layer diklasifikasi menggunakan metode klasifikasi DBN dan SVM. Berdasarkan hasil simulasi, CNN-DBN memiliki hasil akurasi, precision, dan recall terbaik dibandingkan dengan metode CNN-SVM dan CNN dengan akurasi 96.46%, precision 95.86%, dan recall 98.05% pada pembagian dataset training dan testing 70:30.

---

Glaucoma is the second most common factor of blindness in the world caused by the increasing pressure on the eyeball. It takes a long time to diagnose glaucoma due no significant change in the fundus image. In this study, the author used the Convolutional Neural Network (CNN) to extract the features and the Deep Belief Network (DBN) classification method to classify glaucoma in fundus images. The results on the CNN-DBN model will be compared with to the CNN feature extaction method and the Support Vector Machine (SVM) classification method, named the CNN-SVM model. The CNN architecture used in this study is ResNet-50. The dataset used in this study are from 2 online database, cvblab and kroy1809. In the feature extraction process, the model is trained using the CNN method with the ResNet-50 architecture. Afterward, the feature vectors of the fully connected layer are classified using the DBN and SVM classification methods. Based on the simulation results, CNN-DBN has the best results than CNN-SVM and CNN method with the accuracy of 90%, precision of 95%, and recall of 92% with splitting data training and testing of 70:30."

"Cooling Tower merupakan salah satu komponen penting bersama dengan mesin lainnya di suatu industri yang berfungsi untuk menurunkan temperature air. Cooling Tower sistem terbuka menggunakan air sebagai media pertukaran panas. Air yang terus bersirkulasi dapat menyebabkan kerak, korosi, dan lumut karena kualitas air menurun sehingga proses pertukaran panas di cooling tower tidak optimal. Umumnya perawatan cooling tower pada industri menggunakan bahan kimia, namun hal tersebut dianggap belum efektif. Langkah alternatif dalam menjaga kualitas air di cooling tower adalah dengan menggunakan ozon. Flowrate, temperature inlet, dan jumlah ozon terlarut yang diinjeksikan tentu berpengaruh pada cooling tower, terutama kualitas air. Tujuan dari penelitian ini adalah untuk mengetahui pengaruh temperature inlet yang divariasikan terhadap kualitas air, efektivitas cooling tower dan penghematan air. Metode yang digunakan dalam penelitian ini adalah eksperimen kuantitatif. Penilitian ini menggunakan miniatur cooling tower dengan sistem terbuka berukuran (70 x 42,5 x 53) cm. Kualitas air dari cooling tower sistem terbuka ditentukan dengan melakukan pengukuran menggunakan alat uji dan melakukan pemeriksaan laboratorium. Data yang dicatat dari penelitian ini adalah Electric Conductivity, Total Dissolved Solid (TDS), pH, alkalinitas, Ca dan Mg Hardness, Na, dan Cl, serta Range dan Approach. Data tersebut akan digunakan untuk mencari nilai Losses, Practical Ozone Scaling Index (POSI), memprediksi nilai Maximum Cycle dan Maximum Cycle of Concentration, menghitung nilai Blowdown Rate dan Make up Water yang dibutuhkan dan menghitung persentase Efektivitas Cooling Tower. Hasil yang diperoleh dari penelitian ini menunjukan bahwa temperature inlet 30? merupakan temperature inlet yang paling optimal. Ketika temperature inlet 30?, jumlah volume air blowdown dapat menurun 60,94% dan jumlah kebutuhan make up water dapat menurun 36,76%.

---

Cooling Tower is an important component along with other machines in an industry that functions to reduce water temperature. Open system cooling towers use water as a heat exchange medium. Water that continues to circulate can cause scale, corrosion, and moss because the quality of the water decreases so that the heat exchange process in the cooling tower is not optimal. Generally, cooling tower maintenance in industry uses chemicals, but this is considered ineffective. An alternative step in maintaining water quality in cooling towers is to use ozone. Flowrate, inlet temperature, and the amount of dissolved ozone injected certainly affect the cooling tower, especially water quality. The purpose of this study was to determine the effect of varied inlet temperature on water quality, cooling tower effectiveness and water savings. The method used in this study is a quantitative experiment. This research uses a miniature cooling tower with an open system measuring (70 x 42.5 x 53) cm. Water quality from an open system cooling tower is determined by measuring using a test kit and conducting laboratory tests. Data recorded from this study are Electric Conductivity, Total Dissolved Solid (TDS), pH, alkalinity, Ca and Mg Hardness, Na and Cl, as well as Range and Approach. The data will be used to find Losses values, Practical Ozone Scaling Index (POSI), predict Maximum Cycle and Maximum Cycle of Concentration values, calculate the required Blowdown Rate and Make up Water values and calculate the percentage of Cooling Tower Effectiveness. The results obtained from this study indicate that the inlet temperature of 30? is the most optimal inlet temperature. When the inlet temperature is 30?, the amount of blowdown water volume can decrease by 60.94% and the amount of make-up water needed can decrease by 36.76%."

"ABSTRAKSagu (Metroxylon sp) merupakan sumber karbohidrat yang cukup potensial, dan merupakan salah satu sumber daya hayati yang lestari (renewable) dan mempunyai prospek yang dapat membantu memecahkan masalah pangan dan energi.Industri pengolahan sagu yang terdapat di Kabupaten Bogor Propinsi Jawa Barat umumnya berkapasitas antara 300 ? 400 kg tepung sagu kering setiap harinya. Untuk mendapatkan tepung tersebut dibutuhkan air sebanyak 41.943,5 liter. Sebanyak 14.335,9 liter terbuang merupakan air buangan sisa pengolahan sagu, dam sebanyak 0.420,9 liter air terbawa bersama ampas dan terbawa bersama pati sebanyak 24.543,6 liter.Untuk mengetahui pengaruh air buangan industri sagu terhadap kualitas badan air penerima, dilakukan analisis laboratorium di Balai Besar Penelitian dan Pengembangan Industri Hasil Pertanian Bogor.Pengambilan sampel air dilakukan sebelum dan sesudah pencemaran terjadi serta dilaksanakan pada musim hujan dan musim kemarau.Analisis statistikk untuk mengolah data dilakukan dengan metode Uji Beda dan dilanjutkan dengan Uji T.Hasil analisis air buangan sisa industri pengolahan sagu tidak memperlihatkan adanya unsur beracun atau kandungan logam, beberapa parameter memperlihatkan nilai yang cukup tinggi seperti Daya Hantar Listrik (DHL) 847,0 mikromhos per cm, Kebutuhan Oksigen Kimia (COD) BB4,6 mg/liter, Kebutuhan Oksigen Biokima (BOD) 582,2 mg/liter dan padatan tersuspensi 808,0 mg/liter.Parameter lainnya memperlihatkan nilai yang kecil dibawah nilai baku mutu air limbah. Dengan tingginya nilai BOD dan COD diperkirakan air buangan sisa industri dapat mempengaruhi kualitas air sungai tersebut.Hasil analisis kualitas air sungai Cikasungka yang dilanjutkan dengan Uji statistik menunjukkan adanya beda nyata beberapa parameter di musim kemarau seperti COD, Alkalinitas, Salinitas dan Kesadahan, sedangkan parameter lainnya tidak tidak memperlihatklan perbedaan nyata. Pada musim hujan parameter BOD, COD, SAR dan Salinitas memperlihatkan perbedaan nyata sedangkan lainnya tidak memperlihatkan perbedaan yang nyata, bahkan beberapa parameter tidak dapat dibedakan karena nilainya kecil.Sungai Cidurian memperlihatkan adanya perbedaan nyata antara sebelum terjadi pencemaran dengan sesudah adanya pencemaran pada parameter Oksigen terlarut (DO) dan zat padat total pada musim hujan, sedangkan di musim kemarau hanya parameter DOD yang memeperlihatkan perbedaan nyata. Parameter lainnya tidak menunjukkan perbedaan nyata antara sebelum dan sesudah terjadinya pencemaran, bahkan beberapa parameter tidak dapat dibedakan karena nilai yang didapat kecil.Dari hasil Analisis dapat disimpulkan bahwa air buangan industri sagu pada waktu masuk ke badan air penerima dapat menimbulkan pencemaran terlihat dari tingginya nilai DOD dan COD. Pencemaran yang ditimbulkan air buangan sisa pengalahan sagu tidak berpengaruh terhadap kualitas badan air yang diperuntukkan bagi keperluan pertanian dan perikanan.Walaupun demikian tidaklah berarti air buangan dapat dibuang begitu saja ke perairan karena air sungai tersebut juga merupakan sumber air minum bagi masyarakat banyak.

---

ABSTRACT

Sago (Metroxylon sp) is a potential carbohydrate resources and one of renewable resources that could solve food and energy problem. In Bogor, West Java, capacity of the sago processing industries are usually between 300 - 400 kg dry sago starch per day. To produce this amount of sago starch, 41.943,5 liters of water is required where 14.335,9 liters of the water are disposed as liquid waste and B.420,9 liters are discarded together with solid waste.

In order to find out the effect of waste water of sago industries to the quality of water stream river, water analysies was carried out at Balai Besar Penelitian dan Pengembangan Industry Hasil Fertanian Bogor.

Sample was collected from the Cikasungka river and Cidurian river. From each river sample was taken before and after pollution during the rainy and dry season. Difference test method and T test were used for data analysies.

Analysis of waste water taken from the industries before disposed to the river showed that there was no metal and poisonous element found, although some indicators showed high value of DHL (847,0 micromhos/cm), COD (884,6 mg/liter), BOD (582,2 mg/liter) and suspended solid (808,0 mg/liter).

The result of water analysis of Cikasungka river during the dry season indicated that there is significant difference among parameters such as COD, Alkalinity, Salinity and Hardness. While in the rain season, parameters, such as BOD,COD,SAR and Salinity showed significant difference for both before and after pollution.

Water analysis of Cidurian river during the rainy season showed that there was significant difference between DO and total solid for before and after pollution. In the dry season only BOD content showed significant difference.

Due to the high value of BOD and COD it is presumed that sago industry waste water could effect the quality of the river stream water.

Based on the standard quality of waste water for Agriculture and Fishery, it is obvious that pollution caused by the waste water of sago industries does not influence the quality of river stream water that is used for Agriculture and Fishery. However this does not mean that sago industries waste water can be discarded directly to the river, because the river is also used as drinking water resources for the people."

"Kebutuhan air terus meningkat seiring pertumbuhan penduduk. Sumber daya air yang tersedia khususnya di perkotaan hampir sudah tidak bisa memenuhi kebutuhan warganya, kualitas air tanah dangkal dan air permukaan yang tercemar akibat sanitasi yang buruk. Namun ketergantungan terhadap air tanah tidak dapat dihindari karena pelayanan air perpipaan yang masih terbatas ditambah dengan tarif air perpipaan yang semakin kompetitif. Jika peningkatan kebutuhan tidak diimbangi dengan peningkatan pelayanan air maka akan terjadi kondisi rawan air. Tujuan dari penelitian ini untuk mengetahui tingkat kerawanan air dan memetakan daerah rawan air hingga tingkat kelurahan di Wilayah Jakarta Selatan dan Jakarta Barat.Water Stress Index merupakan salah satu alat untuk mengetahui tingkat kerawanan air di suatu wilayah. Metode yang digunakan dalam penelitian ini adalah metode deskriptif dengan pendekatan kuantitatif. Perumusan Water Stress Index menggunakan dua belas indikator, yaitu: ketersediaan air, ketersediaan cakupan pelayanan air perpipaan, kontinuitas air, kualitas air tanah, kualitas air perpipaan, genangan air (banjir), tata guna lahan, ketersediaan sarana sanitasi, tingkat kebutuhan air, daya beli masyarakat dan tingkat kepercayaan masyarakat. Water Stress Index menghasilkan suatu output berupa daerah-daerah dengan tingkat kerawanan air.Lokasi penelitian berada di Wilayah Jakarta Barat dan Jakarta Selatan. Berdasarkan Hasil perhitungan, nilai WSI di Jakarta Barat antara 0,14-0,51. Wilayah yang dikategorikan sebagai daerah tingkat rawan air yang sangat tinggi adalah Kelurahan Kamal dan Kelurahan Kalianyar. Hasil perhitungan nilai WSI di Jakarta Selatan berkisar 0,19-0,39. Kondisi rawan air di Jakarta Selatan cukup merata dengan tingkat rawan air rendah hingga menengah. Dengan mengetahui daerah rawan air maka dapat digunakan sebagai dasar pertimbangan strategi dan arahan kebijakan sektor sumber daya air yang tepat sasaran.

---

The high population growth affects the high rate of water demand. In urban area, the quality and quantity of water resources are no longer able to serve people needs. Most of the shallow groundwater and the river are contaminated by domestic waste. However, the dependancy to the ground water will still continue, as long as the coverage of piped water service is limited and its fare goes more competitive. When the increasing water demand is not supported by similar improvement of water supply, water stress condition will occur. The purpose of this research is to determine the level of water stress and to map the result based on district scope.

Water Stress Index is an instrument to determine the level water stress area. Water stress index uses descriptive method with quantitave approach. Formulation of Water Stress Index uses twelve indicators, i.e. the availability of water, availability of piped water coverage, continuity of water, ground water quality, the quality of piped water, flooding, land use, availability of sanitation facilities, the need for water, power purchasing and the level of public trust. Water Stress Index produces an output in the form of areas with level of vulnerability of water.

The research was conducted in South and West Jakarta. Based on the result of water stress index calculation, water stress level in West Jakarta ranged from 0,14 to 0,51, the areas with very high water stress are Kelurahan Kamal and Kelurahan Kalianyar. The research also results that water stress index at most areas in South Jakarta are low to middle level ranging from 0,19 to 0,39. The result of WSI calculation which has been put into a map and visually presented can be utilized as a basis for better startegy and policy planning in increasing of fresh water supply sector."