Pendahuluan
Kebocoran pipa air PDAM mencapai 30-40% di beberapa kota, menyebabkan kerugian finansial dan kelangkaan air. Penelitian ini mengembangkan sistem deteksi kebocoran dengan memantau tekanan dan aliran.
Desain Sistem
Node Pemantau:
- Sensor tekanan (pressure transducer) di titik-titik kritis
- Flow meter ultrasonic (non-invasif) untuk mengukur debit
- Mikrokontroler: ESP32 dengan GSM/LoRa
- Data dikirim setiap 15 menit
Metode Deteksi
Akustik (getaran): Kebocoran menghasilkan getaran frekuensi tinggi yang merambat di pipa. Sensor accelerometer pada pipa mendeteksi.
Hidrolik: Perbedaan antara debit masuk dan keluar yang signifikan (>10%) mengindikasikan kebocoran.
Tekanan: Penurunan tekanan mendadak di satu titik.
Algoritma
Machine learning (Random Forest) dilatih dengan data simulasi kebocoran (membuka katup kecil). Fitur: tekanan, debit, frekuensi getaran.
Implementasi
Dipasang di jaringan PDAM Kota Bogor (10 km pipa) dengan 25 node selama 4 bulan.
Hasil
- Mendeteksi 5 kebocoran (2 bocor kecil, 3 bocor sedang) sebelum terlihat di permukaan
- Waktu deteksi: rata-rata 2 jam setelah kebocoran (vs mingguan untuk patroli)
- Akurasi: 92% (true positive), false alarm 8% (saat pemakaian tinggi)
- Estimasi lokasi kebocoran: ±50 meter (dengan analisis time difference)
Pembahasan
Kebocoran kecil sulit dideteksi (<1 liter/menit). Diperlukan sensor lebih sensitif. Biaya per node Rp 3,5 juta, ROI <1 tahun dari penghematan air.
Kesimpulan
Monitoring tekanan dan aliran dengan ML efektif mendeteksi kebocoran dini, menghemat air dan meningkatkan pendapatan PDAM.
Kata Kunci: Deteksi Kebocoran, Pipa Air, PDAM, IoT, Machine Learning