Desain Fuzzy Neural Model Prediksi Algal Blooms Di Daerah Tropis

DESAIN FUZZY NEURAL MODEL

PREDIKSI ALGAL BLOOMS DI DAERAH TROPIS

HARYANTO

SEKOLAH PASCASARJANA

INSTITUT PERTANIAN BOGOR

DESAIN FUZZY NEURAL MODEL

PREDIKSI ALGAL BLOOM DI DAERAH TROPIS

HARYANTO

Tesis

Sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada

Program Studi Ilmu Komputer

SEKOLAH PASCASARJANA

INSTITUT PERTANIAN BOGOR

Judul Tesis : Desain Fuzzy Neural Model Prediksi Algal Blooms Di Daerah Tropis

Nama : Haryanto

NRP : G651024084

Program Studi : Ilmu Komputer

Disetujui, Komisi Pembimbing

Prof. Dr. Ir. Marimin, M.Sc Dr. Ir. Kudang Boro Seminar, M.Sc

Ketua Anggota

Diketahui,

Ketua Program Studi Dekan Sekolah Pascasarjana Ilmu Komputer

Dr. Sugi Guritman Prof. Dr. Ir. Khairil Anwar Notodiputro, MS

ii SURAT PERNYATAAN

Saya menyatakan dengan sebenar-benarnya bahwa segala pernyataan dalam tesis saya yang berjudul :

DESAIN FUZZY NEURAL MODEL

PREDIKSI ALGAL BLOOMS DI DAERAH TROPIS

Merupakan gagasan atau hasil penelitian tesis saya sendiri, dengan arahan Komisi Pembimbing, kecuali yang dengan jelas ditunjukan rujukannya. Tesis ini belum pernah diajukan untuk memperoleh gelar atau capaian akademik lainnya pada program sejenis di perguruan tinggi lain. Semua data dan informasi yang digunakan telah dinyatakan secara jelas dan dapat diperiksa kebenarannya.

Jakarta, November 2006 Yang Membuat Pernyataan

PRAKATA

Alhamdulillah, puji syukur penulis ucapkan kehadirat ALLAH SWT atas segala limpahan rahmat dan hidayah-Nya, sehingga penulis dapat menyelesaikan tesis ini dengan judul : DESAIN FUZZY NEURAL MODEL PREDIKSI ALGAL BLOOMS DI DAERAH TROPIS. Tesis ini dibuat untuk memenuhi salah satu persyaratan studi pada program Ilmu Komputer, Sekolah Pascasarjana IPB.

Tesis ini dapat terselesaikan atas bantuan berbagai pihak. Oleh karena itu penulis ingin menyampaikan terima kasih yang sebesar-besarnya kepada:

1. Bapak Prof. Dr. Ir. Marimin, M.Sc dan Bapak Dr. Kudang Boro Seminar, M.Sc selaku pembimbing yang telah banyak memberikan bimbingan dan arahan

2. Bapak Ir. Agus Buono, M.Si, M.Kom, selaku penguji luar Komisi

3. Bapak Dr. Ir. Hary Budiarto, M.Kom, yang telah banyak membantu penulis dalam menyelesaikan tesis ini.

4. Bapak Ir. Tumpak Sidabutar, M.Sc, atas segala saran dan masukannya selama menyelesaikan tesis ini.

5. Staff pengajar dan karyawan program studi Ilmu Komputer, Sekolah Pascasarjana IPB

6. Rekan-rekan mahasiswa yang telah banyak memberikan masukan 7. Segenap keluarga yang telah memberikan dukungan moril dan spiritual

8. Semua pihak yang telah banyak membantu namun tidak dapat penulis sebutkan satu- persatu

Berbagai upaya telah penulis lakukan guna terselesaikannya penelitian ini dengan baik, namun penulis menyadari akan kekurangan dan keterbatasan penulis. Oleh karena itu diharapkan kritik dan saran yang dapat lebih menyempurnakan hasil penelitian ini.

Semoga tesis ini bermanfaat.

Jakarta, November 2006

iv

RINGKASAN

HARYANTO. Desain Fuzzy Neuarl Model Prediksi Algal Blooms di Daerah Tropis. Dibawah bimbingan MARIMIN sebagai ketua komisi pembimbing dan KUDANG BORO SEMINAR sebagai anggota.

Ledakan populasi (blooming) mikroalgae tertentu acapkali terjadi di lingkungan perairan dan dapat berdampak positif atau negatif. Ledakan populasi (blooming) mikroalgae tertentu dapat berdampak positif atau negatif. Ledakan populasi dari microalgae yang merugikan dikenal sebagai redtide atau lebih tepat disebut Harmful Algal Blooms (HABs) (Praseno dan Sugestiningsih, 2000). Selain menimbulkan gangguan pada lingkungan dan kesehatan manusia, HABs juga dapat menimbulkan kerugian ekonomi. Berdasarkan hal tersebut maka perlu dibuatkan sistem peringatan dini algal blooms yaitu sebuah sistem yang dirancang untuk mendeteksi algal blooms kemudian memberikan peringatan kepada masyarakat untuk mencegah jatuhnya korban. Fokus penelitian ini berada pada bagian fuzzy neural processing. Pendekatan fuzzy neural dijadikan pilihan melihat hasil penelitian sebelumnya yaitu penelitian yang berkaitan dengan seleksi aroma (Sakuraba et al, 1994) dan penciuman elektronik untuk penciuman aroma (Budiarto dan kusumoputro,1998.

Tujuan penelitian ini adalah mendapatkan suatu model untuk prediksi terjadinya algal blooms dengan pendekatan fuzzy neural dan mengimplementasikan prototype sistem prediksi algal blooms dari model yang dirancang. Selanjutnya melakukan eksplorasi terhadap fuzzy neural dengan fungsi keanggotaan triangular dan gausian. Sedangkan manfaat dari penelitian ini diharapkan model tersebut dapat di implementasikan menjadi suatu sistem peringatan dini sehingga terjadinya algal blooms sedini mungkin dapat diprediksi, dan selanjutnya dapat dilakukan tindakan-tindakan antisipasi untuk meminimalkan kerugian yang dapat ditimbulkan akibat algalblooms tersebut.

Lingkup penelitian yang dilakukan dalam pembuatan model untuk penanganan algalblooms meliputi lokasi terjadinya algal blooms yang dijadikan bahan penelitian adalah di daerah tropis, dan lebih khusus lagi yang terjadi di teluk Jakarta dan fungsi keanggotaan yang digunakan adalah triangular fuzzy number, dengan data yang akan digunakan adalah tiga buah data yaitu nilai terbesar (max), nilai terkecil (min) dan nilai rata-rata(mean), dan fungsi keanggotaan gauss, dengan data yang akan digunakan adalah nilai rata-rata (mean) dan standar deviasi yang diambil dari vektor data.

Penelitian ini dilakukan dalam empat tahap, pertama pengumpulan data berdasarkan hasil dari studi pustaka dan identifikasi masalah, dimana dalam tahapan ini terdiri dari dua jenis yaitu pengumpulan data berkaitan dengan algal blooms dan pengumpulan data berkaitan dengan fuzzy neural. Kedua yaitu pengembangan model fuzzy neural dari model yang sudah dikembangkan sebelumnya (Budiarto, 1998), dimana banyaknya parameter-parameter lingkungan penyebab algal blooms sebagai penentu banyaknya parameter masukan fuzzy neural dan kemungkinan terjadinya bloom atau bukan bloom dijadikan sebagai keluaran dari fuzzy neural. Ketiga yaitu pembuatan program aplikasi sebagai implementasi dari model tersebut, untuk proses pembelajaran dan pengujian dan ke empat yaitu pengujian untuk mengetahui tingkat akurasinya.

Percobaan yang dilakukan untuk fuzzy neural dengan triangular fuzziness

konstan, menghasilkan nilai konstanta pelebaran dan penyempitan fuzziness yang kecil sangat berpengaruh terhadap hasil pembelajaran yang baik. Similaritas semakin meningkat ketika pengulangan diperbesar dan perbedaan similaritas antara bloom dan bukan bloom semakin kecil. Ketika nilai konstanta pelebaran dan penyempitan diperbesar maka similaritasnya mengalami peningkatan, namun demikian nilai vektor pembobotnya untuk beberapa parameter mengalami perubahan yang cukup besar dan hal ini menjadi kurang baik karena akan menyebakan lebar fuzziness menjadi sangat besar atau akan menjadi garis tegak lurus ketika nilai terkecil, nilai terbesar dan nilai rata-rata nilainya sama. Dengan menggunakan fuzziness variabel ada peningkatan similaritas ketika epoch diperbesar, namun nilainya lebih kecil jika dibandingkan dengan fuzzines konstan, tetapi disisi lain nilai vektor pembobotnya lebih stabil dalam arti perubahannya tidak terlalu besar ketika konstanta laju pembelajaran dirubah baik diperbesar maupun diperkecil.

Peningkatan similaritas terjadi ketika fungsi keanggotaan yang digunakan dirubah dengan gaussian, baik untuk fuzziness konstan maupun yang variabel. Penggunakan fungsi keanggotaan gaussian maka semua data dapat terwakili dan proses mencari nilai similaritas lebih mudah dan nilai similaritas yang dihasilkan lebih mendekati yang sebenarnya. Aturan pembelajaran yang dilakukan adalah sama dengan triangular yaitu merubah posisi titik tengah dan merubah fuzzines. Untuk merubah posisi titik tengah algoritma yang digunakan adalah sama dengan

triangular namun unt uk perubahan fuzziness algorimanya berbeda karena yang perlu dilakukan perubaha n adalah nilai standar deviasi.

Hasil pengujian menunjukan bahwa fuzzy neural dengan nilai perubahan fuzziness lebih kecil dari 0.01 dan lebih besar dari 0 dapat memberikan hasil akurasi hingga 100% dan nilai similaritas lebih besar dari 0.9. Sementara itu fuzzy neural with fungsi keanggotaan gaussian memiliki akurasi dan similaritas lebih baik dari triangular dimana similritasnya hingga mencapai nilai 1. Berdasarkan hal tersebut maka fuzzy neural dapat di terapkan pada sistem peringatan dini di perairan teluk Jakarta.

Jika dibandingkan antara fuzzy neural dengan fungsi keanggotaan triangular

dan gaussian maka, data untuk vektor fuzzy pada gaussian hanya menggunakan nilai rata-rata dan standard deviasi, sedangkan pada triangular terdiri dari nilai terbesar, terkecil dan rata-rata. Algoritma untuk gaussian sedikit lebih simple sehingga implementasi pada program juga lebih mudah. Waktu eksekusi program untuk setiap 100 pengulangan, jika menggunakan gaussian adalah 1.404 detik sedangkan jika menggunakan triangular adalah 10.354 detik dan yang lainnya yaitu untuk gaussian hasilnya yang memiliki similaritas lebih baik jika dibandingkan dengan trianguilar.

Penelitian disimpulkan bahwa model fuzzy neural dapat digunakan untuk mendeteksi terjadinya algal blooms, melihat hasil percobaan menunjukan nilai similaritas yang mendekati 9 bahkan lebih dengan nilai laju pembelajaran, nilai pelebaran dan penyempitan yang kecil. Proses pelatihan memerlukan waktu yang singkat terlihat dari waktu eksekusi program untuk proses pelatihan yang sangat kecil terlebih untuk fuzzy neural dengan gaussian. Yang mempengaruhi hasil dari proses pembelajaran (vektor pembobot) adalah jumlah pengulangan, laju pembelajaran dan besar nilai untuk pelebaran dan penyempitan fuzziness.

vi Pemilihan aturan pembelajaran dapat mempengaruhi hasil dari proses pelatihan, dimana dalam penelitian ini fuzzy neural fuzziness variabel memiliki tingkat ketelitian dan akurasi yang lebih tinggi dibandingkan dengan fuzzy neural fuzziness konstan. Selain itu, penggunaan fungsi keanggotaan dapat berpengaruh, dalam penelitian ini terbukti mengganti fungsi keanggotaan dari triangula fuzzy number ke Gaussian dapat menghasilkan vektor pembobot yang lebih baik, dari hasil pengujian menghasilkan nilai akurasi dan similaritas yang lebih baik dibandingkan dengan jika menggunakan fungsi keanggotaan tiangular fuzzy number

Disarankan penelitian diarahkan pada fuzzy neural yang dapat mengolah data pelatihan yang sangat variatif dari sensor-sensor masukan, karena fuzzy neural yang menggunakan triangular fuzzy neural agak sulit menentukan model yang terbaik. Mengembangkan fuzzy neural yang menggunakan fungsi keanggotaan Gaussian dengan mengganti nilai standard deviasi dengan nilai lain. Misalnya dengan suatu nilai konstan yang bisa disesuaikan dengan lebar data atau pada saat dilakukan perubahan fuzziness bukan dengan cara memperbesar atau memperkecil nilainya dengan suatu nilai tertentu, tetapi dengan mencari nilai

standard deviasi yang baru. Fungsi keanggotaan ynag digunakan dalam fuzzy neural disesuaikan dengan bentuk data apakah berorde atau tidak.

ABSTRACT

HARYANTO. Design of fuzzy neural model prediction of algal blooms in tropical. Under supervision of MARIMIN and KUDANG BORO SEMINAR

Algal blooms are the fast population of phytoplankton in the water area. They are positive and negative effects. Harmful algal blooms are negative effect of the population phytoplankton. The objective of this research was to design an algal blooms early warning system for effect controlling and emergency response to fisherman community. The system can be applied with neural network approach, for recognizing the condition. The neural network is implemented combined with the fuzzy method, then this method is called fuzzy neural. The learning process of the fuzzy neural network based on changing of fuzziness from environmental data parameter.

This thesis is proposed the physical and chemical parameter from Jakarta bay to get codebook vector of fuzzy neural network. The result show that the fuzzy neural with the small exchanging value of fuzziness which has value less than 0.01 and greater than 0 that can give a result the accuracy up to 100% and similarity value more than 0.9. Meanwhile, fuzzy neural with gaussian membership function posses an accuracy and similarity better than triangular one, where its similarity closely to 1. The fuzzy neural method can be detect algal blooms and can be applied in the Jakarta bay early warning system.

Keywords : Algal blooms, Harmful algal blooms, fuzzy neural, triangular fuzzy number, early warning system

viii

RIWAYAT HIDUP

Penulis dilahirkan di Kuningan (Jawa Barat) tanggal 29 Maret 1972, putera pertama dari Bapak Mursalin dan Ibu Rusminah. Lulus Sekolah Menengah Atas Negeri Cilimus, Kuningan, pada tahun 1990. Pada tahun yang sama terdaftar sebagai mahasiswa Fakultas Teknik Program Studi teknik Informatika Universitas Respati Indonesia Jakarta. Setelah lulus pada tahun 1995 bekerja sebagai staff pengajar di STMIK Bani Saleh Bekasi. Pada tahun 2003 diterima sebagai mahasiswa Sekolah Pasca Sarjana IPB pada program studi Ilmu Komputer. Pada tahun 2004 diterima sebagai PNS pada Lembaga Penjaminan Mutu Pendidikan DKI Jakarta, Departemen Pendidikan Nasional.

DESAIN FUZZY NEURAL MODEL

PREDIKSI ALGAL BLOOMS DI DAERAH TROPIS

HARYANTO

SEKOLAH PASCASARJANA

INSTITUT PERTANIAN BOGOR

DESAIN FUZZY NEURAL MODEL

PREDIKSI ALGAL BLOOM DI DAERAH TROPIS

HARYANTO

Tesis

Sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada

Program Studi Ilmu Komputer

SEKOLAH PASCASARJANA

INSTITUT PERTANIAN BOGOR

Judul Tesis : Desain Fuzzy Neural Model Prediksi Algal Blooms Di Daerah Tropis

Nama : Haryanto

NRP : G651024084

Program Studi : Ilmu Komputer

Disetujui, Komisi Pembimbing

Prof. Dr. Ir. Marimin, M.Sc Dr. Ir. Kudang Boro Seminar, M.Sc

Ketua Anggota

Diketahui,

Ketua Program Studi Dekan Sekolah Pascasarjana Ilmu Komputer

Dr. Sugi Guritman Prof. Dr. Ir. Khairil Anwar Notodiputro, MS

ii SURAT PERNYATAAN

Saya menyatakan dengan sebenar-benarnya bahwa segala pernyataan dalam tesis saya yang berjudul :

DESAIN FUZZY NEURAL MODEL

PREDIKSI ALGAL BLOOMS DI DAERAH TROPIS

Merupakan gagasan atau hasil penelitian tesis saya sendiri, dengan arahan Komisi Pembimbing, kecuali yang dengan jelas ditunjukan rujukannya. Tesis ini belum pernah diajukan untuk memperoleh gelar atau capaian akademik lainnya pada program sejenis di perguruan tinggi lain. Semua data dan informasi yang digunakan telah dinyatakan secara jelas dan dapat diperiksa kebenarannya.

Jakarta, November 2006 Yang Membuat Pernyataan

PRAKATA

Alhamdulillah, puji syukur penulis ucapkan kehadirat ALLAH SWT atas segala limpahan rahmat dan hidayah-Nya, sehingga penulis dapat menyelesaikan tesis ini dengan judul : DESAIN FUZZY NEURAL MODEL PREDIKSI ALGAL BLOOMS DI DAERAH TROPIS. Tesis ini dibuat untuk memenuhi salah satu persyaratan studi pada program Ilmu Komputer, Sekolah Pascasarjana IPB.

Tesis ini dapat terselesaikan atas bantuan berbagai pihak. Oleh karena itu penulis ingin menyampaikan terima kasih yang sebesar-besarnya kepada:

1. Bapak Prof. Dr. Ir. Marimin, M.Sc dan Bapak Dr. Kudang Boro Seminar, M.Sc selaku pembimbing yang telah banyak memberikan bimbingan dan arahan

2. Bapak Ir. Agus Buono, M.Si, M.Kom, selaku penguji luar Komisi

3. Bapak Dr. Ir. Hary Budiarto, M.Kom, yang telah banyak membantu penulis dalam menyelesaikan tesis ini.

4. Bapak Ir. Tumpak Sidabutar, M.Sc, atas segala saran dan masukannya selama menyelesaikan tesis ini.

5. Staff pengajar dan karyawan program studi Ilmu Komputer, Sekolah Pascasarjana IPB

6. Rekan-rekan mahasiswa yang telah banyak memberikan masukan 7. Segenap keluarga yang telah memberikan dukungan moril dan spiritual

8. Semua pihak yang telah banyak membantu namun tidak dapat penulis sebutkan satu- persatu

Berbagai upaya telah penulis lakukan guna terselesaikannya penelitian ini dengan baik, namun penulis menyadari akan kekurangan dan keterbatasan penulis. Oleh karena itu diharapkan kritik dan saran yang dapat lebih menyempurnakan hasil penelitian ini.

Semoga tesis ini bermanfaat.

Jakarta, November 2006

iv

RINGKASAN

HARYANTO. Desain Fuzzy Neuarl Model Prediksi Algal Blooms di Daerah Tropis. Dibawah bimbingan MARIMIN sebagai ketua komisi pembimbing dan KUDANG BORO SEMINAR sebagai anggota.

Ledakan populasi (blooming) mikroalgae tertentu acapkali terjadi di lingkungan perairan dan dapat berdampak positif atau negatif. Ledakan populasi (blooming) mikroalgae tertentu dapat berdampak positif atau negatif. Ledakan populasi dari microalgae yang merugikan dikenal sebagai redtide atau lebih tepat disebut Harmful Algal Blooms (HABs) (Praseno dan Sugestiningsih, 2000). Selain menimbulkan gangguan pada lingkungan dan kesehatan manusia, HABs juga dapat menimbulkan kerugian ekonomi. Berdasarkan hal tersebut maka perlu dibuatkan sistem peringatan dini algal blooms yaitu sebuah sistem yang dirancang untuk mendeteksi algal blooms kemudian memberikan peringatan kepada masyarakat untuk mencegah jatuhnya korban. Fokus penelitian ini berada pada bagian fuzzy neural processing. Pendekatan fuzzy neural dijadikan pilihan melihat hasil penelitian sebelumnya yaitu penelitian yang berkaitan dengan seleksi aroma (Sakuraba et al, 1994) dan penciuman elektronik untuk penciuman aroma (Budiarto dan kusumoputro,1998.

Tujuan penelitian ini adalah mendapatkan suatu model untuk prediksi terjadinya algal blooms dengan pendekatan fuzzy neural dan mengimplementasikan prototype sistem prediksi algal blooms dari model yang dirancang. Selanjutnya melakukan eksplorasi terhadap fuzzy neural dengan fungsi keanggotaan triangular dan gausian. Sedangkan manfaat dari penelitian ini diharapkan model tersebut dapat di implementasikan menjadi suatu sistem peringatan dini sehingga terjadinya algal blooms sedini mungkin dapat diprediksi, dan selanjutnya dapat dilakukan tindakan-tindakan antisipasi untuk meminimalkan kerugian yang dapat ditimbulkan akibat algalblooms tersebut.

Lingkup penelitian yang dilakukan dalam pembuatan model untuk penanganan algalblooms meliputi lokasi terjadinya algal blooms yang dijadikan bahan penelitian adalah di daerah tropis, dan lebih khusus lagi yang terjadi di teluk Jakarta dan fungsi keanggotaan yang digunakan adalah triangular fuzzy number, dengan data yang akan digunakan adalah tiga buah data yaitu nilai terbesar (max), nilai terkecil (min) dan nilai rata-rata(mean), dan fungsi keanggotaan gauss, dengan data yang akan digunakan adalah nilai rata-rata (mean) dan standar deviasi yang diambil dari vektor data.

Penelitian ini dilakukan dalam empat tahap, pertama pengumpulan data berdasarkan hasil dari studi pustaka dan identifikasi masalah, dimana dalam tahapan ini terdiri dari dua jenis yaitu pengumpulan data berkaitan dengan algal blooms dan pengumpulan data berkaitan dengan fuzzy neural. Kedua yaitu pengembangan model fuzzy neural dari model yang sudah dikembangkan sebelumnya (Budiarto, 1998), dimana banyaknya parameter-parameter lingkungan penyebab algal blooms sebagai penentu banyaknya parameter masukan fuzzy neural dan kemungkinan terjadinya bloom atau bukan bloom dijadikan sebagai keluaran dari fuzzy neural. Ketiga yaitu pembuatan program aplikasi sebagai implementasi dari model tersebut, untuk proses pembelajaran dan pengujian dan ke empat yaitu pengujian untuk mengetahui tingkat akurasinya.

Percobaan yang dilakukan untuk fuzzy neural dengan triangular fuzziness

konstan, menghasilkan nilai konstanta pelebaran dan penyempitan fuzziness yang kecil sangat berpengaruh terhadap hasil pembelajaran yang baik. Similaritas semakin meningkat ketika pengulangan diperbesar dan perbedaan similaritas antara bloom dan bukan bloom semakin kecil. Ketika nilai konstanta pelebaran dan penyempitan diperbesar maka similaritasnya mengalami peningkatan, namun demikian nilai vektor pembobotnya untuk beberapa parameter mengalami perubahan yang cukup besar dan hal ini menjadi kurang baik karena akan menyebakan lebar fuzziness menjadi sangat besar atau akan menjadi garis tegak lurus ketika nilai terkecil, nilai terbesar dan nilai rata-rata nilainya sama. Dengan menggunakan fuzziness variabel ada peningkatan similaritas ketika epoch diperbesar, namun nilainya lebih kecil jika dibandingkan dengan fuzzines konstan, tetapi disisi lain nilai vektor pembobotnya lebih stabil dalam arti perubahannya tidak terlalu besar ketika konstanta laju pembelajaran dirubah baik diperbesar maupun diperkecil.

Peningkatan similaritas terjadi ketika fungsi keanggotaan yang digunakan dirubah dengan gaussian, baik untuk fuzziness konstan maupun yang variabel. Penggunakan fungsi keanggotaan gaussian maka semua data dapat terwakili dan proses mencari nilai similaritas lebih mudah dan nilai similaritas yang dihasilkan lebih mendekati yang sebenarnya. Aturan pembelajaran yang dilakukan adalah sama dengan triangular yaitu merubah posisi titik tengah dan merubah fuzzines. Untuk merubah posisi titik tengah algoritma yang digunakan adalah sama dengan

triangular namun unt uk perubahan fuzziness algorimanya berbeda karena yang perlu dilakukan perubaha n adalah nilai standar deviasi.

Hasil pengujian menunjukan bahwa fuzzy neural dengan nilai perubahan fuzziness lebih kecil dari 0.01 dan lebih besar dari 0 dapat memberikan hasil akurasi hingga 100% dan nilai similaritas lebih besar dari 0.9. Sementara itu fuzzy neural with fungsi keanggotaan gaussian memiliki akurasi dan similaritas lebih baik dari triangular dimana similritasnya hingga mencapai nilai 1. Berdasarkan hal tersebut maka fuzzy neural dapat di terapkan pada sistem peringatan dini di perairan teluk Jakarta.

Jika dibandingkan antara fuzzy neural dengan fungsi keanggotaan triangular

dan gaussian maka, data untuk vektor fuzzy pada gaussian hanya menggunakan nilai rata-rata dan standard deviasi, sedangkan pada triangular terdiri dari nilai terbesar, terkecil dan rata-rata. Algoritma untuk gaussian sedikit lebih simple sehingga implementasi pada program juga lebih mudah. Waktu eksekusi program untuk setiap 100 pengulangan, jika menggunakan gaussian adalah 1.404 detik sedangkan jika menggunakan triangular adalah 10.354 detik dan yang lainnya yaitu untuk gaussian hasilnya yang memiliki similaritas lebih baik jika dibandingkan dengan trianguilar.

Penelitian disimpulkan bahwa model fuzzy neural dapat digunakan untuk mendeteksi terjadinya algal blooms, melihat hasil percobaan menunjukan nilai similaritas yang mendekati 9 bahkan lebih dengan nilai laju pembelajaran, nilai pelebaran dan penyempitan yang kecil. Proses pelatihan memerlukan waktu yang singkat terlihat dari waktu eksekusi program untuk proses pelatihan yang sangat kecil terlebih untuk fuzzy neural dengan gaussian. Yang mempengaruhi hasil dari proses pembelajaran (vektor pembobot) adalah jumlah pengulangan, laju pembelajaran dan besar nilai untuk pelebaran dan penyempitan fuzziness.

vi Pemilihan aturan pembelajaran dapat mempengaruhi hasil dari proses pelatihan, dimana dalam penelitian ini fuzzy neural fuzziness variabel memiliki tingkat ketelitian dan akurasi yang lebih tinggi dibandingkan dengan fuzzy neural fuzziness konstan. Selain itu, penggunaan fungsi keanggotaan dapat berpengaruh, dalam penelitian ini terbukti mengganti fungsi keanggotaan dari triangula fuzzy number ke Gaussian dapat menghasilkan vektor pembobot yang lebih baik, dari hasil pengujian menghasilkan nilai akurasi dan similaritas yang lebih baik dibandingkan dengan jika menggunakan fungsi keanggotaan tiangular fuzzy number

Disarankan penelitian diarahkan pada fuzzy neural yang dapat mengolah data pelatihan yang sangat variatif dari sensor-sensor masukan, karena fuzzy neural yang menggunakan triangular fuzzy neural agak sulit menentukan model yang terbaik. Mengembangkan fuzzy neural yang menggunakan fungsi keanggotaan Gaussian dengan mengganti nilai standard deviasi dengan nilai lain. Misalnya dengan suatu nilai konstan yang bisa disesuaikan dengan lebar data atau pada saat dilakukan perubahan fuzziness bukan dengan cara memperbesar atau memperkecil nilainya dengan suatu nilai tertentu, tetapi dengan mencari nilai

standard deviasi yang baru. Fungsi keanggotaan ynag digunakan dalam fuzzy neural disesuaikan dengan bentuk data apakah berorde atau tidak.

ABSTRACT

HARYANTO. Design of fuzzy neural model prediction of algal blooms in tropical. Under supervision of MARIMIN and KUDANG BORO SEMINAR

Algal blooms are the fast population of phytoplankton in the water area. They are positive and negative effects. Harmful algal blooms are negative effect of the population phytoplankton. The objective of this research was to design an algal blooms early warning system for effect controlling and emergency response to fisherman community. The system can be applied with neural network approach, for recognizing the condition. The neural network is implemented combined with the fuzzy method, then this method is called fuzzy neural. The learning process of the fuzzy neural network based on changing of fuzziness from environmental data parameter.

This thesis is proposed the physical and chemical parameter from Jakarta bay to get codebook vector of fuzzy neural network. The result show that the fuzzy neural with the small exchanging value of fuzziness which has value less than 0.01 and greater than 0 that can give a result the accuracy up to 100% and similarity value more than 0.9. Meanwhile, fuzzy neural with gaussian membership function posses an accuracy and similarity better than triangular one, where its similarity closely to 1. The fuzzy neural method can be detect algal blooms and can be applied in the Jakarta bay early warning system.

Keywords : Algal blooms, Harmful algal blooms, fuzzy neural, triangular fuzzy number, early warning system

viii

RIWAYAT HIDUP

Penulis dilahirkan di Kuningan (Jawa Barat) tanggal 29 Maret 1972, putera pertama dari Bapak Mursalin dan Ibu Rusminah. Lulus Sekolah Menengah Atas Negeri Cilimus, Kuningan, pada tahun 1990. Pada tahun yang sama terdaftar sebagai mahasiswa Fakultas Teknik Program Studi teknik Informatika Universitas Respati Indonesia Jakarta. Setelah lulus pada tahun 1995 bekerja sebagai staff pengajar di STMIK Bani Saleh Bekasi. Pada tahun 2003 diterima sebagai mahasiswa Sekolah Pasca Sarjana IPB pada program studi Ilmu Komputer. Pada tahun 2004 diterima sebagai PNS pada Lembaga Penjaminan Mutu Pendidikan DKI Jakarta, Departemen Pendidikan Nasional.

DAFTAR ISI

Halaman

DAFTAR TABEL... xi

DAFTAR GAMBAR ... xiii

DAFTAR LAMPIRAN ... xv

I. PENDAHULUAN 1.1. Latar Belakang ... 1

1.2. Tujuan... 2

1.3. Manfaat... 2

1.4. Ruang Lingkup ... 2

II. TINJAUAN PUSTAKA 2.1. Algal Blooms dan Harmful Algal Blooms (HABs) ... 4

2.2. Sistem Peringatan Dini Algal Blooms ... 5

2.3. Sistem Fuzzy 2.3.1. Definisi Fuzzy... 7

2.3.2. Keputusan Fuzzy ... 7

2.3.3. Fungsi Keanggotaan ... 8

2.3.4. Vektor Fuzzy ... 9

2.4. Jaringan Saraf Tiruan... 10

2.5. Karakteristik-karakteristik Jaringan Saraf Tiruan (JST) ... 11

III. METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran... 13

3.2. Tata Laksana ... 14

3.3. Pengembangan Sistem... 16

x

IV. FUZZY NEURAL MODEL UNTUK PREDIKSI ALGAL BLOOM

4.1. Faktor-Faktor Yang Mempengaruhi Pembelajaran

4.3.1. Samp le Data Untuk Pembelajaran Dan Pengujian ... 22 4.3.2. Inisialisasi Awal... 23 4.3.3. Perubahan Fuzziness... 23 4.2. Hasil Pengujian

4.2.1. Verifikasi Hasil Pengujian... 23 4.2.1.1. Fuzzy Neural Fuzziness Konstan ... 23 4.2.1.2. Fuzzy Neural Fuzziness Variabel... 28 4.2.2. Validasi Data ... 30 4.2.3. Pengujian Dengan Data Sembarang ... 33

V. PENINGKATAN KEMAMPUAN SISTEM PENDETEKSI

5. 1. Fungsi Keanggotaan Gaussian ... 35 5. 2. Algoritma Pembelajaran... 38 5. 3. Hasil Pengujian

5.3.1. Verifikasi Hasil Pengujian ... 39 5.3.2. Validasi Data... 43 5.3.3. Pengujian Dengan Data Sembarang... 45 5.4. Perbandingan antara Fuzzy Neural dengan Triangular dan Gaussian.... 46 5.5. Posisi Fungsional... 48

BAB. VI. IMPLIKASI KEBIJAKAN DAN MANAJEMEN

6.1. Tindakan Preventif Mengurangi Dampak Negatif Dari Algal Bloom .. 51 6.2. Penanganan Pada Saat Terjadi Algal Blooms ... 52

VII. KESIMPULAN DAN SARAN

7.1. Kesimpulan... 53 7.2. Saran... 53

DAFTAR PUSTAKA ... 55

DAFTAR TABEL

Halaman

Tabel 2.1. Beberapa gejala keracunan akibat toksin dan dampaknya

pada manusia (Nontji,2004) ... 5 Tabel 4.1. Hasil proses pelatihan dan pengujian untuk laju pembelajaran

0.05, konstanta pelebaran 0.05 dan konstanta penyempitan 0.5

untuk fuzziness konstan... 24 Tabel 4.2. Hasil proses pelatihan dan pengujian untuk laju pembelajaran

0.05, konstanta pelebaran 0.01 dan konstanta penyempitan 0.01

untuk fuzziness konstan... 25 Tabel 4.3. Hasil proses pelatihan dan pengujian untuk laju pembelajaran

0.05, konstanta pelebaran 0.01 dan konstanta penyempitan 0.01 dengan pembelajaran untuk data bukan bloom terlebih dahulu

untuk fuzziness konstan... 27 Tabel 4.4. Hasil proses pelatihan dan pengujian untuk laju pembelajaran

0.05 untuk fuzziness variabel... 29 Tabel 4.5. Hasil proses pelatihan dan pengujian dengan pembelajaran untuk

data bukan blooms terlebih dahulu untuk fuzziness variabel ... 30 Tabel 4.6. Perubahan nilai vektor pembobot untuk banyaknya pengulangan

5, laju pembelajaran 0.05, konstanta pelebaran 0.05 dan

konstanta penyempitan 0.5 untuk fuzziness konstan... 31 Tabel 4.7. Perubahan nilai vektor pembobot untuk banyaknya pengulangan

5, laju pembelajaran 0.05, konstanta pelebaran 0.01 dan

konstanta penyempitan 0.01 untuk fuzziness konstan... 32 Tabel 4.8. Perubahan nilai vektor pembobot untuk banyaknya pengulangan 5,

laju pembelajaran 0,05 untuk fuzziness variabel ... 33 Tabel 4.9. Hasil pengujian akurasi dengan data sembarang, menggunakan

fuzziness konstan dengan nilai konstanta pelebaran dan penyempitan adalah 0.01, dimana data tidak bloom

terlebih dahulu... 34 Tabel 5.1. Hasil pengujian nilai similaritas dimana laju pembelajaran

xii Tabel 5.2. Hasil pengujian nilai similaritas fuzziness konstan dimana laju

pembelajaran 0.05 dan nilai pelebaran dan penyempitan

adalah 0.001 untuk fuzziness konstan... 41 Tabel 5.3. Hasil pengujian nilai similaritas fuzziness variabel dimana laju

pembelajaran 0.05 ... 42 Tabel 5.4. Perubahan nilai vektor pembobot untuk laju pembelajaran 0.05

dan nilai pelebaran dan penyempitan adalah 0.05 untuk

fuzziness konstan... 43 Tabel 5.5. Perubahan nilai vektor pembobot untuk laju pembelajaran 0.05

dan nilai pelebaran dan penyempitan adalah 0.001 untuk

fuzziness konstan... 44 Tabel 5.6. Perubahan nilai vektor pembobot untuk laju pembelajaran 0.05 ... 44 Tabel 5.7. Hasil pengujian akurasi dengan data sembarang, menggunakan

fuzziness variabel dimana data tidak blooms terlebih dahulu... 45 Tabel 5.8. Perbandingan kecepatan eksekusi program antara fuzzy neural yang

DAFTAR GAMBAR

Halaman

Gambar 2.1. Keputusan dalam Fuzzy (Zimmermann, 1987)... 8 Gambar 2.2. Gaussian (Susilo, 2003) ... 8 Gambar 2.3. Vektor Fuzzy ... 9 Gambar 2.4. Nilai similaritas vektor pewakil dengan vektor pelatihan

(Budiarto, 1998) ... 10 Gambar 2.5. Komponen dari ne uron (Stergiou dan Siganos, 2005) ... 10 Gambar 2.6. Contoh arsitektur JST... 12 Gambar 3.1. Kerangka pemikiran pembuatan fuzzyneural model untuk

detektsi algal bloom di daerah tropis ... 14 Gambar 3.2. Tahapan-tahapan pengembangan sistem DOJ( 2003) ... 17 Gambar 3.3. Model fuzzy neural prediksi Algal Blooms (Budiarto, 1988) ... 20 Gambar 4.1. Hubungan besarnya pengulangan dengan nilai similaritas

output untuk laju pembelajaran 0.05, konstanta pelebaran 0.05 dan konstanta penyempitan 0.5 untuk fuzziness konstan ... 24 Gambar 4.2. Hubungan besarnya pengulangan dengan nilai similaritas

output untuk laju pembelajaran 0.05, konstanta pelebaran 0.01 dan konstanta penyempitan 0.01 untuk fuzziness konstan ... 25 Gambar 4.3. Hubungan besarnya pengulangan dengan nilai similaritas

output untuk laju pembelajaran 0.05, konstanta pelebaran 0.01 dan konstanta penyempitan 0.01 dengan pembelajaran untuk data bukan blooms terlebih dahulu untuk fuzziness konstan... 27 Gambar 4.4. Hubungan besarnya pengulangan dengan nilai similaritas

output untuk laju pembelajaran 0.05, untuk fuzziness variabel... 29 Gambar 5.1. Perbedaan visualisasi triangular dan gaussian ... 36 Gambar 5.2. Similaritas pada fuzzy neural dengan triangular ... 37 Gambar 5.3. Similaritas pada fuzzy neural dengan gausian ... 37 Gambar 5.4. Hubungan jumlah pengulangan dengan nilai similaritas fuzziness

konstan dimana laju pembelajaran 0.05 dan nilai pelebaran dan penyempitan adalah 0.05 ... 39

xiv Gambar 5.5. Hubungan jumlah pengulangan dengan nilai similaritas

fuzziness konstan dimana laju pembelajaran 0.05 dan konstanta pelebaran dan penyempitan adalah 0.001 untuk fuzziness

konstan ... 40 Gambar 5.6. Hubungan jumlah pengulangan dengan nilai similaritas

fuzziness variabel dimana laju pembelajaran 0.05 ... 42 Gambar 5.7. Sistem Peringatan Dini Algal Blooms (Darmawan, R.A dan

DAFTAR LAMPIRAN

Halaman

Lampiran 1. Pengolahan Elemen Fuzzy Neural Berbasis Similaritas... 57 Lampiran 2. Kandungan Zat Hara dan unsur fisika perairan

teluk Jakarta Mei 2004 ... 63 Lampiran 3. Cara Perolehan Data dan Pengolahan Data Penelitian... 64 Lampiran 4. Data Yang Digunakan Untuk Pelatihan, Pengujian

I. PENDAHULUAN

1.1.Latar Belakang

Ledakan populasi (blooming) mikroalgae tertentu acapkali terjadi di lingkungan perairan dan dapat berdampak positif atau negatif. Ledakan populasi dari microalgae yang merugikan dikenal sebagai redtide atau lebih tepat disebut

Harmful Algal Blooms (HABs) (Praseno dan Sugestiningsih, 2000). Orang yang mengkonsumsi makanan bahari yang terkontaminasi toksin HABs dapat menderita keracunan, bergantung pada jenis toksin yang diproduksi biota HABs. Selain menimbulkan gangguan pada lingkungan dan kesehatan manusia, HABs juga dapat menimbulkan kerugian ekonomi. Berita tentang terjadinya HABs, misalnya menyebabkan turunnya omset perdagangan ikan. HABs yang melanda suatu perairan tempat budidaya ikan, udang, atau kerang dapat menimbulkan kerugian yang amat besar (Nontji, 2004).

Penelitian yang berkenaan dengan algal blooms sudah pernah dilakukan, seperti di danau Kasumigaura (Jepang), danau Biwa (Jepang), danau Tuusulanjaervi (Finland), dan sungai Darling (Australia) dengan pemodelan yang menggunakan pendekatan jaringan saraf tiruan propagasi balik(Recknagel et all, 1996). Berdasarkan hal tersebut, untuk mengurangi atau mungkin menghindari dampak negatif dari algal blooms perlu kiranya dilakukan penelitian-penelitian yang mengarah pada pembuatan sistem peringatan dini yang dapat mendeteksi akan terjadinya algal blooms, sehingga dapat dilakukan antisipasi-antisipasi sebelum algal blooms tersebut terjadi.

Sistem tersebut juga di gunakan untuk mendeteksi algal blooms lebih spesifik untuk jenis microalgae tertentu, apabila data yang berkenaan dengan

blooming microalgae tersebut tersedia. Pengambilan keputusan dan pendistribusian informasi yang lebih cepat, dibandingkan dengan menggunakan foto citra satelit, namun sistem ini juga perlu ditempatkan dibanyak lokasi untuk mendapatkan informasi dari wilayah yang lebih luas.

Fokus penelitian ini adalah pada bagian fuzzy neural processing. Pendekatan

fuzzy neural dijadikan pilihan melihat hasil penelitian sebelumnya yaitu penelitian yang berkaitan dengan seleksi aroma (Sakuraba et al, 1994) dan penciuman

elektronik untuk penciuman aroma (Budiarto dan kusumoputro,1998), mengingat karakteristik aroma dari penelitian tersebut dan algal blooms memiliki kemiripan yaitu dari unit masukan dan unit keluarannya, maka dalam penelitian ini juga akan dicoba menerapkan fuzzy neural pada kasus algal blooms. Keakuratan keluaran fuzzy neural sangat menentukan langkah berikutnya yaitu implementasi sistem tersebut, karena itu penelitian-penelitian serupa yang sebelumnya pernah dilakukan menjadi acuan dalam menggunakan fuzzy neural dalam pemodela n untuk mendeteksi algal blooms, dan tentunya juga upaya- upaya perbaikan dari model tersebut.

1.2.Tujuan

Tujuan penelitian ini adalah:

1. Mendapatkan suatu model untuk prediksi terjadinya algal blooms dengan pendekatan fuzzy neural.

2. Mengimplementasikan prototype sistem prediksi algal blooms dari model yang dirancang.

3. Melakukan eksplorasi terhadap fuzzy neural dengan fungsi keanggotaan

triangular dan gausian

1.3.Manfaat

Dengan adanya suatu model untuk prediksi terjadinya algal blooms, maka model tersebut dapat diimplementasikan menjadi suatu sistem peringatan dini sehingga terjadinya algal blooms sedini mungkin dapat diprediksi, dan selanjutnya dapat dilakukan tindakan-tindakan antisipasi untuk meminimalkan kerugian yang dapat ditimbulkan akibat algalblooms tersebut.

1.4.Ruang Lingkup

Lingkup penelitian yang dilakukan dalam pembuatan model untuk penanganan algalblooms meliputi:

1. Lokasi terjadinya algal blooms yang dijadikan bahan penelitian adalah di daerah tropis, dan lebih khusus lagi yang terjadi di teluk Jakarta. Hal tersebut atas dasar bahwa beberapa tahun terakhir masalah teluk Jakarta sangat krusial

3 dengan matinya ribuan ikan karena kehabisan oksigen, bila tidak segera ditangani akan sangat merugikan secara ekonomi dan lingkungan akan menjadi rusak, hal itulah yang menjadikan alasan pemilihan teluk Jakarta disamping masalah ketersediaan data dan lokasinya yang dekat jika nantinya diperlukan uji coba.

2. Fungsi keanggotaan yang digunakan adalah triangular, dengan data yang akan digunakan adalah tiga buah data yaitu nilai terbesar (max), nilai terkecil (min) dan nilai rata-rata(mean), dan fungsi keanggotaan gauss, dengan data yang akan digunakan adalah nilai rata-rata (mean) dan standar deviasi yang diambil dari vektor data. Dasar pemikiran dipilihnya triangular dan gaussian karena nilai yang dihasilkan oleh sensor berdistribusi, karena sifat sensor yang mengambil data dalam interval waktu yang kemudian dirata-ratakan. Bila mengambil nilai tunggal maka tidak mewakili data terdistribusi oleh karena itu digunakan triangular dan gaussian supaya data distribusi bisa dimasukan juga dalam neural-nya.

II. TINJAUAN PUSTAKA

2.1. Algal Blooms dan Harmful Algal Blooms (HABs)

Algal blooms adalah perkembangbiakan sel-sel fitoplankton secara cepat hingga mendominasi komunitas plankton di suatu perairan, penyebabnya adalah meningkatnya konsentrasi zat hara di suatu perairan, sebagai gambaran meningkatnya kesuburan perairan tersebut, karena fitoplankton merupakan produsen terpenting di laut. Ledakan populasi yang merugikan dikenal sebagai

retaid atau lebih tepat disebut ‘Harmful Algal Blooms’ (HABs) (Prasetyo dan Sugestiningsih, 2000).

Pada bulan mei tahun 2004 di teluk terjadi kematian massal biota laut. Dari hasil pemeriksaan sampel air laut di pantai Ancol, teluk Jakarta, ternyata ditemukan cukup melimpahnya fitoplankton beracun jenis-jenis yang melimpah antara lain : Prorocentrum micans, Thallassiosira mala, Chaetoceros pseudocurvicetus, Pseudonitzchia pungens Skeletonema costatus, ledakan populasi dari jenis ini menyebabkan turunnya kandungan oksigen dalam air. Akibatnya, terjadi kematian biota laut. Selain itu, ikut mati pula biota bentuk lainnya seperti ikan, kerang dan kepiting KCM (2004).

Ada tiga tipe HABs (Hallegraeff, 1993), HABs yang disebabkan oleh : 1. Spesies yang tidak menyebabkan perubahan warna air tetapi dapat

menyebabkan kematian ikan dan invertebrata karena depresi oksigen (contoh: Dinoflagelata : Gonyaulax sp. dan Noctiluca sp.)

2. Spesies yang tidak toksik terhadap manusia tapi toksik terhadap ikan dan invertebrata, karena antara lain dapat mematahkan insang (contoh:

Chaetoceros sp.)

3. Spesies yang memproduksi toksin, dapat memasuki rantai makanan hingga ke tubuh manusia dan menyebabkan berbagai gangguan pada sistem pencernaan dan sistem saraf manusia:

a. Paralytic Shellfish Poisoning (PSP): Alexandrium sp.

b. Diarrhetic Shellfish Poisoning (DSP):Dinophysis sp.

5 d. Ciguatera Fishfood Poisoning (CFP) : Gambierdiscus sp.

e. Neurotoxic Shellfsh Poisoning (NSP) : Gymnodinium sp.

Terjadinya HABs dapat berdampak terhadap lingkungan dan manusia. Dampak terhadap ekosistem seperti iritasi insang pada ikan, berkurangnya penetrasi cahaya, menyebabkan kelaparan (antara lain dengan produksi mucus berlebihan dan terganggunya mekanisme pemangsaan) dan anoxia (kehabian oksigen). Sedangkan dampak terhadap manusia adalah akibat mengkonsumsi makanan bahari seperti ikan yang mengandung toksin. Selain berdampak pada kesehatan manusia juga berdampak pada sektor pariwisata, perikanan dan perekonomian secara umum(Nontji, 2004). Berikut ini beberapa gejala keracunan akibat toksin dan dampaknya pada manusia:

Tabel.2.1 Beberapa gejala keracunan akibat toksin dan dampaknya pada manusia (Nontji,2004)

Gejala Keracunan Toksin Dampak pada tubuh manusia

Paralytic Shellfish Poisoning (PSP)

Saxitoxin Mati rasa pada mulut, lidah, rongga diafragma, kesulitan bernafas hingga kematian

Diarrhetic Shellfish Poisoning (DSP)

Okadaic Acids Diare, muntah- muntah, demam, rasa sakit pada perut hingga tumor pada sistem pencernaan

Amnesic Shellfish Poisoning (ASP)

Domoic Acids Hilang kesadaran (singkat), koma mendadak, muntah, kram perut, diare

Ciguatera Fishfood Poisoning (CFP)

Ciguatoxin Sakit kepala, muntah, diare, mati rasa pada tangan

Neurotoxic Shellfish Poisoning (NSP)

Brevetoxin Gatal dan geli (tingling) pada bibir, mulut dan kerongkongan, gejala asma, diare dan muntah- muntah

2.2. Sistem Peringatan Dini Algal Blooms

Sistem peringatan dini algal blooms adalah sebuah sistem yang dirancang untuk mendeteksi algal blooms kemudian memberikan peringatan kepada

masyarakat untuk mencegah jatuhnya korban. Sistem tersebut terdiri dari tiga bagian, yaitu sistem sensor dan sistem pelampung dimana pada bagian ini terdiri dari sensor-sensor yang masing- masing secara spesifik mendeteksi unsur-unsur fisika dan kimia yang merupakan parameter masukan untuk sistem tersebut. Sensor adalah peralatan yang digunakan untuk merubah suatu besaran fisik menjadi besaran listrik sehingga dapat dianalisa dengan rangkaian listrik tertentu.

Jenis sensor terdiri dari sensor sensor fisika yaitu yang akan mendeteksi besaran suatu besaran berdasarkan hukum- hukum fisika contoh sensor cahaya dan sensor suhu, dan sensor kimia yang mendeteksi jumlah suatu zat kimia dengan cara mengubah besaran kimia menjadi besaran listrik, biasanya melibatkan beberapa reaksi kimia. Contoh sensor kimia adalah contoh sensor pH dan sensor Oksigen. Sementara itu sistem pelampung terdiri dari sistem komputer dan perangkat komunikasi. Bagian kedua adalah Read Down Station System, dimana pada bagian ini fuzzy neural processing ditempatkan untuk mengolah data hasil dari bagian pertama yang selanjutnya di distribusikan ke bagian yang ke tiga yait u komponen masyarakat.

Pada kasus algal bloom dalam kaitannya dengan sistem peringatan dini, dibagi dalam tiga fase berdasarkan jumlah sel per liter dimana ketiga fase tersebut adalah:

a. Aman

dimana jumlahnya kurang dari 103 sel per liter b. Siaga

dimana jumlahnya antara 103 dan 106 sel per liter c. Bahaya

dimana jumlahnya lebih dari 106 sel per liter

Pada saat fase siaga, penyampaian informasi kepada masyarakat harus segera dilakukan, sehingga masyarakat dapat merencanakan langkah- langkah antisifasi untuk menghindari kodisi terburuk yang mungkin akan terjadi.

7

2.3. Sistem Fuzzy

Sistem fuzzy merupakan penduga numerik yang terstruktur dan dinamik. Sistem ini mempunyai kemampuan untuk mengembangkan sistem intelligent

dalam lingkungan yang tidak pasti, dan tidak tepat. Sistem ini menduga suatu fungsi dengan logika fuzzy. Logika fuzzy merupakan bagian dari logika boolean, yang digunakan untuk menangani konsep derajat kebenaran, yaitu nilai kebenaran antara benar dan salah (Marimin, 2002).

2.3.1. Definisi fuzzy

Sebuah himpunan fuzzy (A) adalah sebuah ruangan titik-titik X={x} yaitu sebuah kelas kejadian (class of events) dengan sebuah mutu keanggotaan kontinyu (grade of membership) dan ditandai oleh sebuah fungsi keanggotaan µA(x) yang dihubungkan dengan setiap titik dalam X oleh sebuah bilangan ril dalam interval [0,1] dengan nilai µA(x) pada x menyatakan mutu keanggotaan x dalam A. Secara formal, himpunan fuzzy A dengan sejumlah penyokong hingga x1, x2, ..., xn didefinisikan sebagai himpunan pasangan yang diurutkan:

A={(µA(xi), xi), i=1,2, …,n} ... 2.1 di mana penyokong A adalah sub himpunan X yang disefinisikan sebagai

S(A) = {x, x∈X dan µA(x)>0} ... 2.2

µi, mutu keanggotaan xi dalam A, menyatakan tingkat yang sebuah kejadian xi boleh menjadi anggota A atau kepunyaan A. Fungsi karakteristik ini ternyata dapat dipandang sebagai suatu koefisien pembobotan yang merefleksikan ambiguitas dalam sebuah himpunan, dan jika ia mencapai harga satu, mutu keanggotaan suatu kejadian dalam A menjadi lebih tinggi. Misalkan, µA(xi) =1 menunjukan keterkaitan yang ketat kejadian xi dalam A. Jika sebaliknya xi bukan kepunyaan A, µA(xi) = 0. Sembarang nilai antara akan menyatakan tingkat (mutu) yang xi dapat menjadi sebuah anggota A (K. Pal dan K.D. Majumder, 1989).

2.3.2. Keputusan Fuzzy

Suatu keputusan dalam fuzzy adalah suatu irisan antara kendala (constraint) dan fungsi tujuan fuzzy (fuzzyobjective function) yang dapat digambarkan sebagai berikut (Zimmermann, 1987):

Gambar 2.1. Keputusan dalam Fuzzy (Zimmermann, 1987)

2.3.3 Fungsi Keanggotaan

Dalam sistem fuzzy dikenal banyak fungsi keanggotaan, antara lain

Triangular, Gaussian, Travesium, Bell, dan lain- lain. Sebagai contoh salah satu fungsi keanggotaan yang disebutkan diatas adalah Gaussian (Marimin, 2002):

... 2.4 dimana:

x = [x1, x2, x3, … , xn] c = mean(x)

σ = Standar deviasi

Gambar 2.2. Gaussian (Susilo, 2003)

x 15

10 5

Constraint

Decision

1

0

c

9 2.3.4. Vektor fuzzy

Penggunaan teori fuzzy pada vektor masukan bertujuan agar distribusi frekwensi data pengukuran dapat direpresentasikan, maka pada awal proses pembelajaran data hasil pengukuran seperti pada gambar 2.3 dinormalisasi kedalam bentuk vektor fuzzy. Sebagai contoh bentuk vektor fuzzy hasil normalisasi vektor masukan dinamakan bilangan fuzzy segitiga yang dapat digambarkan sebagai berikut (Budiarto, 1998):

Gambar 2.3. Vektor Fuzzy

Bilangan fuzzy segitiga ini merupakan pernyataan fungsi keanggotaan fuzzy

untuk data hasil pengukuran, nilai rata-rata (mean) mempunyai fungsi keanggotaan 1 sedangkan nilai terkecil (minimum) dan nilai terbesar (maximum) mempunyai fungsi keanggotaan nol. Sedangkan fuzziness atau karakteristik fuzzy

menyatakan batas kelebaran dari fungsi keanggotaan fuzzy yang bernilai antara [0,1], semakin lebar nilai fuzziness berarti semakin bervariasi data yang akan diolah (Budiarto, 1998).

Aturan pembelajaran dalam fuzzy neural ini berdasarkan pada mekanisme kompetisi yaitu hanya ada satu vektor pewakil yang paling mirip dengan vektor pelatihan. Untuk menentukan vektor pewakil yang paling mirip (closest vektor) menggunakan nilai kemiripan atau similaritas yang diperoleh dengan prinsip operasi fuzzy (Budiarto, 1998).

Andaikan x adalah vektor pelatihan dari 4 buah sensor dan wi adalah vektor pewakil untuk kategori i maka dapat dinyatakan bahwa x = (x1, x2, x3, x4), dengan fungsi keanggotaan untuk x adalah hx = (hx1, hx2, hx3, hx4), dan untuk vektor pewakil kategori i dapat dinyatakan wi = (w1i, w2i, w3i, w4i), dengan fungsi keanggotaan untuk wi adalah hwi = (hw1i, hw2i, hw3i, hw4i), maka nilai

Mean Max Min

1

0

similaritas (µij) antara vektor pewakil dengan vektor pelatihan dapat dijelaskan pada gambar dibawah ini (Budiarto, 1998).

Gambar 2.4. Nilai similaritas vektor pewakil dengan vektor pelatihan ini (Budiarto, 1998)

2.4. Jaringan Saraf Tiruan

Jaringan saraf tiruan (JST) adalah suatu proses komputasi yang meniru konsep cara kerja otak manusia dimana mempunyai karakteristik dan performa yang sama dengan jaringan saraf biologi. Bagaimana sebenarnya otak manusia bekerja?, didalam otak manusia suatu tipe neuron mengkoleksi sinyal-sinyal dari yang lainnya melalui suatu struktur yang besar yang disebut dendrite. Neuron mengirim aktivitas elektikal melalui axon yang mana dibagi dalam ribuan cabang. Akhir sebuah cabang disebut synapse, mengkonversi aktifitas dari axon ke dalam elektrikal efek.

Gambar 2.5. Komponen dari neuron (Stergiou dan Siganos, 2005)

JST telah banyak dikembangkan sampai dengan saat ini, aplikasi-aplikasi yang telah ada dan menggunakan JST diantaranya adalah Adaptive Noise Canceling,aplikasi ini adalah untuk membersihkan gangguan pada saluran telpon. Kemudian Bomb Sniffer, yaitu suatu sistem detektor bom baru di New York's JFK

wij xi

hxi

hwij 0

1 µij

11 International Airport (Widharma, 2005). Sudah banyak sekali persoalan-persoalan dapat diselesaikan dengan menggunakan JST. Dalam JST Semua informasi akan dimasukan dalam JST dengan melalui suatu proses komputasi, semua informasi tersebut akan dirubah dalam suatu nilai yang disimpan dalam setiap node yang akhirnya informasi tersebut digunakan untuk memberikan suatu keputusan akan suatu pola.

2.5. Karakteristik -karakteristik Jaringan Saraf Tiruan (JST)

JST dapat digunakan untuk pemecahan masalah-masalah komplek yang sulit diselesaikan oleh manusia atau teknik komputasi yang lainnya. Beberapa kelebihan yang lainnya adalah (Stergiou and Siganos, 2005).

1. Adaptive learning: mudah untuk belajar bagaimana melakukan sesuatu tugas berdasarkan data yang diberikan untuk dipelajari.

2. Self-Ogranization: JST dapat membuat dan dapat merepresentasikan sendiri informasi yang diterima selama learning time

3. Real Time Operation: Komputasi JST dapat dilakukan dengan parallel dan special hardware yang didesain dengan mengambil kelebihan yang dimilikinya.

4. Fault Tolerance via Redundant Information Coding : Kerusakan terbesar pada jaringan dapat menyebabkan terjadinya penurunan kinerja. Tetapi beberapa kemampuan dapat menahan, bahkan kerusakan terbesar pada jaringan.

JST belajar berdasarkan contoh,. JST tidak dapat diprogram untuk menunjukan secara spesifik tugas. Contoh harus dipilih secara hati- hati kalau tidak, akan berfungsi tidak dengan benar. Kekurangan dari JST adalah operasinya tidak dapat diprediksi karena bagaimana pemecahan masalah dilakukan oleh dirinya sendiri. Didalam JST biasanya terdiri dari beberapa lapisana neuron dan setiap lapisan terdiri dari sekelompok neuron yang melakukan proses komputasional secara terdistribusi dan paralel. Hubungan antar neuron dinyatakan dalam bobot keterhubungan berupa bilangan numerik yang berubah terus menerus untuk mendapatkan suatu oprimasi nilai bobot agar dapat mengenali suatu pola masukan. Tahapan untuk mengenali pola masukan tersebut dinamakan tahapan pelatihan atau proses pembelajaran.

Proses pembelajaran dalam jaringan neural buatan memiliki beberapa aturan dan paradigma, antara lain paradigma proses pembelajaran dengan pengarahan (supervised) dan proses pembelajaran tanpa pengarahan (unsupervised). Dalam proses pembelajaran dengan pengarahan, jaringan neural akan membandingkan hasil keluaran yang sebenarnya (actual output) dengan hasil keluaran komputasinya (computed output) untuk melakukan penyesuaian bobot agar kesalahannya menjadi semakin kecil. Untuk itu jaringan neural memerlukan seperangkat pelatih (training set) yang mempresentasikan masukan dan target keluaran sistem. Sedangkan untuk proses pembelajaran tanpa pengarahan, jaringan neural tidak menggunakan pengaruh dari luar untuk mengatur bobot, akan tetapi jaringan akan melihat keteraturan data masukan sehingga jaringan dapat membentuk unit-unit kelompok data masukan.

Dalam melakukan proses pembelajaran, JST akan menggunakan salah satu dari banyak algoritma pembelajaran diantaranya Hebb, Perceptron, Hopfield, Learning Vektor Quantization, Backpropagation, masing- masing memiliki karakteristik yang berbeda. JST berisi tiga komponen yaitu input layer, hidden layer dan output layer, berikut ini contoh arsitektur JST yang terdiri dari lapisan input, satu lapisan tersembunyi, dan lapisan keluaran.

dengan:

Xi = lapisan input Zi = lapisan output Y = lapisan tersembunyi

wi = nilai pembobot antara lapisan input dan lapisan tersembunyi vi = nilai pembobot antara lapisan tersembunyi dan lapisan output

X1

X2 X3

Y

Z2 Z1 w1

w2 w3

v1 v2

III. METODOLOGI PENELITIAN

3.1. Kerangka Pemikiran

Sebagai langkah awal maka perlu adanya studi pustaka berkenaan dengan algal blooms untuk menggali informasi sebanyak mungkin agar lebih banyak mengenal dan memahami permasalahan dengan adanya algal blooms. Kemudian dilakukan identifikasi dari masalah yang akan diteliti untuk memperjelas permasalahan yang akan menjadi fokus penelitian. Selanjutnya dilakukan pengumpulan data, dimana data tersebut digunakan untuk proses pembelajaran

fuzzy neural juga dapat digunakan untuk proses pengujian, selain itu juga dapat diketahui parameter lingkungan yang dapat mengakibatkan algal blooms

khususnya di teluk Jakarta. Dari data tersebut selanjutnya dilakukan pengembangan suatu model fuzzy neural dari model yang sudah dikembangkan sebelumnya (Budiarto, 1998), dimana banyaknya parameter-parameter lingkungan penyebab algal blooms sebagai penentu banyaknya parameter masukan fuzzy neural dan kemungkinan terjadinya blooms atau bukan blooms dijadikan sebagai keluaran dari fuzzyneural.

Langkah selanjutnya adalah pembuatan program aplikasi sebagai implementasi dari model tersebut, dimana program aplikasi tersebut untuk proses pembelajaran dan pengujian, dalam rangka mengetahui tingkat keakuratan ha sil yang diperoleh dari proses pembelajaran fuzzy neural. Dari hasil pengujian tersebut dapat memberikan informasi tingkat akurasi dari model tersebut, dan berdasarkan informasi tersebut dapat ditentukan layak tidaknya penerapan fuzzy neural untuk masalah algal blooms. Berikut ini adalah gambar garis besar kerangka pemikiran dari penelitian ini.

Tidak

Gambar 3.1. Kerangka Pemikiran pembuatan fuzzyneural model untuk detektsi

algal blooms di daerah tropis

3.2. Tata Laksana

Dalam kegiatan penelitian ini akan dilakukan dalam empat tahap, tahap pertama pengumpulan data berdasarkan hasil dari studi pustaka dan identifikasi masalah, dimana dalam tahapan ini terdiri dari dua jenis yaitu pengumpulan data berkaitan dengan algal blooms dan pengumpulan data berkaitan dengan fuzzy neural. Tahap kedua yaitu pengembangan model, tahap ketiga yaitu pembuatan

Ya Pengumpulan Data Pengembangan Model Prediksi algal bloom di daerah

tropis

Pembutan Program Aplikasi untuk implementasi dari

model fuzzy neural

Kelayakan Penerapan Fuzzy Neural pada kasus

HAB

Selesai Studi Pustaka

Identifikasi Masalah

Sesuai harapan

Metode Fuzzy Neural

Program Matlab Mulai

15 program aplikasi untuk proses pembelajaran dan pengujian dan tahap ke empat yaitu pengujian.

Pengumpulan Data

Pengumpulan data untuk masalah berkaitan dengan algal blooms dan fuzzy neural dilakukan dengan studi pustaka dan wawancara dengan beberapa peneliti dari Badan Pengkajian dan Penerapan Teknologi dan Lembaga Ilmu Pengetahuan Indonesia, dalam bidang yang berkaitan dengan mikrobiologi dan kelautan untuk mendapatkan data tentang parameter-parameter lingkungan penyebab terjadinya

algal blooms dan jenis alga yang mengalami blooms, sementara itu untuk mendapatkan data berkenaan fuzzy neural dilakukan dengan studi pustaka dan diskusi dengan peneliti yang pernah melakukan penelitian fuzzy neural. Cara perolehan data dan pengolahan data penelitian selengkapnya disajikan pada lampiran 3.

Pengembangan Model

Pada tahap ini dilakukan pengembangan model untuk prediksi algal blooms

di daerah tropis menggunakan fuzzy neural dimana sebagai masukannya adalah berbentuk himpunan fuzzy dengan menggunakan fungsi keanggotaannya adalah

triangular dan gaussian dan proses pembelajarannya menggunakan konsep

learning vector quantitation, sedangkan keluarannya adalah nilai similaritas terkecil untuk masing- masing keluaran. Banyaknya masukan adalah sembilan, yaitu sebanyak parameter lingkungan dan banyaknya keluaran adalah blooms dan bukan blooms.

Pembuatan Program Aplikasi

Pada tahap ini dilakukan pembuatan program aplikasi dan user interface

sebagai implementasi dari model fuzzy neural. Pada tahap pertama akan dibuat program aplikasi dari model fuzzy neural untuk proses pelatihan menggunakan Matlab, dimana program yang akan dibuat yaitu fuzzy neural dengan fungsi keanggotaan triangular dan gaussian. Tahap kedua adalah membuat program aplikasi proses pengujian dan tahap ketiga adalah pembutan program aplikasi

untuk user interface, semua program aplikasi tersebut dibuat menggunakan perangkat lunak Matlab.

Pengujian

Pada tahap ini dilakukan pengujian tingkat akurasi, yaitu berapa banyak sistem dapat mengenali data yang digunakan untuk pengujian dibagi dengan banyaknya data untuk pengujian tersebut. Selain itu juga dilakukan pengujian menghitung rata-rata nilai similaritas dari sebanyak parameter masukan yang digunakan, dimana pengujian tersebut dilakukan setelah proses pembelajaran sebelumnya dengan menggunakan program aplikasi yang dibuat pada tahap sebelumnya dengan menggunakan data yang berbeda dengan data yang digunakan untuk proses pembelajaran.

Jadwal Penelitian

Kegiatan penelitian ini dilakukan mulai bulan Desember 2004 dan diharapkan selesai pada bulan Oktober 2006. Kegiatan penelitian ini diawali dengan pengajuan sinopsis dan penelitian ini diakhiri dengan sidang akhir tesis.

3.3. Pengembangan Sistem

Tahapan-tahapan pengembangan sistem dapat dijelaskan seperti gambar dibawah ini:

17 Gambar 3.2. Tahapan pengembangan sistem DOJ(2003)

Fase Inisialisasi

Fase inisialisasi adalah fase awal dimana adanya identifikasi kebutuhan akan sistem yang selanjutnya diwujudkan dalam bentuk konsep proposal.

Fase Konsep Pengembangan Sistem

Peninjauan kembali terhadap kebutuhan sistem tersebut dilakukan dengan menyempurnakan konsep dalam rangka kemudahan untuk dilakukan dan kelayakan untuk diterapkan. Ruang lingkup sistem mengidentifikasikan

Fase Inisialisasi Fase konsep Pengembangan

Sistem

Fase Perencanaan Fase Analisis

Kebutuhan Fase Desain

Fase Pengembangan Fase Integrasi dan

Pengujian

Fase Implementasi

Fase Operasional dan Perawatan

kebutuhan akan sumber daya manusian dan sumber daya bukan manusia dan juga mengenai pendanaan.

Fase Perencanaan

Pada tahapan ini, konsep lebih jauh dikembangkan berkenaan dengan bagaimana sistem diimplementasikan dan apa dampaknya terhadap pihak yang akan mengegola sistem tersebut dan terhadap masyarakat disekitar lokasi dimana sistem ditempatkan. Selain itu juga, merencanakan budget, sumberdaya , aktifitas, skedul, tools, securitysystem dan lain- lain.

Fase Analisis Kebutuhan

Analisis kebutuhan sisitem dan pengembangan kebutuhan sistem dan membuat dokumen kebutuhan sistem secara detail. Semua kebutuhan-kebutuhan tersebut akan dijadikan sebagai acuan untuk proses tes.

Fase Desain

Karakteristik fisik dari sistem secara spesifik dan detail di desain selama fase ini. Kemungkinan untuk membagi menjadi beberapa subsistem dan mendefinisikan input, output dan proses. Sub system diidentifikasikan selama desain yang nantinya digunakan untuk membuat struktur detail dari sistem. Masing- masing sistem dipartisi ke dalam beberapa unit atau modul.

Fase Pengembangan

Spesifikasi detail yang dihasilkan selama proses fase desain di implementasikan dalam bentuk hardware dan software dan dilakukan assembled.

Fase Integrasi dan Pengujian

Beberapa jenis komponen dari sistem diintegrasikan dan secara sistematik dilakukan pengujian. Pengujian dilakukan untuk meyakinkan kebutuhan fungsional seperti yang didefinisikan dalam Requirements Analysis Phase.

19 Fase Implementasi

Sistem dilakukan instalasi dan dibuatkan user manual untuk sistem tersebut. Fase ini dilakukan setelah sistem selesai dilakukan tes dan dapat diterima oleh pihak yang akan menggunakan. Fase ini dilakukan sehingga sesuai dengan yang diharapkan.

Fase Operasional dan Perawatan

Sistem dioperasikan secara terus menerus, sistem dimonitor secara kontinyu untuk memonitor kinerjanya. Operasional dari sistem secara periodik dipantau untuk menentukan baga imana sistem dapat dibuat lebih efektif dan efisien. Sistem dioperasikan secara kontinyu selama masih memungkinkan untuk digunakan. Modifikasi atau perubahan terhadap sistem dilakukan dengan dimulai lagi dari fase planning.

Fase Disposisi

Fase ini adalah untuk meyakinkan bahwa pengembangan sistem sudah selesai dan telah dilakukan perlindungan terhadap informasi- informasi penting tentang sistem tersebut, selanjutnya beberapa informasi atau semua informasi perlu di diaktifkan ulang dimasa yang akan datang.

3.4. Desain Fuzzy Neural

Fuzzy Neural yang digunakan pada penelitian ini adalah jarigan saraf tiruan yang diimplementasikan dengan fuzzy yang menggunakan fungsi keanggotaan

triangular dan gaussian. Model fuzzy neural yang di implementasikan seperti gambar 3.3. Model tersebut merupakan hasil pengembangan dari model yang telah dikembangkan sebelumnya (Budiarto, 1998), dimana perbedaanya terletak pada jumlah parameter masukan dan keluaran dan fungsi keanggotaan fuzzy.

Lapisan masukan _{Lapisan tersembunyi Lapisan keluaran}

Keterangan:

X1 = pH X6 = Cahaya Y1 = Bloom

X2 = Oksigen X7 = Suhu Y2 = Bukan Bloom X3 = Fosfat X8 = Salinitas

X4 = Nitrogen X9 = Silikat X5 = Arus

Gambar 3.3. Model fuzzy neural prediksi algal blooms (Budiarto, 1998)

Berdasarkan data yang diperoleh (Razak, 2004) kehidupan organisme dan biota laut dipegaruhi oleh kwalitas air laut dimana unsur fisika dan kimia termasuk didalamnya. Yang termasuk unsur kimia adalah pH, oksigen terlarut, Fosfat, Nitrogen dan silikat, sedangkan yang termasuk unsur fisika adalah suhu air laut, salinitas, arus, transmisi cahaya dan kondisi cuaca. Dari unsur- unsur tersebut hanya kondisi cuaca yang sulit mendapatkan data numeriknya, karena data cuaca

min

X1 X2

X3

X8 X5

X6

X4

X7

min

Y1

Y2

21 hanya dalam bentuk kondisi seperti berawan atau mendung. Karena itu yang digunakan sebagai parameter input untuk model fuzzy neural pada gambar 3.3 adalah unsur-unsur diatas kecuali kondisi cuaca yang jumlahnya ada sembilan unsur, sedangkan output nya hanya dua yaitu terjadi blooms atau tidak terjadi

blooms. Proses deteksi unsur-unsur tersebut dilakukan setiap menit krena perubahan kondisi lingkungan perairan laut bisa berubah dengan cepat apabila terjadi pencemaran akibat limbah yang dibawa air sungai maupun yang dibuang langsung kelaut. Sementara itu proses untuk mendeksi terjadinya algal blooms dapat dilkukan dalam waktu kurang dari 24 jam, mengingat perkembang biakan

microalgae dapat terlihat perubahannya setiap hari.

Arsitektur fuzzy neural (Budiarto, 1998), mempunya i 3 lapisan yaitu lapisan masukan, lapisan tersembunyi dan lapisan keluaran. Semua neuron pada lapisan masukan akan terhubung pada setiap neuron lapisan tersembunyi sesuai dengan karakteristik sensornya, demikian juga neuron pada lapisana tersembunyi akan terhubung pada setiap neuron lapisan keluaran sesuai dengan kategori jenis keluaran. Jumlah neuron pada lapisan masukan sesuai dengan jumlah sensor yang digunakan untuk mendeteksi parameter lingkungan dan jumlah neuron pada lapisan keluaran sesuai dengan kemungkinan akan mengalami blooms dan bukan

blooms.

Sedangkan jumlah neuron pada lapisanan tersembunyi adalah hasil kali jumlah neuron lapisan masukan dengan jumlah neuron perhitungan, sedangkan perhitungan dilakukan pada lapisanan tersembunyi untuk mencari nilai similaritas dan lapisan keluaran untuk mencari nilai similaritas minimum, kemudian menentukan kategori pemenang dengan mencari maksimum diantara yang minimum.

IV. FUZZY NEURAL MODEL UNTUK PREDIKSI

ALGAL BLOOMS

4.1. Faktor-Faktor Yang Mempengaruhi Pembelajaran 4.1.1. Sample Data Untuk Pelatihan Dan Pengujian

Data yang digunakan dalam penelitian ini adalah data sekunder yang di peroleh dari laporan akhir penelitian kondisi lingkungan perairan teluk Jakarta dan sekitarnya yang merupakan proyek penelitian IPTEK kelautan Pusat Penelitian Oseanografi Lembaga Ilmu Pengetahuan Indonesia tahun 2004 (Razak, 2004). Data dari laporan ini digunakan mengingat waktu penelitian tersebut tidak lama dengan terjadinya algal blooms di teluk Jakarta.

Dari laporan pene litian tersebut diperoleh batasan nilai maksimum dan nilai minimum untuk setiap parameter masukan fuzzy neural, kemudian dari data tersebut di generate secara random untuk menghasilkan sekelompok data. Dari setiap kelompok data tersebut dicari nilai terbesar (max), nilai terkecil (min) dan nilai rata-rata (mean) dimana setiap data tersebut merupakan satu item data baik untuk proses pelatihan maupun untuk proses pengujian untuk fuzzy neural yang menggunakan fungsi keanggotaan triangular, sedangkan untuk fungsi keanggotaan gaussian yang di cari untuk setiap kelompok data diatas adalah nilai rata-rata (mean) dan nilai standard deviasi.

Dalam penelitian ini, data yang digunakan untuk proses pelatihan adalah dua puluh data yang dibagi dua yaitu 50% untuk data blooms dan 50% untuk data bukan blooms dengan masing- masing terdiri dari sembilan kolom yang mewakili sembilan sensor. Sedangkan untuk proses pengujian digunakan data sebanyak dua puluh yang masing- masing sepuluh untuk data blooms dan data bukan blooms

dengan format yang sama dengan data yang digunakan untuk proses pelatihan. Contoh data sebagaimana terlampir pada lampiran 4.

4.1.2. Inisialisasi Awal

Sistem fuzzy neural membutuhkan inisialisasi awal untuk vektor pewakil dan laju pembelajaran dalam memulai tahap pelatihan. Vektor pewakil akan dimodifikasi pada setiap pengulangan secara otomatis pada proses pelatihan baik

23 posisinya maupun fuzziness-nya. Untuk inisialisasi awal posisi vektor pewakil dapat diambil secara random maupun diambil dari salah satu vektor pelatihan. Inisialisasi awal laju pembelajaran dapat ditentukan dengan nilai yang sangat kecil yaitu antara 0 sampai dengan 1, sedangkan untuk besar nilai pelebaran dan penyempitan untuk percobaan awal dapat digunakan nilai terbaik hasil percobaan yang pernah dilakukan sebelumnya (Budiarto, 1998).

4.1.3. Perubahan Fuzziness

Proses pembelajaran dalam fuzzy neural yang pada dasarnya melakukan modifikasi secara berulang- ulang terhadap vektor codebook yang berisi vektor pewakil (pembobot) untuk setiap kategori keluaran, sehingga vektor pewakil itu menjadi cukup representatif. Modifikasi untuk vektor pewakil dalam fuzzy neural

adalah melakukan penggeseran posisi vektor pewakil dan melakukan perubahan

fuzziness yang meliputi memperlebar atau mempersempit ukuran fuzziness.

Perubahan fuzziness yang dilakukan, seperti pada lampiran 1.

4.2. Hasil Pengujian

4.2.1. Verifikasi Hasil Pengujian

4.2.1.1. Fuzzy Neural Fuzziness Konstan

Fuzzy neural fuzziness konstan adalah fuzzy neural dimana besarnya konstanta pelebaran dan penyempitan yaitu berapa nilai yang digunakan untuk melebarkan dan menyempitkan panjang alas dari segitiga adalah tetap (konstan). Dalam proses pelatihan yang mempengaruhi nilai keluaran dari fuzzy neural

model yang menggunakan fuzziness konstan adalah jumlah pengulangan yaitu berapa kali dilakukan proses pelatihan untuk data yang sama, laju pembelajaran dan besarnya konstanta pelebaran dan penyempitan. Untuk percobaan awal digunakan komponen-komponen tersebut berdasarkan hasil penelitian sebelumnya dengan kasus yang berbeda (Budiarto, 1998), yaitu nilai laju pembelajaran 0.05, konstanta pelebaran 0.05 dan konstanta penyempitan 0.5, dengan banyaknya pengulangan yang terbaik adalah antara 10 sampai dengan 30, dimana hasilnya digambarkan dalam bentuk gambar dan tabel dibawah ini:

0.880 0.900 0.920 0.940 0.960 0.980 1.000 1.020

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

PENGULANGAN

SIMILARITAS

BLOOM BUKAN BLOOM

Gambar 4.1. Hubungan besarnya pengulangan dengan nilai similaritas output untuk laju pembelajaran 0.05, konstanta pelebaran 0.05 dan konstanta penyempitan 0.5 untuk fuzziness konstan

Tabel 4.1. Hasil proses pelatihan dan pengujian untuk laju pembelajaran 0.05, konstanta pelebaran 0.05 dan konstanta penyempitan 0.5 untuk

fuzziness konstan

Similaritas Pengulangan

Bloom Bukan Bloom

1 0.9269 0.94336

5 0.98538 0.98869

10 0.99863 0.99895

15 0.99988 0.99991

20 0.99999 0.99999

25 1 1

30 1 1

Dari gambar 4.1 dan table 4.1 dapat dilihat hasil pengujian dengan dua puluh data terhadap vektor pembobot hasil proses pelatihan menunjukan bahwa adanya peningkatan nilai similaritas rata-rata untuk sembilan sensor ketika jumlah pengulangan di perbanyak, dan nilai similaritasnya mendekati nilai satu yang artinya bahwa data yang dilakukan untuk pengujian hampir sama dengan vektor pembobot hasil pelatihan. terutama untuk pengulangan diatas 10 dan akurasi untuk semua pengulangan baik yang blooms maupun yang bukan blooms

semuanya 100%. Namun demikian hasil pengujian tersebut tidak dengan sendirinya dikatakan hasil terbaik dalam arti bahwa hasil yang terbaik bukan hanya didasarkan pada akurasi dan similaritasnya namun juga harus dilihat vektor pembobot hasil pelatihan karena bisa terjadi vektor pembobot hasil pelatihan

Lanjutan Lampiran 4.A.2

PH Oksigen Fosfat Nitrat Arus Cahaya Temperature Salinitas Silika Kelas (ml/l) (µg A/l) (µg A/l) (cm/dt) (% psu) (oC) (psu) (µg A/l)

7.386545 2.738786 0.333337 0.545552 5.044705 4.75274 29.85234 21.18811 6.710825 1 7.361862 2.649081 0.293915 0.510485 2.392048 2.494614 29.6893 20.98277 8.544119 1 7.44096 2.718847 0.165808 0.608024 1.996737 17.12453 29.25226 20.68801 2.61513 1 7.551811 2.450558 0.332206 0.753127 2.094549 9.091028 29.78566 21.01448 9.353341 1 7.42304 2.41288 0.061947 0.600336 3.326387 10.1989 29.59068 20.97922 5.57478 1 7.493091 2.563954 0.44501 0.723351 5.4282 3.903551 29.51356 20.69819 2.315177 1 7.510584 2.412081 0.512075 0.443122 9.775466 2.376858 29.36725 22.61524 2.040463 1 7.478949 3.034065 0.176654 0.677407 2.599472 0.731037 29.31221 20.85998 10.79977 1 7.366882 2.546765 0.103145 0.553503 3.880951 2.63251 29.29478 23.37421 6.862326 1 7.468725 2.463924 0.67484 0.423091 0.10905 10.94879 29.5778 21.62989 38.15505 1 0.703871 0.318872 0.104536 0.022154 0.994117 2.900967 5.902143 0.778863 0.311883 2 0.191548 0.116688 0.017053 0.004405 0.036309 2.19421 0.867905 2.636535 0.636488 2 1.329007 0.345671 0.106864 0.08113 4.60488 0.583974 2.463796 0.07329 1.685168 2 0.565384 0.361753 0.053493 0.043971 3.451396 4.847422 3.640413 2.320963 1.611871 2 0.533865 0.042424 0.026275 0.060219 8.673396 0.943387 9.371948 6.530236 0.174538 2 0.019245 0.295448 0.202975 0.007302 4.131262 0.269638 2.333572 3.557139 6.189692 2 0.923306 0.653691 0.019331 0.022654 1.473454 0.896328 0.63063 0.205978 0.116443 2 2.423658 1.09612 0.003153 0.061108 0.195864 0.388246 2.035834 0.612779 2.008611 2 0.511477 0.079943 0.009311 0.106925 1.899602 2.317719 0.134155 2.731237 2.749631 2 0.108154 0.46321 0.003374 0.220954 1.638285 2.279442 16.39304 7.358565 0.149893 2 8.328577 5.345447 3.608209 2.064843 78.22169 60.44176 32.0863 33.85948 87.29953 1 8.398462 4.857579 2.742963 2.031533 79.67389 77.11138 32.11949 34.26616 96.82638 1 8.343963 5.44348 3.905223 2.016578 71.42887 73.42381 32.20949 32.78315 93.99781 1 8.410819 4.65353 3.905964 1.858562 73.79012 70.0978 31.72486 31.46875 107.6741 1 8.38762 4.956008 2.895517 1.956839 75.43363 75.72649 32.08827 32.93573 88.44223 1 7.897439 4.884193 3.732436 2.105951 75.54067 76.68754 32.10549 33.53747 107.3506 1 8.328956 5.376268 3.856254 1.632367 67.27206 73.64785 32.14875 35.57013 87.32366 1 8.361534 4.75988 3.518506 1.868248 64.88636 67.49105 31.65007 34.89628 76.84165 1 8.387858 5.238244 3.904072 2.030558 71.51801 76.11607 31.99266 35.50268 96.23684 1 8.129712 5.371712 3.607899 2.017386 76.05587 76.05364 32.18103 33.47557 104.5018 1 6.633874 3.329405 0.355613 0.682444 21.40987 24.33426 30.48354 23.60832 16.35441 2

Lanjutan Lampiran 4.A.2

PH Oksigen Fosfat Nitrat Arus Cahaya Temperature Salinitas Silika Kelas (ml/l) (µg A/l) (µg A/l) (cm/dt) (% psu) (oC) (psu) (µg A/l)

7.149611 3.026004 0.408481 0.654506 28.81306 23.60453 23.9696 25.7657 14.4778 2 7.642566 2.913957 0.411447 0.632242 29.03689 25.73635 28.65408 24.74246 18.00739 2 7.559624 3.326283 0.394437 0.623602 26.77225 19.14155 28.93528 26.43694 17.53893 2 5.150542 3.363597 0.343098 0.596187 26.52722 25.89069 26.5666 28.01303 18.35546 2 7.754941 3.372835 0.399765 0.61771 29.51156 26.16097 29.11096 27.65277 17.78537 2 7.883267 3.373267 0.414428 0.603841 24.41263 20.88549 30.22381 16.44801 18.9747 2 7.772387 3.284252 0.366309 0.642251 27.85182 26.29565 27.22869 25.86461 18.7908 2 7.310024 2.960348 0.419495 0.613763 24.63908 25.19226 25.86285 28.00857 19.27838 2 5.840844 2.963645 0.376091 0.680062 29.03412 26.4274 28.62301 23.60114 19.24498 2

A.3. Data Yang Digunakan Untuk Inisialisasi Vektor Pembobot

( Diambil dari data pertama data untuk pelatihan pada lampiran 4.A.1)

PH Oksigen Fosfat Nitrat Arus Cahaya Temperature Salinitas Silika Kelas

(ml/l)

(µg A/l)

(µg A/l)

(cm/dt)

(% psu)

(o

C)

(psu)

(µg A/l)

7.936608 4.050265 1.644911 1.194735 48.05727 37.3534 30.56944 28.48913 42.49249 1 3.706658 1.639474 0.225432 0.318957 15.22665 12.11567 17.719 12.72175 10.52795 2 7.458096 2.8899 0.124236 0.454566 17.58902 0.396571 29.44255 23.04778 13.70868 1 0.340001 0.234625 0.044297 0.01837 1.48668 0.077037 5.473133 0.314936 2.153691 2 8.415119 5.210631 3.165586 1.934903 78.52551 74.31024 31.69633 33.93048 71.27631 1 7.073314 3.044324 0.406567 0.619544 28.96661 24.1543 29.96486 25.12856 18.90222 2

B. DATA UNTUK FUZZY NEURAL GAUSSIAN

B.1. Yang Digunakan Untuk Pelatihan

( di

generate

secara random berdasarkan lampiran 2)

PH Oksigen Fosfat Nitrat Arus Cahaya Temperature Salinitas Silika Kelas (ml/l) (µg A/l) (µg A/l) (cm/dt) (% psu) (oC) (psu) (µg A/l)

0.34119 0.94935 1.194 0.50878 20.981 22.498 0.79455 3.5673 17.001 1 0.39458 0.85575 1.0691 0.46516 27.595 26.202 0.85571 5.237 27.977 1 0.33233 0.88552 0.93739 0.36586 16.018 23.625 1.1129 4.265 27.706 1 0.28519 0.86422 0.49659 0.46521 26.366 18.464 0.72513 5.2301 38.946 1 0.28439 0.82669 0.70401 0.38392 13.269 21.419 1.1593 3.8938 34.127 1 0.35204 0.81343 1.3417 0.42317 20.882 20.13 0.78568 4.0311 26.501 1 0.34826 0.88054 1.2364 0.59846 21.179 24.586 0.81818 5.2987 17.175 1 0.28704 0.84574 1.1368 0.43774 24.355 21.038 0.74522 4.051 32.086 1 0.29286 0.62592 1.0839 0.46772 22.559 23.849 0.83088 3.499 27.999 1 0.28356 1.0946 0.89703 0.48968 22.522 21.257 0.73312 4.9281 27.201 1 2.2824 1.0059 0.10424 0.22841 9.9433 9.8504 8.8745 9.0638 6.8986 2 2.7252 0.95271 0.13257 0.21911 10.448 6.7986 8.3188 10.632 4.3104 2 2.4233 0.78647 0.1247 0.18977 6.0428 6.3306 9.481 9.1779 5.4461 2 2.1158 0.92796 0.15489 0.17609 9.519 5.1487 9.7936 7.6497 4.9619 2 1.7614 1.0107 0.12686 0.23897 9.0146 7.0359 8.9723 10.799 5.0974 2 2.1404 0.98997 0.14061 0.19219 9.6053 6.82 8.3566 7.4987 6.4454 2 1.8328 1.1624 0.12154 0.17467 11.011 6.2455 6.4475 6.2864 3.7853 2 2.0696 0.84562 0.14695 0.23108 7.2418 7.5419 9.0376 6.5232 5.0766 2 2.7012 1.0501 0.13187 0.23066 7.9226 7.4064 9.5564 6.6448 6.1338 2 1.7814 0.90477 0.13783 0.19575 7.4856 4.3427 10.715 9.1239 5.0373 2 7.9406 4.3192 1.6076 1.2795 48.716 37.649 30.339 29.344 42.683 1 7.9082 4.1718 1.9723 1.3778 50.159 38.707 31.296 28.185 41.865 1 7.8269 3.5686 2.6899 1.3712 21.267 32.072 31.158 28.99 68.219 1 7.8991 3.9453 1.4464 1.0183 45.142 39.852 31.025 28.103 62.531 1

Lanjutan Lampiran 4.B.1

PH Oksigen Fosfat Nitrat Arus Cahaya Temperature Salinitas Silika Kelas (ml/l) (µg A/l) (µg A/l) (cm/dt) (% psu) (oC) (psu) (µg A/l)

7.7402 3.6999 2.1297 1.3442 50.35 41.858 30.821 28.941 66.967 1

7.8223 3.568 2.3533 1.003 43.695 42.748 30.38 29.125 46.614 1

7.8408 4.1204 1.8503 1.1696 35.67 45.924 30.49 25.33 51.532 1

7.7384 3.8465 2.598 1.53 37.671 26.293 30.164 28.114 60.76 1

7.9114 3.7788 2.3117 1.139 53.057 47.214 31.074 29.137 67.632 1 7.8367 4.0503 2.2671 1.5484 52.426 49.809 31.066 26.395 58.618 1 3.7322 1.3975 0.18613 0.34666 17.574 12.814 18.812 12.839 11.46 2 3.0439 2.206 0.21656 0.34265 14.968 9.2192 16.506 14.016 10.471 2 3.9857 2.1231 0.23319 0.4828 21.599 12.156 15.637 14.454 7.6442 2 4.5054 2.0257 0.224 0.42631 12.615 10.67 18.792 14.081 10.734 2 4.4427 1.766 0.22937 0.35034 19.768 13.331 14.722 13.447 8.5052 2 5.0516 1.3987 0.24877 0.44748 17.894 12.174 20.148 16.38 9.249 2 4.8159 1.8905 0.25639 0.28056 12.939 10.179 14.934 9.7666 11.252 2 2.8163 1.332 0.17052 0.4546 13.721 13.176 14.725 14.55 10.201 2 4.1055 2.0608 0.21354 0.3322 11.586 14.394 16.367 15.731 8.2719 2 4.8874 1.4732 0.25329 0.3235 14.191 12.934 15.508 16.399 8.6023 2

B.2. Yang Digunakan Untuk Pengujian

( di

generate

secara random berdasarkan lampiran 2)

PH Oksigen Fosfat Nitrat Arus Cahaya Temperature Salinitas Silika Kelas (ml/l) (µg A/l) (µg A/l) (cm/dt) (% psu) (oC) (psu) (µg A/l)

0.38797 0.76447 1.134 0.51583 23.496 14.843 0.68632 4.6787 27.687 1 0.33011 0.80635 0.93918 0.49168 27.296 27.711 0.80349 5.0601 25.036 1 0.31468 1.0562 1.1412 0.41651 21.463 19.105 1.052 4.1782 35.868 1 0.30552 0.75948 1.2694 0.324 22.466 19.198 0.74556 3.8771 32.054 1

Lanjutan Lampiran 4.B.2

PH Oksigen Fosfat Nitrat Arus Cahaya Temperature Salinitas Silika Kelas (ml/l) (µg A/l) (µg A/l) (cm/dt) (% psu) (oC) (psu) (µg A/l)

0.35736 0.92339 0.94523 0.5581 22.757 25.336 0.76739 4.2073 29.106 1 0.14998 0.90082 1.2168 0.44262 19.439 23.724 1.217 3.9672 42.886 1 0.2695 1.0241 1.184 0.41191 23.61 26.869 0.94807 4.7253 31.378 1 0.25286 0.58616 1.1954 0.4228 23.623 22.041 0.8134 5.3302 19.347 1 0.35304 0.87904 1.2749 0.41452 22.339 25.845 0.84951 4.8878 28.691 1 0.24999 0.94206 0.91962 0.51253 25.533 18.376 0.8452 4.6011 20.843 1 2.3594 1.0147 0.092042 0.23415 7.9683 6.8107 9.9207 8.0866 6.1587 2 2.5214 0.99631 0.14199 0.2291 9.2034 6.8096 8.941 7.6106 4.8758 2 1.933 0.8781 0.10192 0.19074 10.536 9.9476 9.7422 9.1019 6.9702 2 2.8276 0.89889 0.11054 0.19598 8.5315 4.7934 7.6518 8.3459 5.7326 2 1.612 1.0665 0.11067 0.1994 6.5336 9.639 6.0298 6.1831 5.8505 2 2.898 1.1235 0.069764 0.22513 9.1227 7.9222 9.7129 9.1323 3.9042 2 2.5313 1.1013 0.1628 0.23263 8.1514 7.3732 8.7404 6.8527 7.9269 2 2.1888 0.75864 0.10218 0.19879 9.297 7.9149 9.2433 8.0022 6.0694 2 2.4395 0.85993 0.12359 0.17112 9.0124 7.5998 7.747 10.389 6.027 2 1.9035 0.91517 0.14029 0.15755 9.2533 8.6453 3.5242 4.8563 6.757 2 7.8171 4.3549 1.6564 1.3991 46.707 32.519 31.11 27.463 52.051 1 7.9065 3.6313 1.3696 1.245 37.475 38.599 31.149 28.152 64.783 1

7.7135 3.8473 2.4875 1.2207 42.515 35.163 31.184 28 49.86 1

8.0137 3.5928 2.3187 1.3331 38.285 29.316 30.621 24.997 67.905 1 7.8393 3.9605 1.7555 1.231 41.457 40.088 30.544 26.721 42.234 1 7.7139 4.0165 1.9072 1.3608 32.449 34.937 30.577 25.202 63.777 1 7.9877 3.3631 2.4376 0.91907 39.028 43.858 30.605 30.587 43.767 1

8.0325 3.8892 2.18 1.1549 29.493 33.036 30.52 27.231 40.905 1

7.7881 3.6991 2.025 1.5654 33.147 32.474 30.764 30.144 43.095 1 7.8332 3.4576 2.0345 1.1973 34.709 45.037 30.948 27.754 81.88 1 3.4517 1.9577 0.21554 0.26252 9.5798 15.041 16.402 11.86 10.124 2 3.3994 1.5397 0.24303 0.24138 12.789 11.276 13.128 12.267 7.5443 2

Lanjutan Lampiran 4.B.2

PH Oksigen Fosfat Nitrat Arus Cahaya Temperature Salinitas Silika Kelas (ml/l) (µg A/l) (µg A/l) (cm/dt) (% psu) (oC) (psu) (µg A/l)

3.4273 1.6885 0.2302 0.37752 16.754 12.909 11.515 13.33 11.251 2 4.1885 1.946 0.23804 0.39262 17.587 11.433 10.551 12.079 9.0301 2 2.7812 1.2582 0.1559 0.35085 19.365 12.912 16.005 19.117 11.256 2 3.2607 2.2661 0.30071 0.32352 12.815 8.0375 16.286 17.605 13.296 2 4.2572 1.9305 0.25236 0.34337 9.813 12.448 11.006 8.2232 9.9709 2 4.9654 2.3382 0.19221 0.31788 14.353 10.704 16.902 13.72 9.9676 2 3.7145 1.4623 0.24955 0.31754 12.393 14.101 14.323 16.404 12.175 2 2.8651 1.6868 0.18516 0.48364 10.777 15.57 22.78 15.211 8.6288 2

B.3. Yang Digunakan Untuk Vektor Pembobot

( di

generate

secara random berdasarkan lampiran 2)

PH Oksigen Fosfat Nitrat Arus Cahaya Temperature Salinitas Silika Kelas (ml/l) (µg A/l) (µg A/l) (cm/dt) (% psu) (oC) (psu) (µg A/l)

0.34119 0.94935 1.194 0.50878 20.981 22.498 0.79455 3.5673 17.001 1 2.2824 1.0059 0.10424 0.22841 9.9433 9.8504 8.8745 9.0638 6.8986 2 7.9406 4.3192 1.6076 1.2795 48.716 37.649 30.339 29.344 42.683 1 3.7322 1.3975 0.18613 0.34666 17.574 12.814 18.812 12.839 11.46 2