BAB 3 HASIL DAN PEMBAHASAN
3.1 Pengumpulan Data
Adapun data yang digunakan dalam penelitian ini adalah data sekunder yang diambil dari Badan Lingkungan Hidup Provinsi Sumatera Utara yang bertempat di
Jalan Teuku Daud No.5 Medan pada tanggal 15 Februari 2015. Data yang digunakan dalam penelitian ini berupa data pencemaran udara
sektor industri di Sumatera Utara selama setahun periode 20132014 dengan satuan g
.
Tabel 3.1 Data Pencemaran Udara Pada Sektor Industri di Sumatera Utara No
Jenis Industri SO2
NO2 HCL
CL2 NH3
HF TSP
1 Sawit
4330,5 4228,51 19,07
12,7 2,671 11,87 2520,63
2 Karet
686,31 705,24
4,21 2,82
1,48 4,12
598,81 3
Olahan Karet 0,18
0,01 0,007
0,006 0,006 0,006
19,23 4
Minyak Goreng 223,38
207,12 1,93
1,37 0,5
1,54 322,86
5 Mie Instan
585 324
- -
- -
52 6
Kimia Industry 845,571 387,464
1,232 0,266
0,302 1,275 107,7184 7
Alumunium 7
76 -
- -
1 16
8 Migas
180,51 146,52
- -
0,028 -
165,4 9
Listrik 207,14
117,45 -
- 0,79
- 157,57
10 Rumah Sakit 242,316 262,421 25,542
- -
1,876 39,216
Dari data tersebut terlihat bahwa terdapat tanda - yang berarti pada suatu kegiatan industri tidak menghasilkan udara pencemar yang dimaksud.
3.2 Pengolahan Data
Data pada tabel 3.1 akan dikelompokan menjadi dua kelompok sampai sembilan kelompok. Selanjutnya dilihat kelompok mana yang bisa dikelompokan dengan
menggunakan jaringan syaraf tiruan model kohonen.
Universitas Sumatera Utara
22
Prinsip kerja dari model kohonen adalah pengurangan neuron-neuron tetangganya, sehingga pada akhirnya hanya ada satu neuron output yang terpilih.
Pembelajaran kompetitif dengan algoritma kohonen di awali dengan memilih secara acak suatu vektor input, misal vektor input terpilih adalah vektor input ke-n
pn. Kemudian dihitung jarak antara vektor input pn dengan setiap bobot input, misal jarak vektor input pn terhadap bobot ke neuron ke-i adalah Disti.
Selanjutnya nilai setiap jarak ini dinegatifkan dan ditambah dengan bobot bias bi, misal hasilnya adalah ai.
ai = -Disti + bi Kemudian dicari nilai ai terbesar, misalkan terletak pada idx, dengan nilai
terbesar adalah MaxA, maka neuron ke-idx akan menjadi pemenang. Set output neuron ke-idx sama dengan 1 dan output neuron lainnya sama dengan 0.
yi = 1 ; jika i = idx yi = 0 ; jika i ≠ idx
bobot yang menuju ke neuron idx widx, j dengan j = 1, 2, ...,. Jumlah variabel input akan diupdate:
widx, j = widx, j + αpn, j – widx, j dengan α adalah learning rate.
Bobot bias juga akan diupdate. Bobot bias yang menuju neuron pemenang akan dikurangi nilainya sehingga mendekati 0, sedangkan bobot bias selain neuron
pemenang nilainya akan bertambah. c i = 1 − α e
+ αy i b i = e
Proses pembelajaran ini akan berlangsung terus hingga epoch mencapai maksimum epoch.
Dari data pada tabel 3.1 diperoleh informasi bahwa: 1.
Jumlah data n = 10 2.
Jumlah variabel input m = 7 3.
Jumlah kelompok yang diinginkan K = 2, 3, ..., 9. Misal K = 3. 4.
Maksimum epoch = 10000 5.
Learning rate = 0,5
Universitas Sumatera Utara
23
Proses perhitungan nya sebagai berikut: 0.
a. Inisialisasi bobot input :
= +
2 Data terkecil dan data terbesar pada variabel input pertama
adalah 0,18 dan 4330,5. Data terkecil dan data terbesar pada variabel input kedua
adalah 0,01 dan 4228,51. Data terkecil dan data terbesar pada variabel input ketiga
adalah 0 dan 25,542. Data terkecil dan data terbesar pada variabel input keempat
adalah 0dan 12,07. Data terkecil dan data terbesar pada variabel input kelima
adalah 0 dan 2,671. Data terkecil dan data terbesar pada variabel input keenam
adalah 0 dan 11,87. Data terkecil dan data terbesar pada variabel input ketujuh
adalah 16 dan 2520,63. Sehingga:
Matriks bobot input W = 2165,34 2114,26 12,771 6,035 1,3355 5,935 1268
2165,34 2114,26 12,771 6,035 1,3355 5,935 1268 2165,34 2114,26 12,771 6,035 1,3355 5,935 1268
2 b. Inisialisasi bobot bias
3 : 3 = 4
[ 6
7 ]
Maka diperoleh Matriks bobot bias b = 8,15
8,15 8,15
2 c. Set parameter learning rate = 0,5
Semakin besar nilai learning rate, semakin cepat pula proses pelatihan. Akan tetapi jika nilai learning rate terlalu besar, maka algoritma menjadi
tidak stabil dan mencapai titik minimum lokal. d. Set maksimum epoch
Dalam proses pelatihan menggunakan software Matlab maksimum epoch yang digunakan yaitu 1000, 8000 dan 10000.
Epoch 1 : a.
Pilih data secara acak, misalkan data terpilih adalah data ke-10: 242,316 262,421 25,542 0 0 1,876 39,216
b. Cari jarak antara data ke-n dengan setiap bobot input ke-i
9 :
Universitas Sumatera Utara
24
9 = :; −
= ?
sehingga diperoleh: 2938,95
2938,95 2938,95
2 c.
Hitung penjumlahan negatif jarak plus bobot bias a: = −9 + 3
= −9 + 3 = −2938,95 + 8,15 = −2930,8 = −9
+ 3 = −2938,95 + 8,15 = −2930,8
= −9 + 3 = −2938,95 + 8,15 = −2930,8 sehingga diperoleh a:
−2930,8 −2930,8
−2930,8 2
d. Cari
terbesar: Nilai a terbesar pada neuron ke-1 idx = -2930,8
e. Set output neuron ke-i
: Hasil aktivasi
: 1
2 f.
Update bobot yang menuju ke neuron Idx:
ABC
=
ABC
+∝
=
−
ABC
sehingga diperoleh bobot baru: 1203,83 1188,34 19,156 3,075 0,6678 3,906 653,6
2165,34 2114,26 12,771 6,035 1,3355 5,935 1268 2165,34 2114,26 12,771 6,035 1,3355 5,935 1268
2 g.
Update bobot bias: i.
E = 1−∝ 4
F G
H
+∝ ii.
3 = 4
[ ]
Sehingga diperoleh: 3,82
7,59 7,59
2
Universitas Sumatera Utara
25
Selanjutnya untuk melakukan perhitungan manual pada epoch kedua digunakan bobot input baru dan bobot bias baru yang diperoleh pada pelatihan
epoch pertama. Demikian seterusnya proses perhitungan ini dilakukan sampai maksimum epoch yang ditentukan.
Dalam penelitian ini, proses perhitungan secara manual selanjutnya diolah menggunakan software Matlab 7.8. Proses pengolahan data Pencemaran Udara
Sektor Industri di Sumatera Utara dengan Jaringan Syaraf Tiruan model Kohonen menggunakan software Matlab 7.8 adalah sebagai berikut:
1. Masukan data input
Data=[…];
Baris matriks menyatakan banyaknya pencemaran masing masing sektor industri yang menghasilkan suatu udara pencemar dalam kasus ini = 7 dan
kolom matriks menyatakan banyaknya pencemaran udara yang dihasilkan suatu sektor industri untuk setiap indikator pencemaran udara yang
dihasilkan. 2.
Membangun Jaringan Syaraf
JumlahKelas = i; net = newcPR, JumlahKelas;
Nilai i berarti maksimum kelompok yang akan di dilatih dalam kasus ini = 1, 2, ..., 10. Nilai PR menyatakan matriks ukuran Rx2 yang berisi nilai
minimum dan maksimum masing-masing nilai vektor masukan. 3.
Set bobot input awal dan bobot bias input
bobot_input = net.IW{1,1} bobot_bias_input = net.b{1,1}
4. Sebelum dilakukan pelatihan, ditetapkan terlebih dahulu parameter-
parameter yang digunakan sebagai berikut:
net.trainParam.epochs = 10000;
Menyatakan jumlah maksimum epoch dalam pelatihan.
net.trainParam.goal = 0.001;
Menyatakan batas nilai MSE agar iterasi dihentikan atau jumlah epoch mencapai batas yang ditentukandalam net.trainParam.epochs.
net.trainParam.lr = 0.5;
Universitas Sumatera Utara
26
Menyatakan nilai learning rate α. Semakin besar nilai α, semakin cepat pula proses pelatihan. Namun jika α terlalu besar maka algoritma menjadi tidak
stabil.
net = trainnet, Data;
Menyatakan perintah untuk melatih jaringan. 5.
Melihat bobot-bobot akhir input dan bias
bobot_akhir_input = net.IW{1,1} bobot_akhir_bias_input = net.b{1,1}
6. Melakukan simulasi
Ai = simnet, Data; A = vec2indAi
Perintah sim digunakan untuk mencari pengelompokkan vektor. Untuk mempermudah pembacaan kelompok digunakan perintah vec2ind.
Perhatikan bahwa dalam Matlab untuk memulai lagi bobot awal gunakan perintah
net = init net terlebih dahulu. Tanpa perintah init, maka bobot yang dipakai
adalah bobot yang terakhir kita dapatkan pada proses pelatihan sebelumnya. Selanjutnya akan ditampilkan hasil pembacaan kelompok data pencemaran
udara sektor industri menggunakan software Matlab sebagai berikut: 1.
Hasil dua kelompok
Tabel 3.2 Hasil pelatihan dengan 1.000 epoch
Kelompok ke- Anggota
1 2
2 1, 3, 4, 5, 6, 7, 8, 9, 10
Tabel 3.3 Hasil pelatihan dengan 10.000 epoch
Kelompok ke- Anggota
1 2
2 1, 3, 4, 5, 6, 7, 8, 9, 10
Keterangan: Tabel 3.2 dan tabel 3.3 menunjukan bahwa hasil pelatihan dua kelompok
dengan epoch 1000 dan 10.000 menghasilkan kelompok yang sama. Hasil pelatihan dua kelompok yaitu kelompok ke-1 anggotanya adalah industri
karet dan kelompok ke-2 anggotanya adalah industri sawit, industri olahan
Universitas Sumatera Utara
27
karet, industri minyak goreng, industri mie instan, industri kimia industry, industri alumunium, industri migas, industri listrik, industri rumah sakit.
2. Hasil tiga kelompok
Tabel 3.4 hasil pelatihan dengan 8.000 epoch
Kelompok ke- Anggota
1 1
2 3, 4, 7, 8, 9, 10
3 2, 5, 6
Tabel 3.5 Hasil pelatihan dengan 10.000 epoch
Kelompok ke- Anggota
1 3, 4, 7, 8, 9, 10
2 1
3 2, 5, 6
Keterangan: Tabel 3.4 dan tabel 3.5 menunjukan bahwa hasil pelatihan tiga kelompok
dengan epoch 8.000 dan 10.000 menghasilkan kelompok dengan anggota yang konsisten. Terlihat perbedaan hanya pada letak penempatan kelompok.
Hasil pelatihan tiga kelompok yaitu kelompok ke-1 anggotanya adalah industri sawit; kelompok ke-2 anggotanya adalah industri olahan karet,
industri minyak goreng, industri alumunium, industri migas, industri listrik, industri rumah sakit dan kelompok ke-3 anggotanya adalah industri karet,
industri mie instan, industri kimia industry.
3. Hasil empat kelompok
Tabel 3.6 Hasil pelatihan dengan 8.000 epoch
Kelompok ke- Anggota
1 3, 4, 7, 8, 9, 10
2 1
3 5, 6
4 2
Universitas Sumatera Utara
28
Tabel 3.7 Hasil pelatihan dengan 10.000 epoch
Kelompok ke- Anggota
1 3, 4, 7, 8, 9, 10
2 1
3 5, 6
4 2
Keterangan: Tabel 3.6 dan tabel 3.7 menunjukan bahwa hasil pelatihan empat kelompok
dengan epoch 8.000 dan 10.000 menghasilkan kelompok yang sama. Hasil pelatihan empat kelompok yaitu kelompok ke-1 anggotanya adalah industri
olahan karet, industri minyak goreng, industri alumunium, industri migas, industri listrik, industri rumah sakit; kelompok ke-2 anggotanya adalah
industri sawit; kelompok ke-3 anggotanya adalah industri mie instan, industri kimia industry dan kelompok ke-4 anggotanya adalah industri karet.
4. Hasil lima kelompok
Tabel 3.8 Hasil pelatihan dengan 8.000 epoch
Kelompok ke- Anggota
1 3, 4, 7, 8, 9, 10
2 1
3 5, 6
4 -
5 2
Tabel 3.9 Hasil pelatihan dengan 10.000 epoch
Kelompok ke- Anggota
1 3, 4, 7, 8, 9, 10
2 1
3 5, 6
4 -
5 2
Keterangan: Tabel 3.8 dan tabel 3.9 menunjukan bahwa hasil pelatihan lima kelompok
dengan epoch 8.000 dan 10.000 menghasilkan kelompok yang sama.
Universitas Sumatera Utara
29
5. Hasil enam kelompok
Tabel 3.10 Hasil pelatihan dengan 8.000 epoch
Kelompok ke- Anggota
1 3, 4, 7, 8, 9, 10
2 1
3 5, 6
4 2
5 -
6 -
Tabel 3.11 Hasil pelatihan dengan 10.000 epoch
Kelompok ke- Anggota
1 3, 4, 7, 8, 9, 10
2 1
3 5, 6
4 2
5 -
6 -
Keterangan: Tabel 3.10 dan tabel 3.11 menunjukan bahwa hasil pelatihan enam kelompok
dengan epoch 8.000 dan 10.000 menghasilkan kelompok yang sama.
6. Hasil tujuh kelompok
Tabel 3.12 Hasil pelatihan dengan 8.000 epoch
Kelompok ke- Anggota
1 3, 4, 7, 8, 9, 10
2 1
3 5, 6
4 -
5 -
6 2
7 -
Universitas Sumatera Utara
30
Tabel 3.13 Hasil pelatihan dengan 10.000 epoch
Kelompok ke- Anggota
1 3, 4, 7, 8, 9, 10
2 1
3 5, 6
4 -
5 -
6 2
7 -
Keterangan: Tabel 3.12 dan tabel 3.13 menunjukan bahwa hasil pelatihan tujuh kelompok
dengan epoch 1.000 dan 10.000 menghasilkan kelompok yang sama.
7. Hasil delapan kelompok
Tabel 3.14 Hasil pelatihan dengan 8.000 epoch
Kelompok ke- Anggota
1 1
2 3, 4, 7, 8, 9, 10
3 5, 6
4 -
5 -
6 2
7 -
8 -
Tabel 3.15 Hasil pelatihan dengan 10.000 epoch
Kelompok ke- Anggota
1 3, 4, 7, 8, 9, 10
2 1
3 5, 6
4 -
5 -
6 -
7 2
8 -
Keterangan: Tabel 3.14 dan tabel 3.15 menunjukan bahwa hasil pelatihan delapan
kelompok dengan epoch 8.000 dan 10.000 menghasilkan kelompok dengan
Universitas Sumatera Utara
31
anggota yang konsisten. Terlihat perbedaan hanya pada letak penempatan kelompok.
8. Hasil sembilan kelompok
Tabel 3.16 Hasil pelatihan dengan 8.000 epoch
Kelompok ke- Anggota
1 3, 4, 7, 8, 9, 10
2 1
3 5, 6
4 2
5 -
6 -
7 -
8 -
9 -
Tabel 3.17 Hasil pelatihan dengan 10.000 epoch
Kelompok ke- Anggota
1 3, 4, 7, 8, 9, 10
2 1
3 5, 6
4 -
5 -
6 2
7 -
8 -
9 -
Keterangan: Tabel 3.16 dan tabel 3.17 menunjukan bahwa hasil pelatihan sembilan
kelompok dengan epoch 8.000 dan 10.000 menghasilkan kelompok dengan anggota yang konsisten. Terlihat perbedaan hanya pada letak penempatan
kelompok.
Universitas Sumatera Utara
323 3
BAB 4 KESIMPULAN DAN SARAN
4.1 Kesimpulan
