Penerapan Algoritma Adaptive Neuro Fuzzy Inference System Dalam Menentukan Tingkat Potensi Longsor Menggunakan Data Tematik
1. BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah
Bencana alam merupakan suatu peristiwa alam yang akibatnya akan
berdampak besar bagi populasi manusia, karenanya kemungkinan terjadinya
bencana alam harus dikurangi dengan mendeteksi bencana alam yang akan terjadi
dan segera menanggulanginya, misalnya pendeteksian bencana alam banjir, longsor
ataupun letusan gunung. Longsor adalah suatu kejadian geologi yang terjadi karena
pergerakan masa batuan atau tanah dengan berbagai tipe dan jenis seperti jatuhnya
bebatuan atau gumpalan tanah besar. Longsor merupakan kejadian bencana alam
yang sering terjadi tiba-tiba, sehingga sulit untuk diprediksi kejadiannya. Menurut
data dari Badan Nasional Penanggulangan Bencana (BNPB) terdapat 494 kejadian
longsor pada tahun 2011-2014 atau 4 tahun terakhir ini. Berdasarkan Pedoman
Penataan Ruang kawasan rawan bencana longsor yang ditetapkan dalam peraturan
menteri Pekerjaan Umum no.22/PRT/M/2007 salah satu cara untuk memperkecil
terjadinya longsor adalah dengan menentukan tingkat longsor menggunakan
beberapa faktor penyebab, yaitu kemiringan lereng, ketinggian tanah dan curah
hujan. Dengan adanya beberapa faktor tersebut kejadian longsor dapat dinilai
tingkatan longsornya dan dapat diberikan tindak lanjut yang tepat. Faktor-faktor
penyebab tersebut dapat diketahui dengan menggunakan berbagai macam
perspektif atau konteks, salah satunya dapat diketahui dengan menggunakan data
hasil olahan dari citra satelit atau data tematik. Dengan menggunakan data tematik
tersebut penentuan tingkat potensi longsor haruslah ditentukan menggunakan
sebuah metode atau algoritma yang akan membantu dalam menentukan tingkat
potensi longsor.Berdasarkan hasil studi literatur penggunaan algoritma Adaptive Neuro Fuzzy
Inference System (ANFIS) sebelumnya yang berjudul “Prediksi Curah Hujan dan
Debit Menggunakan Adaptive Neuro-Fuzzy Inference System (ANFIS)” yang
yang lebih baik dibandingkan dengan menggunakan data bulanan, metode temporal
hasil identifikasi ANFIS juga layak dipergunakan untuk memprediksi curah hujan
dan debit sungai, karena hasil prediksi dapat memberikan nilai kesalahan (RMSE)
yang cukup kecil dan nilai korelasi yang mendekati 1.Dalam pengimplementasian sistem penentuan tingkat potensi longsor yang
baik pastilah diperlukan beberapa kriteria yaitu tingkat keakurasian yang tinggi dan
kecepatan baik dalam menentukan tingkatan faktor-faktor pendukung terjadinya
longsor ataupun dalam proses pembelajarannya. Algoritma ANFIS memiliki
keunggulan yaitu teknik pembelajaran dari jaringan syaraf tiruan untuk
mengoptimasi proses, sehingga dapat mengurangi waktu proses pencarian. Oleh
karena itu, salah satu algoritma yang dapat diterapkan dalam menentukan tingkat
potensi longsor ini adalah algoritma Adaptive Neuro Fuzzy Inference System
(ANFIS).Berdasarkan studi literatur yang menjelaskan bahawa algoritma ANFIS dapat
secara akurat diterapkan dalam memperediksi curah hujan dan masalah yang sudah
dipaparkan diatas, dengan begitu perlulah dilakukan suatu penelitian mengenai
penerapan algoritma ANFIS dalam menentukan tingkat potensi longsor, maka
dalam penelitian ini diambilah judul “Penerapan Algoritma Adaptive Neuro Fuzzy
Inference System Dalam Menentukan Tingkat Potensi Longsor Menggunakan data
tematik ”.1.2. Rumusan Masalah
Berdasarkan identifikasi masalah diatas, maka didapatkan rumusan masalah sebagai berikut :
1. Bagaimana cara penerapan algoritma Adaptive Neuro Fuzzy Inference
System dalam menentukan tingkat potensi longsor ?
2. Bagaimana cara menentukan tingkat potensi longsor menggunakan data tematik ?
menggunakan data tematik berdasarkan parameter-parameter yang menyusun
terjadinya bencana longsor. Dengan tujuan penelitian disini yaitu untuk mengetahui
seberapa baik algoritma Adaptive Neuro Fuzzy Inference System dapat diterapkan
dalam menentukan tingkat potensi longsor berdasarkan performansi error rate yang
didapat.1.4. Batasan Masalah
Pada penerapan algoritma Adaptive Neuro Fuzzy Inference System dalam
menentukan tingkat potensi longsor menggunakan data tematik ini terdapat
beberapa batasan masalah, yaitu :
1. Penelitian hanya menitik beratkan pada penerapan algoritma ANFIS dalam
menentukan tingkat potensi longsor.
2. Faktor-faktor yang digunakan sebagai parameter rawan longsor yaitu
kemiringan lereng, ketinggian tanah dan curah hujan.
3. Citra satelit sudah diproses menggunakan software ArcGIS di kementrian
Pekerjaan Umum.
4. Data yang digunakan merupakan data yang disusun berdasarkan kelurahan
yang ada di daerah Bogor.
5. Hasil proses citra satelit atau data tematik digunakan sebagai data yang diolah
dalam algoritma ANFIS.
6. Hasil akhir program merupakan Simulator penentuan tingkat potensi longsor
menggunakan algoritma ANFIS.
7. Penerapan algoritma ANFIS dalam menentukan tingkat potensi longsor
diterapkan untuk menguji performansi berdasarkan error rate yang didapat.
1.5. Metodologi Penelitian
Metodologi penelitian yang dilakukan dalam penelitian ini menggunakan
metode deskriptif. “Metode deskriptif adalah suatu metode dalam meneliti status
kelompok manusia, suatu objek, suatu set kondisi, suatu sistem pemikiran, ataupun
1.5.1. Metode Pengumpulan Data Metode pengumpulan data adalah tahapan awal yang dilakukan dalam
penelitian ini dengan tujuan untuk mendapatkan data-data ataupun informasi yang
dibutuhkan dalam proses pembangunan aplikasi ini. Adapun metode pengumpulan
data yang dilakukan adalah Studi Literatur. Studi Literatur merupakan metode
pengumpulan data dengan sumber bukan manusia atau non human resources,
diantaranya dokumen, jurnal, teks, buku dan bahan statistik yang berkaitan dengan
penelitian.1.5.2. Metode Pembangunan Perangkat Lunak Metode pembangunan perangkat lunak yang digunakan adalah model
Prototype. Secara garis besar model protitype menurut Roger S.Pressman, Ph.D.[9]
berikut merupakan tahapan-tahapan proses pengembangan yang terdapat dalam
model prototype:1. Pengumpulan kebutuhan Pengguna dan pengembang bersana-sama mendefinisikan format seluruh
perangkat lunak, mengidentifikasikan semua kebutuhan dan menentukan garis
besar dari sistem yang akan dibuat.2. Membangun prototyping Membangun prototyping dengan membuat perancangan sementara yang
berfokus pada penyajian kepada pengguna (misalnya dengan membuat input dan
format output).3. Evaluasi prototyping Evaluasi ini dilakukan oleh pelanggan, apakah prototyping yang sudah
dibangun sudah sesuai dengan keinginan pelanggan atau belum. Jika sudah sesuai,
maka langkah selanjutnya akan masuk ke tahap pengkodean sistem. Namum jika
tidak, maka prototyping direvisi dengan tahapan-tahapan sebelumnya.4. Mengkodekan sistem Dalam tahapan ini prototyping sudah disepakati yang kemudian diterjemahkan
5. Menguji sistem Setelah sistem sudah menjadi suatu perangkat lunak yang siap pakai, kemudian dilakukan proses pengujian. Pengujian ini dilakukan dengan metode Black Box.
6. Evaluasi sistem Pengguna mengevaluasi apakah perangkat lunak yang telah jadi tersebut sudah
sesuau dengan yang diharapkan. Jika ya, maka proses akan dilanjutkan ke tahap
selanjutnya, namun juka perangkat lunak yang sudah jadi tidak/belum sesuai
dengan apa yang diharapkan, maka tahapan sebelumnya akan diulang.7. Menggunakan sistem Pada tahap ini apabila perangkat lunak yang telah dievaluasi dan sudah diuji
tersebut diterima oleh pelanggan maka perangkat lunak siap untuk digunakan oleh
pengguna.Berikut merupakan gambar metode pembangunan perangkat lunak prototype, dapat dilihat pada gambar 1.1 :
Gambar 1.1 Metode Pembangunan Perangkat Lunak Prototype
1. Communication : Komunikasi terlebih dahulu yang dilakukan antara pelanggan
dengan tim pengembang perangkat lunak mengenai spesifikasi kebutuhan yang diinginkan2. Quick Plan : akan dilakukan perencanaan dan pemodelan secara cepat berupa
3. Modeling Quick Design : segera membuat model, dan quick design fokus pada
gambaran dari segi software apakah visible menurut pelanggan.4. Construction of Prototype : pembuatan dari prototype.
5. Deployment, Delivery & Feedback : prototype yang dikirimkan kemudian
dievaluasi oleh pelanggan, feedback digunakan untuk menyaring kebutuhan untuk software.1.6. Sistematika Penulisan
Sistematika penulisan pada penelitian ini terbagi kedalam 5 bab beserta
materinya. Sebagai gambaran umum, sistematika penulisan laporan yang akan
ditulis adalah sebagai berikut :Bab 1 PENDAHULUAN Pendahuluan menjelaskan mengenai latar belakang masalah, rumusan masalah,
maksud dan tujuan, batasan masalah, metodologi penelitan dan sistematika
penulisan.Bab 2 LANDASAN TEORI Pada bab ini akan menjelaskan tentang semua konsep-konsep yang mendukung dan
mendasari pelaksanaan tugas akhir yaitu Artificial Intelligence, Algoritma Adaptive
Neuro Fuzzy Inference System (ANFIS), C#, citra satelit, arcGIS dan lain-lain.Bab 3 ANALISIS DAN KEBUTUHAN SISTEM Bab ini terdiri dari analisis dan perancangan aplikasi yang akan dibangun dalam
tugas akhir yaitu analisis masalah, analisis sistem yang akan dibangun, analisis
kebutuhan data, analisis metode, analisis kebutuhan data non fungsional, analisis
kebutuhan fungsional dan perancangan sistem.Bab 4 IMPLEMENTASI DAN PENGUJIAN
pengujian perangkat lunak yaitu implementasi sistem, implementasi antarmuka dan
pengujian sistem.Bab 5 KESIMPULAN DAN SARAN Bab ini berisi kesimpulan dan saran dari hasil penerapan algoritma Adaptive Neuro Fuzzy Inference System dalam menentukan tingkat potensi longsor menggunakan data tematik.
1. BAB 2 LANDASAN TEORI 1.1. Artificial Intelligence (AI) Kecerdasan buatan menurut H.
A. Simon (1987) “kecerdasan buatan (artificial
intelligence) merupakan kawasan penelitian, aplikasi dan instruksi yang terkait
dengan pemrograman komputer untuk melakukan sesuatu hal yang dalam
pandangan manusia adalah cerdas”. Kecerdasan buatan sendiri merupakan salah
satu cabang ilmu pengetahuan yang berhubungan dengan pemanfaatan mesin untuk
memecahkan persoalan yang rumit dengan cara yang lebih manusiawi. Hal tersebut
biasanya dilakukan dengan mencontoh karakteristik dan analogi berpikir dari
kecerdasan manusia, dan menerapkannya sebagai algoritma yang dikenal oleh
komputer. Manusia bisa menjadi pintar dalam menyelesaikan permasalahan-
permasalahan yang ada di dunia ini karena manusia mempunyai pengetahuan dan
pengalaman yang diperoleh dari belajar. Semakin banyak bekal pengetahuan yang
dimiliki oleh seseorang tentu saja diharapkan akan lebih mampu dalam
menyelesaikan suatu permasalahan. Namun pengetahuan saja tidak cukup, manusia
juga diberi akal untuk berpikir, mengambil kesimpulan berdasarkan pengetahuan
dan pengalaman yang dimiliki. Agar komputer bisa bertindak seperti manusia,
maka komputer juga harus diberi bekal pengetahuan dan mempunyai kemampuan
untuk berpikir. Untuk itu AI mempunyai banyak metode untuk membekali
komputer dengan pengetahuan dan akal yang mirip dengan manusia agar komputer
bisa menjadi mesin yang cerdas.1.2. Adaptive Neuro Fuzzy Inference System (ANFIS)
Adaptive Neuro Fuzzy Inference System (ANFIS) penggabungan mekanisme
fuzzy inference system yang digambarkan dalam arsitektur jaringan syaraf. Sistem
inferensi fuzzy yang digunakan adalah sistem inferensi fuzzy model Tagaki-
Sugeno-Kang (TSK) orde satu dengan pertimbangan kesederhanaan dan
Gambar 2. 1 Struktur ANFIS
Terlihat pada gambar 2.1 sistem neuro-fuzzy terdiri atas lima lapisan denganfungsi yang berbeda untuk tiap lapisannya. Tiap lapisan terdiri atas beberapa simpul
yang dilambangkan dengan kotak atau lingkaran. Lambang kotak menyatakan
simpul adaptif artinya nilai parameternya bisa berubah dengan pembelajaran dan
lambang lingkaran menyatakan simpul nonadaptif yang nilainya tetap.Lapisan 1 : semua simpul pada lapisan ini adalah simpul adaptif (parameternya
dapat berubah). Parameter a,b,c pada fungsi keanggotaan gbell dinamakan
parameter premis yang adaptif, dengan b yang biasa nya bernilai 1 untuk
menentukan nilai keanggotaan bell tidak terbalik. Berikut gambar kurva
Generalized Bell yang dapat dilihat pada gambar 2.2, dan persamaan gbell dapat
dilihat pada persamaan 2.1.
Gambar 2. 2 Kurva Generalized Bell
persamaan (2.1) �� , , , =−
- | |
Fungsi simpul ini adalah mengalikan setiap sinyal masukan yang datang. dengan
fungsi simpul lapisan 2 dapat dilihat pada persamaan 2.2.� ,�
= �
= � . � , � = , Persamaan (2.2)
Keterangan variable: x = nilai masukan y = nilai masukan w i = bobot ke-i µ i = nilai keanggotaan kelas-i O2
,i = nilai hasil dari lapisan 2 ke-i
Tiap keluaran simpul menyatakan derajat pengaktifan (firing strength) tiap aturan
fuzzy. Fungsi ini dapat diperluas apabila bagian premis memiliki lebih dari dua
himpunan fuzzy. Banyaknya simpul pada lapisan ini menunjukkan banyaknya
aturan yang dibentuk.Lapisan 3 : setiap simpul pada lapisan ini adalah simpul nonadaptif yang
menampilkan fungsi dearajat pengaktifan ternormalisasi (normalized firing
strength) yaitu rasio keluaran simpul ke-i pada lapisan sebelumnya terhadap seluruh
keluaran lapisan sebelumnya, dengan bentuk fungsi simpul lapisan 3 dapat dilihat
pada persamaan 2.3.� ,�
= �
= � � � +�
, � = , Persamaan (2.3)
Keterangan variable : w i = bobot ke-i �
= derajat pengaktifan ternormalisasi ke-i (normalized firing strength) O 3,i
= nilai hasil dari lapisan 3 ke-i Lapisan 4 : setiap simpul pada lapisan ini adalah simpul adaptif dengan fungsi simpul lapisan 4 dapat dilihat pada persamaan 2.4. i f = sinyal kontrol ke-i O 4,i = nilai hasil dari lapisan 4 ke-i
Dengan adalah derajat pengaktifan ternormalisasi dari lapisan 3 dan parameter
� p,q,r menyatakan parameter konsekuen yang adaptif.
Lapisan 5 : pada lapisan ini hanya ada satu simpul tetap yang ada fungsinya untuk
menjumlahkan semua masukan, dengan fungsi simpul lapisan 5 dapat dilihat pada
persamaan 2.5.Persamaan (2.5)
� = ∑ �
,� � � � Keterangan variable : = derajat pengaktifan ternormalisasi ke-i (normalized firing strength)
� i f = sinyal kontrol ke-i O 5,i = nilai hasil dari lapisan 5 ke-i
1.2.1. Proses Belajar ANFIS
3 7
9
X1,x2 11 x1 4 13 5 810
12 Y x2 6 X1,x2LAPISAN 1 LAPISAN 2 LAPISAN 3 LAPISAN 4 LAPISAN 5
Gambar 2. 3 Struktur ANFIS Backpropagation
Struktur ANFIS Backpropagation pada gambar 2.3, simpul adaptif terdapat
pembelajaran hibrid, yang artinya penyatuan dua metode pembelajaran yang terdiri
dari dua bagian yaitu arah maju (forward pass) dan arah mundur (backward pass).
Pada forward pass, parameter premis dibuat tetap. Dengan menggunakan
metode Recursive Least Square Estimator (RLSE), parameter kensekuen diperbaiki
berdasarkan pasangan data masukan-keluaran. Pada backward pass, parameter
kensekuen dibuat tetap. Kesalahan yang terjadi antara keluaran jaringan adaptif dan
keluaran sebenarnya dipropagasikan balik dengan menggunakan gradient descent
untuk memperbaiki parameter premis, pembelajaran ini dikenal sebagai algoritma
Backpropagation-error. Satu tahap arah pembelajaran maju-mundur dinaikan satu
epoch. Proses pembelajaran hibrid ANFIS dapat dilihat pada tabel 2.1.
Tabel 2. 1 Proses pembelajaran hibrid ANFIS
Arah Maju Arah Mundur Parameter Premis Tetap Backpropagation Error Parameter Konsekuen LSE Tetap
Error lapisan 5 : Pada lapisan 5 hanya terdiri dari 1 hasil output, maka propagasi error yang menuju lapisan 5 dapat dilihat pada persamaan 2.6.
∗ persamaan (2.6)
� = − − � � ∗
Dengan adalah target output data pelatihan ke-p, dan adalah hasil output dari
�� lapisan ke-5.
Error lapisan 4 : Pada lapisan 4 tidak dilakukan perhitungan error hal ini dikarenakan pada alur
mundur tidak terjadi update nilai parameter konsekuen yang terdapat pada lapisan
4 atau bisa dikatakan tetap.
Error lapisan 3 : Dengan melihat gambar 2.2, maka propagasi error yang menuju lapisan 3 dapat
Error lapisan 2 : Dengan melihat gambar 2.2, maka propagasi error yang menuju lapisan 2 dapat dilihat pada persamaan 2.9 dan 2.10.
Untuk simpul 7 : �� � � � � �� � � � �
� = persamaan (2.9) +
�� �� �� �� �� �� �� �� Untuk simpul 8 :
�� � � � � �� � � � � persamaan (2.10) + � =
�� �� �� �� �� �� �� �� Error lapisan 1 :
Dengan melihat gambar 2.2, maka propagasi error yang menuju lapisan 1 dapat dilihat pada persamaan 2.11
- – 2.14.
� Untuk simpul 3 persamaan (2.11) � = �
�� � Untuk simpul 4 persamaan (2.12) � = �
�� � Untuk simpul 5 persamaan (2.13) � = �
�� � Untuk simpul 6 persamaan (2.14) � = �
�� 1.3.
Citra Satelit Citra Satelit merupakan suatu citra yang didapat dari pemotretan / perekaman
alat sensor yang dipasang pada wahana satelit ruang angkasa dengan ketinggian
lebih dari 400 km dari permukaan bumi. Pemanfaatan citra satelit saat ini sudah
sangat luas jangkauannya, terutama dalam hal yang berkaitan dengan ruang spasial
permukaan bumi, mulai dari bidang sumber daya alam, lingkungan, kependudukan,
transportasi hingga pada bidang pertanian.Landsat 8 merupakan kelanjutan dari misi Landsat yang untuk pertama kali
diluncurkan 5 Maret 1978 berakhir 31 Maret 1983, Landsat 4 diluncurkan 16 Juli
1982, dihentikan 1993. Landsat 5 diluncurkan 1 Maret 1984 masih berfungsi
sampai dengan saat ini namun mengalami gangguan berat sejak November 2011,
akibat gangguan ini, pada tanggal 26 Desember 2012, USGS mengumumkan bahwa
Landsat 5 akan dinonaktifkan. Berbeda dengan 5 generasi pendahulunya, Landsat
6 yang telah diluncurkan 5 Oktober 1993 gagal mencapai orbit. Sementara Landsat
7 yang diluncurkan April 15 Desember 1999, masih berfungsi walau mengalami
kerusakan sejak Mei 2003.Pada tabel 2.2 dapat dilihat bahwa Landsat 8 memiliki sensor Onboard
Operational Land Imager (OLI) dan Thermal Infrared Sensor (TIRS) dengan
jumlah kanal atau band sebanyak 11 buah. Diantara kanal-kanal tersebut, 9 kanal
(band 1-9) berada pada OLI dan 2 lainnya (band 10 dan 10) pada TIRS, berikut
tabel 2.2.
Tabel 2. 2 Tabel Band Penyusun Landsat 8
Band Wavelength Useful for mapping
Band 1 0.43-0.45 coastal and aerosol studies
- – coastal aerosol
Bathymetric mapping, distinguishing Band 2 0.45-0.51 soil from vegetation and deciduous
- – blue
from coniferous vegetation Emphasizes peak vegetation, which is Band 3 - green 0.53-0.59 useful for assessing plant vigor Discriminates vegetation slopes
Band 4 - red 0.64-0.67 Band 5 - Near Infrared Emphasizes biomass content and 085.-0.88 (NIR) shorelines
Discriminates moisture content of soil Band 6 - Short-wave 1.57-1.65 and vegetation; penetrates thin clouds
Infrared (SWIR) 1
Band 7 - Short-wave Improved moisture content of soil and
2.11-2.29Infrared (SWIR) 2 vegetation and thin cloud penetration
15 meter resolution, sharper image Band 8 - Panchromatic .50-.68 definition
Band Wavelength Useful for mapping
100 meter resolution, thermal mapping Band 1010.60
- – TIRS 1 – 11.19
and estimated soil moisture 100 meter resolution, Improved thermal Band 11 11.5-12.51
- – TIRS 2
mapping and estimated soil moisture 1.4.
Software arcGIS ArcGIS adalah salah satu Software yang dikembangkan oleh ESRI
(Environment Science & Research Institute) yang merupakan kompilasi dari
berbagai macam software GIS yang berbeda seperti GIS desktop, server, dan GIS
berbasis web. Software ini mulai dirilis oleh ESRI pada tahun 2000. ArcGIS
desktop sendiri terdiri dari 5 aplikasi dasar, ArcMap, ArcCatalog, ArcToolbox,
ArcGlobe dan ArcScene.a. ArcMap ArcMap merupakan Aplikasi utama yang digunakan dalam ArcGIS yang digunakan untuk mengolah (create, viewing, query, editing, composite, publishing) peta.
b. ArcCatalog ArcCatalog adalah aplikasi yang berfungsi untuk mengatur atau mengorganisir berbagai macam data spasial yang digunakan dalam pekerjaan SIG. Fungsi ini meliputi tool untuk browsing, organizing, distribution dan documentation data-data SIG.
c. ArcToolbox Terdiri dari kumpulan aplikasi yang berfungsi sebagai perangkat dalam melakukan berbagai macam analisis keruangan.
d. ArcGlobe Aplikasi ini berfungsi untuk menampilkan peta-peta secara 3D ke dalam bola dunia dan dapat dihubungkan langsung dengan internet.
e. ArcScene
1.5. Shape file Shape file merupakan sebuah file yang berekstensi .shp yang menyimpan data
geografis dalam sebuah vektor. Shape file biasanya berupa titik, garis dan poligon.
Dimana titik biasanya merepresentasikan lokasi suatu objek tertentu misalnya
posisi sekolah, spbu, dsb. Sedangkan garis biasanya merepresentasikan objek yang
memiliki titik awal dan titik akhir yang berbeda misalnya jalan, sungai, dsb.
Sementara poligon biasanya digunakan untuk merepresentasikan objek yang
memiliki titik awal dan titik akhir yang sama misalnya danau, kabupaten, kota, dsb.
1.6. Entity Relationship Diagram (ERD) Entity Relationship Diagram (ERD) adlaah suatu model untuk menjelaskan
hubungan antar data dalam basis data berdasarkan objek-objek dasar data yang
mempunyai hubungan antar relasi.ERD digambarkan dalam bentuk komponen-komponen ERD yang saling
menyusun. Komponen ERD diantaranya adalah entitas, atribut, relasi serta garis
yang menghubungkan atribut dengan kumpulan entitas dan kumpulan entitas
dengan relasi.1.7. Diagram Konteks Diagram konteks adalah diagram yang terdiri dari suatu proses dan
menggambarkan ruang lingkup suatu sistem. Diagram konteks merupakan level
tertinggi dalam DFD (Data Flow Diagram) yang menggambarkan seluruh input ke
sistem atau output dari sistem.1.8. Data Flow Diagram (DFD) Data Flow Diagram (DFD) merupakan alat yang digunakan dalam metodologi
pengembangan sistem yang terstruktur (structured analysis and design). DFD
sering digunakan untuk menggambarkan suatu sistem yang telah ada atau sistem
baru yang akan dikembangkan secara logika tanpa mempertimbangkan lingkungan
1.9. Kamus Data Kamus data adalah suatu kumpulan data elemen yang tersetruktur dengan
pengertian yang konsistem dan sesuai dengan sistem, sehingga pengguna maupun
analyst sistem memiliki pemahaman yang sama mengenai data masukan dan
keluaran.Dengan adanya kamus data, didapat definisi-definisi dari bentuk-bentuk yang
kurang dimengerti dalam DFD seperti aliran data, file, proses dan elemen-elemen
data.1.10. Flowchart Flowchart merupakan gambar atau bagian yang memperlihatkan urutan dan
hubungan antar proses beserta instruksinya. Flowchart digambarkan dengan
simbol, dengan begitu setiap simbil menggambarkan proses tertentu. Sedangkan
hubungan antar proses digambarkan dengan garis penghubung.Flowchart disini merupakan langkah awal pembuatan program. Dengan
adanya flowchart urutan proses kegiatan menjadi lebih jelas. Setelah flowchart
selesai disusun, selanjutnya pemrogram menerjemahkannya ke bentuk program
dengan bahasa pemrograman.1.11. MySQL MySQL adalah sebuah perangkat lunak sistem manajemen basis data SQL
(Structured Query Language) atau DBMS yang multithread, multi-user. MySQL
sebenarnya merupakan turunan salah satu konsep utama dalam database sejak lama,
yaitu SQL (Structured Query Language). SQL sendiri adalah sebuah konsep
pengoperasian database, terutama untuk pemilihan atau seleksi dan pemasukan
data, yang memungkinkan pengoperasian data dikerjakan dengan mudah secara
otomatis.Adapun beberapa keistimewaan dari MySQL sehingga banyak orang menggunakan MySQL : b. Peragkat lunak sumber terbuka (Open Source) MySQL didistribusikan sebagai open source sehingga dapat digunakan secara gratis.
c. Multi-user MySQL dapat digunakan oleh beberapa pengguna dalam waktu yang bersamaan tanpa mengalami masalah ataupun konflik.
d. Performance Tuning MySQL memiliki kecepatan yang menakjubkan dalam menangani query sederhana, dengan kata lain dapat memproses lebih banyak SQL per satuan waktu.
e. Ragam Tipe Data MySQL memiliki ragam tipe data yang sanagat kaya, seperti signed /
unsigned integer, float, double, char, text, date, timestamp dan lain-lain.
f. Perintah dan Fungsi MySQL memiliki operator dan fungsi secara penuh yang mendukung perintah select dan where dalam perintah (query).
g. Keamanan MySQL memiliki beberapa lapisan keamanan seperti password yang terenkripsi.
h. Skalabilitas dan Pembatasan MySQL mampu menangani basis data dalam skala besar, dengan jumlah record lebih dari 50 juta dan 60 ribu tabel serta 5 milyar baris. Selain itu batas indeks yang dapat ditampung mencapai 32 indeks pada tiap tabelnya. i. Konektivitas MySQL dapat melakukan koneksi dengan klien menggunakan protokol
TCP/IP, Unix soket (UNIX), atau named pipes (NT). j. Lokalisasi MySQL dapat mendeteksi pesan kesalahan pada klien dengan menggunakan lebih dari dua puluh bahasa.
MySQL memiliki antar muka (interface) terhadap berbagai aplikasi dan bahasa pemrograman dengan mengguanakn fungsi API (Application Programming Interface). l. Klien dan Peralatan MySQL dilengkapi dengan berbagai tools yang dapat digunakan untuk administrasi basis data dan pada setiap peralatan yang ada disertakan petunjuk online. m. Strutur Tabel MySQL memiliki struktur tabel yang lebih fleksibel dalam menagani
ALTER TABLE, dibandingkan basis data lainnya semacam PostgreSQL ataupun Oracle.
1.12. Bahasa Pemrograman C# C# adalah sebuah bahasa pemrograman berorientasi objek yang dapat
digunakan untuk membuat program diatas arsitektur Micorosoft.NET framework.
Awalnya pada tahun 2000, Microsoft mulai meluncurkan bahasa yang dikenal
dengan nama C#. Bahasa C# sendiri dibuat dengan bahasa yang berbasiskan bahasa
C++ yang telah dipengaruhi oleh fitur bahasa yang terdapat pada bahasa-bahasa
pemrograman lain, antara lain java dan C. Bahasa pemrograman C# sendiri dibuat
sebagai bahasa pemrograman yang bersifat general-purpose atau open source.
Bahasa pemrograman C# ditujukan untuk digunakan dalam mengembangkan
komponen perangkat lunak yang mampu mengambil keuntungan dari setiap
penggunanya.1.13. Microsoft Visual Studio Microsoft Visual Studio merupakan sebuah perangkat lunak lengkap yang
dapat digunakan untuk melakukan pengembangan aplikasi, baik itu aplikasi bisnis,
aplikasi personal, ataupun komponen aplikasinya, dalam bentuk aplikasi console,
aplikasi Windows, ataupun aplikasi Web. Visual Studio mencakup kompiler, SDK,
Integrated Development Environment (IDE), dan dokumentasi (umumnya berupa
Microsoft Visual Studio dapat digunakan untuk mengembangkan aplikasi
dalam native code (dalam bentuk bahasa mesin yang berjalan diatas Windows)
ataupun managed code (dalam bentuk Microsoft Intermediate Language diatas
.NET Framework). Selain itu, Visual Studio juga dapat digunakan untuk
mengembangkan aplikasi Silverlight, aplikasi Windows Mobile (yang berjalan
diatas .NET Compact Framework).Visual Studio kini telah menginjak versi Visual Studio 9.0.21022.08, atau
dikenal dengan sebutan Microsoft Visual Studio 2008 yang diluncurkan pada 19
November 2007, yang ditujukan untuk platform Microsoft .NET Framework 3.5.
Versi sebelumnya, Visual Studio 2005 ditujukan untuk platform .NET Framework
2.0 dan 3.0. Visual Studio 2003 ditujukan untuk .NET Framework 1.1, dan Visual
Studio 2002 ditujukan untuk .NET Framework 1.0. Versi-versi tersebut diatas kini
dikenal dengan sebutan Visual Studio .NET, karena memang membutuhkan
Microsoft .NET Framework. Sementara itu, sebelum muncul Visual Studio .NET,
terdapat Microsoft Visual Studio 6.0 (VS1998).1.14. Pengujian Matrix Confusion
Matrix Confusion adalah sebuah matriks yang memberikan gambaran
mengenai tingkat kesalahan atau error rate dan kualitas prediksi sebuah model.
Ukuran dimensi matrix confusion adalah L x L yang dimana L merupakan jumlah
nilai yang ingin dibandingkan [10]. Matrix confusion berisi informasi tentang
klasifikasi aktual dan diperkirakan yang dilakukan oleh sistem klasifikasi. Berikut
cara menentukan Matrix Confusion dapat dilihat pada tabel 2.3.
Tabel 2. 3 Matrix Confusion
Prediksi
Negative Positive Negative a b
Aktual
Positive c d Setiap kolom pada matrix confusion mewakili contoh di kelas yang
dilakukan oleh system, sedangkan setiap baris mewakili contoh di kelas yang sudah
ditentukan. Setelah mengetahui nilai a, b, c dan d maka selanjutnya dilakukan
1. BAB 3 ANALISIS DAN KEBUTUHAN SISTEM 1.1. Analisis
Pada bagian ini akan dilakukan analisis dan perancangan pada sistem yang
akan dibangun, yaitu penerapan algoritma Adaptive Neuro Fuzzy Inference System
dalam menentukan tingkat potensi longsor menggunakan data tematik.1.1.1. Analisis Masalah
Longsor merupakan kejadian bencana alam yang sering terjadi tiba-tiba,
sehingga sulit untuk diprediksi kejadiannya. Menurut data dari Badan Nasional
Penanggulangan Bencana (BNPB) terdapat 494 kejadian longsor pada tahun 2011-
2014 atau 4 tahun terakhir ini. Salah satu cara untuk memperkecil terjadinya longsor
adalah dengan menentukan tingkat longsor menggunakan beberapa faktor
penyebab, yaitu kemiringan lereng, ketinggian tanah dan curah hujan.Berdasarkan hasil studi literatur penggunaan algoritma Adaptive Neuro Fuzzy Inference System
(ANFIS) sebelumnya yang berjudul “Prediksi Curah Hujan dan
Debit Menggunakan Adaptive Neuro-Fuzzy Inference System (ANFIS)” yang
ditulis oleh Rizki Maulana, beberapa kesimpulan yang didapat yaitu model
dinamika temporal hidrometeorologi dapat diidentifikasi secara akurat oleh ANFIS
dengan menggunakan data pentad yang menghasilkan nilai training dan prediksi
yang lebih baik dibandingkan dengan menggunakan data bulanan, metode temporal
hasil identifikasi ANFIS juga layak dipergunakan untuk memprediksi curah hujan
dan debit sungai, karena hasil prediksi dapat memberikan nilai kesalahan (RMSE)
yang cukup kecil dan nilai korelasi yang mendekati 1.Dengan begitu pengimplementasian sistem penentuan tingkat potensi longsor
yang baik pastilah diperlukan beberapa kriteria yaitu tingkat keakurasian yang
tinggi dan kecepatan baik dalam menentukan tingkatan faktor-faktor pendukung
terjadinya longsor ataupun dalam proses pembelajarannya. Algoritma ANFIS
1.1.2. Analisis Data Masukan
Setelah dilakukan analisis masalah dari sistem, maka tahap selanjutnya adalah
menentukan analisis dari sistem yang akan dibangun. Adapun analisis sistem yang
akan dibangun dapat dilihat dari flowmap gambar 3.1. Kemiringan Lereng, Ketingg ian Tanah) (Curah Hujan, MULAI Data BaseData Pembelajaran Perubahan
LAPISAN 1 (Fuzzyfikasi) Parameter Premis
LAPISAN 2 (Sistem Inferensi Fuzzy AND) LAPISAN 3
(Normalis asi) LAPISAN 4 (LSE) LAPISAN 5
(Defuzifikasi) Toleransi Error Max Epoch / RMSE > YA Propagation Error Back LAPISAN 5 - 1 TIDAK Parameter
Premis ANF IS SELESAI
Gambar 3.1 Flowmap Analisis dari Sistem yang akan dibangunBerdasarkan gambar 3.1, terdapat data input yaitu data curah hujan,
kemiringan lereng dan ketinggian tanah yang akan dimasukan kedalam sistem
5 selesai dikerjakan, selanjutnya akan dicek apakah iterasi sudah melebihi batas
iterasi yang ditetapkan atau rmse melebihi batas toleransi error yang ditetapkan,
jika kedua kondisi tersebut benar maka akan dilakukan perhitungan Error Back
Propagation Lapisan 5-1 yang dimana akan memperbarui nilai parameter premis,
kemudian akan dilanjutkan kembali ke perhitungan lapisan 1, jika salah satu kondisi
salah maka proses selanjutnya adalah menghitung parameter premis yang baru.1.1.3. Analisis Kebutuhan Data
Untuk menjalankan sistem ini dibutuhkan masukan data yang dijadikan sebagai
bahan perbandungan dengan data yang ada pada basis data. Adapun data yang
diperlukan untuk pembuatan aplikasi ini yaitu :
1. Data shapefile kota bogor yang merupakan hasil olahan citra satelit yang
berformat *.shp
2. Data citra LANDSAT untuk pembuatan peta kemiringan lereng yang berformat
*.TIFF.
3. Gambar yang merupakan hasil dari pengolahan citra satelit menggunakan
software ArcGIS, yaitu gambar faktor penyusun longsor kemiringan lereng yang berformat *.bmp.4. Data curah hujan per kecamatan kota Bogor dari kementrian PU.
5. Data ketinggian tanah per kecamatan kota Bogor yang diambil dari website
pemerintah kota bogor profilwilayah.kotabogor.go.id.1.1.4. Analisis Metode
Analisis metode disini akan membahas sample data yang akan dilakukan
simulasi pada algoritma ANFIS hingga output yang akan diharapkan. Awal data
yang akan diproses masih berupa citra LANDSAT yaitu berupa citra mentah yang
masih belum diolah. Pengolah citra LANDSAT menggunakan software ArcGIS.
Setelah pengolahan citra satelit yaitu LANDSAT tersebut maka didapatlah nilai
kemiringan lereng yang nantinya akan digabung dengan paramater curah hujan dan
Data Curah Hujan, Kemiringan Lereng, Rendah Sedang W Ketinggian Tanah 1 ѿ
1 Curah Hujan
RENDAH RENDAH
.f Rendah Tinggiѿ
1
1 W
2
2 Sedang
SEDANG SEDANG
ѿ Kemiringan Lereng.f ƒ Tinggi ѿ
2
2 W
3
3 Rendah
TINGGI TINGGI
ѿ .f Sedangѿ
3
3 Ketinggian Tanah Tinggi
Gambar 3.2 struktur anfis yang digunakan Dari gambar 3.2 dapat dijelaskan bahwa setiap faktor-faktor pendukungterjadinya longsor memiliki 3 kategori yaitu rendah sedang dan tinggi yang diolah
pada lapisan 1, kemudian dihitung pembobotan untuk tiap kategori pada lapisan 2,
kemudian dihitung rata-rata bobot pada lapisan 3, kemudian menghitung nilai
pembelajaran menggunakan LSE pada lapisan 4 dan menghitung nilai akhir pada
lapisan 5.Sample data yang digunakan sebanyak 3 data rawan longsor tinggi, 3 data
rawan longsor sedang dan 3 data tidak rawan longsor. Yang akan menghasilkan
target keluaran 1. Rawan longsor tinggi, 2. Rawan longsor sedang, 3. Tidak rawan
longsor. Yang ditampilkan pada tabel 3.1.Nilai masukan : Curah Hujan, Kemiringan Lereng, Ketinggian Tanah (3 inputan),
Tabel 3. 1 Data Masukan dan Target Keluaran
No Nama Kelurahan Curah Hujan Kemiringan Ketinggian Tanah Target Lereng Keluaran