Aplikasi Jaringan Syaraf Tiruan Model Kohonen dalam Pengelompokan Data Pencemaran Udara Sektor Industri di Sumatera Utara

(1)

LAMPIRAN

(2)

Lampiran 2

(3)

Lampiran 3

(4)

Lampiran 4

(5)

Lampiran 5

(6)

Lampiran 6

(7)

Lampiran 7

(8)

Lampiran 8

(9)

Lampiran 9

(10)

Lampiran 10

(11)

Lampiran 11

(12)

Lampiran 12

(13)

Lampiran 13

(14)

Lampiran 14

(15)

Lampiran 15

(16)

Lampiran 16

(17)

DAFTAR PUSTAKA

Desiani, Anita. dan Muhammad Arhami. 2006. Konsep Kecerdasan Buatan. Andi. Yogyakarta.

Dewi, Sri Kusuma. 2003. Artifical Intellegence. Graha Ilmu. Yogyakarta.

Dewi, Sri Kusuma. 2005. Membangun Jaringan Syaraf Tiruan (Menggunakan MATLAB dan Excel Link). Graha Ilmu. Yogyakarta.

Haykin, Simon. 2009. Neural Networks and Learning Machines Third Edition. Pearson. New Jersey.

Hermawan, Arief. 2006. Teori dan Aplikasi Jaringan Saraf Tiruan. Andi. Yogyakarta.

Noor, Hadiyah Asma. 2012. Inventarisasi emisi pencemaran udara dan gas rumah kaca di Jabodetabek dengan menggunakan metode SIG (Sistem Informasi Geografis). Bandung: Institut Teknologi Bandung.

Pandjaitan, Lanny W. 2007. Dasar-dasar Komputasi Cerdas. Andi. Yogyakarta.

Puspitaningrum, Dyah. 2006. Pengantar Jaringan Saraf Tiruan. Andi. Yogyakarta

Ryadi, Slamet. 1982. Pencemaran Udara. Usaha Nasional. Surabaya.

Siang, Jong Jek. 2004. Jaringan Syaraf Tiruan dan Pemrogramannya menggunakan MATLAB. Andi. Yogyakarta.

Sitepu, Robinson., Irmeilyana. and Gultom, Berry. 2011. Analisis Cluster terhadap tingkat pencemaran udara pada sektor industri di Sumatera Selatan. Jurnal Penelitian Sains. 14: 3A

Wardhana, W A. 2004. Dampak Pencemaran Lingkungan. Andi. Yogyakarta.

Widyastuti, Palupi. 2006. Bahaya Bahan Kimia Pada Kesehatan Manusia Dan Lingkungan. Buku Kedokteran. Jakarta.

(18)

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 2013/2014 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.

(19)

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 (p(n)). Kemudian dihitung jarak antara vektor input p(n) dengan setiap bobot input, misal jarak vektor input p(n) terhadap bobot ke neuron ke-i adalah Dist(i). Selanjutnya nilai setiap jarak ini dinegatifkan dan ditambah dengan bobot bias (b(i)), misal hasilnya adalah a(i).

a(i) = -Dist(i) + b(i)

Kemudian dicari nilai a(i) 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.

y(i) = 1 ; jika i = idx y(i) = 0 ; jika i ≠ idx

bobot yang menuju ke neuron idx (w(idx, j)) dengan j = 1, 2, ...,. Jumlah variabel input akan diupdate:

w(idx, j) = w(idx, j) + α(p(n, j)) – w(idx, 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

(20)

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 12682165,34 2114,26 12,771 6,035 1,3355 5,935 1268 2165,34 2114,26 12,771 6,035 1,3355 5,935 12682 b. Inisialisasi bobot bias (3):

3 = 4[ ₆7 ]

Maka diperoleh Matriks bobot bias (b) =

(8,158,15 8,152 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

(21)

9 = :; − <= # >

sehingga diperoleh:

(2938,952938,95 2938,952

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 −2930,82 d. Cari terbesar:

Nilai a terbesar pada neuron ke-1 (idx) = -2930,8 e. Set output neuron ke-i (@):

Hasil aktivasi (@):

(10 02 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 3,906 653,62165,34 2114,26 12,771 6,035 1,3355 5,935 1268 2165,34 2114,26 12,771 6,035 1,3355 5,935 12682 g. Update bobot bias:

i. E = 1−∝ 4F G H+∝ @

ii. 3 = 4[ ]

Sehingga diperoleh:

(3,827,59 7,592

(22)

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 = newc(PR, 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.

(23)

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 = train(net, 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 = sim(net, Data); >>A = vec2ind(Ai)

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

(24)

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

(25)

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.

(26)

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

(27)

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

(28)

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.

(29)

BAB 4

KESIMPULAN DAN SARAN

4.1 Kesimpulan

Dari hasil penelitian dapat disimpulkan sebagai berikut:

1. Jaringan Syaraf Tiruan model Kohonen dapat digunakan untuk pengelompokan sekumpulan data.

2. Dari proses pelatihan menggunakan software Matlab 7.8 diperoleh hasil kelompok yang bisa terbentuk dari 8 kelompok yang dilatihkan yaitu dua kelompok, tiga kelompok dan empat kelompok.

4.2 Saran

Saran yang dapat diberikan berdasarkan penelitian ini adalah

1. Untuk para peneliti terutama yang membahas mengenai pengelompokan dapat menggunakan Jaringan Syaraf Tiruan model Kohonen sebagai metode alternatif lain selain analisis cluster yang merupakan metode statistika.

2. Disarankan kepada penelitian selanjutnya untuk membandingkan Jaringan Syaraf Tiruan model Kohonen dengan metode statistika dalam hal pengelompokan.

(30)

BAB 2

LANDASAN TEORI

2.1 Jaringan Syaraf Tiruan

Jaringan syaraf tiruan adalah sistem komputasi dimana arsitektur dan operasi diilhami dari pengetahuan tentang sel syaraf biologis didalam otak, yang merupakan representasi buatan dari otak manusia yang selalu mencoba menstimulasi proses pembelajaran pada otak manusia tersebut. Jaringan syaraf tiruan dapat digambarkan sebagai model matematis dan komputasi untuk fungsi aproksimasi non-linear, klasifikasi data cluster dan regresi non parametrik atau sebuah simulai dari koleksi model syaraf biologi (Hermawan, 2006).

Jaringan syaraf tiruan merupakan suatu model kecerdasan yang diilhami dari struktur otak manusia dan kemudian diimplementasikan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran berlangsung (Desiani dan Arhami, 2006).

Jaringan syaraf tiruan sederhana pertama kali diperkenalkan oleh McCulloch dan Pitts di tahun 1943. Jaringan syaraf tiruan dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi dengan asumsi bahwa (Siang, 2005 ) :

1. Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron). 2. Sinyal yang dikirimkan diantara neuron-neuron melalui

penghubung-penghubung.

3. Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal.

4. Untuk menentukan keluaran (output), setiap neuron menggunakan fungsi aktivasi yang dikenakan pada penjumlahan masukan (input) yang diterima. Besarnya keluaran (output) ini selanjutnya dibandingkan dengan suatu batas ambang.

(31)

Dengan meniru sistem jaringan biologis maka sistem jaringan syaraf tiruan memiliki 3 karakteristik utama yaitu (Desiani dan Arhami, 2006):

1. Arsitektur Jaringan

Merupakan pola keterhubungan antar neuron. Keterhubungan neuron-neuron inilah yang membentuk suatu jaringan.

2. Algoritma Jaringan

Merupakan metode untuk menentukan nilai bobot hubungan. Ada dua jenis metode yaitu metode pelatihan atau pembelajaran dan metode pengenalan. 3. Fungsi aktivasi

Merupakan fungsi untuk menentukan nilai keluaran berdasarkan nilai total masukan pada neuron. Fungsi aktivasi suatu algoritma jaringan dapat berbeda dengan fungsi aktivasi algoritma jaringan lain.

2.1.1 Pemrosesan dalam Jaringan Syaraf Tiruan

Aliran informasi yang diproses disesuaikan dengan arsitektur jaringan. Beberapa konsep utama yang berhubungan dengan proses adalah :

1. Input (masukan)

Setiap input bersesuaian dengan suatu atribut tunggal. Serangkaian input pada Jaringan Syaraf Tiruan diasumsikan sebagai vektor X yang bersesuaian dengan sinyal-sinyal yang masuk kedalam sinapsis neuron biologis.

2. Output (keluaran)

Output dari jaringan adalah penyelesaian masalah.

3. Weight (bobot), mengekspresikan kekuatan relatif (atau nilai matematis) dari input data awal atau bermacam-macam hubungan yang mentransfer data dari lapisan ke lapisan. Dengan penyesuaian yang berulang-ulang terhadap nilai bobot menyebabkan Jaringan Syaraf Tiruan “belajar”. Bobot-bobot ini diasumsikan sebagai vektor W dimana setiap bobot bersesuaian dengan tegangan (strength) penghubung sinapsis biologis tunggal.

4. Maksimum epoch

Epoch merupakan perulangan dari proses yang dilakukan untuk mencapai target yang telah ditentukan. Maksimum epoch adalah jumlah epoch

(32)

maksimum yang boleh dilakukan selama proses pelatihan. Iterasi akan dihentikan apabila nilai melebihi maksimum epoch.

5. Laju pemahaman (learning rate)

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, sedangkan jika learning rate terlalu kecil maka algoritma akan mencapai target dalam jangka waktu yang lama.

6. Bias

Sebuah unit masukan yang ditambahkan kedalam yang nilainya selalu = 1. Berfungsi untuk mengubah niali tresshold menjadi 0.

2.1.2 Arsitektur Jaringan

Jaringan syaraf tiruan dibagi kedalam 3 macam arsitektur yaitu (Hermawan, 2006):

1. Jaringan dengan lapisan tunggal (single layer net)

Jaringan syaraf satu lapisan pertama kali dirancang oleh Widrow dan Holf pada tahun 1960. Jaringan dengan lapisan tunggal hanya memiliki satu lapisan dengan bobot terhubung. Jaringan ini hanya menerima input kemudian secara langsung akan mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi.

(33)

Dari gambar 2.1 diperlihatkan bahwa arsitektur jaringan dengan layar tunggal dengan n buah masukan ( , ,..., ) dan m buah keluaran ( , , ..., ). Dalam jaringan ini semua unit input dihubungkan dengan semua unit output. Tidak ada unit input yang dihubungkan dengan unit input lainnya dan unit output pun demikian.

2. Jaringan dengan banyak lapisan (multilayer net)

Jaringan dengan banyak lapisan memiliki satu atau lebih lapisan yang terletak diantara lapisan input dan output. Umumnya terdapat lapisan bobot-bobot yang terletak antara 2 lapisan yang bersebelahan. Jaringan ini dapat menyelesaikan permasalahan yang lebih sulit daripada jaringan dengan lapisan tunggal, dengan pembelajaran yang lebih rumit.

Gambar 2.2 Jaringan dengan banyak lapisan

Dari gambar 2.2 diperlihatkan jaringan dengan n buah unit masukan ( , , ..., ) , sebuah layar tersembunyi yang terdiri dari p buah unit ( , ,...,

) dan 1 buah unit keluaran.

3. Jaringan dengan lapisan kompetitif (competitif layer net)

Hubungan antar neuron pada lapisan kompetitif ini tidak diperlihatkan pada diagram arsitektur ini.

2.1.3 Algoritma Umum Jaringan Syaraf Tiruan

Algoritma pembelajaran/pelatihan jaringan syaraf tiruan (Puspitaningrum, 2006): Dimasukkan n contoh pelatihan ke dalam jaringan syaraf tiruan. Lakukan:

(34)

1. Inisialisasi bobot-bobot jaringan. Set i=1.

2. Masukkan contoh ke-i (dari sekumpulan contoh pembelajaran yang terdapat dalam set pelatihan) kedalam jaringan pada lapisan input.

3. Cari tingkat aktivasi unit-unit output menggunakan algoritma aplikasi.

If kinerja jaringan memenuhi standar yang ditentukan sebelumnya (memenuhi syarat berhenti)

then exit.

4. Update bobot-bobot dengan menggunakan aturan pembelajaran jaringan. 5. If i = n, then reset i = 1

Else i = i-1. Ke langkah 2.

Algoritma aplikasi jaringan syaraf tiruan:

Dimasukkan sebuah contoh pelatihan ke dalam jaringan syaraf tiruan. Lakukan: 1. Masukkan kasus ke dalam jaringan pada lapisan input.

2. Hitung tingkat aktivasi node-node jaringan.

3. Untuk jaringan koneksi umpan maju, jika tingkat aktivasi dari semua unit outputnya telah dihitung, maka exit. Untuk jaringan koneksi balik, jika tingkat aktivasi dari semua unit output menjadi konstan atau mendekati konstan, maka exit. Jika tidak, kembali ke langkah 2. Jika jaringannya tidak stabil, maka exit dan fail.

2.1.4 Fungsi aktivasi

Sinyal aktivasi dalam jaringan syaraf tiruan ditentukan oleh suatu fungsi aktivasi. Ada beberapa fungsi aktivasi yang digunakan dalam jaringan syaraf tiruan antara lain (Desiani dan Arhami, 2006):

1. Fungsi identitas

Fungsi ini biasanya digunakan pada jaringan lapisan tunggal dan akan menghasilkan nilai yang sama dengan nilai masukannya.

(35)

2. Fungsi tangga biner

Fungsi ini merupakan fungsi identitas dengan pembulatan yang bergantung pada parameter pembulatan . Untuk = 1, fungsi ini hanya akan menghasilkan nilai 1 atau 0.

= 1, ₀ _{< 0} ≥ 0 3. Fungsi signoid-biner

Fungsi ini tergantung pada steepnes parameter . Agar fungsi ini menghasilkan nilai yang dibatasi oleh bilangan biner (0 sampai 1) maka

= 1 .

= _{1 + !}1_"#$ 4. Fungsi signoid-bipolar

Fungsi ini tergantung pada steepnes parameter . Fungsi ini merupakan fungsi signoid-biner yang diperluas hingga mencapai nilai negatif melalui sumbu x sehingga untuk = 1, fungsi ini akan menghasilkan nilai keluaran antara -1 sampai +1.

% = 2 − 1 =_{1 + !}2_"#$− 1 =1 − !_{1 + !}"#$_"#$

Untuk memilih fungsi aktivasi mana yang akan digunakan dalam sistem jaringan syaraf tiruan maka bergantung pada algoritma/model jaringan yang digunakan.

2.1.5 Proses Pembelajaran

Proses pembelajaran dalam jaringan syaraf tiruan diklasifikasikan menjadi dua (Desiani dan Arhami, 2006):

1. Pembelajaran terawasi (supervised learning)

Menggunakan sejumlah pasangan data masukan dan keluaran yang diharapkan. Pada setiap pelatihan, suatu masukan diberikan ke jaringan. Selanjutnya jaringan akan memproses dan mengeluarkan keluaran. Selisih antara keluaran jaringan dengan target (keluaran yang diinginkan)

(36)

merupakan kesalahan yang terjadi. Jaringan akan memodifikasi bobot sesuai dengan kesalahan tersebut. Contoh yang sesuai dengan tipe ini adalah metode backpropagation, jaringan hopfield dan perceptron.

2. Pembelajaran tidak terawasi (unsupervised learning)

Hanya menggunakan sejumlah pasangan data masukan tanpa ada contoh keluaran yang dikeluarkan. Model yang menggunakan pelatihan ini adalah model jaringan kompetitif. Contoh dari tipe ini adalah model kohonen.

Jaringan syaraf tiruan memiliki sejumlah besar kelebihan dibandingkan dengan metode perhitungan lainnya, yaitu (Hermawan, 2006):

1. Kemampuan mengakuisisi pengetahuan walaupun dalam kondisi ada gangguan dan ketidakpastian. Hal ini karena jaringan syaraf tiruan mampu melakukan generalisasi, abstraksi, dan ekstraksi terhadap properti statistik dari data.

2. Kemampuan mempresentasikan pengetahuan secara fleksibel. Jaringan syaraf tiruan dapat menciptakan sendiri representasi melalui pengaturan sendiri atau kemampuan belajar (self organizing).

3. Kemampuan untuk memberikan toleransi atas suatu distorsi (error), dimana gangguan kecil pada data dianggap hanya sebagai noise (guncangan) belaka. 4. Kemampuan memproses pengetahuan secara efisien karena memakai sistem

paralel, sehingga waktu yang diperlukan untuk mengoperasikannya menjadi lebih singkat.

2.2 Model Kohonen

Jaringan kohonen adalah suatu jaringan satu lapis yang mengorganisasikan pemetaan suatu masukan acak. Hasil pemetaan menunjukkan hubungan yang alami antara pola-pola yang diberikan ke dalam jaringan (Pandjaitan, 2004).

Jaringan kohonen pertama kali diperkenalkan oleh Prof. Teuvo Kohonen pada tahun 1982. Jaringan kohonen termasuk dalam pembelajaran tak terawasi (unsupervised learning). Pada jaringan ini, suatu lapisan yang berisi

(37)

neuron-neuron akan menyusun dirinya sendiri berdasarkan input nilai tertentu dalam suatu kelompok yang dikenal dengan istilah cluster. Selama proses penyusunan diri, cluster yang memiliki vektor boobot paling cocok dengan pola input (memiliki jarak yang paling dekat) akan terpilih sebagai pemenang. Neuron yang menjadi pemenang beserta neuron-neuron tetangganya akan memperbaiki bobot-bobotnya (Dewi, 2003).

Jaringan yang ditemukan oleh Kohonen ini merupakan salah satu jaringan yang banyak dipakai untuk membagi pola masukan kedalam beberapa kelompok (Siang, 2005).

2.2.1 Arsitektur Jaringan Kohonen

Misalkan masukan berupa vektor yang terdiri dari n komponen yang akan dikelompokkan dalam maksismum m buah kelompok (disebut vektor contoh). Keluaran jaringan adalah kelompok yang paling dekat/mirip dengan masukan yang diberikan. Ada beberapa ukuran kedekatan yang dapat dipakai, salah satu nya adalah jarak Euclidean yang paling minimum.

( ( (₎

* * 1 Gambar 2.3 Arsitektur Jaringan Self Organizing

Arsitektur jaringan kohonen ini mirip dengan model lain. Hanya saja jaringan kohonen tidak menggunakan perhitungan net (hasil kali vektor masukan dengan bobot) maupun fungsi aktivasi.

+ +

, +

+) ,) , +

(38)

2.2.2 Algoritma Jaringan Kohonen

Algoritma pengelompokkan pola jaringan kohonen adalah sebagai berikut: 0. a. Inisialisasi bobot input (+ ):

+ =- .* + - *₂

Dengan + adalah bobot antara variabel input ke-j dengan neuron pada kelas ke-i (j = 1, 2, ..., m; i = 1, 2, ..., k); MinP₃ dan MaxP₃ masing-masing adalah nilai terkecil pada variabel input ke-i dan nilai terbesar dari variabel input ke-i.

b. Inisialisasi bobot bias (,):

, = ![ "78 9: ]

Dengan , adalah bobot bias ke neuron ke-i dan k adalah jumlah kelas. a. Set parameter learning rate.

b. Set maksimum epoch (MaxEpoch). 1. Set epoch = 0;

2. Kerjakan jika epoch < MaxEpoch : a. Epoch = epoch + 1

b. Pilih data secara acak, misalkan data terpilih adalah data ke-z. c. Cari jarak antara data ke-z dengan setiap bobot input ke-i (<):

< = => + − ?@ A

d. Hitung a : = −< + , e. Cari terbesar :

i. MaxA = max( ), dengan i = 1, 2, ..., k ii. Idx = i, sedemikian hingga = MaxA. f. Set output neuron ke-i (():

( = 1, = BC_{0, ≠ BC} g. Update bobot yang menuju ke neuron Idx:

(39)

+_EF$" = +_EF$" +∝ ?_@ − +_EF$" h. Update bobot bias:

i. H = 1−∝ !I "78JK LM+∝ ( ii. , = ![ "78 N O ]

Iterasi dilakukan hingga mencapai epoch maksimum yang menghasilkan anggota kelompok yang konsisten.

2.3 Pencemaran Udara

Udara merupakan campuran beberapa macam gas yang perbandingannya tidak tetap, tergantung pada keadaan suhu udara, tekanan udara dan lingkungan sekitarnya. Udara bersih yang kita hirup merupakan gas yang tidak tampak, tidak berbau, tidak berwarna maupun berasa. Pencemaran udara diartikan sebagai adanya bahan-bahan atau zat-zat asing didalam udara yang menyebabkan perubahan susunan (komposisi) udara dari keadaan normalnya (Wardhana, 2004).

Berdasarkan asal mula dan kelanjutan perkembangannya dapat dibedakan berbagai macam pencemar kedalam dua kelompok yaitu (Ryadi, 1982):

1. Pencemar primer

Yaitu semua pencemar yang berbeda di udara dalam bentuk yang hampir tidak berubah. Umunya berasal dari sumber-sumber yang diakibatkan oleh aktivitas manusia antara lain sumber-sumber industri dimana didalam industri terdapat proses pembakaran yang menggunakan bahan-bahan bakar maupun proses peleburan/pemurnian logam.

2. Pencemar sekunder

Yaitu semua pencemar di udara yang sudah berubah karena hasil reaksi tertentu antara dua atau lebih kontaminan/polutan. Reaksi-reaksi yang dimaksud dalam timbulnya pencemar sekunder antara lain adalah reaksi foto-kimia dan reaksi oksida katalitis.

Pembangunan yang berkembang pesat dewasa ini, khususnya dalam sektor industri dan teknologi yang menggunakan bahan bakar fosil (minyak)

(40)

menyebabkan udara yang dihirup sehari-hari menjadi tercemar oleh gas-gas buangan hasil pembakaran.

Secara umum, penyebeb pencemaran udara ada dua macam yaitu: 1. Faktor internal

a. Debu yang berterbangan akibat tiupan angin.

b. Abu (debu) yang dikeluarkan dari letusan gunung berapi. c. Proses pembusukan sampah organik, dll.

2. Faktor eksternal (ulah manusia)

a. Hasil pembakaran bahan bakar fosil. b. Debu/serbuk dari kegiatan industri.

c. Pemakaian zat-zat kimia yang disemprotkan ke udara.

Pencemaran udara pada suatu tingkat tertentu dapat merupakan campuran dari satu atau lebih bahan pencemar, baik berupa padatan, cairan, atau gas yang masuk terdispersi ke udara dan kemudian menyebar ke lingkungan sekitarnya.

2.3.1 Komponen Pencemaran Udara

Beberapa macam komponen pencemar udara yang banyak kita ketahui antara lain sebagai berikut:

1. Sulfur Dioksida (PQ )

Sulfur dioksida merupakan pencemar primer di udara sebagai produk hasil pembakaran unsur-unsur pembakaran sulfur didalam industri-industri asam sulfat. Reaksi antara gas SOx dengan uap air yang terdapat di udara akan membentuk asam sulfat maupun asam sulfit. Apabila asam sulfat R PQ_S) dan asam sulfit R PQ₎) turun ke bumi bersama-sama dengan jatuhnya hujan, terjadilah Acid Rain atau hujan asam . Hujan asam sangat merugikan karena dapat merusak tanaman maupun kesuburan tanah. Pada beberapa negara industri, hujan asam sudah banyak menjadi persoalan yang sangat serius karena sifatnya yang merusak. Hutan yang gundul akibat jatuhnya hujan asam akan mengakibatkan lingkungan semakin parah.

(41)

Nitrogen dioksida berwarna coklat kemerahan dan berbau tajam. Secara umum, sumber TQ_$ di alam berasal dari bakteri dan akitivitas vulkanik, proses pembentukan petir, dan emisi akibat aktivitas manusia (antropogenik). Emisi antropogenik TQ_$ terutama berasal dari pembakaran bahan bakar fosil seperti pembangkit tenaga listrik dan kendaraan bermotor. Sumber lain di atmosfer berupa proses tanpa pembakaran, contohnya dari hasil produksi asam nitrat RTQ₎ , proses pengelasan, dan penggunaan bahan peledak. TQ bersifat racun terutama terhadap paru. Kadar TQ yang lebih tinggi dari 100 ppm dapat mematikan sebagian besar binatang percobaan dan 90% dari kematian tersebut disebabkan oleh gejala pembengkakan paru (edema pulmonari). Kadar TQ sebesar 800 ppm akan mengakibatkan 100% kematian pada binatang-binatang yang diuji dalam waktu 29 menit atau kurang. Pemajanan TQ dengan kadar 5 ppm selama 10 menit terhadap manusia mengakibatkan kesulitan dalam bernafas.

3. Hidrogen Klorida (RUV)

Hidrogen klorida adalah asam kuat dan merupakan komponen utama dalam asam lambung. Sejak revolusi industri, senyawa ini menjadi sangat penting dan digunakan untuk berbagai tujuan, meliputi produksi massal senyawa kimia organik. Asam klorida pekat akan membentuk kabut asam. Baik kabut dan larutan tersebut bersifat korosif terhadap jaringan tubuh dengan potensi kerusakan pada organ pernapasan, mata, kulit dan usus.

4. Klorin (UV )

Gas klorin adalah gas berwarna hijau dengan bau sangat menyengat. Berat jenis gas klorin 2,47 kali berat udara dan 20 kali berat gas hidrogen klorida RUV yang toksik. Klorin merupakan bahan kimia penting dalam industri yang digunakan untuk klorinasi pada proses produksi yang menghasilkan produk organik sintetik seperti plastik, insektisida dan herbisida. Terbentuknya gas klorin di udara ambien merupakan efek samping dari proses pemutihan dan produksi zat yang mengandung klor. Karena banyaknya penggunaan senyawa klor dilapangan atau dalam industri dalam dosis berlebihan seringkali terjadi pelepasan gas klorin akibat penggunaan

(42)

yang kurang efektif. Hal ini dapat menyebabkan terdapatnya gas pencemar klorin dalam kadar tinggi di udara ambien.

5. Amonia (TR₎)

Amonia biasanya berupa gas dengan bau tajam yang khas. Senyawa ini merupakan senyawa kaustik dan dapat merusak kesehatan. Menghirup senyawa ini pada konsentrasi tinggi dapat menyebabkan pembengkakan saluran pernapasan dan sesak napas.

6. Hydrofluoric Acid (RW)

Hydrofluoric acid (asam fluorida) adalah asam yang sangat korosif, mampu melarutkan banyak bahan, terutama oksida. Hydrofluoric acid sangat initatif terhadap jaringan kulit, merusak paru-paru dan menimbulkan penyakit pneumonia (gangguan saluran pernapasan).

7. Total Suspended Particules (XP*)

Total Suspended Particules (XP*) merupakan konsentrasi debu/partikulat. Partikulat adalah partikel padat pencemar udara yang berada di udara bersama-sama dengan tetesan cair lainnya. Partikulat mengandung zat-zat non organik yang terbentuk dari berbagai macam materi dan bahan kimia. Ukuran partikel dapat menggambarkan seberapa jauh partikel dapat terbawa angin, efek yang ditimbulkannya, sumber pencemaran dan lama masa tinggal partikel di udara.

(43)

PENDAHULUAN

1.1 Latar Belakang

Udara di sekitar lapisan troposfer yang setiap hari dihirup oleh manusia merupakan udara ambien. Sedangkan udara yang dihasilkan dalam setiap kegiatan industri disebut emisi. Kualitas udara ambien ditentukan oleh kuantitas emisi cemaran dari sumber cemaran, proses transportasi, konversi dan pengilangan cemaran di atmosfer. Parameter kualitas udara diantaranya gas

, , , , , dan partikulat yang padat.

Laju pertumbuhan ekonomi yang tinggi berpengaruh terhadap industrialisasi wilayah perkotaan yang salah satunya ditandai dengan banyaknya berdiri pusat-pusat industri. Di Sumatera Utara, pembangunan sektor-sektor industri telah memberikan dampak bagi kehidupan manusia baik positif maupun negatif. Dampak positif diantaranya mengurangi pengangguran dan meningkatnya minat investasi pihak asing untuk menanamkan modalnya di Sumatera Utara. Namun, dengan adanya kegiatan industri ini juga menimbulkan dampak negatif bagi manusia. Salah satunya adalah pencemaran udara. Udara yang tercemar tersebut dapat menganggu kesehatan manusia dan merusak lingkungan sekitar.

Dengan adanya efek negatif yang ditimbulkan oleh kegiatan industri tersebut maka perlu dilakukan pengelompokan sektor-sektor industri berdasarkan beban polutan yang dikeluarkan oleh setiap kegiatan industri. Seiring dengan perkembangan teknologi, pengelompokan data telah banyak dikembangkan di berbagai bidang. Salah satunya pada bidang kecerdasan buatan (Artificial Intelligence) seperti Jaringan Syaraf Tiruan. Jaringan Syaraf Tiruan adalah salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan

(44)

disini digunakan karena jaringan syaraf tiruan ini diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran.

Kohonen merupakan salah satu model dari Jaringan Syaraf Tiruan yang banyak dipakai dalam membagi pola masukan kedalam beberapa kelompok. Misalkan terdapat masukan (input) berupa vektor yang terdiri dari n komponen yang akan dikelompokkan dalam maksimum m buah kelompok. Keluaran jaringan tersebut adalah kelompok yang paling dekat atau mirip dengan masukan yang diberikan.

Untuk mengetahui kelompok-kelompok industri sebagai bahan informasi bagi pemerintah daerah Sumatera Utara dalam mengambil kebijakan pembangunan sektor industri kedepannya maka perlu dikelompokan sektor industri di Sumatera Utara berdasarkan beban polutan yang dihasilkan. Berdasarkan uraian yang penulis jelaskan di atas maka penulis memilih judul skripsi “Aplikasi Jaringan Syaraf Tiruan Model Kohonen dalam Pengelompokan Data Pencemaran Udara pada Sektor Industri di Sumatera Utara”.

1.2 Perumusan Masalah

Berdasarkan latar belakang, yang menjadi masalah yang akan dibahas adalah bagaimana mengelompokan data pencemaran udara pada sektor industri di Sumatera Utara dengan menggunakan jaringan syaraf tiruan model Kohonen.

1.3 Batasan Masalah

Dalam penulisan skripsi ini, penulis memberikan batasan masalah yaitu

1. Pembelajaran pola pengelompokan menggunakan jaringan syaraf tiruan model Kohonen.

(45)

2. Data yang digunakan adalah data pencemaran udara sektor industri di Sumatera Utara yang dilakukan oleh Badan Lingkungan Hidup Provinsi Sumatera Utara.

3. Parameter udara yang digunakan adalah gas , , , , , dan

Total Suspended Particules (TSP).

4. Proses pelatihan data menggunakan software Matlab 7.8.0 dengan maksimum epoch 1000, 8000 dan 10.000.

5. Kelompok data yang akan dibentuk dalam proses pelatihan dimulai dari dua kelompok hingga sembilan kelompok.

1.4 Tinjauan Pustaka

Siang (2005) mengemukakan bahwa Jaringan Syaraf Tiruan ( JST ) adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi. Jaringan syaraf tiruan dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi dengan asumsi bahwa:

1. Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron). 2. Sinyal yang dikirimkan diantara neuron-neuron melalui

penghubung-penghubung.

3. Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal.

Jaringan syaraf tiruan ditentukan oleh tiga hal, yakni: a. Pola hubungan antar neuron (disebut arsitektur jaringan)

b. Metode untuk menentukan bobot penghubung (disebut metode training/ learning/ algoritma)

(46)

Kohonen merupakan salah satu model jaringan syaraf tiruan yang sering dipakai untuk membagi pola kedalam beberapa kelompok. Pandjaitan (2007) mengemukakan bahwa jaringan kohonen adalah suatu jaringan satu lapis yang mengorganisasikan pemetaan suatu masukan acak.

Dewi (2003) mengemukakan bahwa jaringan kohonen pertama kali diperkenalkan oleh Prof. Teuvo Kohonen pada tahun 1982. Pada jaringan ini, suatu lapisan yang berisi neuron-neuron akan menyusun dirinya sendiri berdasarkan input nilai tertentu dalam suatu kelompok yang disebut cluster. Selama proses penyusunan diri, kelompok yang memiliki vektor bobot paling cocok dengan pola input akan terpilih sebagai pemenang. Neuron yang menjadi pemenang beserta neuron-neuron tetangganya akan memperbaiki bobot-bobotnya.

Gambar 1.1 Arsitektur Jaringan Kohonen

Menurut Siang (2005), arsitektur jaringan kohonen dalam gambar 1.1 tidak menggunakan perhitungan net (hasil kali vektor masukan dengan bobot) maupun fungsi aktivasi. Algoritma pengelompokan pola jaringan kohonen adalah sebagai berikut:

0. a. Inisialisasi bobot input ( ):

= + ₂

Dengan adalah bobot antara variabel input ke-j dengan neuron pada kelas ke-i (j = 1, 2, ..., m; i = 1, 2, ..., k); MinP_! dan MaxP_! masing-masing

(47)

adalah nilai terkecil pada variabel input ke-i dan nilai terbesar dari variabel input ke-i.

b. Inisialisasi bobot bias ($):

$ = %[ '() ( +, )]

Dengan $ adalah bobot bias ke neuron ke-i dan k adalah jumlah kelas. a. Set parameter learning rate.

b. Set maksimum epoch (MaxEpoch). 1. Set epoch = 0;

2. Kerjakan jika epoch < MaxEpoch : a. Epoch = epoch + 1

b. Pilih data secara acak, misalkan data terpilih adalah data ke-n. c. Cari jarak antara data ke-n dengan setiap bobot input ke-i (/):

/ = 01( − 3 )

4 d. Hitung a : = −/ + $

e. Cari terbesar :

i. MaxA = max( ), dengan i = 1, 2, ..., k ii. Idx = i, sedemikian hingga = MaxA. f. Set output neuron ke-i ( ):

= 51, = 78_{0, ≠ 78} ; g. Update bobot yang menuju ke neuron Idx:

<= ' = <= ' +∝ (3 − <= ' )

h. Update bobot bias:

i. ?( ) = (1−∝)%@ '()AB( )CD+∝ ( )

(48)

1.5 Tujuan Penelitian

Tujuan dari penelitian ini adalah untuk mengelompokan data pencemaran udara pada sektor industri di Sumatera Utara dengan menggunakan jaringan syaraf tiruan model Kohonen.

1.6 Manfaat Penelitian

Manfaat penelitian sebagai berikut:

1. Bahan masukan atau sebagai pertimbangan yang berguna bagi pemerintah daerah Sumatera Utara mengenai kelompok sektor-sektor industri berdasarkan beban polutan yang dihasilkan dalam mengambil suatu kebijaksanaan.

2. Bahan referensi dalam menambah wawasan penulis dan pembaca yang berhubungan dengan pembahasan jaringan syaraf tiruan, khususnya dalam model kohonen.

3. Informasi bagi penelitian selanjutnya yang berhubungan dengan pencemaran udara sektor industri di Sumatera Utara.

4. Informasi dan referensi bacaan bagi mahasiswa matematika, terlebih bagi mahasiswa yang akan melakukan penelitian mengenai pengelompokan.

1.7 Metodologi Penelitian

Metodologi penelitian yang digunakan dalam penelitian ini adalah sebagai berikut:

1. Studi kasus

Tahap ini dilakukan dengan mengidentifikasi permasalahan, mengkaji dan memahami teori-teori yang dipelajari diantaranya mengenai konsep dasar model kohonen yang menjadi metode dalam pengelompokan. Penelusuran referensi ini bersumber dari buku, jurnal maupun penelitian yang telah ada sebelumnya mengenai hal-hal yang berhubungan dangan model kohonen .

(49)

2. Pengumpulan data

Pada tahap ini dilakukan pengambilan data pencemaran udara sektor industri di Sumatera Utara. Data diperoleh dari Badan Lingkungan Hidup Provinsi Sumatera Utara.

3. Pengelompokan data

Pada tahap ini dilakukan pengelompokan data pencemaran udara sektor industri dengan model Kohonen.

4. Pengambilan kesimpulan

Pada tahap ini dilakukan penarikan kesimpulan hasil analisa data sekaligus memberikan saran yang berkaitan dengan pengembangan penelitian sebelumnya.

(50)

APLIKASI JARINGAN SYARAF TIRUAN MODEL KOHONEN DALAM PENGELOMPOKAN DATA PENCEMARAN

UDARA PADA SEKTOR INDUSTRI DI SUMATERA UTARA

ABSTRAK

Pengelompokan dapat dilakukan dengan menggunakan metode statistika. Dalam perkembangan teknologi, Artificial Intelligence dapat digunakan untuk pengelompokan data yaitu Jaringan Syaraf Tiruan model Kohonen. Model Kohonen merupakan salah satu model dari Jaringan Syaraf Tiruan yang banyak dipakai dalam membagi pola masukan kedalam beberapa kelompok. Jaringan kohonen ini termasuk dalam pembelajaran tak terawasi. Jaringan ini dapat mengenali dan mengklasifikasikan pola-pola yang melakukan pelatihan dari vektor input data dengan vektor bobot sebagai penghubung antara layar masukan dan layar kompetisi dalam proses pelatihan. Dari proses pelatihan tersebut terbentuk kelompok pola-pola yang dilatihkan. Pada penelitian dibahas pengelompokan 10 jenis industri di Sumatera Utara berdasarkan hasil jenis polutan yang terdiri dari , , , , , dan Total Susupended Particulates (TSP). Kelompok data yang akan dibentuk dalam proses pelatihan dimulai dari dua kelompok hingga sembilan kelompok. Pelatihan dilakukan hingga didapatkan hasil kelompok yang konsisten dari epoch maksimum. Dari proses pelatihan menggunakan software Matlab 7.8 diperoleh hasil kelompok yang bisa terbentuk dari 8 kelompok yang dilatihkan yaitu dua kelompok, tiga kelompok dan empat kelompok. Dua kelompok terbentuk dari hasil pelatihan epoch 1000 dan 10000 yang menghasilkan anggota kelompok yang sama. Tiga kelompok dan empat kelompok terbentuk dari hasil pelatihan epoch 8000 dan 10000 yang menghasilkan anggota kelompok yang konsisten.

(51)

NORTH SUMATERA

ABSTRACT

Clustering can be done using statistical methods. The development of technology, Artificial Itelligence can be used for clustering data is Kohonen Neural Network models. Kohonen model is one of model Artificial Neural Network most frequent used in dividing the input pattern into some cluster. Kohonen Neural Network is included unsupervised learning. Kohonen Neural Network is able to recognize and classify patterns of the training input vector data with the weighted vector which connects between input layer and competition layer in training process. Of the training process to form a group that trained. In this research explain or study cluster in ten of industrial in North Sumatera based on kind of pollutant consist of

, , , , , and Total Suspended Particulates (TSP). Group data which is made in training process begin from two groups until nine groups. Training is done until the results obtained are consistent group of maximum epoch. Of the training process using Matlab 7.8 software obtained results which can form a group of 8 trained groups is two group, three group, four group. Two kelompok formed from the results of training epoch 1000 and 10000 which resulted in members of the same group. Three and four group formed from the relsults of training epoch 8000 and 10000 which producesa consistent member of the group.

(52)

APLIKASI JAR

DALAM P

U

FAKULTAS MA

U

ARINGAN SYARAF TIRUAN MODEL

PENGELOMPOKAN DATA PENCEM

UDARA PADA SEKTOR INDUSTR

DI SUMATERA UTARA

SKRIPSI

NUR AISYIAH DARMAN ELI

110803071

DEPARTEMEN MATEMATIKA

ATEMATIKA DAN ILMU PENGETA

UNIVERSITAS SUMATERA UTARA

MEDAN

2015

ODEL KOHONEN

CEMARAN

STRI

GETAHUAN ALAM

RA

(53)

U

Diajukan untuk m

FAKULTAS MA

U

UDARA PADA SEKTOR INDUSTR

DI SUMATERA UTARA

SKRIPSI

melengkapi tugas dan memenuhi syarat untu Sarjana Sains

NUR AISYIAH DARMAN ELI

110803071

DEPARTEMEN MATEMATIKA

ATEMATIKA DAN ILMU PENGETA

UNIVERSITAS SUMATERA UTARA

MEDAN

2015

STRI

ntuk mencapai gelar

GETAHUAN ALAM

RA

(54)

PERSETUJUAN

Judul : Aplikasi Jaringan Syaraf Tiruan Model Kohonen

dalam Pengelompokan Data Pencemaran Udara Sektor Industri di Sumatera Utara

Kategori : Skripsi

Nama : Nur Aisyiah Darman Eli

Nomor Induk Mahasiswa : 110803071

Program Studi : Sarjana (S1) Matematika

Departemen : Matematika

Fakultas : Matematika Dan Ilmu Pengetahuan Alam

(FMIPA) Universitas Sumatera Utara

Disetujui di Medan, Juli 2015

Komisi Pembimbing:

Pembimbing 2, Pembimbing 1,

Drs. Henry Rani Sitepu, M.Si Drs. Partano Siagian, M.Sc

NIP. 19530303 198303 1 002 NIP. 19511227 198003 1 001

Disetujui oleh

Departemen Matematika FMIPA USU Ketua,

Prof. Dr. Tulus, M.Si NIP. 196209011988031002

(55)

APLIKASI JARINGAN SYARAF TIRUAN MODEL KOHONEN DALAM PENGELOMPOKAN DATA PENCEMARAN

UDARA PADA SEKTOR INDUSTRI DI SUMATERA UTARA

SKRIPSI

Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri. Kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.

Medan, Juli 2015

Nur Aisyiah Darman Eli 110803071

(56)

PENGHARGAAN

Puji dan syukur penulis panjatkan kepada Allah SWT Yang Maha Pemurah dan Maha Penyayang, dengan limpahan karuniaNya penulis dapat menyelesaikan penyusunan skripsi ini dengan judul Aplikasi Jaringan Syaraf Tiruan Model Kohonen Dalam Pengelompokan Data Pencemaran Udara Sektor Industri di Sumatera Utara.

Terima kasih penulis sampaikan kepada Bapak Drs. Partano Siagian, M.Sc selaku Dosen pembimbing 1 dan Bapak Drs. Henry Rani Sitepu, M.Si selaku Dosen pembimbing 2 yang telah meluangkan waktunya selama penulisan skripsi ini. Terima kasih kepada dosen pembanding penulis Ibu Dra. Normalina Napitupulu, M.Sc dan Bapak Drs. Marihat Situmorang, M.Kom atas kritik dan saran yang membangun dalam penulisan skripsi penulis. Terima kasih kepada Bapak Prof. Dr. Tulus, M.Si dan Ibu Dr. Mardiningsih, M.Si selaku Ketua dan Sekretaris Departemen Matematika FMIPA USU. Terima kasih kepada Bapak Dr. Sutarman, M.Sc selaku Dekan FMIPA USU, Wakil Dekan FMIPA USU, seluruh Staff dan Dosen Matematika FMIPA USU, pegawai FMIPA USU serta rekan-rekan kuliah. Akhirnya tidak terlupakan kepada Ayahanda tercinta Agustidarman, Ibunda tercinta Eli Marni, serta saudara–saudara penulis yang tersayang Piramita Darmonia, Poppy Apriani, Novia Asmalidar dan Marisa Novita serta keluarga dari kedua orang tua yang selama ini memberikan bantuan dan dorongan yang diperlukan. Semoga Allah SWT akan membalasnya.

(57)

UDARA PADA SEKTOR INDUSTRI DI SUMATERA UTARA

ABSTRAK

(58)

APPLICATION OF KOHONEN NEURAL NETWORK MODEL IN THE AIR POLLUTION DATA CLUSTERING INDUSTRIAL SECTOR IN

NORTH SUMATERA

ABSTRACT

(59)

Halaman

PERSETUJUAN i

PERNYATAAN ii

PENGHARGAAN iii

ABSTRAK iv

ABSTRACT v

DAFTAR ISI vi

DAFTAR TABEL viii

DAFTAR GAMBAR xi

DAFTAR LAMPIRAN xiii

BAB 1 PENDAHULUAN 1

1.1 Latar Belakang 1

1.2 Perumusan Masalah 2

1.3 Batasan Masalah 2

1.4 Tinjauan Pustaka 3

1.5 Tujuan Penelitian 5

1.6 Manfaat Penelitian 6

1.7 Metodologi Penelitian 6

BAB 2 LANDASAN TEORI 8

2.1 Jaringan Syaraf Tiruan 8

2.1.1 Pemrosesan dalam Jaringan Syaraf Tiruan 9

2.1.2 Arsitektur Jaringan 10

2.1.3 Algoritma Umum Jaringan Syaraf Tiruan 11

2.1.4 Fungsi Aktivasi 12

2.1.5 Proses Pembelajaran 13

2.2 Model Kohonen 14

2.2.1 Arsitektur Jaringan Kohonen 15

2.2.2 Algoritma Jaringan Kohonen 16

2.3 Pencemaran Udara 17

2.3.1 Komponen 18

BAB3 HASIL DAN PEMBAHASAN 21

3.1 Pengumpulan Data 21

3.2 Pengolahan Data 21

BAB 4 KESIMPULAN DAN SARAN 32

4.1 Kesimpulan 32

4.2 Saran 32

DAFTAR PUSTAKA 87

(60)

DAFTAR TABEL

Nomor Judul Halaman

Tabel

3.1 Data Pencemaran Udara Sektor Industri di Sumatera Utara 21

3.2 Hasil pelatihan dengan 1.000 epoch 26

3.3 Hasil pelatihan dengan 10.000 epoch 26

3.4 Hasil pelatihan dengan 8.000 epoch 27

3.5 Hasil pelatihan dengan 10.000 epoch 27

3.6 Hasil pelatihan dengan 8.000 epoch 27

3.7 Hasil pelatihan dengan 10.000 epoch 27

3.8 Hasil pelatihan dengan 8.000 epoch 28

3.9 Hasil pelatihan dengan 10.000 epoch 28

3.10 Hasil pelatihan dengan 8.000 epoch 28

3.11 Hasil pelatihan dengan 10.000 epoch 28

3.12 Hasil pelatihan dengan 8.000 epoch 29

3.13 Hasil pelatihan dengan 10.000 epoch 29

3.14 Hasil pelatihan dengan 8.000 epoch 29

3.15 Hasil pelatihan dengan 10.000 epoch 30

3.16 Hasil pelatihan dengan 8.000 epoch 30

(61)

Nomor Judul Halaman Gambar

1.1 Arsitektur jaringan kohonen 4

2.1 Jaringan dengan lapisan tunggal 10

2.2 Jaringan dengan banyak lapisan 11

(62)

DAFTAR LAMPIRAN

Nomor Judul Halaman

Lamp

1 Proses pelatihan dua kelompok 1000 epoch 34

2 Proses pelatihan dua kelompok 10000 epoch 35

3 Proses pelatihan tiga kelompok 8000 epoch 36

4 Proses pelatihan tiga kelompok 10000 epoch 37

5 Proses pelatihan empat kelompok 8000 epoch 38

6 Proses pelatihan empat kelompok 10000 epoch 39

7 Proses pelatihan lima kelompok 8000 epoch 40

8 Proses pelatihan lima kelompok 10000 epoch 41

9 Proses pelatihan enam kelompok 8000 epoch 42

10 Proses pelatihan enam kelompok 10000 epoch 43

11 Proses pelatihan tujuh kelompok 8000 epoch 44

12 Proses pelatihan tujuh kelompok 10000 epoch 45

13 Proses pelatihan delapan kelompok 8000 epoch 46

14 Proses pelatihan delapan kelompok 10000 epoch 47

15 Proses pelatihan sembilan kelompok 8000 epoch 48

(1)

APLIKASI JARINGAN SYARAF TIRUAN MODEL KOHONEN DALAM PENGELOMPOKAN DATA PENCEMARAN

UDARA PADA SEKTOR INDUSTRI DI SUMATERA UTARA

ABSTRAK

(2)

APPLICATION OF KOHONEN NEURAL NETWORK MODEL IN THE AIR POLLUTION DATA CLUSTERING INDUSTRIAL SECTOR IN

NORTH SUMATERA

ABSTRACT

(3)

DAFTAR ISI

Halaman

PERSETUJUAN i

PERNYATAAN ii

PENGHARGAAN iii

ABSTRAK iv

ABSTRACT v

DAFTAR ISI vi

DAFTAR TABEL viii

DAFTAR GAMBAR xi

DAFTAR LAMPIRAN xiii

BAB 1 PENDAHULUAN 1

1.1 Latar Belakang 1

1.2 Perumusan Masalah 2

1.3 Batasan Masalah 2

1.4 Tinjauan Pustaka 3

1.5 Tujuan Penelitian 5

1.6 Manfaat Penelitian 6

1.7 Metodologi Penelitian 6

BAB 2 LANDASAN TEORI 8

2.1 Jaringan Syaraf Tiruan 8

2.1.1 Pemrosesan dalam Jaringan Syaraf Tiruan 9

2.1.2 Arsitektur Jaringan 10

2.1.3 Algoritma Umum Jaringan Syaraf Tiruan 11

2.1.4 Fungsi Aktivasi 12

2.1.5 Proses Pembelajaran 13

2.2 Model Kohonen 14

2.2.1 Arsitektur Jaringan Kohonen 15

2.2.2 Algoritma Jaringan Kohonen 16

2.3 Pencemaran Udara 17

(4)

DAFTAR TABEL

Nomor Judul Halaman

Tabel

3.1 Data Pencemaran Udara Sektor Industri di Sumatera Utara 21

3.2 Hasil pelatihan dengan 1.000 epoch 26

3.3 Hasil pelatihan dengan 10.000 epoch 26

3.4 Hasil pelatihan dengan 8.000 epoch 27

3.5 Hasil pelatihan dengan 10.000 epoch 27

3.6 Hasil pelatihan dengan 8.000 epoch 27

3.7 Hasil pelatihan dengan 10.000 epoch 27

3.8 Hasil pelatihan dengan 8.000 epoch 28

3.9 Hasil pelatihan dengan 10.000 epoch 28

3.10 Hasil pelatihan dengan 8.000 epoch 28

3.11 Hasil pelatihan dengan 10.000 epoch 28

3.12 Hasil pelatihan dengan 8.000 epoch 29

3.13 Hasil pelatihan dengan 10.000 epoch 29

3.14 Hasil pelatihan dengan 8.000 epoch 29

3.15 Hasil pelatihan dengan 10.000 epoch 30

3.16 Hasil pelatihan dengan 8.000 epoch 30

(5)

DAFTAR GAMBAR

Nomor Judul Halaman

Gambar

1.1 Arsitektur jaringan kohonen 4

2.1 Jaringan dengan lapisan tunggal 10

2.2 Jaringan dengan banyak lapisan 11

(6)

DAFTAR LAMPIRAN

Nomor Judul Halaman

Lamp

1 Proses pelatihan dua kelompok 1000 epoch 34

2 Proses pelatihan dua kelompok 10000 epoch 35

3 Proses pelatihan tiga kelompok 8000 epoch 36

4 Proses pelatihan tiga kelompok 10000 epoch 37

5 Proses pelatihan empat kelompok 8000 epoch 38

6 Proses pelatihan empat kelompok 10000 epoch 39

7 Proses pelatihan lima kelompok 8000 epoch 40

8 Proses pelatihan lima kelompok 10000 epoch 41

9 Proses pelatihan enam kelompok 8000 epoch 42

10 Proses pelatihan enam kelompok 10000 epoch 43

11 Proses pelatihan tujuh kelompok 8000 epoch 44

12 Proses pelatihan tujuh kelompok 10000 epoch 45

13 Proses pelatihan delapan kelompok 8000 epoch 46

14 Proses pelatihan delapan kelompok 10000 epoch 47

15 Proses pelatihan sembilan kelompok 8000 epoch 48

Aplikasi Jaringan Syaraf Tiruan Model Kohonen dalam Pengelompokan Data Pencemaran Udara Sektor Industri di Sumatera Utara

LAMPIRAN

BAB 3

HASIL DAN PEMBAHASAN

BAB 4

KESIMPULAN DAN SARAN

BAB 2

LANDASAN TEORI

PENDAHULUAN

APLIKASI JAR

DALAM P

U

FAKULTAS MA

U

ARINGAN SYARAF TIRUAN MODEL

PENGELOMPOKAN DATA PENCEM

UDARA PADA SEKTOR INDUSTR

DI SUMATERA UTARA

SKRIPSI

NUR AISYIAH DARMAN ELI

110803071

DEPARTEMEN MATEMATIKA

ATEMATIKA DAN ILMU PENGETA

UNIVERSITAS SUMATERA UTARA

MEDAN

2015

ODEL KOHONEN

CEMARAN

STRI

GETAHUAN ALAM

RA

U

FAKULTAS MA

U

UDARA PADA SEKTOR INDUSTR

DI SUMATERA UTARA

SKRIPSI

NUR AISYIAH DARMAN ELI

110803071

DEPARTEMEN MATEMATIKA

ATEMATIKA DAN ILMU PENGETA

UNIVERSITAS SUMATERA UTARA

MEDAN

2015

STRI

GETAHUAN ALAM

RA

Parts

Dokumen yang terkait

Aplikasi Jaringan Syaraf Tiruan Kohonen Som dalam Pengelompokan Mutu Pendidikan pada Jenjang Sekolah Dasar

Pengenalan pola angka 0 sampai 9 menggunakan jaringan syaraf tiruan dengan model jaringan kohonen.

Aplikasi Jaringan Syaraf Tiruan Model Kohonen dalam Pengelompokan Data Pencemaran Udara Sektor Industri di Sumatera Utara

Aplikasi Jaringan Syaraf Tiruan Model Kohonen dalam Pengelompokan Data Pencemaran Udara Sektor Industri di Sumatera Utara

Aplikasi Jaringan Syaraf Tiruan Model Kohonen dalam Pengelompokan Data Pencemaran Udara Sektor Industri di Sumatera Utara

Aplikasi Jaringan Syaraf Tiruan Model Kohonen dalam Pengelompokan Data Pencemaran Udara Sektor Industri di Sumatera Utara

Aplikasi Jaringan Syaraf Tiruan Model Kohonen dalam Pengelompokan Data Pencemaran Udara Sektor Industri di Sumatera Utara

Aplikasi Jaringan Syaraf Tiruan Model Kohonen dalam Pengelompokan Data Pencemaran Udara Sektor Industri di Sumatera Utara

Aplikasi Jaringan Syaraf Tiruan Model Ad

PENGENALAN POLA ANGKA 0 SAMPAI 9 MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN MODEL JARINGAN KOHONEN

Dokumen yang Anda mencari sudah siap untuk unduhkan