PROPOSAL TUGAS AKHIR PREDIKSI KADAR POLU
PROPOSAL TUGAS AKHIR
PREDIKSI KADAR POLUTAN MENGGUNAKAN ADAPTIVE NEUROFUZZY INFERENCE SYSTEM (ANFIS) UNTUK PEMANTAUAN
KUALITAS UDARA DI KOTA SURABAYA
Diusulkan Oleh:
Sari Angelina Nurma Gupita
2413 100 016
Dosen Pembimbing:
Prof. Dr. Ir. Aulia Siti A., MT.
NIP.196601161989032001
Dr. Ir. Syamsul Arifin, MT.
NIP.196309071989031004
PROGRAM STUDI S-1
DEPARTEMEN TEKNIK FISIKA
FAKULTAS TEKNOLOGI INDUSTRI
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA
2017
LEMBAR PENGESAHAN
PROPOSAL TUGAS AKHIR
S-1 TEKNIK FISIKA
DEPARTEMEN TEKNIK FISIKA FTI ITS
Judul
Bidang Studi
1. a. Nama
b. NRP
c. Jenis Kelamin
2. Pembimbing
3. Lama Penelitian
4. Proposal ke
5. Status
:Prediksi Kadar Polutan Menggunakan
Adaptive
NeuroFuzzy Inference System (ANFIS) untuk
Pemantauan Kualitas Udara di Kota Surabaya
: Instrumentasi
: Sari Angelina Nurma Gupita
: 2413 100 016
: Perempuan
: Prof. Dr. Ir. Aulia Siti A., MT.
Dr. Ir. Syamsul Arifin, MT.
: 1 Semester
:1
: Baru
Surabaya, 26 Februari 2017
Pengusul Proposal
Sari Angelina Nurma Gupita
2413 100 016
Menyetujui,
Pembimbing I
Pembimbing II
Prof. Dr. Ir. Aulia Siti A., MT.
NIP.196601161989032001
Dr. Ir. Syamsul Arifin, MT.
NIP.196309071989031004
Mengetahui,
Kepala Laboratorium
Rekayasa Instrumentasi dan Kontrol
Totok Ruki Biyanto ST,MT,Ph.D
NIP.197107021998021001
I.
Judul
Prediksi Kadar Polutan Menggunakan Adaptive Neuro-Fuzzy Inference System
(ANFIS) untuk Pemantauan Kualitas Udara di Kota Surabaya
II.
Mata Kuliah Pilihan Bidang Minat yang Diambil
1. Teknik Optimasi
2. Energi Baru Terbarukan
3. Sistem Fuzzy
III.
Pembimbing
Pembimbing I
Pembimbing II
IV.
: Prof. Dr. Ir. Aulia Siti A., MT.
: Dr. Ir. Syamsul Arifin, MT.
Latar Belakang
Pencemaran udara merupakan salah satu permasalahan yang dijumpai di kota
besar tak terkecuali Surabaya. Kota yang memiliki jumlah penduduk sebanyak
2.806.306 jiwa dengan luas wilayah sebesar 350,54 km2 menjadikan Surabaya
sebagai kota berpenduduk terpadat ke-2 di Indonesia. Sumber pencemaran udara
dapat berasal dari berbagai kegiatan industri, transportasi, perkantoran, dan
perumahan. Di wilayah selatan Surabaya telah dibangun kawasan industri yang
terdapat di Rungkut atau Brebek Industri, SIER (Surabaya Industrial Estate
Rungkut PT. Persero). Sementara Di wilayah utara Surabaya terdapat kawasan
industri dan pergudangan Tambak Langon - Kalianak - Margamulyo. Jumlah
kendaraan bermotor di Surabaya mencapai 4,5 juta. Adanya kawasan industri dan
besarnya jumlah kendaraan bermotor ini sangat berpotensi dalam menyumbang
polusi udara. Dampak buruk dari polusi udara ini dapat menyebabkan gangguan
kesehatan. Menurut data dari Dinas Kesehatan Penduduk Surabaya sebanyak
235.725 penduduk menderita infeksi akut saluran pernafasan bagian atas
(menempati peringkat pertama kejadian penyakit).
Kualitas udara di Surabaya dipantau melalui air quality monitoring system
(AQMS) yang dilakukan oleh Badan Lingkungan Hidup (BLH). Stasiun
pemantauan kualitas udara ambient ditempatkan di lima lokasi di Surabaya dan
pelaporan hasil pemantauan ini dikemas dalam bahasa yang mudah dipahami oleh
masyarakat yang dipublikasikan melalu papan public display. Data dari stasiun ini
oleh BLH digunakan sebagai dasar pengambilan keputusan tindakan pencegahan
pencemaran udara yang lebih serius.
Parameter yang diukur dalam stasiun pemantau kualitas udara ambien di Kota
Surabaya ada 16 (enam belas) parameter, yang terdiri dari :
1. 5 (lima) parameter kunci : PM10, SO2, O3, NO2, CO,
2. 11 (sebelas) parameter pendukung dan meteorologi : NO, NO x, kecepatan
angin (FF), kecepatan hembusan angin (FF Boe), arah angin (DD), arah hembusan
angin (DD Boe), kelembaban udara ambien, kelembaban udara container, suhu
udara ambien, suhu container dan global radiasi.
Polutan akan diukur secara langsung setiap jamnya kemudian dihitung menjadi
rata-rata dalam satu hari dan ditampilkan sebagai nilai yang terukur pada hari itu
tanpa adanya prediksi mengenai informasi untuk kondisi esok hari.
Penelitian ini akan melakukan prediksi kualitas udara di Kota Surabaya.
Parameter yang diprediksi adalah O3. Parameter inilah yang paling mendominasi
komposisi polutan di Surabaya.
Penelitian mengenai prediksi kualitas udara telah banyak dilakukan seperti
prediksi kadar O3 di Surabaya menggunakan metode Jaringan Syaraf Tiruan yang
menghasilkan tingkat keberhasilan berdasarkan nilai determinasi sebesar 92%
untuk hari pertama, dan 76% untuk hari kedua. Penelitian ini menggunakan 7
parameter masukan [1]. Prediksi lain yang dilakukan di Surabaya menggunakan
metode fuzzy logic menghasilkan akurasi sebesar 80.43% dengan 8 parameter
masukan [2]. Prediksi yang dilakukan di kota Bandung menghasilkan tingkat
akurasi sebesar 90% menggunakan Jaringan Syaraf Tiruan [3]. Penelitian lain
yang dilakukan di Teheran [4] dan Yazd, Iran [5] menghasilkan akurasi sebesar
92.3% dan 94% dengan menggunakan Adaptive Neuro-Fuzzy Inference System
(ANFIS).
Metode Adaptive Neuro-Fuzzy Inference System (ANFIS) dipilih untuk
penelitian ini karena berdasarkan penelitian sebelumnya penghasilkan akurasi
yang paling baik. Metode ini mengombinasikan kelebihan dari Neural Network
dan Fuzzy Logic. Neural Network memiliki kemampuan yang baik pada learning
ability, parallel processing, adaptation, fault-tolerance and distributed knowledge
representation. Sedangkan fuzzy logic dapat menyelesaikan permasalahan nonlinear yang rumit [6]. Penggunaan metode ini serta pemilihan parameter yang
tepat diharapkan dapat memberikan prediksi yang lebih akurat dibandingkan
dengan penelitian yang telah dilakukan dan dapat digunakan sebagai salah satu
upaya untuk meningkatkan sistem pemantauan kualitas udara yang ada di Kota
Surabaya.
V.
Permasalahan
Permasalahan dari penelitian ini adalah:
1. Berapa tipe dan jumlah variable masukan pada sistem prediktor kadar polutan
di kota Surabaya?
2. Bagaimanakah cara membangun sistem prediktor dengan variable masukan
yang dipilih?
3. Berapa parameter pada sistem prediktor berbasis Adaptive Neuro-Fuzzy
Inference System (ANFIS) yang mampu meningkatkan akurasi prediksi?
VI.
Batasan Masalah
1. Data yang digunakan untuk melakukan perancangan adalah NO2, SO2, O3, arah
angin, radiasi matahari, kecepatan angin, temperature, dan kelembaban udara.
2. Data pengamatan diperoleh dari Badan Lingkungan Hidup (BLH) Surabaya
yang bergerak di bawah Kementrian Lingkungan Hidup.
3. Metode untuk prediksi menggunakan Adaptive Neuro-Fuzzy Inference System
(ANFIS).
4. Peramalan yang dihasilkan merupakan konsentrasi polutan Ozon (O3) satu hari
berikutnya.
5. Peramalan yang dihasilkan hanya dapat diaplikasikan untuk Kota Surabaya.
VII.
Tujuan
Adapun tujuan dari penelitian ini adalah:
1. Menentukan tipe dan jumlah variable masukan pada sistem prediktor kadar
polutan di kota Surabaya.
2. Membangun sistem prediktor dengan variable masukan yang dipilih.
3. Mengetahui berapa parameter pada sistem prediktor berbasis Adaptive NeuroFuzzy Inference System (ANFIS) yang mampu meningkatkan akurasi prediksi.
VIII. Tinjauan Pustaka
[1] Kin Seng Lei and Feng Wan, "Applying Ensemble Learning Techniques to
ANFIS for Air Pollution Index Prediction in Macau ," Springer-Verlag Berlin
Heidelberg, pp. 509-516, 2012.
Paper ini menjelaskan metodologi dalam menggunakan metode ANFIS
untuk memprediksi polutan serta menjelaskan kelebihan metode ANFIS jika
dibandingkan dengan Neural Network dan Fuzzy Logic jika berdiri sendiri.
Neural Network memiliki kemampuan yang baik pada learning ability,
parallel processing, adaptation, fault-tolerance and distributed knowledge
representation. Sedangkan fuzzy logic dapat menyelesaikan permasalahan
non-linear yang rumit.
[2] Razeghi A., "Comparison of RNN and ANFIS in Concentrations of Carbon
Monoxide and Fine Particles Forecasting in Tehran, " September 2014.
Penelitian ini bertujuan untuk membandingkan metode Reccurent
Neural Network (RNN) dengan Adaptive Neuro Fuzzy (ANFIS) untuk
memprediksi konsentrasi karbon monoksida dan partikel PM10 di Teheran.
Kedua metode ini disebutkan mampu menyelesaikan permasalahan
nonlinear. 6 model struktur dipakai pada penelitian ini. Hasilnya
menunjukkan RNN memiliki akurasi lebih tinggi dibandingkan dengan
ANFIS untuk prediksi karbon monoksida, yaitu 93,1% untuk RNN dan
92.3% untuk ANFIS. ANFIS memiliki akurasi lebih baik dalam
memprediksi partikel PM10 yaitu sebesar 95.9% sedangkan RNN
menghasilkan akurasi sebesar 95.3%.
[3] L. Rafati, "Modelling the Formation of Ozone in the Air by Using Adaptive
Neuro-Fuzzy Inference System (ANFIS) (Case Study: City of Yazd, Iran) ,"
Desert, October 2014.
Prediksi Ozon ini mengambil studi kasus di kota Yazd, Iran
menggunakan metode ANFIS. Jurnal ini menyebutkan bahwa metode
statistika standar kemungkinan besar tidak tipat untuk memprediksi model
yang kompleks dan nonlinear. Neural Network mampu mengatasi masalah
ini lebih baik. 5 variabel masukan digunakan pada penelitian ini, yaitu
konsentrasi NO3, O3, temperatur, kecepatan dan arah angin.
2 statistical indicator yaitu correlation coefficient (R2) dan root mean
square error (RMSE) digunakan untuk mengavuali performa dari model.
Nilai R2 yang mendekati 1 dan nilai RMSE yang kecil menunjukkan akurasi
yang baik dari model yang dibuat.
Penelitian ini menghasilkan nilai RMSE sebesar 2.430 dan R2 sebesar
0.94 atau nilai akurasi sebesar 94%.
[4] Novie Fitriani Arifien, Syamsul Arifin, Bambang Lelono Widjiantoro,
"Prediksi Kadar Polutan Menggunakan Jaringan Syaraf Tiruan (JST) Untuk
Pemantauan Kualitas Udara di Kota Surabaya," 2012.
Penelitian ini menjadi sumber latar belakang serta panduan dalam
memperoleh data parameter dari BLH Surabaya. Hasil penelitian yang akan
dilakukan yaitu menggunakan ANFIS akan dibandingkan dengan penelitian
ini yang menggunakan metode Jaringan Syaraf Tiruan. Selain
membandingkan metode, parameter masukan juga akan dibandingkan. Pada
penelitian yang dilakukan Novie menggunakan 7 parameter masukan, yaitu
arah angin, kecepatan angin, kelembaban udara, temperatur udara, radiasi
global, konsentrasi NO2, dan konsentrasi SO2 dengan keluaran berupa
konsentrasi O3 dengan akurasi sebesar 92% untuk hari pertama, dan 76%
untuk hari kedua. Novie menyarankan untuk menambah jumlah prediktor
agar mendapatkan akurasi yang lebih baik.
[5] Nailil Hikmah, "Prediksi Konsentrasi Polutan Ozon Atmosfer Surabaya
dengan Metode Logika Fuzzy untuk Mendukung Monitoring Kualitas
Udara," Jurnal Teknik POMITS, vol. 1, pp. 1-6, 2012
Penelitian ini menggunakan logika fuzzy sebagai metodenya dengan 8
parameter masukan yaitu konsentrasi ozon, SO2, NO2, radiasi matahari,
kecepatan angin, arah angin, kelembaban udara, dan suhu. Akurasi dari
prediktor pada penelitian ini sebesar 80.43%.
[6] Osman Taylan, "Prediction of Air Quality for Sustainable Environment by
Artificial Intelligent Techniques," Energy Education Science and Technology
Part A: Energy Science and Research , vol. 31, no. 3, pp. 1635-1652,
December 2013.
Penelitian ini dilakukan dilatar belakangi dari laporan WHO yang
memperkirakan 2.4 juta oran meninggal tiap tahunnya dikarenakan polusi
udara. Penelitian ini bertujuan untuk memprediksi kualitas udara di Kota
Jeddah menggunakan metode ANFIS.
6 parameter dasar yang diukur untuk menentukan kualitas udara di
Saudi Arabia adalah Sulfur Dioksida (SO2), Nitrogen Dioksida (NO2), Ozon
(O3), Karbon Monoksida (CO), Hidrogen Sulfida, dan Partikulat. Parameter
inilah yang akan dijadikan variabel input dengan variabel output berupa Air
Quality Index. Penelitian ini menghasilkan error rata-rata sebesar 0.278% dan
nilai RSME sebesar 0.425
[7] S. Dursun, "Modelling Sulphur Dioxide Levels of Konya City Using
Artificial Intelligent Related to Ozone, Nitrogen Dioxide and Meteorological
Factors," Int. J. Environ. Sci. Technol., pp. 3915–3928, 2015.
Penelitian mengambil studi kasus di Kota Konya, Peninsula. Data
diambil di 15 titik yang tersebar di Kota Konya untuk memprediksi kualitas
udara menggunakan metode ANFIS dan ANN.
Tujuh variabel input digunakan, yaitu temperatur, kelembaban, kecepatan
udara, tekanan atmosfir, curah hujan, NO2, dan Ozon. Variabel Output adalah
SO2.
Penelitian ini dilakukan menggunakan dua metode, yaitu ANFIS dan
ANN. Metode ANFIS menunjukkan hasil yang lebih baik dari pada ANN.
Error yang dihasilkan ANFIS sebesar 2.81% , sedangkan ANN menghasilkan
error sebesar 9.79%
[8] Roohollah Noori, "Uncertainty analysis of developed ANN and ANFIS
models in prediction of carbon monoxide daily concentration," Atmospheric
Environment, p. 476e482, 2010.
Penelitian ini bertujuan untuk memprediksi konsentrasi harian Karbon
Monoksida di Kota Teheran menggunakan metode ANN dan ANFIS.
Forward Selection (FS) dan Gamma Test (GT) digunakan untuk menyeleksi
variabel input dari 12 kandidat variabel. tujuh dan sembilan variabel input
akhirnya terpilih mengggunakan metode FS dan GT. FS-ANN dan FSANFIS kemudian dipilih karena memiliki nilai R2 terbaik.
IX.
Teori Penunjang
9.1 Pencemaran Udara
Berdasarkan PP No. 41 Tahun 1999, pencemaran udara diartikan dengan
turunnya kualitas udara sehingga udara mengalami penurunan mutu dalam
penggunaannya yang akhimya tidak dapat digunakan lagi sebagaimana mestinya
sesuai dengan fungsinya. Dalam pencemaran udara selalu terkait dengan sumber
yang menghasilkan pencemaran udara yaitu sumber yang bergerak (umumnya
kendaraan bermotor) dan sumber yang tidak bergerak (umumnya kegiatan
industri). Berbagai kegiatan tersebut akan menghasilkan berbagai bahan
pencemaran udara termasuk polutan yang akan dikaji dalam penelitian ini, yaitu
Ozon troposfer (O3).
Berbagai bahan pencemar yang diemisikan akan menyebar dan bercampur di
atmosfer. Pencemaran yang dihasilkan dari setiap sumber akan tersebar di
atmosfer melalui proses difusi, dispersi, dan transformasi kimiawi. Bahan
pencemar yang di emisikan dari berbagai sumber pencemar akan mengalami
transmisi di atmosfer, dimana pada proses ini polutan akan menyebar (dispersi),
bercampur (dilusi) ataupun mengalami perubahan secara kimia (transformasi
kimia). Pada proses dispersi dan pencampuran kondisi meteorologis seperti
kecepatan angin, arah angin turbulensi dan kestabilan atmosfer merupakan
variabel yang sangat berpengaruh terhadap konsentrasi polutan. Sedangkan reaksi
kimia (transformasi kimiawi) di atmosfer sangat dipengaruhi oleh kondisi cuaca
ambient seperti radiasi matahari, temperatur udara, dan kelembaban udara [7].
Reaksi kimia di atmosfer merupakan reaksi yang terjadi antara gas prekursor
seperti hidrokarbon dan NOx dengan cahaya matahari yang kemudian akan
menghasilkan produk lain seperti ozon. Setelah mengalami transmisi, polutan akan
menjadi polusi udara ambien dan kemudian mengalami deposisi [1].
9.2 Pemantauan Kualitas Udara Ambien Otomatis ( Air Quality Monitoring
System/AQMS )
Pemasangan jaringan pemantauan kualitas udara ambient sebagai salah satu
cara pemantauan kualitas udara ambient di daerah perkotaan. Berdasarkan survey
lokasi bersama Tim BAPEDAL Pusat, Tim Pemerintah Austria, Tim Pemerintah
Kota Surabaya, Tim BAPEDAL Propinsi Jawa Timur pada tanggal 10-13 Maret
1999, ditetapkan lokasi penempatan Stasiun pemantauan kualitas udara ambien di
5 titik. Hasil pemantauan di stasiun-stasiun ini dilaporkan kedalam bahasa yang
mudah dipahami oleh masyarakat umum. Informasinya disampaikan dalam bentuk
ISPU (Indeks Standar Pencemaran Udara), yang dipublikasikan melalui public
display. Lokasi penempatan stasiun pemantauan kualitas udara dan public display
ditunjukkan oleh gambar sebagai berikut:
Gambar 9.1 Lokasi Stasiun Pemantau Kualitas Udara dan Public Display [8]
Stasiun pemantau tetap (SUF) ini menggunakan alat pemantau kualitas udara
otomatis AQMS (Air Quality ManagementSystem) [8]. Stasiun tersebut
menampilkan parameter-parameter dasar untuk indeks standar pencemaran udara (ISPU)
dengan periode waktu pengukuran tertentu.
Indeks Standar pencemar Udara (ISPU) adalah angka yang tidak memiliki
satuan yang menggambarkan kondisi kualitas udara ambien di lokasi dan waktu
tertentu, yang didasarkan pada dampak terhadap kesehatan manusia, nilai estetika
dan mahluk hidup lainnya. Nilai ini dapat dijadikan sebagai informasi baik bagi
masyarakat maupun bagi pemerintah untuk mewaspadai pencemaran udara.
Rentang ISPU ditunjukkan oleh tabel 9.1 sementara batasan ISPU tiap parameter
ditunjukkan pada tabel 9.2.
Tabel 9.1 Rentang Indeks Standar Pencemaran Udara [9]
KATEGORI RENTANG
PENJELASAN
Tingkat kualitas udara yang tidak memberikan efek
bagi kesehatan manusia atau hewan dan tidak
Baik
0-50
berpengaruh pada tumbuhan, bangunan atau nilai
estetika
Tingkat kualitas udara yang tidak memberikan efek
bagi kesehatan manusia atau hewan tetapi
Sedang
51-100
berpengaruh pada tumbuhan yang sensitif, dan nilai
estetika
Tingkat kualitas udara yang bersifat merugikan
pada manusia ataupun kelompok hewan yang
Tidak sehat
101-199
sensitive atau bisa menimbulkan kerusakan pada
tumbuhan ataupun nilai estetika.
Tingkat kualitas udara yang dapat merugikan
Sangat tidak
200-299
kesehatan pada sejumlah segmen populasi yang
sehat
terpapar
Tingkat kualitas udara berbahaya yang secara
Berbahaya
300-lebih
umum dapat merugikan kesehatan yang serius
Tabel 9.2 Batasan ISPU [8]
ISPU
24 jam
PM10 ug/m3
24 jam
SO2 ug/m3
B jam
CO ug/m3
1 jam
O3 ug/m3
1 jam
NO2 ug/m3
10
100
200
300
400
500
50
150
350
420
500
600
80
365
800
1600
2100
2620
5
10
17
34
46
57.5
120
235
400
800
1000
1200
1130
2260
3000
3750
Parameter yang terukur diubah menjadi angka ISPU menggunakan persamaan
1 berikut ini [9]:
�=
� −�
� −�
Dimana:
I
= ISPU terhitung
Ia
= ISPU batas atas
Ib
= ISPU batas bawah
�� − �
+ �
(1)
Xa
Xb
Xx
= Ambien batas atas
= Ambien batas bawah
= Kadar ambien nyata hasil pengukuran
9.3 O3 (Ozon Troposfer)
Ozon troposfer (O3) merupakan polutan sekunder yang dihasilkan
berdasarkan reaksi kimia kompleks yang terjadi di atmosfer dari perbagai
prekursornya. Senyawa yang menjadi prekursor O3 antara lain NOx, CO, CH4 dan
HMHC (Non Metan Hidrokarbon). Reaksi pembentukan O3 di atmosfer adalah
sebagai berikut (Budiyono, dkk.,) [4].
NO akan membebentuk NO2 melalui reaksi termolecular (pembakaran gas
pada temperatur tinggi) yaitu sebagai berikut:
2
+
→2
(2)
2
NO2 yang telah terbentuk akan terurai kembali karena adanya fotodisosiasi
oleh radiasi matahari pada panjang gelombang < 420 nm.
+ ℎ� →
2
+
(3)
Proses fotolisis NO2 akan menghasilkan atom O dan diikuti reaksi molekul
oksigen yang mana reaksi ini merupakan mekanisme reaksi dasar
pembentukan ozon di trofosfer bawah.
+
2
2
→
(4)
3
NO yang teremisi melalui udara akan berreaksi dengan ozon dan membentuk
NO2 kembali (reaksi titrasi). Reaksi kimia yang terjadi adalah sebagai berikut:
+
3
→
2
+
2
(5)
9.4 Adaptive Neuro-Fuzzy Inference System (ANFIS)
9.4.1
Fuzzy Logic
Istilah fuzzy logic diperkenalkan dari usulan fuzzy set teori yang berhubungan
dengan logika, penalaran, perkiraan daripada suatu nilai yang pasti. Teori himpunan
fuzzy diperkenalkan oleh Lotfi A. Zadeh pada tahun 1965. Himpunan fuzzy à pada
semesta pembicaraan X dapat didefinisikan sebagai sebuah himpunan pasangan
terurut,
à = {(x, μA x )| x ∈ X}
(6)
dengan μA x adalah derajat keanggotaan x di à yang memetakan X ke ruang
keanggotaan M yang terletak pada rentang [0, 1] [10].
9.4.2 Artificial Neural Network (Jaringan Syaraf Tiruan)
Jaringan syaraf tiruan atau jaringan neural artificial merupakan salah satu
representasi buatan (tiruan) dari otak manusia yang selalu mencoba untuk
mensimulasikan proses pembelajaran pada otak manusia tersebut. Jaringan syaraf ini
diimplementasikan dengan menggunakan program komputer yang mampu
menyelesaikan sejumlah proses perhitungan selama proses pembelajaran. Salah satu
arsitektur jaringan syaraf tiruan (JST) adalah jaringan dengan banyak lapisan
(multilayer feedforward). Multilayer feedforward terdiri dari: satu set unit sensor
yang merupakan input layers, satu atau lebih lapisan yang terletak diantara lapisan
input dan lapisan output (memiliki satu atau lebih lapisan tersembunyi) disebut
hidden layer , dan satu output layer , seperti terlihat pada Gambar 9.2.
Gambar 9.2 Arsitektur Jaringan Syaraf dengan Banyak Lapisan [11]
Proses belajar jaringan multilayer menggunakan metode pembelajaran
terawasi (supervised learning), yaitu algoritma backpropagation yang didasari atas
aturan koreksi kesalahan [1].
9.4.3 Adaptive Neuro Fuzzy Inference System (ANFIS)
Adaptive Neuro-Fuzzy Inference System (ANFIS) adalah penggabungan
mekanisme fuzzy inference system yang digambarkan dalam arsitektur jaringan
syaraf. Struktur dasar dari ANFIS dapat dijabarkan kedalam feedforward neural
network dengan 5 lapisan [1].
Gambar 9.3 Arsitektur Jaringan ANFIS [11]
Lapisan-lapisan tersebut adalah [11]:
Lapisan 1: Tiap-tiap neuron i pada lapisan pertama adaptif terhadap parameter suatu
fungsi aktivasi. Output dari tiap neuron berupa derajat keanggotaan yang diberikan
oleh fungsi keanggotaan input, yaitu: αA1 (X1 ), αB1 (X2 ), αA2 (X1 ), atau αB2 (X2 ) .
Lapisan 2: Tiap-tiap neuron pada lapisan ke dua berupa neuron tetap yang
outputnya adalah hasil dari masukan. Biasanya digunakan operator AND. Tiap-tiap
node merepresentasikan α predikat dari aturan ke-i.
O2,i = Wi = αA1 X1 ∙ αBi X2 ,
i = 1,2
(7)
Lapisan 3: Tiap-tiap neuron pada lapisan ke tiga berupa node tetap yang merupakan
hasil perhitungan rasio dari α predikat (w), dari aturan ke-i terhadap jumlah dari
keseluruhan α predikat.
wi
O3,i = Wi =
w1+ w2
, dengan i = 1,2
(8)
Lapisan 4: Tiap-tiap neuron pada lapisan keempat merupakan node adaptif terhadap
suatu output.
O4,i = Wi yi = Wi ( ci1 x1 + ci2 x2 + ci0 ) , dengan i = 1,2
(9)
Dengan Wi adalah normalised firing strength pada lapisan ke tiga dan
(ci1 , ci2 , ci0 ) adalah parameter-parameter pada neuron tersebut. Parameterparameter pada lapisan tersebut disebut dengan nama consequent parameters.
Lapisan 5: Tiap-tiap neuron pada lapisan ke lima adalah node tetap yang merupakan
jumlahan dari semua masukan.
O5,i = y =
X.
i
Wi fi =
i w i fi
i
wi
(10)
Metode Penelitian
Agar dapat berjalan dengan baik dan terarah maka pengerjaan Tugas Akhir
ini akan dikerjakan sesuai dengan metodologi yang digambarkan dalam flow chart
pada gambar 10.1 berikut:
Mulai
A
Rumusan Masalah
Perancangan Sistem
Prediksi Kadar O3
Menggunakan ANFIS
Studi Literatur
Penetapan Variabel
Input dan Output
Pengumpulan Data
Kadar Polutan dan
Variabel Meteorologi
Akurasi lebih
tinggi dari
pengukuran
BLH?
Tidak
Ya
Penentuan Kombinasi
Variabel Masukan
Analisa Data dan
Pembahasan
A
Kesimpulan dan
Saran
Selesai
Gambar 10.1 Metodologi Pelaksanaan Tugas Akhir
Penjelasan tiap langkah dari metodologi diatas adalah sebagai berikut:
1. Rumusan Masalah
Melakukan observasi dan menemukan persoalan yang harus
diselesaikan. Pada tugas akhir ini permasalahan yang ditemukan adalah pada
penyajian informasi mengenai polutan di udara tidak ada informasi mengenai
prediksi polutan esok harinya.
2. Studi Literatur
Untuk memberikan pemahaman yang lebih baik demi menunjang tugas
akhir ini dilakukan studi literature mengenai pencemaran udara, Indeks Standar
pencemar Udara (ISPU), sumber pencarian data, perancangan sistem prediksi
menggunakan ANFIS dan software Matlab. Studi literatur dilakukan dengan
membaca tugas akhir, jurnal, dan buku.
3. Penetapan Variabel Input dan Output
Variabel input yaitu PM10, SO2, O3, NO2, CO, kecepatan angin, kelembapan
udara ambient, suhu udara ambient, dan global radiasi. Sedangkan variable
Output berupa kadar O3.
4. Pengumpulan Data Kadar Polutan dan Variabel Meteorologi
Data kadar polutan dan variabel meteorologi diambil dari Badan
Lingkungan Hidup kota Surabaya. Data yang diambil adalah data harian
polutan dan parameter pendukung seperti pada poin 3 dari tahun 2012-2016.
5. Penentuan Kombinasi Variabel Masukan
Penentuan kombinasi variabel masukan yang dipakai berdasarkan nilai
korelasi terhadap variabel keluaran. Akan dibuat 4 model dengan variasi
jumlah variabel masukan. Data juga akan dibagi menjadi dua yaitu data
training dan validasi. Data training berjumlah minimal 2/3 dari total data [1].
6. Perancangan Prediktor
Merancang sistem prediksi kadar polutan O3 dengan metode ANFIS
menggunakan software MATLAB. Diagram blok sistem prediktor yang akan
dibuat ditunjukkan oleh gambar 10.2 berikut ini:
Input 1
Input 2
PREDIKTOR
ANFIS
Kadar O3
Input 3
Gambar 10.2 Diagram Blok Sistem Prediktor
Jumlah variabel masukan dibuat 4 model berdasarkan nilai korelasinya
terhadap variable keluaran yaitu kadar O3. Dari data masukan kemudian
dilakukan training terhadap sistem prediktor berbasis ANFIS menggunakan
software MATLAB. Kemudian dilakukan proses validasi atau checking untuk
mengetahui akurasi dari prediktor.
7. Akurasi Lebih Tinggi dari Pengukuran BLH
Validasi dilakukan dan dilihat parameter mana yang mampu
menghasilkan akurasi yang lebih baik dari pada akurasi pengukuran versi
Badan Lingkungan Hidup (BLH) Kota Surabaya. Perbaikan dilakukan dengan
merubah jumlah masukan atau faktor lain pada parameter yang menghasilkan
akurasi kurang baik
8. Analisa Data dan Pembahasan
Menganalisa hasil keluaran dari sistem yang telah dibuat serta
memberikan penjelasan terhadap proses dan hasil dari penelitian.
9. Kesimpulan dan Saran
Menarik kesimpulan dari penelitian yang telah dilakukan. Saran juga
diberikan agar di penelitian selanjutnya dapat memperoleh hasil yang lebih
baik
XI.
Jadwal Kegiatan
Adapun jadwal kegiatan dalam pengerjaan tugas akhir ini adalah sebagai
berikut:
Tabel 11.1 Jadwal Pelaksanaan Kegiatan Tugas Akhir
No
Kegiatan
Februari
Maret
1 Studi Literatur
2 Pengumpulan Data
Penentuan Variabel
3
Masukan
4 Perancangan Sistem
Running dan
5
Validasi
6 Perbaikan Sistem
Analisa Data dan
7
Kesimpulan
Penyusunan
8
Laporan
XII.
April
Mei
Daftar Pustaka
[1] Novie Fitriani Arifien, Syamsul Arifin, Bambang Lelono Widjiantoro, "Prediksi
Kadar Polutan Menggunakan Jaringan Syaraf Tiruan (JST) untuk Pemantauan
Kualitas Udara di Kota Surabaya," 2012.
[2] Nailil Hikmah, "Prediksi Konsentrasi Polutan Ozon Atmosfer Surabaya dengan
Metode Logika Fuzzy untuk Mendukung Monitoring Kualitas Udara," Jurnal
Teknik POMITS, vol. 1, pp. 1-6, 2012.
[3] Erniawati Halawa, "Prediksi Konsentrasi Karbon Monoksida Menggunakan
Metode Artificial Neural Neetwork," Prosiding SKF 2015, pp. 140-144, 2015.
[4] Razeghi A., "Comparison of RNN and ANFIS in Concentrations of Carbon
Monoxide and Fine Particles Forecasting in Tehran ," September 2014.
[5] L. Rafati, "Modelling the Formation of Ozone in the Air by Using Adaptive
Neuro-Fuzzy Inference System (ANFIS) (Case Study: City of Yazd, Iran) ,"
Desert, October 2014.
[6] Kin Seng Lei and Feng Wan, "Applying Ensemble Learning Techniques to
ANFIS for Air Pollution Index Prediction in Macau, " Springer-Verlag Berlin
Heidelberg, pp. 509-516, 2012.
[7] Helmut Mayer, "Air pollution in cities," Atmospheric Environment 33, pp. 40294037, 1999.
[8] Badan Lingkungan Hidup Surabaya, Buku Laporan Status Lingkungan Hidup
Daerah Surabaya 2013. Surabaya, Indonesia, 2013.
[9] Badan Pengendalian Dampak Lingkungan, "Pedoman Teknis Perhitungan dan
Pelaporan Serta Informasi Indeks Standar Pencemar Udara," Badan
Pengendalian
Dampak
Lingkungan,
NOMOR:
KEP107/KABAPEDAL/11/1997, 1998.
[10] L. A. Zadeh, "Fuzzy Sets," Information and Control, 1965.
[11] J.Jang, C. Sun, and, E. Mizutani, Neuro-fuzzy and Soft Computing . Amerika:
Prentice-Hall. Inc, 1997.
PREDIKSI KADAR POLUTAN MENGGUNAKAN ADAPTIVE NEUROFUZZY INFERENCE SYSTEM (ANFIS) UNTUK PEMANTAUAN
KUALITAS UDARA DI KOTA SURABAYA
Diusulkan Oleh:
Sari Angelina Nurma Gupita
2413 100 016
Dosen Pembimbing:
Prof. Dr. Ir. Aulia Siti A., MT.
NIP.196601161989032001
Dr. Ir. Syamsul Arifin, MT.
NIP.196309071989031004
PROGRAM STUDI S-1
DEPARTEMEN TEKNIK FISIKA
FAKULTAS TEKNOLOGI INDUSTRI
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA
2017
LEMBAR PENGESAHAN
PROPOSAL TUGAS AKHIR
S-1 TEKNIK FISIKA
DEPARTEMEN TEKNIK FISIKA FTI ITS
Judul
Bidang Studi
1. a. Nama
b. NRP
c. Jenis Kelamin
2. Pembimbing
3. Lama Penelitian
4. Proposal ke
5. Status
:Prediksi Kadar Polutan Menggunakan
Adaptive
NeuroFuzzy Inference System (ANFIS) untuk
Pemantauan Kualitas Udara di Kota Surabaya
: Instrumentasi
: Sari Angelina Nurma Gupita
: 2413 100 016
: Perempuan
: Prof. Dr. Ir. Aulia Siti A., MT.
Dr. Ir. Syamsul Arifin, MT.
: 1 Semester
:1
: Baru
Surabaya, 26 Februari 2017
Pengusul Proposal
Sari Angelina Nurma Gupita
2413 100 016
Menyetujui,
Pembimbing I
Pembimbing II
Prof. Dr. Ir. Aulia Siti A., MT.
NIP.196601161989032001
Dr. Ir. Syamsul Arifin, MT.
NIP.196309071989031004
Mengetahui,
Kepala Laboratorium
Rekayasa Instrumentasi dan Kontrol
Totok Ruki Biyanto ST,MT,Ph.D
NIP.197107021998021001
I.
Judul
Prediksi Kadar Polutan Menggunakan Adaptive Neuro-Fuzzy Inference System
(ANFIS) untuk Pemantauan Kualitas Udara di Kota Surabaya
II.
Mata Kuliah Pilihan Bidang Minat yang Diambil
1. Teknik Optimasi
2. Energi Baru Terbarukan
3. Sistem Fuzzy
III.
Pembimbing
Pembimbing I
Pembimbing II
IV.
: Prof. Dr. Ir. Aulia Siti A., MT.
: Dr. Ir. Syamsul Arifin, MT.
Latar Belakang
Pencemaran udara merupakan salah satu permasalahan yang dijumpai di kota
besar tak terkecuali Surabaya. Kota yang memiliki jumlah penduduk sebanyak
2.806.306 jiwa dengan luas wilayah sebesar 350,54 km2 menjadikan Surabaya
sebagai kota berpenduduk terpadat ke-2 di Indonesia. Sumber pencemaran udara
dapat berasal dari berbagai kegiatan industri, transportasi, perkantoran, dan
perumahan. Di wilayah selatan Surabaya telah dibangun kawasan industri yang
terdapat di Rungkut atau Brebek Industri, SIER (Surabaya Industrial Estate
Rungkut PT. Persero). Sementara Di wilayah utara Surabaya terdapat kawasan
industri dan pergudangan Tambak Langon - Kalianak - Margamulyo. Jumlah
kendaraan bermotor di Surabaya mencapai 4,5 juta. Adanya kawasan industri dan
besarnya jumlah kendaraan bermotor ini sangat berpotensi dalam menyumbang
polusi udara. Dampak buruk dari polusi udara ini dapat menyebabkan gangguan
kesehatan. Menurut data dari Dinas Kesehatan Penduduk Surabaya sebanyak
235.725 penduduk menderita infeksi akut saluran pernafasan bagian atas
(menempati peringkat pertama kejadian penyakit).
Kualitas udara di Surabaya dipantau melalui air quality monitoring system
(AQMS) yang dilakukan oleh Badan Lingkungan Hidup (BLH). Stasiun
pemantauan kualitas udara ambient ditempatkan di lima lokasi di Surabaya dan
pelaporan hasil pemantauan ini dikemas dalam bahasa yang mudah dipahami oleh
masyarakat yang dipublikasikan melalu papan public display. Data dari stasiun ini
oleh BLH digunakan sebagai dasar pengambilan keputusan tindakan pencegahan
pencemaran udara yang lebih serius.
Parameter yang diukur dalam stasiun pemantau kualitas udara ambien di Kota
Surabaya ada 16 (enam belas) parameter, yang terdiri dari :
1. 5 (lima) parameter kunci : PM10, SO2, O3, NO2, CO,
2. 11 (sebelas) parameter pendukung dan meteorologi : NO, NO x, kecepatan
angin (FF), kecepatan hembusan angin (FF Boe), arah angin (DD), arah hembusan
angin (DD Boe), kelembaban udara ambien, kelembaban udara container, suhu
udara ambien, suhu container dan global radiasi.
Polutan akan diukur secara langsung setiap jamnya kemudian dihitung menjadi
rata-rata dalam satu hari dan ditampilkan sebagai nilai yang terukur pada hari itu
tanpa adanya prediksi mengenai informasi untuk kondisi esok hari.
Penelitian ini akan melakukan prediksi kualitas udara di Kota Surabaya.
Parameter yang diprediksi adalah O3. Parameter inilah yang paling mendominasi
komposisi polutan di Surabaya.
Penelitian mengenai prediksi kualitas udara telah banyak dilakukan seperti
prediksi kadar O3 di Surabaya menggunakan metode Jaringan Syaraf Tiruan yang
menghasilkan tingkat keberhasilan berdasarkan nilai determinasi sebesar 92%
untuk hari pertama, dan 76% untuk hari kedua. Penelitian ini menggunakan 7
parameter masukan [1]. Prediksi lain yang dilakukan di Surabaya menggunakan
metode fuzzy logic menghasilkan akurasi sebesar 80.43% dengan 8 parameter
masukan [2]. Prediksi yang dilakukan di kota Bandung menghasilkan tingkat
akurasi sebesar 90% menggunakan Jaringan Syaraf Tiruan [3]. Penelitian lain
yang dilakukan di Teheran [4] dan Yazd, Iran [5] menghasilkan akurasi sebesar
92.3% dan 94% dengan menggunakan Adaptive Neuro-Fuzzy Inference System
(ANFIS).
Metode Adaptive Neuro-Fuzzy Inference System (ANFIS) dipilih untuk
penelitian ini karena berdasarkan penelitian sebelumnya penghasilkan akurasi
yang paling baik. Metode ini mengombinasikan kelebihan dari Neural Network
dan Fuzzy Logic. Neural Network memiliki kemampuan yang baik pada learning
ability, parallel processing, adaptation, fault-tolerance and distributed knowledge
representation. Sedangkan fuzzy logic dapat menyelesaikan permasalahan nonlinear yang rumit [6]. Penggunaan metode ini serta pemilihan parameter yang
tepat diharapkan dapat memberikan prediksi yang lebih akurat dibandingkan
dengan penelitian yang telah dilakukan dan dapat digunakan sebagai salah satu
upaya untuk meningkatkan sistem pemantauan kualitas udara yang ada di Kota
Surabaya.
V.
Permasalahan
Permasalahan dari penelitian ini adalah:
1. Berapa tipe dan jumlah variable masukan pada sistem prediktor kadar polutan
di kota Surabaya?
2. Bagaimanakah cara membangun sistem prediktor dengan variable masukan
yang dipilih?
3. Berapa parameter pada sistem prediktor berbasis Adaptive Neuro-Fuzzy
Inference System (ANFIS) yang mampu meningkatkan akurasi prediksi?
VI.
Batasan Masalah
1. Data yang digunakan untuk melakukan perancangan adalah NO2, SO2, O3, arah
angin, radiasi matahari, kecepatan angin, temperature, dan kelembaban udara.
2. Data pengamatan diperoleh dari Badan Lingkungan Hidup (BLH) Surabaya
yang bergerak di bawah Kementrian Lingkungan Hidup.
3. Metode untuk prediksi menggunakan Adaptive Neuro-Fuzzy Inference System
(ANFIS).
4. Peramalan yang dihasilkan merupakan konsentrasi polutan Ozon (O3) satu hari
berikutnya.
5. Peramalan yang dihasilkan hanya dapat diaplikasikan untuk Kota Surabaya.
VII.
Tujuan
Adapun tujuan dari penelitian ini adalah:
1. Menentukan tipe dan jumlah variable masukan pada sistem prediktor kadar
polutan di kota Surabaya.
2. Membangun sistem prediktor dengan variable masukan yang dipilih.
3. Mengetahui berapa parameter pada sistem prediktor berbasis Adaptive NeuroFuzzy Inference System (ANFIS) yang mampu meningkatkan akurasi prediksi.
VIII. Tinjauan Pustaka
[1] Kin Seng Lei and Feng Wan, "Applying Ensemble Learning Techniques to
ANFIS for Air Pollution Index Prediction in Macau ," Springer-Verlag Berlin
Heidelberg, pp. 509-516, 2012.
Paper ini menjelaskan metodologi dalam menggunakan metode ANFIS
untuk memprediksi polutan serta menjelaskan kelebihan metode ANFIS jika
dibandingkan dengan Neural Network dan Fuzzy Logic jika berdiri sendiri.
Neural Network memiliki kemampuan yang baik pada learning ability,
parallel processing, adaptation, fault-tolerance and distributed knowledge
representation. Sedangkan fuzzy logic dapat menyelesaikan permasalahan
non-linear yang rumit.
[2] Razeghi A., "Comparison of RNN and ANFIS in Concentrations of Carbon
Monoxide and Fine Particles Forecasting in Tehran, " September 2014.
Penelitian ini bertujuan untuk membandingkan metode Reccurent
Neural Network (RNN) dengan Adaptive Neuro Fuzzy (ANFIS) untuk
memprediksi konsentrasi karbon monoksida dan partikel PM10 di Teheran.
Kedua metode ini disebutkan mampu menyelesaikan permasalahan
nonlinear. 6 model struktur dipakai pada penelitian ini. Hasilnya
menunjukkan RNN memiliki akurasi lebih tinggi dibandingkan dengan
ANFIS untuk prediksi karbon monoksida, yaitu 93,1% untuk RNN dan
92.3% untuk ANFIS. ANFIS memiliki akurasi lebih baik dalam
memprediksi partikel PM10 yaitu sebesar 95.9% sedangkan RNN
menghasilkan akurasi sebesar 95.3%.
[3] L. Rafati, "Modelling the Formation of Ozone in the Air by Using Adaptive
Neuro-Fuzzy Inference System (ANFIS) (Case Study: City of Yazd, Iran) ,"
Desert, October 2014.
Prediksi Ozon ini mengambil studi kasus di kota Yazd, Iran
menggunakan metode ANFIS. Jurnal ini menyebutkan bahwa metode
statistika standar kemungkinan besar tidak tipat untuk memprediksi model
yang kompleks dan nonlinear. Neural Network mampu mengatasi masalah
ini lebih baik. 5 variabel masukan digunakan pada penelitian ini, yaitu
konsentrasi NO3, O3, temperatur, kecepatan dan arah angin.
2 statistical indicator yaitu correlation coefficient (R2) dan root mean
square error (RMSE) digunakan untuk mengavuali performa dari model.
Nilai R2 yang mendekati 1 dan nilai RMSE yang kecil menunjukkan akurasi
yang baik dari model yang dibuat.
Penelitian ini menghasilkan nilai RMSE sebesar 2.430 dan R2 sebesar
0.94 atau nilai akurasi sebesar 94%.
[4] Novie Fitriani Arifien, Syamsul Arifin, Bambang Lelono Widjiantoro,
"Prediksi Kadar Polutan Menggunakan Jaringan Syaraf Tiruan (JST) Untuk
Pemantauan Kualitas Udara di Kota Surabaya," 2012.
Penelitian ini menjadi sumber latar belakang serta panduan dalam
memperoleh data parameter dari BLH Surabaya. Hasil penelitian yang akan
dilakukan yaitu menggunakan ANFIS akan dibandingkan dengan penelitian
ini yang menggunakan metode Jaringan Syaraf Tiruan. Selain
membandingkan metode, parameter masukan juga akan dibandingkan. Pada
penelitian yang dilakukan Novie menggunakan 7 parameter masukan, yaitu
arah angin, kecepatan angin, kelembaban udara, temperatur udara, radiasi
global, konsentrasi NO2, dan konsentrasi SO2 dengan keluaran berupa
konsentrasi O3 dengan akurasi sebesar 92% untuk hari pertama, dan 76%
untuk hari kedua. Novie menyarankan untuk menambah jumlah prediktor
agar mendapatkan akurasi yang lebih baik.
[5] Nailil Hikmah, "Prediksi Konsentrasi Polutan Ozon Atmosfer Surabaya
dengan Metode Logika Fuzzy untuk Mendukung Monitoring Kualitas
Udara," Jurnal Teknik POMITS, vol. 1, pp. 1-6, 2012
Penelitian ini menggunakan logika fuzzy sebagai metodenya dengan 8
parameter masukan yaitu konsentrasi ozon, SO2, NO2, radiasi matahari,
kecepatan angin, arah angin, kelembaban udara, dan suhu. Akurasi dari
prediktor pada penelitian ini sebesar 80.43%.
[6] Osman Taylan, "Prediction of Air Quality for Sustainable Environment by
Artificial Intelligent Techniques," Energy Education Science and Technology
Part A: Energy Science and Research , vol. 31, no. 3, pp. 1635-1652,
December 2013.
Penelitian ini dilakukan dilatar belakangi dari laporan WHO yang
memperkirakan 2.4 juta oran meninggal tiap tahunnya dikarenakan polusi
udara. Penelitian ini bertujuan untuk memprediksi kualitas udara di Kota
Jeddah menggunakan metode ANFIS.
6 parameter dasar yang diukur untuk menentukan kualitas udara di
Saudi Arabia adalah Sulfur Dioksida (SO2), Nitrogen Dioksida (NO2), Ozon
(O3), Karbon Monoksida (CO), Hidrogen Sulfida, dan Partikulat. Parameter
inilah yang akan dijadikan variabel input dengan variabel output berupa Air
Quality Index. Penelitian ini menghasilkan error rata-rata sebesar 0.278% dan
nilai RSME sebesar 0.425
[7] S. Dursun, "Modelling Sulphur Dioxide Levels of Konya City Using
Artificial Intelligent Related to Ozone, Nitrogen Dioxide and Meteorological
Factors," Int. J. Environ. Sci. Technol., pp. 3915–3928, 2015.
Penelitian mengambil studi kasus di Kota Konya, Peninsula. Data
diambil di 15 titik yang tersebar di Kota Konya untuk memprediksi kualitas
udara menggunakan metode ANFIS dan ANN.
Tujuh variabel input digunakan, yaitu temperatur, kelembaban, kecepatan
udara, tekanan atmosfir, curah hujan, NO2, dan Ozon. Variabel Output adalah
SO2.
Penelitian ini dilakukan menggunakan dua metode, yaitu ANFIS dan
ANN. Metode ANFIS menunjukkan hasil yang lebih baik dari pada ANN.
Error yang dihasilkan ANFIS sebesar 2.81% , sedangkan ANN menghasilkan
error sebesar 9.79%
[8] Roohollah Noori, "Uncertainty analysis of developed ANN and ANFIS
models in prediction of carbon monoxide daily concentration," Atmospheric
Environment, p. 476e482, 2010.
Penelitian ini bertujuan untuk memprediksi konsentrasi harian Karbon
Monoksida di Kota Teheran menggunakan metode ANN dan ANFIS.
Forward Selection (FS) dan Gamma Test (GT) digunakan untuk menyeleksi
variabel input dari 12 kandidat variabel. tujuh dan sembilan variabel input
akhirnya terpilih mengggunakan metode FS dan GT. FS-ANN dan FSANFIS kemudian dipilih karena memiliki nilai R2 terbaik.
IX.
Teori Penunjang
9.1 Pencemaran Udara
Berdasarkan PP No. 41 Tahun 1999, pencemaran udara diartikan dengan
turunnya kualitas udara sehingga udara mengalami penurunan mutu dalam
penggunaannya yang akhimya tidak dapat digunakan lagi sebagaimana mestinya
sesuai dengan fungsinya. Dalam pencemaran udara selalu terkait dengan sumber
yang menghasilkan pencemaran udara yaitu sumber yang bergerak (umumnya
kendaraan bermotor) dan sumber yang tidak bergerak (umumnya kegiatan
industri). Berbagai kegiatan tersebut akan menghasilkan berbagai bahan
pencemaran udara termasuk polutan yang akan dikaji dalam penelitian ini, yaitu
Ozon troposfer (O3).
Berbagai bahan pencemar yang diemisikan akan menyebar dan bercampur di
atmosfer. Pencemaran yang dihasilkan dari setiap sumber akan tersebar di
atmosfer melalui proses difusi, dispersi, dan transformasi kimiawi. Bahan
pencemar yang di emisikan dari berbagai sumber pencemar akan mengalami
transmisi di atmosfer, dimana pada proses ini polutan akan menyebar (dispersi),
bercampur (dilusi) ataupun mengalami perubahan secara kimia (transformasi
kimia). Pada proses dispersi dan pencampuran kondisi meteorologis seperti
kecepatan angin, arah angin turbulensi dan kestabilan atmosfer merupakan
variabel yang sangat berpengaruh terhadap konsentrasi polutan. Sedangkan reaksi
kimia (transformasi kimiawi) di atmosfer sangat dipengaruhi oleh kondisi cuaca
ambient seperti radiasi matahari, temperatur udara, dan kelembaban udara [7].
Reaksi kimia di atmosfer merupakan reaksi yang terjadi antara gas prekursor
seperti hidrokarbon dan NOx dengan cahaya matahari yang kemudian akan
menghasilkan produk lain seperti ozon. Setelah mengalami transmisi, polutan akan
menjadi polusi udara ambien dan kemudian mengalami deposisi [1].
9.2 Pemantauan Kualitas Udara Ambien Otomatis ( Air Quality Monitoring
System/AQMS )
Pemasangan jaringan pemantauan kualitas udara ambient sebagai salah satu
cara pemantauan kualitas udara ambient di daerah perkotaan. Berdasarkan survey
lokasi bersama Tim BAPEDAL Pusat, Tim Pemerintah Austria, Tim Pemerintah
Kota Surabaya, Tim BAPEDAL Propinsi Jawa Timur pada tanggal 10-13 Maret
1999, ditetapkan lokasi penempatan Stasiun pemantauan kualitas udara ambien di
5 titik. Hasil pemantauan di stasiun-stasiun ini dilaporkan kedalam bahasa yang
mudah dipahami oleh masyarakat umum. Informasinya disampaikan dalam bentuk
ISPU (Indeks Standar Pencemaran Udara), yang dipublikasikan melalui public
display. Lokasi penempatan stasiun pemantauan kualitas udara dan public display
ditunjukkan oleh gambar sebagai berikut:
Gambar 9.1 Lokasi Stasiun Pemantau Kualitas Udara dan Public Display [8]
Stasiun pemantau tetap (SUF) ini menggunakan alat pemantau kualitas udara
otomatis AQMS (Air Quality ManagementSystem) [8]. Stasiun tersebut
menampilkan parameter-parameter dasar untuk indeks standar pencemaran udara (ISPU)
dengan periode waktu pengukuran tertentu.
Indeks Standar pencemar Udara (ISPU) adalah angka yang tidak memiliki
satuan yang menggambarkan kondisi kualitas udara ambien di lokasi dan waktu
tertentu, yang didasarkan pada dampak terhadap kesehatan manusia, nilai estetika
dan mahluk hidup lainnya. Nilai ini dapat dijadikan sebagai informasi baik bagi
masyarakat maupun bagi pemerintah untuk mewaspadai pencemaran udara.
Rentang ISPU ditunjukkan oleh tabel 9.1 sementara batasan ISPU tiap parameter
ditunjukkan pada tabel 9.2.
Tabel 9.1 Rentang Indeks Standar Pencemaran Udara [9]
KATEGORI RENTANG
PENJELASAN
Tingkat kualitas udara yang tidak memberikan efek
bagi kesehatan manusia atau hewan dan tidak
Baik
0-50
berpengaruh pada tumbuhan, bangunan atau nilai
estetika
Tingkat kualitas udara yang tidak memberikan efek
bagi kesehatan manusia atau hewan tetapi
Sedang
51-100
berpengaruh pada tumbuhan yang sensitif, dan nilai
estetika
Tingkat kualitas udara yang bersifat merugikan
pada manusia ataupun kelompok hewan yang
Tidak sehat
101-199
sensitive atau bisa menimbulkan kerusakan pada
tumbuhan ataupun nilai estetika.
Tingkat kualitas udara yang dapat merugikan
Sangat tidak
200-299
kesehatan pada sejumlah segmen populasi yang
sehat
terpapar
Tingkat kualitas udara berbahaya yang secara
Berbahaya
300-lebih
umum dapat merugikan kesehatan yang serius
Tabel 9.2 Batasan ISPU [8]
ISPU
24 jam
PM10 ug/m3
24 jam
SO2 ug/m3
B jam
CO ug/m3
1 jam
O3 ug/m3
1 jam
NO2 ug/m3
10
100
200
300
400
500
50
150
350
420
500
600
80
365
800
1600
2100
2620
5
10
17
34
46
57.5
120
235
400
800
1000
1200
1130
2260
3000
3750
Parameter yang terukur diubah menjadi angka ISPU menggunakan persamaan
1 berikut ini [9]:
�=
� −�
� −�
Dimana:
I
= ISPU terhitung
Ia
= ISPU batas atas
Ib
= ISPU batas bawah
�� − �
+ �
(1)
Xa
Xb
Xx
= Ambien batas atas
= Ambien batas bawah
= Kadar ambien nyata hasil pengukuran
9.3 O3 (Ozon Troposfer)
Ozon troposfer (O3) merupakan polutan sekunder yang dihasilkan
berdasarkan reaksi kimia kompleks yang terjadi di atmosfer dari perbagai
prekursornya. Senyawa yang menjadi prekursor O3 antara lain NOx, CO, CH4 dan
HMHC (Non Metan Hidrokarbon). Reaksi pembentukan O3 di atmosfer adalah
sebagai berikut (Budiyono, dkk.,) [4].
NO akan membebentuk NO2 melalui reaksi termolecular (pembakaran gas
pada temperatur tinggi) yaitu sebagai berikut:
2
+
→2
(2)
2
NO2 yang telah terbentuk akan terurai kembali karena adanya fotodisosiasi
oleh radiasi matahari pada panjang gelombang < 420 nm.
+ ℎ� →
2
+
(3)
Proses fotolisis NO2 akan menghasilkan atom O dan diikuti reaksi molekul
oksigen yang mana reaksi ini merupakan mekanisme reaksi dasar
pembentukan ozon di trofosfer bawah.
+
2
2
→
(4)
3
NO yang teremisi melalui udara akan berreaksi dengan ozon dan membentuk
NO2 kembali (reaksi titrasi). Reaksi kimia yang terjadi adalah sebagai berikut:
+
3
→
2
+
2
(5)
9.4 Adaptive Neuro-Fuzzy Inference System (ANFIS)
9.4.1
Fuzzy Logic
Istilah fuzzy logic diperkenalkan dari usulan fuzzy set teori yang berhubungan
dengan logika, penalaran, perkiraan daripada suatu nilai yang pasti. Teori himpunan
fuzzy diperkenalkan oleh Lotfi A. Zadeh pada tahun 1965. Himpunan fuzzy à pada
semesta pembicaraan X dapat didefinisikan sebagai sebuah himpunan pasangan
terurut,
à = {(x, μA x )| x ∈ X}
(6)
dengan μA x adalah derajat keanggotaan x di à yang memetakan X ke ruang
keanggotaan M yang terletak pada rentang [0, 1] [10].
9.4.2 Artificial Neural Network (Jaringan Syaraf Tiruan)
Jaringan syaraf tiruan atau jaringan neural artificial merupakan salah satu
representasi buatan (tiruan) dari otak manusia yang selalu mencoba untuk
mensimulasikan proses pembelajaran pada otak manusia tersebut. Jaringan syaraf ini
diimplementasikan dengan menggunakan program komputer yang mampu
menyelesaikan sejumlah proses perhitungan selama proses pembelajaran. Salah satu
arsitektur jaringan syaraf tiruan (JST) adalah jaringan dengan banyak lapisan
(multilayer feedforward). Multilayer feedforward terdiri dari: satu set unit sensor
yang merupakan input layers, satu atau lebih lapisan yang terletak diantara lapisan
input dan lapisan output (memiliki satu atau lebih lapisan tersembunyi) disebut
hidden layer , dan satu output layer , seperti terlihat pada Gambar 9.2.
Gambar 9.2 Arsitektur Jaringan Syaraf dengan Banyak Lapisan [11]
Proses belajar jaringan multilayer menggunakan metode pembelajaran
terawasi (supervised learning), yaitu algoritma backpropagation yang didasari atas
aturan koreksi kesalahan [1].
9.4.3 Adaptive Neuro Fuzzy Inference System (ANFIS)
Adaptive Neuro-Fuzzy Inference System (ANFIS) adalah penggabungan
mekanisme fuzzy inference system yang digambarkan dalam arsitektur jaringan
syaraf. Struktur dasar dari ANFIS dapat dijabarkan kedalam feedforward neural
network dengan 5 lapisan [1].
Gambar 9.3 Arsitektur Jaringan ANFIS [11]
Lapisan-lapisan tersebut adalah [11]:
Lapisan 1: Tiap-tiap neuron i pada lapisan pertama adaptif terhadap parameter suatu
fungsi aktivasi. Output dari tiap neuron berupa derajat keanggotaan yang diberikan
oleh fungsi keanggotaan input, yaitu: αA1 (X1 ), αB1 (X2 ), αA2 (X1 ), atau αB2 (X2 ) .
Lapisan 2: Tiap-tiap neuron pada lapisan ke dua berupa neuron tetap yang
outputnya adalah hasil dari masukan. Biasanya digunakan operator AND. Tiap-tiap
node merepresentasikan α predikat dari aturan ke-i.
O2,i = Wi = αA1 X1 ∙ αBi X2 ,
i = 1,2
(7)
Lapisan 3: Tiap-tiap neuron pada lapisan ke tiga berupa node tetap yang merupakan
hasil perhitungan rasio dari α predikat (w), dari aturan ke-i terhadap jumlah dari
keseluruhan α predikat.
wi
O3,i = Wi =
w1+ w2
, dengan i = 1,2
(8)
Lapisan 4: Tiap-tiap neuron pada lapisan keempat merupakan node adaptif terhadap
suatu output.
O4,i = Wi yi = Wi ( ci1 x1 + ci2 x2 + ci0 ) , dengan i = 1,2
(9)
Dengan Wi adalah normalised firing strength pada lapisan ke tiga dan
(ci1 , ci2 , ci0 ) adalah parameter-parameter pada neuron tersebut. Parameterparameter pada lapisan tersebut disebut dengan nama consequent parameters.
Lapisan 5: Tiap-tiap neuron pada lapisan ke lima adalah node tetap yang merupakan
jumlahan dari semua masukan.
O5,i = y =
X.
i
Wi fi =
i w i fi
i
wi
(10)
Metode Penelitian
Agar dapat berjalan dengan baik dan terarah maka pengerjaan Tugas Akhir
ini akan dikerjakan sesuai dengan metodologi yang digambarkan dalam flow chart
pada gambar 10.1 berikut:
Mulai
A
Rumusan Masalah
Perancangan Sistem
Prediksi Kadar O3
Menggunakan ANFIS
Studi Literatur
Penetapan Variabel
Input dan Output
Pengumpulan Data
Kadar Polutan dan
Variabel Meteorologi
Akurasi lebih
tinggi dari
pengukuran
BLH?
Tidak
Ya
Penentuan Kombinasi
Variabel Masukan
Analisa Data dan
Pembahasan
A
Kesimpulan dan
Saran
Selesai
Gambar 10.1 Metodologi Pelaksanaan Tugas Akhir
Penjelasan tiap langkah dari metodologi diatas adalah sebagai berikut:
1. Rumusan Masalah
Melakukan observasi dan menemukan persoalan yang harus
diselesaikan. Pada tugas akhir ini permasalahan yang ditemukan adalah pada
penyajian informasi mengenai polutan di udara tidak ada informasi mengenai
prediksi polutan esok harinya.
2. Studi Literatur
Untuk memberikan pemahaman yang lebih baik demi menunjang tugas
akhir ini dilakukan studi literature mengenai pencemaran udara, Indeks Standar
pencemar Udara (ISPU), sumber pencarian data, perancangan sistem prediksi
menggunakan ANFIS dan software Matlab. Studi literatur dilakukan dengan
membaca tugas akhir, jurnal, dan buku.
3. Penetapan Variabel Input dan Output
Variabel input yaitu PM10, SO2, O3, NO2, CO, kecepatan angin, kelembapan
udara ambient, suhu udara ambient, dan global radiasi. Sedangkan variable
Output berupa kadar O3.
4. Pengumpulan Data Kadar Polutan dan Variabel Meteorologi
Data kadar polutan dan variabel meteorologi diambil dari Badan
Lingkungan Hidup kota Surabaya. Data yang diambil adalah data harian
polutan dan parameter pendukung seperti pada poin 3 dari tahun 2012-2016.
5. Penentuan Kombinasi Variabel Masukan
Penentuan kombinasi variabel masukan yang dipakai berdasarkan nilai
korelasi terhadap variabel keluaran. Akan dibuat 4 model dengan variasi
jumlah variabel masukan. Data juga akan dibagi menjadi dua yaitu data
training dan validasi. Data training berjumlah minimal 2/3 dari total data [1].
6. Perancangan Prediktor
Merancang sistem prediksi kadar polutan O3 dengan metode ANFIS
menggunakan software MATLAB. Diagram blok sistem prediktor yang akan
dibuat ditunjukkan oleh gambar 10.2 berikut ini:
Input 1
Input 2
PREDIKTOR
ANFIS
Kadar O3
Input 3
Gambar 10.2 Diagram Blok Sistem Prediktor
Jumlah variabel masukan dibuat 4 model berdasarkan nilai korelasinya
terhadap variable keluaran yaitu kadar O3. Dari data masukan kemudian
dilakukan training terhadap sistem prediktor berbasis ANFIS menggunakan
software MATLAB. Kemudian dilakukan proses validasi atau checking untuk
mengetahui akurasi dari prediktor.
7. Akurasi Lebih Tinggi dari Pengukuran BLH
Validasi dilakukan dan dilihat parameter mana yang mampu
menghasilkan akurasi yang lebih baik dari pada akurasi pengukuran versi
Badan Lingkungan Hidup (BLH) Kota Surabaya. Perbaikan dilakukan dengan
merubah jumlah masukan atau faktor lain pada parameter yang menghasilkan
akurasi kurang baik
8. Analisa Data dan Pembahasan
Menganalisa hasil keluaran dari sistem yang telah dibuat serta
memberikan penjelasan terhadap proses dan hasil dari penelitian.
9. Kesimpulan dan Saran
Menarik kesimpulan dari penelitian yang telah dilakukan. Saran juga
diberikan agar di penelitian selanjutnya dapat memperoleh hasil yang lebih
baik
XI.
Jadwal Kegiatan
Adapun jadwal kegiatan dalam pengerjaan tugas akhir ini adalah sebagai
berikut:
Tabel 11.1 Jadwal Pelaksanaan Kegiatan Tugas Akhir
No
Kegiatan
Februari
Maret
1 Studi Literatur
2 Pengumpulan Data
Penentuan Variabel
3
Masukan
4 Perancangan Sistem
Running dan
5
Validasi
6 Perbaikan Sistem
Analisa Data dan
7
Kesimpulan
Penyusunan
8
Laporan
XII.
April
Mei
Daftar Pustaka
[1] Novie Fitriani Arifien, Syamsul Arifin, Bambang Lelono Widjiantoro, "Prediksi
Kadar Polutan Menggunakan Jaringan Syaraf Tiruan (JST) untuk Pemantauan
Kualitas Udara di Kota Surabaya," 2012.
[2] Nailil Hikmah, "Prediksi Konsentrasi Polutan Ozon Atmosfer Surabaya dengan
Metode Logika Fuzzy untuk Mendukung Monitoring Kualitas Udara," Jurnal
Teknik POMITS, vol. 1, pp. 1-6, 2012.
[3] Erniawati Halawa, "Prediksi Konsentrasi Karbon Monoksida Menggunakan
Metode Artificial Neural Neetwork," Prosiding SKF 2015, pp. 140-144, 2015.
[4] Razeghi A., "Comparison of RNN and ANFIS in Concentrations of Carbon
Monoxide and Fine Particles Forecasting in Tehran ," September 2014.
[5] L. Rafati, "Modelling the Formation of Ozone in the Air by Using Adaptive
Neuro-Fuzzy Inference System (ANFIS) (Case Study: City of Yazd, Iran) ,"
Desert, October 2014.
[6] Kin Seng Lei and Feng Wan, "Applying Ensemble Learning Techniques to
ANFIS for Air Pollution Index Prediction in Macau, " Springer-Verlag Berlin
Heidelberg, pp. 509-516, 2012.
[7] Helmut Mayer, "Air pollution in cities," Atmospheric Environment 33, pp. 40294037, 1999.
[8] Badan Lingkungan Hidup Surabaya, Buku Laporan Status Lingkungan Hidup
Daerah Surabaya 2013. Surabaya, Indonesia, 2013.
[9] Badan Pengendalian Dampak Lingkungan, "Pedoman Teknis Perhitungan dan
Pelaporan Serta Informasi Indeks Standar Pencemar Udara," Badan
Pengendalian
Dampak
Lingkungan,
NOMOR:
KEP107/KABAPEDAL/11/1997, 1998.
[10] L. A. Zadeh, "Fuzzy Sets," Information and Control, 1965.
[11] J.Jang, C. Sun, and, E. Mizutani, Neuro-fuzzy and Soft Computing . Amerika:
Prentice-Hall. Inc, 1997.