Aplikasi Jaringan Syaraf Tiruan Model Kohonen dalam Pengelompokan Data Pencemaran Udara Sektor Industri di Sumatera Utara
BAB 1
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
Laju
,
di
,
, dan partikulat yang padat.
atmosfer.
Parameter
pertumbuhan
ekonomi
kualitas
yang
udara
tinggi
diantaranya
berpengaruh
gas
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
Universitas Sumatera Utara
2
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.
Universitas Sumatera Utara
3
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
Total Suspended Particules (TSP).
4.
,
,
,
,
,
dan
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 penghubungpenghubung.
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.
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)
c.
Fungsi aktivasi
Universitas Sumatera Utara
4
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 (
Dengan
):
=
+
2
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
Universitas Sumatera Utara
5
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(
d. Hitung a :
e. Cari
4
= −/ + $
−3 )
terbesar :
i. MaxA = max( ), dengan i = 1, 2, ..., k
ii. Idx = i, sedemikian hingga
f. Set output neuron ke-i ( ):
=
= MaxA.
=5
1, = 78 ;
0, ≠ 78
+∝ (3
g. Update bobot yang menuju ke neuron Idx:
h. Update bobot bias:
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
Laju
,
di
,
, dan partikulat yang padat.
atmosfer.
Parameter
pertumbuhan
ekonomi
kualitas
yang
udara
tinggi
diantaranya
berpengaruh
gas
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
Universitas Sumatera Utara
2
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.
Universitas Sumatera Utara
3
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
Total Suspended Particules (TSP).
4.
,
,
,
,
,
dan
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 penghubungpenghubung.
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.
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)
c.
Fungsi aktivasi
Universitas Sumatera Utara
4
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 (
Dengan
):
=
+
2
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
Universitas Sumatera Utara
5
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(
d. Hitung a :
e. Cari
4
= −/ + $
−3 )
terbesar :
i. MaxA = max( ), dengan i = 1, 2, ..., k
ii. Idx = i, sedemikian hingga
f. Set output neuron ke-i ( ):
=
= MaxA.
=5
1, = 78 ;
0, ≠ 78
+∝ (3
g. Update bobot yang menuju ke neuron Idx:
h. Update bobot bias: