DESAIN FUZZY NEURAL MODEL
PREDIKSI ALGAL BLOOMS DI DAERAH TROPIS
HARYANTO
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
DESAIN FUZZY NEURAL MODEL
PREDIKSI ALGAL BLOOM DI DAERAH TROPIS
HARYANTO
Tesis
Sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada
Program Studi Ilmu Komputer
i Judul Tesis : Desain Fuzzy Neural Model Prediksi Algal Blooms Di Daerah
Tropis
Nama : Haryanto
NRP : G651024084
Program Studi : Ilmu Komputer
Disetujui,
Komisi Pembimbing
Prof. Dr. Ir. Marimin, M.Sc Dr. Ir. Kudang Boro Seminar, M.Sc
Ketua Anggota
Diketahui,
Ketua Program Studi Dekan Sekolah Pascasarjana Ilmu Komputer
Dr. Sugi Guritman Prof. Dr. Ir. Khairil Anwar Notodiputro, MS
SURAT PERNYATAAN
Saya menyatakan dengan sebenar-benarnya bahwa segala pernyataan dalam tesis
saya yang berjudul :
DESAIN FUZZY NEURAL MODEL
PREDIKSI ALGAL BLOOMS DI DAERAH TROPIS
Merupakan gagasan atau hasil penelitian tesis saya sendiri, dengan arahan Komisi
Pembimbing, kecuali yang dengan jelas ditunjukan rujukannya. Tesis ini belum
pernah diajukan untuk memperoleh gelar atau capaian akademik lainnya pada
program sejenis di perguruan tinggi lain. Semua data dan informasi yang
digunakan telah dinyatakan secara jelas dan dapat diperiksa kebenarannya.
Jakarta, November 2006
Yang Membuat Pernyataan
iii
PRAKATA
Alhamdulillah, puji syukur penulis ucapkan kehadirat ALLAH SWT atas
segala limpahan rahmat dan hidayah-Nya, sehingga penulis dapat menyelesaikan
tesis ini dengan judul : DESAIN FUZZY NEURAL MODEL PREDIKSI ALGAL
BLOOMS DI DAERAH TROPIS. Tesis ini dibuat untuk memenuhi salah satu
persyaratan studi pada program Ilmu Komputer, Sekolah Pascasarjana IPB.
Tesis ini dapat terselesaikan atas bantuan berbagai pihak. Oleh karena itu
penulis ingin menyampaikan terima kasih yang sebesar-besarnya kepada:
1. Bapak Prof. Dr. Ir. Marimin, M.Sc dan Bapak Dr. Kudang Boro Seminar,
M.Sc selaku pembimbing yang telah banyak memberikan bimbingan dan
arahan
2. Bapak Ir. Agus Buono, M.Si, M.Kom, selaku penguji luar Komisi
3. Bapak Dr. Ir. Hary Budiarto, M.Kom, yang telah banyak membantu penulis
dalam menyelesaikan tesis ini.
4. Bapak Ir. Tumpak Sidabutar, M.Sc, atas segala saran dan masukannya selama
menyelesaikan tesis ini.
5. Staff pengajar dan karyawan program studi Ilmu Komputer, Sekolah
Pascasarjana IPB
6. Rekan-rekan mahasiswa yang telah banyak memberikan masukan
7. Segenap keluarga yang telah memberikan dukungan moril dan spiritual
8. Semua pihak yang telah banyak membantu namun tidak dapat penulis
sebutkan satu- persatu
Berbagai upaya telah penulis lakukan guna terselesaikannya penelitian ini
dengan baik, namun penulis menyadari akan kekurangan dan keterbatasan penulis.
Oleh karena itu diharapkan kritik dan saran yang dapat lebih menyempurnakan
hasil penelitian ini.
Semoga tesis ini bermanfaat.
Jakarta, November 2006
RINGKASAN
HARYANTO. Desain Fuzzy Neuarl Model Prediksi Algal Blooms di Daerah Tropis. Dibawah bimbingan MARIMIN sebagai ketua komisi pembimbing dan KUDANG BORO SEMINAR sebagai anggota.
Ledakan populasi (blooming) mikroalgae tertentu acapkali terjadi di lingkungan perairan dan dapat berdampak positif atau negatif. Ledakan populasi (blooming) mikroalgae tertentu dapat berdampak positif atau negatif. Ledakan populasi dari microalgae yang merugikan dikenal sebagai redtide atau lebih tepat disebut Harmful Algal Blooms (HABs) (Praseno dan Sugestiningsih, 2000). Selain menimbulkan gangguan pada lingkungan dan kesehatan manusia, HABs juga dapat menimbulkan kerugian ekonomi. Berdasarkan hal tersebut maka perlu dibuatkan sistem peringatan dini algal blooms yaitu sebuah sistem yang dirancang untuk mendeteksi algal blooms kemudian memberikan peringatan kepada masyarakat untuk mencegah jatuhnya korban. Fokus penelitian ini berada pada bagian fuzzy neural processing. Pendekatan fuzzy neural dijadikan pilihan melihat hasil penelitian sebelumnya yaitu penelitian yang berkaitan dengan seleksi aroma (Sakuraba et al, 1994) dan penciuman elektronik untuk penciuman aroma (Budiarto dan kusumoputro,1998.
Tujuan penelitian ini adalah mendapatkan suatu model untuk prediksi terjadinya algal blooms dengan pendekatan fuzzy neural dan mengimplementasikan prototype sistem prediksi algal blooms dari model yang dirancang. Selanjutnya melakukan eksplorasi terhadap fuzzy neural dengan fungsi keanggotaan triangular dan gausian. Sedangkan manfaat dari penelitian ini diharapkan model tersebut dapat di implementasikan menjadi suatu sistem peringatan dini sehingga terjadinya algal blooms sedini mungkin dapat diprediksi, dan selanjutnya dapat dilakukan tindakan-tindakan antisipasi untuk meminimalkan kerugian yang dapat ditimbulkan akibat algalblooms tersebut.
Lingkup penelitian yang dilakukan dalam pembuatan model untuk penanganan algalblooms meliputi lokasi terjadinya algal blooms yang dijadikan bahan penelitian adalah di daerah tropis, dan lebih khusus lagi yang terjadi di teluk Jakarta dan fungsi keanggotaan yang digunakan adalah triangular fuzzy number, dengan data yang akan digunakan adalah tiga buah data yaitu nilai terbesar (max), nilai terkecil (min) dan nilai rata-rata(mean), dan fungsi keanggotaan gauss, dengan data yang akan digunakan adalah nilai rata-rata (mean) dan standar deviasi yang diambil dari vektor data.
v Percobaan yang dilakukan untuk fuzzy neural dengan triangular fuzziness
konstan, menghasilkan nilai konstanta pelebaran dan penyempitan fuzziness yang kecil sangat berpengaruh terhadap hasil pembelajaran yang baik. Similaritas semakin meningkat ketika pengulangan diperbesar dan perbedaan similaritas antara bloom dan bukan bloom semakin kecil. Ketika nilai konstanta pelebaran dan penyempitan diperbesar maka similaritasnya mengalami peningkatan, namun demikian nilai vektor pembobotnya untuk beberapa parameter mengalami perubahan yang cukup besar dan hal ini menjadi kurang baik karena akan menyebakan lebar fuzziness menjadi sangat besar atau akan menjadi garis tegak lurus ketika nilai terkecil, nilai terbesar dan nilai rata-rata nilainya sama. Dengan menggunakan fuzziness variabel ada peningkatan similaritas ketika epoch diperbesar, namun nilainya lebih kecil jika dibandingkan dengan fuzzines konstan, tetapi disisi lain nilai vektor pembobotnya lebih stabil dalam arti perubahannya tidak terlalu besar ketika konstanta laju pembelajaran dirubah baik diperbesar maupun diperkecil.
Peningkatan similaritas terjadi ketika fungsi keanggotaan yang digunakan dirubah dengan gaussian, baik untuk fuzziness konstan maupun yang variabel. Penggunakan fungsi keanggotaan gaussian maka semua data dapat terwakili dan proses mencari nilai similaritas lebih mudah dan nilai similaritas yang dihasilkan lebih mendekati yang sebenarnya. Aturan pembelajaran yang dilakukan adalah sama dengan triangular yaitu merubah posisi titik tengah dan merubah fuzzines. Untuk merubah posisi titik tengah algoritma yang digunakan adalah sama dengan
triangular namun unt uk perubahan fuzziness algorimanya berbeda karena yang perlu dilakukan perubaha n adalah nilai standar deviasi.
Hasil pengujian menunjukan bahwa fuzzy neural dengan nilai perubahan fuzziness lebih kecil dari 0.01 dan lebih besar dari 0 dapat memberikan hasil akurasi hingga 100% dan nilai similaritas lebih besar dari 0.9. Sementara itu fuzzy neural with fungsi keanggotaan gaussian memiliki akurasi dan similaritas lebih baik dari triangular dimana similritasnya hingga mencapai nilai 1. Berdasarkan hal tersebut maka fuzzy neural dapat di terapkan pada sistem peringatan dini di perairan teluk Jakarta.
Jika dibandingkan antara fuzzy neural dengan fungsi keanggotaan triangular
dan gaussian maka, data untuk vektor fuzzy pada gaussian hanya menggunakan nilai rata-rata dan standard deviasi, sedangkan pada triangular terdiri dari nilai terbesar, terkecil dan rata-rata. Algoritma untuk gaussian sedikit lebih simple sehingga implementasi pada program juga lebih mudah. Waktu eksekusi program untuk setiap 100 pengulangan, jika menggunakan gaussian adalah 1.404 detik sedangkan jika menggunakan triangular adalah 10.354 detik dan yang lainnya yaitu untuk gaussian hasilnya yang memiliki similaritas lebih baik jika dibandingkan dengan trianguilar.
Pemilihan aturan pembelajaran dapat mempengaruhi hasil dari proses pelatihan, dimana dalam penelitian ini fuzzy neural fuzziness variabel memiliki tingkat ketelitian dan akurasi yang lebih tinggi dibandingkan dengan fuzzy neural fuzziness konstan. Selain itu, penggunaan fungsi keanggotaan dapat berpengaruh, dalam penelitian ini terbukti mengganti fungsi keanggotaan dari triangula fuzzy number ke Gaussian dapat menghasilkan vektor pembobot yang lebih baik, dari hasil pengujian menghasilkan nilai akurasi dan similaritas yang lebih baik dibandingkan dengan jika menggunakan fungsi keanggotaan tiangular fuzzy number
Disarankan penelitian diarahkan pada fuzzy neural yang dapat mengolah data pelatihan yang sangat variatif dari sensor-sensor masukan, karena fuzzy neural yang menggunakan triangular fuzzy neural agak sulit menentukan model yang terbaik. Mengembangkan fuzzy neural yang menggunakan fungsi keanggotaan Gaussian dengan mengganti nilai standard deviasi dengan nilai lain. Misalnya dengan suatu nilai konstan yang bisa disesuaikan dengan lebar data atau pada saat dilakukan perubahan fuzziness bukan dengan cara memperbesar atau memperkecil nilainya dengan suatu nilai tertentu, tetapi dengan mencari nilai
vii
ABSTRACT
HARYANTO. Design of fuzzy neural model prediction of algal blooms in tropical. Under supervision of MARIMIN and KUDANG BORO SEMINAR
Algal blooms are the fast population of phytoplankton in the water area. They are positive and negative effects. Harmful algal blooms are negative effect of the population phytoplankton. The objective of this research was to design an algal blooms early warning system for effect controlling and emergency response to fisherman community. The system can be applied with neural network approach, for recognizing the condition. The neural network is implemented combined with the fuzzy method, then this method is called fuzzy neural. The learning process of the fuzzy neural network based on changing of fuzziness from environmental data parameter.
This thesis is proposed the physical and chemical parameter from Jakarta bay to get codebook vector of fuzzy neural network. The result show that the fuzzy neural with the small exchanging value of fuzziness which has value less than 0.01 and greater than 0 that can give a result the accuracy up to 100% and similarity value more than 0.9. Meanwhile, fuzzy neural with gaussian membership function posses an accuracy and similarity better than triangular one, where its similarity closely to 1. The fuzzy neural method can be detect algal blooms and can be applied in the Jakarta bay early warning system.
RIWAYAT HIDUP
Penulis dilahirkan di Kuningan (Jawa Barat) tanggal 29 Maret 1972, putera
pertama dari Bapak Mursalin dan Ibu Rusminah. Lulus Sekolah Menengah Atas
Negeri Cilimus, Kuningan, pada tahun 1990. Pada tahun yang sama terdaftar
sebagai mahasiswa Fakultas Teknik Program Studi teknik Informatika Universitas
Respati Indonesia Jakarta. Setelah lulus pada tahun 1995 bekerja sebagai staff
pengajar di STMIK Bani Saleh Bekasi. Pada tahun 2003 diterima sebagai
mahasiswa Sekolah Pasca Sarjana IPB pada program studi Ilmu Komputer. Pada
tahun 2004 diterima sebagai PNS pada Lembaga Penjaminan Mutu Pendidikan
DESAIN FUZZY NEURAL MODEL
PREDIKSI ALGAL BLOOMS DI DAERAH TROPIS
HARYANTO
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
DESAIN FUZZY NEURAL MODEL
PREDIKSI ALGAL BLOOM DI DAERAH TROPIS
HARYANTO
Tesis
Sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada
Program Studi Ilmu Komputer
i Judul Tesis : Desain Fuzzy Neural Model Prediksi Algal Blooms Di Daerah
Tropis
Nama : Haryanto
NRP : G651024084
Program Studi : Ilmu Komputer
Disetujui,
Komisi Pembimbing
Prof. Dr. Ir. Marimin, M.Sc Dr. Ir. Kudang Boro Seminar, M.Sc
Ketua Anggota
Diketahui,
Ketua Program Studi Dekan Sekolah Pascasarjana Ilmu Komputer
Dr. Sugi Guritman Prof. Dr. Ir. Khairil Anwar Notodiputro, MS
SURAT PERNYATAAN
Saya menyatakan dengan sebenar-benarnya bahwa segala pernyataan dalam tesis
saya yang berjudul :
DESAIN FUZZY NEURAL MODEL
PREDIKSI ALGAL BLOOMS DI DAERAH TROPIS
Merupakan gagasan atau hasil penelitian tesis saya sendiri, dengan arahan Komisi
Pembimbing, kecuali yang dengan jelas ditunjukan rujukannya. Tesis ini belum
pernah diajukan untuk memperoleh gelar atau capaian akademik lainnya pada
program sejenis di perguruan tinggi lain. Semua data dan informasi yang
digunakan telah dinyatakan secara jelas dan dapat diperiksa kebenarannya.
Jakarta, November 2006
Yang Membuat Pernyataan
iii
PRAKATA
Alhamdulillah, puji syukur penulis ucapkan kehadirat ALLAH SWT atas
segala limpahan rahmat dan hidayah-Nya, sehingga penulis dapat menyelesaikan
tesis ini dengan judul : DESAIN FUZZY NEURAL MODEL PREDIKSI ALGAL
BLOOMS DI DAERAH TROPIS. Tesis ini dibuat untuk memenuhi salah satu
persyaratan studi pada program Ilmu Komputer, Sekolah Pascasarjana IPB.
Tesis ini dapat terselesaikan atas bantuan berbagai pihak. Oleh karena itu
penulis ingin menyampaikan terima kasih yang sebesar-besarnya kepada:
1. Bapak Prof. Dr. Ir. Marimin, M.Sc dan Bapak Dr. Kudang Boro Seminar,
M.Sc selaku pembimbing yang telah banyak memberikan bimbingan dan
arahan
2. Bapak Ir. Agus Buono, M.Si, M.Kom, selaku penguji luar Komisi
3. Bapak Dr. Ir. Hary Budiarto, M.Kom, yang telah banyak membantu penulis
dalam menyelesaikan tesis ini.
4. Bapak Ir. Tumpak Sidabutar, M.Sc, atas segala saran dan masukannya selama
menyelesaikan tesis ini.
5. Staff pengajar dan karyawan program studi Ilmu Komputer, Sekolah
Pascasarjana IPB
6. Rekan-rekan mahasiswa yang telah banyak memberikan masukan
7. Segenap keluarga yang telah memberikan dukungan moril dan spiritual
8. Semua pihak yang telah banyak membantu namun tidak dapat penulis
sebutkan satu- persatu
Berbagai upaya telah penulis lakukan guna terselesaikannya penelitian ini
dengan baik, namun penulis menyadari akan kekurangan dan keterbatasan penulis.
Oleh karena itu diharapkan kritik dan saran yang dapat lebih menyempurnakan
hasil penelitian ini.
Semoga tesis ini bermanfaat.
Jakarta, November 2006
RINGKASAN
HARYANTO. Desain Fuzzy Neuarl Model Prediksi Algal Blooms di Daerah Tropis. Dibawah bimbingan MARIMIN sebagai ketua komisi pembimbing dan KUDANG BORO SEMINAR sebagai anggota.
Ledakan populasi (blooming) mikroalgae tertentu acapkali terjadi di lingkungan perairan dan dapat berdampak positif atau negatif. Ledakan populasi (blooming) mikroalgae tertentu dapat berdampak positif atau negatif. Ledakan populasi dari microalgae yang merugikan dikenal sebagai redtide atau lebih tepat disebut Harmful Algal Blooms (HABs) (Praseno dan Sugestiningsih, 2000). Selain menimbulkan gangguan pada lingkungan dan kesehatan manusia, HABs juga dapat menimbulkan kerugian ekonomi. Berdasarkan hal tersebut maka perlu dibuatkan sistem peringatan dini algal blooms yaitu sebuah sistem yang dirancang untuk mendeteksi algal blooms kemudian memberikan peringatan kepada masyarakat untuk mencegah jatuhnya korban. Fokus penelitian ini berada pada bagian fuzzy neural processing. Pendekatan fuzzy neural dijadikan pilihan melihat hasil penelitian sebelumnya yaitu penelitian yang berkaitan dengan seleksi aroma (Sakuraba et al, 1994) dan penciuman elektronik untuk penciuman aroma (Budiarto dan kusumoputro,1998.
Tujuan penelitian ini adalah mendapatkan suatu model untuk prediksi terjadinya algal blooms dengan pendekatan fuzzy neural dan mengimplementasikan prototype sistem prediksi algal blooms dari model yang dirancang. Selanjutnya melakukan eksplorasi terhadap fuzzy neural dengan fungsi keanggotaan triangular dan gausian. Sedangkan manfaat dari penelitian ini diharapkan model tersebut dapat di implementasikan menjadi suatu sistem peringatan dini sehingga terjadinya algal blooms sedini mungkin dapat diprediksi, dan selanjutnya dapat dilakukan tindakan-tindakan antisipasi untuk meminimalkan kerugian yang dapat ditimbulkan akibat algalblooms tersebut.
Lingkup penelitian yang dilakukan dalam pembuatan model untuk penanganan algalblooms meliputi lokasi terjadinya algal blooms yang dijadikan bahan penelitian adalah di daerah tropis, dan lebih khusus lagi yang terjadi di teluk Jakarta dan fungsi keanggotaan yang digunakan adalah triangular fuzzy number, dengan data yang akan digunakan adalah tiga buah data yaitu nilai terbesar (max), nilai terkecil (min) dan nilai rata-rata(mean), dan fungsi keanggotaan gauss, dengan data yang akan digunakan adalah nilai rata-rata (mean) dan standar deviasi yang diambil dari vektor data.
v Percobaan yang dilakukan untuk fuzzy neural dengan triangular fuzziness
konstan, menghasilkan nilai konstanta pelebaran dan penyempitan fuzziness yang kecil sangat berpengaruh terhadap hasil pembelajaran yang baik. Similaritas semakin meningkat ketika pengulangan diperbesar dan perbedaan similaritas antara bloom dan bukan bloom semakin kecil. Ketika nilai konstanta pelebaran dan penyempitan diperbesar maka similaritasnya mengalami peningkatan, namun demikian nilai vektor pembobotnya untuk beberapa parameter mengalami perubahan yang cukup besar dan hal ini menjadi kurang baik karena akan menyebakan lebar fuzziness menjadi sangat besar atau akan menjadi garis tegak lurus ketika nilai terkecil, nilai terbesar dan nilai rata-rata nilainya sama. Dengan menggunakan fuzziness variabel ada peningkatan similaritas ketika epoch diperbesar, namun nilainya lebih kecil jika dibandingkan dengan fuzzines konstan, tetapi disisi lain nilai vektor pembobotnya lebih stabil dalam arti perubahannya tidak terlalu besar ketika konstanta laju pembelajaran dirubah baik diperbesar maupun diperkecil.
Peningkatan similaritas terjadi ketika fungsi keanggotaan yang digunakan dirubah dengan gaussian, baik untuk fuzziness konstan maupun yang variabel. Penggunakan fungsi keanggotaan gaussian maka semua data dapat terwakili dan proses mencari nilai similaritas lebih mudah dan nilai similaritas yang dihasilkan lebih mendekati yang sebenarnya. Aturan pembelajaran yang dilakukan adalah sama dengan triangular yaitu merubah posisi titik tengah dan merubah fuzzines. Untuk merubah posisi titik tengah algoritma yang digunakan adalah sama dengan
triangular namun unt uk perubahan fuzziness algorimanya berbeda karena yang perlu dilakukan perubaha n adalah nilai standar deviasi.
Hasil pengujian menunjukan bahwa fuzzy neural dengan nilai perubahan fuzziness lebih kecil dari 0.01 dan lebih besar dari 0 dapat memberikan hasil akurasi hingga 100% dan nilai similaritas lebih besar dari 0.9. Sementara itu fuzzy neural with fungsi keanggotaan gaussian memiliki akurasi dan similaritas lebih baik dari triangular dimana similritasnya hingga mencapai nilai 1. Berdasarkan hal tersebut maka fuzzy neural dapat di terapkan pada sistem peringatan dini di perairan teluk Jakarta.
Jika dibandingkan antara fuzzy neural dengan fungsi keanggotaan triangular
dan gaussian maka, data untuk vektor fuzzy pada gaussian hanya menggunakan nilai rata-rata dan standard deviasi, sedangkan pada triangular terdiri dari nilai terbesar, terkecil dan rata-rata. Algoritma untuk gaussian sedikit lebih simple sehingga implementasi pada program juga lebih mudah. Waktu eksekusi program untuk setiap 100 pengulangan, jika menggunakan gaussian adalah 1.404 detik sedangkan jika menggunakan triangular adalah 10.354 detik dan yang lainnya yaitu untuk gaussian hasilnya yang memiliki similaritas lebih baik jika dibandingkan dengan trianguilar.
Pemilihan aturan pembelajaran dapat mempengaruhi hasil dari proses pelatihan, dimana dalam penelitian ini fuzzy neural fuzziness variabel memiliki tingkat ketelitian dan akurasi yang lebih tinggi dibandingkan dengan fuzzy neural fuzziness konstan. Selain itu, penggunaan fungsi keanggotaan dapat berpengaruh, dalam penelitian ini terbukti mengganti fungsi keanggotaan dari triangula fuzzy number ke Gaussian dapat menghasilkan vektor pembobot yang lebih baik, dari hasil pengujian menghasilkan nilai akurasi dan similaritas yang lebih baik dibandingkan dengan jika menggunakan fungsi keanggotaan tiangular fuzzy number
Disarankan penelitian diarahkan pada fuzzy neural yang dapat mengolah data pelatihan yang sangat variatif dari sensor-sensor masukan, karena fuzzy neural yang menggunakan triangular fuzzy neural agak sulit menentukan model yang terbaik. Mengembangkan fuzzy neural yang menggunakan fungsi keanggotaan Gaussian dengan mengganti nilai standard deviasi dengan nilai lain. Misalnya dengan suatu nilai konstan yang bisa disesuaikan dengan lebar data atau pada saat dilakukan perubahan fuzziness bukan dengan cara memperbesar atau memperkecil nilainya dengan suatu nilai tertentu, tetapi dengan mencari nilai
vii
ABSTRACT
HARYANTO. Design of fuzzy neural model prediction of algal blooms in tropical. Under supervision of MARIMIN and KUDANG BORO SEMINAR
Algal blooms are the fast population of phytoplankton in the water area. They are positive and negative effects. Harmful algal blooms are negative effect of the population phytoplankton. The objective of this research was to design an algal blooms early warning system for effect controlling and emergency response to fisherman community. The system can be applied with neural network approach, for recognizing the condition. The neural network is implemented combined with the fuzzy method, then this method is called fuzzy neural. The learning process of the fuzzy neural network based on changing of fuzziness from environmental data parameter.
This thesis is proposed the physical and chemical parameter from Jakarta bay to get codebook vector of fuzzy neural network. The result show that the fuzzy neural with the small exchanging value of fuzziness which has value less than 0.01 and greater than 0 that can give a result the accuracy up to 100% and similarity value more than 0.9. Meanwhile, fuzzy neural with gaussian membership function posses an accuracy and similarity better than triangular one, where its similarity closely to 1. The fuzzy neural method can be detect algal blooms and can be applied in the Jakarta bay early warning system.
RIWAYAT HIDUP
Penulis dilahirkan di Kuningan (Jawa Barat) tanggal 29 Maret 1972, putera
pertama dari Bapak Mursalin dan Ibu Rusminah. Lulus Sekolah Menengah Atas
Negeri Cilimus, Kuningan, pada tahun 1990. Pada tahun yang sama terdaftar
sebagai mahasiswa Fakultas Teknik Program Studi teknik Informatika Universitas
Respati Indonesia Jakarta. Setelah lulus pada tahun 1995 bekerja sebagai staff
pengajar di STMIK Bani Saleh Bekasi. Pada tahun 2003 diterima sebagai
mahasiswa Sekolah Pasca Sarjana IPB pada program studi Ilmu Komputer. Pada
tahun 2004 diterima sebagai PNS pada Lembaga Penjaminan Mutu Pendidikan
ix
DAFTAR ISI
Halaman
DAFTAR TABEL... xi
DAFTAR GAMBAR ... xiii
DAFTAR LAMPIRAN ... xv
I. PENDAHULUAN 1.1. Latar Belakang ... 1
1.2. Tujuan... 2
1.3. Manfaat... 2
1.4. Ruang Lingkup ... 2
II. TINJAUAN PUSTAKA 2.1. Algal Blooms dan Harmful Algal Blooms (HABs) ... 4
2.2. Sistem Peringatan Dini Algal Blooms ... 5
2.3. Sistem Fuzzy 2.3.1. Definisi Fuzzy... 7
2.3.2. Keputusan Fuzzy ... 7
2.3.3. Fungsi Keanggotaan ... 8
2.3.4. Vektor Fuzzy ... 9
2.4. Jaringan Saraf Tiruan... 10
2.5. Karakteristik-karakteristik Jaringan Saraf Tiruan (JST) ... 11
III. METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran... 13
3.2. Tata Laksana ... 14
3.3. Pengembangan Sistem... 16
IV. FUZZY NEURAL MODEL UNTUK PREDIKSI ALGAL BLOOM
4.1. Faktor-Faktor Yang Mempengaruhi Pembelajaran
4.3.1. Samp le Data Untuk Pembelajaran Dan Pengujian ... 22
4.3.2. Inisialisasi Awal... 23
4.3.3. Perubahan Fuzziness... 23
4.2. Hasil Pengujian
4.2.1. Verifikasi Hasil Pengujian... 23
4.2.1.1. Fuzzy Neural Fuzziness Konstan ... 23
4.2.1.2. Fuzzy Neural Fuzziness Variabel... 28
4.2.2. Validasi Data ... 30
4.2.3. Pengujian Dengan Data Sembarang ... 33
V. PENINGKATAN KEMAMPUAN SISTEM PENDETEKSI
5. 1. Fungsi Keanggotaan Gaussian ... 35
5. 2. Algoritma Pembelajaran... 38
5. 3. Hasil Pengujian
5.3.1. Verifikasi Hasil Pengujian ... 39
5.3.2. Validasi Data... 43
5.3.3. Pengujian Dengan Data Sembarang... 45
5.4. Perbandingan antara Fuzzy Neural dengan Triangular dan Gaussian.... 46
5.5. Posisi Fungsional... 48
BAB. VI. IMPLIKASI KEBIJAKAN DAN MANAJEMEN
6.1. Tindakan Preventif Mengurangi Dampak Negatif Dari Algal Bloom .. 51
6.2. Penanganan Pada Saat Terjadi Algal Blooms ... 52
VII. KESIMPULAN DAN SARAN
7.1. Kesimpulan... 53
xi
DAFTAR TABEL
Halaman
Tabel 2.1. Beberapa gejala keracunan akibat toksin dan dampaknya
pada manusia (Nontji, 2004) ... 5
Tabel 4.1. Hasil proses pelatihan dan pengujian untuk laju pembelajaran
0.05, konstanta pelebaran 0.05 dan konstanta penyempitan 0.5
untuk fuzziness konstan... 24 Tabel 4.2. Hasil proses pelatihan dan pengujian untuk laju pembelajaran
0.05, konstanta pelebaran 0.01 dan konstanta penyempitan 0.01
untuk fuzziness konstan... 25 Tabel 4.3. Hasil proses pelatihan dan pengujian untuk laju pembelajaran
0.05, konstanta pelebaran 0.01 dan konstanta penyempitan 0.01
dengan pembelajaran untuk data bukan bloom terlebih dahulu
untuk fuzziness konstan... 27 Tabel 4.4. Hasil proses pelatihan dan pengujian untuk laju pembelajaran
0.05 untuk fuzziness variabel... 29 Tabel 4.5. Hasil proses pelatihan dan pengujian dengan pembelajaran untuk
data bukan blooms terlebih dahulu untuk fuzziness variabel ... 30 Tabel 4.6. Perubahan nilai vektor pembobot untuk banyaknya pengulangan
5, laju pembelajaran 0.05, konstanta pelebaran 0.05 dan
konstanta penyempitan 0.5 untuk fuzziness konstan... 31 Tabel 4.7. Perubahan nilai vektor pembobot untuk banyaknya pengulangan
5, laju pembelajaran 0.05, konstanta pelebaran 0.01 dan
konstanta penyempitan 0.01 untuk fuzziness konstan... 32 Tabel 4.8. Perubahan nilai vektor pembobot untuk banyaknya pengulangan 5,
laju pembelajaran 0,05 untuk fuzziness variabel ... 33 Tabel 4.9. Hasil pengujian akurasi dengan data sembarang, menggunakan
fuzziness konstan dengan nilai konstanta pelebaran dan
penyempitan adalah 0.01, dimana data tidak bloom
terlebih dahulu... 34
Tabel 5.1. Hasil pengujian nilai similaritas dimana laju pembelajaran
Tabel 5.2. Hasil pengujian nilai similaritas fuzziness konstan dimana laju pembelajaran 0.05 dan nilai pelebaran dan penyempitan
adalah 0.001 untuk fuzziness konstan... 41 Tabel 5.3. Hasil pengujian nilai similaritas fuzziness variabel dimana laju
pembelajaran 0.05 ... 42
Tabel 5.4. Perubahan nilai vektor pembobot untuk laju pembelajaran 0.05
dan nilai pelebaran dan penyempitan adalah 0.05 untuk
fuzziness konstan... 43 Tabel 5.5. Perubahan nilai vektor pembobot untuk laju pembelajaran 0.05
dan nilai pelebaran dan penyempitan adalah 0.001 untuk
fuzziness konstan... 44 Tabel 5.6. Perubahan nilai vektor pembobot untuk laju pembelajaran 0.05 ... 44
Tabel 5.7. Hasil pengujian akurasi dengan data sembarang, menggunakan
fuzziness variabel dimana data tidak blooms terlebih dahulu... 45
Tabel 5.8. Perbandingan kecepatan eksekusi program antara fuzzy neural yang
xiii
DAFTAR GAMBAR
Halaman
Gambar 2.1. Keputusan dalam Fuzzy (Zimmermann, 1987)... 8 Gambar 2.2. Gaussian (Susilo, 2003) ... 8
Gambar 2.3. Vektor Fuzzy ... 9
Gambar 2.4. Nilai similaritas vektor pewakil dengan vektor pelatihan
(Budiarto, 1998) ... 10
Gambar 2.5. Komponen dari ne uron (Stergiou dan Siganos, 2005) ... 10
Gambar 2.6. Contoh arsitektur JST... 12
Gambar 3.1. Kerangka pemikiran pembuatan fuzzyneural model untuk
detektsi algal bloom di daerah tropis ... 14 Gambar 3.2. Tahapan-tahapan pengembangan sistem DOJ( 2003) ... 17
Gambar 3.3. Model fuzzy neural prediksi Algal Blooms (Budiarto, 1988) ... 20 Gambar 4.1. Hubungan besarnya pengulangan dengan nilai similaritas
output untuk laju pembelajaran 0.05, konstanta pelebaran 0.05
dan konstanta penyempitan 0.5 untuk fuzziness konstan ... 24 Gambar 4.2. Hubungan besarnya pengulangan dengan nilai similaritas
output untuk laju pembelajaran 0.05, konstanta pelebaran 0.01
dan konstanta penyempitan 0.01 untuk fuzziness konstan ... 25 Gambar 4.3. Hubungan besarnya pengulangan dengan nilai similaritas
output untuk laju pembelajaran 0.05, konstanta pelebaran 0.01
dan konstanta penyempitan 0.01 dengan pembelajaran untuk
data bukan blooms terlebih dahulu untuk fuzziness konstan... 27 Gambar 4.4. Hubungan besarnya pengulangan dengan nilai similaritas
output untuk laju pembelajaran 0.05, untuk fuzziness variabel... 29 Gambar 5.1. Perbedaan visualisasi triangular dan gaussian ... 36 Gambar 5.2. Similaritas pada fuzzy neural dengan triangular ... 37 Gambar 5.3. Similaritas pada fuzzy neural dengan gausian ... 37 Gambar 5.4. Hubungan jumlah pengulangan dengan nilai similaritas fuzziness
konstan dimana laju pembelajaran 0.05 dan nilai pelebaran dan
Gambar 5.5. Hubungan jumlah pengulangan dengan nilai similaritas
fuzziness konstan dimana laju pembelajaran 0.05 dan konstanta pelebaran dan penyempitan adalah 0.001 untuk fuzziness
konstan ... 40
Gambar 5.6. Hubungan jumlah pengulangan dengan nilai similaritas
fuzziness variabel dimana laju pembelajaran 0.05 ... 42 Gambar 5.7. Sistem Peringatan Dini Algal Blooms (Darmawan, R.A dan
xv
DAFTAR LAMPIRAN
Halaman
Lampiran 1. Pengolahan Elemen Fuzzy Neural Berbasis Similaritas... 57
Lampiran 2. Kandungan Zat Hara dan unsur fisika perairan
teluk Jakarta Mei 2004 ... 63
Lampiran 3. Cara Perolehan Data dan Pengolahan Data Penelitian... 64
Lampiran 4. Data Yang Digunakan Untuk Pelatihan, Pengujian
I. PENDAHULUAN
1.1.Latar Belakang
Ledakan populasi (blooming) mikroalgae tertentu acapkali terjadi di lingkungan perairan dan dapat berdampak positif atau negatif. Ledakan populasi
dari microalgae yang merugikan dikenal sebagai redtide atau lebih tepat disebut
Harmful Algal Blooms (HABs) (Praseno dan Sugestiningsih, 2000). Orang yang mengkonsumsi makanan bahari yang terkontaminasi toksin HABs dapat menderita keracunan, bergantung pada jenis toksin yang diproduksi biota HABs. Selain menimbulkan gangguan pada lingkungan dan kesehatan manusia, HABs juga dapat menimbulkan kerugian ekonomi. Berita tentang terjadinya HABs, misalnya menyebabkan turunnya omset perdagangan ikan. HABs yang melanda suatu perairan tempat budidaya ikan, udang, atau kerang dapat menimbulkan kerugian
yang amat besar (Nontji, 2004).
Penelitian yang berkenaan dengan algal blooms sudah pernah dilakukan, seperti di danau Kasumigaura (Jepang), danau Biwa (Jepang), danau
Tuusulanjaervi (Finland), dan sungai Darling (Australia) dengan pemodelan yang
menggunakan pendekatan jaringan saraf tiruan propagasi balik(Recknagel et all,
1996). Berdasarkan hal tersebut, untuk mengurangi atau mungkin menghindari
dampak negatif dari algal blooms perlu kiranya dilakukan penelitian-penelitian yang mengarah pada pembuatan sistem peringatan dini yang dapat mendeteksi
akan terjadinya algal blooms, sehingga dapat dilakukan antisipasi-antisipasi sebelum algal blooms tersebut terjadi.
Sistem tersebut juga di gunakan untuk mendeteksi algal blooms lebih spesifik untuk jenis microalgae tertentu, apabila data yang berkenaan dengan
blooming microalgae tersebut tersedia. Pengambilan keputusan dan pendistribusian informasi yang lebih cepat, dibandingkan dengan menggunakan
foto citra satelit, namun sistem ini juga perlu ditempatkan dibanyak lokasi untuk
mendapatkan informasi dari wilayah yang lebih luas.
Fokus penelitian ini adalah pada bagian fuzzy neural processing. Pendekatan
2 elektronik untuk penciuman aroma (Budiarto dan kusumoputro,1998), mengingat
karakteristik aroma dari penelitian tersebut dan algal blooms memiliki kemiripan yaitu dari unit masukan dan unit keluarannya, maka dalam penelitian ini juga
akan dicoba menerapkan fuzzy neural pada kasus algal blooms. Keakuratan keluaran fuzzy neural sangat menentukan langkah berikutnya yaitu implementasi sistem tersebut, karena itu penelitian-penelitian serupa yang sebelumnya pernah
dilakukan menjadi acuan dalam menggunakan fuzzy neural dalam pemodela n untuk mendeteksi algal blooms, dan tentunya juga upaya- upaya perbaikan dari model tersebut.
1.2.Tujuan
Tujuan penelitian ini adalah:
1. Mendapatkan suatu model untuk prediksi terjadinya algal blooms dengan pendekatan fuzzy neural.
2. Mengimplementasikan prototype sistem prediksi algal blooms dari model yang dirancang.
3. Melakukan eksplorasi terhadap fuzzy neural dengan fungsi keanggotaan
triangular dan gausian
1.3.Manfaat
Dengan adanya suatu model untuk prediksi terjadinya algal blooms, maka model tersebut dapat diimplementasikan menjadi suatu sistem peringatan dini
sehingga terjadinya algal blooms sedini mungkin dapat diprediksi, dan selanjutnya dapat dilakukan tindakan-tindakan antisipasi untuk meminimalkan
kerugian yang dapat ditimbulkan akibat algalblooms tersebut.
1.4.Ruang Lingkup
Lingkup penelitian yang dilakukan dalam pembuatan model untuk
penanganan algalblooms meliputi:
1. Lokasi terjadinya algal blooms yang dijadikan bahan penelitian adalah di daerah tropis, dan lebih khusus lagi yang terjadi di teluk Jakarta. Hal tersebut
dengan matinya ribuan ikan karena kehabisan oksigen, bila tidak segera
ditangani akan sangat merugikan secara ekonomi dan lingkungan akan menjadi
rusak, hal itulah yang menjadikan alasan pemilihan teluk Jakarta disamping
masalah ketersediaan data dan lokasinya yang dekat jika nantinya diperlukan
uji coba.
2. Fungsi keanggotaan yang digunakan adalah triangular, dengan data yang akan digunakan adalah tiga buah data yaitu nilai terbesar (max), nilai terkecil (min) dan nilai rata-rata(mean), dan fungsi keanggotaan gauss, dengan data yang akan digunakan adalah nilai rata-rata (mean) dan standar deviasi yang diambil dari vektor data. Dasar pemikiran dipilihnya triangular dan gaussian karena nilai yang dihasilkan oleh sensor berdistribusi, karena sifat sensor yang
mengambil data dalam interval waktu yang kemudian dirata-ratakan. Bila
mengambil nilai tunggal maka tidak mewakili data terdistribusi oleh karena itu
II. TINJAUAN PUSTAKA
2.1. Algal Blooms dan Harmful Algal Blooms (HABs)
Algal blooms adalah perkembangbiakan sel-sel fitoplankton secara cepat hingga mendominasi komunitas plankton di suatu perairan, penyebabnya adalah
meningkatnya konsentrasi zat hara di suatu perairan, sebagai gambaran
meningkatnya kesuburan perairan tersebut, karena fitoplankton merupakan
produsen terpenting di laut. Ledakan populasi yang merugikan dikenal sebagai
retaid atau lebih tepat disebut ‘Harmful Algal Blooms’ (HABs) (Prasetyo dan Sugestiningsih, 2000).
Pada bulan mei tahun 2004 di teluk terjadi kematian massal biota laut. Dari
hasil pemeriksaan sampel air laut di pantai Ancol, teluk Jakarta, ternyata
ditemukan cukup melimpahnya fitoplankton beracun jenis-jenis yang melimpah
antara lain : Prorocentrum micans, Thallassiosira mala, Chaetoceros pseudocurvicetus, Pseudonitzchia pungens Skeletonema costatus, ledakan populasi dari jenis ini menyebabkan turunnya kandungan oksigen dalam air.
Akibatnya, terjadi kematian biota laut. Selain itu, ikut mati pula biota bentuk
lainnya seperti ikan, kerang dan kepiting KCM (2004).
Ada tiga tipe HABs (Hallegraeff, 1993), HABs yang disebabkan oleh :
1. Spesies yang tidak menyebabkan perubahan warna air tetapi dapat
menyebabkan kematian ikan dan invertebrata karena depresi oksigen (contoh:
Dinoflagelata : Gonyaulax sp. dan Noctiluca sp.)
2. Spesies yang tidak toksik terhadap manusia tapi toksik terhadap ikan dan
invertebrata, karena antara lain dapat mematahkan insang (contoh:
Chaetoceros sp.)
3. Spesies yang memproduksi toksin, dapat memasuki rantai makanan hingga ke
tubuh manusia dan menyebabkan berbagai gangguan pada sistem pencernaan
dan sistem saraf manusia:
a. Paralytic Shellfish Poisoning (PSP): Alexandrium sp.
b. Diarrhetic Shellfish Poisoning (DSP):Dinophysis sp.
d. Ciguatera Fishfood Poisoning (CFP) : Gambierdiscus sp. e. Neurotoxic Shellfsh Poisoning (NSP) : Gymnodinium sp.
Terjadinya HABs dapat berdampak terhadap lingkungan dan manusia.
Dampak terhadap ekosistem seperti iritasi insang pada ikan, berkurangnya
penetrasi cahaya, menyebabkan kelaparan (antara lain dengan produksi mucus
berlebihan dan terganggunya mekanisme pemangsaan) dan anoxia (kehabian
oksigen). Sedangkan dampak terhadap manusia adalah akibat mengkonsumsi
makanan bahari seperti ikan yang mengandung toksin. Selain berdampak pada
kesehatan manusia juga berdampak pada sektor pariwisata, perikanan dan
perekonomian secara umum(Nontji, 2004). Berikut ini beberapa gejala keracunan
akibat toksin dan dampaknya pada manusia:
Tabel.2.1 Beberapa gejala keracunan akibat toksin dan dampaknya pada manusia (Nontji, 2004)
Gejala Keracunan Toksin Dampak pada tubuh manusia
Paralytic Shellfish Poisoning (PSP)
Saxitoxin Mati rasa pada mulut, lidah, rongga diafragma, kesulitan bernafas hingga
kematian
Diarrhetic Shellfish Poisoning (DSP)
Okadaic Acids Diare, muntah- muntah, demam, rasa sakit pada perut hingga tumor pada sistem
pencernaan
Amnesic Shellfish Poisoning (ASP)
Domoic Acids Hilang kesadaran (singkat), koma mendadak, muntah, kram perut, diare
Ciguatera Fishfood Poisoning (CFP)
Ciguatoxin Sakit kepala, muntah, diare, mati rasa pada tangan
Neurotoxic Shellfish Poisoning (NSP)
Brevetoxin Gatal dan geli (tingling) pada bibir, mulut dan kerongkongan, gejala asma, diare dan
muntah- muntah
2.2. Sistem Peringatan Dini Algal Blooms
[image:32.596.111.513.379.671.2]6 masyarakat untuk mencegah jatuhnya korban. Sistem tersebut terdiri dari tiga
bagian, yaitu sistem sensor dan sistem pelampung dimana pada bagian ini terdiri
dari sensor-sensor yang masing- masing secara spesifik mendeteksi unsur-unsur
fisika dan kimia yang merupakan parameter masukan untuk sistem tersebut.
Sensor adalah peralatan yang digunakan untuk merubah suatu besaran fisik
menjadi besaran listrik sehingga dapat dianalisa dengan rangkaian listrik tertentu.
Jenis sensor terdiri dari sensor sensor fisika yaitu yang akan mendeteksi
besaran suatu besaran berdasarkan hukum- hukum fisika contoh sensor cahaya dan
sensor suhu, dan sensor kimia yang mendeteksi jumlah suatu zat kimia dengan
cara mengubah besaran kimia menjadi besaran listrik, biasanya melibatkan
beberapa reaksi kimia. Contoh sensor kimia adalah contoh sensor pH dan sensor
Oksigen. Sementara itu sistem pelampung terdiri dari sistem komputer dan
perangkat komunikasi. Bagian kedua adalah Read Down Station System, dimana pada bagian ini fuzzy neural processing ditempatkan untuk mengolah data hasil dari bagian pertama yang selanjutnya di distribusikan ke bagian yang ke tiga yait u
komponen masyarakat.
Pada kasus algal bloom dalam kaitannya dengan sistem peringatan dini,
dibagi dalam tiga fase berdasarkan jumlah sel per liter dimana ketiga fase tersebut
adalah:
a. Aman
dimana jumlahnya kurang dari 103 sel per liter
b. Siaga
dimana jumlahnya antara 103 dan 106 sel per liter
c. Bahaya
dimana jumlahnya lebih dari 106 sel per liter
Pada saat fase siaga, penyampaian informasi kepada masyarakat harus segera
dilakukan, sehingga masyarakat dapat merencanakan langkah- langkah antisifasi
2.3. Sistem Fuzzy
Sistem fuzzy merupakan penduga numerik yang terstruktur dan dinamik. Sistem ini mempunyai kemampuan untuk mengembangkan sistem intelligent
dalam lingkungan yang tidak pasti, dan tidak tepat. Sistem ini menduga suatu
fungsi dengan logika fuzzy. Logika fuzzy merupakan bagian dari logika boolean, yang digunakan untuk menangani konsep derajat kebenaran, yaitu nilai kebenaran
antara benar dan salah (Marimin, 2002).
2.3.1. Definisi fuzzy
Sebuah himpunan fuzzy (A) adalah sebuah ruangan titik-titik X={x} yaitu sebuah kelas kejadian (class of events) dengan sebuah mutu keanggotaan kontinyu (grade of membership) dan ditandai oleh sebuah fungsi keanggotaan µA(x) yang dihubungkan dengan setiap titik dalam X oleh sebuah bilangan ril dalam interval
[0,1] dengan nilai µA(x) pada x menyatakan mutu keanggotaan x dalam A. Secara formal, himpunan fuzzy A dengan sejumlah penyokong hingga x1, x2, ..., xn didefinisikan sebagai himpunan pasangan yang diurutkan:
A={(µA(xi), xi), i=1,2, …,n} ... 2.1 di mana penyokong A adalah sub himpunan X yang disefinisikan sebagai
S(A) = {x, x∈X dan µA(x)>0} ... 2.2
µi, mutu keanggotaan xi dalam A, menyatakan tingkat yang sebuah kejadian xi boleh menjadi anggota A atau kepunyaan A. Fungsi karakteristik ini ternyata dapat dipandang sebagai suatu koefisien pembobotan yang merefleksikan ambiguitas
dalam sebuah himpunan, dan jika ia mencapai harga satu, mutu keanggotaan suatu
kejadian dalam A menjadi lebih tinggi. Misalkan, µA(xi) =1 menunjukan keterkaitan yang ketat kejadian xi dalam A. Jika sebaliknya xi bukan kepunyaan A, µA(xi) = 0. Sembarang nilai antara akan menyatakan tingkat (mutu) yang xi
dapat menjadi sebuah anggota A (K. Pal dan K.D. Majumder, 1989).
2.3.2. Keputusan Fuzzy
8 Gambar 2.1. Keputusan dalam Fuzzy (Zimmermann, 1987)
2.3.3 Fungsi Keanggotaan
Dalam sistem fuzzy dikenal banyak fungsi keanggotaan, antara lain
Triangular, Gaussian, Travesium, Bell, dan lain- lain. Sebagai contoh salah satu fungsi keanggotaan yang disebutkan diatas adalah Gaussian (Marimin, 2002):
... 2.4
dimana:
x = [x1, x2, x3, … , xn]
c = mean(x)
σ = Standar deviasi
Gambar 2.2. Gaussian (Susilo, 2003)
x 15
10 5
Constraint
Decision
1
0
c
2.3.4. Vektor fuzzy
Penggunaan teori fuzzy pada vektor masukan bertujuan agar distribusi frekwensi data pengukuran dapat direpresentasikan, maka pada awal proses
pembelajaran data hasil pengukuran seperti pada gambar 2.3 dinormalisasi
[image:36.596.240.406.244.342.2]kedalam bentuk vektor fuzzy. Sebagai contoh bentuk vektor fuzzy hasil normalisasi vektor masukan dinamakan bilangan fuzzy segitiga yang dapat digambarkan sebagai berikut (Budiarto, 1998):
Gambar 2.3. Vektor Fuzzy
Bilangan fuzzy segitiga ini merupakan pernyataan fungsi keanggotaan fuzzy
untuk data hasil pengukuran, nilai rata-rata (mean) mempunyai fungsi keanggotaan 1 sedangkan nilai terkecil (minimum) dan nilai terbesar (maximum)
mempunyai fungsi keanggotaan nol. Sedangkan fuzziness atau karakteristik fuzzy
menyatakan batas kelebaran dari fungsi keanggotaan fuzzy yang bernilai antara [0,1], semakin lebar nilai fuzziness berarti semakin bervariasi data yang akan diolah (Budiarto, 1998).
Aturan pembelajaran dalam fuzzy neural ini berdasarkan pada mekanisme kompetisi yaitu hanya ada satu vektor pewakil yang paling mirip dengan vektor
pelatihan. Untuk menentukan vektor pewakil yang paling mirip (closest vektor) menggunakan nilai kemiripan atau similaritas yang diperoleh dengan prinsip
operasi fuzzy (Budiarto, 1998).
Andaikan x adalah vektor pelatihan dari 4 buah sensor dan wi adalah
vektor pewakil untuk kategori i maka dapat dinyatakan bahwa x = (x1, x2, x3, x4),
dengan fungsi keanggotaan untuk x adalah hx = (hx1, hx2, hx3, hx4), dan untuk
vektor pewakil kategori i dapat dinyatakan wi = (w1i, w2i, w3i, w4i), dengan Mean Max
Min 1
0
10 similaritas (µij) antara vektor pewakil dengan vektor pelatihan dapat dijelaskan
pada gambar dibawah ini (Budiarto, 1998).
Gambar 2.4. Nilai similaritas vektor pewakil dengan vektor pelatihan ini (Budiarto, 1998)
2.4. Jaringan Saraf Tiruan
Jaringan saraf tiruan (JST) adalah suatu proses komputasi yang meniru
konsep cara kerja otak manusia dimana mempunyai karakteristik dan performa
yang sama dengan jaringan saraf biologi. Bagaimana sebenarnya otak manusia
bekerja?, didalam otak manusia suatu tipe neuron mengkoleksi sinyal-sinyal dari
yang lainnya melalui suatu struktur yang besar yang disebut dendrite. Neuron mengirim aktivitas elektikal melalui axon yang mana dibagi dalam ribuan cabang. Akhir sebuah cabang disebut synapse, mengkonversi aktifitas dari axon ke dalam elektrikal efek.
Gambar 2.5. Komponen dari neuron (Stergiou dan Siganos, 2005)
JST telah banyak dikembangkan sampai dengan saat ini, aplikasi-aplikasi
yang telah ada dan menggunakan JST diantaranya adalah Adaptive Noise Canceling,aplikasi ini adalah untuk membersihkan gangguan pada saluran telpon. Kemudian Bomb Sniffer, yaitu suatu sistem detektor bom baru di New York's JFK
wij xi
hxi
hwij 0
International Airport (Widharma, 2005). Sudah banyak sekali persoalan-persoalan
dapat diselesaikan dengan menggunakan JST. Dalam JST Semua informasi akan
dimasukan dalam JST dengan melalui suatu proses komputasi, semua informasi
tersebut akan dirubah dalam suatu nilai yang disimpan dalam setiap node yang
akhirnya informasi tersebut digunakan untuk memberikan suatu keputusan akan
suatu pola.
2.5. Karakteristik -karakteristik Jaringan Saraf Tiruan (JST)
JST dapat digunakan untuk pemecahan masalah-masalah komplek yang sulit
diselesaikan oleh manusia atau teknik komputasi yang lainnya. Beberapa
kelebihan yang lainnya adalah (Stergiou and Siganos, 2005).
1. Adaptive learning: mudah untuk belajar bagaimana melakukan sesuatu tugas berdasarkan data yang diberikan untuk dipelajari.
2. Self-Ogranization: JST dapat membuat dan dapat merepresentasikan sendiri informasi yang diterima selama learning time
3. Real Time Operation: Komputasi JST dapat dilakukan dengan parallel dan special hardware yang didesain dengan mengambil kelebihan yang
dimilikinya.
4. Fault Tolerance via Redundant Information Coding : Kerusakan terbesar pada jaringan dapat menyebabkan terjadinya penurunan kinerja. Tetapi beberapa
kemampuan dapat menahan, bahkan kerusakan terbesar pada jaringan.
JST belajar berdasarkan contoh,. JST tidak dapat diprogram untuk
menunjukan secara spesifik tugas. Contoh harus dipilih secara hati- hati kalau
tidak, akan berfungsi tidak dengan benar. Kekurangan dari JST adalah operasinya
tidak dapat diprediksi karena bagaimana pemecahan masalah dilakukan oleh
dirinya sendiri. Didalam JST biasanya terdiri dari beberapa lapisana neuron dan
setiap lapisan terdiri dari sekelompok neuron yang melakukan proses
komputasional secara terdistribusi dan paralel. Hubungan antar neuron dinyatakan
dalam bobot keterhubungan berupa bilangan numerik yang berubah terus
menerus untuk mendapatkan suatu oprimasi nilai bobot agar dapat mengenali
12 Proses pembelajaran dalam jaringan neural buatan memiliki beberapa aturan
dan paradigma, antara lain paradigma proses pembelajaran dengan pengarahan
(supervised) dan proses pembelajaran tanpa pengarahan (unsupervised). Dalam proses pembelajaran dengan pengarahan, jaringan neural akan membandingkan
hasil keluaran yang sebenarnya (actual output) dengan hasil keluaran komputasinya (computed output) untuk melakukan penyesuaian bobot agar kesalahannya menjadi semakin kecil. Untuk itu jaringan neural memerlukan
seperangkat pelatih (training set) yang mempresentasikan masukan dan target keluaran sistem. Sedangkan untuk proses pembelajaran tanpa pengarahan,
jaringan neural tidak menggunakan pengaruh dari luar untuk mengatur bobot,
akan tetapi jaringan akan melihat keteraturan data masukan sehingga jaringan
dapat membentuk unit-unit kelompok data masukan.
Dalam melakukan proses pembelajaran, JST akan menggunakan salah satu
dari banyak algoritma pembelajaran diantaranya Hebb, Perceptron, Hopfield, Learning Vektor Quantization, Backpropagation, masing- masing memiliki karakteristik yang berbeda. JST berisi tiga komponen yaitu input layer, hidden layer dan output layer, berikut ini contoh arsitektur JST yang terdiri dari lapisan input, satu lapisan tersembunyi, dan lapisan keluaran.
dengan:
Xi = lapisan input
Zi = lapisan output
Y = lapisan tersembunyi
wi = nilai pembobot antara lapisan input dan lapisan tersembunyi
[image:39.596.108.454.469.708.2]vi = nilai pembobot antara lapisan tersembunyi dan lapisan output
Gambar 2.6. contoh arsitektur JST X1
X2
X3
Y
Z2 Z1 w1
w2
w3
v1
III. METODOLOGI PENELITIAN
3.1. Kerangka Pemikiran
Sebagai langkah awal maka perlu adanya studi pustaka berkenaan dengan
algal blooms untuk menggali informasi sebanyak mungkin agar lebih banyak mengenal dan memahami permasalahan dengan adanya algal blooms. Kemudian dilakukan identifikasi dari masalah yang akan diteliti untuk memperjelas
permasalahan yang akan menjadi fokus penelitian. Selanjutnya dilakukan
pengumpulan data, dimana data tersebut digunakan untuk proses pembelajaran
fuzzy neural juga dapat digunakan untuk proses pengujian, selain itu juga dapat diketahui parameter lingkungan yang dapat mengakibatkan algal blooms
khususnya di teluk Jakarta. Dari data tersebut selanjutnya dilakukan
pengembangan suatu model fuzzy neural dari model yang sudah dikembangkan sebelumnya (Budiarto, 1998), dimana banyaknya parameter-parameter lingkungan
penyebab algal blooms sebagai penentu banyaknya parameter masukan fuzzy neural dan kemungkinan terjadinya blooms atau bukan blooms dijadikan sebagai keluaran dari fuzzyneural.
Langkah selanjutnya adalah pembuatan program aplikasi sebagai
implementasi dari model tersebut, dimana program aplikasi tersebut untuk proses
pembelajaran dan pengujian, dalam rangka mengetahui tingkat keakuratan ha sil
yang diperoleh dari proses pembelajaran fuzzy neural. Dari hasil pengujian tersebut dapat memberikan informasi tingkat akurasi dari model tersebut, dan
14 Tidak
Gambar 3.1. Kerangka Pemikiran pembuatan fuzzyneural model untuk detektsi
algal blooms di daerah tropis
3.2. Tata Laksana
Dalam kegiatan penelitian ini akan dilakukan dalam empat tahap, tahap
pertama pengumpulan data berdasarkan hasil dari studi pustaka dan identifikasi
masalah, dimana dalam tahapan ini terdiri dari dua jenis yaitu pengumpulan data
berkaitan dengan algal blooms dan pengumpulan data berkaitan dengan fuzzy neural. Tahap kedua yaitu pengembangan model, tahap ketiga yaitu pembuatan
Ya Pengumpulan Data
Pengembangan Model Prediksi algal bloom di daerah
tropis
Pembutan Program Aplikasi untuk implementasi dari
model fuzzy neural
Kelayakan Penerapan Fuzzy Neural pada kasus
HAB
Selesai Studi Pustaka
Identifikasi Masalah
Sesuai harapan
Metode Fuzzy Neural
Program Matlab Mulai
program aplikasi untuk proses pembelajaran dan pengujian dan tahap ke empat
yaitu pengujian.
Pengumpulan Data
Pengumpulan data untuk masalah berkaitan dengan algal blooms dan fuzzy neural dilakukan dengan studi pustaka dan wawancara dengan beberapa peneliti dari Badan Pengkajian dan Penerapan Teknologi dan Lembaga Ilmu Pengetahuan
Indonesia, dalam bidang yang berkaitan dengan mikrobiologi dan kelautan untuk
mendapatkan data tentang parameter-parameter lingkungan penyebab terjadinya
algal blooms dan jenis alga yang mengalami blooms, sementara itu untuk mendapatkan data berkenaan fuzzy neural dilakukan dengan studi pustaka dan diskusi dengan peneliti yang pernah melakukan penelitian fuzzy neural. Cara perolehan data dan pengolahan data penelitian selengkapnya disajikan pada
lampiran 3.
Pengembangan Model
Pada tahap ini dilakukan pengembangan model untuk prediksi algal blooms
di daerah tropis menggunakan fuzzy neural dimana sebagai masukannya adalah berbentuk himpunan fuzzy dengan menggunakan fungsi keanggotaannya adalah
triangular dan gaussian dan proses pembelajarannya menggunakan konsep
learning vector quantitation, sedangkan keluarannya adalah nilai similaritas terkecil untuk masing- masing keluaran. Banyaknya masukan adalah sembilan, yaitu sebanyak parameter lingkungan dan banyaknya keluaran adalah blooms dan bukan blooms.
Pembuatan Program Aplikasi
Pada tahap ini dilakukan pembuatan program aplikasi dan user interface
16 untuk user interface, semua program aplikasi tersebut dibuat menggunakan perangkat lunak Matlab.
Pengujian
Pada tahap ini dilakukan pengujian tingkat akurasi, yaitu berapa banyak
sistem dapat mengenali data yang digunakan untuk pengujian dibagi dengan
banyaknya data untuk pengujian tersebut. Selain itu juga dilakukan pengujian
menghitung rata-rata nilai similaritas dari sebanyak parameter masukan yang
digunakan, dimana pengujian tersebut dilakukan setelah proses pembelajaran
sebelumnya dengan menggunakan program aplikasi yang dibuat pada tahap
sebelumnya dengan menggunakan data yang berbeda dengan data yang digunakan
untuk proses pembelajaran.
Jadwal Penelitian
Kegiatan penelitian ini dilakukan mulai bulan Desember 2004 dan
diharapkan selesai pada bulan Oktober 2006. Kegiatan penelitian ini diawali
dengan pengajuan sinopsis dan penelitian ini diakhiri dengan sidang akhir tesis.
3.3. Pengembangan Sistem
Tahapan-tahapan pengembangan sistem dapat dijelaskan seperti gambar
Gambar 3.2. Tahapan pengembangan sistem DOJ(2003)
Fase Inisialisasi
Fase inisialisasi adalah fase awal dimana adanya identifikasi kebutuhan akan
sistem yang selanjutnya diwujudkan dalam bentuk konsep proposal.
Fase Konsep Pengembangan Sistem
Peninjauan kembali terhadap kebutuhan sistem tersebut dilakukan dengan
menyempurnakan konsep dalam rangka kemudahan untuk dilakukan dan
Fase Inisialisasi Fase konsep Pengembangan
Sistem
Fase Perencanaan Fase Analisis
Kebutuhan Fase Desain
Fase Pengembangan Fase Integrasi dan
Pengujian
Fase Implementasi
Fase Operasional dan Perawatan
18 kebutuhan akan sumber daya manusian dan sumber daya bukan manusia dan juga
mengenai pendanaan.
Fase Perencanaan
Pada tahapan ini, konsep lebih jauh dikembangkan berkenaan dengan
bagaimana sistem diimplementasikan dan apa dampaknya terhadap pihak yang
akan mengegola sistem tersebut dan terhadap masyarakat disekitar lokasi dimana
sistem ditempatkan. Selain itu juga, merencanakan budget, sumberdaya , aktifitas, skedul, tools, securitysystem dan lain- lain.
Fase Analisis Kebutuhan
Analisis kebutuhan sisitem dan pengembangan kebutuhan sistem dan
membuat dokumen kebutuhan sistem secara detail. Semua kebutuhan-kebutuhan
tersebut akan dijadikan sebagai acuan untuk proses tes.
Fase Desain
Karakteristik fisik dari sistem secara spesifik dan detail di desain selama fase
ini. Kemungkinan untuk membagi menjadi beberapa subsistem dan
mendefinisikan input, output dan proses. Sub system diidentifikasikan selama desain yang nantinya digunakan untuk membuat struktur detail dari sistem.
Masing- masing sistem dipartisi ke dalam beberapa unit atau modul.
Fase Pengembangan
Spesifikasi detail yang dihasilkan selama proses fase desain di
implementasikan dalam bentuk hardware dan software dan dilakukan assembled.
Fase Integrasi dan Pengujian
Beberapa jenis komponen dari sistem diintegrasikan dan secara sistematik
dilakukan pengujian. Pengujian dilakukan untuk meyakinkan kebutuhan
Fase Implementasi
Sistem dilakukan instalasi dan dibuatkan user manual untuk sistem tersebut. Fase ini dilakukan setelah sistem selesai dilakukan tes dan dapat diterima oleh
pihak yang akan menggunakan. Fase ini dilakukan sehingga sesuai dengan yang
diharapkan.
Fase Operasional dan Perawatan
Sistem dioperasikan secara terus menerus, sistem dimonitor secara kontinyu
untuk memonitor kinerjanya. Operasional dari sistem secara periodik dipantau
untuk menentukan baga imana sistem dapat dibuat lebih efektif dan efisien. Sistem
dioperasikan secara kontinyu selama masih memungkinkan untuk digunakan.
Modifikasi atau perubahan terhadap sistem dilakukan dengan dimulai lagi dari
fase planning.
Fase Disposisi
Fase ini adalah untuk meyakinkan bahwa pengembangan sistem sudah
selesai dan telah dilakukan perlindungan terhadap informasi- informasi penting
tentang sistem tersebut, selanjutnya beberapa informasi atau semua informasi
perlu di diaktifkan ulang dimasa yang akan datang.
3.4. Desain Fuzzy Neural
Fuzzy Neural yang digunakan pada penelitian ini adalah jarigan saraf tiruan yang diimplementasikan dengan fuzzy yang menggunakan fungsi keanggotaan
triangular dan gaussian. Model fuzzy neural yang di implementasikan seperti gambar 3.3. Model tersebut merupakan hasil pengembangan dari model yang
telah dikembangkan sebelumnya (Budiarto, 1998), dimana perbedaanya terletak
20
Lapisan masukan Lapisan tersembunyi Lapisan keluaran
Keterangan:
X1 = pH X6 = Cahaya Y1 = Bloom
X2 = Oksigen X7 = Suhu Y2 = Bukan Bloom
X3 = Fosfat X8 = Salinitas
X4 = Nitrogen X9 = Silikat
[image:47.596.116.492.92.580.2]X5 = Arus
Gambar 3.3. Model fuzzy neural prediksi algal blooms (Budiarto, 1998)
Berdasarkan data yang diperoleh (Razak, 2004) kehidupan organisme
dan biota laut dipegaruhi oleh kwalitas air laut dimana unsur fisika dan kimia
termasuk didalamnya. Yang termasuk unsur kimia adalah pH, oksigen terlarut,
Fosfat, Nitrogen dan silikat, sedangkan yang termasuk unsur fisika adalah suhu air
laut, salinitas, arus, transmisi cahaya dan kondisi cuaca. Dari unsur- unsur tersebut
hanya kondisi cuaca yang sulit mendapatkan data numeriknya, karena data cuaca min
X1
X2
X3
X8
X5
X6
X4
X7
min
Y1
Y2
hanya dalam bentuk kondisi seperti berawan atau mendung. Karena itu yang
digunakan sebagai parameter input untuk model fuzzy neural pada gambar 3.3 adalah unsur-unsur diatas kecuali kondisi cuaca yang jumlahnya ada sembilan
unsur, sedangkan output nya hanya dua yaitu terjadi blooms atau tidak terjadi
blooms. Proses deteksi unsur-unsur tersebut dilakukan setiap menit krena perubahan kondisi lingkungan perairan laut bisa berubah dengan cepat apabila
terjadi pencemaran akibat limbah yang dibawa air sungai maupun yang dibuang
langsung kelaut. Sementara itu proses untuk mendeksi terjadinya algal blooms
dapat dilkukan dalam waktu kurang dari 24 jam, mengingat perkembang biakan
microalgae dapat terlihat perubahannya setiap hari.
Arsitektur fuzzy neural (Budiarto, 1998), mempunya i 3 lapisan yaitu lapisan masukan, lapisan tersembunyi dan lapisan keluaran. Semua neuron pada lapisan masukan akan terhubung pada setiap neuron lapisan tersembunyi sesuai dengan karakteristik sensornya, demikian juga neuron pada lapisana tersembunyi akan terhubung pada setiap neuron lapisan keluaran sesuai dengan kategori jenis keluaran. Jumlah neuron pada lapisan masukan sesuai dengan jumlah sensor yang digunakan untuk mendeteksi parameter lingkungan dan jumlah neuron pada lapisan keluaran sesuai dengan kemungkinan akan mengalami blooms dan bukan
blooms.
Sedangkan jumlah neuron pada lapisanan tersembunyi adalah hasil kali jumlah neuron lapisan masukan dengan jumlah neuron perhitungan, sedangkan perhitungan dilakukan pada lapisanan tersembunyi untuk mencari nilai similaritas
dan lapisan keluaran untuk mencari nilai similaritas minimum, kemudian
menentukan kategori pemenang dengan mencari maksimum diantara yang
IV. FUZZY NEURAL MODEL UNTUK PREDIKSI
ALGAL BLOOMS
4.1. Faktor-Faktor Yang Mempengaruhi Pembelajaran
4.1.1. Sample Data Untuk Pelatihan Dan Pengujian
Data yang digunakan dalam penelitian ini adalah data sekunder yang di
peroleh dari laporan akhir penelitian kondisi lingkungan perairan teluk Jakarta dan
sekitarnya yang merupakan proyek penelitian IPTEK kelautan Pusat Penelitian
Oseanografi Lembaga Ilmu Pengetahuan Indonesia tahun 2004 (Razak, 2004).
Data dari laporan ini digunakan mengingat waktu penelitian tersebut tidak lama
dengan terjadinya algal blooms di teluk Jakarta.
Dari laporan pene litian tersebut diperoleh batasan nilai maksimum dan nilai
minimum untuk setiap parameter masukan fuzzy neural, kemudian dari data tersebut di generate secara random untuk menghasilkan sekelompok data. Dari setiap kelompok data tersebut dicari nilai terbesar (max), nilai terkecil (min) dan nilai rata-rata (mean) dimana setiap data tersebut merupakan satu item data baik untuk proses pelatihan maupun untuk proses pengujian untuk fuzzy neural yang menggunakan fungsi keanggotaan triangular, sedangkan untuk fungsi keanggotaan gaussian yang di cari untuk setiap kelompok data diatas adalah nilai rata-rata (mean) dan nilai standard deviasi.
Dalam penelitian ini, data yang digunakan untuk proses pelatihan adalah dua
puluh data yang dibagi dua yaitu 50% untuk data blooms dan 50% untuk data bukan blooms dengan masing- masing terdiri dari sembilan kolom yang mewakili sembilan sensor. Sedangkan untuk proses pengujian digunakan data sebanyak dua
puluh yang masing- masing sepuluh untuk data blooms dan data bukan blooms
dengan format yang sama dengan data yang digunakan untuk proses pelatihan.
Contoh data sebagaimana terlampir pada lampiran 4.
4.1.2. Inisialisasi Awal
Sistem fuzzy neural membutuhkan inisialisasi awal untuk vektor pewakil dan laju pembelajaran dalam memulai tahap pelatihan. Vektor pewakil akan
posisinya maupun fuzziness-nya. Untuk inisialisasi awal posisi vektor pewakil dapat diambil secara random maupun diambil dari salah satu vektor pelatihan.
Inisialisasi awal laju pembelajaran dapat ditentukan dengan nilai yang sangat kecil
yaitu antara 0 sampai dengan 1, sedangkan untuk besar nilai pelebaran dan
penyempitan untuk percobaan awal dapat digunakan nilai terbaik hasil percobaan
yang pernah dilakukan sebelumnya (Budiarto, 1998).
4.1.3. Perubahan Fuzziness
Proses pembelajaran dalam fuzzy neural yang pada dasarnya melakukan modifikasi secara berulang- ulang terhadap vektor codebook yang berisi vektor pewakil (pembobot) untuk setiap kategori keluaran, sehingga vektor pewakil itu
menjadi cukup representatif. Modifikasi untuk vektor pewakil dalam fuzzy neural
adalah melakukan penggeseran posisi vektor pewakil dan melakukan perubahan
fuzziness yang meliputi memperlebar atau mempersempit ukuran fuzziness.
Perubahan fuzziness yang dilakukan, seperti pada lampiran 1.
4.2. Hasil Pengujian
4.2.1. Verifikasi Hasil Pengujian
4.2.1.1. Fuzzy Neural Fuzziness Konstan
Fuzzy neural fuzziness konstan adalah fuzzy neural dimana besarnya konstanta pelebaran dan penyempitan yaitu berapa nilai yang digunakan untuk
melebarkan dan menyempitkan panjang alas dari segitiga adalah tetap (konstan).
Dalam proses pelatihan yang mempengaruhi nilai keluaran dari fuzzy neural
model yang menggunakan fuzziness konstan adalah jumlah pengulangan yaitu berapa kali dilakukan proses pelatihan untuk data yang sama, laju pembelajaran
dan besarnya konstanta pelebaran dan penyempitan. Untuk percobaan awal
digunakan komponen-komponen tersebut berdasarkan hasil penelitian sebelumnya
dengan kasus yang berbeda (Budiarto, 1998), yaitu nilai laju pembelajaran 0.05, konstanta pelebaran 0.05 dan konstanta penyempitan 0.5, dengan banyaknya
pengulangan yang terbaik adalah antara 10 sampai dengan 30, dimana hasilnya
24
0.880 0.900 0.920 0.940 0.960 0.980 1.000 1.020
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
PENGULANGAN
SIMILARITAS
BLOOM BUKAN BLOOM
Gambar 4.1. Hubungan besarnya pengulangan dengan nilai similaritas output untuk laju pembelajaran 0.05, konstanta pelebaran 0.05 dan konstanta penyempitan 0.5 untuk fuzziness konstan
Tabel 4.1. Hasil proses pelatihan dan pengujian untuk laju pembelajaran 0.05, konstanta pelebaran 0.05 dan konstanta penyempitan 0.5 untuk
fuzziness konstan
Similaritas Pengulangan
Bloom Bukan Bloom
1 0.9269 0.94336
5 0.98538 0.98869
10 0.99863 0.99895
15 0.99988 0.99991
20 0.99999 0.99999
25 1 1
30 1 1
Dari gambar 4.1 dan table 4.1 dapat dilihat hasil pengujian dengan dua puluh
data terhadap vektor pembobot hasil proses pelatihan menunjukan bahwa adanya
peningkatan nilai similaritas rata-rata untuk sembilan sensor ketika jumlah
pengulangan di perbanyak, dan nilai similaritasnya mendekati nilai satu yang
artinya bahwa data yang dilakukan untuk pengujian hampir sama dengan vektor
pembobot hasil pelatihan. terutama untuk pengulangan diatas 10 dan akurasi
untuk semua pengulangan baik yang blooms maupun yang bukan blooms
semuanya 100%. Namun demikian hasil pengujian tersebut tidak dengan
sendirinya dikatakan hasil terbaik dalam arti bahwa hasil yang terbaik bukan
hanya didasarkan pada akurasi dan similaritasnya namun juga harus dilihat vektor
hasilnya sangat jauh dari yang diharapkan. Berikut ini adalah hasil percobaan
berikutnya dengan memperkecil konstanta nilai pelebaran dan penyempitan:
0.860 0.880 0.900 0.920 0.940 0.960 0.980 1.000 1.020
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49
PENGULANGAN
SIMI
