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

(1)

LAMPIRAN

(2)

35

Lampiran 2

(3)

Lampiran 3

(4)

37

Lampiran 4

(5)

Lampiran 5

(6)

39

Lampiran 6

(7)

Lampiran 7

(8)

41

Lampiran 8

(9)

Lampiran 9

(10)

43

Lampiran 10

(11)

Lampiran 11

(12)

45

Lampiran 12

(13)

Lampiran 13

(14)

47

Lampiran 14

(15)

Lampiran 15

(16)

49

Lampiran 16

(17)

DAFTAR PUSTAKA

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

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

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

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

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

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

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

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

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

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

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

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

(18)

BAB 3

HASIL DAN PEMBAHASAN

3.1 Pengumpulan Data

Adapun data yang digunakan dalam penelitian ini adalah data sekunder yang

diambil dari Badan Lingkungan Hidup Provinsi Sumatera Utara yang bertempat di

Jalan Teuku Daud No.5 Medan pada tanggal 15 Februari 2015.

Data yang digunakan dalam penelitian ini berupa data pencemaran udara

sektor industri di Sumatera Utara selama setahun periode 2013/2014 dengan

satuan g/ .

Tabel 3.1 Data Pencemaran Udara Pada Sektor Industri di Sumatera Utara

No Jenis Industri SO2 NO2 HCL CL2 NH3 HF TSP

kegiatan industri tidak menghasilkan udara pencemar yang dimaksud.

3.2 Pengolahan Data

Data pada tabel 3.1 akan dikelompokan menjadi dua kelompok sampai sembilan

kelompok. Selanjutnya dilihat kelompok mana yang bisa dikelompokan dengan

(19)

Prinsip kerja dari model kohonen adalah pengurangan neuron-neuron

tetangganya, sehingga pada akhirnya hanya ada satu neuron output yang terpilih.

Pembelajaran kompetitif dengan algoritma kohonen di awali dengan memilih

secara acak suatu vektor input, misal vektor input terpilih adalah vektor input ke-n

(p(n)). Kemudian dihitung jarak antara vektor input p(n) dengan setiap bobot

input, misal jarak vektor input p(n) terhadap bobot ke neuron ke-i adalah Dist(i).

Selanjutnya nilai setiap jarak ini dinegatifkan dan ditambah dengan bobot bias

(b(i)), misal hasilnya adalah a(i).

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

Kemudian dicari nilai a(i) terbesar, misalkan terletak pada idx, dengan nilai

terbesar adalah MaxA, maka neuron ke-idx akan menjadi pemenang. Set output

neuron ke-idx sama dengan 1 dan output neuron lainnya sama dengan 0.

y(i) = 1 ; jika i = idx

y(i) = 0 ; jika i ≠ idx

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

input akan diupdate:

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

dengan α adalah learning rate.

Bobot bias juga akan diupdate. Bobot bias yang menuju neuron pemenang akan

dikurangi nilainya sehingga mendekati 0, sedangkan bobot bias selain neuron

pemenang nilainya akan bertambah.

c i = 1 − α e + αy i b i = e

Proses pembelajaran ini akan berlangsung terus hingga epoch mencapai

maksimum epoch.

Dari data pada tabel 3.1 diperoleh informasi bahwa:

1. Jumlah data (n) = 10

2. Jumlah variabel input (m) = 7

3. Jumlah kelompok yang diinginkan (K) = 2, 3, ..., 9. Misal K = 3.

4. Maksimum epoch = 10000

(20)

23

Proses perhitungan nya sebagai berikut:

0. a. Inisialisasi bobot input ( ):

= + !₂

Data terkecil dan data terbesar pada variabel input pertama ( ) adalah

0,18 dan 4330,5. Data terkecil dan data terbesar pada variabel input kedua

( _#) adalah 0,01 dan 4228,51. Data terkecil dan data terbesar pada variabel

input ketiga ( ) adalah 0 dan 25,542. Data terkecil dan data terbesar pada

variabel input keempat ( _$) adalah 0dan 12,07. Data terkecil dan data

terbesar pada variabel input kelima ( _%) adalah 0 dan 2,671. Data terkecil

dan data terbesar pada variabel input keenam ( _&) adalah 0 dan 11,87. Data

terkecil dan data terbesar pada variabel input ketujuh ( _') adalah 16 dan

2520,63. Sehingga:

Matriks bobot input (W) =

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

3 = 4[ ₆7 ]

Maka diperoleh Matriks bobot bias (b) =

(8,158,15 8,152 c. Set parameter learning rate = 0,5

Semakin besar nilai learning rate, semakin cepat pula proses pelatihan.

Akan tetapi jika nilai learning rate terlalu besar, maka algoritma menjadi

tidak stabil dan mencapai titik minimum lokal.

d. Set maksimum epoch

Dalam proses pelatihan menggunakan software Matlab maksimum epoch

yang digunakan yaitu 1000, 8000 dan 10000.

Epoch 1 :

a. Pilih data secara acak, misalkan data terpilih adalah data ke-10:

242,316 262,421 25,542 0 0 1,876 39,216

(21)

9 = :; − <= #

c. Hitung penjumlahan negatif jarak plus bobot bias (a): = −9 + 3

Nilai a terbesar pada neuron ke-1 (idx) = -2930,8

e. Set output neuron ke-i (@):

Hasil aktivasi (@):

(10 02 f. Update bobot yang menuju ke neuron Idx:

(22)

25

Selanjutnya untuk melakukan perhitungan manual pada epoch kedua

digunakan bobot input baru dan bobot bias baru yang diperoleh pada pelatihan

epoch pertama. Demikian seterusnya proses perhitungan ini dilakukan sampai

maksimum epoch yang ditentukan.

Dalam penelitian ini, proses perhitungan secara manual selanjutnya diolah

menggunakan software Matlab 7.8. Proses pengolahan data Pencemaran Udara

Sektor Industri di Sumatera Utara dengan Jaringan Syaraf Tiruan model Kohonen

menggunakan software Matlab 7.8 adalah sebagai berikut:

1. Masukan data input

>> Data=[…];

Baris matriks menyatakan banyaknya pencemaran masing masing sektor

industri yang menghasilkan suatu udara pencemar (dalam kasus ini = 7) dan

kolom matriks menyatakan banyaknya pencemaran udara yang dihasilkan

suatu sektor industri untuk setiap indikator pencemaran udara yang

dihasilkan.

2. Membangun Jaringan Syaraf

>>JumlahKelas = i;

>>net = newc(PR, JumlahKelas);

Nilai i berarti maksimum kelompok yang akan di dilatih (dalam kasus ini = 1,

2, ..., 10). Nilai PR menyatakan matriks ukuran Rx2 yang berisi nilai

minimum dan maksimum masing-masing nilai vektor masukan.

3. Set bobot input awal dan bobot bias input

>>bobot_input = net.IW{1,1} >>bobot_bias_input = net.b{1,1}

4. Sebelum dilakukan pelatihan, ditetapkan terlebih dahulu

parameter-parameter yang digunakan sebagai berikut:

>>net.trainParam.epochs = 10000;

Menyatakan jumlah maksimum epoch dalam pelatihan.

>>net.trainParam.goal = 0.001;

Menyatakan batas nilai MSE agar iterasi dihentikan atau jumlah epoch

mencapai batas yang ditentukandalam net.trainParam.epochs.

(23)

Menyatakan nilai learning rate (α). Semakin besar nilai α, semakin cepat pula

proses pelatihan. Namun jika α terlalu besar maka algoritma menjadi tidak

stabil.

>>net = train(net, Data);

Menyatakan perintah untuk melatih jaringan.

5. Melihat bobot-bobot akhir input dan bias

>>bobot_akhir_input = net.IW{1,1} >>bobot_akhir_bias_input = net.b{1,1} 6. Melakukan simulasi

>>Ai = sim(net, Data);

>>A = vec2ind(Ai)

Perintah sim digunakan untuk mencari pengelompokkan vektor. Untuk

mempermudah pembacaan kelompok digunakan perintah vec2ind.

Perhatikan bahwa dalam Matlab untuk memulai lagi bobot awal gunakan perintah

net = init (net) terlebih dahulu. Tanpa perintah init, maka bobot yang dipakai adalah bobot yang terakhir kita dapatkan pada proses pelatihan sebelumnya.

Selanjutnya akan ditampilkan hasil pembacaan kelompok data pencemaran

udara sektor industri menggunakan software Matlab sebagai berikut:

1. Hasil dua kelompok

Tabel 3.2 Hasil pelatihan dengan 1.000 epoch

Kelompok ke- Anggota

1 2

2 1, 3, 4, 5, 6, 7, 8, 9, 10

pelatihan dua kelompok yaitu kelompok ke-1 anggotanya adalah industri

(24)

27

karet, industri minyak goreng, industri mie instan, industri kimia industry,

industri alumunium, industri migas, industri listrik, industri rumah sakit.

2. Hasil tiga kelompok

Tabel 3.4 hasil pelatihan dengan 8.000 epoch

1 1

2 3, 4, 7, 8, 9, 10

3 2, 5, 6

dengan epoch 8.000 dan 10.000 menghasilkan kelompok dengan anggota

yang konsisten. Terlihat perbedaan hanya pada letak penempatan kelompok.

Hasil pelatihan tiga kelompok yaitu kelompok ke-1 anggotanya adalah

industri sawit; kelompok ke-2 anggotanya adalah industri olahan karet,

industri minyak goreng, industri alumunium, industri migas, industri listrik,

industri rumah sakit dan kelompok ke-3 anggotanya adalah industri karet,

industri mie instan, industri kimia industry.

3. Hasil empat kelompok

1 3, 4, 7, 8, 9, 10

2 1

3 5, 6

(25)

pelatihan empat kelompok yaitu kelompok ke-1 anggotanya adalah industri

olahan karet, industri minyak goreng, industri alumunium, industri migas,

industri listrik, industri rumah sakit; kelompok ke-2 anggotanya adalah

industri sawit; kelompok ke-3 anggotanya adalah industri mie instan, industri

kimia industry dan kelompok ke-4 anggotanya adalah industri karet.

4. Hasil lima kelompok

(26)

29

5. Hasil enam kelompok

Tabel 3.10 dan tabel 3.11 menunjukan bahwa hasil pelatihan enam kelompok

dengan epoch 8.000 dan 10.000 menghasilkan kelompok yang sama.

6. Hasil tujuh kelompok

(27)

Tabel 3.12 dan tabel 3.13 menunjukan bahwa hasil pelatihan tujuh kelompok

dengan epoch 1.000 dan 10.000 menghasilkan kelompok yang sama.

7. Hasil delapan kelompok

(28)

31

anggota yang konsisten. Terlihat perbedaan hanya pada letak penempatan

kelompok.

8. Hasil sembilan kelompok

kelompok dengan epoch 8.000 dan 10.000 menghasilkan kelompok dengan

anggota yang konsisten. Terlihat perbedaan hanya pada letak penempatan

(29)

BAB 4

KESIMPULAN DAN SARAN

4.1 Kesimpulan

Dari hasil penelitian dapat disimpulkan sebagai berikut:

1. Jaringan Syaraf Tiruan model Kohonen dapat digunakan untuk

pengelompokan sekumpulan data.

2. Dari proses pelatihan menggunakan software Matlab 7.8 diperoleh hasil

kelompok yang bisa terbentuk dari 8 kelompok yang dilatihkan yaitu dua

kelompok, tiga kelompok dan empat kelompok.

4.2 Saran

Saran yang dapat diberikan berdasarkan penelitian ini adalah

1. Untuk para peneliti terutama yang membahas mengenai pengelompokan

dapat menggunakan Jaringan Syaraf Tiruan model Kohonen sebagai

metode alternatif lain selain analisis cluster yang merupakan metode

statistika.

2. Disarankan kepada penelitian selanjutnya untuk membandingkan Jaringan

Syaraf Tiruan model Kohonen dengan metode statistika dalam hal

pengelompokan.

.

(30)

8

BAB 2

LANDASAN TEORI

2.1 Jaringan Syaraf Tiruan

Jaringan syaraf tiruan adalah sistem komputasi dimana arsitektur dan operasi

diilhami dari pengetahuan tentang sel syaraf biologis didalam otak, yang

merupakan representasi buatan dari otak manusia yang selalu mencoba

menstimulasi proses pembelajaran pada otak manusia tersebut. Jaringan syaraf

tiruan dapat digambarkan sebagai model matematis dan komputasi untuk fungsi

aproksimasi non-linear, klasifikasi data cluster dan regresi non parametrik atau

sebuah simulai dari koleksi model syaraf biologi (Hermawan, 2006).

Jaringan syaraf tiruan merupakan suatu model kecerdasan yang diilhami

dari struktur otak manusia dan kemudian diimplementasikan menggunakan

program komputer yang mampu menyelesaikan sejumlah proses perhitungan

selama proses pembelajaran berlangsung (Desiani dan Arhami, 2006).

Jaringan syaraf tiruan sederhana pertama kali diperkenalkan oleh

McCulloch dan Pitts di tahun 1943. Jaringan syaraf tiruan dibentuk sebagai

generalisasi model matematika dari jaringan syaraf biologi dengan asumsi bahwa

(Siang, 2005 ) :

1. Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron).

2. Sinyal yang dikirimkan diantara neuron-neuron melalui

penghubung-penghubung.

3. Penghubung antar neuron memiliki bobot yang akan memperkuat atau

memperlemah sinyal.

4. Untuk menentukan keluaran (output), setiap neuron menggunakan fungsi

aktivasi yang dikenakan pada penjumlahan masukan (input) yang diterima.

Besarnya keluaran (output) ini selanjutnya dibandingkan dengan suatu batas

(31)

Dengan meniru sistem jaringan biologis maka sistem jaringan syaraf tiruan

memiliki 3 karakteristik utama yaitu (Desiani dan Arhami, 2006):

1. Arsitektur Jaringan

Merupakan pola keterhubungan antar neuron. Keterhubungan neuron-neuron

inilah yang membentuk suatu jaringan.

2. Algoritma Jaringan

Merupakan metode untuk menentukan nilai bobot hubungan. Ada dua jenis

metode yaitu metode pelatihan atau pembelajaran dan metode pengenalan.

3. Fungsi aktivasi

Merupakan fungsi untuk menentukan nilai keluaran berdasarkan nilai total

masukan pada neuron. Fungsi aktivasi suatu algoritma jaringan dapat berbeda

dengan fungsi aktivasi algoritma jaringan lain.

2.1.1 Pemrosesan dalam Jaringan Syaraf Tiruan

Aliran informasi yang diproses disesuaikan dengan arsitektur jaringan.

Beberapa konsep utama yang berhubungan dengan proses adalah :

1. Input (masukan)

Setiap input bersesuaian dengan suatu atribut tunggal. Serangkaian input pada

Jaringan Syaraf Tiruan diasumsikan sebagai vektor X yang bersesuaian

dengan sinyal-sinyal yang masuk kedalam sinapsis neuron biologis.

2. Output (keluaran)

Output dari jaringan adalah penyelesaian masalah.

3. Weight (bobot), mengekspresikan kekuatan relatif (atau nilai matematis) dari

input data awal atau bermacam-macam hubungan yang mentransfer data dari

lapisan ke lapisan. Dengan penyesuaian yang berulang-ulang terhadap nilai

bobot menyebabkan Jaringan Syaraf Tiruan “belajar”. Bobot-bobot ini

diasumsikan sebagai vektor W dimana setiap bobot bersesuaian dengan

tegangan (strength) penghubung sinapsis biologis tunggal.

4. Maksimum epoch

Epoch merupakan perulangan dari proses yang dilakukan untuk mencapai

(32)

10

maksimum yang boleh dilakukan selama proses pelatihan. Iterasi akan

dihentikan apabila nilai melebihi maksimum epoch.

5. Laju pemahaman (learning rate)

Semakin besar nilai learning rate, semakin cepat pula proses pelatihan. Akan tetapi

jika nilai learning rate terlalu besar, maka algoritma menjadi tidak stabil dan

mencapai titik minimum lokal, sedangkan jika learning rate terlalu kecil maka

algoritma akan mencapai target dalam jangka waktu yang lama.

6. Bias

Sebuah unit masukan yang ditambahkan kedalam yang nilainya selalu = 1. Berfungsi

untuk mengubah niali tresshold menjadi 0.

2.1.2 Arsitektur Jaringan

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

2006):

1. Jaringan dengan lapisan tunggal (single layer net)

Jaringan syaraf satu lapisan pertama kali dirancang oleh Widrow dan Holf

pada tahun 1960. Jaringan dengan lapisan tunggal hanya memiliki satu

lapisan dengan bobot terhubung. Jaringan ini hanya menerima input

kemudian secara langsung akan mengolahnya menjadi output tanpa harus

melalui lapisan tersembunyi.

(33)

Dari gambar 2.1 diperlihatkan bahwa arsitektur jaringan dengan layar

tunggal dengan n buah masukan ( , ,..., ) dan m buah keluaran

( , , ..., ). Dalam jaringan ini semua unit input dihubungkan dengan

semua unit output. Tidak ada unit input yang dihubungkan dengan unit

input lainnya dan unit output pun demikian.

2. Jaringan dengan banyak lapisan (multilayer net)

Jaringan dengan banyak lapisan memiliki satu atau lebih lapisan yang terletak

diantara lapisan input dan output. Umumnya terdapat lapisan bobot-bobot

yang terletak antara 2 lapisan yang bersebelahan. Jaringan ini dapat

menyelesaikan permasalahan yang lebih sulit daripada jaringan dengan

lapisan tunggal, dengan pembelajaran yang lebih rumit.

Gambar 2.2 Jaringan dengan banyak lapisan

Dari gambar 2.2 diperlihatkan jaringan dengan n buah unit masukan ( , ,

..., ) , sebuah layar tersembunyi yang terdiri dari p buah unit ( , ,...,

) dan 1 buah unit keluaran.

3. Jaringan dengan lapisan kompetitif (competitif layer net)

Hubungan antar neuron pada lapisan kompetitif ini tidak diperlihatkan pada

diagram arsitektur ini.

2.1.3 Algoritma Umum Jaringan Syaraf Tiruan

Algoritma pembelajaran/pelatihan jaringan syaraf tiruan (Puspitaningrum, 2006):

(34)

12

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

2. Masukkan contoh ke-i (dari sekumpulan contoh pembelajaran yang terdapat

dalam set pelatihan) kedalam jaringan pada lapisan input.

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

If kinerja jaringan memenuhi standar yang ditentukan sebelumnya

(memenuhi syarat berhenti)

then exit.

4. Update bobot-bobot dengan menggunakan aturan pembelajaran jaringan.

5. If i = n, then reset i = 1

Else i = i-1.

Ke langkah 2.

Algoritma aplikasi jaringan syaraf tiruan:

Dimasukkan sebuah contoh pelatihan ke dalam jaringan syaraf tiruan. Lakukan:

1. Masukkan kasus ke dalam jaringan pada lapisan input.

2. Hitung tingkat aktivasi node-node jaringan.

3. Untuk jaringan koneksi umpan maju, jika tingkat aktivasi dari semua unit

outputnya telah dihitung, maka exit. Untuk jaringan koneksi balik, jika tingkat

aktivasi dari semua unit output menjadi konstan atau mendekati konstan,

maka exit. Jika tidak, kembali ke langkah 2. Jika jaringannya tidak stabil,

maka exit dan fail.

2.1.4 Fungsi aktivasi

Sinyal aktivasi dalam jaringan syaraf tiruan ditentukan oleh suatu fungsi aktivasi.

Ada beberapa fungsi aktivasi yang digunakan dalam jaringan syaraf tiruan antara

lain (Desiani dan Arhami, 2006):

1. Fungsi identitas

Fungsi ini biasanya digunakan pada jaringan lapisan tunggal dan akan

(35)

2. Fungsi tangga biner

Fungsi ini merupakan fungsi identitas dengan pembulatan yang bergantung

pada parameter pembulatan . Untuk = 1, fungsi ini hanya akan

menghasilkan nilai 1 atau 0.

= 1, ₀ _{< 0} ≥ 0

fungsi signoid-biner yang diperluas hingga mencapai nilai negatif melalui

sumbu x sehingga untuk = 1, fungsi ini akan menghasilkan nilai keluaran

antara -1 sampai +1.

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

Untuk memilih fungsi aktivasi mana yang akan digunakan dalam sistem

jaringan syaraf tiruan maka bergantung pada algoritma/model jaringan yang

digunakan.

2.1.5 Proses Pembelajaran

Proses pembelajaran dalam jaringan syaraf tiruan diklasifikasikan menjadi dua

(Desiani dan Arhami, 2006):

1. Pembelajaran terawasi (supervised learning)

Menggunakan sejumlah pasangan data masukan dan keluaran yang

diharapkan. Pada setiap pelatihan, suatu masukan diberikan ke jaringan.

Selanjutnya jaringan akan memproses dan mengeluarkan keluaran. Selisih

(36)

14

merupakan kesalahan yang terjadi. Jaringan akan memodifikasi bobot sesuai

dengan kesalahan tersebut. Contoh yang sesuai dengan tipe ini adalah metode

backpropagation, jaringan hopfield dan perceptron.

2. Pembelajaran tidak terawasi (unsupervised learning)

Hanya menggunakan sejumlah pasangan data masukan tanpa ada contoh

keluaran yang dikeluarkan. Model yang menggunakan pelatihan ini adalah

model jaringan kompetitif. Contoh dari tipe ini adalah model kohonen.

Jaringan syaraf tiruan memiliki sejumlah besar kelebihan dibandingkan

dengan metode perhitungan lainnya, yaitu (Hermawan, 2006):

1. Kemampuan mengakuisisi pengetahuan walaupun dalam kondisi ada

gangguan dan ketidakpastian. Hal ini karena jaringan syaraf tiruan mampu

melakukan generalisasi, abstraksi, dan ekstraksi terhadap properti statistik

dari data.

2. Kemampuan mempresentasikan pengetahuan secara fleksibel. Jaringan syaraf

tiruan dapat menciptakan sendiri representasi melalui pengaturan sendiri atau

kemampuan belajar (self organizing).

3. Kemampuan untuk memberikan toleransi atas suatu distorsi (error), dimana

gangguan kecil pada data dianggap hanya sebagai noise (guncangan) belaka.

4. Kemampuan memproses pengetahuan secara efisien karena memakai sistem

paralel, sehingga waktu yang diperlukan untuk mengoperasikannya menjadi

lebih singkat.

2.2 Model Kohonen

Jaringan kohonen adalah suatu jaringan satu lapis yang mengorganisasikan

pemetaan suatu masukan acak. Hasil pemetaan menunjukkan hubungan yang

alami antara pola-pola yang diberikan ke dalam jaringan (Pandjaitan, 2004).

Jaringan kohonen pertama kali diperkenalkan oleh Prof. Teuvo Kohonen

pada tahun 1982. Jaringan kohonen termasuk dalam pembelajaran tak terawasi

(37)

neuron-neuron akan menyusun dirinya sendiri berdasarkan input nilai tertentu dalam

suatu kelompok yang dikenal dengan istilah cluster. Selama proses penyusunan

diri, cluster yang memiliki vektor boobot paling cocok dengan pola input

(memiliki jarak yang paling dekat) akan terpilih sebagai pemenang. Neuron yang

menjadi pemenang beserta neuron-neuron tetangganya akan memperbaiki

bobot-bobotnya (Dewi, 2003).

Jaringan yang ditemukan oleh Kohonen ini merupakan salah satu jaringan

yang banyak dipakai untuk membagi pola masukan kedalam beberapa kelompok

(Siang, 2005).

2.2.1 Arsitektur Jaringan Kohonen

Misalkan masukan berupa vektor yang terdiri dari n komponen yang akan

dikelompokkan dalam maksismum m buah kelompok (disebut vektor contoh).

Keluaran jaringan adalah kelompok yang paling dekat/mirip dengan masukan

yang diberikan. Ada beberapa ukuran kedekatan yang dapat dipakai, salah satu

nya adalah jarak Euclidean yang paling minimum.

( ( (₎

* * 1 Gambar 2.3 Arsitektur Jaringan Self Organizing

Arsitektur jaringan kohonen ini mirip dengan model lain. Hanya saja jaringan

kohonen tidak menggunakan perhitungan net (hasil kali vektor masukan dengan

(38)

16

2.2.2 Algoritma Jaringan Kohonen

Algoritma pengelompokkan pola jaringan kohonen adalah sebagai berikut:

0. a. Inisialisasi bobot input (+ ):

+ =- .* + - *₂

Dengan + adalah bobot antara variabel input ke-j dengan neuron pada

kelas ke-i (j = 1, 2, ..., m; i = 1, 2, ..., k); MinP₃ dan MaxP₃ masing-masing

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

input ke-i.

b. Inisialisasi bobot bias (,):

, = ![ "78 9: ]

Dengan , adalah bobot bias ke neuron ke-i dan k adalah jumlah kelas.

a. Set parameter learning rate.

b. Set maksimum epoch (MaxEpoch).

1. Set epoch = 0;

2. Kerjakan jika epoch < MaxEpoch :

a. Epoch = epoch + 1

b. Pilih data secara acak, misalkan data terpilih adalah data ke-z.

c. Cari jarak antara data ke-z dengan setiap bobot input ke-i (<):

< = => + − ?@

(39)

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

i. H = 1−∝ !I "78JK LM+∝ (

ii. , = ![ "78 N O ]

Iterasi dilakukan hingga mencapai epoch maksimum yang menghasilkan

anggota kelompok yang konsisten.

2.3 Pencemaran Udara

Udara merupakan campuran beberapa macam gas yang perbandingannya tidak

tetap, tergantung pada keadaan suhu udara, tekanan udara dan lingkungan

sekitarnya. Udara bersih yang kita hirup merupakan gas yang tidak tampak, tidak

berbau, tidak berwarna maupun berasa. Pencemaran udara diartikan sebagai

adanya bahan-bahan atau zat-zat asing didalam udara yang menyebabkan

perubahan susunan (komposisi) udara dari keadaan normalnya (Wardhana, 2004).

Berdasarkan asal mula dan kelanjutan perkembangannya dapat dibedakan

berbagai macam pencemar kedalam dua kelompok yaitu (Ryadi, 1982):

1. Pencemar primer

Yaitu semua pencemar yang berbeda di udara dalam bentuk yang hampir

tidak berubah. Umunya berasal dari sumber-sumber yang diakibatkan oleh

aktivitas manusia antara lain sumber-sumber industri dimana didalam industri

terdapat proses pembakaran yang menggunakan bahan-bahan bakar maupun

proses peleburan/pemurnian logam.

2. Pencemar sekunder

Yaitu semua pencemar di udara yang sudah berubah karena hasil reaksi

tertentu antara dua atau lebih kontaminan/polutan. Reaksi-reaksi yang

dimaksud dalam timbulnya pencemar sekunder antara lain adalah reaksi

foto-kimia dan reaksi oksida katalitis.

Pembangunan yang berkembang pesat dewasa ini, khususnya dalam sektor

(40)

18

menyebabkan udara yang dihirup sehari-hari menjadi tercemar oleh gas-gas

buangan hasil pembakaran.

Secara umum, penyebeb pencemaran udara ada dua macam yaitu:

1. Faktor internal

a. Debu yang berterbangan akibat tiupan angin.

b. Abu (debu) yang dikeluarkan dari letusan gunung berapi.

c. Proses pembusukan sampah organik, dll.

2. Faktor eksternal (ulah manusia)

a. Hasil pembakaran bahan bakar fosil.

b. Debu/serbuk dari kegiatan industri.

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

Pencemaran udara pada suatu tingkat tertentu dapat merupakan campuran

dari satu atau lebih bahan pencemar, baik berupa padatan, cairan, atau gas yang

masuk terdispersi ke udara dan kemudian menyebar ke lingkungan sekitarnya.

2.3.1 Komponen Pencemaran Udara

Beberapa macam komponen pencemar udara yang banyak kita ketahui antara lain

sebagai berikut:

1. Sulfur Dioksida (PQ )

Sulfur dioksida merupakan pencemar primer di udara sebagai produk hasil

pembakaran unsur-unsur pembakaran sulfur didalam industri-industri asam

sulfat. Reaksi antara gas SOx dengan uap air yang terdapat di udara akan

membentuk asam sulfat maupun asam sulfit. Apabila asam sulfat R PQ_S)

dan asam sulfit R PQ₎) turun ke bumi bersama-sama dengan jatuhnya hujan,

terjadilah Acid Rain atau hujan asam . Hujan asam sangat merugikan karena

dapat merusak tanaman maupun kesuburan tanah. Pada beberapa negara

industri, hujan asam sudah banyak menjadi persoalan yang sangat serius

karena sifatnya yang merusak. Hutan yang gundul akibat jatuhnya hujan asam

akan mengakibatkan lingkungan semakin parah.

(41)

Nitrogen dioksida berwarna coklat kemerahan dan berbau tajam. Secara

umum, sumber TQ_$ di alam berasal dari bakteri dan akitivitas vulkanik,

proses pembentukan petir, dan emisi akibat aktivitas manusia (antropogenik).

Emisi antropogenik TQ_$ terutama berasal dari pembakaran bahan bakar fosil

seperti pembangkit tenaga listrik dan kendaraan bermotor. Sumber lain di

atmosfer berupa proses tanpa pembakaran, contohnya dari hasil produksi

asam nitrat RTQ₎ , proses pengelasan, dan penggunaan bahan peledak. TQ

bersifat racun terutama terhadap paru. Kadar TQ yang lebih tinggi dari 100

ppm dapat mematikan sebagian besar binatang percobaan dan 90% dari

kematian tersebut disebabkan oleh gejala pembengkakan paru (edema

pulmonari). Kadar TQ sebesar 800 ppm akan mengakibatkan 100%

kematian pada binatang-binatang yang diuji dalam waktu 29 menit atau

kurang. Pemajanan TQ dengan kadar 5 ppm selama 10 menit terhadap

manusia mengakibatkan kesulitan dalam bernafas.

3. Hidrogen Klorida (RUV)

Hidrogen klorida adalah asam kuat dan merupakan komponen utama dalam

asam lambung. Sejak revolusi industri, senyawa ini menjadi sangat penting

dan digunakan untuk berbagai tujuan, meliputi produksi massal senyawa

kimia organik. Asam klorida pekat akan membentuk kabut asam. Baik kabut

dan larutan tersebut bersifat korosif terhadap jaringan tubuh dengan potensi

kerusakan pada organ pernapasan, mata, kulit dan usus.

4. Klorin (UV )

Gas klorin adalah gas berwarna hijau dengan bau sangat menyengat. Berat

jenis gas klorin 2,47 kali berat udara dan 20 kali berat gas hidrogen

klorida RUV yang toksik. Klorin merupakan bahan kimia penting dalam

industri yang digunakan untuk klorinasi pada proses produksi yang

menghasilkan produk organik sintetik seperti plastik, insektisida dan

herbisida. Terbentuknya gas klorin di udara ambien merupakan efek samping

dari proses pemutihan dan produksi zat yang mengandung klor. Karena

banyaknya penggunaan senyawa klor dilapangan atau dalam industri dalam

(42)

20

yang kurang efektif. Hal ini dapat menyebabkan terdapatnya gas pencemar

klorin dalam kadar tinggi di udara ambien.

5. Amonia (TR₎)

Amonia biasanya berupa gas dengan bau tajam yang khas. Senyawa ini

merupakan senyawa kaustik dan dapat merusak kesehatan. Menghirup

senyawa ini pada konsentrasi tinggi dapat menyebabkan pembengkakan

saluran pernapasan dan sesak napas.

6. Hydrofluoric Acid (RW)

Hydrofluoric acid (asam fluorida) adalah asam yang sangat korosif, mampu

melarutkan banyak bahan, terutama oksida. Hydrofluoric acid sangat initatif

terhadap jaringan kulit, merusak paru-paru dan menimbulkan penyakit

pneumonia (gangguan saluran pernapasan).

7. Total Suspended Particules (XP*)

Total Suspended Particules (XP*) merupakan konsentrasi debu/partikulat.

Partikulat adalah partikel padat pencemar udara yang berada di udara

bersama-sama dengan tetesan cair lainnya. Partikulat mengandung zat-zat non

organik yang terbentuk dari berbagai macam materi dan bahan kimia. Ukuran

partikel dapat menggambarkan seberapa jauh partikel dapat terbawa angin,

efek yang ditimbulkannya, sumber pencemaran dan lama masa tinggal

(43)

PENDAHULUAN

1.1 Latar Belakang

Udara di sekitar lapisan troposfer yang setiap hari dihirup oleh manusia

merupakan udara ambien. Sedangkan udara yang dihasilkan dalam setiap kegiatan

industri disebut emisi. Kualitas udara ambien ditentukan oleh kuantitas emisi

cemaran dari sumber cemaran, proses transportasi, konversi dan pengilangan

cemaran di atmosfer. Parameter kualitas udara diantaranya gas , , , , , dan partikulat yang padat.

Laju pertumbuhan ekonomi yang tinggi berpengaruh terhadap

industrialisasi wilayah perkotaan yang salah satunya ditandai dengan banyaknya

berdiri pusat-pusat industri. Di Sumatera Utara, pembangunan sektor-sektor

industri telah memberikan dampak bagi kehidupan manusia baik positif maupun

negatif. Dampak positif diantaranya mengurangi pengangguran dan meningkatnya

minat investasi pihak asing untuk menanamkan modalnya di Sumatera Utara.

Namun, dengan adanya kegiatan industri ini juga menimbulkan dampak negatif

bagi manusia. Salah satunya adalah pencemaran udara. Udara yang tercemar

tersebut dapat menganggu kesehatan manusia dan merusak lingkungan sekitar.

Dengan adanya efek negatif yang ditimbulkan oleh kegiatan industri

tersebut maka perlu dilakukan pengelompokan sektor-sektor industri berdasarkan

beban polutan yang dikeluarkan oleh setiap kegiatan industri. Seiring dengan

perkembangan teknologi, pengelompokan data telah banyak dikembangkan di

berbagai bidang. Salah satunya pada bidang kecerdasan buatan (Artificial

Intelligence) seperti Jaringan Syaraf Tiruan. Jaringan Syaraf Tiruan adalah salah

satu representasi buatan dari otak manusia yang selalu mencoba untuk

(44)

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

(45)

2. Data yang digunakan adalah data pencemaran udara sektor industri di

Sumatera Utara yang dilakukan oleh Badan Lingkungan Hidup Provinsi

Sumatera Utara.

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

Total Suspended Particules (TSP).

4. Proses pelatihan data menggunakan software Matlab 7.8.0 dengan maksimum

epoch 1000, 8000 dan 10.000.

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

kelompok hingga sembilan kelompok.

1.4 Tinjauan Pustaka

Siang (2005) mengemukakan bahwa Jaringan Syaraf Tiruan ( JST ) adalah sistem

pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf

biologi. Jaringan syaraf tiruan dibentuk sebagai generalisasi model matematika

dari jaringan syaraf biologi dengan asumsi bahwa:

1. Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron).

2. Sinyal yang dikirimkan diantara neuron-neuron melalui

penghubung-penghubung.

3. Penghubung antar neuron memiliki bobot yang akan memperkuat atau

memperlemah sinyal.

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)

(46)

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 ( ):

= + ₂

Dengan adalah bobot antara variabel input ke-j dengan neuron pada

(47)

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

input ke-i.

b. Inisialisasi bobot bias ($):

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

Dengan $ adalah bobot bias ke neuron ke-i dan k adalah jumlah kelas.

a. Set parameter learning rate.

b. Set maksimum epoch (MaxEpoch).

1. Set epoch = 0;

2. Kerjakan jika epoch < MaxEpoch :

a. Epoch = epoch + 1

b. Pilih data secara acak, misalkan data terpilih adalah data ke-n.

c. Cari jarak antara data ke-n dengan setiap bobot input ke-i (/):

/ = 01( − 3 )

g. Update bobot yang menuju ke neuron Idx:

<= ' = <= ' +∝ (3 − <= ' )

h. Update bobot bias:

i. ?( ) = (1−∝)%@ '()AB( )CD+∝ ( )

(48)

6

1.5 Tujuan Penelitian

Tujuan dari penelitian ini adalah untuk mengelompokan data pencemaran udara

pada sektor industri di Sumatera Utara dengan menggunakan jaringan syaraf

tiruan model Kohonen.

1.6 Manfaat Penelitian

Manfaat penelitian sebagai berikut:

1. Bahan masukan atau sebagai pertimbangan yang berguna bagi pemerintah

daerah Sumatera Utara mengenai kelompok sektor-sektor industri berdasarkan

beban polutan yang dihasilkan dalam mengambil suatu kebijaksanaan.

2. Bahan referensi dalam menambah wawasan penulis dan pembaca yang

berhubungan dengan pembahasan jaringan syaraf tiruan, khususnya dalam

model kohonen.

3. Informasi bagi penelitian selanjutnya yang berhubungan dengan pencemaran

udara sektor industri di Sumatera Utara.

4. Informasi dan referensi bacaan bagi mahasiswa matematika, terlebih bagi

mahasiswa yang akan melakukan penelitian mengenai pengelompokan.

1.7 Metodologi Penelitian

Metodologi penelitian yang digunakan dalam penelitian ini adalah sebagai

berikut:

1. Studi kasus

Tahap ini dilakukan dengan mengidentifikasi permasalahan, mengkaji dan

memahami teori-teori yang dipelajari diantaranya mengenai konsep dasar

model kohonen yang menjadi metode dalam pengelompokan. Penelusuran

referensi ini bersumber dari buku, jurnal maupun penelitian yang telah ada

(49)

2. Pengumpulan data

Pada tahap ini dilakukan pengambilan data pencemaran udara sektor industri

di Sumatera Utara. Data diperoleh dari Badan Lingkungan Hidup Provinsi

Sumatera Utara.

3. Pengelompokan data

Pada tahap ini dilakukan pengelompokan data pencemaran udara sektor

industri dengan model Kohonen.

4. Pengambilan kesimpulan

Pada tahap ini dilakukan penarikan kesimpulan hasil analisa data sekaligus

memberikan saran yang berkaitan dengan pengembangan penelitian

(50)

APLIKASI JARINGAN SYARAF TIRUAN MODEL KOHONEN DALAM PENGELOMPOKAN DATA PENCEMARAN

UDARA PADA SEKTOR INDUSTRI DI SUMATERA UTARA

ABSTRAK

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

(51)

NORTH SUMATERA

ABSTRACT

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

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

(52)

(53)

U

Diajukan untuk m

FAKULTAS MA

U

UDARA PADA SEKTOR INDUSTR

DI SUMATERA UTARA

SKRIPSI

melengkapi tugas dan memenuhi syarat untu Sarjana Sains

NUR AISYIAH DARMAN ELI

110803071

DEPARTEMEN MATEMATIKA

ATEMATIKA DAN ILMU PENGETA

UNIVERSITAS SUMATERA UTARA

MEDAN

2015

STRI

ntuk mencapai gelar

(54)

PERSETUJUAN

Judul : Aplikasi Jaringan Syaraf Tiruan Model Kohonen

dalam Pengelompokan Data Pencemaran Udara Sektor Industri di Sumatera Utara

Kategori : Skripsi

Nama : Nur Aisyiah Darman Eli

Nomor Induk Mahasiswa : 110803071

Program Studi : Sarjana (S1) Matematika

Departemen : Matematika

Fakultas : Matematika Dan Ilmu Pengetahuan Alam

(FMIPA) Universitas Sumatera Utara

Disetujui di Medan, Juli 2015

Komisi Pembimbing:

Pembimbing 2, Pembimbing 1,

(55)

APLIKASI JARINGAN SYARAF TIRUAN MODEL KOHONEN DALAM PENGELOMPOKAN DATA PENCEMARAN

SKRIPSI

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

Medan, Juli 2015

(56)

PENGHARGAAN

Puji dan syukur penulis panjatkan kepada Allah SWT Yang Maha Pemurah dan

Maha Penyayang, dengan limpahan karuniaNya penulis dapat menyelesaikan

penyusunan skripsi ini dengan judul Aplikasi Jaringan Syaraf Tiruan Model

Kohonen Dalam Pengelompokan Data Pencemaran Udara Sektor Industri di

Sumatera Utara.

Terima kasih penulis sampaikan kepada Bapak Drs. Partano Siagian, M.Sc

selaku Dosen pembimbing 1 dan Bapak Drs. Henry Rani Sitepu, M.Si selaku

Dosen pembimbing 2 yang telah meluangkan waktunya selama penulisan skripsi

ini. Terima kasih kepada dosen pembanding penulis Ibu Dra. Normalina

Napitupulu, M.Sc dan Bapak Drs. Marihat Situmorang, M.Kom atas kritik dan

saran yang membangun dalam penulisan skripsi penulis. Terima kasih kepada

Bapak Prof. Dr. Tulus, M.Si dan Ibu Dr. Mardiningsih, M.Si selaku Ketua dan

Sekretaris Departemen Matematika FMIPA USU. Terima kasih kepada Bapak Dr.

Sutarman, M.Sc selaku Dekan FMIPA USU, Wakil Dekan FMIPA USU, seluruh

Staff dan Dosen Matematika FMIPA USU, pegawai FMIPA USU serta

rekan-rekan kuliah. Akhirnya tidak terlupakan kepada Ayahanda tercinta Agustidarman,

Ibunda tercinta Eli Marni, serta saudara–saudara penulis yang tersayang Piramita

Darmonia, Poppy Apriani, Novia Asmalidar dan Marisa Novita serta keluarga dari

kedua orang tua yang selama ini memberikan bantuan dan dorongan yang

(57)

ABSTRAK

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

(58)

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

NORTH SUMATERA

ABSTRACT

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

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

(59)

Halaman

1.4 Tinjauan Pustaka 3

1.5 Tujuan Penelitian 5

1.6 Manfaat Penelitian 6

1.7 Metodologi Penelitian 6

BAB 2 LANDASAN TEORI 8

2.1 Jaringan Syaraf Tiruan 8

2.1.1 Pemrosesan dalam Jaringan Syaraf Tiruan 9

2.1.2 Arsitektur Jaringan 10

2.1.3 Algoritma Umum Jaringan Syaraf Tiruan 11

2.1.4 Fungsi Aktivasi 12