PROPOSAL TUGAS AKHIR PREDIKSI KADAR POLU

PROPOSAL TUGAS AKHIR

PREDIKSI KADAR POLUTAN MENGGUNAKAN

ADAPTIVE

NEURO-F UZZY INNEURO-F ERENCE SYSTEM

(ANFIS) UNTUK PEMANTAUAN

KUALITAS UDARA DI KOTA SURABAYA

Diusulkan Oleh: Sari Angelina Nurma Gupita

2413 100 016

Dosen Pembimbing:

Prof. Dr. Ir. Aulia Siti A., MT. NIP.196601161989032001 Dr. Ir. Syamsul Arifin, MT. NIP.196309071989031004

PROGRAM STUDI S-1 DEPARTEMEN TEKNIK FISIKA FAKULTAS TEKNOLOGI INDUSTRI INSTITUT TEKNOLOGI SEPULUH NOPEMBER

LEMBAR PENGESAHAN PROPOSAL TUGAS AKHIR

S-1 TEKNIK FISIKA

DEPARTEMEN TEKNIK FISIKA FTI ITS

Judul :Prediksi Kadar Polutan Menggunakan Adaptive Neuro- Fuzzy Inference System (ANFIS) untuk Pemantauan Kualitas Udara di Kota Surabaya

Bidang Studi : Instrumentasi

1. a. Nama : Sari Angelina Nurma Gupita

b. NRP : 2413 100 016

c. Jenis Kelamin : Perempuan

2. Pembimbing : Prof. Dr. Ir. Aulia Siti A., MT. Dr. Ir. Syamsul Arifin, MT. 3. Lama Penelitian : 1 Semester

4. Proposal ke : 1

5. Status : Baru

Surabaya, 26 Februari 2017 Pengusul Proposal

Sari Angelina Nurma Gupita 2413 100 016

Menyetujui,

Mengetahui, Kepala Laboratorium

Rekayasa Instrumentasi dan Kontrol

Totok Ruki Biyanto ST,MT,Ph.D NIP.197107021998021001

Pembimbing I

Prof. Dr. Ir. Aulia Siti A., MT. NIP.196601161989032001

Pembimbing II

I. Judul

Prediksi Kadar Polutan Menggunakan Adaptive Neuro-Fuzzy Inference System

(ANFIS) untuk Pemantauan Kualitas Udara di Kota Surabaya

II. Mata Kuliah Pilihan Bidang Minat yang Diambil

1. Teknik Optimasi

2. Energi Baru Terbarukan 3. Sistem Fuzzy

III. Pembimbing

Pembimbing I : Prof. Dr. Ir. Aulia Siti A., MT. Pembimbing II : Dr. Ir. Syamsul Arifin, MT.

IV. Latar Belakang

Pencemaran udara merupakan salah satu permasalahan yang dijumpai di kota besar tak terkecuali Surabaya. Kota yang memiliki jumlah penduduk sebanyak 2.806.306 jiwa dengan luas wilayah sebesar 350,54 km2 menjadikan Surabaya sebagai kota berpenduduk terpadat ke-2 di Indonesia. Sumber pencemaran udara dapat berasal dari berbagai kegiatan industri, transportasi, perkantoran, dan perumahan. Di wilayah selatan Surabaya telah dibangun kawasan industri yang terdapat di Rungkut atau Brebek Industri, SIER (Surabaya Industrial Estate Rungkut PT. Persero). Sementara Di wilayah utara Surabaya terdapat kawasan industri dan pergudangan Tambak Langon - Kalianak - Margamulyo. Jumlah kendaraan bermotor di Surabaya mencapai 4,5 juta. Adanya kawasan industri dan besarnya jumlah kendaraan bermotor ini sangat berpotensi dalam menyumbang polusi udara. Dampak buruk dari polusi udara ini dapat menyebabkan gangguan kesehatan. Menurut data dari Dinas Kesehatan Penduduk Surabaya sebanyak 235.725 penduduk menderita infeksi akut saluran pernafasan bagian atas (menempati peringkat pertama kejadian penyakit).

Kualitas udara di Surabaya dipantau melalui air quality monitoring system

(AQMS) yang dilakukan oleh Badan Lingkungan Hidup (BLH). Stasiun pemantauan kualitas udara ambient ditempatkan di lima lokasi di Surabaya dan pelaporan hasil pemantauan ini dikemas dalam bahasa yang mudah dipahami oleh masyarakat yang dipublikasikan melalu papan public display. Data dari stasiun ini oleh BLH digunakan sebagai dasar pengambilan keputusan tindakan pencegahan pencemaran udara yang lebih serius.

Parameter yang diukur dalam stasiun pemantau kualitas udara ambien di Kota Surabaya ada 16 (enam belas) parameter, yang terdiri dari :

1. 5 (lima) parameter kunci : PM10, SO

2, O3, NO2, CO,

2. 11 (sebelas) parameter pendukung dan meteorologi : NO, NO

x, kecepatan

angin (FF), kecepatan hembusan angin (FF Boe), arah angin (DD), arah hembusan angin (DD Boe), kelembaban udara ambien, kelembaban udara container, suhu udara ambien, suhu container dan global radiasi.

Polutan akan diukur secara langsung setiap jamnya kemudian dihitung menjadi rata-rata dalam satu hari dan ditampilkan sebagai nilai yang terukur pada hari itu tanpa adanya prediksi mengenai informasi untuk kondisi esok hari.

Penelitian ini akan melakukan prediksi kualitas udara di Kota Surabaya. Parameter yang diprediksi adalah O

3. Parameter inilah yang paling mendominasi

Penelitian mengenai prediksi kualitas udara telah banyak dilakukan seperti prediksi kadar O3 di Surabaya menggunakan metode Jaringan Syaraf Tiruan yang

menghasilkan tingkat keberhasilan berdasarkan nilai determinasi sebesar 92% untuk hari pertama, dan 76% untuk hari kedua. Penelitian ini menggunakan 7 parameter masukan [1]. Prediksi lain yang dilakukan di Surabaya menggunakan metode fuzzy logic menghasilkan akurasi sebesar 80.43% dengan 8 parameter masukan [2]. Prediksi yang dilakukan di kota Bandung menghasilkan tingkat akurasi sebesar 90% menggunakan Jaringan Syaraf Tiruan [3]. Penelitian lain yang dilakukan di Teheran [4] dan Yazd, Iran [5] menghasilkan akurasi sebesar 92.3% dan 94% dengan menggunakan Adaptive Neuro-Fuzzy Inference System

(ANFIS).

Metode Adaptive Neuro-Fuzzy Inference System (ANFIS) dipilih untuk penelitian ini karena berdasarkan penelitian sebelumnya penghasilkan akurasi yang paling baik. Metode ini mengombinasikan kelebihan dari Neural Network

dan Fuzzy Logic. Neural Network memiliki kemampuan yang baik pada learning ability, parallel processing, adaptation, fault-tolerance and distributed knowledge representation. Sedangkan fuzzy logic dapat menyelesaikan permasalahan non-linear yang rumit [6]. Penggunaan metode ini serta pemilihan parameter yang tepat diharapkan dapat memberikan prediksi yang lebih akurat dibandingkan dengan penelitian yang telah dilakukan dan dapat digunakan sebagai salah satu upaya untuk meningkatkan sistem pemantauan kualitas udara yang ada di Kota Surabaya.

V. Permasalahan

Permasalahan dari penelitian ini adalah:

1. Berapa tipe dan jumlah variable masukan pada sistem prediktor kadar polutan di kota Surabaya?

2. Bagaimanakah cara membangun sistem prediktor dengan variable masukan yang dipilih?

3. Berapa parameter pada sistem prediktor berbasis Adaptive Neuro-Fuzzy Inference System (ANFIS) yang mampu meningkatkan akurasi prediksi?

VI. Batasan Masalah

1. Data yang digunakan untuk melakukan perancangan adalah NO2, SO2, O3, arah

angin, radiasi matahari, kecepatan angin, temperature, dan kelembaban udara. 2. Data pengamatan diperoleh dari Badan Lingkungan Hidup (BLH) Surabaya

yang bergerak di bawah Kementrian Lingkungan Hidup.

3. Metode untuk prediksi menggunakan Adaptive Neuro-Fuzzy Inference System

(ANFIS).

4. Peramalan yang dihasilkan merupakan konsentrasi polutan Ozon (O3) satu hari

berikutnya.

5. Peramalan yang dihasilkan hanya dapat diaplikasikan untuk Kota Surabaya.

VII. Tujuan

Adapun tujuan dari penelitian ini adalah:

1. Menentukan tipe dan jumlah variable masukan pada sistem prediktor kadar polutan di kota Surabaya.

2. Membangun sistem prediktor dengan variable masukan yang dipilih.

VIII. Tinjauan Pustaka

[1] Kin Seng Lei and Feng Wan, "Applying Ensemble Learning Techniques to ANFIS for Air Pollution Index Prediction in Macau," Springer-Verlag Berlin Heidelberg, pp. 509-516, 2012.

Paper ini menjelaskan metodologi dalam menggunakan metode ANFIS untuk memprediksi polutan serta menjelaskan kelebihan metode ANFIS jika dibandingkan dengan Neural Network dan Fuzzy Logic jika berdiri sendiri.

Neural Network memiliki kemampuan yang baik pada lea rning ability, parallel processing, adaptation, fault-tolerance and distributed knowledge representation. Sedangkan fuzzy logic dapat menyelesaikan permasalahan non-linear yang rumit.

[2] Razeghi A., "Comparison of RNN and ANFIS in Concentrations of Carbon Monoxide and Fine Particles Foreca sting in Tehran," September 2014.

Penelitian ini bertujuan untuk membandingkan metode Reccurent Neural Network (RNN) dengan Adaptive Neuro Fuzzy (ANFIS) untuk memprediksi konsentrasi karbon monoksida dan partikel PM10 di Teheran. Kedua metode ini disebutkan mampu menyelesaikan permasalahan nonlinear. 6 model struktur dipakai pada penelitian ini. Hasilnya menunjukkan RNN memiliki akurasi lebih tinggi dibandingkan dengan ANFIS untuk prediksi karbon monoksida, yaitu 93,1% untuk RNN dan 92.3% untuk ANFIS. ANFIS memiliki akurasi lebih baik dalam memprediksi partikel PM10 yaitu sebesar 95.9% sedangkan RNN menghasilkan akurasi sebesar 95.3%.

[3] L. Rafati, "Modelling the Formation of Ozone in the Air by Using Adaptive Neuro-Fuzzy Inference System (ANFIS) (Case Study: City of Yazd, Iran),"

Desert, October 2014.

Prediksi Ozon ini mengambil studi kasus di kota Yazd, Iran menggunakan metode ANFIS. Jurnal ini menyebutkan bahwa metode statistika standar kemungkinan besar tidak tipat untuk memprediksi model yang kompleks dan nonlinear. Neural Network mampu mengatasi masalah ini lebih baik. 5 variabel masukan digunakan pada penelitian ini, yaitu konsentrasi NO3, O3, temperatur, kecepatan dan arah angin.

2 statistical indicator yaitu correlation coefficient (R2) dan root mean square error (RMSE) digunakan untuk mengavuali performa dari model. Nilai R2 yang mendekati 1 dan nilai RMSE yang kecil menunjukkan akurasi yang baik dari model yang dibuat.

Penelitian ini menghasilkan nilai RMSE sebesar 2.430 dan R2 sebesar 0.94 atau nilai akurasi sebesar 94%.

Pemantauan Kualitas Udara di Kota Surabaya," 2012.

Penelitian ini menjadi sumber latar belakang serta panduan dalam memperoleh data parameter dari BLH Surabaya. Hasil penelitian yang akan dilakukan yaitu menggunakan ANFIS akan dibandingkan dengan penelitian ini yang menggunakan metode Jaringan Syaraf Tiruan. Selain membandingkan metode, parameter masukan juga akan dibandingkan. Pada penelitian yang dilakukan Novie menggunakan 7 parameter masukan, yaitu arah angin, kecepatan angin, kelembaban udara, temperatur udara, radiasi global, konsentrasi NO2, dan konsentrasi SO2 dengan keluaran berupa

konsentrasi O3 dengan akurasi sebesar 92% untuk hari pertama, dan 76%

untuk hari kedua. Novie menyarankan untuk menambah jumlah prediktor agar mendapatkan akurasi yang lebih baik.

[5] Nailil Hikmah, "Prediksi Konsentrasi Polutan Ozon Atmosfer Surabaya dengan Metode Logika Fuzzy untuk Mendukung Monitoring Kualitas Udara," Jurnal Teknik POMITS, vol. 1, pp. 1-6, 2012

Penelitian ini menggunakan logika fuzzy sebagai metodenya dengan 8 parameter masukan yaitu konsentrasi ozon, SO2, NO2, radiasi matahari,

kecepatan angin, arah angin, kelembaban udara, dan suhu. Akurasi dari prediktor pada penelitian ini sebesar 80.43%.

[6] Osman Taylan, "Prediction of Air Quality for Sustainable Environment by Artificial Intelligent Techniques," Energy Education Science and Technology Part A: Energy Science and Resea rch, vol. 31, no. 3, pp. 1635-1652, December 2013.

Penelitian ini dilakukan dilatar belakangi dari laporan WHO yang memperkirakan 2.4 juta oran meninggal tiap tahunnya dikarenakan polusi udara. Penelitian ini bertujuan untuk memprediksi kualitas udara di Kota Jeddah menggunakan metode ANFIS.

6 parameter dasar yang diukur untuk menentukan kualitas udara di Saudi Arabia adalah Sulfur Dioksida (SO2), Nitrogen Dioksida (NO2), Ozon

(O3), Karbon Monoksida (CO), Hidrogen Sulfida, dan Partikulat. Parameter

inilah yang akan dijadikan variabel input dengan variabel output berupa Air Quality Index. Penelitian ini menghasilkan error rata-rata sebesar 0.278% dan nilai RSME sebesar 0.425

[7] S. Dursun, "Modelling Sulphur Dioxide Levels of Konya City Using Artificial Intelligent Related to Ozone, Nitrogen Dioxide and Meteorological Factors," Int. J. Environ. Sci. Technol., pp. 3915–3928, 2015.

Penelitian mengambil studi kasus di Kota Konya, Peninsula. Data diambil di 15 titik yang tersebar di Kota Konya untuk memprediksi kualitas udara menggunakan metode ANFIS dan ANN.

Tujuh variabel input digunakan, yaitu temperatur, kelembaban, kecepatan udara, tekanan atmosfir, curah hujan, NO2, dan Ozon. Variabel Output adalah

SO2.

Error yang dihasilkan ANFIS sebesar 2.81% , sedangkan ANN menghasilkan error sebesar 9.79%

[8] Roohollah Noori, "Uncertainty analysis of developed ANN and ANFIS models in prediction of carbon monoxide daily concentration," Atmospheric Environment, p. 476e482, 2010.

Penelitian ini bertujuan untuk memprediksi konsentrasi harian Karbon Monoksida di Kota Teheran menggunakan metode ANN dan ANFIS.

Forwa rd Selection (FS) dan Gamma Test (GT) digunakan untuk menyeleksi variabel input dari 12 kandidat variabel. tujuh dan sembilan variabel input akhirnya terpilih mengggunakan metode FS dan GT. ANN dan FS-ANFIS kemudian dipilih karena memiliki nilai R2 terbaik.

IX. Teori Penunjang 9.1Pencemaran Udara

Berdasarkan PP No. 41 Tahun 1999, pencemaran udara diartikan dengan turunnya kualitas udara sehingga udara mengalami penurunan mutu dalam penggunaannya yang akhimya tidak dapat digunakan lagi sebagaimana mestinya sesuai dengan fungsinya. Dalam pencemaran udara selalu terkait dengan sumber yang menghasilkan pencemaran udara yaitu sumber yang bergerak (umumnya kendaraan bermotor) dan sumber yang tidak bergerak (umumnya kegiatan industri). Berbagai kegiatan tersebut akan menghasilkan berbagai bahan pencemaran udara termasuk polutan yang akan dikaji dalam penelitian ini, yaitu Ozon troposfer (O3).

Berbagai bahan pencemar yang diemisikan akan menyebar dan bercampur di atmosfer. Pencemaran yang dihasilkan dari setiap sumber akan tersebar di atmosfer melalui proses difusi, dispersi, dan transformasi kimiawi. Bahan pencemar yang di emisikan dari berbagai sumber pencemar akan mengalami transmisi di atmosfer, dimana pada proses ini polutan akan menyebar (dispersi), bercampur (dilusi) ataupun mengalami perubahan secara kimia (transformasi kimia). Pada proses dispersi dan pencampuran kondisi meteorologis seperti kecepatan angin, arah angin turbulensi dan kestabilan atmosfer merupakan variabel yang sangat berpengaruh terhadap konsentrasi polutan. Sedangkan reaksi kimia (transformasi kimiawi) di atmosfer sangat dipengaruhi oleh kondisi cuaca ambient seperti radiasi matahari, temperatur udara, dan kelembaban udara [7]. Reaksi kimia di atmosfer merupakan reaksi yang terjadi antara gas prekursor seperti hidrokarbon dan NOx dengan cahaya matahari yang kemudian akan menghasilkan produk lain seperti ozon. Setelah mengalami transmisi, polutan akan menjadi polusi udara ambien dan kemudian mengalami deposisi [1].

9.2Pemantauan Kualitas Udara Ambien Otomatis (Air Quality Monitoring System/AQMS)

mudah dipahami oleh masyarakat umum. Informasinya disampaikan dalam bentuk ISPU (Indeks Standar Pencemaran Udara), yang dipublikasikan melalui public display. Lokasi penempatan stasiun pemantauan kualitas udara dan public displa y

ditunjukkan oleh gambar sebagai berikut:

Indeks Standar pencemar Udara (ISPU) adalah angka yang tidak memiliki satuan yang menggambarkan kondisi kualitas udara ambien di lokasi dan waktu tertentu, yang didasarkan pada dampak terhadap kesehatan manusia, nilai estetika dan mahluk hidup lainnya. Nilai ini dapat dijadikan sebagai informasi baik bagi masyarakat maupun bagi pemerintah untuk mewaspadai pencemaran udara. Rentang ISPU ditunjukkan oleh tabel 9.1 sementara batasan ISPU tiap parameter ditunjukkan pada tabel 9.2.

Tabel 9.1 Rentang Indeks Standar Pencemaran Udara [9]

KATEGORI RENTANG PENJELASAN

Baik 0-50

Tingkat kualitas udara yang tidak memberikan efek bagi kesehatan manusia atau hewan dan tidak berpengaruh pada tumbuhan, bangunan atau nilai estetika

Sedang 51-100

Tingkat kualitas udara yang tidak memberikan efek bagi kesehatan manusia atau hewan tetapi berpengaruh pada tumbuhan yang sensitif, dan nilai estetika

Tidak sehat 101-199

Tingkat kualitas udara yang bersifat merugikan pada manusia ataupun kelompok hewan yang sensitive atau bisa menimbulkan kerusakan pada tumbuhan ataupun nilai estetika.

Sangat tidak

sehat 200-299

Tingkat kualitas udara yang dapat merugikan kesehatan pada sejumlah segmen populasi yang terpapar

Berbahaya 300-lebih Tingkat kualitas udara berbahaya yang secara umum dapat merugikan kesehatan yang serius

Tabel 9.2 Batasan ISPU [8] ISPU 24 jam

Xa = Ambien batas atas Xb = Ambien batas bawah

Xx = Kadar ambien nyata hasil pengukuran

9.3 O3 (Ozon Troposfer)

Ozon troposfer (O3) merupakan polutan sekunder yang dihasilkan

berdasarkan reaksi kimia kompleks yang terjadi di atmosfer dari perbagai prekursornya. Senyawa yang menjadi prekursor O3 antara lain NOx, CO, CH4 dan

HMHC (Non Metan Hidrokarbon). Reaksi pembentukan O3 di atmosfer adalah

sebagai berikut (Budiyono, dkk.,) [4].

 NO akan membebentuk NO2 melalui reaksi termolecular (pembakaran gas

pada temperatur tinggi) yaitu sebagai berikut:

2 + ₂ →2 ₂ (2)

 NO2 yang telah terbentuk akan terurai kembali karena adanya fotodisosiasi

oleh radiasi matahari pada panjang gelombang < 420 nm.

2 +ℎ� → + (3)

 Proses fotolisis NO2 akan menghasilkan atom O dan diikuti reaksi molekul

oksigen yang mana reaksi ini merupakan mekanisme reaksi dasar pembentukan ozon di trofosfer bawah.

+ 2 → 3 (4)

 NO yang teremisi melalui udara akan berreaksi dengan ozon dan membentuk NO2 kembali (reaksi titrasi). Reaksi kimia yang terjadi adalah sebagai berikut:

+ 3 → 2 + 2 (5)

9.4Adaptive Neuro-Fuzzy Inference System (ANFIS) 9.4.1 Fuzzy Logic

Istilah fuzzy logic diperkenalkan dari usulan fuzzy set teori yang berhubungan dengan logika, penalaran, perkiraan daripada suatu nilai yang pasti. Teori himpunan

fuzzy diperkenalkan oleh Lotfi A. Zadeh pada tahun 1965. Himpunan fuzzy à pada semesta pembicaraan X dapat didefinisikan sebagai sebuah himpunan pasangan terurut,

à = {(x,μ_A x )| x ∈ X} (6)

dengan μ_A x adalah derajat keanggotaan x di à yang memetakan X ke ruang keanggotaan M yang terletak pada rentang [0, 1] [10].

9.4.2 Artificial Neural Network (Jaringan Syaraf Tiruan)

mensimulasikan proses pembelajaran pada otak manusia tersebut. Jaringan syaraf ini diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran. Salah satu arsitektur jaringan syaraf tiruan (JST) adalah jaringan dengan banyak lapisan (multilayer feedforward). Multilayer feedforwa rd terdiri dari: satu set unit sensor yang merupakan input layers, satu atau lebih lapisan yang terletak diantara lapisan input dan lapisan output (memiliki satu atau lebih lapisan tersembunyi) disebut

hidden layer, dan satu output layer, seperti terlihat pada Gambar 9.2.

Gambar 9.2 Arsitektur Jaringan Syaraf dengan Banyak Lapisan [11]

Proses belajar jaringan multilayer menggunakan metode pembelajaran terawasi (supervised learning), yaitu algoritma backpropagation yang didasari atas aturan koreksi kesalahan [1].

9.4.3 Adaptive Neuro Fuzzy Inference System (ANFIS)

Adaptive Neuro-Fuzzy Inference System (ANFIS) adalah penggabungan mekanisme fuzzy inference system yang digambarkan dalam arsitektur jaringan syaraf. Struktur dasar dari ANFIS dapat dijabarkan kedalam feedforward neural network dengan 5 lapisan [1].

Gambar 9.3 Arsitektur Jaringan ANFIS [11]

Lapisan 1: Tiap-tiap neuron i pada lapisan pertama adaptif terhadap parameter suatu fungsi aktivasi. Output dari tiap neuron berupa derajat keanggotaan yang diberikan oleh fungsi keanggotaan input, yaitu: α_A1(X₁),α_B1(X₂),α_A2(X₁), atau α_B2(X₂) .

Lapisan 2: Tiap-tiap neuron pada lapisan ke dua berupa neuron tetap yang outputnya adalah hasil dari masukan. Biasanya digunakan operator AND. Tiap-tiap node merepresentasikan α predikat dari aturan ke-i.

O_2,i = W_i= α_A1 X₁ ∙α_Bi X₂ , i = 1,2 (7)

Lapisan 3: Tiap-tiap neuron pada lapisan ke tiga berupa node tetap yang merupakan hasil perhitungan rasio dari α predikat (w), dari aturan ke-i terhadap jumlah dari keseluruhan α predikat.

O3,i = Wi= w_i

w1+ w2, dengan i = 1,2

(8)

Lapisan 4: Tiap-tiap neuron pada lapisan keempat merupakan node adaptif terhadap suatu output.

O4,i = Wiyi = Wi( ci1x1 + ci2x2 + ci0) , dengan i = 1,2 (9)

Dengan W_i adalah normalised firing strength pada lapisan ke tiga dan

(ci1, ci2, ci0) adalah parameter-parameter pada neuron tersebut.

Parameter-parameter pada lapisan tersebut disebut dengan nama consequentparameters.

Lapisan 5: Tiap-tiap neuron pada lapisan ke lima adalah node tetap yang merupakan jumlahan dari semua masukan.

O5,i = y = iWifi = w_if_i

i

wi i

(10)

X. Metode Penelitian

Agar dapat berjalan dengan baik dan terarah maka pengerjaan Tugas Akhir ini akan dikerjakan sesuai dengan metodologi yang digambarkan dalam flow chart

Gambar 10.1 Metodologi Pelaksanaan Tugas Akhir

Penjelasan tiap langkah dari metodologi diatas adalah sebagai berikut:

1. Rumusan Masalah

Melakukan observasi dan menemukan persoalan yang harus diselesaikan. Pada tugas akhir ini permasalahan yang ditemukan adalah pada penyajian informasi mengenai polutan di udara tidak ada informasi mengenai prediksi polutan esok harinya.

2. Studi Literatur

Untuk memberikan pemahaman yang lebih baik demi menunjang tugas akhir ini dilakukan studi literature mengenai pencemaran udara, Indeks Standar pencemar Udara (ISPU), sumber pencarian data, perancangan sistem prediksi menggunakan ANFIS dan software Matlab. Studi literatur dilakukan dengan membaca tugas akhir, jurnal, dan buku.

3. Penetapan Variabel Input dan Output

Variabel input yaitu PM10, SO2, O3, NO2, CO, kecepatan angin, kelembapan

4. Pengumpulan Data Kadar Polutan dan Variabel Meteorologi

Data kadar polutan dan variabel meteorologi diambil dari Badan Lingkungan Hidup kota Surabaya. Data yang diambil adalah data harian polutan dan parameter pendukung seperti pada poin 3 dari tahun 2012-2016.

5. Penentuan Kombinasi Variabel Masukan

Penentuan kombinasi variabel masukan yang dipakai berdasarkan nilai korelasi terhadap variabel keluaran. Akan dibuat 4 model dengan variasi jumlah variabel masukan. Data juga akan dibagi menjadi dua yaitu data training dan validasi. Data training berjumlah minimal 2/3 dari total data [1].

6. Perancangan Prediktor

Merancang sistem prediksi kadar polutan O3 dengan metode ANFIS

menggunakan softwa re MATLAB. Diagram blok sistem prediktor yang akan dibuat ditunjukkan oleh gambar 10.2 berikut ini:

Gambar 10.2 Diagram Blok Sistem Prediktor

Jumlah variabel masukan dibuat 4 model berdasarkan nilai korelasinya terhadap variable keluaran yaitu kadar O3. Dari data masukan kemudian

dilakukan training terhadap sistem prediktor berbasis ANFIS menggunakan software MATLAB. Kemudian dilakukan proses validasi atau checking untuk mengetahui akurasi dari prediktor.

7. Akurasi Lebih Tinggi dari Pengukuran BLH

Validasi dilakukan dan dilihat parameter mana yang mampu menghasilkan akurasi yang lebih baik dari pada akurasi pengukuran versi Badan Lingkungan Hidup (BLH) Kota Surabaya. Perbaikan dilakukan dengan merubah jumlah masukan atau faktor lain pada parameter yang menghasilkan akurasi kurang baik

8. Analisa Data dan Pembahasan

Menganalisa hasil keluaran dari sistem yang telah dibuat serta memberikan penjelasan terhadap proses dan hasil dari penelitian.

9. Kesimpulan dan Saran

Menarik kesimpulan dari penelitian yang telah dilakukan. Saran juga diberikan agar di penelitian selanjutnya dapat memperoleh hasil yang lebih baik

PREDIKTOR ANFIS

Input 1

Input 2

Input 3

XI. Jadwal Kegiatan

Adapun jadwal kegiatan dalam pengerjaan tugas akhir ini adalah sebagai berikut:

Tabel 11.1 Jadwal Pelaksanaan Kegiatan Tugas Akhir

No Kegiatan Februari Maret April Mei

1 Studi Literatur 2 Pengumpulan Data 3 Penentuan Variabel

Masukan

4 Perancangan Sistem 5 Running dan

Validasi

6 Perbaikan Sistem 7 Analisa Data dan

Kesimpulan 8 Penyusunan

Laporan XII. Daftar Pustaka

[1] Novie Fitriani Arifien, Syamsul Arifin, Bambang Lelono Widjiantoro, "Prediksi Kadar Polutan Menggunakan Jaringan Syaraf Tiruan (JST) untuk Pemantauan Kualitas Udara di Kota Surabaya," 2012.

[2] Nailil Hikmah, "Prediksi Konsentrasi Polutan Ozon Atmosfer Surabaya dengan Metode Logika Fuzzy untuk Mendukung Monitoring Kualitas Udara," Jurna l Teknik POMITS, vol. 1, pp. 1-6, 2012.

[3] Erniawati Halawa, "Prediksi Konsentrasi Karbon Monoksida Menggunakan Metode Artificial Neural Neetwork," Prosiding SKF 2015, pp. 140-144, 2015.

[4] Razeghi A., "Comparison of RNN and ANFIS in Concentrations of Carbon Monoxide and Fine Particles Foreca sting in Tehran," September 2014.

[5] L. Rafati, "Modelling the Formation of Ozone in the Air by Using Adaptive Neuro-Fuzzy Inference System (ANFIS) (Case Study: City of Yazd, Iran),"

Desert, October 2014.

[6] Kin Seng Lei and Feng Wan, "Applying Ensemble Learning Techniques to ANFIS for Air Pollution Index Prediction in Macau," Springer-Verlag Berlin Heidelberg, pp. 509-516, 2012.

[7] Helmut Mayer, "Air pollution in cities," Atmospheric Environment 33, pp. 4029-4037, 1999.

[9] Badan Pengendalian Dampak Lingkungan, "Pedoman Teknis Perhitungan dan Pelaporan Serta Informasi Indeks Standar Pencemar Udara," Badan

Pengendalian Dampak Lingkungan, NOMOR: KEP-

107/KABAPEDAL/11/1997, 1998.

[10] L. A. Zadeh, "Fuzzy Sets," Information and Control, 1965.