KLASTERISASI DATA BAHAYA KERUSAKAN BANGUNAN AKIBAT GEMPA BUMI MENGGUNAKAN ALGORITMA FUZZY KOHONEN CLUSTERING NETWORK SKRIPSI. Oleh

(1)

KLASTERISASI DATA BAHAYA KERUSAKAN BANGUNAN AKIBAT GEMPA BUMI MENGGUNAKAN ALGORITMA FUZZY KOHONEN

CLUSTERING NETWORK SKRIPSI Oleh Muhammad Faisal 1401125912 Verra Irawati 1401141481 Muhammad Ihsan 1401141632

Kelas / Kelompok : 07MAT / 01

School of Computer Science Universitas Bina Nusantara

Jakarta 2014

(2)

CLUSTERING NETWORK

SKRIPSI

diajukan sebagai salah satu syarat untuk gelar kesarjanaan pada

Program Teknik Informatika School of Computer Science Jenjang Pendidikan Strata-1

Oleh

Muhammad Faisal 1401125912

Verra Irawati 1401141481

Muhammad Ihsan 1401141632

School of Computer Science Universitas Bina Nusantara

Jakarta 2014

(3)

School of Computer Science Program Teknik Informatika Semester Ganjil tahun 2013/ 2014

CLUSTERING NETWORK

Muhammad Faisal 1401125912

Verra Irawati 1401141481

Muhammad Ihsan 1401141632

ABSTRAK

Penelitian ini bertujuan untuk mengembangkan program yang mampu melakukan klasterisasi data bahaya kerusakan bangunan akibat gempa bumi dengan mengimplementasikan algoritma Fuzzy Kohonen Clustering Network (FKCN). Data yang digunakan meliputi data kelas litologi, data zona topografi dan nilai Peak Ground Acceleration (PGA) sebagai parameter fisik. Metode penelitian terdiri dari pengumpulan data dengan melakukan wawancara kepada ahli geologi untuk mendapatkan data kelas litologi dan zona topografi serta menggunakan data PGA Youngs, perancangan program dengan melakukan normalisasi data input kemudian implementasi klasterisasi menggunakan algoritma FKCN serta membuat tampilan antarmuka, evaluasi menggunakan data IRIS Fisher dan kuesioner kepada expert user. Hasil penelitian merupakan suatu program yang dapat melakukan klasterisasi data kegempaan yang dapat membantu dalam penyusunan klasifikasi daerah rawan gempa di suatu daerah sehingga dapat meminimalisir korban jiwa dan kerusakan infrastruktur yang ditimbulkan oleh gempa bumi. Algoritma FKCN terbukti dapat dimplementasikan dengan baik untuk melakukan klasterisasi data kegempaan yaitu data kelas litologi, zona topografi, dan nilai PGA dan memiliki persentase keberhasilan 89.4%.

Kata Kunci: Fuzzy Kohonen Clustering Network, Klasterisasi, Gempa, Kerusakan Bangungan, Jaringan Saraf Tiruan, Logika Fuzzy

ABSTRACT

The objective of this research is to develop a program that capable of doing data clustering of building damage hazard caused by earthquake by implementing the Fuzzy Kohonen Clustering Network (FKCN) Algorithm. This research used a method consist of collecting data by interviewing the geologists to obtain lithology class data, topographic zones data and Peak Ground Acceleration data (PGA) by

(4)

Youngs, designing programs to perform normalization and clustering by implementing FKCN algorithm and make the user interface, evaluation using the IRIS Fisher data and questionnaires for expert user. The result of this research is a program that can perform seismic data clustering that would assist in the preparation of the earthquake-prone areas classification in some regions to minimize loss of life and infrastructure damage caused by the earthquake. FKCN algorithm has proven can be implemented well to perform seismic data clustering such as lithology class, topography zone, and PGA value with 89.4% success rate.

Key Words: Fuzzy Kohonen Clustering Network, Clustering, Earthquake, Building

(5)

KATA PENGANTAR

Pertama kali kami mengucapkan puji dan syukur kepada Tuhan Yang Maha Esa karena atas berkat, rahmat dan karunia-Nya penulis dapat menyelesaikan skripsi dengan judul “KLASTERISASI DATA BAHAYA KERUSAKAN BANGUNAN AKIBAT GEMPA BUMI MENGGUNAKAN ALGORITMA FUZZY KOHONEN CLUSTERING NETWORK” tepat pada waktunya.

Skripsi ini dibuat sebagai salah satu syarat untuk gelar kesarjanaan pada Program Teknik Informatika, School of Computer Science, jenjang pendidikan strata satu di Universitas Bina Nusantara.

Pada kesempatan ini kami ingin mengucapkan terima kasih kepada semua pihak yang telah membantu dan membimbing kami selama melaksanakan penelitian, terutama kepada :

1. Orang tua, saudara, dan keluarga yang selau memberikan doa dan dukungan baik secara langsung maupun tidak langsung.

2. Prof. Dr. Ir. Harjanto Prabowo, M.M. selaku Rektor Universitas Bina Nusantara,

3. Fredy Purnomo, S.Kom., M.Kom. selaku Dekan School of Computer

Science, Universitas Bina Nusantara,

4. Yen Lina Prasetio, S.Kom., McompSc. selaku ketua Jurusan Teknik Informatika Universitas Bina Nusantara,

5. Sudarno Wiharjo, Dr. Ing. selaku dosen pembimbing kelas skripsi 07MAT yang telah memberikan dukungan dan bimbingan kepada kami dalam menyusun skripsi ini,

6. Edy Irwansyah, ST., M.Si. selaku narasumber yang senantiasa membantu, memberikan masukan yang bermanfaat dan telah berkontribusi besar dalam penyelesaian skripsi ini.

7. Annisaa Primadini sebagai sahabat yang telah meluangkan waktu, tenaga dan pikiran untuk membantu kami dalam mempelajari MATLAB.

8. Kindy Aulia dan Adini Rahmatia Ningrum untuk seluruh doa, pengertian, kesabaran, dan dukungan secara langsung maupun tidak langsung.

9. Teman-teman kami yang selalu memberikan dukungan agar skripsi ini dapat selesai tepat waktu.

(6)

10.Pihak-pihak lain yang telah membantu dan mendukung kami yang tidak dapat disebutkan satu per satu.

Kami menyadari sepenuhnya bahwa penelitian dan penulisan skripsi ini masih jauh dari sempurna dan masih banyak kekurangan yang disebabkan karena keterbatasan pengetahuan kami. Oleh karena itu, kritik dan saran yang bersifat membangun sangat diharapkan demi kesempuranaan skripsi ini.

Akhir kata, kami berharap semoga skripsi ini dapat bermanfaat bagi berbagai pihak yang terkait dan semua pihak yang memerlukan, serta dapat memberikan kontribusi yang berarti bagi dunia pendidikan.

Jakarta, 28 Januari 2013

(7)

DAFTAR ISI

Halaman Judul Luar ... i

Halaman Judul Dalam ... ii

Halaman Persetujuan Dosen Pembimbing ... iii

Halaman Pernyataan Dosen Penguji ... iv

Halaman Pernyataan Persetujuan Publikasi Skripsi ... vii

Abstrak ... viii

Kata Pengantar ... x

Daftar Isi ... xii

Daftar Tabel ... xvi

Daftar Gambar ... xvii

Daftar Lampiran ... xix

BAB 1 PENDAHULUAN... 1

1.1 Latar Belakang ... 1

1.2 Rumusan Masalah ... 3

1.3 Ruang Lingkup ... 3

1.4 Tujuan dan Manfaat ... 3

1.5 Metodologi ... 4

1.6 Sistematika Penulisan ... 5

BAB 2 TINJAUAN PUSTAKA ... 7

2.1 Landasan Teori ... 7

2.1.1 Artificial Intelligence (AI) ... 7

2.1.1.1 Pendekatan yang berpusat pada manusia ... 7

(8)

2.1.1.3 Cabang AI ... 9

2.1.2 Data Mining ... 9

2.1.2.1 Pengertian Data Mining ... 9

2.1.2.2 Tahap Penemuan Knowledge pada Data Mining ... 10

2.1.2.3 Arsitektur Data Mining ... 11

2.1.2.4 Metode Data Mining ... 12

2.1.3 Logika Fuzzy ... 13

2.1.3.1 Aplikasi pada Logika Fuzzy ... 14

2.1.3.2 Himpunan Fuzzy ... 14

2.1.3.3 Fungsi Keanggotaan ... 15

2.1.3.4 Fuzzy Clustering ... 16

2.1.3.4.1 Fuzzy C-Means ... 16

2.1.4 Artificial Neural Network ... 19

2.1.4.1 Model Neuron ... 19

2.1.4.1.1 Single Input Neuron ... 19

2.1.4.1.2 Multiple Input Neuron ... 20

2.1.4.1.3 Fungsi Aktivasi ... 22

2.1.4.2 Arsitektur Neural Network ... 24

2.1.4.3 Learning Neural Network ... 27

2.1.4.3.1 Supervised ... 27

2.1.4.3.2 Unsupervised ... 28

2.1.5 Self Organizing Map ... 28

2.1.5.1 Arsitektur SOM ... 28

2.1.5.2 Cara Kerja SOM ... 30

2.1.5.3 Algoritma SOM ... 31

2.1.6 Fuzzy Kohonen Clustering Network (FKCN) ... 32

(9)

2.2 Related Works ... 35

2.2.1 Paper “Fuzzy Kohonen Clustering Network” ... 35

2.2.2 Paper “An Efficient Fuzzy Kohonen Clustering Network Algorithm” ... 35

2.2.3 Paper ”Zonasi Daerah Bahaya Kerusakan Bangunan Akibat Gempa Menggunakan Algoritma SOM dan Kriging” ... 36

2.2.4 Paper “IFKCN: Applying Fuzzy Kohonen Clustering Network to Interval Data” ... 37

2.2.5 Paper “Asociation Learning in SOMs for Fuzzy-Classification” ... 37 BAB 3 METODOLOGI ... 39 3.1 Kerangka Berpikir ... 39 3.2 Metodologi ... 41 3.2.1 Parameter Fisik ... 42 3.2.2 Normalisasi Data ... 45 3.2.3 Klasterisasi ... 45 3.3 Perancangan Aplikasi ... 49

3.3.1 Unified Modeling Language (UML)... 49

3.3.1.1 Use Case Diagram... 49

3.3.1.2 Activity Diagram Klasterisasi Data Kegempaan ... 41

3.3.2 Rancangan Layar Antarmuka ... 52

BAB 4 HASIL DAN PEMBAHASAN ... 57

4.1 Hasil ... 57

4.2 Pembahasan ... 62

4.2.1 Penggunaan Program ... 75

4.2.2 Evaluasi ... 77

(10)

4.2.2.2 Expert User ... 78

BAB 5 SIMPULAN DAN SARAN ... 81

5.1 Simpulan ... 81 5.2 Saran ... 81 DAFTAR PUSTAKA ... 83 LAMPIRAN ... 87 RIWAYAT HIDUP ... 201 SURAT SURVEI ... 207

(11)

DAFTAR TABEL

Tabel 3.1 Kelas Litologi dan Nilai Konversi ... 44

Tabel 3.2 Zona Topografi dan Nilai Konversi ... 44

Tabel 3.3 Penjelasan Use Case Diagram Klasterisasi Data Kegempaan .... 50

Tabel 4.1 Tabel Hasil Olah Data FKCN dengan Cluster Number = 3 ... 58

Tabel 4.2 Tabel Hasil Olah Data IFKCN dengan Cluster Number = 3 ... 58

Tabel 4.7 Klasterisasi Data Gempa dengan c=3 ... 64

Tabel 4.12 Correct Data dengan Data IRIS ... 77

(12)

DAFTAR GAMBAR

Gambar 2.1 Tahap Penemuan Knowledge pada Data Mining ... 10

Gambar 2.2 Arsitektur Data Mining ... 11

Gambar 2.3 Single Input Neuron ... 20

Gambar 2.4 Multiple Input Neuron ... 20

Gambar 2.5 Neuron dengan R Input ... 21

Gambar 2.6 Fungsi Transfer Hard Limit ... 22

Gambar 2.7 Fungsi Transfer Linear ... 23

Gambar 2.8 Fungsi Sigmoid Biner ... 23

Gambar 2.9 Fungsi Sigmoid Bipolar ... 24

Gambar 2.10 Arsitektur Single Layer Perceptron ... 26

Gambar 2.11 Arsitektur Multi Layer Perceptron ... 26

Gambar 2.12 Arsitektur SOM ... 28

Gambar 2.13 Linear Array Unit ... 29

Gambar 2.14 Rectangular Grid... 29

Gambar 2.15 Hexagonal Grid ... 30

Gambar 2.16 Cara Kerja SOM ... 30

Gambar 3.1 Bagan Kegiatan Penelitian ... 40

Gambar 3.2 Flow chart Cara Kerja Program ... 41

Gambar 3.3 Arsitektur FKCN ... 46

Gambar 3.4 Flow chart Algoritma FKCN ... 46

Gambar 3.5 Use Case Diagram ... 49

Gambar 3.6 Activity Diagram ... 51

Gambar 3.7 Layar Awal ... 52

Gambar 3.8 Layar Data Tidak Valid ... 53

Gambar 3.9 Layar Data Valid ... 54

Gambar 3.10 Layar Akhir ... 55

Gambar 4.1 Tampilan User Interface dengan c=3 iteration number=10 .... 62

Gambar 4.2 Plot Klasterisasi Data Gempa dengan FKCN dan c=3 ... 63

Gambar 4.3 Plot Klasterisasi Data Gempa dengan IFKCN dan c=3 ... 64

Gambar 4.4 Grafik Jumlah Error dengan c-3 ... 65

Gambar 4.13 Tampilan User Interface dengan c=6 iteration number=10 .. 70

Gambar 4.17 Tampilan User Interface dengan c=7 iteration number=10 .. 73

Gambar 4.21 Spec MATLAB (R2013a) Windows ... 76

(13)

(14)

DAFTAR LAMPIRAN

Lampiran 1. Kuesioner Expert User ... 87 Lampiran 2. Data Nilai PGA Young ... 93 Lampiran 3. Data Gempa Litologi, Topografi, dan PGA ... 103 Lampiran 4. Data Gempa Litologi dan Topografi setelah Normalisasi ... 109 Lampiran 5. Hasil Klasterisasi Data Bahaya Kerusakan Bangunan

Akibat Gempa Bumi dengan FKCN untuk Cluster Number

3 pada Iterasi 5 hingga 25 ... 115 Lampiran 6. Hasil Klasterisasi Data Bahaya Kerusakan Bangunan

Akibat Gempa Bumi dengan IFKCN untuk Cluster

Number 3 pada Iterasi 5 hingga 25 ... 127 Lampiran 8. Hasil Klasterisasi Data Bahaya Kerusakan Bangunan

(15)

Lampiran 14. Hasil Klasterisasi Data Bahaya Kerusakan Bangunan Akibat Gempa Bumi dengan FKCN untuk Cluster Number

5 pada Iterasi 30 hingga 50 ... 169

Lampiran 15. Hasil Klasterisasi Data Bahaya Kerusakan Bangunan Akibat Gempa Bumi dengan IFKCN untuk Cluster Number 5 pada Iterasi 5 hingga 25 ... 175

Lampiran 16. Hasil Klasterisasi Data Bahaya Kerusakan Bangunan Akibat Gempa Bumi dengan IFKCN untuk Cluster Number 5 pada Iterasi 30 hingga 50 ... 181

Lampiran 17. Data IRIS Fisher, 1936 ... 187

Lampiran 18. Uji FKCN dengan Data IRIS ... 191