CLUSTERING SUHU PERMUKAAN LAUT SEBAGAI IDENTIFIKASI
KEBERADAAN SUMBER DAYA IKAN LAYANG DI PERAIRAN
SELAT MADURA MENGGUNAKAN METODE FUZZY C-MEANS
Fifi D. Rosalina
1.
Universitas Islam Negeri Sunan Ampel, Surabaya, Indonesia1, . E-mail: fifid.rosalina@gmail.com1.
Abstrak
Suhu permukaan laut dinilai sebagai parameter cuaca yang sangat penting sebagai salah satu faktor pengendali iklim dan curah hujan di Indonesia yang mana wilayahnya didominasi oleh wilayah perairan. Karena didominasi oleh wilayah perairan maka banyak penduduk Indonesia yang bermata pencaharian sebagai nelayan dimana kegiatan tersebut sangat bergantung pada kondisi cuaca yang terjadi. Banyaknya ikan yang berhasil diperoleh bergantung pada minimum dan maksimum besarnya suhu permukaan laut dalam hal ini akan dilakukan pengclusteran suhu permukaan laut yang juga memperhatikan beberapa faktor seperti suhu udara, kecepatan angin, dan curah hujan yang akan diclusterkan sebanyak 3 cluster dan selanjutnya akan dilakukan validasi dengan proses training dan testing. Untuk melihat hasil terbaik dari proses pengclusteran yang dilakukan maka akan dilakukan validasi menggunakan metode Silhouette Index yang digunakan untuk menghitung jarak antar data yang menunjukkan hasil nilai SI yang kurang dari 1 atau menjauhi 1 yang mengartikan bahwa hasil pengclusteran sudah tepat dan terdapat nilai SI yang mendekati 0 yang mengartikan bahwa terdapat data hasil pengclusteran yang berada pada perbatasan 2 cluster. Hasil dari pengclusteran ini dapat dijadikan sebagai langkah untuk membuat Fuzzy Inference System yang digunnakan untuk mendeteksi keberadaan ikan layang di Selat Madura.
Kata kunci: suhu permukaan laut, Fuzzy C-Means
1.
Pendahuluan
Banyaknya wilayah perairan yang mendominasi wilayah Indonesia membuat Indonesia terkenal sebagai negara dengan seribu pulau, hal ini menyebabkan perubahan iklim yang terjadi di Indonesia bergantung pada kondisi yang terjadi di laut dan di darat. Interaksi yang terjadi pada kondisi di laut dan di darat terbagi menjadi 3 faktor yaitu faktor global, regional, dan lokal. Pada faktor global meliputi El Nino–Southern Oscillation (ENSO) yang merupakan suatu kondisi anomali suhu permukaan laut yang terjadi di Samudera Pasifik bagian Tengah hingga Timur dimana suhu permukaan laut yang terjadi lebih tinggi dari kondisi rata-ratanya dan Indian Ocean Dipole Mode (IODM) yang merupakan suatu kondisi yang mirip dengan ENSO namun terjadi di Samudera Hindia
dimana peristiwa Indian Ocean Dipole Mode (IODM) ditandai dengan terjadinya anomali suhu permukaan laut yang terjadi di Samudera Hindia tropis bagian barat dan timur. Sedangkan faktor regional meliputi Monsun yang merupakan suatu fenomena perbedaan sel tekanan rendah dan sel tekanan tinggi yang terjadi di Benua Asia dan Benua Australia secara bergantian dengan perbedaan kecepatan pemanasan yang terjadi di darat dan di laut. Dan yang terakhir adalah faktor lokal yang dipengaruhi oleh kondisi geografis masing-masing wilayah. Seperti yang telah disebutkan diatas, suhu permukaan laut merupakan salah satu faktor yang berperan penting sebagai faktor pengendali iklim dan curah hujan di Indonesia.
berkorelasi dengan wilayah Indonesia yang didominasi oleh wilayah perairan, maka akan dilakukan penelitian untuk mengcluster suhu permukaan laut yang diselesaikan menggunakan metode Fuzzy C-Means. Fenomena suhu permukaan laut dan penerapan metode Fuzzy C-Means merupakan salah satu permasalahan dan metode penyelesaian yang telah banyak diaplikasikan dengan berbagai topik permasalahan. Salah satu penelitian yang mengkaji suhu permukaan laut adalah prediksi suhu permukaan laut menggunakan ANFIS yang mana pada penelitian tersebut menghasilkan nilai akurasi 79,98% pada kedalaman 1 dan 3 meter, 79,97% pada kedalaman 5 meter [1], sedangkan pada penelitian lain menggunakan Metode Fuzzy Linear Regression dengan rata-rata kesalahan prediksi sebesar 1,51% yang dilakukan sebanyak 30 kali percobaan [2], dan contoh yang terakhir adalah prediksi cuaca maritim yang menggunakan metode Fuzzy Sugeno-Takagi yang digunakan untuk mendeteksi keberadaan ikan yang mana pada penelitian tersebut hanya menggunakan nilai input suhu permukaan laut tanpa menggunakan beberapa faktor yang mempengaruhi dengan nilai RMSE validasi terbaik sebesar 0,217 dengan akurasi 74,37% [3].
Dalam hal ini, penelitian yang dilakukan adalah pengclusteran suhu permukaan laut yang dilakukan menggunakan metode Fuzzy C-Means yang memiliki keakuratan yang baik dalam pengclusteran data. Hal ini didasarkan oleh penelitian yang dilakukan oleh Jimmy dan Sherwin [4]dalam penelitiannya pada segmentasi citra spot menggunakan Fuzzy C-Means yang mengatakan bahwa metode tersebut memiliki tingkta kestabilan yang lebih baik daripada metode konvensional seperti K-Means. Selain hanya memperhatikan perubahan suhu permukaan laut yang terjadi dalam penelitian ini juga memperhatikan faktor-faktor yang mempengaruhi perubahan suhu permukaan laut seperti kecepatan angin, curah hujan, dan suhu udara. Sebagai negara seribu pulau kondisi tersebut berbanding lurus dengan banyaknya penduduk Indonesia yang bermatapencaharian sebagai nelayan, dimana kegiatan nelayan tersebut juga bergantung pada kondisi cuaca yang terjadi di laut, terutama suhu permukaan laut. Sehingga penelitian yang dilakukan diaplikasikan untuk mendeteksi keberadaan ikan layang di Selat
Madura dengan melihat pola sebaran perubahan suhu permukaan laut dimana ikan layang berada pada kondisi optimum dengan suhu 27,30 -28,13 .
2.
Tinjauan Pustaka
2.1
Data Mining
Data mining merupakan suatu kajian ilmu yang mempelajari persiapan data, pengolahan fitur, klasifikasi, clustering, evaluasi, asosiasi, dll. Data mining dapat didefinisikan sebagai suatu proses yang melakukan pembelajaran komputer dalam menganalisis dan mengekstraksi pengetahuan dari sekian banyak data yang dilakukan secara otomatis. Atau dengan kata lain, data mining dapat dikatakan sebagai suatu proses untuk menemukan pola atau model yang shahih dalam suatu database yang sangat besar.
Himpunan data pada data mining mencakup data nominal dan data numerik, sedangkan metode pada data mining mencakup metode dalam estimasi, metode dalam prediksi, klasifikasi, clustering, dan asosiasi yang dapat diselesaikan dengan metode-metode seperti Jaringan Syaraf Tiruan (JST), metode C4.5, metode k-means, metode Fuzzy C-Means, dll. Proses pembelajaran data mining mencakup 3 langkah diantaranya persiapan data yang berfungsi untuk penanganan data yang memiliki noise, reduksi data, pemilihan subset fitur, normalisasi data, dan pembersihan data yang hasilnya dapat mempengaruhi hasil output yang diperoleh dimana suatu penelitian sangat bergantung pada data yang valid. Langkah kedua yaitu membangun model dan melakukan validasi untuk mendapatkan suatu model terbaik yang dapat diterapkan pada pembelajaran data terhadap sistem yang dituju. Selanjutnya langkah ketiga adalah penerapan, yaitu memetakan data yang baru untuk disimulasikan pada model terbaik yang telah diperoleh untuk menghasilkan suatu prediksi.
2.2
Teori Fuzzy
Namun yang menjadi permasalahan adalah bagaimana tingkat kekaburan suatu himpunan fuzzy dan bagaimana korelasi yang terjadi pada dua himpunan fuzzy tersebut, hal ini menimblkan munculnya suatu konsep yang membahas tentang ukuran fuzzy yang meninjau tingkat kekaburan dari suatu himpunan fuzzy dan konsep ukuran kesamaan.
2.3
Fuzzy C-Means
Metode fuzzy clustering merupakan suatu metode yang digunakan untuk mengelompokkan data secara optimal dalam suatu ruang vektor yang berdasarkan pada
bentuk normal Euclidian pada jarak antar vektor. Salah satu metode dalam fuzzy clustering adalah metode Fuzzy C-Means yang diterapkan dalam penelitian ini yang dapat direpresentasikan pada gambar 1.
Metode Fuzzy C-Means merupakan suatu teknik peng-cluster-an yang mana keberadaan tiap-tiap titik data dalam suatu cluster ditentukan oleh derajat keanggotaan [6]. Langkah pertama yang dilakukan pada metode ini menentukan pusat cluster yang merupakan lokasi rata-rata dari setiap cluster.
Gambar 1. Algoritma Fuzzy C-Means
Penentuan pusat cluster dilakukan dengan memperbaiki pusat cluster dan derajat keanggotaan secara berulang yang dilakukan pada tiap titik data sehingga pusat cluster yang dihasilkan dari proses perulangan akan bergerak menuju lokasi yang tepat. Perulangan ini dilakukan dengan melihat minimisasi fungsi objektif. Hasil output dari metode Fuzzy C-Means bukan merupakan Fuzzy Inference System, namun berupa deretan pusat cluster dan beberapa derajat keanggotaan untuk tiap-tiap titik data yang mana informasi ini digunakan untuk membangun suatu Fuzzy Inference System [7]. Algoritma Fuzzy C-Means dituliskan sebagai berikut:
1. Input data yang akan dicluster X, berupa matriks berukuran dimana = jumlah sampe data, = atribut setiap data. = data sampel ke-i
, atribut ke-j
. 2. Kemudian tentukan
a. Jumlah cluster = c b. Pangkat = w
c. Maksimum iterasi = MaxIter d. Error terkecil yang diharapkan = e. Fungsi objektif awal = f. Iterasi awal =
3. Bangkitkan bilangan random
sebagai elemen-elemen matriks partisi awal U.
Hitung jumlah setiap kolom:
Hitung
4. Hitung pusat cluster ke-k: dengan
dan
6. Hitung perubahan matriks partisi
Silhouette Index (SI) merupakan suatu metode evaluasi yang digunakan untuk memvalidasi data yang telah dicluster dimana metode tersebut digunakan untuk menghitung jarak antar data yang digunakan baik data tersebut dicluster sebanyak 1, ataupun lebih. Nilai rentang SI berkisar antara -1 hingga +1. Apabila nilai SI mendekati 1 maka data tersebut menunjukkan bahwa data hasil pengclusteran tersebut tidak tepat, sedangkan apabila nilai SI bernilai 0 atau mendekati 0 maka data hasil pengclusteran tersebut berada pada perbatasan dua cluster.
3.
Metode Penelitian
3.1
Data
Dalam penelitian ini data yang digunakan didapatkan dari data Automatic Weather Station (AWS) yang terletak di perairan Selat Madura yang posisinya tepat berapa diatas permukaan laut, sedangkan akumulasi data AWS didapatkan dari BMKG Maritim Perak Surabaya.
Tabel 1. Contoh Data
Dalam penelitian ini, data yang digunakan terhitung selama tiga bulan mulai bulan Februari hingga Maret 2016 yang tekanan udara, kelembaban, radiasi sinar matahari dan ketinggian air laut. Namun dalam penelitian ini digunakan 3 faktor yang mempengaruhi perubahan suhu permukaan laut yang ditujukan untuk mendeteksi keberadaan ikan layang di Selat Madura, 3 faktor tersebut diantaranya suhhu udara, keccepatan angin, dan curah hujan. Tiga faktor tersebut dipilih karena dinilai menjadi faktor yang paling mempengaruhi dalam perubahan suhu permukaan laut yang terjadi di laut. Kemudian data-data tersebut diclusterkan kedalam tiga cluster dimana hasil dari cluster tersebut akan menghasilkan pusat-pusat cluster yang dapat digunnakan dalam penyusunan Fuzzy Inference System yang ditujukan untuk mendeteksi keberadaan ikan layang.
3.2 Deskripsi Sistem
parameter yang diteliti. Algoritma metode penelitian diatas dapat dilihat pada Gambar 2.
Gambar 2. Algoritma penyelesaian
3.2
Proses Pengclusteran
Pengclusteran yang dilakukan dicluster sebanyak 3 dengan membuat setiap parameter berpasangan karena hasil plot yang dapat digunakan adalah 2D, namun parameter yang digunakan ada lebih dari satu sehingga dalam hasil output akan terbentuk 6 plot yang menunjukkan hasil 3 cluster pada masing-masing parameter yang di kombinasikan. Dalam proses pengclusteran seperti yang ditunjkkan pada proses yang dilakukan Fuzzy C-Means untuk melakukan pengclusteran, dalam hal ini data yang diclusterkan adalah semua data yang digunakan yakni berjumlah 270. Hal ini dilakukan untuk mengetahui pengclusteran pada semua data. Setelah pengclusteran selesai maka kita akan tau data keberapa saja yang masuk ke cluster satu, dua dan tiga yang kemudian kita tuliskan pada tambahan kolom data untuk dilakukan proses validasi.
3.3
Validasi
Apabila kita ingin mengetahui ketepatan dari hasil penerapan metode yang digunakan maka kita dapat melakukannya dengan proses validasi, yang mana pada proses tersebut akan dilakukan perhitungan yang digunakan untuk mengetahui jarak antar data yang digunakan menggunakan persamaan Euclid. Namun dalam pengclusteran ini data yang akan digunakan diclusterkan semua untuk mendapatkan hasil pengclusteran terhadap 270 data yang digunakan hal ini dillakukan untuk mengetahui data keberapa saja yang termasuk cluster 1, cluster 2, dan cluster 3. Setelah semua data tercluster maka validasi yang dilakukan digunakan untuk menguji apakah hasil pengclusteran yang diperoleh merupakan hasil pengclusteran terbaik yang dapat diketahui dengan validasi menngunakan metode Silhouette Index yang diselesaikan menggunakan Matlab.
4
Hasil dan Pembahasan
Pada pengclusteran suhu permukaan laut yang juga bergantung pada parameter lain seperti suhu udara, kecepatan angin, dan curah hujan yang dilakukan dengan metode Fuzzy C-Means membentuk 6 pasang hasil plot yang dilakukan menggunakan software matlab hingga didapatkan hasil pada gambar 3. Hasil 6 plot ini ditujukan untuk menunjukkan sebaran data yang terjadi antar parameter seperti clustering data antara suhu udara dan kecepatan angin, kecepatan angin dan curah hujan, suhu perrmukaan laut dan curah hujan,
dan sebagainya. .
Dari hasil 6 plot tersebut maka kita dapat melihat cluster data suhu perrmukaan laut yang juga ditinjau dari parameter suhu udara, kecepatan angin, dan curah hujan dalam kurun waktu 3 bulan. Yang mana hasil cluster berupa deretan pusat cluster dan beberapa derajat keanggotaan untuk tiap titik-titik data dapat dijadikan sebagai Fuzzy Inference System yang ditujukan untuk mendeteksi keberadaan ikan layang di Selat Madura.
Berdasarkan hasil pengclusteran Fuzzy C-Means pada gambar 3, menunjukkan bahwa hasil pengclusteran terbaik terlihat pada plot dengan faktor curah hujan dan suhu udara normal yang ada di laut yang terekam oleh AWS dimana pada plot tersebut menunjukkan
sebaran data yang memiliki kerapatan yang baik yang mengartikan bahwa jarak antar data pada faktor tersebut relatif kecil.
Untuk melihat apakah hasil pengclusteran yang dilakukan merupakan hasil pengclusteran terbaik maka akan dilakukan validasi sebagai suatu evaluasi yang dilakukan menggunakan metode Silhouette Index.
5
Validasi
Setelah data dicluster sebanyak tiga maka untuk melihat ketepatan hasil pengclusteran dapat dilihat dari nilai SI yang dilakukan menggunakan Matlab. Yang dapat
ditunjukkan pada Gambar 4.
Gambar 4. Silhouette Index
Berdasarkan gambar 4 menunjukkan bahwa nilai SI yang dihasilkan ada yang mendekati 0 dan kurang dari 1 yang dapat dikatakan masih menjauhi 1. Apabila nilai SI mendekati 0 maka nilai tersebut mengartikan bahwa terdapat data dari hasil pengclusteran yang berada pada perbatasan dua cluster. Sedangkan nilai SI yang menjauhi 1 mengartikan bahwa data dari hasil pengclusteran tepat berada pada suatu cluster baik itu cluster 1, cluster 2 ataupun cluster 3. Karena ketepatan hasil pengclusteran menunjukkan nilai SI yang dominan menjauhi 1 maka hasil pengclusteran menggunakan metode Fuzzy C-Means sudah tepat karena data yang berada pada perbatasan 2 cluster yang ditunjukkan pada Gambar 4.
6
Kesimpulan
Berdasarkan hasil penelitian terhadap pengclusteran suhu permukaan laut yang juga ditinjau dari faktor-faktor yang mempengaruhi seperti kecepatan angin, suhu udara, dan curah
hujan dengan jumlah data sebanyak 270 diclusterkan sebanyak tiga dengan menghasilkan nilai SI yang menjauhi 1 dan mendekati 0. Hasil nilai SI tersebut menunjukkan bahwa hasil pengclusteran menghasilkan hasil yang baik yang ditunjukkan oleh figure yang didominassi oleh nilai SI yang menjauhi 1 yang artinya data hasil pengclusteran tepat berada pada suatu cluster tertentu dan data yang berada pada perbatasan 2 cluster hanya sedikit dibandingkan data yang sudah berada pada suatu cluster.
Selat Madura yang ditunjau dari beberapa faktor yang digunakan
.
Referensi
[1] d. I Kadek Budi Utama Putra, "Perancangan Sistem Prediksi Suhu Permukaan Laut dengan Adaptive Neuro Fuzzy Inference System (ANFIS) pada Maritime Weather Station (AWS) di Perairan Dangkal Jawa Timur," ITS, p. 1.
[2] P. Waradiptya, "Prediksi Temperatur Laut dengan Menggunakan Metode Fuzzy Linear Regression," Telkom University, p. 1, 2006.
[3] B. W. Putra, "Prediksi Cuaca Maritim untuk Mendeteksi Keberadaan Sumber Daya Laut Ikan di Perairan Jawa Timur," ITS.
[4] J. J. d. S. Sasmita, "Segmentasi Citra Spot dengan Menggunakan Pendekatan Fuzzy
C-Means," Universitas Bina Nusantara,
2017.
[5] S. K. d. H. Purnomo, Aplikasi Logika Fuzzy untuk Pendukung Keputusan, Yogyakarta: Graha Ilmu, 2013.
[6] N. d. N. AZ, "Otomasi Klasifikasi Awan Citra Satelit MTSAT dengan Pendekatan Fuzzy Logic," TELEMATIKA MKOM, vol. 4, p. 3, 2012.
