KLASIFIKASI MUTU AIR DANAU TOBA MENGGUNAKAN DEEP NEURAL NETWORK
SKRIPSI
MUHAMMAD ISA DADI HASIBUAN 141402039
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN 2018
KLASIFIKASI MUTU AIR DANAU TOBA MENGGUNAKAN DEEP NEURAL NETWORK
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi
MUHAMMAD ISA DADI HASIBUAN 141402039
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN 2018
ii
iii
iv
UCAPAN TERIMA KASIH
Puji syukur kehadirat Allah SWT, karena rahmat dan izin-Nya penulis dapat menyelesaikan penyusunan skripsi ini sebagai syarat untuk memperoleh gelar Sarjana Komputer pada Program Studi S1 Teknologi Informasi Fakultar Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara. Selama dalam penyelesaian tugas akhir, banyak dukungan dan bantuan serta doa dari berbagai pihak sehingga penulis ingin menyapaikan ucapan terimakasih kepada:
1. Kedua orang tua penulis, Ayahanda Syamsul Oloan serta Ibunda Sudarmi (Alm) dan Septina Riyanti yang telah memberikan doa, dukungan, dan motivasi kepada penulis sehingga penulis dapat memebrikan yang terbaik untuk menyelesaikan skripsi.
2. Bapak Romi Fadillah Rahmat, B.Com.Sc., M.Sc., selaku ketua Program Studi S1 Teknologi Informasi Universitas Sumatera Utara dan Dosen Pembimbing I yang telah bersedia meluangkan waktu untuk memberikan bimbingan, arahan, dan dorongan kepada penulis sehingga skripsi ini dapat diselesaikan.
3. Bapak Onrizal, S.Hut, M.Si., Ph.D., selaku Dosen Pembimbing II yang telah bersedia meluangkan waktu untuk memberikan bimbingan, arahan, dan dorongan kepada penulis sehingga skripsi ini dapat diselesaikan.
4. Ibu Sarah Purnamawati, ST., M.Sc., selaku Dosen Pembanding I yang telah memberikan kritik dan saran untuk memperbaiki dan menyempurnakan skripsi ini.
5. Bapak Ainul Hizriadi, S.Kom., M.Sc., selaku Dosen Pembanding II yang telah memberikan kritik dan saran untuk memperbaiki dan menyempurnakan skripsi ini.
6. Seluruh Dosen Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara yang telah memberikan ilmu pengetahuan dan Pendidikan kepada penulis sehingga dapat menunjang dalam penyelesaian skripsi ini. Serta staff pegawai yang membantu kelancaran penulis dalam menyelesaikan studi.
7. Sahabat penulis khususnya Ridho Fariha, S. Kom. dan Nabila Deanna, S. Kom yang selalu memberikan bantuan dan dukungan dalam menyelesaikan skripsi ini.
v
8. Teman-teman seperjuangan yang mengerjakan skripsi di Laboratorium Penelitian Teknologi Informasi khususnya Leonardo Michael, S.Kom., Ayu Astuti Kartika, Cindy Pakpahan, Muhammad Ibrahim Lubis, Afzalur Rahmah, Muhammad Fadly Tanjung, S.Kom., dan Siti Ayu Novarina Suyanto, S. Kom., yang telah memberikan dukungan, bantuan, dan berbagi ide dalam proses mengerjakan skripsi ini.
9. Teman-teman seperjuangan mahasiswa Teknologi Informasi USU yang telah memberikan dukungan dan bantuan selama masa perkuliahan.
10. Semua pihak yang terlibat langsung ataupun tidak langsung yang tidak dapat penulis ucapkan satu persatu yang telah membantu dalam penyelesaian skripsi ini.
vi
ABSTRAK
Danau Toba merupakan sumber air yang masih banyak dimanfaatkan untuk bermacam- macam keperluan. Namun, tidak semua air dapat dimanfaatkan untuk hal yang sama.
Terdapat baku mutu air yang diatur dalam Peraturan Pemerintah Nomor 82 tahun 2001 untuk menentukan kelas air, dimana setiap kelas menentukan pemanfaatan yang layak dari air. Untuk mengklasifikasi mutu air biasanya dilakukan pengujian sampel air dari beberapa lokasi kemudian menelitinya di laboratorium. Cara tersebut tidaklah efisien dari sisi waktu dan biaya, sehingga dibutuhkan suatu metode yang dapat menghemat waktu dan biaya dalam penentuan mutu air. Metode yang diajukan dalam penelitian ini adalah deep neural network (DNN) untuk melakukan klasifikasi mutu air berdasarkan parameter-parameter yang ditentukan. Dataset yang digunakan adalah data pemantauan kualitas Danau Toba. Fungsi aktivasi yang digunakan dalam penelitian ini adalah softmax, relu, dan sigmoid, sedangkan optimizer yang digunakan adalah SGD, RMSProp, dan Adam. Penentuan arsitektur model yang optimal dilakukan dengan mengkombinasikan setiap fungsi aktivasi dengan optimizer. Hasil dari penelitian ini menunjukkan bahwa DNN dapat digunakan untuk melakukan klasifikasi mutu air dengan akurasi dan loss yang cukup beragam, tergantung dengan fungsi aktivasi, optimizer, jumlah neuron, dan jumlah hidden layer yang digunakan. Akurasi terbaik yang didapat adalah 99% (0,99927), sedangkan loss terbaik yang didapat adalah 0,00557. Hasil tersebut didapat melalui percobaan dengan tiga parameter.
Kata kunci: klasifikasi mutu air, deep neural network
vii
LAKE TOBA WATER QUALITY CLASSIFICATION USING DEEP NEURAL NETWORK
ABSTRACT
Lake Toba is a water source that is still widely used for various purposes. However, not all water can be used for the same thing. There are water quality standards that are regulated in Government Regulation No. 82 of 2001 to determine the water class, where each class determines the proper utilization of water. To classify water quality, it is usually done by testing water samples from several locations and then examining them in the laboratory. This method is not efficient in terms of time and cost. Thus, a method is needed that can save time and costs in determining water quality. The method proposed in this study was deep neural network (DNN) to do water quality classification based on the specified parameters. The dataset used is quality monitoring data for Lake Toba. The activation function used in this study was softmax, relu, and sigmoid, while the optimizer used was SGD, RMSProp, and Adam. Determining the optimal model architecture was done by combining each activation function with the optimizer. The results of this study indicate that DNN can be used to classify water quality with varying accuracy and loss, depending on the activation function, optimizer, number of neurons, and number of hidden layers. The best accuracy obtained was 99% (0.99927), while the best loss obtained was 0.00557. These results are obtained through experiments with three parameters.
Keywords: water quality classification, deep neural network
viii
DAFTAR ISI
Hal.
PERSETUJUAN ... ii
PERNYATAAN ...iii
UCAPAN TERIMAKASIH ... iv
ABSTRAK ... vi
ABSTRACT ... vii
DAFTAR ISI ...viii
DAFTAR TABEL ... xi
DAFTAR GAMBAR ... xii
BAB 1 PENDAHULUAN 1.1. Latar Belakang ... 1
1.2. Rumusan Masalah ... 2
1.3. Batasan Masalah ... 3
1.4. Tujuan Penelitian ... 3
1.5. Manfaat Penelitian ... 3
1.6. Metodologi Penelitian ... 4
1.7. Sistematika Penulisan ... 5
BAB 2 LANDASAN TEORI 2.1. Pemanfaatan Air ... 6
2.2. Baku Mutu Air ... 6
2.3. Machine Learning ... 7
2.4. Neural Network ... 8
2.5. Deep Neural Network ... 11
ix
2.6. Penelitian Terdahulu ... 13
BAB 3 ANALISI DAN PERANCANGAN 3.1. Data yang Digunakan ... 17
3.2. Analisis Sistem ... 18
3.2.1. Pre-processing ... 19
3.2.2. Compile model ... 20
3.2.3. Training ... 21
3.2.4. Testing ... 21
3.2.5. Keluaran akhir ... 22
3.3. Perancangan Antarmuka Sistem ... 22
3.3.1. Perancangan menu sistem ... 22
3.3.2. Rancangan tampilan tiap halaman ... 22
3.3.2.1. Home ... 23
3.3.2.2. Training ... 23
3.3.2.3. Model visualization ... 25
3.3.2.4. Training output ... 25
3.3.2.5. Continue Training ... 26
3.3.2.6. Classificate ... 27
3.3.2.7. Classification output ... 28
BAB 4 IMPLEMENTASI DAN PENGUJIAN 4.1. Implementasi Sistem ... 29
4.1.1. Spesifikasi perangkat keras dan perangkat lunak yang digunakan ... 29
4.1.2. Implementasi antarmuka ... 30
4.1.2.1. Halaman beranda ... 30
4.1.2.2. Halaman pelatihan ... 30
4.1.2.3. Halaman visualisasi model ... 31
x
4.1.2.4. Halaman keluaran pelatihan ... 32
4.1.2.5. Halaman teruskan pelatihan ... 32
4.1.2.6. Halaman klasifikasi ... 33
4.1.2.7. Halaman keluaran klasifikasi ... 33
4.1.3. Implementasi data ... 34
4.2. Prosedur Operasional ... 34
4.2.1. Pelatihan ... 34
4.2.2. Teruskan pelatihan ... 35
4.2.3. Klasifikasi ... 36
4.3. Hasil Pengujian ... 37
4.3.1. Hasil pre-processing ... 37
4.3.2. Hasil training dan testing ... 38
4.3.2.1. Hasil percobaan menggunakan tiga parameter .. 39
4.3.2.2. Hasil percobaan menggunakan enam parameter ... 49
4.3.3. Hasil Pengaplikasian ... 50
BAB 5 KESIMPULAN DAN SARAN 5.1. Kesimpulan ... 53
5.2. Saran ... 54
xi
DAFTAR TABEL
Hal.
TABEL 2.1. Kelas air berdasarkan PP No. 82 tahun 2001 ... 7
TABEL 2.2. Penelitian Terdahulu ... 15
TABEL 4.1. Rincian data yang digunakan ... 34
TABEL 4.2. Perbuhan data setelah proses cleaning ... 37
TABEL 4.3. Jumlah baris training data dan testing data ... 38
TABEL 4.4. Parameter-parameter yang bernilai sama di setiap percobaan ... 39
TABEL 4.5. Activation dan optimizer pada setiap percobaan ... 39
TABEL 4.6. Hasil percobaan dengan activation dan optimizer yang berbeda ... 40
TABEL 4.7. Urutan percobaan tahap pertama dengan hasil terbaik ke terburuk ... 43
TABEL 4.8. Hidden layer dan neuron pada setiap percobaan ... 44
TABEL 4.9. Hasil percobaan dengan hidden layer dan neuron yang berbeda ... 44
TABEL 4.10. Urutan percobaan tahap kedua dengan hasil terbaik ke terburuk ... 47
TABEL 4.11. Arsitektur akhir dari model ... 48
TABEL 4.12. Sampel hasil klasifikasi ... 51
TABEL 4.13. Confusion matrix dari hasil klasifikasi ... 51
TABEL 4.14. Tabel hasil klasifikasi ... 52
TABEL 4.15. Hasil klasifikasi setiap lokasi ... 52
xii
DAFTAR GAMBAR
Hal.
GAMBAR 2.1. Fungsi aktivasi ... 9
GAMBAR 2.2. Struktur Perceptron dari ANN ... 10
GAMBAR 2.3. (a) neuron biologis; (b) neuron buatan; (c) sinaps biologis; (d) sinaps buatan ... 10
GAMBAR 3.1. Contoh bentuk dari data yang digunakan ... 18
GAMBAR 3.2. Arsitektur umum ... 18
GAMBAR 3.3. Bilangan sebelum dan sesudah di normalisasi ... 20
GAMBAR 3.4. Data sebelum dan setelah di-encoding categorical ... 20
GAMBAR 3.5. Sitemap sistem ... 22
GAMBAR 3.6. Rancangan header setiap halaman ... 22
GAMBAR 3.7. Rancangan halaman beranda ... 23
GAMBAR 3.8. Rancangan halaman pelatihan ... 24
GAMBAR 3.9. Rancangan halaman visualisasi model ... 25
GAMBAR 3.10. Rancangan halaman keluaran pelatihan ... 26
GAMBAR 3.11. Rancangan halaman teruskan pelatihan ... 27
GAMBAR 3.12. Racangan halaman klasifikasi ... 27
GAMBAR 3.13. Rancangan halaman ... 28
GAMBAR 4.1. Halaman beranda ... 30
GAMBAR 4.2. Halaman pelatihan ... 31
GAMBAR 4.3. Halaman visualisasi model ... 31
GAMBAR 4.4. Halaman keluaran pelatihan ... 32
GAMBAR 4.5. Halaman teruskan pelatihan ... 32
GAMBAR 4.6. Halaman klasifikasi ... 33
GAMBAR 4.7. Halaman keluaran klasifikasi ... 33
GAMBAR 4.8. Ilustrasi pemasukkan nilai epoch ... 34
GAMBAR 4.9. Ilustrasi pemilihan item combo box ... 35 GAMBAR 4.10. Ilustrasi pemilihan file untuk dataset 35
xiii
GAMBAR 4.11. Ilustrasi pemilihan file yang ingin diklasifikasi ... 36
GAMBAR 4.12. Data setelah dinormalisasi ... 38
GAMBAR 4.13. Data setelah di-encoding ... 38
GAMBAR 4.14. Grafik percobaan tahap I dengan loss terbaik ... 41
GAMBAR 4.15. Grafik percobaan tahap I dengan loss terburuk ... 41
GAMBAR 4.16. Grafik percobaan tahap I dengan akurasi terbaik ... 42
GAMBAR 4.17. Grafik dengan percobaan tahap I akurasi terburuk ... 42
GAMBAR 4.16. Grafik percobaan tahap I dengan akurasi terbaik ... 42
GAMBAR 4.18. Grafik percobaan tahap II dengan loss terbaik ... 45
GAMBAR 4.19. Grafik percobaan tahap II dengan loss terburuk ... 45
GAMBAR 4.20. Grafik percobaan tahap II dengan akurasi terbaik ... 46
GAMBAR 4.21. Grafik percobaan tahap II dengan akurasi terburuk ... 46
GAMBAR 4.22. Grafik loss percobaan dengan tiga parameter ... 48
GAMBAR 4.23. Grafik akurasi percobaan dengan tiga parameter ... 49
GAMBAR 4.23. Grafik loss percobaan dengan enam parameter ... 49
GAMBAR 4.24. Grafik akurasi percobaan dengan enam parameter ... 50
BAB 1 PENDAHULUAN
1.1. Latar Belakang
Air adalah substansi yang memungkinkan terjadinya kehidupan seperti yang ada di bumi (Sasongko, 2014). Jika dilihat dari segi penggunaan, maka air tidak pernah lepas dari segala aspek kehidupan manusia. Mulai dari hal kecil, seperti air minum untuk sekedar melepas dahaga, hingga kincir air yang dimanfaatkan sebagai penghasil energi listrik.
Salah satu contoh sumber air yang masih banyak dimanfaatkan adalah Danau Toba. Masyarakat sekitar Danau Toba masih banyak memanfaat air danau dalam aktivitas mereka diantaranya untuk kebutuhan sehari-hari (minum, memasak, dan mencuci), irigasi, sarana rekreasi, dan sebagai tambak ikan air tawar. Namun, kualitas air Danau Toba tidak sama di setiap daerah. Terdapat daerah yang sudah mengalami penurunan kualitas air dan ada juga yang masih terjaga kualitasnya. Hal ini dikarenakan aktivitas yang berbeda-beda di setiap daerah. Sehingga tidak semua daerah dapat digunakan untuk aktivitas yang sama. Aktivitas manusia menghasilkan berbagai jenis limbah yang akan memengaruhi kualitas faktor-faktor lingkungan akuatik yang menentukan mutu air (Ginting, 2002).
Pengklasifikasian mutu air perlu dilakukan untuk memastikan layak atau tidaknya air danau digunakan untuk suatu aktivitas di setiap daerah. Biasanya untuk melakukan pengklasifikasian, sampel air akan diambil dari beberapa titik kemudian dilakukan pengujian di laboratorium (Suwarno, 2017). Namun, cara ini membutuhkan waktu yang lama sampai mendapatkan hasil. Sehingga dibutuhkan suatu teknologi yang dapat mempercepat proses pengklasifikasian mutu air.
2
Salah satu cara yang dapat digunakan untuk melakukan klasifikasi adalah dengan memanfaatkan sensor dan machine learning. Data yang didapat dari sensor misalnya pH dan oksigen terlarut (dissolved oxygen, DO) nantinya akan diklasifikasi dengan menggunakan machine learning. Machine learning adalah salah satu metode yang cocok digunakan untuk melakukan klasifikasi. Diantaranya machine learning telah digunakan untuk mengklasifikasi minat siswa dalam bidang pembelajan (Ross, 2013) dan pengklasifikasian jenis kelamin menggunakan gambar wajah (Chuan-xu et al, 2008).
Permasalahan yang dihadapi dari penggunaan machine learning adalah performa yang diberikan saat menghadapi data yang sangat banyak. Untuk mengatasi masalah performa tersebut dapat digunakan teknik yang diebut deep neural network (DNN). DNN memiliki performa yang sama dengan dengan machine learning atau bahkan ada kemungkinan memiliki performa yang lebih buruk jika menggunakan data yang sedikit. Namun, semakin besar data yang digunakan maka semakin baik performa yang dihasilkan DNN dibandingkan dengan machine learning. Seperti yang tergambar dari hasil penelitian Paterakis at al (2018) yang membandingkan akurasi machine learning dengan DNN dengan hasil deep neural network dalam memprediksi penggunaan energi listrik. Dalam penelitian tersebut menunjukkan akurasi yang dihasilkan oleh DNN lebih tinggi dindingkan dengan machine learning.
Goodfellow et al. (2016), mengatakan bahwa sejak tahun 1980 DNN terbukti telah meningkatkan secara konsisten kemampuan untuk identifikasi, prediksi, dan klasifikasi. Terlebih lagi, DNN telah banyak digunakan dengan sukses dalam aplikasi yang lebih luas. Beberapa diantaranya yaitu pengenalan fenologi tumbuhan (Yalcin, 2017), pemetaan kualitas vegetasi musim dingin (Minh, 2018), dan memperkirakan hasil panen (Kuwata & Sibasaki, 2015).
Berdasarkan latar belekang di atas, penulis melakukan penelitian berjudul
“Klasifikasi Mutu Air Danau Toba Menggunakan Deep Neural Network”.
1.2. Rumusan Masalah
Air Danau Toba masih banyak dimanfaatkan oleh masyarakat sekitar danau maupun pihak-pihak tertentu. Namun, setiap daerah memiliki tingkat mutu air yang berbeda- beda, sehingga tidak semua daerah dapat digunakan untuk aktivitas yang sama.
Pengklasifikasian mutu air menggunakan sampel air yang kemudian diuji di laboratorium membutuhkan waktu yang relatif lama. Sehingga diperlukan sebuah metode yang dapat mempercepat proses tersebut agar pihak-pihak yang menggunakan air Danau Toba dapat mengetahui layak atau tidaknya air danau untuk digunakan.
1.3. Batasan Masalah
Adapun pembahasan masalah dalam penelitian ini adalah:
1. Dataset menggunakan data dari pemantauan kualitas air yang dilakukan oleh Rahmat et al (2016) di mana pengukuran dilakukan di tiga titik, yaitu Parapat, Ajibata, dan Haranggaol.
2. Parameter yang digunakan untuk mendapatkan hasil prakira adalah pH air, temperatur air, temperatur udara, oksigen terlarut, kelembapan udara, dan kelembapan udara.
3. Mutu air diukur berdasarkan Peraturan Pemerintah Nomor 8 tahun 2001.
1.4. Tujuan Penelitian
Tujuan dari penelitian ini adalah mengklasifikasi mutu air sesuai dengan Peraturan Pemerintah Nomor 8 tahun 2001 dengan menerapkan DNN. Selain itu, tujuan lain dari penelitian ini adalah membandingkan performa dari beberapa optimizer yaitu SGD, RMSProp, dan Adam.
1.5. Manfaat Penelitian
1. Membantu pihak-pihak terkait yang menggunakan air tawar sebagai kebutuhan maupun komponen pendukung.
2. Memudahkan penentuan kegunaan air tawar sesuai dengan kelasnya.
3. Diharapkan dapat memberikan hasil klasifikasi yang lebih akurat.
4
1.6. Metodologi Penelitian
Terdapat beberapa tahapan dalam penelitian ini untuk menghasilkan suatu sistem yang diharapkan, yaitu:
1. Studi Literatur
Pada tahap ini penulis mengumpulkan dan mempelajari dokumen dan literatur yang berkaitan dengan topik penelitian. Literatur tersebut dapat berupa buku, skripsi, jurnal, dan sumber lainya yang diperoleh dari internet.
2. Pengumpulan data
Data yang digunakan adalah dataset dari penelitian yang dilakukan oleh Rahmat et al (2016). Data yang dikumpulkan digunakan untuk proses training dan testing.
3. Analisis Permasalahan
Pada tahap ini, dilakukan analisis masalah berdasarkan data yang telah dikumpulkan. Hal ini bertujuan mendapatkan cara terbaik untuk mengatasi masalah pada penelitian ini dan mengetahui parameter-parameter yang dibutuhkan untuk pengklasifikaian mutu air.
4. Perancangan
Pada tahap ini, dilakukan perancangan untuk mendapatkan arsitektur umum (general architecture) dari sistem yang akan dibuat.
5. Pembangunan Program
Pada tahap ini, dilakukan pembangunan program untuk mengklasifikasi mutu air berdasarkan arsitektur umum yang telah dibuat.
6. Uji Coba
Dalam tahap ini, dilakukan uji coba terhadap sistem yang telah dibangun. Hal ini dilakukan untuk mengetahui apakah sistem sudah bekerja sesuai dengan fungsi yang diharapkan.
7. Dokumentasi dan Penyusunan Laporan
Dalam tahap ini, dilakukan dokumentasi dan penyusunan laporan akhir dari penelitian yang telah dilakukan mengenai penerapan DNN untuk pengklasifikasian mutu air.
1.7. Sistematika Penulisan
Sistematika penulisan dari skripsi ini terdiri dari lima bagian utama sebagai berikut.
Bab 1 : Pendahuluan
Bab ini berisi latar belakang dari penelitian yang dilaksanakan, rumusan masalah, tujuan penelitian, batasan masalah, manfaat penelitian, metodologi penelitian, serta sistematika penulisan.
Bab 2 : Tinjauan Pustaka
Bab ini berisi teori-teori yang diperlukan untuk memahami permasalahan yang dibahas pada penelitian ini. Teori-teori yang berhubungan dengan mutu air, artificial neural networks (ANN), dan DNN akan dibahas pada bab ini.
Bab 3 : Analisis dan Perancangan
Bab ini menjabarkan arsitektur umum dari penelitian yang dilakukan. Setiap tahap yang dilakukan pada pre-processing, training, testing, dan perancangan aplikasi yang dibuat dalam penelitian akan dijabarkan pada bab ini.
Bab 4 : Implementasi dan Pengujian
Bab ini berisi pembahasan tentang implementasi dari perancangan yang telah dijelaskan pada Bab 3. Selain itu, hasil dari tahap pengujian terhadap implementasi yang dilakukan dalam penelitian juga dijabarkan pada Bab ini.
Bab 5 : Kesimpulan dan Saran
Bab ini berisi ringkasan serta kesimpulan dari rancangan yang telah dibahas pada Bab 3, serta hasil penelitian yang dijabarkan pada Bab 4. Bagian akhir dari bab ini memuat saran-saran yang diajukan untuk pengembangan penelitian selanjutnya.
BAB 2
TINJAUAN PUSTAKA
2.1. Pemanfaatan Air
Berdasarkan kamus universitas oxford (en.oxforddictionaries.com) yang dimaksud dengan air adalah senyawa oksigen dan hidrogen (rumus kimia: H₂O) dengan sifat fisik dan kimia yang sangat khas. Air mampu melarutkan banyak zat lain; bentuk padatnya (es) kurang padat daripada bentuk cair; titik didihnya, viskositas, dan tegangan permukaannya sangat tinggi untuk berat molekulnya, dan sebagian terdisosiasi menjadi ion hidrogen dan hidroksil. Keberadaan air sangatlah penting. Air merupakan zat yang paling penting dalam kehidupan setelah udara Wandrivel et al. (2012).
Air merupakan kebutuhan utama bagi proses kehidupan di bumi, sehingga tidak akan ada kehidupan di bumi jika tidak ada air. Kebutuhan akan air terus meningkat dari waktu ke waktu. Salah satu penyebabnya adalah meningkatnya jumlah penduduk di muka bumi. Selain itu beragamnya jenis kebutuhan manusia juga menyebabkan peningkatan kebutuhan air. Berikut beberapa manfaat dari air:
a. Bahan baku b. Sumber pengairan
c. Pembangkit listrik tenaga air (PLTA) d. Sarana rekreasi
e. Pemenuh kebutuhan rumah tangga 2.2. Baku Mutu Air
Baku mutu air di Indonesia di atur oleh Peraturan pemerintah Nomor 82 Tahun 2001 tentang Pengelolaan Lingkungan Hidup. Dalam peraturan tersebut kriteria air dibagi menjadi 4 (empat) kelas, yaitu:
a. Kelas 1: air yang dapat digunakan untuk bahan baku air minum atau peruntukan lainnya yang mensyaratkan mutu air yang sama
b. Kelas 2: air yang dapat digunakan untuk prasarana/ sarana rekreasi air, budidaya ikan air tawar, peternakan, dan pertanian.
c. Kelas 3: air yang dapat digunakan untuk budidaya ikan air tawar, peternakan dan pertanian.
d. Kelas 4: air yang dapat digunakan untuk mengairi pertanaman/ pertanian.
Masing-masing kelas air di atas menunjukkan kualitas air tertentu yang dinilai layak untuk dimanfaatkan untuk kegunaan tertentu. Terdapat 5 (lima) kelompok tolok ukur atau parameter dalam kriteria mutu air, yaitu fisika, kimia anorganik, kimia organik, mikrobiologi, dan radioaktivitas. Parameter kualitas air dalam kelompok kimia anorganik salah satu contohnya adalah pH. Beberapa parameter yang menjadi penilaian dalam pengklasifikasian baku mutu air dalam dilihat pada Tabel 2.1.
Tabel 2.1. Kelas air berdasarkan PP No. 82 tahun 2001
Parameter Satuan Kelas
I II III IV
Suhu air 0C Deviasi 3 Deviasi 3 Deviasi 3 Deviasi 5
pH 6-9 6-9 6-9 5-9
DO Mg/L 6 4 3 0
2.3. Machine Learning
Samuel Arthur (1959) mendefinisikan bahwa machine learning adalah bidang studi dari komputer sains yang memberikan sistem komputer kemampuan untuk belajar tanpa diprogram secara eksplisit. Kemampuan belajar suatu mesin dominan berhantung dengan algoritma yang digunakan. Russell (2016) membagi tipe pembelajaran menjadi tiga, yaitu :
a) Pembelajaran terarah (supervised learning)
Tipe ini belajar berdasarkan sekumpulan contoh pasangan input-output yang diinginkan dalam jumlah yang cukup besar. Algoritma ini mengamati contoh- contoh tersebut dan kemudian menghasilkan sebuah model yang mampu memetakan masukan yang baru menjadi keluaran yang tepat.
8
b) Pembelajaran tak terarah (unsupervised learning)
Tipe ini mempunyai tujuan untuk mempelajari dan mencari pola-pola menarik pada input yang diberikan. Meskipun tidak disediakan output yang tepat secara eksplisit.
Salah satu algoritma unsupervised learning yang paling umum digunakan adalah clustering (pengelompokan).
c) Pembelajaran semi terarah (semi-supervised learning)
Semi-supervised learning merupakan tipe yang menggabungkan antara supervised dan unsupervised untuk menghasilkan suatu fungsi. Algoritma pembelajaran semi terarah menggabungkan kedua tipe algoritma di atas, di mana diberikan contoh masukan-keluaran yang tepat dalam jumlah sedikit dan sekumpulan masukan yang keluarannya belum diketahui. Algoritma ini harus membuat sebuah rangkaian kesatuan antara dua tipe algoritma di atas untuk dapat menutupi kelemahan pada masing-masing algoritma.
Terdapat dua fase dalam machine learning yaitu fase pembelajaran dan fase aplikasi. Pada fase pembelajaran dilakukan training model berdasarkan dataset yang diberikan, setelah itu dilakukan validasi untuk melihat seberapa baik performa dari model. Pada fase aplikasi, model akhir yang telah melalui fase pembelajaran digunakan untuk menghasilkan sebuah keputusan tertentu.
2.4. Neural Network
Neural Network (NN) atau Artificial Neural Network (ANN) adalah jaringan dari sekelompok unit pemproses yang dimodelkan berdasarkan jaringan saraf manusia (Negnevitsky, 2005). Otak terdiri dari sekumpulan sel saraf yang saling berhubungan, atau unit pemrosesan informasi dasar yang disebut neuron. Otak manusia menggabungkan hampir 10 miliar neuron dan 60 triliun koneksi, sinapsis, di antara mereka (Shepherd, 2003). Dengan menggunakan beberapa neuron secara bersamaan, otak dapat menjalankan fungsinya lebih cepat daripada komputer tercepat yang ada saat ini. ANN merupakan gabungan dari pendekatan statistik dan pendekatan sintaks.
Dengan gabungan dari dua metode, maka ANN merupakan pengenalan pola yang lebih akurat
Setiap neuron (atau node) dalam NN menerima sejumlah input. Sebuah fungsi yang disebut fungsi aktivasi diterapkan pada nilai-nilai input ini, yang menghasilkan tingkat aktivasi dari neuron, yang menjadi nilai output dari neuron. Ada sejumlah fungsi
yang dapat digunakan dalam neuron. Fungsi aktivasi menentukan neuron mana yang harus aktif dan tidak. Berdasarkan Gambar 2.1, sumbu x dari setiap grafik mewakili nilai input ke neuron, dan sumbu y mewakili output atau tingkat aktivasi dari neuron.
Gambar 2.1. Fungsi aktivasi (Coppin,2004)
Salah satu fungsi yang paling sering digunakan adalah fungsi step atau fungsi linear threshold. Dalam menggunakan fungsi ini, input ke neuron dijumlahkan (masing- masing dikalikan dengan weight), dan jumlah ini dibandingkan dengan ambang 𝑡. Jika jumlah lebih besar dari ambang, maka neuron akan aktif dan memiliki tingkat aktivasi 1. Sebaliknya, jika jumlah dari input lebih kecil dari ambang 𝑡 maka neuron tidak aktif dan memiliki tingkat aktivasi nol. Dalam beberapa network, ketika jumlahnya tidak melebihi ambang batas, tingkat aktivasi dianggap 1 bukannya 0. Oleh karena itu, perilaku neuron dapat didefinisikan pada persamaan 2.1:
𝑋 = ∑𝑛𝑖=1𝑤𝑖𝑥𝑖 + 𝑏 ……….… 2.1 𝑋 adalah jumlah tertimbang (weight) dari 𝑛 input dari neuron 𝑥1 ke 𝑥𝑛, di mana setiap input 𝑥𝑛 dikalikan dengan weight-nya dan ditambah dengan bias (𝑏). Untuk aktivasi level 𝑌 dapat didefinisikan pada persamaan 2.2:
𝑌 = {1 𝑓𝑜𝑟 𝑋 > 𝑡
0 𝑓𝑜𝑟 𝑋 < 𝑡………...………… 2.2 Dalam NN ada yang disebutkan perceptron yang merupakan sebuah neuron sederhana yang digunakan untuk mengklasifikasikan inputnya ke dalam satu dari dua kategori. Perceptron dapat memiliki sejumlah input, yang terkadang berbentuk berupa grid. Grid ini dapat digunakan untuk merepresentasikan gambar, sehingga perceptron dapat digunakan untuk melakukan klasifikasi gambar sederhana atau pengenalan.
Gambar 2.2 menunjukkan proses yang terjadi dalam satu perceptron.
10
Gambar 2.2. Struktur Perceptron dari ANN (https://towardsdatascience.com)
1. Pada nomor satu terdapat neuron-neuron x yang bersubskrip 1, 2, …, m yang membawa data input.
2. Kalikan masing-masing input dengan bobot (weight) w, juga diberi label dengan subskrip 1, 2,…, m, di sepanjang panah (juga disebut sinaps) ke lingkaran besar di tengah. Jadi w1 * x1, w2 * x2, w3 * x3 dan seterusnya.
3. Setelah semua input dikalikan, jumlahkan semuanya kemudian tambahkan dengan angka yang telah ditentukan sebelumnya yang disebut dengan bias.
4. Pata tahap ini hasil perhitungan dimasukkan ke dalam fungsi aktivasi. Jika perhitungan pada tahap tiga bernilai lebih dari nol maka mendapatkan output yang dihasilkan 1 dan sebaliknya jika mendapatkan hasil lebih kecil dari 0 maka output yang dihasilkan adalah 0.
5. Output berupa nilai 0 atau 1.
Gambar 2.3. (a) neuron biologis; (b) neuron buatan; (c) sinaps biologis; (d) sinaps buatan; (Sumber: Mohamed et al. 2016)
Sebuah NN terdiri dari node-node yang saling berhubungan (Sonalkadu et al, 2012). Neuron-neuron dalam NN disusun dalam grup, yang disebut dengan layer (lapis). Pada dasarnya ANN terdiri dari 3 lapisan, yaitu :
a) Lapis masukan (input layer) terdiri dari neuron yang menerima data masukan dari variabel X. Semua neuron pada lapis ini dapat terhubung ke neuron pada lapisan tersembunyi atau langsung ke lapisan luaran jika jaringan tidak menggunakan lapisan tersembunyi.
b) Lapisan tersembunyi (hidden layer) terdiri dari neuron yang menerima data dari lapisan masukan.
c) Lapisan luaran (output layer) terdiri dari neuron yang menerima data dari lapisan tersembunyi atau langsung dari lapisan masukan yang nilai luarannya melambangkan hasil kalkulasi dari X menjadi nilai Y.
Karakter di atas menunjukkan bahwa ANN dapat diandalkan dalam melakukan beberapa tugas dalam rangka menemukan solusi dari suatu kasus. Tugas-tugas yang dapat dilakukan oleh ANN diantaranya adalah prediksi atau penaksiran fungsi, klasifikasi, pengelompokan dan peramalan (forecasting).
2.5. Deep Neural Network
Versi sebelumnya dari NN masih dangkal, terdiri dari satu input layer, satu output layer, dan paling banyak satu hidden layer di antara keduanya. Untuk memenuhi syarat sebagai DNN haruslah terdiri dari 3 layer (termasuk input layer dan output layer). Jadi, DNN adalah ANN dengan beberapa hidden layer di antara input layer dan output layer (Schmidhuber, 2015). Dengan DNN, setiap lapisan node melatih serangkaian fitur yang berbeda berdasarkan output dari layer sebelumnya. Semakin dalam jaringan neural, semakin kompleks fitur-fitur yang dapat dikenali oleh node dikarenakan penggabungan dan pengombinasian fitur-fitur dari layer sebelumnya.
Dalam NN back-propagation, algoritma pembelajaran memiliki dua fase.
Pertama, training input dimasukkan ke input layer. Kemudian network memberi input dari layer ke layer sampai output dihasilkan oleh output layer. Jika output yang dihasilkan berbeda dari hasil yang diinginkan, nilai error akan dihitung dan kemudian diberikan ke belakang dari output layer ke input layer. Nilai error ini mengakibatkan perubahan weight sepanjang perjalanan. Hal ini dilakukan berulang-ulang sampai
12
output yang dihasilkan cukup dekat dengan nilai yang diinginkan, atau dengan kata lain, sampai nilai kesalahan cukup kecil (Schmidhuber, 2015).
Back-propagation biasanya menggunakan fungsi aktivasi sigmoid. Adapun fungsi sigmoid didefinisikan pada persamaan 2.3 (Coppin, 2004):
𝜎(𝑥) = 1
1+𝑒−𝑥 ……….……… 2.3
Fungsi sigmoid tidak dapat mencapai 0 atau 1, biasanya nilai seperti 0,9 dibulatkan menjadi 1 dan 0,1 dibulatkan menjadi 0.
Untuk fungsi softmax dapat dilihat pada persamaan 2.4.
𝜎(𝑧) = 𝑒𝑧
∑𝐾𝑘=1𝑒𝑧𝑘………... 2.4.
Dimana 𝑧 merupakan hasil perhitungan di layer, 𝑒 merupakan nilai error atau loss, 𝑘 merupakan jumlah dimensi label (output).
Untuk fungsi relu dapat dilihat pada persamaan 2.5.
𝜎(𝑧) = max (0, 𝑧)……….…… 2.5.
Berikut adalah rumus yang digunakan untuk penyesuaian weight dengan menggunakan back-propagartion dimana 𝑖 mempresentasikan node pada input layer, 𝑗 mempresentasikan node pada hidden layer, 𝑗 mempresentasikan node pada output layer.
Fungsi yang digunakan untuk mendapatkan nilai output untuk node 𝑗 terlihat pada persamaan 2.5:
𝑋𝑗 = ∑𝑛𝑖=1𝑥𝑖. 𝑤𝑖𝑗− 𝜃𝑗……… 2.6 𝑌𝑗 = 1
1+𝑒−𝑋𝑗………...……….. 2.7
𝑛 adalah jumlah input ke node 𝑗; 𝑤𝑖𝑗 adalah weight antara node 𝑖 dan 𝑗; 𝜃𝑗 adalah nilai ambang (bias) untuk node 𝑗, yang merupakan nilai acak antara 0 dan 1; 𝑥𝑖 adalah nilai input untuk node 𝑖; dan 𝑌𝑗 adalah output dari node 𝑗.
Setelah input dimasukkan untuk menghasilkan output, error gradient dihitung untuk setiap node 𝑘 di output layer.
Error signal (𝑒) untuk 𝑘 didefinisikan sebagai perbedaan antara nilai yang diinginkan dan nilai dari node tersebut:
𝑒𝑘 = 𝑑𝑘− 𝑦𝑘………...…... 2.8
𝑑𝑘 adalah nilai yang diinginkian; 𝑦𝑘 adalah nilai yang sebenarnya, dalam iterasi ini.
Error gradient untuk output node 𝑘 didefinisikan sebagai nilai kesalahan untuk node ini dikalikan dengan turunan dari fungsi aktivasi:
𝛿𝑘 =𝜕𝑦𝑘
𝜕𝑥𝑘. 𝑒𝑘 ………... 2.9
𝑥𝑘 merupakan jumlah weight dari nilai input ke node 𝑘.
Jika menggunakan fungsi sigmoid maka rumus untuk mendapatkan error gradient menjadi seperti ini:
𝛿𝑘 = 𝑦𝑘. (1 − 𝑦𝑘). 𝑒𝑘 ………...…… 2.10 Demikian pula, untuk menghitung error gradient untuk setiap node 𝑗 di hidden layer:
𝛿𝑗 = 𝑦𝑗. (1 − 𝑦𝑗). ∑𝑛𝑘=1𝑤𝑗𝑘𝛿𝑘 ……….… 2.11 Dimana 𝑛 merupakan jumlah node di output layer, dan merupakan jumlah output dari setiap hidden layer.
Sekarang setiap weight diperbarui sesuai dengan persamaan 2.12:
𝑤𝑖𝑗 ← 𝑤𝑖𝑗 + 𝛼. 𝑥𝑖. 𝜕𝑗 ……… 2.12 𝑤𝑗𝑘 ← 𝑤𝑗𝑘+ 𝛼. 𝑥𝑗. 𝜕𝑘
Dimana 𝑥𝑖 adalah nilai input untuk input node 𝑖, dan 𝛼 adalah tingkat pembelajaran, yang merupakan angka positif di bawah 1, dan yang seharusnya tidak terlalu tinggi.
Metode ini dikenal sebagai gradient descent karena mengikuti jalan curam ke bawah permukaan yang merepresentasikan fungsi error untuk menemukan ruang error terkecil, yang menyesuaikan kumpulan weight untuk memberikan kinerja terbaik dari network. Bahkan, iterasi dari algoritma back-propagation biasanya berhenti ketika jumlah kuadrat dari kesalahan dari nilai output untuk semua data training dalam satu epoch lebih kecil dari beberapa ambang (bias), seperti 0,001. Algoritma backpropagation merupakan metode yang banyak digunakan untuk menyelesaikan persoalan yang luas, namun algoritma backpropagation juga mempunyai keterbatasan yaitu laju konvergensi yang cukup lambat .
2.6. Penelitian Terdahulu
Penelitian mengenai kualitas air telah dilakukan oleh banyak peneliti. Xue dan Chen (2011) melakukan klasifikasi kualitas air menggunakan back-propagation neural network (BPNN). Hasil klasifikasi digunakan untuk mengevaluasi kualitas air sehingga dapat mengontrol polusi di permukaan air. Dibandingkan dengan metode evaluasi tradisional, hasil penilaian menggunakan BPNN menjadi lebih objektif dan masuk akal, model ini juga menujukkan fleksibilitas dan kemampuan berdaptasi yang kuat. Jianlin et al. (2012), melakuakan penilaian kualitas air hujan menggunakan radial basis
14
function atrifical neural network (RBF-ANN). RBF-ANN sangat cocok untuk penilaian kualitas air secara menyeluruh karena kemampuan aproksimasi yang lebih baik, kecepatan pelatihan yang lebih cepat, menghindari nilai minimum lokal dalam perhitungan dan mengatasi efek yang dibawa oleh faktor subjektif selama pemodelan.
Wang et al. (2017), memprediksi kualitas air meggunakan metode long sort term memory neural network (LSTM NN). Nantinya akan dilakukan perbandingan dengan metode lain yaitu BP NN dan extereme learning machine (ELM). Dari penelitian tersebut disimpulkan bahwa akurasi dari LSTM NN memiliki akurasi lebih tinggi dibanding dengan BP NN dan ELM. Adnan et al. (2014), mengklasifikasi dan memantau kualitas air untuk budidaya udang menggunakan e-nose dan e-tounge. Dari penelitian ini didapatkan akurasi diskriminan Fungsi 1 86,02% dan Fungsi Diskriminan fungsi 2 8,82% dengan menggunakan e-nose. Sedangkan dengan e-tounge didapatkan akurasi diskriminan fungsi 1 84,5% dan diskriminan 2 15,2%. Zhu dan Hao. (2009), mengevaluasi kualitas air menggunakan fuzzy neural network (FNN). Penggunaan FNN meningkatkan akurasi evaluasi kualitas air sehingga disimpulkan metode ini dapat diandalkan dan efektif.
Berdasarkan penelitian-penelitian sebelumnya, dapat dilihat jika metode yang menggunakan NN mendapatkan hasil yang lebih baik dibanding dengan machine learning biasa. Terdapat juga penelitian yang membandingkan antar NN dan didapatkan NN jenis yang satu lebih baik atau lebih cocok dengan jenis yang lainnya dalam menghadapi masalah dari penelitian tersebut. Dari hal tersebut terlihat jika dalam NN sendiri setiap metode menghasilkan performa yang berbeda-beda tergantung masalah yang ingin diselesaikan. Pada penelitian ini metode yang digunakan adalah DNN.
Pada penelitian ini, air diklasifikasi lebih bedasarkan tingkat pemanfaatannya dibanding tingkat polusinya. Data yang digunakan merupakan data pemantauan kualitas air yang dilakukan oleh Rahmat et al (2016). Nantinya data akan diklasifikasi menggunakan DNN. Hasil yang ditampilkan berupa grafik akurasi dan error, berkas excel hasil testing, dan berkas excel hasil pengklasifikasian.
Rangkuman penelitian terdahulu dapat dilihat pada Tabel 2.2.
Tabel 2.2. Penelitian Terdahulu
No Peneliti Judul Penelitian Tahun Keterangan 1 Xue Xicheng
dan Chen Yan
Water Quality
Evaluation of Surface Water Based on Back Propagation Neural Network
2011 Hasil penilaian menggunakan BP NN menjadi lebih objektif dan masuk akal,
2 Liu Jianlin, Zhang
Guozhen, Wu Fuping, Zhang Hongwei, dan Yang Hao
Study of Rainwater Quality Assessment Model Based on Radial Basis Function Artificial Neural Network
2012 RBF-ANN memiliki kemampuan aproksimasi yang lebih baik,
kecepatan pelatihan yang lebih cepat
3 Yuanyuan Wang, Jian Zhou, Kejia Chen, Yunyun Wang, dan Linfeng Liu
Water Quality Prediction Method Based on LSTM Neural Network
2017 akurasi dari LSTM NN memiliki akurasi lebih tinggi dibanding dengan BP NN dan ELM
4 Adnan, K. N.
A. K., Yusuf, N., Maamor, H. N., Rashid, F. N. A., Ismail, S. W.
M.,
Thriumani, R., ... &
Ahmad, M. N.
Water Quality Classification and Monitoring Using E- nose and E-tongue in Aquaculture Farming
2014 akurasi Fungsi 1 86,02%
dan diskriminan fungsi 2 8,82% menggunakan e- nose. Dengan e-tounge akurasi fungsi 1 84,5%
dan fungsi 2 15,2%
16
5 Changjun Zhu dan Zhenchun Hao
Fuzzy Neural Network Model and its
Application in Water Quality Evaluation
2009 Penggunaan FNN meningkatkan akurasi evaluasi kualitas air sehingga disimpulkan metode ini dapat diandalkan dan efektif
BAB 3
ANALISIS DAN PERANCANGAN
Bab ini membahas tentang implementasi metode yang digunakan dalam mengklasifikasi mutu air Danau Toba. Selain itu, bab ini juga akan membahas mengenai data yang digunakan, analisis sistem, dan perancangan antarmuka. Di bab ini juga akan membahas proses dari awal sampai keluaran hasil akhir berdasarkan metode yang digunakan.
3.1. Data yang Digunakan
Data yang digunakan merupakan data dari penelitian Rahmat et al (2016). Data tersebut merupakan data pengukuran kualitas Danau Toba. Data diambil selama dua hari pada tanggal 25-26 oktober 2016. Adapun parameter yang terdapat dalam data tersebut adalah parameter fisika dan kimia. Parameter tersebut antara lain suhu air, pH, tingkat oksigen terlarut (dissolved oxygen), tingkat potensi reduksi oksidasi (oxidation reduction potential), suhu udara, dan kelembaban udara. Pengukuran dilakukan di tiga lokasi, yaitu:
• Haranggaol Horison, Kabupaten Simalungun;
• Ajibata, Kabupaten Toba Samosir; dan
• Parapat, Kabupaten Simalungun.
Data diambil menggunakan sensor DS18S20 Probe untuk mengukur suhu dalam air, Analog pH Meter Pro untuk mengukur pH, Dissolved Oxygen Sensor Kit untuk mengukur DO, Sensor dht11 untuk mengukur kelembapan udara, dan ORP meter DFrobot untuk mengukur reduksi oksidasi. Sensor-sensor tersebut dimasukkan ke dalam air selama 1-2 hari agar dapat dilihat perubahan nilai setiap parameter.
File dari data yang digunakan memiliki format comma separated column (CSV).
Data dipisah dengan menggunakan tanda titik koma (;). Setiap file memiliki jumlah
18
baris yang berbeda-beda. Contoh d ari bentuk data yang digunakan dapat dilihat dari Gambar 3.1.
Gambar 3.1. Contoh bentuk dari data yang digunakan 3.2. Analisis Sistem
Gambar 3.2. Arsitektur umum
Proses klasifikasi kualitas air Danau Toba berdasarkan data yang diperoleh dari penelitian Rahmat et al. (2016), dilakukan melalui beberapa langkah. Secara garis besar langka-langkah tersebut yaitu preprocessing, training, dan, testing. Data yang digunakan nantinya akan diolah terlebih dahulu sebelum digunakan. Sebelum masuk ke proses training dan testing, terlebih dahulu dilakukan pembentukan model DNN.
Setelah itu dilakukan training dengan menggunakan model dan data yang telah diolah.
Kemudian, proses dilanjutkan dengan melakukan testing. Setelah proses tersebut selesai, maka akan ditampilkan grafik yang memperlihatkan akurasi dan loss/error dari training dan testing. Pada tahap pengaplikasian akan menggunakan data yang lain. Hasil pengklasifikasian ditampilkan dalam bentuk tabel dan tersedia pula fitur ekspor tabel ke excel sehingga pengguna bisa mengunduh hasil dari klasifikasi. Lebih jelasnya proses pengklasifikasian dapat dilihat dari arsitektur umum yang terdapat pada Gambar 3.2.
3.2.1. Pre-processing
Tahap pre-processing merupakan tahap yang pertama kali dilakukan. Pada tahap ini dilakukan beberapa proses. Tahap ini bertujuan mengolah data sehingga dapat digunakan untuk tahap selanjutnya. Sebelum data digunakan, semua data harus diubah terlebih dahulu menjadi numerik. Data dengan tipe string kategorikal harus diubah menjadi 0, 1, 2, dan seterusnya. Hal ini bertujuan agar model dapat membaca data.
Proses yang pertama adalah adalah cleaning. Pada proses ini, tiap baris dari data diperiksa. Jika terdapat baris yang bernilai kosong, memiliki jumlah indeks yang berbeda, dan tidak valid maka baris akan dihapus. Kemudian data akan dipecah menjadi dua untuk dijadikan data training dan data testing. Perbandingan dari pembagian data adalah 80:20, dimana 80% untuk data training dan 20% untuk data testing. Kemudian tiap data akan dipecah lagi menjadi dua. Pembagian kali ini untuk menentukan indeks mana yang menjadi feature dan indeks mana yang menjadi label. Untuk data input, akan dilakukan dua kali pengujian. Yang pertama menggunakan tiga parameter yaitu DO, pH, dan suhu. Untuk pengujian kedua akan menggunakan semua parameter yang ada di dalam file. Selanjutnya, untuk setiap data feature akan dinormalisasi. Proses normalisasi berfungsi memodifikasi nilai dalam variabel sehingga kita dapat mengukurnya dalam skala umum. Bentuk normalisasi yang digunakan pada penelitian ini adalah least absolute deviations (LAD). Normalisasi LAD mengacu pada penyimpangan absolut
20
terkecil, bekerja dengan memastikan bahwa jumlah nilai absolut adalah 1 dalam setiap baris. Dalam bentuk matematika ukuran vektor (norm) menggunakan LAD dapat dilihat pada persamaan 3.1.
𝑆 = ∑𝑛𝑖=1|𝑥𝑖|………..…….... 3.1.
Perhitungan ini pada dasarnya menjumlahkan semua masukan (𝑥) dari 𝑥1 sampai 𝑥𝑛. Setelah mendapatkan norm dari baris n, maka nilai baru dari 𝑥 dapat dilihat pada persamaan 3.2.
𝑥𝑛𝑒𝑤 = 𝑥1
𝑆 ………. 3.2.
Setelah dinormalisasi maka nilai dari data feture akan berubah antara rentang -1 sampai 1. Contoh data setelah dinormalisasi, dapat dilihat pada Gambar 3.3.
Gambar 3.3. Bilangan sebelum dan sesudah di normalisasi
Proses terakhir dilakukan encoding pada data label. Hal ini dilakukan karena label yang menjadi output pada aplikasi nantinya berupa data kategorikal. Contoh data setelah di encoding dapat dilihat pada Gambar 3.4.
Gambar 3.4. Data sebelum dan setelah di-encoding categorical
Setelah proses encoding maka tahap pre-processing selesai dan data telah siap untuk digunakan pada tahapan berikutnya.
3.2.2. Compile model
Pada tahap ini, dilakukan pembentukan model DNN. Diantaranya yaitu jumlah hidden layer, neuron setiap layer, fungsi aktivasi, optimizer, loss, learning rate, batch size, dan epoch. Parameter-parameter tersebut di-input sebelum memulai proses pembelajaran.
3.2.3. Training
Training merupakan tahap dimana DNN diimplementasikan. Pada tahap ini dilakukan pelatihan terhadap model yag sudah dibuat pada tahap sebelumnya. Data training yang sudah sudah dinormalisasi dan di-encoding akan digunakan pada tahap ini.
Pertama, setiap data input (feature) akan dimasukkan ke dalam node di input layer. Kemudian dilakukan pengacakan weight dan bias. Rentang weight dan bias yaitu antara 0 sampai 1. Setelah itu dilakukan perhitungan menggunakan persamaan 2.1. di setiap node. Hasil dari setiap node dijumlahkan dan dimasukkan ke fungsi aktivasi dengan menggunakan persaman 2.3, 2.4, atau 2.5. Node dengan hasil yang paling mendekati 1 setelah diaktivasi akan dianggap benar dan node tersebut menjadi node aktif. Output dari input layer akan menjadi input pada hidden layer pertama. Proses ini terus dilakukan sampai ke output layer. Pada output layer untuk mendapatkan hasil akhir, akan dibandingkan nilai yang diingkan dengan nilai yang sebenarnya dan juga dilihat node mana yang memiliki nilai error terkecil.
Setelah mendapatkan output, dilakukan lagi perhitungan dari awal untuk bari data berikutnya. Saat jumlah data yang di-training sudah sebanyak batch size yang ditentukan, maka akan dilakukan perubahan pada weight dan bias. Perhitungan pada perubahan weight berdasarkan algoritma optimizer yang digunakan. Sedangkan besar perubahannya sesuai dengan learning rate yang digunakan. Setelah mendapatkan weight dan bias yang baru, maka dilakukan lagi proses perhitungan dari input layer.
Setelah semua baris data selesai di-training, maka proses akan masuk ke iterasi selanjuatnya. Itarasi dilakukan sebanyakan epoch yang diiniasi.
Setelah semua proses training selesai, maka model yang telah mengalami tahap pembelajaran disimpan. Model ini yang nantinya akan digunakan saat pengaplikasian.
3.2.4. Testing
Pada tahap testing, model yang telah mengalami tahap pembelajaran diuji untuk melihat performa dari model. Data testing yang sudah dinormalisasi dan di-encoding digunakan pada tahap ini.
3.2.5. Keluaran akhir
Keluaran akhir dari keseluruhan tahap adalah grafik yang berisi informasi akurasi dan loss pada tahap training dan testing. Selain itu, tersedia beberapa file yang isinya yaitu riwayat akurasi per epoch, riwayat loss per epoch, dan hasil dari testing. Dimana untuk
22
file riwayat akurasi dan loss dalam format .txt dan hasil testing dalam format excel (.xlsx).
3.3. Perancangan Antarmuka Sistem
Tampilan antarmuka sistem yang digunakan pada penelitian ini berbasis web. Terdapat 3 (tiga) menu utama pada sistem ini yaitu pelatihan, Meneruskan pelatihan, dan klasifikasi.
3.3.1. Perancangan menu sistem
Sitemap dari sistem dapat diliha pada Gambar 3.5.
Gambar 3.5. Sitemap sistem 3.3.2. Rancangan tampilan tiap halaman
Sistem yang dibangun dalam penelitian ini memliki beberapa menu dengan kegunaannnya masing-masing. Baik hanya menampilkan informasi sampai menginiasi parameter untuk model. Di setiap halaman terdapat header yang berisi nama aplikasi dan menu-menu yang tersedia.
Gambar 3.6. Rancangan header setiap halaman Adapun rincian dari rancangan header adalah sebagai berikut.
a. Nama aplikasi, nama aplikasi terletak pada bagian paling kiri.
b. Menu training adalah menu yang menavigasikan aplikasi ke halaman pelatihan baru.
c. Menu continue training adalah menu yang menavigasikan aplikasi ke halaman teruskna pelatihan.
d. Menu classificate adalah menu yang menavigasikan aplikasi ke halaman klasifikasi.
3.3.2.1. Home
Halaman beranda berfungsi sebagai halaman awal saat pertama kali aplikasi dibuka.
Pada halaman ini tidak terdapat kegunaan khusus, hanya sebagai tampilan selamat datang. Adapun gambar rancangan halaman beranda dapat dilihat pada Gambar 3.7.
Gambar 3.7. Rancangan halaman beranda
Adapun rincian dari rancangan dari halaman beranda adalah sebagai berikut.
a. Nama aplikasi, menunjukkan nama aplikasi.
b. Paragraf keterangan, berisi sedikit keterangan mengenai aplikasi.
c. Tombol classificate, tombol ini berfungsi menavigasikan aplikasi ke helaman klasifikasi.
3.3.2.2. Training
Halaman ini berfungsi sebagai penginiasi model dan pemilihan dataset. Data yang telah di-input selanjutnya akan diproses di-backend. Adapun gambar rancangan halaman beranda dapat dilihat pada Gambar 3.8.
24
Gambar 3.8. Rancangan halaman pelatihan
Adapun rincian dari rancangan dari halaman pelatihan adalah sebagai berikut.
a. Nama halaman, menunjukkan nama dari halaman.
b. Masukan Epoch, batch size, hidden layer, dan neuron, masukan berupa numerik yang digunakan untuk inisiasi parameter di pada proses training dan model.
Pengguna dapat memasukkan angka dengan mengetik langsung di elemen masukan, atau dengan menekan tombah tambah dan kurang yang ada di bagian kanan elemen masukan.
c. Masukan learning rate, masukan berupa numerik yang digunakan untuk inisiasi learning rate pada proses training. Angka yang boleh dimasukkan yaitu antara 0 sampai 1.
d. Masukkan optimizer, loss, dan activation, masukan yang bernilai kategoris yang yang digunakan untuk inisiasi parameter di pada proses training dan model.
Masukan berupa pemilihan, dimana saat elemen diklik maka akan muncul pilihan yang tersedia pada setiap elemen.
e. Masukkan dataset, masukkan berupa file yang digunakan untuk proses training.
Saat tombol choose file diklik maka akan muncul kotak dialog untuk pemilihan file yang ingin digunakan.
f. Tombol submit, tombol yang berfungsi mengirim seluruh masukan ke server untuk selanjutnya akan diproses di backend. Setelah proses selesai, aplikasi secara otomatis menavigasikan ke halaman visualisasi model.
3.3.2.3. Model visualization
Halaman ini berfungsi memperlihatkan model yang telah berhasil dibuat. Halaman ini merupakan sub halaman dari halaman hasil pelatihan. Adapun gambar rancangan halaman visualisasi dapat dilihat pada Gambar 3.9.
Gambar 3.9. Rancangan halaman visualisasi model
Adapun rincian dari rancangan dari halaman visualisasi model adalah sebagai berikut : a. Nama halaman, menunjukkan nama dari halaman.
b. Tombol show result, tombol ini berfungsi menavigasikan aplikasi ke helaman keluaran pelatihan.
c. Model image, gambar ini menunjukkan bentuk model secara visual.
3.3.2.4. Training output
Halaman ini berfungsi menampilkan hasil akhir dari training dan testing. Informasi ditampilakan dalam bentuk grafik. Tersedia juga tombol untuk mengunduh riwayat akurasi, riwayat error, dan keluaran testing. Adapun gambar rancangan halaman visualisasi dapat dilihat pada Gambar 3.10.
26
Gambar 3.10. Rancangan halaman keluaran pelatihan
Adapun rincian dari rancangan dari halaman keluaran pelatihan adalah sebagai berikut.
a. Nama halaman, menunjukkan nama dari halaman.
b. Grafik error model, menunjukkan nilai error dari epoch pertama sampai terakhir untuk training dan testing.
c. Grafik akurasi model, menunjukkan nilai akurasi dari epoch pertama sampai terakhir untuk training dan testing.
d. Tombol loss/error history, tombol ini berfungsi untuk mengunduh file yang berisi riwayat loss/error setiap epoch.
e. Tombol accuracy history, tombol ini berfungsi untuk mengunduh file yang berisi riwayat akurasi setiap epoch.
f. Tombol testing output, tombol ini berfungsi untuk menguduh file yang berisi keluaran dari testing.
3.3.2.5. Continue Training
Halaman ini berfungsi untuk inisiasi pada proses training. Halaman ini digunakan jika ingin melanjutkan training dengan file lain namun tidak menghapus pengetahuan model yang telah dilatih sebelumnya. Adapun gambar rancangan halaman visualisasi dapat dilihat pada Gambar 3.11.
Gambar 3.11. Rancangan halaman teruskan pelatihan.
Untuk rincian dari setiap elemen sama seperti pada halaman pelatihan. Namun, terdapat beberapa masukkan yang dihilangkan. Masukkan yang dihilangkan merupakan masukan untuk inisiasi pembuatan model, sehingga yang tersisa hanya masukkan untuk insiasi proses training. Hal ini dikarenakan pada proses teruskan pelatihan model tidak lagi dibuat, melainkan menggunakan model yang telah ada.
3.3.2.6. Classificate
Halaman ini berfungsi untuk memasukkan file yang akan digunakan untuk diklasifikasi.
Adapun gambar rancangan halaman klasifikasi dapat dilihat pada Gambar 3.12.
Gambar 3.12. Racangan halaman klasifikasi
28
Adapun rincian dari rancangan dari halaman keluaran pelatihan adalah sebagai berikut.
a. Nama halaman, menunjukkan nama dari halaman.
b. Masukkan dataset, masukkan berupa file yang digunakan untuk diklasifikasi.
Saat tombol choose file diklik maka akan muncul kotak dialog untuk pemilihan file yang ingin diklasifikasi.
c. Tombol submit, tombol yang berfungsi mengirim seluruh masukan ke server untuk selanjutnya akan diproses di backend. Setelah proses selesai, aplikasi secara otomatis menavigasikan ke halaman keluaran klasifikasi.
3.3.2.7. Classification output
Halaman ini berfungsi untuk menampilkan keluaran dari klasifikasi. Adapun gambar rancangan halaman visualisasi dapat dilihat pada Gambar 3.13.
Gambar 3.13. Rancangan halaman
Adapun rincian dari rancangan dari halaman keluaran pelatihan adalah sebagai berikut : a. Nama halaman, menunjukkan nama dari halaman.
b. Tombol download excel, tombol ini berfungsi untuk mengunduh file dengan format excel yang memiliki isi seperti tabel hasil klasifikasi.
c. Classification result table, menampilkan hasil klasifikasi dalam bentuk tabel.
Tabel berisi parameter-parameter yang digunakan dan hasil klasifikasi pada kolom paling kanan tabel.
BAB 4
IMPLEMENTASI DAN PENGUJIAN
Bab ini akan membahas tentang hasil yang diperoleh dari implementasi DNN dalam melakukan klasifikasi mutu air Danau Toba. Bab ini akan menjabarkan implementasi dari sistem, prosedur penggunaan aplikasi, dan hasil dari tahap training, testing, dan pengaplikasian.
4.1. Implementasi Sistem
Dalam penelitian ini, metode diimplementasikan bahasa pemrograman python, dan pada antarmuka dibangun berbasis web dengan menggunkan bahasa pemrograman python, html, dan javascript.
4.1.1. Spesifikasi perangkat keras dan perangkat lunak yang digunakan
Spesifikasi perangkat keras yang digunakan untuk perancangan sistem pada penelitian ini adalah sebagai berikut:
1. Prosesor AMD Reyzen 3 1300X Quad-Core CPU @ 3.5 GHz 2. Kapasitas memori RAM sebesar 8 GB
3. Sistem operasi Windows 10 Pro 64-bit
4. Hard drive yang memiliki kapasitas sebesar 1 TB 5. GPU NVIDIA GeForce GTX 1050TI sebesar 4 GB
Spesifikasi perangkat keras yang digunakan untuk perancangan sistem pada penelitian ini adalah sebagai berikut:
1. Bahasa pemrograman yang digunakan adalah python versi 3.5, html, dan javascript
2. PyCharm IDE versi 2017.3.3 (Community Edition)
3. Library yang digunakan adalah keras dengan backend tensorflow
30
4.1.2. Implementasi antarmuka
Antarmuka dibangun berdasarkan perancangan antarmuka yang telah dipaparkan pada bab 3. Adapun rinciannya adalah sebagai berikut.
4.1.2.1. Halaman beranda
Halaman beranda merupakan halaman awal saat pertama kali aplikasi dibuka. Tampilan halaman beranda dapat dilihat pada Gambar 4.1.
Gambar 4.1. Halaman beranda 4.1.2.2. Halaman pelatihan
Halaman ini merupukan halaman yang berfungsi memberikan nilai-nilai yang nantinya akan digunakan untuk pembuatan model dan proses training. Tampilan halaman pelatihan dapat dilihat pada Gambar 4.2.
Gambar 4.2. Halaman pelatihan
4.1.2.3. Halaman visualisasi model
Halaman ini menampilkan gambar yang memvisualisasikan berntuk dari model yang dibuat. Tampilan halaman training dapat dilihat pada Gambar 4.3.
Gambar 4.3. Halaman visualisasi model
32
4.1.2.4. Halaman keluaran pelatihan
Halaman ini menampilkan hasil training dan testing. Tampilan halaman visualisasi model dapat dilihat pada Gambar 4.4.
Gambar 4.4. Halaman keluaran pelatihan 4.1.2.5. Halaman teruskan pelatihan
Halaman ini berfungsi memeberi nilai-nilai yang nantinya kan digunakan untuk proses training. Tampilan halaman teruskan pelatihan dapat dilihat pada Gambar 4.5.
Gambar 4.5. Halaman teruskan pelatihan
4.1.2.6. Halaman klasifikasi
Halaman ini berfungsi untuk memasukkan data yang nantinya akan diklasifikasi.
Tampilan halaman klasifikasi dapat dilihat pada Gambar 4.6.
Gambar 4.6. Halaman klasifikasi 4.1.2.7. Halaman keluaran klasifikasi
Halaman ini berfungsi menampilkan keluaran dari klasifikasi. Tampilan halaman keluaran klasifikasi dapat dilihat pada Gambar 4.7.
Gambar 4.7. Halaman keluaran klasifikasi
34
4.1.3. Implementasi data
Data yang digunakan dalam penelitian ini bersumber dari penelitian yang dilakukan oleh Rahmat et al. (2016), di mana parameter-parameter kualitas air diukur dalam kurun waktu yang sedemikian rupa. Data disimpan ke dalam file berbentuk teks. Parameter satu dengan yang lain dipisah dengan tanda titik koma. Namun, untuk agar setiap kolom dapat dibaca, maka pemisah data harus diubah dengan tanda koma. Data yang dikumpulkan disimpan menjadi beberapa file. Adapun rincian mengenai setiap data dapat dilihat dari Tabel 4.1.
Tabel 4.1. Rincian data yang digunakan
No File Jumlah Baris Ukuran File
1 Haranggaol.txt 7632 261 KB
2 Ajibata.txt 1714 59 KB
3 Parapat1.txt 7934 271 KB
4 Parapat2.txt 2843 97 KB
4.2. Prosedur Operasional
Terdapat beberapa prosedur pada aplikasi yang dikembangkan dalam penelitian ini.
Adapun prosedur-prosedurnya adalah sebagai berikut.
4.2.1. Pelatihan
Untuk dapat melakukan pelatihan, pertama-tama yang harus dilakukan adalah membuka halaman pelatihan. Halaman pelatihan dapat dibuka dengan menekan menu pelatihan atau mengunjungi url http://[domain/ip]/training.
Selanjutnya, berikan masukan pada form untuk digunakan dalam pembentukan karkteristik dari model dan juga proses pelatihan. Untuk epoch, batch size, hidden layer, dan neuron, data yang dimasukkan berupa numerik. Nilai masukkan bisa langsung diketik atau menekan tombol ke atas dan ke bawah pada sisi kanan textfield. Sedangkan untuk learning rate, data yang dimasukkan haruslah diantara 0-1.
Gambar 4.8. Ilustrasi pemasukkan nilai epoch
Untuk optimizer, loss, dan activation, pengguna dapat memilih jenis yang diinginkan dengan cara memilih item-item yang tersedia di combo box.
Gambar 4.9. Ilustrasi pemilihan item combo box
Selanjutya, pilih dataset yang akan digunakan untuk proses pelatihan dan pengujian. Pengguna dapat memilih dataset yang diinginkan dengan cara menekan tombol “Choose File”. Tombol “Select File” akan mengarahkan pengguna pada sebuah dialog pemilihan file, di mana file yang dapat dipilih di dalam dialog ini adalah dokumen teks dengan ekstensi .txt atau .csv.
Gambar 4.10. Ilustrasi pemilihan file untuk dataset
Terakhir, tekan tombol “submit”. Setelah itu semua data yang dimasukkan tadi akan dikirim ke backend dan diproses.
4.2.2. Teruskan pelatihan
Untuk melakukan proses ini, hal pertama yang perlu dilakukan adalah membuka halaman teruskan pelatihan dengan cara klik menu teruskan pelatihan atau buka http://[domain/ip]/lanjut_traing di bar url pada web browser. Untuk langkah selanjutnya
36
tidak jauh berbeda dengan prosedur pelatihan. Hanya saja terdapat beberapa elemen form yang dihilangkan, yaitu learning rate, hidden layer, neuron, dan activation.
Prosedur ini hanya dilakukan jika pengguna ingin menggunakan dataset baru untuk pelatihan tanpa menghapus model yang sudah ada.
4.2.3. Klasifikasi
Untuk proses klasifikasi, langkah pertama yaitu membuka halaman klasifikasi dengan cara klik menu klasifikasi atau memasukkan alamat http://[domain/ip]/klasifikasi ke bar url di web browser. Kemudian, masukkan file yang ingin diklasifikasi dengan cara menekan tombol “Choose File”. Setelah tombol ditekan, akan muncul kotak dialog pemilihan file. Pilih file yang ingin diklasifikasi. Jenis file yang dapat ditermia adalah file berekstersi .txt atau .csv dengan ketentuan setiap parameter harus dipish dengan tanda koma. Terakhir, klik tombol “submit”. Maka data yang dipilih tadi akan diproses di backend. Setelah proses klasifikasi selesai, maka akan ditampilka hasil klasifikasi.
Ilustrasi pemilihan file dapat dilihat pada Gambar 4.11.
Gambar 4.11. Ilustrasi pemilihan file yang ingin diklasifikasi
4.3. Hasil Pengujian
Pada bagian ini akan dipaparkan hasil yang didapat dari proses preprocessing, training, testing, dan pengaplikasian.
4.3.1. Hasil pre-processing
Pada bagian ini akan dipaparkan hasil yang didapat dari pre-processing. Tahap pre- processing terdiri dari cleaning data, split data, pemisahan fitur dan label, normalisasi fitur, dan encoding label. Hasil dari cleaning data dapat dilihat pada Tabel 4.2.
Tabel 4.2. Perbuhan data setelah proses cleaning
Nama File Lokasi Jumlah baris data
Sebelum Setelah
Ajibata.txt Ajibata 1716 1401
Haranggaol.txt Haranggaol 7638 6058
Parapat1.txt Parapat 7435 5970
Parapat2.txt Parapat 2843 2289
Total 19.632 15.718
Hasil dari proses cleaning data yang dapat dilihat pada Tabel 4.2 menunjukkan banyaknya penghapusan baris data yang terjadi. Hal ini dikarenakan banyakna baris data yang tidak valid seperti tidak dapat dibaca sebagai numerik atau jumlah kolom pada baris tertentu melebihi atau kurang dari baris data sebenarnya. Setelah di-clearning maka data dari setiap file akan digabungkan ke dalam sebuah file. Data yang digabungkan adalah Ajibata.txt, Haranggaol.txt, dan Parapat1.txt. Data gabungan tersebut akan digunakan untuk tahap training dan testing, sedangkan untuk Parapat2.txt akan digunakan pada tahap pengaplikasian. Setelah Perapat2.txt diklasifikasi, maka akan dibandingkan keluaran yang diinginkan dengan keluaran yang sebenarnya.
Setelah data di-cleaning, selanjutnya data akan dibagi menjadi 2 (dua) untuk tahap training dan testing. Hasil dari split data dapat dilihat pada Tabel 4.3.
