SKRIPSI
PENERAPAN ARTIFICIAL NEURAL NETWORK DALAM
PREDIKSI PENCEMARAN UDARA STUDI KASUS KOTA
JAKARTA
Diajukan untuk memenuhi salah satu syarat memperoleh gelar Sarjana Komputer
Disusun oleh: Tri Indah Sari
311510280
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNIK
UNIVERSITAS PELITA BANGSA
BEKASI
v
UCAPAN TERIMAKASIH
Segala puji dan syukur penulis panjatkan kepada Allah SWT yang telah memberikan rahmat dan anugrahkan-Nya kepada penulis, sehingga penulis dapat menyelesaikan Laporan Tugas Akhir ini. Penulisan Laporan Tugas Akhir dengan judul “PENERAPAN ARTIFICIAL NEURAL NETWORK DALAM PREDIKSI PENCEMARAN UDARA STUDI KASUS KOTA JAKARTA” dimaksudkan untuk mencapai gelar Sarjana Komputer Strata Satu pada Program Studi Teknik Informatika, Fakultas Teknik, Universitas Pelita Bangsa.
Penulis menyadari bahwa dalam penyusunan Laporan Tugas Akhir ini bukanlah dari jerih payah sendiri, melainkan dari bimbingan berbagai pihak. Oleh sebab itu penulis mengucapkan banyak terimakasih kepada semua pihak yang turut membantu dalam proses penulisan Laporan Tugas Akhir ini, yaitu kepada:
1. Hamzah M. Mardi Putra, S.K.M., M.M selaku Rektor Universitas Pelita Bangsa.
2. Putri Anggun Sari S.Pt., M.Si selaku Dekan Fakultas Teknik Universitas Pelita Bangsa.
3. Aswan Sunge, S.E., M.Kom selaku Ketua Program Studi Teknik Informatika Universitas Pelita Bangsa dan selaku Dosen Pembimbing I yang memberikan ide penelitian, serta informasi referensi yang penulis butuhkan.
4. Dodit Ardiatma, ST., M.Sc selaku dosen pembimbing II skripsi yang telah banyak memberikan saran dan bimbingan dalam proses penulisan skripsi. 5. Orang Tua, Kerabat dan Keluarga yang telah memberi motivasi dan dukungan
sehingga kami dapat menyelesaikan studi di Universitas Pelita Bangsa.
6. Seluruh sahabat dan rekan-rekan yang telah banyak membantu dan atas dukungannya sehingga kami dapat menyelesaikan studi di Universitas Pelita Bangsa.
vi
Penulis menyadari bahwa penulisan skripsi ini masih jauh dari kata sempurna, maka dari itu bahwasanya penulis memohon saran positif yang bersifat membangun untuk kemajuan penulis di masa mendatang. Akhir kata semoga laporan tugas akhir skripsi ini dapat dipergunakan sebagaimana mestinya bagi penulis serta berguna bagi pembaca pada umumnya,
Bekasi, 22 Januari 2020
vii
ABSTRAK
Udara adalah komponen yang sangat dibutuhkan oleh setiap makhluk hidup. Udara yang sehat akan berpengaruh pada kualitas lingkungan hidup, begitu juga sebaliknya jika kualitas udara memburuk maka kualitas lingkungan hiduppun memburuk. Di Indonesia khususnya DKI Jakarta pernah menempati urutan pertama kota dengan kualitas udara terburuk di dunia, pada senin 29 Juli 2019 pukul 09.38 WIB, berdasarkan informasi dari www.airvisual.com, Air Quality Index (AQI) dari pusat bisnis dan pemerintahan ini berada diangka 183 masuk pada kategori tidak sehat (151-200). Dengan permasalahan ini peneliti melakukan penelitian, guna memprediksi nilai polusi udara di DKI Jakarta. Hal ini bertujuan untuk membantu pemerintah dan warga sekita DKI Jakarta dalam pengambilan keputusan hal apa yang dilakukan dalam menangani polusi udara di DKI Jakarta. Pada penelitian ini, peneliti menguji data menggunakan algoritma Artificial Neural Network metode Long Short Term Memory. Long Short Term Memory merupakan evolusi dari arsitektur Recurrent Neural Network dimana LSTM dapat mengingat pola-pola data sebelumnya dan melupakan pola-pola data yang tidak dibutuhkan. Pengujian pada penelitian ini, menggunakan 2 jumlah pola timeseries, 2 layers LSTM, 60 units LSTM, 50 max epoch, dan 1 batch size sebagai nilai dari parameter. Hasilnya diperoleh untuk polusi udara O3 MAPE Data Test 18,26, polusi udara PM10 MAPE Data Test 12,32, polusi udara SO2 MAPE Data Test 10,76, polusi udara CO MAPE Data Test 22,56 dan polusi udara NO2 MAPE Data Test 17,55. Dari hasil penelitian bahwa data time series dengan satu variabel data sebagai data input dengan metode LSTM dapat digunakan untuk memprediksi polusi udara.
Kata kunci : Prediksi Polusi Udara, Long Short Term Memory, Artificial Neural
viii ABSTRACT
Air is a component that is needed by every living thing. Healthy air will affect the quality of the environment, and vice versa if the air quality deteriorates, the quality of the environment also deteriorates. In Indonesia, DKI Jakarta has determined the first place in the city with the best air quality in the world, on monday, July 29, 2019 at 09.38 WIB, based on information from www.airvisual.com, the Air Quality Index (AQI) from the business and government center is ranked 183 in the unhealthy category (151-200). With this problem the researchers conducted a study, in order to predict the value of air pollution in DKI Jakarta. This aims to assist the government and citizens around DKI Jakarta in making decisions about what to do in dealing with air pollution in DKI Jakarta. In this research, the researcher tested the data using the Artificial Neural Network algorithm for the Long Short Term Memory method. Long Short Term Memory is an evolution of the Recurrent Neural Network architecture where LSTM can remember previous data patterns and forget unnecessary data patterns. Testing in this study, used 2 number of timeseries patterns, 2 LSTM layers, 60 LSTM units, 50 max epochs, and 1 batch size as a parameter value. The results were obtained for air pollution O3 MAPE Data Test 18,26, air pollution PM10 MAPE Data Test 12.32, air pollution SO2 MAPE Data Test 10.76, air pollution CO MAPE Data Test 22.56 and, air pollution NO2 MAPE Data Test 17.55. From the results of the study that time series data with one variable data as input data with the LSTM method can be used to predict air pollution.
Keywords : Air Pollution Prediction, Long Short Term Memory, Artificial Neural Network
ix
DAFTAR ISI
HALAMAN PERSETUJUAN ... i
HALAMAN PENGESAHAN ... Error! Bookmark not defined. PERNYATAAN KEASLIAN SKRIPSI ... Error! Bookmark not defined. PERNYATAAN PERSETUJUAN PUBLIKASI .... Error! Bookmark not defined. UCAPAN TERIMAKASIH... v
ABSTRAK ... vii
ABSTRACT ... viii
DAFTAR ISI ... ix
DAFTAR TABEL ... xii
DAFTAR GAMBAR ... xiii
BAB I PENDAHULUAN ... 1 1.1 Latar Belakang ... 1 1.2 Identifikasi Masalah ... 3 1.3 Batasan Masalah... 3 1.4 Rumusan Masalah ... 4 1.5 Tujuan Penelitian ... 4 1.6 Manfaat ... 4
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI ... 6
2.1 Tinjaun Pustaka ... 6
2.2 Landasan Teori ... 8
2.2.1 Pencemaran ... 8
2.2.2 Pencemaran Udara ... 13
2.2.3 Polutan Udara Utama ... 19
2.2.4 Machine Learning ... 27
2.2.6 Artificial Neural Network (ANN) ... 31
2.2.7 Recurrent Neural Network (RNN) ... 45
2.2.8 Long Short Term Memory (LSTM) ... 46
x
3.1 Objek Penelitian ... 53
3.2 Tahapan Penelitian ... 53
3.3 Metode Pengumpulan Data ... 55
3.3.1 Sumber Data ... 55
3.3.2 Jenis Data ... 56
3.3 Preprocessing Data ... 56
3.3.1 Pembersihan Data (Data Cleaning) ... 56
3.3.2 Standarisasi Data (Z-Score Normalization) ... 58
3.5 Pembagian Data ... 59
3.6 Metode yang Digunakan ... 59
3.5 Perancangan Model LSTM ... 60
3.5.1 Training LSTM ... 60
3.5.2 Testing LSTM ... 60
3.6 Pengujian ... 60
BAB IV HASIL PENGUJIAN DAN PEMBAHASAN ... 61
4.1 Tahapan Pengujian ... 61
4.1.1 Analisa Data ... 61
4.1.2 Preprocessing Data di Jupyter Notebook ... 63
4.1.3 Proses Pemodelan LSTM ... 67
4.1.4 Proses Testing LSTM ... 68
4.1.5 Proses Perhitungan MAPE ... 68
4.1.6 Proses Visualisasi Hasil Prediksi ... 69
4.2 Tahapan Analisa Parameter... 69
4.2.1 Menganalisa Parameter Jumlah Pola Timeseries ... 69
4.2.2 Menganalisa Parameter Layer LSTM ... 70
4.2.3 Menganalisa Parameter Units LSTM ... 71
4.2.4 Menganalisa Parameter Max Epoch ... 71
4.2.5 Menalisa Parameter Batch Size ... 72
4.2 Pembahasan Hasil Pengujian ... 73
4.2.1 Hasil Pengujian Data Polusi Udara Ozon (O3) ... 73
4.2.2 Hasil Pengujian Data Polusi Udara Partikel Atau Particulate Matter (PM10)………75
xi
4.2.3 Hasil Pengujian Data Polusi Udara Sulfur Dioksida (SO2) ... 76
4.2.4 Hasil Pengujian Data Polusi Udara Karbon Monoksida (CO) ... 78
4.2.5 Hasil Pengujian Data Polusi Udara Nitrogen Dioksida (NO2)... 79
4.2.6 Hasil MAPE O3, PM10, SO2, CO dan NO2 ... 81
BAB V PENUTUP ... 82
5.1 Kesimpulan ... 82
5.2 Saran ... 82
DAFTAR PUSTAKA ... 84
xii
DAFTAR TABEL
Tabel 2.1 Pembagian Hidrokarbon ... 20
Tabel 3. 1 Sampel Data Awal ISPU Berdasarkan SPKU DKI Jakarta………55
Tabel 3. 2 Data yang digunakan ... 57
Tabel 3. 3 Data Jumlah Data Terisi dan Jumlah Missing Value ... 57
Tabel 4. 1 Data ISPU DKI Jakarta Tahun 2017-2018………..61
Tabel 4. 2 Data ISPU DKI Jakarta yang digunakan ... 62
Tabel 4. 3 Analisa Parameter Jumlah Pola Timeseries ... 70
Tabel 4. 4 Analisa Hidden Layer ... 70
Tabel 4. 5 Analisa Parameter Units LSTM ... 71
Tabel 4. 6 Analisa Parameter Max Epoch ... 72
Tabel 4. 7 Analisa Parameter Batch Size ... 72
xiii
DAFTAR GAMBAR
Gambar 2.1 Perbedaan Pemprograman Tradisional dan Machine Learning [34] ... 27
Gambar 2.4 Model Neuron [46] ... 33
Gambar 2.5 Model Tiruan Sebuah Neuron ... 34
Gambar 2.6 Fungsi Aktivasi: Undak Biner (Hard Limit) ... 36
Gambar 2.7 Fungsi Aktivasi: Undak Biner (Threshold) ... 36
Gambar 2.8 Fungsi Aktivasi: Bipolar (Symetric Hard Limit) ... 37
Gambar 2.9 Fungsi Aktivasi: Bipolar (Dengan Threshold) ... 37
Gambar 2.10 Fungsi Aktivasi: Linier (Identitas) ... 38
Gambar 2.11 Fungsi Aktivasi: Symetric Saturating Linear ... 38
Gambar 2.12 Fungsi Aktivasi: Saturating Linear ... 39
Gambar 2.13 Fungsi Aktivasi: Sigmoid Biner ... 40
Gambar 2.14 Fungsi Aktivasi: Sigmoid Bipolar ... 41
Gambar 2.15 Arsiektur Jaringan Single-Layer Feedforward Networks... 41
Gambar 2.16 Multi Layer Perceptron ... 42
Gambar 2.17 Recurrent Neural Networks Tanpa Self-Feedback Loop Maupun Hidden Neurons ... 43
Gambar 2.18 Recurrent neural networks dengan hidden neurons ... 43
Gambar 2.19 Recurrent Neural Network Loop ... 45
Gambar 2.20 Bila Loop RNN dijabarkan, digambarkan Seperti Banyak Neural Network yang Berhubungan Satu Sama Lain ... 45
Gambar 2.21 Struktur RNN dengan 2 Hidden Layer dan 3 Variabel Input Data Berurut. ... 46
Gambar 2.22 Jaringan LSTM Terdiri dari Modul LSTM yang dipanggil Berulang. . 47
Gambar 2.23 Pemprosesan Satu Model RNN ... 47
Gambar 2.24 Pemprosesan Satu Model LSTM... 48
Gambar 2.25 Forget Gate (Gerbang Lupa)... 49
Gambar 2.26 Menggabungkan Aktivasi Sigmoid dn Aktivasi Tanh ... 49
Gambar 2.27 Memperbarui Memory Cell ... 50
Gambar 2.28 Output Gate ... 50
Gambar 3. 1 Tahapan Penelitian………..54
Gambar 4. 1 Proses Import Data di Jupyter Notebook………64
Gambar 4. 2 Visualisasi Data Polusi Udara PM10, SO2, CO, NO2, dan O3 ... 65
Gambar 4. 3 Proses Pembagian Data ... 65
Gambar 4. 4 Data Frame untuk Data Train dan Data Test ... 66
Gambar 4. 5 Data Dalam Bentuk Array ... 66
Gambar 4. 6 Standarisasi Data ... 66
Gambar 4. 7 Data yang Telah Dilakukan Standarisasi ... 67
Gambar 4. 8 Pemodelan LSTM ... 67
xiv
Gambar 4. 10 Pemodelan Prediksi LSTM ... 68 Gambar 4. 11 Proses Perhitungan MAPE Menggunakan Jupyter Notebook ... 68 Gambar 4. 12 Menampilkan Hasil MAPE ... 68 Gambar 4. 13 Proses Visualiisasi Data Test dan Hasil Prediksi Dalam Bentuk Grafik ... 69 Gambar 4. 14 Proses Visualisasi Data Test dan Hasil Prediksi Dalam Bentuk Tabel 69 Gambar 4. 15 Visualisasi Pengujian Model LSTM Menggunakan Data Test Prediksi Polusi Udara O3 ... 74 Gambar 4. 16 Nilai Data Test O3 dan Nilai Prediksi Data Test O3 ... 74 Gambar 4. 17 Visualisasi Pengujian Model LSTM Menggunakan Data Test Prediksi Polusi Udara PM10 ... 75 Gambar 4. 18 Nilai Data Test PM10 dan Nilai Prediksi Data Test PM10 ... 76 Gambar 4. 19 Visualisai Pengujian Model LSTM Menggunakan Data Test Prediksi Polusi Udara SO2 ... 77 Gambar 4. 20 Nilai Data Test SO2 dan Nilai Prediksi Data Test SO2 ... 77 Gambar 4. 21 Visualisasi Pengujian Model LSTM Menggunakan Data Test Polusi Udara CO ... 78 Gambar 4. 22 Nilai Data Test CO dan Nilai Prediksi Data Test CO ... 79 Gambar 4. 23 Visualisasi Pengujian Model LSTM Menggunakan Data Test Prediksi Polusi Udara NO2 ... 80 Gambar 4. 24 Nilai Data Test NO2 dan Nilai Prediksi Data Test NO2 ... 80
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Udara berkualitas buruk bila sifat unsur-unsur pembentuknya membahayakan atau merusak. Pencemaran udara adalah kondisi udara yang tercemar dengan adanya bahan, zat-zat asing atau komponen lain di udara yang menyebabkan berubahnya tatanan udara oleh kegiatan manusia atau oleh proses alam, sehingga kualitas udara berkurang dan tidak dapat berfungsi sesuai dengan peruntukannya. [1]
Di Indonesia khususnya DKI Jakarta pernah menempati urutan pertama kota dengan kualitas udara terburuk di dunia, pada Senin 29 Juli 2019 pukul 09.38 WIB berdasarkan informasi dari www.airvisual.com. Air Quality Index (AQI) dari pusat bisnis dan pemerintahan ini berada diangka 183 masuk pada kategori tidak sehat (151-200). Nilai dari kandungan polusi PM2,5 sebesar 117,3 mikrogram/m3. [2]
Nilai Air Quality Index (AQI) ini dihitung berdasarkan dari enam jenis polutan utama diantaranya PM2.5, PM10, Karbon Monoksida (CO), Asam Belerang (SO2), Nitrogen Dioksida (NO2), dan Ozon (O3) permukaan tanah. [3] Ambang batas normal yang ditetapkan World Health Organization (WHO) untuk kandungan polusi atau partikel debu PM2,5 adalah 25 mikrogram/m3. [4]
Hal ini menimbulkan kekhawatiran bagi penduduk Jakarta dan sekitarnya. Dimana hak atas lingkungan hidup yang baik dan sehat merupakan hak asasi manusia. Sebagai bagian dari hak asasi manusia, maka negara harus menghormati, memenuhi, dan melindungi hak atas lingkungan hidup yang baik dan sehat. [5]
Studi-studi menunjukkan bahwa adanya hubungan erat dari adanya pencemaran udara dengan resiko timbulnya penyakit pada manusia. Paparan pencemar udara, khususnya PM2.5 memiliki hubungan sebab akibat terhadap resiko timbunya penyakit
2
pada manusia dengan penyakit kardiovaskular dan penyakit paru-paru. [6] Data Dinas Kesehatan Provinsi Jakarta menunjukkan bahwa infeksi akut lain pernafasan atas merupakan salah satu dari 10 penyakit terbesar dibeberapa kecamatan di JABODETABEK seperti Palmerah (513 kasus), Kebon Jeruk (1081 kasus), Kembangan (1045 kasus), Cengkareng (2867 kasus), Kalideres (2078 kasus), Senen (353 kasus), Cempaka Putih (1216 kasus), Cilincing (1058 kasus), Pademangan (1268 kasus). [7]
Tingkat polusi udara yang tinggi menimbulkan kerugian yang sangat besar. Perlu adanya suatu tindakan untuk mengatasi permasalahan tersebut. Langkah awal dalam mengatasinya perlu adanya informasi yang memadai untuk mengetahui tingkat polusi udara yang bersifat real time. Informasi yang dapat memprediksi tingkat polusi udara agar masyarakat dan pemerintah dapat melakukan tindakan preventif.
Penelitian mengenai prediksi polusi udara telah banyak di lakukan salah satunya Prediksi Kadar Particulate Matter (PM10) untuk Pemantauan Kualitas Udara Menggunakan Jaringan Syaraf Tiruan Studi Kasus Kota Pontianak oleh Yogi Aprianto, dkk [8]. Pada penelitian ini menggunakan 5 variabel sebagai data input yaitu curah hujan, intesitas penyinaran matahari, kecepatan angin, kelembaban udara, dan suhu udara, dan PM10 sebagai atribut y dengan hasil akurasi 93,34%.
Algoritma jaringan syaraf tiruan (artificial neural networks) atau disingkat JST adalah sistem komputasi dimana arsitektur dan operasi diilhami dari pengetahuan tentang sel syaraf biologi didalam otak. JST dapat digunakan untuk menghasilkan output dari contoh atau input yang dimasukkan dan membuat prediksi mengenai kemungkinan output yang akan mucul. Recurrent Neural Network (RNN) adalah salah satu arsitektur algoritma JST yang dapat memproses data secara bersambung. Namun RNN memiliki permasalahan gradient yang menghilang (vanishing gradient) untuk mengatasinya RNN berevolusi menjadi Long Short Term Memory (LSTM). LSTM mempelajari data mana saja yang disimpan dan data mana saja yang akan dibuang atau dilupakan, karena setiap neuron memiliki beberapa gates yang mengatur memori setiap neuron. [9]
LSTM telah digunakan diberbagai penelitian mengenai pemprosesan data, video dan data time series. Penelitian LSTM telah banyak dilakukan diantaranya Analisis dan Implementasi Long Short Term Memory Neural Network untuk Prediksi Harga Bitcoin oleh Muhammad Wildan Putra Aldi, dkk [9]. Kemudian, Sequence to Sequence Weather Forecasting with LongShort-Term Memory Recurrent Neural Networks oleh Mohamed Akram Zaytar dan Chaker El Amrani [10]
Berdasarkan kemampuan LSTM dan dari latar belakang masalah penulis mengambil penelitian skripsi dengan judul “PENERAPAN ARTIFICIAL NEURAL NETWORK DALAM PREDIKSI PENCEMARAN UDARA STUDI KASUS
KOTA JAKARTA”.
1.2 Identifikasi Masalah
Dari latar belakang masalah yang penulis kemukakan diatas, maka dapat diidentifikasikan masalah sebagai berikut:
1. Polusi udara yang mencemari di kota Jakarta menimbulkan kekhawatirkan bagi penduduk Jakarta dan sekitarnya.
2. Pemerintah membutuhkan suatu informasi polusi udara untuk menetapkan kebijakan dalam mengurangi polusi di Jakarta.
3. Polusi udara di Jakarta menimbulkan berbagai penyakit dan menempati 10 penyakit terbesar.
4. Perlu adanya informasi untuk memprediksi tingkat polusi udara di Jakarta.
1.3 Batasan Masalah
Batasan masalah digunakan agar pembahasan masalah dapat terarah dengan baik dan tidak menyimpang dari pokok permasalahan, maka penulis membatasi permasalahan yang akan dibahas, yaitu implementasi dan pengujian satu variabel
sebagai data input dengan data time series tahun 2017-2018 menggunakan metode Long Short Term Memory untuk polusi udara di Kota Jakarta.
1.4 Rumusan Masalah
Berdasarkan identifikasi masalah dan batasan masalah diatas, penulis merumuskan masalah yaitu: Bagaimana implemetasi arsitektur Long Short Term Memory menggunakan data time series 2017-2018 dan apakah satu variabel sebagai data input dapat berpengaruh untuk memprediksi polusi udara di Kota Jakarta?
1.5 Tujuan Penelitian
Tujuan yang ingin dicapai dari pelaksanaan dan penulisan tugas akhir ini adalah:
1. Mengetahui penerapan algoritma Artificial Neural Network metode Long Short Term Memory pada data time series.
2. Mengetahui pengujian 1 varibel sebagai data input menggunakan metode Long Short Term Memory apakah dapat memprediksi data time series.
3. Mengetahui nilai error dari pengujian data menggunakan Long Short Term Memory untuk memberi informasi nilai error pada hasil nilai prediksi.
4. Mengetahui hasil prediksi menggunakan data test tahun 2018.
1.6 Manfaat
Dengan dilakukanya penelitian ini diharapkan dapat memberikan manfaat sebagai berikut:
1. Bagi peneliti
Sebagai tambahan dan penerapan ilmu pada program studi Teknik Informatika dengan kajian data mining dan metode Artificial Neural Network.
2. Bagi Program Studi Teknik Informatika Universitas Pelita Bangsa
Dapat dijadikan sebagai literatur di Perpustakaan Universitas Pelita Bangsa untuk memberi kontributsi pengetahuan dan penelitian yang berkaitan dengan judul skripsi ini.
3. Bagi Pemerintah DKI Jakarta
Dapat digunakan sebagai metode untuk memprediksi polusi udara di DKI Jakarta serta membantu dalam mengambil keputusan dalam melakukan tindakan preventif dari polusi udara yang terjadi di DKI Jakarta.
4. Bagi Warga DKI Jakarta
Dapat digunakan sebagai media informasi mengenai polusi udara yang terjadi di DKI Jakarta.
6
BAB II
TINJAUAN PUSTAKA DAN LANDASAN TEORI
2.1 Tinjaun Pustaka
Dalam penulisan tugas akhir ini, penulis meneliti dan menggali informasi dari penilitian-penilitian terdahulu yang berkaitan dengan metode jaringan syaraf tiruan dan polusi udara sebagai perbandingan.
1. “Sistem Prediksi Tingkat Pencemaran Polusi Udara dengan Algoritma Naïve Bayes di Kota Makasar” oleh Nurul Aini, Rima Ruktiari, M Riyaldi Pratama dan A. Fitrah Buana, STMIK Dipanegara Makasar, dipublikasikan 2019. Penelitian ini mengklasifikasi data polusi di kota Makasar berdasarkan pengujian whitebox dan pengujian teknologi acceptance dimana semua varibel memenui nilai syarat cornbach alpha diatas 0.60 dan ada beberapa faktor yang mempengaruhi tingkat polusi beberapa bagian di kota Makassar. [11]
2. “Prediksi Particulate Matter (PM10) Untuk Pemantauan Kualitas Udara Menggunakan Jaringan Syaraf Tiruan Studi Kasus Kota Pontianak”. Oleh Yogi Aprianto, Nurhasanah, Iklas Sanubary, Universitas Tanjungpura, dipublikasikan 30 Mei 2018. Karya tulis ilmiah ini berisi penerapan algoritma jaringan syaraf tiruan propagasi balik untuk mengetahui prediksi PM10 studi kasus kota Pontianak untuk mengantisipasi jika alat ukur mengalami kerusakan. Data yang digunakan dalam penelitian ini parameter cuaca yaitu curah hujan, penyinaran matahari, kelembaban udara, kecepatan angin dan suhu udara sebagai suatu input atau masukan jaringan sedangkan untuk output atau target jaringan yaitu PM10. Arsitektur jaringan tersusun atas 5 lapisan tersembunyi yang memeliki neuron 20-20-15-15-10-1. Pelatihan jaringan menghasilkan Mean Squared Error (MSE) sebesar 0,00003 dan koefisien korelasi sebesar
0,9999, sedangkan pengujian jaringan menghasilkan MSE sebesar 0,491 dan koefisien korelasi sebesar 0,9673. Dari hasil ini menunjukkan 93,34% parameter cuaca dapat digunakan sebagai masukkan jaringan syaraf tiruan dalam memprediksi PM10. [8]
3. “SPKU: Sistem Prediksi Kualitas Udara (Studi Kasus: DKI Jakarta)” oleh Aditya Hermawan, Universitas Teknologi Yogyakarta, dipublish 2019. Penelitian ini mengimplementasikan metode Support Vector Machine (SVM) dengan Kernel Radial Basis Function (RBF) untuk memprediksi kualitas udara di Provinsi DKI Jakarta. Akurasi prediksi yang diperoleh pada semua data DKI Jakarta sebesar 96,03%, akurasi prediksi pada data Jakarta Pusat (DKI1) sebesar 93.97%, akurasi prediksi pada data Jakarta Utara (DKI2) sebesar 91.35%, akurasi prediksi pada data Jakarta Selatan (DKI3) sebesar 89.47%, akurasi prediksi pada data Jakarta Timur (DKI4) sebesar 89.27%, dan akurasi prediksi pada data Jakarta Barat sebesar 87.29% (DKI5). Hal ini dipengaruhi oleh pengaturan nilai parameter yang optimal yaitu nilai cost = 3, nilai epsilon = 0.001, nilai sigma = 0.03, nilai maksimal iterasi = 10, nilai toleransi = 0.0001 dan banyak nilai sama = 10. [12]
4. “Analisis dan Implementasi Long Short Term Memory Neural Network untuk Prediksi Harga Bitcoin”, oleh Muhammad Wildan Putra Aldi, Jondri dan Annisa Aditsania, Universitas Telkom Bandung, dipublis 2 Agustus 2018. Penelitian ini menggunakan algoritma Jaringan Syaraf Tiruan dengan menggunakan arsitektur Long Short Term Memory menganalisa parameter seperti jumlah pola time series, jumlah neuron hidden, max epoch dan komposisi data latih dan uji terhadap akurasi prediksi yang didapatkan. Hasil analisis prediksi Bitcoin rata-rata tingkat akurasi sebesar 93,5% terhadap data testing. [9]
5. “Sequence to Sequence Weather Forecasting with Long Short-Term Memory Recurrent Neural Networks”, oleh Mohamed Akram Zaytar dan Chaker El Amrani, Department of Computer Engineering Faculty of Science and
Technology, Tangier Route Ziaten (Morocco), dipublish Juni 2016. Penelitian dengan tujuan untuk memprediksi cuaca dengan data time series dari 9 kota di Marocco dengan rentang waktu 2000-2015. Data yang di gunakan data 24 jam dan 72 jam (untuk temperatur, kelembaban dan kecepatan angin). [10]
2.2 Landasan Teori 2.2.1 Pencemaran
Pencemaran lingkungan atau sering disebut dengan polusi saat ini menjadi isu hangat dan mendapat perhatian penduduk dunia. Pencemaran lingkungan menyangkut mengenai keselamatan, kesehatan, serta kehidupan manusia dan makhluk hidup lainnya. Menurut Undang-Undang Nomor 23 Tahun 1997 tentang Pengelolaan Lingkungan Hidup, pencemaran lingkungan adalah masuknya atau dimasukkannya makhluk hidup, zat, energi, dan atau komponen lain kedalam lingkungan hidup oleh kegiatan manusia sehingga kualitasnya turun sampai ketingkat tertentu yang menyebabkan lingkungan hidup tidak dapat berfungsi sesuai peruntukannya.
Dalam ensiklopedi ilmu pengetahuan dari Grolier, pencemaran lingkungan adalah masuknya material atau energi ke dalam air, tanah, atau udara yang menyebabkan kerusakan atau kerugian secara akut (jangka pendek) atau kronis (jangka panjang) terhadap keseimbangan ekologi bumi atau kualitas hidup yang lebih rendah. Polusi dapat menyebabkan kerusakan primer, yang dapat langsung diamati pada lingkungan atau kerusakan sekunder pada jaringan makanan yang baru bisa diamati pada waktu lama.
Hubungan antar makhluk hidup, terutama manusia dan lingkungannya telah berlangsung sejak manusia lahir. Seseorang yang lahir di dunia, secara langsung ataupun tidak telah melakukan interelasi dengan lingkungan hidupnya seperti memanfaatkan oksigen untuk bernafas. Semakin bertambahnya usia manusia, semakin meningkat pula kebergantungan terhadap lingkungan. Kebergantungan manusia
terhadap lingkungan terkadang menimbulkan dampak terhadap lingkungan. Seperti pemanfaatan sumber daya alam untuk pembangunan. Selain berdampak positif, pembangunan juga menimbulkan berbagai dampak negatif. Sebagai contoh kegiatan pabrik yang mengeluarkan asap yang mencemari udara, penebangan hutan tanpa reboisasi menyebabkan hutan gundul, pertanian dengan menggunakan pestida yang dapat mencemari tanah dan air, serta macam kegiatan manusia lainnya.
Pencemaran dapat timbul sebagai akibat kegiatan manusia ataupun disebabkan oleh alam (misal gunung meletus, gas beracun). Bumi memiliki kemampuan untuk menyerap dan memurnikan bahan pencemar dengan batas jumlah dan waktu tertentu. Namun, kuantitas polutan semakin meningkat dengan cepat sehingga lingkungan tidak mampu untuk memperbaiki diri. Peningkatan aktivitas industri, penggunaan kendaraan bermotor, dan jumlah penduduk telah menyebabkan pertumbuhan eksponensial produksi barang dan jasa. Akibatnya, jumlah sampah yang dihasilkan dari produksi barang dan jasa ini meningkat tajam.
Indikator lingkungan telah terjadi perusakan atau pencemaran lingkungan adalah baku mutu lingkungan hidup. Undang-undang RI No. 23 Tahun 1997 tentang Pengolaan lingkungan Hidup pasal 1 ayat (11) baku mutu lingkungan hidup adalah ukuran batas atau kadar makhluk hidup, zat, energi, atau komponen yang ada atau harus ada dan atau unsur pencemar yang ditenggang keberadaannya dalam suatu sumber daya tertentu sebagai unsur lingkungan hidup. [13]
Pencemaran lingkungan merugikan makhluk hidup termasuk manusia. Pencemaran lingkungan ditimbulkan oleh bahan atau zat pencemar yang disebut polutan. Contoh zat polutan diantaranya, karbon dioksida di udara dengan kadar sampai 0,033% dapat bermanfaat untuk proses fotosintetis pada tumbuhan. Bila kadarnya melebihi 0,033% menjadi polutan karena bersifat merusak. Suatu zat dapat disebut polutan bila memiliki sifat:
1. Jumlahnya melebihi jumlah normal
2. Berada atau muncul pada waktu yang tidak tepat 3. Berada atau muncul pada tempat yang tidak tepat
Zat pencemar atau polutan memiliki sifat, diantaranya:
1. Merusak untuk sementara, tetapi bila telah bereaksi dengan zat lingkungan tidak merusak lagi.
2. Merusak dalam waktu lama. Contohnya Pb tidak merusak bila konsentrasinya rendah. Akan tetapi dalam jangka waktu yang lama, Pb dapat terakumulasi dalam tubuh sampai tingkat yang merusak.
Pencemaran lingkungan pada umumnya dibedakan menjadi tigan diantaranya, pencemaran air, pencemaran tanah, pencemaran udara. Pencemaran lainnya adalah polusi suara (bising), polusi radiasi, hujan asam dan logam berat, khususnya merkuri.
A. Jenis-jenis Pencemaran Lingkungan 1. Pencemaran Menurut Bahan Pencemaran
Menurut bahan pencemarnya, pencemaran lingkungan dapat berupa:
a. Pencemaran kimiawi disebabkan oleh bahan kimia seperti karbon dioksida (CO2), logam berat (Hg, Pb, As, Cd, Cr, Ni), bahan radioaktif, pestisida, detergen, pupuk anorganik, dan minyak.
b. Pencemaran biologi disebabkan oleh mikroorganisme atau bakteri seperti Escherichia coli, Entamoeba coli, dan Salmonella thyposa.
c. Pencemaran fisik yang disebabkan oleh sampah padat seperti logam, kaleng, botol kaca, plastik, dan karet.
B. Pencemaran Berdasarkan Tingkat Pencemaran
Menurut tingkat pencemarannya, pencemaran dibedakan menjadi sebagai berikut:
1. Pencemaran ringan, yaitu pencemaran yang dimulai menimbulkan gangguan ekosistem lain. Contohnya pencemaran gas kendaraan bermotor.
2. Pencemaran kronis, yaitu pencemaran yang mengakibatkan penyakit kronis. Contohnya pencemaran Minamata, Jepang.
3. Pencemaran akut, yaitu pencemaran yang dapat mematikan seketika. Contohnya pencemaran gas CO dari knalpot yang mematikan orang didalam mobil tertutup, dan pencemaran radioaktif.
C. Pencemaran Berdasarkan Parameter Pencemaran Lingkungan
Suatu lingkungan dikatakan telah tercemar bila pada lingkungan itu tampak tanda-tanda pencemaran. Parameter pencemaran digunakan sebagai indikator (petunjuk) terjadinya pencemaran dan tingkat pencemaran yang telah terjadi. Parameter pencemaran meliputi parameter fisik, parameter kimia, dan parameter biologi.
1. Parameter Fisik
Parameter fisik meliputi suhu, rasa, warna, bau, kekeruhan, dan zat berbahaya seperti zat radioaktif.
2. Parameter Kimia
Parameter kimia dilakukan untuk mengetahui kadar CO2, pH, keasaman, kadar logam, dan logam berat. Sebagai contoh berikut disajukan pengukuran pH air, kadar CO2, dan oksigen terlarut.
3. Parameter Biologi
Lingkungan yang telah tercemar dapat ditunjukkan oleh keberadaan hewan atau oganisme tertentu. Hewan atau organisme itu biasanya peka atau justru tahan
terhadap pencemaran. Sebagai contoh siput air dan planaria adalah salah satu jenis hewan yang peka terhadap pencemaran. Sungai atau perairan yang terdapat siput air dan planaria menunjukkan bahwa sungai belum mengalami pencemaran.
Sebaliknya, cacing merah (tubifex) adalah hewan yang dapat bertahan hidup dan berkembang biak dengan baik di lingkungan yang banyak mengandung bahan organik, sedangkan jenis hewan lainnya tidak dapat bertahan hidup. Keberaadaan cacing merah ini menunjukkan bahwa lingkungan tersebut telah tercemar oleh bahan organik. Hewan atau organisme yang dapat dijadikan petunjuk pencemaran lingkungan dikenal dengan indikator biologis. Indikator biologis terkadang lebih dipercaya daripada indikator kimia.
D. Pencemaran Lingkungan Berdasarkan Tempat Terjadinya
Pencemaran lingkungan dapat dibedakan berdasarkan tempat terjadinya dan berdasarkan tingkat pencemarannya. Berdasarka tempat terjadinya, pencemaran lingkungan dibedakan sebagai berikut:
1. Pencemaran udara
Pencemaran udara terjadi pada saat hadirnya substansi baik fisik, kimia, maupun biologi di udara yang jumlahnya dapat membahayakan bagi makhluk hidup dan lingkungan.
2. Pencemaran air
Pencemaran air adalah suatu perubahan kadaan di danau, sungai, lautan, dan air tanah akibat aktivitas manusia maupun alam. Air bersih harus mempunyai standar 3B (tidak berwarna, berbau, dan beracun).
3. Pencemaran tanah
Pencemaran tanah merupakan keadaan ketika bahan kimia buatan manusia masuk dan merubah lingkungan tanah alami. Pencemaran tanah mempunyai
hubungan yang erat dengan pencemaran udara maupun dengan pencemaran air. Bahan pencemar yang ada di udara larut dan terbawa oleh air hujan, jatuh ke tanah sehingga menimbulkan pencemaran tanah.
4. Pencemaran suara
Pencemaran suara adalah bunyi atau suara sangat keras yang meleihi batas kenyamanan pendengaran manusia. Nilai Ambang Batas (NAB) kebisingan tertinggi pada beberapa waktu maksimum bekerja yang masih diperbolehkan dalam hitungan harian, yaitu:
a. Tingkat kebisingan 85 dB untuk 8 jam/hari. b. Tingkat kebisingan 88 dB untuk 4 jam/hari. c. Tingkat kebisingan 91 dB untuk 2 jam/hari. d. Tingkat kebisingan 94 dB untuk 1 jam/hari. e. Tingkat kebisingan 97 dB untuk 30 menit/hari. f. Tingkat kebisingan 100 dB untuk 15 menit/hari. [14]
2.2.2 Pencemaran Udara
It has been estimated that a man can live for 5 weeks without food, for 3 days without water, but only 5 minutes without air. Diperkirakan orang tanpa makan dapat bertahan 5 minggu, tanpa air dapat bertahan 5 hari, tanpa udara hanya bertahan 5 menit. Hal ini menyimpulkan bahwa udara lebih penting dari makan dan air. Bukan sekedar udara biasa, namun udara yang bersih yang mampu mendukung segala kehidupan baik manusia, hewan maupun tumbuhan. Pentingnya udara hampir tidak disadari keberadaannya karena mendapatkan dengan cuma-cuma dibandingkan dengan makanan yang harus membeli atau mengolah terlebih dahulu, demikian juga air. [15]
Udara adalah suatu kumpulan atau campuran gas yang menyelimuti permukaan bumi. Campuran gas di udara terdiri dari sekitar 78% nitrogen, 20,8% oksigen, 0,9% argon, 0,03% karbon dioksida, dan 0,27% gas lain. Gas lain ini meliputi helium, neon,
krypton, xenon, hydrogen, dan metan. Komposisi campuran gas tersebut tidak selalu konsistan. Komponen yang konsentrasinya selalu bervariasi adalah air dalam bentuk uap H2O dan karbon dioksida (CO2). Jumlah uap air yang terdapat di udara bervariasi tergantung dari cuaca dan suhu. Udara adalah campuran beberapa macam gas yang perbandingannya tidak tetap tergantung pada suhu dan tekanan udara.
Disadari atau tidak, kualitas udara mulai menurun akibat aktivitas manusia misalnya merokok, kegiatan industri, transportasi, paembakaran lahan dan lain sebagainya. Dalam hal inilah udara dikatakan mengalami pencemaran akibat perubahan komposisi udara berubah. Secara alami alam memiliki kemampuan self purification, yaitu kemampuan membersihkan dirinya, antara lain siklus hidrologi yang dapat membersihkan atsmofer. Alam juga telah menyediakan unsur-unsur dasar yang dapat dipergunakan untuk kehidupan mikroorganisme yang mampu menguraikan bahan pencemar dalam jumlah yang cukup dan berkelenjutan. Namun dengan semakin bertambahnya pencemaran udara oleh aktivitas manusia, maka alam tidak dapat lagi membersihkan dirinya dan tidak dapat memenuhi fungsi untuk mendukung kehidupan. [15]
Menurut Chambers dalam Mukono, pengertian pencemaran udara adalah bertambahnya bahan atau substrat fisik atau kimia ke dalam lingkungan udara normal yang mencapai sejumlah tertentu, sehingga dapat dideteksi oleh manusia atau yang dapat dihitung dan diukur, serta dapat memberikan efek pada manusia, binatang, vegetasi dan material. Sedangkan menurut Kumar dalam Mukono (2008), pengertian pencemaran udara ialah adanya bahan polutan di atmosfer yang dalam konsentrasi tertentu akan mengganggu keseimbangan dinamik atmosfer dan mempunyai efek pada manusia dan lingkungannya. [16]
Berdasarkan Peraturan Pemerintah RI No. 41 Tahun 1999 mengenai Pengendalian Pencemaran udara, yang dimaksud dengan pencemaran udara adalah “masuknya atau dimaksuknya zat, energi dan/atau komponen lain ke dalam udara
ambient oleh kegiatan manusia sehingga mutu udara ambient turun sampai ke tingkat tertentu yang menyebabkan udara ambient tidak memenuhi fungsinya”. [17]
Menurut pengertian Chambers dalam mukono pencemaran udara yaitu adanya suatu bahan-bahan atau zat lain yang menyebabkan perubahan pada komposisi atau susunan udara dalam keadaan normal. Bahan-bahan atau zat lain didalam udara dalam jumlah yang berlebih dan waktu yang lama, sehingga dapat memberikan efek bagi manusia dan lingkungan. Sedangkan menurut Peraturan Pemerintah pencemaran udara adanya suatu zat lain didalam udara akibat aktivitas manusia, sehingga dapat memberi efek pada manusia dan lingkungan. Dalam Peraturan Pemerintah bencana alam yang dapat mencemari udara tidak disebutkan dalam pasalnya hal ini berhubungan dengan regulasi yang dibuat dan sanksi tuntutan hukum. [16]
A. Jenis-jenis Pencemaran Udara
1. Pencemaran Udara Berdasarkan Bentuknya
Menurut bentuknya, pencemaran udara dibedakan menjadi gas dan partikel. a. Pencemaran Udara Berbentuk Gas
Pencemaran udara berbentuk gas dapat dibedakan, diantaranya: - Golongan belerang terdiri dari Sulfur Dioksida (SO2) dan Hidrogen.
- Golongan Nitrogen terdiri dari Nitrogen Oksida (N2O), Nitrogen Monoksida (NO), Amoniak (NH3), dan Nitrogen Dioksida (NO2).
- Golongan Karbon terdiri dari Karbon Dioksida (CO2), Karbon Monoksida (CO), dan Hidokarbon.
- Golongan gas yang berbahaya terdiri dari Benzen, Vinyl Klorida, dan air raksa uap. [1]
b. Pencemaran Udara Berbentuk Partikel
Partikel dalam atmosfer mempunyai karakteristik spesifik, dapat berupa zat padat maupun suspensi aerosol cair. Bahan partikel tersebut dapat berasal dari proses kondensasi, proses dispersi misalnya proses menyemprot (spraying)
maupun proses erosi bahan tertentu. Asap (smoke) seringkali dipakai untuk menunjukkan campuran bahan partikulat (paticulate matter), uap (fumes), gas dan kabut (mist). [18]
Adapun yang dimaksud dengan:
- Asap, adalah partikel karbon yang sangat halus (sering disebut jelaga) dan merupakan hasil dari pembakaran yang tidak sempurna.
- Debu, adalah partikel padat yang dihasilkan oleh manusia atau alam dan merupakan hasil proses pemecahan suatu bahan.
- Uap, adalah partikel padat yang merupakan hasil dari proses sublimasi, distilasi atau reaksi kimia.
- Kabut, adalah partikel cair dari reaksi kimia dan kondensasi uap air. Berdasarkan ukuran, secara garis besar partikel dapat merupakan suatu: - Partikel debu kasar (coarse particle), jika diameternya > 10 mikron. - Partikel debu, uap dan asap, jika diameternya diantara 1 - 10 mikron. - Aerosol, jika diameternya < 1 mikron. [18]
Pencemaran udara berbentuk partikel dibedakan menjadi :
- Mineral (anorganik) dapat berupa racun seperti air raksa dan timah. - Bahan organik terdiri dari ikatan hidrokarbon, klorinasi alkan, Benzen. - Makhluk hidup terdiri dari bakteri, virus, telur cacing. [1]
B. Pencemaran Udara Berdasarkan Tempatnya
Pencemaran udara menurut tempat dan sumbernya dibedakan menjadi dua sebagai berikut:
1. Pencemaran udara bebas/udara ambient (outdoor air pollution)
Udara bebas disekitar manusia tanpa batas, seandainya ada batas pasti sangat luas. Sumber pencemaran udara bebas:
- Alamiah, berasal dari letusan gunung berapi, pembusukan, dan lain-lain. - Kegiatan manusia, misalnya bersal dari kegiatan industry, rumah tangga, asap
kendaraan, rokok, dan lain-lain.
2. Pencemaran udara ruangan (indoor air pollution)
Berupa pencemaran udara didalam ruangan yang bersal dari pemukiman, perkantoran ataupun gedung tinggi. [1]
C. Pencemar Udara Berdasarkan Gangguan Kesehatannya
Pencemaran udara berdasarkan pengaruhnya terhadap gangguan kesehatan dibedakan menjadi tiga jenis, antara lain:
1. Irintasia
Biasanya poluatan ini bersifat korosif. Merangsang proses peradangan hanya pada saluran pernapasan bagian atas, yaitu saluran pernapasan mulai dari hidung hingga tenggorokkan.
Misalnya Sulfur Dioksida, Sulfur Trioksida, Amoniak, debu. Iritasi terjadi pada saluran pernapasan bagian atas dan juga dapat mengenai paru-paru sendiri. [1]
2. Asfiksia
Disebabkan oleh berkurangnya kemampuan tubuh dalam menangkap oksigen atau mengakibatkan kadar O2 menjadi bekurang. Keracunan gas Karbon Monoksida mengakibatkan CO akan mengikat hemoglobin sehingga kemampuan hemogoblin mengikat O2 berkurang terjadilah Asfiksia. Yang termasuk golongan ini adalah gas Nitrogen, Oksida,Metan, Hidrogen dan Helium. [1]
3. Anestesia
Bersifat menekan susunan syraf pusat sehingga kehilangan kesadaran, misalnya aeter, aetilene, propane, dan alcohol alifatis toksis. Titik tangkap terjadinya berbagai jenis, yaitu:
- Menimbulkan gangguan pada sistem pembuatan darah, misalnya benzene, fenol, toluene, dan xylene.
- Keracunan terhadap susunan syaraf, misalnya disulfide, metal alkohol. [1]
D. Pencemaran Udara Berdasarkan Asalnya
Pencemaran udara dapat pula dikelompokkan kedalam: 1. Pencemar Primer
Subtansi pencemar yang ditimbulkan langsung dari sumber pencemaran udara. Antara lain Karbon Monoksida, CO2, Hidrokarbon, SO, serta berbagai partikel [19]. Sumber pencemar primer di udara dapat digolongkan menjadi 2 yaitu sumber yang bersifat alamiah (natural) dan kegiatan manusia (antropogenik). Contoh sumber alami adalah akibat letusan gunung berapi, kebakaran hutan, dekomposisi biotik, debu, spora tumbuhan, dan lain sebagainya. Sedangkan pencemaran antropogenik banyak dihasilkan dari aktivitas transportasi,
industri, rokok, dari persampahan, baik akibat dekomposisi ataupun pembakaran, dan rumah tangga. [15]
2. Pecemar Sekunder
Senyawa kimia yang terbentuk di atmosfer melalui reaksi kimia diantara berbagai kompenen di udara, sehingga pada konsentrasi tertentu dapat membahayakan bagi kehidupan. Bahan pembentuknya dapat berasal dari pencemar primer atau secara alami ada di atmosfer. Misalnya SO2 di udara akan bereaksi dengan H2O menghasilkan H2SO4 sebagai hujan asam, NO menjadi NO2, Ozon, Peroxy Acyl Nitrate (PAN). [19]
2.2.3 Polutan Udara Utama
Bahan kimia diudara yang berpengaruh negatif pada makhluk hidup dikategorikan sebagai pencemar udara. Ada banyak jenis pencemar udara, tetapi yang penting ada 5 jenis yaitu:
- Oksidan Fotokimia dan Hidrokarbon(O3, PAN) - Oksida karbon (CO, CO2)
- Oksida belerang (SO2, SO3) - Oksida nitrogen (NO, NO2, N2O)
- Partikel (debu, asam, timbal, pestisida dan sebagainya)
A. Oksidan Fotokimia dan Hidrokarbon
Oksidan fotokimia dan Hidrokarbon merupakan komponen polutan udara yang berbeda tetapi mempunyai hubungan satu sama lain.
1. Hidrokarbon
Hidrokarbon adalah salah satu jenis dari emisi senyawa organik volatil. Bahan ini merupakan senyawa organic yang hanya mengandung atom Karbon dan Hidrogen. Biasanya substan ini berasal produk petroleum dan di kelompokkan.
Tabel 2.1 Pembagian Hidrokarbon Kelompok Sub-kelompok Reaktivitas Contoh Aliphatik Alkana Alkena (Olefin) Alkuna Inert Tinggi Reaktif Metana Etilena+NO2 PAN, O3
Aromatik Benzena Tidak terlalu aktif
PAH (polycyclic aromatic hydrocarbon)
Benzopirena Benzofluoanthena
Jenis hidrokarbon paling dikenal adalah metana. Walaupun hidrokarbon ini inert dan bukan bahan pencemar serius, metana sekarang diketahui sebagai salah satu gas rumah kaca (greenhouse gas). Gas ini dihasilkan dari kotoran hewan, hutan, lokasi pembangun sampah (landfill site), kendaraan dan lain-lain. Saat ini pengaruh gas ini terhadap kerusakan lapisan ozon sangat dipahami. Selanjutnya, sumber utama hidrokarbon buatan adalh dari aktivitas transportasi, produksi bahan kimia organic, pengolahan minyak mentah, dan distributsi gas alam. [20]
2. Oksidan Fotokimia
Oksidan fotokimia adalah komponen atmosfer yang diproduksi oleh proses fotomikia, yaitu suatu proses kimia yang mebutuhkan sinar, yang akan
mengoksidasi komponen-komponen yang tidak segera dapat dioksidasi oleh gas Oksigen. Senyawa yang terbentuk merupakan polutan sekunder yang diproduksi karena interaksi antara polutan primer dengan sinar matahari. Hidrokarbon merupakan komponen yang berperan dalam produksi oksidan fotokimia. Reaksi ini juga melibatkan siklus fotolitik NO2. Polutan sekunder yang paling berbahaya yang dihasilkan oleh reaksi hidrokarbon dalam siklus tersebut adalah Ozon (O3) dan Peroksiasetilnitrat, yaitu salah satu komponen yang paling sederhana dari grup Peroksiasilnitrat (PAN).
Oksidan yang utama adalah Ozon (O3), Nitrogen Dioksida (NO2) dan Peroxyacylnitrate (PAN). NO2 berasal dari hasil reaksi fotokimia NO dengan Oksigen di udara. Sedangkan Ozon dan PAN berasal dari reaksi fotokimia NO, NO2, SO2 dan radiakal hidrokarbon. [15]
Ozon dan PAN merupakan pencemar sekunder, perbedaannya Ozon bukan merupakan hidrokarbon tetapi konsentrasi O3 di atmosfer naik sebagai akibat langsung dari reaksi hidrokarbon, sedangkan PAN merupakan turunan hidrokarbon. Hasil reaksi antara O dengan hidrokarbon merupakan produk intermediat yang sangat reaktif dan disebut hidrokarbon radikal bebas (RO2). Radikal bebas semacam ini dapat bereaksi lebih lanjut dengan berbagai komponen termasuk NO, NO2, O2, O3, dan hidrokarbon lainnya. Reaksi-reaksi dari radikal bebas ini memiliki beberapa reaksi diantaranya sebagai berikut: - Radikal bebas bereaksi cepat dengan NO membentuk NO2. Karena NO
dihilangkan dari siklus tersebut, akibatnya mekanisme normal untuk menghilangkan O3 dari siklus tidak terjadi, sehingga konsentrasi O3 meningkat. - Radikal bebas dapat bereaksi dengan O2 dan NO2 membentuk Peroksiasilnitrat
(PAN).
- Radikal bebas dapat bereaksi dengan hidrokarbon lainnya dan komponen oksigen membentuk komponen organik lainnya yang tidak diinginkan.
Daerah perkotaan umumnya sumber hidrokarbon dan NOx pada umumnya berasal dari kendaraan bermotor. Pada udara bersih konsentrasi O3 di lapisan trophosfer berkisar antara 20 sampai 80 ppb, sedangkan daerah perkotaan yang tercemar, konsetrasi O3 mencapai 500ppb. Konsentrasi ozon yang melebihi batas normal dapat berpangaruh pada kesehatan diantaranya memperpendek pernafasan, merusak vegetasi, dan juga berpengaruh pada kerusakan produk yang terbuat dari karet (ban). [20]
B. Karbon Monoksida (CO)
Karbon monoksida (CO) adalah suatu gas yang tidak bewarna, tidak berbau dan juga tidak memiliki rasa. Karbon monoksida yang terdapat di alam terbentuk dari beberapa proses, yaitu:
1. Pembakaran tidak lengkap terhadap karbon atau komponen yang mengandung karbon.
2. Reaksi antara karbon dioksida dan komponen yang mengandung karbon pada suhu tinggi.
3. Pada suhu tinggi, karbon dioksida terurai menjadi karbon monoksida (CO) dan oksigen (O).
Gas karbon monoksida sebagian besar berasal dari pembakaran bahan fosil dengan udara. Di daerah perkotaan yang padat lalu lintas menghasilkan gas CO yang paling tinggi dihasilkan dari gas buang kendaraan bermotor, emisi dari pabrik atau industri, pembangkit listrik. Didalam rumah pencemaran udara oleh CO disebabkan gas untuk memasak, untuk pemanas air dan pemanas ruangan. Asap rokok juga merupakan sumber utama dari pencemaran CO ini.
Secara sederhana pembakaran karbon dalam minyak bakar terjadi melalui beberapa tahap sebagai berikut :
2C + O2 2CO 2CO + O2 2CO2
Reaksi pertama berlangsung sepuluh kali lebih cepat daripada reaksi kedua, oleh karena itu CO merupakan intermediat pada reaksi pembakaran tersebut dan dapat merupakan produk akhir jika jumlah O2 tidak cukup untuk melangsungkan reaksi kedua. CO juga dapat merupakan produk akhir meskipun jumlah oksigen di dalam campuran pembakaran cukup, tetapi antara minyak bakar dan udara tidak tercampur rata. Pencampuran yang tidak rata antara minyak bakar dengan udara menghasilkan beberapa tempat yang kekurangan oksigen. Semakin rendah perbandingan antara udara dengan minyak bakar, semakin tinggi jumlah karbon monoksida yang dihasilkan.
Penyebaran gas karbon monoksida di pengaruhi oleh lingkungan. Daerah perkotaan udaranya sudah banyak tercemar oleh gas CO. Sedangkan, daerah pinggiran kota atau desa, udara yang tercemar CO masih relative sedikit. Hal ini dikarenakan tanah yang masih terbuka dimana belum ada bangunan diatasya, dapat membantu penyerapan CO. Mikroorganisme yang terdapat dalam tanah dapat membantu proses penyerapan CO yang terdapat di udara. Angin dapat mengurangi konsentrasi gas CO pada suatu tempat karena dipindahkan ke tempat lain.
C. Sulfur Oksida (SOx)
Gas belerang oksida atau sulfur oksida (SOx) adalah gas yang tidak berbau jika berada pada konsentrasi rendah tetapi akan memberika bau yang tajam pada konsentrasi pekat. Gas ini menjadi pencemar jika kadarnya sampai 18%. Polusi oleh sulfur oxide terdiri dari dua komponen gas yang tidak berwarna yaitu sulfur dioxide (SO2) dan sulfur trioxide (SO3). Sulfur dioxide mempunyai karakteristik bau yang tajam dan tidak terbakar di udara, sedangkan sulfur trioxide merupakan komponen yang sangat reaktif. Gas SO3 mudah bereaksi dengan uap air yang ada di udara untuk membentuk asam sulfat atau H2SO4. Asam sulfat ini sangat reaktif, mudah bereaksi (memakan) benda-benda lain yang mengakibatkan kerusakan, seperti proses
pengkaratan (korosi) dan proses kimiawi lainnya. Konsentrasi gas SO2 di udara akan mulai terdeteksi oleh indera manusia (tercium baunya) manakala konsentrasinya berkisar antara 0,3 – 1 ppm. [15]
Dalam daur belerang termasuk SO2, H2S, dan H2SO4. Asam ini dan garamnya merupakan aerosol, yakni suspensi cairan atau padatan dalam gas. Gas H2S diproduksi oleh pembusukan bahan organik, letusan gunung berapi dan akibat industri. Jumlah SO2 karena oksidasi H2S adalah 80% sisa 20% hasil aktivitas manusia yaitu bahan bakar yang mengandung belerang dan pelelehan logam non-fero. [21]
SO3 di udara dalam bentuk gas jika konsentrasi uap air sangat rendah. Jika uap air terdapat dalam jumlah cukup, SO3 dan air menyatu membentuk droplet asam sulfat (H2SO4). Setelah berada di atmosfer, sebagian SO2 akan diubah menjadi SO3 (kemudian menjadi H2SO4) oleh proses-proses fotolitik dan katalitik. Jumlah SO2 yang teroksidasi menjadi SO3 dipengaruhi oleh beberapa faktor termasuk jumlah air yang tersedia, intensitas, waktu dan distribusi spektrum sinar matahari
Senyawa belerang selain mencemari udara juga mengancam kehidupan di air. Hujan dan salju yang mengandung senyawa belerang akan mencemari tanah, sungai, danau, dan kolom. Organisme yang hidup dalam air akan mati jika pH terlalu rendah di bawah 4,0. Senyawa H2SO3 dan H2SO4 mengakibatkan kerusakan pada logam, batu-batuan, candi, genting bahkan granit. Belerang dioksida menyebabkan warna barang berubah dan menjadi rapuh. Misalnya barang-barang dari plastic, karet, kertas dan sebagainya. [21]
D. Nitrogen Oksida (NOx)
Nitrogen oksida disebut dengan NOx, karena nitrogen oksida mempunyai 2 macam bentuk dengan sifat yang berbeda, yaitu gas NO2 dan gas NO. Sifat gas NO2 mempunyai sifat berbau dan berwarna, sedangkan gas NO tidak berbau dan tidak berwarna. Gas NO2 berwarna merah kecoklatan dan berbau tajam menyengat hidung.
Emisi nitrogen oksida dipengaruhi oleh kepadatan penduduk karena sumber utama NOx yang diproduksi manusia adalah dari pembakaran, dan kebanyakan pembakaran disebabkan oleh kendaraan, produksi energi dan pembuangan sampah. Sebagian besar emisi NOx yang dibuat manusia berasal dari pembakaran arang, minyak, gas alam dan bensin.
Udara terdiri dari sekitar 80% volume nitrogen dan 20% volume oksigen. Gas nitrogen dioksida (NO2) bila mencemari udara mudah diamati dari baunya yang sangat menyengat dan warnanya coklat kemerahan. Organ tubuh yang paling peka terhadap pencemaran gas NO2 adalah paru-paru. Paru-paru yang terkontaminasi oleh gas NO2 akan membengkak sehingga penderita sulit bernapas yang dapat mengakibatkan kematian. Konsentrasi gas NO yang tinggi dapat menyebabkan gangguan pada system syaraf yang mengakibatkan kejang-kejang. Pada tanaman dapat menyebabkan nekrosis atau kerusakan pada jaringan daun. Pencemaran udara oleh gas NOx juga dapat menyebabkan timbulnya Peroxi Acetil Nitrates (PAN). Dapat menyebabkan iritasi pada mata yang menyebabkan mata terasa pedih dan berair. [15]
E. Partikulat (PM)
Partikel adalah pencemar udara yang dapat bercampur dengan bahan atau bentuk pencemar lainnya. Partikel secara sempit dapat diartikan sebagai bahan pencemar udara yang berbentuk padatan. Namun dalam pengertian yang lebih luas, kaitan terhadap pencemaran lingkungan lebih dalam, pencemar partikel dapat meliputi berbagai macam bentuk, mulai dari bentuk yang sederhana sampai dengan bentuk yang rumit atau kompleks yang kesemuanya merupakan bentuk pencemaran udara.
Sumber pencemaran partikel dapat berasal dari peristiwa alami dan dapat juga berasal dari aktivitas manusia. Pencemaran partikel yang berasal dari alam, adalah sebagai berikut:
1. Debu, tanah, pasir halus yang terbang terbawa oleh angin kencang.
2. Abu dan bahan-bahan vulkanik yang terlempar ke duara akibat letusan gunung berapi.
3. Semburan uap air panas di sekitar daerah sumber panas bumi di daerah pegunungan.
Sumber pencemaran partikel akibat aktivitas manusia diantarnya proses industri, pembakaran batubara, pembakaran hutan, gas buangan dari alat transportasi. Aktivitas manusia dapat berperan juga dalam penyebaran partikel, misal dalam bentuk partikel debu dan asbes dari bahan bangunan, abu terbang dari proses peleburan baja dan asap dari proses pembakarana tidak sempuran, terutama dari batu arang.
Debu adalah zat padat yang dihasilkan oleh manusia atau alam dan merupakan hasil dari proses pemecahan suatu bahan. Debu adalah zat padat yang berukuran 0,1 – 25 mikron. Debu termasuk kedalam golongan partikulat. Partikulat adalah zat padat atau cair yang halus dan tersuspensi diudara, misalnya embun, debu, asap, fumes dan fog.
Benda partikulat, asap dan jelaga disebut benda partikel tetapi bentuk yang paling berbahaya dari benda padat ini adalah partikel-partikel sangat kecil dan halus yang dapat menembus ke dalam paru-paru yang hanya dilindungi oleh dinding tipis setebal molekul. Sering disebut PM10 karena benda partikel tersebut lebih kecil dari 10 mikron, kebanyakan partikel halus itu berasal dari senyawa sulfus dan nitrogen yang dalam selang waktu beberapa jam atau beberapa hari berubah dari gas menjadi padat. Debu yang dapat dihirup disebut debu inhalable dengan diameter ≤ 10 μm dan berbahaya bagi saluran pernafasan karena mempunyai kemampuan merusak paru-paru. Sebagian debu yang masuk ke saluran pernafasan berukuran 5 μm akan sampai ke alveoli. [15]
2.2.4 Machine Learning
Machine learning merupakan salah satu cabang dari ilmu kecerdasan buatan (Artificial intelligence) yang mempelajari tentang bagaimana komputer mampu belajar dari data yang sudah ada untuk meningkatkan kemampuannya. Menurut beberapa ahli machine learning adalah sebagai berikut:
Menurut Arthur pada tahun 1959, “Kemampuan komputer untuk melakukan pembelajaran tanpa harus menjelaskan atau terprogram secara eksplisit kepada komputer.”. Menurut Tom Mitchel pada tahun 1997, “Komputer memiliki kemampuan melakukan belajar dari pengalaman terhadap tugas-tugasnya dan mengalami peningkatan kinerja.”. Menurut Budiharto pada tahun 2016, “Tipe dari kecerdasan buatan yang menyediakan komputer dengan kemampuan untuk belajar dari data, tanpa secara eksplisit harus mengikuti instruksi terprogram.” [22]
Dari berbagai definisi yang dikemukakan oleh para ahli, machine learning memiliki fokus pada pengembangan sebuah sistem yang mampu belajar sendiri untuk mengambil suatu keputusan, tanpa harus diprogram berulang kali oleh manusia. Metode ini tidak hanya bisa menemukan pola dalam pengambilan keputusan, tetapi juga dapat beradaptasi dengan adanya perubahan yang terjadi.
Tradisional Programming Data Program Machine Learning Data Program
Gambar 2.1 Perbedaan Pemprograman Tradisional dan Machine Learning [23]
Komputer Output
Pada pemprograman tradisional, data dan program dijalankan pada komputer untuk menghasilkan output, sedangkan pada pemprograman machine learning, data dan program dijalankan komputer untuk menghasilkan program, program yang dihasilkan dapat digunakan dalam peprograman tradisional.
A. Tahapan Membangun Machine Learning
Machine learning dapat melalui beberapa tahap mulai dari pengumpulan data, pengolahan data, pengujian, hingga pada pemanfaatan hasilnya. Tahap-tahap membangun machine learning menurut Harrington [24]:
1. Pengumpulan Data
Proses pengumpulan data dilakukan dengan mengambil data dari berbagai sumber informasi seperti internet, media cetak maupun dari internal institusi. 2. Mempersiapkan Data Masukan
Data masukan yang disiapkan adalah data masukan yang sesuai dengan format yang dibutuhkan untuk Analisa.
3. Menganalisis Data Masukan
Menganalisis data masukan dapat dilakukan dengan melihat pola dan juga memisahkan data berdasarkan dimensi masing-masing.
4. Mengikutsertakan Keterlibatan Manusia
Dalam membangun machine learning perlu keterlibatan manusia untuk meyakinkan bahwa tidak ada garbage atau data yang tidak berguna pada data yang akan digunakan baik data latih maupun data training.
5. Melatih Algoritma
Data masukan yang telah diinput diproses sebagai data latih menggunakan metode atau algoritma, sehingga menghasilkan data yang berkualitas, dimana algoritma tersebut akan melatih data menjadi informasi.
6. Menguji Algoritma
Algorritma yang telah dilatih kemudian diuji menggunakan data uji untuk mengetahui kualitas algoritma dan efesiensi dari algoritma tersebut.
7. Menggunakan Model
Langkah terakhir yang dilakukan adala menerapkan algoritma dalam suatu program sehingga dapat digunakan sesuai fungsinya. Kemudian melakukan pengecekan ulang pada tahap-tahap sebelumnya.
B. Tipe-Tipe Algoritma Machine Learning
Berdasarkan Teknik pembelajarannya, machine learning dikategorikan menjadi empat tipe diantaranya supervised learning, unsupervised learning, semi supervised learning dan reinforcement learning [23]. Namun, berdasarkan dampak yang diharapkan user machine learning dikategorikan menjadi enam yaitu diantaranya supervised learning, unsupervised learning, semi supervised learning, reinforcement learning, transduction, learning to learning.
Berikut adalah penjelasan secara lebih detail mengenai tipe-tipe machine learning diantaranya:
1. Supervised Learning
Supervised learning adalah teknik machine learning dimana kita mempunyai variabel input dan variabel output, menggunakan algoritma satu atau lebih untuk mempelajari suatu fungsi yang memetakan input keoutput yang diinginkan. Tujuan dari metode ini adalah untuk memperkirakan fungsi pemetaannya, sehingga ketika mempunyai input baru kita dapat memprediksi output untuk input tersebut. Proses dari algoritma belajar dari data latih diumpamakan sebagai guru (supervising) proses belajar. Teknik ini biasanya digunakan untuk menyelesaikan masalah klasifikasi maupun regresi. Beberapa algoritma yang termasuk dalam supervised learning diantaranya:
- Regresi linier berganda - Decision tree
- Random forest
- Naïve bayes classifier - Nearest neighbor - Support vector machine - Artificial neural network
2. Unsupervised learning
Teknik unsupervised learning tidak menggunakan data latih dalam melakukan pembelajaran. Algoritma memodelkan input secara otomatis tanpa ada label data yang berupa output yang diinginkan. Algoritma ini biasanya digunakan untuk masalah klasterisasi (clustering). Jika diberikan sebuah himpunan data masukan, algoritma akan mengelompokan data tersebut kedalam sejumlah klaster berdasarkan kriteria tertentu misalanya tingkat kemiripan dalam suatu kelas. Beberapa algoritma yang dapat digunakan dalam unsupervised learning yaitu: - Hierarchical clattering - K-Means - DBSCAN - Fuzzy C-Means - Self-Organizing Map 3. Semi-supervised Learning
Teknik semi-supervised learning yaitu mengkombinasikan supervised dan unsupervised learning. Dimana dalam prosenya sistem mempelajari input yang berlebel dan tidak berlabel untuk dijadikan data latih atau data training. Algoritma ini membangkitkan suatu fungsi atau pengklasifikasi yang tepat berdasarkan input yang diberikan.
4. Reinforecement Learning
Reinforecement learning merupakan teknik machine learning yang mempelajari bagaimana bertindak untuk menghadapi suatu masalah, berdasarkan hasil pengamatan terhadap lingkungan yang ada. Setiap tindakan tersebut memberikan dampak atau umpan balik (feedback) untuk memandu algoritma tersebut.
5. Transduction
Algoritma ini berlatih memprediksi output baru berdasarkan training inputs, training outputs, dan testing inputs yang tersedia selama proses pembelajaran (pelatihan). Algoritma ini hampir mirip dengan supervised.
6. Learning to Learn
Learning to learn mempelajari bias induktifnya sendiri berdasarkan pengalaman-pengalaman sebelunya. [25]
2.2.6 Artificial Neural Network (ANN)
Artificial neural network (ANN) atau dikenal dengan jaringan saraf tiruan (JST) adalah suatu jaringan yang memodelkan sistem saraf otak manusia (neuron) dalam melaksanakan tugas pengenalan pola, khususnya klasifikasi. Pemodelan ini didasari oleh kemampuan otak manusia dalam mengorganisir neuron sehingga mampu mengenali pola secara efektif. Namun, pemodelan pada ANN jauh lebih sederhana dibanding otak manusia yang sebenarnya. Banyak sistem otak manusia yang harus disimplifikasi agar dapat dimodelkan kedalam dunia komputer.
Jaringan saraf tiruan seperti manusia belajar dari suatu contoh. Kemudian dibentuk untuk memecahkan suatu masalah tertentu seperti pengenalan pola atau klasifkasi karena proses pembelajaran. Masalah-masalah yang dipecahkan oleh jaringan saraf tiruan dapat digolongkan kedalam peramalan (forecasting). Pada contoh
penerapannya digunakan untuk aplikasi peramalan besarnya penjualan, prediksi nilai tukar uang, prediksi besarnya aliran air sungai dan lain sebagainya. Algoritma ANN adalah salah satu algoritma yag digunakan untuk mengatasi masalah peramalan atau prediksi. Jaringan Saraf Tiruan merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran otak manusia tersebut. [26]
Jaringan saraf tiruan merupakan salah satu representasi untuk mensimulasikan proses pembelajaran pada otak manusia. Istilah buatan disini digunakan karena jaringan saraf ini diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran. Jaringan saraf tiruan dapat menunjukkan sejumlah karakteristik yang dimiliki oleh otak manusia, diantaranya adalah:
1. Kemampuan untuk belajar dari pengalaman
2. Kemampuan untuk melakukan generalisasi terhadap masukan baru dari pengetahuan yang dimilki.
3. Kemampuan mengabstraksikan karakteristik penting dari masukan yang mengandung data yang tidak penting.
A. Konsep Dasar Pemodelan Jaringan Saraf Tiruan
Satu sel saraf terdiri dari 3 bagian, yaitu : fungsi penjumlahan (summing function), fungsi aktivasi (activation function), dan keluaran (output).
Gambar 2.2 Model Neuron
Informasi (input) akan dikirim ke neuron dengan bobot tertentu. Input ini akan diproses oleh suatu fungsi yang akan menjumlahkan nilai-nilai bobot yang ada. Hasil penjumlahan kemudian akan dibandingkan dengan suatu nilai ambang (threshold) tertentu melalui fungsi aktivasi setiap neuron. Apabila input tersebut melewati suatu nilai ambang tertentu, maka neuron tersebut akan diaktifkan. Namun jika tidak, maka neuron tersebut akan mengirimkan output melalui bobot-bobot output kesemua neuron yang berhubungan dengannya.
Dalam struktur jaringan saraf tiruan tiruan neuron adalah sebagai elemen pemproses seperti pada Gambar 2.4 yang dapat berfungsi seperti halnya sebuah neuron. Sejumlah sinyal masukan a dikalikan masing-masing penimbang yang bersesuaian w. kemudian dilakukan penjumlahan dari seluruh hasil perkalian tersebut dan keluaran yang dihasilkan dilakukan kedalam fungsi pengaktif untuk mendapatkan tingkat derajat sinyal keluarannya F(a,w).
Gambar 2.3 Model Tiruan Sebuah Neuron Dimana:
- αj : Nilai aktivasi dari unit j - Wj,i : Bobot dari unit j ke unit i
- ini : Penjumlahan bobot dan masukkan ke unit i - g : Fungsi aktivasi
- αi : Nilai aktivasi dari unit i
Misalkan ada n buah sinyal masukan dan n buah penimbang, fungsi keluaran dari neuron adalah persamaan berikut:
in = ∑ 𝑊𝑗𝑖 ∗ 𝛼𝑗 𝑗
Kumpulan dari neuron dibuat menjadi sebuah jaringan yang akan berfungsi sebagai alat komputasi. Jumlah neuron dan struktur jaringan untuk setiap problema yang akan diselesaikan.
Sehingga dapat disimpulkan bahwa neuron terdiri dari 3 elemen pembentuk yaitu:
1. Himpunan unit-unit yang dihubungkan dengan jalur koneksi. Jalur-jalur tersebut memiliki bobot yang berbeda-beda. Bobot yang bernilai positif akan memperkuat sinyal dan yang bernilai negatif akan memperlemah sinyal yang dibawa. Jumlah, struktur, dan pola hubungan antar unit-unit tersebut akan menentukan arsitektur jaringan.
2. Suatu unit penjumlahan yang akan menjumlahkan input-input sinyal yang sudah dikalikan dengan bobotnya.
3. Fungsi aktivasi yang akan menentukan apakah sinyal dari inputneuron akan diteruskan ke neuron lain atau tidak.
Setiap pola-pola informasi input dan output yang diberikan kedalam jaringan saraf tiruan diproses dalam neuron. Neuron-neuron tersebut terkumpul didalam lapisan-lapisan yang disebut neuronlayers. Lapisan-lapisan penyusun jaringan saraf tiruan tersebut dapat dibagi menjadi 3, yaitu :
1. Lapisan input
Unit-unit di dalam lapisan input disebut unit-unit input. Unit-unit input tersebut menerima pola inputan data dari luar yang menggambarkan suatu permasalahan.
2. Lapisan tersembunyi (Hiden Layers)
Unit-unit di dalam lapisan tersembunyi disebut unit-unit tersembunyi. Dimana outputnya tidak dapat secara langsung diamati.
3. Lapisan output
Unit-unit di dalam lapisan output disebut unit-unit output. Output dari lapisan ini merupakan solusi jaringan saraf tiruan terhadap suatu permasalahan.
B. Fungsi Aktivasi Jaringan Saraf Tiruan
Dalam jaringan saraf tiruan, fungsi aktivasi digunakan untuk menentukan keluaran suatu neuron. Argumen fungsi aktivasi adalah net masukan (kombinasi linier masukan dan bobotnya). Beberapa fungsi aktivasi yang diantaranya:
1. Fungsi Undak Biner (Hard Limit)
Jaringan dengan lapisan tunggal sering menggunakan fungsi undak (step function) untuk mengkonversikan input dari suatu variabel yang bernilai
kontinu ke suatu output biner (0 atau 1). Fungsi undak biner (hard limit) dirumuskan sebagai:
𝒴 = {0, 𝑗𝑖𝑘𝑎 𝒳 ≤ 0 1, 𝑗𝑖𝑘𝑎 𝒳 > 0
Gambar 2.4 Fungsi Aktivasi: Undak Biner (Hard Limit) 2. Fungsi Undak Biner (Threshold)
Fungsi undak biner dengan menggunakan nilai ambang sering juga disebut dengan nama fungsi nilai ambang (threshold) atau fungsi heaviside. Fungsi undak biner (dengan nilai ambang ) dirumuskan sebagai:
𝒴 = {0, 𝑗𝑖𝑘𝑎 𝒳 < 𝜃 1, 𝑗𝑖𝑘𝑎 𝒳 ≥ 𝜃
Gambar 2.5 Fungsi Aktivasi: Undak Biner (Threshold) 3. Fungsi Bipolar (Symetric Hard Limit)
Fungsi bipolar sebenarnya hampir sama dengan fungsi undak biner, hanya saja output yang dihasilkan berupa 1, 0 atau –1. Fungsi Symetric Hard Limit dirumuskan sebagai:
