KLASTERISASI DATA BAHAYA
KERUSAKAN BANGUNAN AKIBAT
GEMPA BUMI MENGGUNAKAN
ALGORITMA FUZZY KOHONEN
CLUSTERING NETWORK
Muhammad Faisal
082171964525 mhdfaisal93@yahoo.comVerra Irawati
081290240881 veraiueo@gmail.comMuhammad Ihsan
085711118915 ihsanicann@gmail.comSudarno Wiharjo
081310299121 ABSTRAKPenelitian ini bertujuan untuk mengembangkan program yang mampu melakukan klasterisasi data bahaya kerusakan bangunan akibat gempa bumi dengan mengimplementasikan algoritma Fuzzy Kohonen Clustering Network (FKCN). Data yang digunakan meliputi data kelas litologi, data zona topografi dan nilai Peak Ground Acceleration (PGA) sebagai parameter fisik. Metode penelitian terdiri dari pengumpulan data dengan melakukan wawancara kepada ahli geologi untuk mendapatkan data kelas litologi dan zona topografi serta menggunakan data PGA Youngs, perancangan program dengan melakukan normalisasi data input kemudian implementasi klasterisasi menggunakan algoritma FKCN serta membuat tampilan antarmuka, evaluasi menggunakan data IRIS Fisher dan kuesioner kepada expert user. Hasil penelitian merupakan suatu program yang dapat melakukan klasterisasi data kegempaan yang dapat membantu dalam penyusunan klasifikasi daerah rawan gempa di suatu daerah sehingga dapat meminimalisir korban jiwa dan kerusakan infrastruktur yang ditimbulkan oleh gempa bumi. Algoritma FKCN terbukti dapat dimplementasikan dengan baik untuk melakukan klasterisasi data kegempaan yaitu data kelas litologi, zona topografi, dan nilai PGA dan memiliki persentase keberhasilan 89.4%.
Kata Kunci: Fuzzy Kohonen Clustering Network, Klasterisasi, Gempa, Kerusakan Bangungan, Jaringan Saraf Tiruan, Logika Fuzzy
ABSTRACT
The objective of this research is to develop a program that capable of doing data clustering of building damage hazard caused by earthquake by implementing the Fuzzy Kohonen Clustering Network (FKCN) Algorithm. This research used a method consist of collecting data by interviewing the geologists to obtain lithology class data, topographic zones data and Peak Ground Acceleration data (PGA) by Youngs, designing programs to perform normalization and clustering by implementing FKCN algorithm and make the user
interface, evaluation using the IRIS Fisher data and questionnaires for expert user. The result of this research is a program that can perform seismic data clustering that would assist in the preparation of the earthquake-prone areas classification in some regions to minimize loss of life and infrastructure damage caused by the earthquake. FKCN algorithm has proven can be implemented well to perform seismic data clustering such as lithology class, topography zone, and PGA value with 89.4% success rate.
Key Words: Fuzzy Kohonen Clustering Network, Clustering, Earthquake, Building Damage,
Artificial Neural Network, Fuzzy Logic
PENDAHULUAN
Gempa bumi adalah peristiwa bergetarnya bumi akibat pelepasan energi di dalam bumi secara tiba-tiba yang ditandai dengan patahnya lapisan batuan pada kerak bumi. Akumulasi energi penyebab terjadinya gempa bumi dihasilkan dari pergerakan lempeng-lempeng tektonik. Energi yang dihasilkan dipancarkan kesegala arah berupa gelombang gempa bumi sehingga efeknya dapat dirasakan sampai ke permukaan bumi. Katalog United States Geological Survey (USGS) mencatat empat kejadian gempa bumi besar di Indonesia yaitu gempa bumi Banda (8,5 Mw) tahun 1983, gempa bumi Sumatera–Andaman Islands (9,1 Mw) tahun 2004, gempa bumi Sumatera Utara/Nias (8,6 Mw) tahun 2005 (USGS, 2009) dan gempa bumi Pantai Barat Sumatera (8,6 Mw) tahun 2012 (USGS, 2012). Data ini menunjukkan bahwa Indonesia merupakan negara yang memiliki tingkat intesitas kegempaan yang tinggi. Ini menjadikan Indonesia tidak terhindarkan dari dampak negatif yang akan ditimbulkan oleh gempa bumi.
Selain mengakibatkan jatuhnya korban jiwa, gempa bumi juga menyebabkan kerusakan infrastrktur fisik dimana kerusakan unit bangunan menjadi yang paling dominan. Angka kerusakan bangunan akibat gempa bumi besar yang pernah tercatat diketahui terjadi di kota Banda Aceh tahun 2004 dengan angka kerusakan total bangunan mencapai 35 persen dari keseluruhan bangunan yang ada (Irwansyah, 2010). Mengetahui fakta diatas, dibutuhkan suatu upaya untuk meminimalisasikan kerusakan bangunan yang ditimbulkan akibat gempa bumi. Upaya untuk mengurangi dampak negatif gempa bumi terhadap kerusakan pada bangunan dapat dilakukan dengan mengoptimalkan upaya-upaya mitigasi. Salah satu upaya-upaya mitigasi gempa adalah dengan melakukan penataan ruang yang baik. Untuk itu dibutuhkan suatu program yang dapat menampilkan klasterisasi data suatu wilayah berdasarkan tingkat bahaya kerusakan bangunan akibat kejadian gempa bumi.
Penelian ini hanya melakukan klasterisasi, bukan klasifikasi. Parameter fisik yang digunakan dalam penelitian ini adalah data kelas litologi, data zona topografi, dan nilai Peak Ground Acceleration (PGA). Algoritma yang digunakan dalam penelitian adalah algoritma Fuzzy Kohonen Clustering Network (FKCN) dan Improved FKCN (IFKCN). Penelitian mengambil data dari lokasi kota Banda Aceh. Tujuan dan manfaat penelitian adalah untuk mengembangkan suatu program yang dapat melakukan klasterisasi data kerusakan bangunan akibat gempa bumi dengan mengimplementasikan algoritma Fuzzy Kohonen Clustering Network (FKCN) untuk menghasilkan program yang mampu melakukan klasterisasi data kegempaan dan dapat membantu zonasi wilayah rawan gempa.
METODE PENELITIAN
Metode penelitian terdiri dari pengumpulan data dengan melakukan wawancara kepada ahli geologi untuk mendapatkan data kelas litologi dan zona topografi serta menggunakan data PGA Youngs, perancangan program dengan melakukan normalisasi data input kemudian implementasi klasterisasi menggunakan algoritma FKCN serta membuat tampilan antarmuka, evaluasi menggunakan data IRIS Fisher dan kuesioner kepada expert user.
HASIL DAN BAHASAN
Penelitian ini membandingkan algoritma FKCN dan IFKCN kerena akurasi algoritma pengelompokkan data tidak selalu lebih baik dibandingkan algoritma pengelompokkan lain untuk data berbeda. Variabel pada penelitian ini adalah cluster number dan iteration number. Klasterisasi data gempa yang dilakukan pada penelitian ini menggunakan cluster number (c) masing-masing 3, 4, 5, 6 dan 7. Cluster number mewakili banyaknya grup yang akan dibuat pada suatu proses klaster. Dalam penelitian dengan data kegempaan ini, cluster number yang paling efektif adalah 3 hingga 5 dan untuk setiap cluster number dilakukan pengujian dengan iteration number masing-masing 5, 10, 15, 20, 25,
30, 35, 40, 45 dan 50 untuk melihat variasi hasil yang diperoleh. Percobaan dilakukan sebanyak 30 kali untuk masing-masing iteration number pada tiap variasi nilai cluster number.
Kriteria yang mendasari klasterisasi ini adalah hubungan antara setiap parameter fisik. Dalam penelitian ini kelas terbagi atas:
• G1: Sangat Berbahaya • G2: Berbahaya • G3: Cukup Berbahaya • G4: Tidak Berbahaya • G5: Sangat Tidak Berbahaya
Cluster 1 (G1) yang terdiri dari litologi bervariasi dari kelas swamp dan sand, zona topografi river/seabed/lake dan coastal deep serta nilai PGA 0.8767 hingga 0.8797 merupakan kelompok data yang menyusun kelas bahaya kerusakan bangunan sangat berbahaya karena merupakan komponen yang memberi kontribusi yang besar pada bahaya kerusakan bangunan. Cara yang sama dilakukan kepada masing-masing cluster 2 (G2) untuk menyusun kelas bahaya kerusakan bangunan berbahaya, cluster 3 (G3) untuk menyusun kelas bahaya kerusakan cukup berbahaya, cluster 4 (G4) untuk menyusun kelas bahaya kerusakan tidak berbahaya, dan cluster 5 (G5) untuk menyusun kelas bahaya kerusakan sangat tidak berbahaya.
Berikut ini adalah contoh hasil olah data dari proses klasterisasi yang dilakukan pada cluster number 3 dengan parameter fisik data kelas litologi, data zona topografi, dan nilai PGA:
Cluster number (c) = 3
Pada cluster number 3 kelas yang terbentuk adalah G1 untuk berbahaya, G2 untuk cukup berbahaya, dan G3 untuk tidak berbahaya.
• FKCN Grup Iterasi 5 10 15 20 25 30 35 40 45 50 G1 163 162 162 162 163 163 163 162 163 163 G2 29 33 33 33 32 32 32 33 32 32 G3 33 30 30 30 30 30 30 30 30 30 Grup Iterasi 5 10 15 20 25 30 35 40 45 50 G1 72.44% 72.00% 72.00% 72.00% 72.44% 72.44% 72.44% 72.00% 72.44% 72.44% G2 12.89% 14.67% 14.67% 14.67% 14.22% 14.22% 14.22% 14.67% 14.22% 14.22% G3 14.67% 13.33% 13.33% 13.33% 13.33% 13.33% 13.33% 13.33% 13.33% 13.33%
Tabel 4.1 Tabel Hasil Olah Data FKCN dengan Cluster Number = 3
Dari data tersebut terlihat bahwa Cluster Grup1 (G1) adalah grup dengan jumlah sebaran data yang paling besar dari setiap iterasi yaitu terdiri dari 163 data (72.44%) dari total 225 data. Cluster Grup2 (G2) memiliki 32 data (14.22%), dan Cluster Grup3 (G3) memiliki 30 data (13.33%).
• IFKCN Grup Iterasi 5 10 15 20 25 30 35 40 45 50 G1 162 162 162 162 162 162 163 162 162 162 G2 30 27 27 33 33 33 32 33 30 30 G3 33 36 36 30 30 30 30 30 33 33 Grup Iterasi 5 10 15 20 25 30 35 40 45 50 G1 72.00% 72.00% 72.00% 72.00% 72.00% 72.00% 72.44% 72.00% 72.00% 72.00% G2 13.33% 12.00% 12.00% 14.67% 14.67% 14.67% 14.22% 14.67% 13.33% 13.33%
G3 14.67% 16.00% 16.00% 13.33% 13.33% 13.33% 13.33% 13.33% 14.67% 14.67% Tabel 4.2 Tabel Hasil Olah Data IFKCN dengan Cluster Number = 3
Dari data tersebut terlihat bahwa Cluster Grup1 (G1) adalah grup dengan jumlah sebaran data yang paling besar dari setiap iterasi yaitu terdiri dari 162 data (72%) dari total 225 data. Cluster Grup2 (G2) memiliki 30 data (13.33%), dan Cluster Grup3 (G3) memiliki 33 data (14.67%). Error terkecil ada di iterasi 50 yaitu sebesar 0.0023. Jumlah error di IFKCN lebih kecil dari jumlah error pada FKCN.
Berikut tampilan dan pembahasan hasil klasterisasi data bahaya kerusakan bangunan akibat gempa bumi:
Cluster number (c) 3
Gambar 4.1 Tampilan User Interface dengan cluster number=3 iteration number=10 Penjelasan:
1 : Input parameter fisik, yaitu data kelas litologi, data zona topografi, dan nilai PGA. Kemudian litologi dan topologi di normalisasi agar range menjadi 0-1.
2 : Jika data yang diinput benar, saat klik pada button ‘validate’ akan muncul pesan berwarna biru yang menyatakan data sudah setara, jika belum akan muncul pesan berwarna merah dan user tidak dapat melakukan input cluster number dan iteration number sebelum data parameter fisik benar.
3 : Setelah data parameter fisik benar, maka user dapat memasukkan cluster number dan iteration number. (Dalam gambar: cluster number=3; iteration number=10).
4 : Setelah memasukkan nilai cluster number dan iteration number maka user dapat melakukan klik pada button ‘process’ untuk mendapatkan output.
5 : Cluster Center, nilai cluster center ditentukan dengan mencari nilai tengah dari jarak suatu data ke data lain kemudian nilai tersebut di update pada setiap iterasi. (Dalam gambar: Cluster Center terdiri dari 3 kolom karena parameter fisik yang digunakan dan di-input ada 3 dan memiliki 3 baris karena cluster number yang di-input adalah 3).
6 : Initial Weight, nilai initial weight ditentukan secara random dari nilai 0 hingga 1 oleh komputer. (Dalam gambar: Initial Weight terdiri dari 3 kolom karena parameter fisik yang digunakan dan di-input ada 3 dan memiliki 3 baris karena cluster number yang di-input adalah 3).
7 : Error, kesalahan yang terjadi selama proses klasterisasi berlangsung.
8 : Hasil klaster yang terdiri dari NumData (nomor), Class (ketentuan kelas setiap data setelah dilakukan klasterisasi), dan Distance (jarak dari setiap data ke cluster center). Pada gambar hasil klaster terdiri dari 225 baris, sama dengan jumlah baris pada input parameter fisik.
9 : Button untuk melihat hasil plot klasterisasi. 10 : Try Again button, untuk mengulang klasterisasi.
11 : Exit button, untuk keluar dari program.
Gambar 4.2 Plot Klasterisasi Data Gempa dengan FKCN dengan cluster number= 3
Gambar 4.3 Plot Klasterisasi Data Gempa dengan IFKCN dengan cluster number=3
Setiap kelas dikelompokkan menjadi satu warna. Pada gambar diatas terdapat tiga warna yakni hijau, merah dan kuning yang mewakili cluster number yang telah ditentukan sebelumnya yaitu 3. Ini menunjukkan bahwa gambar 4.2 dan gambar 4.3 dilakukan klasterisasi sebanyak tiga kelas (cluster number (c)=3). Sedangkan simbol (*) pada gambar merupakan cluster center untuk setiap kelas. Gambar 4.2 dan gambar 4.3 memperlihatkan hasil klasterisasi yang dilakukan oleh kedua algoritma tampak identik. Hal ini terjadi karena nilai cluster center keduanya hanya memiliki sedikit perbedaan nilai.
Rata-rata hasil error klasterisasi data gempa dengan cluster number 3 dapat dilihat pada tabel berikut: Tabel 4.7 Klasterisasi Data Gempa dengan c = 3
No. Max Iterasi Sum Error
FKCN Improved FKCN
1 5 0.2204 0.1850
3 15 0.0450 0.0172 4 20 0.0485 0.0078 5 25 0.0306 0.0052 6 30 0.0292 0.0023 7 35 0.0233 0.0024 8 40 0.0240 0.0026 9 45 0.0216 0.0021 10 50 0.0192 0.0020
Gambar 4.4 Grafik Jumlah Error dengan cluster number=3
Hasil percobaan dengan cluster number 3 menunjukkan rata-rata jumlah error algoritma Improved FKCN selalu lebih kecil dibandingkan algortima FKCN.
SIMPULAN DAN SARAN
Setelah menyelesaikan perancangan dan pengembangan program dengan mengimplementasikan algoritma Fuzzy Kohonen Clustering Network serta melakukan evaluasi menggunakan data IRIS Fisher dan expert user yaitu ahli geologi dapat diambil beberapa kesimpulan sebagai berikut :
a) Program yang dibangun penulis dapat melakukan klasterisasi data kegempaan dengan menggunakan parameter fisik yang digunakan dalam penelitian.
b) Algoritma Fuzzy Kohonen Clustering Network dapat diimplementasikan dengan baik untuk melakukan klasterisasi data kegempaan. Hal ini dapat dilihat dari jumlah error yang kecil. c) Nilai correct rates (89.4%) yang dihasilkan program lebih kecil dari hasil para peneliti
sebelumnya (99,7%) karena penelitian ini belum melakukan modifikasi initial weight sehingga hasil correct rates yang diperoleh belum maksimal.
d) Hasil algoritma Improved FKCN secara umum lebih baik dari FKCN. Hal ini ditunjukkan dari rata-rata jumlah error Improved FKCN lebih kecil dari FKCN dan correct rates Improved FKCN juga lebih tinggi.
Mengingat kekurangan yang ada dalam pembuatan program ini dan demi kepentingan pengembangan kedepan, maka penulis memberikan beberapa saran yang dapat dipertimbangkan:
a) Program dapat dikembangkan dengan menambah data kegempaan lainnya sebagai parameter fisik untuk memperkaya data input sehingga hasil yang diperoleh lebih akurat.
b) Pada prosesnya, program ini belum melakukan modifikasi terhadap initial weight. Initial weight yang digunakan pada program ini merupakan nilai acak antara 0 sampai 1. Dengan melakukan modifikasi pada initial weight, memungkinkan nilai error lebih kecil dan correct rates dapat meningkat.
c) Dengan hasil klasterisasi yang diperoleh, akan lebih bermanfaat jika dilakukan penyusunan klasifikasi data bahaya kerusakan bangunan akibat gempa bumi karena output dari program
adalah grouping data hasil klasterisasi untuk membantu melakukan zonasi daerah rawan gempa.
REFERENSI
Almeida, C. W., Souza. R. & Candeias, A. (2012). IFKCN: Applying Fuzzy Kohonen Clustering Network to Interval Data. IEEE.
Bezdek, J. C. (1980). A Convergence Theorem for The Fuzzy C-Means Clustering Algorithm. IEEE. Bezdek, J. C., Tsao, C. K. & Pal, N. R. (1992). Fuzzy Kohonen Clustering Networks. IEEE.
Carreno, M. L., Cardona, O. D. & Barbat, A. H. (2010). Computational Tool for Post-Earthquake Evaluation of Damage in Buildings. Earthquake Spectra. 26(1): 1
Connolly, T. M. & Begg C. E. (2004). Database Systems: A Practical Approach to Design, Implementation, and Management. England: Pearson Education Limited.
Hagan, M. T., Howard B. & Mark H. B. (2002). Neural Network Design. Campus Publishing Service: Colorado University Bookstore, University of Colorado at Boulder.
Han, J. & Kamber, M. (2006). Data Mining: Concepts and Techniques. San Francisco: Elsevier Inc. Haykin, S. (1999). Neural Networks: A Comprehensive Foundation. England: Pearson Education. Irwansyah, E. & Hartati, S. (2010). Zonasi Daerah Bahaya Kerusakan Bangunan Akibat Gempa Menggunakan Algoritma SOM dan Algoritma Kriging.
Jabbar, N., Ahson, S. I. & Mehrotra, M. (2009). Fuzzy Kohonen Clustering Network for Color Image Segmentation. IPCSIT. 3(11): 255.
Kohonen, T. & Simulla, O. (1996). Engineering Application of the Self-Organizing Map. IEEE. 84(10): 1.
Kusumadewi, S. (2003). Artificial Intelligence (Teknik dan Aplikasinya). Jogjakarta: Graha Ilmu. Miura, H., Wijeyewickrema, A. C. & Inoue, S. (2005). Evaluation of Tsunami Damage in The Eastern Part of Sri Lanka due to The 2004 Sumatra Earthquake Using Remote Sensing Technique. Prasetyo, E. (2012). Data Mining: Konsep dan Aplikasi menggunakan MATLAB. Yogyakarta: AndiPublisher.
Rainardi, V. (2008). Building a Data Warehouse with Example in SQL Server. New York : Springer-Verlag New York, Inc.
Russell, S. J. & Norvig, P. (1995). Artificial Intelligence: A Modern Approach. New Jersey: Prentice Hall, Englewood.
Russell, S. J. & Norvig, P. (2003). Artificial Intelligence: A Modern Approach (2nd Edition). New Jersey: Prentice Hall, Englewood.
Silva, M. S. & Garcia, L. (2001). Earthquake Damage Assessment Based on Fuzzy Logic and Neural Networks. Earthquake Spectra. 17(1): 1
Taehan, W. J. (2010). Artificial Intelligence: Agents and Environments. Ventus Publishing ApS. Tesfamariam, S. & Saatcloglu, M. (2010). Seismic Vulnerability Assessment of Reinforced Concrete Buildings Using Hierarchical Fuzzy Rule Base Modeling. Earthquake Spectra. 26(1): 1
Villman, T. et all. (2007). Association Learning in SOMs for Fuzzy-Classification. IEEE. Yang, Y. et all. (2008). An Efficient Fuzzy Kohonen Clustering Network Algorithm. IEEE. Zadeh, L. A. (1965). Fuzzy Sets: Information and Control. IEEE.
RIWAYAT PENULIS
Muhammad Faisal lahir di Pekanbaru tanggal 3 November 1993, Verra Irawati lahir di Jakarta tanggal 27 Juni 1993, dan Muhammad Ihsan lahir di Jakarta, 8 Oktober 1992. Penulis menamatkan pendidikan S1 di Universitas Bina Nusantara dalam bidang Teknik Informatika pada tahun 2014.
