APLIKASI PREDIKSI BANJIR METODE FUZZY LOGIC, HASIL ALGORITMA SPADE DAN ALGORITMA PSO

Transkripsi

1 Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 342~ APLIKASI PREDIKSI BANJIR METODE FUZZY LOGIC, HASIL ALGORITMA SPADE DAN ALGORITMA PSO Maxsi Ary AMIK BSI Bandung Abstrak Pembahasan mengenai prediksi banjir dengan beberapa metode telah dilakukan oleh beberapa penulis. Diantaranya dengan metode fuzzy logic, perhitungan algoritma particle swarm optimization (PSO), perhitungan algoritma SPADE, dan lain sebagainya. Tujuan dari penulisan ini adalah membuat aplikasi prediksi banjir dengan metode fuzzy logic, alternatif hasil algoritma SPADE dan algoritma PSO. Early Warning System (EWS) pada algoritma SPADE diperlukan untuk informasi awal sistem peringatan dini banjir. Sistem peringatan akan aktif atau menyala jika parameter data yang menjadi data input memenuhi aturan (rule). Algoritma PSO digunakan untuk menyelesaikan sistem persamaan nonlinear prediksi banjir. Program aplikasi menggunakan Microsoft Visual Basic 6.0. Proses input data sebagai informasi prediksi banjir meliputi suhu, kelembaban, kecepatan angin, curah hujan, lamanya hujan, dan nilai awal muka air. Aplikasi prediksi banjir mudah digunakan, hasil yang diberikan yaitu prediksi banjir dan indikator untuk EWS (Early Warning System) dengan metode fuzzy logic hasil algoritma SPADE dan algoritma PSO. Keywords: Algoritma SPADE, Algoritma PSO, Fuzzy Logic, Early Warning System, Persamaan Nonlinear, Aplikasi Prediksi Banjir. 1. Pendahuluan Banjir merupakan kata yang sering didengar pada musim hujan dengan intensitas yang sering dan lebat (Ary, 2017). Daerah yang menjadi langganan banjir pada musim penghujan ada disekitar arus sungai. Terkadang daerah yang jauh dari sungai pun terkena banjir, jika intensitas curah hujan yang terjadi cukup sering dan lebat serta sungai tidak sanggup menampung banyaknya air hujan. Banjir yang melanda Kabupaten Bandung makin meluas akibat curah hujan yang tinggi dan kiriman air dari daerah-daerah lainnya. Banjir melanda Kecamatan Baleendah, Kecamatan Dayeuhkolot, Kecamatan Bojongsoang, Kecamatan Rancaekek, dan Kecamatan Majalaya (Sarnapi-PikiranRakyat, 2016). Setiap tahun daerah tersebut menjadi langganan banjir, dan warga setempat tetap bertahan dengan alasan tidak ada pilihan lain untuk meninggalkan lokasi. Salah satu penanggulangan atau antisipasi banjir yang meluas di Kota Jakarta adalah menggunakan Early Warning System (EWS) (Irw/Nrl-DetikNews, 2011). Penggunaan sistem EWS yang canggih di kota Jakarta sudah tidak digunakan lagi, dengan alasan yang paling utama adalah bukan sistem yang canggih melainkan peringatan dini dan mitigasi. Menurut Haris Syahbuddin dan Tri Nandar Wihendar (Balai Penelitian Agroklimat dan Hidrologi, 2008) anomali cuaca yang terjadi saat ini menyebabkan prediksi hujan semakin sulit untuk dilakukan dan hal ini mengakibatkan analisa serta memprediksi bencana banjir yang diakibatkan curah hujan yang tinggi kurang cepat untuk diprediksi. Informasi peringatan dini yang cepat dan mitigasi penduduk untuk mengungsi sementara bagi masyarakat sangat diperlukan terutama pada daerah yang dilanda banjir akibat curah hujan dengan intensitas cukup sering dan lebat. Diperlukan suatu cara untuk melihat pola data dari anomali kondisi cuaca yang dapat digunakan untuk menentukan dan memprediksi banjir. Beberapa alternatif untuk prediksi banjir dapat digunakan algoritma Particle Swarm Optimization (PSO) (Rosita, Purwananto, & Soelaiman, 2012), dan penentuan pola urutan data menggunakan kelas yang sama mengenai anomali cuaca dengan algoritma SPADE (Sequential Pattern Discovery Using Equivalence Classes) (Suwarningsih & Suryawati, 2012). Algoritma PSO dapat Diterima 27 Januari 2017; Revisi 17 Februari 2017; Disetujui 15 Maret, 2017

2 menyelesaikan sistem persamaan nonlinear (Rosita dkk, 2012), selain itu PSO merupakan salah satu metode optimisasi yang terbukti efektif digunakan untuk memecahkan masalah optimisasi multidimensi dan multiparameter pada pembelajaran machine learning (Brits, 2009). Sedangkan algoritma SPADE adalah algortima untuk penemuan secara cepat dari pola data yang berurutan (Mohammed, 2001). Pada Algoritma PSO, pencarian solusi dilakukan oleh suatu populasi yang terdiri dari beberapa partikel. Populasi dibangkitkan secara random dengan batasan nilai terkecil dan terbesar. Setiap partikel merepresentasikan posisi atau solusi dari permasalahan yang dihadapi. Setiap partikel melakukan pencarian solusi yang optimal dengan melintasi ruang pencarian (search space). Hal ini dilakukan dengan cara setiap partikel melakukan penyesuaian terhadap posisi teraik dari partikel tersebut (local best) dan penyesuaian terhadap posisi partikel terbaik dari seluruh kawanan (global best) selama melintasi ruang pencarian. Hasil pengolahan algoritma SPADE dan Algoritma PSO dilanjutkan dengan metode fuzzy logic untuk memprediksi banjir. Metode fuzzy logic Menurut (Kusumadewi & Purnomo, 2010) mudah untuk dimengerti. Metode fuzzy logic menggunakan dasar teori himpunan, maka konsep matematika yang mendasari penalaran fuzzy tersebut cukup mudah untuk dimengerti secara umum. Metode fuzzy logic sangat fleksibel, artinya mampu beradaptasi dengan perubahan-perubahan, dan ketidakpastian yang menyertai permasalahan. Fuzzy logic adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output, mempunyai nilai kontinyu dan fuzzy logic dinyatakan dalam derajat dari suatu keanggotaan dan derajat dari kebenaran (Kusumadewi S., 2002). Untuk menghadapi banyaknya informasi yang tidak tepat, diperlukan gagasan fuzzy logic dalam penentuan prediksi (Ary, Penyelesaian Persoalan Transportasi Dengan Fuzzy Cost Menggunakan Pendekatan Basis Tree, 2013). Termasuk dalam prediksi banjir dengan beberapa informasi berupa variabel fuzzy. 2. Metode Penelitian Metode yang dilakukan untuk penelitian ini adalah fuzzy logic. Untuk menentukan pola data yaitu dengan algoritma SPADE, dan algoritma PSO. Data yang akan digunakan untuk analisa dari hasil pemantauan BMKG (Badan Meteorologi, Klimatologi, dan Geofisika). Hasil pengolahan Algoritma SPADE dan Algoritma PSO dilanjutkan dengan metode fuzzy logic untuk menentukan prediksi banjir. Sumber data yang digunakan adalah data sekunder dari BMKG kota Bandung meliputi data suhu, kelembaban, kecepatan angin, curah hujan, lamanya hujan, dan nilai awal muka air bulan Januari sampai Desember Untuk mempermudah masyarakat memprediksi banjir, dibuat aplikasi prediksi banjir. Berikut model pengembangan sistem sebagai berikut (Gambar 1): Gambar 1. Model Pengembangan Sistem 3. Pembahasan 3.1. Algoritma SPADE SPADE (Sequential Pattern Discovery Using Equivalence Classes) atau lebih dikenal dengan nama algortima penemuan pola urutan data menggunakan kelas yang sama, merupakan sebuah algoritma baru untuk penemuan secara cepat dari pola data yang berurutan. Kelas adalah kumpulan objek yang memiliki atribut atau parameter yang sama, dan frekuensi adalah jumlah kemunculan data yang memiliki nilai yang sama. Misalkan I i1 i2 i n {,,, } merupakan himpunan objek yang terdiri dari alphabet. Sedangkan sebuah kejadian (event) adalah kumpulan dari aksi yang memiliki perintah untuk dilakukan. Urutan (sequence) adalah daftar daftar dari kejadian. Sebuah kejadian dinotasikan sebagai ( i, i,, i ) dimana i j adalah objek. 1 2 k Jika ada sebuah a yang merupakan urutan dari objek, maka dapat dinotasikan sebagai berikut: ( a1 a2 a q ) dimana a n adalah sebuah kejadian. Sebuah urutan dengan k objek dinotasikan dengan k a, maka ini berarti adalah k- urutan (k-sequance). j i KNiST, 30 Maret

3 Proses pembacaan pola menjadi informasi digunakan untuk menentukan aturan (rule) yang akan dijadikan sebagai proses seleksi terhadap data inputan. Berikut adalah pola informasi tersebut dalam bentuk algoritma, yaitu: IF Suhu <= 23 AND Kelembaban >=94 AND kecepatan_angin >=4 AND Curah_Hujan >=35 AND Lamanya_Hujan >=60 THEN "system alarm peringatan dini Nyala" ELSE "system alarm peringatan dini Mati" Aturan yang dihasilkan dari proses pembacaan pola menjadi informasi ini akan digunakan dengan menggunakan data uji. Data yang digunakan untuk pengujian ini adalah data cuaca dari bulan Januari Desember 2009 diambil secara acak (random) yang digenerasi dengan metode random number variate generator. Hasil pembahasan pola data menjadi informasi untuk menentukan aturan (rule) yang akan dijadikan sebagai proses seleksi terhadap data masukan (input). Pola optimal yang merupakan hasil dari proses pemangkasan pola adalah sebagai berikut (Tabel 1): Suhu ( ) Kelembaban Arah Angin Tabel 1. Pengujian Aturan (Rule) Kec Angin (knot) Curah Hujan (mm) Lamanya Hujan (menit) Hasil Uji (EWS) W 5 35,5 61 Nyala 22,5 95 W Nyala W Nyala 22,7 93 W 6 40,2 11 Mati 22,9 94 W 7 45,1 85 Nyala 21,5 96 W 4 39,4 96 Nyala 21,6 96 W 5 40,3 100 Nyala 22,8 97 W 5 45,2 102 Nyala 22,4 94 W Mati 22,6 96 W Nyala W 7 40,2 97 Nyala 21,2 95 W 7 45,5 87 Nyala 20,5 94 W 6 39,7 5 Mati 23,1 95 W 6 40,3 113 Nyala 21,8 97 W 7 40,3 87 Nyala 22,7 94 W 7 45,4 85 Nyala Sumber: (Suwarningsih & Suryawati, 2012) Tabel 1 hasil pengujian aturan (rule) terhadap data klimatologi menunjukan persentase sebesar 81,25% system EWS menyala, ini terjadi karena data memenuhi aturan (rule), sedangkan sisanya sebesar 18,75% tidak menyala (mati) dikarenakan terdapat salah satu parameter/indikator data tidak terpenuhi. Indikator tersebut adalah lamanya hujan masih dibawah 60 menit Algoritma PSO Algoritma Particle Swarm Optimization (PSO) merupakan teknik optimisasi berbasis populasi. Algoritma PSO memiliki sifat seperti kawanan burung. Jika satu partikel atau seekor burung menemukan jalan yang tepat atau pendek menuju ke sumber makanan, sisa kelompok yang lain juga akan dapat segera mengikuti jalan tersebut meskipun lokasi mereka jauh dari kelompok tersebut (Santoso & Willy, 2011). Algoritma PSO meliputi langkah-langkah sebagai berikut: 1. Bangkitkan posisi awal sejumlah partikel sekaligus kecepatan awalnya secara random 2. Evaluasi fitness dari masing-masing partikel berdasarkan posisinya 3. Tentukan partikel dengan fitness terbaik dan tetapkan sebagai Gbest. Untuk setiap partikel Pbest awal akan sama dengan posisi awal. Ulangi langkah berikut hingga stopping criteria terpenuhi: 1. Menggunakan Pbest dan Gbest yang ada, perbaharui kecepatan setiap partikel menggunakan persamaan 1. Lalu dengan kecepatan baru yang didapat, perbarui posisi setiap partikel menggunakan persamaan Evaluasi fitness dari setiap partikel 3. Tentukan partikel dengan fitness terbaik dan tetapkan sebagai Gbest. Untuk setiap partikel tentukan Pbest dengan membandingkan posisi sekarang dengan Pbest dari iterasi sebelumnya. 4. Cek stopping criteria, jika terpenuhi berhenti, jika tidak kembali ke 1. KNiST, 30 Maret

4 Fuzzy logic hasil pengolahan data dengan menggunakan persamaan algoritma PSO dengan memasukkan variabel curah hujan, lama hujan, dan debit sungai disajikan pada tabel 2 berikut. Var. X Nilai awal Curah Hujan (X) Tabel 2. Fuzzy Logic Hasil Pengolahan Algoritma PSO Posisi Partikel (X) dengan PSO Var. V Nilai awal Muka Air (V) Kecepatan partikel (V) dengan PSO x ,710 v ,15 x ,925 v ,65 x ,397 v ,.35 x ,820 v ,75 x ,330 v ,95 x ,880 v ,95 x ,380 v ,05 x ,870 v ,75 x ,310 v ,35 x ,580 v ,65 x ,770 v ,95 x ,500 v ,85 Sumber: (Mauliana, 2016) Berdasarkan tabel 2 maka dapat ditentukan nilai minimum untuk curah hujan dan nilai minimum untuk muka air banjir setelah diolah oleh algoritma Particle Swarm Optimization, untuk nilai minimum curah hujan banjir adalah 51,710 dan untuk nilai minimum muka air banjir adalah 402,65. Curah Hujan Gerimis nilai minimum curah hujan banjir adalah 51,710 mm nilai minimum muka air banjir 402,65 mm Curah Hujan Sedang nilai minimum curah hujan banjir adalah 130,880 mm nilai minimum muka air banjir 461,75 mm 3.3. Aplikasi Prediksi Banjir Prosedur input prediksi banjir setiap pengguna (user) dapat menginputkan data secara manual suhu, kelembaban, kecepatan angin, curah hujan, dan lamanya hujan. data tersebut sesuaikan dengan satuan yang diberikan. Klik/pilih proses hitung untuk mengetahui prediksi banjir/tidak banjir disertai indikator EWS (Early Warning System) menyala/mati. Berikut ditampilkan flowchart menu utama aplikasi prediksi banjir (Gambar 2). Program aplikasi prediksi banjir untuk menu utama menggunakan MS Visual Basic 6.0 adalah sebagai berikut: Private Sub Command1_Click() Form1.Show Private Sub Command2_Click() Form2.Show Private Sub Command3_Click() End Antar muka untuk pengguna (user) aplikasi prediksi banjir ditampilkan seperti berikut (Gambar 3). Antar muka aplikasi ini terdiri dari form pilih algoritma dan tutup. Mulai Pilih Menu: 1. Data 2. Hitung 3. Hapus Data : 1. Suhu 2. Kelembaban 3. Kec Angin 4. Curah Hujan 5. Lamanya Hujan Mulai Hitung Tampil: 1. Indikator 2. Prediksi Pilih Menu: 1. Algoritma SPADE 2. Algoritma PSO 3. Tutup Hapus Hapus: 1. Suhu 2. Kelembaban 3. Kec Angin 4. Curah Hujan 5. Lamanya Hujan Pilih Tampil 1. Form Algoritma SPADE 2. Form Algoritma PSO Selesai Gambar 3. Flowcharte Algoritma SPADE Selesai Gambar 2. Flowchart Menu Utama Program aplikasi prediksi banjir untuk algoritma SPADE menggunakan MS Visual Basic 6.0 adalah sebagai berikut: KNiST, 30 Maret

5 Private Sub Cmd_Hitung() If txt_suhu <= 23 And txt_lembab >= 94 And txt_kecangin >= 4 And txt_curahhujan >= 35 And txt_lamahujan >= 60 Then Label2.Caption = "EWS Nyala" Label10.Caption = "Prediksi Banjir" Else Label2.Caption = "EWS Mati" Label10.Caption = "Prediksi Tidak Banjir" End If Private Sub Cmd-Hapus_Click() txt_suhu.text = "" txt_lembab = "" txt_kecangin = "" txt_curahhujan = "" txt_lamahujan = "" txt_suhu.setfocus Antar muka untuk pengguna (user) aplikasi prediksi banjir ditampilkan seperti berikut (Gambar 4). Antar muka aplikasi ini terdiri dari form input, proses hitung, proses hapus, dan tampil prediksi banjir/tidak disertai indikator EWS. Program aplikasi prediksi banjir untuk algoritma PSO menggunakan MS Visual Basic 6.0 adalah sebagai berikut: Private Sub Command1_Click() If txt_curahhujan >= And txt_mukaair >= Then Label6.Caption = "Curah Hujan Deras" Label7.Caption = "Prediksi Banjir" ElseIf txt_curahhujan >= And txt_mukaair >= Then Label6.Caption = "Curah Hujan Sedang" Label7.Caption = "Prediksi Banjir" Else Label6.Caption = "Curah Hujan Gerimis" Label7.Caption = "Prediksi Tidak Banjir" End If Private Sub Command2_Click() txt_curahhujan = "" txt_mukaair = "" txt_curahhujan.setfocus Antar muka untuk pengguna (user) aplikasi prediksi banjir ditampilkan seperti berikut (Gambar 6). Antar muka aplikasi ini terdiri dari form input, proses hitung, proses hapus, dan tampil prediksi banjir/tidak. Gambar 4. Antar Muka Aplikasi Prediksi Banjir Algoritma SPADE Mulai Pilih Menu: 1. Data 2. Hitung 3. Hapus Data : 1. Curah Hujan 2. Muka Air Gambar 6. Antar Muka Aplikasi Prediksi Banjir Algoritma PSO Pengujian aplikasi prediksi banjir menggunakan metode blackbox. Pengujian blackbox untuk memastikan proses input dapat menjalankan proses yang tepat dan menghasilkan output sesuai dengan rancangan. Hasil pengujian blackbox adalah sebagai berikut (Tabel 3). Hitung Tampil Prediksi Hapus Hapus 1. Curah Hujan 2. Muka Air Selesai Gambar 5. Flowchart Algoritma PSO KNiST, 30 Maret

6 Form Algoritma SPADE /Event Proses Output indikator banjir Klik Hitung Klik Hapus Manual bentuk text Cmd_Hitung Cmd_Hapus Menampilkan nilai input indikator banjir (suhu, kelembaban, kecepatan angina, curah hujan, dan lamanya hujan). Menampilkan hasil indikator EWS dan prediksi banjir Menampilkan form kosong setiap indikator input Tabel 3. Hasil Uji Blackbox Hasil Uji Form Algoritma PSO /Event Proses Output indikator banjir Manual bentuk text Klik Hitung Cmd_Hitung Klik Hapus Cmd_Hapus Sumber: Hasil Olah Penulis Menampilkan nilai input indikator banjir (curah hujan dan muka air). Menampilkan hasil prediksi banjir Menampilkan form kosong setiap indikator input Hasil Uji Pengujian dilakukan pada seluruh program utama, hasil pengujian blackbox yang meliputi input, proses dan output telah sesuai dengan rancangan. Berikut dilampirkan hasil pengolahan data (proses hitung) menggunakan aplikasi prediksi banjir algoritma SPADE dan algoritma PSO yang dibandingkan dengan hasil olah data tabel 4 dan tabel 5. Suhu ( ) Tabel 4. Hasil Proses Hitung Aplikasi Prediksi Banjir Algoritma SPADE Kelembaban Kec Angin (knot) Curah Hujan (mm) Lamanya Hujan (menit) Hasil Uji (EWS) Prediksi ,5 61 Nyala Banjir 22, Nyala Banjir Nyala Banjir 22, ,2 11 Mati Tidak 22, ,1 85 Nyala Banjir 21, ,4 96 Nyala Banjir 21, ,3 100 Nyala Banjir 22, ,2 102 Nyala Banjir 22, Mati Tidak 22, Nyala Banjir ,2 97 Nyala Banjir 21, ,5 87 Nyala Banjir 20, ,7 5 Mati Tidak 23, ,3 113 Nyala Banjir 21, ,3 87 Nyala Banjir 22, ,4 85 Nyala Banjir Sumber: Hasil Olah Penulis Tabel 5. Hasil Proses Hitung Aplikasi Prediksi Banjir Algoritma PSO Nilai awal Curah Posisi Partikel (X) Nilai awal Muka Kecepatan partikel Hujan (X) dengan PSO Air (V) (V) dengan PSO Curah Hujan 25 51, ,15 Sedang 10 71, ,65 Sedang 11 99, ,.35 Sedang , ,75 Sedang , ,95 Sedang , ,95 Hujan Deras , ,05 Sedang , ,75 Hujan Deras , ,35 Sedang 0 137, ,65 Gerimis , ,95 Gerimis , ,85 Gerimis Sumber: Hasil Olah Penulis Hasil perbandingan uji EWS dan prediksi menunjukan kesesuaian data secara keseluruhan baik algoritma SPADE maupun algoritma PSO. 4. Simpulan Berdasarkan hasil pengujian terhadap aturan (rule) ditambahkan dengan pembuatan aplikasi prediksi banjir, maka dapat disimpulkan sebagai berikut: Observasi data dan pencarian pola optimal dengan menggunakan algoritma SPADE KNiST, 30 Maret

7 dapat menghasilkan sebuah informasi baru, yaitu prediksi banjir dan peringatan dini. Prediksi banjir hasil algoritma PSO dapat dihasilkan dengan indikator curah hujan dan muka air. Aplikasi prediksi banjir mudah digunakan, hasil yang diberikan yaitu prediksi banjir menggunakan metode fuzzy logic, hasil algoritma SPADE maupun algoritma PSO. Referensi Ary, M. (2013). Penyelesaian Persoalan Transportasi Dengan Fuzzy Cost Menggunakan Pendekatan Basis Tree. Matematika Jurnal Teori dan Terapan Matematika, Vol 11, Juni 2013, ISSN , Ary, M. (2017). Aplikasi Prediksi Banjir Dengan Algoritma SPADE. Informatika, Vol.2 April 2017 ISSN Sistem Persamaan Nonlinear. Jurnal Teknik ITS, A Santoso, & Willy. (2011). Metode Metaheuristik Konsep dan Implementasi. Surabaya: Guna Widya. Sarnapi-PikiranRakyat. (2016, Oktober 30). Banjir Bandung Selatan Terus Meluas. Retrieved Februari 8, 2017, from Pikiran Rakyat: Suwarningsih, W., & Suryawati, E. (2012). Pembangkitan Pola Data Cuaca Untuk Sistem Peringatan Dini Banjir. INKOM Jurnal Informatika, Sistem Kendali dan Komputer LIPI, Brits. (2009). A Niching Particle Swarm Optimizer. -: -. Irw/Nrl-DetikNews. (2011, November 2). Beginilah Cara Kerja Early Warning System Banjir Di Jakarta. Retrieved Februari 8, 2017, from Detik News: beginilah-cara-kerja-early-warningsystem-banjir-di-jakarta Kusumadewi, S. (2002). Analisa Desain Sistem Fuzzy Menggunakan ToolBox Matlab, Edisi Pertama Cetakan Pertama. Yogyakarta: Graha Ilmu. Kusumadewi, S., & Purnomo, H. (2010). Aplikasi Logika Fuzzy Untuk Pendukung Keputusan Edisi 2. Yogyakarta: Graha Ilmu. Mauliana, P. (2016). Prediksi Kemungkinan Banjir Sungai Citarum dengan Logika Fuzzy Hasil Algoritma Particle Swarm Optimization. Informatika, Vol 3, No 2, ISSN Mohammed, J. Z. (2001). SPADE: An Efficient Algorithm for Mining Frequent Sequences, Machine Learning. Netherlands: Kluwer Academic Publishers. Rosita, A., Purwananto, Y., & Soelaiman, R. (2012). Implementasi Algoritma Particle Swarm untuk Menyelesaikan KNiST, 30 Maret