BAB 3 Metodologi 3.1 Kerangka Berpikir

Transkripsi

1 BAB 3 Metodologi 3.1 Kerangka Berpikir Kerusakan bangunan akibat gempa bumi menjadi salah satu penyebab dominan jatuhnya korban jiwa. Dibutuhkan suatu upaya untuk meminimalisasikan kerusakan bangunan akibat gempa bumi agar dapat mengurangi dampak negatif yang ditimbulkan. Salah satu upaya yang dapat dilakukan adalah dengan mengoptimalkan upaya mitigasi dalam hal pengaturan tata ruang. Dengan ketersediaan data yang ada, memungkinkan untuk dilakukan klasterisasi data kegempaan yang dapat digunakan untuk membantu zonasi wilayah berdasarkan tingkat bahaya kerusakan bangunan akibat kejadian gempa bumi. Hasil zonasi wilayah ini dapat digunakan sebagai acuan pengaturan tata ruang didaerah yang rawan akan gempa bumi. Penelitian terkait topik klasterisasi data kegempaan sudah pernah dilakukan. Para peneliti sebelumnya menggunakan berbagai metode untuk melakukan klasterisasi data seperti self-organizing map (SOM), gabungan jaringan syaraf tiruan (JST) dan sistem fuzzy serta metode lainnya. Sedangkan penelitian ini mencoba mengimplementasikan algoritma Fuzzy Kohonen Clustering Network (FKCN) untuk melakukan klasterisasi data kegempaan karena FKCN merupakan algoritma computational model hybrid. Dari penelitian sebelumnya, model hybrid menghasilkan akurasi diatas 80% dan FKCN belum pernah dicoba diimplementasikan kedalam data gempa sebelumnya. Hasil penelitian sebelumnya berhasil mendapatkan akurasi yang tinggi dan nilai error yang kecil. Meskipun begitu, pengujian terhadap hasil klasterisasi tersebut belum mendapatkan hasil yang sempurna dikarenakan akurasi dan nilai error tidak terlepas dari nilai data input. 39

2 40 Terdapat Permasalahan: - Gempa bumi menyebabkan jatuhnya banyak korban jiwa - Gempa bumi menyebabkan kerusakan infrastruktur fisik, kerusakan bangunan adalah yang paling dominan Menentukan Solusi Permasalahan: - Dibutuhkan upaya meminimalisasi kerusakan bangunan akibat gempa bumi dengan melakukan upaya mitigasi tata ruang - Dibutuhkan program yang dapat melakukan klasterisasi data suatu wilayah berdasarkan tingkat bahaya kerusakan bangunan akibat gempa bumi di suatu daerah Merumuskan masalah yang akan di selesaikan dalam penelitian Menentukan ruang lingkup penelitian Mengumpulkan Data: Merancang Program: - Wawancara dengan ahli geografi untuk mendapatkan data deskripsi dan karakteristik batuan (litologi) dan zona topografi kota Banda Aceh - Melakukan normalisasi untuk zona topografi dan litologi kota Banda Aceh - Melakukan Menggunakan klasterisasi PGA Youngs data dengan menggunakan algoritma FKCN dan IFKCN - Merancang tampilan antarmuka (user interface). Evaluasi: - Menghitung nilai error dan correct rates dengan menggunakan data IRIS Fisher. - Menguji program kepada ahli geologi dan memberikan kuesioner yang memuat pendapat dan saran terhadap program untuk mendapat kesimpulan dan saran untuk pengembangan program.

3 41 Analisis Output: membandingkan performa algoritma FKCN dan IFKCN melalui hasil klasterisasi untuk menentukan algoritma terbaik untuk mengklaster data kegempaan. 3.2 Metodologi Gambar 3.1 Bagan Kegiatan Penelitian Pada penelitian ini penulis memncoba menggunakan algoritma FKCN untuk klasterisasi data bahaya kerusakan bangunan akibat gempa bumi untuk mengetahui keakuratan algoritma FKCN dan implementasinya dalam melakukan klasterisasi data kegempaan. Flow chart cara kerja program ini dapat dilihat pada gambar 3.1 : Start Input data litologi, topografi, dan nilai PGA Normalisasi data litologi dan zona topografi Hasil Olah Data Klasterisasi Et < No Yes Hasil Klasterisasi End

4 42 Gambar 3.2 Flow chart Cara Kerja Program User melakukan input data kegempaan yang digunakan sebagai parameter fisik yaitu data litologi, data zona topografi dan data untuk nilai PGA. Konversi nilai data litologi dan zona topografi sedangkan nilai PGA diperoleh dengan menggunakan fungsi atenuasi global dari Youngs et al, Hasil konversi nilai data litologi dan zona topografi kemudian dinormalisasi untuk mendapat nilai antara 0 sampai dengan 1. Nilai PGA tidak dilakukan normalisasi karena nilai PGA yang diperoleh sudah berada di antara nilai 0 sampai 1. Setelah ketiga data tersebut digabungkan, maka diperoleh data akhir yaitu hasil olah data. Kemudian dimulai proses klasterisasi yakni melakukan klasterisasi parameter fisik yang telah di-input. Kemudian melihat keoptimalan hasil klasterisasi dengan membandingkan error saat klasterisasi (Et) dan threshold error yang telah ditentukan sebelumnya () yaitu Jika hasil klasterisasi belum optimal (Et > ), maka dilakukan pengulangan pada klasterisasi. Jika hasil klasterisasi sudah optimal (Et < ) maka semua proses end Parameter Fisik Untuk mengukur bahaya kerusakan pada bangunan akibat gempa bumi dalam penelitian ini digunakan tiga buah parameter fisik yaitu nilai Peak Ground Acceleration (PGA), data kelas litologi, dan data zona topografi karena yang menjadi pertimbangan untuk melakukan klasterisasi data dalam penelitian ini adalah ground condition (kondisi tanah). Ground Condition dapat mempengaruhi kekuatan bangunan yang berdiri diatasnya. Jika nilai kelas litologi dan zona topografi rendah namun nilai PGA tinggi, maka dapat dinyatakan bahwa daerah tersebut sangat berbahaya. Sebaliknya, jika nilai kelas litologi dan zona topografi tinggi namun nilai PGA rendah, maka dapat dinyatakan bahwa daerah tersebut tidak berbahaya.

5 43 PGA adalah ukuran bagaimana permukaan bumi bergetar. Nilai PGA yang digunakan dalam penelitian ini adalah PGA Youngs yang dihitung dengan fungsi atenuasi dari parameter gempa seperti magnitude, kedalaman dan jarak dari sumber gempa. Jarak dari sumber gempa dihitung dengan cara perbandingan antara koordinat sumber gempa dan koordinat pusat daerah penelitian menggunakan persamaan dibawah ini : D = Dengan D = jarak sumber gempa ke centroid (Km) A long = adalah koordinat longitudinal sumber gempa B long = koordinat longitudinal centroid grid A lat = koordinat latitude sumber gempa B lat = koordinat latitude dari centroid grid Kemudian nilai PGA dihitung dengan dengan fungsi atenuasi global dari Youngs et al, 1997 sebagai berikut: ln(pga)= m+c1+c2(10-m) 3 +C 3 ln(r rup e0.554M ) H Z r dengan : PGA = nilai peak ground acceleration (gals); M = nilai magnitude gempa (Skala Richter); r rup = jarak horizontal dari sumber gempa ke centroid grid; H = kedalaman pusat gempa (Km);

6 44 Zr = jenis dari sumber gempa (0 untuk interface dan 1 untuk intraslab) dan C 1, C 2, C 3 = koefisien regresi dari fungsi tersebut (C 1 dan C 2 bernilai 0 dan C 3 = ) Sedangkan data litologi dan zona topografi dikonversi dari data kelas yang bersifat continues menjadi data yang bersifat discrete dalam sistem grid 1 km x 1 km sebagaimana digunakan pada perhitungan nilai PGA. Konversi data didasarkan pada kontribusi masing-masing kelas pada bahaya yang ditimbulkan terhadap kerusakan bangunan. Nilai kelas litologi di konversi ke dalam nilai 1 hingga 6. Kelas litologi sand yang memiliki tingkat porositas (ukuran dari ruang kosong di antara material) tinggi di konversi menjadi nilai 3 dan litologi clay yang memiliki porositas sangat rendah dikonversi menjadi nilai 6. Table 3.1 Kelas Litologi dan Nilai Konversi NO Klas Litologi Nilai Konversi 1 Clay 6 2 Clayey Sand 5 3 Sandy Clay 4 4 Sand 3 5 Swamp 2 6 Non 1 Dengan cara yang sama, data zona topografi juga dilakukan konversi nilai. Zona topografi kelas rendah dan unstable seperti kelas seabed dikonversi menjadi nilai 2 dan zona topografi klas tinggi dan stable sperti kelas Inland Plain dikonversi menjadi nilai 7 seperti yang ditunjukkan pada Tabel 3.2. Table 3.2 Zona Topografi dan Nilai Konversi NO Klas Zona Topografi Nilai Konversi

7 45 1 Inland Plain 7 2 Inland Deep 6 3 Coastal Plain 5 4 Coastal Low 4 5 Coastal Deep 3 6 River/Seabed/lake 2 7 No Data Normalisasi Data Data-data input perlu disesuaikan dengan range Neural Network yang didesain untuk menerima inputan bilangan desimal antara -1 hingga +1 atau 0 hingga +1. Oleh karena itu data-data input perlu dinormalisasi untuk menjadi range tersebut. Normalisasi dapat dilakukan dengan formula berikut : dengan : x = nilai awal sebelum dinormalisasi min = nilai terrendah pada data max = nilai tertinggi pada data high = nilai tertinggi pada hasil normalisasi low = nilai terendah pada hasil normalisasi Dalam penelitian ini range yang dipilih adalah 0-1 untuk keseragaman data karena nilai PGA telah memiliki range Klasterisasi

8 46 Klasterisasi adalah pengelompokkan data (objek) yang didasarkan hanya pada informasi yang ditemukan dalam data yang menggambarkan objek tersebut dan hubungan diantaranya (Tan, 2006). Klasterisasi data kegempaan pada penelitian kali ini dilakukan dengan menggukanan kelas litologi, zona topgrafi dan nilai PGA. Ketiga parameter fisik tersebut dijadikan sebagai data input untuk diklasterisasi dengan algoritma FKCN. Gambar 3.3 Arsitektur FKCN Flowchart algoritma Fuzzy Kohonen Clustering Network (FKCN) ditunjukkan pada Gambar 3.3.

9 47 Gambar 3.4 Flow chart Algoritma FKCN Algoritma FKCN (Bezdek, 1992) : 1. Langkah 1, tetapkan jumlah kelas (banyak iterasi), fitur (dimensi) dan error threshold ( > 0) 2. Langkah 2, inisialiasi Vektor Bobot Awal dan serta batas iterasi ( ) 3. Langkah 3, untuk t = 1,2,( ) a. Hitung semua learning rate ( ) b. Update seluruh vektor bobot dengan menggunakan persamaan c. Lakukan perhitungan perhitungan

10 48 Jika error yang diperoleh lebih kecil daripada yang ditetapkan, proses berhenti. Jika tidak, ulangi kembali langkah (3). Sedangkan algoritma Improved FKCN (Yang, 2008) : 1. Langkah 1, tetapkan jumlah kelas, fitur dan error threshold 2. Langkah 2, inisialiasi Vektor Bobot Awal dan serta batas iterasi ( ) 3. Langkah 3, untuk t = 1,2.., a. Hitung semua learning rate ( ) Perbedaan antara FKCN dan Improved FKCN terletak pada pengefisiensian learning rate. Untuk pada algoritma Improved FKCN dilakukan perhitungan berikut :

11 49 dengan : td = nilai threshold bawah (rentang 0-0.5) tu = nilai threshold atas (rentang 0.5 1) mu = fuzzy convergence operator yang nilainya antara 0-1 md = fuzzy convergence operator yang nilainya lebih besar dari mt b. Update seluruh vektor bobot dengan menggunakan persamaan c. Lakukan perhitungan perhitungan Jika error yang diperoleh lebih kecil daripada yang ditetapkan, proses berhenti. Jika tidak, ulangi kembali langkah (3). 3.3 Perancangan Aplikasi Unified Modeling Language (UML) Use Case Diagram

12 50 Gambar 3.5 Use Case Diagram Penjelasan dari Use Case Diagram diatas dapat dilihat pada tabel 3.3. Tabel 3.3 Penjelasan Use Case Diagram Klasterisasi Data Kegempaan Input Data Litologi, Topografi dan PGA Input Jumlah Kelas Input Jumlah Iterasi Hasil Klasterisasi Use case ini menggambarkan bagaimana user melakukan input data parameter fisik yaitu data litologi, zona topografi dan nilai PGA yang akan diklasterisasi. Use case ini menggambarkan bagaimana user menentukan jumlah kelas yang ingin diperoleh dari proses klasterisasi data. Use case ini menggambarkan bagaimana user menentukan jumlah maksimal iterasi yang dilakukan oleh system dalam melakukan klasterisasi. Use case ini menggambarkan bagaimana sistem menampilkan hasil klasterisasi terhadap data yang di-input user dan dapat dilihat oleh user.

13 Activity Diagram Klasterisasi Data Kegempaan Gambar 3.6 Activity Diagram Seperti yang telah dijelaskan oleh Flow chart 3.1, activity diagram ini menunjukkan bagaimana proses dari awal hingga akhirnya user mendapatkan hasil klasterisasi data bahaya kerusakan bangunan akibat gempa bumi dari program komputer yang dibuat pada penelitian kali ini. Proses diawali dengan user melakukan input data parameter fisik, lalu program komputer melakukan

14 52 normalisasi terhadap data input dan melalukan klasterisasi. Setelah proses klasterisasi selesai maka user akan mendapatkan hasil klasterisasi dari data yang di-input dan aktifitas program selesai Rancangan Layar Antarmuka Gambar 3.7 Layar Awal Seluruh komponen input dan output terdapat pada satu layar yang sama. Pada tampilan input, pertama-tama user harus memasukkan data parameter fisik yang akan digunakan yaitu data litologi, zona topografi, dan nilai PGA dengan melakukan klik pada button browse. User juga dapat memilih untuk melakukan normalisasi dengan klik pada check box disamping button browse. Check box tersebut dapat dibiarkan kosong jika tidak ingin melakukan normalisasi.

15 53 Setelah semua text box terisi, user dapat melakukan klik pada button validate untuk melanjutkan proses input. Jika text box belum terisi dengan benar akan muncul pesan Data Numbers have to be Equal seperti yang ditunjukkan pada Gambar 3.7. Gambar 3.8 Layar Data Tidak Valid User dapat melakukan pembenaran akan data yang telah di-input dengan melakukan klik kembali pada button browse lalu kemudian validate. Jika semua text box telah terisi dengan benar akan muncul pesan Data Numbers are Equal. Please Insert the Cluster Number and Max Iteration seperti yang ditunjukkan pada Gambar 3.8.

16 54 Gambar 3.9 Layar Data Valid Pada tahap ini artinya data litologi, topografi dan PGA telah valid. Kemudian akan muncul button process, user akan diminta memasukkan jumlah cluster yang diinginkan serta memasukkan jumlah iterasi yang akan dilakukan pada setiap algoritma yaitu FKCN dan Improved FKCN. Setelah semua bagian terisi dengan benar, user dapat melakukan klik pada button process untuk mendapatkan output seperti pada Gambar 3.9.

17 55 Gambar 3.10 Layar Akhir Pada layar output terdapat initial weight yang menunjukkan bobot awal dan cluster center algoritma FKCN dan Improved FKCN (IFKCN) yang letaknya berdampingan untuk membandingkan antara kedua cluster center. Output dari proses terdiri dari dua list box berbeda yaitu output FKCN dan IFKCN. Dalam list box output terdapat 3 kolom yang terdiri dari kolom 1 yaitu nomor data (NumData), kolom 2 yaitu kelas (Class), dan kolom 3 yang merupakan jarak data ke cluster center (Distance). Terdapat pula list box error dan sum error untuk menunjukkan jumlah kesalahan pada output dari setiap algoritma. Untuk melihat grafik sebaran data 3D user dapat melakukan klik pada button plot FKCN atau

18 56 plot Improved FKCN. Setelah output keluar, input pada cluster number dan iteration number dapat diubah dengan ketentuan masih menggunakan data litologi, topografi, dan PGA yang sama. User dapat mencoba kembali proses cluster dengan melakukan klik pada button try again sehingga tampilan akan berubah seperti layar pada gambar 3.6 atau klik button exit untuk keluar.