Analisa Tingkat Kebisingan di DKI Jakarta dengan Fuzzy Logic Menggunakan Aplikasi MATLAB

Transkripsi

1 Analisa Tingkat di DKI Jakarta dengan Fuzzy Logic Menggunakan Aplikasi MATLAB Popy Meilina Jurusan Teknik Informatika Universitas Muhammadiyah Jakarta Abstrak -- Fuzzy Logic merupakan peningkatan dari logika Boolean yang berhadapan dengan konsep kebenaran sebagian. Di mana logika klasik menyatakan bahwa segala hal dapat diekspresikan dalam istilah binary (0 atau 1, hitam atau putih, ya atau tidak), fuzzy logic menggantikan kebenaran boolean dengan tingkat kebenaran. Fuzzy logic berhubungan dengan set fuzzy dan teori kemungkinan. dibagi atas empat tingkat yaitu sangat tenang, tenang, bising, dan sangat bising. Untuk kelayakan dibagi atas tiga tingkat yaitu, layak, cukup layak dan tidak layak. Kemudian hubungan dari dan terbentuk suatu keluaran POP yang terbagi atas tiga tingkatan yaitu POP I, POP II dan POP III. Kata kunci : Fuzzy logic, kebisingan I. LATAR BELAKANG Dengan tingkat kepadatan yang tinggi pada kota Jakarta dapat diperkirakan bahwa secara simultan tingkat kebisingannya juga tinggi. dapat diakibatkan dari berbagai macam aspek seperti banyaknya pabrik yang dibangun, bising dari kemacetan lalu lintas, bising dari bandara udara, stasiun kereta api dan lain-lain. Fuzzy logic merupakan peningkatan dari logika Boolean yang berhadapan dengan konsep kebenaran sebagian. Di mana logika klasik menyatakan bahwa segala hal dapat diekspresikan dalam istilah binary (0 atau 1, hitam atau putih, ya atau tidak), fuzzy logic menggantikan kebenaran boolean dengan tingkat kebenaran. Fuzzy logic memungkinkan nilai keanggotaan antara 0 dan 1, tingkat keabuan dan juga hitam dan putih, dan dalam bentuk linguistik, konsep tidak pasti seperti "sedikit", "lumayan", dan "sangat". Fuzzy logic berhubungan dengan set fuzzy dan teori kemungkinan. Identifikasi Masalah Satuan tingkat intensitas yang terdefinisi menurut ilmu fisika adalah decibel (db), setiap benda yang bergerak akan menimbulkan suara baik itu gerak potensial maupun gerakan kinetik. Kemudian manusia dapat menangkap suara dari intensitas Wm -2 sampai dengan 1 Wm -2 (Marthen Kanginan, 2003 : 162) atau dengan satuan decibel yaitu antara 10 db sampai 120 db (Giancoli, 2001: 411), apabila manusia mendengar suara melebihi dari 120 db, maka suara tersebut dapat dikatakan sebagai bising yang dapat mengganggu manusia mulai dari gangguan telinga sampai gangguan pada otak. Tujuan Penelitian Adapun tujuan dari penulis yaitu untuk mengetahui tingkat kebisingan dan tingkat kelayakan dan jenis POP suatu wilayah berdasarkan tingkat intensitas suara. II. LANDASAN TEORI Konsep ketidakpastian menjadi konsep dasar munculnya konsep logika fuzzy. Pencetus gagasan logika fuzzy adalah Prof. L.A. Zadeh (1965) dari California University. Pada prinsipnya himpunan fuzzy adalah perluasan himpunan crisp, yaitu himpunan yang membagi sekelompok individu kedalam dua kategori, yaitu anggota dan bukan anggota. Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan μ A [x], memiliki 2 kemungkinan, yaitu ( Kusumadewi, 2003: 156 ) : Satu (1) yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan. l (0) yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan. Pada himpunan crisp, nilai keanggotaan hanya ada 2 kemungkinan, yaitu 0 tau 1. Sedangkan pada himpunan fuzzy nilai keanggotaan terletak pada rentang 0 sampai 1. Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy ( Kusumadewi, 2004: 12 ). Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data kedalam nilai keanggotaan yang memiliki interval antara 0 sampai 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Ada beberapa fungsi yang bisa digunakan diantaranya : 1. representasi linear 2. representasi segitiga 3. representasi trapesium 4. representasi kurva bentuk bahu 5. representasi kurva S 6. representasi bentuk lonceng 216

2 Untuk mendapatkan output diperlukan 4 tahapan pada metode mamdani, diantaranya: 1. Pembentukan himpunan fuzzy Pada metode mamdani baik variabel input maupun variabel output dibagi menjadi satu atau lebih himpunan fuzzy. 2. Aplikasi fungsi implikasi Pada Metode Mamdani, fungsi implikasi yang digunakan adalah Min. 3. Komposisi aturan Metode yang digunakan dalam melakukan inferensi sistem fuzzy, yaitu Metode Max (Maximum). Secara umum dapat dituliskan : μsf[xi] = max (μsf [Xi], μkf [Xi]) Dengan : μsf[xi] = nilai keanggotaan solusi fuzzy sampai aturan ke i μkf [Xi]) = nilai keanggotaan konsekuan fuzzy aturan ke i 4. Penegasan (defuzzy) Defuzzyfikasi pada komposisi aturan mamdani dengan menggunakan metode centroid. Dimana pada metode ini, solusi crisp diperoleh dengan cara mengambil titik pusat daerah fuzzy. III. PENGOLAHAN DATA DAN IMPLEMENTASI Pengolahan data dilakukan dengan menentukan variabel dan semesta pembicaraan, dilanjutkan dengan membentuk himpunan fuzzy. Penentuan vadriabel dan semesta pembicaraan dari hasil pengambilan data dapat diperoleh pada tabel 1. Sedang himpunan fuzzy ditampilkan pada tabel 2. Langkah selanjutnya adalah membuat fungsi keanggotaan untuk tiap variabel kebisingan dan kelayakan. Fungsi keanggotaan variabel kebisingan terdiri atas sangat tenang, tenang, bising, dan sangat bising. Hal ini dapat dilihat pada gambar 1. Fungsi keanggotaan variabel kelayakan terdiri atas layak, cukup layak, dan tidak layak. Hal ini dapat dilihat pada gambar 2. Tabel 1 Penentuan Variabel dan Semesta Pembicaraan Fungsi Nama Variabel Semesta Pembicaraan Input Tingkat Intensitas [10 150] Output [10 150] [10 150] Nama Variabel Tabel 2 Himpunan Fuzzy Nama Himpunan Fuzzy Semesta Pembicara an Domain SANGAT_TENANG [10 60] TENANG [30 90] [10 150] BISING [60 120] SANGAT_BISING [90 150] LAYAK [10 75] [10 150] CUKUP_LAYAK [55 90] TIDAK_LAYAK [75 150] 1 Sangat tenang Tenang Bising Sangat Bising Gambar 1 Fungsi keanggotaan pada himpunanhimpunan fuzzy untuk variabel kebisingan 1 0 LAYAK CUKUP_LAYAK TIDAK_LAYAK Gambar 2 Fungsi keanggotaan pada himpunanhimpunan fuzzy untuk variabel kelayakan db Start Proses Tingkat TI POP no data/no TI * ** Proses Tingkat Gambar 3 Sistem Fuzzy Logic antara dan Data masukan berupa suara yang direkam dengan menggunakan media player MP3. Namun format file yang dihasilkan tidak berupa *.wav, sedangkan software Matlab sebagai media penulis untuk mensimulasikan sistem fuzzy hanya dapat membaca file suara yang berbentuk *.wav. Untuk itu suara yang telah direkam harus diubah dengan suatu software db Power AMP Music Converter Kemudian inputan file suara yang telah di ubah menjadi file *.wav kita proses ke dalam software Matlab. Untuk mengambil file suara yang berbentuk *.wav digunakan fungsi : wav_file=([nama_path,nama_file]; sedangkan untuk membacanya digunakan fungsi : [suara,fs]=wavread(wav_file) mencari Tingkat Intensitas suara dengan fungsi : h = spectrum.periodogram hopts = psdopts(h) hpsd = psd(h,t,hopts) pwr = avgpower(hpsd) g = pwr Variabel g merupakan tingkat intensitas suara (TI) yang akan kita proses ke dalam proses kelayakan dan proses kebisingan untuk mencari tingkat kelayakan dan tingkat kebisingan. End 217

3 MULAI g <=10 = 'Layak' layak = (g-10)/45 g>10 & g<=55 layak > ckplayak layak = (75 - g)/20 ckplayak = (g - 55)/20 g>55 & g<=75 Selesai = 'Cukup Layak' ckplayak>tdklayak ckplayak = (90 - g)/15 tdklayak = (g -75)/15 g>75 & g<=90 = 'Tidak Layak' tdklayak = (150- g)/40 g>90 & g<=150 g>150 Gambar 4 Proses dengan Fuzzy Logic (TA, 2007). MULAI x = 'Tingkat Intensitas di Luar Pembahasan' = 'Sangat Tenang' g <=10 = 'Sangat Tenang' sgttenang = (g-10)/20 g>10 & g<=30 sgttenang>tenang sgttenang = (g-10)/20 tenang = (g - 30) / 30 g>30 & g<=60 = 'Tenang' SELESAI X tenang>bising tenang = (90 - g) / 30 bising = (g -60) / 30 g>60 & g<=90 = 'Bising' bising>sgtbising bising = (120 - g) / 30 sgtbising = (g - 90) / 30 g>90 & g<=120 = 'Sangat Bising' sgtbising = (150- g) / 30 g>120 & g<=150 x = 'Tingkat Intensitas di Luar Pembahasan' = 'Sangat Tenang' Gambar 5 Proses dengan Fuzzy Logic g>

4 Gambar 4 merupakan penjelasan untuk proses kelayakan yang ada pada gambar 3. Variabel g merupakan nilai untuk tingkat intensitas (TI) yang merupakan sebagai masukan. Setiap tingkat kelayakan nilai intensitasnya dibandingkan Gambar 5 merupakan penjelasan untuk proses kebisingan yang ada pada gambar 3. Variabel g merupakan nilai untuk tingkat intensitas (TI) yang merupakan sebagai masukan. Setiap tingkat kebisingan nilai intensitasnya dibandingkan. Setelah mendapatkan nilai dari tingkat kebisingan dan tingkat kelayakan maka penulis mengambil kesimpulan berdasarkan teori-teori yang ada untuk membuat variabel baru. Tingkat LAYAK CUKUP LAYAK TIDAK LAYAK Tingkat SANGAT TENANG TENANG BISING SANGAT BISING Gambar 6 Relasi antara Tingkat dan Tingkat yang Diperoleh Gambar 6 menggambarkan hubungan antara variabel kelayakan dan variabel kebisingan. Dari gambar 6 penulis mendapatkan suatu teori keluaran yang diinginkan berupa POP. Adapun tabel 3.3 merupakan tingkatan dari POP, yaitu : Jenis POP POP I POP II POP III Tabel 3 Tingkatan Keluaran POP Aturan Indikator Masalah Akibat Layak Sangat Tenang Tenang Hijau Tidak ada masalah Cukup Layak Tenang Berkurangnya Kuning Bising Pendengaran Tidak Layak Bising Resiko kehilangan Merah Sangat Bising pendengaran secara permanent Dalam Tabel 3 dijabarkan aturan kelayakan dan kebisingan untuk POP I, POP II, dan POP III serta menentukan indikator masalah serta penyebabnya. IMPLEMENTASI Sebagai contoh pada data di atas file suara keras.wav pada panel Proses dengan tingkat intensitas suara sebesar dB, menyatakan bahwa jenis tingkat kebisingannya yaitu Sangat Bising. Dan kelayakannya dengan tingkat Tidak Layak. Pada panel POP menunjukkan jenis POP berada tingkat POPIII dimana indikator masalah berwarna merah dan dapat mengakibatkan gangguan pendengaran secara permanen. Contoh aplikasi yang telah diimplementasikan tersebut dapat dilihat pada Gambar 7. Gambar 7 Proses fuzzy untuk kebisingan suara Dalam Tabel 4 dimuat data-data daerah yang diambil sampel suaranya dan kemudian di analisa dengan menggunakan fuzzy logic. 219

5 Tabel 4 Daftar Daerah di DKI Jakarta yang di uji Daerah TI POP Indikator 1 Terminal Blok M Sangat Bising Tidak Layak POP III Merah (jam siang) 2 Pasar Jatinegara (jam 15.00) Bisng Tidak Layak POP III Merah 3 Percakapan Tenang Layak POP I Hijau 4 Ruang Kelas UMJ Tenang Cukup Layak POP II Kuning (Jam 09.00) 5 Bandara Sangat Bising Tidak Layak POP III Merah (jam 10.00) 6 Mesin pengikir batu cincin Sangat Bising Tidak Layak POP III Merah (jam 15.00) 7 Rapat Pengurus HMIF Bising Cukup Layak POP II Kuning (jam 14.00) 8 Kampus Uhamka (jam Bising Tidak Layak POP III Merah sore) 9 Stasiun Jatinegara (Jam 14.30) Sangat Bising Tidak Layak POP III Merah 10 Halte Busway Jatinegara (Jam 16.00) Bising Tidak Layak POP III Merah Pada Tabel 4 ruang kelas Informatika FT- UMJ pada jam dengan tingkat intensitas suara sebesar db kebisingannya dinyatakan sebagai tenang dan kelayakannya dinyatakan dengan cukup layak kemudian dihasilkan jenis POP I yang mempunyai indikator hijau dan tidak memiliki efek terhadap pendengaran manusia. Namun untuk data di daerah pemukiman di dekat terminal Blok M (jam 13.00) dengan tingkat intensitas suara sebesar db, kebisingannya dinyatakan sangat bising dan kelayakannya dinyatakan sebagai tidak layak kemudian dihasilkan jenis POP III yang mempunyai indikator merah dan memiliki efek dapat mengganggu pendengran manusia secara permanen. Dari dua data tersebut dapat disimpulkan bahwa kelayakan suatu daerah dapat dijadikan tempat tinggal tergantung kepada besar tingkat intensitas suara yang dihasilkan. VI. PENUTUP Dengan data sebagai contoh daerah pemukiman yang tenang dengan tingkat intensitas suara sebesar db kebisingannya dinyatakan sebagai tenang dan kelayakannya dinyatakan dengan layak kemudian dihasilkan jenis POP I yang mempunyai indikator hijau dan tidak memiliki efek terhadap pendengaran manusia. Namun untuk data di daerah pemukiman di dekat terminal Blok M (jam 13.00) dengan tingkat intensitas suara sebesar db, kebisingannya dinyatakan sangat bising dan kelayakannya dinyatakan sebagai tidak layak kemudian dihasilkan jenis POP III yang mempunyai indikator merah dan memiliki efek dapat mengganggu pendengran manusia secara permanen. Dari dua data tersebut dapat disimpulkan bahwa kelayakan suatu daerah dapat dijadikan tempat tinggal tergantung kepada besar tingkat intensitas suara yang dihasilkan. V. DAFTAR PUSTAKA Giancoli. Fisika jilid 1. Jakarta : Erlangga, Edisi 5, Kanginan, Marthen. Fisika 2000 Jilid 3A untuk SMU Kelas 3. Jakarta : Erlangga, Kusumadewi, Sri. Artificial Intelligence (Teknik dan Aplikasinya). Yogyakarta : Graha Ilmu, Kusumadewi, Sri. Analisis Desain Sistem Fuzzy menggunakan Tool Box Matlab.. Yogyakarta : Graha Ilmu, Kusumadewi, Sri., dan Purnomo, Hari. Aplikasi Logika Fuzzy untuk Pendukung Keputusan. Yogyakarta : Graha Ilmu, Sri Widodo, Thomas. Sistem Neuro Fuzzy. Yogyakarta : Graha Ilmu, les.htm 220